Habitat suitability and areal dynamics of rare desert species of myxomycetes of the genus Didymium under global climate change in Asia

Cover Page

Cite item

Full Text

Abstract

The ability to determine the spatial distribution of rare species is critical to understanding the environmental factors that influence them. Maximum entropy (MaxEnt) modeling of spatial distributions addresses this problem by allowing inferences about species distributions under environmental change from occurrence data. Using this method, we mapped the current and potential geographic distribution of two rare species of desert myxomycetes, Didymium mexicanum and Didymium nullifilum. Models of potential global species distributions were created using bioclimatic data and MaxEnt software to model species habitat suitability under current conditions (~1950–2000) and under projected changes in future climate (2100 AD) based on 18 spatial distribution points for D. mexicanum and 4 points for D. nullifilum. A detailed morphological description is given for the species. We identified the species D. mexicanum for the first time in Asia.

About the authors

A. V. Vlasenko

Central Siberian Botanical Garden SB RAS, st. Zolotodolinskaya

Author for correspondence.
Email: vlasenkomyces@mail.ru
Russian Federation, 101, Novosibirsk, 630090

V. A. Vlasenko

Central Siberian Botanical Garden SB RAS, st. Zolotodolinskaya

Email: anastasiamix81@mail.ru
Russian Federation, 101, Novosibirsk, 630090

References

  1. Aguilar M., Lado C. Ecological niche models reveal the importance of climate variability for the biogeography of protosteloid amoebae // The ISME Journal. 2012. V. 6. P. 1506–1514. https://doi.org/10.1038/ismej.2012.12
  2. Almadrones-Reyes K.J., Dagamac N. H. Predicting local habitat suitability in changing climate scenarios: Applying species distribution modelling for Diderma hemisphaericum // Curr. Res. in Environm. and Appl. Mycol. (J. of Fung. Biol.) 2018. V. 8. № 5. P. 492–500. https://doi.org/10.5943/cream/8/5/2
  3. Chapman D. S., Purse B. V. Community versus single‐species distribution models for British plants // J. Biogeogr. 2011. V. 38. № 8. P. 1524–1535. https://doi.org/10.1111/j.1365-2699.2011.02517.x
  4. Czernyadjeva I. V., Afonina O. M., Ageev D. V., Baisheva E. Z., Bulyonkova T. M., Cherenkova N. N., Doroshina G.Ya., Drovnina S. I., Dugarova O. D., Dulepova N. A., Dyachenko A. P., Filippova N. V., Ginzburg E. G., Gogorev R. M., Himelbrant D. E., Ignatov M. S., Kataeva O. A., Kotkova V. M., Kuragina N. S., Kurbatova L. E., Kushnevskaya E. V., Kuzmina E.Yu., Melekhin A. V., Notov A. A., Novozhilov Yu.K., Popov S.Yu., Popova N. N., Potemkin A. D., Stepanchikova I. S., Stepanova V. A., Tubanova D.Ya., Vlasenko A. V., Vlasenko V. A., Voronova O. G., Zhalov Kh.Kh. New cryptogamic records. 4 // Новости систематики низших растений. 2019. Т. 53. Вып. 2. C. 431–479. https://doi.org/10.31111/nsnr/2019.53.2.431
  5. Dagamac N. H.A., Bauer B., Woyzichovski J., Shchepin O. N., Novozhilov Yu.K., Schnittler M. Where do nivicolous myxomycetes occur? – Modeling the potential worldwide distribution of Physarum albescens // Fung. Ecol. 2021. V. 53. 101079. https://doi.org/10.1016/j.funeco.2021.101079
  6. Guisan A., Thuiller W. Predicting species distribution: offering more than simple habitat models // Ecol. Lett. 2005. V. 8. № 9. P. 993–1009. https://doi.org/10.1111/j.1461-0248.2007.01044.x
  7. Guisan A., Zimmermann N. E. Predictive habitat distribution models in ecology // Ecol. Modell. 2000. V. 135. № 2–3. P. 147–186. https://doi.org/10.1016/S0304-3800(00)00354-9
  8. Guo Y., Li X., Zhao Z., Wei H., Gao B., Gu W. Prediction of the potential geographic distribution of the ectomycorrhizal mushroom Tricholoma matsutake under multiple climate change scenarios // Scient. Report. 2017. V. 7. 46221. https://doi.org/10.1038/srep46221
