مدلسازی توزیع گونهها (SDM) ، همچنین بهعنوان مدلسازی موقعیت مکانی (ENM) ، مدلسازی زیستگاه ، مدلسازی توزیع زیستگاه پیشبینیکننده و نقشهبرداری محدوده [1] از مدلهای اکولوژیکی برای پیشبینی توزیع یک گونه در فضا و زمان جغرافیایی استفاده میکند. با استفاده از داده های محیطی داده های زیست محیطی اغلب داده های آب و هوایی (مانند دما، بارندگی) هستند، اما می توانند متغیرهای دیگری مانند نوع خاک، عمق آب و پوشش زمین را شامل شوند. SDM ها در چندین زمینه تحقیقاتی در زیست شناسی حفاظتی ، اکولوژی و تکامل استفاده می شوند . این مدلها را میتوان برای درک چگونگی تأثیر شرایط محیطی بر وقوع یا فراوانی یک گونه و برای اهداف پیشبینی ( پیشبینی اکولوژیکی ) مورد استفاده قرار داد. پیشبینیهای یک SDM ممکن است مربوط به توزیع آینده یک گونه تحت تغییرات آب و هوا، توزیع گذشته گونه به منظور ارزیابی روابط تکاملی یا توزیع بالقوه آینده یک گونه مهاجم باشد. پیشبینی تناسب زیستگاه فعلی و/یا آینده میتواند برای کاربردهای مدیریتی مفید باشد (مثلاً معرفی مجدد یا جابجایی گونههای آسیبپذیر، ذخیرهسازی در پیشبینی تغییرات آب و هوایی).
دو نوع اصلی SDM وجود دارد. SDM های همبسته ، که به عنوان مدل های پوشش آب و هوایی ، مدل های زیست اقلیم ، یا مدل های تابع انتخاب منابع نیز شناخته می شوند ، توزیع مشاهده شده یک گونه را به عنوان تابعی از شرایط محیطی مدل می کنند. [1] SDM های مکانیکی ، همچنین به عنوان مدل های مبتنی بر فرآیند یا مدل های بیوفیزیکی شناخته می شوند ، از اطلاعات مشتق شده مستقل در مورد فیزیولوژی یک گونه برای ایجاد مدلی از شرایط محیطی استفاده می کنند که تحت آن گونه ها می توانند وجود داشته باشند. [2]
میزانی که چنین دادههای مدلسازی شده منعکسکننده توزیعهای گونههای موجود در دنیای واقعی هستند، به عوامل متعددی از جمله ماهیت، پیچیدگی، و دقت مدلهای مورد استفاده و کیفیت لایههای دادههای محیطی موجود بستگی دارد. در دسترس بودن داده های توزیع گونه های کافی و قابل اعتماد به عنوان ورودی مدل. و تأثیر عوامل مختلفی مانند موانع پراکندگی ، تاریخچه زمینشناسی یا برهمکنشهای زیستی ، که تفاوت بین طاقچه تحققیافته و جایگاه بنیادی را افزایش میدهد. مدلسازی طاقچههای محیطی ممکن است بخشی از رشته انفورماتیک تنوع زیستی در نظر گرفته شود .
AFW Schimper در 1898 Pflanzengeographie auf physiologischer Grundlage ( جغرافياي گياهي بر اساس مباني فيزيولوژيكي ) و كار خود با همين نام در سال 1908 از عوامل جغرافيايي و محيطي براي توضيح توزيع گياهان استفاده كرد. [3] اندرو موری از محیط برای توضیح توزیع پستانداران در سال 1866 در توزیع جغرافیایی پستانداران استفاده کرد . [4] کار رابرت ویتاکر با گیاهان و کار رابرت مک آرتور با پرندگان نقشی را که محیط در توزیع گونهها ایفا میکند قویاً ثابت کرد. [1] Elgene O. Box مدلهای پاکت محیطی را برای پیشبینی دامنه گونههای درختی ساخت. [5] شبیهسازیهای کامپیوتری او یکی از اولین کاربردهای مدلسازی توزیع گونهها بود. [1]
اتخاذ مدلهای خطی تعمیم یافته پیچیدهتر (GLMs) امکان ایجاد مدلهای توزیع گونههای پیچیدهتر و واقعیتر را فراهم کرد. گسترش سنجش از دور و توسعه مدلسازی محیطی مبتنی بر GIS، میزان اطلاعات محیطی موجود برای مدلسازی را افزایش داده و استفاده از آن را آسانتر میکند. [1]
SDM ها به عنوان مدل های همبستگی منشا گرفته اند. SDM های همبسته توزیع مشاهده شده یک گونه را به عنوان تابعی از متغیرهای پیش بینی آب و هوایی ارجاع شده جغرافیایی با استفاده از رویکردهای رگرسیون چندگانه مدل می کنند. با توجه به مجموعهای از حضور مشاهدهشده از لحاظ جغرافیایی و مجموعهای از نقشههای آب و هوایی، یک مدل محتملترین محدودههای محیطی را که یک گونه در آن زندگی میکند، تعریف میکند. SDM های همبسته فرض می کنند که گونه ها با محیط خود در تعادل هستند و متغیرهای محیطی مربوطه به اندازه کافی نمونه برداری شده اند. مدلها امکان درونیابی بین تعداد محدودی از گونهها را فراهم میکنند.
