الانتقال إلى المحتوى
العودة إلى نتائج البحث

نماذج توزيع الأنواع (MaxEnt)

قدّمه
Steven Phillips, Robert Anderson, Robert Schapire
السنة
2004
النوع
Statistical learning algorithm
العائلة
Ecological modelling

هذا النص ترجمة آلية ولم تتم مراجعته بعد. اقرأ النص الأصلي بالإنجليزية

حجم الخط

ماذا تفعل؟

نماذج توزيع الأنواع (SDMs) باستخدام الإنتروبيا القصوى (MaxEnt) هي طرق إحصائية طورها فيليبس وأندرسون وشابير (2004) للتنبؤ بالمكان الذي من المرجح أن توجد فيه الأنواع بناءً على نقاط تواجد معروفة ومتغيرات بيئية. أصبح MaxEnt أحد أكثر الخوارزميات استخدامًا في علم الحفاظ على البيئة والجغرافيا الحيوية لرسم خرائط الموائل المناسبة وتقييم آثار تغير المناخ.

الفكرة الحدسية وراء الطريقة

تخيل خريطة بها مناطق مناخية، ونطاقات ارتفاع، وأنواع نباتات. يلاحظ عالم أحياء طائرًا في خمسة مواقع محددة. يسأل MaxEnt: بالنظر فقط إلى نقاط التواجد هذه والميزات البيئية في تلك المواقع، ما هو أبسط تفسير للمكان الآخر الذي يجب العثور على الطائر فيه؟ يجد توزيع الاحتمالات لموئل الأنواع الذي يكون "منتشرًا" أو "منتظمًا" قدر الإمكان مع الاستمرار في مطابقة حالات التواجد المرصودة - مع تجنب الادعاءات المفرطة الثقة بشأن المناطق غير المرئية. تتعلم الخوارزمية الظروف البيئية الأكثر أهمية وتنشئ خريطة مخاطر تُظهر مدى ملاءمة الموئل من المنخفض إلى المرتفع.

التاريخ

تم تطوير MaxEnt بواسطة فيليبس وآخرون (2004) كنهج عام للتعلم الآلي تم تكييفه لنمذجة توزيع الأنواع. قدم إليث وآخرون (2011) تفسيرًا بيئيًا وتبريرًا إحصائيًا، موضحين العلاقة بنظرية المعلومات وتقسيم الموئل. أصبح برنامج MaxEnt العام (Java، Phillips 2005) المعيار الفعلي في علم الحفاظ على البيئة وعلم الغزو. تجمع المتغيرات الحديثة والنهج المجمعة بين MaxEnt والخوارزميات الأخرى، وتمتد التطبيقات الآن إلى علم الحفريات والتنبؤ بالأنواع الغازية وتخطيط التكيف مع المناخ.

متى تُستخدم

استخدام MaxEnt لتخطيط الحفاظ على الأنواع، ورسم خرائط مخاطر الأنواع الغازية، وتقييم آثار تغير المناخ على التنوع البيولوجي، وفهم متطلبات الموئل. يعمل بشكل جيد مع بيانات التواجد فقط (شائعة في علم البيئة) وهو قوي مع أحجام العينات المعتدلة. تجنبه عندما تكون سجلات التواجد متحيزة جغرافيًا بشدة، أو عندما تفتقر إلى بيانات بيئية موثوقة، أو عندما يكون للنوع المستهدف نطاق صغير جدًا مع عدد قليل من السجلات.

الحدود والاعتبارات

  • افتراض التوازن: يفترض أن الأنواع توجد في جميع الموائل المناسبة ولم تصل إلى جميع المناطق المناسبة (مشكلة للأنواع الغازية أو الأنواع المستوطنة ذات النطاق المحدود)
  • الواقعية البيئية: لا تقوم بنمذجة الانتشار أو التفاعلات الحيوية أو العمليات الديموغرافية بشكل صريح
  • عدم اليقين في الاستقراء: تصبح التنبؤات غير موثوقة في البيئات الجديدة البعيدة عن نطاقات بيانات التدريب (مشكلة الإعداد التناظري)

لا تغني شروط المصدر عن المراجعة العلمية المستقلة أو التحقق بواسطة محرك تحليل.

نقاط القوة

  • نمذجة التواجد فقط: لا تتطلب بيانات غياب أو خلفية مصنفة؛ مفيدة للأنواع النادرة أو سجلات علوم المواطن
  • أداء قوي: يتفوق باستمرار على العديد من البدائل في دراسات المعايير عبر أنواع متنوعة
  • قابلية التفسير: تنتج تصنيفات أهمية المتغيرات ومنحنيات الاستجابة التي توضح كيف تتغير الملاءمة مع كل عامل بيئي
  • تنبؤات مرنة: تمتد إلى ما وراء النطاق المرصود للتنبؤ بالموئل في ظل سيناريوهات مناخية مختلفة

التطبيقات

  • تخطيط الحفاظ على البيئة: تحديد أولويات المناطق المحمية للأنواع المهددة بالانقراض عن طريق رسم خرائط للموئل عالي الملاءمة وتحديد ممرات الاتصال
  • مخاطر الأنواع الغازية: التنبؤ بالمكان الذي يمكن أن تستقر فيه الأنواع غير الأصلية التي تم إدخالها إلى مناطق جديدة، وتوجيه الكشف المبكر وجهود الاستئصال
  • آثار تغير المناخ: التنبؤ بكيفية تحول نطاقات الأنواع في ظل سيناريوهات المناخ المستقبلية لتقييم خطر الانقراض وتوجيه قرارات الهجرة المساعدة
  • رسم خرائط الأقارب البرية للمحاصيل: تحديد المصادر المحتملة للسكان من الأقارب البرية للنباتات المزروعة للتربية الزراعية والمرونة المناخية
  • نمذجة الأمراض الحيوانية المنشأ: التنبؤ بالتوزيع الجغرافي لناقلات الأمراض (مثل أنواع القراد أو البعوض) ومناطق خطر الانتقال

كيف يعمل

كيف يعمل

1

تجميع بيانات تواجد الأنواع (سجلات التواجد المحددة بنظام تحديد المواقع العالمي من المسوحات الميدانية والمتاحف وعلوم المواطن) وتكديس طبقات المتجهات البيئية (درجة الحرارة، هطول الأمطار، الارتفاع، نوع التربة، الغطاء النباتي) التي تغطي منطقة الدراسة.

