Skip to content
بازگشت به نتایج جست‌وجو

مدل‌های توزیع گونه‌ها (MaxEnt)

معرفی‌شده توسط
Steven Phillips, Robert Anderson, Robert Schapire
سال
2004
نوع
Statistical learning algorithm
خانواده
Ecological modelling

این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید

اندازه قلم

چه کاری انجام می‌دهد؟

مدل‌های توزیع گونه‌ها (SDMها) با استفاده از حداکثر آنتروپی (MaxEnt) روش‌های آماری هستند که توسط فیلیپس، اندرسون و شاپیر (2004) برای پیش‌بینی مکان‌های احتمالی حضور گونه‌ها بر اساس نقاط حضور شناخته‌شده و متغیرهای محیطی توسعه یافته‌اند.

MaxEnt به یکی از پرکاربردترین الگوریتم‌ها در زیست‌شناسی حفاظت و بیوژئوگرافی برای نقشه‌برداری زیستگاه‌های مناسب و ارزیابی تأثیرات تغییر اقلیم تبدیل شده است.

شهود پشت روش

نقشه‌ای را با مناطق اقلیمی، نوارهای ارتفاعی و انواع پوشش گیاهی تصور کنید. یک زیست‌شناس پرنده‌ای را در پنج مکان خاص مشاهده می‌کند. MaxEnt می‌پرسد: با توجه به تنها این نقاط حضور و ویژگی‌های محیطی در آن مکان‌ها، ساده‌ترین توضیح برای اینکه پرنده در کجا باید یافت شود چیست؟ این مدل توزیع احتمال زیستگاه گونه را پیدا می‌کند که تا حد امکان «گسترده» یا «یکنواخت» باشد، در حالی که همچنان با حضورهای مشاهده‌شده مطابقت داشته باشد—از ادعاهای بیش از حد مطمئن در مورد مناطق دیده‌نشده اجتناب می‌کند. این الگوریتم یاد می‌گیرد که کدام شرایط محیطی بیشترین اهمیت را دارند و یک نقشه خطر را نشان می‌دهد که مناسب بودن زیستگاه را از کم تا زیاد نشان می‌دهد.

تاریخ

MaxEnt توسط فیلیپس و همکاران (2004) به عنوان یک رویکرد یادگیری ماشین عمومی که برای مدل‌سازی توزیع گونه‌ها تطبیق یافته است، توسعه یافت. الیت و همکاران (2011) تفسیر اکولوژیکی و توجیه آماری را ارائه کردند و رابطه آن را با نظریه اطلاعات و تقسیم‌بندی جایگاه اکولوژیکی روشن ساختند. نرم‌افزار عمومی MaxEnt (جاوا، فیلیپس 2005) به استاندارد دوفاکتو در زیست‌شناسی حفاظت و تهاجم تبدیل شد. گونه‌های مدرن و رویکردهای ترکیبی، MaxEnt را با سایر الگوریتم‌ها ترکیب می‌کنند و کاربردهای آن اکنون به دیرینه‌شناسی، پیش‌بینی گونه‌های مهاجم و برنامه‌ریزی سازگاری با اقلیم گسترش یافته است.

چه زمانی استفاده شود

از MaxEnt برای برنامه‌ریزی حفاظت از گونه‌ها، نقشه‌برداری خطر گونه‌های مهاجم، ارزیابی تأثیرات تغییر اقلیم بر تنوع زیستی، و درک الزامات زیستگاهی استفاده کنید. این روش با داده‌های فقط حضور (که در اکولوژی رایج است) به خوبی کار می‌کند و در برابر اندازه‌های نمونه متوسط مقاوم است. از آن زمانی که سوابق حضور به شدت از نظر جغرافیایی سوگیرانه هستند، یا زمانی که داده‌های محیطی قابل اعتماد ندارید، یا زمانی که گونه مورد نظر دارای محدوده بسیار کوچک با سوابق کم است، اجتناب کنید.

