Геоинформационные системы как инструмент прогностического моделирования динамики ареалов редких и массовых видов жужелиц (Coleoptera, Carabidae) в условиях изменяющегося климата

Размещено на http://www.allbest.ru/

Геоинформационные системы как инструмент прогностического моделирования динамики ареалов редких и массовых видов жужелиц (Coleoptera, Carabidae) в условиях изменяющегося климата

Тамара Андыевна Автаева

Аннотация

В статье описаны методы и приемы построения прогнозных ареалов жужелиц (Coleoptera, Carabidae) в условиях изменяющегося климата с применением геоинформационных технологий. Показан алгоритм разработки и оценки моделей потенциального распределения видов, способы повышения их точности. Раскрыт потенциал геоинформационных систем в моделировании пространственного распределения как редких, так и массовых видов жуков жужелиц. Установлено, что моделирование ареалов редких видов может способствовать прогнозированию их пространственного распространения в условиях изменяющегося климата, а также пониманию тенденций изменения границ и площадей ареала в связи с изменениями факторов среды. На основе данных прогнозов возможно принятие решений по изменению границ ООПТ или созданию новых в целях сохранения биоразнообразия. Моделирование ареалов массовых видов, в том числе вредителей, поможет понять тенденцию их распространения как в настоящее время, так и в будущем, а также выработке рекомендаций по борьбе с ними.

Ключевые слова: Carabidae, среда Maxent, геоинформационные системы, моделирование, прогнозный ареал, биоклиматические параметры, пространственное распространение

Abstract

The article describes methods and techniques for constructing predictive ranges of ground beetles (Coleoptera, Carabidae) in a changing climate using geoinformational technologies. An algorithm for developing and evaluating models of the potential distribution of species is shown, as well as ways of improving their accuracy. The potential of geoinformational systems in modeling the spatial distribution of both rare and mass species of ground beetles is revealed. It has been established that modeling the ranges of rare species can help to predict their spatial distribution in a changing climate as well as to understand the trends in changes in the boundaries and areas of the range due to changes in environmental factors. Based on these forecasts it is possible to make decisions on changing the boundaries of protected areas or creating new onesin order to preserve biodiversity. Modeling the ranges of common species including pests will help to understand the trend of their distribution both now and in the future and to develop recommendations for their control.

Keywords: Carabidae, Maxent environment, geoinformational systems, modeling, predictive area, bioclimatic parameters, spatial distribution

Введение

Продолжается поиск наиболее эффективных механизмов и подходов, направленных на сохранение естественного биологического разнообразия. В современном мире изменение климата признано очевидным и формирующимся глобальным явлением, которое оказывает прямое влияние на выживание, распространение, развитие и численность организмов. Прогнозируется, что его воздействие будет усиливаться по мере ускорения масштабов изменений в окружающей среде. Изменение климата приводит к утрате биоразнообразия и изменению экосистем в результате истощения естественных мест обитания видов. Для ослабления этого воздействия мы можем использовать методы моделирования пригодности среды обитания и распределения видов, которые получили признание, так как позволяют оценить возможное географическое распространение видов в сценариях изменения климата. Для этого активно применяются компьютерные ГИС-технологии. В качестве модельной группы в исследовании мы выбрали семейство жужелиц (Coleoptera, Carabidae). Целью данной работы является обобщение опыта применения автором ГИС-технологий в моделировании ареалов как редких, так и массовых видов жужелиц.

Обзор литературы. В современных исследованиях пространственного распространения видов животных и растительных организмов стал популярным метод максимальной энтропии (Maxent) [10]. Возможность точного предсказания географического распределения вида по территории является важным условием успешного его сохранения [2, 3]. Так, китайские исследователи NanLyuи Yue-HuaSun, изучая влияние изменения климата на пространственное распространение китайского тетерева Tetrastessewerzowi,обитающего в небольших горных районах на юго-восточной окраине Цинхай-Тибетского плато, сделали вывод о том, чтобы справиться с продолжающимся изменением климата, следует либо расширить охраняемую территорию существующих заповедников, либо создатьновые заповедники, чтобы приспособиться к изменениям ареалов [8].

YerichoBerhanuMesheshaetal. с использованием модели MaxEntспрогнозировали нынешние и будущие подходящие места обитания для эндемичных и находящихся под угрозой исчезновения эфиопских волков [9]. Результат показал, что подходящая среда обитания эфиопских волков сильно пострадает от изменения климата. В настоящее время около 9,4 % всей суши Эфиопии пригодно для волков. Однако в ближайшие пару десятилетий он будет утерян при всех сценариях глобального изменения климата. Следовательно, есть все основания полагать, что эфиопский волк может исчезнуть как вид, если вовремя не будут приняты корректирующие меры. Поэтому целесообразно повышать адаптивную способность видов, а также сохранять генетические ресурсы и разводить их в неволе.

