Jakým způsobem ovlivňuje sampling bias ekologickou interpretabilitu modelů druhové distribuce?

Tomáš Gregor

Bachelor's thesis

How does sampling bias affect the ecological interpretability of species distribution models?

Abstract:

Druhové distribuční modely (z anglického originálu Species Distribution Models, dále jen SDM) se staly důležitým nástrojem pro studování vztahu mezi druhem a prostředím ve kterém se vyskytuje. S rozvojem SDM začalo být zřejmé, že hlavním limitujícím faktorem v modelování druhové distribuce je přesnost druhových dat. Nejsnáze dostupná, pouze prezenční data, jsou často sbíraná ve snadno dostupných lokalitách, v okolí silnic nebo městské zástavby. Tento fenomén se nazývá sampling bias a předchozí studie ukázaly jeho negativní vliv na přesnost na SDM. Nicméně, jejich vliv na ekologickou interpretaci modelu zůstal neprozkoumán. Cílem této práce proto bylo prozkoumat vliv sampling bias na ekologickou interpretabilitu modelů. Pro účely bakalářské práce byl použit virtuální druh, pro který byly na území Španělska vygenerovány dvě datové sady. První datová sada byla vygenerována rovnoměrně po celém vhodném území. Druha datová sada byla pak vygenerována jen v blízkosti velkých silničních tahů tak, aby simulovala sampling bias v reálných datech. Pomoci modelovací techniky Maxent byly vytvořeny modely druhové distribuce. Výkon modelů byl vyhodnocen pomoci tří validačních metrik (Sorensen index, Míra nadhodnocené predikce a Míra podhodnocené predikce). Kromě toho byla též porovnána schopnost modelu odhadnout důležitost jednotlivých environmentálních proměnných a výsledné křivky, ukazující reakci druhu na změny v prostředí. Výsledky ukázaly, že ačkoliv u modelů ovlivněných sampling bias klesá jejich přesnost, ekologická interpretabilita je nicméně stále možná. Modely ovlivněny sampling bias, byly schopny detekovat důležitost environmentálních proměnných stejně jako reakci druhu na změnu prostředí, které byly srovnatelné s modely, které byly vytvořeny pomocí rovnoměrně „nasbíraných“ dat. Ačkoliv je nutné mé závěry ověřit s použitím vice environmentálních proměnných či v jiném měřítku, jsou moje závěry důležité pro budoucí aplikace SDM a to především v ochraně přírody.

Abstract:

Species Distribution Models (SDMs) have become an important tool for studying the relationship between species and their environment. With the development of SDMs, it has become obvious that the main limiting factor in species distribution modelling is the accuracy of the species data. The most readily available, presence-only data are often collected in easily accessible locations, around roads or urban developments. This phenomenon is called sampling bias, and previous studies have shown its negative effect on accuracy on SDM. However, their effect on the ecological interpretability of the model remained unexplored. Therefore, the aim of this thesis was to investigate the effect of sampling bias on the ecological interpretability of the model. For the purpose of this thesis, a virtual species was used for which two datasets were generated in Spain. The first dataset was generated uniformly over the suitable territory. The second dataset was then generated only in the vicinity of major road alignments to simulate sampling bias in the real data. Species distribution models were generated using the MaxEnt modelling technique. Model performance was evaluated using three validation metrics (Sorensen index, Over-prediction rate and Under-prediction rate). In addition, I also compared the model's ability to estimate the importance of each environmental variable and the resulting curves showing the species' response to environmental changes. The results showed that although the model's accuracy decreases for sampling bias-influenced models, ecological interpretability is still possible. Models influenced by sampling bias were able to detect the importance of environmental variables as well as the species' response to environmental change, which were comparable to models that were created using uniformly "collected" data. Although my conclusions need to be validated using more environmental variables or at a different scale, my findings are important for future applications of SDM, particularly in conservation.

Keywords

modely druhové distribuce, virtuální druh, sampling bias, ekologické modelování

Keywords

Species distribution models, virtual species, sampling bias, ecological modelling

Language used: Czech

Date on which the thesis was submitted / produced: 1. 4. 2022

Thesis defence

• Supervisor: Ing. Lukáš Gábor, Ph.D.

Czech University of Life Sciences Prague

Faculty of Environmental Sciences

Bachelor programme:
Landscape Technical and Administration Services in Environment