Más

Combine varios rásteres binarios en un solo ráster

Combine varios rásteres binarios en un solo ráster


Tengo 5 mapas de riqueza de especies diferentes a los que estoy tratando de unir para mostrar un mapa cohesivo. Cada capa ráster de especies tiene valores de 1 y 0; 1 si la especie vive allí y 0 si la especie no.

En otras palabras, quiero algo como esto:

si especie 1 == 1,1 si especie 2 == 1,2 si especie 3 == 1,3

Y así sucesivamente hasta llegar a 5. Quiero que todo lo demás se clasifique como 0.

Soy muy nuevo en el uso de la calculadora ráster y no estoy seguro de cómo configurarlo.


Me acabo de dar cuenta de que esto no funcionará ya que las especies se superpondrán. Necesitaré averiguar algo más.


Eso es un cálculo simple de agregar ráster. Simplemente suma todos ellos (r1 + r2 + r3 + r4 + r5) y el resultado es un ráster donde el valor indica cuántas especies están presentes en cada celda. No se pueden diferenciar especies, pero eso no formaba parte de la pregunta original.

Si quieres hacer ese, debe usar algo como la herramienta Combinar en ArcGIS (Spatial Analyst). Esto creará un nuevo ráster con un valor único para cada combinación única de valores en las entradas. Ese valor único, si está correctamente codificado, identificará qué especies están presentes en combinación en función de los valores únicos.


No estoy seguro de cuán práctico sea esto para sus requisitos dados, pero puede probar el álgebra bit a bit. Dado que tiene un número limitado de especies, podría funcionar.

El álgebra bit a bit funcionaría donde todas las especies están representadas por 1, 2, 4, 8, 16 o una combinación de ellas. Por ejemplo, si existen las especies 1, 3 y 4, la celda estaría representada por1 + 4 + 8 = 13. A continuación, puede utilizar más operaciones bit a bit para revertir esa consulta. Ejemplo13 Y 1 = 1,13 Y 4 = 4,13 Y 2 = 0. Donde la evaluación de un AND bit a bit es> 0, la prueba de comparación es verdadera.

Puede leer más sobre la implementación de bit a bit de ESRI aquí. La calculadora ráster de ESRI tiene operadores bit a bit. La mayoría de las otras herramientas SIG también deberían tenerlas.

Sin embargo, dado que eventualmente se encontrará con un escenario en el que tendrá más especies que puede que quiero pensar en otro método. Idealmente, desde una perspectiva ecológica, necesitaría identificar grupos específicos de comunidades o categorías de biodiversidad para representar las combinaciones de datos. (Vea la respuesta de ChrisW sobre el uso de la herramienta Combinar)

Alternativamente, querrá mantener sus capas separadas y construir un sistema a su alrededor que consulte cada capa de forma independiente si no puede establecer categorías.


Impacto del cambio climático en la distribución de las praderas de algas marinas en la intermareal rocosa del Atlántico norte

El Atlántico Norte se ha calentado más rápido que todas las demás cuencas oceánicas y los escenarios de cambio climático predicen que las isotermas de temperatura de la superficie del mar se desplazarán hasta 600 km hacia el norte para fines del siglo XXI. El cambio hacia los polos ya ha comenzado para muchas especies de algas templadas que son importantes especies de cimientos intermareales. Hicimos la pregunta: ¿Dónde tendrá el cambio climático el mayor impacto en tres especies fundamentales de macroalgas que ocurren a lo largo de las costas del Atlántico Norte? Fucus serratus, Fucus vesiculosus, y Ascophyllum nodosum? Para predecir los cambios de distribución de estas especies clave en tres escenarios de cambio climático del IPCC (Panel Intergubernamental sobre Cambio Climático) (A2, A1B y B1) durante los próximos dos siglos, generamos Modelos de Nicho Ecológico con el programa MAXENT. Las predicciones del modelo sugieren que estas tres especies se desplazarán hacia el norte como un conjunto o "unidad" y que los cambios fitogeográficos serán más pronunciados en el Ártico meridional y las provincias templadas del sur. Nuestros modelos predicen que las costas árticas de Canadá, Groenlandia y Spitsbergen serán aptas para las tres especies para el 2100. Las costas al sur de los 45 ° norte se volverán inadecuadas para al menos dos de las tres especies focales tanto en el Atlántico noroccidental como en el noreste. costas para el año 2200. Si estas especies fundamentales no pueden adaptarse al aumento de las temperaturas, perderán sus centros de diversidad genética y su pérdida desencadenará un cambio impredecible en el ecosistema intermareal del Atlántico Norte.


2 DESCRIPCION

2.1 Algoritmos genéticos

Los algoritmos genéticos (GA) proporcionan un marco de optimización estocástica potente y flexible para encontrar soluciones a problemas de optimización tanto discretos como continuos (Holland, 1975). Inspirándose en principios biológicos, los algoritmos genéticos crean una población de individuos (descendencia) con rasgos (parámetros a optimizar) codificados en "cromosomas". Los genotipos (combinaciones de parámetros) de cada individuo resuelven la función de aptitud, y los individuos más aptos de cada generación sobreviven para reproducirse (Sivanandam & Deepa, 2007). El proceso de evolución de AG se ve facilitado por la exploración y explotación (Scrucca, 2013). La exploración del espacio de parámetros se produce mediante la generación aleatoria de nuevos valores de parámetros resultantes de la mutación, así como el intercambio de información genética a través del cruce. La explotación reduce la diversidad de la población al seleccionar a los individuos más aptos de cada generación. La población continúa evolucionando hasta que han pasado un número suficiente de generaciones sin una mejora en la aptitud física (Scrucca, 2013).

2.2 Optimización de la resistencia

  1. La superficie ráster original se importa a R. Si la superficie es continua, se cambia la escala para que varíe de 0 a 10, conservando el espacio relativo entre todos los niveles.
  2. El proceso de evolución comienza generando una población inicial aleatoria de tamaño norte (predeterminado = 15 × & gt número de parámetros optimizados). Si es una superficie continua, los parámetros seleccionados determinan (1) cuál de las ocho transformaciones se aplicará (Figura 1) (2) la forma de la transformación (3) el valor máximo de resistencia. Si es una superficie categórica, cada nivel de la superficie de resistencia se reclasifica a los valores de los parámetros. Los valores iniciales para todos los parámetros en la población inicial se eligen al azar dentro del rango especificado (consulte la Tabla 1 para conocer los valores predeterminados).

