HABITUSBaşvuru Kitabı

1. Giriş ve iş akışı

Kapsam: ana pencere · Kod: main.py (açılış), main_dialog.py (ana pencere, sekme kilitleri, günlük), threads.py (arka plan işleri), run_config.py (tohum ve koşu kaydı), tabs/tab_data.py (tohum ve çıktı klasörü alanları)

1.1 HABITUS nedir

HABITUS, tür dağılım modellemesi (species distribution modelling, SDM) için yazılmış, kod yazmayı gerektirmeyen bir masaüstü programıdır. Bir türün bulunduğu yerlerin koordinatlarını (sunum kayıtları, CSV) ve aynı ızgaradaki çevresel raster katmanlarını alır; bunlardan bir uygunluk (habitat suitability) modeli kurar, modeli çapraz doğrulamayla değerlendirir, bugünkü ve gelecekteki iklim için harita üretir, iki harita arasındaki alan değişimini hesaplar ve bütün adımları bir HTML raporda toplar (Elith ve Leathwick, 2009).

Hesaplar Python ile yapılır: scikit-learn, xgboost, lightgbm, catboost, pygam ve elapid kütüphaneleri ile NumPy. R kurulumu gerekmez ve R paketleri çağrılmaz. Kitapta R paketleri (biomod2, dismo, ENMeval, blockCV, maxnet, ecospat) yalnız karşılaştırma için anılır.

Programın dışında kalan iki iş vardır. Birincisi, sunum kayıtlarının toplanması ve temizlenmesi. İkincisi, çalışma sınırı verilmediğinde rasterların ortak bir ızgaraya getirilmesi: bütün sürekli ve kategorik rasterlar aynı boyut, hücre boyutu, orijin ve koordinat sistemine (CRS) sahip olmalıdır. HABITUS bunu yüklemede denetler ve farklı olan dosyayı adlandırır, ama yeniden örneklemez (Bölüm 2).

Not: Arayüz İngilizcedir. Bu kitapta düğme, kutu ve sekme adları arayüzde yazdığı gibi kod biçiminde verilir; ilk geçişte yanına Türkçe karşılığı yazılır.

1.2 Bu kitap nasıl kullanılır

Kitap, programın sekmelerini soldan sağa izler. Her bölüm aynı düzendedir: sekmenin iş akışındaki yeri, ekranın düzeni, alan grupları ve parametre tabloları, sonucu etkileyen her parametre için dört başlıklı açıklama (Ne işe yarar, Ne zaman, nasıl ayarlanır, Sonuca etkisi, Dikkat), çıktılar, uzman soruları, sık hatalar ve kaynaklar.

Bölümlerin sekmelere dağılımı:

Bölüm Sekme Konu
2-3 ① Data Kayıtlar, rasterlar, çalışma sınırı, sözde yokluk ve arka plan
4 ② Variables VIF, korelasyon, gelişmiş çoklu bağlantı analizi, değişken seçimi
5-6 ③ Models + Current Map Algoritmalar, çapraz doğrulama, eşik, topluluk, Tuning, güncel harita
7 ④ Evaluation Skorlar, ROC, omisyon, değişken önemi, tepki eğrileri, Boyce, eşikler
8 ⑤ Future Scenarios Gelecek iklime projeksiyon, ekstrapolasyon tanısı
9 ⑥ Range Change Kayıp, kazanç ve kararlı alan
10 ⑦ Validation Bağımsız harita ya da noktalarla doğruluk
11 ⑧ Report HTML rapor, ODMAP, çok türlü dosyada toplu çalıştırma
12 🗺 Map, ⓘ Help Kayıt haritası, yardım, çıktı dosyaları, koşu kaydı, sorun giderme

1.3 Kurulum ve platformlar

HABITUS üç masaüstü platformunda çalışır. Paketli sürüm kendi Python yorumlayıcısını ve bütün kütüphanelerini taşır; ayrıca Python kurmak gerekmez.

