Bayesian inference on beta diversity via feature allocation models with imperfect detection

Stellen Sie sich vor, Sie sind ein Detektiv, der versucht, ein Rätsel in einer riesigen, unsichtbaren Stadt zu lösen. Diese Stadt ist die natürliche Welt, und ihre Bürger sind die Millionen winzigen Arten von Pilzen, Bakterien und Insekten, die wir mit bloßem Auge nicht sehen können. Um zu verstehen, wie diese Stadt funktioniert, müssen Wissenschaftler zwei Dinge wissen: wer dort lebt und wie unterschiedlich die Nachbarschaften voneinander sind. Dies ist das Herzstück eines Feldes namens Ökologie, speziell eines Konzepts, das als „Beta-Diversität“ bekannt ist. Betrachten Sie die Beta-Diversität als ein Maß dafür, wie sehr sich die Besetzung der Charaktere verändert, während Sie von einem Park zum nächsten spazieren. Wenn Park A nur Eichhörnchen und Park B nur Tauben hat, sind sie sehr verschieden (hohe Beta-Diversität). Wenn beide Parks Eichhörnchen, Tauben und Amseln haben, sind sie recht ähnlich (niedrige Beta-Diversität).

Die Lösung dieses Rätsels ist jedoch unglaublich schwierig. Erstens verstecken sich die „Bürger“ oft. Nur weil man kein Eichhörnchen in einem Baum sieht, bedeutet das nicht, dass es nicht da ist; vielleicht schläft es gerade nur, oder Ihr Fernglas ist nicht gut genug. In der Wissenschaft wird dies als „unvollständige Detektion“ bezeichnet. Zweitens ist die Stadt riesig. Es gibt so viele Arten, dass man selbst dann, wenn man überall nachsieht, wahrscheinlich die seltenen Arten übersehen wird. Traditionelle Methoden zur Zählung dieser unsichtbaren Nachbarn wirken oft so, als hätten sie ein perfektes Sehvermögen und gehen davon aus, dass, wenn man eine Art nicht sieht, sie einfach nicht existiert. Dies führt zu einem verzerrten Bild der Welt und lässt uns glauben, einige Nachbarschaften seien leer, obwohl sie eigentlich voller Leben stecken.

Hier kommt ein neues Team von Statistikern mit einem frischen Satz an Werkzeugen ins Spiel. Sie haben einen cleveren mathematischen Rahmen entwickelt, der MOSAIC (Multi-site Occupancy-aware Species Allocation with Imperfect deteCtion) heißt. Anstatt vorzugehen, als wäre ihr Blick perfekt, bauen sie ein Modell, das zugibt: „Wir könnten einige Gäste übersehen haben.“ Sie behandeln die Daten wie ein Spiel von „Wer bin ich?“, bei dem sie die Wahrscheinlichkeit berechnen, dass eine Art tatsächlich präsent ist, aber einfach nicht entdeckt wurde, im Vergleich zur Wahrscheinlichkeit, dass sie wirklich nicht da ist. Durch dies können sie eine viel klarere Karte darüber erstellen, wie Arten über verschiedene Orte hinweg geteilt werden, selbst wenn die Daten unordentlich sind und voller fehlender Teile bestehen.

Die unsichtbare Gästeliste

Um zu verstehen, was die Autoren getan haben, stellen Sie sich vor, Sie veranstalten ein riesiges, weltweites Potluck-Dinner (ein Buffet, zu dem jeder etwas mitbringt). Sie haben Gäste aus 34 verschiedenen Städten auf der ganzen Welt eingeladen. An jedem Tisch in jeder Stadt machen die Leute Fotos von dem Essen, das sie mitgebracht haben. Aber hier ist der Haken: Die Kameras sind fehlerhaft. Manchmal steht ein Gericht direkt auf dem Tisch, aber die Kamera versäumt es, ein Foto zu machen. Ein anderes Mal fehlt das Gericht tatsächlich.

In der Vergangenheit hätten Wissenschaftler, die diese Potluck-Fotos analysierten, einfach gezählt, was sie sahen. Wenn ein Foto aus Stadt A eine Pizza und ein Foto aus Stadt B einen Salat zeigte, hätten sie gesagt: „Diese beiden Städte haben nichts gemeinsam.“ Dies ignoriert jedoch die fehlerhaften Kameras. Vielleicht war in Stadt B auch eine Pizza vorhanden, aber die Kamera hat sie übersehen. Dies führt zu dem falschen Schluss, dass die Städte unterschiedlicher sind, als sie es eigentlich sind.

