Latest posts tagged with #MaxEnt on Bluesky
New #OpenAccess research in #RESAgForestEnt
Future projection of habitat suitability & potential #distribution of main European cereal bugs using #MaxEnt modelling
doi.org/10.1111/afe.70040
@jordancuff.bsky.social @chrisranger.bsky.social @ukladybirds.bsky.social @wileyecology.bsky.social
Métodos alternativos a MaxEnt para SDM con datos limitados La modelización de distribución de especies y Maxent afrontan dificultades cuando los registros de especies son escasos. Tres enfoques alternativos permiten modelizar nichos ecológicos con mayor flexibilidad en contextos de información escasa. Figura: Tres enfoques para modelizar especies con tamaños de muestra pequeños. Panel superior: el enfoque plug‑and‑play estima la tasa relativa de ocurrencia, f(occurrence), como la razón entre una distribución de presencia y una distribución de fondo. Panel central: de forma alternativa, el enfoque de razón de densidades utiliza algoritmos capaces de estimar directamente la razón entre las distribuciones de presencia y de fondo. Panel inferior: el enfoque basado en rangos ambientales omite la distribución de fondo e identifica el rango de condiciones ambientales que constituyen el nicho de una especie. Estos tres enfoques ofrecen un conjunto de algoritmos que reflejan supuestos diversos sobre decisiones de muestreo o casos de uso. En la mayoría de situaciones se desconocerá qué supuestos se cumplen (por ejemplo, los relacionados con la completitud del muestreo, el sesgo, la estacionalidad, etc.). Crear un conjunto de modelos que combine varios algoritmos y combinaciones de algoritmos que representen un abanico de supuestos permite captar esta incertidumbre, algo especialmente importante en especies con tamaños de muestra pequeños.
Comparación entre los métodos de SDM Los distintos algoritmos de SDM muestran patrones propios de sensibilidad y especificidad. La comparación revela que MaxEnt no siempre es el más eficaz y que otros métodos pueden ajustarse mejor a algunas situaciones. Figura: l rendimiento de los algoritmos varía a lo largo de un gradiente de sensibilidad–especificidad. La variación en sensibilidad y especificidad refleja diferencias en los supuestos sobre la forma del nicho y los sesgos de muestreo. Al elegir algoritmos que se distribuyen a lo largo de este gradiente, es posible representar la incertidumbre en las estimaciones de distribución. Los modelos mostrados se clasifican según su algoritmo de presencia e incluyen todos los algoritmos de fondo (véase la Información suplementaria para más detalles sobre la variación en el rendimiento debida a los algoritmos de fondo). Los puntos representan el rendimiento mediano de cada algoritmo y las líneas muestran los rangos intercuartílicos. Los modelos se ajustaron con datos de entrenamiento y las tasas relativas de ocurrencia (ROR) resultantes se convirtieron en datos binarios de presencia/ausencia seleccionando un umbral que excluía el 5% de las presencias del entrenamiento. La sensibilidad y la especificidad se evaluaron con datos independientes de presencia–ausencia. Abreviaturas: LOBAG‑OC (low‑bias bootstrap‑aggregating, one‑class), KDE (kernel density estimation), uLSIF (unconstrained least‑squares importance fitting), ruLSIF (relative unconstrained least‑squares importance fitting) y Maxnet (una implementación del algoritmo MaxEnt que utiliza glmnet para el ajuste del modelo)
Similitud entre las predicciones de los modelos de distribución de especies Los métodos que comparten supuestos generan predicciones más parecidas. Entender estas relaciones ayuda a interpretar divergencias y a mejorar la modelización de nichos ecológicos con pocos datos. Figura: La distancia en el gradiente sensibilidad–especificidad está correlacionada con la similitud de las predicciones. La distancia sensibilidad–especificidad se calculó como la distancia euclidiana entre modelos en un espacio bidimensional donde un eje representa la sensibilidad y el otro la especificidad. El grado de acuerdo entre modelos se calculó como la proporción de localidades del conjunto de datos de presencia/ausencia en las que ambos modelos coincidieron en predecir presencia o ausencia. El índice de Jaccard se calculó como el número de localidades en las que ambos modelos coincidieron en predecir presencia dividido por el número de localidades en las que al menos uno de los modelos predijo presencia. Los puntos representan las medias entre especies para cada par de algoritmos. Los modelos se ajustaron con datos de entrenamiento y las tasas relativas de ocurrencia (ROR) resultantes se convirtieron en datos binarios de presencia/ausencia seleccionando un umbral que excluía el 5% de las presencias del entrenamiento. La sensibilidad y la especificidad se evaluaron con datos independientes de presencia–ausencia.
