Viac

Ktorú vhodnú vzdialenosť medzipamäte zvoliť pre analýzu hustoty jadra na riešenie okrajových efektov?

Ktorú vhodnú vzdialenosť medzipamäte zvoliť pre analýzu hustoty jadra na riešenie okrajových efektov?


Chcel by som spustiť analýzu hustoty jadra na bodových prvkoch v ArcGIS 10.2 na detekciu hotspotov a na vykonanie testu sa odporúča použiť oblasť sledu, aby sa znížili okrajové efekty počas analýzy jadra. Chcel by som vedieť, ako to zistiť najvhodnejšiu vzdialenosť medzipamäte, pretože viem, že moja študovaná oblasť je asi 331 000 km², moja veľkosť výstupnej bunky bude 130 m a môj polomer hľadania bude asi 150 km (vzdialenosť prvé štatisticky významné špičkové z-skóre dané inkrementálnou priestorovou autokorelačnou analýzou).


Ak je váš vyhľadávací okruh 150 km, skúste to ako vzdialenosť vyrovnávacej pamäte. Zahrnutie vzdialenosti medzipamäte má zabezpečiť, aby vaše hustoty neboli odrezané na hraniciach, takže vaša vhodná hranica bude závisieť od toho, kde sú vaše hotspoty / koľko bodov je v týchto zoskupeniach a aké sú husté. Tu je ďalšie vysvetlenie hustôt jadra v prostrediach geopriestorového modelovania:

http://www.spatialecology.com/gme/kde.htm

A príklad použitia šírky pásma ako vzdialenosti medzipamäte nájdete v časopise Journal of Modern Transport:

Identifikácia hotspotov zlyhania pomocou metód odhadu hustoty jadra a metód krigingu: porovnanie. Autori: Lalita Thakali, Tae J. Kwon, Liping Fu, 2015


Vyhodnotenie aplikácie priestorovej analýzy pre zvládanie mimoriadnych udalostí v mestách

Tento príspevok poskytuje multidisciplinárny rozsah využitia rámcov geopriestorových údajov pre správu mestských katastrof s dôrazom na konkrétne udalosti. Udalosti riadenia mimoriadnych udalostí uvedené v tomto prehľade sú všeobecne známe a predstavujú vysoké riziko pre rôzne časti sveta.

Výsledky

Diskusia sa začína riešením aplikačných problémov súvisiacich s tým, ako je možné využiť priestorovú analýzu zameranú na operácie riadenia katastrof, charakterizovaním jej ľahkého použitia a prekážok pri riadení vyšetrovania zraniteľnosti a posúdenia nebezpečnosti. Zdôrazňuje tiež osvedčené postupy týkajúce sa prístupov k integrácii priestorových údajov na účely mapovania nebezpečenstva a vnímania rizika.

Závery

Cieľom tejto štúdie je poskytnúť koncepčné pokrytie vhodných riešení havarijnej pripravenosti a reakcie pomocou priestorovej analýzy a GIS. Príspevok zdôraznil, že medzi rôznymi problémami, ktoré môžu čeliť použitiu priestorovej analýzy, je okrem kolektívnej koordinácie zainteresovaných strán pracujúcich v tejto oblasti aj presnosť údajov a čas spracovania. Zistenia tohto výskumu vedú k záveru, že výzvou pre možné zníženie rizika je poskytnúť manažérom katastrof prístup k informáciám a metodikám, ktoré im môžu pomôcť pri analýze, hodnotení a mapovaní modelov nebezpečenstva.


Pozadie

Meranie priestorovej prístupnosti

Dostupnosť je hlavným problémom mnohých typov zainteresovaných strán pri tvorbe politiky v oblasti dopravy, mestského plánovania, marketingu a verejného zdravia. Pretože môže obsahovať viac rozmerov ako priestorový (napr. Časový, sociálny, ekonomický), neexistuje jednotná ustálená definícia prístupnosti. Niekoľko prehľadov literatúry poskytuje globálny a historický prehľad existujúcich definícií a súvisiacich opatrení, ako aj vývoj a príklady aplikácií [1–7]. Užitočnú klasifikáciu existujúcich opatrení prevádzkovej prístupnosti navrhli Geurs a van Wee [7]. Autori rozlišujú štyri široké kategórie meraní. Merania založené na „infraštruktúre“ sa používajú na hodnotenie efektívnosti dopravnej siete (napr. Dopravné zápchy, stredná rýchlosť jazdy). „Lokálne“ merania sa zaoberajú priestorovým rozložením príležitostí (napr. Vzdialenosť k najbližšej príležitosti, počet dostupných zariadení v susedstve), spravidla na agregovanej úrovni. „Osobné“ merania sa týkajú rozčlenených meraní časopriestorovej prístupnosti na individuálnej úrovni. „Utilitné“ merania sú založené na hodnotení prínosov a teórii maximalizácie užitočnosti pre jednotlivcov aj skupiny obyvateľstva. Bez ohľadu na kategóriu je pri stanovení merania potrebné definovať niektoré navzájom súvisiace prvky: stupeň a typ členenia, pôvod a cieľ, atraktívnosť a cestovná prekážka [6].

V oblasti verejného zdravia rastie záujem o štúdium vzťahov medzi individuálnymi zdravotnými správaniami (napr. Príjem potravy, fyzická aktivita) a meraniami priestorovej dostupnosti k súvisiacim príležitostiam (napr. Predajne potravín, športové zariadenia) [8, 9] . Jedným z dôležitých cieľov je posúdiť, či je sociálna deprivácia spojená s konkrétnymi úrovňami priestorovej dostupnosti pre určité typy zariadení, čo prispieva k zosilneniu sociálnych rozdielov v nezdravom správaní [10].

V nedávnom metodickom prehľade sme zaznamenali, že vo väčšine predchádzajúcich štúdií sa priestorová dostupnosť k danému typu zariadenia merala buď ako vzdialenosť k najbližšej príležitosti, alebo ako počet alebo hustota príležitostí v susedstve (administratívna jednotka alebo čas / vzdialenosť). nárazník) [11]. Aj keď sú tieto „klasické“ merania veľmi užitočné kvôli svojej jednoduchosti (pre pochopenie aj pre výpočet), predstavujú určité obmedzenia. Ignorovaním niektorých aspektov cestovného správania skutočne poskytujú iba „jednorozmerný“ zaujatý pohľad na dostupnosť [12].

Limity „klasických“ indexov

Meranie najbližšej príležitosti predpokladá, že okolité príležitosti iné ako tá najbližšia nie sú zahrnuté v možných cieľoch, ktoré si môžu jednotlivci zvoliť. Handy a Niemeier [6] preukázali, že ide o nereálny predpoklad. V skutočnosti v dvoch komunitách v oblasti San Francisco Bay Area (CA, USA) zistili, že viac ako 80% obyvateľov navštívilo viac ako jeden supermarket za mesiac.

Počet zariadení v susedstve, známych tiež ako a kontajner index [12] prekonáva toto obmedzenie zohľadnením všetkých dostupných príležitostí v susedstve. Predpokladá však, že príležitosť situovaná tesne za hranicu susedstva nebude prístupná a že všetky príležitosti v susedstve budú rovnako prístupné, čo je otázne z hľadiska priestorových bariér alebo vnímania vzdialeností.

S cieľom vyriešiť túto poslednú otázku sa na hodnotenie dostupnosti zdravotnej starostlivosti navrhlo použitie odhadu hustoty jadra (KDE) [13] a vylepšenej dvojstupňovej metódy plávajúcej povodia (E2SFCA) [14]. ] alebo obchody s potravinami / zariadenia na fyzickú aktivitu [17–19]. Hlavnou myšlienkou takýchto metód je zohľadniť stranu dopytu (populácia) aj ponuky (odborníci v oblasti zdravotníctva) a čiastočne zahrnúť špecifikáciu cestovnej impedancie (trecí účinok vesmíru: väčšia váha sa venuje možnostiam blízkym pôvodu). Väčšina z týchto štúdií napriek tomu využívala funkciu váženia vzdialeností poskytovanú dostupným softvérom GIS bez adresovania konkrétneho bodu.

Vymedzenie susedstva [20] v kontajner index, metóda KDE a E2SFCA je ďalším kritickým bodom. Použitie kruhových alebo sieťových vyrovnávacích pamätí namiesto administratívnych jednotiek môže byť vhodnejšie, pretože to oslobodzuje štúdiu od administratívnych hraníc. Tento prístup, bohužiaľ, nerieši otázku „jasných hraníc susedstva“ a výber veľkosti a tvaru nárazníka zostáva problematický [21]. Tento posledný bod o ohraničení susedstva a skutočnosti, že prístup k zariadeniam je možné považovať za expozíciu životného prostredia [22], nás prirodzene vedie k širšej otázke, ako treba definovať životné prostredie.

Definovanie životného prostredia

So zameraním na obytné štvrte a ignorovaním možného vystavenia účinkom v okolí iných miest činnosti (napr. Pracovisko alebo škola) väčšina štúdií v zdravotnej literatúre prepadla do takzvanej „obytnej pasce“ [23]. V niektorých štúdiách sa hodnotila úroveň vystavenia alebo prístupnosti okolo škôl [24–27] alebo domovov aj pracovísk [28]. V tejto štúdii sa pôvod (t. J. Pracovisko a domov) posudzoval osobitne pri hodnotení vzťahov medzi prístupnosťou a výsledkami v oblasti zdravia a bolo by zaujímavé zamerať sa na kumulatívnu expozíciu. Aj keď „obytná pasca“ už nie je relevantná (pretože sa neberú do úvahy iba domy), mohlo by byť vhodnejšie považovať tento problém za absenciu dynamického rozmeru („nehybná pasca“).

Vrátane dynamického rozmeru prístupnosti

Ukazuje sa, že je potrebné vziať do úvahy environmentálne vplyvy rezidenčného aj nerezidenčného správania na zdravie, čo zahŕňa zahrnutie priestorovej alebo časopriestorovej dynamiky jednotlivcov a populácií (t. J. Mobilita). V tomto zmysle sú „prístupy založené na osobách“ alebo disagregované merania časopriestoru medzi jednotlivcami a časopriestormi [29] úplne relevantné, ale výsledky môžu byť ťažko interpretovateľné pre populačné štúdie. Umožňujú napríklad vyhodnotiť úrovne prístupnosti počas celého dňa, pokiaľ ide o umiestnenie a trvanie aktivít, podľa individuálnych charakteristík (napr. Pohlavia) [30]. V zdravotných štúdiách Kestens a kolegovia [31] využili jednotlivé priestory so skúsenosťami na meranie dostupnosti rôznych druhov obchodov s potravinami v jednotlivých lokalitách navštívených počas všedného dňa rôznymi kategóriami obyvateľstva (podľa veku a príjmu). Takéto metódy vyžadujú veľké súbory veľmi podrobných údajov, ktoré nie sú vždy k dispozícii, najmä pre veľké študijné zóny. Touto otázkou sa zaoberajú autori, ktorí použili údaje z veľmi veľkého prieskumu mobility. Kvôli obmedzeným informáciám o využití času však nedokázali do svojich odhadov úrovní prístupnosti začleniť časové obmedzenia (t. J. Časové rozpočty).

Cieľ štúdie

Všeobecným cieľom práce bolo navrhnúť merania prístupnosti k súboru zariadení (tri typy výdajní potravín: hyper / supermarkety, obchody s potravinami, pekárne) v regionálnom meradle. V kontexte všeobecného vlastníctva automobilov, a teda zvyšovania úrovne dostupnosti, sa čoraz viac ľudí rozhodlo žiť v prímestských a vidieckych oblastiach (rastúci proces suburbanizácie), ktoré súvisia s lepším životným prostredím. Fungovanie mestských, prímestských a vidieckych oblastí nemožno navzájom od seba oddeliť a potom ich treba považovať za celý systém, vďaka čomu je regionálna úroveň obzvlášť zaujímavá.

Kvôli agregovanej povahe dostupných údajov a kvôli prekonaniu niektorých obmedzení vyššie uvedených meraní (najbližšia príležitosť, kontajner index, KDE), sme sa rozhodli použiť potenciálny index prístupnosti [32]. Prístupnosť je definovaná ako potenciál priestorovej interakcie (t. J. Intenzita možných cieľov), ktorá umožňuje zohľadniť globálny aspekt cestovného správania.

V prvej časti tejto práce uvádzame niektoré historické a teoretické úvahy a potom poskytneme kompletný príklad použitia potenciálneho modelu vrátane podrobného procesu kalibrácie. Druhá časť príspevku je venovaná predstaveniu a aplikácii modelu rozšíreného potenciálu pre dochádzajúcu populáciu.


Diskusia

Vzťah medzi systémom párenia, výberom partnera a rozptýlením sa zriedka skúmal u cicavcov žijúcich v pároch. Tu sme preukázali, že opice titi meďnaté v našej študovanej populácii sú väčšinou geneticky monogamné, pretože sme nenašli dôkazy o EPP. Tiež sme nenašli dôkazy pre voľbu partnera založeného na príbuznosti alebo heterozygozite. Napriek absencii dôkazov o aktívnom vyhýbaní sa inbreedingu prostredníctvom voľby partnera mali párové páry v našej študovanej populácii nízku priemernú príbuznosť. Toto zistenie naznačuje, že pôrodný rozptyl môže generovať dostatočnú úroveň genetickej odlišnosti medzi ženami a mužmi, aby bolo menej potrebné aktívne vyhýbanie sa kríženiu a EPC.

Medený titis je iba druhým druhom primátov a siedmym párom žijúcim cicavcom, pričom sa v štúdii s adekvátnou veľkosťou vzorky nezistil žiadny dôkaz EPP (štúdia gibona bornejského bola založená iba na štyroch dojčatách zo štyroch rodinných skupín 9, tabuľka & # x200B Tabuľka 1). 1). Neprítomnosť EPP v titise nie je neočakávaná, pretože stále žijú v páre, manželia trávia väčšinu dňa do niekoľkých metrov od seba, v noci spia spolu a často sa zúčastňujú na spoločných vizuálnych zobrazeniach a duetovaní na územných hraniciach. 50 & # x02212 54. Táto vysoká úroveň blízkosti a koordinácie by mala zabezpečiť, aby stráženie členov bolo ľahké a dostatočne účinné, aby sa zabránilo EPC.

Aj možnosti nájsť si párov navyše sú pravdepodobne obmedzené. Domáce rozsahy našich študijných skupín sa veľmi málo prekrývajú (priemer 1,4% párového prekrývania medzi susednými skupinami (0 & # x020134.7), nepublikované údaje Obr. & # X000a0 1) a na nájdenie ďalších párov by jednotlivci potrebovali zasahovať do susedných domovských oblastí a riskovať agresiu obyvateľov rovnakého pohlavia. Ďalším spôsobom, ako získať EPC, by mohlo byť párenie s plavákmi, samotárskymi neteritoriálnymi jedincami, ktorí sa po rozptýlení od svojich rodných skupín pohybovali v širokom okolí. Zhromažďujú sa dôkazy o dôležitosti plavákov v populačnej dynamike vtákov aj cicavcov 55, 56. Napríklad u opíc sova Azara & # x02019s, ktoré sú veľmi podobné titisu vo všetkých aspektoch ich sociálneho systému, zažívajú spárované osoby intenzívnu intra-sexuálnu konkurenciu zo strany plavákov oboch pohlaví 56, 57. Dôkazy z opíc sovy Azara a ďalších druhov vtákov a cicavcov však naznačujú, že plaváky nekulujú so spárenými zvieratami tak často, ako by sa dalo intuitívne predpokladať, a EPP sa vo väčšine prípadov pripisuje susedným jedincom (napr. , 16, 19, ale pozri 18, 58). V prípade titis existujú iba anekdotické správy o nahradení votrelcami 59, 60, ale vzhľadom na ťažkosti s detekciou plavákov je možné, že sú prítomné aj v populáciách titi. Avšak vzhľadom na vysokú úroveň blízkosti a koordinácie medzi párovými partnermi nie je pravdepodobne získanie EPC s plavákmi jednoduchšie ako EPC so susednými jedincami. Ďalej môže byť EPC, či už s plavákmi alebo so susednými zvieratami, nákladná, s rizikami zahŕňajúcimi vyššiu pravdepodobnosť získania pohlavne prenosných chorôb a pre ženy odvetné zadržanie rodičovskej starostlivosti mužmi 61, 62.

Príležitosti pre EPC ovplyvňuje aj hustota obyvateľstva, vďaka nižšej hustote sú stretnutia medzi jednotlivcami menej pravdepodobné, a preto je EPC menej pravdepodobné 63. Pozitívny vzťah medzi hustotou obyvateľstva a mierou EPP sa preukázal napr. U bobrov euroázijských, Ricínové vláknoa u mnohých druhov vtákov 15, 16, 21, 64. Na našom pracovisku sa hustota obyvateľstva odhadovala na 34 jedincov / km 2 (nezverejnené údaje). To leží v priemernom rozmedzí hodnôt hlásených zo štúdií správania pre nerušené populácie titisu (26 & # x0201357 jedincov / km 2) na porovnanie, hlásená hustota obyvateľstva v lesných fragmentoch môže byť až 369 jedincov / km 2 48, 65, 66 . Relatívne nízka hustota na našom študijnom mieste pravdepodobne obmedzila príležitosti pre EPC. Malo by sa však spomenúť, že pre populáciu opíc titi červených Plecturocebus discolor, z nenarušeného biotopu, predbežná analýza zaznamenala tri prípady EPP na vzorke s veľkosťou 16 potomkov, aj keď tieto údaje zatiaľ neboli zverejnené 67. Hustota tejto populácie (57 jedincov / km 2) bola o niečo vyššia ako hustota našej študovanej populácie, domáce rozpätia boli v priemere menšie (7,2 oproti 5,0 & # x000a0ha) a percento prekrytia domáceho rozpätia bolo väčšie (1,4 % oproti 4,8%) 65, pravdepodobne za výskyt EPP.