Platform Paket Kurulum
Windows Kurulum programı (HABITUS_Setup_v*.exe) ya da taşınabilir ZIP Kurulum programını çalıştırın; program Başlat menüsünden ve masaüstü kısayolundan açılır. SmartScreen uyarısında More info ve Run anyway seçilir
macOS .dmg disk görüntüsü (Apple Silicon ve Intel) HABITUS.app dosyasını Applications klasörüne sürükleyin; ilk açılışta sağ tık ve Open
Linux AppImage ya da tar.gz AppImage dosyasına çalıştırma izni verip çalıştırın; tar.gz arşivinde program run_habitus.sh ile başlatılır
Kaynak koddan main.py Bağımlılıkların kurulu olduğu bir Python ortamında python main.py

Kaynaktan çalıştırmak için gereken en düşük Python sürümü 3.10'dur (pyproject.toml:11). İsteğe bağlı algoritma kütüphaneleri (xgboost, lightgbm, catboost, pygam, elapid) kurulu değilse program yine açılır; ilgili algoritmalar ③ Models sekmesinde kullanılamaz olarak işaretlenir (main.py:365-367). Ayrıntılı sistem gereksinimleri Bölüm 12'dedir.

Kendi kendine sınama. Paketli programa --selftest argümanı verilirse (HABITUS.exe --selftest, kaynaktan python main.py --selftest) pencere açılmaz; program koordinat veri tabanını, bir koordinat dönüşümünü, vektör okumayı, bir GeoTIFF yazıp okumayı, hangi algoritmaların çalıştırılabildiğini ve Qt'yi sınar ve bir rapor yazdırır (main.py:195-197, selftest.py). --require-algorithms GLM,MAXENT eklenirse adı geçen algoritmalardan biri yoksa sınama başarısız sayılır (selftest.py:368-376). Bir kurulumun çalışıp çalışmadığından emin olmanın en kısa yolu budur.

1.4 Açılış

Program açıldığında önce bir açılış ekranı (splash) görünür. Bu sırada bilimsel kütüphaneler tek tek yüklenir ve açılış ekranı yüklenen kütüphanenin adını gösterir: çizim (matplotlib), tablolar (pandas), SciPy, raster okuma (rasterio), vektör katmanları, makine öğrenmesi, XGBoost, LightGBM, CatBoost, MaxEnt (elapid) ve GAM (main.py:223-235). Soğuk bir açılışta bu birkaç saniye sürebilir; ekranın boş kalmaması için yükleme bilerek pencereden önce yapılır.

Açılışta program ayrıca şunları yapar:

Ana pencerenin ilk boyutu ekranın %95 genişliği ve %92 yüksekliğidir, en çok 1600 x 1000 mantıksal piksel (main_dialog.py:113-121). Pencere büyütülüp küçültülebilir; her sekme kaydırma alanı içindedir, dar ekranda içerik kaydırılır (main_dialog.py:183-193).

1.5 Ana pencerenin düzeni

Ana pencere dört bölgeden oluşur (main_dialog.py:150-217):

  1. Başlık şeridi. Solda program adı ve alt başlık, sağda ⟳ New Analysis (yeni analiz) düğmesi (§1.5.1).
  2. Sekme şeridi. Sekiz numaralı iş akışı sekmesi ile 🗺 Map ve ⓘ Help (§1.6).
  3. Sekme içeriği. Seçili sekmenin ekranı; Bölüm 2-12'de anlatılır.
  4. Alt durum şeridi. İlerleme çubuğu ve günlük paneli (§1.7).
Şekil 1.1. Program ilk açıldığında ana pencere: üstte başlık şeridi ve sağda New Analysis düğmesi, altında on sekmelik şerit (yalnız ① Data, 🗺 Map ve ⓘ Help etkin), ortada ① Data sekmesi, en altta Ready yazan ilerleme çubuğu ve boş günlük paneli.
Şekil 1.1. Program ilk açıldığında ana pencere: üstte başlık şeridi ve sağda New Analysis düğmesi, altında on sekmelik şerit (yalnız ① Data, 🗺 Map ve ⓘ Help etkin), ortada ① Data sekmesi, en altta Ready yazan ilerleme çubuğu ve boş günlük paneli.
Arayüzdeki ad Ne yapar Varsayılan Aralık / seçenekler Kod
⟳ New Analysis Onay sorar; bütün veri, model ve sonuçları bellekten siler, sekmeleri kilitler, ① Data'ya döner — düğme; onay penceresinde Yes / No (varsayılan No) main_dialog.py:159-163, 241-249, 303-419
Sekme şeridi İş akışı adımları; tamamlanmamış adımın sonraki sekmeleri soluk ve tıklanamaz ① Data, 🗺 Map, ⓘ Help açık on sekme main_dialog.py:186-199
İlerleme çubuğu Çalışan işin adımını ve yüzdesini gösterir; iş bitince yeşil, hatada kırmızı Ready, %0 %0-100 main_dialog.py:205-208, 659-703
Günlük paneli Her iletiyi saatiyle yazar; aynı satırlar oturum günlüğü dosyasına da gider boş (Log output will appear here…) salt okunur main_dialog.py:209-216, 790-801
Random seed (① Data > Reproducibility) Bütün rastgele işlemlerin başlangıç sayısı 42 0-2147483647 tabs/tab_data.py:242-249
Output Directory (① Data) Bütün çıktıların yazılacağı klasör boş; CSV seçilince otomatik dolar herhangi bir klasör tabs/tab_data.py:253-259, 1125-1162
Output Directory (for saving map files) (③ Models) Modellerin ve haritaların yazılacağı klasör; boşsa ① Data'daki klasörü kullanır ① Data'dan otomatik herhangi bir klasör tabs/tab_models.py:679-686, 1338-1348, 1470-1477

