종 분포 모델링

Species distribution modelling
강우, 고도 및 현재 종 관찰을 사용하여 특정 종에 대한 가능한 존재 모델을 만드는 단순한 상관 종 분포 모델링의 예.

환경(또는 생태) 틈새 모델링(ENM)이라고도 하는 종 분포 모델링(SDM), 서식지 모델링, 예측 서식지 분포 모델링 및 범위[1] 매핑은 환경 데이터를 사용하여 지리적 공간과 시간에 걸친 종의 분포를 예측하기 위해 컴퓨터 알고리즘을 사용한다.환경 데이터는 대부분 기후 데이터(예: 온도, 강수량)이지만 토양 유형, 수심, 토지 커버와 같은 다른 변수를 포함할 수 있다.SDM은 보존 생물학, 생태학 및 진화 분야의 여러 연구 분야에서 사용됩니다.이러한 모델은 환경 조건이 종의 발생이나 풍부함에 어떻게 영향을 미치는지, 그리고 예측 목적(생태학적 예측)을 이해하는 데 사용될 수 있다.SDM의 예측은 기후 변화 하에서의 종의 미래 분포, 진화 관계를 평가하기 위한 종의 과거 분포 또는 침입 종의 잠재적 미래 분포일 수 있다.현재 및/또는 미래의 서식지 적합성에 대한 예측은 관리 애플리케이션에 유용할 수 있다(예: 취약한 종의 재도입 또는 이전, 기후 변화를 예상한 보호구역 배치).

SDM에는 크게 두 가지 유형이 있습니다. 기후 외피 모델, 생물 기후 모델 또는 자원 선택 기능 모델이라고도 하는 상관 SDM은 환경 [1]조건의 함수로서 관찰된 종의 분포를 모델링합니다.프로세스 기반 모델 또는 생물물리학적 모델로도 알려진 기계론적 SDM은 종의 생리학에 대해 독립적으로 도출된 정보를 사용하여 [2]종이 존재할 수 있는 환경 조건의 모델을 개발합니다.

모델링된 데이터가 실제 종 분포를 반영하는 정도는 사용된 모델의 특성, 복잡성, 정확성 및 이용 가능한 환경 데이터 계층의 품질, 모델 입력으로서 충분하고 신뢰할 수 있는 종 분포 데이터의 가용성, v의 영향 등 여러 요소에 따라 달라진다.실현된 틈새와 근본적인 틈새 사이의 차이를 증가시키는 분산, 지질학적 역사 또는 생물적 상호작용에 대한 장벽과 같은 아리성 요인.환경 틈새 모델링은 생물다양성 정보학 분야의 일부로 간주될 수 있다.

역사

A. F. W. Schimper는 그의 1898 Pfranzengeographie auf 생리학자 Grundlage(생리학 기반 식물 지리학)에서 식물 분포를 설명하기 위해 지리적, 환경적 요인을 사용했습니다.Andrew Murray는 1866년 저서 The Geographical Distribution of Familities에서 포유류의 분포를 설명하기 위해 환경을 이용했다.식물에 대한 로버트 휘태커의 연구와 새에 대한 로버트 맥아더의 연구는 종의 [1]분포에서 환경이 하는 역할을 강하게 확립했다.Elgene O. Box는 나무 [3]종의 범위를 예측하기 위해 환경 외피 모형을 구성했습니다.그의 컴퓨터 시뮬레이션은 종 분포 [1]모델링의 초기 사용 중 하나였다.

보다 정교한 GLM(Generalized Linear Model)을 채택함으로써 보다 정교하고 현실적인 종 분포 모델을 만들 수 있었다.원격 감지의 확대와 GIS 기반 환경 모델링의 개발은 모델 구축에 사용할 수 있는 환경 정보의 양을 증가시키고 사용하기 쉽게 만들었다.[1]

상관 모델 대 기계 모델

상관 SDM

SDM은 상관 모델로서 시작되었습니다.상관 SDM은 여러 회귀 접근방식을 사용하여 지리적으로 참조되는 기후 예측 변수의 함수로 종의 관측 분포를 모델링한다.지리적으로 참조된 일련의 관찰된 종의 존재와 일련의 기후 지도를 고려할 때, 알고리즘은 종이 살고 있는 가장 가능성이 높은 환경 범위를 찾아냅니다.상관관계 SDM은 종이 환경과 균형을 이루고 있고 관련 환경 변수가 적절하게 샘플링되었다고 가정한다.모델은 제한된 수의 종 발생 간에 보간을 허용합니다.

