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🥰2
🔺Часть 4
Картинки, хоть и понравились мне чисто по визуалу 💅, но почему-то не показывали какой-то тенденции, которую я бы посчитал позитивным результатом. Например ни одна из классификаций не давала более чёткой группировки, чем остальные, да и вообще уныло что всегда более близкие районы заселены более похожими моллюсоками – это и без картинки понятно 🙄
Я сделал ещё несколько ничего не давших анализов и решил попробовать сделать модели для семнадцати наиболее часто встречавшихся улитонек и одной двустворки. Потому что из модели можно в том числе и вытащить значимость факторов.
Чтобы оценить качество модели используются специальные метрики. Для этого модель обучается на части данных, а другая часть используется в качестве тестовой – насколько хорошо модель предсказывает и присутствия и отсутствия вида. Метрик довольно много, и они немного по-разному оценивают вклад присутствий и отсутствий вида, я использовал четыре (в финальной версии – три первых) из них – AUC, TSS, Kappa и LOOIC.
Сначала всё шло хорошо – я сравнивал какой прирост качества модели даёт добавление классификации относительно базовой модели с климатическими факторами. Оказалось, что наземные экорегионы в топчике 🔝 Это с одной стороны противоречит большинству работ, где водосборные бассейны рассматриваются как основной фактор влияющий на распространение значительной части пресноводной фауны. Логично – водным организмам гораздо проще расселяться используя непрерывную водную среду, чем перебираться по воздуху между наземными преградами.
С другой стороны, тип ландшафта на земле очень важен для улитонек большинство из которых потомки именно наземных моллюсок, а не морских. Они дышат атмосферным кислородомвоздуха и привыкли пастись на огродах на цветковых растениях, которые либо растут в прибрежье, либо падают в воду. Например раньше я уже на Кольском полуострове и окрестностях обнаружил, что в тундре скачкообразно падает число пресноводных улитонек, хотя какая им разница до наземных ландшафтов? 🤷
Эта красивая теория подтверждалась до тех пор, пока я не решил добавить в модель простую сетку (это те самые прямоугольнички, о которых я писал в части 2), которая не несёт никакого биологического смысла – просто деление территории на равные по площади куски. Это должно было быть контролем – ведь метрики моделей могут улучшаться и просто из-за добавления не очень значащих факторов. То есть важно было показать, что экорегионы улучшают не просто климатическую модель, а это улучшение действительно отражает биологические закономерности.
Тут оказалось, что для большинства видов вообще нет разницы использовать бассейны, экорегионы или простую сетку. То есть я получил чисто математический прирост качества, который не имеет биологической основы. Чтобы в этом точно убедиться я добавил простые ландшафтные факторы, уже полученные на основе спутниковых снимков, которые, как мы помним, точно улучшают модель.
🔻#пресноводные
Картинки, хоть и понравились мне чисто по визуалу 💅, но почему-то не показывали какой-то тенденции, которую я бы посчитал позитивным результатом. Например ни одна из классификаций не давала более чёткой группировки, чем остальные, да и вообще уныло что всегда более близкие районы заселены более похожими моллюсоками – это и без картинки понятно 🙄
Я сделал ещё несколько ничего не давших анализов и решил попробовать сделать модели для семнадцати наиболее часто встречавшихся улитонек и одной двустворки. Потому что из модели можно в том числе и вытащить значимость факторов.
Чтобы оценить качество модели используются специальные метрики. Для этого модель обучается на части данных, а другая часть используется в качестве тестовой – насколько хорошо модель предсказывает и присутствия и отсутствия вида. Метрик довольно много, и они немного по-разному оценивают вклад присутствий и отсутствий вида, я использовал четыре (в финальной версии – три первых) из них – AUC, TSS, Kappa и LOOIC.
Сначала всё шло хорошо – я сравнивал какой прирост качества модели даёт добавление классификации относительно базовой модели с климатическими факторами. Оказалось, что наземные экорегионы в топчике 🔝 Это с одной стороны противоречит большинству работ, где водосборные бассейны рассматриваются как основной фактор влияющий на распространение значительной части пресноводной фауны. Логично – водным организмам гораздо проще расселяться используя непрерывную водную среду, чем перебираться по воздуху между наземными преградами.
