Skip to content
กลับไปยังผลการค้นหา

แบบจำลองการกระจายพันธุ์ (MaxEnt)

ผู้เสนอ
Steven Phillips, Robert Anderson, Robert Schapire
ปี
2004
ประเภท
Statistical learning algorithm
กลุ่มวิธี
Ecological modelling

ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ

ขนาดตัวอักษร

ใช้ทำอะไร?

แบบจำลองการกระจายพันธุ์ (SDMs) โดยใช้หลักการเอนโทรปีสูงสุด (MaxEnt) เป็นวิธีการทางสถิติที่พัฒนาโดย Phillips, Anderson และ Schapire (2004) เพื่อคาดการณ์ว่าสิ่งมีชีวิตมีแนวโน้มที่จะปรากฏที่ใด โดยอาศัยจุดที่พบเห็นและตัวแปรสิ่งแวดล้อม MaxEnt ได้กลายเป็นหนึ่งในอัลกอริทึมที่ใช้กันอย่างแพร่หลายที่สุดในสาขาสัตววิทยาอนุรักษ์และชีวภูมิศาสตร์สำหรับการทำแผนที่ถิ่นที่อยู่อาศัยที่เหมาะสมและการประเมินผลกระทบจากการเปลี่ยนแปลงสภาพภูมิอากาศ

แนวคิดเบื้องหลังวิธีการ

ลองนึกภาพแผนที่ที่มีเขตภูมิอากาศ ระดับความสูง และประเภทพืชพรรณ นักชีววิทยาพบเห็นนกในห้าตำแหน่งที่เฉพาะเจาะจง MaxEnt ถามว่า: เมื่อพิจารณาเฉพาะจุดที่พบเห็นเหล่านี้และลักษณะสิ่งแวดล้อม ณ ตำแหน่งเหล่านั้น คำอธิบายที่ง่ายที่สุดคือที่อื่น ๆ ที่ควรจะพบนกได้ที่ใด? อัลกอริทึมจะหาการกระจายความน่าจะเป็นของถิ่นที่อยู่อาศัยของสิ่งมีชีวิตที่ 'กระจายตัว' หรือ 'สม่ำเสมอ' มากที่สุดเท่าที่จะเป็นไปได้ ในขณะที่ยังคงสอดคล้องกับการพบเห็นที่สังเกตได้ โดยหลีกเลี่ยงการอ้างสิทธิ์ที่มั่นใจเกินไปเกี่ยวกับพื้นที่ที่ยังไม่พบเห็น อัลกอริทึมจะเรียนรู้ว่าสภาวะแวดล้อมใดมีความสำคัญที่สุด และสร้างแผนที่ความเสี่ยงที่แสดงความเหมาะสมของถิ่นที่อยู่ตั้งแต่ต่ำไปสูง

ประวัติศาสตร์

MaxEnt พัฒนาโดย Phillips et al. (2004) ในฐานะแนวทางแมชชีนเลิร์นนิงทั่วไปที่ปรับใช้กับการสร้างแบบจำลองการกระจายพันธุ์ Elith et al. (2011) ให้การตีความทางนิเวศวิทยาและการให้เหตุผลทางสถิติ โดยชี้แจงความสัมพันธ์กับทฤษฎีสารสนเทศและการแบ่งส่วนนิเวศวิทยา (niche partitioning) ซอฟต์แวร์ MaxEnt สาธารณะ (Java, Phillips 2005) กลายเป็นมาตรฐานโดยพฤตินัยในชีววิทยาการอนุรักษ์และการรุกราน รูปแบบที่ทันสมัยและแนวทางแบบผสมผสาน (ensemble approaches) รวม MaxEnt กับอัลกอริทึมอื่น ๆ และปัจจุบันมีการประยุกต์ใช้ขยายไปถึงบรรพชีวินวิทยา การคาดการณ์สิ่งมีชีวิตรุกราน และการวางแผนการปรับตัวต่อสภาพภูมิอากาศ