محدودیت‌ها و ملاحظات

  • فرض تعادل: فرض می‌کند که گونه‌ها در تمام زیستگاه‌های مناسب حضور دارند و به تمام مناطق مناسب نرسیده‌اند (مشکل‌ساز برای گونه‌های مهاجم یا گونه‌های بومی با محدوده محدود).
  • واقع‌گرایی اکولوژیکی: به طور صریح پراکندگی، تعاملات زیستی یا فرآیندهای جمعیتی را مدل‌سازی نمی‌کند.
  • عدم قطعیت برون‌یابی: پیش‌بینی‌ها در محیط‌های جدید که از محدوده‌های داده‌های آموزشی دور هستند، غیرقابل اعتماد می‌شوند (مشکل تنظیم آنالوگ).

شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.

نقاط قوت

  • مدل‌سازی فقط حضور: نیازی به داده‌های عدم حضور برچسب‌گذاری شده یا داده‌های پس‌زمینه ندارد؛ برای گونه‌های نادر یا سوابق علم شهروندی مفید است.
  • عملکرد قوی: به طور مداوم در مطالعات معیار در میان تاکسون‌های متنوع، از بسیاری از جایگزین‌ها بهتر عمل می‌کند.
  • قابلیت تفسیر: رتبه‌بندی اهمیت متغیر و منحنی‌های پاسخ را تولید می‌کند که نشان می‌دهد چگونه مناسبت با هر عامل محیطی تغییر می‌کند.
  • پیش‌بینی‌های انعطاف‌پذیر: فراتر از محدوده مشاهده‌شده گسترش می‌یابد تا زیستگاه را تحت سناریوهای اقلیمی مختلف پیش‌بینی کند.

کاربردها

  • برنامه‌ریزی حفاظت: اولویت‌بندی مناطق حفاظت‌شده برای گونه‌های در معرض خطر با نقشه‌برداری زیستگاه‌های با مناسبت بالا و شناسایی کریدورهای اتصال.
  • خطر گونه‌های مهاجم: پیش‌بینی اینکه گونه‌های غیربومی معرفی شده به مناطق جدید در کجا می‌توانند مستقر شوند، و هدایت تلاش‌های تشخیص زودهنگام و ریشه‌کنی.
  • تأثیرات تغییر اقلیم: پیش‌بینی چگونگی تغییر محدوده‌های گونه‌ها تحت سناریوهای اقلیمی آینده برای ارزیابی خطر انقراض و هدایت تصمیمات مهاجرت کمکی.
  • نقشه‌برداری خویشاوندان وحشی محصولات زراعی: شناسایی جمعیت‌های بالقوه منبع خویشاوندان وحشی گیاهان زراعی برای اصلاح نباتات کشاورزی و تاب‌آوری اقلیمی.
  • مدل‌سازی بیماری‌های مشترک انسان و دام: پیش‌بینی توزیع جغرافیایی ناقلین بیماری (مانند گونه‌های کنه یا پشه) و مناطق خطر سرایت.

چگونه کار می‌کند

چگونه کار می‌کند

1

داده‌های حضور گونه‌ها (سوابق حضور نقشه‌برداری شده با GPS از بررسی‌های میدانی، موزه‌ها، علم شهروندی) را گردآوری کرده و لایه‌های رستری محیطی (دما، بارش، ارتفاع، نوع خاک، پوشش زمین) را که منطقه مورد مطالعه را پوشش می‌دهند، روی هم قرار دهید.

2

سوابق حضور را پاکسازی کنید (حذف موارد تکراری، سوگیری فضایی، مختصات غیرقابل قبول)، لایه‌های محیطی را به یک گستره ثابت برش دهید، و متغیرهای مرتبط را برای جلوگیری از هم‌خطی چندگانه و بیش‌برازش انتخاب کنید.

3

مقادیر محیطی را در هر مکان حضور و در نقاط پس‌زمینه تصادفی استخراج کنید تا جایگاه اکولوژیکی واقعی—شرایط واقعی که گونه در آن مشاهده می‌شود—را مشخص کنید.

4

الگوریتم MaxEnt را برای یادگیری توزیع احتمال در تمام سلول‌های شبکه‌ای که بهترین تطابق را با حضورهای مشاهده‌شده دارند، در حالی که آنتروپی را به حداکثر می‌رساند (کمترین محدودیت)، برازش دهید؛ پارامترهای تنظیم‌کننده را تنظیم کرده و عملکرد اعتبارسنجی متقابل را آزمایش کنید.