Das MOSAIC-Modell ist wie ein superintelligenter Detektiv, der die Fotos betrachtet und fragt: „Angesichts der Häufigkeit, mit der diese Kamera Dinge verpasst, wie wahrscheinlich ist es, dass tatsächlich eine Pizza da war?“ Das Modell trennt zwei unterschiedliche Ereignisse: Besiedlung (Occupier/Occupancy – ist die Art tatsächlich am Standort vorhanden?) und Detektion (Detection – haben wir sie tatsächlich gesehen?). Indem es diese beiden Ideen getrennt hält, kann das Modell die wahre Anzahl der anwesenden Arten schätzen, selbst die, die es nie in die Fotos geschafft haben.

Die Magie der „partiellen Austauschbarkeit“

Eines der größten Hindernisse bei dieser Art von Detektivarbeit ist, dass die Natur nicht einheitlich ist. In vielen alten statistischen Modellen nahmen Wissenschaftler an, dass jeder Ort nur eine zufällige Durchmischung desselben Pools an Arten sei. Es war, als würde man davon ausgehen, dass jede Stadt in der Welt exakt dieselbe Mischung an Menschen hat, nur in einer anderen Reihenfolge. Aber wir wissen, dass das nicht stimmt. Eine Stadt in den Tropen hat einen völlig anderen „V vibe“ und eine andere Gästeliste als eine Stadt in der Arktis.

Die Autoren führen ein Konzept namens „partielle Austauschbarkeit“ ein. Denken Sie an Folgendes: Anstatt davon auszugezugehen, dass jede Stadt eine zufällige Durchmischung desselben Kartendecks ist, erlauben sie, dass jede Stadt ihr eigenes, einzigartiges Deck hat, aber mit gewissen Regeln. Die Decks sind miteinander verwandt (alle stammen aus demselben globalen Pool an Arten), aber die spezifischen Karten in jedem Deck hängen von den lokalen Bedingungen ab, wie etwa Temperatur oder Wind. Dies ermöglicht es dem Modell, der Tatsache Respekt zu zollen, dass ein tropischer Wald wirklich anders aussieht als eine verschneite Tundra, während es gleichzeitig Informationen aus einem Ort nutzt, um zu erraten, was an einem anderen Ort geschieht.

Der „Beta-Diversitäts“-Score

Das Hauptziel dieser Arbeit ist es, die Beta-Diversität zu messen – also wie unterschiedlich die Gästelisten zwischen zwei Städten sind. Die Autoren schlagen eine neue Methode zur Berechnung dieses Scores vor, die die fehlerhaften Kameras berücksichtigt.

Sie definen einen Score (nennen wir ihn den „Ähnlichkeits-Score“), der von 0 bis 1 reicht:

• 0 bedeutet, dass die beiden Städte in ihrer Artenzusammensetzung identisch sind.
• 1 bedeutet, dass sie absolut nichts gemeinsam haben.

Entscheidend ist, dass dieser Score fair gestaltet ist. Wenn Stadt A 100 Arten hat und Stadt B 100 Arten, und sie teilen sich 50, spiegelt der Score das wider. Aber wenn Stadt A 1.000 Arten hat und Stadt B 1.000 Arten, und sie teilen sich 50, weiß der Score, dass dies ein viel größerer Unterschied ist. Die Autoren zeigen, dass ihre neue Methode robust ist: Selbst wenn man sich nicht genau sicher ist, wie „fehlerhaft“ die Kameras sind (ein Parameter, den sie $\sigma$ nennen), bleibt der endgültliche Ähnlichkeits-Score überraschend stabil. Es ist, als hätte man einen Kompass, der nach Norden zeigt, selbst wenn man leicht daneben steht.

Die Theorie mit Fake-Daten testen

Bevor sie ihr Modell auf das echte Leben anwandten, spielten die Autoren ein Spiel mit „Fake“-Daten. Sie erstellten eine Computersimulation einer Welt mit 3.000 Arten und 3 verschiedenen Standorten. Sie programmierten die Kameras so, dass sie absichtlich Dinge übersehen. Dann ließen sie ihr MOSAIC-Modell versuchen, die wahre Anzahl der geteilten Arten zu erraten.

