Más

Error creciente de oeste a este al superponer ráster y forma

Error creciente de oeste a este al superponer ráster y forma


Estoy usando una forma de Austria de gadm.org que quiero superponer con un archivo netCDF en R. Como netCDF ha proyectado coordenadas en EPSG: 31287, he reproyectado la forma usando FWtools y .proj4-string de la referencia espacial. org.

Desafortunadamente, la forma no se ajusta a los datos ráster: el mejor ajuste está en el oeste y el error crece en la dirección este (la forma tiene una extensión mayor en la dirección este que el ráster). La extensión norte / sur es correcta. ¿Alguna idea sobre que podría ir mal? Ya traté de jugar conlon_0valores, pero hasta donde estoy informado correctamente, esto solo causa un cambio general.


¿Cuánto compensación tienes?

Si se trata de unos 100 m, es posible que experimente un cambio de referencia. Puede ser que el archivo netcdf no tenga los parámetros towgs84, mientras que su shapefile reproyectado podría tener. Hay diferentes parámetros Towgs84 disponibles para MGI.

Por cierto, FWtools ya no está actualizado. Para Windows, use las últimas compilaciones de GDAL de http://www.gisinternals.com/release.php


Introducción

Los abanicos aluviales / diluviales son accidentes geográficos sedimentarios que se desarrollan en la base de los frentes de las montañas donde emergen arroyos alimentadores confinados que capturan y liberan su carga de sedimentos en zonas no confinadas (Bull 1977 Clevis et al. 2003). Distribuyendo sus cargas en un patrón radiante desde un solo vértice, forman canales con formas complejas como reticulado y dendrítico. Este tipo de abanicos son accidentes geográficos fluviales comunes vinculados a la actividad de arroyos torrenciales que pueden estar sujetos a una variedad de diferentes procesos de flujo (Santo et al. 2015 Sancho et al. 2008). Los procesos de erosión son complejos y están influenciados por muchos factores.

Muchos estudios se han centrado en comprender la erosión del suelo en el abanico aluvial. Por un lado, se estudia la evolución de los abanicos aluviales mediante una combinación de técnicas geomorfológicas y sedimentológicas, donde se reconstruyen los patrones de erosión (Roberts et al. 1999 Tipping y Halliday 2010 Yang et al. 2011). Por otro lado, varios estudios han explotado la capacidad de las cuencas sedimentarias para retener el material erosionado y los flujos de erosión derivados de los cálculos del balance de masa regional (Kuhlemann et al. 2002 Barnes y Heins 2010 Hinderer 2012). La superficie de una cuenca y el volumen y la edad de los sedimentos erosionados depositados en su desembocadura pueden usarse para derivar la tasa de denudación media. La variación espacial y temporal de la tasa media de denudación puede traducirse en variaciones en el levantamiento tectónico o forzamiento climático (Kuhlemann et al. 2002 Barnes y Heins 2010). Además, algunos investigadores midieron las tasas de erosión promediadas, el desarrollo del paisaje y las tasas de elevación basándose en las concentraciones de nucleidos cosmogénicos 10 Be y 26 Al, que son particularmente útiles para estimar las tasas de erosión "de fondo" a largo plazo. Esto se debe a que las concentraciones de nucleidos cosmogénicos son insensibles a los cambios recientes, que reflejan el proceso tectónico a largo plazo de los límites de las placas (Granger et al. 1996 Nishiizumi et al. 2005). Estos métodos son importantes y críticos para revelar la tasa de denudación y la ubicación de los ventiladores diluviales en el proceso geológico, pero no son adecuados para la erosión del suelo a corto plazo inducida por la lluvia.

Otros investigadores han propuesto varios modelos cuantitativos para analizar el proceso de erosión del suelo inducida por la lluvia (Merritt et al. 2003 Aksoy y Kavvas 2005 de Vente y Poesen 2005 Cuomo et al. 2015, 2016). Estos modelos se pueden dividir en tres categorías: modelos empíricos, conceptuales y de base física. Los modelos empíricos se utilizan a menudo para reconocer las áreas de origen de la erosión del suelo, tales modelos incluyen la famosa Ecuación de pérdida de suelo universal (USLE Wischmeier y Smith 1978) y el modelo de distribución distribuida de sedimentos (SEDD) (Ferro y Porto 2000). Todos los modelos empíricos no pueden dar cuenta de la deposición y removilización de sedimentos, lo que limita la aplicación de estos modelos. Los modelos conceptuales involucran descripciones generales de los procesos de captación sin considerar los detalles específicos de las interacciones de los procesos de captación (Sorooshian 1991), por ejemplo, el modelo AGriculture Non Point Source (AGNPS) (Young et al. 1989). Los inconvenientes de los modelos conceptuales son que la calibración varía con los sitios y que las propiedades del suelo y las características de la lluvia se consideran indirectamente (Cuomo et al. 2015). Los enfoques basados ​​en la física describen las características e interacciones de todos los procesos inducidos por la lluvia en una cuenca. Veihe et al. Reportaron predicciones precisas de la escorrentía anual y la pérdida de suelo basadas en el Modelo EUROpeano de Erosión del Suelo (EUROSEM Morgan et al. 1998). (2001) para algunas cuencas de América Central. Uno de los modelos físicos más alentadores es el modelo de erosión del suelo de Hamburgo (LISEM De Roo et al. 1996 De Roo y Jetten 1999), que se ha aplicado a pequeñas (& lt 10 km 2 Hessel et al. 2003) y medianas. Sin embargo, en cuencas montañosas de tamaño (& gt 50 km 2 Baartman et al. 2012), evaluó el desempeño y las incertidumbres de LISEM hacia estimaciones cuantitativas de descarga y concentración de sólidos. Los principales inconvenientes de este modelo de categoría son que se requieren las calibraciones correspondientes para eventos de escorrentía de diferentes escalas y que la pérdida de suelo puede estar sobreestimada (Hessel et al. 2006).

