Przejdź do treści
Wróć do wyników wyszukiwania

Modele zasięgowe gatunków (MaxEnt)

Autor metody
Steven Phillips, Robert Anderson, Robert Schapire
Rok
2004
Typ
Statistical learning algorithm
Rodzina
Ecological modelling

Ten tekst jest tłumaczeniem maszynowym i nie został jeszcze sprawdzony. Przeczytaj oryginał po angielsku

Rozmiar czcionki

Do czego służy?

Modele zasięgowe gatunków (SDM) wykorzystujące maksymalną entropię (MaxEnt) to metody statystyczne opracowane przez Phillipsa, Andersona i Schapire'a (2004) do przewidywania, gdzie gatunki prawdopodobnie wystąpią, na podstawie znanych punktów występowania i zmiennych środowiskowych.

MaxEnt stał się jednym z najczęściej używanych algorytmów w biologii konserwatorskiej i biogeografii do mapowania odpowiednich siedlisk i oceny wpływu zmian klimatu.

Intuicja stojąca za metodą

Wyobraźmy sobie mapę ze strefami klimatycznymi, pasmami wysokościowymi i typami roślinności. Biolog obserwuje ptaka w pięciu konkretnych lokalizacjach. MaxEnt pyta: biorąc pod uwagę tylko te punkty obecności i cechy środowiskowe w tych lokalizacjach, jakie jest najprostsze wyjaśnienie, gdzie jeszcze ptak powinien zostać znaleziony? Znajduje rozkład prawdopodobieństwa siedliska gatunku, który jest jak najbardziej 'rozproszony' lub 'jednolity', jednocześnie dopasowując się do obserwowanych obecności – unikając nadmiernie pewnych twierdzeń o nieznanych regionach. Algorytm uczy się, które warunki środowiskowe mają największe znaczenie i tworzy mapę ryzyka pokazującą przydatność siedliska od niskiej do wysokiej.

Historia

MaxEnt został opracowany przez Phillipsa i wsp. (2004) jako ogólne podejście uczenia maszynowego zaadaptowane do modelowania zasięgowego gatunków. Elith i wsp. (2011) dostarczyli interpretacji ekologicznej i uzasadnienia statystycznego, wyjaśniając związek z teorią informacji i podziałem niszy. Publiczne oprogramowanie MaxEnt (Java, Phillips 2005) stało się de facto standardem w biologii konserwatorskiej i inwazyjnej. Nowoczesne warianty i podejścia zespołowe łączą MaxEnt z innymi algorytmami, a zastosowania rozszerzają się obecnie na paleontologię, prognozowanie gatunków inwazyjnych i planowanie adaptacji do zmian klimatu.

Kiedy stosować

Wykorzystaj MaxEnt do planowania ochrony gatunków, mapowania ryzyka gatunków inwazyjnych, oceny wpływu zmian klimatu na bioróżnorodność i zrozumienia wymagań siedliskowych. Dobrze działa z danymi typu 'tylko obecność' (częste w ekologii) i jest odporny na umiarkowane wielkości próbek. Unikaj go, gdy dane o występowaniu są silnie obciążone geograficznie, brakuje wiarygodnych danych środowiskowych, lub gdy badany gatunek ma bardzo mały zasięg z niewielką liczbą rekordów.

Ograniczenia i uwagi

  • Założenie równowagi: zakłada, że gatunki występują we wszystkich odpowiednich siedliskach i nie osiągnęły jeszcze wszystkich odpowiednich obszarów (problematyczne dla gatunków inwazyjnych lub endemicznych o ograniczonym zasięgu)
  • Realizm ekologiczny: nie modeluje jawnie dyspersji, interakcji biotycznych ani procesów demograficznych
  • Niepewność ekstrapolacji: predykcje stają się niewiarygodne w nowych środowiskach, odległych od zakresów danych treningowych (problem analogowego ustawienia)

Warunki podane w źródle nie zastępują niezależnego przeglądu naukowego ani walidacji przez silnik analityczny.

Mocne strony

  • Modelowanie typu 'tylko obecność': nie wymaga danych o braku lub tle; przydatne dla gatunków rzadkich lub danych z nauki obywatelskiej
  • Solidna wydajność: konsekwentnie przewyższa wiele alternatyw w badaniach porównawczych dla różnorodnych taksonów
  • Interpretowalność: generuje rankingi ważności zmiennych i krzywe odpowiedzi pokazujące, jak przydatność zmienia się w zależności od każdego czynnika środowiskowego
  • Elastyczne predykcje: rozszerza się poza obserwowany zakres, aby prognozować siedliska w różnych scenariuszach klimatycznych

