İçeriğe atla
Arama sonuçlarına dön

Tür Dağılım Modelleri (MaxEnt)

Ortaya koyan
Steven Phillips, Robert Anderson, Robert Schapire
Yıl
2004
Tür
Statistical learning algorithm
Aile
Ecological modelling

Bu metin makine çevirisidir ve henüz incelenmedi. Asıl metni İngilizce oku

Yazı boyutu

Ne işe yarar?

Maksimum Entropi (MaxEnt) kullanan Tür Dağılım Modelleri (TDM'ler), Phillips, Anderson ve Schapire (2004) tarafından geliştirilen ve türlerin bilinen dağılım noktaları ile çevresel değişkenlere dayanarak nerede bulunma olasılığının yüksek olduğunu tahmin eden istatistiksel yöntemlerdir.

MaxEnt, uygun habitatları haritalamak ve iklim değişikliği etkilerini değerlendirmek için koruma biyolojisi ve biyocoğrafyada en yaygın kullanılan algoritmalardan biri haline gelmiştir.

Yöntemin mantığı

İklim kuşakları, yükselti bantları ve bitki örtüsü tiplerini içeren bir harita hayal edin. Bir biyolog, belirli beş konumda bir kuşu gözlemliyor. MaxEnt şunu sorar: yalnızca bu varlık noktaları ve bu konumlardaki çevresel özellikler göz önüne alındığında, kuşun başka nerede bulunması gerektiğinin en basit açıklaması nedir? Gözlemlenen varlıklarla eşleşirken aynı zamanda mümkün olduğunca 'yaygın' veya 'düzgün (uniform)' olan türün habitatına ilişkin olasılık dağılımını bulur - görülmeyen bölgeler hakkında aşırı kendinden emin iddialardan kaçınır. Algoritma, hangi çevresel koşulların en çok önem taşıdığını öğrenir ve habitat uygunluğunu düşükten yükseğe gösteren bir uygunluk haritası oluşturur.

Tarih

MaxEnt, tür dağılımı modellemesine uyarlanmış genel bir makine öğrenmesi yaklaşımı olarak Phillips ve diğerleri (2004) tarafından geliştirilmiştir. Elith ve diğerleri (2011), bilgi kuramı ve niş ayrışmasıyla olan ilişkiyi netleştirerek ekolojik yorumlama ve istatistiksel gerekçelendirme sağlamıştır. Kamuya açık MaxEnt yazılımı (Java, Phillips 2005), koruma ve istila biyolojisinde fiili standart haline gelmiştir. Modern türevler ve topluluk (ensemble) yaklaşımları, MaxEnt'i diğer algoritmalarla birleştirir ve uygulamalar artık paleontoloji, istilacı tür tahmini ve iklim uyum planlamasına kadar uzanmaktadır.

Ne zaman kullanılır?

MaxEnt'i tür koruma planlaması, istilacı tür risk haritalaması, biyoçeşitlilik üzerindeki iklim değişikliği etkilerinin değerlendirilmesi ve habitat gereksinimlerinin anlaşılması için kullanın. Yalnızca varlık verisiyle (ekolojide yaygın) iyi çalışır ve orta düzeyde örneklem boyutlarına karşı dayanıklıdır. Varlık kayıtlarının coğrafi olarak yüksek derecede yanlı olduğu, güvenilir çevresel verilerinizin olmadığı veya odak türün çok az kaydı olan çok küçük bir aralığa sahip olduğu durumlarda bundan kaçının.

Sınırlar ve dikkat edilmesi gerekenler

  • Denge varsayımı: türlerin tüm uygun habitatlarda bulunduğunu ve tüm uygun alanlara ulaşmadığını varsayar (istilacı türler veya aralığı kısıtlı endemikler için sorunlu)
  • Ekolojik gerçekçilik: dağılımı (dispersal), biyotik etkileşimleri veya demografik süreçleri açıkça modellemez
  • Dışa kestirim (ekstrapolasyon) belirsizliği: eğitim verisi aralıklarından uzakta yeni ortamlarda tahminler güvenilmez hale gelir (analog olmayan koşullar sorunu)

Kaynak metnin koşulları, bağımsız bilimsel inceleme veya analiz motoru doğrulaması yerine geçmez.

Güçlü yönleri

  • Yalnızca varlık verisiyle modelleme: etiketli yokluk veya arka plan verisi gerektirmez; nadir türler veya yurttaş bilimi kayıtları için kullanışlıdır
  • Sağlam performans: çeşitli taksonlarda yapılan kıyaslama çalışmalarında birçok alternatifi tutarlı bir şekilde geride bırakır
  • Yorumlanabilirlik: değişken önem sıralamaları ve uygunluğun her çevresel faktöre göre nasıl değiştiğini gösteren yanıt eğrileri üretir
  • Esnek tahminler: farklı iklim senaryoları altında habitatı yansıtmak için gözlemlenen aralığın ötesine uzanır

Uygulama alanları

  • Koruma planlaması: yüksek uygunluklu habitatları haritalayarak ve bağlantı koridorlarını belirleyerek nesli tükenmekte olan türler için korunan alanları önceliklendirme
  • İstilacı tür riski: yeni bölgelere tanıtılan yabancı türlerin yerleşebileceği yerleri tahmin ederek erken tespit ve yok etme çabalarına rehberlik etme
  • İklim değişikliği etkileri: tür aralıklarının gelecekteki iklim senaryoları altında nasıl kaydığını tahmin ederek yok olma riskini değerlendirme ve yardımlı göç kararlarını yönlendirme
  • Kültür bitkilerinin yabani akrabalarını haritalama: tarımsal ıslah ve iklim dayanıklılığı için kültüre alınmış bitkilerin yabani akrabalarının potansiyel kaynak popülasyonlarını belirleme
  • Zoonotik hastalık modellemesi: hastalık vektörlerinin (örneğin, kene veya sivrisinek türleri) coğrafi dağılımını ve bulaşma riski bölgelerini tahmin etme

Nasıl çalışır?

