Towards More Accurate Species Distribution Modeling Through Enhanced Methods And Data Usage
Loading...
Files
Date
relationships.isAuthorOf
Publisher
Philipps-Universität Marburg
Abstract
The biodiversity crisis, which is recognized as one of the major challenges of our time, highlights the urgent need for effective nature conservation planning. With increasing rates of species extinction and habitat loss, the development of effective mitigation strategies has become a priority for researchers, policymakers, and conservationists alike. To combat this crisis, Species Dsitribution Modeling (SDM) is widely employed in research and conservation practice. SDM involves upscaling species occurrence points with environmental data to create area-wide maps of species distribution, which are used to support the identification of areas in need of protection, the monitoring of invasive species, the assessment of environmental niche dynamics under different climate change scenarios, and the identification of occurrence sites of rare species, among other applications.
However, despite its widespread use, SDM is not without challenges. The performance of species distribution models is influenced by the chosen model algorithms, parameter settings, and validation and testing strategy. Although these topics are often discussed in the literature, important recommendations for SDM, such as implementing spatial cross-validation strategies or fine-tuning model parameters for each species, are frequently overlooked. Another great challenge in SDM is the availability and quality of input data, including species occurrence records and environmental variables. Obtaining comprehensive and reliable data can be difficult, as field surveys are often limited by time and financial constraints. While globally available environmental variables, such as climate data, are commonly preferred for SDM, it remains uncertain whether they are also the most suitable variables.
Therefore, the overall aim of this thesis is to enhance SDM by developing advancements in methodology, and optimizing data usage and acquisition. These efforts can be divided into two main components: firstly, the refinement of methods, with a key focus on the development of a software extension for the popular and widely used SDM software Maxent. For this purpose, the software extension spatialMaxent is developed, which integrates spatial validation and tuning procedures. spatialMaxent improves model performance compared to traditionally trained Maxent models and is accessible for users across various expertise levels, as the software extension can be operated via a Graphical User Interface (GUI). Additionally, the usability of the software beyond nature conservation purposes is demonstrated by mapping tick attachment to humans in Switzerland to assist healthcare management.
Secondly, the thesis introduces innovative data usage and acquisition methods for SDM. To achieve this, an automated sensor network for biodiversity monitoring is developed, capable of automatically capturing species occurrences (such as bird species through audio recordings). Furthermore, a workflow for processing high-resolution optical satellite data is presented, and the value of heterogeneous LiDAR data for environmental modeling demonstrated. These detailed analysis-ready variables demonstrate greater value for modeling than widely available generic datasets, as demonstrated by their application in modeling endangered forest dwelling bat species using spatialMaxent.
In conclusion, this thesis improves SDM by introducing enhanced methodologies, as well as more reliable and detailed approaches to data usage and acquisition. These combined advancements improve the overall performance of SDMs, providing solutions that are beneficial for effective conservation planning and therefore, mitigating the biodiversity crisis.
Die aktuelle Biodiversitätskrise ist als eine der größten Herausforderungen unserer Zeit anerkannt und verdeutlicht damit die dringende Notwendigkeit, Naturschutzmaßnahmen schnell umzusetzen. Angesichts des schnell voranschreitenden Artensterbens und dem immer größeren Verlust von Lebensräumen gewinnt die Entwicklung von effizienten Gegenmaßnahmen für Forscher, politische Entscheidungsträger und Naturschützer immer weiter an Bedeutung. Um der Biodiversitätskrise entgegenzuwirken, findet die Artverbreitungsmodellierung weitreichende Anwendung in wissenschaftlicher Forschung und Naturschutzpraxis. In der Artverbreitungsmodellierung werden Erhebungen zum Vorkommen einer Art mit umfassenden Umweltdaten verschnitten um flächendeckende Karten zur Artenverbreitung zu erstellen. Diese Karten werden in vielfältigen Anwendungsfeldern, unter anderem zur Unterstützung bei der Identifizierung von Schutzgebieten, der Überwachung invasiver Arten, der Bewertung von Artverbreitung unter verschiedenen Klimawandelszenarien sowie der Identifizierung von Habitaten seltener Arten genutzt.
