Published October 16, 2023 | Version v1
Publication Open

Integrating animal tracking datasets at a continental scale for mapping Eurasian lynx habitat

  • 1. Humboldt-Universität zu Berlin
  • 2. Bavarian Forest National Park
  • 3. University of Freiburg
  • 4. Inland Norway University of Applied Sciences
  • 5. Leibniz Institute for Zoo and Wildlife Research
  • 6. Technische Universität Berlin
  • 7. Norwegian Institute for Nature Research
  • 8. University of Ljubljana
  • 9. Czech Academy of Sciences, Institute of Vertebrate Biology
  • 10. Mendel University in Brno
  • 11. Spital Muri
  • 12. University of Lausanne
  • 13. Harz University of Applied Sciences
  • 14. Swedish University of Agricultural Sciences
  • 15. Latvian State Forest Research Institute "Silava"
  • 16. Czech University of Life Sciences Prague
  • 17. Šumava National Park
  • 18. Slovenian Forestry Institute
  • 19. University of Zagreb
  • 20. Mammal Research Institute
  • 21. Polish Academy of Sciences
  • 22. Instituto Venezolano de Investigaciones Científicas
  • 23. University of Tartu
  • 24. Technical University of Zvolen
  • 25. Estonian Environmental Research Center (Estonia)
  • 26. Institute of Nature Conservation

Description

Abstract Aim The increasing availability of animal tracking datasets collected across many sites provides new opportunities to move beyond local assessments to enable detailed and consistent habitat mapping at biogeographical scales. However, integrating wildlife datasets across large areas and study sites is challenging, as species' varying responses to different environmental contexts must be reconciled. Here, we compare approaches for large‐area habitat mapping and assess available habitat for a recolonizing large carnivore, the Eurasian lynx ( Lynx lynx ). Location Europe. Methods We use a continental‐scale animal tracking database (450 individuals from 14 study sites) to systematically assess modelling approaches, comparing (1) global strategies that pool all data for training versus building local, site‐specific models and combining them, (2) different approaches for incorporating regional variation in habitat selection and (3) different modelling algorithms, testing nonlinear mixed effects models as well as machine‐learning algorithms. Results Testing models on training sites and simulating model transfers, global and local modelling strategies achieved overall similar predictive performance. Model performance was the highest using flexible machine‐learning algorithms and when incorporating variation in habitat selection as a function of environmental variation. Our best‐performing model used a weighted combination of local, site‐specific habitat models. Our habitat maps identified large areas of suitable, but currently unoccupied lynx habitat, with many of the most suitable unoccupied areas located in regions that could foster connectivity between currently isolated populations. Main Conclusions We demonstrate that global and local modelling strategies can achieve robust habitat models at the continental scale and that considering regional variation in habitat selection improves broad‐scale habitat mapping. More generally, we highlight the promise of large wildlife tracking databases for large‐area habitat mapping. Our maps provide the first high‐resolution, yet continental assessment of lynx habitat across Europe, providing a consistent basis for conservation planning for restoring the species within its former range.

⚠️ This is an automatic machine translation with an accuracy of 90-95%

Translated Description (Arabic)

يوفر التوافر المتزايد لمجموعات بيانات تتبع الحيوانات التي تم جمعها عبر العديد من المواقع فرصًا جديدة لتجاوز التقييمات المحلية لتمكين رسم خرائط الموائل التفصيلية والمتسقة على المستويات الجغرافية الحيوية. ومع ذلك، فإن دمج مجموعات بيانات الحياة البرية عبر مناطق واسعة ومواقع الدراسة أمر صعب، حيث يجب التوفيق بين استجابات الأنواع المختلفة للسياقات البيئية المختلفة. هنا، نقارن مناهج لرسم خرائط الموائل الكبيرة وتقييم الموائل المتاحة لإعادة استعمار الحيوانات آكلة اللحوم الكبيرة، الوشق الأوراسي ( الوشق ). الموقع أوروبا. الطرق نستخدم قاعدة بيانات لتتبع الحيوانات على نطاق قاري (450 فردًا من 14 موقعًا للدراسة) لتقييم مناهج النمذجة بشكل منهجي، ومقارنة (1) الاستراتيجيات العالمية التي تجمع جميع البيانات للتدريب مقابل بناء نماذج محلية خاصة بالموقع والجمع بينها، (2) مناهج مختلفة لدمج التباين الإقليمي في اختيار الموائل و (3) خوارزميات نمذجة مختلفة، واختبار نماذج التأثيرات المختلطة غير الخطية وكذلك خوارزميات التعلم الآلي. حققت نماذج اختبار النتائج في مواقع التدريب ومحاكاة عمليات نقل النماذج واستراتيجيات النمذجة العالمية والمحلية أداءً تنبؤيًا عامًا مشابهًا. كان أداء النموذج هو الأعلى باستخدام خوارزميات مرنة للتعلم الآلي وعند دمج التباين في اختيار الموائل كدالة على التباين البيئي. استخدم نموذجنا الأفضل أداءً مزيجًا مرجحًا من نماذج الموائل المحلية الخاصة بالموقع. حددت خرائط الموائل لدينا مناطق واسعة من موائل الوشق المناسبة، ولكن غير المأهولة حاليًا، مع وجود العديد من المناطق غير المأهولة الأكثر ملاءمة في المناطق التي يمكن أن تعزز الاتصال بين السكان المعزولين حاليًا. الاستنتاجات الرئيسية نوضح أن استراتيجيات النمذجة العالمية والمحلية يمكن أن تحقق نماذج موائل قوية على المستوى القاري وأن النظر في التباين الإقليمي في اختيار الموائل يحسن رسم خرائط الموائل على نطاق واسع. بشكل عام، نسلط الضوء على الوعد بقواعد بيانات تتبع الحياة البرية الكبيرة لرسم خرائط الموائل في المناطق الكبيرة. توفر خرائطنا أول تقييم عاليالدقة، ولكنه قاري، لموائل الوشق في جميع أنحاء أوروبا، مما يوفر أساسًا ثابتًا لتخطيط الحفظ لاستعادة الأنواع ضمن نطاقها السابق.