1.5.1 ⟳ New Analysis

1.6 Sekme şeridi ve kilit düzeni

Sekmeler iş akışının sırasını izler. Program açıldığında yalnız ① Data, 🗺 Map ve ⓘ Help etkindir; ② Variables'tan ⑧ Report'a kadar yedi sekme kilitlidir (main_dialog.py:198-199). Bir adım başarıyla bittiğinde sonraki sekmenin kilidi açılır ve çoğu durumda program o sekmeye geçer.

Tamamlanan adım Açılan sekmeler Program nereye geçer Kod
① Data: Load Data & Generate Background/Pseudo-Absence Points ② Variables ② Variables tabs/tab_data.py:1759-1760
② Variables: değişken seçiminin onaylanması ③ Models + Current Map ③ Models, Algorithm Settings alt sekmesi tabs/tab_vif.py:1206-1208
③ Models: Run Models + Generate Current Distribution Map ④ Evaluation, ⑤ Future Scenarios, ⑥ Range Change, ⑦ Validation, ⑧ Report (birlikte) ③ Models içinde Current Distribution Map alt sekmesi tabs/tab_models.py:1848-1852
⑤ Future Scenarios: projeksiyon (zaten açık olan) ⑥ Range Change, ④ Evaluation sekme değişmez tabs/tab_projection.py:672-673

③ Models bittikten sonra ④-⑧ sırası zorunlu değildir: örneğin ⑤ Future Scenarios çalıştırılmadan ⑦ Validation ya da ⑧ Report kullanılabilir. ⑥ Range Change iki ikili harita ister; gelecek haritası yoksa yalnız güncel haritalar arasında karşılaştırma yapılabilir (Bölüm 9). Çok türlü bir dosyanın öteki türleri ⑧ Report'taki toplu çalıştırmayla işlendiğinde bütün sekmeler açılır (batch_species.py:215-217).

Şekil 1.2. ① Data adımı bittikten sonra ana pencere: ② Variables sekmesinin kilidi açılmış, öteki numaralı sekmeler hâlâ soluk; ilerleme çubuğu yeşil ve "Ready: 143 presences, 2 PA sets, 19 cont + 0 cat vars" yazıyor; günlük panelinde saatli iletiler görülüyor (örnek koşu).
Şekil 1.2. ① Data adımı bittikten sonra ana pencere: ② Variables sekmesinin kilidi açılmış, öteki numaralı sekmeler hâlâ soluk; ilerleme çubuğu yeşil ve "Ready: 143 presences, 2 PA sets, 19 cont + 0 cat vars" yazıyor; günlük panelinde saatli iletiler görülüyor (örnek koşu).
Şekil 1.3. ③ Models adımı bittikten sonra ana pencere: ④ Evaluation'dan ⑧ Report'a kadar bütün sekmeler açılmış; ilerleme çubuğu "Done — 4 algorithms, 37 maps, 14 shown in the map viewer" yazıyor; Output Directory (for saving map files) alanı ① Data'daki klasörle otomatik doldurulmuş (örnek koşu).
Şekil 1.3. ③ Models adımı bittikten sonra ana pencere: ④ Evaluation'dan ⑧ Report'a kadar bütün sekmeler açılmış; ilerleme çubuğu "Done — 4 algorithms, 37 maps, 14 shown in the map viewer" yazıyor; Output Directory (for saving map files) alanı ① Data'daki klasörle otomatik doldurulmuş (örnek koşu).

