Suite

Que signifient les valeurs négatives du DEM ?

Que signifient les valeurs négatives du DEM ?


Mes valeurs d'élévation DEM varient de -255 à 81.

Qu'impliquent les valeurs négatives ?

J'ai téléchargé le dem de BHUVAN.

Environ 90 % des valeurs tombent dans la catégorie négative.

Comment puis-je convertir ces valeurs en positif ?


Les valeurs négatives impliquent généralement que les valeurs Z sont inférieures à un point de référence Z= 0 défini pour le niveau de la mer (voir ici pour plus d'explications).

Si vous souhaitez vraiment les avoir positifs (ce qui je pense est une mauvaise idée), il vous suffirait d'ajouter au moins la valeur minimale de votre zone (255) à votre dem avec un raster de valeur constante, en réinitialisant ici votre plage altimétrique de 0 (-255+255) à 336 (81+255).

Assurez-vous que ce ne sont pas de mauvaises valeurs ! Si vous voyez que c'est anormal, vous devrez faire une opération "Remplir" à la place, ce qui aidera à conserver les "bonnes" valeurs Z et à recalculer les "mauvaises" valeurs Z (voir ici pour Arcgis ou ici pour ILWIS).


Une synthèse de la connectivité génétique dans la faune des grands fonds et implications pour la conception des réserves marines

NOAA National Ocean Service, National Centers for Coastal Ocean Science, Center for Coastal Monitoring and Assessment, Biogeography Branch, 1305 East-West Hwy, N/SCI-1, Silver Spring, MD, 20910-3281 États-Unis

CSS-Dynamac Inc., 10301 Democracy Lane, Suite 300, Fairfax, VA, 22030 États-Unis

Département des sciences de la terre, de l'océan et de l'atmosphère, Florida State University, 117 N. Woodward Ave, Tallahassee, FL, 32306 États-Unis

Département de biologie, Université du Massachusetts Boston, 100 Morrissey Blvd, Boston, MA, 02125 États-Unis

Département d'océanographie et de pêche, MARE- Centre des sciences marines et environnementales & IMAR- Institut de recherche marine, Université des Açores, 9901-862 Horta, Portugal

Okeanos- Centre de R&D, Université des Açores, 9901-862 Horta, Portugal

Groupe de génomique évolutive, Département de botanique et de zoologie, Université de Stellenbosch, Private Bag X1, Matieland, 7602 Afrique du Sud

Département de calcul scientifique, Florida State University, 150-T Dirac Science Library, Tallahassee, FL, 32306 États-Unis

NOAA National Ocean Service, National Centers for Coastal Ocean Science, Center for Coastal Monitoring and Assessment, Biogeography Branch, 1305 East-West Hwy, N/SCI-1, Silver Spring, MD, 20910-3281 États-Unis

CSS-Dynamac Inc., 10301 Democracy Lane, Suite 300, Fairfax, VA, 22030 États-Unis


SIG intégré et analyse par télédétection pour une décharge située dans l'ouest de la Crète, Grèce

L'évaluation de l'emplacement optimal de la décharge nécessite de multiples données environnementales organisées de manière appropriée et efficace pour être traitées efficacement. Les systèmes d'information géographique définissent un outil idéal pour traiter de grandes quantités de ce type d'informations combinant de multiples données spatio-temporelles hétérogènes. En outre, les images d'archives de télédétection par satellite définissent une approche auxiliaire pour une surveillance environnementale efficace de la surface des terres dans les zones de décharges déjà établies et leurs environs (par exemple pour le calcul de paramètres cruciaux tels que les indices de végétation). Dans cette étude, 17 facteurs environnementaux et anthropiques ont été utilisés pour identifier les sites les plus appropriés pour une décharge optimale située dans la partie ouest de l'île de Crète-Grèce. La méthode utilisée pour l'évaluation de tous les différents facteurs est le processus de hiérarchie analytique amélioré avec des techniques de logique floue. Les résultats ont été comparés aux décharges déjà établies (légales/contrôlées et illégales/non contrôlées) dans la région de la préfecture de La Canée et les résultats ont démontré que 75 % des décharges déjà établies (légales ou illégales) de la préfecture sont situées dans des zones extrêmement zones inappropriées du point de vue environnemental.

Ceci est un aperçu du contenu de l'abonnement, accessible via votre institution.


