The predictive power of new remote sensing data for biological distributions
Deze studie toont aan dat het integreren van nieuwe remote sensing-data, zoals door GEDI LiDAR afgeleide kroonhoogte en hyperspectrale bladkenmerken, de nauwkeurigheid en interpreteerbaarheid van modellen die vogelvocalisatieactiviteit in de Sierra Nevada van Californië voorspellen aanzienlijk verbetert door genuanceerde, soortspecifieke habitatvereisten vast te leggen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer
Om te begrijpen waar wilde dieren leven en hoeveel individuen er aanwezig zijn, hebben wetenschappers lang vertrouwd op een combinatie van weerpatronen, de vorm van het landschap en kaarten van welke planten waar groeien. Deze factoren vormen het podium waarop dieren hun dagelijks leven uitvoeren. Een vogel heeft een specifieke temperatuurbereik nodig om te overleven, een bepaald type terrein om een nest te bouwen en een bepaald soort vegetatie om voedsel te vinden. Decennialang hebben onderzoekers satellietbeelden gebruikt om deze brede omgevingsfactoren te volgen, waarmee een wereldwijd beeld werd gecreëerd van waar soorten mogelijk voorkomen. Deze traditionele kaarten beschrijven echter vaak het klimaat of het algemene type bos, waarbij de fijnere details van hoe de planten er daadwerkelijk uitzien en hoe ze zijn opgebouwd, worden gemist. Nu de wereld te maken heeft met een snel verlies aan biodiversiteit, is het urgent geworden om precies te weten waar dieren zich bevinden en waarom ze die plekken kiezen, maar het is onmogelijk om deze informatie te verzamelen door door elk bos te wandelen.
Een team van onderzoekers zette zich in om te zien of nieuwe, hoogtechnologische manieren om naar de Aarde te kijken, deze ontbrekende details konden invullen. Ze richtten zich op de Sierra Nevada-bergen in Californië, een regio met een dramatische stijging in hoogte die een grote verscheidenheid aan vogelsoorten herbergt. Het team verzamelde geluidsopnames van 553 locaties in dit landschap, waarbij ze luisterden naar de zangen en roepen van 94 verschillende vogelsoorten. In plaats van alleen te vragen waar een vogel werd gevonden, maten ze hoe actief de vogels op elke plek waren, waarbij ze de frequentie van hun roepen gebruikten als een graadmeter voor hoeveel ze van het habitat hielden. Om deze patronen te verklaren, bouwden ze computermodellen met behulp van 129 verschillende datapunten over de omgeving. Deze datapunten vielen uiteen in zes groepen: het klimaat, de vorm van het land, menselijke activiteit, de timing van de plantengroei, de fysieke structuur van het bos en de chemische samenstelling van de bladeren. De onderzoekers wilden weten of het toevoegen van de nieuwe, gedetailleerde gegevens over de bosstructuur en bladchemie hen zou helpen om de vogelactiviteit beter te voorspellen dan met de oudere, meer algemene gegevens alleen.
De studie toonde aan dat de nieuwe gegevens inderdaad een significant verschil maakten. Hoewel klimaat en terrein belangrijk waren voor alle vogels, verbeterde de toevoeging van informatie over de bosstructuur en bladkenmerken de nauwkeurigheid van de modellen voor tientallen soorten. De onderzoekers ontdekten dat deze nieuwe datastromen unieke informatie boden die de oudere kaarten simpelweg niet konden bieden. Bijvoorbeeld, twee gebieden kunnen dezelfde temperatuur en neerslag hebben, maar als het ene gebied een hoge, dichte kronen heeft en het andere korte, struikachtige begroeiing, zullen ze volkomen verschillende groepen vogels aantrekken. De nieuwe gegevens stelden de modellen in staat om deze verschillen te zien. Specifiek hielpen metingen van hoe hoog de bomen waren en de chemische samenstelling van hun bladeren verklaren waarom bepaalde vogels de ene plek boven de andere verkozen. Dit was vooral het geval voor soorten die afhankelijk zijn van specifieke soorten bomen of specifieke structurele kenmerken nodig hebben, zoals hoge stammen voor nestbouw of specifieke bladvoedingsstoffen voor de insecten die ze eten.
De onderzoekers ontdekten ook dat geen enkele type data het beste werkte voor elke vogel. Elke soort heeft zijn eigen unieke vereisten, wat betekent dat de belangrijkste factor voor de ene vogel irrelevant kan zijn voor een andere. Bijvoorbeeld, de roodrugspecht, een vogel die in volgroeide dennenbossen leeft, werd sterk voorspeld door gegevens die wijzen op hoge kronen en specifieke bladchemie die in naaldbomen voorkomt. In tegen te contrary werden vogels die de voorkeur geven aan open weiden of struiklandschappen beter voorspeld door gegevens die kortere vegetatie lieten zien. Dit onderstreept dat wetenschappers, om het complexe web van het leven te begrijpen, niet kunnen vertrouwen op slechts één soort kaart. Ze hebben een brede gereedschapskist nodig die weer, landvorm en nu ook gedetailleerde inzichten in de planten zelf omvat. De studie suggereert dat naarmate satellieten in staat worden om deze fijne details van vegetatie over de hele wereld te meten, wetenschappers veel nauwkeurigere kaarten kunnen maken van waar wilde dieren leven. Dit verbeterde begrip is essentieel voor het beschermen van habitats en het beheren van land op een manier die biodiversiteit ondersteunt, om er zeker van te zijn dat de juiste omgevingen beschikbaar blijven voor de soorten die er afhankelijk van zijn.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.