The predictive power of new remote sensing data for biological distributions
Cette étude démontre que l'intégration de nouvelles données de télédétection, telles que la hauteur de la canopée dérivée du LiDAR GEDI et les traits foliaires hyperspectraux, améliore significativement la précision et l'interprétabilité des modèles prédisant l'activité vocale des oiseaux à travers la Sierra Nevada en Californie en capturant des exigences d'habitat nuancées et spécifiques aux espèces.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète
Pour comprendre où la faune vit et combien d'individus sont présents, les scientifiques s'appuient depuis longtemps sur une combinaison de modèles météorologiques, de la forme du relief et de cartes de la répartition des plantes. Ces facteurs créent la scène sur laquelle les animaux jouent leur vie quotidienne. Un oiseau a besoin d'une plage de température spécifique pour survivre, d'un certain type de terrain pour construire un nid et d'un type particulier de végétation pour trouver de la nourriture. Pendant des décennies, les chercheurs ont utilisé des images satellites pour suivre ces conditions environnementales globales, créant une image mondiale de l'endroit où les espèces pourraient exister. Cependant, ces cartes traditionnelles décrivent souvent le climat ou le type général de forêt, manquant les détails plus fins de ce à quoi les plantes ressemblent réellement et de la façon dont elles sont construites. Alors que le monde est confronté à une perte rapide de biodiversité, savoir exactement où se trouvent les animaux et pourquoi ils choisissent ces endroits est devenu urgent, pourtant collecter cette information en parcourant chaque forêt est impossible.
Une équipe de chercheurs s'est donné pour mission de voir si de nouvelles méthodes de haute technologie pour observer la Terre pourraient combler ces détails manquants. Ils se sont concentrés sur la Sierra Nevada dans le nord de la Californie, une région présentant une élévation spectaculaire qui accueille une grande variété d'espèces d'oiseaux. L'équipe a collecté des enregistrements sonores à partir de 553 sites à travers ce paysage, écoutant les chants et les cris de 94 espèces d'oiseaux différentes. Au lieu de simplement demander où un oiseau a été trouvé, ils ont mesuré à quel point les oiseaux étaient actifs à chaque endroit, utilisant la fréquence de leurs appels comme un indicateur de la façon dont ils appréciaient l'habitat. Pour expliquer ces modèles, ils ont construit des modèles informatiques en utilisant 129 données différentes sur l'environnement. Ces points de données étaient répartis en six groupes : le climat, la forme du terrain, l'activité humaine, le cycle de croissance des plantes, la structure physique de la forêt et la composition chimique des feuilles. Les chercheurs voulaient savoir si l'ajout des nouvelles données détaillées sur la structure de la forêt et la chimie des feuilles aiderait à mieux prédire l'activité des oiseaux que les anciennes données plus générales seules.
L'étude a révélé que les nouvelles données faisaient effectivement une différence significative. Bien que le climat et le relief soient importants pour tous les oiseaux, l'ajout d'informations sur la structure de la forêt et les traits des feuilles a amélioré la précision des modèles pour des dizaines d'espèces. Les chercheurs ont découvert que ces nouveaux flux de données fournissaient des informations uniques que les anciennes cartes ne pouvaient tout simplement pas offrir. Par exemple, deux zones peuvent avoir la même température et les mêmes précipitations, mais si l'une possède une canopée haute et dense et l'autre des buissons courts et rabougries, elles attireront des groupes d'oiseaux complètement différents. Les nouvelles données ont permis aux modèles de percevoir ces différences. Plus précisément, les mesures de la hauteur des arbres et la composition chimique de leurs feuilles ont aidé à expliquer pourquoi certains oiseaux préféraient un endroit plutôt qu'un autre. Cela était particulièrement vrai pour les espèces qui dépendent de types d'arbres spécifiques ou qui ont besoin de caractéristiques structurelles particulières, comme des troncs hauts pour la nidification ou des nutriments foliaires spécifiques pour les insectes qu'elles consomment.
Les chercheurs ont également constaté qu'aucun type de donnée ne fonctionnait le mieux pour tous les oiseaux. Chaque espèce a ses propres exigences uniques, ce qui signifie que le facteur le plus important pour un oiseau peut être sans importance pour un autre. Par exemple, la Sittelle de l'Ouest, un oiseau qui vit dans les forêts de pins matures, était fortement prédite par des données montrant des canopées hautes et des produits chimiques foliaires spécifiques trouvés dans les conifères. En revanche, les oiseaux qui préfèrent les prairies ouvertes ou les zones de broussailles étaient mieux prédits par des données montrant une végétation plus courte. Cela souligne que pour comprendre le réseau complexe de la vie, les scientifiques ne peuvent pas se contenter d'un seul type de carte. Ils ont besoin d'une boîte à outils large qui inclut la météo, la forme du terrain et, désormais, des vues détaillées des plantes elles-mêmes. L'étude suggère qu'à mesure que les satellites deviendront capables de mesurer ces détails fins de la végétation à travers le globe entier, les scientifiques seront en mesure de créer des cartes beaucoup plus précises de l'endroit où la faune vit. Cette compréhension améliorée est essentielle pour protéger les habitats et gérer les terres de manière à soutenir la biodiversité, garantissant que les environnements appropriés restent disponibles pour les espèces qui en dépendent.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.