HABITUSBaşvuru Kitabı

8. Gelecek senaryoları (⑤ Future Scenarios)

Sekme: ⑤ Future Scenarios · Kod: tabs/tab_projection.py (arayüz), sdm_core.py Projector (hesap), sdm_novelty.py (ExDet, MESS), sdm_grid.py (ızgara hizalama), sdm_mask.py (çalışma sınırına kırpma)

8.1 Bu sekme ne yapar

⑤ Future Scenarios sekmesi, ③ Models'ta kurulan modelleri başka bir ortam katmanı yığınına uygular; buna projeksiyon (aktarım) denir. En yaygın kullanım, bugünkü iklimle kurulmuş modeli bir iklim modelinin (GCM, genel dolaşım modeli) gelecek dönem katmanlarına uygulamaktır. Aynı sekme, modeli başka bir bölgeye ya da geçmiş bir döneme aktarmak için de kullanılır: program yalnızca "eğitimdeki değişkenlerle aynı adlı ve aynı sırada sürekli raster" bekler.

Sekme ③ Models tamamlanınca açılır (tabs/tab_models.py:1849). Bugünkü iklimin haritası ③'te zaten üretilmiştir (çıktı klasörünün current\ alt klasörü, tabs/tab_models.py:1719); ⑤ bu haritanın gelecekteki karşılığını üretir.

8.2 Ekranın düzeni

Sekme iki bölmelidir: solda ayarlar, sağda harita görüntüleyici ve ▶ Run Projection düğmesi (tabs/tab_projection.py:98, ui_style.two_pane).

Şekil 8.1. Future Scenarios sekmesi çalıştırmadan önce: üstte modelin beklediği sekiz değişkeni ve sıra uyarısını gösteren bilgi şeridi, solda Projection Scenario, Algorithms to Project, Environmental Rasters for This Scenario, Output Settings ve boş Completed Projections tablosu, sağda boş Projection Map Viewer.
Şekil 8.1. Future Scenarios sekmesi çalıştırmadan önce: üstte modelin beklediği sekiz değişkeni ve sıra uyarısını gösteren bilgi şeridi, solda Projection Scenario, Algorithms to Project, Environmental Rasters for This Scenario, Output Settings ve boş Completed Projections tablosu, sağda boş Projection Map Viewer.

Sol bölmedeki bölgeler yukarıdan aşağıya şunlardır:

Bölge Arayüzdeki ad Anlatıldığı yer
Bilgi şeridi (başlıksız, koyu yeşil kutu) §8.3
Senaryo adı ve GCM Projection Scenario §8.4
Algoritma seçimi Algorithms to Project §8.5
Raster listesi Environmental Rasters for This Scenario §8.6
Çıktı ve yöntem seçenekleri Output Settings §8.7, §8.8
Tamamlanan çıktılar Completed Projections §8.11
Harita Projection Map Viewer (sağ bölme) §8.12

8.3 Bilgi şeridi

Sekmenin en üstündeki koyu kutu, sekme her gösterildiğinde yeniden yazılır (tabs/tab_projection.py:308-345). Üç bilgi verir:

  1. Modelin kullandığı sürekli değişkenler (Model uses 8 continuous variables: bio_2, bio_3, …).
  2. Sıra uyarısı: ⚠ Raster ORDER matters: add files in the same variable order as selected in Tab ②.
  3. Eğitim rasterlarının değişkenlerle eşleşme durumu (All 8 selected variables have matching rasters. ya da Warning: only k/n variables matched …). Kategorik değişken varsa, bunların geleceğe taşınmadığını, bugünkü katmanın yeniden kullanıldığını söyleyen bir satır eklenir.

Hemen altındaki turuncu satır (Required: 8 continuous rasters in order → [1] bio_2 | [2] bio_3 | …) eklenecek dosyaların sırasını numaralı olarak gösterir (tabs/tab_projection.py:340-343).

Not: Şeritte geçen Use 'Auto-fill' for current climate scenarios. ifadesine karşılık gelen bir düğme bu sekmede yoktur. Bugünkü iklim haritası ③ Models'ta kendiliğinden üretilir; bugünkü iklimi başka ayarlarla (ör. MESS açık) yeniden projekte etmek isteyen kullanıcı eğitim rasterlarının klasörünü Browse Folder… ile seçer (§8.6.2).