Función Argumentos Defaults Comentarios
CS.prep n.POPS Debe ser definido
respuesta NULO Debe definirse para ejecutar la optimización
CS_Point.File Debe ser definido
Programa CS. "C: / Archivos de programa / Circuitscape / cs_run.exe" " Ubicación de instalación predeterminada de Windows
Vecino Conectar 8
gdist.prep n.POPS Debe ser definido
respuesta NULO Debe definirse para ejecutar la optimización
muestras Debe ser definido
función de transición función(X) 1/METRO(X)
direcciones 8
longlat FALSO
GA.prep ASCII.dir Debe ser definido Los archivos .asc deben estar en su propio directorio o compilados en una pila de ráster
Mínimo máximo "Max" Debe ser "max" cuando se optimiza con ga
min. gato 0.0001
gato máx. 2,500
CONTINUO MÁX. 2,500
forma cont. NULO
pop.mult 15
percent.elite 0.05
escribe "Valor real" Debe tener "valor real"
pcrossover 0.85
putacion 0.1
maxiter 1,000
correr 25
KeepBest CIERTO
población "Población_gareal"
selección "Gareal_lsSelection"
Transversal "Gareal_blxCrossover"
mutación "Gareal_raMutation"
semilla NULO
tranquilo FALSO

2.3 Superficies continuas

(1) (2)

El algoritmo genético busca combinaciones de transformaciones, parámetros de magnitud y parámetros de forma. Las transformaciones lineales no se incluyen explícitamente, pero todas las funciones monomoleculares se vuelven lineales a medida que el parámetro de forma aumenta de valor. De esta manera, las respuestas lineales se pueden modelar sin aumentar el número de transformaciones evaluadas por el algoritmo genético. Es posible excluir las transformaciones de la consideración durante la optimización.

2.4 Superficies categóricas

Las superficies categóricas o características, como la cobertura del suelo o carreteras, también se pueden optimizar con ResistanceGA. Una superficie se considera categórica en ResistanceGA si contiene 15 niveles o menos. Para que este proceso sea manejable, es necesario mantener el valor de un nivel constante durante la optimización. Debido a que los valores de resistencia por pares son relativos, no mantener un nivel constante puede resultar en múltiples soluciones equivalentes, y el algoritmo puede fallar en alcanzar una solución óptima (por ejemplo, los valores de resistencia relativa de 1, 5 y 10 son equivalentes a 2, 10 y 20) . Consulte el Apéndice S1 para obtener más detalles sobre la optimización de la superficie de resistencia categórica.

2.5 Superficies de resistencia a la incrustación

La escala es un concepto central de la ecología espacial (Wiens, 1989), pero no se ha abordado ampliamente en la investigación de la genética del paisaje (Galpern, Manseau y Wilson, 2012 Keller, Holderegger y van Strien, 2013). Una forma de evaluar la escala es a través de vecindarios ecológicos (Addicott et al., 1987), donde un "vecindario" se puede determinar mediante la optimización de un parámetro de suavizado del kernel. Usando el paquete R Spatstat (Baddeley, Rubak y Turner, 2015), se aplica un suavizado del kernel gaussiano a una superficie de resistencia continua o binaria antes de aplicar una de las ocho transformaciones. El optimizado Dakota del Sur de este suavizado es indicativo de la vecindad ecológica de esa superficie. La escala se puede optimizar con superficies individuales aisladas o se pueden optimizar escalas separadas para cada superficie durante la optimización multisuperficie.

2.6 Optimización de la resistencia multisuperficie

ResistanceGA puede optimizar simultáneamente múltiples superficies de resistencia para crear una nueva superficie de resistencia compuesta. Durante la optimización, cada superficie en el análisis multisuperficie se modifica utilizando los métodos descritos anteriormente. Luego, todas las superficies modificadas se suman para crear una única superficie de resistencia compuesta, que luego se usa para calcular distancias efectivas por pares.


EXTRACCIÓN DE PATRONES DE 3 COLORES

Estudiar la variación en los patrones de color requiere la identificación correcta de los límites de color. patternize proporciona funcionalidad para categorizar la distribución de colores usando un umbral RGB, k-significa agrupación o transformación de cuencas hidrográficas.

3.1 umbral RGB

Los límites de color se pueden extraer de las imágenes o del rasgo de interés utilizando un umbral RGB (Figuras 2, 3). Al seleccionar píxeles dentro de un rango de color específico (especificado como valor RGB y desplazamiento), proporcionamos un enfoque de segmentación de imagen básico que funciona bien para extraer patrones de color distintos. Además, para patrones de color distintos, el valor RGB se puede recalcular iterativamente como el promedio de los píxeles de color extraídos. Este último enfoque permite que los patrones se combinen fácilmente cuando se extraen de conjuntos de imágenes que pueden haber sido tomadas en diferentes condiciones de luz, lo que da como resultado diferencias en la intensidad y el contraste.

3.2 k-Agrupación de medios

Implementamos un enfoque sin supervisión para la segmentación de imágenes basada en color utilizando k-significa agrupamiento (Figuras 4, 5) (Hartigan y Wong, 1979). Este algoritmo asigna valores RGB de píxeles a k clusters asignando iterativamente cada píxel de la imagen al clúster RGB que minimiza la distancia entre el píxel y los centros del clúster. Los centros de los conglomerados se recalculan en cada iteración promediando todos los píxeles del conglomerado hasta la convergencia. Implementamos k-significa la agrupación en clústeres utilizando las estadísticas del paquete R (R Development Core Team, 2013). Los conglomerados se obtienen primero a partir de una imagen de referencia y luego se utilizan como centros de conglomerados iniciales para el k-significa la agrupación de las imágenes analizadas posteriormente. Esto permite que el programa haga coincidir grupos que representan el mismo patrón de color en diferentes imágenes. Para k-significa agrupación, el número de agrupaciones debe definirse manualmente. Para organismos con límites de patrón menos distintos, esto se hace mejor probando diferentes números de grupos y eligiendo un número que mejor asigne píxeles a patrones de color.

3.3 Transformación de cuencas

La transformación de cuencas hidrográficas es una herramienta poderosa para la segmentación de imágenes (Figura 6 Beucher, 1991). El concepto de cuenca trata la imagen como un mapa topográfico calculando un mapa de gradiente con valores altos en partes de la imagen donde los valores de los píxeles cambian abruptamente (Figura 6b). Posteriormente, un proceso de inundación propaga patrones y etiquetas de fondo guiados por el mapa de degradado. Continuar la inundación hasta que las etiquetas del patrón y el fondo se unan, determina las líneas de la cuenca (crestas en la topografía) que se utilizan para segmentar la imagen (Figura 6c). Implementamos el algoritmo de cuenca con utilidades del generador de imágenes del paquete R (Barthelme, 2017) que se basa en la biblioteca de procesamiento de imágenes CImg (Tschumperle, 2004). En nuestra implementación, las etiquetas de patrón y fondo se eligen identificando manualmente al menos un patrón y un píxel de fondo (al menos uno para cada patrón y elemento de fondo separados). Esta asignación manual ayuda al usuario a superar las posibles diferencias en la iluminación, el deslumbramiento o la superposición de la imagen entre el patrón y los valores RGB de fondo.