Nasıl çalışır?

1

Tür varlık verilerini (saha anketlerinden, müzelerden, yurttaş biliminden elde edilen GPS haritalı varlık kayıtları) derleyin ve çalışma bölgesini kapsayan çevresel raster katmanlarını (sıcaklık, yağış, yükselti, toprak tipi, arazi örtüsü) istifleyin.

2

Varlık kayıtlarını temizleyin (tekrarları, mekânsal yanlılığı, olası olmayan koordinatları kaldırın), çevresel katmanları tutarlı bir alana kırpın ve çoklu doğrusallığı ve aşırı uyumu önlemek için ilgili değişkenleri seçin.

3

Gerçekleşen ekolojik nişi - türün gözlemlendiği gerçek koşulları - karakterize etmek için her varlık konumundaki ve rastgele arka plan noktalarındaki çevresel değerleri çıkarın.

4

Gözlemlenen varlıklara en iyi şekilde uyan ve aynı zamanda entropiyi (en az kısıtlayıcı) en üst düzeye çıkaran tüm ızgara hücreleri üzerindeki olasılık dağılımını öğrenmek için MaxEnt algoritmasını uyarlayın; düzenlileştirme parametrelerini ayarlayın ve çapraz doğrulama performansını test edin.

5

Tahmini habitat olasılığını gösteren uygunluk haritaları oluşturun, değişken önemini ve yanıt eğrilerini belirleyin, mekânsal tahminleri ayrılmış test verilerine karşı değerlendirin ve koruma veya istila riski sonuçlarını tartışın.

Sık yapılan hatalar

  • Coğrafi yanlılık: varlık kayıtları genellikle şehirlerin veya yolların yakınında kümelenir; modeller gerçek habitat uygunluğundan ziyade örnekleme konumlarına aşırı uyum sağlayabilir
  • Değişken seçimi: birbirine bağlı çok sayıda çevresel değişkeni veya örnekleme (anket) artefaktlarını (örneğin, insan yoğunluğu) dahil etmek çıkarımı yanıltabilir
  • Aşırı uyumlama: düzenlileştirmeyi çok gevşek ayarlamak aşırı kendinden emin, gerçekçi olmayan ince ölçekli tahminler üretir; her zaman ayrılmış test verilerini veya çapraz doğrulamayı kullanın

Sık sorulan sorular

MaxEnt ile Genelleştirilmiş Doğrusal Modeller (GLM) gibi diğer TDM algoritmaları arasındaki fark nedir?

GLM, yokluk veya arka plan verisi gerektirir ve doğrusal ilişkiler varsayar; MaxEnt yalnızca varlık verisi gerektirir ve karmaşık doğrusal olmayan habitat ilişkilerini modelleyebilir. MaxEnt genellikle küçük veya yanlı veri kümeleriyle daha iyi performans gösterir.

Güvenilir bir MaxEnt modeli için kaç tane varlık kaydına ihtiyacım var?

İdeal olarak 30'dan fazla kayıt, ancak performans daha fazlasıyla artar. 10'un altında, modeller güvenilmezdir. Kayıtların mekânsal olarak dağılmış ve coğrafi olarak yanlı olmadığından emin olun. Birkaç iyi dağılmış kayıt, genellikle birçok kümelenmiş kayıttan daha iyi performans gösterir.

Hangi çevresel değişkenleri dahil edeceğime nasıl karar veririm?

Kuramla başlayın: türe ekolojik olarak etki eden değişkenleri (iklim, habitat yapısı) dahil edin. Çoklu doğrusallığı (korelasyon > 0,7) kontrol edin ve her çiftin birini kaldırın. Örnekleme artefaktlarını (örn. insan nüfusu yoğunluğu) kaçının. Jackknife veya permütasyon önem testlerini kullanın.

MaxEnt, türleri yeni kıtalara veya gelecekteki iklimlere yansıtmak için kullanılabilir mi?

Evet, ancak dikkatle. Eğitim verisi değişkenlerinin aralığının ötesine dışlama (ekstrapolasyon) yapmak hatayı artırır (analog olmayan koşullar sorunu). Belirsizliği her zaman raporlayın. Gelecekteki iklimler için birden çok iklim modeli kullanın ve çoklu model aralığını tartışın. Yeni kıtalar için ekolojik bağlamın karşılaştırılabilir olup olmadığını değerlendirin.

İlgili yöntemler

Kaynaklar

  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.

    DOI kaynağını aç
    Kopyalandı.
  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.

    DOI kaynağını aç
    Kopyalandı.
  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.

    DOI kaynağını aç
    Kopyalandı.