🔺Часть 5
Моя гипотеза о том, что именно модификация среды человеком влияет на вероятность появления слизней подтверждается уже по этой карте – города и дороги светятся ярко-красным, то есть в зоне высокого риска вселения. Ещё карта предсказывает, что если эти слизни доберутся до Китая и Японии, то найдут там пригодные для своего обитания места почти повсеместно, как это уже случилось на Кавказе, куда слизень был завезён недавно, но уже регистрируется то тут, то там 👀 А добарться они могут как раз используя человечью среду обитания.
Тем не менее это карта, а чтобы получить более точные результаты, которые удовлетворят другихучёных научных работников, можно подробнее поизучать предсказания модели.
Поэтому я раздедил моделируемую часть Азии на двенадцать районов и в каждом из них отдельно провёл два теста: в первом (Permutation Importance) вместо значения каждого из использованных для обучения модели факторов подставлялись случайные значения и оценивалось, насколько качество модели упадёт. Во втором (Partial Dependence) вместо каждого фактора подставлялись по порядку все допустимые значения и смотрели при каком фиксированном значении модель даёт наилучшие предсказания. Последний позволяет найти оптимальное значение для каждого из факторов.
🔻#наземные
Моя гипотеза о том, что именно модификация среды человеком влияет на вероятность появления слизней подтверждается уже по этой карте – города и дороги светятся ярко-красным, то есть в зоне высокого риска вселения. Ещё карта предсказывает, что если эти слизни доберутся до Китая и Японии, то найдут там пригодные для своего обитания места почти повсеместно, как это уже случилось на Кавказе, куда слизень был завезён недавно, но уже регистрируется то тут, то там 👀 А добарться они могут как раз используя человечью среду обитания.
Тем не менее это карта, а чтобы получить более точные результаты, которые удовлетворят других
Поэтому я раздедил моделируемую часть Азии на двенадцать районов и в каждом из них отдельно провёл два теста: в первом (Permutation Importance) вместо значения каждого из использованных для обучения модели факторов подставлялись случайные значения и оценивалось, насколько качество модели упадёт. Во втором (Partial Dependence) вместо каждого фактора подставлялись по порядку все допустимые значения и смотрели при каком фиксированном значении модель даёт наилучшие предсказания. Последний позволяет найти оптимальное значение для каждого из факторов.
🔻#наземные
🔺Часть 6
Фух … подушнил, теперь посмотрите на картинки. Из них видно, что хотя в целом климатические факторы имеют очень большое значение, но по крайней мере в некоторых регионах плотная городская застройка почти полностью обуславливает возможность заселения региона Испанскими (и похожими на них) слизнями. Чем больше доля застройки – тем лучше.
А вот районы земледелия, причём не только большие поля, но и дачи с огородами вопреки моим ожиданиям не оказывают существенного влияния. Так что если хотите, чтобы вашу капусту не съели слизни –храните сажайте её подальше от города ☝️
🔻#наземные
Фух … подушнил, теперь посмотрите на картинки. Из них видно, что хотя в целом климатические факторы имеют очень большое значение, но по крайней мере в некоторых регионах плотная городская застройка почти полностью обуславливает возможность заселения региона Испанскими (и похожими на них) слизнями. Чем больше доля застройки – тем лучше.
А вот районы земледелия, причём не только большие поля, но и дачи с огородами вопреки моим ожиданиям не оказывают существенного влияния. Так что если хотите, чтобы вашу капусту не съели слизни –
🔻#наземные
🥰8
🔺Часть 7
Удивительно, но эта история оказалась связана с одной из предыдущих историй, ну той, где я таскал почву с ледниковых впуклостей всё на том же Тянь-Шане, чтобы потом более умные люди изучили её загрязнение. Обе работы про то, как казалось бы малоиспользуемые горные районы трансформируются от неконтролируемого их использованияи автомобилей.