Module 1 : Modèles de données vectorielles et raster

Nous allons donc parler des types de données vectorielles. Nous verrions quelle est la topologie et dans le contexte du SIG, je veux dire quelle est son utilisation, nous allons examiner les modèles de données géo relationnelles différents types de modèles de données géo relationnelles.
(Reportez-vous à l'heure de la diapositive : 01:31)
Voyons donc quels sont les types de données vectorielles de base. Donc, la première est une entité ponctuelle et c'est une couche ou un point dans un SIG où nous avons une entité ponctuelle, elle comprendrait un ensemble de points. Maintenant, je veux dire que vous pouvez penser à quelques exemples comme par exemple l'emplacement des puits , l'emplacement des arrêts de bus ou des écoles ou tout autre élément de ce type.
Maintenant, le prochain type de données vectorielles de base est une ligne. Maintenant, c'est une propriété unidimensionnelle et elle n'a qu'une longueur. Ainsi, en plus de l'emplacement, il aurait également deux points, le point de départ et les points de fin, et entre nous aurions le lien. Donc, en joignant une ligne entre ces deux points de départ, cela créerait un segment de ligne.
Maintenant, il peut s'agir d'un segment de ligne connecté. Donc, il peut avoir plusieurs segments ou il peut s'agir d'une courbe lisse, je veux dire, nous pouvons générer une courbe lisse à partir de segments ponctuels, je veux dire ou d'une ligne
segments ce sont ces fonctions qui sont généralement connues sous le nom d'algorithmes de découpage. Ainsi, nous pouvons également générer des lignes lisses.
Donc, je veux dire une entité, une entité linéaire serait constituée d'un ensemble de lignes, comme nous l'avons dit, une entité ponctuelle serait constituée d'un ensemble de points, l'entité linéaire serait constituée d'un ensemble de points. Donc, par exemple, je veux dire, nous pouvons coder les routes d'une ville donnée en tant qu'entité linéaire et l'enregistrer en tant que couche dans une entité routière. On peut avoir les limites des villages, des états et des différentes zones administratives de manière très hiérarchisée. Nous pouvons enregistrer les cours d'eau naturels qui convergent essentiellement en drains, qui peuvent à nouveau se rejoindre pour former des cours d'eau. Voici donc quelques exemples dans lesquels ces entités pourraient être codées en tant qu'entité linéaire dans l'utilisation du type de données vectorielles de base dans un cadre SIG.
Le type de données suivant est un type de données polygone qui est une donnée bidimensionnelle, il a non seulement la longueur, il aurait également une propriété de la zone ainsi que le périmètre. Ainsi, en plus de l'emplacement, je veux dire, lorsque nous parlons de types de données SIG, ces données auraient toujours la coordonnée latitude longitude ou la coordonnée projetée. Dans nos précédentes conférences sur les projections et les transformations, nous avons vu comment la latitude et la longitude pouvaient être transformées en vos projections cylindriques ou vos projections chroniques ou vos projections orthographiques. Donc, nous avons vu un contexte différent.
Ainsi, ces données peuvent avoir un code de latitude et de longitude de l'endroit où elles sont connues sous le nom d'unités géographiques, je veux dire dans un cadre WGS, cadre WGS 84 ou sinon, elles peuvent être dans un système de coordonnées projetées. Donc, ce polygone aurait une superficie et un périmètre comme je l'ai dit en plus des aspects de localisation, je veux dire, les coordonnées de localisation.
Donc, il serait fait en joignant des segments de ligne qui sont fermés, je veux dire qu'ils ne sont pas ouverts. Je veux dire que ces segments de ligne doivent être fermés et ces segments de ligne doivent être des segments de ligne non sécants, ce qui est très important, car si vous avez des segments de ligne sécants, cela formerait plusieurs polygones dans ce cas.
Ainsi, lorsque nous examinons des types de données vectorielles plus élevés, je veux dire, ce sont les types de données vectorielles de base, lorsque nous recherchons des types de données vectorielles avancés. Nous verrions comment il pourrait être rendu possible dans un cadre SIG un code coupant des lignes ou des polygones qui sont, je veux dire, qui peuvent avoir des trous ou qui peuvent avoir des zones qui ne devraient pas avoir de superficie. Ainsi, ces types de polygones peuvent également être codés, encodés dans le cadre SIG.
Donc, je veux dire que le périmètre ou la limite définirait les polygones. Ainsi, les polygones pourraient être mieux un polygone autonome ou il pourrait partager sa limite avec d'autres polygones adjacents et il peut également avoir un trou à l'intérieur, je veux dire qu'il pourrait y avoir une zone qui n'est pas incluse. Comme par exemple, je veux dire si vous utilisez un terrain et que vous ne voulez pas inclure un étang dans une pharmacie et que vous ne voulez pas inclure la superficie de l'étang si vous essayez de calculer la productivité de cette forme, je veux dire, comment quel serait le rendement en termes de saytonnage de rendement de riz ou de blé. Ainsi, dans ce cas, vous écarterez la superficie de l'étang qui entre dans l'enceinte du champ du champ agricole.
Ainsi, il nous est possible de coder des polygones qui ont également des trous et nous pouvons supprimer cette grande partie d'une zone des statistiques. Donc, dans ce cas où nous aurions ce genre de polygones qui ont des trous incrustés, il en résulterait une frontière intérieure et une frontière extérieure. Donc, je veux dire que cette entité consisterait en des polygones ou un ensemble de polygones, je veux dire, un polygone en tant qu'entité. Et, des exemples de ce qui pourrait me venir à l'esprit, je veux dire, un tel exemple que je vous ai dit est un champ agricole qui pourrait inclure des zones végétalisées, des zones forestières, des zones urbaines, des plans d'eau. Donc, je veux dire que vous pouvez avoir différentes entités basées sur la zone et vous pouvez l'encoder en tant qu'entité surfacique dans le SIG.
(Reportez-vous à l'heure de la diapositive : 08:31)
Voyons maintenant quelques exemples. Donc, ici vous pouvez voir un exemple dans lequel vous voyez que nous avons un exemple de points, nous avons peu de points dont je veux dire les points sont donnés, dont les emplacements sont donnés. Donc, nous avons un certain nombre de points ici dont les attributs sont donnés, c'est l'idée du point et nous avons les coordonnées de localisation en termes de x et y.
Ainsi, vous pouvez voir pour le premier point les coordonnées de localisation sont données, pour le deuxième point de coordonnées à nouveau les coordonnées de localisation sont données, pour le troisième je veux dire point et pour le quatrième point nous avons les coordonnées de localisation. Donc, c'est ainsi que les données sont essentiellement stockées en référence aux points dans les données SIG.
Donc, maintenant, nous avons un exemple des lignes dans lesquelles vous pouvez voir que nous avons le nœud de départ et le nœud de destination. Donc, si vous voyez le segment un. Donc, dans ce cas, ce segment de ligne qui va de 11 à 12 est votre numéro d'identification d'arc 1 qui est donné ici, qui est l'identifiant du lien, puis vous avez
l'ID de nœud qui est 11 et 12 qui est donné comme ces points. Ainsi, nous avons le nœud dans lequel nous avons le nœud de provenance et nous avons le nœud de destination, puis nous avons les identifiants de lien sous forme d'arcs.
Donc, de la même manière, si nous prenons par exemple le numéro d'arc votre numéro d'arc 5. Donc, dans ce cas, si nous allons à ceci, nous voyons que le point de départ est 14 donc, le nœud de départ devrait être votre 14. Dans ce cas, il s'agit du 15 nœud de départ est 15 et au nœud est 14. Donc, la raison en est que la ligne aurait été numérisée dans cette direction que lorsque quelqu'un aurait numérisé cette ligne, il aurait d'abord cliqué sur ce point 15 puis sur le point 14. Donc, cet arc 5 a du nœud de départ est 15 et le nœud de départ est 14 dans ce cas.
Ainsi, nous pouvons avoir la longueur de ces arcs, nous pouvons avoir la matrice d'adjacence si nous voyons la couverture du polygone. Donc, dans ce cas, nous voyons la couverture polygonale. Ainsi, vous pouvez voir que les polygonID sont donnés ici 100, 101, 103 et 104, mais vous voyez également un ID par défaut qui est 100 qui est au-delà des lignes que nous voyons dans cette zone particulière, cet ID est, je veux dire, par défaut. Ainsi, tout champ qui a un hachage après lui est le champ par défaut créé par le logiciel.
Ainsi, vous pouvez voir pour l'ID 101 qui est le polygone qui est répertorié comme 101 a les segments de ligne qui est un à partir d'ici puis le segment de ligne 4 qui est celui-ci alors nous avons le segment de ligne 6 donc, ce segment de ligne est un segment de ligne 6. Ainsi, cela complète le polygone 101 et de la même manière, nous avons le polygone disons 103 ou 104 et nous pouvons découvrir quelle est la liste des arcs qui entourent ou font ce polygone particulier.
Maintenant, nous pouvons également découvrir à partir de cela que votre coordonnée x-y de l'arc 1 est donnée ici, nous parlions de segments de ligne. Donc, vous pouvez voir que les coordonnées 1 et 3, 1 et 9 et 4 et 9 créent essentiellement ce segment d'arc particulier 1. Donc, je veux dire que nous pouvons aller aux données et vous pouvez vous y référer et voir comment je veux dire que les données sont arrangé, je veux dire que vous pouvez créer un fichier de forme ou un fichier d'arc dans arc GIS ou q GIS ou d'autres logiciels.
Donc, nous aurons une conférence dans laquelle j'essaierai de vous dire d'installer le logiciel et nous pourrons faire quelques exercices de base sur ces logiciels. Nous aurons donc une conférence dédiée pour cela et nous essaierons de travailler sur la plateforme QGS. Donc, en dehors de cela, vous pouvez également voir qu'il y a deux
matrice qui est la matrice d'adjacence et d'incidence dont nous allons parler dans nos diapositives ultérieures.
Ainsi, dans la matrice d'adjacence, vous pouvez voir que l'adjacence de ces points est donnée sous forme de matrice. Donc, si votre point 12 c'est le point 12 s'il est adjacent au point 11, donc, s'il est adjacent alors le score est donné comme 1. Maintenant, si vous voyez le point 13 13 n'est pas adjacent à 11. Donc, dans dans ce cas, il est codé comme 0 où le je veux dire pour 14 la contiguïté est 1 puisque vous pouvez atteindre 12, vous pouvez atteindre 14 à partir du point 11. Mais, si vous voyez que je veux dire la contiguïté à partir du point 13, vous ne pouvez atteindre le point 11 à partir point 13. Ainsi, pour la matrice de contiguïté de 13, vous pouvez voir qu'il n'y a que la contiguïté au point 11, qui est ce point.
