Skip to content
Назад к результатам поиска

Моделирование ареалов видов (MaxEnt)

Автор метода
Steven Phillips, Robert Anderson, Robert Schapire
Год
2004
Тип
Statistical learning algorithm
Семейство
Ecological modelling

Этот текст переведён машинным способом и ещё не проверен. Читать оригинал на английском

Размер шрифта

Что он делает?

Моделирование ареалов видов (SDM) с использованием максимальной энтропии (MaxEnt) — это статистические методы, разработанные Филлипсом, Андерсоном и Шапиром (2004 г.) для прогнозирования вероятных мест обитания видов на основе известных точек присутствия и экологических переменных.

MaxEnt стал одним из наиболее широко используемых алгоритмов в биологии сохранения и биогеографии для картирования подходящих местообитаний и оценки воздействия изменения климата.

Интуиция метода

Представьте карту с климатическими зонами, высотными поясами и типами растительности. Биолог наблюдает птицу в пяти конкретных местах. MaxEnt задает вопрос: исходя только из этих точек присутствия и экологических особенностей в этих местах, какое самое простое объяснение того, где еще следует искать эту птицу? Он находит распределение вероятностей местообитаний вида, которое является как можно более «распределенным» или «равномерным», но при этом соответствует наблюдаемым присутствиям, избегая излишне уверенных утверждений о неизвестных регионах. Алгоритм определяет, какие экологические условия наиболее важны, и создает карту рисков, показывающую пригодность местообитаний от низкой до высокой.

История

MaxEnt был разработан Филлипсом и др. (2004 г.) как общий подход машинного обучения, адаптированный для моделирования ареалов видов. Элит и др. (2011 г.) предоставили экологическую интерпретацию и статистическое обоснование, прояснив связь с теорией информации и разделением ниш. Общедоступное программное обеспечение MaxEnt (Java, Phillips 2005) стало де-факто стандартом в биологии сохранения и инвазионной биологии. Современные варианты и ансамблевые подходы объединяют MaxEnt с другими алгоритмами, а приложения теперь распространяются на палеонтологию, прогнозирование инвазивных видов и планирование адаптации к климату.

Когда применять

Использовать MaxEnt для планирования сохранения видов, картирования рисков инвазивных видов, оценки воздействия изменения климата на биоразнообразие и понимания требований к местообитаниям. Он хорошо работает с данными только о присутствии (распространенными в экологии) и устойчив к умеренным размерам выборки. Избегайте его использования, когда записи о присутствии сильно смещены географически, или когда у вас нет надежных экологических данных, или когда фокусный вид имеет очень маленький ареал с небольшим количеством записей.

Ограничения и замечания

  • Предположение о равновесии: предполагает, что виды присутствуют во всех подходящих местообитаниях и не достигли всех подходящих областей (проблематично для инвазивных видов или эндемиков с ограниченным ареалом)
  • Экологический реализм: явно не моделирует процессы расселения, биотических взаимодействий или демографические процессы
  • Неопределенность экстраполяции: прогнозы становятся ненадежными в новых условиях, далеко за пределами диапазонов обучающих данных (проблема аналоговых условий)

Условия из источника не заменяют независимую научную проверку или валидацию аналитическим движком.

Сильные стороны

  • Моделирование только по присутствию: не требует данных об отсутствии или фоновых данных; полезно для редких видов или записей гражданской науки
  • Надежная производительность: последовательно превосходит многие альтернативы в эталонных исследованиях для разнообразных таксонов
  • Интерпретируемость: генерирует ранжирование важности переменных и кривые отклика, показывающие, как пригодность изменяется в зависимости от каждого экологического фактора
  • Гибкие прогнозы: выходит за пределы наблюдаемого диапазона для прогнозирования местообитаний при различных климатических сценариях