Translated Description (French)

Objectif abstrait La disponibilité croissante des ensembles de données de suivi des animaux collectés sur de nombreux sites offre de nouvelles opportunités d'aller au-delà des évaluations locales pour permettre une cartographie détaillée et cohérente de l'habitat à l'échelle biogéographique. Cependant, l'intégration des ensembles de données sur la faune dans de vastes zones et sites d'étude est difficile, car les réponses variables des espèces aux différents contextes environnementaux doivent être conciliées. Ici, nous comparons les approches pour la cartographie de l'habitat à grande échelle et évaluons l'habitat disponible pour un grand carnivore en recolonisation, le lynx d'Eurasie ( Lynx lynx ). Emplacement Europe. Méthodes Nous utilisons une base de données de suivi des animaux à l'échelle continentale (450 individus de 14 sites d'étude) pour évaluer systématiquement les approches de modélisation, en comparant (1) des stratégies globales qui regroupent toutes les données pour la formation par rapport à la construction de modèles locaux et spécifiques au site et en les combinant, (2) différentes approches pour intégrer la variation régionale dans la sélection de l'habitat et (3) différents algorithmes de modélisation, en testant des modèles à effets mixtes non linéaires ainsi que des algorithmes d'apprentissage automatique. Résultats En testant des modèles sur des sites de formation et en simulant des transferts de modèles, les stratégies de modélisation mondiales et locales ont atteint des performances prédictives globalement similaires. Les performances du modèle étaient les plus élevées en utilisant des algorithmes d'apprentissage automatique flexibles et en intégrant la variation dans la sélection de l'habitat en fonction de la variation de l'environnement. Notre modèle le plus performant a utilisé une combinaison pondérée de modèles d'habitat locaux etspécifiques au site. Nos cartes d'habitat ont identifié de vastes zones d'habitat de lynx approprié, mais actuellement inoccupé, avec bon nombre des zones inoccupées les plus appropriées situées dans des régions qui pourraient favoriser la connectivité entre les populations actuellement isolées. Principales conclusions Nous démontrons que les stratégies de modélisation mondiales et locales peuvent permettre d'obtenir des modèles d'habitat robustes à l'échelle continentale et que la prise en compte des variations régionales dans la sélection des habitats améliore la cartographie des habitats à grandeéchelle. Plus généralement, nous soulignons la promesse de grandes bases de données de suivi de la faune pour la cartographie de l'habitat sur de vastes étendues. Nos cartes fournissent la première évaluation à hauterésolution, mais continentale, de l'habitat du lynx à travers l'Europe, fournissant une base cohérente pour la planification de la conservation en vue de la restauration de l'espèce dans son ancienne aire de répartition.