1.6.1 Sekme şeridi özeti

İş akışının tamamı şu tablodadır. "Ana çıktı" sütunu çıktı klasörüne yazılan başlıca dosyaları verir; tam katalog Bölüm 12'dedir.

Sekme Ne yapar Ana çıktı Bölüm
① Data Kayıtları okur ve süzer (hücre başına bir kayıt, seyreltme), rasterları yükler ve ızgarayı denetler, erişilebilir alanı belirler, sözde yokluk ve MaxEnt arka plan noktalarını üretir accessible_area.tif, isteğe bağlı background_maxent.csv; bellekte eğitim tabloları 2-3
② Variables VIF ve korelasyonla değişkenleri sıralar; kullanıcı sürekli ve kategorik değişkenleri seçip onaylar; isteğe bağlı koşul sayısı, PCA, LASSO, Ridge figures/ içinde korelasyon ısı haritaları, VIF grafiği, high_correlation_pairs.csv, variable_priority_ranking.csv 4
③ Models + Current Map Seçili algoritmaları çapraz doğrulamayla eğitir, eşik ve topluluk (ensemble) kurar, güncel iklim haritasını yazar; isteğe bağlı Tuning current/ klasöründe olasılık, ikili ve belirsizlik rasterları; evaluation_scores.csv; occurrence_train.csv, occurrence_test.csv; habitus_run_config.json 5-6
④ Evaluation Skor, ROC, omisyon ve kalibrasyon, değişken önemi, tepki eğrileri, Boyce, eşik tabloları figures/evaluation_*.png, figures/classification_thresholds.csv 7
⑤ Future Scenarios Modelleri gelecek iklim rasterlarına uygular; ekstrapolasyon (ExDet, isteğe bağlı MESS) haritaları <senaryo>/ klasöründe olasılık, ikili, NT1, NT2, MIC rasterları; projection_options.json 8
⑥ Range Change İki ikili haritayı karşılaştırır: kayıp, kazanç, kararlı <tür>_<analiz adı>_SRC.tif ve alan tablosu 9
⑦ Validation Modeli bağımsız bir referans harita ya da noktalarla karşılaştırır validation/ klasöründe yeniden sınıflanmış rasterlar; isteğe bağlı rapor ve nokta dosyası 10
⑧ Report Bütün adımları bilimsel bir HTML raporda toplar; ODMAP protokolünü dışa aktarır; çok türlü dosyada öteki türleri çalıştırır <tür>_HABITUS_report_<zaman>.html, odmap_protocol.md/.csv, batch_summary.csv 11
🗺 Map Girdileri (kayıtlar, dışlananlar, kendi yokluklar, sınır) çevrimiçi altlık harita üzerinde gösterir; yayın için çalışma alanı şekli <tür>_study_area.png (isteğe bağlı) 12
ⓘ Help İngilizce kullanıcı rehberi ve güncelleme denetimi — 12

1.6.2 Bir adımı yeniden çalıştırmak sonraki sonuçları siler

HABITUS, bir adımın girdisi değiştiğinde ondan sonra gelen sonuçları eski girdiyle bırakmaz. İki silme yolu vardır:

③ Models yeniden çalıştırıldığında sekmeler kilitlenmez; yeni sonuçlar eskilerinin yerine geçer.

Dikkat: Silme yalnız programın belleği içindir. Çıktı klasöründeki dosyalar silinmez; yeni koşu aynı adlı dosyaların üzerine yazar. İkinci koşuda seçilmeyen bir algoritmanın birinci koşudan kalan rasterları ve figures/ içindeki eski PNG'ler klasörde kalır. ⑧ Report figures/ içindeki bütün PNG'leri, ⑦ Validation da çıktı klasöründeki katmanları okuduğu için (tabs/tab_report.py:578-587), ayarı değişen her koşu için yeni bir çıktı klasörü kullanmak en güvenli yoldur.

