Suche nach Personen

plus im Publikationsserver
plus bei Google Scholar

Bibliografische Daten exportieren
 

Predictive ability of a process-based versus a correlative species distribution model

DOI zum Zitieren der Version auf EPub Bayreuth: https://doi.org/10.15495/EPub_UBT_00005644
URN zum Zitieren der Version auf EPub Bayreuth: urn:nbn:de:bvb:703-epub-5644-3

Titelangaben

Higgins, Steven I. ; Larcombe, Matthew J. ; Beeton, Nicholas J. ; Conradi, Timo ; Nottebrock, Henning:
Predictive ability of a process-based versus a correlative species distribution model.
In: Ecology and Evolution. Bd. 10 (2020) Heft 20 . - S. 11043-11054.
ISSN 2045-7758
DOI der Verlagsversion: https://doi.org/10.1002/ece3.6712

Volltext

[thumbnail of ece3.6712.pdf]
Format: PDF
Name: ece3.6712.pdf
Version: Veröffentlichte Version
Verfügbar mit der Lizenz Creative Commons BY 4.0: Namensnennung
Download (2MB)

Angaben zu Projekten

Projekttitel:
Offizieller Projekttitel
Projekt-ID
EMSAfrica
01LL1801A
Open Access Publizieren
Ohne Angabe

Projektfinanzierung: Bundesministerium für Bildung und Forschung

Abstract

Species distribution modeling is a widely used tool in many branches of ecology and evolution. Evaluations of the transferability of species distribution models—their ability to predict the distribution of species in independent data domains—are, however, rare. In this study, we contrast the transferability of a process-based and a correlative species distribution model. Our case study uses 664 Australian eucalypt and acacia species. We estimate models for these species using data from their native Australia and then assess whether these models can predict the adventive range of these species. We find that the correlative model—MaxEnt—has a superior ability to describe the data in the training data domain (Australia) and that the process-based model—TTR-SDM—has a superior ability to predict the distribution of the study species outside of Australia. The implication of this analysis, that process-based models may be more appropriate than correlative models when making projections outside of the domain of the training data, needs to be tested in other case studies.

Weitere Angaben

Publikationsform: Artikel in einer Zeitschrift
Keywords: ecological niche model; extrapolation; invasive species; MaxEnt; mechanistic models; model transferability; TTR-SDM
Themengebiete aus DDC: 500 Naturwissenschaften und Mathematik > 580 Pflanzen (Botanik)
Institutionen der Universität: Fakultäten > Fakultät für Biologie, Chemie und Geowissenschaften > Fachgruppe Biologie > Lehrstuhl Pflanzenökologie > Lehrstuhl Pflanzenökologie - Univ.-Prof. Dr. Steven Ian Higgins
Fakultäten
Fakultäten > Fakultät für Biologie, Chemie und Geowissenschaften
Fakultäten > Fakultät für Biologie, Chemie und Geowissenschaften > Fachgruppe Biologie
Fakultäten > Fakultät für Biologie, Chemie und Geowissenschaften > Fachgruppe Biologie > Lehrstuhl Pflanzenökologie
Sprache: Englisch
Titel an der UBT entstanden: Ja
URN: urn:nbn:de:bvb:703-epub-5644-3
Eingestellt am: 31 Mai 2021 08:22
Letzte Änderung: 31 Mai 2021 08:25
URI: https://epub.uni-bayreuth.de/id/eprint/5644

Downloads

Downloads pro Monat im letzten Jahr