HABITUSBaşvuru Kitabı

3. Veri II: arka plan, yalancı yokluk, erişilebilir alan ve seyreltme (① Data)

Sekme: ① Data › Background & Pseudo-Absence Settings · Kod: tabs/tab_data.py (arayüz), sdm_core.py DataFormatter.generate_pa_datasets, _sample_background (hesap), sdm_sampling.py (stratejiler, yanlılık yüzeyi), sdm_spatial.py (erişilebilir alan, seyreltme, variogram)

3.1 Bu bölüm ne anlatır

Çoğu tür kaydı yalnız varlık bildirir: türün nerede görüldüğü bilinir, nerede bulunmadığı bilinmez. Bir modelin varlığı ayırt edebilmesi için ona "karşılaştırma" noktaları gerekir. HABITUS bu noktaları üç ayrı amaçla, üç ayrı küme olarak üretir:

Bu üç kümenin nereden çekildiğini erişilebilir alan, hangi ağırlıkla çekildiğini örnekleme yanlılığı yüzeyi, hangi kayıtlara göre çekildiğini seyreltme belirler. Hepsi ① Data'nın sağ üstündeki Background & Pseudo-Absence Settings grubunun altı alt sekmesindedir ve Load Data düğmesiyle birlikte uygulanır (Bölüm 2.8).

İşlem sırası (sdm_core.py:2955-3207): kayıt ayıklama → seyreltme → erişilebilir alan maskesi (seyreltilmiş kayıtlardan) → kullanıcının yokluk kayıtları → yanlılık yüzeyi → strateji kısıtları (zarf, k-ortalamalar) → yalancı yokluk kümeleri → MaxEnt arka planı → ENFA arka planı.

3.2 Ekranın düzeni

Alt sekme İpucu metni Hangi küme Bu kitapta
ML Models ML Models (Pseudo-Absences) yalancı yokluk §3.3
Own Absences My Own Absence Data yalancı yokluğun yerine/yanına gerçek yokluk §3.4
MaxEnt MaxEnt (Background Points) MaxEnt arka planı §3.5
Sampling Bias Sampling Bias (Target Group) üç kümenin ağırlıkları §3.6
ENFA / Mahalanobis ENFA / Mahalanobis (Presence-Only) ENFA arka planı §3.7
Study Area & Thinning Study Area & Thinning üç kümenin alanı; varlık kayıtları §3.8, §3.9

Alt sekme ipuçları tabs/tab_data.py:214-219'da tanımlıdır. Bölümde kullanılan ekran görüntüleri örnek koşunun (Abies nordmanniana) ayarlarını gösterir.

3.3 Yalancı yokluklar: ML Models

Şekil 3.1. ML Models alt sekmesi: PA repetitions 2, Pseudo-absences per repetition 1000, Sampling strategy random. Min. distance from presences, Environmental envelope (env_const), Envelope tail trim ve k-means classes alanları random stratejisinde kullanılmadığı için gri.
Şekil 3.1. ML Models alt sekmesi: PA repetitions 2, Pseudo-absences per repetition 1000, Sampling strategy random. Min. distance from presences, Environmental envelope (env_const), Envelope tail trim ve k-means classes alanları random stratejisinde kullanılmadığı için gri.
Arayüzdeki ad Ne yapar Varsayılan Aralık / seçenekler Kod
PA repetitions: Bağımsız yalancı yokluk kümesi sayısı 2 1 – 10 tabs/tab_data.py:293-297
Pseudo-absences per repetition: Her kümedeki yalancı yokluk sayısı 1000 100 – 100 000 (adım 500) tabs/tab_data.py:299-304
Sampling strategy: Yalancı yoklukların hangi hücrelerden çekileceği random random, disk, sre, kmeans, env_const, geo_const, geo_env_const, geo_env_km_const tabs/tab_data.py:306-326, sdm_sampling.py:47-53
Min. distance from presences: Varlıklara en az uzaklık (km) 10 km 0 – 500 km tabs/tab_data.py:328-333
Environmental envelope (env_const): Zarfın kuruluşu pca pca, bioclim tabs/tab_data.py:335-342
Envelope tail trim: Zarfın her iki ucundan kırpılan pay 0.05 0.00 – 0.45 tabs/tab_data.py:343-348
k-means classes: Çevre uzayındaki küme sayısı 5 2 – 30 tabs/tab_data.py:349-353

Alanlar yalnız onları kullanan stratejide etkindir (tabs/tab_data.py:557-573): en az mesafe disk ve geo_*; zarf ve uç kırpma env_const, geo_env_const, geo_env_km_const; k-ortalamalar kmeans, geo_env_km_const. Own Absences'ta replace seçiliyse bütün alanlar gri olur (§3.4).