1.7 Alt durum şeridi: ilerleme çubuğu ve günlük

İlerleme çubuğu

Uzun bir iş çalışırken çubuk o anki adımı ve yüzdeyi yazar (ör. "Reading raster 3 of 19: bio_11.tif 12%"). Çubuk iş boyunca yalnız ileri gider; %100'e yalnız iş gerçekten bittiğinde ulaşır. Bitişte çubuk yeşile döner ve sonucu özetler (ör. "Done — 4 algorithms, 37 maps, 14 shown in the map viewer"); hata olursa kırmızıya döner ve "Failed — see the message" yazar (main_dialog.py:659-703, 755-788).

Bir iş çalışırken onu başlatan düğme devre dışı kalır ve metni değişir; ikinci bir tıklama ikinci bir iş başlatmaz. Düğme, iş başarıyla, hatayla ya da iptalle bittiğinde yeniden etkinleşir (main_dialog.py:707-788). ⑦ Validation ve ⑧ Report işleri arayüz iş parçacığında çalışır; bu sürede küçük bir "HABITUS" penceresi o anki adımı gösterir ve imleç bekleme imlecine döner (main_dialog.py:712-753).

Günlük paneli

Programın her iletisi günlük panelinde ▸ [SS:DD:ss] ileti biçiminde görünür ve panel kendiliğinden son satıra kayar (main_dialog.py:790-793). Günlükte şunlar bulunur: her adımın ilerleme iletileri, uyarılar (⚠, WARNING:), yorumu etkileyen bilgi notları (ADVISORY:), kaydedilen her dosyanın yolu (Saved: …) ve hataların son satırı (ERROR: …).

Aynı satırlar, çıktı klasörü belli olduğu andan itibaren oturum günlüğü dosyasına da yazılır (main_dialog.py:612-645, 794-801):

Hata penceresi ("HABITUS Error") hatanın son satırını başlık olarak, tanınan hatalar için de sade bir öneri gösterir. Show details tam metni açar, Copy full message tamamını panoya kopyalar (error_dialog.py:30-56, 80-182). Bir sorunu bildirirken bu metin ve oturum günlüğü birlikte gönderilmelidir.

1.8 İlerleme, iptal ve pencerenin kapanması

Veri hazırlama, modelleme, projeksiyon, alan değişimi, Tuning, raster klasörü taraması ve güncelleme denetimi arka plan iş parçacığında çalışır; pencere bu sırada donmaz, başka sekmeler gezilebilir (threads.py:1-23).

İptal işbirliğine dayanır: durdurma istenince işin bir bayrağı kurulur ve iş bir sonraki ilerleme bildiriminde durur; iptal edilen iş sonuç ya da hata bildirmez (main_dialog.py:37-74, threads.py:34-63). ③ Models, ① Data ve ⑤ Future Scenarios işleri için ayrı bir "durdur" düğmesi yoktur; çalışan bir iş şu yollarla durdurulur:

Tuning (optional) alt sekmesinin kendi Cancel düğmesi vardır (Bölüm 6); ④ Evaluation'daki toplu grafik kaydı da ilerleme penceresinden iptal edilebilir (Bölüm 7).

Bir iş çalışırken pencere kapatılmak istenirse program sorar: "Data formatting, Models still running — close anyway? The unfinished work is discarded." (çalışan işlerin adlarıyla; varsayılan No). Yes denirse işler iptal edilir ve en çok birkaç saniye beklenir (main_dialog.py:284-301, 596-608).

Not: İptal bir ilerleme bildiriminde gerçekleşir. Tek parça ve uzun bir hesap (ör. büyük bir veri setinde tek bir modelin eğitimi) bitene kadar arka planda sürer; sonucu pencereye ulaşmaz ama işlemciyi o süre boyunca kullanır (main_dialog.py:266-282).

1.9 Çıktı klasörü ve otomatik analiz klasörü

Bütün çıktılar tek bir klasöre yazılır: ① Data > Output Directory.

1.9.1 Output Directory

1.10 Rastgele tohum ve tekrarlanabilirlik

① Data > Reproducibility grubundaki Random seed (rastgele tohum) bütün analizin tek başlangıç sayısıdır. Arayüzdeki açıklama: "Background points, fold splits and the stochastic algorithms all start from this number. Two runs with the same seed, the same data and the same settings give the same maps; change the seed to see how much the result depends on the random draw." (tabs/tab_data.py:234-249).