С другой стороны, тип ландшафта на земле очень важен для улитонек большинство из которых потомки именно наземных моллюсок, а не морских. Они дышат атмосферным кислородом
Эта красивая теория подтверждалась до тех пор, пока я не решил добавить в модель простую сетку (это те самые прямоугольнички, о которых я писал в части 2), которая не несёт никакого биологического смысла – просто деление территории на равные по площади куски. Это должно было быть контролем – ведь метрики моделей могут улучшаться и просто из-за добавления не очень значащих факторов. То есть важно было показать, что экорегионы улучшают не просто климатическую модель, а это улучшение действительно отражает биологические закономерности.
Тут оказалось, что для большинства видов вообще нет разницы использовать бассейны, экорегионы или простую сетку. То есть я получил чисто математический прирост качества, который не имеет биологической основы. Чтобы в этом точно убедиться я добавил простые ландшафтные факторы, уже полученные на основе спутниковых снимков, которые, как мы помним, точно улучшают модель.
🔻#пресноводные
🔺Часть 5
Действительно, во всех случаях моделирования, включая все возможные комбинации климата, ландшафта и экорегионов (или их отсутствия) достоверно лучшими оказались модели с ландшафтными предикторами, а остальное – в пределах погрешности. Всего в финальной версии для каждого вида я рассчитал по 14 моделей, то есть всего 252, это без учёта моих экспериментов, которых было в разы больше 😅
Вот теперь посмотрите на картинки. Тут показан прирост метрик качества моделей относительно простой климатической (Cl) усреднённый для всех видов (поэтому там ещё показана погрешность). Отдельно для общей модели (ensemble) и для каждогоалкоалгоритма, который в неё входит. Видно что последние сценарии (с LC в названии) лучше, чем все остальные, по крайней для общей модели.
На второй картинке – тест Крускала-Валлиса с пост-хоками (для тех, кто ходит на мои лекции – это один из вариантов дисперсионного анализа, для тех, кто не ходит – советую начать ходить 😁) с попарным сравнениями разных сценариев. Чем ярче пиксель – тем достовернее различия.
🔻#пресноводные
Действительно, во всех случаях моделирования, включая все возможные комбинации климата, ландшафта и экорегионов (или их отсутствия) достоверно лучшими оказались модели с ландшафтными предикторами, а остальное – в пределах погрешности. Всего в финальной версии для каждого вида я рассчитал по 14 моделей, то есть всего 252, это без учёта моих экспериментов, которых было в разы больше 😅
Вот теперь посмотрите на картинки. Тут показан прирост метрик качества моделей относительно простой климатической (Cl) усреднённый для всех видов (поэтому там ещё показана погрешность). Отдельно для общей модели (ensemble) и для каждого
🔻#пресноводные
🔥3
🔺Часть 6
А вот так выглядит влкад разных факторов в модель. Он оказался низким у экорегионов, водосборных бассейнов и случайной сетки, однако самыми высокими оказались ландшафтные и, в некоторых алгоритмах, климатические (они имеют “Bio” в названии) факторы. Это согласуется с моим первым опытом моделирования для слизней.
🔻#пресноводные
А вот так выглядит влкад разных факторов в модель. Он оказался низким у экорегионов, водосборных бассейнов и случайной сетки, однако самыми высокими оказались ландшафтные и, в некоторых алгоритмах, климатические (они имеют “Bio” в названии) факторы. Это согласуется с моим первым опытом моделирования для слизней.
🔻#пресноводные
🔺Часть 7
Ну и наконец, почему такое возможно, что случайное разбиение территории на прямоугольники может дать такой же или лучший результат, чем построенные умными людьми классификации? Тем более, что не я первый начал использовать их в моделировании и у всех было 🆗 Вероятнее всего есть какие-то пространсвенные закономерности, которыене понять бездушным математическим алгоритмам не вошли в список моделируемых факторов. С другой стороны – проработка классификаций не всегда одинакова для всего мира и я мог выбрать просто неудачную территорию, где границы регионов проводили на глаз экспертно. С третьей – может быть много у кого не получалось, просто они это не публиковали. И наконец, никто же раньше не тестировал случайную пространственную сетку, может быть она бы развалила и предыдущие результаты 🤔
В итоге на все эти бесконечные рассчёты я потратил больше года. Мог бы и что-то хорошее за это время сделать 😭
Ну и наконец, почему такое возможно, что случайное разбиение территории на прямоугольники может дать такой же или лучший результат, чем построенные умными людьми классификации? Тем более, что не я первый начал использовать их в моделировании и у всех было 🆗 Вероятнее всего есть какие-то пространсвенные закономерности, которые
В итоге на все эти бесконечные рассчёты я потратил больше года. Мог бы и что-то хорошее за это время сделать 😭