modelování habitatu a distribuce druhů...2013/12/08 · frangula californica – california...
TRANSCRIPT
Modelování habitatu a distribuce druhů
Species distribution modeling (SDM)
(Ecological niche modeling) (Habitat suitability modeling)
Koridory a konektivita
56
Cianfrani et al. 2011 57
Kde najdeme druhy?
Př. vydra říční (Lutra lutra) v Evropě
Kde najdeme druhy?
Př. vydra říční (Lutra lutra) v Evropě
Cianfrani et al. 2011 58
59
Co je species distribution modeling (SDM) Co je species distribution modeling (SDM)
• Modely distribuce druhů (nebo habitatové modely) slouží k vymezení podmínek prostředí, které umožnují trvalý nebo přechodný výskyt jedinců či populací zájmového druhu
• Jejich výsledkem jsou prostorové predicke aktuálního/potencíálního rozšíření druhů nebo indexy vhodnosti habitatu
• SDM založeno na: 1. Expertních posudcích a znalostech nároků druhů na podmínky prostředí
(mechanistic, heuristic, rule-based, expert models)
2. Matematickém nebo statistickém modelováni vztahu mezi nálezovými daty a ekologickými podmínkami prostředí
MECHANISTICKÉ VS. KORELATIVNÍ MODELY
60
Co je species distribution modeling (SDM) Species distribution modeling (SDM)
Hirzel et al. (2000). Biomapper 2.0 University of Lausanne
61
Potenciální distribuce
Aktuální distribuce
Nálezová data
Faktory prostředí
Resources
Direct gradients
Indirect gradients
Remote sensing
Biofyizkální data NDVI
LAI
Rozptyl a migrace
Statistický model
Co je species distribution modeling (SDM) Species distribution modeling (SDM)
62
SDM – k čemu je to dobré?
63
Atlas budoucí Evropy V průměru se centrum areálu rozšíření druhů v Evropě může posunout o 550 km severovýchodním směrem. Potenciální budoucí areál druhů v Evropě bude v průměru o 1/5 menší než dnes. U některých druhů se potenciální budoucí areál rozšíření v Evropě vůbec nebude překrývat s tím současným, v průměru bude překryv cca 40 %. Očekává se, že nejvíce budou zmenšením areálu s vhodnými klimatickými podmínkami postiženy druhy s centrem rozšíření na severu Evropy a na Pyrenejském poloostrově.
SDM – k čemu je to dobré
64
SDM – aplikace v ČR
http://www.selmy.cz/publikace/odborne-publikace/ochrana-pruchodnosti-krajiny-pro-velke-savce/
65
SDM – teoretický základ
Koncept ekologické niky: n-rozměrný prostor, daný podmínkami prostředí, v nichž je určitý druh schopný přežívat a uchovávat populaci
SDM – teoretický základ
ECOLOGICAL NICHE (HUTCHINSON 1957)
66
Realizovaná
nika
Základní nika
Teplota
Vlh
kost
66 Teplota
Vlh
kost
Základní nika
Realizovaná nika
67
Species distribution modeling (SDM)
GEOGRAFICKÝ VS. EKOLOGICKÝ PROSTOR
Pearson 2006 SDM for Conservation Educators
and Practitioners
68
Species distribution modeling (SDM)
GEOGRAFICKÝ VS. EKOLOGICKÝ PROSTOR
Pearson 2006 SDM for Conservation Educators
and Practitioners
69
SDM vs. ekologické faktory a procesy
Realizovaná distribuce
Klima a další habitatové faktory (např. půdní podmínky pro rostliny)
schopnost dispersalu
disturbance
interakce mezi organismy
dynamický proces
mě
řítk
o Abiotické
faktory
Biotické faktory
Potenciální distribuce
70 Brych, P., 2009, Dipl. práce
SDM – data výskytu druhů
• terénní mapování • musea a herbária • on-line zdroje
- IUCN - Nature Serve - Global Biodiversity
Information Facility
NÁLEZOVÁ DATA
71
SDM – ekologické faktory (prediktory)
PŘ. FAKTORŮ V KONTINENTÁLNÍM MĚŘÍTKU PŘ. FAKTORŮ PRO ČR
72
