rozmieszczenie gatunków Palm i dane dotyczące wielkości owoców
rozmieszczenie gatunków dla wszystkich (~2500) gatunków palm uzyskano z listy kontrolnej World Palms30 (pobranej w czerwcu 2015 r.), opracowanej i sprawdzonej pod kątem jakości Lista kontrolna, która dostarcza danych o obecności i nieobecności w skali „krajów botanicznych” zdefiniowanych przez międzynarodową grupę roboczą ds. Bazy danych taksonomicznych (TDWG, https://www.tdwg.org/)31. Kraje botaniczne zasadniczo odpowiadają krajom, ale dzielą większe kraje na stany lub prowincje (np. Stany Zjednoczone) lub zachowują spójne jednostki geograficzne, które są politycznie podzielone (np. Borneo i Nowa Gwinea) jako pojedyncze jednostki31. Użyliśmy światowej listy kontrolnej Palm zamiast występowania gatunków (np. zapisy dotyczące obecności tylko z Global Biodiversity Information Facility, GBIF), ponieważ ta ostatnia jest taksonomicznie niekompletna (prawie 30% wszystkich gatunków palm nie jest reprezentowane wśród rekordów dostępnych za pośrednictwem GBIF, pobranych w styczniu 2020). Ponadto rejestry występowania są często stronnicze pod względem geograficznym i taksonomicznym, co powoduje duże luki i niepewność w globalnych informacjach o występowaniu roślin (w tym Palm)70.
ze 198 krajów botanicznych, w których występują palmy, uwzględniliśmy tylko te z trzech głównych domen biogeograficznych (N = 129), zmodyfikowanych z ref. 71: (1) Afrotropik, który obejmuje całą Afrykę subsaharyjską (N = 51), (2) Neotropik (N = 42), który obejmuje Amerykę Środkową i Południową oraz Karaiby, oraz (3) Indo-Australię (N = 36), która obejmuje Indo-Malaje, Australię i Papuę-Nową Gwineę. Kraje Botaniczne w innych regionach biogeograficznych (tj. Palearktyka, Nearktyka i Oceania) zostały wykluczone, ponieważ albo mają depauperate flory palmowe, albo są tak fizycznie izolowane (np. wyspy Pacyfiku), że filtry dyspersyjne mogą mieć nieproporcjonalnie ukształtowane zarówno zbiorowiska palmowe, jak i owocożerne. Wykluczono również kraje botaniczne, dla których nie występują już istniejące Ssaki owocożerne, co wynika z braku ssaków owocożernych po przecinaniu map zasięgu geograficznego ssaków z plikiem botanical country-shape (patrz poniżej). Z tego powodu wyłączono tylko jeden kraj botaniczny-wyspę Reunion, gdzie dwa rodzime gatunki nietoperzy owocowych zostały pierwotnie wyekstrahowane z wyspy na początku XVIII wieku lub na wcześniej72.
maksymalne i średnie wartości wielkości owoców obliczono dla wszystkich gatunków palm w każdym kraju Botanicznym. Aby określić wielkość owoców dla każdego gatunku, użyliśmy bazy danych PalmTraits v1.0 (ref. 29), który zebrał dane o cechach funkcjonalnych palm okazów z dzikich populacji z pierwszej literatury, monografii, opisów gatunków i okazów zielnikowych. W szczególności użyliśmy średniej długości owocu (a nie szerokości czy średnicy), ponieważ była to najbardziej konsekwentnie odnotowana cecha wielkości owocu w literaturze. Maksymalna wielkość owoców została zdefiniowana jako 95. percentyl wielkości owoców palm w każdym kraju, aby zmniejszyć wpływ odstających. Ponieważ informacje o długości owoców palmowych nie były dostępne dla 519 gatunków palm (~20% światowego bogactwa gatunków palm), wypełniliśmy luki w długości owoców tych gatunków, używając średniej gatunków congeneric. Nie było to możliwe dla jednego gatunku, Aleagrus nabonnandii, naturalnie występującej sterylnej hybrydy, którą w ten sposób wykluczyliśmy z naszej analizy. Dodatkowo wykluczamy trzy gatunki-kokos (Cocos nucifera) i Coco de mer (Lodoicea maldivica) oraz Palma Nipa (Nypa fruticans)—ponieważ mają owoce, które rzadko są rozproszone przez zwierząt24. Maksimum i mediana wielkości owoców w różnych krajach botanicznych były podobne, gdy wykluczono luki w danych dotyczących cech (współczynnik korelacji Pearsona >0,99; dodatkowe rys. 1).