La combinación de modelos de SDM mejora el rendimiento Combinar varios métodos reduce la incertidumbre y mejora la robustez de las predicciones. Los conjuntos de modelos equilibran sensibilidad y especificidad y superan los enfoques individuales en SDM cuando los registros son limitados. Figura: Los conjuntos se construyeron a partir de los algoritmos KDE/KDE, ruLSIF y Maxnet. La combinación se realizó de dos maneras: promediando las predicciones de los modelos y aplicando después un umbral (lo que produce predicciones binarias), y aplicando primero un umbral a cada modelo individual y agregando después los resultados (lo que genera un apoyo de 0 a 3 votos por localidad). ‘Conjunto con apoyo unánime’ y ‘conjunto con cualquier apoyo’ se refieren, respectivamente, a considerar como presencia únicamente las localidades en las que todos los modelos coinciden, o aquellas en las que al menos un modelo predice presencia. Solo se incluyeron especies con 20 o menos registros de presencia. Los modelos se ajustaron con datos de entrenamiento y se evaluaron con datos independientes de presencia–ausencia. La línea discontinua indica el mayor rendimiento mediano para cada métrica. Las cajas representan el rango intercuartílico, con los bordes marcando los cuantiles 0.75 y 0.25, y la línea horizontal indicando la mediana. Los extremos de los bigotes representan los valores mínimos y máximos calculados, y los puntos corresponden a valores atípicos. Abreviaturas: KDE (kernel density estimation) y ruLSIF (relative unconstrained least‑squares importance fitting).
La modelización de nichos ecológicos afronta un reto clave: ¿cómo obtener #SDM fiables con pocos registros? Un estudio compara #MaxEnt con métodos alternativos y muestra que, cuando los datos disponibles son escasos, el uso de varias opciones puede igualarlo o superarlo:
▶️ doi.org/10.1002/ecog...
SDM y ballenas jorobadas en el estrecho de Magallanes Los modelos de distribución de especies y MaxEnt ayudan a entender por qué las ballenas jorobadas usan zonas clave del Estrecho de Magallanes. Estos modelos orientan la gestión de áreas marinas protegidas y mejoran la conservación basada en datos. Foto: Megaptera novaeangliae. Autor: Lorenz Carrasco (https://spain.inaturalist.org/people/lcarrasco). Licencia: CC BY-NC 4.0 (https://creativecommons.org/licenses/by-nc/4.0/)
MaxEnt identifica los factores que explican la presencia de yubartas. MaxEnt revela cómo la temperatura superficial del mar y la clorofila influyen en la distribución de las yubartas o ballenas jorobadas. Estos patrones ambientales permiten evaluar si las áreas marinas protegidas cubren el hábitat más adecuado según los SDM. Figura: Análisis jackknife de la ganancia de entrenamiento regularizada para las ballenas jorobadas, que muestra la importancia de cada variable por separado.
Predicción espacial del hábitat óptimo El mapa de idoneidad muestra las zonas del estrecho con mayor probabilidad de presencia. Esta información permite comparar el hábitat óptimo con los límites actuales de las áreas marinas protegidas y ajustar su diseño. Figura: Curvas de respuesta de las cinco variables mejor clasificadas (A. Temperatura superficial del mar; B. Distancia a la isóbata de 100 metros; C. Distancia a la isóbata de 200 metros; D. Clorofila de verano; E. Clorofila de primavera; F. Distancia al tráfico marítimo). Las curvas muestran la respuesta media de las 10 ejecuciones replicadas de MaxEnt (líneas negras) y la desviación estándar media (en azul claro).