2 EJEMPLOS

colorist importa directamente espacio de color (Zeileis et al., 2019), ggplot2 (Wickham, 2016), magrittr (Bache & Wickham, 2014), raster (Hijmans, 2020), escalas (Wickham & Seidel, 2019), estadísticas (R Core Team , 2020) y tidyr (Wickham & Henry, 2020) y trabaja en pilas de datos ráster. Las capas ráster pueden representar una secuencia temporal ordenada de distribuciones de especies o distribuciones de utilización. Alternativamente, las capas ráster pueden representar un conjunto desordenado de distribuciones para múltiples especies o individuos dentro de un solo período de tiempo. Un flujo de trabajo típico incluye cuatro pasos: (a) calcular métricas, (b) elegir una paleta, (c) hacer un mapa y (d) producir una leyenda. Aquí ilustramos dos usos potenciales de las funciones coloristas.

2.1 Mapear la distribución de una especie a lo largo del ciclo anual

Existe un interés creciente en caracterizar la distribución de la vida silvestre a lo largo del ciclo anual completo, no solo durante una o dos temporadas, para comprender mejor dónde y cuándo las poblaciones son vulnerables (Marra, Cohen, Loss, Rutter y Tonra, 2015). Tradicionalmente, los mapas de distribución de las especies residentes contenían un bloque de color junto con los límites políticos que indicaban dónde se podían encontrar las especies durante todo el año. Los mapas de distribución de las especies migratorias contenían varios bloques de color que indicaban dónde se podían encontrar las especies durante las diferentes estaciones.

Aquí utilizamos datos agregados de estado y tendencias de eBird para Field Sparrow Spizella pusilla (Fink et al., 2020) para ilustrar una estrategia diferente para crear mapas de ciclo anual, una que aprovecha los datos de ocurrencia continua, en lugar de los datos categóricos de presencia-ausencia, para describir dónde y cuándo encontrar una especie. El gorrión de campo se considera una especie parcialmente migratoria, algunas poblaciones se mueven durante todo el año, mientras que otras permanecen estacionarias. Esta estrategia de historia de vida da como resultado una heterogeneidad en cuanto a cuándo, dónde y cuán consistentemente se pueden encontrar aves en el espacio-tiempo.

Después de cargar la biblioteca colorista, accedemos a la fiespa_occ conjunto de datos. Contiene 12 capas ráster, una para cada mes del año. Los valores de celda en cada capa indican la probabilidad modelada de ocurrencia de Field Sparrow. Usamos el metrics_pull función para transformar los valores de ocurrencia de la pila en valores de intensidad que van desde 0 (es decir, 0 probabilidad de ocurrencia) a 1 (es decir, el valor máximo de ocurrencia en la pila). En colorista, usamos "intensidad" como un descriptor genérico de valores de datos normalizados que pueden reflejar la probabilidad relativa de ocurrencia, abundancia, densidad o densidad de probabilidad. Este proceso de "extracción" de métricas conserva la información en la pila original mientras prepara las capas para la visualización posterior.

A continuación, creamos una paleta de colores para comunicar información temporal sobre la ocurrencia de Field Sparrow. Usamos ciclo_tiempo_paleta para generar la paleta porque los datos representan una secuencia ordenada de distribuciones que gira sobre sí misma (es decir, los datos de diciembre son temporalmente adyacentes a los datos de noviembre y enero). Para visualizar distribuciones en facetas individuales, proporcionamos la map_multiples funciona con métricas de distribución e información de paleta. La estructura del gráfico y las etiquetas de cada distribución se pueden especificar utilizando el ncol y etiquetas argumentos, respectivamente.

map_multiples (m1, p1, ncol = 4, etiquetas = nombres (fiespa_occ))

Los valores de intensidad se visualizan variando la opacidad celular y los meses se identifican con diferentes matices (Figura 1a). Los tonos se asignan utilizando paletas de colores derivadas de HCL, en lugar de paletas de colores RGB (rojo-verde-azul) o HSV (valor de saturación de tono), porque permiten fácilmente comparaciones 'justas' de valores de datos similares en un rango de tonos ( Zeileis, Hornik y Murrell, 2009). Es sencillo generar "amarillos" y "azules" con pesos de percepción similares utilizando paletas derivadas de HCL. Por el contrario, los "amarillos" parecen más brillantes que los "azules" en la mayoría de las paletas de colores derivadas de RGB y HSV.

Para generar un único mapa de ciclo anual que sintetice información espacio-temporal sobre la ocurrencia de Field Sparrow, "destilamos" información de distribución a través de capas ráster usando metrics_distill. El metrics_distill La función calcula métricas de distribución en cada celda ráster y devuelve tres métricas para visualización: (a) intensidad máxima, (b) capa de intensidad máxima (es decir, la identidad de la capa que contiene el valor de intensidad máxima) y (c) especificidad de la intensidad máxima valor a la capa de máxima intensidad.

donde norte indica el número de capas ráster, yl es el valor de intensidad en la capa l y es el valor medio de intensidad entre capas. Los valores de especificidad pueden oscilar entre 0 y 100. Los valores de 0 indican que los valores de intensidad son idénticos en todas las capas. Los valores de 100 indican que los valores de intensidad están restringidos a una sola capa.

La interpretación de los valores de especificidad depende de la naturaleza de los datos que se exploran. En el caso de Field Sparrow, donde las capas ráster describen distribuciones de una especie en diferentes épocas del año, los valores de especificidad indican la estacionalidad (es decir, 0 = ocurrencia estable durante todo el año, 100 = ocurrencia altamente estacional) y se visualizan mediante valores de croma variables (ej. enteros que van de 0 a 100) dentro de nuestra paleta de colores.

Para generar un mapa de ciclo anual, utilizamos el map_single función para combinar nuestras métricas de distribución e información de paleta. Luego, creamos una leyenda usando legend_timecycle, una función que requiere un marco de datos generado por ciclo_tiempo_paleta.

legend_timecycle (p1, origin_label = "1 de enero")

Usando nuestro mapa (Figura 1b) y la leyenda (Figura 1c), ahora podemos ubicar Field Sparrows en el espacio y el tiempo, recordando que la especificidad indica la estacionalidad de las ocurrencias de Field Sparrow.

