✨ 要約🔬 技術概要
野生動物がどこに生息し、どの程度の個体数が存在するのかを理解するために、科学者たちは長年、気象パターン、地形の形状、そしてどのような植物がどこに自生しているかを示す地図の組み合わせに頼ってきました。これらの要因は、動物たちが日々の生活を営むための舞台を作り出します。鳥は生き残るために特定の温度範囲を必要とし、巣を作るための特定の地形を必要とし、そして餌を見つけるための特定の種類の植生を必要とします。数十年にわたり、研究者たちは衛星画像を用いてこれらの広範な環境条件を追跡し、種がどこに存在し得るかという世界的な全体像を描いてきました。しかし、これらの伝統的な地図は、気候や森林の一般的な種類を記述するにとどまり、植物が実際にどのような姿をしており、どのように構成されているかという細かな詳細を見落としてしまうことがよくあります。世界が急速な生物多様性の喪失に直面する中で、動物が正確にどこにいるのか、そしてなぜその場所を選ぶのかを知ることは急務となっていますが、あらゆる森林を歩き回ってこの情報を収集することは不可能です。
ある研究チームは、地球を観察するための新しいハイテクな手法が、これらの欠落した詳細を補えるかどうかを確かめるべく調査を開始しました。彼らはカリフォルニア州のシエラネバダ山脈に焦点を当てました。この地域は標高が劇的に変化し、多種多様な鳥類が棲息しています。チームは、この景観内の553地点から録音データを収集し、94種類の異なる鳥類の歌や鳴き声に耳を傾けました。単に鳥がどこで見つかったかを問うのではなく、彼らは各地点における鳥の活動量、つまり鳴き声の頻度を、その生息地をどれほど好んでいるかの指標として測定しました。これらのパターンを説明するために、彼らは129種類の異なる環境データを用いてコンピュータモデルを構築しました。これらのデータポイントは、気候、地形、人間活動、植物の成長のタイミング、森林の物理的構造、そして葉の化学組成という6つのグループに分類されました。研究者たちは、森林の構造や葉の化学特性に関する新しい詳細なデータを加えることが、従来のより一般的なデータのみを用いるよりも、鳥の活動をより良く予測するのに役立つかどうかを知りたいと考えました。
研究の結果、新しいデータが確かに大きな違いをもたらすことが判明しました。気候や地形はすべての鳥にとって重要でしたが、森林構造や葉の特徴に関する情報を加えることで、数十種のモデルの精度が向上しました。研究者たちは、これらの新しいデータストリームが、古い地図では提供できなかった独自の情報を与えてくれることを発見しました。例えば、2つのエリアが同じ気温と降水量であったとしても、一方が高く密な林冠を持ち、もう一方が低く茂った灌木であれば、それらは全く異なるグループの鳥を引き寄せます。新しいデータによって、モデルはこれらの違いを見ることができるようになりました。具体的には、樹木の高さの測定値や葉の化学組成が、なぜ特定の鳥がある場所を好むのかを説明するのに役立ちました。これは、特定の種類の樹木に依存している種や、営巣のための高い幹のような特定の構造的特徴を必要とする種において、特に顕著でした。
また、研究者たちは、単一のデータタイプがすべての鳥に最適であるということはないことも発見しました。それぞれの種には独自の要求事項があり、ある鳥にとって最も重要な要因が、別の鳥にとっては無関係である可能性があることを意味しています。例えば、成熟した松の森林に生息するアカハシゴジュウカラは、高い林冠と針葉樹に見られる特定の葉の化学物質を示すデータによって強く予測されました。対照的に、開けた草原や低木地を好む鳥は、より低い植生を示すデータによってより良く予測されました。このことは、生命の複雑な網を理解するためには、単一の種類の地図に頼ることはできないということを浮き彫りにしています。科学者たちは、天候、地形、そして今や植物自体の詳細な視点を含む、幅広いツールキットを必要としています。本研究は、衛星が地球全土の植生のこうした細かな詳細を測定できるようになるにつれ、科学者が野生動物がどこに住んでいるかについて、より正確な地図を作成できるようになることを示唆しています。この理解の向上は、生物多様性を支える方法で生息地を保護し、土地を管理していく上で不可欠であり、それらに依存する種のために適切な環境が維持されることを確実にするものです。
技術要約：新たなリモートセンシングデータによる生物分布の予測能
問題提起
方法論
