Моделирование распределения видов (SDM) , также известное как моделирование экологической (или экологической) ниши (ENM) , моделирование среды обитания , прогнозное моделирование распределения среды обитания и картирование ареала [1] использует экологические модели для прогнозирования распределения видов в географическом пространстве и времени с использованием данных об окружающей среде. Данные об окружающей среде чаще всего представляют собой климатические данные (например, температуру, осадки), но могут включать и другие переменные, такие как тип почвы, глубину воды и почвенно-растительный покров. SDM используются в нескольких областях исследований в области биологии сохранения , экологии и эволюции . Эти модели можно использовать для понимания того, как условия окружающей среды влияют на возникновение или численность вида, а также для прогностических целей ( экологическое прогнозирование ). Прогнозы с помощью SDM могут быть относительно будущего распределения вида в условиях изменения климата, прошлого распределения вида для оценки эволюционных связей или потенциального будущего распределения инвазивного вида. Прогнозы текущей и/или будущей пригодности среды обитания могут быть полезны для управленческих приложений (например, реинтродукции или перемещения уязвимых видов, размещения резервов в ожидании изменения климата).
Существует два основных типа SDM. Коррелятивные SDM , также известные как модели климатической оболочки , биоклиматические модели или модели функции выбора ресурсов , моделируют наблюдаемое распределение видов как функцию условий окружающей среды. [1] Механистические SDM , также известные как модели, основанные на процессах , или биофизические модели , используют независимо полученную информацию о физиологии видов для разработки модели условий окружающей среды, в которых виды могут существовать. [2]
Степень, в которой такие смоделированные данные отражают реальное распределение видов, будет зависеть от ряда факторов, включая природу, сложность и точность используемых моделей и качество доступных слоев данных об окружающей среде; наличие достаточных и надежных данных о распределении видов в качестве входных данных для модели; и влияние различных факторов, таких как барьеры для рассеивания , геологическая история или биотические взаимодействия , которые увеличивают разницу между реализованной нишей и фундаментальной нишей. Моделирование экологической ниши можно считать частью дисциплины информатики биоразнообразия .
А. Ф. В. Шимпер использовал географические и экологические факторы для объяснения распространения растений в своей работе 1898 года « География растений на физиологической основе» ( Pflanzengeographie auf physiologischer Grundlage ) и в своей работе 1908 года с тем же названием. [3] Эндрю Мюррей использовал окружающую среду для объяснения распространения млекопитающих в своей работе 1866 года «Географическое распространение млекопитающих» . [4] Работа Роберта Уиттакера с растениями и работа Роберта Макартура с птицами убедительно доказали роль окружающей среды в распространении видов. [1] Элджин О. Бокс построил модели огибающей среды для прогнозирования ареала видов деревьев. [5] Его компьютерное моделирование было одним из самых ранних применений моделирования распространения видов. [1]
Принятие более сложных обобщенных линейных моделей (GLM) позволило создать более сложные и реалистичные модели распределения видов. Расширение дистанционного зондирования и разработка экологического моделирования на основе ГИС увеличили объем экологической информации, доступной для построения моделей, и сделали ее более простой в использовании. [1]
SDM возникли как корреляционные модели. Корреляционные SDM моделируют наблюдаемое распределение вида как функцию географически привязанных климатических предикторных переменных с использованием подходов множественной регрессии. Учитывая набор географически привязанных наблюдаемых присутствий вида и набор климатических карт, модель определяет наиболее вероятные экологические диапазоны, в которых обитает вид. Корреляционные SDM предполагают, что виды находятся в равновесии со своей средой и что соответствующие экологические переменные были адекватно отобраны. Модели позволяют проводить интерполяцию между ограниченным числом появлений видов.
Для того чтобы эти модели были эффективными, необходимо собирать наблюдения не только за присутствием видов, но и за их отсутствием, то есть там, где вид не обитает. Записи об отсутствии видов обычно не так распространены, как записи о присутствии, поэтому для подгонки этих моделей часто используются данные о «случайном фоне» или «псевдоотсутствии». Если есть неполные записи о появлении видов, псевдоотсутствия могут вносить смещение. Поскольку коррелятивные SDM являются моделями наблюдаемого распределения видов, они являются моделями реализованной ниши ( среды, в которой встречается вид ), в отличие от фундаментальной ниши (среды, в которой может встречаться вид, или где абиотическая среда подходит для выживания). Для данного вида реализованная и фундаментальная ниши могут быть одинаковыми, но если вид географически ограничен из-за ограничения распространения или взаимодействия видов, реализованная ниша будет меньше фундаментальной ниши .
Коррелятивные SDM проще и быстрее реализовать, чем механистические SDM, и могут использовать имеющиеся данные. Однако, поскольку они коррелятивны, они не предоставляют много информации о причинно-следственных механизмах и не подходят для экстраполяции. Они также будут неточными, если наблюдаемый ареал вида не находится в равновесии (например, если вид был недавно интродуцирован и активно расширяет свой ареал).