¿Protegen las áreas marinas lo necesario? El análisis del solapamiento revela qué parte del hábitat adecuado queda dentro de las áreas protegidas. Estos resultados ayudan a mejorar la planificación espacial marina basada en SDM y MaxEnt. Figura: Hábitat adecuado para las ballenas jorobadas predicho por el modelo MaxEnt, restringido al área cubierta por las cuadrículas de muestreo de 500 × 500 m donde podían registrarse avistamientos de ballenas, utilizando un valor umbral de 0,39 para clasificar el hábitat como ‘adecuado’.
Un nuevo estudio usa #SDM y #MaxEnt para explicar la presencia de ballenas jorobadas en el Estrecho de Magallanes y evaluar si las #áreasmarinasprotegidas las cubren adecuadamente. Datos de @gbif.org sustentan el modelo y apoyan las estrategias de conservación:
▶️ doi.org/10.1016/j.ge... #CiteTheDOI
Flexible methods for species distribution modeling with small samples vist.ly/4rq4e #SDM #MaxEnt #NicheModels
【🎉Latest accepted article】
Divergent responses of endemic and non-endemic plant species to climate change in South American Lomas ecosystems
#Drought | #EndemicSpecies | #MaxEnt | #SpeciesDistributionModeling
@kvanmeerbeek.bsky.social
@kuleuvenplantinst.bsky.social
doi.org/10.1093/jpe/...
Suitable habitat of Himalayan wolf in Upper Mustang, Annapurna Conservation Area, Nepal vist.ly/4nbzi #Wolves #MaxEnt #HabitatSuitability
Predicting the climate niche of Puccinia abrupta var. partheniicola using maximum entropy for strategic biological control of Parthenium hysterophorus in India
#Bioclimaticvariables
#DIVA-GIS
#MaxEnt
#rustfungi
#speciesdistributionmodelling
#weedbiocontrol
www.researchgate.net/publication/...
Combining Knowledge About Metabolic Networks and Single-Cell Data with Maximum Entropy
www.mdpi.com/2673-9984/12...
By Carola S. Heinzel et al.
From the MaxEnt 2024 Conference
#SingleCell #MaxEnt #Biotechnology #SystemsBiology
Understanding #Exoplanet Habitability: A #Bayesian ML Framework for Predicting Atmospheric Absorption Spectra
www.mdpi.com/2673-9984/12...
By Vasuda Trehan et al.
From the #MaxEnt 2024 Workshop
#SpaceTech #AI #MachineLearning #NASA
Charpente et couverture Loïc Boisnard à #Maxent (#IlleEtVilaine) Loïc Boisnard est artisan couvreur ornemaniste, s... Suite 👉 https://artisansdupatrimoine.fr/professionnel/4510/loic-boisnard-maxent #Artisan #Restauration #Patrimoine
Charpente et couverture Loïc Boisnard à #Maxent (#IlleEtVilaine) Loïc Boisnard est artisan couvreur ornemaniste, s...
Suite 👉 artisansdupatrimoine.fr/professionnel/4510/loic-...
#Artisan #Restauration #Patrimoine
#MachineLearning #AI #DataScience #Mathematics #InformationTheory #Physics #OccamsRazor #MaxEnt #ArtificialIntelligence
Charpente et couverture Loïc Boisnard à #Maxent (#IlleEtVilaine) Loïc Boisnard est artisan couvreur ornemaniste, s... Suite 👉 https://artisansdupatrimoine.fr/professionnel/4510/loic-boisnard-maxent #Artisan #Restauration #Patrimoine
Charpente et couverture Loïc Boisnard à #Maxent (#IlleEtVilaine) Loïc Boisnard est artisan couvreur ornemaniste, s...
Suite 👉 artisansdupatrimoine.fr/professionnel/4510/loic-...
#Artisan #Restauration #Patrimoine
¿Dónde vive una especie? Con Maxent y QGIS puedes predecirlo usando solo datos de presencia.
#Maxent #QGIS #Conservación #SIG
🌏 One platform. All the tools.
Australia + global. Climate + species.
Model with #MaxEnt, compare with #GLM, #GAM, #RF & more.
Use #RCPs, #SSPs, your own #GCMs.
