ATLAS SUBTERRÁNEO

Especificaciones técnicas

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.

Unidades: Riqueza = número de especies / 100 m2; Endemismo = riqueza ponderada por rareza (importancia relativa, sin unidades); Incertidumbre = coeficiente de variación (sin unidades); Extrapolación del modelo = %.

Descripción

Los productos de datos de cartografía micorrícica que se muestran aquí son interpolaciones espaciales de alta resolución procedentes de conjuntos de modelos de aprendizaje automático. Estos modelos predictivos se han entrenado a partir de métricas de diversidad de hongos micorrícicos de una base de datos mundial de hongos del suelo, que abarca 2.800 millones de secuencias de ADN fúngico de 25.000 muestras de suelo de 130 países, y docenas de capas ambientales de código abierto sobre condiciones climáticas, vegetación, topografía, propiedades del suelo y factores humanos (por ejemplo, porcentaje de cubierta terrestre modificada por el hombre). Los modelos se construyeron como modelos de regresión de bosque aleatorio con validación cruzada k-fold, y las predicciones finales se calcularon como un promedio conjunto de los 10 modelos de mayor rendimiento en 100 ejecuciones bootstrap.

Cada píxel del mapa representa una predicción de la diversidad de hongos micorrícicos por 100 m2 - en otras palabras, la diversidad micorrícica esperada (combinada a partir de múltiples submuestras que cubren un área de 100 m2) dentro de cada píxel de 1 km. Las predicciones de "riqueza" proceden de cálculos a nivel de muestra del número total de especies fúngicas únicas utilizando un estimador de rarefacción/extrapolación CHAO. Las predicciones de "endemismo" se basan en cálculos de riqueza ponderados por rareza utilizando una suma a nivel de muestra de las puntuaciones de rareza de las especies. Nótese que las "especies" de hongos micorrícicos se refieren aquí a unidades taxonómicas operativas agrupadas con un 97% de similitud, que es un método estándar para delimitar los taxones fúngicos en conjuntos de datos de secuenciación de ADNe.

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: NOW-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).