Механистические SDM были разработаны совсем недавно. В отличие от корреляционных моделей, механистические SDM используют физиологическую информацию о виде (взятую из контролируемых полевых или лабораторных исследований) для определения диапазона условий окружающей среды, в которых вид может существовать. [2] Эти модели направлены на прямую характеристику фундаментальной ниши и ее проекцию на ландшафт. Простая модель может просто определять пороговые значения, за пределами которых вид не может выжить. Более сложная модель может состоять из нескольких подмоделей, например, микроклиматические условия при заданных макроклиматических условиях, температура тела при заданных микроклиматических условиях, приспособленность или другие биологические показатели (например, выживаемость, плодовитость) при заданной температуре тела (кривые тепловой производительности), потребности в ресурсах или энергии и динамика популяции . Географически привязанные данные об окружающей среде используются в качестве входных данных модели. Поскольку прогнозы распределения видов не зависят от известного ареала вида, эти модели особенно полезны для видов, ареал которых активно смещается и не находится в равновесии, таких как инвазивные виды.
Механистические SDM включают причинные механизмы и лучше подходят для экстраполяции и неравновесных ситуаций. Однако их создание более трудоемко, чем корреляционные модели, и требует сбора и проверки большого количества физиологических данных, которые могут быть недоступны. Модели требуют множества предположений и оценок параметров, и они могут стать очень сложными.
Расселение, биотические взаимодействия и эволюционные процессы представляют собой сложные проблемы, поскольку они обычно не включаются ни в корреляционные, ни в механистические модели.
Корреляционные и механистические модели могут использоваться в сочетании для получения дополнительных сведений. Например, механистическая модель может использоваться для определения областей, которые явно находятся за пределами фундаментальной ниши вида, и эти области могут быть помечены как отсутствующие или исключены из анализа. См. [6] для сравнения механистической и корреляционной моделей.
Существует множество математических методов, которые можно использовать для подгонки, выбора и оценки коррелятивных SDM. Модели включают в себя методы «профиля», которые являются простыми статистическими методами, использующими, например, расстояние окружающей среды до известных мест возникновения, таких как BIOCLIM [7] [8] и DOMAIN; методы «регрессии» (например, формы обобщенных линейных моделей); и методы « машинного обучения », такие как максимальная энтропия (MAXENT). Десять методов машинного обучения, используемых в SDM, можно увидеть в. [9] Неполный список моделей, которые использовались для моделирования ниши, включает:
Более того, ансамблевые модели могут быть созданы из нескольких модельных выходов для создания модели, которая охватывает компоненты каждой из них. Часто среднее или медианное значение по нескольким моделям используется в качестве ансамбля. Аналогично, консенсусные модели — это модели, которые ближе всего попадают к некоторой мере центральной тенденции всех моделей — консенсусные модели могут быть отдельными прогонами моделей или ансамблями нескольких моделей.
SPACES — это онлайн-платформа моделирования ниши окружающей среды, которая позволяет пользователям разрабатывать и запускать десятки наиболее известных методов в высокопроизводительной, многоплатформенной среде на основе браузера.
MaxEnt — наиболее широко используемый метод/программное обеспечение, использующее только данные о присутствии и хорошо работающее при небольшом количестве доступных записей о присутствии.
ModEco реализует различные методы.
DIVA-GIS имеет простую в использовании (и пригодную для образовательных целей) реализацию BIOCLIM.
Виртуальная лаборатория биоразнообразия и изменения климата (BCCVL) — это «универсальный магазин моделирования», который упрощает процесс моделирования биоразнообразия и воздействия климата. Он связывает научное сообщество с национальной вычислительной инфраструктурой Австралии, интегрируя набор инструментов в согласованную онлайн-среду. Пользователи могут получить доступ к глобальным наборам данных о климате и окружающей среде или загрузить свои собственные данные, выполнить анализ данных в шести различных типах экспериментов с помощью набора из 17 различных методов и легко визуализировать, интерпретировать и оценивать результаты моделей. Типы экспериментов включают: модель распределения видов, модель распределения между видами, модель признаков видов (в настоящее время находится в стадии разработки), прогноз изменения климата, анализ биоразнообразия и ансамблевый анализ. Пример выходных данных BCCVL SDM можно найти здесь
Другим примером является Ecocrop, который используется для определения пригодности урожая для определенной среды. [11] Эта система базы данных также может прогнозировать урожайность и оценивать влияние факторов окружающей среды, таких как изменение климата , на рост растений и пригодность. [12]
Большинство методов моделирования ниш доступны в пакетах R «dismo», «biomod2» и «mopa».
Разработчики программного обеспечения могут захотеть использовать проект openModeller.
Коллаборатория по адаптации к изменению климата adaptation.nd.edu Архивировано 06.08.2012 на Wayback Machine, внедрила онлайн-версию openModeller, которая позволяет пользователям разрабатывать и запускать openModeller в высокопроизводительной среде на основе браузера, что позволяет проводить несколько параллельных экспериментов без ограничений мощности локального процессора.
{{citation}}: CS1 maint: multiple names: authors list (link) CS1 maint: numeric names: authors list (link)