Trotz ihrer weit verbreiteten Anwendung ist die Erstellung von Artverbreitungsmodellen mit vielen Herausforderungen verbunden. Die Leistungsfähigkeit der Artverbreitungsmodelle hängt dabei maßgeblich von dem gewählten Modellalgorithmus, den gewählten Modellparametern und der Validierungs- und Teststrategie ab. Obwohl es für diese Prozesse Literaturempfehlungen gibt, wie etwa die Implementierung einer räumlichen Kreuzvalidierungsstrategie oder die Optimierung der Modellparameter für jede Art, werden diese häufig nicht umgesetzt. Eine weitere große Herausforderung liegt in der Verfügbarkeit und Qualität der Eingangsdaten, die aus Daten zum Artvorkommen und flächendeckenden Umweltvariablen bestehen. Die Akquise qualitativ hochwertiger Vorkommensdaten einer Art durch Experten im Feld wird von zeitlichen und finanziellen Ressourcen begrenzt. Zudem bleibt ungewiss, ob Umweltvariablen wie Klimadaten, die aufgrund ihrer globalen Verfügbarkeit häufig anderen Variablen vorgezogen werden, tatsächlich die am besten geeignetsten Variablen für die Artverbreitungsmodellierung sind.
Das übergeordnete Ziel dieser Dissertation ist es deshalb die Artverbreitungsmodellierung durch eine Weiterentwicklung der Methodik und eine optimierte Datennutzung zu verbessern. Die Verbesserung der Methodik wird durch die Entwicklung einer Softwareerweiterung für die in der Artverbreitungsmodellierung häufig verwendete Software Maxent erreicht. Die Softwareerweiterung spatialMaxent integriert räumliche Validierungsverfahren und Optimierung der Modellparameter und erhöht damit die Leistungsfähigkeit der Artverbreitungsmodelle im Vergleich zu traditionellen Modellierungsmethoden. spatialMaxent ist für Benutzende mit unterschiedlichen Fachkenntnissen zugänglich, da die Softwareerweiterung über eine grafische Benutzeroberfläche bedient werden kann. Zusätzlich wird die Anwendbarkeit der Softwareerweiterung über den Bereich des Naturschutzes hinaus demonstriert, indem mit spatialMaxent Zeckenbisse bei Menschen in der Schweiz kartiert werden, wodurch die Bevölkerung über mögliche Infektionsrisiken informiert und ein umfassendes Monitoringsystem durch die Gesundheitsbehörden unterstützt werden kann.
In dieser Dissertation werden zudem Methoden der Datenaufbereitung und Datenbeschaffung für die Artverbreitungsmodellierung vorgestellt. Dabei wird das Potenzial qualitativ hochwertiger Eingangsdaten und differenzierter Datenquellen für die Artverbreitungsmodellierung aufgezeigt. Dafür wird zum einen ein automatisiertes Sensorsystem für ein umfassendes Biodiversitätsmonitoring entwickelt, welches in der Lage ist, Artenvorkommen automatisch zu erfassen (z. B. Vogelarten durch Audioaufnahmen), die dann als Trainingsdaten für die Artverbreitungsmodellierung verwendet werden können. Zum anderen wird ein Workflow zur Verarbeitung hochauflösender optischer Satellitendaten vorgestellt und der Wert heterogener LiDAR-Daten für die Modellierung demonstriert. Bei der Modellierung gefährdeter Fledermausarten mit spatialMaxent zeigt sich, dass die Verwendung dieser Variablen zu besseren Modellergebnissen führt als die Verwendung global verfügbarer, generischer Datensätze.
Diese Dissertation verbessert die Artverbreitungsmodellierung, indem sie neue Modellierungsmethoden einführt, eine verbesserte Datenerfassung aufzeigt und darlegt, wie qualitativ hochwertige, detaillierte Daten zur Modelloptimierung beitragen. Diese Verbesserungen führen insgesamt zu einer höheren Leistungsfähigkeit der Artverbreitungsmodellierung und tragen so zu einem effektiveren Naturschutz bei, der die Auswirkungen der Biodiversitätskrise verringern kann.