📊 statistics

How many unseen species are in multiple areas?

Dit artikel introduceert een nieuw Bayesiaans niet-parametrisch raamwerk voor het schatten van het aantal onwaargenomen en gedeelde diersoorten in twee heterogene gebieden, waarbij zowel in-steekproefanalyse als voorspelling voor toekomstige steekproeven mogelijk wordt gemaakt.

Oorspronkelijke auteurs: Alessandro Colombi, Raffaele Argiento, Federico Camerlenghi, Lucia Paci

Gepubliceerd 2026-03-24

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Alessandro Colombi, Raffaele Argiento, Federico Camerlenghi, Lucia Paci

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je twee verschillende tuinen hebt: één in het centrum van een stad en één net buiten de stad. Je wilt weten hoeveel verschillende soorten mieren er in beide tuinen leven, maar je kunt niet elke mier in de wereld vangen. Je hebt alleen een emmertje met mieren dat je hebt opgepikt.

De vraag is: Hoeveel mierensoorten heb je gemist? En hoeveel soorten zijn er die in beide tuinen voorkomen?

Dit is precies het probleem dat dit wetenschappelijke artikel oplost, maar dan met een heel slim wiskundig trucje. Hier is de uitleg in simpele taal:

1. Het Probleem: Het "Onzichtbare" Deel van de IJsberg

In de ecologie (en veel andere vakken) proberen onderzoekers vaak te tellen hoeveel soorten er zijn. Maar vaak zie je maar een klein deel.

Vroeger: Wiskundigen hadden goede manieren om dit te doen voor één tuin. Ze konden zeggen: "Op basis van wat je nu ziet, zijn er waarschijnlijk nog 5 soorten die je niet hebt gezien."
Het Nieuwe Probleem: Wat als je twee tuinen vergelijkt? Dan wordt het veel lastiger. Je moet niet alleen weten hoeveel soorten je mist in Tuin A en Tuin B apart, maar ook:
- Hoeveel soorten zijn er die je in geen van beide tuinen hebt gezien?
- Hoeveel soorten zijn er die je in Tuin A hebt gezien, maar nog niet in Tuin B (en andersom)?
- Hoeveel soorten zijn er die je in beide tuinen hebt gezien?

Het is alsof je probeert te raden hoeveel unieke kaarten er in twee verschillende decks zitten, terwijl je maar een paar kaarten uit elk deck hebt getrokken.

2. De Oplossing: Een "Magische" Wiskundige Lens

De auteurs van dit artikel hebben een nieuwe manier bedacht om dit te berekenen. Ze gebruiken een wiskundig model dat ze de "Vector van Eindige Dirichlet Processen" noemen. Dat klinkt eng, maar laat het zo uitleggen:

Stel je voor dat je een magische lens hebt.

De Lens ziet patronen: Als je in Tuin A veel mieren van soort X ziet, en in Tuin B ook, denkt de lens: "Ah, deze soorten lijken op elkaar."
De Lens is slim over het totaal: De lens gaat ervan uit dat er een eindig (maar onbekend) aantal soorten is dat in beide tuinen kan voorkomen, maar dat de verdeling verschilt. In de ene tuin is soort X heel populair, in de andere heel zeldzaam.
Geen gissen, maar rekenen: Vroeger moesten onderzoekers vaak dure computersimulaties draaien om een schatting te maken. Dit artikel biedt een exacte formule. Het is alsof ze in plaats van te gokken, een perfecte rekenmachine hebben die direct het antwoord geeft zonder te hoeven wachten.

3. De Drie Belangrijkste Vragen die het Beantwoord

Met hun nieuwe lens kunnen onderzoekers nu drie dingen doen die voorheen erg moeilijk waren:

De "Wat als"-vraag (Voorspelling):
- Vraag: "Als ik morgen nog 100 mieren in Tuin A en 100 in Tuin B vang, hoeveel nieuwe soorten zal ik dan vinden?"
- Antwoord: De formule zegt precies hoeveel nieuwe soorten je kunt verwachten. Dit helpt onderzoekers te beslissen: "Is het nog de moeite waard om langer te vangen, of heb ik al genoeg gezien?"
De "Gedeelde Schat"-vraag:
- Vraag: "Hoeveel soorten zijn er die in beide tuinen voorkomen, maar die ik nog niet heb gezien?"
- Antwoord: Dit is cruciaal om te weten hoe vergelijkbaar de tuinen zijn. Als je veel gedeelde soorten mist, zijn de tuinen misschien meer op elkaar dan je dacht.
De "Stop-Regel":
- De formule kan een kaartje maken (een heatmap) dat laat zien: "Als je nu stopt, heb je 90% van de soorten gezien. Als je nog 500 mieren vangt, kom je op 95%." Dit helpt bij het plannen van onderzoekstijd en geld.