1.10.1 Random seed

1.11 Örnek veri

Programı denemek için hazır bir örnek veri paketi (habitus_sample.zip) programın sürüm sayfasından indirilir. Paket bir türün sunum kayıtlarını, 19 biyoiklim değişkenini, yükselti ve NDVI gibi ek katmanları, kategorik katmanları (bakı, eğim), birkaç iklim senaryosunu ve dönemini ve doğrulama için bir referans dağılım haritasını içerir (README.md, "Sample Data"). Kaynak ağacındaki ornek_veri klasöründe ayrıca Pinus brutia kayıtları ile Own Absences alt sekmesini denemek için kurallarla üretilmiş iki sentetik yokluk dosyası ve bir kalibrasyon alanı poligonu bulunur; sentetik dosyalar saha verisi değildir ve yayına giden bir analizde kullanılmamalıdır (ornek_veri/OKUBENI.md).

Bu kitabın ekran görüntüleri ise Abies nordmanniana verisiyle alınmıştır (§1.2).

İlk deneme için en kısa yol. (1) ① Data'da CSV'yi Browse… ile seçin; çıktı klasörü kendiliğinden açılır. (2) Add Folder… ile biyoiklim klasörünü ekleyin. (3) Öteki ayarları varsayılanda bırakıp Load Data & Generate Background/Pseudo-Absence Points'e basın. (4) ② Variables'ta önerilen değişkenleri onaylayın. (5) ③ Models'te birkaç algoritma seçip Run Models + Generate Current Distribution Map'e basın. (6) ⑧ Report'ta raporu üretin.

1.12 Uzman soruları

S1. Aynı veri ve aynı ayarlarla iki koşu gerçekten aynı haritayı verir mi? Cevap: Tasarım olarak evet. Tek tohum ① Data başında NumPy'ın genel üreticisine, Python random modülüne ve (tanımlı değilse) PYTHONHASHSEED'e uygulanır (run_config.py:31-50, tabs/tab_data.py:1510); algoritmalar aynı değeri kendi random_state parametresinden alır (run_config.py:38-40). Bit düzeyinde eşitlik garanti edilmez: çok iş parçacıklı hesaplarda toplama sırası son basamakta fark yaratabilir. Bu kitap için iki koşunun bit bit karşılaştırması yapılmamıştır. Pratikte, aynı sürüm ve aynı kütüphane sürümleriyle elde edilen sonuç aynı olmalıdır; kütüphane sürümleri habitus_run_config.json > environment alanına yazılır (run_config.py:61-74).

S2. Tohumu değiştirip yalnız modelleri yeniden çalıştırırsam ne olur? Cevap: Yeni tohum uygulanmaz. Tohum yalnız ① Data çalıştırılırken okunur (tabs/tab_data.py:1505-1510); ③ Models formatter nesnesinde saklanan değeri kullanır ve koşu kaydına da onu yazar (tabs/tab_models.py:1535, 2071). Tohum duyarlılığı denemesi için her tohumda ① Data yeniden çalıştırılmalıdır.

S3. Program R paketlerinin yerine geçer mi; biomod2 ile aynı sonucu verir mi? Cevap: HABITUS R çağırmaz; algoritmalar Python kütüphaneleriyle yazılmıştır (main.py:223-235). Yöntem tanımları biomod2, dismo, ENMeval, maxnet ve blockCV'deki karşılıklarına yakın tutulmuştur, ama varsayılanlar ve uygulamalar birebir aynı değildir; algoritma düzeyindeki farklar Bölüm 5-7'de anlatılır. "Aynı sonuç" beklemek yerine yöntemlerin aynı tanımlanıp tanımlanmadığı denetlenmelidir. Algoritma seçiminin sonucu büyük ölçüde değiştirebildiği bilinmektedir (Qiao vd., 2015); bu yüzden birden çok algoritma ve topluluk önerilir.

S4. Bir adımı yeniden çalıştırmak hangi sonuçları geçersiz kılar? Cevap: ① Data'nın yeniden çalıştırılması değişken seçimi dahil bütün aşağı akışı siler ve ②-⑧'i kilitler (main_dialog.py:421-526); değişken seçiminin yeniden onaylanması modelleri ve sonrasını siler, ④-⑧'i kilitler (main_dialog.py:528-594). Bu, eski girdiyle üretilmiş bir sonucun yeni girdiyle karıştırılmasını önler. Silme bellektedir; diskteki dosyalar kalır (§1.6.2).

