Faire des projections robustes des distributions d’espèces à une résolution fine: Go spatialement loué |
Antoine GuisanUniversité de Lausanne, Suisse, discute de son article: Modèles de distribution d’espèces à nervures spatialement (N-SDM): un outil efficace pour surmonter la troncature de niche pour une meilleure inférence et des projections
Mettre la scène
Les modèles de distribution des espèces (SDM) relient les observations des espèces aux conditions environnementales cartographiées pour estimer la niche écologique (c’est-à-dire l’ensemble de conditions appropriées) et prédire la distribution spatiale des espèces. En tant que tels, ce sont des outils clés pour projeter l’impact du changement global sur les espèces et ont été utilisés dans de nombreuses évaluations de la biodiversité. Cependant, lorsque les données utilisées pour s’adapter au modèle n’englobent pas la gamme entière des espèces (c’est-à-dire sous-régime), la niche écologique estimée peut être tronquée, ce qui peut entraîner des prédictions spatiales erronées ou inexactes, en particulier dans d’autres domaines ou des périodes.
Lorsqu’elles sont approfondies, pour couvrir toute la gamme des espèces, les utilisateurs doivent souvent s’appuyer sur des variables climatiques à une résolution grossière (souvent ≥ 1 km). Mais ces données ne peuvent pas saisir les exigences environnementales fines des espèces qui ne sont souvent révélées qu’à des échelles locales. Une solution consiste à combiner les SDM à plusieurs (généralement deux) échelles à nervures spatialement pour produire des SDM à nerpt spatialement (N-SDM). Dans notre article, nous passons en revue le développement et l’utilisation de N-SDMS et discutons lorsqu’ils sont (ou ne sont pas) nécessaires.
Résultats principaux: à quoi servent N-SDMS et pour quoi sont-ils utilisés?
Les N-SDMS combinent ainsi un SDM de résolution grossière ajusté sur toute la gamme des espèces avec un SDM de résolution fine ajusté dans la mesure souhaitée pour des inférences plus détaillées. Par conséquent, les modèles sont adaptés à différentes étendus et résolutions, le SDM plus fin étant imbriqué spatialement dans le SDM plus grossier. Les espèces à grandes gammes mais les dépendances climatiques complexes, qui nécessitent la prise en compte des conditions macro et micro-climatiques et d’autres prédicteurs environnementaux à grain fin (par exemple, espèces alpines), peuvent donc être censés être mieux prédits en utilisant N-SDMS.
Nous avons identifié et examiné six approches principales pour ajuster N-SDMS (deux d’entre elles sont présentées ci-dessus), des combinaisons simples de données initiales ou de prédictions finales à des modèles statistiques plus avancés. Pourtant, il y a encore relativement peu d’études comparant différentes approches N-SDM et celles existantes montrent que l’approche à utiliser dépend souvent des objectifs de l’étude. Si la projection est l’objectif, une approche séquentielle ou intégrée peut être plus bien adaptée, mais lorsque la décision de gestion est le but, la séparation des prédictions peut être plus informative. Nous avons identifié plusieurs applications réussies de N-SDMS, et nous avons également discuté des cas où ils ne sont pas nécessaires, par exemple lorsqu’une résolution grossière est suffisante pour modéliser l’ensemble de la distribution de l’espèce avec une grande couverture, ou lorsqu’une espèce a une plage limitée qui peut être entièrement modélisée à l’aide de données sur la résolution fine au niveau régional.
Pourquoi N-SDMS est-il important?
Notre revue montre clairement que l’utilisation de la couverture géographique trop petite pour modéliser la distribution des espèces peut entraîner des SDM biaisés et conduire à des prévisions et des projections incorrectes, en particulier dans d’autres domaines ou périodes. Le N-SDMS peut surmonter ce problème et s’est déjà révélé utile dans plusieurs applications, telles que l’anticipation des invasions biologiques, la baisse des SDM à grande échelle, l’évaluation des effets potentiels du changement global sur les distributions d’espèces, la quantification de l’effet des prédicteurs environnementaux sur les distributions d’espèces à différentes échelles spatiales et le soutien aux décisions de conservation. Nous nous attendons à ce que N-SDMS joue un rôle croissant dans le soutien des évaluations pour atteindre les objectifs mondiaux de conservation de la biodiversité. Pour atteindre ces objectifs, l’anticipation des futurs modèles de biodiversité sera plus nécessaire que jamais, et donc N-SDMS sera essentiel pour obtenir des projections futures robustes.