5

نقشه‌های مناسبت را که احتمال زیستگاه پیش‌بینی‌شده را نشان می‌دهند، تولید کنید، اهمیت متغیر و منحنی‌های پاسخ را شناسایی کنید، پیش‌بینی‌های فضایی را در برابر داده‌های آزمایشی کنار گذاشته شده ارزیابی کنید، و پیامدهای حفاظت یا خطر تهاجم را مورد بحث قرار دهید.

دام‌های رایج

  • سوگیری جغرافیایی: سوابق حضور اغلب در نزدیکی شهرها یا جاده‌ها جمع می‌شوند؛ مدل‌ها ممکن است به جای مناسبت زیستگاه واقعی، بیش‌برازش به مکان‌های نمونه‌برداری داشته باشند.
  • انتخاب متغیر: گنجاندن بیش از حد متغیرهای محیطی همبسته یا مصنوعات بررسی (مانند تراکم انسانی) می‌تواند استنتاج را گمراه کند.
  • بیش‌برازش: تنظیم بیش از حد آزادانه تنظیم‌کننده، پیش‌بینی‌های بیش از حد مطمئن و غیرواقعی در مقیاس کوچک تولید می‌کند؛ همیشه از داده‌های آزمایشی کنار گذاشته شده یا اعتبارسنجی متقابل استفاده کنید.

پرسش‌های متداول

تفاوت بین MaxEnt و سایر الگوریتم‌های SDM مانند مدل‌های خطی تعمیم‌یافته (GLM) چیست؟

GLM به داده‌های عدم حضور یا پس‌زمینه نیاز دارد و روابط خطی را فرض می‌کند؛ MaxEnt فقط به داده‌های حضور نیاز دارد و می‌تواند روابط پیچیده غیرخطی زیستگاهی را مدل‌سازی کند. MaxEnt عموماً با مجموعه‌داده‌های کوچک یا سوگیرانه عملکرد بهتری دارد.

برای یک مدل MaxEnt قابل اعتماد به چند رکورد حضور نیاز دارم؟

در حالت ایده‌آل 30+ رکورد، اگرچه عملکرد با تعداد بیشتر بهبود می‌یابد. زیر 10 رکورد، مدل‌ها غیرقابل اعتماد هستند. اطمینان حاصل کنید که رکوردها به صورت فضایی پراکنده و از نظر جغرافیایی بدون سوگیری هستند. چند رکورد با توزیع مناسب اغلب بهتر از تعداد زیادی رکورد خوشه‌ای عمل می‌کنند.

چگونه متغیرهای محیطی را برای گنجاندن انتخاب کنم؟

با نظریه شروع کنید: متغیرهایی را که از نظر اکولوژیکی بر گونه تأثیر می‌گذارند (اقلیم، ساختار زیستگاه) را شامل شوید. هم‌خطی چندگانه (همبستگی > 0.7) را بررسی کرده و یکی از هر جفت را حذف کنید. از مصنوعات بررسی (مانند تراکم جمعیت انسانی) اجتناب کنید. از آزمون‌های اهمیت جک‌نایف یا جایگشت استفاده کنید.

آیا می‌توان از MaxEnt برای پیش‌بینی گونه‌ها در قاره‌های جدید یا اقلیم‌های آینده استفاده کرد؟

بله، اما با احتیاط. برون‌یابی فراتر از محدوده متغیرهای داده‌های آموزشی خطا را افزایش می‌دهد (مشکل تنظیم آنالوگ). همیشه عدم قطعیت را گزارش کنید. برای اقلیم‌های آینده، از چندین مدل اقلیمی استفاده کنید و محدوده چندمدلی را مورد بحث قرار دهید. برای قاره‌های جدید، ارزیابی کنید که آیا زمینه اکولوژیکی قابل مقایسه است یا خیر.

روش‌های مرتبط

منابع

  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.

    باز کردن مرجع DOI
    کپی شد.
  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.

    باز کردن مرجع DOI
    کپی شد.
  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.

    باز کردن مرجع DOI
    کپی شد.