Donc, maintenant, ce que nous pouvons faire, c'est si nous voyons la matrice d'incidence pour cela, je veux dire les segments de points et les segments de ligne. Ainsi, les codes de lien qui sont donnés ici pour le point 11, vous pouvez voir qu'il est connecté au premier segment, mais il a une connexion négative. Je veux dire, la ligne de direction d'écoulement est négative dans ce cas où elle est connectée au deuxième arc et elle est dans la direction positive, elle rayonne à partir de ce point 11. Donc, elle rayonne à partir de ce point 11 donc, elle est donnée comme 1 .
Donc, de la même manière, vous pouvez atteindre ce point 14 et c'est à travers ce segment de ligne particulier qui est 4 donc, encore une fois, c'est une valeur positive. Donc, vous pouvez également, je veux dire, si vous ne pouvez pas l'atteindre directement si la connexion est négative, elle serait représentée comme négative dans la matrice d'incidence. Nous avons donc passé en revue les différents types d'ensembles de données, à savoir les ensembles de données surfaciques, nous avons les ensembles de données linéaires, nous avons les ensembles de données surfaciques et les ensembles de données ponctuelles.
Donc, nous verrons ensuite ce qu'est la topologie. Maintenant, nous devons construire ces relations dans notre diapositive précédente, nous avons vu que vos nombres les polygones étaient codés, les points où codés. Donc, je veux dire qu'ils avaient cette latitude, cette longitude et ces liens avaient des nombres et c'était arrangé dans un tableau. C'est donc la relation que nous essayons de capturer entre les points et les lignes qui représente les caractéristiques du monde réel et est encodée dans les données.
Donc, nous pouvons avoir des attributs de base de données étendus avec cette table, je veux dire, cela aurait pour les tables avec elle. Ainsi, il aura plusieurs colonnes dans lesquelles nous pourrons ajouter d'autres fonctionnalités ainsi que des informations, plusieurs ensembles d'informations, je veux dire. Donc, cela doit être codé sous la forme d'une relation.
Donc, ces propriétés géométriques de l'objet géométrique je veux dire, cela resterait je veux dire une fortopologie à construire je veux dire qu'elle resterait invariante. Par exemple, si nous faisons une topologie
en utilisant des lignes ou disons que je veux dire, cela donnerait un polygone, de sorte que la géométrie devrait rester invariante. Invariant signifie que lorsque nous effectuons le géo-référencement dans notre dernière classe, nous avions effectué la transformation. Nous avions fait la transformation et nous avons vu le polygone ou la transformation polynomiale ou affine dans laquelle nous essayons essentiellement de changer les attributs géométriques les valeurs des points.
Ainsi, dans ce cas il peut subir un gauchissement, il peut subir une déformation au niveau du changement de forme. Donc, nous avions vu le cisaillement, la rotation, la translation, ce sont des choses différentes qui peuvent arriver à une base de données. Donc, ça pourrait être une image, mais aujourd'hui on parle de données vectorielles. Ainsi, lorsque nous effectuons une transformation sur la couche vectorielle, ce qui se passe, c'est qu'il peut y avoir une déformation en termes de géométrie, mais la relation entre les propriétés des objets géométriques reste la même. Je veux dire la route le nom de la route ne serait pas changé si vous faites une transformation géométrique qui doit être préservée.
Ainsi, dans une topologie où nous avons une topologie, ces propriétés des objets géométriques resteraient invariantes. Cela ne changerait pas sous une telle transformation telle que la flexion ou l'étirement, vous pouvez voir l'exemple d'un élastique, je veux dire, nous l'utilisons pour le temps.
Donc, si vous étirez l'élastique, je veux dire imaginez qu'il soit fait de lignes, vous verriez que les entités resteraient les mêmes. Les segments de ligne seraient les mêmes que la longueur augmente ou qu'elle se déforme ou, si vous le souhaitez, si vous en faites un polygone, elle peut être déformée, mais les entités restent. Les objets géométriques resteraient invariants même si vous appliquez une sorte de transformation telle que l'étirement ou je veux dire l'inclinaison ou toute autre transformation.
Donc, je veux dire par là que cette propriété pourrait être expliquée par des graphes orientés, elle est également connue sous le nom de digraphes. C'est donc un aspect de la théorie des graphes. Donc, je veux dire, la nature directionnelle peut être exprimée à travers les digraphes, c'est-à-dire les graphes orientés qui montrent l'arrangement des objets géométriques.
Dans notre diapositive précédente, nous avions vu les lignes dans lesquelles les directions étaient là. Au fur et à mesure que vous commencez à le numériser, il prend également la direction qui est encodée dans le point à, du point et le à
indiquer. Ainsi, ces relations pourraient être codées et je veux dire que ces relations pourraient être intégrées sous forme de tableau dans un tableau dans différentes colonnes. Donc, c'est essentiellement la topologie ou les relations que nous construisons avec les points et les lignes.
Ensuite, nous avions parlé des incidences de contiguïté et d'indices. Donc, ce sont aussi des relations fondamentales qui sont largement utilisées dans le SIG, dans lesquelles il établirait une relation entre les nœuds et les arcs. Ainsi, dans la topologie digraph, il faudrait des fichiers supplémentaires pour stocker les relations spatiales. Lorsque nous avons cette relation spatiale, nous avons vu que la matrice d'adjacence et d'incidence était deux matrices séparées, deux ensembles de données séparés en dehors des ensembles de données de base de l'emplacement, de la longueur ou de l'aire du point de ligne ou du polygone.
Il s'agit donc de deux ensembles de données supplémentaires qui stockent essentiellement vos informations d'incidence sur les ensembles de données de contiguïté et d'incidence. Donc, nous avons déjà vu cet exemple de polygontopologie et nous avions expliqué ce qu'est la matrice d'adjacence et une matrice d'incidence dans notre diapositive précédente et comment ils sont connectés et comment ils sont codés dans cette table particulière.
Voyons maintenant que ces relations topologiques sont également utiles si nous voulons faire une sorte de requête aspatiale. Si vous faites une sorte de requête de données spatiales, supposons que vous souhaitiez rechercher une route et que vous voyez si vous voyagez quelque part, vous ouvrez les cartes Google et vous pouvez voir comment quel segment de la route est encombré et quel est le temps de trajet . Ainsi, il est représenté par des couleurs indiquées par des couleurs rouges indiquant qu'il y a un embouteillage, la vitesse du trafic est très inférieure dans un segment particulier, si elle est verte ou bleue, cela indique qu'il y a un flux de trafic fluide dans ce segment de ligne particulier.
Donc, je veux dire que nous devons faire des requêtes, je veux dire que ce sont des requêtes qui sont auto-générées, mais vous pouvez également donner une requête spécifique, par exemple, supposons quelle est la longueur d'une route particulière. Je veux dire que vous pouvez avoir une route particulière qui peut être une voie express ou je veux dire une partie d'autoroute de l'autoroute qui traverse une ville. Donc, vous voudrez peut-être connaître sa longueur. Ainsi, vous pouvez le découvrir en utilisant une requête spatiale.
Donc, quand vous avez ces relations topologiques, cela aide ou aide à créer ces requêtes spatiales comme, disons, supposons, je veux dire qu'il y a un cas de, par exemple, une sorte de pollution. Alors, combien ou combien de bâtiments sont touchés ou combien de population est touchée à cause de cette pollution. Ainsi, vous pouvez essayer d'utiliser des mesures de confinement ou d'intersection. Ce sont donc deux relations topologiques très importantes pour la requête de données spatiales.
Ainsi, nous verrons par la suite dans nos décodages du temps lors de nos prochaines séries de cours magistraux comment nous pouvons générer une requête de données spatiales et comment elle est utile.
(Reportez-vous à la durée de la diapositive : 23:55)
Ainsi, nous examinerions le modèle de données géorelationnelles. Ainsi, il stocke la géométrie, je veux dire géo, ce qui signifie les aspects graphiques, je veux dire, comment les données sont codées sous forme de lignes ou de polygones et la relation que nous construisons dans ce modèle qui est la partie base de données qui est la partie attribut. Ainsi, il utilise des identifiants d'identification de fonctionnalité pour rechercher le lien entre ces deux composants.
c'est-à-dire la composante géométrique et la composante attributaire. Nous avons le composant d'attribut ainsi que le composant géométrique.
Ainsi, nous pouvons lier ces deux composants. Donc, ces deux composantes sont par contre synchronisées Imean, ce sont deux ensembles distincts. Comme vous si vous êtes certains d'entre vous avez travaillé sur la CAO automatique, vous verrez que vous pouvez dessiner des lignes, vous pouvez dessiner des polygones, vous pouvez dessiner des formes, vous pouvez dessiner des points. Donc, ce ne sont que des entités de dessin, je veux dire qu'il n'a aucun attribut et d'un autre côté, vous pouvez avoir un tableau Excel dans lequel vous pouvez avoir des attributs. Ainsi, ces deux ensembles d'informations pourraient avoir une étiquette unique ou un identifiant unique qui relierait ces deux composants, c'est-à-dire le composant géographique ou géométrique et le composant d'attribut.
Ainsi, ceux-ci sont synchronisés afin qu'ils puissent être interrogés, analysés ou affichés ensemble. Ainsi, les exemples de tels modèles de données géorelationnels sont COVERAGE et SHAPEFILE. Donc, COVERAGE est un format Esri très populaire et SHAPEFILE est un format open source, nous allons y jeter un coup d'œil. Cette couverture est un modèle topologique, je veux dire, dans lequel un fichier de forme est un modèle non topologique. Nous discuterons à nouveau de ce qu'est une, je veux dire une différence entre la couverture et le fichier de forme lorsque nous examinerons ces deux aspects que nous verrons.
Ainsi, vous pouvez voir que la couverture a deux composantes. La couverture d'arc a deux composantes. Donc, vous pouvez voir qu'il est lié à la géo dont nous avions parlé la géométrie dont nous avions parlé c'est la partie géométrie et ensuite nous avons le fichier d'informations qui est essentiellement l'attribut. Donc, ils sont liés à deux ensembles d'entités, je veux dire, vous pouvez voir un champ commun ayant les numéros d'entité qui relient cette géométrie ainsi que l'attribut.
Donc, chaque fois que nous disons que nous faisons une sorte de requête ou que nous faisons une sorte d'analyse Imean, ce sont ces deux composants. Ces deux composants qui sont la géométrie et l'attribut de ce système particulier, c'est pourquoi nous l'appelons un SIG, Système d'Information Géographique qui a ces composants. Ainsi, ceux-ci sont synchronisés et ils peuvent être interrogés analysés ou affichés ensemble affichés à l'unisson.
