ATLAS SUBTERRÁNEO

Technical specs:

Resolución nativa: 30 segundos de arco (1 km)

Extensión espacial: Global

Área enmascarada: Cubierta terrestre no vegetal procedente de conjuntos de datos de teledetección (por ejemplo, hábitats rocosos, helados y desérticos) y cubierta terrestre muy urbana/edificada.

Units: Richness = number of species / 100 m2; Endemism = rarity-weighted richness (normalized as a relative importance score between 0 - 10); Uncertainty = coefficient of variation (unitless); Model Extrapolation = %

Description:

The mycorrhizal mapping data products shown here are high-resolution spatial interpolations  from ensemble machine-learning models. These predictive models are trained on mycorrhizal fungal diversity metrics from a curated global database of soil fungi, encompassing 2.8 billion fungal DNA sequences from 25,000 soil samples across 130 countries, and dozens of open-source environmental layers on climate conditions, vegetation, topography, soil properties, and human factors (e.g., percent of human-modified landcover). Models were built as k-fold cross-validated random forest regression models, with final predictions calculated as an ensemble average of the top 10 highest performing models over 100 bootstrapped runs.

Each map pixel represents a prediction of mycorrhizal fungal diversity per 100 m2 — in other words, the expected mycorrhizal diversity (combined from multiple sub-samples covering a 100 m2 area) within each 1-km pixel. The ‘richness’ predictions come from sample-level calculations of the total number of unique fungal species using a CHAO rarefaction/extrapolation estimator. The ‘endemism’ predictions are based on rarity-weighted richness (RWR) calculations using a sample-level sum of species rarity. For simplicity, we have normalized the RWR data to a relative importance scale between 0 and 10, as RWR is a unitless metric. Note that mycorrhizal fungal ‘species’ here refer to 97% similar clustered Operational Taxonomic Units, which is a standard method of delineating fungal taxa in eDNA sequencing datasets.

Cada predicción a nivel de píxel viene acompañada de dos tipos de incertidumbre estadística: el coeficiente de variación y una estimación de la extrapolación del modelo. El coeficiente de variación mide la dispersión relativa de los valores predichos en torno a la media de predicción, y se calcula utilizando la desviación estándar dividida por la media de predicción en todas las ejecuciones bootstrap. Las áreas con mayor incertidumbre indican un intervalo de confianza más amplio en torno a las predicciones del modelo. La extrapolación se calcula utilizando un enfoque de componentes principales para determinar el grado en que los píxeles están geográfica y ambientalmente representados en los datos de entrenamiento. Las zonas con una extrapolación elevada indican píxeles únicos desde el punto de vista medioambiental y/o alejados de las ubicaciones muestreadas cercanas.

Encontrará más detalles sobre el enfoque técnico y los procedimientos de validación cruzada en el artículo publicado aquí [Enlace al artículo de Nature] y recursos de código adicionales aquí [Enlace a GitHub].

Acerca de

Estos productos de datos han sido desarrollados conjuntamente por los siguientes colaboradores (por orden de autoría de los artículos de investigación):

Michael E. Van Nuland

(Sociedad para la Protección de Redes Subterráneas (SPUN), Dover, DE, EE.UU.)

Colin Averill

(Instituto de Biología Integrativa, Departamento de Ciencia de Sistemas Medioambientales, ETH Zürich, Zürich, Suiza; Funga Public Benefit Corporation, Austin TX USA)

Justin D. Stewart

(Society for the Protection of Underground Networks (SPUN), Dover, DE, EE.UU.; Amsterdam Institute for Life and Environment (A-LIFE), Section Ecology & Evolution, Vrije Universiteit Amsterdam, Amsterdam, Países Bajos)

Oleh Prylutskyi

(Reserva de la Biosfera de Falz-Fein "Askania Nova", Óblast de Kherson, Ucrania)

Adriana Corrales

(Sociedad para la Protección de Redes Subterráneas (SPUN), Dover, DE, EE.UU.)

Laura G. van Galen

(Sociedad para la Protección de Redes Subterráneas (SPUN), Dover, DE, EE.UU.; Instituto de Biología Integrativa, Departamento de Ciencia de Sistemas Medioambientales, ETH Zürich, Zürich, Suiza)

Bethan F. Manley

(Sociedad para la Protección de Redes Subterráneas (SPUN), Dover, DE, EE.UU.)

