Kalliorantojen pohjaeläinten levinneisyyteen vaikuttavat tekijät Suomen rannikolla : Uutta näkökulmaa korrelatiivisella lajistomallinnuksella
Hoikkala, Joonas (2018-11-12)
Kalliorantojen pohjaeläinten levinneisyyteen vaikuttavat tekijät Suomen rannikolla : Uutta näkökulmaa korrelatiivisella lajistomallinnuksella
Hoikkala, Joonas
(12.11.2018)
Tätä artikkelia/julkaisua ei ole tallennettu UTUPubiin. Julkaisun tiedoissa voi kuitenkin olla linkki toisaalle tallennettuun artikkeliin / julkaisuun.
Turun yliopisto
Tiivistelmä
Tässä tutkimuksessa tarkastellaan Suomen rannikon kalliorantojen pohjaeläinten levinneisyyksiin vaikuttavia tekijöitä korrelatiivisen lajistomallinnuksen menetelmiä hyödyntäen. Korrelatiivisessa lajistomallinnuksessa lajeista tehtyjen havaintojen ja ympäristömuuttuja-aineistojen avulla pystytään tutkimaan lajien levinneisyyksiä ja siihen vaikuttavia tekijöitä. Lajiaineistona käytettiin vedenalaisen meriluonnon monimuotoisuuden inventointiohjelma (VELMU) -projektissa Metsähallituksen tutkimussukeltajien 2010-2015 aikana keräämiä kalliorantojen pohjaeläinnäytteitä. Ympäristömuuttujina käytettiin SYKE:n toimittamia merialueiden olosuhteita kuvaavia paikkatietoaineistoja ja VELMU:ssa kerättyjä leväyhteisöaineistoja.
Aineistoja hyödynnettiin koneoppimiseen perustuvassa BoostedRegressionTrees (BRT)-menetelmässä. BRT menetelmän etuihin kuuluu hyvät mallinnustulokset ja robusti toimivuus. Mallien oikeellisuutta arvioitiin AUC-arvon ja TSS-arvojen avulla. Levinneisyyteen vaikuttavien tekijöiden suhteen tärkeimpiä BRT-menetelmällä saatavia tuloksia mallien oikeellisuuksia kuvaavien tunnuslukujen lisäksi ovat käytettyjen ympäristömuuttujien suhteelliset merkittävyydet ja vastekuvaajat. Vastekuvaajat kertovat lajin levinneisyyden todennäköisyydestä ympäristömuuttujien erilaisilla arvoilla. Mallinnusprosessissa suoritettiin myös yksinkertaistaminen irrelevanttien selittävien muuttujien poistamiseksi malleista. Mallinnustulosten avulla tarkasteltiin abioottisten ympäristömuuttujien vaikutusta pohjaeläinlajien levinneisyyteen. Abioottisten tekijöiden vaikutuksen lisäksi arvioitiin bioottisten muuttujien vaikutuksia tutkittavien lajien levinneisyyksiin ja mallinnusprosessiin.
Suolapitoisuus on merkittävin yksittäinen kalliorantojen pohjaeläinten levinneisyyksiin vaikuttava tekijä. Mallinnustulosten mukaan suolaisuuden rajoittavat pitoisuudet osuvat välille 4-5.5 psu. Yksittäisten mallinnettujen lajien kohdalla rajoittava suolapitoisuus eroaa kirjallisuudesta löytyvistä arvoista. Suolapitoisuuden lisäksi merkittäviksi abioottisiksi tekijöiksi nousivat ravinteiden pitoisuudet, pohjan avoimuus ja secchi näkösyvyys. Käytetyistä bioottisista muuttujista tärkeimpiä olivat ns. Furcellaria-ryhmän (Furcellaria lumbricalis, Coccotylus truncatus, Phyllophora pseudoceranoides) ja sinisimpukan runsautta kuvanneet aineistot. Oikeellisuudesta kertovien tunnuslukujen perusteella mallinnukset onnistuivat hyvin. Abioottisilla ympäristömuuttujilla tehtyjen mallinnusten AUC-arvo oli 0,865. Bioottisten aineistojen lisääminen selittäviksi muuttujiksi ei vaikuttanut merkittävästi lajistomallien oikeellisuudesta kertoviin tunnuslukuihin.