2.2 Distribuciones de mapas de varios individuos durante el mismo período de tiempo

En el ejemplo anterior, usamos colorista para explorar las distribuciones de una sola especie en múltiples períodos de tiempo. Son posibles otras conceptualizaciones y usos de funciones coloristas. Por ejemplo, el colorista también se puede utilizar para explorar la distribución de múltiples especies o individuos dentro de un solo período de tiempo. Aquí utilizamos datos de rastreo GPS recopilados de elefantes africanos Loxodonta africana en el Parque Nacional de Etosha, Namibia durante 2011 para explorar cómo dos individuos utilizaron el paisaje en el transcurso de un año (Tsalyuk, Kilian, Reineking y Getz, 2019).

Para empezar, cargamos el elefante_ud conjunto de datos que contiene distribuciones de utilización para dos individuos (LA11 y LA14). Debido a que las distribuciones de utilización forman un conjunto desordenado (es decir, no es necesario que se presenten en ninguna secuencia cíclica o lineal específica), usamos el palette_set función para asignarles colores. Luego, mapeamos las dos distribuciones usando map_multiples mientras agrega énfasis visual a áreas raramente utilizadas con la lambda_i argumento y agregando identificadores a cada mapa con el etiquetas argumento.

map_multiples (m2, p2, ncol = 2, lambda_i = −5, labels = nombres (elefante_ud))

Las distribuciones de utilización para LA11 y LA14 parecen notablemente similares a primera vista (Figura 2a). Sin embargo, podemos entender más claramente las similitudes y diferencias en cómo usaron el espacio "destilando" la información de distribución de las dos capas ráster con metrics_distill y visualizar las métricas resultantes con map_single.

Antes de generar el mapa, debemos recalibrar nuestra comprensión de lo que significan los valores de especificidad en función de la naturaleza de los datos que se están explorando. En contraste con Field Sparrow, donde la especificidad indica la estacionalidad de las ocurrencias, aquí los valores de especificidad reflejan el uso diferencial del paisaje. Los valores de especificidad muy bajos indican el uso igual de una célula por ambos individuos. Los valores de especificidad muy altos indican el uso exclusivo de un individuo.

Si las distribuciones de utilización de los dos elefantes fueran exactamente iguales, esperaríamos map_single para producir un rango de valores de gris que indique dónde la pareja pasó relativamente más o menos tiempo. Por el contrario, si las dos distribuciones fueran solo superficialmente similares, esperaríamos map_single producir celdas azules y rojas que indiquen el uso exclusivo de áreas por parte de cada individuo, y muy pocas celdas grises que indiquen el mismo uso.

map_single (m2_distill, p2, lambda_i = −5)

legend_set (p2, group_labels = nombres (elefante_ud))

A pesar de la similitud general de las dos distribuciones de utilización, algunos lugares fueron utilizados casi exclusivamente por LA11 (es decir, celdas azules) y otros fueron utilizados casi exclusivamente por LA14 (es decir, glóbulos rojos Figura 2b), como lo indica la leyenda (Figura 2c). Podemos modular la interpretación de este resultado visualmente a través de argumentos adicionales (por ejemplo, el lambda_s parámetro en map_single Schuetz, Strimas-Mackey y Auer, 2020). Además, podemos contextualizar estos patrones agregando información sobre la ubicación de las bandejas, pozos de agua, carreteras y límites al mapa (Schuetz et al., 2020) utilizando geom_sf elementos, que son funciones de ggplot2 (Wickham, 2016).


3 RESULTADOS

3.1 Diversidad genética y estructura genética poblacional

Las medidas de diversidad genética variaron entre los lugares de muestreo dentro de las especies, así como entre A. salicina y A. stenophylla. El porcentaje de loci polimórficos osciló entre 36% y 76,4% en A. salicina y 46,2% -83,9% en A. stenophylla mientras que la heterocigosidad esperada para A. salicina fue 0,117-0,216 y 0,151-0,280 en A. stenophylla (Tabla 1). Aunque las diferencias también fueron evidentes a nivel de especie para el porcentaje medio de loci polimórficos (55,1% para A. salicina frente a 64,3% para A. stenophylla) y heterocigosidad media esperada (0,162 para A. salicina frente a 0,214 para A. stenophylla), las ligeras diferencias en las combinaciones de pares de cebadores utilizadas para generar los conjuntos de datos sugieren precaución al comparar estos resultados. Los AMOVA indicaron diferencias sustanciales y significativas en la variación genética entre los lugares de muestreo de ambas especies (A. salicina: ΦPT = 0.301, 30.1%, pag = .010 A. stenophylla: ΦPT = 0.235, 23.5%, pag = .010). También se detectó un aislamiento significativo por distancia en ambas especies (pag & lt .001).

A. salicina A. stenophylla
Sitio No. norte %PAG Hmi (SE) Sitio No. norte %PAG Hmi (SE)
1 10 40.0% 0.117 (0.010) 5 12 51.1% 0.175 (0.013)
2 8 45.5% 0.151 (0.012) 30 10 52.0% 0.195 (0.014)
3 18 49.5% 0.140 (0.011) 31 21 68.2% 0.228 (0.013)
4 23 42.9% 0.121 (0.010) 32 22 47.5% 0.166 (0.013)
5 17 52.0% 0.153 (0.011) 33 24 59.6% 0.190 (0.013)
6 14 42.2% 0.120 (0.011) 34 30 60.5% 0.188 (0.013)
8 21 65.8% 0.192 (0.011) 35 20 47.1% 0.151 (0.013)
9 28 53.5% 0.150 (0.011) 36 25 73.1% 0.245 (0.013)
10 29 55.6% 0.154 (0.011) 37 20 71.3% 0.243 (0.013)
11 15 36.0% 0.118 (0.011) 38 21 73.5% 0.248 (0.013)
12 10 37.8% 0.126 (0.011) 39 29 64.6% 0.211 (0.013)
13 18 67.3% 0.216 (0.012) 40 26 61.0% 0.190 (0.013)
14 18 52.0% 0.166 (0.012) 41 24 68.2% 0.233 (0.013)
15 30 68.0% 0.211 (0.012) 42 24 83.9% 0.275 (0.013)
16 17 62.9% 0.210 (0.012) 43 24 73.5% 0.241 (0.013)
17 23 76.4% 0.203 (0.011) 44 16 54.3% 0.198 (0.014)
18 19 62.5% 0.174 (0.011) 45 18 67.7% 0.230 (0.013)
19 21 56.0% 0.159 (0.011) 46 21 78.0% 0.280 (0.013)
20 21 52.7% 0.156 (0.011) 47 24 71.3% 0.215 (0.013)
21 26 42.5% 0.129 (0.011) 48 7 46.2% 0.168 (0.014)
22 25 62.5% 0.185 (0.012) 49 26 70.9% 0.224 (0.013)
23 28 60.4% 0.163 (0.011) 50 22 66.4% 0.215 (0.013)
24 19 57.8% 0.169 (0.011) 51 27 65.5% 0.217 (0.013)
25 24 66.9% 0.194 (0.011) 52 19 67.7% 0.232 (0.014)
26 26 56.7% 0.161 (0.011) 53 29 71.3% 0.216 (0.012)
27 19 49.8% 0.152 (0.011) 54 22 69.1% 0.233 (0.014)
28 28 67.3% 0.194 (0.011) 55 19 59.2% 0.202 (0.014)
29 30 59.6% 0.155 (0.011) 56 24 63.7% 0.217 (0.013)
Significar 55.1% 0.162 (0.002) 57 29 65.5% 0.208 (0.013)
58 26 56.1% 0.181 (0.013)
Significar 64.3% 0.214 (0.001)

