Bessere Maxent-Modelle von Verbreitungen von Arten erstellen: Komplexität, Überanpassung und Bewertung

Zusammenfassung Ziel Modelle von ökologischen Nischen und Verbreitungen von Arten sind in den letzten zehn Jahren für Biogeografen von unschätzbarem Wert geworden, dennoch bleiben mehrere herausragende methodologische Probleme bestehen. Hier adressieren wir drei kritische Punkte: Auswahl geeigneter Evaluierungsdaten, Erkennung von Überanpassung und Feinabstimmung der Programmsettings zur Annäherung an optimale Modellkomplexität. Wir integrieren Lösungen für diese Probleme bei Maxent-Modellen, indem wir die karibische stachelschwänzige Taschemaus, Heteromys anomalus, als Beispiel verwenden. Standort Nordwest-Südamerika. Methoden Wir teilten die Daten in Kalibrierungs- und Evaluierungsdatensätze auf, und zwar über drei Varianten der k-fachen Kreuzvalidierung: zufällig partitioniert, geografisch strukturiert und maskiert geografisch strukturiert (was die Hintergrunddaten auf Regionen beschränkt, die den Kalibrierungsstandorten entsprechen). Anschließend führten wir Abstimmungsexperimente durch, indem wir das Niveau der Regularisierung varierten, das die Modellkomplexität steuert. Schließlich bewerteten wir die Leistung, indem wir die diskriminierende Fähigkeit und die Überanpassung quantifizierten sowie durch visuelle Inspektionen von Karten der Vorhersagen in der Geografie. Ergebnisse Die Leistung variierte zwischen den Ansätzen zur Datenpartitionierung und den Regularisierungsfaktoren. Der zufällig partitionierte Ansatz überbewertete die Schätzungen der Modellleistung und der geografisch strukturierte Ansatz wies eine hohe Überanpassung auf. Im Gegensatz dazu erlaubte der maskierte geografisch strukturierte Ansatz die Auswahl von hochleistungsfähigen Modellen basierend auf allen Kriterien. Die diskriminierende Fähigkeit zeigte einen leichten Leistungsgipfel um den Standard-Regularisierungsfaktor. Regularisierungsniveaus, die zwei bis vier Mal höher als der Standard waren, führten jedoch zu erheblich niedrigerer Überanpassung. Die visuelle Inspektion von Karten der Modellvorhersagen stimmte mit den quantitativen Bewertungen überein. Hauptschlussfolgerungen Die artspezifische Feinabstimmung von Modellparametern kann die Leistung von Maxent-Modellen verbessern. Darüber hinaus hängen genaue Schätzungen der Modellleistung und Überanpassung von der Verwendung unabhängiger Evaluierungsdaten ab. Diese Strategien zur Modellevaluation können auch für andere Modellierungsmethoden nützlich sein.