En la mayoría de los casos reales, se dispone de información muy limitada, como la descarga máxima (de agua y sedimentos) y la concentración de sedimentos, por lo que la calibración de cualquier modelo de erosión es bastante difícil e incierta (Cuomo et al. 2016). Además, la complejidad del modelo está determinada por el detalle de los procesos de captación simulados (Merritt et al. 2003). Los modelos complejos sufren problemas con la acumulación de errores y la identificabilidad del modelo, debido a la parametrización excesiva (Beven 1989). Por lo tanto, es necesario proponer una evaluación práctica y eficiente del método de erosión del suelo.

Las estructuras construidas por humanos, como tuberías y ferrocarriles, generalmente se ubican en el borde de ataque del abanico diluvial, porque el volumen de agua es relativamente bajo y el terreno es relativamente plano. Es bien sabido que la distribución espacial y temporal de los depósitos diluviales en relación con el desarrollo de barrancos erosivos (Eriksson et al. 2000) y la erosión durante la formación y desarrollo de abanicos diluviales tienen un gran impacto en las actividades humanas. Sin embargo, no ha habido métodos precisos y de amplia aplicación para evaluar la susceptibilidad a la erosión en el borde de ataque de los abanicos diluviales bajo ríos intermitentes. Los mapas de susceptibilidad para diferentes procesos generalmente subdividen el terreno en zonas con diferentes probabilidades de que ocurra un determinado tipo de proceso (Corominas et al. 2013). Por lo tanto, es importante evaluar la erosión del suelo del borde de ataque del abanico diluvial bajo ríos intermitentes durante un período estable.

Este estudio propone un método para evaluar la susceptibilidad a la erosión del suelo. El método se aplica para evaluaciones de susceptibilidad de la erosión del suelo en el abanico diluvial superpuesto de tuberías subterráneas poco profundas, y los resultados de la evaluación se comparan con los resultados de ingeniería reales. Además, el mecanismo de erosión del suelo se analiza según el tamaño de partícula y la cementación.


Prueba de RUSLE y factores de influencia clave utilizando GIS y métodos de probabilidad: un estudio de caso en la reserva natural nacional de Nanling, sur de China

Los objetivos principales del estudio fueron probar el desempeño de la Ecuación Universal Revisada de Pérdida de Suelo (RUSLE) y comprender los factores clave responsables de generar erosión del suelo en la Reserva Natural Nacional de Nanling (NNNR), en el sur de China, donde la erosión del suelo se ha convertido en un problema ecológico y medioambiental muy grave. Al combinar los datos de RUSLE y del sistema de información geográfica (GIS), primero produjimos un mapa del riesgo de erosión del suelo a un nivel de píxel de resolución de 30 m con factores predichos. Luego usamos imágenes de satélite Landsat 8 consecutivas para obtener la distribución espacial de cuatro tipos de erosión del suelo y realizamos una verificación de la verdad del terreno del RUSLE. Sobre esta base, desarrollamos de manera innovadora un modelo de probabilidad para explorar la relación entre cuatro tipos de erosión del suelo y los factores de influencia clave, identificar el área de alta erosión y analizar la razón de las diferencias derivadas del RUSLE. Los resultados mostraron que la precisión general de la interpretación de imágenes era aceptable, lo que podría usarse para representar la distribución espacial actual de la erosión del suelo. La verificación de la verdad del suelo indicó algunas diferencias entre la distribución espacial y la clase de erosión del suelo derivada del RUSLE y la situación real. El desempeño del RUSLE fue insatisfactorio, produciendo diferencias e incluso algunos errores cuando se utilizó para estimar los riesgos ecológicos que presenta la erosión del suelo dentro del NNNR. Finalmente, producimos una tabla de probabilidad que revela el grado de influencia de cada factor en los diferentes tipos de erosión del suelo y aclaramos cuantitativamente la razón para generar estas diferencias. Sugerimos que el tipo de erosión del suelo y los factores de influencia clave deben identificarse antes de la evaluación del riesgo de erosión del suelo en una región.

1. Introducción

La erosión del suelo es un problema ambiental vital en todo el mundo que conduce a la destrucción de los recursos del suelo, la disminución de la fertilidad del suelo, el deterioro del entorno ecológico y la elevación de los lechos de los ríos para exacerbar las inundaciones [1–4]. En cuanto al sur de China, el área de erosión del suelo se reporta alrededor de 300.000 km 2, que se distribuye principalmente en las zonas montañosas o montañosas de suelo rojo, de las cuales la tasa de erosión del suelo puede alcanzar las 15.000 t · km −2 · año −1 [ 5]. La erosión del suelo en esta área, especialmente la erosión acelerada del suelo inducida por actividades humanas, es extremadamente severa y tiene un tremendo impacto socioeconómico. Por lo tanto, el sur de China ha sido durante mucho tiempo una región importante para la investigación de la erosión del suelo.

Hay muchos métodos para evaluar la erosión del suelo a distintas escalas [6–9]. La Ecuación Universal Revisada de Pérdida de Suelo (RUSLE) es el modelo empírico más utilizado debido a su estructura de modelo simple, transparente y robusta y su compatibilidad con plataformas geoespaciales [10, 11]. Recientemente, muchos estudios han informado que pueden predecir la erosión del suelo combinando el RUSLE y el sistema de información geográfica (GIS) [12-17]. Por ejemplo, Fayas et al. [18] evaluó la erosión del suelo promedio anual máxima de 103.7 t · ha −1 · año −1 en el Kelani Cuenca del río en Sri Lanka. Panagos y col. [19] evaluó que la tasa media de pérdida de suelo fue de 2,46 t · ha −1 · año −1 en áreas propensas a la erosión de la Unión Europea. Zerihun y col. [20] clasificó el noroeste de Etiopía en cinco clases de gravedad de la erosión del suelo y estimó la pérdida total de suelo de 526,996 t · ha −1 · año −1. La revisión de estos estudios revela que la mayoría se ha centrado en evaluaciones cuantitativas de la pérdida de suelo, mientras que pocos han considerado la verificación de la verdad del suelo del RUSLE y los factores de influencia clave subyacentes de la erosión del suelo.