Аманда Фукс, Кристофер С. Гилберт и Джейсон М. Камилар для оценки влияния абиотических переменных на распределение и разнообразие бабуинов использовали метод моделирования экологической ниши. Модели генерировали в программе MaxEntпутем сопоставления данных о местонахождении шести видов Papioи климатической информации от WorldClim. По данным авторов, климатические переменные в различной степени влияют на распределение видов бабуинов [7].

E. Westinga, M. Carafa, A. Antonucci, G. Ciaschettiприменяя программу Maxent, изучали ареал апеннинского бурого медведя на территории национального парка Майелла. Модели распределения нескольких видов (SDM) были созданы с разрешением 800 м для прогнозирования круглогодичных и сезонных ареалов медведей. Иерархический, пошаговый подход максимальной оценки SDMбыл применен к климатическим, ландшафтным, растительным и антропогенным предикторам ареалов медведей. Данные подходы позволяют использовать фрагментарные данные о конкретных местонахождениях, экстраполируя их на значительные и еще неизученные территории, что позволяет выявить аналогичные по биоклиматическим показателям потенциальные местообитания вида. Одним из перспективных направлений моделирования является прогнозное моделирование, связанное с изменениями ареалов модельных видов в условиях изменяющегося климата [11].

Метод максимальной энтропии применяется при изучении пространственного распространения редких и сокращающихся в численности видов [6], моделировании их экологических ниш, построения прогнозных моделей ареалов в изменяющихся условиях [7].

По мнению А. А. Лисовского «несмотря на частоту применения метода максимальной энтропии, многие исследователи недооценивают влияние исходных параметров и естественного смещения выборки данных о локализации видов на результаты анализа. В то же время выбор типа функций предикторов и параметра сложности существенно влияет на пространственную «компактность» или «сглаженность» модели. Неслучайное распределение точек регистрации организмов в географическом пространстве требует обязательного введения поправок» [1].

Материалы и методы. Для биоклиматического моделирования ареала редких и массовых видов используются данные глобальной базы климатических данных WorldClim (www.worldclim.org): 19 и более биоклиматических переменных. Точки присутствия вида получают из полевых исследований, литературных источников, баз данных. Прогнозирование потенциального ареала проводится с помощью программы MAXENT3.4.4 (Phillips, S. J., Dudik, M., &Schapire, R. E., 2017: Maxentsoftwareformodelingspeciesnichesanddistributions (Version 3.4.4), http://biodiversityinformatics.amnh.org/open_source/maxent). Для работы со слоями использовали программу QGlS3.16.1 (QuantumGIS, 2020).

Во всех случаях моделирования использовали климатическую модель CCSM4 (CommunityClimateSystemModel). Принимали во внимание 4 сценария изменения климата: RCP2.6, RCP4.5, RCP6.0 и RCP8.5.

Результаты. Разработка и оценка моделей потенциального распределения видов

Для анализа использовали климатическую модель CCSM4 (CommunityClimateSystemModel) по четырем прогнозным сценариям RCP2.6, RCP4.5, RCP6.0, RCP8.5, получивших название «representativeconcentrationspathways» (www.global-climate-change.ru).

Рис. 1. Package «Raster» в R Fig. 1. Package «Raster» inR

Ряд исследователей отмечает невозможность правильной оценки вклада каждого изучаемого фактора в построенную модель распространения вида при высокой корреляции между переменными. Что требует создания дополнительного инструментария, существенно повышающего качество модели. Для устранения проблемы мультиколлинеарности применяли package «Raster» в R (GeographicDataAnalysisandModeling), где выполняется попарная корреляция и на основе анализа строится матрица.

В диалоговом окне «Формат ячеек» на вкладке «Эффекты» выбираем шрифт «Зачеркнутый» и на основании матрицы среди переменных выбираем все со значением больше 0,75 и меньше - 0,75 [4]. В результате остаются факторы, которые дальше используются в моделировании

.

Рис. 2. Матрица биоклиматических переменных

Fig. 2. Matrixofbioclimaticvariables

При моделировании важно учитывать влияние исходных параметров на результаты анализа, а также возможность смещения выборки данных о локализации видов. Для того чтобы избежать этого нужно выбрать оптимальные настройки. Их выбор определяется и оценивается на основе проверки многочисленных моделей в различных сочетаниях в пакете R «ENMeval». ENMeval, пакет Rсоздает CSV-файл «enmeval-results», в котором «лучшая» модель может быть выбрана на основе одного или нескольких критериев оценки. Мы использовали настройки модели, которые привели к наименьшему значению AICc. Моделирование проводилось по настройкам, соответствующим минимальному значению AICcи AAIC= 0.