Aj keď vo všetkých prípadoch priradených otcovstiev boli sociálni otcovia identifikovaní ako genetickí otcovia pre skupinové potomstvo (17 potomkov narodených v 9 skupinách, až 5 generácií potomkov na skupinu), nemôžeme v našej štúdii úplne vylúčiť možnosť nízkej miery EPP populácia. Po prvé, u jedného mladistvého (skupina 10) zostalo otcovstvo nepriradené, pretože ani sociálny otec, ani žiadny iný muž z našej vzorky nebol identifikovaný ako najpravdepodobnejší otec. Aj keď tento prípad nebolo možné s istotou klasifikovať ako otcovstvo mimo ani v páre, je stále možné, že tohto mladistvého potomka splodil nepárovaný pár navyše. V tomto prípade by miera EPP v našej študovanej populácii bola 6%. Prípadne (ak predpokladáme, že sociálny otec skutočne nie je genetickým otcom mladistvého), by tento prípad mohol byť výsledkom mužskej zámeny v skupine. Je známe, že k výmene dospelých dochádza u titis, pričom chovné miesta sa uvoľnili po zmiznutí (pravdepodobných úmrtiach) dospelých, ktoré obsadili prisťahovalci rovnakého pohlavia 47. Náhradou sa môžu vytvoriť skupiny, ktoré sa netýkajú biologických rodičov a ich potomkov, čo vedie k zjavným odchýlkam od genetickej monogamie aj pri absencii EPC. Pretože skupina 10 bola zvyknutá iba krátko pred odberom genetickej vzorky a neboli v nej prítomní starší potomkovia, nemohli sme rekonštruovať jej demografickú históriu. Naše údaje naznačujú, že v našej študovanej populácii dochádza k zámene dospelých. Dospelá žena zo skupiny 4 nebola identifikovaná ako genetická matka mladistvého potomka skupiny, zatiaľ čo dospelý muž bol označený ako genetický otec. Keď sme začali sledovať túto skupinu, mladistvý bol odhadovaný na 7 & # x020138 & # x000a0 mesiacov starý na základe jeho veľkosti tela a skutočnosti, že chodil nezávisle (mladiství titi začali chodiť sami väčšinu času vo veku ca. 4,5 a # x000a0mesiac 68). Laktácia v titise trvá ca. 6,5 & # x000a0mesiac 69, a nevideli sme ošetrovateľku. Preto predpokladáme, že k náhrade ženy muselo dôjsť do ca. 2 a # x000a0mesiac predtým, ako sme začali sledovať skupiny, po odstavení mladistvého.

Po druhé, pre veľkosť vzorky 17 potomkov bude horná hranica 95% intervalu spoľahlivosti úrovne EPP (maximálna možná úroveň EPP pre danú veľkosť vzorky, za predpokladu, že sa nenašiel žiadny EPP) 16,2%. Táto hodnota sa počíta podľa Brotherton et al.10 ako 1 & # x02009 & # x02212 & # x02009 (1 & # x02009 & # x02212 & # x02009x) n & # x02009 = & # x02009y, kde x je maximálna možná úroveň EPP, n je veľkosť vzorky (17) a y je pravdepodobnosť plodenia najmenej jedného extra párového potomka (0,95 pre 95% spoľahlivosť). Hodnota 16,2% je produktom veľkosti vzorky a znamená, že v našej študovanej populácii je 16,2% miera EPP. Aby sme zúžili interval spoľahlivosti na najmenej 5% EPP, potrebovali by sme veľkosť vzorky 58 potomkov, čo je ťažké dosiahnuť v primeranom období u utajeného stromového primáta s pomalou životnou anamnézou, žijúceho v pároch a rodiacich jedincov iba raz ročne.

Na rozdiel od našich predpovedí sme v našej študovanej populácii nenašli dôkazy o voľbe partnera založeného na príbuznosti alebo heterozygozite. Je zaujímavé, že napriek absencii dôkazov o aktívnom vyhýbaní sa kríženiu prostredníctvom voľby partnera neboli párové páry v našej študovanej populácii v priemere nijako spojené (priemerný Wang & # x02019s r& # x02009 = & # x02009-0.033) a nikdy nezdieľali rovnaký haplotyp mtDNA (doplnková tabuľka S1, obr. & # x000a0 2). Iba v jednom prípade boli manželské páry spojené na úrovni & # x000a0 druhého stupňa s r& # x02009 = & # x020090.285. Nízka príbuznosť medzi partnermi pri párení pri absencii aktívneho vyhýbania sa kríženiu sa preukázala u mnohých ďalších populácií cicavcov a vtákov, napr. Šedých vlkov, Canis lupus, polárne líšky, Vulpes lagopus, trsteniariky veľké a modré sýkorky 38, 70, 71. V skutočnosti sa aktívne vyhýbanie sa kríženiu prostredníctvom voľby partnera nemalo, hoci bolo preukázané u niektorých vtákov a cicavcov (napr. 34, 39), nájdené u väčšiny párovo žijúcich druhov 28, 35, 36, 38, ktoré sú preskúmané v 72. Navrhuje sa, že vo väčšine situácií môže byť postačujúce rozptýlenie, aby sa zabránilo inbrídingu 38. Narušením asociácií blízkych príbuzných môže rozptýlenie spôsobiť, že pravdepodobnosť stretnutia s blízkymi príbuznými je relatívne nízka, čo činí nepotrebné aktívne vyhýbanie sa príbuzenstvu prostredníctvom voľby partnera 72. V takýchto prípadoch sa nemusí vyvinúť mechanizmus diskriminácie príbuzných a bude tolerovaná nízka úroveň príbuzenského kríženia, ktorá sa v takýchto systémoch občas vyskytne 72.

V našej študovanej populácii nebol rozptýlenie s najväčšou pravdepodobnosťou ovplyvnený pohlavím. To bolo indikované absenciou priestorovej genetickej štruktúry u oboch pohlaví a absenciou zjavného geografického zhlukovania v mtDNA haplotypovej sieti (obr. & # X000a0 2, & # x200B, 3). 3). Nenašli sme nijaké dôkazy o tom, že by sa rozptylové vzdialenosti medzi pohlaviami líšili, pretože haplotypová rozmanitosť mtDNA a priemerná príbuznosť boli podobné u žien a mužov, čo naznačuje, že obe pohlavia migrovali oportunisticky na rôzne vzdialenosti.

Stredná spojovacia sieť všetkých haplotypov mtDNA nájdených v našich študijných skupinách skonštruovaná v PopART 73. Počet značiek šrafovania označuje počet mutácií. Čierne uzly označujú odvodené stredné vektory. Farby predstavujúce haplotypy mtDNA sa zhodujú s farbami použitými na obr. & # X000a0 1, & # x200B, 2 2.

Pretože geografický rozsah našej štúdie bol obmedzený, s maximálnou vzdialenosťou medzi centrami domáceho dosahu iba 3200 & # x000a0m, tieto výsledky by sa mali považovať za predbežné. Sú však v súlade s priamym pozorovaním rozptýlenia a kinematickej štruktúry študovanej populácie. V jednom priamo pozorovanom prípade šírenia sa subadultný muž (najstarší potomok skupiny 1) presunul na neobsadené miesto susediace s jeho rodnou skupinou a neskôr vytvoril pár (skupina 11) s neznámou ženou (ďalšie podrobnosti nájdete v Doplnkových materiáloch) ). Samica nemala medzi vzorkovanými zvieratami žiadnych blízkych príbuzných, čo naznačuje, že sa na rozdiel od svojho druha nerozptýlila od žiadnej zo susedných skupín. Najbližším príbuzným tejto ženy bol dospelý muž skupiny 4 s r& # x02009 = & # x020090.156 (zodpovedá úrovni príbuznosti medzi nepríbuznými a polovičnými súrodencami), s ktorými tiež zdieľala rovnaký haplotyp mtDNA (doplnková tabuľka S1). Vzory príbuznosti medzi dospelými vo vzorke (obr. & # X000a0 1) ďalej naznačujú, že zatiaľ čo niektoré dispergátory zostávajú v oblasti (označené blízkymi príbuznými jednotlivcami, ktorí obsadzujú domáce rozsahy, ktoré susedia alebo sú oddelené domácimi rozsahmi 1 & # x020132), iné migrujú ďalej (toľko osôb v študovanej oblasti má nízku príbuznosť). Celkovo absencia dôkazov o skreslení pohlaví v rozptyle zodpovedá teoretickým očakávaniam pre párovo žijúce územné druhy, kde by pohlavia mali zažiť podobnú konkurenciu pre kamarátov a podobne nízke šance na rozmnožovanie pri získavaní rozmnožovacích pozícií v ich rodných skupinách 42.

Naše zistenia o vzorcoch rozptýlenia a párenia, aj keď sú predbežné, sú v súlade s dôkazmi z iných štúdií, ktoré naznačujú, že na zabránenie príbuzenského kríženia môže stačiť aj oportunistické rozptýlenie, ktoré nie je viazané na pohlavie, pokiaľ to nie je obmedzené fragmentáciou biotopu alebo inými faktormi. Dôležitosť neobmedzeného rozptýlenia pre vyhýbanie sa inbreedingu bola podporená v simulačnej štúdii založenej na empirických súboroch údajov zo zlatokorunovaných sifakov, Propithecus tattersalli, čo ukazuje, že vysoké úrovne outbreedingu je možné v populácii udržiavať kombináciou sociálnej štruktúry a neobmedzeného rozptýlenia, ale bez potreby aktívnych mechanizmov na predchádzanie inbreedingu 74. Súvislosť medzi rizikom rozptýlenia a príbuzenského kríženia ďalej naznačovali štúdie preukazujúce koreláciu medzi vzdialenosťami rozptýlenia a úrovňou príbuzenského kríženia (napr. Vo veľkých prsiach, Parus major 75). Na našom študijnom mieste nebol biotop ničím rušený a šírenie bolo s najväčšou pravdepodobnosťou neobmedzené, čo zabezpečovalo pasívne vyhýbanie sa kríženiu. Ako naznačuje jeden prípad, keď párové páry boli príbuzné na úrovni príbuzenstva druhého stupňa, v takýchto populáciách sa stále môže vyskytnúť príležitostné kríženie a je pravdepodobne tolerované.

Okrem rozptýlenia a preferenčného párenia s nepríbuznými jedincami je ďalším spôsobom, ako sa vyhnúť príbuzenskému kríženiu, zapojenie do EPC. Pozitívny vzťah medzi mierami EPP a príbuznosťou párových párov sa preukázal u mnohých druhov vtákov 20, 23, 25. Zdá sa však, že cicavce žijúce v pároch túto stratégiu často nepoužívajú, pravdepodobne preto, že cicavce sú menej pohyblivé ako vtáky a pre nich by mohlo byť ťažšie rýchlo sa vyhnúť ich sociálnemu partnerovi a plížiť sa EPC. U cicavcov žijúcich v pároch sa podobná stratégia podľa našich vedomostí preukázala iba u jedného druhu, lemura trpasličieho, kde & # x0fefffemales zdieľajúcich viac supertypov MHC so svojím sociálnym partnerom zapojených do viacerých EPC 28. Absencia dôkazov o EPP v našej študovanej populácii ďalej potvrdzuje náš návrh, že rozptýlenie v tomto biotope je neobmedzené a potenciál pre kríženie je malý, čo robí EPC nevyhnutným.

Ak zhrnieme, súčasná štúdia je prvou, ktorá skúma súvislosť medzi systémom párenia, voľbou partnera a rozptýlením v divokej populácii párovo žijúceho primáta. Ukázali sme, že titik medi je v našej študovanej populácii väčšinou geneticky monogamný. Je to pravdepodobné kvôli silnej väzbe párov, ktorá umožňuje efektívne stráženie párov a relatívne nízkej hustote obyvateľstva, čo obmedzuje možnosti párových párov navyše. Ďalej sme preukázali, že medený titis, napriek tomu, že nevykazoval žiadne aktívne vyhýbanie sa kríženiu prostredníctvom voľby partnera, stále mal nízku príbuznosť medzi párovými partnermi. Naše výsledky naznačujú, že aj oportunistické rozptýlenie, pokiaľ nie je obmedzené, môže vytvoriť dostatočnú genetickú odlišnosť medzi opačnými pohlaviami, aby bola voľba aktívneho partnera a párov mimo pár nevyhnutná. Alternatívne by absencia výberu partnera na základe príbuznosti mohla byť výsledkom obmedzení výberu partnera, keď majú jednotlivci tak málo dostupných partnerov, že si nemôžu dovoliť byť príliš selektívni.

Budúce štúdie s väčšou veľkosťou vzorky budú potrebné na preskúmanie rozsahu genetickej monogamie v tejto študovanej populácii, ako aj v ďalších populáciách medeného titisu a na ďalšie preskúmanie rozptylových vzorov. Najmä na to, aby sa zistilo, či titis skutočne nemá mechanizmy aktívneho vyhýbania sa kríženiu prostredníctvom diskriminácie príbuzných, bude potrebné porovnať spôsoby párenia a úrovne kríženia v neporušených a fragmentovaných biotopoch. Absencia voľby partnera na základe príbuznosti a heterozygotnosti samozrejme v našej študovanej populácii samozrejme neznamená, že výber partnera sa nevyskytuje v titise na žiadnej úrovni. Aby bolo možné lepšie porozumieť vzorom párenia v titise, budú musieť budúce štúdie preskúmať, či je výber matiek založený na iných faktoroch, ako sú napríklad variácie lokusov MHC, stav tela alebo veľkosť alebo kvalita územia. A konečne, súčasné údaje neumožňujú dospieť k záveru, či v tejto študovanej populácii absentuje (alebo je zriedkavé) otcovstvo mimo párov, pretože párové párovanie nie je pre jednotlivca výhodné alebo preto, že mu socio-ekologické obmedzenia bránia v párovom párovaní. Na riešenie tejto otázky bude potrebné v budúcich štúdiách na väčších vzorkách porovnať genetickú kvalitu a vhodnosť skupinových a mimopárových potomkov (ak existujú) u tejto alebo inej populácie opíc titi.


Priestorová analýza serotínového netopiera (Eptesicus serotinus) Lokalita a štruktúra krajiny: Prípadová štúdia v Sussexe vo Veľkej Británii

Úkryt je kľúčovým faktorom ovplyvňujúcim prežitie a zdatnosť britských netopierov. Navrhuje sa, že znalosť a pochopenie faktorov, ktoré môžu mať vplyv na výber miesta úkrytu, sú nevyhnutné pre úsilie ochrany. Cieľom našej štúdie je preskúmať vzťah medzi Eptesicus serotinus umiestnenie a krajinná štruktúra. Štúdia je založená na regióne Sussex v juhovýchodnom Anglicku. Porovnali sa krajinné charakteristiky 97 ložísk proti 100 náhodným kontrolným miestam. Analýza biotopu sa uskutočňovala v troch pásmach vzdialenosti a zahŕňala analýzu hustoty úkrytu. Výsledky tomu nasvedčujú E. serotinus je selektívny pri vyhľadávaní úkrytov. Štúdia ukazuje, že existujú značné rozdiely medzi krajinnou kompozíciou obklopujúcou úkrytové miesta a širšou krajinou. Najmä E. serotinus Zistilo sa, že úkryty sa nachádzajú v oblastiach s výrazne vyššou rozlohou ornej pôdy a vylepšenými trávnatými plochami. Analýza hustoty jadra sa úspešne použila ako ďalšia metóda k priamemu porovnaniu zloženia susedných domov. Hustotná analýza určila umiestnenie a vlastnosti možných centier mesta E. serotinus činnosť. Očakáva sa, že zistenia umožnia zohľadniť potreby netopierov v budúcich iniciatívach a politikách rozvoja krajiny.

1. Úvod

Štúdie ukázali, že výskyt druhov netopierov a úspešnosť chovu môžu byť negatívne ovplyvnené antropogénnymi zmenami krajiny (napr. [1–4]). Všetky druhy netopierov britských zaznamenali v posledných rokoch určitý pokles populácie [5], pričom medzi najdôležitejšie príčiny patrí strata biotopov pre kohúty a zháňanie potravy [1, 6]. Zmeny krajiny môžu negatívne ovplyvniť biodiverzitu a vzory distribúcie jednotlivých druhov [7] a viesť k zníženiu populácií netopierov [3]. Ako

-stratégovia, očakáva sa, že populácie netopierov zostanú pomerne konštantné a nízka miera prirodzeného rastu by znamenala, že zotavenie po poklese by sa mohlo zdať zdĺhavé [8]. Aj keď sú všetky britské netopiere a ich búdy chránené právnymi predpismi Spojeného kráľovstva a právnymi predpismi EÚ, ochrana sa netýka iba oblastí hľadania potravy. Toto ponecháva netopiere náchylné na zmeny krajiny [9] a niektorých autorov prinútilo poznamenať, že ochrana úkrytov má obmedzenú hodnotu bez súčasnej ochrany okolitého biotopu a základne koristi [2, 10]. Znalosti o požiadavkách na biotopy jednotlivých druhov sú nevyhnutné pre vypracovanie vhodných plánov starostlivosti o ochranu biotopov pre hľadanie potravy a nakoniec pre úspešnú ochranu druhov netopierov.