SDM – metody a algoritmy
Metody: presence-absence vs. presence-only Algoritmy: Parametrické (statistické) vs. neparametrické (machine-learning)
• Založeny na statistickém (pravděpodobnostním) modelu
• Vstupem jsou presence-absence data nebo abundance
• Výstupem je pravděpodobnost výskytu nebo abundance druhu
• Vyžaduje definování funkce popisující vztah mezi ekologickou proměnnou a distribucí druhu
Lin
ear
Logi
stic
Poly
no
mia
l
SDM – Regresní metody (Generalized Linear Models - GLM)
73
• ENFA sumarizuje variabilitu v datech do několika faktorů, které vysvětlují: – Marginalitu druhu = jak moc se ekologické optimum druhu
odchyluje od nejfrekventovanějších podmínek v území
– Specializaci = toleranci k suboptimálním podmínkám
• Vstupem jsou presence-only data
• Podobné analýze hlavních komponent (Principal Component Analysis - PCA)
SDM – Ecological Niche Factor Analysis (ENFA)
74
SDM – Classification and Regression Trees (CART)
• Žádný předpoklad teoretického modelu (data-driven)
• Vyžaduje presence-absence data
• Založeno na identifikaci specifického prahu pro každou ekologickou proměnnou
• Data jsou opakovaně rozdělěna do homogenních skupin, které nejlépe vysvětlují výskyt či absenci druhu
• Vytvoření „stromu“ klasifikačních pravidel
75
76
77
SDM – Validace modelů
Rozdělení dat na kalibrační a validační část
75 % pro kalibraci
25 % pro validaci
Nál
ezo
vá d
ata
78
SDM – Validace modelů
RECEIVER OPERATING CHARACTERISTIC (ROC)
False positives
Tru
e p
osi
tive
s
79
SDM – Na co si dát ...
Pearson 2006 SDM for Conservation Educators and Practitioners
Garbage in, garbage out!
Získáme-li špatná data, vyjde nám i špatný výsledek
Extrapolace modelu
Předpovědi pro území s podmínkami za hranicemi těch použitých pro kalibraci modelu
Lákadlo komplikovaných technologií
„Použili jsme hrozně komplikovanou metodu, tak to musí být dobře.“
Prioritizing landscape contexts for early detection and eradication of disease outbreaks
Modeling potential and actual distribution of Sudden Oak Death in Oregon
Tomáš Václavík & Ross Meentemeyer
Alan Kanaskie, Oregon Department of Forestry
Janet Ohmann, USDA Forest Service
Everett Hansen, Department of Botany and Plant Pathology, Oregon State University
Real-world application
Application 80
81
Target system:
Disease caused by an invasive pathogen –
Phythopthora ramorum
Sudden Oak Death
Application
82
Phytophthora ramorum in Oregon
SOD first discovered in Oregon forests in 2001
Only one small area near the town of Brookings, Curry County
Despite intense eradication efforts, disease continues to spread from initial infections
Reason:
Late detection
of disease outbreaks
Application
83
Project objectives
To develop spatial models that map: 1. The potential risk of P. ramorum spread in Oregon 2. The current actual distribution of P. ramorum in Oregon
To target optimal locations for eradication treatments (tanoak removal) and early detection monitoring in the adjacent forest areas during subsequent years
Motivation
Application
84
Vegetation data: GNN imputation
tanoak myrtlewood Douglas fir
rhododendron redwood black oak
Based on combination of forest inventory field plots, topographic & climate variables, and Landsat TM imagery
Gradient Nearest Neighbor (GNN) imputation method
Data represent % of cover for 14 host species susceptible to P. ramorum
Application
