Methods in Ecology and Evolution最新文献

英文中文

HSC3D: A Python package to quantify three-dimensional habitat structural complexity HSC3D：量化三维生境结构复杂性的 Python 软件包

IF 6.6 2区环境科学与生态学 Q1 Agricultural and Biological Sciences

Methods in Ecology and Evolution

Pub Date : 2024-02-27 DOI: 10.1111/2041-210X.14305

Yi-Fei Gu, Jiamian Hu, Kai Han, Jackson W. T. Lau, Gray A. Williams

1 引言栖息地结构复杂性（以下简称 HSC）与多个生态系统的空间组织、生态功能和恢复力有关，已被广泛研究（Menge & Sutherland, 1976; Richardson 等人，2017; Thrush 等人，2008）。一般来说，较高的 HSC 往往会在多个空间尺度上提供更广泛的潜在壁龛（Gámez & Harris, 2022; Hutchinson, 1957; Levin, 1992），从而从机制上支持相关类群的多样化和丰富群落（Graham & Nash, 2013; Loke & Todd, 2016）。然而，HSC 是一个模棱两可的总称，没有公认的定义（McElhinny 等人，2005 年），因此应用了多种指标来衡量这一属性，其中一些指标是针对特定生态系统的，例如海草（Hovel 等人，2002 年）；森林（Atkins 等人，2018 年，2023 年）；珊瑚礁（Torres-Pulliza 等人，2020 年）。然而，在不考虑数据来源或计算过程的情况下直接移植不同生态系统的指标，不可避免地会造成观察者偏差，甚至与物种丰富度模式产生错误的弱相关性（见 Loke & Chisholm, 2022; McAbendroth et al.）随着摄影测量和计算机视觉的发展，结构-运动摄影测量点云正变得越来越容易获取，并成为高保真地表现三维环境的普遍数据源（见 D'Urban Jackson 等人的综述，2020 年）。虽然不同设备和生成算法所产生的摄影测量点云的数据质量和数量各不相同，但与 2.5D 光栅（即 DEM、DSM、DTM）相比，这些点云描述的是特征密集型三维信息（即点级空间坐标），从而减轻了观察者对结构内物体的偏差（Kobler 等人，2007 年）。然而，处理摄影测量点云仍然具有挑战性，因为它们是在没有通用空间尺度的不规则非欧几里得域上生成的（Fernandes 等人，2021 年）。与栅格数据相比，此类数据可能不那么直观（见附录 A：方框 1），而且几乎不可能在摄影测量点云上直接应用基于栅格的度量（Sappington 等人，2007 年）。为了用数学上定义明确的度量来解释从摄影测量点云中得出的 HSC，本研究提出了一个 Python 软件包 HSC3D，供研究人员使用并适应其特定需求。该软件包提供传统和新颖的三维度量，并结合绘图功能来说明所实施算法的机制，从而提高 HSC 解释的透明度和可重复性。详细的软件包教程请访问 https://github.com/Vicellken/HSC3D。为了展示研究人员如何利用摄影测量点云并探索 HSC 对生态系统模式和过程的影响，我们以结构复杂的岩石海岸双壳贝床为例进行了案例研究。

引用次数: 0

Deep learning- and image processing-based methods for automatic estimation of leaf herbivore damage 基于深度学习和图像处理的叶片食草动物损害自动估算方法

