1 - Tomáš Václavík

Modelování habitatu a
distribuce druhů
Species distribution modeling (SDM)
(Ecological niche modeling)
(Habitat suitability modeling)
Koridory a konektivita
56
Kde najdeme druhy?
Př. vydra říční (Lutra lutra) v Evropě
57
Cianfrani et al. 2011
Kde najdeme druhy?
Př. vydra říční (Lutra lutra) v Evropě
58
Cianfrani et al. 2011
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
MECHANISTICKÉ VS. KORELATIVNÍ MODELY
• SDM založeno na:
1.
2.
Expertních posudcích a znalostech nároků druhů na podmínky prostředí
(mechanistic, heuristic, rule-based, expert models)
Matematickém nebo statistickém modelováni vztahu mezi nálezovými
daty a ekologickými podmínkami prostředí
59
Co je species
Species
distribution
distribution
modeling
modeling
(SDM)(SDM)
Hirzel et al. (2000). Biomapper 2.0
University of Lausanne
60
Co je species
Species
distribution
distribution
modeling
modeling
(SDM)(SDM)
Potenciální distribuce
Nálezová data
Statistický
model
Biofyizkální data
Rozptyl a migrace
NDVI
LAI
Faktory prostředí
Resources
Direct gradients
Indirect gradients
Remote sensing
Aktuální distribuce
61
SDM – k čemu je to dobré?
62
SDM – k čemu je to dobré
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.
63
SDM – aplikace v ČR
http://www.selmy.cz/publikace/odborne-publikace/ochrana-pruchodnostikrajiny-pro-velke-savce/
64
SDM – teoretický základ
65
SDM – teoretický základ
ECOLOGICAL NICHE (HUTCHINSON 1957)
Koncept ekologické niky: n-rozměrný prostor, daný
podmínkami prostředí, v nichž je určitý druh schopný přežívat a
uchovávat populaci
Základní nika
Realizovaná
nika
Teplota
Vlhkost
Vlhkost
Základní nika
Realizovaná
nika
Teplota
66
Species distribution modeling (SDM)
GEOGRAFICKÝ VS. EKOLOGICKÝ PROSTOR
Pearson 2006
SDM for Conservation Educators
and Practitioners
67
Species distribution modeling (SDM)
GEOGRAFICKÝ VS. EKOLOGICKÝ PROSTOR
Pearson 2006
SDM for Conservation Educators
and Practitioners
68
SDM vs. ekologické faktory a procesy
Abiotické
faktory
Klima a další habitatové
faktory (např. půdní
podmínky pro rostliny)
Biotické
faktory
schopnost dispersalu
měřítko
Potenciální distribuce
disturbance
interakce mezi organismy
dynamický proces
Realizovaná distribuce
69
SDM – data výskytu druhů
• terénní mapování
• musea a herbária
• on-line zdroje
- IUCN
- Nature Serve
- Global Biodiversity
Information Facility
Brych, P., 2009,
Dipl. práce
NÁLEZOVÁ DATA
70
SDM – ekologické faktory (prediktory)
PŘ. FAKTORŮ V KONTINENTÁLNÍM MĚŘÍTKU
PŘ. FAKTORŮ PRO ČR
71
SDM – metody a algoritmy
Metody: presence-absence vs. presence-only
Algoritmy: Parametrické (statistické) vs. neparametrické (machine-learning)
72
SDM – Regresní metody (Generalized Linear Models - GLM)
Polynomial
Logistic
Linear
• 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
73
SDM – Ecological Niche Factor Analysis (ENFA)
• Vstupem jsou
presence-only data
• Podobné analýze
hlavních komponent
(Principal Component
Analysis - PCA)
• 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
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
SDM – Validace modelů
Nálezová data
Rozdělení dat na kalibrační a
validační část
75 % pro
kalibraci
25 % pro
validaci
77
SDM – Validace modelů
True positives
RECEIVER OPERATING CHARACTERISTIC (ROC)
False positives
78
SDM – Na co si dát ...
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.“
Pearson 2006
SDM for Conservation Educators and Practitioners
79
Real-world application
Modeling potential and actual distribution
of Sudden Oak Death in Oregon
Prioritizing landscape contexts for early detection
and eradication of disease outbreaks
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
80
Application
Target system:
Sudden Oak Death
 Disease caused by an invasive
pathogen –
Phythopthora ramorum
81
Application
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
82
Application
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
Motivation
 To target optimal locations
for eradication treatments
(tanoak removal) and early
detection monitoring in the
adjacent forest areas during
subsequent years
83
Application
Vegetation data:
 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
GNN imputation
tanoak
rhododendron
myrtlewood
Douglas fir
redwood
black oak
84
Application
Host index


Combination of abundance score (% of cover) and spread score
dem_vyrez
Value
Host index scores were linearly standardized to 0 – 5 classes
High
HOSTS
Rank
Arbutus menzeisii – Pacific madrone
1
Arctostaphylos spp. – pinemat manzanita
1
Frangula californica – California buckthorn 1
Frangula purshiana – Pursh's buckthorn
1
Lithocarpus densiflorus – tanoak
10
Lonicera hispidula – pink honeysuckle
1
Pseudotsuga menziesii – Douglas-fir
1
Quercus chrysolepis – canyon live oak
0
Quercus kelloggii – black oak
0
Rhododendron sp. – rhododendron
5
Rubus spectabilis – salmonberry
1
Sequoia sempervirens – redwood
3
Toxicodendron diversilobum – poison oak
1
Umbellularia californica – myrtlewood
5
Vaccinium ovatum – California huckleberry 1
Low
85
Application
Climate variables ranking