Suolapitoisuuksien oletetaan muuttuvan ilmastonmuutoksen vaikutuksesta, joten lajien suolatoleranssin tunteminen on ensiarvoisen tärkeää tehokkaiden varautumiskeinojen ja suojelun varmistamiseksi. Lajistomallinnusten pohjalta tehtäviä ennusteita voitaisiin käyttää ilmastonmuutokseen varautumiseen ja suojelualueiden suunnitteluun.
This study examines the factors affecting the prevalence of rocky shore benthic invertebrates along the Finnish coast, using methods of correlative species distribution modeling. In correlative species distribution modeling, observations of species together with environmental variables can be used to investigate the distribution of species and the factors influencing it. The species and algae community data was collected by Metsähallitus scientific divers during 2010-2015. The environmental variables used were the spatial data sets describing marine environment conditions supplied by Finnish Environment Institute.
The materials were utilized in the machine learning based BoostedRegressionTrees (BRT) method. The benefits of the BRT method include good modeling results and robustness. The validity of the models was evaluated using the AUC- and TSS-values. Among the factors affecting the distribution, the most important results obtained by the BRT method in addition to the indicators that demonstrate the correctness of the models are the relative significance and response curves of the environmental variables used. The response curves describe the likelihood of the species occurence with different values of environmental variables. In the modeling process, simplification was also performed to remove irrelevant explanatory variables from the models. Modeling was used to examine the effect of abiotic environmental variables on the occurence of benthic species. In addition to the influence of abiotic factors, the effects of biotic variables on the distribution and modeling process of the species studied were evaluated.
Salinity is the most significant single factor affecting the prevalence of rocky shore benthic invertebrates. According to the modeling results, the limiting salinity concentrations fall between 4-5.5 psu. For individual modeled species, the limiting salinity levels differs from the values found in the literature. In addition to salinity, nutrient concentrations, exposure and Secchi depth were also significant abiotic factors. Of the biotic variables used, the most important were the Furcellaria group (Furcellaria lumbricalis, Coccotylus truncatus, Phyllophora pseudoceranoides) and blue mussel. On the basis of the validity indicators, modeling was successful. The AUC-value of modeling with abiotic environmental variables was 0.865. The addition of biotic variables to explanatory variables did not significantly affect the indicators of the correctness of species distribution models.
Salinity levels are expected to change due to climate change, so knowing the salt tolerance of species is of great importance in order to ensure effective means of conservation and protection. Forecasts based on species distribution modeling could be used to prepare for climate change and to design conservation areas.
Aineistoja hyödynnettiin koneoppimiseen perustuvassa BoostedRegressionTrees (BRT)-menetelmässä. BRT menetelmän etuihin kuuluu hyvät mallinnustulokset ja robusti toimivuus. Mallien oikeellisuutta arvioitiin AUC-arvon ja TSS-arvojen avulla. Levinneisyyteen vaikuttavien tekijöiden suhteen tärkeimpiä BRT-menetelmällä saatavia tuloksia mallien oikeellisuuksia kuvaavien tunnuslukujen lisäksi ovat käytettyjen ympäristömuuttujien suhteelliset merkittävyydet ja vastekuvaajat. Vastekuvaajat kertovat lajin levinneisyyden todennäköisyydestä ympäristömuuttujien erilaisilla arvoilla. Mallinnusprosessissa suoritettiin myös yksinkertaistaminen irrelevanttien selittävien muuttujien poistamiseksi malleista. Mallinnustulosten avulla tarkasteltiin abioottisten ympäristömuuttujien vaikutusta pohjaeläinlajien levinneisyyteen. Abioottisten tekijöiden vaikutuksen lisäksi arvioitiin bioottisten muuttujien vaikutuksia tutkittavien lajien levinneisyyksiin ja mallinnusprosessiin.
