При обсуждении моделей распределения видов по пространственным, временным или функциональным градиентам часто встречается горбообразная картина видового богатства. Это хорошо задокументировано для многих таксонов и пространственных масштабов и известно как эффект средней области ( например, Colwell & Lees 2000 ).
Эти закономерности также возникают стохастически (в зависимости от частотного распределения ареалов вида). Таким образом, средние точки ареалов случайного распределения видов используются в качестве нулевых моделей для проверки этих эффектов средней области.
Однако эти модели предполагают нефрагментированные ареалы видов. При сильно фрагментированном ареале видов картина выглядела бы совершенно иначе.
Поэтому я не хочу начинать дискуссию о справедливости этой концепции, а скорее спрошу:
Учитывая градиент и известные виды, встречающиеся на этом градиенте. Кто-нибудь читал статью о (или имеет идею) о том, что было бы хорошей/беспристрастной* оценкой фрагментации ареалов видов?
Спасибо
* например: Тот, который не переоценивает или недооценивает фрагментацию для редких или распространенных видов
Очень интересный вопрос +1. Я не очень хорошо знаком с литературой по этому вопросу, но я не нашел многого, поискав ее. Я знаю, что существует ряд методов, когда у вас есть генетические данные ( СТРУКТУРА или какая-то работа J. Novembre , вероятно).
Вот два возможных решения
примерка распределения
Вы можете подобрать 1, 2, 3, ...., n нормальных (или равномерных) распределений к наблюдаемым данным. Каждый раз сравнивайте их максимальную вероятность (для чего вам может понадобиться MCMC с параметрами 2⋅x, где это количество подходящих дистрибутивов) и выберите «лучшую» модель с некоторым информационным критерием, таким как AIC или BIC.
Количество фрагментов равно значение, связанное с самым низким AIC.
Логистическая регрессия
Другим (более быстрым и простым) решением было бы применить логистическую регрессию к вашим данным.
Итеративно подобрать логистическую регрессию степени 1,2,3,...n, а затем снова использовать некоторые информационные критерии для выбора «лучшего».
Чтобы найти количество фрагментов, вы можете либо использовать количество градусов в модели, либо, что еще лучше, использовать некоторый порог вероятности получения нуля (который вы можете вычислить с помощью пакета эффектов в R).
Заметки
Это, вероятно, займет у вас день или около того, если вы хорошо разбираетесь в этих методах и имеете начальные знания в области программирования.
Вы также можете узнать мнение от stats.SE .
файлпод водой
жизнь в деревьях