Loading...
Publication
Site description and investigation of the use of SfM photogrammetry for generating ultra-fine scale variables with species distribution modelling of Lophelia pertusa at various spatial scales in Fangorn Bank, Northeast Atlantic
| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 1.76 MB | Adobe PDF |
Advisor(s)
Abstract(s)
Nas últimas duas décadas, houve um aumento sig
nificativo no uso de Modelos de Distribuição de
Espécies (MDE) para estudar e gerenciar espécies marinhas. Esse aumento se deve principalmente à
disponibilidade generalizada de variáveis preditoras globais e à facilidade de implementação das
técnicas de MD E. Os pesquisadores estão cada vez mais focados em entender a distribuição de espécies
no mar profundo. No entanto, a tradução dessa pesquisa em ferramentas práticas de gestão para lidar
com as mudanças climáticas e a crescente exploração dos recursos do m ar profundo tem sido mais
lenta, mas é imperativa.
O MDE, conforme definido por Zurrel (2020), é um modelo de biodiversidade baseado empiricamente
que utiliza métodos estatísticos e de aprendizado de máquina. Esses modelos associam registros de
biodiversid ade geográfica, incluindo presenças observadas e às vezes ausências ou contagens medidas,
às características abióticas e/ou bióticas em locais específicos. Os MDEs são usados de forma
intercambiável com termos como Modelos de Nicho Ecológico (MNE), model os de adequação de
habitat e outros, destacando diferentes aspectos das entidades que estão sendo modeladas e do tipo de
dados usados.
O crescimento dos MDEs é atribuído a dois fatores
chave: aumento da capacidade computacional e
aprimoramento dos métodos de aquisição de dados. Esse crescimento tornou os Modelos de
Adequação de Habitat (MAHs) ferramentas essenciais para avaliar implicações ecológicas e
ambientais, especialmente diante de pressões sociais e da expansão da economia azul. Além disso, o
aquecimento dos oceanos e as mudanças na concentração de aragonita aumentaram a necessidade de
tais modelos.
A contínua diminuição da biodiversidade, conhecida como a sexta extinção em massa, destaca a
urgência de reverter essa tendência. Informações conf iáveis sobre a ecologia e a distribuição das
espécies são essenciais para a proteção de habitats, a mitigação das mudanças ambientais e a tomada
de decisões informadas. No entanto, o uso de modelos inadequados pode levar a resultados custosos e
ineficazes, enfatizando a importância da identificação de baixo desempenho do modelo e alta incerteza.
A formalização de métodos de modelagem e critérios de avaliação é crucial para previsões precisas e
para evitar decisões equivocadas.
A Teoria do Nicho Ecológico é
fundamental para as abordagens de MDE, postulando que as espécies
prosperam em condições ambientais específicas. Modelos de adequação de habitat (MAHs) têm sido
usados para entender os impactos da conectividade de habitats em larga escala, prevendo a dis tribuição de espécies e os fatores subjacentes. Adotar uma abordagem multi
escala pode aumentar a precisão
preditiva dos MAHs, mas frequentemente é estatisticamente complexa e computacionalmente
intensiva.
A transparência e a reprodutibilidade são essencia
is para os modelos usados em avaliações de impacto
ecológico, planejamento de conservação, tomada de decisões e análises de biodiversidade. Zurrel et
al. (2020) desenvolveram um procedimento de modelagem chamado ODMAP, que aprimora a
transparência e a re produtibilidade nos MDEs.
Embora os MDEs tenham se tornado amplamente utilizados em ecologia, evolução e conservação,
ainda há falta de padronização e documentação em relação aos protocolos de modelagem. Essa revisão,
incluída neste documento, tem como obj etivo avaliar o conhecimento atual em modelagem de
distribuição de espécies, seleção de dados e abordagens de modelagem em ecologia, com foco em
ambientes marinhos e terrestres.
A seleção de dados e preditores é uma etapa inicial crítica. Os autores devem
fornecer nomes
taxonômicos, sistemas de referência taxonômica, desenhos de amostragem espacial e temporal,
tamanhos de amostra e prevalência de táxons focais. Eles também devem considerar erros e vieses
potenciais nos dados.
A seleção de preditores envolve
a escolha de variáveis ambientais que influenciam a distribuição das
espécies. Isso pode incluir características topográficas, fatores bióticos e variáveis abióticas. Testar a
colinearidade é crucial para evitar redundância e superajuste.
A escala é outra
consideração crítica. A modelagem de única escala usando um grão e extensão de
preditor universais é comum, mas MAHs multi escala, que integram preditores medidos em sua
"escala de efeito", fornecem previsões mais precisas e insights ecológicos mais profu ndos. A escolha
da escala pode influenciar significativamente a precisão e a utilidade do modelo.