La aplicación de un modelo de erosión del suelo solo en una región puede producir muchas diferencias importantes al abordar los problemas de erosión localizados. Esto se debe a que las tasas promedio de pérdida de suelo podrían estar dentro de límites tolerables, mientras que el problema podría ser localmente severo, es decir, el modelo de erosión podría subestimar el riesgo de erosión en algunas unidades de cobertura terrestre dentro de una cuenca. Por lo tanto, la verificación de la verdad del terreno es extremadamente importante y debe realizarse después de la aplicación del modelo predicho. Los principales factores que afectan la erosión del suelo son el clima, la topografía, el suelo, la vegetación, la geología y las actividades humanas [21, 22]. El RUSLE depende solo de cinco factores, es decir, la erosividad de la lluvia (R), erosionabilidad del suelo (K), longitud y pendiente de la pendiente (LS), gestión de cobertura (C) y práctica de apoyo (PAG) por lo tanto, existe la posibilidad de que se ignoren algunos otros elementos más importantes que influyen en la erosión local del suelo, como el patrón de pendiente, la litología y la distancia a las redes de drenaje. Para diferentes cuencas hidrográficas, los factores clave responsables de generar la erosión del suelo son obviamente muy diferentes. Wu y Wang [23] estudiaron la relación entre la erosión del suelo y los factores de influencia en el condado de Fuyang, China, y encontraron que la erosión del suelo exhibía una alta selectividad de factores geográficos, como elevación, pendiente, aspecto y uso del suelo. Ma et al. [24] encontró que el impacto del patrón de uso de la tierra en la distribución de la erosión del suelo se había vuelto cada vez más importante y sugirió que se debería prestar más atención al papel del ajuste y la optimización de la estructura del uso de la tierra en el control de la erosión del suelo. Bohm y Gerold [25] confirmaron el importante papel de la vegetación en la erosión del suelo y encontraron un pequeño efecto de la textura y la pendiente del suelo. Li y Tang [26] encontraron que la actividad humana era un factor muy importante en la parte baja del río Jinsha, China. Sachs y Sarah [27] destacaron que la erosión del suelo estaba fuertemente influenciada por el tipo de suelo, la tasa de pendiente y el tipo y cobertura de vegetación. Wang y col. [28] probó cuantitativamente la relación entre la erosión general del suelo y los factores ambientales en la Reserva Natural Nacional de Nanling, China, y encontró que la erosión del suelo se distribuye principalmente en un rango específico de factores ambientales, como 500-1300 m de elevación, rojo y suelo de pradera de matorrales y pendiente & gt40. Sin embargo, no discutieron más la relación entre los diferentes tipos de erosión del suelo (erosión por riachuelos, erosión laminar, erosión por barrancos y erosión inducida por el hombre) y los factores ambientales. Mientras tanto, no estimaron la pérdida potencial anual total de suelo mediante el modelo RUSLE y, por lo tanto, no probaron la aplicación de RUSLE en NNNR. Por lo tanto, antes del modelado de la erosión, es esencial no solo establecer las unidades de cobertura terrestre que tienen altas tasas de erosión, sino también determinar los factores de influencia subyacentes de la erosión del suelo.

Los objetivos generales de este estudio fueron evaluar los riesgos de erosión del suelo mediante la combinación de RUSLE, GIS y RS, para probar el rendimiento del RUSLE y comprender los factores clave responsables de generar la erosión del suelo. Los objetivos específicos fueron los siguientes: (i) derivar la distribución espacial y el tipo de erosión del suelo a partir de RS y técnicas de medición de campo, (ii) mapear un riesgo de erosión del suelo mediante la integración de RUSLE y GIS, (iii) probar la desempeño del RUSLE mediante verificación de la verdad del suelo, y (iv) comprender los factores clave responsables de generar la erosión del suelo y las razones de las diferencias derivadas del RUSLE utilizando SIG y el método de probabilidad desarrollado. Para lograr estos objetivos, la Reserva Natural Nacional de Nanling (NNNR), ubicada en el norte de la provincia de Guangdong, sur de China, fue seleccionada como el área de estudio. Debido a la compleja función de los factores naturales y artificiales, esta área sufre muchos problemas ambientales como la erosión del suelo, la destrucción de los recursos de la tierra, la declinación de la fertilidad del suelo y el deterioro del medio ambiente ecológico.

2. Materiales y metodología

2.1. Caracterización del área de estudio

La Reserva Natural Nacional de Nanling (NNNR), fue elegida como el sitio del caso (Figura 1), cubre un área de 583,68 km 2 en el norte de la provincia de Guangdong, en el sur de China. Litológicamente, las rocas graníticas están muy extendidas en la región de Nanling, especialmente el granitoide jurásico tiene el área más amplia. La topografía es compleja y está controlada por la estructura montañosa este-oeste, con una elevación que va desde 202,1 ma 1902 m. La aceleración sísmica en el área de estudio es de 0.05 g. El ángulo de pendiente varía de 0,0 ° a 64,3 ° con un promedio de 19,5 °. El sistema de agua es dendrítico y se puede dividir aproximadamente en cinco niveles (Figura 1). De este a oeste, hay dos cuencas hidrográficas principales: el río Nanshui y el río Chengjia. El área tiene una zonalidad vertical distinta de cuatro órdenes principales de suelo (suelo rojo, suelo rojo-amarillo, suelo amarillo y suelo de pradera arbustiva). La vegetación abarca desde bosques de hoja ancha subtropicales siempreverdes hasta prados alpinos. Actualmente, la cobertura forestal está por encima del 90%.


