ATLAS SOUTERRAIN

Technical specs:

Résolution native : 30 arc-secondes (1 km)

Étendue spatiale: Mondiale

Zone masquée: Couverture terrestre non végétalisée provenant d'ensembles de données de télédétection (par exemple, habitats rocheux, glaciaires et désertiques) et couverture terrestre fortement urbaine/bâtie.

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.

Chaque prédiction au niveau du pixel s'accompagne de deux types d'incertitude statistique : le coefficient de variation et une estimation de l'extrapolation du modèle. Le coefficient de variation mesure la dispersion relative des valeurs prédites autour de la moyenne de prédiction, et est calculé en utilisant l'écart-type divisé par la moyenne de prédiction pour toutes les séries bootstrappées. Les zones où l'incertitude est plus élevée indiquent un intervalle de confiance plus large autour des prédictions du modèle. L'extrapolation est estimée à l'aide d'une approche par composantes principales afin de déterminer le degré de représentation géographique et environnementale des pixels dans les données d'apprentissage. Les zones où l'extrapolation est élevée indiquent que les pixels sont uniques du point de vue de l'environnement et/ou qu'ils sont éloignés des sites échantillonnés à proximité.

Pour plus de détails sur l'approche technique et les procédures de validation croisée, voir l'article publié ici [Lien vers l'article de Nature] et les ressources de code supplémentaires ici [Lien vers GitHub].

À propos de

Ces produits de données ont été développés conjointement par les contributeurs suivants (par ordre d'auteur de l'article de recherche) :

Michael E. Van Nuland

(Société pour la protection des réseaux souterrains (SPUN), Dover, DE, USA)

Colin Averill

(Institut de biologie intégrative, Département de science des systèmes environnementaux, ETH Zürich, Zürich, Suisse ; Funga Public Benefit Corporation, Austin TX USA)

Justin D. Stewart

(Society for the Protection of Underground Networks (SPUN), Dover, DE, USA ; Amsterdam Institute for Life and Environment (A-LIFE), Section Ecology & Evolution, Vrije Universiteit Amsterdam, Amsterdam, Pays-Bas)

Oleh Prylutskyi

(Réserve de biosphère de Falz-Fein "Askania Nova", Oblast de Kherson, Ukraine)

Adriana Corrales

(Société pour la protection des réseaux souterrains (SPUN), Dover, DE, USA)

Laura G. van Galen

(Société pour la protection des réseaux souterrains (SPUN), Dover, DE, USA ; Institut de biologie intégrative, Département des sciences des systèmes environnementaux, ETH Zürich, Zürich, Suisse)

Bethan F. Manley

(Société pour la protection des réseaux souterrains (SPUN), Dover, DE, USA)

Clara Qin

(Société pour la protection des réseaux souterrains (SPUN), Dover, DE, USA)

Thomas Lauber

(Institut de biologie intégrative, Département de science des systèmes environnementaux, ETH Zürich, Zürich, Suisse)

Vladimir Mikryukov

(Centre de mycologie et de microbiologie, Université de Tartu, Tartu, Estonie)

Olesia Dulia

(Centre de mycologie et de microbiologie, Université de Tartu, Tartu, Estonie)

Giuliana Furci

(Fungi Foundation, Brooklyn, NY, USA)

César Marín

(Amsterdam Institute for Life and Environment (A-LIFE), Section Ecology & Evolution, Vrije Universiteit Amsterdam, Amsterdam, Pays-Bas ; Centro de Investigación e Innovación para el Cambio Climático (CiiCC), Universidad Santo Tomás, Valdivia, Chili)

Merlin Sheldrake

(Society for the Protection of Underground Networks (SPUN), Dover, DE, USA ; Amsterdam Institute for Life and Environment (A-LIFE), Section Ecology & Evolution, Vrije Universiteit Amsterdam, Amsterdam, Pays-Bas)

James Weedon

(Amsterdam Institute for Life and Environment (A-LIFE), Section Systems Ecology, Vrije Universiteit Amsterdam, Amsterdam, Pays-Bas)

Kabir G. Peay

(Département des sciences du système terrestre, Université de Stanford, Stanford, CA, États-Unis ; Département de biologie, Université de Stanford, Stanford, CA, États-Unis)

Charlie K. Cornwallis

(Département de biologie, Université de Lund, Lund, Suède)

Tomáš Větrovský

(Laboratoire de microbiologie environnementale, Institut de microbiologie de l'Académie tchèque des sciences, République tchèque)

Petr Kohout

(Laboratoire de microbiologie environnementale, Institut de microbiologie de l'Académie tchèque des sciences, République tchèque)

Petr Baldrian

(Laboratoire de microbiologie environnementale, Institut de microbiologie de l'Académie tchèque des sciences, République tchèque)

Leho Tedersoo

(Centre de mycologie et de microbiologie, Université de Tartu, Tartu, Estonie ; Collège des sciences, Université du Roi Saud, Riyad, Arabie Saoudite)

Stuart A. West

(Département de biologie, Université d'Oxford, Oxford, Royaume-Uni)

Thomas W. Crowther

(Institut de biologie intégrative, Département de science des systèmes environnementaux, ETH Zürich, Zürich, Suisse)

E. Toby Kiers

(Society for the Protection of Underground Networks (SPUN), Dover, DE, USA ; Amsterdam Institute for Life and Environment (A-LIFE), Section Ecology & Evolution, Vrije Universiteit Amsterdam, Amsterdam, Pays-Bas)

Consortium de cartographie SPUN

Johan van den Hoogen

(Société pour la protection des réseaux souterrains (SPUN), Dover, DE, USA ; Institut de biologie intégrative, Département des sciences des systèmes environnementaux, ETH Zürich, Zürich, Suisse)

L'élaboration de ce projet a été financée en partie par les fonds suivants :

• SPUN : Jeremy and Hannelore Grantham Environmental Trust, Paul Allen Family Foundation, Schmidt Family Foundation, Quadrature Climate Foundation et Bezos Earth Fund.
• Kiers : NWO-VICI (202.012), NWO-Spinoza (SPI.2023.2) et HFSP (RGP 0029).
• Averill : Subvention Ambizione no. PZ00P3_17990 du Fonds national suisse de la recherche scientifique.
• Stewart: NWO-Gravity Grant Microp (024.004.014).
• Laboratoire Crowther : DOB Ecologie et la Fondation Bernina
• GlobalFungi : Fondation tchèque de la science (21-17749S), MEYS (LC23152, LM2023055)
• Tedersoo : Fondation estonienne pour la science (PRG632)
• Peay : Programme CIFAR Royaume fongique : Menaces et opportunités, US NSF (DEB-1845544) et DOE (DE-SC0023661)
• Marín : Projets ANID - Chili SIA No. SA77210019 (2021), Fondecyt Regular Project No. 1240186 (2024).

‍