ORIGINALARTIKEL: Vorhersage von Artenverteilungen aus einer geringen Anzahl von Vorkommensdaten: ein Testfall mit kryptischen Geckos in Madagaskar

Zusammenfassung Ziel Techniken, die potenzielle Artenverteilungen vorhersagen, indem sie beobachtete Vorkommensdaten mit Umweltvariablen kombinieren, zeigen großes Potential für Anwendungen in einer Reihe biogeografischer Analysen. Einige der vielversprechendsten Anwendungen beziehen sich auf Arten, für die Vorkommensdaten rar sind, aufgrund kryptischer Gewohnheiten, lokal eingeschränkter Verbreitungen oder niedriger Probennahmeanstrengungen. Die erforderlichen Mindeststichprobengrößen für nützliche Vorhersagen bleiben jedoch schwer zu bestimmen. Hier haben wir einen neuartigen Jackknife-Validierungsansatz entwickelt und getestet, um die Fähigkeit zur Vorhersage des Vorkommens von Arten zu bewerten, wenn weniger als 25 Vorkommensdaten verfügbar sind. Standort Madagaskar. Methoden Modelle wurden für 13 Arten von geheimnisvollen Blattgeckos (Uroplatus spp.) entwickelt und evaluiert, die endemisch in Madagaskar sind, für die verfügbare Stichprobengrößen von 4 bis 23 Vorkommenslokalitäten (bei einer Gitterauflösung von 1 km²) reichen. Die Vorhersagen basierten auf 20 Umweltdatenebenen und wurden mit zwei Modellierungsansätzen generiert: einer Methode, die auf dem Prinzip der maximalen Entropie (Maxent) basiert, und einem genetischen Algorithmus (GARP). Ergebnisse Wir fanden hohe Erfolgsraten und statistische Signifikanz in Jackknife-Tests mit Stichprobengrößen von nur fünf, als das Maxent-Modell angewendet wurde. Die Ergebnisse für GARP bei sehr kleinen Stichprobengrößen (weniger als ca. 10) waren weniger gut. Als die Stichprobengrößen experimentell für diejenigen Arten mit den meisten Aufzeichnungen reduziert wurden, zeigte die Variabilität der Vorhersagen unter Verwendung verschiedener Kombinationen von Lokalitäten, dass die Modelle stark von den tatsächlich berücksichtigten Beobachtungen beeinflusst wurden. Hauptschlussfolgerungen Wir betonen, dass Modelle, die mit diesem Ansatz mit kleinen Stichprobengrößen entwickelt wurden, als Identifikation von Regionen interpretiert werden sollten, die ähnliche Umweltbedingungen wie die Gebiete aufweisen, in denen die Art bekannt ist, und nicht als Vorhersage tatsächlicher Grenzen des Verbreitungsgebiets einer Art. Der hier vorgeschlagene Jackknife-Validierungsansatz ermöglicht die Bewertung der Vorhersagefähigkeit von Modellen, die mit sehr kleinen Stichprobengrößen erstellt wurden, obwohl die Verwendung dieses Tests mit größeren Stichprobengrößen zu überoptimistischen Schätzungen der Vorhersagekraft führen kann. Unsere Analysen zeigen, dass geografische Vorhersagen, die aus einer geringen Anzahl von Vorkommensdaten entwickelt wurden, von großem Wert sein können, beispielsweise um Feldstudien zu steuern, um die Entdeckung unbekannter Populationen und Arten zu beschleunigen.