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 Cianfrani et al. 2011 57
Kde najdeme druhy? Př. vydra říční (Lutra lutra) v Evropě Cianfrani et al. 2011 58
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: MECHANISTICKÉ VS. KORELATIVNÍ MODELY 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 59
Co Species je species distribution distribution modeling modeling (SDM) (SDM) Hirzel et al. (2000). Biomapper 2.0 University of Lausanne 60
Co Species je species distribution distribution modeling modeling (SDM) (SDM) Nálezová data Potenciální distribuce Statistický model Biofyizkální data NDVI LAI Rozptyl a migrace 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
Vlhkost Vlhkost 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 Základní nika Realizovaná nika Realizovaná nika Teplota 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
měřítko SDM vs. ekologické faktory a procesy Potenciální distribuce Abiotické faktory Klima a další habitatové faktory (např. půdní podmínky pro rostliny) schopnost dispersalu disturbance Biotické faktory 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 NÁLEZOVÁ DATA Brych, P., 2009, Dipl. práce 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
Linear Logistic Polynomial SDM Regresní metody (Generalized Linear Models - GLM) 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
Nálezová data SDM Validace modelů Rozdělení dat na kalibrační a validační část 75 % pro kalibraci 25 % pro validaci 77
True positives SDM Validace modelů 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 myrtlewood Douglas fir rhododendron redwood black oak 84 Application
Host index Combination of abundance score (% of cover) and spread score Host index scores were linearly standardized to 0 5 classes dem_vyrez Value High 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 85 Application Low
Climate variables ranking 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 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 86 Application
Heuristic model of potential distribution Variable Host species index Weight 6 Precipitation 2 Maximum temperature Minimum temperature 2 1 S n i WR n 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. j i W i ij Weights assigned based on Meentemeyer et al. (2004) Final risk scores standardized to 5 classes: Very Low Risk Low Risk Moderate Risk High Risk Very High Risk + + + = * 6 * 2 * 2 * 1 87 Application Final risk model
Potential risk: Heuristic model - results From 66 000 km 2 of forest with host in western Oregon Very high risk: 253 km 2 High risk: 1 865 km 2 Moderate risk: 4 216 km 2 88 Application
Actual distribution: Maximum Entropy (MAXENT) Force of Invasion Statistical model - results Disease incidence estimated across 65 km 2 of forests in the Curry County quarantine area Cumulative inverse distance (d ik ) between each potential source (k) and target plot (i) Likelihood max1 of SOD Value presence High Low 0 2.5 5 Km 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 tvaclavi@uncc.edu 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
Disease Severity = climate host density force of infection - Euclidean distances The Model Environmental-survival effect only 107
Disease Severity = climate host density force of infection - Effective distances The Model 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 90 90 90 90 90 100 1 1 1 1 1 90 1 Destination 1 1 1 1 90 90 90 90 90 90 90 90 90 90 1 Least-cost or effective distance 90 90 1 90 90 90 1 1 1 1 90 90 1 1 Source 1 1 1 1 1 1 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 1 1 1 1 1 1 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 Source 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 80 100 150 200 Very high friction (Barrier) 113
Least cost pathways! Plots Pathogen dispersal Host vegetation Non-host vegetation 114
Model Selection All-possible-regressions R 2 selection Adjusted R 2 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 Y i 0 i 8 j 1 X j j d exp( n ik SLk k 1 a i ) Stepwise Selection P-to-enter/remove = 0.05 P-to-enter/remove = 0.10 115
Top Models Top models with Euclidean distances No FI! 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 116
BIC AIC -11-12 -13-14 0 50 100 150 200 250 C B A Do not include structure dispersal effect -15-16 -17 Friction for non-host land cover Model 1 Model 2 Model 3 Model 4 Models without FI -2 Model 1: Canopy cover, RH, PSI, FI w/ friction = 40-4 -6-8 -10-12 -14-16 0 50 100 150 200 250 A C B 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 Disease dynamics Structure - Dispersal effect 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 119