Ranking based on
the suitability for
pathogen’s spread
Temperature
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
 Lab results show
SOD most suitable
between 18 – 22 ºC

Moisture
 Free water must
exist on plant
surfaces for
infection to occur
86
Application
Heuristic model of potential distribution
i Wi Rij
n
Variable
Weight
Host species
index
6
Precipitation
2
Maximum
temperature
2
Minimum
temperature
1
S
Weights assigned based on
Meentemeyer et al. (2004)
W
n
i
j
Final spread risk (S ) 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.
Final risk scores
standardized to 5
classes:
Very Low Risk
Low Risk
Moderate Risk
High Risk
Very High Risk
*6
+
*2
+
*2
Final risk model
+
=
*1
87
Application
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
88
Application
Actual distribution:
 Maximum Entropy
(MAXENT)
Statistical model - results
Disease incidence estimated
across 65 km2 of forests in the
Curry County quarantine area
Force of Invasion
Cumulative inverse distance (dik) between
each potential source (k) and target plot (i)
Likelihood
max1 of
SODValue
presence
High
0
2.5
5 Km
Low
89
Application
Research significance
 Good performance and correct interpretation of
iSDMs is crucial to minimize ecological impact and
economic cost of biological invasions
90
Př.: Využití SDM pro odhady geografických areálů druhů
91
Přepočet areálu pro vikuňi (Lama vicugna)
92
Konektivita krajiny
HLEDISKO ČLOVĚKA VS. HLEDISKO ORGANISMU
93
Konektivita krajiny
VZÁCNÝ PŘÍPAD EXPERIMENTŮ V KRAJINNÉM MĚŘÍTKU
Výzkum migračních
koridorů a konektivity
krajiny v Jižní Karolíně
94
Konektivita krajiny
FAKTORY OVLIVŇUJÍCÍ VYUŽITÍ KORIDORŮ
95
Konektivita krajiny
96
Konektivita krajiny – „cost distance“ analýzy
VÁŽENÁ VZDÁLENOST, ANALÝZA PROSTUPNOSTI 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)
97
Cesta do práce
lineární vzdálenost
Vzdálenost po silnici
v čase
Efektivní vzdálenost
98
Konektivita krajiny – prostupnost terénu
vs.
Efektivní vzdálenost se liší
druh od druhu
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
Drip and splash of
infected leaves
Splash of
infected soil
Wind-driven rain
101
Problem

Spatial structure = specific configuration
of landscape features

Effective connectivity can influence host,
vector, or pathogen movement
Spatial
Heterogeneity
Movement
Structure –
Dispersal effect
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
Euclidean Path
= 1.41+1.41+(90*1.41)+ (90*1.41) +(90*1.41) = 384
1.41
1
1
Source
1
90
90
90
90
90 100
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
Destination
Least-cost or
effective “distance”
Least cost path
= 1+1+1+1+1+1+1+1+1+90+1 = 100
111
Least-cost path = Euclidean Distance
= 1.41 * 5 = 7.05
Source
Destination
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
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 Very high friction
– 200
(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

8
Yi   0    j X j  i
j 1
 d ik
i   SLk  exp(
)
a
k 1
n
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
115
Top Models


Top models
– Model A:
– Model B:
– Model C:
No FI!
with Euclidean distances
Canopy cover, RH, PSI
Canopy cover, RH, PSI, TMI
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
116
-11
0
-12
AIC
-13
50
100
150
200
250
Do not include
structure – dispersal effect
C
B
A
-14
-15
Model 1
Model 2
Model 3
Model 4
Models without FI
-16
-17
Friction for non-host land cover
-2
0
50
100
150
200
250
-6
C
BIC
Model 1:
–Canopy cover,
–RH,
–PSI,
–FI w/ friction = 40
-4
-8
-10
-12
-14
-16
B
A
Model 1
Model 2
Model 3
Model 4
Models without FI
Friction for non-host land cover
117
The best model has
non-host land cover friction = 40?
• Pathogen has
higher tendency
to pass through
host vegetation
• But longdistance
dispersal is
possible
118
Summary & Conclusions
Spatial
Heterogeneity
Environmental - Survival
effect

Movement
Structure - Dispersal
effect
Disease dynamics
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
119
diseases
Seminární práce (rozsah 1-2 str.)
Migrační koridory hrají zásadní roli pro udržování konektivity
dnešní fragmentované krajiny. Jejich efektivita z pohledu
ochrany přírody není ovšem vždy jednoznačná.
Popište jaký je význam a funkce koridorů v krajině a jaké
charakteristiky ovlivňují jejich funkci a efektivitu. Proč mohou
mít koridory pozitivní efekt pro určité organismy a negativní
efekt pro jiné? Svou argumentaci jasně zformulujte a ilustrujte
na příkladech. Informace získané z konkrétní odborné literatury
nebo jiných zdrojů nezapomeňte ocitovat.