ควรใช้เมื่อใด

ใช้ MaxEnt สำหรับการวางแผนการอนุรักษ์สิ่งมีชีวิต การทำแผนที่ความเสี่ยงของสิ่งมีชีวิตรุกราน การประเมินผลกระทบของการเปลี่ยนแปลงสภาพภูมิอากาศต่อความหลากหลายทางชีวภาพ และการทำความเข้าใจความต้องการถิ่นที่อยู่ อัลกอริทึมทำงานได้ดีกับข้อมูลเฉพาะจุดที่พบเห็น (presence-only data) ซึ่งเป็นเรื่องปกติในนิเวศวิทยา และมีความทนทานต่อขนาดตัวอย่างปานกลาง ควรหลีกเลี่ยงเมื่อบันทึกการพบเห็นมีความเอนเอียงทางภูมิศาสตร์สูง หรือเมื่อขาดข้อมูลสิ่งแวดล้อมที่เชื่อถือได้ หรือเมื่อสิ่งมีชีวิตเป้าหมายมีช่วงการกระจายที่เล็กมากและมีบันทึกน้อย

ข้อจำกัดและข้อควรพิจารณา

  • สมมติฐานเรื่องสมดุล (Assumption of equilibrium): สันนิษฐานว่าสิ่งมีชีวิตปรากฏอยู่ในถิ่นที่อยู่ที่เหมาะสมทั้งหมดและยังไม่ได้กระจายไปยังพื้นที่ที่เหมาะสมทั้งหมด (เป็นปัญหาสำหรับสิ่งมีชีวิตรุกรานหรือสิ่งมีชีวิตประจำถิ่นที่มีช่วงจำกัด)
  • ความสมจริงทางนิเวศวิทยา (Ecological realism): ไม่ได้สร้างแบบจำลองการแพร่กระจาย ปฏิสัมพันธ์ทางชีวภาพ หรือกระบวนการทางประชากรศาสตร์อย่างชัดเจน
  • ความไม่แน่นอนของการประมาณค่าภายนอก (Extrapolation uncertainty): การคาดการณ์จะเชื่อถือไม่ได้ในสภาพแวดล้อมใหม่ที่อยู่ห่างไกลจากช่วงข้อมูลการฝึก (ปัญหาการตั้งค่าแบบอนาล็อก)

เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้

จุดแข็ง

  • การสร้างแบบจำลองเฉพาะจุดที่พบเห็น (Presence-only modelling): ไม่ต้องการข้อมูลจุดที่ไม่พบเห็น (absence) หรือข้อมูลพื้นหลัง และมีประโยชน์สำหรับสิ่งมีชีวิตที่หายากหรือบันทึกจากวิทยาศาสตร์พลเมือง
  • ประสิทธิภาพที่ทนทาน (Robust performance): ให้ผลลัพธ์ที่เหนือกว่าทางเลือกอื่น ๆ อย่างสม่ำเสมอในการศึกษาเปรียบเทียบในสิ่งมีชีวิตหลากหลายกลุ่ม
  • ความสามารถในการตีความ (Interpretability): สร้างการจัดอันดับความสำคัญของตัวแปรและเส้นโค้งการตอบสนองที่แสดงให้เห็นว่าความเหมาะสมเปลี่ยนแปลงไปอย่างไรตามปัจจัยสิ่งแวดล้อมแต่ละอย่าง
  • การคาดการณ์ที่ยืดหยุ่น (Flexible predictions): ขยายขอบเขตเกินกว่าช่วงที่สังเกตได้เพื่อคาดการณ์ถิ่นที่อยู่ภายใต้สถานการณ์สภาพภูมิอากาศที่แตกต่างกัน