Translated Description (Spanish)

Objetivo abstracto La creciente disponibilidad de conjuntos de datos de seguimiento de animales recopilados en muchos sitios brinda nuevas oportunidades para ir más allá de las evaluaciones locales para permitir un mapeo de hábitats detallado y consistente a escalas biogeográficas. Sin embargo, la integración de conjuntos de datos de vida silvestre en grandes áreas y sitios de estudio es un desafío, ya que las diferentes respuestas de las especies a diferentes contextos ambientales deben conciliarse. Aquí, comparamos los enfoques para el mapeo de hábitats de grandes áreas y evaluamos el hábitat disponible para un gran carnívoro recolonizador, el lince euroasiático ( lince lince ). Ubicación Europa. Métodos Utilizamos una base de datos de seguimiento de animales a escala continental (450 individuos de 14 sitios de estudio) para evaluar sistemáticamente los enfoques de modelado, comparando (1) estrategias globales que agrupan todos los datos para la capacitación versus la construcción de modelos locales específicos del sitio y combinándolos, (2) diferentes enfoques para incorporar la variación regional en la selección del hábitat y (3) diferentes algoritmos de modelado, probando modelos de efectos mixtos no lineales, así como algoritmos deaprendizaje automático. Resultados Las pruebas de modelos en sitios de capacitación y la simulación de transferencias de modelos, estrategias de modelado globales y locales lograron un rendimiento predictivo general similar. El rendimiento del modelo fue el más alto utilizando algoritmos flexibles deaprendizaje automático y al incorporar la variación en la selección del hábitat en función de la variación ambiental. Nuestro modelo de mejor rendimiento utilizó una combinación ponderada de modelos de hábitat locales yespecíficos del sitio. Nuestros mapas de hábitat identificaron grandes áreas de hábitat de lince adecuado, pero actualmente desocupado, con muchas de las áreas desocupadas más adecuadas ubicadas en regiones que podrían fomentar la conectividad entre poblaciones actualmente aisladas. Principales conclusiones Demostramos que las estrategias de modelización global y local pueden lograr modelos de hábitat sólidos a escala continental y que considerar la variación regional en la selección de hábitats mejora el mapeo de hábitats a granescala. De manera más general, destacamos la promesa de grandes bases de datos de seguimiento de vida silvestre para el mapeo de hábitats de grandes áreas. Nuestros mapas proporcionan la primera evaluación continental de altaresolución del hábitat del lince en toda Europa, proporcionando una base consistente para la planificación de la restauración de la especie dentro de su área de distribución anterior.

Files

ddi.13784.pdf

Files (16.0 kB)

⚠️ Please wait a few minutes before your translated files are ready ⚠️ Note: Some files might be protected thus translations might not work.
Name Size Download all
md5:4da8cae2ef3fb57ef7896d13da3ca184
16.0 kB
Preview Download

Additional details

Additional titles

Translated title (Arabic)
دمج مجموعات بيانات تتبع الحيوانات على نطاق قاري لرسم خرائط موائل الوشق الأوراسي
Translated title (French)
Intégration d'ensembles de données de suivi des animaux à l'échelle continentale pour cartographier l'habitat du lynx eurasien
Translated title (Spanish)
Integración de conjuntos de datos de seguimiento de animales a escala continental para mapear el hábitat del lince euroasiático

Identifiers

Other
https://openalex.org/W4387695987
DOI
10.1111/ddi.13784

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
Venezuela

References

  • https://openalex.org/W1585484357
  • https://openalex.org/W1983456037
  • https://openalex.org/W2042504207
  • https://openalex.org/W2057950738
  • https://openalex.org/W2100910672
  • https://openalex.org/W2102721627
  • https://openalex.org/W2117445811
  • https://openalex.org/W2119541166
  • https://openalex.org/W2127367934
  • https://openalex.org/W2139416101
  • https://openalex.org/W2139560201
  • https://openalex.org/W2140452356
  • https://openalex.org/W2155900554
  • https://openalex.org/W2156632553
  • https://openalex.org/W2172138805
  • https://openalex.org/W2529552465
  • https://openalex.org/W2560136348
  • https://openalex.org/W2733528116
  • https://openalex.org/W273955616
  • https://openalex.org/W2751315222
  • https://openalex.org/W2754646196
  • https://openalex.org/W2793215590
  • https://openalex.org/W2810967301
  • https://openalex.org/W2871918045
  • https://openalex.org/W2889247277
  • https://openalex.org/W2889489537
  • https://openalex.org/W2895556550
  • https://openalex.org/W2896191264
  • https://openalex.org/W2902544397
  • https://openalex.org/W2910146384
  • https://openalex.org/W2911964244
  • https://openalex.org/W2921453365
  • https://openalex.org/W2961451439
  • https://openalex.org/W2970155781
  • https://openalex.org/W2999690806
  • https://openalex.org/W3011346506
  • https://openalex.org/W3082480347
  • https://openalex.org/W3087332520
  • https://openalex.org/W3107389153
  • https://openalex.org/W3122785298
  • https://openalex.org/W3164710681
  • https://openalex.org/W3169065316
  • https://openalex.org/W3199864820
  • https://openalex.org/W3201703223
  • https://openalex.org/W3210293957
  • https://openalex.org/W3215491374
  • https://openalex.org/W4206368492
  • https://openalex.org/W4213290445
  • https://openalex.org/W4294958497
  • https://openalex.org/W4319862076