(Reportez-vous à la durée de la diapositive : 27:19)
Voyons donc la couverture Esri. Il s'agit d'un format propriétaire fourni par Esri et la connectivité s'effectue via des arcs et des nœuds. Donc, il y a une zone qui est définie pour ces polygones lorsque les arcs sont connectés ensemble pour entourer la zone et ils sont appelés polygones. Et, nous pouvons également identifier la contiguïté, je veux dire, nous pouvons identifier si la zone se trouve à proximité. Ainsi, nous pouvons découvrir quels sont le polygone de gauche et le polygone de droite qui sont là dans la base de données.
Maintenant, vous pouvez voir la structure des données pour un point que nous avions déjà étudié. Ainsi, vous pouvez connaître les coordonnées de ce graphique, je veux dire. Ainsi, pour le point 1 pour le point 1, nous avons les coordonnées 2 et 9. Ainsi, dans la direction x, nous parcourons deux grilles et dans la direction y, nous parcourons deux grilles pour avoir ce point 1 qui a les coordonnées 2 et 9. Ainsi, c'est ainsi que la structure de données de point est
lié, alors nous avons les données pour la couverture de ligne dans laquelle encore vous pouvez voir que nous avons l'ID d'arc. Ainsi, vous auriez un identifiant d'arc et vous auriez le nœud de départ et le nœud de destination.
Donc, nous avons déjà couvert cela. Nous avons donc le nœud de départ et le nœud de destination. Ainsi, nous avons le nœud de départ comme 11 et le nœud comme 12. Ainsi, de la même manière, nous pouvons également avoir votre couverture de polygones dans laquelle nous avons le polygone de gauche et nous avons le polygone de droite. Donc, on avait parlé de contiguïté, dans ce cas on avait parlé des polygones gauche et droit. Ainsi, vous pouvez voir que sont codés dans cet ensemble de données particulier les polygones gauche et droit.
Donc, pour l'arc 1, vous avez le polygone gauche qui est 100 qui est la zone extérieure et le code pour la zone extérieure et pour le polygone droit vous avez le polygone droit comme 101. Donc, c'est votre arc1. Ainsi, de la même manière, vous pouvez également avoir une table de polygones de table d'arcs de polygones dans laquelle vous pouvez découvrir quels sont les arcs qui encadrent pour créer cette zone polygonale. Donc, il a l'arc 1, 4 et 6. Donc, vous avez 1, l'arc 4 et vous avez l'arc 6 pour créer votre polygone 101. C'est donc ainsi que la couverture d'arc Esri stockerait les données.
(Reportez-vous à la durée de la diapositive : 30:15)
Voyons maintenant en quoi le fichier de forme est différent de la couverture d'arc Esri. Maintenant, shapefile ce serait un format non topologique, c'est un format open source et il est largement utilisé dans une multitude de logiciels SIG, de plates-formes SIG. Ainsi, ce fichier de forme traite un point comme les coordonnées x-y comme les coordonnées x-y que nous avions vues en arc dans le fichier Esricoverage. Ainsi, il a une ligne aurait des séries de points, un polygone aurait des séries de segments de ligne et la différence est que ces polygones auraient des arcs en double lorsqu'ils ont des limites cisaillées, ce qui n'est pas le cas dans le cas de la couverture d'arc que nous avions vue plus tôt.
Ainsi, nous pouvons voir qu'il existe deux types de fichiers dans ce fichier. L'un est votre fichier de forme et il s'agit d'un fichier asshx codé, d'un fichier shp et un autre est un fichier shx. Donc, le fichier shp, je veux dire, enregistre la géométrie dans laquelleshx maintient l'index spatial. Nous avions parlé de l'index spatial dans la dernière diapositive, il conserve donc l'index spatial de la géométrie de l'entité.
Donc, il y a peu d'avantages à utiliser des fichiers de forme, je veux dire, ils peuvent être affichés très rapidement sur un écran d'ordinateur. C'est donc très utile lorsqu'un utilisateur essaie de n'afficher que certains ensembles de données. Donc, dans ce cas, il est plus facile d'utiliser des fichiers de formes tels qu'ils sont, ils peuvent être affichés rapidement. Ce sont des formats non propriétaires. En fait, il y a eu une initiative en 1990 et il y avait une demande pour avoir un fichier de données SIG open source non propriétaire.
Donc, ce fichier de forme de format est le résultat de cette initiative et ce consortium est connu sous le nom de consortium géospatial ouvert qui a vu le jour en 1994. Donc, en gros, je veux dire, c'est très, je veux dire, il appuie sur l'interopérabilité des ensembles de données, de sorte que je signifie que vous pouvez l'utiliser dans une multitude de plates-formes. Donc, si vous allez sur ce site Web particulier, vous pouvez découvrir les détails concernant le consortium spatial opengeo.
(Reportez-vous à la durée de la diapositive : 33:03)
Maintenant, nous avons le modèle de données basé sur les objets. Il s'agit donc à nouveau d'un format de données non topographique standard qui est également utilisé dans les produits Esri. C'est un format d'Esri, mais c'est, je veux dire, un format propriétaire non topologique. Ainsi, il stocke les géométries et les attributs dans un seul système. Contrairement aux bases de données antérieures telles que le fichier de formes dans lesquelles les géométries et les attributs sont stockés dans différents systèmes avec l'ID unique les reliant tous les deux, cela stockerait les géométries et les attributs dans un seul système.
Ainsi, la géométrie est une collection de données binaires stockée et se trouve dans un champ spécifique appelé BLOB, je veux dire, c'est ce qu'on appelle un grand objet binaire. Ainsi, il est abrégé en BLOB. Donc, je veux dire qu'il y a des caractéristiques spatiales ou des objets qui sont associés à l'ensemble des propriétés et des méthodes. Ainsi, vous pouvez voir ici que la géométrie de chaque utilisation des terres est codée ici et la forme est donnée ici, elle est donnée sous forme de polygone pour l'ID d'utilisation des terres. C'est ainsi que votre modèle de données basé sur les objets est stocké.
Maintenant, ils sont affectés par la propriété qui décrit l'attribut ou les caractéristiques de l'objet, je veux dire votre objet SIG, ce pourrait être la forme ou la zone qui est l'étendue ou la méthode comme je veux dire, effectuer une action spécifique telle que copier ou supprimer. Ainsi, ces opérations SIG sont affectées par la propriété et la méthode qui sont encodées dans le modèle basé sur les objets.
(Reportez-vous à la durée de la diapositive : 35:01)
Maintenant, en parlant du prochain modèle de données géo-relationnelles qui est la base de données géo, c'est encore une fois par Esri, il utilise des points, des lignes et des polygones pour représenter les données vectorielles. Il est très similaire à arccoverage en termes de fonctionnalités simples, mais il diffère de la couverture d'arc en termes de fonctionnalités composites car vous pouvez coder des racines ou des régions dont nous parlerons dans nos prochaines diapositives. Ainsi, il peut également stocker des données raster, il peut également stocker des réseaux irréguliers triangulés, il peut également stocker des données de localisation.
(Reportez-vous à la durée de la diapositive : 35:41)
Ainsi, la base de données géo, les bases de données vectorielles sont organisées en classes d'entités et en ensembles de données d'entités. Ainsi, les classes d'entités stockeraient les caractéristiques spatiales d'un type de géométrie similaire, si vous avez un point. Ainsi, pour différents points, il stockerait les entités spatiales dans la classe d'entités. Et, cela participerait à la relation topologique les uns avec les autres, c'est-à-dire, par exemple, je veux dire si vous avez des limites coïncidentes comme, si vous avez des données de recensement de nature très hiérarchique dans lesquelles vous pouvez avoir un village, vous pouvez avoir des blocs ou des districts de taluka. ,État et les frontières du pays. Ainsi, il pourrait y avoir, je veux dire, des frontières coïncidentes entre ces différentes échelles de données.
Ainsi, cette base de données géo, je veux dire, participe à la relation topologique dans laquelle vous avez des limites coïncidentes. Donc, l'ensemble de données de fonctionnalité, je veux dire que nous avions parlé de la fonctionnalité
base de données. Il stocke les classes d'entités et qui partageraient le même système de coordonnées et l'étendue de la zone excédentaire de la zone.
(Reportez-vous à la durée de la diapositive : 36:57)
Ainsi, nous avions ensuite parlé du réseau de zones triangulées dans notre diapositive précédente dans la géodatabase. Ainsi, nous pouvons voir ce qu'est le réseau irrégulier triangulé est-il utilisé pour coder la nature ondulante d'un terrain. Si vous avez une zone vallonnée, vous pouvez coder la pente, vous pouvez coder la hauteur, vous pouvez coder les informations de terrain à l'aide de ce type particulier de structure de données vectorielles connu sous le nom de réseau irrégulier triangulé TIN.
Donc, il s'agit essentiellement d'un ensemble de triangles qui ne se chevauchent pas et chaque triangle aurait un gradient constant. La pente dans chacun de ce triangle resterait la même dans tout ce triangle, elle ne changerait pas. Donc, vous pouvez voir, vous pouvez dire que le triangle serait d'un
nature de triangle équiplanaire pour les points compris dans un triangle, ils seraient équiplanaires. Ils se trouveraient dans le même plan qu'il aurait un gradient constant.
Maintenant, le nœud du triangle est un point et chaque arête serait une ligne et le triangle lui-même serait un polygone. C'est ainsi que les données sont structurées. Ainsi, il a un numéro de triangle, le numéro de chaque triangle adjacent, les données auraient la liste des points, les arêtes c'est-à-dire les points les lignes ainsi que les valeurs x, y et z des points d'élévation. Ainsi, vous pouvez voir à quoi ressemble un réseau irrégulier triangulé.
Donc, si vous avez une zone basse où il y a très moins d'ondulations en termes d'informations de hauteur, vous pouvez voir que les triangles seraient beaucoup plus grands que les zones où vous auriez des changements fréquents dans les valeurs d'altitude, dans les valeurs de hauteur. Ainsi, vous pouvez voir que les facettes triangulées seraient beaucoup plus denses par rapport aux zones unies où la taille des triangles est beaucoup plus grande.
Ainsi, vous pouvez voir la structure d'un réseau irrégulier triangulé. So, we have the nodes that isnode 11 and it would have the elevation value that is the I mean, height value and it wouldcontain the x and y reference with respect to the coordinate frame that is 2 points along the 2units along the x-axis and 9 units along the y-axis. So, this is where your node 11 is stored.Now, this triangle 101 is comprised of these three nodes that is node 11, node 12 and node13.