frugivore rozmieszczenie gatunków i dane wielkości ciała
aby określić wpływ End-plejstocenu wymierania frugivore na dzisiejsze relacje makroekologiczne, zdefiniowaliśmy dwa różne scenariusze faunalne, reprezentujących zbiorowiska frugivore, jak są one w dniu dzisiejszym, i jak były w późnym plejstocenie-„obecny” i „obecny naturalny” scenariusze po Faurby et al.9. Scenariusz ” obecny „uwzględnia tylko istniejące owocniki, podczas gdy scenariusz” obecny–naturalny ” uwzględnia wszystkie owocniki od ostatniego interglacjału (130 Kya), w tym wszystkie istniejące gatunki, a także niedawno wymarłe taksony. Chociaż zmiany klimatyczne mogły odegrać rolę w wymieraniu niektórych z tych owoców39, 73,większość wymierania tych gatunków przypisano przybyciu i działaniom ludzkiem39,40,74, 75.
„aktualne” i „obecne–naturalne” rozkłady przestrzenne zarówno istniejących, jak i późnego plejstocenu do holocenu wymarłych ssaków owocożernych zostały oparte na taksonomii i Mapach zasięgu geograficznego zestawionych w zestawie danych PHYLACINE v1.276. Mapy zasięgu były dostępne jako Behrmann walcowe rastry o równych powierzchniach, które następnie nakładaliśmy na wielokąty botanicznych krajów, aby wygenerować listy gatunków ssaków porównywalne z zestawem danych o obecności–nieobecności palm. Aktualne mapy zasięgu istniejących ssaków w zbiorze danych FILACINE oparte były na mapach zasięgu IUCN (http://www.iucnredlist.org/) z minimalnymi modyfikacjami (np., reprojection). Jednak obecne naturalne zakresy geograficzne istniejących taksonów były systematycznie oceniane i modyfikowano je, jeśli istniały silne dowody wpływu antropogenicznego (patrz Uzupełnienie w refs. 9,76). Obejmowało to również ekspansję zasięgu człowieka, co nie jest zgodne z mapami zasięgu IUCN dla niektórych taksonów. W przypadku taksonów wymarłych, obecne naturalne zasięgi oszacowano na podstawie występowania skamieniałości i rozmieszczenia istniejących taksonów, które wymarłe taksony często współwystępowały w zbiorowiskach kopalnych9, 76. Przeprowadzono to poprzez identyfikację komórek siatki, które zawierały co najmniej 50% istniejących taksonów (z zapisem kopalnym), które współistniały z wymarłym taksonem w zbiorowiskach/miejscach kopalnych (źródła danych i dalsze szczegóły dotyczące metodologii w refs. 9,76). Mapy zasięgu z zerowymi zajętymi komórkami siatki (np. gatunki, których zasięgi nie zostały zmapowane przez IUCN) zostały wyłączone z naszej analizy. Listy kontrolne ssaków dla każdego kraju botanicznego były również ręcznie sprawdzane w celu skorygowania błędów, które czasami były wprowadzane ze względu na grubą rozdzielczość map zasięgu (np., fałszywa obecność taksonów kontynentalnych na wyspach położonych blisko lądowych linii brzegowych).