Code-ready, shareable, supported.
And yes — it’s #opensource 🔓
🔗 ecocommons.org.au
Thanks @ardc.org.au and QCIF 🙌
#EcoCommons #OpenScience
Eeek! Here my new paper where we predicted the distribution of #mesophotic #coral ecosystems in the Chagos Archipelago, using #Maxent onlinelibrary.wiley.com/doi/10.1002/.... I can now say that MY ENTIRE PHD IS PUBLISHED! @plymbiomarsci.bsky.social @plymuni.bsky.social @iomarinescience.bsky.social
Charpente et couverture Loïc Boisnard à #Maxent (#IlleEtVilaine) Loïc Boisnard est artisan couvreur ornemaniste, s... Suite 👉 https://artisansdupatrimoine.fr/professionnel/4510/loic-boisnard-maxent #Artisan #Restauration #Patrimoine
Charpente et couverture Loïc Boisnard à #Maxent (#IlleEtVilaine) Loïc Boisnard est artisan couvreur ornemaniste, s...
Suite 👉 artisansdupatrimoine.fr/professionnel/4510/loic-...
#Artisan #Restauration #Patrimoine
Want to try 3D distribution modeling yourself? Check out the #voluModel #Rstats package, as well as Emmy's code in our new paper that helps implement #Maxent in the voluModel workflow.
hannahlowens.github.io/voluModel/
C'est maintenant les gens !!!
Vous êtes prêts ? @tmdjc.bsky.social et @terrylevelmax.bsky.social sont sur le pied de guerre sur la chaine de @maxentfr.bsky.social !
www.twitch.tv/justfo...
#MaxEnt #JV #JFG #Stream
C'est dans une heure mes gens !!!
Vous êtes prêts ?
www.twitch.tv/justfo...
#MaxEnt #JV #JFG #Stream
New paper in Entomological News using @gbif.org mediated data:
Survey of the Current Distribution Areas of #Cassida Species Detected on #Centaurea behen L. in #Hakkari Province in #Turkey with #Maxent Model 🇹🇷
#CiteTheDOI: ❌
https://doi.org/10.3157/021.132.0102
New paper in Heliyon using @gbif.org mediated data:
Using #MaxEnt modeling to analyze #ClimateChange impacts on #Pseudomonas syringae van Hall, 1904 distribution on the global scale
#CiteTheDOI: ✅
#OpenAccess: ⭐️
https://doi.org/10.1016/j.heliyon.2024.e41017
New paper in New Zealand Journal of Agricultural Research using @gbif.org mediated data:
Predicting the #ClimateChange and suitable areas of #Digitaria insularis based on #CMIP6 projections by #MaxEnt
#CiteTheDOI: ❌
https://doi.org/10.1080/00288233.2024.2433211
New paper in Biology using @gbif.org mediated data:
Prediction of the Future #Evolution Trends of #Prunus sibirica in #China Based on the Key Climate Factors Using #MaxEnt Modeling 🇨🇳
#CiteTheDOI: ❌
https://doi.org/10.3390/biology13120973
New paper in Agriculture using @gbif.org mediated data:
Prediction of the Potentially Suitable Areas of #Sesame in #China Under #ClimateChange Scenarios Using #MaxEnt Model 🇨🇳
#CiteTheDOI: ❌
https://doi.org/10.3390/agriculture14112090
Our article on the role of #spatial units in #modelling #freshwater #fish distributions has just been published in Ecological Modelling. first-authored by Heiko Schmidt @stolllab @dteschlade #SDM #MaxEnt https://doi.org/10.1016/j.ecolmodel.2020.108937
Our new article issues spatial potential of low-intensity #farmland #hnvfarmland #hnv for #Urban #GreenInfrastructure using #GIS based habitat suitability model using #MaxEnt - 50 days free download using this share link:
https://authors.elsevier.com/a/1XmAA,XRNLVDcf - feel free to...
Really nice talk from Anazawa suggesting a simple mechanism for obseved resource allocation patterns. Now on to Baker to learn about eradication techniques for conservation #SMB2018 #maxent #WhenEradicationIsAGoodThing #modeling #mathbio
