[論文レビュー] Spatial Joint Species Distribution Modeling using Dirichlet Processes

Shinichiro Shirota, Alan E. Gelfand+1 more|arXiv (Cornell University)|Nov 15, 2017

Species Distribution and Climate Change参考文献 29被引用数 13

ひとこと要約

本稿では、種のクラスタリングにディリクレ過程を、空間的依存性のモデル化にガウス過程を用いる空間的共同種分布モデルを提案する。この手法により、高次元の存在-不在データにおける効率的な次元削減が可能となり、大規模な生態系コミュニティにおける予測性能が向上する。本手法は、南アフリカのケープ・フロリスティック・リージョンの639種の植物データセットを用いて検証された。

ABSTRACT

Species distribution models usually attempt to explain presence-absence or abundance of a species at a site in terms of the environmental features (socalled abiotic features) present at the site. Historically, such models have considered species individually. However, it is well-established that species interact to influence presence-absence and abundance (envisioned as biotic factors). As a result, there has been substantial recent interest in joint species distribution models with various types of response, e.g., presence-absence, continuous and ordinal data. Such models incorporate dependence between species response as a surrogate for interaction. The challenge we focus on here is how to address such modeling in the context of a large number of species (e.g., order 102) across sites numbering in the order of 102 or 103 when, in practice, only a few species are found at any observed site. Again, there is some recent literature to address this; we adopt a dimension reduction approach. The novel wrinkle we add here is spatial dependence. That is, we have a collection of sites over a relatively small spatial region so it is anticipated that species distribution at a given site would be similar to that at a nearby site. Specifically, we handle dimension reduction through Dirichlet processes joined with spatial dependence through Gaussian processes. We use both simulated data and a plant communities dataset for the Cape Floristic Region (CFR) of South Africa to demonstrate our approach. The latter consists of presence-absence measurements for 639 tree species on 662 locations. Through both data examples we are able to demonstrate improved predictive performance using the foregoing specification.

研究の動機と目的

• 数百～数千種の種を含む共同種分布モデルの計算的非実行性に対処すること。
• 高次元の種応答フレームワークにおいて、地域間の空間的依存性を組み込むこと。
• 次元削減を用いて残差的依存性を通じて種相互作用を間接的にモデル化すること。
• スケーラブルなベイズ階層モデルを用いて、観測されていない場所における種の存在-不在の正確な予測を可能にすること。

提案手法

• 種応答空間における次元削減を目的として、種のクラスタリングにディリクレ過程の事前分布を用いたベイズ要因モデルを採用する。
• 潜在要因の空間的依存性をモデル化するためにガウス過程を適用し、地域間の空間的相関を捉える。
• 環境共変数と空間的に相関する共通要因によって駆動される、種応答の階層的モデルを構築する。
• 潜在要因、要因負荷、空間パラメータ、精度の全条件付き分布を用いたギブスサンプリングを実施する。
• Q行列（Qプロセス）を用いて潜在要因の空間的共分散構造を組み込み、要因の空間的依存性をモデル化する。
• MCMCの混合性能と計算効率を向上させるために、非中心化パrameterizationと共役事前分布を用いる。

実験結果

リサーチクエスチョン

• RQ1 10^2～10^3程度の多数の種を扱う共同種分布モデルを、生態的現実性を保ちつつどのようにスケーリングできるか？
• RQ2 高次元の共同種フレームワークにおいて、地域間の空間的依存性を効果的にモデル化することで、観測されていない場所の予測性能が向上するか？
• RQ3 種のクラスタリングにディリクレ過程を用いることで、独立モデルと比較してモデルの適合度と予測性能がどのように向上するか？
• RQ4 潜在要因による残差的種依存性の組み込みが、生物多様性予測と種の入れ替え推定に与える影響は何か？
• RQ5 既存の共同モデルと比較して、本手法の計算効率と予測精度はどのように異なるか？

主な発見

• 本モデルは、シミュレーションデータおよび実データの両方で、特に観測されていない場所における種の存在予測において、予測性能が向上した。
• ディリクレ過程によるクラスタリングにより、応答パターンが類似する種の自然なグループが的確に特定され、モデルの複雑さが低減した。
• ガウス過程による空間的依存性の組み込みにより、空間的構造が強い地域では特に予測精度が顕著に向上した。
• 本モデルは、希少な種の出現を伴う高次元の存在-不在データを効果的に処理でき、完全なクロス集計表モデルの非現実性を回避した。
• 本手法は、ケープ・フロリスティック・リージョンの662地点に分布する639種の樹木からなる実データセットに対しても、頑健性とスケーラビリティを示した。
• 事後分布推論により、種の分布と潜在要因における意味のある空間的パターンが明らかとなり、生態的解釈可能性が裏付けられた。