[논문 리뷰] Spatial Joint Species Distribution Modeling using Dirichlet Processes

Shinichiro Shirota, Alan E. Gelfand외 1명|arXiv (Cornell University)|2017. 11. 15.

Species Distribution and Climate Change참고 문헌 29인용 수 13

한 줄 요약

이 논문은 종 집합의 공간적 연관성을 고려한 공간적 연합 종 분포 모델을 제안한다. 이 모델은 종에 대한 Dirichlet 프로세스 군집화와 공간적 의존성에 대한 가우시안 프로세스를 결합하여 고차원의 존재-부재 데이터에서 효율적인 차원 감소를 가능하게 한다. 이 방법은 대규모 생태계 공동체의 예측 성능을 향상시키며, 남아프리카 케이프 플로리스틱 리지온 639종의 식물 데이터셋을 통해 검증되었다.

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.

연구 동기 및 목표

• 수백에서 수천 종에 이르는 종을 포함하는 연합 종 분포 모델의 계산 불가능성 문제를 해결하기 위해.
• 고차원 종 반응 프레임워크 내에서 위치 간 공간적 의존성을 통합하기 위해.
• 차원 감소를 통해 잔차 의존성을 간접적으로 모델링함으로써 종 상호작용을 모델링하기 위해.
• 스케일러블한 베이지안 계층 모델을 사용하여 관측되지 않은 위치에서의 종 존재-부재 예측을 정확하게 수행하기 위해.

제안 방법

• 종 반응 공간의 차원 감소를 위해 종 군집화에 Dirichlet 프로세스 사전분포를 적용한 베이지안 요인 모델을 사용한다.
• 잠재 요인의 공간적 의존성을 모델링하기 위해 가우시안 프로세스를 적용하여 위치 간 공간적 상관관계를 포착한다.
• 환경 공변량과 함께 공간적으로 상관관계가 있는 공통 요인에 의해 종 반응이 유도되는 계층 모델을 구축한다.
• 잠재 요인, 요인 하중, 공간적 파라미터, 정밀도를 포함한 매개변수의 완전조건부 분포를 사용한 깁스 샘플링을 활용한다.
• 요인의 공간적 의존성을 모델링하기 위해 Q-행렬(Q-프로세스)를 통한 공간 공분산 구조를 통합한다.
• MCMC의 혼합 성능와 계산 효율성을 향상시키기 위해 비중앙 파arameterization과 공액 사전분포를 사용한다.

실험 결과

연구 질문

• RQ1 수천 종(예: 10^2–10^3)에 이르는 대규모 종 수를 고려하면서도 생태학적 현실성을 유지할 수 있는 연합 종 분포 모델의 스케일링 방법은 무엇인가?
• RQ2 고차원 연합 종 프레임워크 내에서 위치 간 공간적 의존성을 효과적으로 모델링할 수 있는가? 이는 관측되지 않은 위치에서의 예측 성능 향상에 기여하는가?
• RQ3 종에 대한 Dirichlet 프로세스 군집화는 독립 모델링 대비 모델 적합도와 예측 성능에 어떤 영향을 미치는가?
• RQ4 잠재 요인을 통한 잔차 종 의존성의 통합은 생물다양성 예측과 종 전환율 추정에 어떤 영향을 미치는가?
• RQ5 기존의 연합 모델 대비 제안된 모델은 계산 효율성과 예측 정확도 측면에서 어떻게 비교되는가?

주요 결과

• 모델은 시뮬레이션 및 실제 데이터 모두에서 예측 성능이 향상되었으며, 특히 관측되지 않은 위치에서의 종 존재 예측에 뛰어난 성능을 보였다.
• Dirichlet 프로세스 군집화가 종의 유사한 반응 패턴을 가진 자연스러운 군집을 성공적으로 식별하여 모델의 복잡도를 감소시켰다.
• 가우시안 프로세스를 통한 공간적 의존성 통합이 강한 공간적 구조를 가진 지역에서 특히 예측 정확도를 크게 향상시켰다.
• 희박한 종 발생 데이터를 가진 고차원 존재-부재 데이터를 효과적으로 처리하여 전체 연도표 모델링의 비현실성 문제를 피했다.
• 실제 662개의 위치에 걸쳐 639종의 나무 종을 포함한 데이터셋에서 모델의 강건성과 확장성(스케일러비리티)이 입증되었다.
• 사후 추론 결과는 종 분포와 잠재 요인에 대한 의미 있는 공간 패턴을 드러내어 생태학적 해석 가능성에 기여했다.