HABITUSBaşvuru Kitabı

2. Veri I: kayıtlar, katmanlar ve çalışma sınırı (① Data)

Sekme: ① Data · Kod: tabs/tab_data.py (arayüz), sdm_inputs.py (CSV okuma), sdm_mask.py (klasör tarama, sınırla kırpma), sdm_core.py DataFormatter (yükleme ve kayıt ayıklama)

2.1 Bu sekme ne yapar

① Data, iş akışının ilk ve zorunlu adımıdır. Tür kayıtlarını (varlık noktalarını), öngörücü raster katmanlarını ve isteğe bağlı bir çalışma sınırını okur; kayıtları ayıklar; ardından makine öğrenmesi modelleri için yalancı yokluk (pseudo-absence) kümelerini, MaxEnt için arka plan noktalarını ve ENFA için ayrı bir arka plan örneğini üretir. Bu bölüm sekmenin "veri" yarısını anlatır: kayıt dosyası, katmanlar, sınır, tohum, çıktı klasörü ve Load Data düğmesinin kayıtlar üzerinde yaptığı her işlem. Arka plan, yalancı yokluk, erişilebilir alan ve seyreltme ayarları Bölüm 3'tedir.

2.2 Ekranın düzeni

Sekme iki sütundan oluşur (tabs/tab_data.py:78-82). Sol sütunda kayıt dosyası, raster listeleri ve çalışma sınırı; sağ sütunda arka plan/yalancı yokluk ayarları, tekrarlanabilirlik ve çıktı klasörü bulunur. En altta bütün adımı başlatan yeşil düğme, onun altında ilerleme şeridi ve oturum günlüğü yer alır.

Şekil 2.1. ① Data sekmesi, örnek veri yüklenmiş ve düğmeye basılmadan önce. Solda Occurrence Data (CSV), Continuous/Categorical Rasters alt sekmeleri ve Study Boundary; sağda Background & Pseudo-Absence Settings (burada Study Area & Thinning alt sekmesi açık), Reproducibility ve Output Directory; altta Load Data düğmesi ve günlük.
Şekil 2.1. ① Data sekmesi, örnek veri yüklenmiş ve düğmeye basılmadan önce. Solda Occurrence Data (CSV), Continuous/Categorical Rasters alt sekmeleri ve Study Boundary; sağda Background & Pseudo-Absence Settings (burada Study Area & Thinning alt sekmesi açık), Reproducibility ve Output Directory; altta Load Data düğmesi ve günlük.
Bölge Arayüzdeki ad Bu kitapta
Sol üst Occurrence Data (CSV) §2.3
Sol orta Continuous Rasters, Categorical Rasters §2.4
Sol alt Study Boundary (mask, optional) §2.5
Sağ üst Background & Pseudo-Absence Settings (6 alt sekme) Bölüm 3
Sağ orta Reproducibility §2.6
Sağ alt Output Directory §2.7
Alt şerit Load Data & Generate Background/Pseudo-Absence Points §2.8, §2.9

2.3 Tür kayıtları: Occurrence Data (CSV)

Bu grup, türün gözlendiği yerlerin koordinatlarını taşıyan tabloyu okur. Dosya seçilince program ilk satırlara bakar, sütunları bulur, yeşil bilgi kutusunda hangi sütunun ne olarak kullanılacağını yazar ve dosyada birden çok tür varsa bir tür listesi açar.

Şekil 2.2. Sol sütun: seçilen kayıt dosyası ve "Detected columns (by name)" bilgi kutusu (species, longitude, latitude adla bulundu), altında Continuous Rasters listesindeki 19 WorldClim biyoiklim katmanı ve Add Continuous Rasters…, Add Folder…, → Categorical, Remove Selected düğmeleri.
Şekil 2.2. Sol sütun: seçilen kayıt dosyası ve "Detected columns (by name)" bilgi kutusu (species, longitude, latitude adla bulundu), altında Continuous Rasters listesindeki 19 WorldClim biyoiklim katmanı ve Add Continuous Rasters…, Add Folder…, → Categorical, Remove Selected düğmeleri.
Arayüzdeki ad Ne yapar Varsayılan Aralık / seçenekler Kod
CSV file: + Browse… Kayıt tablosunu seçer; seçince sütunları ve türleri tarar, çıktı klasörünü önerir boş .csv, .tsv, .txt tabs/tab_data.py:92-96, 972-979
Bilgi kutusu Bulunan tür, boylam, enlem sütunlarını ve yok sayılacak sütunları gösterir — — tabs/tab_data.py:99-108, 1008-1023
Species: listesi Çok türlü dosyada her tür için bir onay kutusu (kayıt sayısıyla) hepsi işaretli All / None tabs/tab_data.py:112-149, 1045-1072
Analyse now: ①–⑧ iş akışının şimdi hangi tür için çalışacağını seçer ilk işaretli tür işaretli türler tabs/tab_data.py:132-140, 1085-1095