wykorzystaliśmy zbiór danych Mammaldiet77 do identyfikacji istniejących gatunków, które były głównie lub wtórnie owocożerne. Synonimy nazw dwumianowych w zbiorze danych MammalDIET zostały skorygowane za pomocą Czerwonej Listy IUCN jako ref.taksonomicznego. 78. Pominięto nazwy gatunków, których nie można było pogodzić z taksonomią zawartą w zbiorze danych FILAKTYCZNYCH, podobnie jak taksony, których zasięgi nie pokrywały się z żadnymi istniejącymi taksonami palmowymi. W oparciu o pośrednie dowody ustaliliśmy stopień, w jakim wymarłe Ssaki były owocożerne, ponieważ owocność nie jest bezpośrednio związana z cechami morfologicznymi, takimi jak uzębienie79. Uznając tę złożoność, rozważaliśmy trzy oszczędne klasyfikacje o różnym stopniu zachowawczości. Zgodnie z naszą” liberalną ” klasyfikacją, każdy wymarły takson zaklasyfikowaliśmy jako owocożerny, jeśli był głównie roślinożerny. Definicja ta obejmuje obligatoryjne pasożyty, które mogą służyć jako dyspergatory nasion, ale prawdopodobnie mają tylko mniejszy Składnik owoców w swojej diecie w porównaniu z nongrazerami. Zgodnie z naszą” konserwatywną ” klasyfikacją uwzględniliśmy dodatkowo tylko wymarły takson jako owocożercę, jeśli należał do rodzin, w których ≥50% istniejących gatunków to głównie owocożercy. Definicja ta, w przeciwieństwie do klasyfikacji liberalnej, wyklucza większość pasożytów, ale także wiele potencjalnych owocożerców, głównie dlatego, że obecni krewni mogą być słabymi analogami, ponieważ wymarli krewni mogą się znacznie różnić wielkością ciała, a tym samym ekologią żerowania, na przykład u dużych diprotodontów (kangury) i pilosan (leniwce naziemne) roślinożerców (tabela uzupełniająca 7). W naszej pośredniej” domyślnej ” klasyfikacji uwzględniliśmy taksony z rodzin, które mają graniczny odsetek owocożerców (≥40%). Dodatkowo uwzględniliśmy wymarłe taksony, które pochodzą z rodzin lub rzędów, które nie mają istniejących gatunków (np. litopternidy i toksodony) lub pochodzą z rodzin, w których istniejące taksony mogą być ubogimi analogami diety wymarłych taksonów, jeśli dostępne dowody paleontologiczne (np. izotopowe i dentystyczne mikrofale) sugerują, że takson mógł być przeglądarką lub mieszanym podajnikiem. Zgodnie z tą definicją leniwce naziemne80, litopternids81, 82,toxodons80, 83,niektóre equids—członkowie rodzaju Hippidion, ale nie Equus80, niektóre cingulids80,84, niektóre diprotodonty (macropodids, ale nie Vombatidae i Diprotodontidae)85 i murid gryzonie były uważane za przypuszczalne owocożerne (dodatkowe rys. 4, Tabela Uzupełniająca 7).
obliczyliśmy medianę i maksymalną wielkość ciała owocożerców (tutaj zdefiniowaną jako 95. percentyl) dla każdego kraju botanicznego zgodnie z obecnym scenariuszem. W przypadku scenariusza teraźniejszości dokonano tego osobno dla trzech wymarłych klasyfikacji frugivore. Informacje o wielkości ciała (tj. masie ciała) uzyskano z zestawu danych FILACINE. W sumie spośród 1930 istniejących taksonów owocożernych w zbiorniku danych MammalDIET po uzgodnieniu taksonomicznym rozważamy obecne i obecne naturalne zakresy odpowiednio 1759 i 1772 istniejących taksonów. Łącznie 177 plejstoceńskich, domniemanych owocożerców oraz 23 taksony wymarłe lub wymarłe na wolności zostały dodatkowo uwzględnione w naszym obecnym scenariuszu naturalnym.