Résultats

Species distribution modelling

The average fit of the SDMs on present day climate was high (TSS = 0.78). Although choice of climate change scenario impacted the magnitude of projected gains or losses of species, overall trends were similar across scenarios. For brevity, we present results for the warmer/drier scenario IPSL-CM5a-LR in the main text because we believe amphibians are likely more sensitive to these climate trends, results for the alternative scenarios are presented in Supplementary material Appendix 6 Fig. A6.7, A6.8).

Our models predict large changes in anuran diversity across the Neotropics. Under 2070 projections, species retain, on average, just 58% of their current suitable area (42% range loss, Supplementary material Appendix 7 Fig. A7.9), but with large variation among species (1st quartile = 83% range loss, 3rd quartile = 24% range loss). Our results match closely to previous estimates of shifts in Neotropical amphibian alpha diversity under climate change projections (Lawler et al. 2009, Hof et al. 2011), including a slight tendency for SDMs to overestimate species richness, especially in the northern Andes (Lawler et al. 2009). The implications of these biodiversity changes have been discussed elsewhere, and we do not expand on them here.

Predicted changes of spatial patterns of β-diversity

We show that areas with high Neotropical amphibian βsim are currently concentrated in the highlands, primarily in the South American Andes (Fig. 1a). In contrast, βsim is relatively low over most of the lowland Neotropics, especially in the Amazonian, Guiana Shield and Cerrado region (Fig. 1a). These patterns are largely concordant with those of McKnight et al. (2007), who used the same metric to calculate anuran β-diversity for a smaller subset of species across the entire Western Hemisphere (see also Baselga et al. 2012).

Bivariate maps depicting relative changes in biodiversity measures for Neotropical anurans between the present and ca 70 years into the future. Colours indicate the relative amount of change. Reductions are depicted towards the red end of the spectrum whereas increases are depicted toward the blue end of the spectrum. Each transition in colour shading translates to a 10% quantile shift in the value of the variables. (a) β-Diversity, (b) species richness (SR), (c) average level of ecological generalism (EG), (d) phylogenetic diversity (PD). Much of the area currently characterized as high β-diversity will remain proportionally high in β-diversity (i.e. yellow areas mainly in Central and South American Andes, except for northern Andes that are predicted to show a relative reduction in β-diversity [red areas]). In contrast, β-diversity is predicted to increase in some lowland areas (i.e. parts of the Amazon Basin, Cerrado and Chaco regions) where β-diversity is currently low (blue areas) whereas β-diversity will remain largely unchanged in other lowlands (e.g. Guiana Shield and parts of Amazonia light green areas). We used a function generated by José Hidasi-Neto to generate the map (<http://rfunctions.blogspot.ca/2015/03/bivariate-maps-bivariatemap-function.html>).

On average, βsim is projected to increase by

36% per cell by 2070, but there is large variation across space. In the Neotropical lowlands, where βsim is currently low, βsim is predicted to generally increase (i.e. there is a trend towards biotic differentiation, β-diversity change = 39% ± 40.29 SD, Fig. 1a, 2a–b). This pattern of β-diversity change is projected to be greatest in the Amazon Basin, and some areas of the Cerrado and Chaco regions (Fig. 2b). Exceptions include several highland assemblages in Mesoamerica, such as Mexico's Sierra Madre Occidental mountain ranges, some parts of Sierra Madre Oriental and del Sur, and some highlands of Guatemala (Fig. 2b). In contrast, βsim is predicted to decrease in approximately 75% of the Neotropical highlands, where current βsim is high (i.e. there is a trend towards biotic homogenization, β-diversity change = −8.5% ± 6.66 SD, Fig. 1a, 2a–b), including most of the South American Andes and Guiana Shield highlands, some northern and central areas of Sierra Madre Occidental, and areas of Sierra Madre Oriental of the Mexican mountain system (Fig. 2b). Lowlands predicted to decrease in βsim include the Pacific lowlands of South America, especially the northern South America, some Caribbean areas of Colombia, and the lowlands from southern Argentina and Chile (Fig. 2b).

Projected changes in β-diversity of Neotropical anuran amphibians according to the ‘warmer/dryer’ scenario of the IPSL-CM5a-LR global climate model. (a) Violin plots showing variation (median, range, kernel density, 25–75th percentiles) in changes in anuran β-diversity in Neotropical highlands (altitude >1300 m a.s.l.), in red, versus lowlands (altitude <1300 m a.s.l.), in green. (b) Map of Neotropical America showing predicted distribution of areas of biotic homogenization with respect to anuran species diversity (i.e. decrease in β-diversity), in red, versus biotic heterogenization (i.e. increase in β-diversity), in green. The majority of highland assemblages are predicted to become more homogeneous, whereas the majority of lowland assemblages are predicted to become more heterogenous (see violin plot). Analyses were performed under the assumption that a species can reach any area with suitable environmental conditions (universal dispersion).

Predictors of change in β-diversity

The full GAM including ΔSR, ΔEG, ΔPD and elevation was the only model favoured by AIC (Table 1, ∆AIC <2). This model explained 65% of the total variance in βsim change (Table 1). The results of the likelihood ratio tests showed that the inclusion of the each of individual predictors had a significant impact on the full model's predictive power (all p < 0.001, Table 1, Supplementary material Appendix 8 Table A8.3). Both ΔEG and ΔSR were negatively correlated with βsim change, while ΔPD was positively correlated with βsim changement. The model including ΔEG as estimated by niche breath instead of range size, showed qualitatively similar associations (Supplementary material Appendix 5 Fig. A5.6).

Model (predictors) df AIC logLik R 2 (adj) Deviance (%)
ΔSR + Elevation + ΔEG + ΔPD 31 19699.8 9881.256 0.65 65%
F p
ΔSR 208.24 <0.001
Élévation 130.27 <0.001
ΔEG 462.76 <0.001
ΔPD 25.32 <0.001

The increasing heterogeneity of lowland anuran assemblages (Fig. 2) is primarily driven by range contraction and local extinction of generalist species (Fig. 3a–b, see also red areas in Fig. 1b–c). Range contraction and local extinction also tend to drive decreases in species richness, but result in higher phylogenetic dispersion – thus future anuran assemblages in these regions will tend to be species-poor and comprised of taxa that are more distantly related than current assemblages (Fig. 3c, see also blue areas in Fig. 1d). The increasing heterogeneity of some Mesoamerican highland assemblages is largely explained by local species extinctions, which tend to impact more generalist species (Supplementary material Appendix 9 Fig. A9.10).