3.3.1 PA repetitions (tekrar sayısı)

3.3.2 Pseudo-absences per repetition (sayı) ve prevalans

3.3.3 Sampling strategy (sekiz strateji)

Stratejilerin hepsi önce aynı aday kümesinden başlar: bütün sürekli ve kategorik katmanlarda değeri olan hücreler (_valid_cell_mask, sdm_core.py:2309-2330), erişilebilir alan tanımlıysa onun içinde kalanlar (sdm_core.py:2181-2203). Ardından stratejiye özgü kısıt uygulanır (sdm_core.py:2205-2297), varsa yanlılık ve sınıf ağırlıklarıyla çekiliş yapılır.

Strateji Ne yapar Kullandığı alanlar R'deki karşılığı Kod
random Aday hücrelerden eşit olasılıkla çekiliş — biomod2 random, flexsdm random sdm_core.py:2291-2305
disk Her varlığa Min. distance içindeki hücreleri dışlar, kalanlardan rastgele en az mesafe biomod2 disk (yalnız en az mesafe) sdm_core.py:2243-2258
sre Varlıkların biyoiklim zarfının dışındaki hücrelerden çeker; zarf her değişkenin varlıklardaki %5–%95 aralığı (sabit 0,05) biomod2 sre sdm_core.py:2079-2119, 3005-3022
kmeans Ölçeklenmiş çevre uzayında k-ortalamalar; varlık içermeyen sınıflardan, her sınıfa eşit toplam ağırlıkla çeker k sdm eRandom, flexsdm kmeans sdm_sampling.py:245-288
env_const Varlıkların çevresel zarfının dışındaki hücrelerden çeker zarf, uç kırpma flexsdm env_const sdm_sampling.py:219-242
geo_const disk ile aynı kural en az mesafe flexsdm geo_const sdm_sampling.py:26-27
geo_env_const En az mesafe ve zarf dışı en az mesafe, zarf, uç kırpma flexsdm geo_env_const sdm_core.py:2997-3003
geo_env_km_const En az mesafe, zarf dışı ve varlıksız k-ortalama sınıfları hepsi flexsdm geo_env_km_const sdm_core.py:2399-2429

3.3.4 Min. distance from presences

3.3.5 Environmental envelope ve Envelope tail trim

3.3.6 k-means classes

3.4 Kendi yokluk kayıtlarınız: Own Absences

Şekil 3.2. Own Absences alt sekmesi: açıklama metni, boş Absence CSV alanı (Browse… ve Clear) ve varsayılan kip "replace – use only my records as absences".
Şekil 3.2. Own Absences alt sekmesi: açıklama metni, boş Absence CSV alanı (Browse… ve Clear) ve varsayılan kip "replace – use only my records as absences".
Arayüzdeki ad Ne yapar Varsayılan Aralık / seçenekler Kod
Absence CSV: + Browse… / Clear Gözlenmiş yokluk (ya da kendi arka plan) kayıtları; seçilince kayıt sayısı ve okunacak sütunlar önizlenir boş CSV tabs/tab_data.py:478-491, 1162-1181
How to use them: Kayıtların yalancı yoklukların yerine mi yanına mı konacağı replace replace – use only my records as absences / augment – my records plus generated pseudo-absences tabs/tab_data.py:493-507