Rozšírenie a zintenzívnenie poľnohospodárskej pôdy bolo hlavnou hnacou silou straty biotopov vo Veľkej Británii, dôležitá je aj urbanizácia [11]. Takéto modely zmien sú zrejmé v študovanom regióne [12]. Intenzifikácia poľnohospodárstva spôsobila stratu a fragmentáciu biotopov [13] a bola spojená so stratou biodiverzity na poľnohospodárskej pôde [14–16]. V snahe zvrátiť túto stratu biodiverzity poľnohospodárskej pôdy sú agroenvironmentálne programy (AES) prispôsobené miestnym potrebám divočiny a krajiny a mali by sa usilovať zohľadniť požiadavky netopierov.

Lokalita úkrytu je kľúčovým faktorom pri určovaní prežitia a zdatnosti britských netopierov, takže znalosť faktorov ovplyvňujúcich výber úkrytu je pre úsilie ochrany druhov netopierov zásadná [17]. Zatiaľ čo Kerth a kol. [18] tvrdia, že podkladové dôvody na výber ruje netopierov sú „do istej miery špekulatívne“, Bihari [19] navrhuje, aby boli dvoma kľúčovými faktormi dostupnosť vhodných rúd a prítomnosť biotopu pre hľadanie potravy. Dostupnosť vhodných úkrytov sa nepovažuje za limitujúci faktor pre synantropné netopiere [20], čo naznačuje, že pri takýchto druhoch je pri výbere úkrytu prvoradá prítomnosť biotopov pre hľadanie potravy. Predchádzajúce štúdie vo Veľkej Británii skutočne nadviazali vzťahy medzi prítomnosťou úkrytov a okolitým biotopom. V porovnaní s náhodne vybranými kontrolnými budovami, serotínový netopier Eptesicus serotinus úkryty sú bližšie k lesom (najmä listnatým lesom), vode a pastvinám a majú vyšší podiel upravených trávnych porastov do 1 km [21, 22]. Hnedý netopier ušatý Plecotus auritus úkryty sa nachádzajú bližšie k lesom a vodám, s väčším podielom lesov do 0,5 km a viac spojmi prostredníctvom lineárnych prvkov v porovnaní s náhodnými bodmi [23, 24]. Pipistrelle bat Pipistrellus pipistrellus úkryty sú bližšie k vode a listnatým lesom, majú lineárnejšie rysy vedúce od nich a majú väčší podiel listnatých a ihličnatých lesov do 0,5 km v porovnaní s náhodne vybranými budovami [25, 26]. Aj keď boli zistené vzťahy medzi úkrytmi netopierov a listnatými alebo zmiešanými lesmi, štúdie neustále hlásia malý dôkaz toho, že netopiere sa zháňajú v ihličnatých lesoch [27–29]. Je známe, že lineárne krajinné prvky sú pre netopiere dôležité počas tranzitu a hľadania potravy [30, 31], avšak ich význam pri výbere úkrytu je menej jasný.

Výskum prezentovaný v tomto príspevku sa zaoberá E. serotinus úkryty, ktoré sa takmer výlučne nachádzajú v budovách [32, 33]. Kŕmenie prevažne Lepidoptera, Coleoptera a Diptera, [34–36], E. serotinus„Hlavnými biotopmi na hľadanie potravy sú pastviny, lúky, pouličné osvetlenie a okraj lesa. Využívajú sa tiež nížiny, záhrady, živé ploty a oblasti obklopujúce vodu [34, 37–39]. Štúdie rádiového sledovania preukázali, že zháňanie potravy sa obvykle sústreďuje do 4,5 km od hniezda [38], hoci väčšina jedincov sústredí svoj lov na lokalizovanejšie oblasti bližšie k hniezdu [34].

Vzťah medzi E. serotinus a lineárne funkcie sú nejasné. Verboom a Huitema [40] zistili, že aktivita klesá s rastúcou vzdialenosťou od lineárneho prvku a zvyšuje sa s rastúcou hustotou lineárnych prvkov. Bolo tiež pozorované, že kŕmne miesta sú bežne spojené lineárnymi znakmi [34, 36, 41], s Brandtom a kol. [42] naznačujú, že listnaté a zmiešané lesné okraje sú možno najdôležitejšími lineárnymi znakmi tohto druhu. Naproti tomu Boughey a kol. [31] nezistili žiadny vzťah medzi E. serotinus aktivitu a hustotu lineárnych prvkov a Battersby [21] nenašiel žiadne dôkazy o zvýšených lineárnych znakoch obklopujúcich úkryty v porovnaní s kontrolnými budovami.

Štúdie analyzujúce letové dráhy a stravu E. serotinus dospeli k záveru, že hľadaním potravy na najrôznejších typoch biotopov využívajú všetky dostupné biotopy, a preto prítomnosť konkrétneho krmovinového biotopu v blízkosti úkrytu pravdepodobne nie je kritická [38]. Ak v blízkosti úkrytu nie je vhodné krmivo, bude netopier dochádzať na ďalšie vzdialenosti, kým sa nenájde vhodná oblasť [43].

Skúmaním rozdielov v biotopoch obklopujúcich úkryty v porovnaní s kontrolnými budovami sa táto štúdia snaží preskúmať vzťahy medzi umiestnením úkrytu a dostupnosťou biotopu v rôznych vzdialenostiach od úkrytu.

Geografické informačné systémy (GIS) a priestorová štatistika boli použité na analýzu zloženia biotopov obklopujúcich úkryty a vzdialenosti od vybraných prvkov biotopu v rôznych priestorových mierkach.

2. Materiály a metódy

2.1. Študijná oblasť

Štúdia sa zamerala na okresy East a West Sussex v juhovýchodnom Anglicku. Skúmaná oblasť má rozlohu približne 3 800 km 2 a zahŕňa rôzne geologické oblasti s odlišnými vlastnosťami biotopu spojenými s Weald a South Downs. Aj keď sú fragmentované mestskými oblasťami a poľnohospodárskou pôdou, v oblasti Low Weald je zastúpená zmes veľkých lesných plôch. Naproti tomu High Weald pozostáva z rozsiahlych a relatívne dobre prepojených oblastí zalesnených oblastí, pričom Downs sú väčšinou pokryté ornou pôdou a pastvinami.

2.2. Údaje

Údaje o umiestnení E. serotinus nocľahy poskytlo Sussex Biodiversity Records Center, podrobnosti o ďalších materských domovoch poskytla skupina Sussex Bat Group. Do štúdie boli zahrnuté iba úkryty, o ktorých bolo známe, že sa používali od roku 2000. Hoci E. serotinus vykazuje vysokú úroveň vernosti prenocovania, nedávne štúdie ukázali, že niektoré stránky neboli nedávno obsadené [32]. Do štúdie bolo zahrnutých celkom deväťdesiat sedem úkrytov. Pätnásť z deväťdesiatich siedmich úkrytov bolo uznaných za materské úkryty, zatiaľ čo zvyšných osemdesiatdva boli nešpecifikované letné úkryty. Hibernacula (

) boli z analýzy vylúčení, pretože slúžia na rôzne účely ako letné úkryty, a preto je nepravdepodobné, že budú vybrané za použitia rovnakých kritérií.

Na analýzu biotopov sa použila mapa krajinnej pokrývky (LCM) 2000 vyvinutá Centrom pre ekológiu a hydrológiu (CEH). Na LCM 2000 boli satelitné snímky s 25-metrovým rozlíšením, z tematického mapovača Landsat a indického satelitu na diaľkový prieskum, klasifikované do sedemdesiatich dvoch variantov biotopov [44]. Porovnanie údajov LCM 2000 s terénnymi štúdiami ukazuje, že údaje LCM 2000 majú presnosť 85% [44].

Za účelom porovnania biotopov obklopujúcich úkryty s krajinou ako celkom bolo pomocou nástroja Hawths [45] vygenerovaných 100 náhodne vybraných kontrolných bodov v rámci študovaného územia. S cieľom vylúčiť zaujatosť a zabezpečiť, aby kontrolné body neboli na miestach, kde E. serotinus by nebol vybraný ako úkryt, náhodné body boli presunuté do stredu najbližšej budovy pomocou máp OS 1: 10 000.V predošlých štúdiách z roku 2006 sa nepoužilo veľké množstvo vzorkovacích miest E. serotinus, ktoré s výnimkou Boughey a kol. [22], ktorí zahŕňali 91 vzoriek, boli obmedzené na veľkosti vzoriek medzi 2 a 39 (napr. [21, 34, 35, 38, 41, 43]).

2.3. Prieskumná analýza priestorových údajov

Analýza klastrovania hniezd sa uskutočnila analýzou priemerného najbližšieho suseda v ESRI ArcMap 9.3 s použitím euklidovských vzdialeností. Použitím vzdialenosti od najbližšieho bodu je technika priemerného najbližšieho suseda obmedzená tak, aby zohľadňovala iba najmenšie stupnice vzoru, s výhľadom na väčšie stupnice vzoru [46]. Preto sa tiež uskutočňovala priestorová klastrová analýza na veľké vzdialenosti, založená na Ripleyovej funkcii, aby sa testovala klastrovanie na vzdialenosť vzdialeností až do maximálneho hláseného dojazdu krmiva 12 km [38]. Boli tiež vypočítané hustoty úkrytu. Na odhad parametrov hustoty nie je zavedená žiadna zlatá štandardná technika a často ide o dosť subjektívny proces. Bolo definovaných niekoľko rôznych metód (napr. [46–48]), s Williamsonom a kol. [47] tvrdia, že mnoho prístupov má svojvoľnú povahu bez ohľadu na priestorové rozloženie bodov. The

-najbližší prístup [47] sa pokúša prekonať tieto problémy použitím očakávaných priemerných vzdialeností medzi bodmi ako polomerom vyhľadávania. Mapy hustoty sa vytvorili pomocou pozorovaných priemerných vzdialeností a rozsahu polomerov hľadania od úkrytov na základe druhovej autekológie. Prístup „najbližších susedov“ priniesol najsilnejšie a najkonzistentnejšie výstupy a je uvedený v tomto dokumente.

2.4. Analýza biotopov

Analýza biotopov sa uskutočňovala v troch fázach, pričom sa merali vzťahy medzi úkrytmi a prvkami biotopov, ktoré boli predtým spojené E. serotinus (orná pôda, vylepšené trávne porasty, neupravené trávne porasty, mestské oblasti, listnaté lesy, ihličnaté lesy a celkové lesy). Najprv sa počítala vzdialenosť k vybraným znakom, nasledovala analýza zloženia biotopov pomocou dvoch priestorových mierok zloženie biotopu obklopujúcich jednotlivé úkryty a zloženie biotopov v hotspotoch úkrytu.

2.5. Vzdialenosť od funkcií biotopu

Na identifikáciu blízkosti prvkov biotopu bola použitá kombinácia údajov LCM 2000, mapových podkladov 1: 10 000 Ordnance Survey Maps a obrázkov Google Map [49]. Vzdialenosť k najbližšiemu od každého objektu bola meraná ako priama vzdialenosť pomocou aplikácie ESRI ArcMap 9.3 pre úkryty aj pre kontroly. Mann Whitney

boli vykonané testy na hľadanie rozdielov medzi týmito dvoma skupinami.

2.6. Zloženie biotopu obklopujúce úkryty

V ESRI ArcMap 9.3 boli vytvorené nárazníkové zóny s viacerými prstencami nastavené na 0–0,5 km, 0,5–1,5 km a 1,5–4,5 km okolo jednotlivých bodov. Tieto rozsahy boli vybrané tak, aby boli zahrnuté biotopy dôležité v lokalizovanejšom meradle, ako aj biotopy v rámci rozsahu krmovín. Maximálne vzdialenosti boli vybrané tak, aby zodpovedali zverejneným odhadom vzdialeností prejdených od úkrytov, ako sa uvádza v úvode, a zahrnutie pásma 0–0,5 km bolo v súlade s inými predtým vykonanými podobnými štúdiami (napr. [22, 23, 25] ). Zaznamenal sa počet škvŕn každého biotopu a diverzity biotopov sa vypočítali pomocou Shannonovho indexu. Na testovanie účinku fragmentácie lesov sa tiež vypočítali euklidovské priemerné pomery najbližších susedov medzi lesnými plochami. Testy Manna Whitneyho (alebo 2 vzorky

-testy, kde boli dáta normálne distribuované) boli použité na testovanie rozdielov medzi úkrytmi a kontrolami.

2.7. Využitie pôdy v hotspotoch

V snahe preskúmať vzťah medzi polohou hradiska a krajinnou štruktúrou sa uskutočnila analýza hustoty hradiska. Hustota povrchov bola vypočítaná pomocou umiestnenia úkrytu pomocou metódy odhadu hustoty jadra [47]. Klasifikácia „hotspotov“ bola vytvorená rozdelením hustôt úkrytu (pozri časť 2.1) na kvartily s tými, ktoré sa nachádzali v hornom kvartile (

) hustôt klasifikovaných ako hotspoty roost a tie v dolnom kvartile () označené ako oblasti s nízkou hustotou.

Pomocou odhadu hustoty povrchu bolo z mapovaných oblastí identifikovaných ako hotspoty roostu () vybratých 100 náhodne vybraných 1 km 2 vzorových oblastí (kvadrátov). Ďalších 100 náhodne vybraných oblastí vzoriek (1 km 2) bolo vybraných z oblastí s nízkou hustotou (). Zloženie biotopov v týchto vzorkovaných oblastiach bolo potom porovnané pomocou Mann Whitneyovho testu.

Všetky dáta boli testované na normálnosť a bolo zistené, že majú nenormálnu distribúciu logaritmu, bol pokus o transformáciu vykonaný, ale v 80% prípadov zostali dáta nenormálne. Preto sa na pôvodné netransformované údaje aplikovali neparametrické testy. Vo všetkých prípadoch sa na vyhodnotenie údajov zhromaždených pri analýze biotopov a hustoty použila Bonferroniho korekcia pre viacnásobné porovnanie. Bonferroniho korekcia poskytuje ochranu proti niekoľkým testom štatistickej významnosti na tých istých údajoch, ktoré nepravdivo vyvolávajú dojem významnosti [50]. Bonferroniho korekcia bola vypočítaná pomocou

3. Výsledky

3.1. Prieskumná analýza priestorových údajov

Úkryty boli významne zoskupené (tabuľka 1

) s očakávanou strednou vzdialenosťou medzi úkrytmi väčšou ako pozorovaná priemerná vzdialenosť. Náhodné rozdelenie kontrolných bodov bolo potvrdené nedostatkom významného rozdielu v pozorovaných priemerných vzdialenostiach a očakávaných priemerných vzdialenostiach medzi bodmi (tabuľka 1

). Analýza priestorových klastrov na viac vzdialeností ukázala, že tento vzťah bol konzistentný vo viacerých vzdialenostiach od úkrytov, s malými odchýlkami v rozdiele medzi pozorovanými a očakávanými strednými vzdialenosťami v rôznych mierkach (obrázok 1). Použitím očakávanej priemernej vzdialenosti od priemerného najbližšieho suseda ako polomeru vyhľadávania boli v strede Sussexu pozorované maximálne hustoty úkrytu 0,33 úkrytu na km 2 (obrázok 2).


Vzor priemerného najbližšieho suseda medzi bodmi meraný na viacerých stupniciach. Rozdiel medzi očakávanou strednou vzdialenosťou (prerušovaná čiara) a pozorovanou strednou vzdialenosťou (bodkovaná čiara) zostáva pomerne konštantný na celej dĺžke nameraných 12 km (plná čiara).


Odhad jadrovej hustoty (KDE) z Eptesicus serotinus úkryty v regióne Sussex, juhovýchodné Anglicko, s použitím a

-najbližšie priblíženie k okruhu vyhľadávania (

3.2. Analýza biotopu, vzdialenosť od funkcií biotopu

Na riešenie problému viacnásobného porovnania v analýze vzdialenosti od znakov biotopu bola použitá Bonferroniho korekcia. Pre deväť bolo potrebných porovnanie medzi úkrytmi a kontrolami

bolo požadované pre α = 0,0556. Analýza ukázala, že medzi zaznamenanými vzdialenosťami k viacerým znakom biotopu neboli významné rozdiely ani z miest úkrytu, ani z kontrolných budov (pozri tabuľku 2).

) vzdialeností (metrov) od krajinných prvkov. Upravené pomocou Bonferroniho korekcie pre deväť porovnaní medzi úkrytmi a kontrolami.

3.3. Zloženie biotopu obklopujúce úkryty

Na riešenie problému viacnásobného porovnania v analýze zloženia biotopov obklopujúcich úkryty sa použila Bonferroniho korekcia. Na pätnásť porovnaní na každú vzdialenosť

bolo požadované pre α = 0,01 sa vyžadovalo pre.

Analýza ukázala, že v nárazníkovej zóne 0–0,5 km sa nezistilo, že by sa vybrané biotopy významne odlišovali medzi miestami úkrytu a kontrolami. Analýza v nárazníkovej zóne 0,5–1,5 km identifikovala dve premenné, ktoré sa medzi miestami úkrytu a miestami kontroly výrazne líšili. Počet orných náplastí (tabuľka 3) a celkový počet lesných náplastí (tabuľka 3) boli obidve signifikantne vyššie okolité úkryty v porovnaní s kontrolami (pozri tabuľku 3).