Clara Qin

(Sociedad para la Protección de Redes Subterráneas (SPUN), Dover, DE, EE.UU.)

Thomas Lauber

(Instituto de Biología Integrativa, Departamento de Ciencia de Sistemas Medioambientales, ETH Zürich, Zürich, Suiza)

Vladimir Mikryukov

(Centro de Micología y Microbiología, Universidad de Tartu, Tartu, Estonia)

Olesia Dulia

(Centro de Micología y Microbiología, Universidad de Tartu, Tartu, Estonia)

Giuliana Furci

(Fundación Fungi, Brooklyn, NY, EE.UU.)

César Marín

(Amsterdam Institute for Life and Environment (A-LIFE), Sección Ecología y Evolución, Vrije Universiteit Amsterdam, Amsterdam, Países Bajos; Centro de Investigación e Innovación para el Cambio Climático (CiiCC), Universidad Santo Tomás, Valdivia, Chile)

Merlin Sheldrake

(Society for the Protection of Underground Networks (SPUN), Dover, DE, EE.UU.; Amsterdam Institute for Life and Environment (A-LIFE), Section Ecology & Evolution, Vrije Universiteit Amsterdam, Amsterdam, Países Bajos)

James Weedon

(Amsterdam Institute for Life and Environment (A-LIFE), Sección de Ecología de Sistemas, Vrije Universiteit Amsterdam, Amsterdam, Países Bajos)

Kabir G. Peay

(Departamento de Ciencias del Sistema Terrestre, Universidad de Stanford, Stanford, CA, EE.UU.; Departamento de Biología, Universidad de Stanford, Stanford, CA, EE.UU.)

Charlie K. Cornwallis

(Departamento de Biología, Universidad de Lund, Lund, Suecia)

Tomáš Větrovský

(Laboratorio de Microbiología Ambiental, Instituto de Microbiología de la Academia Checa de Ciencias, República Checa)

Petr Kohout

(Laboratorio de Microbiología Ambiental, Instituto de Microbiología de la Academia Checa de Ciencias, República Checa)

Petr Baldrian

(Laboratorio de Microbiología Ambiental, Instituto de Microbiología de la Academia Checa de Ciencias, República Checa)

Leho Tedersoo

(Centro de Micología y Microbiología, Universidad de Tartu, Tartu, Estonia; Facultad de Ciencias, Universidad Rey Saud, Riad, Arabia Saudí)

Stuart A. West

(Departamento de Biología, Universidad de Oxford, Oxford, Reino Unido)

Thomas W. Crowther

(Instituto de Biología Integrativa, Departamento de Ciencia de Sistemas Medioambientales, ETH Zürich, Zürich, Suiza)

E. Toby Kiers

(Society for the Protection of Underground Networks (SPUN), Dover, DE, EE.UU.; Amsterdam Institute for Life and Environment (A-LIFE), Section Ecology & Evolution, Vrije Universiteit Amsterdam, Amsterdam, Países Bajos)

Consorcio cartográfico SPUN

Johan van den Hoogen

(Sociedad para la Protección de Redes Subterráneas (SPUN), Dover, DE, EE.UU.; Instituto de Biología Integrativa, Departamento de Ciencia de Sistemas Medioambientales, ETH Zürich, Zürich, Suiza.

El desarrollo de este proyecto se financió, en parte, a través de las siguientes fuentes:

• SPUN: Jeremy and Hannelore Grantham Environmental Trust, Paul Allen Family Foundation, Schmidt Family Foundation, Quadrature Climate Foundation y Bezos Earth Fund.
• Kiers: NWO-VICI (202.012), NWO-Spinoza (SPI.2023.2) y HFSP (RGP 0029).
• Averill: Beca Ambizione no. PZ00P3_17990 de la Fundación Nacional Suiza para la Ciencia.
• Stewart: NWO-Gravity Grant Microp (024.004.014).
• Laboratorio Crowther: DOB Ecología y Fundación Bernina
• GlobalFungi: Fundación Checa para la Ciencia (21-17749S), MEYS (LC23152, LM2023055)
• Tedersoo: Fundación Estonia para la Ciencia (PRG632)
• Peay: Programa CIFAR Fungal Kingdom: Amenazas y oportunidades, US NSF (DEB-1845544) y DOE (DE-SC0023661)
• Marín: ANID - Chile proyectos SIA Nº SA77210019 (2021), Fondecyt Proyecto Regular Nº 1240186 (2024).

‍