Biplots showing the predicted relationships between change in β-diversity and predictors retained in the best generalized additive model (GAM). (a) Change in species richness (ΔSR). (b) Change in the average level of ecological generalism (ΔEG). (c) Change in phylogenetic diversity (ΔPD). Fitted lines show the univariate generalized additive models (GAMs) with 95% confidence interval (dark gray), and residuals (light gray points). Rugs on the x-axes (i.e. vertical lines above the x-axes) show the predictors values, and how they are distributed. Labels on the y-axes indicate the smoothed function (s) for the term of interest (ΔSR, ΔEG and ΔPD), and the estimated degrees of freedom (following the term).

The biotic homogenization predicted in the majority of highlands (Fig. 2), is driven by increases in generalist species (i.e. range expansion) and, to a lesser extent, loss of specialists (Fig. 3a–b). This pattern is especially clear in the central and southern Andes (Fig. 4c–d). Range expansion will tend to increase local species richness, but coincides with the loss of specialist species. In this region, future anuran communities are predicted to become more phylogenetically clustered (formed of taxa that are closer together on the phylogenetic tree) than current assemblages (Fig. 3c). Anuran assemblages in the northern Andes, will also tend to become more homogeneous with projected climate change. However, here the shift in community structure appears to be driven more by local extinctions of specialists, resulting in assemblages with lower species richness and dominated by generalists (Fig. 4a–b). The predicted homogenization of northern assemblages is estimated to be stronger than that in the southern Andes (β-diversity change = −18.84% ± 7.31 SD versus β-diversity change = −6.81% ± 4.41 SD, respectively). The local extinction of specialists is similarly predicted to drive greater homogenization of anuran assemblages in the northern Pacific lowlands of South America, whereas local species gains (especially of generalists) will tend to homogenize the southern Pacific lowlands and some areas of the southern Andes (Supplementary material Appendix 10 Fig. A10.11).

Plots of the relationships between change in β-diversity (homogenization versus heterogenization) against change in species richness (ΔSR species gains versus species loss) and change in the average level of ecological generalism of the species (ΔEG) for the Andes. (a) Bagplot of the relationship between change in β-diversity and ΔSR in the northern Andes. (b) Biplot showing the predicted relationship between change in β-diversity and ΔEG in the northern Andes. (c) Bagplot of the relationship between change in β-diversity and ΔSR in the southern Andes. Median is shown as red asterisk, and outliers are shown in red. The light gray polygon (i.e. the bag) contains 50% of the data points. (d) Biplot showing the predicted relationship between change in β-diversity and ΔEG in the southern Andes. Univariate generalized additive models (GAMs) were used to predict these relationships (light gray line), showing 95% confidence interval of the prediction shaded in dark gray and residuals (light gray points). Rugs on the x-axes (i.e. vertical lines above the x-axes) show the predictors values, and how they are distributed. Labels on the y-axes indicate the smoothed function (s) for the term of interest (ΔEG), and the estimated degrees of freedom (following the term). As measures of overall fit we present adjusted R 2 and the significance of predictors (p).

OLS models produced results analogous to those obtained in the GAMs, in which ΔSR and ΔEG were negatively associated with β-diversity change, and ΔPD was associated positively with β-diversity change (Supplementary material Appendix 12 Table A12.4).

Model sensitivity and robustness

We explored robustness of our findings to various sources of uncertainty. To encompass variability in future emission scenarios, we used three different and contrasting GCMs, and show largely congruent patterns of βsim changes (Supplementary material Appendix 6 Fig. A6.7, A6.8). Our predicted changes of βsim are clearly dependent on the assumption of unlimited dispersal ability of species under climate change. However, assuming a more realistic dispersal-scenario did not importantly affect the general spatial patterns of β-diversity shifts described in this study (Supplementary material Appendix 4). Given sufficient time, it is also possible that some species might be able to adapt to novel climatic conditions in their current locations (Bellard et al. 2012), in such cases our estimates of range contraction may be overestimates.

Although the IUCN digital range maps used here have been used widely in macroecological studies, the geographic distributions of some species are much better known than others. For example, the distribution models for anuran species in the ‘data deficient’ (DD) category under the IUCN Red List (<www.redlist.org/>) are likely less reliable than those for species in other IUCN categories. Nori and Loyola (2015) recently emphasized the need to consider DD amphibian species in broad-geographic scale studies, especially for the effectiveness of future conservation assessments. To evaluate sensitivity of our results, we recalculated our β-diversity metrics excluding DD species, and found again that results were qualitatively similar (Supplementary material Appendix 13 Fig. A13.13).


THe easiest way I can think of is to access Elsevier's platform called http://www.scopus.com . There, you can do paper research based on author's name, field, date and nº of citations. Take the top citated works and research their impact factor on google scholar.

Use Google Scholar to look up papers on the topic of interest, then look at (a) the papers they cite, (b) the papers that cite them (Google Scholar can give you a list). Keep following the links until you run out of interesting papers, then look to see which authors keep appearing.

Look at the major conferences/journals in your field to get a list of potentially-relevant papers, then look to see which authors keep appearing.

The union of the results of these two approaches will generally get you close to what you want.


Regional Climate–Weather Research and Forecasting Model

The CWRF is developed as a climate extension of the Weather Research and Forecasting model (WRF) by incorporating numerous improvements in the representation of physical processes and integration of external (top, surface, lateral) forcings that are crucial to climate scales, including interactions between land, atmosphere, and ocean convection and microphysics and cloud, aerosol, and radiation and system consistency throughout all process modules. This extension inherits all WRF functionalities for numerical weather prediction while enhancing the capability for climate modeling. As such, CWRF can be applied seamlessly to weather forecast and climate prediction. The CWRF is built with a comprehensive ensemble of alternative parameterization schemes for each of the key physical processes, including surface (land, ocean), planetary boundary layer, cumulus (deep, shallow), microphysics, cloud, aerosol, and radiation, and their interactions. This facilitates the use of an optimized physics ensemble approach to improve weather or climate prediction along with a reliable uncertainty estimate. The CWRF also emphasizes the societal service capability to provide impactrelevant information by coupling with detailed models of terrestrial hydrology, coastal ocean, crop growth, air quality, and a recently expanded interactive water quality and ecosystem model. This study provides a general CWRF description and basic skill evaluation based on a continuous integration for the period 1979&ndash 2009 as compared with that of WRF, using a 30-km grid spacing over a domain that includes the contiguous United States plus southern Canada and northern Mexico. In addition to advantages of greater application capability, CWRF improves performance in radiation and terrestrial hydrology over WRF and other regional models. Precipitation simulation, however, remains a challenge for all of the tested models.

Journal

Bulletin of the American Meteorological Society &ndash American Meteorological Society


Results on simulated and real datasets

In order to assess the effectiveness of both presented methods to evaluate the UNLM, three different tests were conducted.

The first case study concerned a simulated small network (test ‘SIM’), while the second and third tests were based on data derived from two existing gas networks in urban areas (tests ‘REAL1’ and ‘REAL2’), which are located in a small town (

15,000 inhabitants) and in a mid-sized town (

100,000 people), respectively. For the sake of reservation, the locations of both test sites are anonymous. However, they are both in flat areas at mean geographic coordinates φ = 45°, λ = 10°, h = 100 m. In both tests, either the ‘rigorous’ or ‘approximate’ method was applied to compare the results. In test ‘REAL2’, the computation of UNLM was carried out on the overall network, as well as on a portion of it. With this approach, the influence of the network size on the accuracy of results could also be evaluated.

The objectives of these experiments are twofold: firstly, a comparison between both proposed methods (‘rigorous’ and ‘approximate’) and, secondly, to give an evaluation of the UNLM in the case of operational distribution gas networks and to compare it with the systematic errors described in the ‘Systematic errors’ section (see the ‘Effects of systematic errors’ subsection).

The computation of the UNLM was performed by using a code developed and running it in MATLAB®. This basically requires, as input, three tables describing the structure of the network graph: the node table (ID_NODE je, E je, N je), which gives the position of each node je les arc table, which lists all the elementary straight line segments j of the network with their nodes (ID_ARC j, ID_NODE1 j, ID_NODE2 j) et le link table, which stores the nodes connected to each node je and the number of connections (ID_NODE je, ID_NODEJ je, ID_NODEK je, ID_NODEL je, NLINK). A data model where each node can have no more than three connected nodes was implemented here. All tables needed for the evaluation of UNLM can be easily derived from data exportable from all commercial GIS packages where the topology of the considered network has been previously constructed.

Test ‘SIM’

A graph corresponding to a small size gas distribution network was generated, featuring a global length of 2,922.1 m (Fig. 8). The simulation was performed by directly building up the three tables described in the introduction of this section. The geodatabase of the network was thought to be derived from digitising the analogue maps, resulting in a hypothesis for the standard deviations of point coordinates of 0.40 m. Both coordinates have been assumed as not being correlated. This value is typical of maps at the 1:2,000 scale that are frequently adopted as reference for utility network representation. All characteristics of the simulated graph are reported in Table 1.

