Моделированиемфигура из шдм: Фигурки из шдм схемы. Поделки из воздушных шаров — мастер-класс и инструкция создания оригинальных поделок

Модели климатической оболочки относятся к более широкой категории моделей, называемых моделями распределения видов (SDM), которые могут включать все типы переменных окружающей среды (например, климат, тип среды обитания, землепользование, геология, влияние человека). (С этого момента мы будем использовать модель распространения видов, или SDM, для обозначения всех моделей в этом документе, независимо от включенных переменных.) Эти переменные среды и данные о встречаемости видов являются единственными входными данными, которые требуются для SDM. Хотя получение и подготовка этих данных является простой процедурой, у ученых, использующих SDM, есть много важных вариантов выбора, какие переменные среды использовать. Кроме того, существует важный выбор методов SDM, таких как алгоритм моделирования (функция, используемая для сопоставления данных о встречаемости видов и переменных окружающей среды) и процесс выбора переменных. Чтобы сделать SDM полезными при планировании будущих изменений окружающей среды, важно знать, как каждый из вариантов выбора входных данных и методов моделирования влияет на выходные данные модели. Чтобы измерить влияние этих вариантов, ученые могут построить две модели совершенно одинаковым образом, за исключением одного параметра (например, включая переменную землепользования или исключив ее), а затем сравнить результаты двух моделей. Модели можно сравнивать с использованием показателей производительности (которые показывают, насколько хорошо модель может предсказывать появление «независимых» видов, которые не используются для построения модели) и сравнения карт прогнозов (которые показывают, насколько похожи или различаются карты прогнозов из разных моделей). ). Этот документ обобщает несколько проектов, использующих SDM для угрожаемых и находящихся под угрозой исчезновения (T&E) и эндемичных видов позвоночных Флориды, чтобы изучить, как на выходные данные модели влияют выборы, сделанные в процессе моделирования. В таблице 1 обобщены варианты SDM, которые были охвачены в этих проектах, а также раздел(ы) в этом документе, в которых рассматривается каждый конкретный выбор, сила влияния каждого выбора на результаты SDM, а также рекомендации, относящиеся к каждому выбору, для ученых, занимающихся распределением видов. модели. В каждом из следующих разделов этого документа описываются рукописи, опубликованные в научных журналах, в которых изучался один или несколько вариантов; для получения дополнительной информации о любом конкретном исследовании см. соответствующую ссылку.

I. Выбор современных климатических данных

При использовании SDM для определения отношений между видами и текущим климатом пользователю сначала необходимо выбрать современный набор климатических данных. Чтобы определить, влияет ли выбор современного набора климатических данных на результаты SDM, мы использовали два разных набора климатических данных конца 20 9011-го -го века для построения моделей: CRU (Climate Research Unit; https://crudata. uea.ac. uk/cru/data/hrg) и WorldClim (http://www.worldclim.org/). Оба набора климатических данных (CRU и WorldClim) охватывают весь мир и используют долгосрочные наблюдения метеостанций (около 40 лет для каждой) для создания карт среднемесячной температуры и осадков. Однако исследовательские группы, которые распространяли два набора данных, использовали разные методы для их создания, и наборы данных также не полностью совпадают по географическому охвату, как показано на рис. 2.9.0003 Рисунок 2. Пример различий в пространственном охвате южной Флориды, Кубы и Багамских островов между двумя наборами современных климатических данных на основе сетки, Отделом исследований климата (CRU) и WorldClim.
Кредит: Дэвид Баклин

Для 12 видов T&E во Флориде мы использовали процесс отбора переменных, чтобы определить, какие месячные температуры и осадки больше всего связаны с присутствием видов. Затем мы использовали этот набор переменных для построения моделей с использованием наборов данных CRU и WorldClim.