) pomocou analýzy kruhového pufra. Upravené pomocou Bonferroniho korekcie pre pätnásť porovnaní na každú vzdialenosť.

V nárazníkovej zóne 1,5–4,5 km bolo v krajine obklopujúcej úkryty zistené výrazne vyššie percentuálne pokrytie vylepšených trávnatých porastov (tabuľka 3) a ornej pôdy (tabuľka 3). Aj keď sa zistilo, že orná pôda je významná iba o (vyžadovalo sa, ak sa upravila pomocou Bonferroniho korekcie). Je zaujímavé, že na rozdiel od nárazníkov 0,5–1,5 km, kde bol počet lesných náplastí vyšší ako okolité úkryty, nárazníkové pásmo 1,5–4,5 km ukázalo, že počet lesných náplastí bol podstatne vyšší v oblastiach obklopujúcich kontroly (tabuľka 3). To môže čiastočne súvisieť so zvýšeným počtom ihličnatých náplastí obklopujúcich kontroly () v porovnaní s úkrytmi (), avšak tento rozdiel sa nezistil ako významný (tabuľka 3).

Napokon boli euklidovské priemerné pomery najbližších susedov pre lesy výrazne nižšie pri úkrytoch v nárazníkoch 1,5–4,5 km, čo naznačuje podstatne viac zoskupený lesný vzorec distribúcie okolo úkrytov (tabuľka 3). Napriek významným rozdielom medzi krajinnou štruktúrou spojenou s úkrytmi a kontrolnými miestami v stredných a veľkých nárazníkových rozsahoch sa celková krajina z hľadiska rozmanitosti biotopov nelíšila (tabuľka 3).

3.4. Využitie pôdy v hotspotoch

Na riešenie problému viacnásobného porovnania v analýze zloženia biotopov v hotspotoch hustoty bola použitá Bonferroniho korekcia. Pre šestnásť bolo porovnanie medzi a, bolo potrebné pre a bolo potrebné pre.

V oblastiach s nízkou hustotou úkrytu bolo pozorované významne vyššie percento ihličnatých lesov (tabuľka 4). Rovnako bol počet oblastí s ihličnatými lesmi (tabuľka 4) a mestskou pôdou (tabuľka 4) vyšší v oblastiach s nízkou hustotou úkrytu. Euklidovské priemerné pomery najbližších susedov pre lesné škvrny boli väčšie ako 1 v obidvoch skupinách, čo naznačuje dispergovanú distribúciu, s vyšším pomerom v hotspotoch s rujou (tabuľka 4). Aj keď to bolo významné iba pri (bolo potrebné, ak sa to upravilo pomocou Bonferroniho korekcie), mohlo by to však odvodiť rozptýlenejšie lesné rozloženie v oblastiach s vysokou hustotou netopierieho úkrytu.

) a oblasti s nízkou hustotou

4. Diskusia

4.1. Distribúcia úkrytu

Medzi úkrytmi bolo pozorované významne zoskupené rozdelenie, čo naznačuje E. serotinus je skutočne selektívny pri výbere umiestnenia úkrytu, namiesto náhodného výberu miest v celej krajine. Toto zistenie je v súlade so štúdiami na iných druhoch netopierov, ktoré zistili, že výber ruje nebol náhodný (napr. [23–25]). Hustota úkrytu vrcholila na úrovni 0,33 úkrytu na km 2, pričom údaje o polohe úkrytu ukazujú, že v centrálnom Sussexe sú veľké oblasti s vysokou hustotou úkrytu. Predchádzajúce pokusy o meranie hustoty u netopierov sa zameriavali na hustotu populácie netopierov, skôr na tú hustotu hniezd (napr. [34, 51, 52]). Údaje o populácii netopierov neboli v tejto štúdii k dispozícii, takže porovnania medzi odhadom úkrytu a populácie neboli možné. Pri meraní distribúcie a hustoty netopierov existuje veľa ťažkostí [34] a o štruktúre populácie u väčšiny druhov netopierov sú len obmedzené poznatky [53]. Bez ďalšieho úsilia v oblasti prieskumu nie je možné určiť, či údaje použité v tejto štúdii predstavujú podstatné podhodnotenie hustoty úkrytov a zahŕňajú falošné negatívy, preto je pri interpretácii tejto časti štúdie potrebné postupovať opatrne.

4.2. Vzdialenosť od prvkov krajiny

V porovnaní s kontrolami sa zistilo, že úkryty nie sú významne odlišné vo svojej vzdialenosti od skúmaných krajinných prvkov. To ponúka podporu pre prácu Battersbyho [21] a Bougheyho a spol. [22], ktorí tiež nezistili významné rozdiely, zistili to iní pracovníci E. serotinus aktivita klesala so zvyšovaním vzdialenosti od lineárnych prvkov (napr. [40]). Kontrastné zistenia sú možné z dôvodu rozdielnych metód použitých pri meraní vzťahu. Verboom a Huitema [40] a Boughey a kol. [22] analyzovali vzťah medzi E. serotinus aktivita a hustota lineárnych prvkov, zatiaľ čo Battersby [21] testoval rozdiely medzi vzdialenosťou od lineárnych prvkov od úkrytu v porovnaní s kontrolnými bodmi, podobne ako v tejto štúdii. Prevažujúca regionálna krajina, napríklad prevládajúca forma územného manažmentu, môže tiež ovplyvniť pravdepodobnosť nájdenia pozitívnej alebo negatívnej asociácie medzi úkrytmi a lineárnymi znakmi. Ďalej to môže zdôrazniť rozdiely medzi druhmi vo Veľkej Británii a kontinentálnej Európe s podobnými nálezmi v tejto štúdii a iných štúdiách v Spojenom kráľovstve [21, 22], avšak v protiklade s nálezmi z Holandska [40].

4.3. Zloženie biotopu obklopujúce úkryty

Analýza s použitím nárazníkov 0–0,5 km ukázala, že vo vzdialenostiach 500 metrov a menej od úkrytov sa nezistili významné rozdiely medzi úkrytmi a kontrolnými miestami. Toto hodnotenie blízkeho dosahu sa považovalo za dôležité vzhľadom na nedávne návrhy, že biotop v blízkosti úkrytu môže byť pri predpovedaní prítomnosti úkrytu efektívnejší ako biotopy spojené s rozsahom krmovín [22]. Naša štúdia nepodporila toto tvrdenie.

Vo vzdialenostiach väčších ako 500 metrov od úkrytov však boli zistené významné rozdiely medzi úkrytmi a miestami kontroly. Napríklad v nárazníkových oblastiach 0,5–1,5 km bol počet polí ornej pôdy vyšší ako okolité úkryty. Ďalej, v nárazníkovej oblasti 1,5–4,5 km bolo percentuálne pokrytie ornej pôdy podstatne vyššie v okolí hniezd. Tieto pozorovania podporujú zistenie predchádzajúcich štúdií, ktoré zistili podobné súvislosti medzi nimi E. serotinus a toto stanovište (napr. [21, 34, 38]).

V najväčšom polomere nárazníka (1,5–4,5 km) sa ukázalo, že percentuálna plocha vylepšených trávnatých plôch (pasienkov) a ornej pôdy je podstatne vyššia v oblastiach okolo známych lokalít úkrytu. Predchádzajúce štúdie stanovili vzťah medzi E. serotinus a pastviny analýzou biotopov navštívených netopiermi netopiermi alebo pripojením fragmentov koristi nájdených vo fekálnych peletách k biotopom, v ktorých sa vyskytujú (napr. [35, 38, 41, 43, 54]). Takéto štúdie však nezahŕňali priestorovú analýzu ani nezohľadňovali vzdialenosti medzi týmito biotopmi a úkrytmi, ale predpokladalo sa, že E. serotinus nepotrebuje konkrétny biotop blízko úkrytu, pretože sa bude pásť na ľubovoľnom dostupnom biotope [38]. Výsledky predložené v súčasnej štúdii môžu spochybniť tento záver a naznačujú, že môže existovať preferencia pre výber miest na kohúty s prístupom k biotopom, ktoré podporujú položky koristi. Závery Kervyna a Liboisa [43] a Ransomeho [54] dodávajú tomuto tvrdeniu ďalšiu váhu a naznačujú, že absencia koristi v tesnej blízkosti úkrytov vedie k tomu, že druhy netopierov dochádzajú na väčšie vzdialenosti s následným poklesom zdatnosti. Môže to byť tak E. serotinus netopiere vyberajú úkryty blízko ornej pôdy a pastvín alebo podľa miery prežitia a relatívnej zdatnosti E. serotinus je vyššia v týchto umiestneniach.

Je však zaujímavé poznamenať, že napriek identifikácii významných rozdielov vo väčších nárazníkoch neboli pozorované významné rozdiely menej ako 500 metrov od úkrytov. Keď sa uskutočnili podobné štúdie pre iné druhy britských netopierov, táto variabilita účinkov vzdialenosti sa nenašla. V predchádzajúcich štúdiách s inými druhmi netopierov sa ukázalo, že biotopy, ktoré boli zistené ako významné na krátke vzdialenosti (napr. <0,5 km) od úkrytov, boli tiež významné na väčšie vzdialenosti (napr.> 1,0 km) [23, 25] . Naše zistenia môžu odrážať všeobecnejšie hľadanie potravy E. serotinus. Všeobecné správanie pri hľadaní potravy naznačuje, že môže byť dôležitá rozmanitá matrica biotopov, aby sa zabezpečila dostatočná základňa koristi počas celej sezóny kŕmenia. Niekoľko štúdií navyše uvádza sezónne výkyvy v strave E. serotinus, s analýzou fekálnych peliet, ktorá ukazuje, že v rôznych ročných obdobiach sa lovia rôzne korisť, v závislosti od množstva druhov koristi [34, 35, 38, 43]. Na začiatku sezóny E. serotinus pohybuje sa medzi biotopmi, ktoré poskytujú dvojkrídlovce, Coleoptera a Lepidoptera, skôr ako sa stanú závislými na chrobákoch Aphodius spp. koncom leta [38]. Aphodius spp. sú úzko spojené s dobytkom a pastvou. Podobné sezónne výkyvy boli zaznamenané v štúdii rádiového sledovania od Robinsona a Stebbingsa [34], pričom najdôležitejším biotopom v koncentrovanom období počas mája, júna a júla sú lesy. Neskôr v roku boli lesy menej využívané a v auguste, septembri a októbri boli nahradené ako hlavné stanovište krmovín pastvou. Do októbra 100% E. serotinus činnosť bola pridelená na pastvu.

Naša analýza fragmentov lesov v oblastiach obklopujúcich úkryty priniesla menej než jasné výsledky (tabuľka 3). V rozmedzí 0–0,5 km sa nepozorovali žiadne významné výsledky, zatiaľ čo veľmi významný výsledok sa zistil pri počte lesných plôch na 0,5–1,5 km. Analýza ukázala, že v oblastiach okolo úkrytov sa našlo podstatne viac lesných plôch.

Je zaujímavé, že v nárazníkových pásmach 1,5–4,5 km bol kontrastný obraz s podstatne menším počtom lesných plôch v oblastiach obklopujúcich úkryty. Je však dôležité poznamenať, že prítomné lesy boli významne zoskupené (tabuľka 3, priemerný pomer najbližších susedov = 0,86). Pozorovaný vzorec je možno nejasný, ale vyšší počet alebo hustota lesných plôch môže naznačovať dôležitosť malých lesných plôch buď ako lineárne znaky, alebo ako spojovacie biotopy.

Boughey a kol. [31] zistili, že pre sopránovú pipistrellu sú dôležité malé lesné škvrny Pipistrellus pygmaeus ale nie za E. serotinus. Aj v tomto zmysle Bright [55] naznačuje, že je pravdepodobnosť, že druhy netopierov pre všeobecné biotopy budú ovplyvnené účinkami fragmentácie biotopov. Je možné, že súčasná štúdia naznačuje, že účinky fragmentácie biotopov môžu byť závislé od rozsahu a naznačujú oblasť pre ďalšie skúmanie.

Mestská pôda bola ďalším typom využívania pôdy, ktorý vykazoval nekonzistentné výsledky. Na väčšiu vzdialenosť nárazníka 1,5–4,5 km bolo v porovnaní s úkrytmi podstatne viac mestských pozemných kontrol. Tento významný rozdiel sa nenašiel v iných nárazníkoch vzdialeností, čo pravdepodobne ponúka ďalšiu podporu pre predstavu, že účinky krajinného vzoru závisia od mierky a že je potrebná rozmanitá matrica biotopov.

Je však dôležité si uvedomiť, že zatiaľ čo E. serotinus Je známe, že sa sústreďuje zháňanie potravy do 4,5 km od hniezda [38], je pravdepodobné, že je menšia časť tejto celkovej oblasti skutočne navštívená a využitá. V priemere sú za noc navštívené iba 2 - 3 miesta na kŕmenie [34, 38], a hoci sa počas sezóny bude používať niekoľko rôznych miest na kŕmenie [34, 35, 38, 43], je nepravdepodobné, že by sa netopier zháňal cez celé krmivo. oblasti.Preto vo väčších nárazníkových zónach existuje pravdepodobnosť, že hoci sa celá oblasť nachádza v rozmedzí krmovín, netopier veľké percento analyzovanej oblasti nepoužíva. Celkové zloženie biotopov sa stáva možno menej dôležitým, pokiaľ je k dispozícii množstvo vhodných biotopov na krmoviny, ideálne v koncentrovanej oblasti. To by naznačovalo, že vo väčších vzdialenostiach od úkrytu je dôležitejšia dostupnosť dostatočného množstva oblastí kvalitného zháňania biotopov s bohatou základňou koristi ako zloženie biotopov ako celok.

4.4. Využitie pôdy v hotspotech

Musí sa ešte zistiť, či je úkryt vybraný predovšetkým pre jeho vnútorné vlastnosti, pričom netopier potom prispôsobuje svoju stravu biotopu, ktorý úkryt obklopuje. Naopak, najskôr sa môžu zvoliť vhodné krmovinové plochy a potom sa uvažuje o blízkom okolí úkrytu alebo možno o kombinácii oboch. Výsledky prezentované v predchádzajúcej časti nemusia nevyhnutne zodpovedať tieto otázky, naznačujú však, že okolitý biotop je dôležitým faktorom pri výbere úkrytu. V snahe ďalej sa zaoberať týmito otázkami boli uskutočnené analýzy týkajúce sa výberu hradísk a krajinných charakteristík, hustoty a analýzy hotspotov. Analýza hustoty jadra predstavovala príležitosť preskúmať vlastnosti krajiny v oblastiach identifikovaných ako reprezentatívne centrá aktivity netopierov.

Centrá aktivity netopierov sa určili pomocou povrchov hustoty jadra a výberu zón horného kvartilu (). Výsledky ukázali, že v hotspotoch s roostom () sa zistilo signifikantne menšie percentuálne pokrytie ihličnatých lesov () v porovnaní s oblasťami s nízkou hustotou roštu (). Tento vzorec sa prejavil aj v skutočnosti, že v oblastiach hotspotov s hustotou sa našlo podstatne menej škvŕn ihličnatých lesov (pozri tabuľku 4). Toto pozorovanie súvisí dobre s predchádzajúcimi štúdiami, ktoré našli len málo dôkazov o hľadaní potravy pre netopiere v ihličnatých lesoch [27–29]. Okrem toho sú lesy neustále spájané s E. serotinus činnosť [21, 22, 34], a to sa môže prejaviť vo vysokom percente celkových lesov zistených v tejto štúdii (% celkového lesného porastu). To však významne nesledovalo aplikáciu Bonferroniho korekcie pre viacnásobné porovnania (tabuľka 4). Región Sussex, a najmä Weald, je všeobecne uznávaný ako oblasť, ktorá podporuje značné množstvo a rozmanitosť lesov na národnej úrovni, a môže sa stať, že v tejto konkrétnej krajinnej oblasti sú všeobecne vysoké lesy [56]. .

Účinky fragmentácie lesných plôch na netopiere vo Veľkej Británii sú nejasné [22, 57] a výsledky uvedené v súčasnej štúdii len málo prispievajú k objasneniu. Fuentes-Montemayor a kol. [58] to zistili P. pipistrellus a P. pygmaeus aktivita bola väčšia tam, kde bola vzdialenosť medzi lesmi menšia, čo naznačuje, že sú uprednostňované klastrové distribúcie lesov. Zatiaľ čo veľké lesné oblasti môžu byť dôležité pre lesné kohúty, oblasť náplasti nemusí byť dôležitá pre E. serotinus, pre ktorých je hlavnou funkciou lesov snáď použitie lesného okraja ako lineárneho prvku pri dochádzaní [40], s malým dôkazom rozsiahleho zháňania potravy v interiéri lesov (napr. [21, 22, 34, 38]). Nejasný vzťah pozorovaný medzi lesmi a polohou jednotlivých hniezd naznačuje, že je potrebný ďalší výskum.

Počet polí mestskej pôdy bol v porovnaní s hotspotmi na hniezdo výrazne vyšší v oblastiach s nízkou hustotou úkrytu. Catto a kol. [38] uvádzajú, že oblasti okolo pouličných lámp sú druhou najnavštevovanejšou krmovinou, ktorú si druh najčastejšie spája s vidieckymi oblasťami. Ďalej štúdia Catto et al. [38] sledovali netopiere z dvoch úkrytov, ktoré boli v mestskom prostredí, a preto môžu byť zistenia skôr príkladom oportunistickej povahy netopiera ako odrazom významu mestských prvkov pre zháňanie potravy.

