ScholarGate
Asistent
Process / pipelineMachine learning

Modelování niky

Modelování niky, známé také jako modelování distribuce druhů (SDM), předpovídá geografický rozsah a vhodnost prostředí pro druhy s využitím dat o přítomnosti nebo dat o přítomnosti a pozadí spolu s environmentálními proměnnými. MaxEnt (Maximum Entropy, Phillips et al. 2006) a GARP (Genetic Algorithm for Rule-set Prediction, Stockwell & Peters 1999) jsou dva prominentní algoritmy. Tyto metody identifikují environmentální podmínky, za kterých se druhy pravděpodobně vyskytují, což umožňuje předpověď distribuce mimo vzorkované oblasti a hodnocení vhodnosti prostředí v krajině.

Otevřít v MethodMindJiž brzyVideoJiž brzyStáhnout prezentaci

Přečíst celou metodu

Pouze pro členy

Pro přečtení této sekce se přihlaste s bezplatným účtem.

Přihlásit se

Mapa metod

Okolí příbuzných metod — vyberte uzel, který chcete prozkoumat.

Zdroje

  1. Phillips, S. J., Anderson, R. P., & Schapire, R. E. (2006). Maximum entropy modeling of species geographic distributions. Ecological Modelling, 190(3-4), 231-259. DOI: 10.1016/j.ecolmodel.2005.03.026
  2. Stockwell, D. R., & Peters, D. P. (1999). The GARP modelling system: problems and solutions to automated spatial prediction. International Journal of Geographical Information Science, 13(2), 143-158. DOI: 10.1080/136588199241391
  3. Elith, J., Phillips, S. J., Hastie, T., Dudik, M., Chee, Y. E., & Yates, C. J. (2011). A statistical explanation of MaxEnt for ecologists. Diversity and Distributions, 17(1), 43-57. DOI: 10.1111/j.1472-4642.2010.00725.x

Jak citovat tuto stránku

ScholarGate. (2026, June 3). Niche Modeling (MaxEnt and GARP). ScholarGate. https://scholargate.app/cs/ecology/niche-modeling

Která metoda?

Postavte tuto metodu vedle jejích nejbližších příbuzných a čtěte je vedle sebe — knihovna položí knihy na stůl; volba je na vás.

Porovnat vedle sebe

Odkazuje sem

ScholarGateNiche Modeling (Niche Modeling (MaxEnt and GARP)). Získáno 2026-06-15 z https://scholargate.app/cs/ecology/niche-modeling · Datová sada: https://doi.org/10.5281/zenodo.20539026