Los dos primeros ejes de coordenadas principales representaron el 56,9% de la variación total en A. salicina y 49,3% de la variación para A. stenophylla (Figura S1). Las ubicaciones de muestreo divergentes fueron evidentes para ambos PCos, a saber, A. salicina Las plantas de las ubicaciones de muestreo 13-16 se ubicaron en un espacio de PCo1 negativo (Figura S1a) y un grupo de A. stenophylla las plantas de los lugares de muestreo 37, 38, 42, 44 y 46 se encontraban en espacios de PCo1 y PCo2 negativos (Figura S1c).

Los análisis realizados por STRUCTURE mostraron que lo más probable es que haya seis grupos genéticos (K = 6) para ambas especies (Figuras 2 y 3) según la estadística ∆K, aunque hubo alguna evidencia de que también podría estar presente un número menor de conglomerados (es decir, 3) (Figura S11a, b). Hubo poca evidencia de mezcla en muchos de los A. salicina plantas (Figura 2 y Figura S2). Por ejemplo, algunos lugares de muestreo del norte (23, 24, 26, 27 y 29) estaban fuertemente asociados con el grupo 1 (azul oscuro); sin embargo, algunas plantas en el lugar de muestreo 24 tenían asociaciones con el grupo 4 (amarillo) y 6 (rojo). . En contraste, otros A. salicina Las ubicaciones de muestreo (por ejemplo, 2, 5, 6, 22, 25 y 28) mostraron evidencia de mezcla o potencialmente inmigración de ubicaciones de muestreo pertenecientes a otros grupos. El A. salicina Los conglomerados estaban algo divididos geográficamente en la región de estudio (Figura 2 y Figura S9) con el conglomerado 1 (azul oscuro) al noreste, el conglomerado 2 (azul claro) restringido al borde más al sur, mientras que el conglomerado 3 (violeta) estaba ampliamente distribuido. Los conglomerados 4 (amarillo) y 5 (verde) se distribuyeron ampliamente en la mitad sur, mientras que la ubicación de muestreo del conglomerado único 6 (rojo) se encuentra al noreste. Dos ubicaciones de muestreo (22 y 28) eran una mezcla de varios conglomerados y no podían asignarse a un solo conglomerado en & gt70%. Resultados de K = 3, el segundo más alto ∆K, muestran un patrón geográfico claro de los conglomerados del norte y del sur (Figura S11a). a diferencia de A. salicina, muchos A. stenophylla Los lugares de muestreo estuvieron dominados por el grupo 1 (rojo, Figura 3d) y muchos lugares de muestreo mostraron evidencia de mezcla o inmigración (Figura 3 y Figura S3). Muchas ubicaciones de muestreo tampoco se pudieron asignar a un solo conglomerado en & gt70%. Estos resultados también se observan claramente para K = 3 (Figura S11b). Geográficamente, la mayoría de las ubicaciones de muestreo asignadas al conglomerado 1 estaban ubicadas en cabeceras con ubicaciones de muestreo que no se asignan fácilmente o las que pertenecen a otros conglomerados ubicados río abajo.

Popgraph destacó una red compleja de ubicaciones de muestreo conectadas (Figura 4, Figuras S9 y S10). Pocos bordes comprimidos que indiquen barreras ecológicas o topográficas a la dispersión fueron evidentes en A. salicina excepto entre varios lugares de muestreo en el borde sur del área de estudio y entre los lugares de muestreo 21 y 24 (Figura 4a). Bordes extendidos indicativos de dispersión a larga distancia vinculaban muchas de las A. salicina ubicaciones de muestreo en amplias escalas espaciales de hasta 500 km (Figura 4b). Se observaron bordes más comprimidos en A. stenophylla, nuevamente en el extremo sur del área de estudio (Figura 4c) mientras que se encontraron bordes extendidos en toda la región (Figura 4d).

3.2 Análisis de genética del paisaje: pruebas de Mantel y regresión múltiple sobre matrices de distancia (MRM)

Usamos superficies de resistencia de cada variable ambiental calculadas por Circuitscape para nuestro análisis genético del paisaje de cada especie. No encontramos ninguna relación significativa entre los conglomerados genéticos y las diferentes superficies de resistencia (LC, FC y DEM) para A. stenophylla y A. salicina, a excepción de los efectos de la cubierta forestal sobre los grupos genéticos de A. salicina (Kruskal-Wallis χ 2 = 12,657, pag = .048). Más específicamente, el grupo mezclado (blanco) que consta de dos ubicaciones de muestreo estaba relacionado principalmente con áreas de alta resistencia de la cubierta forestal (Figura S7a).

Las pruebas de Mantel mostraron que la estructura genética de A. salicina se vio afectada tanto por la distancia geográfica como por la resistencia de la cobertura terrestre (pag & lt .05), mientras que para A. stenophylla, sólo la resistencia de la cobertura terrestre pareció ser importante (Cuadro 2). Después de corregir por autocorrelación espacial (pruebas parciales de Mantel), ninguno de estos factores tuvo un efecto significativo en ninguno de los Acacia especies (Tabla 2). Sin embargo, el modelo MRM considerando solo la distancia geográfica fue el mejor modelo para explicar la variación genética entre ubicaciones de muestreo en Acacia salicina mientras que el modelo MRM que incluye solo la cobertura terrestre y la elevación fue el mejor modelo para explicar la diferenciación genética de la ubicación del muestreo para Acacia stenophylla (Tabla 3, Tabla S1).