И ещё немного про приключения с публикацией. Наша статья вышла в журнале Scientific Reports. У меня было довольно скептическое отношение к нему, типа такой MDPI (это, кто не в курсе, китайское издательство, которое публикует всё быстро но часто с плохим рецензированием и такой же работой редакторов) на максималках. Тем не менее я получил три на удивление подробные рецензии, благодаря которым рукопись удалось существенно исправить, возможно первый раз в жизни. Рецензенты не только нашли кучу ошибок в тексте, но и покопались в коде. В процессе переделок и пересчётови грусных вздохов я гораздо лучше разобрался в том, как работает моделирование. Это дало мне возможность уже понять что не так с Radix plicatula, о чём я писал в предыдущей истории.
🔻#наземные
Удивительно, но эта история оказалась связана с одной из предыдущих историй, ну той, где я таскал почву с ледниковых впуклостей всё на том же Тянь-Шане, чтобы потом более умные люди изучили её загрязнение. Обе работы про то, как казалось бы малоиспользуемые горные районы трансформируются от неконтролируемого их использования
И ещё немного про приключения с публикацией. Наша статья вышла в журнале Scientific Reports. У меня было довольно скептическое отношение к нему, типа такой MDPI (это, кто не в курсе, китайское издательство, которое публикует всё быстро но часто с плохим рецензированием и такой же работой редакторов) на максималках. Тем не менее я получил три на удивление подробные рецензии, благодаря которым рукопись удалось существенно исправить, возможно первый раз в жизни. Рецензенты не только нашли кучу ошибок в тексте, но и покопались в коде. В процессе переделок и пересчётов
🔻#наземные
1
Forwarded from Заслуженный учитель Магадана
Please open Telegram to view this post
VIEW IN TELEGRAM
❤1
Как показал опрос – всем очень интересно как я пишу статью делаю исследование. Я попробую здесь описывать свой прогресс. Не обещаю писать регулярно – потому что параллельно я делаю несколько проектов и постоянно между ними переключаюсь. Не обещаю также и довести это до конца – часто многие идеи, которые кажутся классными на ранних этапах потом оказываются ни на что не годными (как раз промучался с одной такой недавно). Для этой истории, которая пишется на ваших глазах будет хештег #мастерская@bottom_bottom
Итак, мне в голову пришла очередная идея для исследования.
Дно уже писало (раз, два), что зверюшки в Арктике распространены не очень одинаково. С одной стороны у нас есть юго-запад Баренцева моря (впрочем и другие его части) и Белое море, где вовсю сидят бореальные (то есть северные, но не арктические) улитоньки, а с другой – сибирские моря, где ползают уже совсем другие улитоньки, черви, морские огручики иморские офиуры. Именно их и называют арктическими.
Вообще считается, что такая разница в распространении из-за климата, бореальные обитатели доходят до туда, где проходят тёплые течения. Однако, на мой взгляд влияние условий обитания может быть переоценено. Моря разделяет не только температура, но ещё и сотни километров расстояния, острова, полуострова и другие барьеры, мешающие расселяться. В конечном счёте, Дно тоже писало (раз. два) о том, что распространение озёрных и речных улитонек даже в сравнительно южных районах может быть следствием Плейстоценовых оледенений. Если это наложило такой отпечаток на пресноводных организмов, то что с морскими, среда обитания которых также была другой, а много где и вовсе недоступной?
В общем, я полагаю, что хотя бы часть видов, обитающих на западе Арктики обитает там не потому что тепло, а потому что не успели добраться на восток, хотя они и могут найти там для себя подходящие условия обитания.
Чтобы это проверить может пригодиться мой опыт моделирования, который я обкатал на испанских слизнях и прудовиках. Пока я попробовал сделать моделирование видов из своего глубоководного набора данных и получил очень красивые картинки. Вот поглядите как проекция модели выглядит для улитонек Punctulum wyvillethomsoni и Mohnia danielsseni.
🔻 #мастерская@bottom_bottom #Морские #Арктика
Итак, мне в голову пришла очередная идея для исследования.