8.4 Senaryo adı ve GCM (Projection Scenario)

Arayüzdeki ad Ne yapar Varsayılan Aralık / seçenekler Kod
Scenario name: Projeksiyonun adı; dosya adlarına, alt klasöre, rapora ve ⑥'daki listeye girer 2050_SSP245 serbest metin; boşsa current tabs/tab_projection.py:115, :505
GCM model: Harita başlığına yazılacak iklim modeli adı boş serbest metin tabs/tab_projection.py:119, :31-44

8.4.1 Senaryo adı

8.4.2 GCM adı

8.5 Projekte edilecek algoritmalar (Algorithms to Project)

Arayüzdeki ad Ne yapar Varsayılan Aralık / seçenekler Kod
algoritma kutuları (ör. GAM, GLM, MAXENT, RF) Hangi algoritmanın modellerinin projekte edileceği hepsi işaretli ③'te eğitilmiş algoritmalar tabs/tab_projection.py:288-306
All / None Hepsini işaretler / hiçbirini işaretlemez — — tabs/tab_projection.py:142-145

8.6 Raster listesi ve sıra kuralı (Environmental Rasters for This Scenario)

Arayüzdeki ad Ne yapar Varsayılan Aralık / seçenekler Kod
raster listesi Senaryonun sürekli katmanları, değişken sırasıyla boş çoklu seçim tabs/tab_projection.py:159-162
Browse Folder… Klasördeki rasterları değişken adlarıyla eşleyip listeyi doldurur — .tif .tiff .asc .img .nc .vrt tabs/tab_projection.py:166-170, :382-449
Add Files… Seçilen dosyaları listenin sonuna ekler — aynı uzantılar tabs/tab_projection.py:172, :451-457
Remove Seçili satırları siler — — tabs/tab_projection.py:174, :459-461
Remove All Listeyi ve tüm projeksiyon sonuçlarını siler, ⑥'yı kilitler — onay sorulur tabs/tab_projection.py:177-180, :463-489

8.6.1 Sıra kuralı

8.6.2 Klasörden ekleme (Browse Folder…)

8.6.3 Dosya ekleme ve silme

Add Files… seçilen dosyaları listenin sonuna ekler; sıralamayı korumak kullanıcıya kalır. Remove yalnız listedeki satırları siler. Remove All ise onay sorduktan sonra listeyi temizler, oturumdaki tüm projeksiyon ve alan değişimi sonuçlarını sıfırlar, iki sekmenin haritalarını ve tablolarını boşaltır ve ⑥ Range Change'i yeniden kilitler (tabs/tab_projection.py:475-489). Diskteki dosyalar silinmez.

8.7 Çıktı ve görüntüleme ayarları (Output Settings)

Şekil 8.2. Projeksiyondan sonra sol bölmenin alt kısmı: Output Settings kutusunda örnek koşuda kullanılan seçenekler (yalnız Auto-display açık, MESS maskesi MESS kapalı olduğu için soluk) ve Completed Projections tablosunun ilk satırları.
Şekil 8.2. Projeksiyondan sonra sol bölmenin alt kısmı: Output Settings kutusunda örnek koşuda kullanılan seçenekler (yalnız Auto-display açık, MESS maskesi MESS kapalı olduğu için soluk) ve Completed Projections tablosunun ilk satırları.
Arayüzdeki ad Ne yapar Varsayılan Aralık / seçenekler Kod
Output subdir: Senaryo dosyalarının yazılacağı alt klasör boş (senaryo adı kullanılır) serbest metin tabs/tab_projection.py:197-198, :543-545
Auto-display ensemble probability maps when done İş bitince olasılık haritalarını görüntüleyiciye yükler açık açık / kapalı tabs/tab_projection.py:199-201, :669-670
Also display binary (presence/absence) maps İkili haritaları da yükler kapalı açık / kapalı tabs/tab_projection.py:202-203, :683-684
Also write MESS surface and MoD map (Elith et al. 2010) MESS ve MoD rasterlarını da yazar kapalı açık / kapalı tabs/tab_projection.py:204-214
Mask (nodata) map cells where MESS < 0 [like extra_truncate] MESS < 0 hücrelerini haritalarda nodata yapar kapalı (MESS kapalıyken devre dışı) açık / kapalı tabs/tab_projection.py:215-224
Clamp predictors to the calibration range before predicting Öngörücüleri tahminden önce eğitim aralığına kırpar kapalı açık / kapalı tabs/tab_projection.py:225-233

