Моделирование современного климатического ареала Cydalima perspectalis (Lepidoptera, Crambidae) в Евразии

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Проведено моделирование современного климатического ареала опасного вредителя растений рода самшит (Buxus L.) самшитовой огневки (Cydalima perspectalis Walker, 1859) в Евразии с целью определения возможных территорий его дальнейшей экспансии. Из разных источников (базы данных о распространении видов и публикации) собраны сведения о локусах фактического обнаружения самшитовой огневки как в нативной (Восточная и Южная Азия), так и в инвазионной (Европа и Западная Азия) частях ареала. В качестве предикторов распространения использовали шесть биоклиматических параметров: три температурных и три влажностных. Разработаны и применены оригинальные методики определения числа точек псевдо-отсутствия и их селективной генерации. Окончательная классификация и разбиение пространства биоклиматических факторов осуществлялись с помощью градиентного бустинга. Рассчитан и картографирован современный евразийский климатический ареал самшитовой огневки. Показано, что инвазия еще не достигла своих пределов и имеется ряд территорий в Евразии, где климатические условия благоприятны для появления популяций этого вида как в нативной части ареала (отдельные южные и восточные регионы Китая, КНДР и южные предгорья Гималаев), так и в инвазионной его части (в Северной и Восточной Европе, на Кавказе, в Турции). Дана сравнительная оценка важности разных климатических факторов в определении территории распространения данного вида. Установлено, что наибольшей важностью для построения модели климатического ареала C. perspectalis обладает сумма осадков самого сухого месяца (47.6%). Выявлено различие в климатических условиях между нативной и инвазионной частями ареала и сделаны предположения о возможных причинах его возникновения.

Полный текст

Доступ закрыт

Об авторах

И. О. Попов

Институт глобального климата и экологии имени академика Ю. А. Израэля; Институт географии РАН

Автор, ответственный за переписку.
Email: igor_o_popov@mail.ru
Россия, 107258, Москва, ул. Глебовская, 20Б; 119017, Москва, Старомонетный пер., 29/4