IF 6.6 2区环境科学与生态学 Q1 Agricultural and Biological Sciences

Methods in Ecology and Evolution

Pub Date : 2024-02-27 DOI: 10.1111/2041-210X.14293

Zihui Wang, Yuan Jiang, Abdoulaye Baniré Diallo, Steven W. Kembel

在应用科学和基础科学中，量化叶片食草压力的强度对于理解植物与食草动物之间的相互作用至关重要。目测估算和数字分析常用于估算叶片食草动物的伤害，但这些方法耗时较长，限制了可收集的数据量，无法回答需要对食草动物压力进行大规模采样的全局性问题。深度学习的最新发展为自动收集各种来源的生态数据提供了潜在工具。然而，大多数应用都集中在识别和计数方面，缺乏用于定量估计叶片食草动物危害的深度学习工具。在这里，我们训练了生成式对抗网络（GANs）来预测受损叶片的完好状态，并应用图像处理技术来估算叶片受损的面积和百分比。我们首先介绍了收集叶片图像、训练 GAN 模型、预测完好叶片和计算叶片面积的程序，并提供了一个 Python 软件包，以便实际应用这些程序。然后，我们收集了一个大型叶片数据集来训练一个通用深度学习模型，并开发了一个在线应用程序 HerbiEstim，以便直接使用预训练模型来估算叶片的食草动物伤害。我们使用模拟和真实的叶片损伤数据对这些方法进行了测试。我们研究中提供的程序大大提高了叶片食草动物伤害估算的效率。测试表明，重建的受损叶片图像与地面实况图像的相似度高达 98.8%。叶片食草动物伤害估计的平均均方根误差为 1.6%，表现出较高的准确性，并且普遍适用于不同的植物类群和叶片形状。总之，我们的工作证明了应用深度学习技术量化叶片食草动物强度的可行性。使用 GANs 可以自动估算叶片损伤，这是该方法的一大优势。Python 软件包和带有预训练模型的在线应用程序将有助于使用我们的方法分析植物与食草动物相互作用的大型数据集。

引用次数: 0

A framework to study and predict functional trait syndromes using phylogenetic and environmental data 利用系统发育和环境数据研究和预测功能特征综合征的框架

IF 6.6 2区环境科学与生态学 Q1 Agricultural and Biological Sciences

Methods in Ecology and Evolution

Pub Date : 2024-02-23 DOI: 10.1111/2041-210X.14304

Pablo Sanchez-Martinez, David D. Ackerly, Jordi Martínez-Vilalta, Maurizio Mencuccini, Kyle G. Dexter, Todd E. Dawson

性状并不是孤立进化的，而往往是综合性状综合征的一部分，然而环境效应和进化历史对性状及其相关性的相对贡献并不容易解决。在本研究中，我们建立了一个方法框架，以阐明功能性状综合体的生态进化模式。为此，我们将与系统发育遗传和环境变量（环境系统发育保守性）、仅与系统发育遗传（非归因系统发育保守性）和仅与环境变量（进化易变的环境效应）相关的方差和协方差进行了分离。性状综合征的方差-协方差结构以网络形式显示。然后，我们利用这一框架来指导一种新衍生的估算方法，该方法基于机器学习模型，可预测未取样类群的性状值，同时考虑环境和系统发育信息以及性状协方差。TrEvol 是一个 R 软件包，提供了一套统一的方法来研究和预测多变量性状模式，并提高我们的性状值估算能力。为了说明其用途，我们利用模拟数据以及与水力学和叶片经济光谱相关的物种水平性状，结合干旱指数，证明大多数性状相关性可归因于环境系统发育保守性。这一概念框架可用于研究从不同系统发育深度的性状适应进化到种内性状变异等问题。

引用次数: 0

MoonShine: A software-hardware system for simulating moonlight ground illuminance and re-creating artificial moonlight cycles in a laboratory environment MoonShine：在实验室环境中模拟月光地面照度和再现人工月光周期的软硬件系统

IF 6.6 2区环境科学与生态学 Q1 Agricultural and Biological Sciences

Methods in Ecology and Evolution

Pub Date : 2024-02-23 DOI: 10.1111/2041-210X.14299

Lok Poon, Ian T. Jenks, W. G. R. Crampton

月光对动物的生态、行为和生理有着深远的影响。然而，月光周期的特点是光照度和光照时间的复杂变化，这使得在实验室中使用人造光重新创造和操纵月光周期具有挑战性。因此，有关月光周期影响的生态实验并不常见，而且现有的研究往往过于简化月光的再现。这种局限性延伸到光污染对夜间动物影响的实验研究中，这些研究往往不能充分反映自然夜间光线。为了解决缺乏重现和操纵月光周期的开源解决方案的问题，我们开发了软硬件结合的 MoonShine 系统。该系统由两部分组成：(1）MoonShineR，一个带有附加 R 脚本的 R 软件包，可在指定地点和时间范围内，以定义的时间间隔预测月光地面照度（以勒克斯为单位）；（2）MoonShineP，一个在 Raspberry Pi 计算机上运行的 Python 程序，可使用 MoonShineR 的照度值逐渐调暗和调亮由可单独寻址的 LED 组成的漫射阵列，从而在实验室环境中重新创建逼真的自然光环境。MoonShine 具有多种功能，可以重新创建和操纵光照周期。它支持 LED 灯光的颜色变换（通过调整 RGBW 强度比），以接近自然月光的光谱，并模拟特定的生境条件或某些类型的光污染。我们通过与赤道和温带纬度地点的实地辐射计测量结果进行比较，测试了 MoonShineR 预测月光照度的准确性。我们将测量到的 LED 照度与预期值进行了比较，并将测量到的 LED 光谱与自然月光进行了比较，从而证明了 MoonShineP 重现月光的准确性。通过 MoonShine，研究人员可以在实验室中重现一系列自然夜间照明场景。它可用于以相对逼真的光谱组成重现完整的自然月光周期，生成可操控的月光时间表，或模拟光污染。此外，MoonShineR 预测的月光照度对于需要将月光作为定量模型预测指标的野外生态学家也很有用。最后，为了给实验室饲养的动物提供完整的昼夜光照周期，MoonShine 还允许研究人员重新创建自然黄昏和日照制度。