이러한 알고리즘이 효과적이기 위해서는 종의 존재뿐만 아니라 종들이 살지 않는 곳에 대한 관찰도 수집해야 한다.종 부재 기록은 일반적으로 존재 기록만큼 흔하지 않으므로, 종종 이러한 모델에 맞추기 위해 "랜덤 배경" 또는 "의사 부재" 데이터가 사용된다.종 발생에 대한 불완전한 기록이 있는 경우 의사 부재는 편향을 일으킬 수 있습니다.상관관계 SDM은 종의 관찰된 분포 모델이기 때문에, 그들은 근본적인 틈새(종이 발견될 수 있는 환경 또는 생존에 적합한 환경)가 아닌 실현된 틈새(종이 발견되는 환경)의 모델이다.특정 종에 대해, 실현된 틈새와 근본적인 틈새들은 같을 수 있지만, 만약 어떤 종이 분산 한계나 종의 상호작용으로 인해 지리적으로 제한된다면, 실현된 틈새들은 근본적인 틈새보다 작아질 것이다.

상관 SDM은 기계식 SDM보다 구현이 쉽고 빠르며 사용 가능한 데이터를 즉시 사용할 수 있습니다.그러나 상관관계가 있기 때문에 인과 메커니즘에 대한 정보를 많이 제공하지 않으며 추정에 좋지 않다.또한 관찰된 종 범위가 평형 상태가 아닌 경우에도 정확하지 않다(예: 종이 최근에 도입되어 적극적으로 범위를 확장하고 있는 경우).

기계식 SDM

기계식 SDM은 보다 최근에 개발되었습니다.상관 모델과는 대조적으로, 기계적 SDM은 종에 대한 생리학적 정보(통제된 현장 또는 실험실 연구로부터 취득)를 사용하여 종이 [2]지속될 수 있는 환경 조건의 범위를 결정한다.이 모델들은 기본적인 틈새시장을 직접 특성화하고 이를 경관상에 투영하는 것을 목표로 하고 있습니다.단순한 모델은 단순히 종이 생존할 수 없는 한계치를 식별할 수 있다.보다 복잡한 모델은 거시 기후 조건이 주어진 미세 기후 조건, 미세 기후 조건이 주어진 체온, 적합성 또는 체온(열 성능 곡선), 자원 또는 에너지 요구 사항, 인구 역학 등 여러 하위 모델로 구성될 수 있다.지리적으로 참조되는 환경 데이터는 모델 입력으로 사용됩니다.종 분포 예측은 종의 알려진 범위와 독립적이기 때문에, 이러한 모델은 특히 침습종과 같이 범위가 활발하게 이동하고 평형 상태에 있지 않은 종에게 유용하다.

기계론적 SDM은 인과 메커니즘을 통합하며 외삽 및 비균형 상황에 더 적합합니다.그러나 상관 모델보다 생성에 더 많은 노동 집약적이며, 쉽게 이용할 수 없는 많은 생리학적 데이터의 수집과 검증이 필요하다.모형에는 많은 가정과 모수 추정치가 필요하며 매우 복잡해질 수 있습니다.

분산, 생물 상호작용, 그리고 진화 과정은 보통 상관적 모델이나 기계학적 모델에 통합되지 않기 때문에 도전을 제기합니다.

상관 모델 및 기계 모델을 조합하여 사용하여 추가적인 통찰력을 얻을 수 있습니다.예를 들어, 역학적 모델을 사용하여 종의 기본 틈새 영역 밖에 있는 영역을 식별할 수 있으며, 이러한 영역은 결석으로 표시되거나 분석에서 제외될 수 있다.기계 모델과 상관 모델의 비교에 대해서는, 을 참조해 주세요.