Е. Н. Попова

Институт географии РАН

Email: en_popova@mail.ru
Россия, 119017, Москва, Старомонетный пер., 29/4

Список литературы

  1. Бардин М.Ю., Платова Т.В., 2020. Изменения сезонных показателей экстремумов температуры воздуха в Москве и центральных областях европейской части России // Метеорология и гидрология. № 7. С. 20–35.
  2. Богданович А.Ю., Добролюбов Н.Ю., Крыленко С.В., Баранчиков Ю.Н., Липка О.Н., Семенов С.М., 2023. Климатический ареал непарного шелкопряда на территории России, соответствующий климатам конца ХХ века и ХХI века // Фунд. и прикл. климатология. Т. 9. № 1. С. 65–88. https://doi.org/10.21513/2410-8758-2023-1-65-106
  3. Будашкин Ю.И., 2016. Самшитовая огневка – Cydalima perspectalis (Lepidoptera, Pyraustidae) – новый для фауны Украины и Крыма вид опасного вредителя лесного и паркового хозяйства // Экосистемы. Вып. 5. С. 36–39.
  4. Гниненко Ю.И., Пономарев В.Л., Нестеренкова А.Э., Сергеева Ю.А., Ширяева Н.В., Лянгузов М.Е., 2018. Самшитовая огневка Neoglyphodes perspectalis Walker – новый опасный вредитель самшита на юге европейской части России. Пушкино: ВНИИЛМ. 36 с.
  5. Гниненко Ю.И., Сергеева Ю.А., Ширяева Н.В., Лянгузов М.Е., 2016. Самшитовая огневка – опасный инвазивный вредитель самшита // Лесохоз. информ.: электрон. сетевой журн. № 3. С. 25–35.
  6. Гниненко Ю.И., Ширяева Н.В., Щуров В.И., 2014. Самшитовая огневка – новый инвазивный организм в лесах российского Кавказа // Карантин растений. № 1 (7). С. 32–36.
  7. Доброносов В.В., 2017. Новые данные о самшитовой огневке Cydalima perspectalis (Walker, 1859) на Центральном Кавказе. https://aeconomy.ru/news/agro/novye-dannye-o-samshitovoy-ognevke.html
  8. Ескин Н.Б., Бибин А.Р., 2014. Очаг самшитовой огневки в тисо-самшитовой роще // Кавказ заповедный. № 8 (124). С. 7.
  9. Карпун Н.Н., Понаморев В.Л., Нестеренкова А.Э., Захарченко В.Е., 2019. Инвазия и биология самшитовой огневки Cydalima perspectalis Walker (Lepidoptera, Crambidae) на Черноморском побережье России // Фитосанитария. Карантин растений. Т. 29. № 3. С. 50–59.
  10. Лукмазова Е.А., 2014. Распространение опасных вредителей для самшитовых насаждений на территории Республики Абхазия // VIII Чтения памяти О.А. Катаева. Вредители и болезни древесных растений России: Мат-лы междунар. конф., Санкт-Петербург, 18–20 ноября 2014 г. / Под ред. Мусолина Д.Л., Селиховкина А.В. СПб.: СПбГЛТУ. С. 45.
  11. Марченко А.Б., 2022. Екологічні аспекти прояву інвазійного виду Суdalima perspectalis (Walker, 1859) в урбанізованих екосистемах // Агробіологія. № 2. С. 153–160. https://doi.org/10.33245/2310-9270-2022-174-2-153-160
  12. Нестеренкова А.Э., Пономарев В.Л., Карпун Н.Н., 2017. Особенности развития самшитовой огневки в лабораторной культуре // Лесной вестник. Т. 21. № 3. С. 61–69. https://doi.org/10.18698/2542-1468-2017-3-61-69
  13. Определитель насекомых Дальнего Востока России, 2005. Т. V. Ручейники и чешуекрылые. Ч. 5 / Под ред. Лера П.А. Владивосток: Дальнаука. 575 с.
  14. Попова Е.Н., Попов И.О., 2013. Климатические факторы, определяющие границы ареалов вредителей и возбудителей болезней сельскохозяйственных растений, и расчетные методы оценки изменения ареалов при изменении климата // Проблемы экологического мониторинга и моделирования экосистем. Т. XXV. М.: ИГКЭ. С. 177–206.
  15. Попова Е.Н., Попов И.О., 2019. Моделирование потенциальных климатических ареалов биологических видов и их климатогенных изменений // Фунд. и прикл. климатология. Т. 1. С. 58–75. https://doi.org/10.21513/2410-8758-2019-1-58-75
  16. Попова Е.Н., Попов И.О., 2023. Локусы обнаружения самшитовой огневки Cydalima perspectalis в мире в 1986–2020 гг. Свидетельство о государственной регистрации базы данных № 2023620218 Российская Федерация. Заявка № 2023620033: заявл. 10.01.2023: опубл. 16.01.2023 / Заявитель: ФГБУН Институт географии РАН. https://elibrary.ru/item.asp?id=50131740