引用次数: 0

Empirical dynamic programming for model-free ecosystem-based management 无模型生态系统管理的经验动态程序设计

IF 6.6 2区环境科学与生态学 Q1 Agricultural and Biological Sciences

Methods in Ecology and Evolution

Pub Date : 2024-02-23 DOI: 10.1111/2041-210X.14302

Stephan B. Munch, Antoine Brias

以生态系统为基础的定量管理通常依赖于假设的生态系统模型，除了研究最深入的系统外，这些模型都很难得到验证。在这里，我们开发了一种基于观测动态驱动的预测模型的管理方案。我们表明，通过合并经验动态建模和随机动态编程，可以从时间序列数据中构建近乎最优的管理策略。经验动态编程方法在我们研究的案例中表现良好，优于常用的单一物种替代方法。我们预计，在生态系统动态不确定或对系统的观测未涵盖所有相关物种的情况下，无模型生态系统管理法将大有用武之地。

引用次数: 0

Connectivity conservation planning through deep reinforcement learning 通过深度强化学习进行连接保护规划

IF 6.6 2区环境科学与生态学 Q1 Agricultural and Biological Sciences

Methods in Ecology and Evolution

Pub Date : 2024-02-22 DOI: 10.1111/2041-210X.14300

Julián Equihua, Michael Beckmann, Ralf Seppelt

联合国已宣布 2021-2030 年为 "生态系统恢复十年"，目的是预防、阻止和扭转世界生态系统的退化，而这种退化往往是由自然景观的破碎化造成的。人类活动将栖息地分割和包围，使它们变得太小，无法维持可生存的动物种群，或者相隔太远，无法进行觅食和基因流动。尽管需要制定战略来解决破碎化问题，但如何有效地重新连接自然仍是一个未知数。在本文中，我们阐述了深度强化学习（DRL）在解决连通性保护规划的空间优化方面的潜力。空间优化问题的复杂性会随着输入变量及其状态的数量而急剧增加，这已经成为并将继续成为空间优化问题最严重的障碍之一。DRL 是一类新兴的方法，主要用于训练深度神经网络以解决决策任务，并已被用于学习复杂优化问题的良好启发式方法。虽然 DRL 在优化保护决策方面潜力巨大，但其应用实例却寥寥无几。我们将 DRL 应用于两个真实世界的栅格数据集，以基于图的连通性指数为优化目标，进行连通性规划。我们表明，DRL 在一个小例子中收敛到了已知的最佳值，该例子的目标是整体改善连通性积分指数，唯一的约束条件是预算。我们还表明，在一个大型实例中，DRL 近似于高质量解决方案，该实例具有额外的成本和空间配置约束，目标是更复杂的连接性概率指数。据我们所知，目前还没有软件能针对这一指数对如此规模的栅格数据进行优化。在复杂的空间优化问题中，DRL 可用于近似求得良好的解决方案，即使保护特征是非线性的，如基于图形的指数。此外，我们的方法将优化过程与指数计算分离开来，因此它有可能针对当前或未来软件中实施的任何其他保护特征。

引用次数: 0

A kernel integral method to remove biases in estimating trait turnover 在估计性状周转率时消除偏差的核积分法