برای موثر بودن این مدلها، لازم است مشاهدات نه تنها از حضور گونهها، بلکه در مورد غیابها، یعنی جایی که گونه زندگی نمیکند، جمعآوری کرد. سوابق غیبت گونه ها معمولاً به اندازه سوابق حضور رایج نیستند، بنابراین اغلب از داده های "پس زمینه تصادفی" یا "شبه غیبت" برای برازش این مدل ها استفاده می شود. اگر سوابق ناقصی از وقوع گونهها وجود داشته باشد، شبه غیبت میتواند سوگیری ایجاد کند. از آنجایی که SDM های همبسته مدل هایی از توزیع مشاهده شده یک گونه هستند، آنها مدل هایی از طاقچه تحقق یافته (محیط هایی که یک گونه در آن یافت می شود ) هستند، در مقابل جایگاه اصلی (محیط هایی که یک گونه را می توان در آن یافت یا در آن محیط غیر زنده است). برای بقا مناسب است). برای یک گونه معین، طاقچه های تحقق یافته و اساسی ممکن است یکسان باشند، اما اگر گونه ای به دلیل محدودیت پراکندگی یا تعامل گونه ها از نظر جغرافیایی محدود باشد، طاقچه تحقق یافته کوچکتر از طاقچه اساسی خواهد بود .
SDM های همبسته نسبت به SDM های مکانیکی ساده تر و سریعتر پیاده سازی می شوند و می توانند به صورت آماده از داده های موجود استفاده کنند. با این حال، از آنجایی که آنها همبستگی هستند، اطلاعات زیادی در مورد مکانیسم های علی ارائه نمی دهند و برای برون یابی خوب نیستند. همچنین اگر محدوده گونه های مشاهده شده در حالت تعادل نباشد، آنها نادرست خواهند بود (مثلاً اگر گونه ای اخیراً معرفی شده باشد و به طور فعال محدوده خود را گسترش دهد).
SDM های مکانیکی اخیراً توسعه یافته اند. برخلاف مدلهای همبستگی، SDMهای مکانیکی از اطلاعات فیزیولوژیکی در مورد یک گونه (برگرفته از مطالعات میدانی یا آزمایشگاهی کنترلشده) برای تعیین محدوده شرایط محیطی که گونهها میتوانند در آن باقی بمانند، استفاده میکنند. [2] هدف این مدلها مشخص کردن مستقیم جایگاه اصلی، و نمایش آن بر روی چشمانداز است. یک مدل ساده ممکن است به سادگی مقادیر آستانه ای را شناسایی کند که خارج از آن یک گونه نمی تواند زنده بماند. یک مدل پیچیده تر ممکن است از چندین مدل فرعی تشکیل شده باشد، به عنوان مثال شرایط ریزاقلیمی با توجه به شرایط کلان اقلیم، دمای بدن با توجه به شرایط ریزاقلیمی، تناسب اندام یا سایر نرخ های بیولوژیکی (مانند بقا، باروری) با توجه به دمای بدن (منحنی های عملکرد حرارتی) ، نیاز به منابع یا انرژی و پویایی جمعیت . داده های محیطی مرجع جغرافیایی به عنوان ورودی مدل استفاده می شود. از آنجایی که پیشبینیهای توزیع گونهها مستقل از محدوده شناختهشده گونهها هستند، این مدلها بهویژه برای گونههایی مفید هستند که دامنه آنها به طور فعال تغییر میکند و در حالت تعادل نیستند، مانند گونههای مهاجم.
SDM های مکانیکی دارای مکانیسم های علی هستند و برای برون یابی و موقعیت های غیر تعادلی بهتر هستند. با این حال، ایجاد آنها نسبت به مدلهای همبستگی کار فشردهتری دارند و به جمعآوری و اعتبارسنجی دادههای فیزیولوژیکی زیادی نیاز دارند که ممکن است به راحتی در دسترس نباشند. مدل ها به فرضیات و تخمین پارامترهای زیادی نیاز دارند و می توانند بسیار پیچیده شوند.
پراکندگی، فعل و انفعالات زیستی، و فرآیندهای تکاملی چالش هایی را ایجاد می کنند، زیرا معمولاً در مدل های همبستگی یا مکانیکی گنجانده نمی شوند.