4. Het Echte Voorbeeld: Mieren in Triëst

Om te bewijzen dat het werkt, hebben de auteurs dit getest op echte data van mieren in de stad Triëst (Italië).

Tuin 1: Een park in het stadscentrum (Orto Lapidario).
Tuin 2: Een bos net buiten de stad (Bosco Bovedo).
Ze hebben duizenden mieren geteld. Hun nieuwe methode kon precies voorspellen hoeveel soorten ze nog zouden vinden als ze doorgingen met vangen, en hoeveel soorten er gedeeld waren. Het bleek dat hun methode veel nauwkeuriger was dan de oude methoden, vooral bij het voorspellen van de gemeenschappelijke soorten.

Samenvatting in één zin

Dit artikel geeft wetenschappers een slimme, snelle en exacte rekenformule om te voorspellen hoeveel onbekende soorten er nog te ontdekken zijn in twee verschillende gebieden, en hoeveel van die soorten met elkaar verbonden zijn, zodat ze niet meer hoeven te raden of dure simulaties hoeven te draaien.

Het is alsof je van een gokker bent veranderd in een voorspeller die precies weet wat er in de volgende hand kaarten zit.

Titel: Bayesiaanse ontdekking van soorten in meerdere gebieden

Auteurs: Alessandro Colombi, Raffaele Argiento, Federico Camerlenghi, en Lucia Paci.

1. Probleemstelling

In de ecologie en andere disciplines (zoals tekstanalyse of genomica) is het van cruciaal belang om de samenstelling van soorten en biodiversiteit te beschrijven, vooral wanneer meerdere gebieden met elkaar worden vergeleken. Bestaande statistische methoden focussen voornamelijk op het schatten van soortenrijkdom (het totale aantal soorten, inclusief niet-geobserveerde) binnen een enkel homogeen populatiegebied.

Het probleem wordt aanzienlijk complexer wanneer men te maken heeft met heterogene populaties uit twee verschillende gebieden (bijv. twee parken in een stad). In dit scenario moeten niet alleen het aantal nieuwe soorten in elk gebied afzonderlijk worden geschat, maar ook het aantal gezamenlijke soorten (shared species) die in beide gebieden voorkomen. De literatuur heeft tot nu toe beperkte aandacht besteed aan dit tweedimensionale probleem, voornamelijk omdat de wiskundige complexiteit exponentieel toeneemt met het aantal onbekenden (soorten die alleen in gebied 1 voorkomen, alleen in gebied 2, en soorten die in beide voorkomen). Bestaande frequentistische schatters zijn vaak beperkt tot "one-step-ahead" voorspellingen en missen een gesloten vorm voor uitbreiding naar grotere toekomstige steekproeven.

2. Methodologie

De auteurs stellen een nieuw raamwerk voor binnen de Bayesiaanse niet-parametrische statistiek, specifiek gebaseerd op het Vector of Finite Dirichlet Process (Vec-FDP) prior.

Het Model:
- Het model gaat uit van twee deels uitwisselbare (partially exchangeable) sequenties van waarnemingen uit twee gebieden ( $j=1, 2$ ).
- Het veronderstelt dat beide gebieden een gemeenschappelijke, maar willekeurige, eindige set van $M$ soorten delen.
- De proporties van deze soorten kunnen echter verschillen tussen de gebieden. Dit wordt gemodelleerd door een vector van afhankelijke kansmaten $(P_1, P_2)$ .
- De prior voor het totale aantal soorten $M$ wordt gekozen als een 1-verschoven Poisson-verdeling ( $Pois_1(\Lambda)$ ), en de gewichten (soortproporties) volgen een symmetrische Dirichlet-verdeling met parameters $\gamma_1$ en $\gamma_2$ .
Kernwiskundige Innovatie:
- De auteurs leiden een gedeeltelijk uitwisselbare partitiekansfunctie (pEPPF) af voor dit model.
- Ze ontwikkelen gesloten vormen (closed-form expressions) voor de verdelingen van relevante statistieken, zoals het aantal lokale soorten, het aantal globale soorten en het aantal gezamenlijke soorten.
- Een cruciaal onderdeel is de afleiding van de predictieve verdeling voor nieuwe waarnemingen. Dit stelt hen in staat om exacte formules af te leiden voor het aantal nieuwe soorten dat in een toekomstige steekproef van grootte $m_1$ en $m_2$ zal worden ontdekt.
Schatting van Parameters:
- Er worden twee strategieën voorgesteld voor het schatten van de hyperparameters ( $\gamma$ $γ$ en $\Lambda$ $Λ$ ):
  1. Bayes I: Maximum Marginal Likelihood Estimator (gebaseerd op de pEPPF).
  2. Bayes II: Een diversiteitsgebaseerde strategie die gebruikmaakt van de verwachte Simpson-diversiteitsindex en de Morisita-index om de parameters te koppelen aan de data. Deze methode is computerefficiënter.