2.3.1 Dosya biçimi, ayırıcı ve ondalık işaret

2.3.2 Sütunların bulunması (adla, konumla, GBIF)

2.3.3 Çok türlü dosya ve Analyse now

2.3.4 Tür adı ve önerilen çıktı klasörü

Raporlarda ve dosya adlarında kullanılan tür adı şöyle belirlenir (sdm_core.py:1566-1593): ilk sütun koordinat ya da tür sütunu değilse ve sayı değilse oradaki en sık metin; değilse tür sütunundaki en sık metin; o da yoksa CSV dosyasının adı (alt çizgi ve tireler boşluğa çevrilir). Örnek koşuda ad "abies nordmanniana"dır. Output Directory boşsa dosya seçildiği anda Belgeler/HABITUS/<tür>_YYYYMMDD_HHMMSS klasörü oluşturulur ve alana yazılır (tabs/tab_data.py:1125-1160, main_dialog.py:832-853); çok türlü dosyada klasör adı CSV'nin adından alınır.

2.4 Öngörücü katmanlar: Continuous Rasters ve Categorical Rasters

Öngörücüler iki ayrı listede tutulur. Sürekli (continuous) katmanlar ölçülen büyüklüklerdir: sıcaklık, yağış, yükseklik, eğim, NDVI. Kategorik (categorical) katmanlar ise sınıf kodlarıdır: arazi örtüsü, toprak tipi, jeoloji. Bu ayrım sonraki her adımı etkiler: sürekli katmanlar ② Variables'ta VIF ve korelasyon analizine girer, kategorik katmanlar bu analizin dışında kalır ve modellere sınıf olarak verilir.

Arayüzdeki ad Ne yapar Varsayılan Aralık / seçenekler Kod
Add Continuous Rasters… Seçilen dosyaları sürekli listeye ekler (aynı yol iki kez eklenmez) — .tif .tiff .asc .img .nc .vrt tabs/tab_data.py:911-912, 1183-1191
Add Folder… Klasördeki bütün rasterleri okur, her birini sürekli/kategorik diye sınıflar — klasör tabs/tab_data.py:913-919, 1205-1290
→ Categorical / → Continuous Seçili dosyaları öteki listeye taşır — — tabs/tab_data.py:920-922, 948-950, 1197-1203
Remove Selected Seçili dosyaları listeden çıkarır — — tabs/tab_data.py:923-924, 1193-1195
Add Categorical Rasters… Seçilen dosyaları kategorik listeye ekler — aynı uzantılar tabs/tab_data.py:946-947
Encoding notu Kategorik kodlamanın etiket (tamsayı sınıf kodu) olduğunu bildirir label yalnız label tabs/tab_data.py:959-968, sdm_core.py:1428-1440

2.4.1 Tek tek ekleme ve değişken adları

2.4.2 Add Folder…: sürekli/kategorik sınıflama ve gerekçesi

2.4.3 Kategorik katmanların modele girişi

2.4.4 Büyük ASCII ızgaralarının GeoTIFF'e çevrilmesi

2.4.5 Izgara uyumu ve koordinat sistemi

2.5 Çalışma sınırı: Study Boundary (mask, optional)

Bu grup bütün rasterleri bir çokgenle ya da derece cinsinden bir dikdörtgenle kırpar. Böylece dünya ölçekli katmanlar kesilmeden kullanılabilir ve sınırın dışındaki her hücre NoData olur.