การประยุกต์ใช้

  • การวางแผนการอนุรักษ์: การจัดลำดับความสำคัญของพื้นที่คุ้มครองสำหรับสิ่งมีชีวิตใกล้สูญพันธุ์ โดยการทำแผนที่ถิ่นที่อยู่ที่เหมาะสมสูงและระบุแนวเชื่อมต่อ (connectivity corridors)
  • ความเสี่ยงของสิ่งมีชีวิตรุกราน: การคาดการณ์ว่าสิ่งมีชีวิตต่างถิ่นที่ถูกนำเข้าสู่ภูมิภาคใหม่ ๆ จะสามารถตั้งถิ่นฐานได้ที่ใด เพื่อนำทางการตรวจจับและกำจัดตั้งแต่เนิ่น ๆ
  • ผลกระทบของการเปลี่ยนแปลงสภาพภูมิอากาศ: การคาดการณ์ว่าช่วงการกระจายของสิ่งมีชีวิตจะเปลี่ยนแปลงไปอย่างไรภายใต้สถานการณ์สภาพภูมิอากาศในอนาคต เพื่อประเมินความเสี่ยงต่อการสูญพันธุ์และนำทางการย้ายถิ่นโดยได้รับความช่วยเหลือ (assisted migration)
  • การทำแผนที่ญาติป่าของพืชเพาะปลูก (Crop wild relative mapping): การระบุแหล่งประชากรของญาติป่าของพืชเพาะปลูกที่มีศักยภาพสำหรับการปรับปรุงพันธุ์พืชและความทนทานต่อสภาพอากาศ
  • การสร้างแบบจำลองโรคจากสัตว์สู่คน (Zoonotic disease modelling): การคาดการณ์การกระจายทางภูมิศาสตร์ของพาหะนำโรค (เช่น ชนิดเห็บหรือยุง) และพื้นที่เสี่ยงต่อการแพร่เชื้อ

วิธีการทำงาน

วิธีการทำงาน

1

รวบรวมข้อมูลการพบเห็นสิ่งมีชีวิต (บันทึกจุดที่พบเห็นจาก GPS จากการสำรวจภาคสนาม พิพิธภัณฑ์ วิทยาศาสตร์พลเมือง) และซ้อนทับชั้นข้อมูลสิ่งแวดล้อมแบบราสเตอร์ (อุณหภูมิ ปริมาณน้ำฝน ระดับความสูง ประเภทดิน ประเภทการใช้ที่ดิน) ที่ครอบคลุมพื้นที่ศึกษา

2

ทำความสะอาดข้อมูลการพบเห็น (ลบรายการซ้ำ ความเอนเอียงเชิงพื้นที่ พิกัดที่ไม่สมเหตุสมผล) ครอบตัดชั้นข้อมูลสิ่งแวดล้อมให้มีขอบเขตที่สอดคล้องกัน และเลือกตัวแปรที่เกี่ยวข้องเพื่อหลีกเลี่ยงความสัมพันธ์กันเอง (multicollinearity) และการปรับให้เหมาะสมเกินไป (overfitting)

3

ดึงค่าสิ่งแวดล้อม ณ จุดที่พบเห็นแต่ละจุดและจุดพื้นหลังแบบสุ่มเพื่ออธิบายลักษณะนิเวศวิทยาที่เกิดขึ้นจริง (realized ecological niche)—สภาวะที่แท้จริงที่พบเห็นสิ่งมีชีวิต

4

ปรับอัลกอริทึม MaxEnt เพื่อเรียนรู้การกระจายความน่าจะเป็นทั่วทั้งเซลล์กริดทั้งหมดที่สอดคล้องกับการพบเห็นที่สังเกตได้มากที่สุด ในขณะที่เพิ่มเอนโทรปีสูงสุด (least constraining); ปรับพารามิเตอร์การทำให้เป็นปกติ (regularization) และทดสอบประสิทธิภาพการตรวจสอบไขว้ (cross-validation)

5

สร้างแผนที่ความเหมาะสมที่แสดงความน่าจะเป็นของถิ่นที่อยู่ที่คาดการณ์ ระบุความสำคัญของตัวแปรและเส้นโค้งการตอบสนอง ประเมินการคาดการณ์เชิงพื้นที่เทียบกับข้อมูลทดสอบที่กันไว้ และอภิปรายนัยของการอนุรักษ์หรือความเสี่ยงต่อการรุกราน

ข้อผิดพลาดที่พบบ่อย

  • ความเอนเอียงทางภูมิศาสตร์ (Geographic bias): บันทึกการพบเห็นมักจะกระจุกตัวใกล้เมืองหรือถนน แบบจำลองอาจปรับให้เหมาะสมเกินไปกับตำแหน่งที่ทำการสำรวจ แทนที่จะเป็นความเหมาะสมของถิ่นที่อยู่ที่แท้จริง
  • การเลือกตัวแปร (Variable selection): การรวมตัวแปรสิ่งแวดล้อมที่มีความสัมพันธ์กันมากเกินไป หรือสิ่งประดิษฐ์จากการสำรวจ (เช่น ความหนาแน่นของประชากรมนุษย์) อาจนำไปสู่การอนุมานที่ผิดพลาด
  • การปรับให้เหมาะสมเกินไป (Overfitting): การปรับพารามิเตอร์การทำให้เป็นปกติ (regularization) อย่างหลวมเกินไปจะสร้างการคาดการณ์ในรายละเอียดที่มั่นใจเกินไปและไม่สมจริง ควรใช้ข้อมูลทดสอบที่กันไว้หรือการตรวจสอบไขว้เสมอ