Rozdiely medzi výsledkami v hotspotoch v porovnaní s výsledkami zloženia biotopu obklopujúcimi jednotlivé úkryty naznačujú, že výber úkrytu môžu ovplyvňovať aj interaktívne faktory. Robinson a Stebbings [34] tvrdia, že keď sa nachádzajú samostatné kolónie blízko seba, E. serotinus nemusí byť schopný rozšíriť svoj sortiment v dôsledku konkurencie ostatných kolónií. Preto v oblastiach s vysokou hustotou úkrytu E. serotinus môžu byť obmedzené na menšie domáce rozsahy a prispôsobiť sa koristi dostupnej v menšom okruhu.

5. Záver

Úkryt je všeobecne považovaný za kľúčový faktor pri určovaní prežitia a zdatnosti britských netopierov. Súčasná štúdia to dokazuje E. serotinus úkryty majú zoskupenie a z toho vyvodzuje, že tento druh je selektívny vzhľadom na umiestnenie úkrytu. Táto štúdia ukazuje, že existuje veľa významných rozdielov medzi krajinnou kompozíciou obklopujúcou miesta úkrytu a že rozdiely sú zrejmé iba na konkrétnych mierkach. E. serotinus hradiská sa nachádzajú v oblastiach s výrazne vyššou pokrývkou ornej pôdy a vylepšenými trávnatými plochami (pastviny). Súčasné ochranné právne predpisy týkajúce sa netopierov však zloženie krajiny obklopujúcej stanovištia netopierov formálne neuznávajú. Napriek menej jasnému obrazu sa lesy tiež ukazujú ako dôležitá krajinná zložka, pričom zoskupené lesné plochy môžu pôsobiť ako dôležité krajinné prvky.

Analýza hustoty jadra úspešne poskytla alternatívnu metódu na preskúmanie krajinnej štruktúry a zloženia okolo miest s úkrytmi a identifikovala umiestnenie a charakteristiky možných centier aktivity netopierov v Sussexe. Analýza hustoty naznačila, že oblasti s vysokou hustotou netopierov mali podstatne menšie pokrytie ihličnatými lesmi a málo škvŕn ihličnatých lesov a mestských pozemkov ako oblasti s porovnateľne nízkou hustotou netopierov. Britské netopiere a ich úkryty sú chránené právnymi predpismi Spojeného kráľovstva, ochrana sa však nevzťahuje na miesta, kde sa živia potravou. Toto môže skutočne spôsobiť, že netopiere budú zraniteľné voči zmenám v krajine, pretože sa ukazuje, že miesta úkrytu súvisia s konkrétnymi charakteristikami krajiny.

Konflikt záujmov

Autor vyhlasuje, že pri publikovaní tohto článku nedochádza ku konfliktu záujmov.

Poďakovanie

Autori by chceli poďakovať Sussex Biodiversity Record Center a Sussex Bat Group za dodanie údajov o netopieroch pre East & amp West Sussex. Údaje modelu Land Cover Map 2000 poskytlo Centrum pre ekológiu a hydrológiu (CEH). Výskum bol čiastočne financovaný Školou životného prostredia University of Brighton.

Referencie

  1. A. L. Walsh a S. Harris, „Hľadanie preferencií biotopu netopierov vespertilionidov v Británii“ Journal of Applied Ecology, roč. 33, č. 3, s. 508–518, 1996. Zobraziť na: Google Scholar
  2. P. A. Racey, „Ekológia európskych netopierov v súvislosti s ich ochranou“, v Biológia a ochrana netopierov, T. H. Kunz a P. A. Racey, Eds., S. 247–260, Smithsonian Institution Press, Washington, DC, USA, 1998. Zobraziť na: Google Scholar
  3. J. M. Russ a W. I. Montgomery, „Združenia biotopov netopierov v Severnom Írsku: dôsledky pre ochranu,“ Biologická ochrana, roč. 108, č. 1, s. 49–58, 2002. Zobraziť na: Publisher Site | Študovňa Google
  4. J. E. Duchamp a R. K. Swihart, „Posuny v štruktúre komunity netopierov súvisiace s vyvinutými vlastnosťami a vlastnosťami krajiny zmenenej človekom,“ Ekológia krajiny, roč. 23, č. 7, s. 849–860, 2008. Zobraziť na: Stránky vydavateľa | Študovňa Google
  5. S. Harris, P. Morris, S. Wray a D. W. Yalden, Prehľad bristish cicavcov: Odhady populácie a stav ochrany britských cicavcov a iných kytovcov, Spoločný výbor pre ochranu prírody, Peterborough, UK, 1995.
  6. A. M. Hutson, S. Mickleburgh a P. A. Racey, Netopiere mikroskopické: Akčný plán globálneho zisťovania a zachovania stavu, IUCN / SSC Chiroptera Specialist Group, IUCN, Cambridge, UK, 2001.
  7. E. F. Connor, A. C. Courtney a J. M. Yoder, „Vzťahy medzi jednotlivcami a oblasťami: vzťah medzi hustotou populácie zvierat a plochou“ Ekológia, roč. 81, č. 3, s. 734–748, 2000. Zobraziť na: Google Scholar
  8. N. Vaughan, G. Jones a S. Harris, „Využívanie biotopov netopiermi (Chiroptera) hodnotené pomocou širokopásmovej akustickej metódy,“ Journal of Applied Ecology, roč. 34, č. 3, s. 716–730, 1997. Zobraziť na: Google Scholar
  9. A. M. Hutson, Akčný plán na ochranu netopierov vo Veľkej Británii, The Bat Conservation Trust, Londýn, Veľká Británia, 1993.
  10. M. B. Fenton, „Veda a ochrana netopierov“ Journal of Mammalogy, roč. 78, č. 1, s. 1–14, 1997. Zobraziť na: Google Scholar
  11. Miléniové hodnotenie ekosystémov, Ekosystémy a blahobyt človeka: syntéza biodiverzity, World Resources Institute, Washington, DC, USA, 2005.
  12. N. G. Burnside, R. F. Smith a S. Waite, „Nedávne historické zmeny vo využívaní pôdy v oblasti South Downs, Spojené kráľovstvo,“ Ochrana životného prostredia, roč. 30, č. 1, s. 52–60, 2003. Zobraziť na: Publisher Site | Študovňa Google
  13. R. L. Burgess a D. M. Sharpe, Dynamika lesných ostrovov v krajinách ovládaných človekomSpringer, New York, NY, USA, 1981.
  14. S. P. Mickleburgh, A. M. Hutson a P. A. Racey, „Prehľad globálneho stavu ochrany netopierov“, Oryx, roč. 36, č. 1, s. 18–34, 2002. Zobraziť na: Publisher Site | Študovňa Google
  15. P. F. Donald a A. D. Evans, „Pripojenie biotopov a obnova matice: širšie dôsledky agroenvironmentálnych schém“. Journal of Applied Ecology, roč. 43, č. 2, s. 209–218, 2006. Zobraziť na: Stránky vydavateľa | Študovňa Google
  16. D. Kleijn, R. A. Baquero, Y. Clough a kol., „Zmiešané prínosy agroenvironmentálnych schém v piatich európskych krajinách z hľadiska biodiverzity,“ Ekologické listy, roč. 9, č. 3, s. 243–254, 2006. Zobraziť na: Stránka vydavateľa | Študovňa Google
  17. M. B. Fenton a I. L. Rautenbach, „Dopady nevedomosti a populácie ľudí a slonov na ochranu netopierov v afrických lesoch“, v r. Biológia a ochrana netopierov, T. H. Kunz a P. A. Racey, Eds., S. 261–270, Smithsonian Institution Press, Washington, DC, USA, 1998. Zobraziť na: Google Scholar
  18. G. Kerth, K. Weissmann a B. K & # xf6nig, „Denný výber u samíc netopierov Bechstein & # x27s (Myotis bechsteinii): poľný experiment na stanovenie vplyvu teploty úkrytu, “ Oecologia, roč. 126, č. 1, s. 1–9, 2001. Zobraziť na: Publisher Site | Študovňa Google
  19. Z. Bihari, „Preferencia úkrytu pre Nyctalus noctula (Chiroptera, Vespertilionidae) v lete a ekologické pozadie ich urbanizácie, “ Mammalia, roč. 68, č. 4, s. 329–336, 2004. Zobraziť na: Google Scholar
  20. T. H. Kunz, „Roosting ecology“, in Ekológia netopierov, T. H. Kunz, ed., S. 1–55, Plenum Press, New York, NY, USA, 1982. Zobraziť na: Google Scholar
  21. J. Battersby, Porovnanie ekológie ruje hnedého netopiera dlhochvostého Plecotus auritus a serotínového netopiera Eptesicus serotinus [Ph.D. práca], University of Sussex, 1999.
  22. K. L. Boughey, I. R. Lake, K. A. Haysom a P. M. Dolman, „Vplyvy konfigurácie a rozsahu listnatých lesov v šírke krajiny na umiestnenie úkrytu pre šesť druhov netopierov vo Veľkej Británii,“ Biologická ochrana, roč. 144, č. 9, s. 2300–2310, 2011. Zobraziť na: Stránky vydavateľa | Študovňa Google
  23. A. C. Entwistle, P. A. Racey a J. R. Speakman, „Úkryt výberom hnedého netopiera dlhochvostého Plecotus auritus,” Journal of Applied Ecology, roč. 34, č. 2, s. 399–408, 1997. Zobraziť na: Google Scholar
  24. C. Moussy, „Výber starých kamenných budov, ako je letný deň u hnedého netopiera dlhochvostého Plecotus auritus,” Acta Chiropterologica, roč. 13, č. 1, s. 101–111, 2011. Zobraziť na: Publisher Site | Študovňa Google
  25. E. V. Jenkins, T. Laine, S. E. Morgan, K. R. Cole a J. R. Speakman, „Roost selection in the pipistrelle bat, Pipistrellus pipistrellus (Chiroptera: Vespertilionidae), v severovýchodnom Škótsku, “ Správanie zvierat, roč. 56, č. 4, s. 909–917, 1998. Zobraziť na: Stránky vydavateľa | Študovňa Google
  26. S. F. Oakeley a G. Jones, „Habitat okolo materských domovov 55 & # x2009kHz fónického typu pipistrellovych netopierov (Pipistrellus pipistrellus),” Časopis zoológie, roč. 245, č. 2, s. 222–228, 1998. Zobraziť na: Publisher Site | Študovňa Google
  27. D. Russo a G. Jones, „Využívanie biotopov na hľadanie potravy netopiermi v stredomorskej oblasti určené akustickými prieskumami: dôsledky na ochranu,“ Ekografia, roč. 26, č. 2, s. 197–209, 2003. Zobraziť na: Publisher Site | Študovňa Google
  28. D. Russo, G. Jones a A. Migliozzi, „Výber biotopu podkovárom stredomorským, Rhinolophus euryale (Chiroptera: Rhinolophidae) vo vidieckej oblasti južného Talianska a dôsledky pre ochranu, “ Biologická ochrana, roč. 107, č. 1, s. 71–81, 2002. Zobraziť na: Publisher Site | Študovňa Google
  29. P. G. Smith a P. A. Racey, „Netopiere druhu Natterer & # x27s uprednostňujú zháňanie potravy v listnatých lesoch a riečnych koridoroch,“ Časopis zoológie, roč. 275, č. 3, s. 314–322, 2008. Zobraziť na: Stránky vydavateľa | Študovňa Google
  30. N. C. Downs a P. A. Racey, „Využitie prvkov biotopu netopiermi na zmiešanej poľnohospodárskej pôde v Škótsku,“ Acta Chiropterologica, roč. 8, č. 1, s. 169–185, 2006. Zobraziť na: Stránka vydavateľa | Študovňa Google
  31. K. L. Boughey, I. R. Lake, K. A. Haysom a P. M. Dolman, „Zlepšenie prínosu živých plotov v oblasti biodiverzity: ako fyzikálne vlastnosti a blízkosť potravneho prostredia ovplyvňujú použitie lineárnych prvkov netopiermi“ Biologická ochrana, roč. 144, č. 6, s. 1790–1798, 2011. Zobraziť na: Stránky vydavateľa | Študovňa Google
  32. A. M. Hutson, „Eptesicus serotinus“, v Cicavce na Britských ostrovoch, S. Harris a D. Yalden, Eds., S. 356–360, The Mammal Society, Southampton, UK, 4. vydanie, 2008. Zobraziť na: Google Scholar
  33. C. Dietz, O. von Helversenand a D. Nill, Netopiere z Británie, Európy a severozápadnej Afriky, A & # x26 C Black, Londýn, Veľká Británia, 2009.
  34. M. F. Robinson a R. E. Stebbings, „Domáce rozšírenie a použitie biotopov serotínovým netopierom, Eptesicus serotinus, v Anglicku," Časopis zoológie, roč. 243, č. 1, s. 117–136, 1997. Zobraziť na: Google Scholar
  35. C. M. Catto, A. M. Hutson a P. A. Racey, „Strava Eptesicus serotinus v južnom Anglicku,“ Folia Zoologica, roč. 43, č. 4, s. 307–314, 1994. Zobraziť na: Google Scholar
  36. C. Harbusch, Aspekty ekológie netopierov serotínových (Eptesicus serotinus) v kontrastných krajinách v juhozápadnom Nemecku a Luxembursku [Ph.D. práca], University of Aberdeen, 2003.
  37. A. L. Walsh a B. A. Mayle, „Činnosť netopierov na rôznych biotopoch v zmiešaných nížinných lesoch,“ Myotis, roč. 29, s. 97–104, 1991. Zobraziť na: Google Scholar
  38. C. M. C. Catto, A. M. Hotson, P. A. Racey a P. J. Stephenson, „Správanie sa pri hľadaní potravy a používanie biotopu serotínového netopiera (Eptesicus serotinus) v južnom Anglicku, “ Časopis zoológie, roč. 238, č. 4, s. 623–633, 1996. Zobraziť na: Google Scholar
  39. T. Bartoni & # x10dka a J. Zukal, „Letová aktivita a využívanie biotopov štyroch druhov netopierov v malom meste odhalené detektormi netopierov“ Folia Zoologica, roč. 52, č. 2, s. 155–166, 2003. Zobraziť na: Google Scholar
  40. B. Verboom a H. Huitema, „Dôležitosť prvkov lineárnej krajiny pre pipistrelle Pipistrellus pipistrellus a serotínový netopier Eptesicus serotinus,” Ekológia krajiny, roč. 12, č. 2, s. 117–125, 1997. Zobraziť na: Google Scholar
  41. M. F. Robinson a R. E. Stebbings, „Potraviny netopiera serotínového, analýza stolice Eptesicus serotinus a # x2014is, platná kvalitatívna a kvantitatívna technika?“ Časopis zoológie, roč. 231, č. 2, s. 239–248, 1993. Zobraziť na: Google Scholar
  42. G. Brandt, L. Blows, D. Linton, N. Paling a C. Prescott, „Združenia biotopov britských druhov netopierov na nížinnej poľnohospodárskej pôde v povodí Hornej Temže“, Centrum pre hodnotenie voľne žijúcich živočíchov a elektronický časopis # 26, roč. 1, s. 10–19, 2007. Zobraziť na: Google Scholar
  43. T. Kervyn a R. Libois, „Strava serotínového netopiera. Porovnanie vidieckeho a mestského prostredia, “ Belgický vestník zoológie, roč. 138, č. 1, s. 41–49, 2008. Zobraziť na: Google Scholar
  44. R. M. Fuller, G. M. Smith, J. M. Sanderson a kol., Modul prieskumu krajiny 2000. 7. Mapa krajinnej pokrývky 2000: Sprievodca klasifikačným systémom, CEH, Huntingdon, UK, 2002.
  45. H. L. Beyer, „Hawthove analytické nástroje pre ArcGIS,“ 2004, http://www.spatialecology.com/htools/. Zobraziť na: Študovňa Google
  46. T. C. Bailey a A. C. Gatrell, Interaktívna analýza priestorových údajov, Longman Group, Harlow, UK, 1995.
  47. D. Williamson, S. McLafferty, V. Goldsmith, J. Mollenkopf a P. McGuire, „Lepšia metóda na vyhladenie údajov o trestných činoch“, ESRI ArcUser Magazine, 1999, http://esri.com/news/arcuser/ 0199 / crimedata.html. Zobraziť na: Študovňa Google
  48. A. Fotheringham, C. Bunsden a M.Charlton, Kvantitatívna geografia„Sage, Londýn, Veľká Británia, 2000.
  49. Google Map, „Google Maps“, Londýn, Veľká Británia, 2010, http://maps.google.co.uk/. Zobraziť na: Študovňa Google
  50. S. Waite, Štatistická ekológia v praxi, Sprievodca analýzou údajov o životnom prostredí a ekologickom poli, Pearson Education, Londýn, Veľká Británia, 2000.
  51. A. L. Walsh, R. E. Stebbings a M. J. A. Thompson, „Distribúcia a hojnosť netopiera pipistrelleho Pipistrellus pipistrellus,” Výročná správa, Vincent Wildlife Trust, 1988. Zobraziť na: Google Scholar
  52. J. R. Speakman, P. A. Racey, C. M. C. Catto, P. I. Webb, S. M. Swift a A. M. Burnett, „Minimálna letná populácia a hustota netopierov v SV Škótsku, blízko severných hraníc ich distribúcie,“ Časopis zoológie, roč. 225, č. 2, s. 327–345, 1991. Zobraziť na: Google Scholar
  53. A. C. Entwistle, P. A. Racey a J. R. Speakman, „Sociálna a populačná štruktúra zbieraného netopiera, Plecotus auritus,” Časopis zoológie, roč. 252, č. 1, s. 11–17, 2000. Zobraziť na: Publisher Site | Študovňa Google
  54. R. D. Ransome, „Správa kŕmnych oblastí pre netopiere podkovy veľké,“ Správy o výskume v prírode v Anglicku, roč. 174, s. 1–74, 1996. Zobraziť na: Google Scholar
  55. P. W. Bright, „Fragmentácia biotopov & # x2014 problémy a predpovede pre britské cicavce,“ Recenzia cicavcov, roč. 23, s. 101–111, 1993. Zobraziť na: Google Scholar
  56. N. G. Burnside, D. J. Metcalfe, R. F. Smith a S. Waite, „Ghyllské lesy Weald: charakteristika a ochrana“, Biodiverzita a ochrana, roč. 15, č. 4, s. 1319–1338, 2006. Zobraziť na: Stránky vydavateľa | Študovňa Google
  57. G. Lesi & # x144ski, M. Kowalski, B. Wojtowicz, J. Gulatowska a A. Lisowska „Netopiere na lesných ostrovoch rôznej veľkosti v poľnohospodárskej krajine“ Folia Zoologica, roč. 56, č. 2, s. 153–161, 2007. Zobraziť na: Google Scholar
  58. E. Fuentes-Montemayor, D. Goulson a K. J. Park, „Netopiere Pipistrelle a ich korisť neprospievajú zo štyroch široko používaných predpisov o agroenvironmentálnom manažmente,“ Biologická ochrana, roč. 144, č. 9, s. 2233–2246, 2011. Zobraziť na: Stránky vydavateľa | Študovňa Google

Autorské práva

Autorské práva & # xA9 2014 Michael Tink a kol. Toto je článok s otvoreným prístupom distribuovaný pod licenciou Creative Commons Attribution License, ktorá umožňuje neobmedzené použitie, distribúciu a reprodukciu na akomkoľvek médiu za predpokladu, že bude správne citované pôvodné dielo.