Применение

  • Планирование сохранения: приоритизация охраняемых территорий для исчезающих видов путем картирования местообитаний с высокой пригодностью и выявления коридоров связности
  • Риск инвазивных видов: прогнозирование того, где неместные виды, интродуцированные в новые регионы, могут обосноваться, что направляет раннее обнаружение и усилия по искоренению
  • Воздействие изменения климата: прогнозирование того, как ареалы видов смещаются при будущих климатических сценариях, для оценки риска вымирания и принятия решений о направленной миграции
  • Картирование диких сородичей культурных растений: выявление потенциальных исходных популяций диких сородичей культурных растений для сельскохозяйственного разведения и климатической устойчивости
  • Моделирование зоонозных заболеваний: прогнозирование географического распространения переносчиков болезней (например, видов клещей или комаров) и зон риска передачи

Как это работает

Как это работает

1

Собрать данные о присутствии видов (точки присутствия, нанесенные на карту GPS, из полевых исследований, музеев, гражданской науки) и наложить растровые слои экологических переменных (температура, осадки, высота, тип почвы, землепользование), охватывающие исследуемый регион.

2

Очистить записи о присутствии (удалить дубликаты, пространственные смещения, неправдоподобные координаты), обрезать экологические слои до единого экстента и выбрать релевантные переменные для избежания мультиколлинеарности и переобучения.

3

Извлечь значения экологических переменных в каждой точке присутствия и в случайных фоновых точках для характеристики реализованной экологической ниши — фактических условий, в которых наблюдается вид.

4

Подогнать алгоритм MaxEnt для изучения распределения вероятностей по всем ячейкам сетки, которое наилучшим образом соответствует наблюдаемым присутствиям при максимизации энтропии (наименее ограничительное); настроить параметры регуляризации и протестировать производительность методом перекрестной проверки.

5

Сгенерировать карты пригодности, показывающие прогнозируемую вероятность местообитаний, определить важность переменных и кривые отклика, оценить пространственные прогнозы по сравнению с отложенными тестовыми данными и обсудить последствия для сохранения или риска инвазии.

Частые ошибки

  • Географическое смещение: записи о присутствии часто группируются вблизи городов или дорог; модели могут переобучаться на местах отбора проб, а не на истинной пригодности местообитаний
  • Выбор переменных: включение слишком большого количества коррелированных экологических переменных или артефактов исследования (например, плотности населения) может привести к ошибочным выводам
  • Переобучение: слишком свободная настройка регуляризации приводит к излишне уверенным, нереалистичным мелкомасштабным прогнозам; всегда используйте отложенные тестовые данные или перекрестную проверку

Часто задаваемые вопросы

В чем разница между MaxEnt и другими алгоритмами SDM, такими как обобщенные линейные модели (GLM)?

GLM требует данных об отсутствии или фоновых данных и предполагает линейные зависимости; MaxEnt требует только данные о присутствии и может моделировать сложные нелинейные зависимости местообитаний. MaxEnt, как правило, лучше работает с небольшими или смещенными наборами данных.

Сколько записей о присутствии мне нужно для надежной модели MaxEnt?

В идеале 30+ записей, хотя производительность улучшается с увеличением их числа. Менее 10 записей делают модели ненадежными. Убедитесь, что записи пространственно распределены и географически не смещены. Несколько хорошо распределенных записей часто превосходят множество сгруппированных записей.

Как выбрать, какие экологические переменные включить?

Начните с теории: включите переменные, которые экологически влияют на вид (климат, структура местообитаний). Проверьте на мультиколлинеарность (корреляция > 0,7) и удалите одну из каждой пары. Избегайте артефактов исследования (например, плотности населения). Используйте тесты важности джекнайфа или перестановок.

Можно ли использовать MaxEnt для прогнозирования ареалов видов на новые континенты или при будущих климатических условиях?

Да, но с осторожностью. Экстраполяция за пределы диапазона переменных обучающих данных увеличивает ошибку (проблема аналоговых условий). Всегда сообщайте о неопределенности. Для будущих климатических условий используйте несколько климатических моделей и обсуждайте ансамбль моделей. Для новых континентов оцените, сопоставим ли экологический контекст.

Похожие методы

Источники

  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.

    Открыть ссылку DOI
    Скопировано.
  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.

    Открыть ссылку DOI
    Скопировано.
  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.

    Открыть ссылку DOI
    Скопировано.