• search hit 1 of 1
Back to Result List

Statistical and process-based models for understanding species distributions in changing environments

Statistische und prozessbasierte Modelle für die Verbreitung von Arten unter Umweltänderungen

  • Understanding the distribution of species is fundamental for biodiversity conservation, ecosystem management, and increasingly also for climate impact assessment. The presence of a species in a given site depends on physiological limitations (abiotic factors), interactions with other species (biotic factors), migratory or dispersal processes (site accessibility) as well as the continuing effects of past events, e.g. disturbances (site legacy). Existing approaches to predict species distributions either (i) correlate observed species occurrences with environmental variables describing abiotic limitations, thus ignoring biotic interactions, dispersal and legacy effects (statistical species distribution model, SDM); or (ii) mechanistically model the variety of processes determining species distributions (process-based model, PBM). SDMs are widely used due to their easy applicability and ability to handle varied data qualities. But they fail to reproduce the dynamic response of species distributions to changing conditions. PBMs areUnderstanding the distribution of species is fundamental for biodiversity conservation, ecosystem management, and increasingly also for climate impact assessment. The presence of a species in a given site depends on physiological limitations (abiotic factors), interactions with other species (biotic factors), migratory or dispersal processes (site accessibility) as well as the continuing effects of past events, e.g. disturbances (site legacy). Existing approaches to predict species distributions either (i) correlate observed species occurrences with environmental variables describing abiotic limitations, thus ignoring biotic interactions, dispersal and legacy effects (statistical species distribution model, SDM); or (ii) mechanistically model the variety of processes determining species distributions (process-based model, PBM). SDMs are widely used due to their easy applicability and ability to handle varied data qualities. But they fail to reproduce the dynamic response of species distributions to changing conditions. PBMs are expected to be superior in this respect, but they need very specific data unavailable for many species, and are often more complex and require more computational effort. More recently, hybrid models link the two approaches to combine their respective strengths. In this thesis, I apply and compare statistical and process-based approaches to predict species distributions, and I discuss their respective limitations, specifically for applications in changing environments. Detailed analyses of SDMs for boreal tree species in Finland reveal that nonclimatic predictors - edaphic properties and biotic interactions - are important limitations at the treeline, contesting the assumption of unrestricted, climatically induced range expansion. While the estimated SDMs are successful within their training data range, spatial and temporal model transfer fails. Mapping and comparing sampled predictor space among data subsets identifies spurious extrapolation as the plausible explanation for limited model transferability. Using these findings, I analyze the limited success of an established PBM (LPJ-GUESS) applied to the same problem. Examination of process representation and parameterization in the PBM identifies implemented processes to adjust (competition between species, disturbance) and missing processes that are crucial in boreal forests (nutrient limitation, forest management). Based on climatic correlations shifting over time, I stress the restricted temporal transferability of bioclimatic limits used in LPJ-GUESS and similar PBMs. By critically assessing the performance of SDM and PBM in this application, I demonstrate the importance of understanding the limitations of the applied methods. As a potential solution, I add a novel approach to the repertoire of existing hybrid models. By simulation experiments with an individual-based PBM which reproduces community dynamics resulting from biotic factors, dispersal and legacy effects, I assess the resilience of coastal vegetation to abrupt hydrological changes. According to the results of the resilience analysis, I then modify temporal SDM predictions, thereby transferring relevant process detail from PBM to SDM. The direction of knowledge transfer from PBM to SDM avoids disadvantages of current hybrid models and increases the applicability of the resulting model in long-term, large-scale applications. A further advantage of the proposed framework is its flexibility, as it is readily extended to other model types, disturbance definitions and response characteristics. Concluding, I argue that we already have a diverse range of promising modelling tools at hand, which can be refined further. But most importantly, they need to be applied more thoughtfully. Bearing their limitations in mind, combining their strengths and openly reporting underlying assumptions and uncertainties is the way forward.show moreshow less
