Массивные базы данных о биоразнообразии улучшают прогнозы для экосистем

Исследователи из Университета Кордовы подтвердили, что крупные базы данных о биоразнообразии, в которые граждане вносят наблюдения за флорой, способны калибровать совместные модели распределения видов, даже если наблюдения проводились индивидуально. Для этого необходимо, чтобы было зафиксировано более 50% видов на изучаемой территории.

Чтобы предсказать, как изменение климата повлияет на распространение видов, например, пихты испанской (Abies pinsapo), недостаточно учитывать только климатические переменные. Для более точных прогнозов в математические модели необходимо включать и взаимоотношения между разными видами.

Поэтому научное сообщество переходит от моделей распределения видов, учитывающих только средовые факторы (климат, тип почвы), к коммунальным моделям, которые также учитывают взаимодействия между растениями. Однако данных о составе биологических сообществ для построения таких моделей не хватает, так как сбор информации часто ведётся по отдельным растениям.

Исследователи Диего Ньето и Даниэль Ромера провели первичный анализ использования оппортунистических баз данных о биоразнообразии (неструктурированных, содержащих индивидуальные наблюдения граждан) в совместных моделях распределения видов. Их работа опубликована в журнале Ecography.

«В принципе, эти базы данных не должны использоваться для калибровки коммунальных моделей, поскольку они содержат индивидуальные наблюдения, не учитывающие взаимосвязи между видами. Но мы задались вопросом: смогут ли они работать, имея миллиарды записей, и позволят ли моделям давать прогнозы с учётом этих взаимосвязей», — пояснил исследователь Ньето.

Методология исследования

Поскольку реальные базы данных, такие как GBIF (содержащая более трёх миллиардов записей), не всегда полны, исследователи для эксперимента создали искусственную базу данных. Это позволило точно проверить работу модели.

«Мы создали область исследования, распределение 10 разных видов и смоделировали разный уровень охвата реального распространения каждого. В одном сценарии было отобрано 10% всех мест, где встречается вид; в других — 25%, 50%, 90% и 100%», — объяснил Ньето.

Результаты

После калибровки модели с использованием индивидуальных данных разной степени полноты были получены два ключевых результата:

1. Модель точно предсказывала распределение видов по климатическим переменным, даже при небольшом объёме данных.
2. Модель успешно предсказывала межвидовые взаимодействия, при условии, что было зафиксировано от 50% до 75% видов в данной области.

«Результаты обнадёживают, поскольку модель способна рассчитывать взаимодействия, даже если у вас нет 100% записанных данных о видах», — заключили исследователи.

Как оценить полноту реальных баз данных?

Чтобы понять, содержат ли базы данных хотя бы 50% записей о реальном распространении видов, исследователи использовали метод оценки целостности данных на уровне пикселей. Они проанализировали лесные деревья Европы, сравнивая количество наблюдений в пикселе базы данных с общим количеством видов, наблюдаемых в этом пикселе. Чем выше уровень данных, тем лучше они отражают реальность.

Этот анализ предоставляет механизм для отбора информации из баз данных, которую следует использовать для калибровки коммунальных моделей и создания более точных прогнозов для дикорастущих видов растений.