Дно уже писало (раз, два), что зверюшки в Арктике распространены не очень одинаково. С одной стороны у нас есть юго-запад Баренцева моря (впрочем и другие его части) и Белое море, где вовсю сидят бореальные (то есть северные, но не арктические) улитоньки, а с другой – сибирские моря, где ползают уже совсем другие улитоньки, черви, морские огручики и
Вообще считается, что такая разница в распространении из-за климата, бореальные обитатели доходят до туда, где проходят тёплые течения. Однако, на мой взгляд влияние условий обитания может быть переоценено. Моря разделяет не только температура, но ещё и сотни километров расстояния, острова, полуострова и другие барьеры, мешающие расселяться. В конечном счёте, Дно тоже писало (раз. два) о том, что распространение озёрных и речных улитонек даже в сравнительно южных районах может быть следствием Плейстоценовых оледенений. Если это наложило такой отпечаток на пресноводных организмов, то что с морскими, среда обитания которых также была другой, а много где и вовсе недоступной?
В общем, я полагаю, что хотя бы часть видов, обитающих на западе Арктики обитает там не потому что тепло, а потому что не успели добраться на восток, хотя они и могут найти там для себя подходящие условия обитания.
Чтобы это проверить может пригодиться мой опыт моделирования, который я обкатал на испанских слизнях и прудовиках. Пока я попробовал сделать моделирование видов из своего глубоководного набора данных и получил очень красивые картинки. Вот поглядите как проекция модели выглядит для улитонек Punctulum wyvillethomsoni и Mohnia danielsseni.
🔻 #мастерская@bottom_bottom #Морские #Арктика
🔺Часть 2
То есть концепт рабочий. Но если модель показывает бОльшую территорию, пригодную для обитания по сравнению с реальным распространением вида, это не всегда значит что вид не может расселиться – возможно там просто никто не собирал. Это первая проблема. Пока я придумал что территорию нужно разделить на квадраты и для каждого квадрата посчитать вероятность находки вида, исходя из общего числа точек сбора в нём. Буду тестировать.
Вторая проблема – как учитывать нереализованный ареал? Если просто посчитать число пикселей, в которых модель предсказывает наличие вида – это даст мало информации. Ведь если такие пиксели сконцентрированы вокруг известных мест находок – это практически не означает что у вида есть потенциал заселиться на новую территорию (ну действительно, никто не удивиться, если берёза в теории может вырасти в десятке метров от берёзового леса). А вот если между местом находки вида и предсказанной моделью территорией многие сотни километров, это скорее показывает что вид не попадает туда из-за географических барьеров. Пока я придумал, что для оценки предсказанных моделью как пригодные для обитания, но не заселённых реально территорий нужно вводить “коэффициент ценности”, зависящий от расстояния. При этом расстояние само по себе не всегда хороший индикатор возможных барьеров для расселения, но лучше пока ничего не придумалось.
#мастерская@bottom_bottom #Морские #Арктика
То есть концепт рабочий. Но если модель показывает бОльшую территорию, пригодную для обитания по сравнению с реальным распространением вида, это не всегда значит что вид не может расселиться – возможно там просто никто не собирал. Это первая проблема. Пока я придумал что территорию нужно разделить на квадраты и для каждого квадрата посчитать вероятность находки вида, исходя из общего числа точек сбора в нём. Буду тестировать.
Вторая проблема – как учитывать нереализованный ареал? Если просто посчитать число пикселей, в которых модель предсказывает наличие вида – это даст мало информации. Ведь если такие пиксели сконцентрированы вокруг известных мест находок – это практически не означает что у вида есть потенциал заселиться на новую территорию (ну действительно, никто не удивиться, если берёза в теории может вырасти в десятке метров от берёзового леса). А вот если между местом находки вида и предсказанной моделью территорией многие сотни километров, это скорее показывает что вид не попадает туда из-за географических барьеров. Пока я придумал, что для оценки предсказанных моделью как пригодные для обитания, но не заселённых реально территорий нужно вводить “коэффициент ценности”, зависящий от расстояния. При этом расстояние само по себе не всегда хороший индикатор возможных барьеров для расселения, но лучше пока ничего не придумалось.
#мастерская@bottom_bottom #Морские #Арктика
1
Ну вот и прошла неделя. Ранее я проверил, что построить модели распространения для арктических улитонек в принципе возможно.