Рис. 3. CSV-файл«enmeval-results»

Fig. 3. CSV-file «enmeval- results»

При моделировании ареалов массовых видов, которые имеют многочисленные точки присутствия, возникает проблема неравномерного их распределения и смещения ареала в сторону наиболее плотного и многочисленного скопления точек (рис. 4).

Рис. 4. Неравномерное распределение точек присутствия вида [12] Fig. 4. Unevendistributionofthepointsofspecies' presence [12]

Во избежание смещения ареала в сторону наиболее изученных территорий (с большим количеством точек присутствия вида) и для получения более точной модели, производили несколько манипуляций:

- для прореживания и более равномерного распределения точек присутствия вида использовали Rscript “thinpoints4-1-18. R” пакетspThin (Functions for Spatial Thinning of Species Occurrence Records for Use in Ecological Models);

- во избежание смещения ареала в сторону наиболее изученных территорий использовали ENMEvalpackageinR, получили файл-смещения (bias-file), который использовали при моделировании в Maxent.

Рис. 5. Файл-смещения(bias-file) [13]

Fig. 5. Bias-file [13]

Рис. 6. Настройки Maxent / Fig. 6. Maxent settings

В соответствии с рис.6, файл смещения (biasfile) подгружается в программу Maxent, что препятствует смещению.

Важным показателем является число итераций (maximumiterations): для простых моделей может быть равен 500, для сложных моделей число итераций обычно повышают. Мы устанавливали число итераций 1000.

Для верификации построенных моделей использовалась площадь (AUC) под ROC-кривой (ROC- receiveroperatingcharacteristic- кривая ошибок, AUC- areaunderthecurve - площадь под кривой ошибок). Оценка параметров точности модели производилась на формируемых случайным образом тестовых выборках. Для возможности оценить полученную модель указали 25 (Randomtestpercentage), т.е. из всего массива точек присутствия программа случайным образом отберет 25 % для последующего тестирования полученной модели. Таким образом, 75% данных будут использоваться для создания модели в качестве обучающей выборки, а 25 % - как тестирующая выборка. Для оценки прогностических возможностей модели применяется порог (threshold) бинаризации предсказания: условия считаются пригодными для существования вида, если предсказание выше некоторого порогового значения, и непригодными, если ниже. При моделировании использовался порог 10 процентилей для исключения из анализа особей, обитающих в нетипичных местообитаниях. Это означает, что 90 % точек присутствия, включенных в анализ, попадают в «потенциальный ареал», а оставшиеся 10 % непопадающих в эту область расцениваются как обитающие в атипичных условиях и не учитываются при построении климатической ниши.

AUCизмеряет способность модели различать места, где вид присутствует, и места, где он отсутствует, и изменяется от 0 до 1: 0.9-1 - «отлично», 0.8-0.9 - «хорошо», 0.7-0.8 - «удовлетворительно», 0.6-0.7 - «плохо», < 0.6 - «очень плохо».

Методом максимальной энтропии выполняется многомерный анализ климатической ниши, выделяются факторы, оказывающие наибольшее влияние на современное распространение изучаемых видов. В результате анализа получаем результирующий файл в формате ACS, при визуализации которого в программе QGISполучаем в цветовом диапазоне, согласно которому наиболее благоприятные зоны обитания (индекс комфортности) отображается красным, по мере снижения пригодности цвета меняются от оранжевого к зеленому (рис. 7).

Рис. 7. Визуализация ареала вида в программе QGIS[13].

Fig. 7. Visualization of species range in QGIS program [13].

В программе QGIS, используя калькулятор полей, можно рассчитать площади современного и прогнозируемых ареалов.

Создавая полигональные слои можно получить изображение ареалов по разным сценариям, накладывая их друг на друга, в результате получаем возможность визуализировать изменения ареала в условиях изменяющегося климата (рис. 8).

Рис. 8. Изменение площади ареала вида по климатическому сценарию в разные годы [14].

Fig. 8. Changes in the area of the species range according to the climatic scenario in different years [14].

Обсуждение

Метод моделирования пространственного распространения видов требует тщательной подготовки на разных этапах моделирования. Количество точек встречаемости вида и их равномерное распределение влияет на оптимальность модели. В связи с чем необходимы дополнительные действия по проверке на наличие дубликатов и удаление скоплений точек.

Следующим шагом является выбор факторов в зависимости от изучаемого объекта, а также исключение из анализа коррелирующих факторов.