Suolapitoisuus on merkittävin yksittäinen kalliorantojen pohjaeläinten levinneisyyksiin vaikuttava tekijä. Mallinnustulosten mukaan suolaisuuden rajoittavat pitoisuudet osuvat välille 4-5.5 psu. Yksittäisten mallinnettujen lajien kohdalla rajoittava suolapitoisuus eroaa kirjallisuudesta löytyvistä arvoista. Suolapitoisuuden lisäksi merkittäviksi abioottisiksi tekijöiksi nousivat ravinteiden pitoisuudet, pohjan avoimuus ja secchi näkösyvyys. Käytetyistä bioottisista muuttujista tärkeimpiä olivat ns. Furcellaria-ryhmän (Furcellaria lumbricalis, Coccotylus truncatus, Phyllophora pseudoceranoides) ja sinisimpukan runsautta kuvanneet aineistot. Oikeellisuudesta kertovien tunnuslukujen perusteella mallinnukset onnistuivat hyvin. Abioottisilla ympäristömuuttujilla tehtyjen mallinnusten AUC-arvo oli 0,865. Bioottisten aineistojen lisääminen selittäviksi muuttujiksi ei vaikuttanut merkittävästi lajistomallien oikeellisuudesta kertoviin tunnuslukuihin.
Suolapitoisuuksien oletetaan muuttuvan ilmastonmuutoksen vaikutuksesta, joten lajien suolatoleranssin tunteminen on ensiarvoisen tärkeää tehokkaiden varautumiskeinojen ja suojelun varmistamiseksi. Lajistomallinnusten pohjalta tehtäviä ennusteita voitaisiin käyttää ilmastonmuutokseen varautumiseen ja suojelualueiden suunnitteluun.
This study examines the factors affecting the prevalence of rocky shore benthic invertebrates along the Finnish coast, using methods of correlative species distribution modeling. In correlative species distribution modeling, observations of species together with environmental variables can be used to investigate the distribution of species and the factors influencing it. The species and algae community data was collected by Metsähallitus scientific divers during 2010-2015. The environmental variables used were the spatial data sets describing marine environment conditions supplied by Finnish Environment Institute.
The materials were utilized in the machine learning based BoostedRegressionTrees (BRT) method. The benefits of the BRT method include good modeling results and robustness. The validity of the models was evaluated using the AUC- and TSS-values. Among the factors affecting the distribution, the most important results obtained by the BRT method in addition to the indicators that demonstrate the correctness of the models are the relative significance and response curves of the environmental variables used. The response curves describe the likelihood of the species occurence with different values of environmental variables. In the modeling process, simplification was also performed to remove irrelevant explanatory variables from the models. Modeling was used to examine the effect of abiotic environmental variables on the occurence of benthic species. In addition to the influence of abiotic factors, the effects of biotic variables on the distribution and modeling process of the species studied were evaluated.
Salinity is the most significant single factor affecting the prevalence of rocky shore benthic invertebrates. According to the modeling results, the limiting salinity concentrations fall between 4-5.5 psu. For individual modeled species, the limiting salinity levels differs from the values found in the literature. In addition to salinity, nutrient concentrations, exposure and Secchi depth were also significant abiotic factors. Of the biotic variables used, the most important were the Furcellaria group (Furcellaria lumbricalis, Coccotylus truncatus, Phyllophora pseudoceranoides) and blue mussel. On the basis of the validity indicators, modeling was successful. The AUC-value of modeling with abiotic environmental variables was 0.865. The addition of biotic variables to explanatory variables did not significantly affect the indicators of the correctness of species distribution models.
Salinity levels are expected to change due to climate change, so knowing the salt tolerance of species is of great importance in order to ensure effective means of conservation and protection. Forecasts based on species distribution modeling could be used to prepare for climate change and to design conservation areas.