Bioclimatic Data Optimization for Spatial Distribution Models

Orlov, M. A.; Sheludkov, Alexander

doi:10.1007/978-3-030-11720-7_13

Cited by 2 publications

(3 citation statements)

References 8 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…The basis for simulation was the concept of a multidimensional Hutchinson niche [Hutchinson, 1957;Colwell and Rangel, 2009;Orlov and Sheludkov, 2019]. As the simulation algorithm for the spatial distribution of grasshoppers, the maximum entropy method implemented in the MaxEnt software [Phillips et al, 2006] was used.…”

Section: Simulation Methods and Toolsmentioning

confidence: 99%

“…In this case, the modern simulation approach deserves special attention. Such models are often referred to as species distribution models (SDM), habitat suitability, or ecological niche models (ENM) [Sergeev, 2010;Merow et al, 2013;Orlov and Sheludkov, 2019]. SDM usually does not require an in-depth analysis of variables and simply provides a map of suitable habitat for a species.…”

Section: Introductionmentioning

confidence: 99%

See 1 more Smart Citation

Simulation of Favorable Habitats for Non-Gregarious Locust Pests in North Kazakhstan Based on Satellite Data for Preventive Measures

Baibussenov¹,

Bekbayeva²,

Azhbenov³

2022

J. Ecol. Eng.

View full text Add to dashboard Cite

The paper considers the approaches and possibilities of using two types of simulation: the species distribution model and the ecological niche model. The study aimed to simulate favorable habitats and the potential spread of non-gregarious locust pests in North Kazakhstan based on satellite and ground data for preventive measures. The MaxEnt software was used to conduct the simulation. According to the species distribution model, high indicators of the habitat are predicted in the Pavlodar and Kostanay regions, on 69.9-100% of the studied territory. With the simulation of ecological niches for non-gregarious locust pests, the following class boundaries were determined for the transition from quantitative to qualitative indicators from I (85-100%) to IV (0-50%), which indicates the zones of the probability of pest attack from a higher indicator to a lower one. According to the fundamental model, high indicators of the area of pest occurrence, that is, zones I and II, are located in the central and northern parts of the Pavlodar region. Here, the probability of non-gregarious locust occurrence of zone I and II with a ratio of 1:1 is observed in a slightly arid, moderately warm agro-climatic zone. In the southern part of the Kostanay region, the simulation predicts the probability of occurrence on zones I and II with a ratio of 1:2 in the moderately arid warm agro-climatic zone of this region. In the southern and southeastern parts of the Akmola region, the model predicts the probability of occurrence in zones I and II with a ratio of 1:3 in a slightly humid, moderately warm agro-climatic zone of the region. The considered species distribution model can be used as a modern tool for long-term forecasting of the spread of non-gregarious locust pests since it takes into account the peculiarities of the agricultural landscape. The fundamental niche model can be used in a long-term population forecast since it focuses more on the theoretical conditions of pest habitats.

show abstract

Section: Simulation Methods and Toolsmentioning

confidence: 99%

Section: Introductionmentioning

confidence: 99%

Simulation of Favorable Habitats for Non-Gregarious Locust Pests in North Kazakhstan Based on Satellite Data for Preventive Measures

Baibussenov¹,

Bekbayeva²,

Azhbenov³

2022

J. Ecol. Eng.

View full text Add to dashboard Cite

show abstract

“…Bu iklim sınıflandırmalarından en önemlileri; Köppen-Geiger, De Martonne, Emberger ve Thornthwaite gibi yöntemleridir. Bu sınıflandırmalara ek olarak Faktör, Asal Bileşenler ve Kümeleme analizi gibi yöntemlerin geliştirilmesiyle, çok daha yüksek çözünürlüklü ve kapsamlı veri setleri kullanılmaya başlanmıştır (Orlov & Sheludkov, 2019). Biyoiklim indis analizleri olarak genel bir başlıkta değerlendirilebilecek bu çalışmaların erken örneklerinden biri, Kanada genelindeki 74 bitki örtüsü bölgesi arasındaki biyoklimatik ilişkileri incelemek amacıyla gerçekleştirilmiştir (Miller, 1973).…”

Section: Introductionunclassified

Classification of Turkey’s bioclimatic regions by cluster analysis

Atasoy

Sarış

2021

Türk Coğrafya Dergisi

View full text Add to dashboard Cite

Bu çalışmanın amacı, Türkiye için kümeleme analizi aracılığıyla biyoiklim sınıflandırması yaparak biyoiklim karakterini tanımlamak ve bölgesel farklılaşmayı açıklamaktır. Türkiye için biyoiklim indislerinin mekansal analizi, Devlet Meteoroloji İşleri Genel Müdürlüğü’ne ait toplam 169 istasyonda 1960-2016 yılları arasında kaydedilen aylık sıcaklık ve yağış verileri kullanılarak gerçekleştirildi. Kümeleme analizi için Biyoiklim değişkenleri 3 farklı veri seti halinde kullanıldı. Sıcaklık baskın değişkenlerin (BIO1-BIO11) kümeleme analizi sonucunda 4, yağış baskın değişkenler (BIO12-BIO19) için 5, tüm değişkenlerin bir arada değerlendirildiği analizde (BIO1-BIO19) 6 küme tanımlandı. BIO1-BIO19 analizi sonucunda elde edilen kümelerin özellikleri: temel olarak yüksek sıcaklıkla karakterize olan ve Ege- Akdeniz kıyı kuşağı boyunca yayılan Küme 1; Kuraklık ve görece yüksek soğuk mevsim sıcaklıkları ile öne çıkan ve güneydoğuda dağılış gösteren Küme 2; soğuk karakter ile tanımlanan kuzeydoğu-doğu kesimlerdeki Küme 3; yine kuraklıkla tanımlanan ama daha soğuk kış karakterinde olan, iç bölgelerde geniş alana yayılmış ve en fazla istasyon sayısına sahip Küme 4; Marmara Bölgesi sınırlarında dağılışa sahip, biyoiklim karakteri olarak da Karasal (küme 4) ve nemli (Küme 6) arasında geçiş gösteren Küme 5 ve son olarak da nemlilik özelliği ile karakterize edilebilen ve Karadeniz kıyı kuşağı boyunca dağılış sergileyen Küme 6 olarak tanımlandı. Belirlenen örüntüler ve biyoiklim karakteristikleri bölgeselleşme üzerinde topografya ve iklimin ortak etkisini açıkça göstermektedir.

show abstract

Bioclimatic Data Optimization for Spatial Distribution Models

Cited by 2 publications

References 8 publications

Simulation of Favorable Habitats for Non-Gregarious Locust Pests in North Kazakhstan Based on Satellite Data for Preventive Measures

Simulation of Favorable Habitats for Non-Gregarious Locust Pests in North Kazakhstan Based on Satellite Data for Preventive Measures

Classification of Turkey’s bioclimatic regions by cluster analysis

Contact Info

Product

Resources

About