dane środowiskowe
ponieważ wielkość owoców może również odzwierciedlać duże zmiany klimatu i / lub zmiany klimatu w przeszłości, wartości średniego obecnego klimatu i zmian klimatu od ostatniego maksimum lodowcowego (LGM, ~21 Kya) zostały obliczone dla każdego kraju botanicznego w ArcGIS (Wersja 10.1, ESRI, Redlands, CA, USA). Dokonano tego poprzez nałożenie wielokątów botanicznych z odpowiednimi rastrami klimatycznymi i pobranie średniej nakładających się komórek rastrowych. Korzystaliśmy z bazy danych CHELSA86 zarówno dla klimatu aktualnego, jak i LGM (v1.2, 30 arc Second resolution), która ma przewagę nad światowym87, ponieważ algorytm CHELSA stosuje korekty dla drobnoskalowych efektów orograficznych na opadach.
dla obecnego klimatu skupiliśmy się na sześciu zmiennych bioklimatycznych: średnia roczna temperatura, sezonowość temperatury, średnia temperatura najzimniejszego kwartału, roczne opady, sezonowość opadów i opady suchego kwartału. Ponieważ niektóre z tych zmiennych bioklimatycznych są ze sobą bardzo koliniowe, a ponieważ byliśmy przede wszystkim zainteresowani względnym znaczeniem obecnego klimatu, a nie wpływem konkretnych zmiennych klimatycznych per se, podsumowaliśmy zmienność w sześciu zmiennych bioklimatycznych za pomocą analizy głównego składnika (PCA) i wykorzystaliśmy pierwsze trzy główne składniki jako zmienne predyktora klimatycznego. Przeprowadzono to w skali globalnej i dla każdego regionu biogeograficznego („Afrotropics”, „Neotropics” i „Indo-Australia”) oddzielnie. Pierwsze trzy osie PCA („climate PC”) wyjaśniały ponad 90% zmienności zmiennych bioklimatycznych wśród krajów botanicznych zarówno w skali globalnej, jak i regionalnej (tabela uzupełniająca 8).
dla klimatu z przeszłości obliczyliśmy wielkość zmian rocznych opadów („LGM Prec. Anom.”) i średnia temperatura roczna („LGM Temp. Anom.”) od ostatniego maksimum lodowcowego dla każdego kraju botanicznego. Obliczono to odejmując obecne roczne opady i średnią roczną temperaturę od łącznej średniej średnich rocznych opadów i rocznej temperatury w sześciu różnych modelach GCM z projektu Paleoclimate Modeling Intercomparison Project88 (https://pmip3.lsce.ipsl.fr/), który został przetworzony przez algorytm CHELSA: CCSM4, CNRM-CM5, CESS-FGOALS-g2, IPSL-CM5A-LR, MIROC-ESM i MRI-CGCM3. Wyższe wartości oznaczają zatem większą skalę zmian klimatu od ostatniego maksimum lodowcowego.
analizy statystyczne
aby ocenić związek między ciałem owocożerców a rozmiarem owoców, dopasowaliśmy oba modele liniowe OLS zarówno o medianie, jak i maksymalnym rozmiarze przy użyciu obecnych („climate PC1”, „climate PC2” i „climate PC3”) i przeszłych klimatów („LGM Prec. Anom „i” LGM Temp. Anom.”) jako zmienne prognostyczne, a także odpowiednio maksymalną i medianę wielkości ciała frugivore. Oszacowania wielkości ciała dla scenariuszy obecnych i współczesnych oraz Każdy region biogeograficzny były modelowane oddzielnie. Miary wielkości ciała i owoców zostały przekształcone logiem w celu poprawy normalności pozostałości, a wszystkie zmienne predykcyjne zostały wyśrodkowane i skalowane poprzez standaryzację ich do wariancji jednostkowej.