  17. Проклов В.В., Караева С.З., 2013. Новые и интересные находки чешуекрылых (Lepidoptera) в Чеченской Республике (Россия) // Кавказский энтомол. бюлл. Т. 9. № 2. С. 281–282.
  18. Рашка С., Мирджалили В., 2020. Python и машинное обучение. Машинное и глубокое обучение с использованием Python, scikit-learn и TensorFlow 2. М.; СПб.: Диалектика. 846 с.
  19. Скворцов А.В., 2002. Триангуляция Делоне и ее применение. Томск: Изд-во Томского ун-та. 128 с.
  20. Стрюкова Н.М., 2016. Аборигенные и инвазивные членистоногие и их естественные враги в парках Республики Крым // Сборник научных трудов Государственного Никитского ботанического сада. Т. 142. Ялта: ГНБС. С. 186–193.
  21. Трикоз Н.Н., Халилова З.Э., 2016. Самшитовая огневка в Никитском Ботаническом саду // Сборник научных трудов Государственного Никитского ботанического сада. Т. 142. Ялта: ГНБС. С. 69–75.
  22. Флах П., 2016. Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных. М.: Изд-во ДМК. 399 с.
  23. Хейдт М., Груздев А., 2019. Изучаем Pandas. М.: Изд-во ДМК. 679 с.
  24. Щуров В.И., 2014. Самшитовая огневка Cydalima perspectalis (Walker, 1859) на российском Кавказе – хроника трех лет инвазии // VIII Чтения памяти О.А. Катаева. Вредители и болезни древесных растений России: Мат-лы междунар. конф., Санкт-Петербург, 18–20 ноября 2014 г. / Под ред. Мусолина Д.Л., Селиховкина А.В. СПб.: СПбГЛТУ. С. 99–100.
  25. Araújo M.B., Anderson R.P., Barbosa M.A., Beale C.M., Dormann C.F., et al., 2019. Standards for distribution models in biodiversity assessments // Sci. Adv. V. 5. Art. eaat4858. https://doi.org/10.1126/sciadv.aat4858
  26. Atlas of Woody Plants in China. Distribution and Climate, 2011 / Eds Fang J., Wang Z., Tang Z. Berlin, Heidelberg: Springer. 2000 р. https://doi.org/10.1007/978-3-642-15017-3
  27. Barandela R., Sánchez J.S., Garca V., Rangel E., 2003. Strategies for learning in class imbalance problems // Pattern Recognit. V. 36. № 3. P. 849–851. https://doi.org/10.1016/S0031-3203(02)00257-1
  28. Barbet-Massin M., Jiguet F., Albert C.H., Thuiller W., 2012. Selecting pseudo-absences for species distribution models: How, where and how many? // Methods Ecol. Evol. V. 2. № 3. P. 327–338. https://doi.org/10.1111/j.2041-210X.2011.00172.x
  29. Bellard C., Thuiller W., Leroy B., Genovesi P., Bakkenes M., Courchamp F., 2013. Will climate change promote future invasions? // Global Change Biol. V. 12. № 19. P. 3740–3748. https://doi.org/10.1111/gcb.12344
  30. Bereś P.K., Ziętara P., Nakonieczny M., Kontowski Ł., Grzbiela M., Augustyniak M., 2022. Cydalima perspectalis in Poland – 8 years of invasion against the background of three other invasive species // Diversity. V. 22. № 14. P. 1–20. https://doi.org/10.3390/d14010022
  31. Billen W., 2007. Diaphania perspectalis (Lepidoptera: Pyralidae) – a new moth in Europe // Mitt. Entomol. Ges. Basel. V. 57. P. 135–137.
  32. Booth T.H., Nix H.A., Busby J.R., Hutchinson M.F., 2014. BIOCLIM: The first species distribution modelling package, its early applications and relevance to most current MAXENT studies // Divers. Distrib. V. 20. № 1. P. 1–9. https://doi.org/10.1111/ddi.12144
  33. Bras A., Avtzis D.N., Kenis M., Li H., Vétek G., et al., 2019. A complex invasion story underlies the fast spread of the invasive box tree moth (Cydalima perspectalis) across Europe // J. Pest Sci. № 92. P. 1187–1202. https://doi.org/10.1007/s10340-019-01111-x
  34. Brown J.L., Carnaval A.C., 2019. A tale of two niches: Methods, concepts, and evolution // Front. Biogeogr. V. 11. № 4. Art. e44158. https://doi.org/10.21425/F5FBG44158
  35. Canelles Q., Bassols E., Vayreda J., Brotons L., 2021. Predicting the potential distribution and forest impact of the invasive species Cydalima perspectalis in Europe // Ecol. Evol. V. 10. № 11. P. 5713–5727. https://doi.org/10.1002/ece3.7476
