MaxEnt – это метод моделирования распространения видов, очень часто используемый в сфере охраны природы. Кроме анализа распространения видов он также применяется для моделирования растительных сообществ, определения горячих точек биоразнообразия, нахождения мест, подходящих для реинтродукции исчезающих видов, а также для определения чувствительности видов к изменению климата.
Алгоритм MaxEnt берет за основу геопривязанные точки местонахождения вида и растровые слои значимых для вида факторов среды. Итоговая модель представляет собой растровый слой вероятностей нахождения вида в каждой ячейке растра, который анализируется в ГИС.
Хотя метод разработан для сферы охраны природы, в последнее время удается успешно использовать его и в некоторых других ситуациях, когда необходимо спрогнозировать вероятность распределения какого-либо параметра в пространстве. Приведем пять интересных исследований, где MaxEnt применен для прогноза социальных явлений.
1) В Альберте, Канада, выявлены связи между повадками медведей гризли и туризмом
Туристическая активность на охраняемых территориях часто оценивается с помощью статистики о плате за вход на территорию и отслеживания плотности движения. Эти данные не дают детального представления об интенсивности туризма на охраняемых территориях. Чтобы лучше спрогнозировать вероятность отдыха и туризма, исследователи задействовали данные социальных сетей Facebook, Flickr, Google и Wikilocs, а также набор переменных окружающей среды.
В качестве переменных использованы доступность дорог, климатические данные, а также переменные ДДЗ: растительность, нарушенность территории, рельеф и влажность. Лучше всего для отслеживания туристической активности подошли выборки Strava и Wikilocs, а вот выборка Flickr или использование данных из всех социальных сетей были наименее точными. Во многих моделях MaxEnt наиболее важной оказалась переменная, определяющая доступность территории для людей. Увеличение рекреации привело к снижению кормового поведения и увеличению скорости передвижения медведей гризли. Получилось, что разработанные модели являются полезными инструментами для планирования стратегий сохранения вида и прогнозирования поведения медведей гризли в зависимости от туристической активности.
2) Выявление потенциально опасных для туристов мест в Сан-Диего, США
Моделирование распределения туристической активности позволяет понять, как лучше распределять ресурсы – поэтому оно имеет решающее значение, когда речь заходит о повышении устойчивости туризма к бедствиям и кризисам. Туристическую активность обычно удается отслеживать через социальные сети: многие туристы используют фотографии с геометками, и по количеству таких фотографий в сети можно понять, насколько то или иное место популярно среди туристов. Ресурсы для облегчения последствий бедствий для туристов обычно ограничены, и логично, что бюджет стоит направить на самые популярные точки.
Округ Сан-Диего – это одно из самых популярных туристических направлений в США. Исследователи смоделировали географическое распределение туристов в этом районе путем оценки взаимосвязи между количеством туристов и пятью факторами окружающей среды. Эти факторы включают землепользование, количество туристических мест на территории, высоту над уровнем моря, расстояние до ближайшей крупной дороги и расстояние до ближайшего места пересадки. Выявленные зависимости могут помогать на всех этапах управления катастрофами и кризисами, т.е. при предотвращении, подготовке, реагировании и восстановлении. Они также могут помочь спасти больше жизней и избежать экономических потерь. Таким образом, моделирование с использованием MaxEnt оказалось эффективным при оценке потенциальных последствий катастроф и кризисных событий в туристическом районе.
3) Как предсказать туристический потенциал на основе фото из соцсетей
Фотографии ландшафта, доступные в социальных сетях, открыли возможность количественной оценки туристической ценности ландшафта, которую ранее было трудно измерить. Исследователями из Испании был разработан метод его оценки на основе пространственного распределения фотографий с геопривязкой, которая, основываясь на вероятностных моделях MaxEnt. На основе фотографий из сети Panoramio, сделанных в 2007-2008 в Мадриде, разработана прогностическая модель, которую исследователи сравнили ее с фотографиями из соц.сетей за 2009-2015 гг. Результаты показали невысокое соответствие между прогнозом и реальностью, что указывает на то, что MaxEnt не всегда подходит для анализа сложных и непредсказуемых систем.
4) Численность населения Западной Европы 500 тыс. лет назад
С использованием палеоклиматических карт исследователи создали в программе MaxEnt модель распространения людей, описывающую временной период между 560 и 360 тыс. лет назад. Это позволило проследить за численностью и перемещением людей на территории Западной Европы в этот временной отрезок.
Результаты показали, что три Средиземноморских полуострова не были единственным регионом, пригодным для проживания людей в ледниковые периоды. Предполагаемая общая численность населения Западной Европы в тот период колебалась между 13 000 и 25 000 человек. Результаты исследования предлагают новую технику, которая в будущем может помочь с объяснением культурной и биологической эволюции во время среднего плейстоцена в Западной Европе.
5) MaxEnt в археологическом моделировании
Историческое моделирование было применено и здесь: исследователи смоделировали распределение стоянок охотников-собирателей в южных пампасах Аргентины. В программу MaxEnt заложили информацию о местах, в которых археологам удалось найти признаки человеческой деятельности. На основе уже имеющихся точек программа построила модель для предсказания других возможных мест, где археологические раскопки могут обнаружить следы древних людей. Модель дает представление о поселениях древних людей и мобильности людей в прошлом. Исследователи сделали вывод, что присутствие водотоков и склонов наиболее сильно влияло на распределение охотников-собирателей. У этого метода есть большой потенциал в будущих проектах археологических исследований и управления наследием.
Ссылки:
Введение в MaxEnt – https://gis-lab.info/qa/maxent.html
1) Mapping recreation and tourism use across grizzly bear recovery areas using social network data and maximum entropy modelling
https://doi.org/10.1016/j.ecolmodel.2020.109377
2) Coupling maximum entropy modeling with geotagged social media data to determine the geographic distribution of tourists
https://doi.org/10.1080/13658816.2018.1458989
3) Can We Foresee Landscape Interest? Maximum Entropy
Applied to Social Media Photographs: A Case Study in Madrid
https://doi.org/10.3390/land11050715
4) Sustainable human population density in Western Europe between 560.000 and 360.000 years ago
https://doi.org/10.1038/s41598-022-10642-w
5) A Maxent Predictive Model for Hunter-Gatherer Sites in the Southern Pampas, Argentina
http://doi.org/10.5334/oq.97