8.7.1 Çıktı alt klasörü

8.7.2 Görüntüleme seçenekleri

Auto-display … açıkken iş bitince görüntüleyici temizlenir ve adı _prob ile biten tüm olasılık haritaları yüklenir: yalnız topluluk değil, tek modeller ve algoritma ortalamaları da (örnek koşuda 14 harita, tabs/tab_projection.py:675-705). Also display binary … açıksa _bin haritaları da eklenir. Bu iki seçenek hiçbir dosyayı değiştirmez; yalnızca görüntüleyicinin Layer: listesini doldurur.

8.8 Aktarım güvenliği seçenekleri: MESS, MESS maskesi, clamping

Bir model, eğitimde hiç görmediği ortam koşullarında da 0–1 arası bir değer üretir; bu değer görünüşte diğerleri kadar "kesin"dir. Kalibrasyon alanının ortam aralığı dar kaldıkça bu durum aktarımda daha sık görülür (Owens vd. 2013). HABITUS bu sorunu üç katmanda ele alır: ExDet her projeksiyonda kendiliğinden hesaplanır (§8.9); MESS isteğe bağlı ek tanıdır; MESS maskesi ve clamping ise haritanın kendisini değiştirir.

Üçü de aynı kalibrasyon referans kümesini kullanır: modellerin gerçekten kurulduğu satırlar, yani tüm yalancı yokluk kümelerindeki varlık ve yokluk noktalarının birleşimi (sdm_core.py:7142-7171, :4929-4952). Kategorik değişkenler referansa girmez.

8.8.1 MESS ve MoD (Also write MESS surface and MoD map)

s_j=\begin{cases} 100\,(p-\min_j)/(\max_j-\min_j) & F=0\\ 2F & 0<F\le 50\\ 2(100-F) & 50<F<100\\ 100\,(\max_j-p)/(\max_j-\min_j) & F=100 \end{cases}

MESS, s_j'lerin en küçüğüdür; MoD (most dissimilar variable) bu en küçük değeri veren değişkenin sırasıdır. Yazılan dosyalar <tür>_<senaryo>_MESS.tif (float32) ve <tür>_<senaryo>_MoD.tif (int16; değişken adları raster etiketlerinde CLASS_i olarak saklanır) (sdm_core.py:7263-7281). - Ne zaman, nasıl ayarlanır. MESS, MaxEnt yazılımı ve dismo/flexsdm çıktılarıyla karşılaştırma gereken, hakemin "MESS haritası" istediği çalışmalarda açılır. Yöntem bakımından ExDet NT1 aynı bilgiyi zaten verir (§8.9). - Sonuca etkisi. Uygunluk haritalarını değiştirmez. Günlüğe MESS: x% of projected cells have MESS < 0 … satırı yazılır (sdm_core.py:7286-7289). Aynı referans küme ve aynı en küçük/en büyük değerler kullanıldığı için MESS < 0 olan hücreler, ExDet NT1 < 0 olan hücrelerle aynıdır (bir değer tam en büyük değere eşitse ikisi de 0 verir): örnek koşuda SSP585_2090 için NT1 < 0 oranı %55,4'tür; MESS açılsaydı aynı oran MESS < 0 için raporlanacaktı. Tek fark, eğitimde sabit kalan bir değişkendir: NT1 onu yok sayar, MESS sabit değerden farklı her hücreye −100 verir (sdm_novelty.py:216-225, :436-437). - Dikkat. MESS tek değişkenlidir: tüm değişkenler tek tek aralık içindeyken birleşimin yeni olduğu hücreleri göremez; bunlar için ExDet NT2'ye bakılır. İpucu metni de bunu söyler: MESS cannot see novel combinations of in-range values; ExDet NT2 can.