IF 6.6 2区环境科学与生态学 Q1 Agricultural and Biological Sciences

Methods in Ecology and Evolution

Pub Date : 2024-02-22 DOI: 10.1111/2041-210X.14246

Guillaume Latombe, Paul Boittiaux, Cang Hui, Melodie A. McGeoch

性状多样性（包括性状更替）根据物种和群落的功能区分它们的作用，是生物多样性的基本组成部分。准确捕捉性状多样性对于更好地理解和预测群落组合以及全球变化对群落恢复力的影响至关重要。计算性状周转率的现有方法有其局限性。基于最小凸多边形的性状空间方法只考虑具有极端性状值的物种。基于树状图的方法考虑了所有物种，但扭曲了物种之间的性状距离。最近出现的使用复杂多边形的性状空间方法试图协调这两种方法的优点，但其目前的实施存在数学缺陷。我们提出了一种新的核积分法（KIM）来计算性状周转率，这种方法基于核密度估计值（KDE）的积分，而不是使用多面体。我们探讨了这种方法和 KDE 计算的计算方面如何影响性状周转率的估计。我们使用合理的理论预期，对大量模拟进行了比较，其中物种数量及其性状分布都得到了控制，并将新方法与现有方法进行了比较。然后，利用法属波利尼西亚太平洋群岛引进的植物物种数据演示了 KIM 的实际应用。对模拟数据的分析表明，与其他方法相比，KIM 得出的结果更符合理论预期，而且对物种总数的敏感度较低。对法属波利尼西亚数据的分析还表明，不同的方法可以得出不同的性状更替结论，因此应根据研究问题仔细考虑方法的选择。计算性状更替的方法的数学特性是需要考虑的关键，因为它们会对结果产生重要影响，从而导致不同的结论。与其他方法相比，本文提供的新型 KIM 方法生成的数值能更好地反映物种在性状空间中的分布。因此，我们建议在性状更替研究中使用 KIM。相比之下，基于树的方法应保留用于系统发育多样性的研究，因为系统发育树可以反映物种的演化过程。

引用次数: 0

Strengthening resilience potential assessments for coral reef management 加强珊瑚礁管理的复原力潜力评估

IF 6.6 2区环境科学与生态学 Q1 Agricultural and Biological Sciences

Methods in Ecology and Evolution

Pub Date : 2024-02-21 DOI: 10.1111/2041-210X.14303

Mishal Gudka, David Obura, Eric A. Treml, Emily Nicholson

1 引言珊瑚礁是世界上最具生物多样性和价值的生态系统类型之一（Adey，2000；Anthony 等人，2017），但也是最受威胁的生态系统之一（Bellwood 等人，2019；Burke 等人，2011；Halpern 等人，2015；Hoegh-Guldberg 等人，2017），其原因是气候驱动和地方压力的程度和频率不断增加（Anthony 等人，2017；Beyer 等人，2018；Costa 等人，2020）。有效的评估对于做出有关珊瑚礁管理和保护的明智决策至关重要（Dixon 等，2021 年；Obura 等，2019 年；Pressey 等，2017 年）。一个明确的优先事项是确定哪些珊瑚礁可能对干扰具有更强的复原力，从而保留其生物多样性、生态系统功能和价值（Darling & Côté, 2018; Hock 等人，2017; Macharia 等人，2016）、基于恢复力的管理从动态和适应性的角度出发，加强促进恢复力的自然过程，可包括社会和生态层面（Gibbs & West, 2019; Harvey et al.）生态恢复力是生态系统在受到干扰后保持或恢复状态、功能和结构的能力（见方框 1）。尽管基于恢复力的管理具有潜力，但在珊瑚礁管理和保护规划中仍未得到充分利用，尤其是在发展中国家（Bates 等人，2019 年；Roche 等人，2018 年），部分原因是恢复力的概念难以操作化（Angeler & Allen, 2016 年；Maynard 等人，2010 年；Mumby 等人，2014 年）。生态恢复力的明确定义和量化指标是管理中可操作性的必要基础（方框 1），但其解释和实施在全球范围内各不相同（Lam 等人，2017 年；Maynard 等人，2017 年；Standish 等人，2014 年）、恢复力 "最初是由 Holling 在 20 世纪 70 年代为生态系统定义的，指系统 "吸收变化和干扰并仍能保持种群或状态变量之间相同关系 "的能力（Holling，1973 年）。此后，这一概念被以各种方式用于各种复杂系统。例如，"工程复原力 "是指生态系统在受到干扰后恢复到原始状态的速度，而 "生态复原力 "则适用于具有多种稳定状态的系统，并与向交替状态的转变有关（Angeler & Allen, 2016; Nyström et al.）我们的定义与 Holling 的声明一致，同时仍具有时代性：生态恢复力是生态系统在受到干扰后保持或恢复状态、功能和结构的能力（Cumming 等人，2017 年；Harvey 等人，2018 年；Roche 等人，2018 年）、恢复力在很大程度上是一种学术追求，因为管理者和政策制定者在使其具有可操作性方面面临挑战（Maynard 等人，2010 年；Mumby 等人，2014 年；Obura，2005 年；West & Salm，2003 年）。为使生态复原力概念在管理应用中发挥作用，一个简单实用的前进路径建议是通过复原力潜力评估。恢复力潜力是实际恢复力的替代物，并不直接测量恢复力。相反，它试图预测珊瑚礁应对干扰的 "潜力"，并已在世界多个国家得到应用（Lam 等人，2020 年；McLeod 等人，2021 年）。一般采用生态系统过程和特征的定量指标，这些指标会影响抵御干扰（如珊瑚群落的热敏感性）和/或从干扰中恢复（如珊瑚招募、食草动物）。然后，通常会将多个指标组合成综合指数，并根据复原潜力、面临的威胁和其他因素对珊瑚礁进行排序。复原力的生态方面也可与社会经济复原力和治理方面一起考虑（Cinner & Barnes，2019 年）。早期将复原力纳入管理的工作，如 Obura（2005 年）、Obura 等人（2006 年）、Salm 等人（2001 年）以及 West 和 Salm（2003 年）的工作，最终形成了基于 61 个复原力指标评估珊瑚礁生态复原力 "潜力 "的首个正式方法（Obura & Grimsditch，2009 年）。此后，恢复力潜力评估已成为全球珊瑚礁恢复力最广泛使用的操作方法（McLeod 等人，2021 年）。这些评估可用作决策支持工具，为珊瑚礁管理者提供符合当地情况的信息，以确定保护区域和行动的优先次序（Bachtiar 等人，2019 年；Ladd & Collado-Vides，2013 年；McLeod 等人，2021 年）。在过去二十年中，环境决策和指标设计科学得到了发展（Bundy 等人，2019 年），与此同时，复原力科学也得到了发展（Angeler & Allen，2016 年；Cumming 等人，2017 年；Roff & Mumby，2012 年）。