Especies
A. salicina A. stenophylla
Pruebas de mantel
GD 0.175 0.035
DEM −0.212 −0.217
FC 0.077 −0.093
LC 0.205 0.152
baño −0.069 0.041
Pruebas parciales de Mantel
DEM −0.402 −0.26
FC 0.068 −0.158
LC 0.171 0.179
baño −0.062 0.043
Especies R 2 F GD DEM FC LC baño
A. salicina 0.03 12.01 2.38e − 05 (pag = .004) -–
A. stenophylla 0.117 28.85 275.996 (pag = .019) 39.81 (pag = .013)

4. DISCUSIÓN

Usamos muestras contemporáneas de cobertura terrestre y datos de genotipos de SNP para detectar asociaciones entre la resistencia del paisaje y la diferenciación genética entre las poblaciones de CPB en la cuenca de Columbia (Oregón y Washington) y Central Sands (Wisconsin). Presumimos que la diferenciación genética de CPB disminuiría con el aumento de la papa, distancias de rotación más cortas (en el espacio) y una mayor abundancia de cobertura forestal y suelo arenoso entre sitios. Por el contrario, esperábamos que la diferenciación genética aumentara con el aumento de pastizales / matorrales, granos, cobertura de agua y con mayores distancias de rotación. Los modelos que consideraron de forma independiente los efectos de la cobertura terrestre en la diferenciación genética identificaron un fuerte efecto de la cobertura terrestre de la papa en la cuenca de Columbia, pero ningún efecto paisajístico en Central Sands (Figura 3). La comparación de las correlaciones de la cobertura terrestre y las estimaciones conjuntas de los efectos de la cobertura terrestre en un solo modelo BEDASSLE no reveló efectos independientes fuertes de ninguna variable del paisaje (Figura 3, Tabla S3), lo que sugiere que la cobertura terrestre agrícola tiene efectos correlacionados débiles en la diferenciación genética de CPB. Analizar los efectos de los tipos de cobertura terrestre correlacionados sobre la diferenciación genética es un desafío significativo en la genética del paisaje (Cushman, McKelvey, Hayden y Schwartz, 2006), uno que puede ser especialmente difícil en paisajes agrícolas, donde la cobertura terrestre puede cambiar rápidamente y se correlaciona en espacio y tiempo.

Es importante destacar que también observamos una correlación entre las distancias de rotación de los campos de papa y la diversidad de nucleótidos, lo que sugiere que la rotación de cultivos, además de reducir el tiempo y la abundancia de las infestaciones de CPB en los campos de papa, también actúa para reducir la diversidad genética de las poblaciones locales de CPB.

4.1 Efectos de la cobertura terrestre en la diferenciación genética

En la cuenca de Columbia, los sitios conectados por una gran cantidad de cobertura terrestre de papa exhibieron una diferenciación genética ligeramente menor, consistente con la hipótesis de que tener una abundancia de plantas hospedantes facilita la dispersión y el flujo de genes sobre el paisaje. Se encontró una relación similar entre la diferenciación genética y la cobertura de la tierra de granos (predominantemente trigo). El trigo generalmente sigue a la papa en los esquemas de rotación de cultivos en la cuenca de Columbia, pero no ha sido un cultivo predominante en Central Sands desde principios del siglo XX. Se sabe que el trigo es una barrera para la dispersión de la CEC al caminar (Huseth et al., 2012 Lashomb & Ng, 1984 Schmera, Szentesi, & Jermy, 2007), pero también alberga papas voluntarias (plantas que crecen a partir de tubérculos remanentes, sin cosechar) que sirven como una de las primeras fuentes de alimentos sin insecticidas sistémicos (Xu y Long, 1997). Por lo tanto, el efecto del trigo que reduce la diferenciación genética podría ser una consecuencia de su estrecha asociación espacio-temporal con la papa en los agroecosistemas de la Cuenca de Columbia y sugiere que las papas voluntarias pueden ser importantes facilitadores del flujo de genes.

La falta de una asociación clara entre la resistencia del paisaje y la diferenciación genética en las Arenas Centrales podría significar que cualquier efecto de la cobertura terrestre en el flujo de genes de CPB fue demasiado débil para detectarlo. La detección puede verse obstaculizada si las poblaciones son muy grandes (Wright, 1943) o no están en equilibrio de migración-deriva (Rousset, 1997): los efectos reales del paisaje sobre el flujo de genes podrían no ser detectables dados los efectos contrapuestos de la deriva genética, la migración y selección en un sistema evolutivamente joven y frecuentemente perturbado. Sin embargo, los efectos observados en la cuenca de Columbia (Figura 2) sugieren que la detección de algunos efectos del paisaje es posible, aunque esto puede ser producto de la reducción del tamaño efectivo de la población en esta región (ya que el equilibrio migración-deriva se restablece más rápidamente con menores tamaños de población).

En cambio, sugerimos que el flujo de genes entre las poblaciones de CPB en Central Sands está relativamente libre de restricciones por la composición o configuración del paisaje y que esto podría deberse a tres factores. Primero, el tamaño de la población de CPB es sustancialmente mayor en Central Sands que en la Cuenca de Columbia. La dispersión de CPB depende de la densidad (Boiteau et al., 2003 Harcourt, 1971), por lo que tamaños de población más altos podrían causar densidades más altas, facilitando un mayor flujo de genes y el mantenimiento de una mayor diversidad genética. De hecho, con frecuencia observamos eventos de migración masiva en campos de papa de Wisconsin densamente poblados de CPB. En segundo lugar, es probable que la cobertura de la tierra en Central Sands sea más adecuada para pasar el invierno con éxito (hubo mayores cantidades de papa y borde del bosque). Dado que la supervivencia invernal puede ser tan baja como el 5% (Huseth & Groves, 2013), la cantidad de hábitat adecuado para pasar el invierno puede tener impactos importantes en la migración exitosa entre campos de papa rotados. The realized contribution of landscape structure to overwintering success, however, will likely depend on interacting effects of climate and noncrop host plants. Lastly, alternative host plants could be enhancing landscape connectivity independently of potato land cover. We observe high densities of weedy Solanum especieS. nitidibaccatum Bitter and S. carolinense L.) in potato-producing regions in the Midwest (M. S. Crossley, personal observations), whereas alternative host plants in the Columbia Basin tend to occur in isolated riparian habitats (Castillo Carrillo, Fu, Jensen, & Snyder, 2016 ). Incorporation of alternative host plant occurrence in agricultural landscapes could improve inferences about landscape connectivity for CPB populations.