  • Wissen über die Verbreitung von Arten ist fundamental für die Erhaltung von Biodiversität, das Management von Ökosystemen und zunehmend auch für die Abschätzung der Folgen des Klimawandels. Das Vorkommen einer Art an einem Standort hängt ab von: physiologischen Grenzwerten (abiotischen Faktoren), Interaktionen mit anderen Arten (biotischen Faktoren), Ausbreitungsprozessen (Erreichbarkeit des Standorts) sowie Nachwirkungen vergangener Ereignisse, z.B. Störungen (Standortgeschichte). Modellansätze zur Vorhersage von Artverbreitungen (i) korrelieren entweder beobachtete Artvorkommen mit abiotischen Umweltvariablen und ignorieren damit biotische Interaktionen, Ausbreitung und Nachwirkungen (statistische Artverbreitungsmodelle, SDM); oder (ii) sie modellieren mechanistisch, wie sich die verschiedenen Prozesse auf Arten auswirken (prozessbasierte Modelle, PBM). SDMs sind weitverbreitet, da sie einfach anzuwenden sind und verschiedenste Datenqualitäten akzeptieren. Aber sie beschreiben nicht korrekt, wie Arten dynamisch auf UmweltänderungenWissen über die Verbreitung von Arten ist fundamental für die Erhaltung von Biodiversität, das Management von Ökosystemen und zunehmend auch für die Abschätzung der Folgen des Klimawandels. Das Vorkommen einer Art an einem Standort hängt ab von: physiologischen Grenzwerten (abiotischen Faktoren), Interaktionen mit anderen Arten (biotischen Faktoren), Ausbreitungsprozessen (Erreichbarkeit des Standorts) sowie Nachwirkungen vergangener Ereignisse, z.B. Störungen (Standortgeschichte). Modellansätze zur Vorhersage von Artverbreitungen (i) korrelieren entweder beobachtete Artvorkommen mit abiotischen Umweltvariablen und ignorieren damit biotische Interaktionen, Ausbreitung und Nachwirkungen (statistische Artverbreitungsmodelle, SDM); oder (ii) sie modellieren mechanistisch, wie sich die verschiedenen Prozesse auf Arten auswirken (prozessbasierte Modelle, PBM). SDMs sind weitverbreitet, da sie einfach anzuwenden sind und verschiedenste Datenqualitäten akzeptieren. Aber sie beschreiben nicht korrekt, wie Arten dynamisch auf Umweltänderungen reagieren. PBMs sind ihnen in dieser Hinsicht überlegen. Allerdings benötigen diese sehr spezifische Daten, welche für viele Arten nicht verfügbar sind. Zudem sind sie oft komplexer und benötigen mehr Rechenkapazität. Relativ neu ist der Ansatz des Hybridmodells, welches statistische und prozessbasierte Modelle verknüpft und so ihre jeweiligen Stärken vereint. In dieser Arbeit, nutze ich sowohl statistische als auch prozessbasierte Modelle, um die Verbreitung von Arten vorherzusagen, und ich diskutiere ihre jeweiligen Schwächen, besonders für die Anwendung im Klimawandelkontext. Eine detaillierte Analyse der SDMs für boreale Baumarten in Finnland zeigt, dass nicht-klimatische Variablen - Bodeneigenschaften und biotische Interaktionen - wichtige Faktoren an der Baumgrenze sind und daher die Reaktion von Arten auf Klimaänderungen beeinflussen. Während die SDMs innerhalb der Wertebereiche ihrer Trainingsdatensätze erfolgreich sind, scheitern Versuche, die Modelle auf andere Regionen oder in die Zukunft zu übertragen. Die Visualisierung und der Vergleich des abgedeckten Umweltraums zwischen den Teildatensätzen liefert eine plausible Erklärung: Extrapolation. Basierend auf diesen Ergebnissen, analysiere ich den bedingten Erfolg eines etablierten PBMs (LPJ-GUESS), das ich auf dieselbe Fragestellung anwende. Die Untersuchung der Prozessbeschreibungen im Modell sowie der Parametrisierung zeigen, dass bereits implementierte Prozesse angepasst werden müssen (Konkurrenz, Störungen) und dass für boreale Wälder entscheidende Prozesse fehlen (Nährstoffe, Bewirtschaftung). Mithilfe von klimatischen Schwellenwerten, die sich über die Zeit verschieben, betone ich die eingeschränkte Übertragbarkeit von bioklimatischen Grenzwerten in LPJ-GUESS und ähnlichen PBMs. Indem ich die Performance beider Methoden in dieser Anwendung kritisch beleuchte, zeige ich, wie wichtig es ist, sich der Grenzen jedes Modellansatzes bewusst zu sein. Als Lösungsmöglichkeit füge ich dem bestehenden Repertoire der Hybridmodelle einen neuen Ansatz hinzu. Mithilfe von Simulationsexperimenten mit einem individuenbasierten PBM, das erfolgreich die Dynamik von Artgemeinschaften beschreibt (resultierend aus biotischen Faktoren, Ausbreitung und Nachwirkungen), untersuche ich die Resilienz von Küstenvegetation auf abrupte Änderungen der Hydrologie. Entsprechend der Ergebnisse dieser Resilienzanalyse passe ich die zeitlichen Vorhersagen eines SDMs an und übertrage so das nötige Prozesswissen von PBM zu SDM. Die Übertragungsrichtung von PBM zu SDM umgeht die Nachteile bestehender Hybridmodelle und verbessert die Anwendbarkeit für langfristige, großflächige Berechnungen. Ein weiterer Vorteil des vorgestellten Konzepts ist seine Flexibilität, denn es lässt sich einfach auf andere Modellarten, andere Definitionen von Umweltstörungen sowie andere Vorhersagegrößen anwenden. Zusammenfassend argumentiere ich, dass uns bereits vielfältige, erfolgversprechende Modellansätze zur Verfügung stehen, die noch weiterentwickelt werden können. Vor allem aber müssen sie mit mehr Bedacht angewendet werden. Voran kommen wir, indem wir die Schwächen der Ansätze berücksichtigen, ihre Stärken in Hybridmodellen kombinieren und die zugrunde liegenden Annahmen und damit verbundene Unsicherheiten deutlich machen.show moreshow less

Download full text files

Export metadata

Metadaten
Author:Anett SchibalskiORCiDGND
URN:urn:nbn:de:kobv:517-opus4-401482
Advisor:Boris Schröder-Esselbach, Aleksi Lehtonen
Document Type:Doctoral Thesis
Language:English
Year of Completion:2017
Publishing Institution:Universität Potsdam
Granting Institution:Universität Potsdam
Date of final exam:2017/08/29
Release Date:2017/10/23
Tag:Artverbreitung; Hybridmodell; Klimawandel
climate change; hybrid model; species distribution
Pagenumber:ix, 129
RVK - Regensburg Classification:RB 10525, WI 1500
Organizational units:Mathematisch-Naturwissenschaftliche Fakultät / Institut für Geoökologie
Dewey Decimal Classification:5 Naturwissenschaften und Mathematik / 55 Geowissenschaften, Geologie / 550 Geowissenschaften
Licence (German):License LogoKeine Nutzungslizenz vergeben - es gilt das deutsche Urheberrecht