引用次数: 0

Exploring deep learning techniques for wild animal behaviour classification using animal-borne accelerometers 探索利用动物本体加速度计进行野生动物行为分类的深度学习技术

IF 6.6 2区环境科学与生态学 Q1 Agricultural and Biological Sciences

Methods in Ecology and Evolution

Pub Date : 2024-02-21 DOI: 10.1111/2041-210X.14294

Ryoma Otsuka, Naoya Yoshimura, Kei Tanigaki, Shiho Koyama, Yuichi Mizutani, Ken Yoda, Takuya Maekawa

1 引言1.1 利用时间序列传感器数据对野生动物进行行为分类了解动物在何时、何地以及在做什么是理解动物行为的基础。生物记录是一种现代研究技术，它利用动物携带的数据记录器记录各种时间序列传感器数据，如加速度、温度、水深和位置数据（Fehlmann & King, 2016; Yoda, 2019）。在现有传感器中，加速度传感器通常用于重建动物行为，因为许多行为都以独特的加速度信号模式为特征（Yoda 等人，1999 年）。一旦通过视频或直接观察（即标记或注释）确认了加速度信号与行为之间的关系，就可以通过监督学习开发出 "行为分类器"。然后，就可以利用这些分类器计算行为时间分配（Yoda 等人，2001 年），并从加速度信号中识别特定行为，如捕获猎物（Watanabe & Takahashi, 2013 年）。最近，经典的机器学习方法，即通常需要特征工程的非深度学习机器学习方法（本研究中的术语解释见表 S1），成功地对动物行为进行了分类。以往的研究利用各种机器学习模型和加速度数据对包括鸟类和哺乳动物在内的各种动物的行为进行了分类（Fehlmann 等人，2017 年；Nathan 等人，2012 年；Yu 等人，2021 年）。例如，Nathan 等人（2012 年）测试了五种经典机器学习模型对狮鹫行为分类的有效性：线性判别分析 (LDA)、支持向量机 (SVM)、决策树 (DT)、随机森林 (RF) 和人工神经网络 (ANN)。Yu 等人（2021 年）对五个物种进行了 XGBoost 以及 LDA、DT、SVM、RF 和 ANN 的测试。虽然他们主要侧重于寻找适合机载行为分类的模型，但他们证明 SVM、RF、ANN 和 XGBoost 在 F1 分数或总体准确率方面通常表现更好。此外，还采用了其他方法，如 k 近邻（Sur 等人，2017 年）和隐马尔可夫模型（Leos-Barajas 等人，2017 年）。只有少数研究利用深度学习对使用时间序列传感器数据的野生动物行为进行分类。虽然不是基于加速度的行为分类，但 Browning 等人（2018 年）使用多层感知器利用 GPS 数据预测了三种海鸟的潜水行为。Roy 等人（2022 年）通过使用卷积神经网络（CNN）和 U-Net 来预测海鸟的潜水行为，从而扩展了他们的工作。最近，霍夫曼等人（2023 年）将 CNN 和门控递归单元等深度学习模型应用于九个物种的数据集。因此，在最近的生物记录研究中，有几个将深度学习应用于时间序列传感器数据的例子；不过，这一领域仍处于早期发展阶段。1.2 家养动物和人类的行为分类技术基于深度学习的行为分类技术已被广泛应用于家养动物和人类研究中（如 Pan 等人，2023 年；Singh 等人，2021 年）。在对包括马和哺乳母猪在内的家畜进行基于加速度的行为分类时，深度学习模型（如 CNN）已被开发为一种自动监测行为并获取动物健康和福利信息的技术（如 Eerdekens 等人，2020 年；Pan 等人，2023 年）。在人类活动识别（HAR）方面，Ordóñez 和 Roggen（2016 年）证明，结合了 CNN 和 LSTM 的 DeepConvLSTM（DCL）在日常活动和流水线工人活动数据集上取得了很高的性能。Singh 等人（2021 年）提出了一种在 DCL 架构之后增加了一个自我注意层的模型（本研究中称为 DeepConvLSTMSelfAttn（DCLSA）），该模型在各种人类活动数据集上的表现优于 DCL。最近，在工业领域开展了 HAR 研究，重点关注更具体、更复杂的任务。Xia 等人（2022 年）提出了基于注意力的神经网络来识别高绩效和低绩效工人的技能。Yoshimura, Maekawa 等人（2022 年）提出了基于注意力的神经网络来识别高绩效和低绩效工人的技能。