3.4.1 Absence CSV ve sütunlar

3.4.2 replace ve augment kipleri

3.5 MaxEnt arka planı: MaxEnt

Şekil 3.3. MaxEnt alt sekmesi: Background points 10000, Sampling strategy random, Min. distance from presences 0.00 km; odak türün kendi kayıt yoğunluğuyla ağırlıklandırma (CIRCULAR / BIASED) ve arka planı CSV'ye kaydetme kutuları işaretsiz.
Şekil 3.3. MaxEnt alt sekmesi: Background points 10000, Sampling strategy random, Min. distance from presences 0.00 km; odak türün kendi kayıt yoğunluğuyla ağırlıklandırma (CIRCULAR / BIASED) ve arka planı CSV'ye kaydetme kutuları işaretsiz.
Arayüzdeki ad Ne yapar Varsayılan Aralık / seçenekler Kod
Background points: MaxEnt arka plan noktası sayısı 10000 100 – 200 000 (adım 1000) tabs/tab_data.py:789-794
Sampling strategy: Çekiliş kuralı random random, disk tabs/tab_data.py:796-801
Min. distance from presences: disk'te varlıklara en az uzaklık 0 km 0 – 500 km tabs/tab_data.py:803-806
Weight background by the focal species' own presence density (CIRCULAR / BIASED - off by default) Arka planı odak türün kayıt yoğunluğuyla ağırlıklandırır kapalı açık / kapalı tabs/tab_data.py:808-822, sdm_core.py:3102-3142
Save background points to CSV (background_maxent.csv) Arka plan koordinatlarını ve öngörücü değerlerini yazar kapalı açık / kapalı tabs/tab_data.py:824-830, 1549-1563

3.5.1 Background points ve strateji

3.5.2 Odak türün kendi yoğunluğuyla ağırlıklandırma (dairesel)

3.6 Örnekleme yanlılığı: Sampling Bias

Şekil 3.4. Sampling Bias alt sekmesi: Target-group CSV ve Bias raster alanları boş, CSV lon / lat columns "auto", Kernel bandwidth "auto"; Apply to altında Pseudo-absences (ML models), MaxEnt background ve ENFA / Mahalanobis background işaretli.
Şekil 3.4. Sampling Bias alt sekmesi: Target-group CSV ve Bias raster alanları boş, CSV lon / lat columns "auto", Kernel bandwidth "auto"; Apply to altında Pseudo-absences (ML models), MaxEnt background ve ENFA / Mahalanobis background işaretli.
Arayüzdeki ad Ne yapar Varsayılan Aralık / seçenekler Kod
Target-group CSV: Aynı yöntemle toplanmış başka türlerin kayıtları boş (kapalı) CSV tabs/tab_data.py:402-405
CSV lon / lat columns: Hedef grup CSV'sindeki koordinat sütunları auto sütun adı tabs/tab_data.py:407-409, sdm_sampling.py:77-93
Bias raster: Örnekleme çabası rasteri (büyük değer = çok çaba) boş (kapalı) .tif .tiff .img .asc tabs/tab_data.py:411-416, sdm_sampling.py:161-198
Kernel bandwidth: Hedef grup yoğunluğunun Gauss düzleştirmesi (sigma) auto (0) 0 – 5000 km tabs/tab_data.py:418-423, sdm_sampling.py:103-158
Apply to: Yüzeyin uygulanacağı kümeler üçü de işaretli Pseudo-absences (ML models), MaxEnt background, ENFA / Mahalanobis background tabs/tab_data.py:425-441, sdm_core.py:2991-2993

3.6.1 Hedef grup yüzeyi ve yanlılık rasteri

3.6.2 Kernel bandwidth

3.6.3 Apply to

Yüzey yalnız işaretli kümelere uygulanır (sdm_core.py:2991-2993). Üçünü birden işaretlemek, bütün algoritmaların aynı yanlılık düzeltmesini görmesini sağlar ve algoritmalar arası karşılaştırmayı tutarlı kılar. Yalnız birini işaretlemek, düzeltmenin etkisini tek bir algoritma ailesinde sınamak için yararlıdır.

3.7 ENFA arka planı: ENFA / Mahalanobis

Şekil 3.5. ENFA / Mahalanobis alt sekmesi: Use dedicated background sample (recommended) işaretli, Background points 5000, Sampling strategy random, Min. distance from presences 0.00 km.
Şekil 3.5. ENFA / Mahalanobis alt sekmesi: Use dedicated background sample (recommended) işaretli, Background points 5000, Sampling strategy random, Min. distance from presences 0.00 km.
Arayüzdeki ad Ne yapar Varsayılan Aralık / seçenekler Kod
Use dedicated background sample (recommended) ENFA için ayrı arka plan çeker açık açık / kapalı tabs/tab_data.py:858-864
Background points: Arka plan nokta sayısı 5000 100 – 100 000 (adım 1000) tabs/tab_data.py:866-872
Sampling strategy: Çekiliş kuralı random random, disk tabs/tab_data.py:874-879
Min. distance from presences: disk'te en az uzaklık 0 km 0 – 500 km tabs/tab_data.py:881-885