틈새 모델링 알고리즘(상대)

에는 수학적 방법의 선정을 상관 SDMs. 알고리즘을 평가하는 전조등을 사용할 수 있는 다양한는 예를 들어 사용하는 간단한 통계 기법"프로필"방법. 발생 BIOCLIM[5][6]과 DOMAIN 같은 유명 사이트에 환경 거리 포함한다, 일반화된 선형의"회귀"메서드(예를 들어 형태가 있다모델s) 및 최대 엔트로피(MAXENT)와 같은 "기계 학습" 방법.에 SDM에서 사용되는10개의 머신러닝 알고리즘을 나타냅니다.[7]틈새 모델링에 사용된 알고리즘의 불완전한 목록은 다음과 같습니다.

프로파일 기술

회귀 기반 기술

기계 학습 기술

또, 복수의 모델 출력으로부터 앙상블 모델을 작성해, 각각의 컴포넌트를 캡쳐 하는 모델을 작성할 수 있습니다.여러 모형에 걸쳐 평균 또는 중위수 값이 앙상블으로 사용되는 경우가 많습니다.마찬가지로 컨센서스 모델은 모든 모델의 중심 경향 측정치에 가장 가까운 모델이다. 컨센서스 모델은 개별 모델 실행 또는 여러 모델의 앙상블일 수 있다.

틈새 모델링 소프트웨어(상관)

SPACES는 고성능 멀티플랫폼 브라우저 기반 환경에서 가장 뛰어난 수십 개의 알고리즘을 설계하고 실행할 수 있는 온라인 환경 틈새 모델링 플랫폼입니다.

MaxEnt는 가장 널리 사용되는 방법/소프트웨어로 존재 데이터만 사용하며 사용 가능한 존재 레코드가 적을 때 성능이 우수합니다.

ModEco는 다양한 알고리즘을 구현합니다.

DIVA-GIS는 사용하기 쉽고 교육용으로도 편리한 BIOCLIM 구현이 가능합니다.

BCCVL(Biodiversity and Climate Change Virtual Laboratory)은 생물 다양성과 기후 영향 모델링 과정을 단순화하는 "원스톱 모델링 공장"입니다.또한 일련의 도구를 일관성 있는 온라인 환경에 통합함으로써 연구 커뮤니티와 호주의 국가 컴퓨터 인프라스트럭처를 연결합니다.사용자는 글로벌 기후 및 환경 데이터셋에 액세스하거나 자체 데이터를 업로드하고 17개의 서로 다른 알고리즘으로 구성된 6가지 실험 유형에 걸쳐 데이터 분석을 수행하고 모델의 결과를 쉽게 시각화, 해석 및 평가할 수 있습니다.실험 유형은 다음과 같습니다.종 분포 모델, 다종 분포 모델, 종 특성 모델(현재 개발 중), 기후 변화 예측, 생물 다양 분석 및 앙상블 분석.BCCVL SDM 출력의 예를 다음에 나타냅니다.

또 다른 예는 특정 환경에 [9]대한 작물의 적합성을 판단하기 위해 사용되는 에코크롭입니다.이 데이터베이스 시스템은 또한 농작물 수확량을 예측하고 기후 변화와 같은 환경적 요인이 식물의 [10]성장과 적합성에 미치는 영향을 평가할 수 있습니다.

대부분의 틈새 모델링 알고리즘은 R 패키지 'dismo', 'biomod2' 및 'mopa'에서 사용할 수 있다.

소프트웨어 개발자는 openModeler 프로젝트를 기반으로 구축하기를 원할 수 있습니다.

Collaboratory for Adaptation to Climate Change adapt.nd.edu은 사용자가 고성능 브라우저 기반 환경에서 openModeler를 설계하고 실행할 수 있는 온라인 버전을 구현하여 로컬 프로세서의 전력 제한 없이 여러 개의 병렬 실험을 수행할 수 있도록 했습니다.

