🔺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

🔺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, которые не 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 😭

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

🔺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

🔺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

🔺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 всё хоть 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 после апокалипсиса 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 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

🔺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 быстрого вымирания увольнения. Так работодатель узнает, что вы не эстет, а меркантильная сволочь 🤭
🔻 #мастерская@bottom_bottom #Морские #Арктика

🔺Часть 5
А вот и результаты такого теста для улитонек на 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

🔺Часть 6
И да, я очень люблю картинки. Вообще я трачу времени на визуальную часть результатов любого исследования больше чем на текстовую (ну не считая обсуждения, которое я иногда пишу годами долго). Обычно я делаю минимально приемлемые картинки в R, а после доделываю их в графическом редакторе. Очевидный недостаток такого подхода – если пересчитал анализ (вспомните с чего началась эта ветка), то нужно заново редачить картинки, что занимает уйму времени. В этот раз я попробовал сразу вставить в скрипт все параметры для идеальной картинки, которую можно будет прогонять с разными данными без изменений. К тому же сейчас есть нейросети, а значит – можно не вставлять в код кучу правок вручную а просто попросить ии-ассистента сделать красиво поставить такой-то шрифт там-то, задать прозрачность для того-то цвета и выровнять так-то. Поначалу это казалось прикольным, но потом я посчитал что потратил на такие объяснения в несколько раз больше времени, чем кастомизировал бы это вручную. К тому же у меня внезапно кончились токены (я только сейчас узнал, что они могут кончаться 😳), именно поэтому картинка еще немного сыровата. В общем этот эксперимент я больше воспроизводить не буду. Заодно, у меня было время подумать, что пока я объясняю бездушной машине, какой текст сдвинуть на три пикселя вправо, мог бы уже закончить начать другой более концептуальный проект, к которому я все не нахожу времени подойти.
#мастерская@bottom_bottom #Морские #Арктика

Всякие закономерности распространения зверюшек – это, конечно, очень интересно. Но пора написать про то, чем действительно должен заниматься каждый учёный научный работник – про описание новых видов 🤩 *Сообщение от пояснительной бригады: это метаирония. Конец сообщения от пояснительной бриагды.*

Тем более, что у меня наконец-то вышла первая из серии статей про мою любимую (но никому не известную) группу морских улитонек – семейства Rissoidae. Этих мелких улитонек я полюбил очень давно, тем более, что первые мои два гранта, которые дали мне не столько деньги, сколько возможность поверить в свои силы или фигурально – оттолкнуться ото дна, были посвящены именно им. Тогда же мне подкинули пробирку со странными улитоньками из метановых сипов моря Лаптевых. К слову, я тогда не знал что такое метановые сипы (напомню, это места – где со дна пузырьками сочится метан и другие органические газы, которые мы с вами сжигаем, когда кипятим чайник) и слабо представлял где находится море Лаптевых.

Улитки были немного похожи на Frigidoalvania janmayeni, это очень широко распространённый вид в Арктике, но явно были чем-то новым. Тогда же я сделал препараты для сканирующего микроскопа с мелкими деталями её анатомии, а так все остальные виды этого рода (для сравнения) мной уже были изучены, то ничего не мешало её описать …. Но тут начались всякие переезды, обустройство новой лаборатории и я на какое-то время забыл про этих улитонек.
🔻 #Морские #Арктика