Combination of abundance score (% of cover) and spread score
Host index scores were linearly standardized to 0 – 5 classes
Host index
HOSTS Arbutus menzeisii – Pacific madrone Arctostaphylos spp. – pinemat manzanita Frangula californica – California buckthorn Frangula purshiana – Pursh's buckthorn Lithocarpus densiflorus – tanoak Lonicera hispidula – pink honeysuckle Pseudotsuga menziesii – Douglas-fir Quercus chrysolepis – canyon live oak Quercus kelloggii – black oak Rhododendron sp. – rhododendron Rubus spectabilis – salmonberry Sequoia sempervirens – redwood Toxicodendron diversilobum – poison oak Umbellularia californica – myrtlewood Vaccinium ovatum – California huckleberry
Rank 1 1 1 1
10 1 1 0 0 5 1 3 1 5 1
dem_vyrez
Value
High
Low
85 Application
Rank Precipitation (mm)
Average maximum
T (ºC)
Average minimum
T (ºC)
5 > 125 18-22 -
4 100-125 17-18; 22-23 -
3 75-100 16-17; 23-24 -
2 50-75 15-16; 24-25 -
1 25-50 14-15; 25-26 > 0
0 <25 < 14; > 26 < 0
Ranking based on the suitability for pathogen’s spread
Temperature
Lab results show SOD most suitable between 18 – 22 ºC
Moisture
Free water must exist on plant surfaces for infection to occur
Climate variables ranking
86 Application
Variable Weight
Host species index
6
Precipitation 2
Maximum temperature
2
Minimum temperature
1
* 6 * 2 * 2 * 1
+ + + =
Very Low Risk
Low Risk
Moderate Risk
High Risk
Very High Risk
Weights assigned based on Meentemeyer et al. (2004)
Final risk scores standardized to 5 classes:
Heuristic model of potential distribution
Final spread risk ( ) was computed by finding the sum of the product of each ranked variable (R) and its weight (W), divided by the sum of the weights.
S
87
Final risk m
od
el
n
j i
ij
n
i i
W
RWS
Application
88
Potential risk: Heuristic model - results
From 66 000 km2 of forest with host in western Oregon Very high risk: 253 km2 High risk: 1 865 km2 Moderate risk: 4 216 km2
Application
89
Actual distribution: Statistical model - results
Likelihood of SOD presence
Cumulative inverse distance (dik) between each potential source (k) and target plot (i)
Maximum Entropy (MAXENT)
Force of Invasion
max1
Value
High
Low0 2.5 5 Km
Application
Disease incidence estimated across 65 km2 of forests in the Curry County quarantine area
90
Research significance
Good performance and correct interpretation of iSDMs is crucial to minimize ecological impact and economic cost of biological invasions
91
Př.: Využití SDM pro odhady geografických areálů druhů
Přepočet areálu pro vikuňi (Lama vicugna)
92
93
Konektivita krajiny
HLEDISKO ČLOVĚKA VS. HLEDISKO ORGANISMU
94
Konektivita krajiny
VZÁCNÝ PŘÍPAD EXPERIMENTŮ V KRAJINNÉM MĚŘÍTKU
Výzkum migračních koridorů a konektivity krajiny v Jižní Karolíně
95
Konektivita krajiny
FAKTORY OVLIVŇUJÍCÍ VYUŽITÍ KORIDORŮ
96
Konektivita krajiny
• Úsilí vynaložené na pohyb určitým terénem - např. bažina, hustá vegetace, příkrý svah
• Cena (cost) měřitelná v různých jednotkách – čas, námaha, peníze, kalorie, atd.
• Friction – relativní cena či úsilí potřebné k překonání určité vzdálenosti (např. jednoho pixlu o prostorovém rozlišení 30 m)
• Výsledek: nejlevnější cesta (least-cost path)
Konektivita krajiny – „cost distance“ analýzy
VÁŽENÁ VZDÁLENOST, ANALÝZA PROSTUPNOSTI KRAJINY
97
lineární vzdálenost
Vzdálenost po silnici v čase Efektivní vzdálenost
Cesta do práce
98
Efektivní vzdálenost se liší druh od druhu
vs.
