Improved Ecological Niche Modelling of Nothofagus pumilio in the Southern Andes

Abstract

Hochgebirgsregionen zählen zu den besonders vulnerablen Ökosystemen, die in besonderem Maße vom globalen Klimawandel betroffen sind. Eine Veränderungen ist der potenzielle Anstieg der alpinen Baumgrenze. Auch in den südlichen Anden ist die Baumgrenze von klimabedingten Veränderungen betroffen. Bisher wurden das radiale Wachstum sowie das Aufkommen und Überleben von Keimlingen der baumgrenzbildenden Art Nothofagus pumilio vor allem in kleinräumigen, dendrochronologischen und experimentellen Studien untersucht, die lokale Temperatur- und Niederschlagsmuster berücksichtigen. Ecological Niche Modelling (ENM) erlaubt dagegen eine flächenhafte Analyse aktueller Verbreitungsmuster und potenzieller zukünftiger Veränderungen über das gesamte Verbreitungsgebiet der Art. Entsprechende Modellstudien zu N. pumilio liegen jedoch bislang nicht vor. Ein wesentlicher Grund dafür liegt in der begrenzten Verfügbarkeit valider und möglichst unverzerrter Vorkommensdaten. Studien, die Daten durch Feldforschung in situ erheben, sind oftmals kosten- und zeitintensiv, insbesondere in schwer zugänglichen Hochgebirgsregionen. Daher wird häufig auf globale Biodiversitätsdatenbanken wie die Global Biodiversity Information Facility (GBIF) zurückgegriffen, die jedoch Daten mit räumlichem und zeitlichem Bias enthalten können. Ein Großteil der in solchen Datenbanken enthaltenen Daten stammt aus Citizen-Science-Projekten, bei denen Nicht-Expert:innen z.B. mit Hilfe von Smartphones Artvorkommen erfassen. Dieses Vorgehen erlaubt eine schnelle und kostengünstige Datensammlung, weist jedoch räumliche Verzerrungen auf, da Beobachtungen vor allem in urbanen oder touristisch erschlossenen Regionen erfolgen und somit kein vollständiges Bild der tatsächlichen Verbreitung von Arten liefern. Fernerkundungsmethoden stellen eine vielversprechende Alternative zur herkömmlichen Felddatenerhebung dar, da sie die Erfassung von Artvorkommen auch in abgelegenen und schwer zugänglichen Regionen ermöglichen. Allerdings ist eine Validierung der fernerkundungsbasierten Ergebnisse erforderlich, um sicherzustellen, dass die jeweilige Art tatsächlich in den identifizierten Gebieten vorkommt (Ground Truthing). Hierfür sind wiederum in-situ-Daten notwendig. In jüngerer Zeit rücken Soziale Medien zunehmend in den Fokus, da sie eine hohe globale Reichweite aufweisen und die Zahl georeferenzierter Beiträge stetig zunimmt. Diese Inhalte bieten ein bislang wenig genutztes Potenzial zur Generierung von Vorkommensdaten. Ziel der vorliegenden Arbeit mit dem Titel „Improved Ecological Niche Modelling of Nothofagus pumilio in the Southern Andes“ ist es, die derzeitige und zukünftige potenzielle Verbreitung von N. pumilio in den südlichen Anden mit Hilfe eines ENM-Ansatzes zu modellieren und somit die bestehende Forschungslücke zu schließen. Dabei wurde durch die Optimierung der Eingangsdaten und den Einsatz von Machine-Learning-Algorithmen ein verbesserter ENM-Ansatz entwickelt. Die Studie erfolgte in zwei Schritten: Zunächst wurde das Potential von Sozialen Medien für die Erhebung von Artvorkommen getestet und ein neuartiger „Instagram ground truthing approach“ (IGTA) entwickelt, der auf der Auswertung von Instagram-Beiträgen basiert (Publikation I und II). Dabei wurden Vorkommensdaten generiert, die einen geringeren räumlichen Bias aufweisen als klassische GBIF-Daten. Die IGTA-Punkte wurden anschließend zum Ground Truthing von Fernerkundungsdaten über das