The predictive power of new remote sensing data for biological distributions
Questo studio dimostra che l'integrazione di nuovi dati di telerilevamento, come l'altezza della chioma derivata da LiDAR GEDI e i tratti fogliari iperspettrali, migliora significativamente l'accuratezza e l'interpretabilità dei modelli che prevedono l'attività vocale degli uccelli attraverso la Sierra Nevada della California, catturando i requisiti di habitat sfumati e specifici per ogni specie.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA di un preprint non sottoposto a revisione paritaria. Non è un consiglio medico. Non prendere decisioni sulla salute basandoti su questo contenuto. Leggi il disclaimer completo
Per comprendere dove vivano la fauna selvatica e quanti individui siano presenti, gli scienziati si sono da tempo affidati a una combinazione di modelli meteorologici, alla forma del terreno e a mappe di ciò che cresce dove. Questi fattori creano il palcoscenico su cui gli animali mettono in scena la loro vita quotidiana. Un uccello ha bisogno di un intervallo di temperatura specifico per sopravvivere, di un certo tipo di terreno per costruire un nido e di un particolare tipo di vegetazione per trovare cibo. Per decenni, i ricercatori hanno utilizzato immagini satellitari per tracciare queste ampie condizioni ambientali, creando un quadro globale di dove le specie potrebbero esistere. Tuttavia, queste mappe tradizionali spesso descrivono il clima o il tipo generale di foresta, perdendo i dettagli più fini di come le piante siano effettivamente fatte e come siano strutturate. Mentre il mondo affronta una rapida perdita di biodiversità, sapere esattamente dove si trovano gli animali e perché scelgono quei luoghi è diventato urgente, eppure raccogliere queste informazioni camminando in ogni foresta è impossibile.
Un team di ricercatori si è messo in viaggio per vedere se nuovi modi tecnologici di osservare la Terra potessero colmare questi dettagli mancanti. Si sono concentrati sulla catena montuosa della Sierra Nevada in California, una regione con un drammatico aumento di elevazione che ospita una grande varietà di specie di uccelli. Il team ha raccolto registrazioni sonore da 553 località in questo paesaggio, ascoltando i canti e i richiami di 94 diverse specie di uccelli. Invece di limitarsi a chiedere dove fosse stato trovato un uccello, hanno misurato quanto gli uccelli fossero attivi in ogni punto, usando la frequenza dei loro richiami come indicatore di quanto apprezzassero l'habitat. Per spiegare questi modelli, hanno costruito modelli informatici utilizzando 129 diversi dati sull'ambiente. Questi punti dati erano suddivisi in sei gruppi: il clima, la forma del terreno, l'attività umana, la tempistica della crescita delle piante, la struttura fisica della foresta e la composizione chimica delle foglie. I ricercatori volevano sapere se l'aggiunta dei nuovi, dettagliati dati sulla struttura della foresta e sulla chimica delle foglie aiuterebbe a prevedere meglio l'attività degli uccelli rispetto ai dati più vecchi e generali da soli.
Lo studio ha scoperto che i nuovi dati hanno effettivamente fatto una differenza significativa. Sebbene il clima e il terreno fossero importanti per tutti gli uccelli, l'aggiunta di informazioni sulla struttura della foresta e sui tratti delle foglie ha migliorato l'accuratezza dei modelli per decine di specie. I ricercatori hanno scoperto che questi nuovi flussi di dati fornivano informazioni uniche che le vecchie mappe semplicemente non potevano offrire. Ad esempio, due aree potrebbero avere la stessa temperatura e lo stesso livello di precipitazioni, ma se una ha una chioma alta e densa e l'altra ha cespugli bassi e incolti, attireranno gruppi di uccelli completamente diversi. I nuovi dati hanno permesso ai modelli di vedere queste differenze. Nello specifico, le misurazioni di quanto fossero alti gli alberi e la composione chimica delle loro foglie hanno aiutato a spiegare perché certi uccelli preferissero un luogo rispetto a un altro. Questo è stato particolarmente vero per le specie che dipendono da tipi specifici di alberi o che necessitano di particolari caratteristiche strutturali, come tronchi alti per la nidificazione o nutrienti fogliari specifici per gli insetti di cui si nutrono.
I ricercatori hanno anche scoperto che nessun tipo di dato singolo funzionava meglio per ogni uccello. Ogni specie aveva i propri requisiti unici, il che significa che il fattore più importante per un uccello poteva essere irrilevante per un altro. Ad esempio, il Cincia marrone, un uccello che vive nelle foreste di pini mature, era fortemente predetto da dati che mostravano chiome alte e specifiche sostanze chimiche fogliari presenti nelle conifere. Al contrario, gli uccelli che preferiscono prati aperti o zone di macchia erano meglio predetti da dati che mostravano una vegetazione più bassa. Ciò evidenzia che per comprendere la complessa rete della vita, gli scienziati non possono affidarsi a un solo tipo di mappa. Hanno bisogno di un kit di strumenti ampio che includa il meteo, la forma del terreno e, ora, viste dettagliate delle piante stesse. Lo studio suggerisce che man mano che i satelliti diventeranno capaci di misurare questi dettagli fini della vegetazione in tutto il globo, gli scienziati saranno in grado di creare mappe molto più accurate di dove vive la fauna selvatica. Questa migliore comprensione è essenziale per proteggere gli habitat e gestire il territorio in modo da sostenere la biodiversità, garantendo che gli ambienti corretti rimangano disponibili per le specie che ne dipendono.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.