Die Ergebnisse waren vielversprechend. Die Vorhersagen des Modells stimmten eng mit den „wahren“ Zahlen überein, die sie in die Simulation programmiert hatten. Es gelang dem Modell erfolgreich zu erkennen, dass selbst wenn die Kameras viele Arten übersehen haben, das zugrunde liegende Muster dessen, wer was teilt, dennoch wiederherstellbar war. Sie testeten es auch in einem komplexeren Szenario mit 15 Standorten und 5.000 Arten, und auch hier bestand das Modell meist besser als ältere Methoden, die das Problem der „fehlerhaften Kameras“ ignorierten.

Der Real-World-Test: Pilze in der Luft

Schließlich wandten die Autoren ihr Modell auf die reale Welt an, indem sie Daten aus dem Global Spore Sampling Project (GSSP) verwendeten. Dieses Projekt sammelte Luftproben an 34 Orten auf der Nordhalbkugel, von Nordamerika bis zur Arktis. Das Ziel war es, luftgetragene Pilze zu untersuchen.

Die Daten waren ein Chaos – im besten Sinne für diese Art von Problem:

• Sie fanden 15.352 verschiedene Arten von Pilzen.
• Aber mehr als die Hälfte davon (57 %) waren „Einmal-Treffer“ – also nur einmal gesehen.
• Die Daten waren spärlich, was bedeutete, dass viele Arten wahrscheinlich komplett übersehen wurden.

Unter Verwendung von MOSAIC schätzten die Autoren, dass die wahre Anzahl der Pilzarten in ihrem Untersuchungsgebiet tatsächlich bei etwa 16.574 lag. Dies deutet darauf hin, dass etwa 1.200 Arten vorhanden waren, aber nie durch die Sammler detektiert wurden.

Sie untersuchten auch, was diese Pilzgemeinschaften antreibt, und stellten fest, nachdem sie Wetterdaten in ihr Modell einspeisten:

• Breitengrad und Temperatur waren die wichtigsten Treiber. Pilze folgten einem vorhersehbaren Muster: Sie waren in der Nähe des Äquators am vielfältigsten und wurden weniger vielfältig, je weiter man sich zu den Polen bewegte.
• Die Temperatur hatte eine „hump-förmige“ (höckerige) Beziehung. Pilze liebten moderate Wärme, hatten aber Schwierigkeiten, wenn es zu heiß oder zu kalt wurde.
• Regen hatte einen negativen Effekt. Es scheint, dass starker Regen Pilzsporen aus der Luft wäscht und zu Boden bringt, was es schwieriger macht, sie in den Luftproben zu finden.

Was dies bedeutet

Das Paper behauptet nicht, das Rätsel der gesamten Biodiversität gelöst zu haben. Stattdessen bietet es eine bessere Lupe. Es legt nahe, dass wir ein viel wahreres Bild davon bekommen, wie das Leben auf der Erde verteilt ist, wenn wir zugeben, dass unsere Detektionsmethoden unvollkommen sind und wenn wir zulassen, dass an verschiedenen Orten unterschiedliche Regeln gelten.

Die Autoren zeigen, dass ihre Methode eine „kohärente probabilistische Behandlung“ bietet, was bedeutet, dass sie uns nicht nur eine einzige Zahl liefert, sondern einen Bereich wahrscheinlicher Antworten mit einem Maß an Konfidenz. Als sie das Modell auf die Pilzdaten anwandten, ergaben die Ergebnisse biologischen Sinn und bestätigten bekannte Muster darüber, wie Pilze auf das Klima reagieren.

Kurz gesagt: MOSAIC ist ein Werkzeug, das Ökologen hilft, aufzuhören zu raten und stattd anfängt zu kalkulieren. Es erkennt an, dass die Welt voll von verborgenen Gästen ist, und gibt uns einen mathematischen Weg, sie zu zählen, selbst wenn sie im Schatten lauern. Dies ist ein entscheidender Schritt, um zu verstehen, wie sich die Biodiversität auf dem Planeten verändert, was für den Schutz der natürlichen Welt in einem sich verändernden Klima unerlässlich ist.