DOI: https://doi.org/10.1111/ecog.07294
تاريخ النشر: 2024-08-02
المؤلف: Vítězslav Moudrý وآخرون
الموضوع الرئيسي: توزيع الأنواع وتغير المناخ
نظرة عامة
في هذا القسم، يناقش المؤلفون أهمية نماذج توزيع الأنواع (SDMs) في تعزيز فهمنا لحدوث الأنواع، مع تسليط الضوء أيضًا على قيودها الجوهرية. تشمل القضايا الرئيسية المحددة قيود حجم العينة، وعدم اليقين في المواقع، والتحيز في العينة، والتي تضعف مجتمعة موثوقية نماذج SDMs. يؤكد المؤلفون أن فعالية هذه النماذج والاستراتيجيات المستخدمة لمعالجة قيود البيانات مرتبطة ارتباطًا وثيقًا بالخصائص البيئية للأنواع المعنية.
على الرغم من الاعتراف بهذه التحديات، يشير المؤلفون إلى نقص في التركيب الشامل بشأن التأثيرات الفردية والمجمعة لهذه القيود على أداء نماذج SDM. هذه الفجوة في الفهم تعيق القدرة على التنبؤ بدقة بكيفية تأثير هذه القضايا على جودة ارتباطات الأنواع والبيئة التي تم نمذجتها بواسطة SDMs، مما يقلل في النهاية من فائدة مخرجات النموذج. يهدف البحث إلى معالجة هذه الفجوة من خلال مراجعة الدراسات الحالية التي تركز على تحسين بيانات الحدوث في SDMs، وبشكل خاص فيما يتعلق بحجم العينة، وعدم اليقين في المواقع، والتحيز في العينة.
مقدمة
تسلط المقدمة الضوء على التقدم الكبير في الملاحظات البيولوجية على مدى العقود الأخيرة، مع الاعتراف بعدم اليقين الجوهري في البيانات الناتجة، والتي يمكن أن تؤثر على الاستنتاجات العلمية (Hortal et al. 2015; Daru and Rodriguez 2023; Hughes et al. 2023). تم تحديد نماذج توزيع الأنواع الارتباطية (SDMs)، التي تدمج بيانات البيئة وحدوث الأنواع للتنبؤ بتوزيع الأنواع، كأدوات قيمة لمعالجة فجوات المعرفة في حدوث الأنواع (Elith and Leathwick 2009; Ferrier et al. 2017). على الرغم من فائدتها في تطبيقات بيئية متنوعة، مثل تقييم انتشار الأنواع الغازية وتقييم تأثيرات التنوع البيولوجي بسبب التغيرات البيئية، تواجه SDMs قيودًا حرجة تتعلق بشكل أساسي بجودة وكمية بيانات الإدخال (Elith et al. 2002; Barry and Elith 2006).
يؤكد البحث أن القيود في بيانات حدوث الأنواع يمكن أن تُدخل تحيزات وعدم يقين في تقدير علاقات الأنواع والبيئة، مما يؤثر في النهاية على التوزيعات المتوقعة (Araújo et al. 2019). تشمل العوامل الرئيسية التي تؤثر على هذه القيود حجم العينة، والأخطاء الموضعية في جمع البيانات (Smith et al. 2023)، والتحيزات في العينة (Bazzichetto et al. 2023). يجادل المؤلفون بضرورة مراعاة وتقرير خصائص البيانات أثناء تطوير وتحقق نماذج SDM، حيث يمكن أن تختلف تأثيرات قيود البيانات حسب الأنواع (Segurado and Araujo 2004; Heikkinen et al. 2006). لمعالجة هذه التحديات، يستعرض البحث الدراسات التي قامت بتجريب تعديل حجم العينة، وعدم اليقين في المواقع، والتحيز في العينة، موفرًا إرشادات حول تقييم البيانات المكانية في SDMs وتحسين التوازن بين قيود البيانات والنمذجة الدقيقة لعلاقات الأنواع والبيئة.
