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