Geometric layout of the simulated network of the test ‘SIM’ the size of each grid cell is 100 × 100 m


Méthodes

Bird Data and Genetic Distances

We tested the ASH using a broad-scale approach involving several bird species. We searched the literature for studies describing intraspecific genetic variation for which geographic information on the location of collecting sites was accessible. Our sampling was focused in the New World tropics, where precipitation asynchrony is most likely to influence population differentiation (Martin et al. 2009 see “Discussion”). Our initial database comprised mitochondrial DNA sequences of 1,586 individuals of 74 nonmigrant New World species ( table S1 , deposited, along with all supplementary tables and figures, in the Dryad Digital Repository: http://dx.doi.org/10.5061/dryad.40d6h [Quintero et al. 2014] fig. 2). For each species, sequences corresponded to either the cytochrome b (cytb) gene, the NADH dehydrogenase subunit 2 (ND2) gene, or the ATPase 8 and ATPase 6 genes ( table S1 ) although these genes may differ in substitution rates, this does not affect our analyses of intraspecific genetic divergence, which are done species by species (see below). For each individual, the mitochondrial DNA sequence was downloaded from GenBank and the geographic coordinates were extracted from the published source. For individuals with a description of the collecting site but lacking geographic coordinates, we georeferenced the locality according to the published description if the description was not precise enough, then we discarded the individual. Sequences were aligned using the MUSCLE algorithm in Geneious Pro 4.8.5 (Drummond et al. 2010), and we chose the best-fit model of nucleotide substitution for each set of sequences obtained for each species using JModelTest (Posada 2008) based on the Akaike information criterion (AIC). Finally, we calculated pairwise genetic distances between all individuals of each species using the ape package, version 3.0-2 (Paradis et al. 2004) for R (R Core Team 2013). When the chosen substitution model was not available in ape, we used MEGA or PAUP* (Swofford 2003 Tamura et al. 2011). We used pairwise genetic distances between individuals instead of population-level metrics of genetic differentiation (e.g., Fst) because of the difficulty of defining populations given a limited number of individuals and unequal sampling across species. Figure 2.

Map of the Americas displaying the fit of observed monthly precipitation to a unimodal sinusoidal curve as given by the Fourier analysis. Here, 1 would correspond to a perfect fit of observed monthly precipitation to an annual sinusoidal curve with one peak, and 0 would correspond to all months having the same values of precipitation. Orange indicates locations being increasingly annual in their precipitation regimes (i.e., unimodal precipitation) white indicates locations with less seasonal precipitation regimes. The locations of all individuals used in this study are indicated with black dots.

Precipitation Data and Patterns of Precipitation Seasonality

Because information on local breeding schedules is lacking for our study species, we used precipitation seasonality as a proxy for food availability, which is expected to correlate with reproductive timing (Martin et al. 2009). We estimated precipitation seasonality from two alternative data sources. First, we used mean monthly cloud frequency (Cloud-Cover) during the years 2000–2012 at 30-arcsecond (∼1 km at the equator) resolution summarized from daily MODIS MOD09GA PGE11 cloud-mask data ( table S2 A. W. Wilson and W. Jetz, unpublished data). Cloud cover is strongly correlated with the mean and seasonality of precipitation (A. W. Wilson and W. Jetz, unpublished data). We also used monthly precipitation data extracted from the WorldClim database at a projected resolution of 30 arcseconds (Hijmans et al. 2005).

For each georeferenced occurrence site linked to genetic data, we extracted monthly cloud frequency data from Cloud-Cover and monthly precipitation data from WorldClim using the raster package (Hijmans 2013) for R. To describe seasonality in precipitation based on these two data sets, we employed a Fourier analysis similar to that used in a recent study on seasonality in plant phenology (Zalamea et al. 2011). This analysis computes the degree of adjustment of a time series to a periodic sinusoidal curve using fast discrete Fourier transformation subsequently, the lag between any of these sinusoidal curves is estimated through a cospectral Fourier analysis. Because our time series comprises 1 year (i.e., mean monthly precipitation), a 12-month-period sinusoidal curve has only one peak and one valley, whereas a 6-month-period curve has two peaks and two valleys per year, corresponding to annual and biannual precipitation regimes, respectively. We evaluated the fit of the annual precipitation data to six different periodic components: 12, 6, 4, 3, 2.4, and 2 months. The fast Fourier transformation returns a coefficient describing the fit of the observed monthly precipitation to sinusoidal curves corresponding to each of the periodic components used (Bloomfield 2000 Zalamea et al. 2011). We created a null distribution for each locality’s precipitation regime by randomly resampling 10,000 times the monthly rainfall series, from which we assessed the significance of each periodic component.

Individuals from localities with nonsignificant periodic components were discarded (182 for Cloud-Cover data and 197 for WorldClim data). All localities retained for subsequent analyses (1,404 for Cloud-Cover data and 1,389 for WorldClim data) experience either a 12- or 6-month component (i.e., annual or biannual precipitation regimes). We used a cospectral Fourier analysis to compute the lag between peaks in rainfall seasons of different localities this analysis returns a complex vector, where the real component represents the amplitude of the frequency curve (amplitude) and an imaginary number represents the angle positioning (phase). Algorithmic subtraction between the phases of two localities results in the percentage of temporal difference between the peaks in precipitation. We used this difference as our estimate of asynchrony in precipitation seasons between localities. A 100% difference means that when one locality is in its precipitation peak, the other locality is in the lowest point of the precipitation valley (i.e., total asynchrony), and 0% indicates coincidence in precipitation peaks (i.e., no asynchrony). This analysis was performed using the fft function in R.

Accounting for Geographic Distance and Dispersal Barriers

Because geographic distance and geographic barriers to dispersal are major causes of population differentiation, we performed the following analyses to account for the effect of these variables on genetic divergence prior to relating genetic divergence to asynchrony in precipitation. We used species distribution modeling to create ecological resistance matrices to estimate species-specific paths of least resistance between georeferenced localities (i.e., the most probable dispersal pathways as determined by niche requirements). Subsequently, these dispersal distances were accounted for when assessing the relationship between precipitation asynchrony and genetic difference, as explained below.

First, we created a niche model for each species using the maximum-entropy algorithm MaxEnt implemented in the dismo package (Hijmans et al. 2013) for R. Localities for each species were obtained from the Global Biodiversity Information Facility ( http://www.gbif.org ) and published literature and were carefully vetted prior to inclusion. We excluded localities outside known distribution ranges, deleted duplicate records, and cross-referenced locality descriptions with their geographical coordinates. We did not include geographic coordinates of our georeferenced genetic data to avoid potential pseudoreplication in subsequent analyses. To create each niche model, we used current climatic data (19 variables derived from measurements of temperature and precipitation) from WorldClim and elevation data from the GTOPO30 database (Gesch et al. 1999) at a ∼1 km 2 resolution. We used a projected resolution of 0.0089° (∼1 km at the equator) encompassing most of the Americas (lat. 56°S–56°N, long. 136°W–35°W) using the raster package for R (Hijmans 2013). Additionally, we incorporated categorical land-cover data for the year 2000 from the Global Land Cover database (Bartholomé and Belward 2005). We reduced the 20 continuous variables using a principal component analysis (PCA) with prior standardization of the variables (i.e., to make each variable equally important Crawley 2007) and then used the first five principal components (jointly accounting for >90% of the variance) and the Global Land Cover data as input variables to create the niche model for each species. Owing to the lack of real absence data, we used pseudoabsences randomly drawn from background data. We calculated the area under receiver operator curves (AUC) and model-calibrated AUC (cAUC) using cross-validation to examine the fit of each species niche model to our localities linked with genetic data (Hijmans 2013).

To estimate the likelihood of dispersal between localities linked with genetic data, we considered three different dispersal models: linear paths, least-cost paths, and randomized shortest paths (McRae and Beier 2007 Saerens et al. 2009). First, we calculated linear geographic distance, taking into account Earth’s curvature. Second, we used a least-cost-path model, where the dispersal distance takes into account landscape resistance between habitat patches (Adriaensen et al. 2003). Because the least-cost-path model assumes directionality in dispersal, which is often unrealistic, we also used randomized shortest paths, which average the distance over several Brownian-motion pathways connecting two points while accounting for environmental suitability (McRae and Beier 2007). The above analyses require a template layer from which to calculate a layer of resistance values between adjacent grid points we used the inverse of the MaxEnt relative suitability output values, which range from 0 to 1, as resistance values. These analyses were done with the package gdistance (van Etten 2012) for R using parallel processors in a 48-node server. Finally, we assessed the relationship between genetic distance and each of the three dispersal models. We incorporated the best-fit dispersal model for each species as a covariate in analyses testing for the effect of differences in precipitation seasonality on genetic differentiation (see below).