生物データ： 553地点でのパッシブ音響モニタリングから得られた、94種の鳥類の鳴き声活動率。録音は2021年から2023年にかけて、自律型録音装置（ARU）を用いて、夜明けと夕暮れの期間に収集された。種の検出にはカスタマイズされたBirdNET実装が使用され、鳴き声活動率は連続的な応答変数として0–1のスケールに正規化された。リモートセンシング予測変数： 著者らは、BioCubeフレームワークから得られた129の地理空間変数を、6つのカテゴリに分類して利用した：
気候 (46変数): 気温、降水量、乾燥度、積雪期間など。攪乱 (26変数): 火災履歴、人間による改変、夜間光など。地形 (18変数): 標高、傾斜、起伏、土壌特性。フェノロジー (21変数): NDVI、総一次生産量、成長期のタイミング。森林構造 (4変数): NASAのGEDI LiDARから完全に派生したもの（林冠高、中層林冠高、バイオマス密度、構造的豊かさ）。葉の特性 (14変数): 航空機搭載型ハイパースペクトル画像（Western Diversity Time Series）から派生したもの。これには、葉の質量面積比（LMA）や、窒素、炭素、リグニン、糖などの濃度が含まれる。
モデリング手法： 著者らは、正規化された鳴き声活動率を予測するために、Extreme Gradient Boosting (XGBoost) 回帰を採用した。新しいデータストリームの有用性を評価するため、7つの変数サブセット（全129変数を含むフルモデルと、主要なカテゴリを一つずつ系統的に除外した6つのモデル）を用いて、各種に対して100回の反復モデルを実行した。モデルの性能は、テスト R 2 R^2 R 2
主な結果
漸進的な改善： 単一の変数やカテゴリがすべての94種に対してモデルを改善したわけではない。しかし、新しいデータセットの導入は、相当数の種においてモデルの精度を著しく向上させた。
葉の特性 は、39種のモデルを有意に改善した（中央値 Δ R 2 = 0.028 \Delta R^2 = 0.028 Δ R 2 = 0.028 森林構造 は、41–47種のモデルを改善した（中央値 Δ R 2 = 0.019 \Delta R^2 = 0.019 Δ R 2 = 0.019 気候 は、33–35種のモデルを改善した（中央値 Δ R 2 = 0.023 \Delta R^2 = 0.023 Δ R 2 = 0.023
変数の重要度： 気候変数は、利用可能な気候変数の数が多いこと（46個）もあり、平均して最も高い予測力（精度の約32%）に寄与した。しかし、森林構造と葉の特性は、特定の種に対して極めて大きな重要性を示した。例えば、林冠高と中層林冠高は、13種の種にとって単一の最も重要な予測因子であった。葉のデンプン含有量は、キキンチョウやアメリカムシクイにおいて、SHAP重要度の30%以上を占めた。種特異性： 変数の重要度は、個々のニッチ要件を反映して、非常に種特異的であった。ジェネラリスト（広食性）の種は、生息地変数との相関が弱かった。生物学的解釈可能性： 植生データの導入により、より微細で解釈可能なモデルが可能となった。例えば、アカゲラ（Red-breasted Nuthatch）のモデルは、高い林冠（>20–40m）、高い葉の質量面積比（LMA）、および低い硫黄濃度への嗜好性を特定したが、これらは成熟した針葉樹林に特有の特性である。同様に、開けた環境を好む種（例：アメリカブルーバード）は、より低い林冠や低いLMAと強く関連していた。
意義と主張
著者らは、気候変数が広範な生理学的ニッチを定義する一方で、局所的な植生条件（構造、組成、火災履歴）を記述する変数は、広域的な気候勾配では区別できない微細な生息地の不均一性を解明するために必要であると論じている。これらのデータストリームの統合は、種分布モデルの精度と生物学的解釈可能性の両方を向上させる。本論文は、これらの機能が、地球規模での生態系理解を大幅に強化し、必須生物多様性変数（EBV）のモニタリングおよび昆明・モントリオール生物多様性枠組の目標を支援することを提唱している。著者らは、今後の衛星ミッション（NASAのEAGLE-VSWIRやESAのCHIMEなど）への継続的な投資は、機能的な植生マッピングの可能性を完全に実現するために必要な、高時間分解能のグローバルデータを供給するという観点から、経験的に正当化されると結論付けている。
毎週最高の biology 論文をお届け。
スタンフォード、ケンブリッジ、フランス科学アカデミーの研究者に信頼されています。
受信トレイを確認して登録を完了してください。
問題が発生しました。もう一度お試しください。
スパムなし、いつでも解除可能。
週刊ダイジェスト — 最新の研究をわかりやすく。 登録 ×