3.8 Erişilebilir alan: Study Area & Thinning (üst yarı)

Şekil 3.6. Study Area & Thinning alt sekmesi, örnek koşunun ayarlarıyla: Accessible area "buffer – discs around each occurrence record", Buffer radius 200.00 km; altta Keep one record per raster cell işaretli, Thinning distance "Typed or automatic", Choose the distance automatically from the variogram range işaretli (bu yüzden Minimum distance between records gri).
Şekil 3.6. Study Area & Thinning alt sekmesi, örnek koşunun ayarlarıyla: Accessible area "buffer – discs around each occurrence record", Buffer radius 200.00 km; altta Keep one record per raster cell işaretli, Thinning distance "Typed or automatic", Choose the distance automatically from the variogram range işaretli (bu yüzden Minimum distance between records gri).
Arayüzdeki ad Ne yapar Varsayılan Aralık / seçenekler Kod
Accessible area: Arka plan/yalancı yokluk alanının kuruluş yöntemi buffer buffer – discs around each occurrence record, mcp_buffer – buffered minimum convex polygon, polygon – my own calibration area layer, none – sample the whole raster extent tabs/tab_data.py:644-666
Buffer radius: Tampon yarıçapı; polygon'da çokgenlerin çevresine eklenen tampon 200 km 0 – 5000 km (adım 50) tabs/tab_data.py:668-674, 609-618
Calibration layer: + Browse… Kalibrasyon çokgen katmanı (yalnız polygon'da görünür) boş .shp .gpkg .geojson .json .kml .gml tabs/tab_data.py:677-691
Keep only the polygons containing an occurrence record Yalnız kayıt içeren çokgenleri tutar (yalnız polygon'da) açık açık / kapalı tabs/tab_data.py:693-701

3.8.1 Neden erişilebilir alan

Bir tür, uygun olduğu halde hiç ulaşamadığı yerlerde bulunmaz. Bu hücreler "uygun değil" kanıtı değildir; ama arka plan ya da yalancı yokluk olarak modele girdiklerinde model onları öyle öğrenir (Barve vd. 2011). Erişilebilir alan (BAM çerçevesindeki M), arka planın çekileceği alanı türün ulaşabileceği bölgeyle sınırlar. Kapsamı geniş tutmak, varlıklardan çok farklı koşullar içeren hücreleri arka plana katar; ayrım kolaylaşır ve AUC yapay olarak yükselir (Lobo vd. 2008; VanDerWal vd. 2009). Maske üç kümeye de (yalancı yokluk, MaxEnt, ENFA) uygulanır; kullanıcının yokluk kayıtlarına uygulanmaz. Harita yine bütün kapsam (ya da çalışma sınırı) için üretilir.

3.8.2 Accessible area yöntemleri

3.8.3 Buffer radius

3.8.4 Kalibrasyon katmanı ve "kayıt içerenler"

3.8.5 accessible_area.tif

Erişilebilir alan tanımlıysa maske türün çıktı klasörüne accessible_area.tif olarak yazılır (1 = içeride, 0 = dışarıda, sıkıştırılmış uint8; tabs/tab_data.py:1536-1548, sdm_spatial.py:1065-1075). ⑥ Range Change, değişimi bu alanın içinde ayrıca raporlamak için bu dosyayı kullanır (Bölüm 9). none seçiliyse dosya yazılmaz.

3.9 Kayıtların seyreltilmesi: Study Area & Thinning (alt yarı)

Arayüzdeki ad Ne yapar Varsayılan Aralık / seçenekler Kod
Keep one record per raster cell (recommended) Her öngörücü hücresinde bir kayıt açık açık / kapalı tabs/tab_data.py:722-731 (Bölüm 2.8.3)
Thinning distance: Seyreltme mesafesinin kaynağı Typed or automatic Typed or automatic, One cell, 10 km (Boria 2014) tabs/tab_data.py:733-743
Choose the distance automatically from the variogram range Mesafeyi variogram aralığından seçer (yalnız Typed or automatic'te) kapalı açık / kapalı tabs/tab_data.py:745-751
Minimum distance between records: Elle girilen mesafe (yalnız Typed or automatic ve otomatik kapalıyken) 0 km (seyreltme yok) 0 – 500 km tabs/tab_data.py:753-765