Используя ГИС-технологии можно визуализировать полученную модель, получить данные по площади ареалов, сравнить ареалы, полученные по разным сценариям.

Выводы

Моделирование ареалов редких видов может способствовать прогнозированию их пространственного распространения в условиях изменяющегося климата, а также пониманию тенденций изменения границ и площадей ареала в связи с изменениями факторов среды. На основе данных прогнозов возможно принятие решений по изменению границ ООПТ или созданию новых в целях сохранения биоразнообразия. Моделирование ареалов массовых видов, в том числе вредителей, поможет понять тенденцию их распространения как в настоящее время, так и в будущем, а также выработке рекомендаций по борьбе с ними.

Таким образом, для получения оптимальных моделей ареалов видов необходимо оценивать влияние исходных параметров, используемых в анализе.

Список источников

модель прогнозная геоинформационная технология жужелица

1. Лисовский А.А., Дудов С.В. Преимущества и ограничения методов экологического моделирования ареалов. 2. MaxEnt // Журнал общей биологии. 2020. Т. 81. N° 2. С. 135-146. - DOI 10.31857/ S0044459620020049.

2. Огурцов С.С. Моделирование пригодности местообитаний и распределения бурого медведя (Ursusarctos) в подзоне южной тайги с помощью метода максимальной энтропии // NatureConservationResearch. Заповедная наука. 2019. Т. 4(4). С. 34-64. https://dx.doi.org/10.24189/ncr.2019.061

3. Alexandre H. Hirzel, Gwenaelle Le Lay. Habitat suitability modelling and niche theory // Journal of Applied Ecology. 2008. Vol. 45. Issue 5. P 1372-1381. DOI: 10.1111/j.1365-2664.2008.01524.x.

4. Bednarska AJ, Swi^tek ZM, Paciorek K, Kubinska N. Effect of cadmium bioavailability in food on its compartmentalisation in carabids // Ecotoxicology. 2017. Vol. 26. № 9. P. 1259-1270. DOI: 10.1007/s10646- 017-1851-y.

5. Чурюлина А.Г., Бочарников М.В. Моделирование потенциального ареала реликтового вида (Caraganajubata (Pall.) Poir.) на основе климатических данных // Ученые записки Российского государственного гидрометеорологического университета. 2019. № 54. С. 100-108. DOI 10.33933/20742762-2019-54-100-108.

6. Clements G.R., Rayan D.M., Aziz S.A., Kawanishi K., Traeholt C., Magintatn D., Yazi M.F.A., Tingley R. Predicting the distribution of the Asian Tapir (Tapirus indicus) in Peninsular Malaysia using maximum entropy modelling // Integrative Zoology. 2012. Vol. 7. № 4. P. 400-406. DOI: 10.1111/j. 1749- 4877.2012.00314.x.

7. Fuchs Amanda, Gilbert Christopher, Kamilar Jason. Ecological niche modeling of the genus Papio // American Journal of Physical Anthropology. 2017. Vol. 166. № 4. P 812-823. DOI: 10.1002/ajpa.23470.

8. Nan Lyu, Yue-Hua Sun. Predicting threat of climate change to the Chinese grouse on the Qinghai- Tibet plateau // Wildlife Biology. 2014. Vol. 20. № 2. P 73-82. doi:10.2981/wlb.13024.

9. Yericho Berhanu, Nega Tassie, Dejene W. Sintayehu. Predicting the current and future suitable habitats for endemic and endangered Ethiopian wolf using MaxEnt model // Heliyon. 2022. Vol. 8. Issue 8. e10223. DOI: 10.1016/j.heliyon.2022.e10223.

10. Phillips S.J., Dudik M. Modeling of Species Distributions with MaxEnt: New Extensions and a Comprehensive Evaluation // Ecography. 2008. Vol. 31. P. 161-175. http://dx.doi.org/10.1111/j.0906- 7590.2008.5203.x.

11. Gils H. A. M. J., Westinga E., Carafa M., Antonucci A., Ciaschetti G. Where the bears roam in Majella National Park, Italy // Journal for nature conservation. 2014. Vol. 22. № 1. P. 23-34. https://doi.org/ 10.1016/j.jnc.2013.08.001.

12. Brygadyrenko V, Avtaeva T, Matsyura A. Effect of global climate change on the distribution of Anchomenus dorsalis (Coleoptera, Carabidae) in Europe // Acta Biologica Sibirica. 2021. Vol. 7. P 237-260. https://doi.org/10.3897/abs.7.e72409.