S5. Neden ③ Models bitince beş sekme birden açılıyor; değerlendirme yapmadan projeksiyon yapılabilir mi? Cevap: Evet. ③ Models bitişinde ④-⑧ birlikte açılır (tabs/tab_models.py:1848-1852). Program değerlendirmeyi zorunlu bir ara adım saymaz, çünkü değerlendirme skorları modelleme sırasında çapraz doğrulamayla zaten hesaplanır ve evaluation_scores.csv'ye yazılır (tabs/tab_models.py:1841-1846). ④ Evaluation bu skorların grafiklerini ve ek tanıları üretir. Bilimsel olarak projeksiyondan önce modelin değerlendirilmesi elbette gereklidir; program bunu zorlamaz, kullanıcıya bırakır.

S6. Bir hesap uzun sürerse nasıl durdurulur; durdurulan iş yarım dosya bırakır mı? Cevap: Model, veri ve projeksiyon işleri için ayrı bir durdurma düğmesi yoktur; New Analysis, aşağı akışı silen yeniden çalıştırmalar ya da pencereyi kapatmak işi iptal eder (main_dialog.py:266-282). İptal bir sonraki ilerleme bildiriminde gerçekleşir ve iş sonuç bildirmez (main_dialog.py:54-74). O ana kadar diske yazılmış dosyalar silinmez; yarıda kesilmiş bir projeksiyonun klasöründe bazı rasterlar bulunabilir. Bu yüzden iptal edilen bir koşunun klasörü yeni koşuda kullanılmamalıdır.

S7. Çalışmanın hangi kayıtları bir hakeme sunulabilir? Cevap: Üç dosya birlikte: habitus_run_config.json (ayarlar, varsayılan bırakılanlar, tohum, kütüphane sürümleri; run_config.py:137-152), oturum günlüğü (<tür>_<zaman>.log; adım adım iletiler, uyarılar ve hatalar; main_dialog.py:612-645) ve ⑧ Report'un ürettiği ODMAP protokolü (Zurell vd., 2020; Bölüm 11). Ayrıntılar Bölüm 12'dedir.

S8. Günlük panelindeki ADVISORY: satırları hata mıdır? Cevap: Hayır. Bunlar sonucun yorumunu etkileyen bilgi notlarıdır; örneğin örnekleme yanlılığının düzeltilmediği, hücre boyutunun yerel habitat için kaba olduğu ya da kayıt başına düşen öngörücü sayısının az olduğu. ① Data bitişinde günlüğe yazılırlar, varsayılan örnekleme yanlılığı notundan başka bir not varsa ayrıca bir uyarı penceresi açılır (tabs/tab_data.py:1743-1755). Notlar habitus_run_config.json > notes alanına da yazılır; örnek koşuda dört not vardır.

S9. Program büyük rasterlarla bellek yetersizliğine düşerse ne olur? Cevap: Hata penceresi "The analysis ran out of memory. Reduce the raster extent or resolution, or lower the number of background points." önerisini gösterir (error_dialog.py:39-41). Büyük projeksiyonlar şeritler hâlinde yapılır (sdm_core.py:7512-7526; Bölüm 8 ve 12). Belleği en çok azaltan önlem rasterları çalışma bölgesine kırpmaktır (① Data > Study Boundary, Bölüm 2).

1.13 Sık hatalar ve tuzaklar

1.14 Kaynaklar

Elith, J., Leathwick, J.R., 2009. Species distribution models: ecological explanation and prediction across space and time. Annual Review of Ecology, Evolution, and Systematics 40, 677-697. https://doi.org/10.1146/annurev.ecolsys.110308.120159

Örücü, Ö. K., & Örücü, S. (2026). HABITUS: Habitat Analysis and Biodiversity Integrated Toolkit for Unified Species Distribution Modelling. Ecological Perspective, [Technical Report]. https://doi.org/10.53463/ecopers.20260435

Qiao, H., Soberón, J., Peterson, A.T., 2015. No silver bullets in correlative ecological niche modelling: insights from testing among many potential algorithms for niche estimation. Methods in Ecology and Evolution 6, 1126-1136. https://doi.org/10.1111/2041-210X.12397

Zurell, D., Franklin, J., König, C., Bouchet, P.J., Dormann, C.F., Elith, J., vd., 2020. A standard protocol for reporting species distribution models. Ecography 43, 1261-1277. https://doi.org/10.1111/ecog.04960