3.9.1 Seyreltmenin işleyişi

3.9.2 Ön ayarlar: One cell ve 10 km

3.9.3 Otomatik mesafe: variogram aralığının yarısı ve azaltma kuralı

3.10 Çıktılar ve sonraki adıma geçenler

3.11 Uzman soruları

S1. HABITUS'taki random yalancı yokluk çekilişi biomod2'deki random ile aynı mı? Cevap: Kural aynıdır: geçerli hücrelerden eşit olasılıklı, yinelemesiz çekiliş (sdm_core.py:2301-2302). İki fark vardır. Birincisi, HABITUS varsayılan olarak çekilişi 200 km'lik erişilebilir alanla sınırlar; biomod2'de böyle bir varsayılan yoktur, kapsamın tamamı kullanılır. İkincisi, yalancı yokluklar hücre merkezlerinden çekilir ve aynı küme içinde bir hücre bir kez seçilir. Varlık hücreleri random'da dışlanmaz; bir yalancı yokluk bir varlık hücresine düşebilir.

S2. Yalancı yoklukları varlıklardan uzaklaştıran stratejiler neden skorları şişirir? Cevap: AUC ve TSS, modelin varlık ile yokluğu ayırma becerisini ölçer. Yalancı yokluklar varlıklardan coğrafi (disk) ya da çevresel (sre, env_const) olarak uzaklaştırıldığında ayrım, verinin kuruluşu gereği kolaylaşır; ölçülen beceri modelden çok örnekleme tasarımından gelir (VanDerWal vd. 2009; Barbet-Massin vd. 2012). Aynı veride stratejileri karşılaştırırken skorların değil, bağımsız bir doğrulama verisiyle (⑦ Validation) elde edilen performansın karşılaştırılması gerekir.

S3. Erişilebilir alan tamponu neden 200 km ve bu değer nereden geliyor? Cevap: 200 km bir başlangıç değeridir (tabs/tab_data.py:669, sdm_core.py:1400); kodda türe özgü bir gerekçesi yoktur. Arayüz ipucu yarıçapın türün yayılma yeteneğinden ve yayılışın yaşından seçilmesini ister. Barve vd. (2011) M'nin tür ve soru özelinde tanımlanması gerektiğini vurgular; Rojas-Soto vd. (2024) biyocoğrafik birimlere dayalı kalibrasyon alanını önerir (HABITUS'ta polygon). Değer her çalıştırmada kayda yazılır ve raporlanmalıdır.

S4. Tampon uzaklığı jeodezik mi hesaplanıyor? Cevap: Hayır, yaklaşık hesaplanır. buffer ve mcp_buffer, hücre yüksekliğini sabit, genişliğini kayıtların ortalama enleminin kosinüsüyle küçültülmüş kabul eden anizotropik Öklid uzaklık dönüşümü kullanır (sdm_spatial.py:1022-1062). Enlem açıklığı küçük alanlarda hata küçüktür; kuzey-güney yönünde binlerce km uzanan bir yayılışta tamponun doğu-batı genişliği uçlarda sapar. Seyreltme ve en az mesafe ise haversine ile hesaplanır.

S5. Kullanıcının yokluk kayıtları MaxEnt'e de giriyor mu? Cevap: Hayır. Own Absences kayıtları yalnız pa_datasets'in yokluk tarafına girer (sdm_core.py:3035-3082). MaxEnt kendi arka planını kullanır (sdm_core.py:4595-4598); arka plan yokluk sayılmaz. ENFA da kendi arka planını kullanır. Gerçek yoklukları MaxEnt'e "arka plan" olarak vermek isteyen kullanıcı için kodda bir yol yoktur.

S6. Hedef grup yüzeyinin bant genişliği nasıl seçiliyor; R'deki karşılığı nedir? Cevap: auto'da her eksen için 1{,}06\,\min(s,\ \mathrm{IQR}/1{,}34)\,n^{-1/5} kullanılır; bu, MASS bandwidth.nrd değerinin dörtte biridir ve kde2d'nin içte kullandığı sigma ile aynıdır (sdm_sampling.py:143-151). Yoğunluk hücre sayımlarının Gauss filtresiyle düzleştirilmesiyle elde edilir; sınırdan dışarı kütle kaybolur (mode="constant"). Yüzey en büyük değere ölçeklenir ve 10^{-6} ile tabanlanır, böylece hiç hedef kaydı olmayan hücreler çok düşük olasılıkla da olsa seçilebilir. Kramer-Schadt vd. (2013) ve Phillips vd. (2009) bu yaklaşımın gerekçesini verir.