Konektivita krajiny – prostupnost terénu
Accounting for effective connectivity
in spatially explicit disease models
Alicia M. Ellis
Tomas Vaclavik Ross K. Meentemeyer Center for Applied GIScience UNC Charlotte [email protected] www.gis.uncc.edu
100
Spread of Sudden Oak Death
Splash of infected soil
Drip and splash of infected leaves
Wind-driven rain 101
Problem Spatial structure = specific configuration
of landscape features
Effective connectivity can influence host, vector, or pathogen movement
Structure-Dispersal effect
Spatial
Heterogeneity Movement
Disease dynamics
Structure –
Dispersal effect
102
Problem
Most spatially explicit disease models include only the environmental-survival effect
Force of Infection (FI)
103
Problem Euclidean-based dispersal kernels do not
account for intervening heterogeneity – effective connectivity
Effective distance
Euclidean distance
Traditional models assume homogenous environment
104
Structure - dispersal effect
may be important
105
Study Sites
Sonoma Mountain, CA 106
The Model Disease Severity =
• climate • host density • force of infection
- Euclidean distances
Environmental-survival effect only
107
The Model Disease Severity =
• climate • host density • force of infection
- Effective distances
Both environmental - survival & structure - dispersal effects
108
Map Host Vegetation
land cover classes derived from ADAR multispectral aircraft imagery
host = woodland and non-host = e.g., grassland, agricultural land, residential developments
109
Least-Cost Path Analysis
Determines the shortest (least-cost) distance between source and all non-source cells
Output = cost surface for that source
Friction Surface Cost Surface
110
1 90 90 90 90 90
1 1 1 1 1 90 1
1 1 1 90 90 90 90
90 90 90 90 90 90 1
90 90 1 90 90 90 1
1 1 1 90 90 1 1
1 1 1 1 1 1 Source
Destination
Least cost path
= 1+1+1+1+1+1+1+1+1+90+1 = 100
Euclidean Path
= 1.41+1.41+(90*1.41)+ (90*1.41) +(90*1.41) = 384
1
1
1.41 100
Least-cost or
effective “distance”
111
1 1 1 1 1 1
1 1 1 1 1 1 1
1 1 1 1 1 1 1
1 1 1 1 1 1 1
1 1 1 1 1 1 1
1 1 1 1 1 1 1
1 1 1 1 1 1 Source
Destination
Least-cost path = Euclidean Distance
= 1.41 * 5 = 7.05
112
Friction Scenarios
Host land cover always = 1
Varied friction of non-host land cover: – 1 = no friction (Euclidean) – 5 – 10 – 20 – 40 – 60 – 80 – 100 – 150 – 200
Very high friction (Barrier)
113
Least cost pathways
! Plots
Pathogen dispersal
Host vegetation
Non-host vegetation
114
Model Selection
All-possible-regressions – R2 selection
– Adjusted R2
– Mallows Cp
Forward Selection – P-to-enter = 0.05
– P-to-enter = 0.10
Backward Selection – P-to-remove = 0.05
– P-to-remove = 0.10
Stepwise Selection – P-to-enter/remove = 0.05
– P-to-enter/remove = 0.10
i
j
jji XY
8
1
0
)exp(1 a
dSL ik
n
k
ki
115
Top Models
Top models with Euclidean distances
– Model A: Canopy cover, RH, PSI
– Model B: Canopy cover, RH, PSI, TMI
– Model C: Canopy cover, RH, PSI, host DBH
Top models with least-cost/effective distances
– Model 1: Canopy cover, RH, PSI, FI
– Model 2: Canopy cover, RH, PSI, FI, temp
– Model 3: Canopy cover, RH, PSI, FI, host DBH
– Model 4: Canopy cover, RH, PSI, FI, temp, host DBH
No FI!
116
-17
-16
-15
-14
-13
-12
-11
0 50 100 150 200 250
Friction for non-host land cover
AIC
Model 1Model 2Model 3Model 4Models without FI
C
B
A
-16
-14
-12
-10
-8
-6
-4
-2
0 50 100 150 200 250
Friction for non-host land cover
BIC
Model 1Model 2Model 3Model 4Models without FI
C
B
A
Model 1: –Canopy cover, –RH, –PSI, –FI w/ friction = 40
Do not include structure – dispersal effect
117
The best model has
non-host land cover friction = 40?
• Pathogen has
higher tendency
to pass through
host vegetation
• But long-
distance
dispersal is
possible
118
Summary & Conclusions
Incorporating the structure - dispersal effect may: – improve our ability to model and predict disease
severity
– may provide information about the nature of dispersal
– save time and resources if predictive models are used to develop control strategies for infectious diseases
Spatial
Heterogeneity Movement
Disease dynamics Environmental - Survival
effect
Structure - Dispersal
effect
119