8.8.2 MESS < 0 maskesi (Mask (nodata) map cells where MESS < 0)

8.8.3 Clamping (Clamp predictors to the calibration range before predicting)

8.9 ExDet yenilik yüzeyleri (her zaman yazılır)

Arayüzde bir kutusu yoktur: Projector her projeksiyonda ExDet'i çalıştırır (write_novelty=True, sdm_core.py:7088, :7937-7943). Yöntem Mesgaran vd. (2014) ExDet'idir ve iki tür yeniliği ayırır.

NT1 (tek değişkenli aralık yeniliği). Referans kümede değişken j'nin en küçüğü \min_j, en büyüğü \max_j olmak üzere, hücre i için (sdm_novelty.py:202-228):

UD_{ij}=\frac{\min\left(P_{ij}-\min_j,\;\max_j-P_{ij},\;0\right)}{\max_j-\min_j},\qquad NT1_i=\sum_j UD_{ij}

Aralık içinde NT1 = 0, dışında negatiftir; mutlak değer büyüdükçe aralığın ne kadar dışında olunduğu artar.

NT2 (birleşim yeniliği). Yalnız NT1 = 0 olan hücrelerde, referans kümenin ortalaması ve kovaryansıyla Mahalanobis uzaklığının karesi D^2 hesaplanır ve referans kümedeki en büyük D^2'ye bölünür: NT2_i = D^2_i / \max(D^2_{ref}) (sdm_novelty.py:249-290). NT2 > 1, her değişkenin tek başına aralık içinde olduğu ama birleşimin eğitimde hiç görülmediği hücredir.

MIC (en etkili değişken). NT1 için en negatif UD_{ij}'yi veren değişken; NT2 için çıkarıldığında D^2'yi en çok düşüren değişken (Mesgaran vd. 2014, eş. 7; sdm_novelty.py:231-235, :292-317).

Yazılan dosyalar: <tür>_<senaryo>_NT1.tif, _NT2.tif, _MIC_NT1.tif, _MIC_NT2.tif (MIC değerleri değişken sırasıdır; adlar raster etiketlerinde CLASS_i; sdm_core.py:7206-7233). Günlüğe düz metinli bir özet yazılır (sdm_novelty.py:640-692). Örnek koşunun SSP585_2090 özeti:

Ölçü current SSP585_2090
NT1 < 0 (aralık dışı) %23,4 %55,4
NT2 > 1 (yeni birleşim) %0,0 %0,3
Her iki teste göre benzer %76,6 %44,3
En etkili değişken, aralık yeniliği bio_3 (%43), bio_15 (%24), bio_2 (%13) bio_9 (%58), bio_3 (%17), bio_8 (%10)

NT1 oranı %25'i aşınca günlüğe More than a quarter of the projection is outside the calibration range. Treat the suitability surface in those areas as an extrapolation, not a prediction. uyarısı eklenir (sdm_novelty.py:686-690).

Dikkat: Referans küme varlık ve yalancı yokluk noktalarıdır; bugünkü haritada bile hücrelerin %23,4'ünün NT1 < 0 çıkması bundandır: eğitim noktaları erişilebilir alan içinden (örnekte kayıtlar çevresinde 200 km) seçildiği için, çalışma alanının uzak köşeleri bugün de aralık dışındadır. Bu bir hata değil, haritanın o kısmının da dışdeğerleme olduğunu söyleyen bir bulgudur.

Not: Kalibrasyon kovaryans matrisinin koşul sayısı 10^{12}'yi aşarsa (birbirinin neredeyse kopyası değişkenler) NT2 hesaplanmaz; neden günlükte ve raporda yazılır: NT2 was not computed: the calibration covariance matrix is numerically singular … (sdm_novelty.py:62, :257-265). NT1 bu durumda da yazılır.

8.10 Izgara hizalama, çalışma sınırına kırpma ve şeritli projeksiyon

Bu üç işlem kullanıcıdan ayar beklemez, ama sonucu doğrudan etkiler ve programın verdiği uyarıların anlamını bilmek gerekir.