Dados de Muito Alta Resolução (MAR), como fotogrametria Structure from Motion (SfM), oferecem
dados em escala fina para prever a distribuição de espécies, esp ecialmente em ambientes complexos
como recifes de coral. Essas tecnologias aprimoram a precisão e a exatidão dos MDEs, capturando
variações microambientais anteriormente inacessíveis.
A seleção de algoritmos é essencial, com várias opções como Modelos Line
ares Generalizados (GLM),
MaxEnt, Random Forest e Support Vector Machine disponíveis. Modelos de conjunto que combinam
vários algoritmos podem fornecer previsões robustas. Métodos de avaliação desempenham um papel crucial na avaliação do desempenho do mode
lo.
Métricas como Estatísticas de Habilidades Verdadeiras (TSS), coeficiente Kappa, curvas Receiver
Operating Characteristic (ROC) e Área Sob a Curva (AUC) devem ser usadas para medir a precisão e
a adequação do modelo.
No mar profundo, os MDEs são ferrame
ntas valiosas para identificar potenciais habitats para corais e
esponjas de águas profundas (CCEAs) e informar decisões de gerenciamento. Modelos de conjunto e
aqueles que usam dados de presença ausência são preferidos, aproveitando informações entre táxo ns
e facilitando inferências comunitárias.
A Modelagem de Distribuição de Espécies tornou
se uma ferramenta vital em ecologia e conservação.
A seleção adequada de dados, a escolha de preditores, a consideração da escala e os métodos de
avaliação são crucia is para previsões precisas e confiáveis. Fontes de dados de MAR, como
fotogrametria SfM, têm potencial para aprimorar a precisão do modelo. No mar profundo, os MDEs
são valiosos para o gerenciamento do habitat de CCEAs. Compreender e implementar esses prin cípios
de modelagem é essencial para a tomada de decisões informadas em um mundo em rápida
transformação.
A batimetria de alta resolução (HR) derivada de dados MBES e
dados de vídeo em alta definição (HD)
foi adquirida na expedição CE21010 'Recursos de Rockall'. Os dados primários desta expedição foram
utilizados neste estudo para prever o habitat adequado do Coral de Água Fria (CWC) Lophelia pertusa.
Um fluxo de trabal ho para a geração de modelos digitais de elevação em escala muito fina usando
técnicas de fotogrametria SfM é delineado neste estudo usando o software Agisoft Metashape.
Registros de ocorrência foram desenvolvidos a partir de anotações de imagens de vídeo de ROV de
observações de estruturas de coral vivo. Um conjunto de camadas ambientais foi gerado a partir de
dados de batimetria HR usando a Ferramenta TASSE no ArcGIS Pro e utilizado como camadas de
dados ambientais para o procedimento de modelagem. A técn ica de Árvores de Regressão
Impulsionada (BRT) foi utilizada para criar diversos modelos em resoluções amplas, de escala fina e
ultra fina. Restrições de encolhimento e validação cruzada foram usadas para evitar o excesso de ajuste,
e restrições monotônica s foram usadas para reduzir a complexidade do modelo. Em todos os modelos,
L. pertusa mostrou preferência por alta complexidade de terreno e picos topográficos. As faixas de
profundidade para a ocorrência da espécie estavam entre 1.000 m e 800 m. O model o de escala fina
obteve o melhor desempenho, com um valor de AUC de 0,970, e uma pontuação de sensibilidade de
0,980 e especificidade de 0,965. O modelo de escala ampla obteve um valor de AUC de 0,951 e uma
pontuação de sensibilidade de 0,875, com uma espe cificidade de 0,939 e um valor geral de TSS de 0,814. A precisão das previsões para o modelo de escala ampla não foi tão alta quanto a do modelo de
escala fina, indicando que os modelos treinados com dados de escala fina produzem previsões mais
confiáveis. O modelo de ultra fina escala (UFS) obteve um valor de AUC de 0,834. Embora o modelo
UFS tenha tido o pior desempenho geral, a técnica de fotogrametria SfM apresentada aqui mostra
promessa para pesquisas futuras na geração de modelos digitais de elevação em ultra fina escala
derivados de dados de vídeo para serem usados em modelos de distribuição de espécies para melhorar
a precisão das previsões.
Vinte e seis grupos faunísticos distintos foram registrados durante a anotação do ROV, juntamente com
quatro tipos de substrato primário. Uma cadeia de características de montes de águas profundas foi
revelada por meio da análise GIS de dados MBES, sendo a característica de monte mais alta medida
com 2,4 km de elevação. A Fangorn Bank demonstrou ser um local biol ogicamente complexo
sustentado por um alto grau de complexidade de terreno de altas rochas inclinadas e fundos lamacentos
planos que levam aos ricos e diversos ecossistemas encontrados aqui. A identificação de 26 grupos
faunísticos e suas características n este local de estudo destaca sua notável biodiversidade e a
importância de sua preservação.
Description
Keywords
Dados mbes Rov Fotogrametria sfm Sdms Cwcs Brt