Arayüzdeki ad Ne yapar Varsayılan Aralık / seçenekler Kod
Kip kutusu Sınırın türünü seçer None (whole raster extent) None (whole raster extent) / Polygon layer (SHP, GPKG, KML, GeoJSON) / Corner coordinates (degrees) tabs/tab_data.py:173-181
Dosya alanı + Browse… / Clear Çokgen katmanı (yalnız ikinci kipte görünür); dosya seçilince kip kendiliğinden çokgene geçer boş .shp .gpkg .geojson .json .kml .gml tabs/tab_data.py:161-172, 1332-1339
West / South / East / North Dikdörtgenin köşeleri, WGS84 derece (yalnız üçüncü kipte) 25 / 35 / 45 / 43 boylam −180…180, enlem −90…90; 4 ondalık tabs/tab_data.py:186-197

2.5.1 Kipler ve kırpmanın kapsamı

2.5.2 Kırpma nasıl yapılır: tek pencere, ortak ızgara, masked_inputs

2.6 Tekrarlanabilirlik: Reproducibility

Şekil 2.3. Reproducibility grubu (Random seed 42) ve Output Directory alanı; açıklama metni tohumun nelere uygulandığını ve habitus_run_config.json dosyasına yazıldığını belirtir.
Şekil 2.3. Reproducibility grubu (Random seed 42) ve Output Directory alanı; açıklama metni tohumun nelere uygulandığını ve habitus_run_config.json dosyasına yazıldığını belirtir.
Arayüzdeki ad Ne yapar Varsayılan Aralık / seçenekler Kod
Random seed: Bütün rastgele işlemlerin başlangıç sayısı 42 0 – 2147483647 tabs/tab_data.py:242-249, run_config.py:28

2.6.1 Random seed

2.7 Çıktı klasörü: Output Directory

Arayüzdeki ad Ne yapar Varsayılan Aralık / seçenekler Kod
Klasör alanı + Browse… Bütün çıktıların yazılacağı klasör CSV seçilince Belgeler/HABITUS/<tür>_<zaman> herhangi bir klasör tabs/tab_data.py:253-260, 1125-1160

Sonucu etkilemez; boş bırakılırsa "Please specify an output directory." iletisiyle durulur. Çok türlü dosyada her tür <çıktı klasörü>/<tür> alt klasörüne yazılır (tabs/tab_data.py:1115-1123); oturum günlüğü de çalıştırma başında bu klasöre taşınır, böylece toplu çalıştırmada her türün günlüğü kendi klasöründe olur (tabs/tab_data.py:1398-1408).

2.8 Load Data düğmesi: işlem sırası ve kayıt ayıklama

▶ Load Data & Generate Background/Pseudo-Absence Points düğmesi bütün adımı arka planda, arayüzü dondurmadan çalıştırır (tabs/tab_data.py:1363-1574). İşlem sırası, hangi kaydın neden atıldığını anlamak için önemlidir:

  1. Ön denetim: CSV var mı, en az bir sürekli raster var mı, çıktı klasörü dolu mu, hedef grup CSV'si ve yanlılık rasteri (verildiyse) var mı, sınır geçerli mi.
  2. Önceki bir veri adımı varsa sonraki sekmelerin bütün sonuçları sıfırlanır.
  3. Çok türlü dosyada yalnız seçili türün kayıtları occurrences_used.csv'ye ayrılır.
  4. Tohum atanır (§2.6).
  5. Sınır verildiyse bütün katmanlar kırpılır (§2.5).
  6. load_data: CSV ve katmanlar okunur, tür adı belirlenir, ızgara uyumu denetlenir (sdm_core.py:1549-1681).
  7. generate_pa_datasets: koordinatlar sayıya çevrilir, kayıtlar ayıklanır (bu bölüm), seyreltme ve erişilebilir alan uygulanır, yalancı yokluk kümeleri ve arka planlar çekilir (Bölüm 3), çoklu doğrusallık ön hesabı yapılır (sdm_core.py:2911-3249).
  8. Erişilebilir alan accessible_area.tif olarak yazılır; istenmişse MaxEnt arka planı CSV'ye kaydedilir.

2.8.1 Kayıt ayıklamanın adımları

Varlık kayıtları aşağıdaki sırayla süzülür (sdm_core.py:2931-2968, 1824-2037). Her atılan kayıt gerekçesiyle dropped_points listesine girer; liste uyarı penceresinde, günlükte, raporda ve habitus_run_config.json'da (points_dropped_by_reason) görünür.

