Hierarchical Bayesian Spatial Models for Multispecies Conservation Planning and Monitoring

Authors


Abstract

Abstract: Biologists who develop and apply habitat models are often familiar with the statistical challenges posed by their data's spatial structure but are unsure of whether the use of complex spatial models will increase the utility of model results in planning. We compared the relative performance of nonspatial and hierarchical Bayesian spatial models for three vertebrate and invertebrate taxa of conservation concern (Church's sideband snails [Monadenia churchi], red tree voles [Arborimus longicaudus], and Pacific fishers [Martes pennanti pacifica]) that provide examples of a range of distributional extents and dispersal abilities. We used presence–absence data derived from regional monitoring programs to develop models with both landscape and site-level environmental covariates. We used Markov chain Monte Carlo algorithms and a conditional autoregressive or intrinsic conditional autoregressive model framework to fit spatial models. The fit of Bayesian spatial models was between 35 and 55% better than the fit of nonspatial analogue models. Bayesian spatial models outperformed analogous models developed with maximum entropy (Maxent) methods. Although the best spatial and nonspatial models included similar environmental variables, spatial models provided estimates of residual spatial effects that suggested how ecological processes might structure distribution patterns. Spatial models built from presence–absence data improved fit most for localized endemic species with ranges constrained by poorly known biogeographic factors and for widely distributed species suspected to be strongly affected by unmeasured environmental variables or population processes. By treating spatial effects as a variable of interest rather than a nuisance, hierarchical Bayesian spatial models, especially when they are based on a common broad-scale spatial lattice (here the national Forest Inventory and Analysis grid of 24 km2 hexagons), can increase the relevance of habitat models to multispecies conservation planning.

Abstract

Resumen: Los biólogos que desarrollan y aplican modelos de hábitat a menudo están familiarizados con los retos estadísticos planteados por la estructura espacial de sus datos pero no están seguros sí el uso de modelos espaciales complejos incrementará la utilidad de los resultados del modelo para la planificación.Comparamos el funcionamiento relativo de modelos no espaciales y espaciales Bayesianos jerárquicos para 3 taxa de vertebrados e invertebrados de interés para la conservación (caracoles [Monadenia churchi], campañol rojo [Arborimus longicaudus], marta pescadora [Martes pennanti pacifica]) que proporcionan ejemplos de un rango de extensiones distributivas y habilidades disperoras. Utilizamos datos de presencia-ausencia derivados de programas de monitoreos regionales para desarrollar modelos con covariables ambientales a nivel de paisaje y de sitio. Utilizamos algoritmos Monte Carlo cadena de Markov y un marco de modelo autoregresivo condicional o condicional intrínseco para ajustar los modelos espaciales. El ajuste de los modelos espaciales bayesianos fue entre 35% y 55% mejor que el ajuste de modelos análogos no espaciales. Los modelos espaciales Bayesiamos funcionaron mejor que modelos análogos desarrollados con métodos de entropía máxima (Entmax). Aunque los mejores modelos espaciales y no espaciales incluyeron variables ambientales similares, los modelos espaciales proporcionaron estimaciones de los efectos espaciales residuales que sugirieron cómo los procesos ecológicos pueden estructurar los patrones de distribución. Los modelos espaciales construidos con datos de presencia-ausencia mejoraron el ajuste para la mayoría de las espcies endémicas con rangos de distribución constreñidos por factores biogeográficos poco conocidos y para especies ampliamente distribuidas que se sospecha son afectadas fuertemente por variables ambientales no medidas o por procesos poblacionales. Al tratar los efectos espaciales como una variable de interés y no como una molestia, los modelos espaciales Bayesianos jerárquicos, especialmente cuando se basan en un entramado espacial de escala común (aquí hexágonos de 24 km2 del Inventario y Análisis Forestal nacional), pueden incementar la relevancia de los modelos de hábitat para la planificación de la conservación de múltiples especies.

Ancillary