الطرق
يناقش هذا القسم التفاعل بين تحيز العينة، وطرق التصحيح، وإيكولوجيا الأنواع في سياق نماذج توزيع الأنواع (SDMs). تشير عدة دراسات إلى أن تصفية العينات المتحيزة لا تعزز أداء SDM بشكل متسق؛ في بعض الحالات، قد تؤدي حتى إلى نتائج ضارة (Chefaoui and Serrão 2017; Ranc et al. 2017; Gábor et al. 2020a). من الجدير بالذكر أن Ranc et al. (2017) حددوا حجم النطاق كعامل حاسم يؤثر على تعرض الأنواع لتحيز العينة، كاشفين أن الأنواع المنتشرة تتأثر بشكل أكبر ومن المرجح أن تستفيد من تصحيح التحيز مقارنة بتلك ذات النطاقات الجغرافية الضيقة.
علاوة على ذلك، أظهر Baker et al. (2022) أن نوع الأنواع يؤثر بشكل كبير على أداء النموذج، حيث تظهر الأنواع المتخصصة مقاومة أكبر ضد تحيز العينة مقارنة بالأنواع العامة. على العكس، أظهرت بعض الدراسات أن تصحيح التحيز يمكن أن يكون غير مجدي للأنواع ذات النطاقات الضيقة، أو الفجوات البيئية الضيقة، أو انتشار منخفض (Ranc et al. 2017; Inman et al. 2021; Gábor et al. 2020a). تؤكد هذه النتائج على ضرورة مراعاة إيكولوجيا الأنواع عند تنفيذ طرق تصحيح التحيز، حيث تظهر الأنواع المختلفة استجابات متنوعة لتحيز العينة وتصحيحه.
المناقشة
تؤكد قسم المناقشة على الدور الحاسم لحجم العينة في أداء نماذج توزيع الأنواع (SDMs). تشير الأبحاث إلى أن حجم العينة يؤثر بشكل كبير على تعقيد النموذج ودقته التنبؤية، حيث تتراوح أحجام العينات الفعالة من بضع إلى ملايين السجلات. بينما يمكن أن تؤدي أحجام العينات الصغيرة (50-150 وجودًا) إلى نماذج مفيدة، تشير الدراسات إلى أن أقل من حوالي 70 وجودًا قد يؤدي إلى تحديد متغيرات غير موثوقة وتقديرات ضعيفة لمنحنيات استجابة الأنواع. بشكل عام، يزيد زيادة حجم العينة من أداء النموذج، ولكن يتم ملاحظة تأثير الهضبة، مما يشير إلى عوائد متناقصة بعد عتبة معينة. كما أن العلاقة بين حجم العينة ودقة النموذج تعتمد أيضًا على إيكولوجيا الأنواع، حيث تؤدي النماذج بشكل أفضل للأنواع ذات النطاقات المحدودة مقارنة بالأنواع العامة.
بالإضافة إلى ذلك، يسلط القسم الضوء على أهمية مراعاة عدم اليقين في المواقع والتحيز في بيانات حدوث الأنواع. يمكن أن يشوه عدم اليقين في المواقع علاقات الأنواع والبيئة، خاصة عندما تتجاوز دقة الطبقات البيئية عدم اليقين في بيانات الأنواع. يوصي المؤلفون بالحفاظ على توازن بين حجم العينة وجودة البيانات، داعين إلى استخدام بيانات عالية الدقة للتحقق من النموذج مع السماح بدقة أقل في مجموعات بيانات التدريب. كما يؤكدون على الحاجة إلى تصميم عينة دقيق وتقييم تعقيد النموذج لتحسين أداء SDM، مقترحين أن يقوم الباحثون باختبار أحجام العينات وتكوينات النموذج بشكل تكراري لتحقيق تنبؤات موثوقة.
DOI: https://doi.org/10.1111/ecog.07294
Publication Date: 2024-08-02
Author(s): Vítězslav Moudrý et al.
Primary Topic: Species Distribution and Climate Change
Overview
In this section, the authors discuss the significance of species distribution models (SDMs) in enhancing our understanding of species occurrences, while also highlighting their inherent limitations. Key issues identified include sample size constraints, positional uncertainty, and sampling bias, which collectively undermine the reliability of SDMs. The authors emphasize that the effectiveness of these models and the strategies employed to address data limitations are closely tied to the ecological characteristics of the species in question.
