🔺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
🔥4🦄4
🔺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
🥰4
🔺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 😭
Итак, в прошлый раз в #местерская@bottom_bottom я определился с видами улитонек, распространение которых в дальнейшем буду моделировать, некоторыми параметрами модели и сделал предварительный вывод – реальное распространение улитонек во многом соответствует пригодной территории, которую предсказывают модели.
С тех пор я дополнил свою базу данных. Явных артефактов теперь не осталось и можно уже более конкретно сравнивать предсказанную нишу с реализованной. Для сравнения я разделил территорию на большие квадраты – я протестировал три варианта их размера: со сторонами 50, 100 и 200 км. В итоге остановился на самых мелких пятидесятикилометровых. Ещё я придумал формулу, ещё в самом начале работы. Она должна показывать вероятность реальной находки вида в конкретном квадрате (правда пришлось её немного поменять). Она делит полное число точек находок вида на пригодной для его обитания территории на его на общее число записей в базе данных, попадающих в эту территорию. Так получается вероятность находки вида, если бы их распределение было бы полностью случайным.
Ну представьте себе – у вас есть сотня лотерейных билетов, из которых только двадцать выигрышных. То есть вероятность вытянуть случайно выигрышный билет равна 20/100 =1/5=0.2. Так же и с находкой сферической улитоньки в вакууме 😁
Но вероятность находки вида в конкретном пятидесятикилометровом квадрате зависит ещё и от того, как много в нём пригодной территории и как много проб в нём было отобрано. Поэтому умножаем на эти числа.
Пригодная территория – тоже понятие относительное. Модель даёт для каждого пикселя на карте значение вероятности того, что вид найдёт там хорошие для себя условия. Но эта вероятность может быть очень низкой, поэтому пиксели с маленькой пригодностью нужно исключить. Для этого я проверил в какие диапазоны пригодности попадают реальные точки находок видов и посчитал непригодными все пиксели куда попало менее 5% таких находок для каждого из видов.
Все эти рассчёты пришлось придумывать только потому что точки сборов моллюсков распределены очень неравномерно и если я хочу действительно проверить области где вид мог бы быть, но не смог заселиться – нужно попытаться исключить те территории где просто плохо искали, потому что при простом сравнении карты, которую предсказывает модель с реальным распространением улитонек, то в первую очередь нессоответстсвия будут именно в плохо изученных районах.
🔻 #мастерская@bottom_bottom #Морские #Арктика
С тех пор я дополнил свою базу данных. Явных артефактов теперь не осталось и можно уже более конкретно сравнивать предсказанную нишу с реализованной. Для сравнения я разделил территорию на большие квадраты – я протестировал три варианта их размера: со сторонами 50, 100 и 200 км. В итоге остановился на самых мелких пятидесятикилометровых. Ещё я придумал формулу, ещё в самом начале работы. Она должна показывать вероятность реальной находки вида в конкретном квадрате (правда пришлось её немного поменять). Она делит полное число точек находок вида на пригодной для его обитания территории на его на общее число записей в базе данных, попадающих в эту территорию. Так получается вероятность находки вида, если бы их распределение было бы полностью случайным.
Ну представьте себе – у вас есть сотня лотерейных билетов, из которых только двадцать выигрышных. То есть вероятность вытянуть случайно выигрышный билет равна 20/100 =1/5=0.2. Так же и с находкой сферической улитоньки в вакууме 😁
Но вероятность находки вида в конкретном пятидесятикилометровом квадрате зависит ещё и от того, как много в нём пригодной территории и как много проб в нём было отобрано. Поэтому умножаем на эти числа.
Пригодная территория – тоже понятие относительное. Модель даёт для каждого пикселя на карте значение вероятности того, что вид найдёт там хорошие для себя условия. Но эта вероятность может быть очень низкой, поэтому пиксели с маленькой пригодностью нужно исключить. Для этого я проверил в какие диапазоны пригодности попадают реальные точки находок видов и посчитал непригодными все пиксели куда попало менее 5% таких находок для каждого из видов.