8.10.1 Izgara hizalama

Katmanın örtmediği eğitim hücreleri NaN olur ve sayılır; NaN'lı hücre projeksiyondan çıkar (bütün değişkenlerin sonlu olduğu hücreler tahmin edilir, sdm_core.py:7799-7807). - Ne zaman, nasıl ayarlanır. İndirilen GCM setleri eğitim katmanlarından bir hücre geniş ya da farklı kesilmiş olabilir; hizalama bunları güvenle bir araya getirir. En iyisi, gelecek katmanlarını eğitimle aynı çözünürlük ve kapsamda hazırlamaktır; o zaman hiçbir yeniden örnekleme yapılmaz. - Sonuca etkisi. Kaydırma ve özdeşlik değerleri değiştirmez; yeniden örnekleme (özellikle farklı çözünürlükten) değerleri yumuşatır. - Dikkat. Hizalanan her katman için günlüğe ve rapordaki Processing Notices bölümüne bir satır yazılır, örneğin WARNING grid alignment: bio_2: 468x222 px grid realigned to 466x220 reference by position (cell-shift), offset -1 col / -1 row, 0 reference cell(s) not covered (0.0%). Bir katman eğitim ızgarasının %5'inden fazlasını örtmüyorsa ayrıca … % of the reference grid is outside this layer's extent (> 5%); those cells are NaN and are left out of the projection. Check that the layer covers the study area. uyarısı çıkar (sdm_grid.py:40, :304-328). Özet, _projection_options.json dosyasının grid_alignment alanında saklanır; örnek koşuda n_realigned: 0 (sekiz katmanın hepsi eğitim ızgarasında).

8.10.2 Çalışma sınırına kırpma

8.10.3 Şeritli projeksiyon (büyük raster)

8.11 Çıktılar ve Completed Projections tablosu

Şekil 8.3. SSP585_2090 projeksiyonu tamamlandıktan sonra: Completed Projections tablosunda senaryo, katman, tür ve dosya yolu satırları; sağda ağırlıklı ortalama topluluk olasılık haritası (Ensemble WMean · Prob), alt şeritte 37 rasterın kaydedildiği iletisi.
Şekil 8.3. SSP585_2090 projeksiyonu tamamlandıktan sonra: Completed Projections tablosunda senaryo, katman, tür ve dosya yolu satırları; sağda ağırlıklı ortalama topluluk olasılık haritası (Ensemble WMean · Prob), alt şeritte 37 rasterın kaydedildiği iletisi.

Örnek koşuda SSP585_2090\ klasörüne 37 raster ve bir JSON kaydı yazılmıştır:

Dosya (<tür>_<senaryo>_…) İçerik Kod
<ALG>_PA<k>_prob.tif, _bin.tif Tek modelin olasılık ve ikili haritası (eşik: ③'te o model için bulunan eşik) sdm_core.py:7895-7916
<ALG>_mean_prob.tif, _mean_bin.tif, _sd.tif Algoritmanın kopyaları üzerinden ortalama, ikili ve standart sapma (③'te iki katmanlı topluluk açıksa) sdm_core.py:7964-8023
EMwmean_prob.tif, EMca_prob.tif ve _bin Ağırlıklı ortalama ve komite ortalaması topluluk haritaları sdm_core.py:8055-8103
EMsd.tif (ve seçildiyse EMcv, EMrange) Topluluk üyeleri arasındaki yayılım; eşiklenmez sdm_core.py:8057-8068
NT1, NT2, MIC_NT1, MIC_NT2 ExDet yüzeyleri sdm_core.py:7227-7233
MESS, MoD Yalnız MESS seçildiyse sdm_core.py:7279-7281
_projection_options.json clamp, mess, mess_truncate, maskelenen dosya sayısı, MESS < 0 oranı, ızgara hizalama özeti sdm_core.py:8126-8143

Bütün olasılık haritaları float32, nodata −9999 ve 0–1 aralığındadır; harita kendi aralığına göre germe yapılmaz, böylece eşikler ve senaryolar karşılaştırılabilir kalır (sdm_core.py:7884-7889). Kaynak raster coğrafi koordinatlıysa (ya da koordinat sistemi yoksa) çıktıya EPSG:4326 atanır; projeksiyonlu kaynakta özgün sistem korunur (sdm_core.py:7830-7837). Topluluk ikili eşiği komite ortalamasında 0,5 (çoğunluk oyu), ağırlıklı ortalamada üyelerin eşiklerinin aynı ağırlıklarla ortalamasıdır (sdm_core.py:6423-6446).