  36. Carpenter G., Gillison A.N., Winter J., 1993. DOMAIN: A flexible modelling procedure for mapping potential distributions of plants and animals // Biodivers. Conserv. V. 2. P. 667–680. https://doi.org/10.1007/BF00051966
  37. Chawla N.V., Bowyer K.W., Hall L.O., Kegelmeyer P.W., 2002. SMOTE: Synthetic minority over-sampling technique // J. Artif. Intell. Res. V. 16. P. 321–357. https://doi.org/10.1613/jair.953
  38. Chen T., Guestrin C., 2016. XGBoost: a scalable tree boosting system // Proc. 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. N.-Y.: Association for Computing Machinery. P. 785–794. https://doi.org/10.1145/2939672.2939785
  39. Di Domenico F., Lucchese F., Magri D., 2011. Late glacial and Holocene history of Buxus sempervirens L. in Italy // Annali di Botanica. V. 1. P. 45–58.
  40. Di Domenico F., Lucchese F., Magri D., 2012. Buxus in Europe: Late Quaternary dynamics and modern vulnerability // Perspect. Plant Ecol. Evol. Syst. V. 14. P. 354–362. https://doi.org/10.1016/j.ppees.2012.07.001
  41. Drake J.M., Bossenbroek J.M., 2004. The potential distribution of zebra mussels in the United States // Bioscience. V. 10. № 54. P. 931–941. https://doi.org/10.1641/0006-3568(2004)054[0931: TPDOZM]2.0.CO;2
  42. Eckert S., Hamad A., Kilawe C.J., Linders T.E.W., et al., 2020. Niche change analysis as a tool to inform management of two invasive species in Eastern Africa // Ecosphere. V. 11. № 2. Art. e02987. https://doi.org/10.1002/ecs2.2987
  43. Esmaeilnezhad K., Mehrjerdi M., Ghorbanzadeh M., 2020. Genetic diversity and structure of Buxus hyrcana (Pojark) populations in the Caspian forests of northern Iran revealed by ISSR markers // Biologia. V. 75. № 2. P. 917–926. https://doi.org/10.2478/s11756-020-00445-7
  44. Feldtrauer J.F., Feldtrauer J.J., Brua C., 2009. Premiers signalements en France de la Pyrale du Buis Diaphania perspectalis (Walker, 1859), espèce exotique envahissante s’ attaquant aux Buis (Lepidoptera, Crambidae) // Bull. Soc. Entomol. Mulhouse. V. 65. P. 55–58.
  45. Feng L., Zhou L., Zhang T., Wang X., 2023. Niche dynamics below the species level: Evidence from evaluating niche shifts within Quercus aquifolioides // Forests. V. 690. № 14. P. 1–14. https://doi.org/10.3390/f14040690
  46. Fick S., Hijmans R., 2017. WorldClim 2: New 1-km spatial resolution climate surfaces for global land areas // Int. J. Climatol. V. 37. № 12. P. 4302–4315. https://doi.org/10.1002/joc.5086
  47. Franklin J., 2009. Mapping Species Distributions. Spatial Inference and Prediction. Cambridge: Cambridge Univ. Press. 320 p.
  48. Gaston K.J., 2003. The Structure and Dynamics of Geographic Ranges. Oxford: Oxford Univ. Press. 266 p.
  49. GBIF.org, 2020. (4 August 2020) GBIF Occurrence Download. https://doi.org/10.15468/dl.prq93v
  50. Graham C., 2005. Niche conservatism: Integrating evolution, ecology, and conservation biology // Annu. Rev. Ecol. Evol. Syst. V. 36. P. 519–539. https://doi.org/10.1146/annurev.ecolsys.36.102803.095431
  51. Guo Q., Kelly M., Graham C.H., 2005. Support vector machines for predicting distribution of Sudden Oak Death in California // Ecol. Model. V. 182. № 1. P. 75–90. https://doi.org/10.1016/j.ecolmodel.2004.07.012
  52. Hampson G.F., 1896. The Fauna of British India, Including Ceylon and Burma. Moths. V. III. L.: Taylor & Francis. 546 p.
  53. Hanberry B., He H., Palik B., 2012. Pseudoabsence generation strategies for species distribution models // PloS One. V. 7. № 8. Art. e44486. https://doi.org/10.1371/journal.pone.0044486
  54. Harris I., Osborn T.J., Jones P., Lister D., 2020. Version 4 of the CRU TS monthly high-resolution gridded multivariate climate dataset // Sci. Data. V. 7. Art. 109. https://doi.org/10.1038/s41597-020-0453-3