Autokorelacja przestrzenna została uwzględniona przy użyciu modeli autoregresji przestrzennej (SAR). Użyliśmy modeli błędów SAR (SARerror), które okazały się bardziej wytrzymałe niż inne typy modeli SAR 89. Modele SAR próbują uwzględnić przestrzenną autokorelację między jednostkami w ramach danej struktury sąsiedztwa. Jednak ze względu na nieregularne Rozstaw i rozmiar krajów botanicznych w naszych badaniach, sąsiedztwo oparte na przyległości lub odległości nie było odpowiednie. Zamiast tego zdefiniowaliśmy sąsiedztwo danego kraju botanicznego za pomocą podejścia sfery wpływów. Sfera oddziaływania dla każdej jednostki ogniskowej jest zdefiniowana jako okrąg o promieniu równym odległości jednostki ogniskowej od centroidu jej najbliższego sąsiada. Tam, gdzie sfera wpływu dwóch jednostek pokrywa się, dwie jednostki są uważane za sąsiadów. Ta definicja sąsiedztwa wydaje się być bardziej odpowiednia w porównaniu z definicjami zależnymi od odległości lub najbliższego sąsiada, ponieważ uwzględnia rozmiar i geometrię każdego kraju botanicznego. Wagi przestrzenne zostały ustandaryzowane rzędowo. Dzielnice, wagi przestrzenne i przestrzenne modele SAR zostały zaimplementowane przy użyciu pakietu „spatialreg” R V. 1.1–3 (ref. 90), a dodatkowo przetestowaliśmy każdą pozostałą autokorelację przestrzenną za pomocą testów i Morana.
zastosowaliśmy podejście uśredniające oparte na wielu modelach, aby oszacować rozmiary efektów dla każdej zmiennej predyktora w zestawie modeli kandydatów91. Podstawową zaletą uśredniania modelu jest to, że odpowiada on niepewności modelu w całym zestawie modeli kandydujących,w przeciwieństwie do bardziej tradycyjnych stopniowych metod wyboru modelu, które próbują zidentyfikować jeden najlepszy model92, 93. Zdefiniowaliśmy nasze modele kandydatów jako zbiór zwykłych modeli regresji liniowej o najmniejszych kwadratach (OLS) z rozmiarem owoców palmowych przekształconych logami jako zmienną odpowiedzi, przy czym każdy model zawiera inną kombinację wielkości ciała frugivore przekształconych logami, obecnego klimatu i przeszłych zmian klimatycznych jako współzmiennych. Rozmiary efektów dla każdej zmiennej predyktora zostały następnie obliczone przez uśrednianie wartości współczynników we wszystkich modelach kandydujących ważonych ilością wsparcia statystycznego każdy z tych modeli ma (tj. wagę Akaike)91. Aby zmniejszyć wpływ odchylenia wyboru modelu na współczynniki uśrednione przez model, wartość współczynnika dla zmiennej predyktorowej w modelu, w którym jest nieobecna, ustawiono na zero91, 92. Dzięki temu rozmiary efektów predyktorów, które występują tylko w modelach o niskiej masie Akaike, są zmniejszone92. Wagi Akaike zostały obliczone przy użyciu wartości AIC, które zostały skorygowane dla małej wielkości próbki (AICC). Korelacja pomiędzy zmiennymi predyktora była na ogół niska (dodatkowe rys. 3), a współczynniki inflacji wariancji dla wszystkich zmiennych predyktora w pełnych modelach OLS (tj. modele zawierające wszystkie zmienne predyktora) były w większości poniżej 4. Aby zmniejszyć wpływ koliniowości na szacunki uśredniania modelu, dodatkowo obliczyliśmy współczynniki uśrednione modelowo, w których współczynniki zostały znormalizowane przez ich częściowe odchylenia standardowe przed uśrednianiem 32, 93 (dodatkowe tabele 2 i 5). Uśrednianie modeli zarówno OLS, jak i SAR przeprowadzono przy użyciu modelu „dredge” i ” model.funkcje avg z pakietu „MuMIn” R V. 1.42.1 (ref. 94). Standaryzację współczynników modeli OLS przed uśrednianiem modelu przeprowadzono poprzez ustawienie argumentu „beta” w „dredge” na „partial.sd”.