На этом этапе очень хотелось бы сделать уже не тестовые, а реальные модели и их проекции с которыми можно работать дальше. Для этого мне надо собрать как можно больше сведений о находках улитонек. На самом деле к этому я готовился почти всю свою рабочую жизнь (ну не считая того периода, когда я работал на стройках и земснаряде ) – у меня ооооочень много данных о распространении улитонек в Арктике. Проблема в том, что они разбросаны по совсем разным файлам, с разными форматами и разной степенью подробности. И это ещё хорошо, что я давно не пишу ничего на бумаге – все старые блокноты потерялись во время бесконечного переезда из квартиры в квартиру и из лаборатории в лабораторию 😅.
Сводить эти данные в единый массив я начал много месяцев назад, потому что это мне нужно дляочередного списка видов диссертации, которую я пишу, хотя со стороны так и не кажется 👀 и сейчас я только завершил продолжил эту работу, а не сделал с нуля, добавив туда также и литературных данных для тех районов, откуда свои отсутствуют. Итого, у меня есть база данных с проверенными находками улитонек, состоящая из 6200+ записей с проверенными находками улитонек, 95% из которых прошли через мои руки. Выглядит она как на картинке. Для каждой записи пришлось проверять координаты и другие атрибуты, а часть пришлось выкинуть на этапе составления.
Вот, посмотрите на карту точек находок улитонек в Арктике и на то, как выглядит база данных.
🔻 #мастерская@bottom_bottom #Морские #Арктика
На этом этапе очень хотелось бы сделать уже не тестовые, а реальные модели и их проекции с которыми можно работать дальше. Для этого мне надо собрать как можно больше сведений о находках улитонек. На самом деле к этому я готовился почти всю свою рабочую жизнь (ну не считая того периода, когда я работал на стройках и земснаряде ) – у меня ооооочень много данных о распространении улитонек в Арктике. Проблема в том, что они разбросаны по совсем разным файлам, с разными форматами и разной степенью подробности. И это ещё хорошо, что я давно не пишу ничего на бумаге – все старые блокноты потерялись во время бесконечного переезда из квартиры в квартиру и из лаборатории в лабораторию 😅.
Сводить эти данные в единый массив я начал много месяцев назад, потому что это мне нужно для
Вот, посмотрите на карту точек находок улитонек в Арктике и на то, как выглядит база данных.
🔻 #мастерская@bottom_bottom #Морские #Арктика
🔺Часть 2
Моделировать распространение можно только для улитонек, которые были найдены по многу раз в разных по условиям районах. В моём случае нужно чтобы расстояния между точками находок было не менее 2.5 угловых минут (около 4-5 километров), потому что используемые для обучения карты с распределением условий среды имеют такой масштаб. Я отфильтровал виды у которых есть находки не менее чем в трёх десятках пятикилометровых квадратов, таких набралось всего 23. Именно с ними я и буду работать.
Дно уже писало, что для построения модели нужно знать не только где вид был найден, но и где его найдено не было. Такие места выбираются в случайном порядке на определённом расстоянии от мест находок. Такое расстояние называется буфером и выбирается исходя из возможностей моделируемых видов расселяться. Это обычно неизвестно, но для беспозвоночных варьирует от десятков до сотен километров. Чтобы выбрать оптимальный я построил для каждого вида по пять моделей с разными буферами и постарался выбрать ту, формальное качество которой лучшее для большинства видов.
Вот, посмотрите, что получилось. В целом значительной разницы между разными буферами не было (и это хорошо!), но буфер в 200 км оказался в среднем немного лучшим, и его я буду использовать в дальнейшем
Заодно посмотрите, какой вклад вносят разные факторы в разные алгоритмы моделирования. Самыми важными обычно оказываются глубина и покрытие льдом 🧐
🔻 #мастерская@bottom_bottom #Морские #Арктика
Моделировать распространение можно только для улитонек, которые были найдены по многу раз в разных по условиям районах. В моём случае нужно чтобы расстояния между точками находок было не менее 2.5 угловых минут (около 4-5 километров), потому что используемые для обучения карты с распределением условий среды имеют такой масштаб. Я отфильтровал виды у которых есть находки не менее чем в трёх десятках пятикилометровых квадратов, таких набралось всего 23. Именно с ними я и буду работать.