  55. Hughes L., Cawsey E.M., Westoby M., 1996. Geographic and climatic range sizes of Australian eucalypts and a test of Rapoport’s rule // Global Ecol. Biogeogr. Lett. V. 5. № 3. P. 128–142. https://doi.org/10.2307/2997395
  56. Inoue H., Sugi S., Kuroko H., Moriuti S., Kawabe A., Owada M., 1982. Pyralidae. Moths of Japan. Tokyo: Kodansha. 1519 p.
  57. Kenis M., Nacambo S., Leuthardt F.L.G., Di Domenico F., Haye T., 2013. The box tree moth, Cydalima perspectalis, in Europe: Horticultural pest or environmental disaster? // Aliens. V. 33. P. 38–41.
  58. Krüger E.O., 2008. Glyphodes perspectalis (Walker, 1859) – neu für die Fauna Europas (Lepidoptera: Crambidae) // Entomol. Zeitschrift. V. 118. № 2. P. 81–83.
  59. Laz B., Ok T., Kocaçınar F., 2022. İstilaci Şimşir Güvesi (Cydalima perspectalis (Walker) (Lepidoptera: Crambidae, Spilomelinae)’Nin Türkiye’nin Doğu Akdeniz Bölgesinde Uzun Yaprakli Şimşir (Buxus balearica) Türü Üzerindeki Zararina İlişkin İlk Tespitler // ArtGRID. V. 4. № 2. P. 151–159. https://doi.org/10.57165/artgrid.1178575
  60. Lemaître G., Nogueira F., Aridas C.K., 2017. Imbalanced-learn: A Python toolbox to tackle the curse of imbalanced datasets in machine learning // J. Mach. Learn. Res. V. 18. № 17. P. 1–5.
  61. Liu F.T., Ting K.M., Zhou Z.-H., 2008. Isolation forest // 2008 Eighth IEEE International Conference on Data Mining, Pisa, Italy. Los Alamitos: IEEE. P. 413–422. https://doi.org/10.1109/ICDM.2008.17
  62. Liu X.-Y., Wu J., Zhou Z.-H., 2009. Exploratory undersampling for class-imbalance learning // IEEE Trans. Syst. Man. Cybern. B. Cybern. V. 39. № 2. P. 539–550. https://doi.org/10.1109/TSMCB.2008.2007853
  63. Lokoshchenko M.A., 2014. Urban ‘heat island’ in Moscow // Urban Climate. V. 10. Pt 3. P. 550–562. https://doi.org/10.1016/j.uclim.2014.01.008
  64. Mack B., Roscher R., Waske B., 2014. Can I trust my one-class classification? // Remote Sensing. V. 6. № 9. P. 8779–8802. https://doi.org/10.3390/rs6098779
  65. Mally R., Nuss M., 2010. Phylogeny and nomenclature of the box tree moth, Cydalima perspectalis (Walker, 1859) comb. n., which was recently introduced into Europe (Lepidoptera: Pyraloidea: Crambidae: Spilomelinae) // Eur. J. Entomol. V. 107. № 3. P. 393–400. https://doi.org/10.14411/eje.2010.048
  66. Maruyama T., Shinkaji N., 1991. The life cycle of the box-tree pyralid, Glyphodes perspectalis (Walker) (Lepidoptera: Pyralidae) // Japanese J. Appl. Entomol. Zool. V. 35. № 3. P. 221–230. https://doi.org/10.1303/jjaez.35.221
  67. Mason L., Baxter J., Bartlett P.L., Frean M., 1999. Boosting algorithms as gradient descent // Advances in Neural Information Processing Systems. V. 12 / Eds Solla S., Leen T., Müller K. Cambridge: MIT Press. P. 512–518.
  68. Mateo R., Croat T., Felicisimo A., Muñoz J., 2010. Profile or group discriminative techniques? Generating reliable species distribution models using pseudo-absences and target-group absences from natural history collections // Divers. Distrib. V. 16. № 1. P. 84–94. https://doi.org/10.1111/j.1472-4642.2009.00617.x
  69. Matsiakh I., Kramarets V., Mamadashvili G., 2018. Box tree moth Cydalima perspectalis as a threat to the native populations of Buxus colchica in Republic of Georgia // J. Entomol. Res. Soc. V. 20. № 2. P. 29–42.
  70. Min T., Brückner P., 2008. Buxaceae // Flora of China. V. 11. Beijing: Science Press & St. Louis: Missouri Botanical Garden Press. P. 321–332.
  71. Mitchell R., Chitanava S., Dbar R., Kramarets V., Lehtijärvi A., et al., 2018. Identifying the ecological and societal consequences of a decline in Buxus forests in Europe and the Caucasus // Biol. Invasions. V. 20. P. 3605–3620. https://doi.org/10.1007/s10530-018-1799-8
