HABITUS: Habitat Analysis and Biodiversity Integrated Toolkit for Unified Species Distribution Modelling
DOI:
https://doi.org/10.53463/ecopers.20260435Anahtar Kelimeler:
tür dağılım modellemesi- açık kaynak yazılım- makine öğrenmesi- ekolojik niş modellemesi- iklim değişikliğiÖzet
Tür dağılım modellemesi (TDM) koruma planlaması, biyocoğrafya ve iklim değişikliği etki değerlendirmesinin temelini oluşturur; ancak mevcut yazılımlar ya komut satırı yetkinliği gerektirmekte ya da araştırmacıyı birbirine bağlanması gereken çok sayıda ayrı aracı kullanmaya zorlamaktadır. Bu teknik not, TDM iş akışının tamamını tek bir grafik arayüzde toplayan ve ne programlama ne de ticari bir CBS yazılımı gerektiren masaüstü uygulaması HABITUS için uygulamalı bir kullanım kılavuzudur. Kılavuz, sekiz adımlı sıralı iş akışını baştan sona izler: tür kayıtlarının ve çevresel katmanların içe aktarılması, arka plan ve sözde-yokluk noktalarının üretilmesi, çoklu bağlantının VIF, korelasyon matrisi, koşul sayısı, temel bileşenler analizi ile LASSO ve Ridge düzenlileştirmesi kullanılarak taranması, on üç algoritmalık bir kitaplıktan model kurulması, gelecek iklim senaryolarına projeksiyon, alan değişiminin sayısallaştırılması, başarımın ROC eğrisi altında kalan alan, TSS ve sürekli Boyce indeksi ile değerlendirilmesi, bağımsız bir referans haritayla doğrulama ve on bölümlük otomatik raporun üretilmesi. Her adım, Türkiye genelinde 108 varlık kaydı ve 23 çevresel değişkenle yürütülmüş gerçek bir Pinus brutia Ten. (kızılçam) çözümlemesinden alınan ekran görüntüleriyle örneklenmiştir. Uygulamada test AUC değerleri 0,906–0,960 aralığında elde edilmiş; modelden bağımsız EUFORGEN yayılış haritasıyla karşılaştırıldığında %89,8 genel doğruluk ve 0,648 Kappa katsayısına ulaşılmıştır. Kılavuz ayrıca uygulamalı TDM çalışmalarında en sık karşılaşılan hataları — projeksiyon katmanlarının uyuşmaması, brüt yerine yalnızca net alan değişiminin raporlanması, bir haritanın kendisiyle doğrulanması ve tek bir çapraz doğrulama katmanına güvenilmesi — belgelemekte ve yazılımın tasarımının bunları nasıl engellediğini ya da görünür kıldığını açıklamaktadır.
Referanslar
Allouche, O., Tsoar, A., & Kadmon, R. (2006). Assessing the accuracy of species distribution models: prevalence, kappa and the true skill statistic (TSS). Journal of Applied Ecology, 43(6), 1223–1232.
Araújo, M. B., & New, M. (2007). Ensemble forecasting of species distributions. Trends in Ecology & Evolution, 22(1), 42–47.
Barbet-Massin, M., Jiguet, F., Albert, C. H., & Thuiller, W. (2012). Selecting pseudo-absences for species distribution models: how, where and how many? Methods in Ecology and Evolution, 3(2), 327–338.
Belsley, D. A., Kuh, E., & Welsch, R. E. (1980). Regression Diagnostics: Identifying Influential Data and Sources of Collinearity. New York: Wiley.
Boyce, M. S., Vernier, P. R., Nielsen, S. E., & Schmiegelow, F. K. A. (2002). Evaluating resource selection functions. Ecological Modelling, 157(2–3), 281–300.
Cohen, J. (1960). A coefficient of agreement for nominal scales. Educational and Psychological Measurement, 20(1), 37–46.
Dormann, C. F., Elith, J., Bacher, S., Buchmann, C., Carl, G., Carré, G., … Lautenbach, S. (2013). Collinearity: a review of methods to deal with it and a simulation study evaluating their performance. Ecography, 36(1), 27–46.
Elith, J., & Leathwick, J. R. (2009). Species distribution models: ecological explanation and prediction across space and time. Annual Review of Ecology, Evolution, and Systematics, 40, 677–697.
Fielding, A. H., & Bell, J. F. (1997). A review of methods for the assessment of prediction errors in conservation presence/absence models. Environmental Conservation, 24(1), 38–49.
Friedman, J. H. (2001). Greedy function approximation: a gradient boosting machine. The Annals of Statistics, 29(5), 1189–1232.
Goldstein, A., Kapelner, A., Bleich, J., & Pitkin, E. (2015). Peeking inside the black box: visualizing statistical learning with plots of individual conditional expectation. Journal of Computational and Graphical Statistics, 24(1), 44–65.
Guisan, A., & Thuiller, W. (2005). Predicting species distribution: offering more than simple habitat models. Ecology Letters, 8(9), 993–1009.
Hirzel, A. H., Le Lay, G., Helfer, V., Randin, C., & Guisan, A. (2006). Evaluating the ability of habitat suitability models to predict species presences. Ecological Modelling, 199(2), 142–152.
Hoerl, A. E., & Kennard, R. W. (1970). Ridge regression: biased estimation for nonorthogonal problems. Technometrics, 12(1), 55–67.
Liu, C., Berry, P. M., Dawson, T. P., & Pearson, R. G. (2005). Selecting thresholds of occurrence in the prediction of species distributions. Ecography, 28(3), 385–393.
O'Brien, R. M. (2007). A caution regarding rules of thumb for variance inflation factors. Quality & Quantity, 41(5), 673–690.
Pearson, R. G., Raxworthy, C. J., Nakamura, M., & Peterson, A. T. (2007). Predicting species distributions from small numbers of occurrence records: a test case using cryptic geckos in Madagascar. Journal of Biogeography, 34(1), 102–117.
Phillips, S. J., Anderson, R. P., & Schapire, R. E. (2006). Maximum entropy modeling of species geographic distributions. Ecological Modelling, 190(3–4), 231–259.
Tibshirani, R. (1996). Regression shrinkage and selection via the Lasso. Journal of the Royal Statistical Society: Series B, 58(1), 267–288.
Zurell, D., Franklin, J., König, C., Bouchet, P. J., Dormann, C. F., Elith, J., … Merow, C. (2020). A standard protocol for reporting species distribution models. Ecography, 43(9), 1261–1277.
İndir
Yayınlandı
Sayı
Bölüm
Lisans
Telif Hakkı (c) 2026 Sekizgen Academy
Bu çalışma Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License ile lisanslanmıtır.