Resultados

La especialización completa del anfitrión es rara

Primero caracterizamos los niveles de especialización del anfitrión observados en S. hermonthica poblaciones de África. El grado de especialización del hospedador fue muy variable en las 27 poblaciones estudiadas (Fig. 2). Las poblaciones se caracterizaron por una alta emergencia en mijo o sorgo solamente, alta emergencia en dos hospedantes o alta emergencia en los tres hospederos (Fig. 2). El agrupamiento jerárquico con un punto de corte de 0,5 mostró cinco grupos: especialistas en mijo (Grupo 1 n = 2), generalistas en mijo / sorgo (Grupo 2 n = 3), especialistas en sorgo (Grupo 3 n = 7), generalistas de alto desempeño ( Grupo 4 n = 3) y especialistas en maíz / sorgo (Grupo 5 n = 10 Fig. 2). Además de los generalistas de alto rendimiento, todos los grupos incluyeron poblaciones de al menos dos estudios, lo que sugiere que las diferencias entre los estudios no sesgaron fuertemente el agrupamiento. Con la excepción de los especialistas en mijo de Bambey, Senegal, la mayoría de las poblaciones tenían niveles de especialización modestos o bajos, como lo indican los valores del índice de diferenciación por pares (Fig. 2B). Estos resultados sugieren que, aunque los parásitos pueden adaptarse localmente a especies hospedadoras comúnmente cultivadas, la especialización completa es rara.

La distribución de las comunidades de acogida da forma a la especialización

Luego, investigamos si la distribución de las comunidades de acogida en los entornos podría dar forma a la evolución de la especialización de acogida (Q1). S. hermonthicaLas regiones propensas cubrían aproximadamente 628 millones de hectáreas, de las cuales se estimó que el 80% tenían una producción distinta de cero de maíz, mijo o sorgo. Los patrones de producción de cultivos generalmente siguieron gradientes de lluvia, con una mayor superficie de tierra sembrada de mijo en las regiones más áridas del Sahel, el sorgo predomina en las latitudes más bajas y en el este de Sudán, y el maíz es más común en las regiones más mésicas (Fig.2). En 2000, el sorgo o el maíz eran los cultivos dominantes en la mayoría de S. hermonthica-áreas propensas (38% sorgo 38% maíz), con 24% de las áreas caracterizadas por el mijo como el principal cultivo de cereales.

La especialización observada en los experimentos estuvo fuertemente asociada con la variación espacial en las comunidades de cultivos hospedantes (Fig. 3A-C). Para los parásitos en los tres hospedantes, el área relativa de cultivo hospedante cosechada dentro de un radio de 50 km fue un fuerte predictor de la emergencia relativa media en los estudios experimentales. Este hallazgo fue especialmente pronunciado para el mijo (pmijo & lt 0,001 βárea de cosecha = 1.02 LMM Información de apoyo). El área de cultivo relativa cosechada también fue un predictor estadísticamente significativo de la emergencia relativa media en el sorgo (psorgo = 0.04 βárea de cosecha = 0.22 LMM) y maíz (pmaíz = 0.04 βárea de cosecha = 0,23 LMM Información de apoyo). Estos resultados son consistentes con la conclusión de que los parásitos se adaptan al huésped más abundante en una región en particular y también sugieren que la emergencia relativa del parásito es un indicador razonable de la aptitud (Fig. 1).

La especialización del anfitrión puede estructurar distribuciones de parásitos

Nuestros análisis proporcionaron poco apoyo para una relación positiva entre la especialización y la aparición de parásitos en diferentes hospedadores (Q2 Fig. 3D-F). Dentro de un radio de 50 km de las 27 ubicaciones con datos de aparición de parásitos, 15 ubicaciones tenían al menos un registro de aparición de parásitos con información sobre el anfitrión de origen. Proporción de registros en un host en particular para estos 15 Striga poblaciones no fue un predictor estadísticamente significativo de la emergencia en el maíz (pmaíz = 0.07 βocurrencia= 0.18 LMM), mijo (pmijo = 0.06 βocurrencia = 0.21 LMM) o sorgo (psorgo = 0,57 βocurrencia = 0,05 LMM Información de apoyo). La disponibilidad de datos adicionales sobre la aparición de parásitos y el rendimiento podría revelar una relación más fuerte entre la especialización y los patrones de aparición de parásitos en diferentes hospedadores.

El nicho abiótico del parásito refleja la tolerancia ambiental del huésped

Para caracterizar la base abiótica de los patrones de especialización de hospedadores, construimos modelos de nicho ambiental (ENM) para poblaciones de parásitos potencialmente especializados en hospedadores al excluir todas las ocurrencias con hospedante desconocido o con hospedante no focal (información de apoyo). A pesar de un número menor de observaciones en comparación con el modelo de ocurrencia total, los ENM tuvieron una buena precisión predictiva para cada uno de los modelos específicos de host. El área bajo la curva de características operativas del receptor (AUC) para el conjunto de prueba fue 0,848 para el modelo de ocurrencia total (n = 1049) en comparación con 0,850 para el modelo de sorgo solo (n = 262), 0,908 para el modelo de mijo solo ( n = 157) y 0,841 para el modelo solo de maíz (n = 74).