CopyRight

Analytický prehľad analyzovali J. Chakraborty, J. A. Maantay a J. D. Brender. J. Chakraborty a J. A. Maantay zostavili systematický prehľad literatúry a spoločný dohľad nad celkovým obsahom článku. J. D. Brender recenzoval rukopis článku a prispel k záverom a odporúčaniam.

Abstrakt

Snažili sme sa poskytnúť historický prehľad metód, modelov a údajov použitých vo výskumnej literatúre environmentálnej spravodlivosti (EJ) na meranie blízkosti environmentálnych rizík a možného vystavenia ich nepriaznivým účinkom na zdravie. Skúmali sme, ako sa vyvinulo hodnotenie neprimeranej blízkosti a expozície z porovnania prevalencie obyvateľov s menšinami alebo obyvateľmi s nízkym príjmom v geografických entitách hostujúcich zdroje znečisťovania a diskrétnych nárazníkových zón s rafinovanejšími technikami, ktoré využívajú nepretržité vzdialenosti, modely osudu a prepravy znečisťujúcich látok, a odhady zdravotného rizika z vystavenia toxickým látkam.

Preskúmali sme tiež analytické techniky používané na stanovenie charakteristík ľudí žijúcich v oblastiach potenciálne vystavených environmentálnym rizikám a objavujúce sa geostatistické techniky, ktoré sú pre analýzu EJ vhodnejšie ako bežné štatistické metódy.

Na záver sme poskytli niekoľko odporúčaní týkajúcich sa budúceho výskumu a potrebných údajov pre hodnotenie EJ, ktoré by viedli k spoľahlivejším výsledkom a politickým riešeniam.

SPRAVODLIVOSŤ PROSTREDIA (EJ) sa definuje ako neprimeraná distribúcia environmentálnych „statkov“ a „zlých vecí“, pričom bremeno zlých vecí a nedostatok tovaru dopadajú hlavne na rasové a etnické menšiny, nižšie príjmové skupiny a ďalšie zraniteľné skupiny. Od 80. rokov 20. storočia sa objavila veľká časť literatúry o EJ, zameraná hlavne na oblasti v Spojených štátoch a často používajúca geografické informačné systémy (GIS) na hodnotenie blízkosti zraniteľných subpopulácií k environmentálnym rizikám ako zástupcu expozície a potenciálu pre škodlivé účinky na zdravie. Technológia 1–11 GIS je vhodná na výskum EJ, pretože umožňuje integráciu viacerých zdrojov údajov, kartografické znázornenie údajov a použitie rôznych priestorových analytických techník na analýzu blízkosti. 11,12 Aj keď sú mapy účinné pri vizuálnej demonštrácii neprimeraného priestorového rozloženia nebezpečenstva pre životné prostredie, vedci sa vyjadrili k výzvam a obmedzeniam, ktoré sú obsiahnuté v priestorovej analýze, a spochybnili účinnosť GIS pri preukazovaní vplyvov znečistenia na zdravie. Nedostatky priestorových a atribútových údajov a metodologické problémy, najmä tie, ktoré sa týkajú geografických hľadísk, boli dobre zdokumentované. 6,11,13–23 Avšak vývoj metód na vypracovanie zmysluplnejších priestorových analýz je uskutočniteľný a geografi v oblasti zdravia a ďalší vedci používajú GIS na preukázanie korešpondencie medzi faktormi, ako sú blízkosť nebezpečenstiev, neprimeraná expozícia a zdravotné rozdiely.

Preskúmali sme metódy, ktoré bežne používajú výskumní pracovníci EJ, v článkoch, ktoré boli vybrané na poskytnutie komplexného prehľadu a zhrnutia kvantitatívneho výskumu EJ a neprimeranej blízkosti k environmentálnym rizikám za posledné 2 desaťročia. V týchto databázach sme vyhľadali relevantnú publikovanú literatúru: Sociologické abstrakty, Citation Social Science Index, Science Citation Index a National Library of Medicine's PubMed. Štúdie sme pôvodne vyberali pomocou hľadaných výrazov environmentálna spravodlivosť, environmentálna spravodlivosť, a environmentálny rasizmus. Pokúsili sme sa nájsť štúdie vykazujúce čo najširší rozsah, pokiaľ ide o študovaný geografický rozsah, rozmanitosť skúmaných nebezpečenstiev a použité analytické techniky. Vylúčili sme články s recenziou literatúry a články využívajúce čisto teoretické alebo kvalitatívne prístupy. Konečný zoznam referencií vybraných pre náš kritický prehľad metodológie výskumu EJ pozostával z kvantitatívnych prípadových štúdií (n = 80), ktoré skúmali rasovo-etnické a sociálno-ekonomické rozdiely v distribúcii alebo blízkosti zdravotných rizík životného prostredia, zdrojov znečistenia a nežiaducich účinkov. využitie pôdy. Väčšina z týchto štúdií naznačila neprimerané rozdelenie environmentálnych záťaží s ohľadom na rasu a sociálno-ekonomický stav (SES). Aj keď premenné SES poukazovali na významnejšie riziká expozície ako rasa, 17,24–27 rasy mali tendenciu byť významné aj pri kontrole SES. 28–31 Zhrnuli sme najčastejšie citované a najvýznamnejšie štúdie (n = 55) preskúmané v online doplnkovej tabuľke 1 (k dispozícii na www.ajph.org), ktorá obsahuje parametre a rozsah štúdie, použité ukazovatele znečistenia, použitú metodiku a zistenia .

Poskytujeme historický prehľad a kritické hodnotenie (1) analytických prístupov používaných na priestorové vymedzenie hraníc oblastí potenciálne vystavených nebezpečenstvám pre životné prostredie, (2) metód pre odhad populačných charakteristík týchto oblastí a (3) nových geostatistických metód, ktoré riešia obmedzenia. konvenčných prístupov.

Priestorová náhoda v kontexte výskumu EJ predstavuje techniku, pri ktorej sa predpokladá, že potenciálna expozícia environmentálnym rizikám sa obmedzuje na hranice vopred určených geografických entít alebo sčítacích jednotiek obsahujúcich tieto riziká.

Aj keď sa jeho implementácia časom zmenila, najbežnejšia a najtradičnejšia metóda analýzy priestorovej koincidencie, známa ako náhoda jednotiek a nebezpečenstiev, 32 využíva prítomnosť zdroja nebezpečenstva v analytickej jednotke ako zástupcu environmentálnej expozície. Sociodemografické charakteristiky priestorových jednotiek obsahujúcich nebezpečenstvo (hostiteľské jednotky) sa porovnávajú s tými, ktoré také nebezpečenstvo neobsahujú (jednotky bez hostiteľa), aby sa určila neprimeraná blízkosť alebo expozícia. Niekoľko vplyvných štúdií EJ na národnej úrovni použilo umiestnenie nebezpečných zariadení v rámci PSČ 33,34 alebo sčítania ľudu 35,36 na vyjadrenie rizikovej záťaže. Niektoré štúdie dokonca použili kraj ako priestorovú jednotku na analýzu náhod. 37,38

Výber analytickej jednotky, ktorá má reprezentovať hostiteľskú oblasť pre výskum EJ, bol predmetom značných diskusií, pretože rôzne jednotky potenciálne vedú k rôznym záverom, pokiaľ ide o úlohu rasy - etnického pôvodu alebo príjmu. 8,17,39–41 Bez ohľadu na vybranú analytickú jednotku je metóda koincidencie jednotka – riziko problematická z 3 dôvodov. Po prvé, väčšina aplikácií nerozlišuje medzi priestorovými jednotkami, ktoré sú hostiteľmi 1 zdroja nebezpečenstva, a tými, ktoré obsahujú niekoľko zdrojov. Po druhé, tento prístup ignoruje hraničné efekty, ktoré sa zaoberajú možnosťou, že zariadenie by mohlo byť tak blízko k okraju hostiteľskej jednotky, že susedná jednotka bez hostiteľa by mohla byť rovnako vystavená znečisteniu. Po tretie, táto metóda predpokladá, že vystavenie nebezpečenstvu je v hostiteľských jednotkách distribuované rovnomerne a obmedzené iba na ich hranice. Je však nepravdepodobné, že vopred definované geografické entity alebo jednotky sčítania budú predstavovať skutočnú veľkosť alebo tvar oblasti vystavenej nepriaznivým účinkom na zdravie.

Obrázok 1a ilustruje typické použitie metódy zhody jednotky a nebezpečenstva na základe distribúcie 12 nebezpečných zariadení medzi sčítaniami a traktmi. Väčšina zariadení sa nachádza v blízkosti hraníc viacerých traktátov a bližšie k susedným traktom bez hostiteľa ako na vzdialený koniec ich vlastného hostiteľského traktu. Je nepravdepodobné, že sa ich nepriaznivé vplyvy budú obmedzovať iba na ich hostiteľské úseky. Ďalej sú všetky trakty so zariadeniami kategorizované ako hostiteľské trakty, aj keď počet zariadení v každom hostiteľskom trakte sa líši.

POSTAVA 1- Priestorové vymedzenie blízkosti nebezpečenstva pre životné prostredie s použitím (a) priestorovej zhody pri výbere jednotiek sčítania ľudu, (b) kruhových nárazníkov s rovnomerným polomerom okolo dotknutých zariadení a (c) oblaku pre hypotetický scenár úniku chlóru pomocou areálových lokalít nebezpečných látok Model atmosféry.

Neschopnosť rozlišovať medzi hostiteľskými jednotkami na základe rozsahu nebezpečenstiev sa dá vyriešiť súčtom počtu zariadení alebo objemu uvoľnených znečisťujúcich látok v každej jednotke. Namiesto toho, aby sa so všetkými hostiteľskými jednotkami zaobchádzalo rovnako, niekoľko štúdií EJ rozšírilo základný prístup zhody okolností tým, že vymenovalo frekvenciu nebezpečných zariadení v rámci blokových skupín, 40 traktov, 3 42,43 PSČ, 44 a krajov. 45,46 Databázy, ako napríklad Toxic Release Inventory (TRI), ktorá poskytuje podrobné údaje o ročných množstvách toxických chemikálií uvoľnených v každom zariadení TRI, umožňujú presnejšie hodnotenie objemu emisií v každej hostiteľskej jednotke. Aj keď sa niektoré štúdie EJ spoliehali na celkový kilogram znečisťujúcich látok TRI, 2,37,44,45,47,48 iné použili ukazovatele toxicity, ako sú prahové limitné hodnoty pre hmotnosť ročných emisií každej chemikálie v každej priestorovej jednotke. 2 17,47,49,50 Aplikácie analýzy priestorovej zhody, pri ktorej sa využívajú údaje o emisiách a toxicite, sú však stále obmedzené neschopnosťou zohľadniť presnú geografickú polohu nebezpečenstva v hostiteľskej jednotke a presne určiť priestorový rozsah toxických látok vystavenie.

Štúdie EJ analyzovali blízkosť meraním vzdialenosti od zdrojov nebezpečenstva pre životné prostredie, aby sa obmedzili prístupy priestorovej zhody. Aj keď už bolo navrhnutých niekoľko techník založených na vzdialenosti, najbežnejšie používanou metódou je nárazníková analýza. Generovanie vyrovnávacej pamäte je analytická technika poskytovaná softvérom GIS na vytváranie nových mnohouholníkov okolo prvkov bodu, čiary alebo oblasti na mape (obrázok 1b). Od polovice 90. rokov sa v štúdiách EJ používajú kruhové nárazníky založené na GIS rôznych veľkostí na identifikáciu rizikových oblastí a populácií. 4,7,9,11,32,47,51–65 Sociodemografické charakteristiky oblastí ležiacich vo vnútri nárazníkových zón sa zvyčajne porovnávajú so zvyškom skúmanej oblasti s cieľom určiť neprimeranú blízkosť alebo vystavenie nebezpečenstvu rizika. Polomery kruhových nárazníkov sa pri výskume EJ pohybovali od 100 yardov do 3 míľ, 10,32 km, ale najčastejšie sa používajú vzdialenosti 0,5 a 1,0 míle. 4,7,9,32,47,52–59,62,65 Namiesto použitia jediného polomeru alebo nárazníka niekoľko štúdií skonštruovalo viac kruhových prstencov vo vzrastajúcej vzdialenosti od zdrojov nebezpečenstva. 9,11,51,60,61,64

Kruhové nárazníky poskytujú presnejšie geografické znázornenie možného vystavenia nebezpečenstvu ako priestorová zhoda, pretože sa nepredpokladá, že by nepriaznivé účinky boli obmedzené na hranice hostiteľskej priestorovej jednotky. S ich aplikáciou vo výskume EJ sú však spojené konkrétne obmedzenia. Polomer kruhu sa často volí ľubovoľne a nárazníky okolo všetkých nebezpečenstiev v študovanej oblasti majú zvyčajne rovnaký polomer (obrázok 1b). Vlastnosti a množstvá látok skladovaných alebo uvoľňovaných v každom jednotlivom zariadení alebo osud a preprava emitovaných znečisťujúcich látok v životnom prostredí sa zriedka začleňujú do určovania polomerov pufrov, ktoré predstavujú priestorový rozsah expozície. Ďalším problémom je predpoklad, že nepriaznivé účinky nebezpečenstva sú obmedzené iba na stanovenú kruhovú oblasť a vonkajšie oblasti zostávajú nedotknuté. Aj keď tento binárny predpoklad robí porovnanie pohodlným, výsledky sú vysoko citlivé na výber polomeru medzipamäte, čo dokazujú štúdie využívajúce viaceré okruhy okolo významných zariadení. Je nepravdepodobné, že by diskrétne meranie odrážalo kontinuálnejšie alebo postupnejšie znižovanie expozície s rastúcou vzdialenosťou od nebezpečenstva. 12,66

Kontinuálne vzdialenosti, založené na výpočte presnej vzdialenosti medzi každým nebezpečenstvom a polohou potenciálne exponovanej populácie, sú alternatívou k diskrétnym vzdialenostiam bežne používaným pre nárazníkovú analýzu. Niekoľko EJ štúdií používalo ako indikátor blízkosti vzdialenosť od ťažiska každého sčítania traktu alebo blokovej skupiny k najbližšiemu zdroju nebezpečenstva. 8,67–72 Analýza spojitých vzdialeností sa dá vylepšiť použitím funkcie kumulatívneho rozdelenia. Kumulatívna distribučná funkcia je v podstate graf, ktorý zobrazuje kumulatívne percento pozorovaní, ktoré klesá pod každú prahovú hodnotu. Aplikovaný na akýkoľvek súbor nebezpečných zariadení môže kumulatívny distribučný funkčný diagram ilustrovať, ako sa relatívna veľkosť exponovanej populácie zväčšuje so vzdialenosťou. Niekoľko štúdií EJ preukázalo, že kumulatívne distribučné funkcie sú vhodné na hodnotenie neprimeranej blízkosti, pretože prekonávajú obmedzenia výberu ľubovoľných a diskrétnych vzdialeností vyrovnávacej pamäte. 12,66–68

Aj keď väčšina analýz EJ založených na blízkosti predpokladá, že nepriaznivé účinky nebezpečenstva klesajú so vzdialenosťou lineárne, niekoľko štúdií použilo na modelovanie blízkosti krivočiare funkcie. Jedna štúdia predpokladala 3 funkčné formy expozície na analýzu blízkosti zariadení TRI na Floride a ako ukazovateľ expozície použila prirodzený logaritmus vzdialenosti k najbližšiemu zariadeniu. 71 Na vyhodnotenie blízkosti TRI v Detroite bola vyvinutá a použitá technika modelovania útlmu vzdialenosti na základe GIS. Aj keď bola táto technika dostatočne flexibilná na to, aby zahŕňala akúkoľvek funkciu rozpadu vzdialenosti, na odhad susedskej blízkosti zariadení TRI sa použilo niekoľko krivočiarych a reverzných krivkových funkcií.