「 」를 참조해 주세요.

레퍼런스

  1. ^ a b c d e Elith, Jane; Leathwick, John R. (2009-02-06). "Species Distribution Models: Ecological Explanation and Prediction Across Space and Time". Annual Review of Ecology, Evolution, and Systematics. 40 (1): 677–697. doi:10.1146/annurev.ecolsys.110308.120159. ISSN 1543-592X.
  2. ^ a b Kearney, Michael; Porter, Warren (2009). "Mechanistic niche modelling: combining physiological and spatial data to predict species' ranges". Ecology Letters. 12 (4): 334–350. doi:10.1111/j.1461-0248.2008.01277.x. ISSN 1461-0248. PMID 19292794.
  3. ^ Box, Elgene O. (1981-05-01). "Predicting physiognomic vegetation types with climate variables". Vegetatio. 45 (2): 127–139. doi:10.1007/BF00119222. ISSN 1573-5052. S2CID 25941018.
  4. ^ Morin, X.; Thuiller (2009). "Comparing niche- and process-based models to reduce prediction uncertainty in species range shifts under climate change". Ecology. 90 (5): 1301–13. doi:10.1890/08-0134.1. PMID 19537550.
  5. ^ Nix HA (1986). "BIOCLIM — a Bioclimatic Analysis and Prediction System". Research Report, CSIRO Division of Water and Land Resources. 1983–1985: 59–60.
  6. ^ Nix HA (1986). "A biogeographic analysis of Australian elapid snakes". In Longmore (ed.). Atlas of Elapid Snakes of Australia. Australian Flora and Fauna Series 7. Bureau of Flora and Fauna, Canberra. pp. 4–15.
  7. ^ Effrosynidis, Dimitrios; Tsikliras, Athanassios; Arampatzis, Avi; Sylaios, Georgios (2020-12-13). "Species Distribution Modelling via Feature Engineering and Machine Learning for Pelagic Fishes in the Mediterranean Sea". Applied Sciences. 10 (24): 8900. doi:10.3390/app10248900.
  8. ^ Real, Raimundo; Barbosa, A. Márcia; Vargas, J. Mario (2006). "Obtaining Environmental Favourability Functions from Logistic Regression". Environmental and Ecological Statistics. 13 (2): 237–245. doi:10.1007/s10651-005-0003-3. hdl:10174/20244. S2CID 34887643.
  9. ^ "FAO Ecocrop". ECHOcommunity. Retrieved 2019-08-19.
  10. ^ Rosenstock, Todd S.; Nowak, Andreea; Girvetz, Evan (2018). The Climate-Smart Agriculture Papers: Investigating the Business of a Productive, Resilient and Low Emission Future. Cham, Switzerland: Springer. p. 41. ISBN 9783319927978.

추가 정보

외부 링크

  • Climate Envelope Modeling Working Group - 과학자, 실무자, 관리자 및 개발자가 기후 환경 틈새 모델링 도구 및 플랫폼을 논의, 지원 및 개발하는 온라인 모임 장소
  • BioVeL Ecological Nice Modeling (ENM) - 생태적 틈새 모델을 생성하는 워크플로우를 갖춘 온라인 도구
  • EUBrazil Open Bio 종 연구 환경 - (i) 발생 지점 및 환경 파라미터에 대한 접근을 단순화하고 (ii) 분산 컴퓨팅 인프라스트럭처의 이점을 제공하는 강력한 버전의 openModeler를 제공함으로써 생태적 틈새 모델 제작을 지원하는 온라인 작업 환경
  • openModeler - 오픈 소스 틈새 모델링 라이브러리
  • 캔자스 대학의 틈새 모델링 프로젝트인 라이프맵퍼
  • Lifemapper 2.0 - 캔자스 대학교 Aimee Stewart가 O'Reilly Where 2.0 Conference 2008에서 발표한 비디오
  • AquaMaps - 해양종 글로벌 예측 지도
  • 생태모델링 - 생태모델링 및 시스템 생태에 관한 국제학술지