Los nichos modelados generalmente reflejan tolerancias ambientales conocidas de los hospedadores, con modelos específicos de mijo que predicen una alta idoneidad de hábitat en ambientes con bajo contenido de nitrógeno (N) y poca lluvia, pero modelos específicos de maíz que predicen una mayor idoneidad de hábitat en ambientes caracterizados por suelos más ricos en nitrógeno y mayores precipitaciones (Fig. 4A-D). En todas las especies hospedadoras, las precipitaciones anuales y el N del suelo se encontraban generalmente entre los predictores más importantes de la aparición de parásitos (información de apoyo). La precipitación anual fue el factor más común que limita la idoneidad del hábitat para parasitar el maíz. S. hermonthica (59% de todas las celdas de la cuadrícula percentil 10 a 90 para celdas de la cuadrícula con idoneidad de hábitat ≥ 0.5: 854-1537 mm año -1) pero también fue muy limitante para los parásitos del sorgo (41% de las celdas percentil 10 a 90: 509-1197 mm año -1) y mijo (32% de las celdas del percentil 10 al 90: 441-1164 mm año -1) (Información de apoyo). La temperatura media del cuarto más húmedo también fue un predictor importante de S. hermonthica mijo parasitario (Información complementaria) y, con frecuencia, la idoneidad del hábitat limitada para las poblaciones parasitarias del mijo (Información complementaria). El contenido de arcilla del suelo fue un predictor importante para S. hermonthica ocurrencia en el sorgo (información de apoyo), pero solo fue limitante para las poblaciones que parasitan el mijo en el este de Sudán y las poblaciones que parasitan el sorgo en el oeste de Senegal (información de apoyo). Un mayor contenido de arcilla en el suelo se ha asociado anecdóticamente con el parasitismo en el sorgo en general (Mohamed et al. 2001) y en Sudán (Wilson-Jones 1955).

Los ENM de parásitos reflejan las tolerancias abióticas del huésped. (A – D) Distribución de los valores ambientales para las celdas de la cuadrícula en el hábitat central (idoneidad del hábitat ≥ 0.5) para los ENM basados ​​en subconjuntos en los registros de ocurrencia en diferentes hospedadores. (E) Idoneidad del hábitat (HS) en función de la productividad combinada del hospedero (rendimiento por hectárea) en los lugares donde parasitan el maíz, el mijo y el sorgo. S. hermonthica a partir de observaciones de historia natural. Las curvas se ajustaron mediante regresión polinomial local. El HS alcanza su punto máximo en lugares de mayor productividad para los parásitos del maíz en comparación con el mijo o el sorgo. (F) Especialización del anfitrión medida como el índice de diferencia pareada (PDI) para n = 25 S. hermonthica poblaciones probadas para la emergencia en estudios previos. Las áreas sombreadas en (E) y (F) indican intervalos de confianza del 90%. Ana. Precipitación: precipitación anual (mm año −1) Temperatura media. Mojado. Q .: temperatura media del cuarto más húmedo (° C) suelo N: nitrógeno del suelo (g kg −1) arcilla: fracción de arcilla (% en peso).

Tanto en los ecosistemas agrícolas como en los naturales, los entornos más productivos pueden estar asociados con una mayor disponibilidad de hospedadores alternativos, lo que favorece a los generalistas (Thrall et al. 2007). El parasitismo en el maíz se asoció con una mayor calidad ambiental, y la idoneidad del hábitat alcanzó su punto máximo en lugares de mayor productividad de los cultivos (Fig. 4E). El rendimiento combinado de los cultivos por área cosechada fue significativamente mayor cuando S. hermonthica parasita el maíz en comparación con el mijo (p & lt 0,001, prueba de la suma de rangos de Wilcoxon) pero no en comparación con el sorgo (p = 0,2), lo que es coherente con una mayor superposición de nichos entre el maíz y el sorgo (información de apoyo). Observamos una tendencia débil hacia la especialización reducida de parásitos con el aumento de la productividad ambiental (Fig. 4F p = 0.15, prueba de bondad de ajuste de chi-cuadrado para el modelo de regresión lineal). Tomados en conjunto, los ENM de parásitos son muy sensibles a las diferencias en la tolerancia ambiental multivariada de los hospedadores, de acuerdo con el cultivo del hospedador en un gradiente desde ambientes marginales y cálidos (mijo perla) a ambientes más productivos y más fríos (maíz).

Los gradientes abióticos dan forma a la distribución de los especialistas en mijo y sorgo

Los contrastes de ENM muestran dónde los nichos de host difieren más en el espacio ambiental multivariado. Si el ambiente abiótico está asociado con la especialización del hospedador, los especialistas pueden estar más probablemente donde los ejes ambientales diferencian más fuertemente a los hospederos en el espacio de nicho (Futuyma y Moreno 1988). De acuerdo con esta idea, los contrastes ENM fueron fuertemente predictivos de la variación en S. hermonthica comportamiento en especies hospedadoras para las que se han informado previamente poblaciones de parásitos especializados (Fig. 3G-H). Los contrastes de ENM se asociaron más fuertemente con la emergencia relativa media en el mijo perla (pmijo & lt 0,001 βENM = −0,68 LMM) y también se asociaron significativamente con la emergencia relativa media en sorgo (psorgo = 0,0067 βENM = −0,50 LMM) (Información de apoyo). Por el contrario, la especialización de hospedadores predicha por los contrastes de ENM no se asoció fuertemente con la emergencia relativa media en el maíz (pmaíz = 0,19, βENM = 0,15 LMM Información de apoyo).

Cambio futuro en la distribución de parásitos

Para investigar los posibles cambios en la especialización del host a lo largo del tiempo, proyectamos ENM a climas futuros (información de apoyo). Para 2050, predijimos un aumento general en la idoneidad del hábitat para S. hermonthica, con un aumento medio en la idoneidad del hábitat en su rango actual de 0.07 bajo RCP 4.5 (p & lt 0.001 Prueba de rango con signo de Wilcoxon que compara la idoneidad del hábitat de las celdas de la cuadrícula en el presente con 2050) y 0.09 bajo RCP 8.5 (p & lt 0.001 Prueba de rango con signo de Wilcoxon Información de apoyo ). La idoneidad del hábitat aumentó más para las poblaciones que parasitan el mijo, seguida de las que parasitan el maíz. S. hermonthica (Información de soporte). Los cambios en la idoneidad del hábitat fueron heterogéneos en todo el espacio, y muchas regiones de la zona sudanosaheliana de África occidental se volvieron menos adecuadas para S. hermonthica y sus anfitriones (Sultan et al. 2013), pero África central y oriental generalmente se vuelven más adecuados (Información de apoyo).