Sıra Gerekçe (arayüzdeki metin) Kural Kapatılabilir mi Kod
1 missing coordinate Boylam ya da enlem hücresi boş hayır sdm_core.py:2944-2953
2 duplicate coordinate Koordinatlar 8 ondalığa yuvarlandığında daha önceki bir kayıtla aynı hayır sdm_core.py:1844-1856
3 outside raster extent Hücre satırı/sütunu ızgaranın dışında hayır sdm_core.py:1864-1876
4 falls on NoData cell Herhangi bir sürekli katmanda NaN ya da herhangi bir kategorik katmanda NoData hayır sdm_core.py:1878-1905
5 same raster cell as another record Aynı öngörücü hücresinde dosya sırasında daha önce gelen bir kayıt var evet: Keep one record per raster cell sdm_core.py:1913-1936
6 spatially thinned Seyreltme mesafesi içinde tutulan bir kayıt var evet (Bölüm 3) sdm_core.py:2960-2968

2.8.2 Yinelenen koordinat, raster dışı ve NoData

2.8.3 Hücre başına bir kayıt

2.8.4 En az beş varlık

2.8.5 Kayıt sayısı ve kayıt/öngörücü oranı uyarıları

2.8.6 Veri adımı sonrası iletiler

Adım bitince sırasıyla şu pencereler çıkar (tabs/tab_data.py:1576-1761):

  1. "Invalid Occurrence Points Detected": en az bir kayıt atıldıysa; gerekçe başına bir başlık ve koordinat listesi (hücre ve seyreltme başlıklarında ilk 15 kayıt, kalanı "… and N more"), sonda "✔ N valid point(s) will be used for modelling." ve CRS hatırlatması. Aynı metin günlüğe yazılır.
  2. "Points worth knowing before you interpret this run": sonucu yorumlamayı etkileyen uyarılar (çözünürlük, kayıt/öngörücü oranı, erişilebilir alan, seyreltme, yokluk kayıtları…). Yalnız örnekleme yanlılığı hatırlatması varsa bu pencere açılmaz, uyarı yalnız günlüğe "ADVISORY:" önekiyle yazılır.
  3. "Data ready!" özeti: kullanılan/yüklenen varlık sayısı, atılanların gerekçelere göre dökümü, yalancı yokluk ya da gerçek yokluk satırı, MaxEnt arka plan sayısı, erişilebilir alan ve kapsadığı pay, seyreltme mesafesi ve nasıl seçildiği, özilişki aralığı, prevalans, örnekleme yanlılığının düzeltilmediği notu, tohum, sürekli ve kategorik değişken adları.

Örnek koşunun özeti, oturum günlüğünden derlendiğinde şöyledir: 626 kayıt yüklendi; 405'i aynı hücre, 78'i seyreltme nedeniyle atıldı; 143 varlık kullanıldı; 2 küme × 1000 yalancı yokluk; 10 000 MaxEnt arka planı; erişilebilir alan tampon, 200 km, raster kapsamının %40'ı; seyreltme 4,7 km (otomatik); özilişki aralığı 151,5 km; prevalans 0,125.

Şekil 2.4. Veri adımı bittikten sonra alt şerit: ilerleme çubuğunda "Ready: 143 presences, 2 PA sets, 19 cont + 0 cat vars", günlükte kayıt/öngörücü uyarısının sonu ve ② Variables'a geçişle kaydedilen korelasyon ısı haritası satırı.
Şekil 2.4. Veri adımı bittikten sonra alt şerit: ilerleme çubuğunda "Ready: 143 presences, 2 PA sets, 19 cont + 0 cat vars", günlükte kayıt/öngörücü uyarısının sonu ve ② Variables'a geçişle kaydedilen korelasyon ısı haritası satırı.

2.9 Çıktılar ve sonraki adıma geçenler

2.10 Uzman soruları

S1. Koordinatlar rasterin koordinat sistemine çevriliyor mu, yoksa aynı sistemde olmaları mı bekleniyor? Cevap: Aynı sistemde olmaları beklenir. Kayıtlar rasterin dönüşüm matrisiyle doğrudan satır-sütuna çevrilir (sdm_core.py:1763-1765, 1866); CSV için bir koordinat sistemi alanı ya da yeniden projeksiyon yoktur. Yeniden projeksiyon yalnız sınır ve kalibrasyon çokgenleri için yapılır (sdm_mask.py:219-227, sdm_spatial.py:1194-1225). Projeksiyonlu rasterlerde CSV de metre cinsinden olmalıdır; coğrafi rasterlerde ±90/±180 dışındaki değerler uyarı üretir.