gesamte Verbreitungsgebiet der Art genutzt. Die zwei daraus resultierenden Datensätze gingen abschließend in die Modellierung ein (Publikation III und IV). Aufgrund der hohen globalen Reichweite mit zwei Milliarden Nutzern weltweit und der Fokussierung auf Bildinhalte eignet sich Instagram besonders für die Erhebung georeferenzierter Beobachtungen. Auf Basis eines klar definierten Kriterienkatalogs wurden Bilder ausgewählt, auf denen N. pumilio eindeutig identifizierbar war und deren Standort anhand von Landschaftsmerkmalen lokalisiert werden konnte. Insgesamt wurden 1.238 Vorkommenspunkte manuell georeferenziert. Aufgrund der hohen Anzahl verfügbarer Instagram-Beiträge konnten Vorkommen über das gesamte Verbreitungsgebiet hinweg erfasst werden. Eine Bias-Analyse mit dem R-Package „sampbias“ zeigte, dass die IGTA-Daten weniger stark in Richtung urbaner Zentren verzerrt sind als GBIF-Daten. Anschließend dienten die IGTA-Daten als Referenz zum Ground Truthing von Fernerkundungsdaten, die über eine Klassifikation (supervised classification) von Sentinel-2-Level-2A-Daten generiert wurden. Dadurch entstanden zwei Vorkommensdatensätze, der IGTA-Punktdatensatz und die Sentinel-2-Rasterdaten, die für die Modellierung genutzt werden können. Zur Modellierung wurde der Machine-Learning-Algorithmus Random Forest (RF) eingesetzt, der sich durch eine hohe Vorhersagekraft und gute Interpretierbarkeit auszeichnet. Zudem eignet er sich sowohl für die punktbasierten IGTA-Daten als auch für die kontinuierlichen Rasterdaten, wodurch ein direkter Vergleich beider Ansätze möglich war. Für den IGTA-Punktdatensatz wurde ein RF-Klassifikationsmodell, für die Rasterdaten ein RF-Regressionsmodell berechnet. Zur Erfassung der ökologischen Nische dienten die bioklimatischen Variablen von CHELSA als Prädiktoren. Beide Modelle lieferten valide Projektionen der potenziellen gegenwärtigen und zukünftigen Verbreitung der Art. Es zeigte sich eine potenzielle Verschiebung des Verbreitungsgebiets in höhere Lagen sowie ein Rückgang in trockeneren Regionen, insbesondere in Nordpatagonien. Diese Ergebnisse stimmen mit denen aus der Literatur überein, wonach die Art von höheren Temperaturen in Gebieten mit ausreichend Niederschlag profitiert, während es in trockenen Gebieten zu Dürren und zum Rückgang der Art kommt. Der Vergleich beider Modellansätze zeigte, dass die Raster-Vorkommensdaten zu einer aussagekräftigeren Variableninterpretation und vor allem zu einer besseren räumlichen Vorhersage führten. Der Einsatz Sozialer Medien zur Erfassung von Vorkommensdaten stellt eine innovative Methode mit großem Potenzial für großräumige ökologische Analysen dar. Der IGTA verbindet die Vorteile von Citizen Science, wie schnelle und kostengünstige Datenerhebung, mit einer deutlichen Reduktion der damit häufig verbundenen Verzerrungen. Obwohl die manuelle Bildauswertung noch aufwändig ist, bieten automatisierte Schnittstellen (APIs) und KI-basierte Erkennungsverfahren künftig großes Potenzial zur Effizienzsteigerung. Während die Nutzung von Fernerkundungsdaten zur Ableitung von Umweltvariablen im ENM bereits etabliert ist, sollte auch die Erfassung von Vorkommensdaten aus Fernerkundung künftig weiterentwickelt werden, durch die sich modellgestützte Aussagen für geeignete Arten deutlich verbessern lassen. Die vorliegende Arbeit präsentiert einen innovativen ENM-Ansatz für N. pumilio und schließt eine bislang bestehende Forschungslücke in der Modellierung klimabedingter Veränderungen an der Baumgrenze in den südlichen Anden.