3. Métodos

3.1. Síntesis y aumento de datos

Nuestro equipo accedió a ocho sitios de estudios de caso con

datos LCLU ráster derivados de Landsat por décadas a través de

2000 (tabla 1, figura 2). Estos eran del proyecto Central Siberia (CSIB, Bergen et al 2003, 2008), el proyecto Primorsky (PRIM, Johnson 2014) y el proyecto Northern Eurasia Land Dynamics (NELDA, Pflugmacher et al 2011). Reprocesamos los datos ráster para hacer que las clases LCLU sean lo más comparables posible entre sitios y desarrollamos nuevas clasificaciones para 2010. Mientras nos enfocamos en las clases antropogénicas de uso de la tierra, retenemos las otras clases LCLU ráster (tabla 2). Existen varias lagunas en estas series de tiempo y, en su mayoría, no creamos retrospectivamente los datos faltantes. Sin embargo, creamos nuevas clasificaciones para la tala y el fuego para las fechas faltantes (tabla 1). A falta de datos urbanos y de carreteras detallados y consistentes, creamos nuevos datos vectoriales decenales para estas características antropogénicas para todos los sitios y fechas. Juntos, estos formaron el conjunto de datos SYNTHESIS LCLU. Para un contexto más amplio y una serie de tiempo más densa (anual), compilamos datos estadísticos rusos a nivel provincial.

1975–2010 para indicadores socioeconómicos representativos del estudio sobre usos antropogénicos de la tierra (Park 2013, Rosstat 2013).

Tabla 1. Datos de síntesis. La fuente es un proyecto de estudios de casos heredados. Los estratos son los sitios SIB (Siberia) y RFE (Extremo Oriente ruso) más los sitios N (Cercano) y R (Remoto). La ruta / fila es WRS-2. La fecha es la de la imagen única o principal. El sensor es del tipo de sensor Landsat. Una 'x' indica datos de SÍNTESIS disponibles: para LCLU ráster, esto significa que un conjunto completo de clases de datos Ráster Cut & amp Burn también se incluyen en ese conjunto o están disponibles por separado a.

Sitio Fuente Estratos Camino / fila Landsat WRS-2 Fecha Sensor Vector Urbano VectorCarreteras RasterCut y amp Burn Rasterizar todas las clases de LCLU
Tomsk CSIB SIB / N p147r20 08/30/75 MSS X X X X
09/07/89 TM X X X X
07/09/99 ETM + X X X X
09/11/10 TM X X X X
Krasnoyarsk CSIB SIB / N p141r20 06/26/74 MSS X X X X
05/14/91 TM X X X X
08/18/00 ETM + X X X X
08/22/10 TM X X X X
Irkutsk CSIB SIB / N p133r23 06/21/75 MSS X X X X
08/21/89 TM X X X X
08/13/01 ETM + X X X X
08/30/10 TM X X X X
Chita NELDA SIB / N p129r24 08/22/76 MSS X X
05/28/92 TM X X X
060/1/00 ETM + X X X X
09/03/10 TM X X X X
Amur NELDA RFE / R p122r23 05/22/75 MSS X X X X
06/15/87 TM X X X X
05/15/02 ETM + X X X X
07/03/11 TM X X X X
Primorsky REMILGADO RFE / N p113r29 06/30/76 MSS X X X X
Sur 09/09/89 TM X X X X
09/21/99 TM X X X X
08/13/09 TM X X X X
Primorsky REMILGADO RFE / R p112r28 08/27/75 MSS X X X
norte 06/27/88 TM X X X
06/07/01 ETM + X X X
09/12/10 TM X X X X
Sikhote-Alin NELDA RFE / R p112r25 múltiple MSS X X
08/13/90 TM X X X
05/18/02 ETM + X X X X
06/09/13 OLI X X X X

a Dos sitios no tienen datos de 1975 debido a la falta de disponibilidad de imágenes MSS adecuadas para la clasificación de raster.

Tabla 2. SÍNTESIS Clases LCLU.

Definimos clases LCLU ráster SYNTHESIS basados ​​en el esquema de clases de proyectos CSIB / PRIM existente, ya que representaba más los usos antropogénicos de la tierra (tabla 2). Algunas clases de NELDA se emparejaron con las que no se cruzaron o se reclasificaron (tabla de material suplementario C). La reclasificación incluyó la segmentación de algunas clases agrupadas en clases separadas utilizando los datos de la imagen. Las nuevas clasificaciones de LCLU ráster de 2010 se basaron principalmente en los mismos métodos que los datos heredados para un sitio determinado (Bergen et al 2008, Pflugmacher et al 2011, Johnson 2014). Los datos de entrenamiento y prueba para 2010 y los sitios con reclasificaciones fueron de imágenes de alta resolución espacial (Google y CNES / Astrium 2014) y los sitios inalterados de imágenes Landsat conservaron estadísticas de precisión heredadas. Además de las precisiones generales y de los productores, calculamos la precisión de los intervalos de confianza (IC) del 95% y los IC del 95% del área de tierra (Rossiter 2004, Olofsson et al 2014).

Trazamos mapas de asentamientos urbanos rurales y carreteras manualmente como elementos de líneas y polígonos vectoriales utilizando mapas topográficos rusos 1: 200 000 y sus esquemas de clases más los datos del Landsat (tabla 2, Roskartografia 1985). Los datos de origen del mapa eran de las décadas de 1970 y 1980, por lo que primero digitalizamos y etiquetamos los asentamientos y las carreteras presentes en los mapas. El mapeo de asentamientos utilizó una unidad de mapeo mínima de 0.1 km 2 (10 ha). Superponemos los datos vectoriales en el

Imágenes de Landsat de 1975, personalizando aún más la presencia de la carretera a la fecha de la imagen y luego a cada fecha posterior en la serie de tiempo de Landsat del estudio. Para los polígonos urbanos, verificamos iterativamente para corregir errores de omisión o comisión. Para la longitud de la carretera, también realizamos una evaluación de precisión cuantitativa para 2010 basada en la comparación con imágenes de alta resolución (Google Earth y Digital Globe 2017).