S2. Hücre başına bir kayıt kuralı R'deki hangi işleme denk düşer ve neden seyreltmeden önce uygulanıyor? Cevap: Öngörücü ızgarasında hücre kimliğine göre tekilleştirmedir; dismo'daki gridSample ile ızgara başına bir nokta seçmeye ya da hücre numarasına göre duplicated ile ayıklamaya benzer. HABITUS her hücrede dosya sırasındaki ilk kaydı tutar (sdm_core.py:1919-1936). Önce uygulanmasının nedeni, aynı hücredeki kayıtların öngörücü açısından birer kopya olması ve seyreltmenin bu kopyaları rastgele sırada eleyerek gereksiz zaman harcamasıdır; ayrıca mesafeye dayalı seyreltme hücre altı ölçekte anlamsızdır. Seyreltme mesafesi hücreden küçük girilirse program bunu bildirir (sdm_core.py:2526-2534).

S3. Yinelenen koordinat ne kadar hassas karşılaştırılıyor? Cevap: Boylam ve enlem 8 ondalığa yuvarlanıp karşılaştırılır (sdm_core.py:1848); derecede bu yaklaşık 1 mm'dir. Yani yalnız gerçekten aynı nokta yinelenen sayılır; birkaç metre arayla girilmiş kayıtlar bu süzgeçten geçer ve hücre başına bir kural ile seyreltmeye kalır.

S4. Boylam ve enlemin yer değiştirdiği nasıl anlaşılıyor? Cevap: Yinelenmeyen kayıtların %20'sinden fazlası raster dışı ya da NoData'ya düşerse kayıtlar enlem-boylam yer değiştirilmiş olarak bir kez daha ızgaraya yerleştirilir; bu hâlde içeride kalan pay en az 0,5 ve gerçek içeride kalma payından büyükse iletide sütunların büyük olasılıkla ters olduğu söylenir (sdm_core.py:1972-1990, sdm_inputs.py:207-216). Program sütunları kendiliğinden çevirmez; karar kullanıcıya bırakılır.

S5. En az kaç kayıt gerekiyor, bu sayı nereden geliyor ve az kayıtla ne öneriliyor? Cevap: Süzgeç sonrası en az 5 kayıt zorunludur (sdm_core.py:1269, 1993-2013); gerekçe SDM yöntemlerinin küçük örneklemle sınandığı çalışmalardır (Hernandez vd. 2006; Pearson vd. 2007). 10'un altında güvenilir model üretilemeyeceği, 25'in altında jackknife doğrulamanın seçilmesi gerektiği uyarıları yazılır (sdm_core.py:2864-2875). Çok az kayıtlı türler için ③ Models'taki ESM (küçük modeller topluluğu) seçeneği ayrıca anlatılmaktadır (Bölüm 5).

S6. "10 kayıt / öngörücü" kuralı hangi öngörücü sayısıyla uygulanıyor? Cevap: ① Data'da yüklenen bütün katmanların sayısıyla (sdm_core.py:2858); bu sayı genellikle nihai modeldeki sayıdan büyüktür. ② Variables'ta seçim onaylanınca aynı denetim seçilen sayıyla tekrarlanır ve önceki ileti yerine yenisi konur (sdm_core.py:2889-2909). Kural yönlendiricidir; çalıştırmayı durdurmaz. Kaynak: Wisz vd. (2008) ve lojistik regresyondaki olay/değişken oranı geleneği.

S7. Farklı çözünürlükte ya da kapsamda katmanlar birlikte kullanılabilir mi? Cevap: Sınır verilmezse hayır: satır-sütun sayısı, hücre boyu, başlangıç ve CRS aynı olmalıdır, aksi hâlde çalıştırma uymayan katmanı adıyla gösterip durur (sdm_core.py:1698-1744). Sınır verilirse evet: bütün katmanlar listenin ilk katmanının hücreleriyle tanımlanan ortak ızgaraya en yakın komşu yöntemiyle getirilir (sdm_mask.py:283-301). Program ortalama alarak toplulaştırma (aggregate) yapmaz; ince bir katmanı kaba ızgaraya indirmek için önceden bir GIS aracıyla toplulaştırmak daha doğru olur.