oprócz uśrednionych modeli standardowych rozmiarów efektów, porównujemy wyjaśniającą moc wielkości ciała w scenariuszach „obecny” i „obecny-naturalny”. Ponieważ suma wag Akaike ’ A91 okazała się niespójną metryką wartości zmiennej 93,95, zamiast tego obliczyliśmy proporcję wariancji rozłożonej na wariancjach predyktora96, jak zaimplementowano w pakiecie r 'relaimpo’ (v2.2-3)97. Dla uproszczenia przeprowadzono to na pełnych modelach OLS i SAR, a nie we wszystkich modelach testowanych w procedurze uśredniania modelu. W celu określenia proporcji wariancji wyjaśnionej przez zmienne predykcyjne w modelach SAR po uwzględnieniu autokorelacji przestrzennej, najpierw dopasowano model przestrzenny z tylko terminem przechwytywania,a następnie dopasowano proporcję wariancji w pozostałościach modelu przestrzennego tylko przechwytywania i pełnego modelu OLS ze wszystkimi zmiennymi predykcyjnymi. Biorąc pod uwagę, że modele dla scenariuszy obecnych i obecnych różnią się tylko zmienną predyktora wielkości ciała, zapewniamy zarówno R2, jak i pseudo–R2 dla pełnych modeli OLS i SAR w obu scenariuszach.
symulowanie wymierania owocników
aby zaprojektować zmiany wielkości owoców w ramach przyszłego scenariusza defaunacji, przeprowadziliśmy symulację zbiorowisk owocników,biorąc pod uwagę prawdopodobieństwo, że gatunki należące do różnych kategorii Czerwonej Listy IUCN wyginą globalnie w ciągu najbliższych 100 lat98, 99. Użyliśmy dwóch różnych zestawów prawdopodobieństw wymarcia, aby zbadać zakres wielkości zagrożenia wyginięciem, z którym potencjalnie borykają się Ssaki owocożerne (tabela uzupełniająca 9). Reprezentując scenariusz wysokiej defaunacji, użyliśmy prawdopodobieństw wymarcia pochodzących od Davisa i wsp.99, who przetłumaczyła kryteria Czerwonej Listy100 dla kategorii zagrożonych (tj. krytycznie zagrożonych (CR), zagrożonych (EN) i wrażliwych (VU)) na wskaźniki wymierania dla tych kategorii, i ekstrapolowała te szacunki w celu ustalenia wskaźników dla kategorii nieagrożonych (tj. blisko zagrożonych (NT) i najmniejszej troski (LC)) przy założeniu, że wskaźniki będą rosły wykładniczo wraz z nasileniem kategorii. Prawdopodobieństwo ekstynkcji (Pext) dla każdej kategorii w okresie 100 lat zostało następnie obliczone przy użyciu tych współczynników w procesie ekstynkcji ze stałym współczynnikiem przy użyciu następującego równania: Pext, i = 1 − exp (- rit), gdzie ri jest współczynnikiem ekstynkcji dla taksonu kategorii IUCN, A t jest równy czasowi (tabela uzupełniająca 9). Wartości te są potencjalnie wysokie, ponieważ stosują jednolicie wnioskowane szacunki ryzyka wyginięcia, niezależnie od kryteriów, które zostały zastosowane do taksonu, i nie uwzględniają wyraźnie zmienności historii życia i jej wpływu na ryzyko wyginięcia. Jako potencjalny scenariusz niskiej defaunacji opracowaliśmy model łańcucha Markowa w czasie ciągłym (CTMC) w postaci macierzy szybkości przejścia (Q), której elementy opisują chwilowe szybkości przejścia między sąsiednimi kategoriami Czerwonej Listy:
gdzie ri, j jest chwilową szybkością przejścia z kategorii IUCN do kategorii J.