Despite the recognition of these challenges, the authors note a lack of comprehensive synthesis regarding the individual and combined effects of these data limitations on SDM performance. This gap in understanding hinders the ability to accurately predict how these issues influence the quality of species-environment associations modeled by SDMs, ultimately diminishing the utility of the model outputs. The paper aims to address this gap by reviewing existing studies that focus on optimizing occurrence data in SDMs, specifically concerning sample size, positional uncertainty, and sampling bias.
Introduction
The introduction highlights the significant advancements in biological observations over recent decades, while acknowledging the inherent uncertainties in the resulting data, which can affect scientific inferences (Hortal et al. 2015; Daru and Rodriguez 2023; Hughes et al. 2023). Correlative species distribution models (SDMs), which integrate environmental and species occurrence data to predict species distributions, are identified as valuable tools for addressing knowledge gaps in species occurrence (Elith and Leathwick 2009; Ferrier et al. 2017). Despite their utility in various ecological applications, such as assessing invasive species spread and evaluating biodiversity impacts due to environmental changes, SDMs face critical limitations primarily related to the quality and quantity of input data (Elith et al. 2002; Barry and Elith 2006).
The paper emphasizes that limitations in species occurrence data can introduce biases and uncertainties in estimating species-environment relationships, ultimately affecting predicted distributions (Araújo et al. 2019). Key factors influencing these limitations include sample size, positional errors in data acquisition (Smith et al. 2023), and sampling biases (Bazzichetto et al. 2023). The authors argue for the necessity of considering and reporting data characteristics during SDM development and validation, as the effects of data limitations can vary by species (Segurado and Araujo 2004; Heikkinen et al. 2006). To address these challenges, the paper reviews studies that experimentally manipulated sample size, positional uncertainty, and sampling bias, providing guidance on assessing spatial data in SDMs and optimizing the balance between data limitations and accurate modeling of species-environment relationships.
Methods
The section discusses the interaction between sampling bias, correction methods, and species ecology in the context of species distribution models (SDMs). Several studies indicate that filtering out biased samples does not consistently enhance SDM performance; in some cases, it may even lead to detrimental outcomes (Chefaoui and Serrão 2017; Ranc et al. 2017; Gábor et al. 2020a). Notably, Ranc et al. (2017) identified range size as a critical factor influencing species vulnerability to sampling bias, revealing that widespread species are more adversely affected and more likely to benefit from bias correction compared to those with narrow geographic ranges.
Furthermore, Baker et al. (2022) demonstrated that the type of species significantly impacts model performance, with specialist species exhibiting greater robustness against sampling bias than generalist species. Conversely, some studies have shown that bias correction can be counterproductive for species with narrow ranges, narrow ecological niches, or low prevalence (Ranc et al. 2017; Inman et al. 2021; Gábor et al. 2020a). These findings underscore the necessity of considering species ecology when implementing bias correction methods, as different species exhibit varied responses to sampling bias and its correction.
Discussion
The discussion section emphasizes the critical role of sample size in the performance of Species Distribution Models (SDMs). Research indicates that sample size significantly influences model complexity and predictive accuracy, with effective sample sizes ranging from a few to millions of records. While smaller sample sizes (50-150 presences) can yield useful models, studies suggest that fewer than approximately 70 presences may lead to unreliable variable identification and poor estimates of species response curves. Increasing sample size generally enhances model performance, but a plateau effect is observed, indicating diminishing returns beyond a certain threshold. The relationship between sample size and model accuracy is also contingent on species ecology, with models performing better for species with restricted ranges compared to generalist species.
Additionally, the section highlights the importance of considering positional uncertainty and sampling bias in species occurrence data. Positional uncertainty can distort species-environment relationships, particularly when the spatial resolution of environmental layers exceeds the uncertainty of species data. The authors recommend maintaining a balance between sample size and data quality, advocating for the use of high-accuracy data for model validation while allowing for lower accuracy in training datasets. They also stress the need for careful sampling design and model complexity assessment to optimize SDM performance, suggesting that researchers should iteratively test sample sizes and model configurations to achieve reliable predictions.