3.2. Cuantificación y análisis

A partir de los datos ráster de SYNTHESIS, primero cuantificamos las tendencias en las proporciones y magnitudes relativas de las clases de corte antropogénico (tala) y agricultura más quema a lo largo del tiempo para cada sitio. Además, los agrupamos en la región asignada y los estratos de proximidad, volviendo a calcular las estadísticas ponderadas por las áreas terrestres del sitio. En los pocos casos en los que faltaban datos de corte o agricultura en una serie de tiempo de SYNTHESIS de sitio, estimamos estos valores faltantes antes de combinarlos, utilizando una imputación única basada en valores de datos de SYNTHESIS de fechas de series de tiempo vecinas más las estadísticas anuales a nivel de provincia. Para el sitio de Amur, calculamos las proporciones solo para Rusia y para Rusia-China combinadas.

A partir de los datos urbanos vectoriales, primero resumimos los números totales (recuentos) y áreas de polígonos urbanos en cada una de las cuatro SÍNTESIS Clases urbanas por sitio y fecha. From these, we calculated percent increase in count, area, and density for each of the four Urban classes by site and date. To characterize settlement sizes, we calculated mean area (km 2 ) and standard deviations within each of the four Urban classes by site for the 2010 date. From the vector roads data we computed total lengths and densities for each Road class by site, and then calculated percent increase in road length by road class and site. Finally, we pooled the Urban or Road data (no missing data) by strata for each date, and re-calculated area-weighted statistics. For the Amur site, we calculated statistics for Russia and China separately and combined.

In addition to our primary quantifications of anthropogenic land-use trends, we addressed some specific questions raised by legacy studies. To examine the relative contribution of agricultural abandonment to regeneration, we computed the proportion of new Young/Shrub class area that had been classed as Agriculture at the previous decadal time step within a representative set of sites. To examine forest type/s at risk for logging, we computed the relative proportions of previous decadal date forest classes within new Cut areas for representative sites. To investigate logging practices, we computed landscape pattern metrics of the Cut class for representative sites. We compared logging (Cut) and fire (Burn) magnitudes over time.

At the province level, we quantified and visualized six socio-economic indicators representative of regional anthropogenic land uses. We used these data to help impute several missing values from the raster land-use data and to provide information on both broader context as well as finer temporal patterns during interpretation of Landsat–derived SYNTHESIS results.


Expresiones de gratitud

Funding for this research was provided by the Sustainable Forestry Initiative (SFI 2013-003), Weyerhaeuser Co. Ltd, fRI Research, Alberta Forest Products Association, and partners of the fRI Research Caribou and Grizzly Bear Programs. GPS telemetry data were collected by Alberta Environment and Parks and Weyerhaeuser Co. Ltd. Spatial data for disturbance features were provided by Alberta Energy, the Government of Alberta, and Weyerhaeuser Co. Ltd. We thank Wendy Crosina, Dave Hervieux, Sandi Robertson, Julia Wachowski, Simon Slater, and all the individuals involved in the collection and management of this long-term GPS telemetry dataset. We also thank John Fieberg for making R code available to compute UD overlap indices, Tyler Rudolph for reviewing a draft of this manuscript and contributing R code to delineate seasons and UDs, and Kirby Smith for comments on historic caribou distribution and the influence of climate on caribou behavior. Andrew de Vries provided invaluable project support on behalf of SFI. Terrence Larsen and Barry Nobert provided advice on analysis. Julie Duval, Kevin Myles, and Josh Crough from the fRI Research GIS Program and Greg Rickbeil from University of British Columbia provided support for remote sensing, GIS, and database management.


Over 5,000 years, there is hardly a place anywhere on earth that a before and after picture would not show considerable, very noticeable differences. In fact, 500 years would be sufficient for visible changes to occur over most of the land masses.

But would this person notice? How good is the memory of your person? Frogs can freeze because they do not notice a very subtle lowering of the temperature. Can this person accurately remember before-after recollections of the landscape?

And could you pin-point the changes to continental drift? Perhaps, if you were an archeologist or geologist.

Weathering, erosions, earthquakes, natural disasters, forest fires, flooding, sinkholes, earth rebound, they all contribute to changes in the landscape. Without scientific knowledge, measurement, and research, can you attribute the cause? Sometimes, but not always, and not always noticeable in the short term. Places in Denmark and Venice are sinking, very observably over time because when once you had to go up steps, you now have to go down steps. In places like Toronto, Ontario where the ground is rising in rebound to the massive ice cover, the changes occur subtly in such things as broken water mains over long periods of time, and engineers need to calculate the effects when designing mega-story buildings that they hope will last centuries. But when the land is rising relatively equally, it is almost impossible to detect with the eye.

So yes the changes could be noticeable over 5,000 years, with sufficient 'memory' of before-and-after, almost anywhere on earth, but allocating the changes to 'continental drift' would be a task for experts using expert measurements.

EDIT Addendum

As Greenland loses more and more snow load due to melting and climate change, the entire Greenland plate is rising. Over 5,000 years, the changes in plate positions due to climate change could be very significant, and in places very noticeable. Site lines, for instance, could change. Landscape features in the distance could either become visible or could sink below the revised horizon, but this would be localized.

EDIT Addendum 2

As the Five Gorges hydroelectric project in China filled up, GPS algorithms heeded to be updated with the new information. The Earth's gravity and rotation was altered that significantly. Although not due to plate tectonics, it highlights the difficulty in attributing the cause of shifting landscape consequences to any particular factor without extensive measurements and scientific investigation. Had engineers not done the calculations, the GPS system would have produced inaccuracies that were significant and very noticeable. That is, even subtle changes in the Earth's shape can be significantly amplified by our level of 'precision technology' and thus become very noticeable even to casual observers who are dependent on that technology. They might not know why, or how everything moved, but they would know that 'today' did not match 5,000 year old GPS data and GPS maps. This is a 'memory' thing. Do they have access to 5,000 year old data?