引用次数: 0

Scalable phylogenetic Gaussian process models improve the detectability of environmental signals on local extinctions for many Red List species 可扩展的系统发育高斯过程模型提高了环境信号对许多红色名录物种局部灭绝的可探测性

IF 6.6 2区环境科学与生态学 Q1 Agricultural and Biological Sciences

Methods in Ecology and Evolution

Pub Date : 2024-02-15 DOI: 10.1111/2041-210X.14291

Misako Matsuba, Keita Fukasawa, Satoshi Aoki, Munemitsu Akasaka, Fumiko Ishihama

1 引言气候变化和土地覆被变化是物种灭绝的主要驱动因素（Di Marco 等，2018 年，2019 年；Powers & Jetz，2019 年）。当前的物种灭绝风险已经比自然界高出约 100-1000 倍（Pimm 等人，2014 年），而且生物多样性衰退的风险还在继续增加（Butchart 等人，2010 年）。保护生物学家现在面临着一项具有挑战性的任务，即通过阐明与环境因素相关的物种衰退原因并预测其未来，来降低日益增多的濒危物种的灭绝风险。然而，红色名录中的物种通常包括种群规模和分布区域极小的物种（世界自然保护联盟，2001年），这限制了对其衰退因素的识别以及对与环境变化相关的局部物种灭绝的估算（Bachman等人，2019年；世界自然保护联盟，2001年）。近年来，物种系统发育信息的可用性不断提高（Beck等人，2012年；Mouquet等人，2012年），这有可能改善对稀有物种消失因素的估算。这是因为亲缘关系密切的物种往往表型相似（Losos，2011 年），而且系统发育可能对物理环境做出类似的反应（Beck 等人，2012 年；Hernández 等人，2013 年）。特别是在宏观生态学领域，系统发生随机效应模型将物种对系统发生树上相关的内在和外在因素的特异性反应纳入其中，被认为是多物种系统的有力工具，因为这些模型可以描述系统发生相关的物种以类似方式对环境驱动因素做出反应的可能性（Ives & Helmus, 2011; Li et al.）然而，高斯过程（GPs）对进化过程的建模，如维纳过程（布朗运动）和奥恩斯坦-乌伦贝克（OU）过程，是系统发育随机效应的基本进化过程，但由于在假设多个物种时需要估计大量方差-协方差矩阵，计算量巨大，因此尚未投入实际应用（Ives，2018）。近邻高斯过程（NNGP）近似是一种用稀疏表示进行 GP 模型近似的可扩展方法（Datta et al、2016a；Tikhonov 等人，2020），近年来在空间建模领域得到了发展。NNGP 可以灵活调整遗传距离相关性的范围，因此也可以灵活调整近缘物种的范围，我们可以从近缘物种中借用信息，从而在不增加计算负担的情况下减小估计值的方差。这是因为 NNGP 使用基于点间最近邻关系的稀疏精度矩阵，以避免反向计算巨大的方差-协方差矩阵，而这是 GP 模型的计算瓶颈（Datta 等人，2016a）。本研究的目的是证明基于 NNGP 近似的系统发育随机效应模型在改进濒危物种灭绝概率估计方面的实用性，包括许多样本量较小的物种。评估中使用的数据是对日本全国 1010 个濒危维管植物类群进行全面调查的结果，记录了三个时期内的分布变化。通过将系统发育随机效应模型应用于此类时空丰富的数据，我们首次展示了利用系统发育信息建立各种濒危物种模型的优势。