Все эти рассчёты пришлось придумывать только потому что точки сборов моллюсков распределены очень неравномерно и если я хочу действительно проверить области где вид мог бы быть, но не смог заселиться – нужно попытаться исключить те территории где просто плохо искали, потому что при простом сравнении карты, которую предсказывает модель с реальным распространением улитонек, то в первую очередь нессоответстсвия будут именно в плохо изученных районах.
🔻 #мастерская@bottom_bottom #Морские #Арктика
🔺Часть 2
В общем просто посмотрите на картинки карты, пригодности территории, для одного из видов, которую предсказывает модель, карту пятидесятекилометровых квадратов с вероятностью находки вида (с учётом неравномерности отбора проб) и карту с вырезанными квадратами, которые не пересекаются с реальным распространением вида (оно тоже показано). Именно эти квадраты и есть то, что я ищу в своём исследовании. То есть те районы которые и достаточно исследованы и много пригодной территории, но вида там почему-то нет.
🔻 #мастерская@bottom_bottom #Морские #Арктика
В общем просто посмотрите на картинки карты, пригодности территории, для одного из видов, которую предсказывает модель, карту пятидесятекилометровых квадратов с вероятностью находки вида (с учётом неравномерности отбора проб) и карту с вырезанными квадратами, которые не пересекаются с реальным распространением вида (оно тоже показано). Именно эти квадраты и есть то, что я ищу в своём исследовании. То есть те районы которые и достаточно исследованы и много пригодной территории, но вида там почему-то нет.
🔻 #мастерская@bottom_bottom #Морские #Арктика
🔺Часть 3
Нереализованный ареал в среднем оказался достаточно большим ~30% от реализованного и может располагаться в разных направлениях по отношению к реальному. Например – на западе или востоке. А может находиться и между фрагментов реального ареала, потому что отрисованный ареал часто разбит на куски (как на рисунке выше). А ещё улитоньки (как и мы с вами) живут в трёхмерном пространстве, поэтому есть ещё нереализованный ареал по глубине. Чтобы это как-то это визуализировать я решил сделать такие картинки 😍 И, да целый день ушёл только на их дизайн, но я очень доволен.
Сразу бросается в глаза, что у многих улитонек есть большой нереализованный ареал в юго-западной части района и на мелководье. Это артефакт. У меня действительно очень много данных из мелководной Мурмана (я даже список видов для него делал 🧐). Моя формула, которая считает вероятность находки вида в квадратах чувствительна к числу проб в регионе, поэтому если где-то много искали и там есть хоть немного пригодной территории то площадь нереализованного ареала в таких районах будет очень высокой.
🔻 #мастерская@bottom_bottom #Морские #Арктика
Нереализованный ареал в среднем оказался достаточно большим ~30% от реализованного и может располагаться в разных направлениях по отношению к реальному. Например – на западе или востоке. А может находиться и между фрагментов реального ареала, потому что отрисованный ареал часто разбит на куски (как на рисунке выше). А ещё улитоньки (как и мы с вами) живут в трёхмерном пространстве, поэтому есть ещё нереализованный ареал по глубине. Чтобы это как-то это визуализировать я решил сделать такие картинки 😍 И, да целый день ушёл только на их дизайн, но я очень доволен.
Сразу бросается в глаза, что у многих улитонек есть большой нереализованный ареал в юго-западной части района и на мелководье. Это артефакт. У меня действительно очень много данных из мелководной Мурмана (я даже список видов для него делал 🧐). Моя формула, которая считает вероятность находки вида в квадратах чувствительна к числу проб в регионе, поэтому если где-то много искали и там есть хоть немного пригодной территории то площадь нереализованного ареала в таких районах будет очень высокой.