4.2 Crop rotation and genetic diversity

Consistent with the absence of an effect of landscape configuration on CPB genetic differentiation among CPB populations in the Central Sands, we found no relationship between crop rotation distances and genetic diversity in the Central Sands. In contrast, we found decreasing genetic diversity with increasing crop rotation distance in the Columbia Basin. This regional difference could be due to the generally larger rotation distances observed around our sample sites in the Columbia Basin or to differences in the suitability of the landscape for CPB dispersal. Importantly, our analysis did not identify any land cover types that specifically impede gene flow, suggesting that effects of crop rotation on CPB genetic variation are related to the sensitivity of dispersing CPB to other environmental factors in the absence of host plant (potato) land cover. One such environmental factor could be climate: There is much lower moisture availability in the Columbia Basin than in the Central Sands, which could reduce the amount of time and distance over which CPB can disperse before succumbing to desiccation and starvation.

4.3 Management implications

Crop rotation is a powerful management practice, leveraging one of the most malleable features of the agricultural landscape: the spatiotemporal connectivity of crop land cover. The geographic distance between rotated potato fields and composition of the intervening landscape affects CPB dispersal and abundance (Huseth et al., 2012 Sexson, & Wyman, 2005 ). However, our data suggest that crop rotation does not always reduce gene flow and might have a limited effect on the spatial pattern of neutral and adaptive genetic variation in some landscapes. In regions like the Columbia Basin, however, crop rotation could have an important effect on patterns of genetic variation. The reduced genetic connectivity observed between CPB populations separated by low potato land cover suggests that increasing rotation distances (in space and time) could reduce rates of adaptive gene flow and levels of genetic diversity and could limit the long-term viability of CPB populations in this region. Moving forward, we plan to investigate the importance of other environmental (e.g., climate, natural enemies) and operational (e.g., insecticide use) factors, in addition to landscape connectivity, in driving patterns of geographic variation in CPB genetic variation and adaptation to insecticides.


3 RESULTS

3.1 Simulated dataset—logistic regressions

The 10 most significant genotype–environment associations obtained with the simulated dataset ranked on the basis of the likelihood ratio (G) are presented in Table 1. We observed that the three loci simulated as under selection (L0, L1, L2) were coherently identified as the most significantly associated with the environmental variables under study.

IDENTIFICACIÓN Marcador Lugar Geno. Env. G score pagGRAMO pagW β0 β1
S1 L1A0A0 L1 A0A0 X1 92.30 7.44E-22 9.41E-14 −0.46 2.65
S2 L1A1A1 L1 A1A1 X1 90.49 1.86E-21 1.51E-12 −1.24 −2.94
S3 L2A1A1 L2 A1A1 X2 68.63 1.19E-16 9.02E-11 −1.59 −4.37
S4 L0A1A1 L0 A1A1 X0 65.69 5.29E-16 4.04E-11 −0.66 −2.35
S5 L0A0A0 L0 A0A0 X0 64.95 7.69E-16 6.92E-11 −1.58 2.61
S6 L2A0A0 L2 A0A0 X1 63.86 1.34E-15 1.37E-11 −0.55 2.04
S7 L2A1A1 L2 A1A1 X1 61.04 5.59E-15 4.12E-10 −1.56 −2.40
S8 L2A0A0 L2 A0A0 X2 60.94 5.88E-15 2.52E-10 −0.54 3.45
S9 L0A0A0 L0 A0A0 X2 43.43 4.39E-11 2.81E-08 −1.41 3.11
S10 L42A0A0 L42 A0A0 X0 42.44 7.30E-11 5.93E-09 0.06 1.67

3.2 Simulated dataset—SPAGs

We focussed on the three single-locus genotypes under selection (corresponding to models S1, S5 and S8), and we evaluated how using different types of SPAGs modulated the predictive power of the approach. Figure 1 displays an example for every type of SPAG.

Univariate SPAGs resulted in an average AUC of 0.84 ± 0.05 (Table S1). Figure 1b presents the univariate SPAG for the model S1 (Locus L1, genotype A0A0 associated with the environmental variable X1). Since this locus was simulated as under selection with the east–west gradient X1, the resulting SPAG coherently shows a similar gradient. The results are validated by the validation graph for almost the entire range of probability values, except close to 0.8, where the SPAG slightly overestimated the probability of presence of the genotype.

Intersection-SPAGs (I-SPAGs) generally showed higher AUCs, compared to univariate SPAGs (bivariate I-SPAGs: AUC = 0.91 ± 0.03 trivariate I-SPAG: AUC = 0.92 ± 0.02 Table S1). Figure 1c shows the I-SPAG for the three single-locus genotypes under selection. It indicates a very low probability of finding them all simultaneously, except in the southeast of the simulated area (where all environmental gradients had values close to 1).

Union SPAGs (U-SPAGs) resulted in AUCs systematically lower than in univariate and I-SPAGs (bivariate U-SPAGs: AUC = 0.80 ± 0.03 trivariate U-SPAG: AUC = 0.78 ± 0.02 Table S1). Figure 1d presents a U-SPAG of three single-locus genotypes under selection. It shows that the probability of finding at least one of them is higher than 0.5 in most of the area. The validation graph indicates that the model failed to estimate the probability of finding the genotypes for threshold values below 0.2 and above 0.8.

The AUC of the K-SPAG was higher than the univariate and U-SPAGs (AUC = 0.87 ± 0.02). Figure 1e depicts the probability of finding at least two of the three single-locus genotypes under selection, which is high in the southeast of the map. The validation graph indicates that the predictive power of the K-SPAG was usable for any level of genotype probability.

3.3 Moroccan goats—logistic regressions

More than 483 million logistic association models were computed. After correction for false discovery rate with a significant threshold of 5%, no model was significant according to the Wald score, but seven models were significant according to the G score (Table S2a). Among them, three models were strongly associated with the precipitation seasonality (bio15, Figure 3a), which is the coefficient of variation of the variation of monthly precipitation over the year. Following this initial result, we investigated in more details the adaptation to this bioclimatic variable. When considering only the associations involving bio15 (25,447,348 models), 78 models were significant after FDR correction of G score, with a significant threshold of 5% (Table S2b). The SNPs involved in these models are located on seven different genomic regions (Table 2), corresponding to four annotated genes (DSG4, CDH2, KCTD1 and WRN) on the reference genome CHIR 1.0.