引用次数: 0

首页上一页

类型

全部化学•材料生命科学医学物理工程技术环境•农林材料科学地球科学法学管理学化学环境科学与生态学计算机科学教育学经济学农林科学人文科学生物学数学物理与天体物理心理学综合性期刊其他工业工程理学历史学农学文学信息工程

数据库

全部 ACS Publications Elsevier ieeexplore Springer The Royal Society of Chemistry Wiley

期刊

Methods in Ecology and Evolution

全部 Acc. Chem. Res. ACS Applied Bio Materials ACS Appl. Electron. Mater. ACS Appl. Energy Mater. ACS Appl. Mater. Interfaces ACS Appl. Nano Mater. ACS Appl. Polym. Mater. ACS BIOMATER-SCI ENG ACS Catal. ACS Cent. Sci. ACS Chem. Biol. ACS Chemical Health & Safety ACS Chem. Neurosci. ACS Comb. Sci. ACS Earth Space Chem. ACS Energy Lett. ACS Infect. Dis. ACS Macro Lett. ACS Mater. Lett. ACS Med. Chem. Lett. ACS Nano ACS Omega ACS Photonics ACS Sens. ACS Sustainable Chem. Eng. ACS Synth. Biol. Anal. Chem. BIOCHEMISTRY-US Bioconjugate Chem. BIOMACROMOLECULES Chem. Res. Toxicol. Chem. Rev. Chem. Mater. CRYST GROWTH DES ENERG FUEL Environ. Sci. Technol. Environ. Sci. Technol. Lett. Eur. J. Inorg. Chem. IND ENG CHEM RES Inorg. Chem. J. Agric. Food. Chem. J. Chem. Eng. Data J. Chem. Educ. J. Chem. Inf. Model. J. Chem. Theory Comput. J. Med. Chem. J. Nat. Prod. J PROTEOME RES J. Am. Chem. Soc. LANGMUIR MACROMOLECULES Mol. Pharmaceutics Nano Lett. Org. Lett. ORG PROCESS RES DEV ORGANOMETALLICS J. Org. Chem. J. Phys. Chem. J. Phys. Chem. A J. Phys. Chem. B J. Phys. Chem. C J. Phys. Chem. Lett. Analyst Anal. Methods Biomater. Sci. Catal. Sci. Technol. Chem. Commun. Chem. Soc. Rev. CHEM EDUC RES PRACT CRYSTENGCOMM Dalton Trans. Energy Environ. Sci. ENVIRON SCI-NANO ENVIRON SCI-PROC IMP ENVIRON SCI-WAT RES Faraday Discuss. Food Funct. Green Chem. Inorg. Chem. Front. Integr. Biol. J. Anal. At. Spectrom. J. Mater. Chem. A J. Mater. Chem. B J. Mater. Chem. C Lab Chip Mater. Chem. Front. Mater. Horiz. MEDCHEMCOMM Metallomics Mol. Biosyst. Mol. Syst. Des. Eng. Nanoscale Nanoscale Horiz. Nat. Prod. Rep. New J. Chem. Org. Biomol. Chem. Org. Chem. Front. PHOTOCH PHOTOBIO SCI PCCP Polym. Chem.

﹀