🔻 #мастерская@bottom_bottom #Морские #Арктика
🔺Часть 4
Чтобы избавится от этого артефакта я попробовал вывести зависимость отдельно между числом проб, географическим пространством и глубиной. И полученный коэффициент использовал для отрисовки графиков. То есть если в диапазоне глубин 50-100 метров у меня в десять раз больше записей чем в диапазоне 1050-1100 метров, то число квадратов нереализованного ареала в мелководье делится на десять.
Вот получился такой же, но уже скорректированный с учётом неодинаковой изученности график. Здесь уже видно, что появляются виды, для которых основная часть нереализованного ареала лежит сильно глубже их основного распространения. И, наверно, это тоже не окончательный вариант. Я хочу попробовать отрисовать глубину не в абсолютных значениях (как сейчас) а в относительных, то есть если есть два вида, один из которых обитает на глубинах 100-200 метров, а второй 1100-1200, и оба согласно предсказаниям модели могут спускаться на сотню метров вниз, на графиках у них должен отрисовываться один диапазон (то есть -100 метров).
Важно ещё, что за всеми этими пересчётами я могу потерять реальную биологическую тенденцию – вдруг действительно нереализованный ареал лежит в Мурмане и на мелководье? Ведь маленькое количество глубоководных записей в моей базе данных не только потому что там мало собирали, а ещё и потому что большая часть проб оттуда – пустые (у нас, кстати, про это тоже висит статья в бесконечных кругах рецензирования 😡). Это, конечно, нужно указать в обсуждении.
Интересно, что хотя нет какой-то общей тенденции в географическом распространении для всех видов, расположение нереализованного ареала всё-таки достоверно отличается от случайного для всех видов. Пока я не могу этого объяснить, хотя также попытался исключить все возможные ошибки.
🔻 #мастерская@bottom_bottom #Морские #Арктика
Чтобы избавится от этого артефакта я попробовал вывести зависимость отдельно между числом проб, географическим пространством и глубиной. И полученный коэффициент использовал для отрисовки графиков. То есть если в диапазоне глубин 50-100 метров у меня в десять раз больше записей чем в диапазоне 1050-1100 метров, то число квадратов нереализованного ареала в мелководье делится на десять.
Вот получился такой же, но уже скорректированный с учётом неодинаковой изученности график. Здесь уже видно, что появляются виды, для которых основная часть нереализованного ареала лежит сильно глубже их основного распространения. И, наверно, это тоже не окончательный вариант. Я хочу попробовать отрисовать глубину не в абсолютных значениях (как сейчас) а в относительных, то есть если есть два вида, один из которых обитает на глубинах 100-200 метров, а второй 1100-1200, и оба согласно предсказаниям модели могут спускаться на сотню метров вниз, на графиках у них должен отрисовываться один диапазон (то есть -100 метров).
Важно ещё, что за всеми этими пересчётами я могу потерять реальную биологическую тенденцию – вдруг действительно нереализованный ареал лежит в Мурмане и на мелководье? Ведь маленькое количество глубоководных записей в моей базе данных не только потому что там мало собирали, а ещё и потому что большая часть проб оттуда – пустые (у нас, кстати, про это тоже висит статья в бесконечных кругах рецензирования 😡). Это, конечно, нужно указать в обсуждении.
Интересно, что хотя нет какой-то общей тенденции в географическом распространении для всех видов, расположение нереализованного ареала всё-таки достоверно отличается от случайного для всех видов. Пока я не могу этого объяснить, хотя также попытался исключить все возможные ошибки.
🔻 #мастерская@bottom_bottom #Морские #Арктика
🔺Часть 5
Ну и наконец, пока яспал рисовал красивые графики у меня посчитались карты пригодности территорий в будущем, то есть как будут распространены улитки в 2090 году, если климат будет меняться слабо, умеренно и сильно. Вот посмотрите карты пригодности территорий для одного и того же вида, для современного климата и сценария сильного его изменения в будущем. И заодно посмотрите некрасивые черновые картинки с изменением числа пригодной территории для каждого из видов. Три столбца означают территорию которая станет пригодной для обитания, территорию которая станет непригодной и территорию, которая останется как есть. Для разных соотношения этих территорий разные. Я пока думаю как их сгруппировать чтобы можно было понять от чего зависят эти изменения. Пока я пробую группировки по экологическим характеристикам и по типа нереализованного современного ареала.