Наши результаты для этих 12 видов показали, что ни производительность модели, ни прогностические карты (только для текущего периода времени) существенно не различались в зависимости от того, какой набор современных климатических данных использовался (Watling et al. 2014). На рисунке 3 показан пример этого для флоридской кустарниковой сойки ( Aphelocoma coerulescens ), показывающий, что общие закономерности прогностических карт с использованием двух разных наборов современных климатических данных очень похожи. Учитывая этот результат, мы не нашли причин отдавать предпочтение какому-либо из современных наборов климатических данных, заключив, что разработчики моделей могут основывать свой выбор набора данных на практических аспектах, таких как доступность, пространственное разрешение или географический охват.

II. Выбор будущих климатических данных

При выборе будущих климатических данных для прогнозирования SDM необходимо сделать множество вариантов из-за методов, которые ученые-климатологи используют для создания прогнозов будущего климата. Для прогнозирования климата на будущие десятилетия и столетия ученые-климатологи используют глобальные климатические модели (ГКМ), которые включают атмосферные, океанические, наземные, морские льды и другие соответствующие компоненты для моделирования глобальных климатических моделей. Глобальные климатические модели сложны и, как правило, дают прогнозы климата в грубом пространственном масштабе (т. е. один прогноз каждые 100–200 км; Maraun et al. 2010). В настоящее время в мире используется несколько десятков GCM. Кроме того, чтобы предсказать, как повышенный уровень углекислого газа (CO ₂ ) _{повлияет на будущий климат, каждый GCM может быть запущен с использованием нескольких будущих «сценариев», описывающих различные уровни содержания CO в атмосфере 2 . Сочетание всех этих факторов (сценарий GCM и CO 2 ) создает большое количество уникальных прогнозов будущего климата, из которых ученые могут выбирать.}

Чтобы проверить, насколько сильно выбор МОЦ влияет на SDM, мы спроецировали SDM 12 видов (описанных в предыдущем разделе) на будущее (2050 г.), используя 3 разных МОЦ. Результаты показали, что могут возникать расхождения между картами прогнозирования SDM с использованием различных будущих МОЦ, примером которых является флоридская сойка кустарниковая на рисунке 4 (Watling et al. 2014). Различия между картами прогнозов SDM с использованием разных МОЦ (в будущем) были выше, чем среди современных карт прогнозов (рис. 3), что указывает на меньшее сходство между будущими МОЦ, чем между современными наборами климатических данных.

III. Глобальные и региональные климатические модели

Глобальные климатические модели полезны для прогнозирования изменений климата на больших территориях (например, на континентах), но из-за их грубого масштаба они менее полезны для представления местного или регионального климата — масштабов, в которых обычно осуществляется планирование природоохранных мероприятий. Для решения этой проблемы ученые-климатологи часто разрабатывают сложные региональные климатические модели (РКМ) для «уменьшения масштаба» (создания более высокого разрешения) проекций ГКМ до гораздо более мелких масштабов (например, один прогноз каждые 1–50 км), но ограничиваются одним прогнозом. региона, используя информацию о факторах, влияющих на климат данного конкретного региона. В отличие от РКМ, другим методом уменьшения масштаба МОЦ является «статистическое» уменьшение масштаба, при котором используются статистические взаимосвязи между локальными и глобальными факторами, влияющими на климат, для уменьшения прогнозов МОЦ (для одного региона или всего мира), а не разработка новой климатической модели ( как в RCM).

Чтобы проверить влияние РКМ на статистически уменьшенные будущие климатические данные, используемые для SDM, мы получили уменьшенные климатические данные как из РКМ (Стефанова и др., 2012), так и из статистических (не РКМ) наборов данных (Табор и Уильямс, 2010) для 2 МОЦ и один климатический сценарий. Оба набора данных имеют разрешение ~10 км, и мы ограничили анализ юго-востоком США в период 2041–2060 гг. Затем мы создали модели для 14 видов T&E Флориды и спроецировали их, используя каждое из четырех различных представлений будущего климата.