Zastosowania

  • Planowanie ochrony: priorytetyzacja obszarów chronionych dla gatunków zagrożonych poprzez mapowanie siedlisk o wysokiej przydatności i identyfikację korytarzy łączności
  • Ryzyko gatunków inwazyjnych: prognozowanie, gdzie gatunki obce wprowadzone do nowych regionów mogą się zadomowić, co kieruje wczesnym wykrywaniem i wysiłkami eradykacyjnymi
  • Wpływ zmian klimatu: prognozowanie, jak zasięgi gatunków przesuwają się w przyszłych scenariuszach klimatycznych, aby ocenić ryzyko wyginięcia i kierować decyzjami dotyczącymi wspomaganej migracji
  • Mapowanie dzikich krewnych upraw: identyfikacja potencjalnych populacji źródłowych dzikich krewnych roślin uprawnych do hodowli rolniczej i odporności na zmiany klimatu
  • Modelowanie chorób odzwierzęcych: prognozowanie geograficznego rozmieszczenia wektorów chorób (np. gatunków kleszczy lub komarów) i stref ryzyka przenoszenia

Jak to działa

Jak to działa

1

Skompiluj dane o występowaniu gatunków (punkty obecności zmapowane GPS z badań terenowych, muzeów, nauki obywatelskiej) i nałóż warstwy rastrowe zmiennych środowiskowych (temperatura, opady, wysokość, typ gleby, pokrycie terenu) obejmujące region badań.

2

Oczyść dane o występowaniu (usuń duplikaty, błędy przestrzenne, nieprawdopodobne współrzędne), przytnij warstwy środowiskowe do spójnego zasięgu i wybierz istotne zmienne, aby uniknąć współliniowości i nadmiernego dopasowania.

3

Wyekstrahuj wartości środowiskowe w każdej lokalizacji występowania oraz w losowych punktach tła, aby scharakteryzować zrealizowaną niszę ekologiczną – rzeczywiste warunki, w których gatunek jest obserwowany.

4

Dopasuj algorytm MaxEnt, aby nauczyć się rozkładu prawdopodobieństwa we wszystkich komórkach siatki, który najlepiej pasuje do obserwowanych wystąpień, jednocześnie maksymalizując entropię (najmniej ograniczający); dostosuj parametry regularyzacji i przetestuj wydajność walidacji krzyżowej.

5

Wygeneruj mapy przydatności pokazujące przewidywane prawdopodobieństwo siedliska, zidentyfikuj ważność zmiennych i krzywe odpowiedzi, oceń predykcje przestrzenne w stosunku do odłożonych danych testowych i omów implikacje dotyczące ochrony lub ryzyka inwazji.

Częste pułapki

  • Błąd geograficzny: dane o występowaniu często gromadzą się w pobliżu miast lub dróg; modele mogą nadmiernie dopasować się do lokalizacji próbkowania, a nie do rzeczywistej przydatności siedliska
  • Wybór zmiennych: uwzględnienie zbyt wielu skorelowanych zmiennych środowiskowych lub artefaktów badawczych (np. gęstość zaludnienia) może prowadzić do błędnych wniosków
  • Nadmierne dopasowanie: zbyt luźne dostosowanie regularyzacji prowadzi do nadmiernie pewnych, nierealistycznych predykcji w drobnej skali; zawsze używaj odłożonych danych testowych lub walidacji krzyżowej

Najczęściej zadawane pytania

Jaka jest różnica między MaxEnt a innymi algorytmami SDM, takimi jak Uogólnione Modele Liniowe (GLM)?

GLM wymaga danych o braku lub tle i zakłada liniowe zależności; MaxEnt potrzebuje tylko danych o obecności i może modelować złożone nieliniowe zależności siedliskowe. MaxEnt zazwyczaj działa lepiej z małymi lub obciążonymi zbiorami danych.

Ile rekordów występowania potrzebuję do wiarygodnego modelu MaxEnt?

Idealnie 30+ rekordów, chociaż wydajność poprawia się wraz z większą liczbą. Poniżej 10 rekordów modele są niewiarygodne. Upewnij się, że rekordy są rozproszone przestrzennie i wolne od obciążeń geograficznych. Kilka dobrze rozmieszczonych rekordów często przewyższa wiele zgrupowanych rekordów.

Jak wybrać zmienne środowiskowe do uwzględnienia?

Zacznij od teorii: uwzględnij zmienne, które ekologicznie wpływają na gatunek (klimat, struktura siedliska). Przesiej pod kątem współliniowości (korelacja > 0,7) i usuń jedną z każdej pary. Unikaj artefaktów badawczych (np. gęstość zaludnienia). Użyj testów ważności Jackknife lub permutacji.

Czy MaxEnt można wykorzystać do prognozowania gatunków na nowe kontynenty lub w przyszłych klimatach?

Tak, ale z ostrożnością. Ekstrapolacja poza zakres zmiennych danych treningowych zwiększa błąd (problem analogowego ustawienia). Zawsze zgłaszaj niepewność. Dla przyszłych klimatów użyj wielu modeli klimatycznych i omów zasięg wielomodelowy. Dla nowych kontynentów oceń, czy kontekst ekologiczny jest porównywalny.

Pokrewne metody

Źródła

  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.

    Otwórz odnośnik DOI
    Skopiowano.
  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.

    Otwórz odnośnik DOI
    Skopiowano.
  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.

    Otwórz odnośnik DOI
    Skopiowano.