dopasowaliśmy nasz model CTMC, wykorzystując maksymalne prawdopodobieństwo, do dwóch zestawów danych kompilujących zmiany (lub ich brak) w kategoriach Czerwonej Listy we wszystkich ocenianych przez IUCN gatunkach ssaków w okresie 12 lat101, a także kopytnych i mięsożernych w okresie 33 lat102. Wszystkie taksony, które zostały sklasyfikowane jako wymarłe na wolności (EW), wymarłe (EX) i CE gatunki, które zostały oznaczone jako prawdopodobnie wymarłe lub wymarłe na wolności (tj. kategorie CR (PE) lub CR (PEW)) zostały zgrupowane w jedną kategorię reprezentującą domniemane wymieranie. Dla uproszczenia, ta kategoria została oznaczona jako EX w Eq. (1). Dodatkowo założyliśmy, że zmiany w Czerwonej Liście mogą wystąpić tylko między sąsiednimi szeregami w danym nieskończenie małym przedziale czasowym, Δt. Na przykład, aby gatunek o statusie ochronnym LC mógł przejść do statusu bardziej dotkliwego (EN), musi przejść (choć nie wyłącznie) Stany o średnim nasileniu (np. NT i VU). Dla Di Marco et al.102 zbiór danych, ponieważ żaden z wymarłych taksonów nie został odnotowany, aby powrócić do mniej poważnej kategorii Czerwonej Listy, rEX, CR został ustawiony na 0, aby zapobiec przerostowi. Oznaczało to, że stan EX był stanem absorbującym (tj., taksony mogą przejść do tej kategorii, ale nie z tej kategorii). Zakładając, że stawki nie zmieniają się w czasie, macierz szybkości przejścia może być wykładnicza, aby dać prawdopodobieństwo przejścia między kategoriami dla dowolnej ilości czasu t (tj.):
gdzie Pi, j (t) jest prawdopodobieństwem taksonów zaczynających się od statusu i kończących się statusem j po określonym czasie t.
przyjęliśmy wówczas, że zmiany (lub ich brak) w kategoriach Czerwonej Listy dla każdego gatunku są niezależną realizacją procesu CTMC. Tak więc prawdopodobieństwo obserwowania danego zestawu zmian szybkości przejścia, biorąc pod uwagę ramy czasowe t, można obliczyć jako złożone prawdopodobieństwo przejścia między gatunkami
gdzie ni, j jest liczbą taksonów, które rozpoczęły się w kategorii Czerwonej Listy i i zakończyły w kategorii Czerwonej Listy j po czasie t
szacunki szybkości dla obu zestawów danych uzyskano przez maksymalizację Eq. (3) za pomocą funkcji „optim” w R. Solidność oszacowań szybkości została przetestowana przy użyciu parametrycznego bootstrappingu (rys. uzupełniająca). 5). Prawdopodobieństwo wyginięcia dla każdej kategorii (tj. prawdopodobieństwo przejścia do kategorii EX w ciągu 100 lat) zostało następnie obliczone przy użyciu średnich oszacowań współczynnika maksymalnego prawdopodobieństwa dla dwóch zestawów danych przy użyciu Eq. (2) (Tabela Uzupełniająca 9). Wartości te są potencjalnie niskimi szacunkami zagrożenia wyginięciem, ponieważ opierają się na wcześniejszych zmianach statusu na Czerwonej Liście, podczas gdy skutki antropogeniczne mogą się nasilić w przyszłości14.
wymieranie było stochastycznie symulowane dla wszystkich ssaków owocożernych 1000 razy i odnotowano maksymalne rozmiary ciała (95 percentyla) krajów botanicznych. Gatunki zaklasyfikowane jako pozbawione danych zachowawczo zakładano, że mają takie samo prawdopodobieństwo wymarcia jak gatunki o statusie LC. W przypadku symulacji, w których wyginęły wszystkie ssaki w kraju Botanicznym, maksymalna wielkość ciała została ustawiona na zero. Średnie wartości maksymalnych rozmiarów ciała w ramach symulacji zostały następnie wykorzystane w połączeniu z globalnymi modelami OLS o maksymalnej wielkości owoców sparametryzowanymi przy użyciu wszystkich zmiennych klimatycznych i aktualnego maksymalnego rozmiaru ciała zbiorowisk owocożernych, w celu obliczenia przewidywanych zmian wielkości owoców w ramach domyślnego scenariusza. Analizę tę powtórzono stosując bezwzględne maksymalne wartości owoców i wielkości ciała (fig. 6).
podsumowanie sprawozdań
więcej informacji na temat projektu badawczego można znaleźć w podsumowaniu sprawozdań z badań przyrodniczych powiązanym z tym artykułem.