3. Belangrijkste Bijdragen

Eerste gesloten vorm voor meervoudige gebieden: Dit is het eerste werk dat een Bayesiaanse niet-parametrische methode biedt voor het schatten van zowel lokale als gezamenlijke soortenrijkdom in twee gebieden, volledig gebaseerd op exacte berekeningen zonder afhankelijkheid van dure numerieke benaderingen (zoals MCMC).
m-steps-ahead voorspelling: In tegenstelling tot bestaande frequentistische methoden die vaak beperkt zijn tot één stap vooruit, biedt dit model een algemene oplossing voor het voorspellen van het aantal nieuwe soorten in een toekomstige steekproef van willekeurige grootte ( $m_1, m_2$ ).
Verdelingstheorie voor gezamenlijke soorten: De auteurs leiden de gezamenlijke verdeling af voor het aantal nieuwe lokale, nieuwe globale en nieuwe gezamenlijke soorten. Dit maakt het mogelijk om de onzekerheid rondom gezamenlijke soorten kwantitatief te beoordelen.
Steekproefgroottebepaling: De methode kan worden gebruikt om te bepalen hoeveel extra steekproeven nodig zijn om een bepaalde kans op het ontdekken van nieuwe (gezamenlijke) soorten te bereiken, wat essentieel is voor het plannen van veldwerk.

4. Resultaten

De auteurs evalueren hun methode via uitgebreide simulatiestudies en een toepassing op een reëel dataset.

Simulatiestudie:
- Het model werd getest onder verschillende scenario's (Dirichlet, geometrische en Zipf-gewichten) en vergeleken met "Independent" (onafhankelijke modellen per gebied) en "Pooled" (gecombineerd als één gebied) benchmarks, evenals met bestaande frequentistische schatters (Yue & Clayton, Chao et al.).
- Resultaat: De voorgestelde Bayesiaanse methoden (zowel Bayes I als II) presteren consistent beter of vergelijkbaar met de benchmarks, maar bieden het unieke voordeel van een gecoördineerde schatting voor alle vier de doelgroepen (lokaal, globaal, gezamenlijk).
- Robuustheid: Zelfs bij modelmisspecificatie (bijv. wanneer de data niet perfect overeenkomt met de aannames) blijft de voorspellende prestatie goed.
- Efficiëntie: Dankzij de gesloten vormen is de predictie extreem snel (< 0,5 seconde), wat veel sneller is dan methoden die MCMC vereisen.
Toepassing op Ant-Data (Triëst):
- De methode werd toegepast op een dataset van mieren uit twee parken in Triëst (Bosco Bovedo en Orto Lapidario).
- Analyse: De auteurs toonden aan dat de kans op het ontdekken van een nieuwe gezamenlijke soort in één extra steekproef zeer klein is (nabij nul), wat suggereert dat de huidige steekproef al redelijk exhaustief is.
- Heatmaps: Door gebruik te maken van de m-steps-ahead voorspelling, creëerden ze heatmaps die visualiseren hoeveel extra inspanning (steekproefgrootte) nodig is om een specifieke kans op nieuwe ontdekkingen te bereiken. Dit biedt een praktisch hulpmiddel voor onderzoekers om te beslissen of verdere steekproeven kosteneffectief zijn.

5. Betekenis en Conclusie

Deze studie vormt een belangrijke stap vooruit in de statistische ecologie en Bayesiaanse niet-parametrische theorie.

Theoretisch: Het lost een langdurig open probleem op door een wiskundig onderbouwd raamwerk te bieden voor afhankelijke populaties met gesloten vormen, wat zeldzaam is in dit domein.
Praktisch: Het biedt onderzoekers een krachtig instrument om biodiversiteit in meerdere gebieden te vergelijken en om te bepalen of verdere steekproeven zinvol zijn. Het vermogen om "m-steps-ahead" voorspellingen te doen, stelt onderzoekers in staat om stopregels te definiëren op basis van de afnemende meerwaarde van extra data.
Toekomstperspectief: Hoewel het artikel zich richt op twee gebieden, wijzen de auteurs op de uitdagingen en kansen voor uitbreiding naar $d > 2$ gebieden, waarbij de combinatorische complexiteit toeneemt.

Samenvattend biedt dit werk een robuust, snel en wiskundig exact alternatief voor bestaande methoden om biodiversiteit in heterogene omgevingen te analyseren en te voorspellen.