مدل های همبستگی و مکانیکی را می توان در ترکیب برای به دست آوردن بینش های اضافی مورد استفاده قرار داد. به عنوان مثال، یک مدل مکانیکی می تواند برای شناسایی مناطقی استفاده شود که به وضوح خارج از جایگاه اصلی گونه هستند، و این مناطق می توانند به عنوان غایب علامت گذاری شوند یا از تجزیه و تحلیل حذف شوند. برای مقایسه بین مدل های مکانیکی و همبستگی به [6] مراجعه کنید .
روش های ریاضی مختلفی وجود دارد که می توان برای برازش، انتخاب و ارزیابی SDM های همبسته استفاده کرد. مدلها شامل روشهای «پروفایل» هستند که تکنیکهای آماری سادهای هستند که بهعنوان مثال از فاصله محیطی تا مکانهای وقوع شناخته شده مانند BIOCLIM [7] [8] و DOMAIN استفاده میکنند. روش های "رگرسیون" (به عنوان مثال اشکال مدل های خطی تعمیم یافته). و روش های " یادگیری ماشین " مانند حداکثر آنتروپی (MAXENT). ده تکنیک یادگیری ماشین مورد استفاده در SDM را می توان در [9] مشاهده کرد .
علاوه بر این، مدلهای گروهی را میتوان از چندین خروجی مدل ایجاد کرد تا مدلی ایجاد شود که اجزای هر یک را ثبت کند. اغلب از مقدار میانگین یا میانه در چندین مدل به عنوان یک مجموعه استفاده می شود. به طور مشابه، مدلهای اجماع مدلهایی هستند که به برخی از معیارهای گرایش مرکزی همه مدلها نزدیکتر هستند - مدلهای اجماع میتوانند مدلهای مجزا یا مجموعهای از چندین مدل باشند.
SPACES یک پلت فرم آنلاین مدلسازی محیطی است که به کاربران اجازه میدهد تا دهها مورد از برجستهترین روشها را در محیطی با کارایی بالا، چند پلتفرمی و مبتنی بر مرورگر طراحی و اجرا کنند.
MaxEnt پرکاربردترین روش/نرم افزاری است که فقط از داده های حضوری استفاده می کند و زمانی که سوابق حضور کمی در دسترس باشد عملکرد خوبی دارد.
ModEco روش های مختلفی را پیاده سازی می کند.
DIVA-GIS یک پیاده سازی آسان برای استفاده (و برای استفاده آموزشی) از BIOCLIM دارد
آزمایشگاه مجازی تنوع زیستی و تغییر اقلیم (BCCVL) یک "فروشگاه مدل سازی یک مرحله ای" است که فرآیند تنوع زیستی و مدل سازی اثرات آب و هوا را ساده می کند. جامعه تحقیقاتی را با ادغام مجموعه ای از ابزارها در یک محیط آنلاین منسجم به زیرساخت های محاسباتی ملی استرالیا متصل می کند. کاربران می توانند به مجموعه داده های آب و هوا و محیط زیست جهانی دسترسی داشته باشند یا داده های خود را آپلود کنند، تجزیه و تحلیل داده ها را در شش نوع آزمایش مختلف با مجموعه ای از 17 روش مختلف انجام دهند و به راحتی نتایج مدل ها را تجسم، تفسیر و ارزیابی کنند. انواع آزمایش ها عبارتند از: مدل توزیع گونه ها، مدل توزیع چند گونه، مدل ویژگی گونه ها (در حال حاضر در حال توسعه)، پیش بینی تغییرات آب و هوا، تجزیه و تحلیل تنوع زیستی و تجزیه و تحلیل گروهی. نمونه ای از خروجی های BCCVL SDM را می توانید در اینجا بیابید
مثال دیگر Ecocrop است که برای تعیین تناسب یک محصول با یک محیط خاص استفاده می شود. [11] این سیستم پایگاه داده همچنین میتواند عملکرد محصول را پیشبینی کند و تأثیر عوامل محیطی مانند تغییرات آب و هوایی را بر رشد و تناسب گیاهان ارزیابی کند. [12]
بیشتر روشهای مدلسازی در بستههای R 'dismo'، 'biomod2' و 'mopa' موجود هستند.
توسعه دهندگان نرم افزار ممکن است بخواهند پروژه openModeller را بسازند.
The Collaboratory for Adaptation to Climate Change adapt.nd.edu بایگانی شده 2012-08-06 در Wayback Machine یک نسخه آنلاین از openModeller را پیاده سازی کرده است که به کاربران اجازه می دهد openModeller را در یک محیط مبتنی بر مرورگر با کارایی بالا طراحی و اجرا کنند. چندین آزمایش موازی بدون محدودیت قدرت پردازنده محلی.
{{citation}}
: CS1 maint: multiple names: authors list (link) CS1 maint: numeric names: authors list (link)