  72. Muus T.S.T., Haaften E.-J., van, Deventer L.J., van, 2009. De buxusmot Palpita perspectalis (Walker) in Nederland (Lepidoptera: Crambidae) // Entomol. Berichten. V. 69. P. 66–67.
  73. Nacambo S., Leuthardt F.L., Wan H., Li H., Haye T., et al., 2014. Development characteristics of the box tree moth Cydalima perspectalis and its potential distribution in Europe // J. Appl. Entomol. V. 138. № 1–2. P. 14–26. https://doi.org/10.1111/jen.12078
  74. Noumir Z., Honeine P., Richard C., 2012. On simple one-class classification methods // IEEE International Symposium on Information Theory Proceedings. Cambridge: IEEE. P. 2022–2026. https://doi.org/10.1109/ISIT.2012.6283685
  75. Peterson A., 1999. Conservatism of ecological niches in evolutionary time // Science. V. 285. № 5431. P. 1265–1267. https://doi.org/10.1126/science.285.5431.1265
  76. Peterson A., 2011. Ecological niche conservatism: A time-structured review of evidence // J. Biogeogr. V. 38. № 5. P. 817–827. https://doi.org/10.1111/j.1365-2699.2010.02456.x
  77. Peterson A.T., 2014. Mapping Disease Transmission Risk. Enriching Models Using Biogeography and Ecology. Baltimore: John Hopkins Univ. Press. 210 p. https://doi.org/10.3201/eid2108.150665
  78. Peterson A.T., Soberón J., Pearson R.G., Anderson R.P., Martínez-Meyer E., et al., 2011. Ecological Niches and Geographic Distributions. Princeton; Oxford: Princeton Univ. Press. 314 p. https://doi.org/10.1515/9781400840670
  79. Petrosyan V., Osipov F., Feniova I., Dergunova N., Warshavsky A., et al., 2023. The TOP-100 most dangerous invasive alien species in Northern Eurasia: Invasion trends and species distribution modelling // NeoBiota. V. 82. P. 23–56. https://doi.org/10.3897/neobiota.82.96282
  80. Phillips S.J., Anderson R.P., Schapire R.E., 2006. Maximum entropy modeling of species geographic distributions // Ecol. Model. V. 190. № 3–4. P. 231–259. https://doi.org/10.1016/j.ecolmodel.2005.03.026
  81. Phillips S., Dudík M., Schapire R.E., 2004. A maximum entropy approach to species distribution modeling // ICML ‘04: Proceedings of the Twenty-First International Conference on Machine Learning. N.-Y.: Association for Computing Machinery. P. 83. https://doi.org/10.1145/1015330.1015412
  82. PictureThis, 2023. Online Plant Encyclopedia and Common Popular Plants. https://www.picturethisai.com/wiki
  83. Radosavljevic A., Anderson R.P., 2014. Making better Maxent models of species distributions: complexity, overfitting and evaluation // J. Biogeogr. V. 41. P. 629–643. https://doi.org/10.1111/jbi.12227
  84. Senay S.D., Worner S.P., Ikeda T., 2013. Novel three-step pseudo-absence selection technique for improved species distribution modelling // PloS One. V. 8. № 8. Art. e71218. https://doi.org/10.1371/journal.pone.0071218
  85. Sillero N., Arenas-Castro S., Enriquez-Urzelai U., Vale C.G., Sousa-Guedes D., et al., 2021. Want to model a species niche? A step-by-step guideline on correlative ecological niche modelling // Ecol. Model. V. 456. № 15. Art. 109671. https://doi.org/10.1016/j.ecolmodel.2021.109671
  86. Slamka F., 2022. Pyraloidea (Lepidoptera) of Central Europe: Identification, Distribution, Habitat, Biology. Iver: Pemberley Natural History Books BA, ABA. 176 p.
  87. Soberón J., 2007. Grinnellian and Eltonian niches and geographic distributions of species // Ecol. Lett. V. 10. № 12. P. 1115–1123. https://doi.org/10.1111/j.1461-0248.2007.01107.x
  88. Srivastava V., Lafond V., Griess V.C., 2019. Species distribution models (SDM): Applications, benefits and challenges in invasive species management // CABI Rev. V. 14. № 20. P. 1–13. https://doi.org/10.1079/PAVSNNR201914020
  89. Stoica A., 2018. An interpretation of multi-model future climate predictions for BIOCLIM variables in Romania // Contribuţii Botanice. V. 53. P. 89–109.