S7. Otomatik seyreltme mesafesi neden variogram aralığının yarısı, ve neden azaltılıyor? Cevap: Aralık, öngörücülerdeki özilişkinin kaybolduğu uzaklıktır; yarısı kayıtlar arasındaki tekrar eden çevre bilgisini azaltmak için yaygın bir başlangıçtır ve aynı aralık blok boyunu belirlediği için iki karar tutarlı olur (sdm_core.py:2433-2442). Bölgesel eğilimi güçlü iklim katmanlarında aralık yüzlerce km çıkar ve yarısı kayıtların çoğunu atar; seyreltmenin amacı veri kümesini değil yinelemeyi gidermek olduğu için mesafe, kayıtların en az %50'si kalana kadar yarıya indirilir (sdm_core.py:2571-2594). Örnek koşuda 75,7 km'den 4,7 km'ye inilmiştir.

S8. HABITUS'un seyreltmesi spThin ile aynı sonucu verir mi? Cevap: Kural aynıdır (tutulan iki kayıt arasında en az mesafe, büyük daire uzaklığı), algoritma farklıdır. spThin thin() çok sayıda rastgele tekrar yapar ve en çok kayıt tutan kümeyi seçer (Aiello-Lammens vd. 2015); HABITUS 3 tekrarlı açgözlü seçim yapar (sdm_spatial.py:888-937), otomatik mesafe aramasında ise tek tekrar. Tutulan kayıt sayısı spThin'in en iyisinden biraz az olabilir; kesin eşitlik sınanmamıştır.

S9. sre ile env_const (bioclim) arasında ne fark var? Cevap: İkisi aynı hesabı (_compute_sre_mask) kullanır: her değişkende varlıkların [q,\,1-q] aralığı, bütün değişkenlerde aralıkta olan hücre zarf içidir (sdm_core.py:2079-2119). sre'de q sabit 0,05'tir (sdm_core.py:3010-3011); env_const + bioclim'de Envelope tail trim ile ayarlanır. 4'ten az varlıkta değeri olan değişkenler zarfa katılmaz. env_const + pca ise iki temel bileşen üzerinde çalışır ve değişken sayısı arttıkça zarfın anlamsızlaşmasını önler.

S10. Arka plan ve yalancı yoklukların hepsi aynı tohumdan mı geliyor; tekrarlar birbirinden bağımsız mı? Cevap: DataFormatter tek bir tohumlu üreteç kurar ve bütün çekilişler sırayla ondan yapılır (sdm_core.py:1505). Her yalancı yokluk kümesi üretecin sonraki durumundan çekildiği için kümeler birbirinden farklıdır ve aynı tohumla aynı sırada yeniden üretilir. Tekrar sayısını değiştirmek, sonra gelen MaxEnt ve ENFA arka planlarını da değiştirir, çünkü üreteç durumu ilerlemiş olur.

S11. Erişilebilir alan küçük ve hücre sayısı istenen arka plan sayısından az olursa ne olur? Cevap: Alandaki bütün geçerli hücreler kullanılır, istenenden az nokta çekilir ve bir uyarı yazılır (sdm_core.py:2190-2203); hangi istekte kaç hücre bulunduğu çalıştırma kaydına (cells_short_of_request) eklenir. Arka plan bu durumda alanın tam sayımıdır (Phillips ve Dudík 2008). Çekiliş kapsamın tamamına genişletilmez; bu, kullanıcının tanımladığı M'yi korur.

S12. Bu sekmedeki ayarlardan sonucu en çok etkileyenler hangileri? Cevap: Örnek veriyle sistematik bir duyarlılık analizi yapılmamıştır. Kodun yapısından ve kaynaklardan şu sıra beklenir: (1) erişilebilir alan yöntemi ve yarıçapı (arka planın çevresel kapsamını belirler; Barve vd. 2011), (2) yalancı yokluk stratejisi (ayrımın zorluğunu belirler; Barbet-Massin vd. 2012), (3) yanlılık düzeltmesi (haritanın yanlılığı mı çevreyi mi izlediğini belirler; Phillips vd. 2009), (4) seyreltme ve hücre başına bir kural (kullanılan kayıt sayısını belirler; örnek koşuda 626'dan 143'e). Yalancı yokluk ve arka plan sayıları, makul aralıkta, daha az etkilidir.