Дно уже писало, что для построения модели нужно знать не только где вид был найден, но и где его найдено не было. Такие места выбираются в случайном порядке на определённом расстоянии от мест находок. Такое расстояние называется буфером и выбирается исходя из возможностей моделируемых видов расселяться. Это обычно неизвестно, но для беспозвоночных варьирует от десятков до сотен километров. Чтобы выбрать оптимальный я построил для каждого вида по пять моделей с разными буферами и постарался выбрать ту, формальное качество которой лучшее для большинства видов.
Вот, посмотрите, что получилось. В целом значительной разницы между разными буферами не было (и это хорошо!), но буфер в 200 км оказался в среднем немного лучшим, и его я буду использовать в дальнейшем
Заодно посмотрите, какой вклад вносят разные факторы в разные алгоритмы моделирования. Самыми важными обычно оказываются глубина и покрытие льдом 🧐
🔻 #мастерская@bottom_bottom #Морские #Арктика
🔺Часть 3
Ну и наконец, я обрисовал ареалы распространения видов и построил первые варианты карт пригодности территории (то есть проекции моделей) и наложил одно на другое. Карты распространения видов я делал методике, которую я разработал для другого исследования, которое валяется на рецензии 😡 и когда-нибудь возможно станет темой истории для Дна. В целом этот алгоритм очерчивает крайние точки находок вида (convex-hull, ко в теме) а затем строит что-то вроде изолиний распространения видов по глубине. Накладывая одно на другое получается известный ареал распространения.
Исходная гипотеза о том, что распространение улитонек на восток может быть ограничено географическими барьерами не подтверждается – территория предсказанная моделью не слишком отличается от очерченного ареала. В будущем я придумаю как вырезать из проекции модели те участки, где было собрано мало проб и различия, как я полагаю совсем сойдут на нет. Вот, посмотрите на картинки – территория предсказанная моделью показана оттенками красного, а реальный ареал – однотонной заливкой.
У нескольких видов всё же значительные различия были (третья картинка). Однако это явный артетфакт моей базы данных, потому что эти виды в ней отсутствовали на части территорий, откуда они были указаны во всяких научных статьях. То есть нужен ещё один цикл дополнения базы данных хотя бы по выбранным видам, чем я и занимаюсь.
#мастерская@bottom_bottom #Морские #Арктика
Ну и наконец, я обрисовал ареалы распространения видов и построил первые варианты карт пригодности территории (то есть проекции моделей) и наложил одно на другое. Карты распространения видов я делал методике, которую я разработал для другого исследования, которое валяется на рецензии 😡 и когда-нибудь возможно станет темой истории для Дна. В целом этот алгоритм очерчивает крайние точки находок вида (convex-hull, ко в теме) а затем строит что-то вроде изолиний распространения видов по глубине. Накладывая одно на другое получается известный ареал распространения.
Исходная гипотеза о том, что распространение улитонек на восток может быть ограничено географическими барьерами не подтверждается – территория предсказанная моделью не слишком отличается от очерченного ареала. В будущем я придумаю как вырезать из проекции модели те участки, где было собрано мало проб и различия, как я полагаю совсем сойдут на нет. Вот, посмотрите на картинки – территория предсказанная моделью показана оттенками красного, а реальный ареал – однотонной заливкой.
У нескольких видов всё же значительные различия были (третья картинка). Однако это явный артетфакт моей базы данных, потому что эти виды в ней отсутствовали на части территорий, откуда они были указаны во всяких научных статьях. То есть нужен ещё один цикл дополнения базы данных хотя бы по выбранным видам, чем я и занимаюсь.
#мастерская@bottom_bottom #Морские #Арктика
1🔥5
А вот интересный душный оффтоп. Ранее в #мастерская@bottom_bottom я опубликовал не очень понятные картинки со сравнениями моделей у разных видов. Расскажу что они значат и как появились.
Я использовал скрипты написанные для другой статьи, вот только что вышедшей, о которой Дно писать не планировало. Дело в том “иногда ты ешь медведя, а иногда медведь есть тебя” (с). В научной работе второе бывает чаще. Вот тут я пытался на своих данных о пресноводных моллюсках Центральной Азии проверить насколько можно использовать всякие там биогеографические регионы для предсказания состава фауны.