13. Avtaeva T.A., Sukhodolskaya R.A., Brygadyrenko VV Modeling the bioclimatic range of Pterostichus melanarius (Coleoptera, Carabidae) in conditions of global climate change // Biosystems Diversity. 2021. Vol. 29. № 2. P 140-150. doi:10.15421/012119.

14. Avtaeva T.A., Sukhodolskaya R.A., Skripchinsky A.V., Brygadyrenko V.V. Range of Pterostichus oblongopunctatus (Coleoptera, Carabidae) in conditions of global climate change // Biosystems Diversity. 2019. Vol. 27. № 1. P 76-84. doi:10.15421/011912.

References

1. Lisovskii AA, Dudov SV. Advantages and limitations of application of the species distribution modeling methods. 2. MaxEnt. Journal of General biology. 2020;81(2): 135-146. (In Russ.). Available from: doi: 10.31857/S0044459620020049.

2. Ogurtsov SS. Brown bear (Ursus arctos) habitat suitability and distribution modeling in the southern taiga subzone using the method of maximum entropy. Nature Conservation Research. 2019;4(4): 34-64. (In Russ.). Available from: https://dx.doi.org/10.24189/ncr.2019.061.

3. Alexandre H. Hirzel, Gwenaelle Le Lay. Habitat suitability modelling and niche theory. Journal of Applied Ecology. 2008;45(5): 1372-1381. Available from: doi:10.1111/j.1365-2664.2008.01524.x.

4. Bednarska AJ, Swi^tek ZM, Paciorek K, Kubinska N. Effect of cadmium bioavailability in food on its compartmentalisation in carabids. Ecotoxicology. 2017;26(9): 1259-1270. Available from: doi:10.1007/s10646- 017-1851-y.

5. Churiulina AG, Bocharnikov MV. Modeling of the potential distribution of the relict plant species (Caragana jubata (Pall.) Poir.) based on climate data. Proceedings of the Russian State Hydrometeorological University. 2019;(54): 100-108. (In Russ.). Available from: doi:10.33933/2074-2762- 2019-54-100-108.

6. Clements GR, Rayan DM, Aziz SA, Kawanishi K, Traeholt C, Magintatn D, et al. Predicting the distribution of the Asian Tapir (Tapirus indicus) in Peninsular Malaysia using maximum entropy modeling. Integrative Zoology. 2012;7(4): 400-406. Available from: doi:10.1111/j.1749-4877.2012.00314.x.

7. Fuchs A, Gilbert Ch, Kamilar J. Ecological niche modeling of the genus Papio. American Journal of Physical Anthropology. 2017;166(4): 812-823. Available from: doi:10.1002/ajpa.23470.

8. Nan Lyu, Yue-Hua Sun. Predicting threat of climate change to the Chinese grouse on the Qinghai- Tibet plateau. Wildlife Biology. 2014;20(2): 73-82. Available from: doi:10.2981/wlb.13024.

9. Yericho Berhanu, Nega Tassie, Dejene W. Sintayehu. Predicting the current and future suitable habitats for endemic and endangered Ethiopian wolf using MaxEnt model. Heliyon. 2022;8(8): e10223. Available from: doi: 10.1016/j.heliyon.2022.e10223.

10. Phillips SJ, Dudik М. Modeling of Species Distributions with MaxEnt: New Extensions and a Comprehensive Evaluation. Ecography. 2008;(31): 161-175. Available from: http://dx.doi.org/10.1111/j.0906- 7590.2008.5203.x.

11. Gils H.A.M.J., Westinga E, Carafa M, Antonucci A, Ciaschetti G. Where the bears roam in Majella National Park, Italy. Journal for nature conservation. 2014; 22(1): 23-34. Available from: https://doi.org/ 10.1016/j.jnc.2013.08.001.

12. Brygadyrenko V, Avtaeva T, Matsyura A. Effect of global climate change on the distribution of Anchomenus dorsalis (Coleoptera, Carabidae) in Europe. Acta Biologica Sibirica. 2021;(7): 237-260. Available from: https://doi.org/10.3897/abs.7 .e72409.

13. Avtaeva TA, Sukhodolskaya RA, Brygadyrenko VV. Modeling the bioclimatic range of Pterostichus melanarius (Coleoptera, Carabidae) in conditions of global climate change. Biosystems Diversity. 2021;29(2): 140-150. Available from: doi:10.15421/012119.

14. AvtaevaTA, SukhodolskayaRA, SkripchinskyAV, BrygadyrenkoVV. Range of Pterostichus oblongopunctatus (Coleoptera, Carabidae) in conditions of global climate change. Biosystems Diversity. 2019;27(1): 76-84. Available from: doi: 10.15421/011912.

Размещено на Allbest.ru