Aj keď sa prístupy založené na vzdialenosti k analýze EJ vyvinuli z použitia diskrétnych tlmivých roztokov k nepretržitým funkciám, sú stále obmedzené skutočnosťou, že skutočný rozsah vystavenia toxickým látkam nemusí byť jednoduchou funkciou vzdialenosti. Analýzy založené na vzdialenosti navyše ignorujú smerové predsudky v distribúcii environmentálnych rizík za predpokladu, že ich nepriaznivé účinky sú vo všetkých smeroch rovnaké a jednotné. Aj keď fyzikálne procesy zriedka fungujú dokonale symetrickým (izotropným) spôsobom, metódy založené na vzdialenosti predpokladajú, že expozícia je nemenná voči prevládajúcemu smeru vetra a ďalším faktorom, ktoré ovplyvňujú pohyb a šírenie emitovaných znečisťujúcich látok.

Na presnejšie vymedzenie hraníc vzdušnej toxickej expozície použili štúdie EJ údaje o chemických emisiách a miestnych meteorologických podmienkach na modelovanie osudu a rozptylu znečisťujúcich látok uvoľňovaných zo zdrojov nebezpečenstva v životnom prostredí. Geografická analýza oblaku je metodika, ktorá integruje modelovanie rozptylu vzduchu s GIS na odhad oblastí a populácií vystavených uvoľňovaniu toxických látok vzduchom. 4,74 Disperzné modely typicky kombinujú údaje o množstve a vlastnostiach uvoľnenej chemikálie s údajmi o charakteristikách miesta, parametroch uvoľňovania a atmosférických podmienkach, aby vymedzili hranice oblasti potenciálne vystavenej šíriacemu sa oblaku chemikálie (stopa oblaku). Stopa predstavuje oblasť, v ktorej sa predpokladá, že prízemné koncentrácie znečisťujúcej látky prekročia používateľom zadanú prahovú hladinu (obrázok 1c). Väčšina aplikácií analýzy geografického oblaku pre výskum EJ sa spoliehala na Areal Locations of Hazardous Atmospheres (ALOHA), model rozptylu vzduchu navrhnutý pre krátkodobé chemické úniky. Tento model bol použitý na generovanie stopy jedného oblaku, 74 zložených stôp odrážajúcich historické poveternostné vzorce, 4,75 alebo kruhových nárazníkov na základe najhorších scenárov nehôd. 70,75–77 V ďalších štúdiách EJ sa použil model krátkodobého rozptýlenia vzduchu v komplexe priemyselných zdrojov, modely ukladania popola 78–80, 81 a modely hlukového znečisťovania. 5,82 Vo výskume EJ sa však expozícii voči kontaminácii pôdy a vody venovala obmedzená pozornosť.

Aplikácia geografickej analýzy oblaku umožňuje, aby koncentrácia toxických znečisťujúcich látok uvoľňovaných zo zdroja nebezpečenstva a ich zdravotné riziká neustále klesali s narastajúcou vzdialenosťou od zdroja vyžarovania a menili sa podľa smeru kompasu. Pufre založené na perách tak riešia problémy predchádzajúcich prístupov, ktoré predpokladajú, že pobyt buď v sčítacej jednotke obsahujúcej nebezpečenstvo (priestorová náhoda) alebo v konkrétnej vzdialenosti od nebezpečenstva (na základe vzdialenosti) vedie k toxickej expozícii. Modelovanie oblakov má však určité obmedzenia. Po prvé, disperzné modely zvyčajne vyžadujú veľké objemy údajov o chemických vlastnostiach, prevádzkových parametroch každého uvoľnenia a miestnych meteorologických podmienkach. Po druhé, niektoré modely disperzie, ako napríklad ALOHA, predpokladajú, že topografia je plochá a nie sú schopné poskytnúť presné odhady koncentrácie, keď je atmosféra stabilná alebo sú nízke rýchlosti vetra.Po tretie, vytvorenie údajov o modelovaní oblakov tak, aby zahŕňali všetky zariadenia a chemické emisie vo veľkej študijnej oblasti, je časovo náročný a nákladný proces. 73 V dôsledku toho bolo vytvorených niekoľko národných alebo regionálnych súborov modelov oblakov a existujúce súbory údajov sú obmedzené na konkrétne typy nebezpečenstiev.

Súbory údajov odvodené z modelovania osudu a transportu znečisťujúcich látok, ktoré sa vzťahujú na celé Spojené štáty, zahŕňajú environmentálne ukazovatele skríningu rizík (RSEI) a národné toxické hodnotenie ovzdušia (NATA). Tieto národné databázy vyvinuté Agentúrou na ochranu životného prostredia USA sú obzvlášť vhodné pre výskum EJ, pretože umožňujú výskumníkom odhadnúť potenciálne zdravotné riziká spojené s konkrétnymi znečisťujúcimi látkami a priestorovými jednotkami. Techniky modelovania oblakov a vyhodnocovania rizík použité na odvodenie týchto údajov navyše zohľadňujú rôzne faktory, ako napríklad rýchlosť vetra, smer vetra, turbulencie vzduchu, výška komína a rýchlosť chemického rozpadu a depozície. Model RSEI sa používa na odhad chronických zdravotných rizík na základe toxicity a atmosférickej disperzie chemikálií emitovaných zariadeniami TRI. Štúdie EJ použili skóre rizika RSEI na analýzu expozície znečisťujúcim látkam TRI v celých Spojených štátoch 83,84 a vo Philadelphii (85) a v Tampa Bay na Floride. 86 Pretože oblaky znečistenia použité na získanie odhadov rizika sa môžu rozšíriť v ľubovoľnom smere až na 44 míľ od zariadenia TRI, má technika modelovania RSEI výhodu v tom, že umožňuje, aby emisie v priestorovej jednotke ovplyvňovali ľudí žijúcich v iných jednotkách. NATA sa tiež ukázala ako dôležitý nástroj na odhad expozičných koncentrácií a rizík pre verejné zdravie spojené s inhaláciou nebezpečných látok znečisťujúcich ovzdušie z viacerých zdrojov emisií. Odhady sčítania ľudu týkajúce sa rizika rakoviny na základe NATA z roku 1996 sa použili na analýzu EJ v Marylande, 24 Kalifornii, 31 a 309 metropolitných oblastiach USA. 29 Program NATA z roku 1999 sa použil na hodnotenie rakoviny a respiračných rizík na Floride 87 a v metropolitných oblastiach Houstonu v Texase (27) a Tampa Bay. 28 NATA umožnila, aby analýza EJ presahovala rámec veľkých stacionárnych zdrojov a zahŕňala menších emitentov, ako aj cestné a mimozemské mobilné zdroje.

Aj keď techniky modelovania oblakov predstavujú významné zlepšenie oproti priestorovej náhode a prístupom založeným na vzdialenosti, často vychádzajú z predvolených predpokladov a nemusia byť také presné, ako si mnohí vedci myslia. Dôležitejšie je, že ich použitie sa obmedzuje na konkrétne výskumné otázky (tie, ktoré súvisia so špecifickými rizikami pre verejné zdravie) a typy znečisťujúcich látok (tie, ktoré sú obsiahnuté v oblakoch).

Priestorové analytické techniky používané pri výskume EJ na stanovenie sociodemografických charakteristík obyvateľov v blízkosti nebezpečenstva je možné rozdeliť do 2 kategórií v závislosti od úrovne agregácie údajov o populácii. Ak sú k dispozícii adresy všetkých jednotlivcov alebo domácností relevantných pre štúdiu, ktoré možno lokalizovať na mape, je vhodnou metódou bodová interpolácia. Informácie o adrese sa používajú v digitálnej sieti ulíc na určenie presnej polohy každého jednotlivca pomocou geokódovacích schopností GIS. Počet a charakteristiky jednotlivcov potenciálne vystavených nebezpečenstvu je možné odhadnúť spočítaním bodov, ktoré spadajú do nárazníkovej zóny (prekrytie typu polygón). Najstaršiu aplikáciu možno nájsť v štúdii o zariadeniach na nakladanie s odpadmi v Detroite 88, ktorá na základe údajov z prieskumu určila, či sa rasové a ekonomické postavenie respondentov žijúcich v kruhových nárazníkoch líši od rasového a ekonomického postavenia respondentov žijúcich mimo týchto nárazníkov. Následné štúdie EJ použili interpoláciu bodov na odhad populácie so špeciálnymi potrebami v Cedar Rapids, Iowa 77 charakteristík respondentov prieskumu vo Fort Lauderdale na Floride 81 rasového a etnického postavenia detí v Orange County na Floride 67 a sociodemografických charakteristík respondentov národného prieskumu. s bydliskom v blízkosti zariadení TRI. 59

Aj keď je bodová interpolácia ľahšie implementovateľná, kľúčovou požiadavkou je dostupnosť poštových adries všetkých osôb relevantných pre štúdiu. Pretože údaje o sociodemografických charakteristikách obyvateľov alebo domácností nie sú verejne dostupné, štúdie EJ sa opierali hlavne o informácie zhromaždené sčítaním obyvateľov USA, ktoré sú dostupné na úrovni vopred určených geografických entít. Ak je oblasť potenciálne vystavená nebezpečenstvu reprezentovaná nárazníkom na základe vzdialenosti alebo oblaku, je nepravdepodobné, že by sa tvar a veľkosť nárazníkovej zóny zhodovali so základnými sčítacími jednotkami obsahujúcimi údaje o obyvateľstve. Na prenos údajov zo sčítacích jednotiek na hranicu nárazníkovej zóny je nevyhnutná metóda interpolácie oblasti (prekrytie polygón na polygón) (obrázok 2).

OBRÁZOK 2— Použitie plošnej interpolácie na výber sčítacích jednotiek v kruhovom nárazníku pomocou (a) zadržania mnohouholníkov, (b) zadržania ťažísk a (c) zadržania tlmivého roztoku.

Najjednoduchšou metódou je zadržiavanie polygónov, 4 označované tiež ako hraničný priesečník, 32 v ktorom sú charakteristiky nárazníkovej zóny odvodené prostredníctvom jednoduchej agregácie sčítacích jednotiek, ktoré sú pretínané alebo úplne uzavreté nárazníkom. Variácia tejto metódy zahŕňa kritérium medznej hodnoty na obmedzenie zahrnutia čiastočne uzavretých jednotiek. Najbežnejšou praxou je zahrnutie sčítacích jednotiek, ktoré majú viac ako polovicu svojej plochy v nárazníkovej zóne, čo sa nazýva metóda zadržania 50% oblasti. 32,58 Metóda zadržiavania ťažísk, 4,89 naopak, vyberá iba sčítacie jednotky, ktorých geografické stredy (centroidy) sa nachádzajú v nárazníkovej zóne. Je menej pravdepodobné, že táto metóda poskytne presné odhady, ak skutočné bydliská ľudí v sčítacích jednotkách pretínaných nárazníkom nie sú sústredené v blízkosti ťažiska. Efektívna nárazníková zóna získaná zadržaním polygónov alebo centroidov sa však nebude podobať pôvodnej vyrovnávacej zóne (stopa kruhu alebo oblaku), pretože tieto zóny sú založené na hraniciach vybraných sčítacích polygónov.

Najbežnejšie používanou interpolačnou technikou je zadržanie tlmivého roztoku, 4 tiež známe ako plošné rozdelenie. 32,57 Táto metóda zahŕňa všetky sčítacie jednotky ležiace v nárazníku a zlomok populácie z jednotiek, ktoré sú pretínané nárazníkom. Výhodou tohto prístupu je zachovanie geometrie pôvodného kruhu alebo oblaku použitého na vymedzenie medzipamäte. Populácia každej sčítacej jednotky je zvyčajne vážená pomerom jej plochy, ktorá spadá do nárazníkovej zóny. 89 Predpokladá sa, že populácia a charakteristiky každej jednotky sú rovnomerne rozložené v jej medziach. Táto technika by však mohla viesť k nepresným odhadom, keď sa obydlia ľudí v jednotke sústredia do konkrétnych oblastí namiesto toho, aby boli rovnomerne rozptýlené.

Aj keď sa zatiaľ neobjavila žiadna najlepšia technika, ako sľubný prístup sa navrhla aplikácia dasymetrického mapovania v kombinácii s plošnou interpoláciou. 7,12,90 Táto technika využíva pomocné údaje (napr. Využitie pôdy alebo pokrytie krajiny) na zabezpečenie presnejšieho rozdelenia obyvateľstva žijúceho v sčítacích jednotkách. 8 Štúdie naznačujú, že katastrálne dasymetrické mapovanie predstavuje podstatné zlepšenie oproti použitiu agregovaných údajov zo sčítania. 89,91 V tejto metóde sa ako jednotka agregácie údajov namiesto sčítacích traktov alebo blokových skupín používajú časti dane z nehnuteľností (napr. Údaje z katastra), aby sa dosiahlo oveľa jemnejšie rozlíšenie údajov o obyvateľstve. Údaje zo sčítania sú členené na úroveň daňových dávok pomocou expertného systému, ktorý určuje, ktoré z niekoľkých premenných týkajúcich sa obyvateľstva najpresnejšie zachytávajú skutočné priestorové rozloženie ľudí. Napríklad New York City má približne 2200 sčítaní ľudu, ale takmer 850 000 daňových dávok rozdeľujúcich populáciu traktu na daňovú dávku tak poskytuje podstatne podrobnejšie zobrazenie miesta, kde ľudia žijú, čo je obzvlášť dôležité v hyperheterogénnych mestských prostrediach, v ktorých je distribúcia obyvateľstva sa môžu výrazne líšiť aj v rámci 1 bloku. Obrázok 3 zobrazuje, ako možno hranice pozemkov využiť na odhad domácností v okruhu 0,5 míle od zariadenia. Na posúdenie SES pre najbližšie domácnosti je možné použiť ďalšie podrobnosti, ako je držba domu, vlastníctvo a hodnoty.

OBRÁZOK 3— Katastrálne dasymetrické mapovanie: použitie pozemkov na odhad domácností v kruhovej nárazníkovej zóne.


Diskusia

Prístup a ekologické dôsledky

Pomocou akustických telemetrických údajov pre štyri druhy žralokov demonštrujeme užitočnosť RSF pomocou strojového učenia na presnú predikciu a pochopenie zložitých environmentálnych faktorov morských druhov. Naprieč druhmi sme v rámci MPA našli variabilné vzorce relatívneho výberu biotopov, od špecialistov na biotopy až po generálov. Celkovo s rastúcou hĺbkou klesal relatívny výber pre všetky druhy žralokov. Zatiaľ čo pravdepodobnosti relatívneho výberu pre karibský útes, citrón a žraloky sestry klesali, keď sa zvyšovali vzdialenosti od pevniny, tigrie žraloky vykazovali najvyššiu afinitu k oblastiam vzdialeným od pevniny 500 až 2 000 m. Najlepšie interakcie spolu s predpovedanými relatívnymi hodnotami selekcie zvýraznili rozdiely a preferencie medzi druhmi, pokiaľ ide o typy biotopov, štruktúry a hĺbky. Nakoniec pomocou relatívnych selekčných hodnôt tigrovaných žralokov a ich potenciálnej koristi zdôrazníme schopnosť tohto rámca generovať viacnásobné hodnoty selekcie druhov, ktoré by mohli poskytnúť prehľad vzťahov medzi predátormi a korisťou, ak sú spriemerované a navzájom prekryté.