Over a period of 5,000 years, all coordinates and mapping dependent on GPS navigation would have to be significantly updated to maintain the precision of GPS. Putting up a fence 120 meters from where it should be due to continental drift because GPS information and mapping had not been updated for 5,000 years would be very noticeable, and most surveying today is GPS based. "Dang, I am sure that cliff used to be over there on my GPS navigation. & quot


4 Answers 4

The pgf/TikZ manual suggests using the command pgftext to insert external graphics (section 53.3.3 "Inserting Text and Images"). Here's an example taken from this seminar (slides 5 and 6 in the presentation version):

There is also a hint elsewhere in the manual (in 53.3.1) that the command pgfimage can be used instead of includegraphics (although still within the pgftext command) however, searching for pgfimage in the manual doesn't turn up any further explanation of this command.

The pgftext command is something of a special command. It "escapes" out of the current picture back to "normal TeX". It is, therefore, somewhat like a ode command. It works by constructing a box which is then put into the picture. By default this box is put at the current origin. A simple way to move it, therefore, is to (temporarily) tell TikZ/PGF to move the origin priori to issuing the pgftext command.

An alternative way of positioning it is to use the initial optional argument. Thus one can say pgftext[<positioning information>] where <positioning information> is some set of PGF keys that relocate the box. These are similar to the positioning of a ode , but have a slightly "low level" feel to them. For example, to locate the box at a particular point one would say pgftext[at=<2cm>>] . Note the pgfpoint syntax rather than the TikZ coordinate syntax.

In the 2.10-CVS version of the manual, the pgftext command is documented in Section 77.3.3. There is also some important information about how it interacts with scopes in Section 77.1.2 (note especially item 5 about the ability to put another pgfpicture inside a pgftext command, something that should never be done with ode !).

In summary, pgftext is somewhat akin to ode in that it allows you to put "normal TeX" in your picture. However, the two are different in that a ode is considered part of the picture but pgftext is for things that are meant to be somewhat separate.


Analytical Approach

Earlier quantitative comparative assessments of the climate variability–armed conflict link typically rely on country-averaged data or use arbitrarily defined grid cells as units of analysis (24 ⇓ ⇓ –27). Despite their merit, both approaches have notable limitations country-level data mask considerable within-country variation in environmental and political conditions and may miss localized phenomena, whereas disaggregated grid analyses typically require spatial overlap between the treatment (climatic anomaly) and the outcome (conflict) for an effect to be detected. Neither approach is suited to capture and evaluate the group-level dynamic outlined above.

Remedying this shortcoming, we take advantage of a new generation of georeferenced data on ethnic groups (28), which we link to specific armed conflict events (29) by considering the ethnic claims and recruitment strategy of each nonstate conflict actor in each armed civil conflict (30). This linking procedure is an important innovation, because it permits considering how local drought affects ethnic groups’ conflict behavior, irrespective of the actual location of fighting relative to the drought or the group’s homeland. Moreover, by overlaying the spatial ethnicity layers with high-resolution land use rasters (31) and monthly remote sensing-based drought statistics (32), we are able to calculate, for each ethnic group and each calendar year, cropland-specific drought during the growing season of the dominant local crop (33). We use a group-specific Standardized Precipitation Evapotranspiration Index (SPEI) as our primary indicator of drought, because it captures both precipitation anomalies and variations in determinants of evaporation (e.g., temperature and wind speed). We focus on drought, because it is the environmental condition widely assumed to carry the largest conflict potential.

In the empirical analysis presented below, we consider both naive models, in which local drought is assumed to have a direct and general effect on conflict risk, and context-sensitive models, where the effect of drought is conditioned on the groups’ livelihood vulnerability (agricultural dependence, expressed as share of the group’s settlement area covered by cropland), economic vulnerability (local economic development, expressed as area average night light emission per group settlement polygon), and political vulnerability (ethnopolitical exclusion). In all, we investigate subnational climate–conflict dynamics across Africa and Asia, 1989–2014, covering a larger spatiotemporal domain than any previous study of this kind. The geographical scope not only accounts for the large majority of the world’s armed conflicts, but it also encompasses the agricultural areas that are most vulnerable to drought and other extreme weather events (34 ⇓ –36). Additional details and alternative operationalizations are described in SI Text.

Figs. 1 and 2 give a visual representation of key vulnerability dimensions captured in the analysis. The extent of agricultural dependence, used as proxy for livelihood vulnerability, varies substantially between countries as well as between ethnic groups within countries (Fig. 1). The largest shares of cropland are found in South and Southeast Asia. Most groups in Africa have modest proportions of agricultural lands, where pastoral and agropastoral systems constitute a more prominent part of the rural economy. The conflict data also reveal a distinctly nonrandom spatial pattern with notable clusters in West Africa, the African Great Lakes region, and the Horn, as well as in South Asia. Fig. 2 shows country-level infant mortality rates (IMRs) assigned to the respective groups. IMR arguably constitutes the best aggregate proxy for country-level socioeconomic development, being strongly and inversely related to human welfare and positively associated with state fragility (37, 38). In contrast to gross domestic product (GDP) and other indicators of macroeconomic performance, IMR is less immediately affected by commodity price fluctuations and global market forces and also less endogenous to armed conflict. We use IMR statistics to identify a subset of “most likely” cases (i.e., ethnic groups in countries marked by chronic poverty and weak political institutions, which are conditions that can critically stunt communities’ capacity to cope with agroeconomic shocks) (9, 39). Again, the data reveal large cross-sectional variation, with sub-Saharan Africa being the region of particular concern.

Agricultural dependence by ethnic group settlement area and location of armed conflict events according to the Uppsala Conflict Data Program (UCDP) GED dataset, 1989–2014. Gray denotes areas and groups with insufficient data.


Ver el vídeo: Finding errors and correcting overlapping features and slivers in QGIS fast and easy