Мы обнаружили, что тип будущих климатических данных в уменьшенном масштабе (RCM или не-RCM) способствовал умеренной или высокой вариации карт прогноза SDM (Bucklin et al. 2013). Например, для коршуна-улитки Эверглейд ( Rostrhamus sociabilis plumbeus ) карта прогнозирования SDM с использованием проекций без RCM предсказывает потерю пригодности на большей части южной Флориды, а карта с использованием проекций RCM — нет (рис. 5). Расхождения между прогностическими картами с использованием проекций RCM и не-RCM были аналогичны расхождениям между картами, использующими разные проекции GCM (как показано на рисунке 4). В целом, прогнозы РКМ и не-РКМ, как правило, расходятся больше в прогнозах будущих месячных осадков, чем в прогнозах температуры. Из-за важности воды во многих экосистемах Флориды прогнозы РКМ (которые предлагали более точные оценки осадков, чем прогнозы без РКМ) должны предлагать более точные прогнозы SDM для будущих пригодных территорий для дикой природы Флориды.

IV. Типы климатических переменных

Другим выбором, который должны сделать пользователи SDM, является тип климатических переменных для использования в процессе моделирования. Современные наборы климатических данных, такие как CRU и WorldClim, часто готовятся как среднемесячные значения (например, средняя температура в январе, среднее количество осадков в мае) или как биоклиматические переменные, которые описывают сезонные условия и/или экстремальные климатические явления (например, максимальная температура самого теплого месяца, осадки самого засушливого сезона). Биоклиматические переменные, как правило, считаются более информативными для SDM, потому что некоторые экстремальные климатические явления могут напрямую ограничивать виды из-за пределов устойчивости к определенным экстремально высоким, холодным, сухим или влажным условиям. Чтобы проверить это предположение, мы построили SDM, используя как месячные, так и биоклиматические переменные для 12 видов T&E во Флориде, и предсказали их распространение только для современного периода.

Мы не обнаружили различий в производительности моделей, построенных с использованием месячных и биоклиматических переменных (Watling et al. 2012). Тем не менее, мы заметили некоторые расхождения в картах предсказаний для некоторых видов, таких как американский крокодил ( Crocodylus acutus ; рис. 6). Кроме того, для SDM для видов с большими ареалами биоклиматические переменные могут быть предпочтительнее месячных из-за различий в сезонах между северным и южным полушариями (например, температура в январе соответствует середине зимы на севере, а середина лета — середине лета). на юге, а виды, встречающиеся в обоих полушариях, будут испытывать широкий спектр условий в один и тот же календарный месяц).

V. Включение неклиматических переменных

Хотя мы знаем, что климат является важной движущей силой распространения видов, мы также хотели узнать, насколько другие (неклиматические) переменные могут влиять на SDM при использовании в сочетании с климатом. Чтобы проверить это, мы сравнили модели, построенные только с климатическими переменными, с моделями, построенными с климатическими переменными плюс переменные из нескольких разных наборов (включая землепользование, влияние человека и экстремальные погодные условия). Модели были разработаны для 14 видов, эндемичных для Флориды, только для современного климатического периода.

Используя показатели, которые рассчитывают, насколько важны отдельные переменные в модели, мы обнаружили, что климатические переменные, как правило, гораздо важнее, чем неклиматические переменные, независимо от того, какие неклиматические переменные были с ними объединены (Bucklin et al. 2015). Показатели производительности не сильно отличались ни от одной из моделей, хотя мы обнаружили, что модели «климат + человеческое влияние» работали значительно лучше, чем модели, основанные только на климате, и что прогностические карты этих двух моделей также больше всего отличались друг от друга. Мы также обнаружили, что SDM, включающие предикторы, не связанные с климатом, имеют тенденцию давать более «уточненные» прогностические карты (прогнозируются меньшие подходящие области), как показано на прогностических картах для песчаного сцинка (9).0348 Neoseps reynoldsi ) на рисунке 7.

