Reliable species distributions are obtainable with sparse, patchy and biased data by leveraging over species and data types. Issue 7 (3rd June 2019)

• Record Type: Journal Article
• Authors: Peel, Samantha L.; Hill, Nicole A.; Foster, Scott D.; Wotherspoon, Simon J.; Ghiglione, Claudio; Schiaparelli, Stefano
• Editors: Isaac, Nick
• Is Part Of: Methods in ecology and evolution. Volume 10:Issue 7(2019)
• Page Start: 1002
• Page End: 1014
• Publication Date: 2019-06-03
• Subjects: Poisson point processes -- presence–absence data -- presence‐only data -- sampling bias -- Southern Ocean Mollusca -- species distribution models -- stochastic simulation; Ecology -- Periodicals; Evolution -- Periodicals; 577
• DOI: 10.1111/2041-210X.13196
• Languages: English
• ISSNs: 2041-210X

Abstract

Abstract: New methods for species distribution models (SDMs) utilise presence–absence (PA) data to correct the sampling bias of presence‐only (PO) data in a spatial point process setting. These have been shown to improve species estimates when both datasets are large and dense. However, is a PA dataset that is smaller and patchier than hitherto examined able to do the same? Furthermore, when both datasets are relatively small, is there enough information contained within them to produce a useful estimate of species' distributions? These attributes are common in many applications. A stochastic simulation was conducted to assess the ability of a pooled data SDM to estimate the distribution of species from increasingly sparser and patchier datasets. The simulated datasets were varied by changing the number of presence–absence sample locations, the degree of patchiness of these locations, the number of PO observations, and the level of sampling bias within the PO observations. The performance of the pooled data SDM was compared to a PA SDM and a PO SDM to assess the strengths and limitations of each SDM. The pooled data SDM successfully removed the sampling bias from the PO observations even when the presence–absence data were sparse and patchy, and the PO observations formed the majority of the data. The pooled data SDM was, in general, more accurate and more precise than either the PA SDM or the PO SDM. All SDMs were more precise for the species responses than they were for the covariate coefficients. The emerging SDM methodology that pools PO and PA data will facilitate more certainty around species' distribution estimates, which in turn will allow more relevant and concise management and policy decisions to be enacted. This work shows that it is possible to achieve this result even in relatively data‐poor regions. Foreign Language Abstract: Astratto Nuovi metodi nel campo dei Modelli di Distribuzione delle Specie (SDM) utilizzano dati di presenza‐assenza (PA) per correggere il sampling bias presente nei dati di sola presenza (PO), nel contesto di analisi di tipo spaziale. E' stato infatti dimostrato che l'applicazione di questi metodi migliora le stime di distribuzione delle specie, almeno nel caso in cui entrambi i datasets siano di grosse dimensioni e densi. Tuttavia, se il dataset di PA disponibile fosse più piccolo e disomogeneo, sarebbe possibile migliorare le stime allo stesso modo? Analogamente, nel caso in cui entrambi i dataset fossero relativamente piccoli, l'informazione disponibile sarebbe sufficiente a produrre stime utili della distribuzioni delle specie? Tali domande sono di rilevanza nell'ambito di diversi contesti. È stata condotta una simulazione stocastica per valutare la capacità di un SDM, con dati di PA e PO combinati, di stimare la distribuzione delle specie in dataset con informazioni rese progressivamente più scarse e disomogenee. I dataset simulati sono stati modificati variando il numero stazioni di campionamento con dati di presenza‐assenza, il grado di disomogeneità spaziale delle stesse, il numero di osservazioni di PO e il livello del sampling bias all'interno del dataset PO. Le prestazioni dell'SDM con dati di PA e PO combinati sono state confrontate con un SDM di soli dati di PA e con un SDM di soli dati di PO, per valutare i punti di forza ed i limiti di ciascun SDM. L'SDM con dati di PO e PA combinati ha rimosso con successo il sampling bias dalle osservazioni di PO, anche quando i dati di presenza‐assenza erano scarsi e disomogenei e le osservazioni di PO rappresentavano la maggior parte dei dati. L'SDM con dati di PO e PA combinati è risultato, in generale, più accurato e preciso rispetto a SDM di soli dati di PA o di PO. Tutti gli SDM sono risultati più precisi nel predire la distribuzione delle specie rispetto ai coefficienti delle covariate. L'emergente metodologia SDM che combina dati di PO e di PA aumenterà il grado di affidabilità delle stime riguardanti la distribuzione delle specie e, a sua volta, consentirà di adottare decisioni più pertinenti e concise in ambito gestionale e politico. Il presente lavoro dimostra che è possibile ottenere questo risultato anche in regioni relativamente povere di dati.