Arayüzdeki ad Ne yapar Varsayılan Aralık / seçenekler Kod
Completed Projections tablosu Her çıktı dosyası için bir satır: Scenario, Layer, Type, File boş satır seçimi tabs/tab_projection.py:243-257, :644-662
Display Selected Map Seçili satırların haritasını görüntüleyiciye yükler — — tabs/tab_projection.py:259-262, :709-733

Type sütunu olasılık haritalarında Probability (0–1), ikili haritalarda Binary (0/1) yazar; yenilik ve yayılım dosyalarında anahtarın son parçası (ör. NT1, sd) görünür.

Dikkat: Display Selected Map, Probability yazmayan her satırı ikili renk ölçeğiyle çizer. NT1, NT2, MESS ya da _sd haritalarını incelemek için bu dosyaları bir CBS yazılımında ya da 🗺 Map sekmesinde açmak daha doğru bir görüntü verir.

8.12 Harita görüntüleyici (Projection Map Viewer)

Sağ bölmedeki görüntüleyici (RasterMapWidget, tabs/tab_projection.py:265-272) ③'teki bugünkü harita görüntüleyicisiyle aynıdır: Layer: listesi yüklenen katmanları kısa adlarıyla gösterir (Ensemble WMean · Prob, GLM · PA1 · Bin), Colormap: olasılık haritasının renk ölçeğini seçer, Hide BG arka plan ülke sınırlarını gizler, Title… başlığı düzenler; araç çubuğundaki disket simgesi haritayı dergi sütun genişliğinde kaydeder. Başlık, senaryo, GCM, topluluk yöntemi ve harita türünden kurulur (tabs/tab_projection.py:31-44). Görüntüleyicinin tüm denetimleri ve yayın çıktısı Bölüm 12'de anlatılır.

İpucu: Gelecek haritasının PNG'sini rapora girmesi için senaryo alt klasörüne (ör. SSP585_2090\) kaydedin. Kaydetme penceresi varsayılan olarak çıktı klasörünün köküne açılır; köke kaydedilen PNG raporda "6. Current Distribution" bölümüne girer (§11.5.6).

8.13 Çıktılar ve sonraki adıma geçenler

8.14 Uzman soruları

S1. Gelecek rasterları adla mı, sırayla mı eşleniyor? Sıra hatası nasıl önlenir? Cevap: Temel kural konumdur: i'inci dosya i'inci sürekli değişkendir (sdm_core.py:7335, :7407). Ancak dosya adları (temizlenmiş) model değişkenleriyle aynı kümeyi oluşturuyorsa program sırayı adlara göre düzeltir (sdm_core.py:7375-7379). Dosya adları farklıysa düzeltme yapılamaz. En sağlam yol, gelecek katmanlarını eğitimle aynı adlarla saklamak ve Browse Folder… kullanmaktır. biomod2'de BIOMOD_Projection yeni ortamı katman adlarıyla eşler; HABITUS'ta ad eşlemesi yalnız adlar tam örtüştüğünde devreye girer.

S2. ExDet'in referans kümesi nedir? MaxEnt'in arka plan noktaları neden içinde değil? Cevap: Referans, tüm yalancı yokluk kümelerindeki varlık + yokluk satırlarının birleşimidir (sdm_core.py:7142-7171). Mesgaran vd. (2014) referansın modelleme yaklaşımına göre seçilmesini önerir; varlık-arka plan modelinde modelin gördüğü ortam budur. MaxEnt ise ayrıca 10 000 arka plan noktasıyla (maxent_background, sdm_core.py:3916, :4596-4598) kurulur ve bu noktalar referansa katılmaz. Erişilebilir alan dışındaki noktalar her iki kümede de yoktur; ancak MaxEnt'in arka planı daha geniş bir ortam aralığını kapsayabileceği için ExDet, MaxEnt açısından biraz kötümser (daha çok yenilik gösteren) olabilir. Bu etki ölçülmemiştir.

