Modeling and Predicting Species Occurrence Using Broad-Scale Environmental Variables: an Example with Butterflies of the Great Basin

Authors


§  email efleish@stanford.edu

Abstract

Abstract: If occurrence of individual species can be modeled as a function of easily quantified environmental variables (e.g., derived from a geographic information system [GIS]) and the predictions of these models are demonstrably successful, then the scientific foundation for management planning will be strengthened. We used Bayesian logistic regression to develop predictive models for resident butterflies in the central Great Basin of western North America. Species inventory data and values for 14 environmental variables from 49 locations (segments of canyons) in the Toquima Range ( Nevada, U.S.A.) were used to build the models. Squares of the environmental variables were also used to accommodate possibly nonmonotonic responses. We obtained statistically significant models for 36 of 56 (64%) resident species of butterflies. The models explained 8–72% of the deviance in occurrence of those species. Each of the independent variables was significant in at least one model, and squared versions of five variables contributed to models. Elevation was included in more than half of the models. Models included one to four variables; only one variable was significant in about half the models. We conducted preliminary tests of two of our models by using an existing set of data on the occurrence of butterflies in the neighboring Toiyabe Range. We compared conventional logistic classification with posterior probability distributions derived from Bayesian modeling. For the latter, we restricted our predictions to locations with a high ( 70%) probability of predicted presence or absence. We will perform further tests after conducting inventories at new locations in the Toquima Range and nearby Shoshone Mountains, for which we have computed environmental variables by using remotely acquired topographic data, digital-terrain and microclimatic models, and GIS computation.

Abstract

Resumen: En la medida en que se pueda modelar la presencia de especies enfunción de variables ambientales fáulmente cuantificables (por ejempto, derivadas de SIG) y las predicciones de estos modelos se puedan de mostrar con éxito, el fundamento científico para la planeación del manejo será reforzada. Empleamos regresión logística Bayesiana para desarrollar modelos predictivos para mariposas residentes en la región central de la Gran Depresión del oeste de Norteamérica. Usamos datos del inventario de especies y de valores de 14 variables ambientales de 49 localidades (segmentos de cañones) en la cordillera Toquima ( Nevada, USA) para construir estos modelos. Los cuadrados de las variables ambientales también fueron usados para acomodar posibles respuestas no monotónicas. Obtuvimos modelos estadísticamente significativos para 36 (64%) de 56 especies residentes de mariposas. Estos modelos explican 8-72% de la variabilidad en la presencia de estas especies. Cada una de las variables independientes fue significativa en al menos un modelo y las versiones cuadradas de cinco variables contribuyeron a los modelos. La elevación se incluyó en más de la mitad de los modelos. Los modelos incluyeron de 1-4 variables; en casi la mitad de los modelos solo una variable fue significativa. Realizamos pruebas preliminares de dos de los cuatro modelos usando un juego de datos existente sobre la presencia de mariposas en la cordillera vecina de Toiyabe. Comparamos clasificaciones logísticas convencionales contra distribuciones de probabilidad posteriores derivadas de modelos bayesianos. Para estas últimas, restringimos nuestras predicciones a localidades con un alta ( 70%) probabilidad de predecir presencia o ausencia. Futuras pruebas serán realizadas después de llevar a cabo inventarios en nuevas localidades de la cordillera Toquima y de la cordillera vecina Shoshone, para las cuales hemos calculado variables ambientales usando datos topográficos adquiridos por percepción remota, terreno digital y modelos microclimáticos, y cálculos de SIG.

Ancillary