Data Integration for Species Distribution Models

Abstract

I denne oppgaven blir fordelingen av ferskvannsfisk i norske innsjøer estimert ved å bruke data fra to standardiserte datasett og ett opportunistisk datasett sammen med miljøbaserte kovariater til å lage en kombinert modell. Modellen er en Bayesiansk hierarkisk modell, og modelltilpasning blir utført med integrert nøstet Laplace approksimasjon, et verktøy for å utføre rask Bayesiansk inferens. Bruken av INLA gjør åpner opp for å bruke romlige Gaussiske stokastiske felter i modellen, og parametrisering av disse feltene blir analysert. Forskjellige typer data blir utforsket, og resultatene fra den kombinerte modellen blir sammenlignet med resultater fra modeller basert på de individuelle datasettene. Den kombinerte modellen får bedre resultater enn de individuelle modellene for tre av de fire artene som undersøkes.

In this thesis the distribution of freshwater fish in Norwegian lakes is estimated by using data from two standardized data sets and one opportunistic data set in addition to environmental covariates to create a combined model. The model used is a Bayesian hierarchical model and model fitting is done using Integrated nested Laplace approximation (INLA), a tool for fast Bayesian inference. The use of INLA allows for the use of Gaussian random fields in the model, and parameterization of this random field is analysed. The combined model is shown to be better than all individual models for three of the four species examined.