VI. Собираем все вместе

Чтобы получить единое представление о том, что в наибольшей степени способствует изменению производительности модели и карт прогноза, мы провели всесторонний «анализ неопределенностей», сосредоточив внимание на ряде вариантов входных данных и методов моделирования (некоторые из них также рассматривались в предыдущих разделах), в том числе:

• Набор современных климатических данных (см. раздел I)
• Глобальные климатические модели (ГКМ; см. раздел II)
• CO ₂ сценарий выбросов
• Алгоритм
• Процесс выбора переменных (некоррелированные или без удаления коррелированных переменных)

Этот анализ выявил относительный вклад каждого фактора в изменение SDM (неопределенность). Были запущены модели для 15 видов для каждой комбинации 7 факторов, в результате чего было получено 48 различных моделей и карт прогнозов для современного периода и 288 карт прогнозов (48 × 6 будущих представлений климата) для будущего периода времени (для каждого вида). .

Мы обнаружили, что на производительность модели и пространственные прогнозы больше всего повлиял алгоритм моделирования, примененный в SDM, который значительно перевешивал все другие факторы (Watling et al. 2015). (Однако важно отметить, что во многих исследованиях SDM разработчики моделей не используют более одного алгоритма.) Однако в картах прогнозов небольшое количество вариаций также было связано с GCM (для будущих прогнозов) и выбором переменных. процесса (рис. 8). Кроме того, различия в картах были больше на северных окраинах ареалов видов, и ожидается, что в этом направлении многие виды Флориды будут перемещаться по мере потепления климата. Эти результаты дают сильную поддержку методам «ансамбля» для SDM. Методы ансамбля учитывают неопределенность фактора путем объединения моделей, построенных с использованием нескольких различных версий фактора. Например, пользователи SDM, использующие ансамблевые методы, могут комбинировать прогностические карты из нескольких алгоритмов, ГКМ или даже видов (если они рассматривают, как группа видов может реагировать на изменение климата). Метод ансамбля выделяет области совпадений (и несоответствий) между моделями, давая пользователям более высокий уровень уверенности в своих прогнозах.

Заключение

Хотя SDM основаны на упрощенных предположениях об отношениях видов с окружающей средой, они по-прежнему являются важным инструментом для понимания того, как дикая природа может реагировать на изменения окружающей среды, и в частности на изменение климата. В этом документе кратко изложено, как определенные входные данные и варианты моделирования могут повлиять на результаты SDM для T&E и эндемичных видов во Флориде. Наши результаты относительно силы влияния каждого выбора на выходные данные модели (как показатели производительности модели, так и карты прогнозов), а также рекомендации относительно каждого из этих вариантов приведены в таблице 19.0003

Результаты этой работы показывают, что ученые, создающие SDM для оценки реакции дикой природы на будущее изменение климата, должны сосредоточиться на использовании ансамбля нескольких алгоритмов для проектирования моделей для нескольких различных представлений будущего климата. Для региональных исследований может быть полезно использовать наборы данных региональной климатической модели (RCM) с более высоким разрешением, когда они доступны. Кроме того, неклиматические переменные могут вносить важную информацию в SDM, особенно когда разработчики моделей имеют конкретные знания о том, как эти переменные связаны с видами, и хотят получить более конкретные прогнозы ареалов.

Благодаря лучшему пониманию факторов, влияющих на производительность и прогнозы SDM, мы можем обеспечить более точные оценки достоверности прогнозов SDM. SDM обычно могут предсказать, как районы с подходящим климатом могут измениться для определенного вида, но сами по себе они не могут сказать нам, как определенный вид на самом деле отреагирует на изменения климата. В общем, вид может реагировать на изменение климата тремя способами: приспособиться к новым условиям на месте, переселиться в новые районы с подходящим климатом или вымереть. Для некоторых видов (например, ареалы обитания которых ограничены небольшими островами) перемещение в новые районы может оказаться невозможным. SDM могут использоваться при планировании сохранения, целью которого является предоставление видам возможности адаптироваться на месте и (для тех, кто в состоянии) перемещаться в новые подходящие районы. Такое планирование, вероятно, сведет к минимуму потерю биоразнообразия из-за изменения климата.

