The predictive power of new remote sensing data for biological distributions
Diese Studie zeigt, dass die Integration neuartiger Fernerkundungsdaten, wie etwa der aus GEDI-LiDAR abgeleiteten Kronenhöhe und hyperspektraler Blattmerkmale, die Genauigkeit und Interpretierbarkeit von Modellen zur Vorhersage der Vogelvokalaktivität in den kalifornischen Sierra Nevada signifikant verbessert, indem sie nuancierte, artspezifische Habitatansprüche erfasst.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Um zu verstehen, wo Wildtiere leben und wie viele Individuen vorhanden sind, haben sich Wissenschaftler seit langem auf eine Kombination aus Wettermustern, der Form des Geländes und Karten darüber verlassen, welche Pflanzen wo wachsen. Diese Faktoren bilden die Bühne, auf der die Tiere ihr tägliches Leben aufführen. Ein Vogel benötigt einen bestimmten Temperaturbereich, um zu überleben, ein bestimmtes Gelände, um ein Nest zu bauen, und eine bestimmte Art von Vegetation, um Nahrung zu finden. Seit Jahrzehnten nutzen Forscher Satellitenbilder, um diese breiten Umweltbedingungen zu verfolgen und so ein globales Bild davon zu erstellen, wo Arten existieren könnten. Diese traditionellen Karten beschreiben jedoch oft das Klima oder die allgemeine Art des Waldes, wobei sie die feineren Details darüber vernachlässigen, wie die Pflanzen tatsächlich aussehen und wie sie aufgebaut sind. Da die Welt mit einem rasanten Verlust der biologischen Vielfalt konfrontiert ist, ist es dringend geworden zu wissen, wo genau sich Tiere befinden und warum sie diese Orte wählen, doch das Sammeln dieser Informationen durch das Durchwandern jedes einzelnen Waldes ist unmöglich.
Ein Team von Forschern setzte sich zum Ziel zu prüfen, ob neue, hochtechnologische Wege der Betrachtung der Erde diese fehlenden Details ergänzen könnten. Sie konzentrierten sich auf die Sierra Nevada in Kalifornien, eine Region mit einem dramatischen Anstieg der Höhe, die eine große Vielfalt an Vogelarten beherbergt. Das Team sammelte Tonaufnahmen von 553 Standorten in dieser Landschaft und lauschte den Gesängen und Rufen von 94 verschiedenen Vogelarten. Anstatt nur zu fragen, wo ein Vogel gefunden wurde, maßen sie, wie aktiv die Vögel an jedem Ort waren, wobei sie die Häufigkeit ihrer Rufe als Indikator dafür nutzten, wie sehr sie den Lebensraum bevorzugten. Um diese Muster zu erklären, erstellten sie Computermodelle unter Verwendung von 129 verschiedenen Datenpunkten über die Umwelt. Diese Datenpunkte wurden in sechs Gruppen unterteilt: das Klima, die Form des Geländes, menschliche Aktivitäten, der Zeitpunkt des Pflanzenwachstums, die physische Struktur des Waldes und die chemische Zusammensetzung der Blätter. Die Forscher wollten wissen, ob das Hinzufügen der neuen, detaillierten Daten über die Waldstruktur und die Blattchemie ihnen helfen würde, die Vogelaktivität besser vorherzusagen als die älteren, allgemeineren Daten allein.
Die Studie ergab, dass die neuen Daten tatsächlich einen signifikanten Unterschied machten. Während Klima und Gelände für alle Vögel wichtig waren, verbesserte die Hinzunahme von Informationen über die Waldstruktur und Blatteigenschaften die Genauigkeit der Modelle für Dutzende von Arten. Die Forscher entdeckten, dass diese neuen Datenströme einzigartige Informationen lieferten, die die älteren Karten schlichtweg nicht bieten konnten. Beispielsweise könnten zwei Gebiete die gleiche Temperatur und den gleichen Niederschlag haben, aber wenn das eine ein hohes, dichtes Blätterdach besitzt und das andere kurzes, buschiges Gestrüpp, werden sie völlig unterschiedliche Gruppen von Vögeln anziehen. Die neuen Daten ermöglichten es den Modellen, diese Unterschiede zu erkennen. Insbesondere Messungen darüber, wie hoch die Bäume waren und die chemische Zusammensetzung ihrer Blätter, halfen zu erklären, warum bestimmte Vögel einen Ort gegenüber einem anderen bevorzugten. Dies galt besonders für Arten, die auf bestimmte Arten von Bäumen angewiesen sind oder spezielle strukturelle Merkmale benötigen, wie etwa hohe Stämme für die Nestbildung oder spezifische Blattnährstoffe für die Insekten, die sie fressen.
Die Forscher fanden auch heraus, dass kein einzelner Datentyp für jeden Vogel am besten funktionierte. Jede Art hatte ihre eigenen, einzigartigen Anforderungen, was bedeutete, dass der wichtigste Faktor für den einen Vogel für einen anderen irrelevant sein konnte. Zum Beispiel wurde die Amerikanische Tannenmeise, ein Vogel, der in reifen Kiefernwäldern lebt, stark durch Daten vorhergesagt, die hohe Baumkronen und spezifische Blattchemikalien zeigten, die in Nadelbäumen vorkommen. Im Gegensatz dazu wurden Vögel, die offene Wiesen oder Buschlandschaften bevorzugen, besser durch Daten vorhergesagt, die eine kürzere Vegetation aufzeigten. Dies verdeutlicht, dass Wissenschaftler, um das komplexe Geflecht des Lebens zu verstehen, sich nicht nur auf eine Art von Karte verlassen können. Sie benötigen einen breiten Werkzeugsatz, der das Wetter, die Geländegestalt und nun auch detaillierte Ansichten der Pflanzen selbst umfasst. Die Studie legt nahe, dass Wissenschaftler in der Lage sein werden, viel genauere Karten darüber zu erstellen, wo Wildtiere leben, sobald Satelliten in der Lage sind, diese feinen Details der Vegetation auf der ganzen Welt zu messen. Dieses verbesserte Verständnis ist entscheidend, um Lebensräume zu schützen und Landflächen so zu bewirtschaften, dass die biologische Vielfalt unterstützt wird, indem sichergestellt wird, dass die richtigen Umgebungen für die Arten, die von ihnen abhängen, erhalten bleiben.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.