Ещё, я неспешно посчитал влияние разных факторов на предсказания модели, примерно как тут но пока это не анализировал и напишу об этом позже, а то и так душно (каждый петербуржец может это ощутить 😅)
#мастерская@bottom_bottom #Морские #Арктика
Ну и наконец, пока я
Ещё, я неспешно посчитал влияние разных факторов на предсказания модели, примерно как тут но пока это не анализировал и напишу об этом позже, а то и так душно (каждый петербуржец может это ощутить 😅)
#мастерская@bottom_bottom #Морские #Арктика
🥰6🔥3
Итак, в прошлый раз в в #местерская@bottom_bottom я похвастался красивыми картинками, но пока анализировал данные и удивлялся результатам, нашёл у себя недочёт. Как мы помним, я пытаюсь оценить нереализованную экологическую нишу, которую я, если очень грубо считаю как предсказанную моделью территорию без реального ареала (а если не грубо, то читайте тут). Скрипт, который отрисовывает нереализованный ареал я брал из своего другого исследования и он включает в него не все точки, а только 95% процентов из них, то есть без сильно отклоняющихся. Это ок, для изначальной работы, к которой писался скрипт, но не годится для той, которую я делал сейчас. Поэтому я всё пересчитал, чтобы включались все точки находок и пересчитал. Нереализованный ареал оказался ещё меньше.
Вот, посмотрите, как это выглядит сейчас, а заодно и как изменился ареал для того же вида что и в предыдущем репорте
🔻 #мастерская@bottom_bottom #Морские #Арктика
Вот, посмотрите, как это выглядит сейчас, а заодно и как изменился ареал для того же вида что и в предыдущем репорте
🔻 #мастерская@bottom_bottom #Морские #Арктика
🔺Часть 2
Ещё я попробовал выделить что-то вроде функциональных групп. Это когда виды объединяют по общим чертам их образа жизни (как долго живут, зарываются ли в грунт, кого кушают и прочая хурма) всякими статистическими анализами. Но так как про образ жизни улитонек известно чуть-чуть, я добавил то, что известно – размеры, наличие выростов на голове или ноге, форму раковины, тип развития – это всёхоть и на полшишечки связано с их образом жизни. А ещё я добавил туда распространение за пределами Арктики и получились trait-and-distribution groups (извините, я не придумал, как это прилично назвать по-русски).
Также я выделил группы видов по типу недооценённого арела (это вот обобщение картинки из части 1) и будущего ареала послеапокалипсиса 2090 года. И эти группы между собой никак не сходятся. Пока я не знаю что делать с этим результатом – просто оставить его или сделать отдельный блок текста про тестирование разных групп с выводом о том, что закономерности выделить нельзя 🤔
🔻 #мастерская@bottom_bottom #Морские #Арктика
Ещё я попробовал выделить что-то вроде функциональных групп. Это когда виды объединяют по общим чертам их образа жизни (как долго живут, зарываются ли в грунт, кого кушают и прочая хурма) всякими статистическими анализами. Но так как про образ жизни улитонек известно чуть-чуть, я добавил то, что известно – размеры, наличие выростов на голове или ноге, форму раковины, тип развития – это всё
Также я выделил группы видов по типу недооценённого арела (это вот обобщение картинки из части 1) и будущего ареала после
🔻 #мастерская@bottom_bottom #Морские #Арктика
Ещё я проаналаизировал сами предсказания моделей распространения отдельных видов улитонек и тоже сгруппировал виды в две категории (которые также никак не соотносятся с остальными). Тем не менее, эта группировка полезна хотя бы потому что в статье нельзя привести проекции распространения сразу для 23 видов, а вот усреднённые, для двух групп – можно. Вот, поглядите на них
🔻 #мастерская@bottom_bottom #Морские #Арктика
🔻 #мастерская@bottom_bottom #Морские #Арктика
🔺Часть 4
