最大エントロピー(MaxEnt)を用いた種分布モデル
- 提唱者
- Steven Phillips, Robert Anderson, Robert Schapire
- 年
- 2004
- 種類
- Statistical learning algorithm
- 系統
- Ecological modelling
この文章は機械翻訳で、まだ確認されていません。 英語の原文を読む
何をする手法か?
最大エントロピー(MaxEnt)を用いた種分布モデル(SDM)は、Phillips, Anderson, Schapire(2004)が開発した統計手法で、既知の出現地点と環境変数に基づいて、種が出現しそうな場所を予測する。MaxEntは、適した生息地の地図化や気候変動の影響評価のために、保全生物学と生物地理学で最も広く用いられるアルゴリズムの一つとなっている。
手法の背後にある直感
気候帯、標高帯、植生タイプが描かれた地図を想像してください。生物学者が5つの特定の場所で鳥の出現を観察したとします。MaxEntは、これらの出現地点とそれらの場所における環境的特徴だけを与えられた場合、その鳥が他にどこで見つかるべきかの最も単純な説明は何か、と問いかけます。これは、観測された出現と一致させつつ、観測されていない地域に関する過度に確信的な主張を避けるために、可能な限り「広がる」または「均一」な種生息地の確率分布を見つけ出します。このアルゴリズムは、どの環境条件が最も重要であるかを学習し、生息地の適性を低から高まで示すリスクマップを作成します。
歴史学
MaxEntは、種分布モデリングに適応された一般的な機械学習アプローチとして、Phillipsら(2004)によって開発されました。Elithら(2011)は、情報理論およびニッチ分割との関係を明確にし、生態学的解釈と統計的正当性を提供しました。公開されているMaxEntソフトウェア(Java、Phillips 2005)は、保全生物学および侵入生物学における事実上の標準となりました。現代の派生版やアンサンブルアプローチは、MaxEntを他のアルゴリズムと組み合わせており、その応用は古生物学、侵入種予測、気候変動適応計画にまで及んでいます。
使うべき場面
MaxEntを種の保全計画、侵入種の生息リスクマッピング、気候変動が生態系に与える影響の評価、および生息条件の理解に利用します。これは、出現データのみ(生態学で一般的)でうまく機能し、適度なサンプルサイズに対して頑健です。出現記録が地理的に大きく偏っている場合、信頼できる環境データがない場合、または対象種が非常に狭い範囲で記録が少ない場合には避けてください。
限界と注意点
- 平衡の仮定:種がすべての適した生息地に存在し、すべての適した地域に到達していないと仮定する(侵入種や範囲が限定された固有種には問題がある)
- 生態学的現実性:分散、生物間相互作用、または人口動態プロセスを明示的にモデル化しない
- 外挿の不確実性:訓練データの範囲から遠く離れた新しい環境では、予測の信頼性が低下する(アナロジー設定問題)
出典に示された条件は、独立した科学的レビューや分析エンジンによる検証の代わりにはなりません。
強み
- 出現データのみのモデリング:不在または背景データを必要とせず、希少種や市民科学の記録に有用
- 頑健な性能:多様な分類群にわたるベンチマーク研究で、多くの代替手法を一貫して上回る
- 解釈可能性:変数重要度ランキングと応答曲線(適性が各環境要因によってどのように変化するかを示す)を生成
- 柔軟な予測:観測範囲を超えて、異なる気候シナリオ下での生息地を投影可能
応用
- 保全計画:絶滅危惧種の保護区の優先順位付け(適性の高い生息地のマッピングと接続回廊の特定による)
- 侵入種リスク:新地域に導入された外来種が定着する可能性のある場所を予測し、早期発見と根絶努力を導く
- 気候変動の影響:将来の気候シナリオ下での種の分布域の変化を予測し、絶滅リスクを評価し、アシステッド・マイグレーション(人為的な移動)の判断を導く
- 作物野生近縁種のマッピング:農業育種と気候変動への耐性のための、栽培植物の野生近縁種の潜在的な供給源集団の特定
- 人獣共通感染症モデリング:病原体(例:マダニや蚊の種)の地理的分布と、感染拡大リスクゾーンの予測
使い方
使い方
種の出現データ(フィールド調査、博物館、市民科学からのGPSマッピングされた出現記録)を収集し、研究地域をカバーする環境ラスター層(気温、降水量、標高、土壌タイプ、土地被覆)をスタックします。
出現記録をクリーニング(重複、空間バイアス、ありえない座標を削除)、環境層を一貫した範囲にクロップし、多重共線性と過学習を避けるために関連する変数を選択します。
種の生態学的ニッチ(種が観察される実際の条件)を特徴づけるために、各出現地点およびランダムな背景地点で環境値を抽出します。
観測された出現に最も適合し、かつエントロピーを最大化する(制約が最も少ない)全格子セル上の確率分布を学習するためにMaxEntアルゴリズムを適合させます。正則化パラメータを調整し、交差検証の性能をテストします。
予測された生息地の確率を示す適性マップを生成し、変数重要度と応答曲線(適性が各環境要因によってどのように変化するかを示す)を特定し、保留されたテストデータに対して空間予測を評価し、保全または侵入リスクへの影響を議論します。
よくある落とし穴
- 地理的バイアス:出現記録は都市や道路の近くに集中することが多い。モデルは、真の生息地の適性よりもサンプリング地点に過学習する可能性がある
- 変数選択:相関の高い環境変数や調査アーチファクト(例:人間の密度)を多く含めると、推論が誤る可能性がある
- 過学習:正則化を緩すぎると、過度に確信的で非現実的な微細な予測が生じる。常に保持されたテストデータまたは交差検証を使用する
よくある質問
MaxEntと、一般化線形モデル(GLM)のような他のSDMアルゴリズムとの違いは何ですか?
GLMは不在または背景データを必要とし、線形関係を仮定しますが、MaxEntは出現データのみを必要とし、複雑な非線形な生息地関係をモデル化できます。MaxEntは一般的に、小規模または偏ったデータセットでより良い性能を発揮します。
信頼性の高いMaxEntモデルを構築するには、どのくらいの出現記録が必要ですか?
理想的には30件以上ですが、記録が増えるほど性能は向上します。10件未満ではモデルは信頼性が低くなります。記録が空間的に散らばっており、地理的に偏りがないことを確認してください。数個の適切に分布した記録は、多数の集中した記録よりも優れた性能を発揮することがよくあります。
どの環境変数を含めるべきか、どのように選択しますか?
理論から始めます:種に生態学的に影響を与える変数(気候、生息地の構造)を含めます。多重共線性(相関 > 0.7)をスクリーニングし、各ペアから1つ削除します。調査アーチファクト(例:人口密度)は避けます。ジャックナイフ法または順列重要度テストを使用します。
MaxEntを使用して、種を新しい大陸や将来の気候に投影できますか?
はい、ただし注意が必要です。訓練データの変数の範囲を超えて外挿すると、誤差が増加します(アナロジー設定問題)。常に不確実性を報告してください。将来の気候については、複数の気候モデルを使用し、マルチモデル範囲について議論してください。新しい大陸については、生態学的文脈が比較可能かどうかを評価してください。
関連する手法
参考文献
Phillips, S. J., Anderson, R. P., & Schapire, R. E. (2006). Maximum entropy modelling of species geographic distributions. Ecological Modelling, 190(3-4), 231-259.
DOI 文献を開くコピーしました。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.
DOI 文献を開くコピーしました。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.
DOI 文献を開くコピーしました。