IDENTIFICACIÓN Chr Start (BP) End (BP) Peak (BP) Geno GF GRAMO qG β0 β1 Genes
M1 6 12′174′332 12′298′321 12′276′168 AA 21.74 38.74 0.004 −1.80 1.51 -
M2 13 43′436′394 43′438′732 43′436′394 GG 10.56 29.02 0.042 −3.14 1.80 -
M3 24 19′436′980 19′436′980 19′436′980 CC 76.40 34.75 0.008 1.55 1.29 -
M4 24 25′852′900 25′860′754 25′860′754 AG 38.51 34.75 0.008 −0.29 −1.07 DSG4
M5 24 28′799′029 28′833′762 28′833′253 TT 12.42 27.87 0.046 −2.72 1.58 CDH2
M6 24 30′566′869 30′584′692 30′566′869 TT 2.48 27.99 0.046 −25.69 −15.44 KCTD1
M7 27 25′930′079 25′933′133 25′930′079 GG 78.88 32.88 0.012 1.76 −1.35 WRN

3.4 Moroccan goats—SPAGs

The seven significant single-locus genotypes uncovered in the GEA were employed to compute univariate SPAGs, I-SPAGs, U-SPAGs (both bi- and trivariate) and K-SPAGs (trivariate only). We assessed the predictive power of the approach under different types of SPAGs using AUC, and we show some examples of SPAGs in Figure 2.

Univariate SPAGs resulted in an average of AUC of 0.79 ± 0.03 (Table S3 Figure 2a shows the univariate SPAG for the genotype of model M1 presented in Table 2 (see File S6 for the other univariate SPAGs). The predicted probability of presence of the genotype is the highest in the extreme southwest of the country. In this region, the precipitation seasonality is the greatest (>100%, Figure 3a) and all goats carry the genotype of interest. In northern and western coastal areas, the predicted probability of finding the genotype is close to 0.5, since the precipitation seasonality is relatively high (>70%). Finally, in the eastern regions of the country, the probability of finding the genotype of model M1 is much lower (<0.2 in most areas). In these regions, variations of precipitation are less important (<40%) and most of the goats sampled do not carry the genotype.

Intersection-SPAGs (I-SPAGs) displayed an average AUC of 0.81 ± 0.07 in bivariate SPAGs and of 0.83 ± 0.05 in trivariate SPAGs. Figure 3b shows the I-SPAG for the genotypes involved in GEA models M1 and M4 (Table 2). This I-SPAG indicates that the simultaneous presence of the two single-locus genotypes is very unlikely (pag < 0.2) for most of the territory, with the exception for the southwest of the country.

Union SPAGs (U-SPAGs) generally resulted in lower AUC, compared to I-SPAGs (bivariate U-SPAGs: AUC = 0.81 ± 0.03 trivariate U-SPAGs: 0.82 ± 0.03). Indeed, we found only one combination of single-locus genotypes with higher AUC under U-SPAG (0.84 ± 0.01) than under I-SPAG (0.81 ± 0.02). This U-SPAG employed genotypes from M1 and M3 and is shown in Figure 3c. The probability of finding at least one of these two genotypes is close to 1 for most of the country except in the north-eastern region.

Percentage SPAGs (K-SPAGs) showed AUC values generally lower than I-SPAGs (AUC = 0.82 ± 0.05). One exception was the K-SPAG shown in Figure 3d, employing at least two of the genotypes from M1, M3 and M4. For these three loci, the K-SPAG showed an higher AUC (0.86 ± 0.01) than the I-SPAG (0.83 ± 0.02) and the U-SPAG (0.84 ± 0.03). Unlike the I-SPAG and U-SPAG shown in Figure 3b,c, the validation plot shows that this K-SPAG is validated for any level of probability of presence of the adaptive genotype.

3.5 Moroccan goats—genomic offset

Figure 3 shows the genomic offset, which represents the differences between the current SPAGs (presented in Figure 2) and the SPAGs corresponding to their projections for 2070. In Morocco, precipitation seasonality (bio15) is predicted to increase in the north of the country, with a maximum increase of 5%–10% in the extreme north-western region, and to decrease (from −10% to −20%) in other areas, especially in the Atlas Mountains (centre of the country, in the eastern region) and near the Sahara (South region Figure 3a,b).

The genomic offsets of the univariate SPAG for model M1 (Figure 3c) and of the I-SPAG for models M1–M4 (Figure 3d) display comparable spatial patterns. In both SPAGs, the northern regions of Morocco show the highest values of genetic offset (up to +20%), indicating that in these regions, the probability of finding the adaptive genotypes would have to be much higher for individuals to be adapted to 2070 conditions. Today, such genotypes are observed only in the extreme northern region, while they are absent in the northwest and northeast.

The genomic offsets of the U-SPAG for models M1-M3 (Figure 3e) and of the K-SPAG for models M1-M3-M4 (Figure 3f) show a similar spatial pattern to the one described above, even though with a different level of magnitude. Indeed, in the northern regions of Morocco the probability of presence of adaptive genotypes only have to be slightly higher (up to +10%) for individuals to be adapted to 2070 conditions. However, the multi-locus genotypes described by the U-SPAG and the K-SPAG were already found in most of the sampled goats, with the exception of the north-eastern regions.


A heuristic approach to global landslide susceptibility mapping

Landslides can have significant and pervasive impacts to life and property around the world. Several attempts have been made to predict the geographic distribution of landslide activity at continental and global scales. These efforts shared common traits such as resolution, modeling approach, and explanatory variables. The lessons learned from prior research have been applied to build a new global susceptibility map from existing and previously unavailable data. Data on slope, faults, geology, forest loss, and road networks were combined using a heuristic fuzzy approach. The map was evaluated with a Global Landslide Catalog developed at the National Aeronautics and Space Administration, as well as several local landslide inventories. Comparisons to similar susceptibility maps suggest that the subjective methods commonly used at this scale are, for the most part, reproducible. However, comparisons of landslide susceptibility across spatial scales must take into account the susceptibility of the local subset relative to the larger study area. The new global landslide susceptibility map is intended for use in disaster planning, situational awareness, and for incorporation into global decision support systems.

Esta es una vista previa del contenido de la suscripción, acceda a través de su institución.


Smoothing of land use maps for trend and change detection in urbanization

Urban sprawl and its evolution over relatively short periods of time demands that we develop statistical tools to make best use of the routinely produced land use data from satellites. An efficient smoothing framework to estimate spatial patterns in binary raster maps derived from land use datasets is developed and presented in this paper. The framework is motivated by the need to model urbanization, specifically urban sprawl, and also its temporal evolution. We frame the problem as estimation of a probability of urbanization surface and use Bayesian P-splines as the tool of choice. Once such a probability map is produced, with associated uncertainty, we develop exploratory tools to identify regions of significant change across space and time. The proposal is used to study urbanisation and its development around the city of Bologna, Emilia Romagna, Italy, using land use data from the Cartography Archive of Emilia Romagna Region for the period 1976–2008.

Esta es una vista previa del contenido de la suscripción, acceda a través de su institución.


Ver el vídeo: Raster Overlay: multiply intersect with booleans, add -scored- ordinal rasters