S8. Kategorik bir katman neden doğrusal modellerde sayı gibi kullanılmıyor; hangi algoritmalar onu dışarıda bırakıyor? Cevap: Katman tek sütunda sınıf koduyla taşınır, ancak GLM, GLMNET, SVM ve ANN boru hattının ilk adımı (_CatPrep) eğitimde görülen her sınıf için ayrı 0/1 sütun üretir; kod hiçbir zaman karesi alınan, ölçeklenen ya da çarpılan bir sayı olarak kullanılmaz (sdm_core.py:3364-3384). GAM faktör terimi, MaxEnt kategorik özellik kullanır; ağaç yöntemleri kod üzerinden böler; BIOCLIM, Domain, ENFA ve Mahalanobis katmanı dışarıda bırakır (sdm_core.py:1781-1787). Eğitimde görülmeyen bir sınıf izdüşüm alanında karşılaşılırsa o değişkenin bütün 0/1 sütunları sıfır olur.

S9. Aynı tohumla iki çalıştırma bit bit aynı sonucu verir mi? Cevap: Amaç budur: tohum veri adımının başında bütün üreteçlere uygulanır (tabs/tab_data.py:1510, run_config.py:31-50) ve arka plan çekilişi, seyreltme, variogram alt örneği, k-ortalamalar ve katlar kendi tohumlu üreteçlerinden gelir. Katman ekleme sırası da sonucu değiştirmez, çünkü değişkenler doğal sıraya dizilir (sdm_core.py:1617-1620). Farklı işletim sistemleri ya da kütüphane sürümleri arasında bit bit eşitlik kodda güvenceye alınmamış ve sınanmamıştır; bu yüzden çalıştırma kaydı kütüphane sürümlerini de yazar (habitus_run_config.json, environment).

S10. Çalışma sınırı ile erişilebilir alan arasındaki fark nedir; biri ötekinin yerine kullanılabilir mi? Cevap: Sınır, bütün katmanları kırpar: dışarıdaki hücreler NoData olur, harita da sınırla biter (sdm_mask.py:304-418). Erişilebilir alan yalnız arka plan ve yalancı yoklukların çekileceği hücreleri sınırlar; harita yine sınırın ya da raster kapsamının tamamı için üretilir (sdm_core.py:2181-2203). Barve vd. (2011) anlamındaki M alanını tanımlamak için erişilebilir alan kullanılmalıdır; sınırı M olarak kullanmak modelin izdüşüm alanını da M'ye indirir.

S11. Bellek gereksinimi nasıl hesaplanıyor? Cevap: Her sürekli katman tam olarak belleğe okunur; float32'ye kayıpsız sığan kaynaklar (float32, 16 bitlik tamsayılar) float32, ötekiler float64 tutulur (sdm_core.py:1367-1379). Kod açıklamasına göre 2,5′ çözünürlükte 19 dünya katmanı 2,6 GB yer tutar. Belleği azaltmanın yolu bir çalışma sınırı vermektir; kırpılmış katmanlar yalnız sınırın kutusunu kapsar.

2.11 Sık hatalar ve tuzaklar

2.12 Kaynaklar

Barve, N., Barve, V., Jiménez-Valverde, A., Lira-Noriega, A., Maher, S.P., Peterson, A.T., Soberón, J., Villalobos, F., 2011. The crucial role of the accessible area in ecological niche modeling and species distribution modeling. Ecological Modelling 222, 1810–1819. https://doi.org/10.1016/j.ecolmodel.2011.02.011

Hernandez, P.A., Graham, C.H., Master, L.L., Albert, D.L., 2006. The effect of sample size and species characteristics on performance of different species distribution modeling methods. Ecography 29, 773–785. https://doi.org/10.1111/j.0906-7590.2006.04700.x

Pearson, R.G., Raxworthy, C.J., Nakamura, M., Peterson, A.T., 2007. Predicting species distributions from small numbers of occurrence records: a test case using cryptic geckos in Madagascar. Journal of Biogeography 34, 102–117. https://doi.org/10.1111/j.1365-2699.2006.01594.x

Wisz, M.S., Hijmans, R.J., Li, J., Peterson, A.T., Graham, C.H., Guisan, A., NCEAS Predicting Species Distributions Working Group, 2008. Effects of sample size on the performance of species distribution models. Diversity and Distributions 14, 763–773. https://doi.org/10.1111/j.1472-4642.2008.00482.x