Testing the Relationship between Differences in Precipitation Seasonality and Genetic Differentiation

We assessed the relationship between differences in precipitation seasonality and genetic distance separately for each species using partial Mantel tests, which use dissimilarity matrices to assess the correlation between two variables while accounting for another variable. We tested the partial correlation between precipitation asynchrony and the genetic dissimilarity matrices conditioned on the best-fit dispersal model distance using Spearman correlation in the ecodist package, version 1.2.7 (Goslee and Urban 2007), for R. The significance of partial correlation was established through 10,000 permutations of one of the independent-variable matrices, and confidence intervals were estimated through bootstrapping with 10,000 iterations. Because partial Mantel tests may be biased when variables exhibit spatial autocorrelation (Guillot and Rousset 2013), we tested for spatial autocorrelation on the residuals between the best-fit dispersal model distances with genetic distance and precipitation matrices of each species using a partial Mantel correlogram (Oden and Sokal 1986).

Finally, to estimate the overall (i.e., cross-species) effect of precipitation asynchrony on genetic distances, we used a random-effects meta-analysis, which is tailored for correlation coefficients derived from multiple studies (i.e., species in our case) as input values. To consider the possible influence of nonindependence of species resulting from evolutionary relationships in our meta-analysis (Adams 2008), we tested for phylogenetic signal of the Mantel coefficient on a comprehensive supertree of birds (Jetz et al. 2012). We optimized Pagel’s lambda (λ) and fitted Brownian motion, Ornstein-Ulhenbeck, and white noise (no phylogenetic signal) models of trait evolution on 1,000 randomly sampled trees from the posterior distribution (see Jetz et al. 2012). We selected the best-fit model using the AIC. Because the Mantel coefficient lacked phylogenetic signal on all 1,000 trees, conducting phylogenetic meta-analysis was not necessary ( table S5 Revell 2010). Finally, because some of the species in our data set were represented by a relatively small number of individuals, we examined the sensitivity of results to sample size by repeating meta-analyses excluding species with less than 5, 10, and 15 individuals.

Strength of the Asynchrony of Seasons Effect in Relation to Species Distributions and Traits

We examined several ad hoc hypotheses to try to explain the variance among species in the strength of the relationship between precipitation asynchrony and genetic difference (i.e., the correlation coefficient obtained from the partial Mantel test) while accounting for shared ancestry. The variables we examined are as follows.

Latitude. The contrasting temporal dynamics between temperate and tropical environments is expected to result in a latitudinal difference in the impact of the ASH (Martin et al. 2009). Species living in temperate latitudes experience a highly seasonal climate where temporal patterns in temperature and photoperiod are tightly correlated with food availability. Because cues are similar over wide latitudinal belts at high latitudes (Martin et al. 2009), reproductive activity of conspecific populations tends to occur in close synchrony over large areas. The tropics are also seasonal environments, with dry and rainy seasons (Malhi and Wright 2004) and periodic changes in food availability and biotic interactions (Jacobs and Wingfield 2000 Wikelski et al. 2000 Zalamea et al. 2011). However, precipitation seasonality may change drastically even at small distances (Legates and Willmott 1990), over which tropical species are expected to display spatially asynchronous breeding (Hau et al. 2008 Shine and Brown 2008 Jahn et al. 2010). Thus, because one may predict the strength of the effect of precipitation seasonality to be stronger at lower latitudes (Martin et al. 2009), we examined the influence of the latitudinal midpoint of each species estimated according to our sampling points.

Degree of asynchrony. We considered the effect of the degree of asynchrony in precipitation because for species in which localities show greater asynchrony in precipitation, one would expect the effect of precipitation asynchrony on genetic isolation to be stronger. Thus, for each species, we considered the mean, median, maximum, and standard deviation of precipitation asynchrony between localities.

Spatial scale. Because spatial scale likely affects the opportunities for population genetic differentiation (Kisel and Barraclough 2010), we examined the effect of mean, median, maximum, and standard deviation of geographic distances between localities.

Habitat specificity. Because the range of habitats species occupy may affect diversification processes (Pianka 1969), we examined the effect of the number of different habitats occupied per species.

Body mass. Because body size correlates with dispersal abilities and thus influences genetic differentiation (Kisel and Barraclough 2010), we tested the effect of species’ average body mass.

Forest strata. Birds from different vegetation strata likely differ in dispersal propensity, and this can affect genetic differentiation (Burney and Brumfield 2009). We examined this potential effect based on a discrete quantitative scale of the most frequent forest strata used by each species (1 = terrestrial, 2 = terrestrial-understory, 3 = understory, 4 = understory-midstory, 5 = midstory, 6 = midstory-canopy, 7 = canopy).

Élévation. Because precipitation regimes vary with elevation, we considered each species’ mean elevation and elevational range.

The above species variables were obtained mostly from a comprehensive database (Stotz et al. 1996) and other sources ( table S6 ). We fitted a phylogenetic generalized least squares regression model with simultaneous maximum-likelihood optimization of the correlation structure according to Pagel’s λ (PGLSλ Hansen 1997 Revell 2010), with each of the above factors as the explanatory variables and the Mantel correlation coefficient as the dependent variable. To account for phylogenetic uncertainty, we repeated the PGLSλ using each of the 1,000 trees mentioned above. All PGLSλ analyses were performed with the caper (Orme et al. 2013) and ape (Paradis et al. 2004) packages for R. Because all of the PGLSλ analyses estimated a λ of zero, we report results based on a weighted least squares nonphylogenetic analysis, which allowed us to take into account uneven sample sizes among species.

Finally, we modeled the effect of different combinations of the above hypotheses simultaneously using weighted least squares regression. We first standardized all variables to make their effects comparable. Then, we used stepwise model selection based on the AIC and the Bayesian information criterion (BIC) to choose the most appropriate predictors of the Mantel regression coefficient. All analyses were performed in R.


What do negative DEM values mean? - Systèmes d'information géographique

Vous avez demandé une traduction automatique d'un contenu sélectionné dans nos bases de données. Cette fonctionnalité est fournie uniquement pour votre commodité et n'est en aucun cas destinée à remplacer la traduction humaine. Ni BioOne ni les propriétaires et éditeurs du contenu ne font, et ils déclinent explicitement, toute représentation ou garantie expresse ou implicite de quelque nature que ce soit, y compris, sans s'y limiter, les représentations et garanties quant à la fonctionnalité de la fonction de traduction ou l'exactitude ou l'exhaustivité de les traductions.

Les traductions ne sont pas conservées dans notre système. Votre utilisation de cette fonctionnalité et des traductions est soumise à toutes les restrictions d'utilisation contenues dans les Conditions d'utilisation du site Web BioOne.

Continental-scale biogeographic variation: provinces versus gradients in the Upper Ordovician of Laurentia

Chelsea E. Jenkins, 1 Steven M. Holland 1

1 Chelsea E. Jenkins and Steven M. Holland. Department of Geology, University of Georgia, Athens, Georgia 30602-2501, U.S.A. E-mail: [email protected]

Inclut PDF et HTML, lorsqu'ils sont disponibles

Cet article est uniquement disponible pour les abonnés.
Il n'est pas disponible à la vente individuelle.

Although provinces are widely used to delimit large-scale variations in biotic composition, it is unknown to what extent such variations simply reflect large-scale gradients, much as has been shown at smaller scales for communities. We examine here whether four previously described Middle and Late Ordovician provinces on Laurentia are best described as distinct provinces or as biotic gradients through a combination of the Paleobiology Database and new field data. Both data sets indicate considerable overlap in faunal composition, with spatial patterns in Jaccard similarity, quantified Jaccard similarity, and nonmetric multidimensional scaling ordination structure that correspond to variations in substrate type, specifically from carbonate-dominated strata in western Laurentia to mixed carbonate—siliciclastic strata in the midcontinent to siliciclastic-dominated rocks in easternmost Laurentia. Because samplingwas limited to shallowsubtidal settings, this gradient cannot be attributed to variations in water depth. Likewise, geographic distance accounts for only a quarter of the variation in faunal composition. This cross-continent faunal gradient increases in strength into the early Late Ordovician, and appears to represent increased siliciclastic influx into eastern Laurentia during the Taconic orogeny. These results raise the question of whether biogeographic provincesmay be in general better interpreted and analyzed as biotic gradients rather than as discrete entities.