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 tvaclavi@uncc.edu 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