High mountain regions are among the most vulnerable ecosystems and are particularly affected by global climate change. One consequence is the potential upward shift of the alpine treeline. In the Southern Andes, the treeline is likewise influenced by climate-related factors. To date, radial growth, seedling emergence and survival of the treeline species Nothofagus pumilio have mainly been studied in small-scale dendrochronological or experimental studies that consider local temperature and precipitation patterns. In contrast, Ecological Niche Modelling (ENM) allows for comprehensive analyses of current distribution patterns and potential future changes across the entire study area. However, corresponding ENM studies for N. pumilio are currently lacking. One major reason is the limited availability of valid and non-biased species occurrence data. The sampling of in situ observations through fieldwork is often time-consuming and costly, especially in remote high mountain regions. Consequently, global biodiversity databases such as the Global Biodiversity Information Facility (GBIF) are frequently used, despite the fact that they may contain data with spatial and temporal biases. A significant proportion of the data in such databases originates from Citizen Science (CS) projects, in which non-experts collect species occurrence data for example by using smartphones. While this approach allows for fast and cost-effective data sampling, it introduces spatial bias, as observations are predominantly recorded in urban or tourist areas, resulting in incomplete representations of species’ actual distributions. Remote sensing provides a promising alternative to traditional fieldwork, as it enables species detection even in inaccessible and remote regions. However, validation of remote sensing results is required to confirm that the target species actually occurs in the identified areas (ground truthing). This, in turn, requires in situ observations. Recently, social media has gained increasing attention in biodiversity research due to its global reach and the increasing number of georeferenced posts. These sources offer untapped potential for generating occurrence data. The aim of this thesis, entitled “Improved Ecological Niche Modelling of Nothofagus pumilio in the Southern Andes,” is to model the potential current and future distribution of N. pumilio in the Southern Andes using an ENM approach. By optimising input data and incorporating machine learning algorithms, an improved modelling framework was developed. The study was conducted in two main steps: first, the potential of social media for species occurrence data sampling was explored through the development of a novel “Instagram ground truthing approach” (IGTA) (Publication I and II). This approach generated occurrence points with reduced spatial bias compared to conventional GBIF data. The IGTA points were then used to validate remote sensing data across the entire distribution range of the species (ground truthing). Second, the two resulting datasets were used for ENM (Publications III and IV). Due to its global reach with two billion users and its image-based format, Instagram is particularly suitable for collecting georeferenced biodiversity data. Based on a catalogue of specific criteria, images were selected in which N. pumilio was clearly identifiable and the location could be determined using landscape elements. A total of 1,238 occurrence points were manually georeferenced. Due to the large volume of available posts, occurrences could be documented across the entire distribution range of the species. A bias analysis using the R package “sampbias” demonstrated that the IGTA dataset exhibited less spatial bias than GBIF data. The IGTA data were then used to validate remote sensing data derived from supervised classification of Sentinel-2, Level 2A imagery. This process yielded two occurrence datasets, the IGTA point dataset and the Sentinel-2 raster dataset, suitable for use in ENM. For the modelling process, the Random Forest (RF) machine learning algorithm was employed due to its high predictive performance and interpretability. Moreover, RF can be applied to both point-based binary and continuous raster occurrence data, enabling a direct comparison of the two approaches. An RF classification model was developed for the IGTA point dataset, while an RF regression model was created for the continuous raster dataset. CHELSA bioclimatic variables were used as environmental predictors. Both models resulted in valid predictions of the species’ ecological niche and its potential current and future distribution. The results indicate a potential shift of the distribution range to higher elevations and a decline in drier regions, particularly in northern Patagonia. These findings are consistent with existing literature indicating that the species benefits from higher temperatures in areas with sufficient precipitation, whereas population declines due to drought are expected in drier areas. The comparison of both modelling approaches showed that the continuous raster data enabled a more meaningful interpretation of predictor variables and improved spatial predictions. The use of social media for sampling species occurrence data represents an innovative and promising method. The IGTA combines the strengths of CS, such as rapid and cost-effective data collection, with a reduction in spatial bias. Although the manual analysis of posts is time-consuming, the process could be improved through the use of automated processes with Application Programming Interfaces (APIs) or artificial intelligence (AI) in the future. While the use of remote sensing to derive environmental predictors is already well established in ENM, the sampling of species occurrence data through remote sensing also holds considerable potential and should be further developed. For suitable species, this approach can significantly improve model accuracy and ecological interpretability. Therefore, this study presents an improved ENM workflow for N. pumilio and addresses a previously existing research gap.