  9. Hijmans R. J., Cameron S. E., Parra J. L., Jones P. G., Jarvis A. Very high resolution interpolated climate surfaces for global land areas // Int. J. Climatol. 2005. V. 25. P. 1965–1978. https://doi.org/10.1002/joc.1276
  10. Hijmans R. J., Guarino L., Mathur P. DIVA-GIS Version 7.5 Manual. 2012. Available from Available from: http://diva-gis.org/docs/DIVA-GIS_manual_7.pdf (accessed 15th of May 2023)
  11. Limbo-Dizon J.E., Almadrones-Reyes K.J., Macabago S. A.B., Dagamac N. H.A. Bioclimatic modeling for the prediction of the suitable regional geographical distribution of selected bright-spored myxomycetes in the Philippine archipelago // Biodiv. J. Biol. Div. 2022. V. 23. № 5. P. 2285–2294. https://doi.org/10.13057/biodiv/d230506
  12. Olson D. M., Dinerstein E., Wikramanayake E. D., Burgess N. D., Powell G. V.N., Underwood E. C., D’amico J.A., Itoua I., Strand H. E., Morrison J. C., Loucks C. J., Allnutt T. F., Ricketts T. H., Kura Y., Lamoreux J. F., Wettengel W. W., Hedao P., Kassem K. R. Terrestrial Ecoregions of the World: A New Map of Life on Earth: A new global map of terrestrial ecoregions provides an innovative tool for conserving biodiversity // BioScience. 2001. V. 51. № 11. P. 933–938. https://doi.org/10.1641/0006-3568(2001)051[0933:TEOTWA]2.0.CO;2
  13. Phillips S. J., Dudík M. Modeling of species distributions with MaxEnt: new extensions and a comprehensive evaluation // Ecography. 2008. V. 190. P. 231–259. https://doi.org/10.1111/j.0906-7590.2008.5203.x
  14. Phillips S. J., Anderson R. P., Schapired R. E. Maximum entropy modeling of species geographic distributions // Ecol. Modell. 2006. V. 190. P. 231–259. https://doi.org/10.1016/j.ecolmodel.2005.03.026
  15. Pietras M., Litkowiec M., Gołębiewska J. Current and potential distribution of the ectomycorrhizal fungus Suillus lakei (Murrill) A.H. Sm. et Thiers in its invasion range // Mycorrhiza. 2018. V. 28. P. 467–475. https://doi.org/10.1007/s00572-018-0836-x
  16. Scheldeman X., Van Zonneveld M. Training manual on spatial analysis of plant diversity and distribution. Rome: Biodiversity International, 2010. P. 1–179. Available from: https://www.bioversityinternational.org/fileadmin/_migrated/uploads/tx_ news/Training_manual_on_spatial_analysis_of_plant_ diversity_and_distribution_1431_07.pdf (доступ 15 мая 2023)
  17. Segurado P., Araújo M. B. An evaluation of methods for modelling species distributions // J. Biogeogr. 2004. V. 31. P. 1555–1568. https://doi.org/10.1111/j.1365-2699.2004.01076.x
  18. Yuan H.-Sh., Wei Yu-L., Wang X.-G. MaxEnt modeling for predicting the potential distribution of Sanghuang, an important group of medicinal fungi in China // Fung. Ecol. 2015. V. 17. P. 140–145. https://doi.org/10.1016/j.funeco.2015.06.001
  19. Vlasenko V. A., Dejidmaa T., Dondov B., Ochirbat E., Kherlenchimeg N., Javkhlan S., Burenbaatar G., Uranchimeg A., Asbaganov S. V., Vlasenko A. V. Distribution and ecological niche modeling of a rare species Poronia punctata in Asia // Curr. Res. in Environm. and Appl. Mycol. (J. of Fung. Biol.). 2021. V. 11. № 1. P. 468–484. https://doi.org/10.5943/cream/11/1/32
  20. Vlasenko A. V., Novozhilov Yu.K., Vlasenko V. A., Korolyuk A.Yu., Dulepova N. A. New data on the obligate coprophilous myxomycetes of Siberia // The Bulletin of Irkutsk State University. Series: Biology and Ecology. 2017. V. 21. P. 50–60.
  21. Zurell D., Franklin J., König C., Bouchet P. J., Dormann C. F., Elith J., Fandos G., Feng X., Guillera‐Arroita G., Guisan A., Lahoz‐Monfort J.J., Leitão P. J., Park D. S., Townsend Peterson A., Rapacciuolo G., Schmatz D. R., Schröder B., Serra‐Diaz J.M., Thuiller W., Yates K. L., Zimmermann N. E., Merow C. A standard protocol for reporting species distribution models // Ecography. A journal of space and time in ecology. 2020. V. 43. № 9. P. 1261–1277. https://doi.org/10.1111/ecog.04960

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Copyright (c) 2024 Russian Academy of Sciences

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».