SEARCH

SEARCH BY CITATION

Keywords:

  • analytical power;
  • distribution modeling;
  • environmental space;
  • model evaluation;
  • sampling scale;
  • species prediction
  • escala de muestreo;
  • espacio ambiental;
  • evaluación de modelo;
  • modelado de distribución;
  • potencia analítica;
  • predicción de especies

Abstract: Conservation biology can benefit greatly from models that relate species' distributions to their environments. The foundation of successful modeling is a high-quality set of field data, and distribution models have specialized data requirements. The role of a distribution model may be primarily predictive or, alternatively, may emphasize relationships between an organism and its habitat. For the latter application, the environmental variables recorded should have direct, biological relationships with the organism. Interacting species may be valuable predictors and can improve understanding of distribution patterns. Sampling should cover the full range of environmental conditions within the study region, with samples stratified across major environmental gradients to ensure thorough coverage. Failure to sample correctly can lead to erroneous organism-environment relationships, affecting predictive ability and interpretation. Sampling ideally should examine a series of spatial scales, increasing the understanding of organism-environment relationships, identifying the most effective scales for predictive modeling and complementing the spatial hierarchies often used in conservation planning. Consideration of statistical issues could benefit most studies. The ratio of sample sites to environmental variables considered should ideally exceed a ratio of 10:1 to improve the analytical power and reliability of subsequent modeling. Presence and/or absence models may suffer bias if training data detect the study organism at an atypical proportion of sites. We considered different strategies for spatial autocorrelation and recommend it be included wherever possible for the benefits in biological realism, predictive accuracy, and model versatility. Finally, we stress the importance of collecting independent evaluation data and suggest that, as with the training data, a systematic approach be used to ensure broad environmental coverage, rather than relying on a random selection of test sites.

Resumen: La biología de la conservación puede obtener grandes beneficios de modelos que relacionan las distribuciones de especies con sus ambientes. El fundamento del modelado exitoso es un conjunto de datos de campo de alta calidad, y los modelos de distribución tienen requerimientos especializados de datos. El papel de un modelo de distribución puede ser primordialmente predictivo o, alternativamente, puede enfatizar las relaciones entre el organismo y su hábitat. Para esta última aplicación, las variables ambientales registradas deben tener relaciones biológicas directas con el organismo. Las especies interactuantes pueden ser predictores valiosos y pueden mejorar el entendimiento de los patrones de distribución. El muestreo debe abarcar todo el rango de condiciones ambientales en la zona de estudio con muestras estratificadas a lo largo de gradientes ambientales importantes para asegurar una cobertura minuciosa. Los errores de muestreo pueden conducir a relaciones organismo/ambiente erróneas, afectando la capacidad predictiva e interpretación. Idealmente, el muestreo debería examinar una serie de escalas espaciales, que aumenta el entendimiento de las relaciones organismo/ambiente, identifica las escalas más efectivas para el modelado predictivo y complementa las jerarquías espaciales usadas a menudo en la planificación de la conservación. La consideración de temas estadísticos podría beneficiar a la mayoría de los estudios. La proporción entre los sitios de muestreo y las variables ambientales consideradas idealmente debe exceder 10:1 para mejorar el poder analítico y la confiabilidad del modelo posterior. Los modelos de presencia/ausencia pueden tener sesgos si los datos de preparación detectan al organismo en estudio en una proporción atípica de sitios. Consideramos diferentes estrategias de autocorrelación espacial y recomendamos que se incluyan cuando sea posible en beneficio del realismo biológico, la precisión predictiva y la versatilidad del modelo. Finalmente, enfatizamos la importancia de colectar datos de evaluación independientes y sugerimos que, así como los datos de preparación, se utilice un enfoque sistemático para asegurar una cobertura ambiental amplia, en lugar de confiar en una selección aleatoria de sitios de muestreo.