Ну и наконец, так как основная гипотеза ради которой я всё затевал не подтверждается и историческая изоляция оказывает небольшое воздействие на распространение улитонек, то можно заняться детально анализом среды, в которой улитоньки живут. Ранее, в истории про испанских слизней я выкладывал красивые картинки с результатами таких анализов. Такие же я сделал и для каждого вида арктических улитонек, но изначально не понимал, как сделать эти графики компактными. Если выделение групп любых групп получается скорее искусственным, поэтому дать две или три картинки с усреднёнными характеристиками возможно – не лучший вариант. В общем мне как-то удалось впихнуть все результаты для всех морей и всех видов на один лист 🎉
Что всё это значит? анализ по очереди перемешивал в каждом из морей значения каждого из факторов и смотрел насколько ухудшится модель (про то как оценивают её улучшение или ухудшение тут) если какой-то из факторов (например глубина) по сути не будет формировать среды (которая имеет какие-то закономерности) а просто станет набором непредсказуемостей, что для улитонек норм, если фактор значения не имеет, но критично, если он очень значим. Например, если для вас на работе важен размер зарплаты, а цвет стула, на котором сидите – не важен, то в эксперименте где мы оставляем зарплату стабильно высокой приемлемой, но каждую ночь меняем сукно на стуле возможно вы ничего даже не заметите. А вот если стул не трогать, а за работу каждый месяц платить разную сумму, то это может оказаться причиной быстроговымирания увольнения. Так работодатель узнает, что вы не эстет, а меркантильная сволочь 🤭
🔻 #мастерская@bottom_bottom #Морские #Арктика
Ну и наконец, так как основная гипотеза ради которой я всё затевал не подтверждается и историческая изоляция оказывает небольшое воздействие на распространение улитонек, то можно заняться детально анализом среды, в которой улитоньки живут. Ранее, в истории про испанских слизней я выкладывал красивые картинки с результатами таких анализов. Такие же я сделал и для каждого вида арктических улитонек, но изначально не понимал, как сделать эти графики компактными. Если выделение групп любых групп получается скорее искусственным, поэтому дать две или три картинки с усреднёнными характеристиками возможно – не лучший вариант. В общем мне как-то удалось впихнуть все результаты для всех морей и всех видов на один лист 🎉
Что всё это значит? анализ по очереди перемешивал в каждом из морей значения каждого из факторов и смотрел насколько ухудшится модель (про то как оценивают её улучшение или ухудшение тут) если какой-то из факторов (например глубина) по сути не будет формировать среды (которая имеет какие-то закономерности) а просто станет набором непредсказуемостей, что для улитонек норм, если фактор значения не имеет, но критично, если он очень значим. Например, если для вас на работе важен размер зарплаты, а цвет стула, на котором сидите – не важен, то в эксперименте где мы оставляем зарплату стабильно высокой приемлемой, но каждую ночь меняем сукно на стуле возможно вы ничего даже не заметите. А вот если стул не трогать, а за работу каждый месяц платить разную сумму, то это может оказаться причиной быстрого
🔻 #мастерская@bottom_bottom #Морские #Арктика
🔺Часть 5
А вот и результаты такого теста для улитонекна разных работах в разных морях, чем светлее квадратик – тем значимее фактор для вида. В целом чаще всего модель портит случайное перемешивание значений о глубине, солёности и кислотности (в простонародье – pH). Но в каждом море своя специфика. Например для Центральной части Арктики (Arctic Ocean) очень важна глубина, в Восточно-Сибирском и море Лаптевых – солёность, ведь они сильно распреснены стоком сибирских рек.
🔻#мастерская@bottom_bottom #Морские #Арктика
А вот и результаты такого теста для улитонек
🔻#мастерская@bottom_bottom #Морские #Арктика