3.12 Sık hatalar ve tuzaklar

3.13 Kaynaklar

Aiello-Lammens, M.E., Boria, R.A., Radosavljevic, A., Vilela, B., Anderson, R.P., 2015. spThin: an R package for spatial thinning of species occurrence records for use in ecological niche models. Ecography 38, 541–545. https://doi.org/10.1111/ecog.01132

Barbet-Massin, M., Jiguet, F., Albert, C.H., Thuiller, W., 2012. Selecting pseudo-absences for species distribution models: how, where and how many? Methods in Ecology and Evolution 3, 327–338. https://doi.org/10.1111/j.2041-210X.2011.00172.x

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

Boria, R.A., Olson, L.E., Goodman, S.M., Anderson, R.P., 2014. Spatial filtering to reduce sampling bias can improve the performance of ecological niche models. Ecological Modelling 275, 73–77. https://doi.org/10.1016/j.ecolmodel.2013.12.012

Kramer-Schadt, S., Niedballa, J., Pilgrim, J.D., Schröder, B., Lindenborn, J., Reinfelder, V., Stillfried, M., Heckmann, I., Scharf, A.K., Augeri, D.M., Cheyne, S.M., Hearn, A.J., Ross, J., Macdonald, D.W., Mathai, J., Eaton, J., Marshall, A.J., Semiadi, G., Rustam, R., Bernard, H., Alfred, R., Samejima, H., Duckworth, J.W., Breitenmoser-Wuersten, C., Belant, J.L., Hofer, H., Wilting, A., 2013. The importance of correcting for sampling bias in MaxEnt species distribution models. Diversity and Distributions 19, 1366–1379. https://doi.org/10.1111/ddi.12096

Lobo, J.M., Jiménez-Valverde, A., Real, R., 2008. AUC: a misleading measure of the performance of predictive distribution models. Global Ecology and Biogeography 17, 145–151. https://doi.org/10.1111/j.1466-8238.2007.00358.x

Phillips, S.J., Anderson, R.P., Schapire, R.E., 2006. Maximum entropy modeling of species geographic distributions. Ecological Modelling 190, 231–259. https://doi.org/10.1016/j.ecolmodel.2005.03.026

Phillips, S.J., Dudík, M., 2008. Modeling of species distributions with Maxent: new extensions and a comprehensive evaluation. Ecography 31, 161–175. https://doi.org/10.1111/j.0906-7590.2008.5203.x

Phillips, S.J., Dudík, M., Elith, J., Graham, C.H., Lehmann, A., Leathwick, J., Ferrier, S., 2009. Sample selection bias and presence-only distribution models: implications for background and pseudo-absence data. Ecological Applications 19, 181–197. https://doi.org/10.1890/07-2153.1

Roberts, D.R., Bahn, V., Ciuti, S., Boyce, M.S., Elith, J., Guillera-Arroita, G., Hauenstein, S., Lahoz-Monfort, J.J., Schröder, B., Thuiller, W., Warton, D.I., Wintle, B.A., Hartig, F., Dormann, C.F., 2017. Cross-validation strategies for data with temporal, spatial, hierarchical, or phylogenetic structure. Ecography 40, 913–929. https://doi.org/10.1111/ecog.02881

Rojas-Soto, O., Forero-Rodríguez, J.S., Galindo-Cruz, A., Mota-Vargas, C., Parra-Henao, K.D., Peña-Peniche, A., Piña-Torres, J., Rojas-Herrera, K., Sánchez-Rodríguez, J.D., Toro-Cardona, F.A., Trinidad-Domínguez, C.D., 2024. Calibration areas in ecological niche and species distribution modelling: Unravelling approaches and concepts. Journal of Biogeography 51, 1416–1428. https://doi.org/10.1111/jbi.14834

Valavi, R., Elith, J., Lahoz-Monfort, J.J., Guillera-Arroita, G., 2019. blockCV: An R package for generating spatially or environmentally separated folds for k-fold cross-validation of species distribution models. Methods in Ecology and Evolution 10, 225–232. https://doi.org/10.1111/2041-210X.13107

VanDerWal, J., Shoo, L.P., Graham, C., Williams, S.E., 2009. Selecting pseudo-absence data for presence-only distribution modeling: How far should you stray from what you know? Ecological Modelling 220, 589–594. https://doi.org/10.1016/j.ecolmodel.2008.11.010