MaxEnt обеспечивает сопоставимые результаты при дополнении исходных данных: параметризация четырех моделей распространения видов

Модели распространения видов (SDM) — практический инструмент оценки пригодности местообитаний для различных видов, широко применяемый в управлении окружающей средой и планировании природоохранных мероприятий. Коррекция исходных данных с учетом их пространственного смещения — один из эффективных способов повысить качество работы SDM. Однако подходы к параметризации моделей, охватывающие разные SDM и позволяющие получать модели с высокими прогностическими характеристиками, применялись редко. Мы объединили коррекцию исходных данных и настройку моделей для четырех широко используемых SDM: обобщенной линейной модели (GLM), модели с градиентным бустингом (GBM), метода случайного леса (RF) и метода максимальной энтропии (MaxEnt), а затем сравнили их прогностические характеристики при моделировании географически несбалансированных и смещенных данных о редком комплексе видов горных гадюк. Модели настраивали по диапазону специфичных для каждой модели параметров с использованием двух методов отбора фоновых данных: случайного отбора и взвешивания фоновых данных. Качество настроенных моделей оценивали по недавно выявленным местонахождениям этих видов. Хотя настроенные версии всех моделей хорошо предсказывали обучающие данные (AUC > 0,9 и TSS > 0,5), при классификации вневыборочных данных они давали разные результаты. GBM и RF, показавшие более высокую чувствительность на обучающих данных, демонстрировали больше различий в качестве прогнозирования. GLM, несмотря на высокие прогностические характеристики для тестовых данных, имела более низкую специфичность. Только модель MaxEnt показала высокие прогностические характеристики и сопоставимые результаты при выявлении тестовых данных как при случайном отборе, так и при взвешивании фоновых данных. Полученные результаты показывают, что GBM и RF склонны к переобучению на обучающих данных, а GLM переоценивает вероятность присутствия вида на неисследованных территориях; MaxEnt способна формировать одновременно предсказуемые, то есть экстраполирующие, и сложные, то есть интерполирующие, результаты. Мы обсуждаем допущения, лежащие в основе каждой модели, и заключаем, что MaxEnt можно рассматривать как практический метод работы с несбалансированными и смещенными данными при моделировании распространения видов.