คำถามที่พบบ่อย

อะไรคือความแตกต่างระหว่าง MaxEnt กับอัลกอริทึม SDM อื่น ๆ เช่น แบบจำลองเชิงเส้นทั่วไป (Generalized Linear Models - GLM)?

GLM ต้องการข้อมูลจุดที่ไม่พบเห็นหรือข้อมูลพื้นหลัง และสมมติฐานความสัมพันธ์เชิงเส้น ในขณะที่ MaxEnt ต้องการเฉพาะข้อมูลจุดที่พบเห็นและสามารถสร้างแบบจำลองความสัมพันธ์ของถิ่นที่อยู่ที่ซับซ้อนและไม่เป็นเชิงเส้นได้ โดยทั่วไป MaxEnt ให้ผลลัพธ์ที่ดีกว่าเมื่อใช้ชุดข้อมูลขนาดเล็กหรือมีเอนเอียง

ฉันต้องใช้บันทึกการพบเห็นกี่รายการจึงจะได้แบบจำลอง MaxEnt ที่เชื่อถือได้?

โดยอุดมคติคือ 30+ รายการ แม้ว่าประสิทธิภาพจะดีขึ้นเมื่อมีจำนวนมากขึ้น หากน้อยกว่า 10 รายการ แบบจำลองจะไม่น่าเชื่อถือ ตรวจสอบให้แน่ใจว่าบันทึกมีการกระจายตัวเชิงพื้นที่และไม่มีความเอนเอียงทางภูมิศาสตร์ บันทึกที่กระจายตัวได้ดีเพียงไม่กี่รายการมักให้ผลลัพธ์ที่ดีกว่าบันทึกที่กระจุกตัวจำนวนมาก

ฉันจะเลือกตัวแปรสิ่งแวดล้อมที่จะรวมได้อย่างไร?

เริ่มต้นด้วยทฤษฎี: รวมตัวแปรที่มีอิทธิพลต่อสิ่งมีชีวิตในเชิงนิเวศวิทยา (สภาพภูมิอากาศ โครงสร้างถิ่นที่อยู่) ตรวจสอบความสัมพันธ์กันเอง (correlation > 0.7) และลบหนึ่งรายการออกจากแต่ละคู่ หลีกเลี่ยงสิ่งประดิษฐ์จากการสำรวจ (เช่น ความหนาแน่นของประชากรมนุษย์) ใช้การทดสอบความสำคัญแบบ jackknife หรือ permutation

สามารถใช้ MaxEnt เพื่อคาดการณ์สิ่งมีชีวิตไปยังทวีปใหม่หรือสภาพอากาศในอนาคตได้หรือไม่?

ได้ แต่ต้องใช้ความระมัดระวัง การประมาณค่าภายนอก (Extrapolation) นอกเหนือช่วงของตัวแปรข้อมูลการฝึกจะเพิ่มข้อผิดพลาด (ปัญหาการตั้งค่าแบบอนาล็อก) ควรรายงานความไม่แน่นอนเสมอ สำหรับสภาพอากาศในอนาคต ให้ใช้แบบจำลองสภาพอากาศหลายแบบและอภิปรายช่วงการกระจายของแบบจำลองหลายแบบ สำหรับทวีปใหม่ ให้ประเมินว่าบริบททางนิเวศวิทยาเทียบเคียงกันได้หรือไม่

วิธีการที่เกี่ยวข้อง

แหล่งอ้างอิง

  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.

    เปิดเอกสารอ้างอิง DOI
    คัดลอกแล้ว
  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.

    เปิดเอกสารอ้างอิง DOI
    คัดลอกแล้ว
  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.

    เปิดเอกสารอ้างอิง DOI
    คัดลอกแล้ว