Разработка программной основы построения моделей природного распространения видов для оценки пределов экологической валентности интродуцентов по отношению к основным климатическим факторам.
DOI:
https://doi.org/10.5281/zenodo.14543691Ключевые слова:
моделирование распространения видов, экологическая валентность, Aloe L., машинное обучение, климатические факторы, угрозы исчезновенияПоддерживающие организации
Аннотация
Приведены результаты этапов разработки и тестирования схемы моделирования распространения видов (SDM) с использованием пакетов Biomod 2 и Targets на языке программирования R. В качестве объектов исследования были выбраны три вида рода Aloe L. коллекции Донецкого ботанического сада, произрастающие в Южной Африке, для анализа данных которых использовалась база Global Biodiversity Information Facility (GBIF). Моделирование включало применение ансамбля различных алгоритмов машинного обучения, таких как обобщенная бустинговая модель (GBM), множественные адаптивные регрессионные сплайны (MARS) и искусственная нейронная сеть (ANN). Это позволило достичь высоких показателей качества моделей, с KAPPA в диапазоне от 0,657 до 0,917 и TSS от 0,74 до 0,943. Разработанная модель продемонстрировала высокую точность и надежность, что делает ее подходящей для дальнейшего масштабирования и использования в крупномасштабных анализах.
Скачивания
Библиографические ссылки
1. Chen M., Vernon C.R., Graham N.T., Hejazi M., Huang M., Cheng Y., Calvin K. Global land use for 2015–2100 at 0.05° resolution under diverse socioeconomic and climate scenarios // Scientific Data. – 2020. – Vol. 7 (1). – P. 320. DOI: 10.1038/s41597-020-00669-x.
2. Elith J., Leathwick J. R. Species Distribution Models: Ecological Explanation and Prediction Across Space and Time // Annual Review of Ecology, Evolution, and Systematics. 2009. Vol. 40, No 1. P. 677–697.
3. Karger D.N., Conrad O., Böhner J., Kawohl T., Kreft H., Soria-Auza R. W., Zimmermann N. E., Linder H. P., Kessler M. Climatologies at high resolution for the earth’s land surface areas // Scientific Data. 2017. Vol. 4, No 1. DOI: 10.1038/sdata.2017.122
4. QGIS Development Team, QGIS Geographic Information System. Open Source Geospatial Foundation. 2009. – URL: http://qgis.org (дата обращения: 01.11.2024).
5. R Core Team. R: A Language and Environment for Statistical Computing. Vienna, Austria: R Foundation for Statistical Computing. 2017.
6. Santillan J. R., Makinano-Santillan M. Vertical accuracy assessment of 30-m resolution alos, aster, and srtm global dems over northeastern Mindanao, Philippines // ISPRS – International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. 2016. Vol. XLI-B4, No July. P. 149–156.
7. The Shared Socioeconomic Pathways and their 2 Energy, Land Use, and Greenhouse Gas 3 Emissions Implications: An Overview // AR6 Synthesis Report: Climate Change. 2023. – URL: https://www.ipcc.ch/report/sixth-assessment-report-cycle/(дата обращения: 01.11.2024).
8. Thuiller W., Lafourcade B., Engler R., Araújo B. BIOMOD – a platform for ensemble forecasting of species distributions // Ecography. 2009. Vol. 32. P. 369–373. DOI: 10.1111/j.1600-0587.2008.05742.x.
9. Zhang Z., Mammola S., Xian W., Zhang H. Modelling the potential impacts of climate change on the distribution of ichthyoplankton in the Yangtze Estuary, China // Diversity and Distributions. 2020. Vol. 26. P. 126–137. DOI: 10.1111/ddi.13002.
Загрузки
Опубликован
Выпуск
Раздел
Лицензия
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial» («Атрибуция — Некоммерческое использование») 4.0 Всемирная.
Статьи журнала «Проблемы экологии и охраны природы техногенного региона» находятся в открытом доступе и распространяются в соответствии с условиями Лицензионного Договора с Донецким Государственным университетом, который бесплатно предоставляет авторам неограниченное распространение и самостоятельное архивирование.