  90. Wan H., Haye T., Kenis M., Nacambo S., Xu H., et al., 2014. Biology and natural enemies of Cydalima perspectalis in Asia: Is there biological control potential in Europe? // J. Appl. Entomol. V. 138. № 10. P. 715–722. https://doi.org/10.1111/jen.12132
  91. Wang S., Liu Q., Zhu E., Porikli F., Yin J., 2018. Hyperparameter selection of one-class support vector machine by self-adaptive data shifting // Pattern Recognit. V. 74. P. 198–211. https://doi.org/10.1016/j.patcog.2017.09.012
  92. Wang X., Jiang Y., Wu W., He X., Wang Z. et al., 2023a. Cryptosporidiosis threat under climate change in China: Prediction and validation of habitat suitability and outbreak risk for human-derived Cryptosporidium based on ecological niche models // Infect. Dis. Poverty. V. 12. № 35. P. 1–15. https://doi.org/10.1186/s40249-023-01085-0
  93. Wang X., Xu Q., Liu J., 2023b. Determining representative pseudo-absences for invasive plant distribution modeling based on geographic similarity // Front. Ecol. Evol. V. 11. Art. 1193602. https://doi.org/10.3389/fevo.2023.1193602
  94. Warren D.L., Glor R.E., Turelli M., 2008. Environmental niche equivalency versus conservatism: Quantitative approaches to niche evolution // Evolution. V. 62. № 11. P. 2868–2883. https://doi.org/10.1111/j.1558-5646.2008.00482.x
  95. Wisz M.S., Guisan A., 2009. Do pseudo-absence selection strategies influence species distribution models and their predictions? An information-theoretic approach based on simulated data // BMC Ecol. V. 9. Art. 8. https://doi.org/10.1186/1472-6785-9-8
  96. Xie C., Chen L., Li M., Liu D., Jim C.Y., 2023. Spatial–temporal distribution pattern of Ormosia hosiei in Sichuan under different climate scenarios // Forests. V. 14. № 6. Art. 1261. https://doi.org/10.3390/f14061261
  97. Zhang H., Zheng S., Huang T., Liu J., Yue J., 2023. Estimation of potential suitable habitats for the relict plant Euptelea pleiosperma in China via comparison of three niche models // Sustainability. V. 15. № 14. Art. 11035. https://doi.org/10.3390/su151411035
  98. Zhang J.P., Mani I., 2003. KNN approach to unbalanced data distributions: A case study involving information extraction // Proc. Int. Conf. on Machine Learning (ICML 2003). Workshop on Learning from Imbalanced Data Sets. Washington: ICML. P. 1–7.
  99. Zurell D., Franklin J., König C., Bouchet P.J., Dormann C.F., et al., 2020. A standard protocol for reporting species distribution models // Ecography. V. 43. № 9. P. 1261–1277. https://doi.org/10.1111/ecog.04960

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Точки обнаружения C. perspectalis, использованные в данном исследовании: а – пространственное распределение точек обнаружения C. perspectalis, б–д – распределение точек обнаружения C. perspectalis в пространстве главных компонент шести биоклиматических параметров на разных стадиях их улучшения (б – изначальный набор данных, в – данные после воздействия алгоритмом SMOTE на локусы из восточно-инвазионной части ареала, г и д – данные после воздействия алгоритмом SMOTE на локусы из нативной части ареала в пространстве двух и трех главных компонент соответственно). Условные обозначения: 1 – западно-инвазионная часть ареала, 2 – восточно-инвазионная часть ареала, 3 – нативная часть ареала.

Скачать (1MB)
Метаданные
3. Рис. 2. Карты модельного евразийского климатического ареала C. perspectalis: а – карта дискретной модели климатического ареала (ареал отрисован красным цветом), б и в – карты вероятностной модели нативной и инвазионной частей климатического ареала соответственно. Внизу – шкала вероятности принадлежности территории к модельному климатическому ареалу. Символом “+” обозначены фактические точки обнаружения C. perspectalis в Евразии.

Скачать (1MB)
Метаданные

© Российская академия наук, 2024