S3. MESS ile ExDet NT1 farklı sonuç verir mi? Cevap: Aynı referansla, aralık dışı hücre kümesi aynıdır: MESS < 0 ancak bir değer en küçükten küçük ya da en büyükten büyükse oluşur (sdm_novelty.py:431-435); NT1 < 0 da tam olarak budur (sdm_novelty.py:221-225). Değerler farklıdır (MESS yüzde ölçeğinde en küçük benzerlik, NT1 aralığa göre normalleştirilmiş uzaklıkların toplamı), işaret aynıdır. MESS ayrıca aralık içindeki hücrelere 0–100 arası bir benzerlik verir; NT1 orada 0'dır. Fark eğitimde sabit kalan değişkende ortaya çıkar (§8.8.1).

S4. NT2 eşiği neden 1? Mahalanobis uzaklığı mı, karesi mi? Cevap: Kod D^2 (kare) hesaplar ve referans kümedeki en büyük D^2'ye böler (sdm_novelty.py:271-290). Oran 1'i aşan hücre, referans kümedeki en uç noktadan bile daha "uzaktadır"; bu, Mesgaran vd.'nin ölçütüdür. Kare ya da kök alınması 1 eşiğini değiştirmez (tekdüze dönüşüm). Kovaryans ters matrisi pinv ile alınır; koşul sayısı 10^{12}'yi aşarsa NT2 hesaplanmaz (sdm_novelty.py:257-269).

S5. Clamping ExDet ve MESS sonuçlarını değiştirir mi? Cevap: Hayır. Kırpma yalnız tahmin matrisine (X_valid) uygulanır; ExDet ve MESS ham X_flat üzerinden hesaplanır (sdm_core.py:7808-7814, :7937-7955). Böylece clamping açıkken de yenilik haritaları gerçek dışdeğerlemeyi gösterir. Kırpma aralığı clamping için de referans kümenin en küçük/en büyük değeridir (sdm_core.py:4929-4952).

S6. Hangi modeller projekte ediliyor; çapraz doğrulama modelleri nerede? Cevap: Varsayılan olarak her algoritma ve her yalancı yokluk kümesi için tüm veriyle yeniden kurulan "Full" model projekte edilir; bu biomod2'nin (Thuiller vd. 2009) allData davranışına karşılık gelir (sdm_core.py:7846-7855). ③'te Also project the cross-validation models seçilirse katlama modelleri de projekte edilir, algoritma ortalaması ve yayılımı daha çok kopyaya dayanır; dosya adları PA1_RUN1 gibi koşu etiketini taşır (sdm_core.py:7874). Bu seçim ⑤'te değil ③'te yapılır ve bugünkü haritayla tutarlılık için orada tutulur (tabs/tab_models.py:1538-1546).

S7. Gelecek ikili haritasının eşiği nereden geliyor? Gelecek verisinden yeniden mi hesaplanıyor? Cevap: Hayır. Her model için ③'te çapraz doğrulamadan bulunan eşik (tss_thresholds, varsayılan yöntem max TSS) aynen kullanılır (sdm_core.py:7908); topluluk eşiği ağırlıklı ortalamada üyelerin eşiklerinin ağırlıklı ortalaması, komite ortalamasında 0,5'tir (sdm_core.py:6423-6446). Gelecekte gözlem olmadığı için eşiğin yeniden kestirilmesi zaten olanaksızdır. Olasılık haritaları germeye uğramadığından bu eşik iki dönemde aynı ölçekte anlamlıdır (sdm_core.py:7884-7889).

S8. Kategorik değişkenler (arazi örtüsü) gelecekte nasıl ele alınıyor? Cevap: Kategorik rasterlar gelecek listesine eklenmez; ① Data'da yüklenen ve modelde kullanılan bugünkü kategorik rasterlar yeniden okunur (sdm_core.py:7474-7483). Yani kategorik değişkenlerin değişmediği varsayılır. Gelecek arazi örtüsü senaryosu kullanılmak isteniyorsa program bunu desteklemez; değişken sürekli bir katmana (ör. orman oranı) dönüştürülüp sürekli olarak modellenmelidir.