Я взял три классификации, которые очень часто используются для описания распространения пресноводных зверюшек – пресноводные и наземные экорегионы, и ещё водосборные бассейны. С одной стороны это достаточно дробные классификации чтобы они были применимы для небольшой территории, с другой стороны – они совсем про разное. Наземные экорегионы отражают ландшафтно-зональное деление, то на есть степи, болота, леса, тундру, лишайниковая тундру, кустарничковая тундру, тундру островов южной части Индийского океана и ещё 100500 других видов тундры. Пресноводные экорегионы – про историческую связанной речных бассейнов, например если когда-то было одно озеро, а потом разделилось на два – оба современных озера входят в один экорегион, а если сейчас две части реки были более-менее изолированы, а теперь – нет, то это два разных экорегиона. С водосборными бассейнами всё просто – это современные отдельные реки и все лужи в их окрестностях.
🔻#пресноводные
Я использовал скрипты написанные для другой статьи, вот только что вышедшей, о которой Дно писать не планировало. Дело в том “иногда ты ешь медведя, а иногда медведь есть тебя” (с). В научной работе второе бывает чаще. Вот тут я пытался на своих данных о пресноводных моллюсках Центральной Азии проверить насколько можно использовать всякие там биогеографические регионы для предсказания состава фауны.
Я взял три классификации, которые очень часто используются для описания распространения пресноводных зверюшек – пресноводные и наземные экорегионы, и ещё водосборные бассейны. С одной стороны это достаточно дробные классификации чтобы они были применимы для небольшой территории, с другой стороны – они совсем про разное. Наземные экорегионы отражают ландшафтно-зональное деление, то на есть степи, болота, леса, тундру, лишайниковая тундру, кустарничковая тундру, тундру островов южной части Индийского океана и ещё 100500 других видов тундры. Пресноводные экорегионы – про историческую связанной речных бассейнов, например если когда-то было одно озеро, а потом разделилось на два – оба современных озера входят в один экорегион, а если сейчас две части реки были более-менее изолированы, а теперь – нет, то это два разных экорегиона. С водосборными бассейнами всё просто – это современные отдельные реки и все лужи в их окрестностях.
🔻#пресноводные
🔺Часть 2
Вот, посмотрите на карту наземных и пресноводных экорегионов и водосборных бассейнов Казахстана.Как сейчас помню, как редактировал её в сидрерии на Моховой в свой прошлый День рождения в ожидании друзей. Просто хочу напомнить, что я рад тому, что у меня есть друзья 😍
На верхней карте территория разделена на прямоугольники. Запомните это, потом пригодится 😏
🔻#пресноводные
Вот, посмотрите на карту наземных и пресноводных экорегионов и водосборных бассейнов Казахстана.
На верхней карте территория разделена на прямоугольники. Запомните это, потом пригодится 😏
🔻#пресноводные
🔺Часть 3
Сначала я сделал офигительно красивую (на мой взгляд), хотя и черновую картинку. Если бы из неё хоть что-то получилось, то я бы доделал её в графическом редакторе, но сейчас смысла в этом нет. Регионы на картах из каждой классификации раскрашены по степени сходства с самым богатым по числу видов. А графики, похожие на филогенетические деревья – в общих чертах показывают насколько много общих видов между регионами.
Отдельно графики построены для всех моллюсков и отдельно для улитонек🐌 и двустворок🦪 (это всякиеустрицы, перловицы и отцы пизидии).
🔻#пресноводные
Сначала я сделал офигительно красивую (на мой взгляд), хотя и черновую картинку. Если бы из неё хоть что-то получилось, то я бы доделал её в графическом редакторе, но сейчас смысла в этом нет. Регионы на картах из каждой классификации раскрашены по степени сходства с самым богатым по числу видов. А графики, похожие на филогенетические деревья – в общих чертах показывают насколько много общих видов между регионами.
Отдельно графики построены для всех моллюсков и отдельно для улитонек🐌 и двустворок🦪 (это всякие
🔻#пресноводные
🔥2