Ссылки

Баклин, Д.Н., Дж.И. Уотлинг, К. Сперотерра, Л. А. Брандт, Ф. Дж. Маззотти и С. С. Романьяк. 2013. «Влияние уменьшения масштаба климата на прогностические экологические модели: тематическое исследование угрожаемых и исчезающих позвоночных на юго-востоке США». Региональные экологические изменения 13(1): 57–68. DOI: 10.1007/s10113-012-0389-z

Баклин, Д.Н., М. Базиль, А.М. Benscoter, L.A. Brandt, F.J. Mazzotti, S.S. Romañach, C. Speroterra и J.I. Уотлинг. 2015. «Сравнение моделей распространения видов, построенных с использованием различных подмножеств предикторов окружающей среды». Разнообразие и распространение 21: 23-35. DOI: 10.1111/ddi. 12247

Мараун, Д., Ф. Веттерхал, А.М. Айресон, Р.Э. Чендлер, Э.Дж. Кендон, М. Видманн и др. 2010. «Уменьшение количества осадков в условиях изменения климата: последние разработки, направленные на преодоление разрыва между динамическими моделями и конечным пользователем». Обзоры геофизики 48(3): RG3003. DOI: 10.1029/2009RG000314

Пирсон, Р.Г. и Т.П. Доусон. 2003. «Прогнозирование воздействия изменения климата на распространение видов: полезны ли модели биоклиматической оболочки?» Глобальная экология и биогеография 12(5): 361–371. DOI: 10.1046/j.1466-822X.2003.00042.x

Стефанова Л., В. Мишра, С. Чан, М. Гриффин, Дж.Дж. О’Брайен и Т.Дж. Смит III. 2011. «Прокси для регионального повторного анализа с высоким разрешением для юго-востока США: оценка изменчивости осадков в повторном анализе с динамически уменьшенным масштабом». Динамика климата 38 (11-12): 2449–2466. DOI: 10.1007/s00382-011-1230-y

Табор, К. и Дж.В. Уильямс. 2010. «Глобально уменьшенные климатические прогнозы для оценки воздействия изменения климата на сохранение». Экологические приложения 20(2): 554–565. DOI: 10.1890/09-0173.1

Watling, J.I., S.S. Romañach, D.N. Bucklin, C. Speroterra, L.A. Brandt, L.G. Перлстайн и Ф. Дж. Маццотти. 2012. «Улучшают ли биоклиматические переменные производительность моделей климатической оболочки?» Экологическое моделирование 246: 79–85. DOI: 10.1016/j.ecolmodel.2012.07.018

Уотлинг, Дж.И., Р.Дж. Флетчер, К. Сперотерра, Д.Н. Баклин, Л.А. Брандт, С.С. Романьяч, Л.Г. Перлстайн, Ю. Эскрибано и Ф. Дж. Маццотти. 2014. «Оценка влияния вариаций наборов глобальных климатических данных на пространственные прогнозы на основе моделей климатической оболочки». Журнал управления рыболовством и дикой природой 5 (1): 14–25. DOI: 10.3996/072012-JFWM-056

Уотлинг, Дж. И., Л. А. Брандт, Д. Н. Баклин, И. Фуджисаки, Ф. Дж. Маззотти, С. С. Романьяч и К. Сперотерра. 2015. «Показатели производительности и разделение дисперсии выявляют источники неопределенности в моделях распространения видов». Экологическое моделирование 309–310: 48–59. DOI: 10.1016/j.ecolmodel.2015.03.017

Таблица 1.

Варианты выбора, связанные с переменными SDM и процессом моделирования, разделы, которые охватывают каждый вариант в этом документе, силу влияния выбора на выходные данные SDM и рекомендации для пользователей SDM, основанные на работе, посвященной T&E Флориды и эндемичным видам.

Просмотр

Публикация #WEC375

Дата: 25.11.2019

• Романьяк, Стефани С.
• Маццотти, Франк
• Брандт, Лаура А
• Бас ille, Mathieu

Ft Lauderdale REC

Дикая природа Экология и охрана природы

СВЯЗАННЫЕ ТЕМЫ

• Изменение климата
• Управление дикой природой

• Критический вопрос: природные ресурсы и окружающая среда

Об этой публикации

Это документ WEC375, один из серии Департамента экологии и охраны дикой природы, UF/IFAS Extension.