Patrón de escala de ocupación

En ecología espacial y macroecología , el patrón de escala de ocupación ( SPO ), también conocido como área de ocupación ( AOO ), es la forma en que cambia la distribución de las especies en las escalas espaciales. En geografía física y análisis de imágenes , es similar al problema de la unidad de área modificable . Simon A. Levin (1992) ^[1] afirma que el problema de relacionar fenómenos en las distintas escalas es el problema central en biología y en toda la ciencia . Por lo tanto, comprender el SPO es un tema central en ecología.

Este patrón se representa a menudo como grano transformado logarítmicamente (tamaño de celda) versus ocupación transformada logarítmicamente. Kunin (1998) ^[2] presentó una SPO lineal logarítmicamente-logarítmica y sugirió una naturaleza fractal para las distribuciones de especies. Desde entonces se ha demostrado que sigue una forma logística , lo que refleja un proceso de percolación . Además, la SPO está estrechamente relacionada con la relación ocupación-abundancia intraespecífica . Por ejemplo, si los individuos se distribuyen aleatoriamente en el espacio, el número de individuos en una celda de tamaño α sigue una distribución de Poisson , con una ocupación de P _α  = 1 − exp(− μα ), donde μ es la densidad. ^[3] Claramente, P _α en este modelo de Poisson para individuos distribuidos aleatoriamente también es la SPO. También se pueden aplicar otras distribuciones de probabilidad, como la distribución binomial negativa , para describir la SPO y la relación ocupación-abundancia para individuos distribuidos de forma no aleatoria. ^[4]

Otros modelos de ocupación-abundancia que pueden utilizarse para describir la SPO incluyen el modelo exponencial de Nachman, ^{[5] el modelo de} metapoblación de Hanski y Gyllenberg , ^[6] el modelo binomial negativo mejorado de He y Gaston ^{[7] al aplicar} la ley de potencia de Taylor entre la media y la varianza de la distribución de especies, ^[8] y el modelo de percolación de cola caída de Hui y McGeoch. ^[9] Una aplicación importante de la SPO en ecología es estimar la abundancia de especies basándose en datos de presencia-ausencia, o solo en la ocupación. ^[10] Esto es atractivo porque la obtención de datos de presencia-ausencia suele ser rentable. Utilizando una prueba de dipswitch que consta de 5 subpruebas y 15 criterios, Hui et al. ^[11] confirmaron que el uso de la SPO es robusto y confiable para la estimación de la abundancia regional a escala de ensamblaje. La otra aplicación de las SPO incluye la identificación de tendencias en poblaciones, lo que es extremadamente valioso para la conservación de la biodiversidad . ^[12]

Los modelos que brindan explicaciones al patrón de escalamiento observado de la ocupación incluyen el modelo fractal , el modelo de escala cruzada y el modelo de estimación bayesiano. El modelo fractal se puede configurar dividiendo el paisaje en cuadrantes de diferentes tamaños, ^{[13] [14]} o bisecándolo en cuadrículas con una relación especial entre el ancho y el largo (2:1), ^{[15] [16]} y produce el siguiente SPO:

${\displaystyle P_{a}=P_{0}a^{D/2-1}\,}$

donde D es la dimensión fractal de conteo de cajas. Si durante cada paso un cuadrante se divide en q subcuadrantes, encontraremos que una porción constante ( f ) de subcuadrantes también está presente en el modelo fractal, es decir, D  = 2(1 + log  ƒ /log  q ). Dado que esta suposición de que f es independiente de la escala no siempre es el caso en la naturaleza, ^[17] se puede asumir una forma más general de ƒ , ƒ  =  q ^{− λ} ( λ es una constante), que produce el modelo de escala cruzada: ^[18]

${\displaystyle P_{a_{j}}=f_{0}f_{1}\cdots f_{j}.\,}$

El modelo de estimación bayesiano sigue una forma de pensar diferente. En lugar de proporcionar el modelo de mejor ajuste como se indicó anteriormente, la ocupación en diferentes escalas se puede estimar mediante la regla bayesiana basándose no solo en la ocupación sino también en la autocorrelación espacial en una escala específica. Para el modelo de estimación bayesiano, Hui et al. ^[19] proporcionan la siguiente fórmula para describir las estadísticas de SPO y de recuento de uniones de la autocorrelación espacial:

${\displaystyle p\,{(4a)_{+}}=1-{\frac {{\Omega }^{4}}{\mho }}}$

${\displaystyle q\,{(4a)_{+/+}}={\frac {{\Omega }^{10}-2\,{\Omega }^{4}\,{\mho }^{ 2}+{\mho }^{3}}{{\mho }^{2}\,\left(-{\Omega }^{4}+\mho \right)}}}$

donde Ω =  p ( a ) ₀  −  q ( a ) _0/+ p ( a ) ₊ y  =  p ( a ) ₀ (1 −  p ( a ) ₊ ² (2 q ( a ) _+/+  − 3) + p(a) ₊ ( q ( a ) _+/+ ²  − 3)). p ( a ) ₊ es la ocupación; q ( a ) _+/+ es la probabilidad condicional de que un cuadrante adyacente elegido aleatoriamente de un cuadrante ocupado también esté ocupado. La probabilidad condicional q ( a ) _0/+  = 1 −  q ( a ) _+/+ es la probabilidad de ausencia en un cuadrante adyacente a uno ocupado; a y 4 a son los granos. El código R del modelo de estimación bayesiano se ha proporcionado en otra parte. El punto clave del modelo de estimación bayesiano es que el patrón de escala de la distribución de las especies, medido por la ocupación y el patrón espacial, se puede extrapolar a través de escalas. Más adelante, Hui ^[20] proporciona el modelo de estimación bayesiano para escalas que cambian continuamente: ${\estilo de visualización \mho}$

${\displaystyle P_{a}=1-bc^{2a^{1/2}}h^{a}\,}$

donde b , c y h son constantes. Este SPO se convierte en el modelo de Poisson cuando b  =  c  = 1. En el mismo artículo, el modelo bayesiano también proporcionó el patrón de escala de la autocorrelación espacial de conteo de uniones y la asociación de múltiples especies (o coocurrencia ), lo que sugiere que " el modelo bayesiano puede captar la esencia estadística de los patrones de escala de especies " .

La probabilidad de extinción de especies y colapso de ecosistemas aumenta rápidamente a medida que disminuye el tamaño de la distribución. En protocolos de evaluación de riesgos como la Lista Roja de Especies de la UICN o la Lista Roja de Ecosistemas de la UICN , el área de ocupación (AOO) se utiliza como una medida estandarizada, complementaria y ampliamente aplicable de la dispersión del riesgo frente a amenazas espacialmente explícitas. ^{[21] [22]}