S9. Gelecek katmanları farklı çözünürlükte olursa ne olur? Cevap: Çalışma sınırı yoksa sürekli katmanlar eğitim ızgarasına çift doğrusal, kategorikler en yakın komşu ile yeniden örneklenir (sdm_grid.py:263-280); sınır varsa kırpma sırasında en yakın komşu kullanılır (sdm_mask.py:273-301). Her iki durumda uyarı günlüğe ve rapora yazılır. Kaba bir GCM katmanının ince ızgaraya örneklenmesi bilgi üretmez; yalnızca hücre sayısını eşitler. Eğitim ve projeksiyonun aynı çözünürlükte (gerekirse ölçek küçültme sonrası) hazırlanması önerilir.

S10. MESS < 0 maskesi açıkken alan değişimi neden farklı çıkar? Cevap: Maskelenen hücreler gelecek haritasında nodata olur; ⑥ yalnız iki haritada da geçerli olan hücreleri sayar (sdm_core.py:8292). Bu hücreler kayıp ya da kazanım değil, "hesap dışı" olur; hem bugünkü hem gelecek alan küçülür. Örnek koşuda bu, hücrelerin %55,4'ünün çıkarılması demektir. Maske açık ve kapalı iki sonucu birlikte raporlamak, sonucun dışdeğerlemeye ne kadar bağlı olduğunu gösterir. ⑥'daki Accessible area without extrapolation seçeneği aynı soruyu haritayı değiştirmeden yanıtlar (§9.6).

S11. Bir GCM yerine birden çok GCM'nin ortalaması nasıl yapılır? Cevap: Program GCM'ler arası topluluk ya da senaryo belirsizlik yüzeyi üretmez; ODMAP kaydı da bunu söyler (odmap.py, "Uncertainty through scenarios"). Her GCM ayrı senaryo adıyla projekte edilir; ortalama ve yayılım haritaları dışarıda (ör. R terra::app) hesaplanır. GCM'ler arası fark çoğu zaman algoritmalar arası farktan büyüktür; tek GCM ile yapılan çalışmada bu sınırlılık yazılmalıdır.

S12. Projeksiyon yeniden üretilebilir mi? Cevap: Projeksiyonda rastgele bileşen yoktur: aynı modeller ve aynı rasterlar aynı haritayı verir. Modellerin kendisi ① Data'daki tohumla belirlenir. Hangi seçeneklerle çalışıldığı _projection_options.json dosyasına (sdm_core.py:8126-8143), raster listesi ve algoritmalar ise oturumdaki run_log'a yazılır; raster yolları rapora ya da çalıştırma kaydına girmez, bu yüzden kullanılan GCM dosyalarının kaynağı yöntem metninde ayrıca belirtilmelidir.

8.15 Sık hatalar ve tuzaklar

8.16 Kaynaklar

Elith, J., Kearney, M., Phillips, S., 2010. The art of modelling range-shifting species. Methods in Ecology and Evolution 1, 330–342. https://doi.org/10.1111/j.2041-210X.2010.00036.x

Mesgaran, M.B., Cousens, R.D., Webber, B.L., 2014. Here be dragons: a tool for quantifying novelty due to covariate range and correlation change when projecting species distribution models. Diversity and Distributions 20, 1147–1159. https://doi.org/10.1111/ddi.12209

Owens, H.L., Campbell, L.P., Dornak, L.L., Saupe, E.E., Barve, N., Soberón, J., Ingenloff, K., Lira-Noriega, A., Hensz, C.M., Myers, C.E., Peterson, A.T., 2013. Constraints on interpretation of ecological niche models by limited environmental ranges on calibration areas. Ecological Modelling 263, 10–18. https://doi.org/10.1016/j.ecolmodel.2013.04.011

Thuiller, W., Lafourcade, B., Engler, R., Araújo, M.B., 2009. BIOMOD – a platform for ensemble forecasting of species distributions. Ecography 32, 369–373. https://doi.org/10.1111/j.1600-0587.2008.05742.x

Velazco, S.J.E., Rose, M.B., de Andrade, A.F.A., Minoli, I., Franklin, J., 2022. flexsdm: An R package for supporting a comprehensive and flexible species distribution modelling workflow. Methods in Ecology and Evolution 13, 1661–1669. https://doi.org/10.1111/2041-210X.13874