2

تنظيف سجلات التواجد (إزالة التكرارات، التحيز المكاني، الإحداثيات غير المعقولة)، واقتصاص الطبقات البيئية إلى نطاق متناسق، واختيار المتغيرات ذات الصلة لتجنب الارتباط المتعدد والإفراط في التجهيز.

3

استخراج القيم البيئية عند كل موقع تواجد وعند نقاط خلفية عشوائية لتوصيف البيئة البيئية المحققة - الظروف الفعلية حيث يتم ملاحظة النوع.

4

تطبيق خوارزمية MaxEnt لتعلم توزيع الاحتمالات عبر جميع خلايا الشبكة التي تطابق أفضل حالات التواجد المرصودة مع زيادة الإنتروبيا (أقل تقييدًا)؛ وضبط معلمات التنظيم واختبار أداء التحقق المتقاطع.

5

إنشاء خرائط ملاءمة تُظهر احتمالية الموئل المتوقعة، وتحديد أهمية المتغيرات ومنحنيات الاستجابة، وتقييم التنبؤات المكانية مقابل بيانات الاختبار المحجوزة، ومناقشة الآثار المترتبة على الحفاظ على البيئة أو مخاطر الغزو.

الأخطاء الشائعة

  • التحيز الجغرافي: غالبًا ما تتجمع سجلات التواجد بالقرب من المدن أو الطرق؛ قد تفرط النماذج في التجهيز لمواقع أخذ العينات بدلاً من ملاءمة الموئل الحقيقية
  • اختيار المتغيرات: قد يؤدي تضمين العديد من المتغيرات البيئية المترابطة أو آثار المسح (مثل كثافة السكان البشرية) إلى تضليل الاستدلال
  • الإفراط في التجهيز: يؤدي ضبط التنظيم بشكل فضفاض جدًا إلى تنبؤات مفصلة للغاية وغير واقعية ومفرطة الثقة؛ استخدم دائمًا بيانات اختبار محجوزة أو تحققًا متقاطعًا

الأسئلة الشائعة

ما هو الفرق بين MaxEnt وخوارزميات SDM الأخرى مثل النماذج الخطية المعممة (GLM)؟

يتطلب GLM بيانات غياب أو خلفية ويفترض علاقات خطية؛ يحتاج MaxEnt فقط إلى بيانات تواجد ويمكنه نمذجة علاقات موائل غير خطية معقدة. يؤدي MaxEnt بشكل عام أداءً أفضل مع مجموعات البيانات الصغيرة أو المتحيزة.

كم عدد سجلات التواجد التي أحتاجها لنموذج MaxEnt موثوق؟

يفضل 30+ سجلًا، على الرغم من أن الأداء يتحسن مع المزيد. أقل من 10، النماذج غير موثوقة. تأكد من أن السجلات منتشرة مكانيًا وغير متحيزة جغرافيًا. غالبًا ما تتفوق السجلات القليلة الموزعة جيدًا على العديد من السجلات المجمعة.

كيف أختار المتغيرات البيئية التي يجب تضمينها؟

ابدأ بالنظرية: قم بتضمين المتغيرات التي تؤثر بيئيًا على النوع (المناخ، هيكل الموئل). قم بفحص الارتباط المتعدد (الارتباط > 0.7) وقم بإزالة واحد من كل زوج. تجنب آثار المسح (مثل كثافة السكان البشرية). استخدم اختبارات أهمية جاك نايف أو التبديل.

هل يمكن استخدام MaxEnt للتنبؤ بالأنواع إلى قارات جديدة أو مناخات مستقبلية؟

نعم، ولكن بحذر. يؤدي الاستقراء خارج نطاق متغيرات بيانات التدريب إلى زيادة الخطأ (مشكلة الإعداد التناظري). قم دائمًا بالإبلاغ عن عدم اليقين. بالنسبة للمناخات المستقبلية، استخدم نماذج مناخية متعددة وناقش نطاق النماذج المتعددة. بالنسبة للقارات الجديدة، قم بتقييم ما إذا كان السياق البيئي قابلاً للمقارنة.

طرق ذات صلة

المصادر

  1. Phillips, S. J., Anderson, R. P., & Schapire, R. E. (2006). Maximum entropy modelling of species geographic distributions. Ecological Modelling, 190(3-4), 231-259.

    افتح مرجع DOI
    تم النسخ.
  2. Elith, J., Phillips, S. J., Hastie, T., Dudík, M., Chee, Y. E., & Yates, C. J. (2011). A statistical explanation of MaxEnt for ecologists. Diversity and Distributions, 17(1), 43-57.

    افتح مرجع DOI
    تم النسخ.
  3. Merow, C., Smith, M. J., & Silander, J. A. (2013). A practical guide to MaxEnt for modelling species' distributions: What it does, and why inputs and settings matter. Ecography, 36(10), 1058-1069.

    افتح مرجع DOI
    تم النسخ.