Výsledky tu uvedené pre výber biotopov žralokov sú vo veľkej miere v súlade s výsledkami prezentovanými Casselberry et al. (2020), ktorí na zistenie modelu v biotopoch BIRNM použili GLMM a detekčné údaje z pevných umiestnení prijímačov, ale so zlepšenou presnosťou modelu (83 & # x201394%) a ďalšími premennými. Zatiaľ čo GLMM v Casselberry et al. (2020) boli obmedzené nerovnomerným rozložením prijímateľov, čo si vyžadovalo agregáciu medzi rôznymi typmi biotopov, tu prezentované analýzy (rámec použitia / dostupnosti s COA a východiskovými bodmi) dokázali vzorkovať na viacerých biotopoch a v jemnejších mierkach. Ďalej, zatiaľ čo GLMM boli obmedzené na jeden zovšeobecnený premenný biotop (úrovne faktorov vrátane: nespevnené sedimenty, ponorená vegetácia a koraly, skaly a kolonizované tvrdé dno) a hĺbku, RSF spárované s algoritmami strojového učenia boli schopné ľahko posúdiť päť samostatných premenných biotopov ktoré sa pohybovali od dvoch do 10 úrovní faktorov spolu s dvoma ďalšími spojitými prediktormi. RSF nakoniec potvrdili použitie biotopov s plytkou vodou v blízkosti pevniny pre žraloky citrónové a použitie biotopov spojených s pieskom a koralmi v strednej hĺbke pre žraloky ošetrovateľky, pričom zdôraznili afinitu k tigrom žralokom a # x2019 k prerušeniu kontinentálneho šelfu a južným posteliam piesku a morských rias. Pridaná analytická flexibilita RSF a strojového učenia výrazne zlepšila predpovede použitia biotopu pre žraloky z karibských útesov, ktorých využitie priestoru sa dramaticky mení s vekom v rámci rozmanitej krajiny BIRNM & # x2019s (Casselberry et al., 2020). Predchádzajúce modely preukázali nízku pravdepodobnosť prítomnosti v akustickom poli naprieč biotopmi a hĺbkami v porovnaní s ostatnými tromi druhmi žralokov, zatiaľ čo RSF zdôrazňujú špecializované použitie viacerých vysoko drsných biotopov útesov v stredných hĺbkach. Avšak GLMM vyrobené v Casselberry et al. (2020) a tu vyrobené modely RSF sa líšili pri predpovedaní preferencie hĺbky tigrovaného žraloka. Casselberry a kol. (2020) preukázali pravdepodobnosť prítomnosti v akustickom poli s rastúcou hĺbkou naprieč typmi biotopov (koraly, skaly a kolonizované tvrdé dno, ponorená vegetácia a nespevnené sedimenty), zatiaľ čo hodnoty & # x0177 sa v modeloch RSF konzistentne znižovali s hĺbkami nad 30 m.

Skúmanie diagramov čiastočnej závislosti tigrieho žraloka odhaľuje vysoké interakcie medzi hĺbkou a vzdialenosťou po súši v hĺbkach medzi 10 & # x201315 a 25 & # x201330 m (obrázok 4). Tieto rovnaké hĺbkové koše (10 & # x201315 a 25 & # x201330 m) mali tiež vyššie hodnoty # # x0177 v kombinácii s kamenivovým útesom, chodníkom, pieskom a pieskom s rozptýlenými biotopmi koralov a hornín (obrázok 4). Tieto typy biotopov a vzdialenosť od pevniny dosiahli samotné vyššie hodnoty # # x0177 ako hĺbka v modeloch tigrovaných žralokov, čo naznačuje, že tieto premenné majú silnejší vplyv na využívanie biotopov tigrovaných žralokov (obrázok 3). Je však známe, že tigrie žraloky používajú hĺbky väčšie ako 50 mv BIRNM a okolí, ktoré sú mimo hĺbky pokrytia akustickým poľom (nezverejnené údaje Casselberry). To opäť zdôraznilo potrebu posúdiť extrapolačnú spoľahlivosť (Mesgaran et al., 2014) RSF pred interpretáciou modelu, pretože môžu mať obmedzenú schopnosť extrapolovať mimo pozorovaných podmienok daného poľa, napríklad v oblastiach BIRNM, kde sú hĺbky. boli väčšie ako 50 m.

Keď sa v rámci našej škály premenných robili predpovede v analogickom podmienenom priestore (hĺbka menej ako 50 m), použitie RSF na rozdiel od tradičnejšieho používania samotných COA, odhadov hustoty jadra alebo sieťových analýz zvýraznilo potenciálne priaznivé biotopy v BIRNM s obmedzeným pokrytím prijímača. Východná časť BIRNM má čiastočne obmedzené pokrytie akustickým prijímačom kvôli zložitosti štruktúry koralových útesov v tejto oblasti. Kotvenie prijímačov tam nebolo zriadené, aby nedošlo k poškodeniu chránenej útesovej štruktúry. RSF ukazujú, že v tejto oblasti s nízkym pokrytím pre zdravotné sestry, karibské útesy a žraloky tigrie existujú priaznivé biotopy, najmä na križovatkách medzi útesmi, chodníkmi a pieskovými biotopmi. To ďalej zdôrazňuje vhodnosť tohto MPA na ochranu a riadenie žralokov v St. Croix (obrázok 5 Casselberry et al., 2020).

Skúmanie prekrývajúcich sa RSF medzi tigrými žralokmi a ich potenciálnou korisťou zdôrazňuje oblasti potenciálneho úspechu pri hľadaní potravy pre žraloky, vysokú náchylnosť koristi na korisť a oblasti ekologického významu pre manažérov. Oblasti vzájomného prekrytia žralokov a tigrov sa zhodujú hlavne s morskými riasami južne od ostrova Buck a západným kontinentálnym šelfom, zatiaľ čo mnoho potenciálnych druhov koristi má vysoký selekčný potenciál aj v oblastiach severne od ostrova Buck. Môže to byť odrazom žralokov tigrov selektívne využívajúcich oblasti s vyšším potenciálom úspechu v hľadaní potravy (Heithaus et al., 2002). Oblasti severne od ostrova Buck zaberajú vysoko zložité biotopy koralových útesov, ktoré ponúkajú dostatok oblastí na úkryt alebo únik pred predátormi (Hixon and Beets, 1993), zatiaľ čo biotopy južne a západne od ostrova Buck sú otvorenejšie v hĺbkach & # x223C12 m . Tieto vody by mohli byť manévrovateľnejšie pre veľké mláďatá a dospelých tigrov tigrov v porovnaní so štrukturálne zložitejším prostredím (Fu a kol., 2016), možno so zvýšenou možnosťou úspechu pri hľadaní potravy (Heithaus a Dill, 2002 Heithaus a kol., 2007 Wirsing a kol., 2007). Alternatívne by tieto oblasti mohli byť odrazom podobných preferencií a ekológií biotopov medzi vrcholmi a mezopredátormi v systéme tropických útesov (Ledee et al., 2016 Heupel et al., 2019). Bez ohľadu na to oblasti s vysokou priemernou relatívnou selekciou zdôrazňujú dôležité regióny v BRINM, ktoré by sa mohli použiť na informovanie o budúcich štúdiách monitorovania alebo obnovy biotopov, najmä s potenciálom degradácie biotopov v dôsledku zmeny podnebia (Graham a kol., 2020 Hastings a kol., 2020 ).

Pretože technologické nástroje neustále zdokonaľujú našu schopnosť monitorovať využitie vodných živočíchov, ekológovia začínajú odpovedať na niektoré z najnaliehavejších otázok, aby pomohli usmerniť a určiť priority stratégií riadenia a ochrany zdrojov. Ničenie biotopov zostáva v popredí znižovania biodiverzity, od zmeny podnebia (Pratchett et al., 2011 Descombes et al., 2015) až po deštruktívne využívanie krajiny (Rothschild et al., 1994 Coverdale et al., 2013). Pri výzvach na ochranu najmenej 30% oceánu do roku 2030 zavedením MPA (O & # x2019Leary a kol., 2016 Sala a kol., 2018) je presné porozumenie toho, ako morské živočíchy využívajú priestor a výber biotopov, čoraz nevyhnutnejšie informované a efektívne morské priestorové plánovanie (Foley a kol., 2010 Ogburn a kol., 2017 Lowerre-Barbieri a kol., 2019 Gallagher a kol., 2021 Roberts a kol., 2021). Rámec modelovania RSF, ktorý je tu poskytnutý, môže produkovať vysoko presné modely relatívneho výberu biotopov pre viac druhov odlišných ekológií a môže sa spriemerovať medzi druhmi, aby sa zvýraznilo prekrývajúce sa potenciálne využitie alebo výber priestoru. Tieto modely sa potom dajú použiť na extrapoláciu do oblastí bez pokrytia akustickým prijímačom, pokiaľ sú v rámci pôvodných nameraných parametrov, čo predstavuje spoločný problém akustickej telemetrie s neúplným pokrytím miesta štúdie z dôvodu logistických alebo rozpočtových obmedzení. Za predpokladu, že je pre daný druh a vekovú skupinu označený dostatočný počet jednotlivcov, môžu výstupy týchto modelov vytvoriť ľahko interpretovateľné mapy na zvýraznenie dôležitých oblastí a komunikáciu výsledkov so zainteresovanými stranami, čo by mohlo viesť k väčšej akceptácii zistení štúdie pri angažovanej účasti zainteresovaných strán. (Nguyen et al., 2019).

Výhody, výzvy a úvahy

Pretože technologický pokrok (napr. Od diaľkového snímania po údaje akustickej telemetrie) umožňuje súbory údajov s vysokým rozlíšením, ekológovia čoraz viac prijímajú prístupy k strojovému učeniu kvôli ich schopnosti zvládať veľké súbory údajov a zložitým nelineárnym hierarchickým vzťahom a štatistickým predpokladom, ktoré sú typicky porušované konvenčnými parametrickými prístupmi, napr. mnohonásobne korelovanými prediktormi (Olden et al., 2008 Peters et al., 2014 Durden et al., 2017 Brownscombe et al., 2020). Zatiaľ čo RSF sa zvyčajne používajú v klasickom štatistickom rámci (napr. Logistické a lineárne modely) (Johnson a kol., 2006 Manly a kol., 2007), strojové učenie nevyžaduje špecifikáciu nelineárnych predikčných vzťahov a ich interakcií. pred implementáciou. Umožňujúc tak flexibilnú, realistickú a prístupnú aplikáciu pri aplikácii RSF na využitie zvieracieho priestoru vo vzťahu k mnohým a zložitým environmentálnym gradientom v celej krajine (Shoemaker et al., 2018). Ďalej implementácia strojového učenia s ekologickými údajmi môže tiež poskytnúť vysoko presné prediktívne modely (Cutler a kol., 2007 Elith a kol., 2008 Olden a kol., 2008). Napríklad Shoemaker a kol. (2018) nanášanie RSF na mule (Odocoileus hemionus) telemetrické údaje preukázali, že algoritmy strojového učenia prekonali tradičný prístup logistickej regresie s vyššou presnosťou predikcie.V ďalšom príklade, aj keď to nie je priamo porovnateľné, sme pri implementácii RF pomocou údajov o mladej zelenej korytnačke v tejto štúdii zistili vyššiu presnosť v porovnaní s presnosťou, ktorú uvádzali Griffin a kol. (2020) (0,95 oproti 0,77, v uvedenom poradí), ktorí tiež aplikovali RSF na údaje o akustickej telemetrii juvenilnej zelenej korytnačky z BIRNM, ale boli vybavené GLMM a menej predikčnými premennými.

Zatiaľ čo algoritmy strojového učenia ponúkajú niektoré výhody ako presná neparametrická technika, zložitosť zohľadnenia časopriestorovej autokorelácie a efektov na individuálnej úrovni predstavuje ďalšie výzvy. Zatiaľ čo RF modely nie sú schopné ľahko začleniť, RSF GLMM môžu výslovne zahrnúť individuálne ID ako náhodný efekt (Gillies et al., 2006). Ďalej môžu zovšeobecnené modely obsahovať štruktúry závislostí od autokorelácie (Zuur a kol., 2017 Winton a kol., 2018a Griffin a kol., 2019 Gutowsky a kol., 2020), treba však poznamenať, že definícia správnej korelačnej štruktúry stále zostáva náročné v rámci návrhu vzorkovania použitia / dostupnosti (prítomnosti / pseudo absencie) (pozri Koper a Manseau, 2009 Fieberg a kol., 2010). Zatiaľ čo v tejto štúdii BBMM zdôrazňovali individuálne variácie vo využívaní priestoru, zjednodušené GLMM indikované vrátane individuálneho ako náhodného účinku prispeli k vysvetleniu celkovej odchýlky relatívne menej ako samotné fixné účinky. To však nebol prípad žralokov citrónových, čo naznačuje väčšie potenciálne rozdiely v relatívnom výbere biotopov medzi jednotlivcami. Potvrdené jednotlivými BBMM a sieťovými analýzami od Casselberry et al. (2020), niektoré citrónové žraloky boli neustále v blízkosti ostrova, zatiaľ čo iné využívali oblasti ďalej a vo väčších hĺbkach. Zatiaľ čo sa vyvíjajú prístupy na začlenenie zmiešaných efektov do algoritmov strojového učenia (Hajjem et al., 2014), je to vzhľadom na jeho zložitosť stále pomerne neprístupné. Budúce štúdie využívajúce RSF a algoritmy strojového učenia by sa mali pokúsiť zmerať alebo riešiť náhodné variácie medzi jednotlivcami a odchýlky veľkosti vzorky buď v rámci prístupu alebo pomocou doplňujúcich analýz. Napríklad použitie testovacích dátových súborov, ktoré obsahujú jednotlivcov, ktorí sa nepoužívajú v tréningovom dátovom súbore, môže lepšie pomôcť pri hodnotení výkonnosti a prenosnosti modelu (Buston a Elith, 2011 Raymond et al., 2015). Ďalej, uskutočnenie modelov pre každého jednotlivca a následné spoločné odvodenie odhadov 95% intervalu spoľahlivosti v rámci vypočítaných marginálnych účinkov pre všetkých jednotlivcov môže byť životaschopným prístupom k hodnoteniu účinkov na úrovni populácie. Alternatívne môže byť najvhodnejšie použitie oboch modelov so zmiešanými efektmi a prístupov strojového učenia v tandeme (pozri Shoemaker et al., 2018). S ohľadom na túto výhradu poskytujú algoritmy strojového učenia užitočné a flexibilné výhody pri riešení zložitých ekologických súborov údajov a pri získavaní presných výsledkov.

Okrem aplikácie RSF s algoritmami strojového učenia poskytujú pasívne akustické telemetrické polia už od návrhu intuitívny prístup k implementácii RSF, pretože dostupné zdrojové jednotky je možné ľahko definovať na základe umiestnenia prijímača. Obmedzenie Certifikáty pravosti a pozadia smerujúce k dostupným jednotkám zdrojov, ktoré sú definované umiestnením akustického prijímača na úrovni roku, umožňujú začlenenie alebo odstránenie ďalších prijímačov počas obdobia štúdie. Táto flexibilita je ideálna, pretože polia sa často časom menia z dôvodu finančných obmedzení alebo prispôsobenia výskumných otázok. Avšak na zabezpečenie proti predpojatým odhadom relatívneho výberu je dôležité zabezpečiť, aby boli polia prijímačov vrátane ich úprav navrhnuté tak, aby zachytávali využitie priestoru, ktoré je reprezentatívne pre dostupné stanovište (Selby a kol., 2019 Griffin a kol., 2020). Pre budúce štúdie zamerané na preskúmanie relatívneho výberu navrhujeme návrhy mriežkových polí (Heupel a kol., 2006 Kraus a kol., 2018), aby sa dosiahlo skôr proporcionálne reprezentatívne pokrytie oblastí ako nasadenia riadené a priori viery využitia zvieracieho priestoru (Brownscombe et al., 2019b). Detekčný rozsah a účinnosť by sa navyše mali brať do úvahy počas návrhu poľa (Brownscombe et al., 2019b), pri konštrukcii certifikátov pravosti (Winton et al., 2018b), pri definovaní dostupných jednotiek zdrojov okolo prijímačov alebo dokonca explicitne pri modelovaní. procesu (pozri Brownscombe et al., 2019a). Účinnosť a rozsah detekcie, často obmedzené fyzickou štruktúrou, vetrom, prúdmi, hlukom zvierat alebo ľudskými aktivitami, sa môžu v jednotlivých študovaných oblastiach veľmi líšiť (Gjelland a Hedger, 2013 Kessel et al., 2014).

Tu, zatiaľ čo sme potenciálne začleňovali skreslenia spôsobené variabilnými rozsahmi detekcie (pozri Selby et al., 2016), vybrali sme 400 m vyrovnávaciu pamäť okolo každého prijímača, aby sme umožnili, aby COA a súvisiace body pozadia presahovali pozorované detekčné rozsahy. Odporúčame však testovať širokú škálu vstupov parametrov od výberu časovej schránky COA po dostupnú veľkosť vyrovnávacej pamäte biotopu. Takéto vstupy by sa mali riadiť ekologickými znalosťami, pokrytím akustickej telemetrie a metrikami presnosti modelu. Zatiaľ čo časové intervaly COA 60 minút poskytovali presnejšie opatrenia pre niektoré druhy a spresnili predpovede, rozhodli sme sa pre 90 minút koše pre všetky druhy, pretože by to potenciálne znížilo problémy s autokoreláciou ďalším vzorkovaním (Swihart a Slade, 1985). Ďalej by výber časového intervalu COA mal brať do úvahy naprogramované oneskorenie značky a rýchlosť označených zvierat, s menšími časovými intervalmi pre rýchlejšie sa pohybujúce druhy a väčšími časovými intervalmi pre pomaly sa pohybujúce zvieratá. V tomto príklade sme zistili, že menší dostupný medzipriestor biotopov produkuje metriky s nižšou presnosťou a vedie k nespoľahlivým predpovediam v rámci BIRNM. Alternatívne použitie väčšieho dostupného nárazníka biotopu poskytlo podobné výsledky ako pôvodné modely, ktoré používali nárazníky 400 m, a tiež zachytil relatívny výber tigrov žralokov v oblastiach (severovýchodný šelf), kde sme očakávali vyššie hodnoty. Zatiaľ čo pre konzistenciu boli vybrané 400 m pufre podľa Selby et al. (2019) a Griffin a kol. (2020), by mali budúci vedci skúmať a hodnotiť viac rozsahov pre daný druh, študovanú oblasť a súbor. Spolu s variabilným detekčným rozsahom a účinnosťou by budúce štúdie RSF využívajúce akustickú telemetriu mali skúmať aj úlohu priestorových a / alebo časových škál na modelovaní selekcie (McGarigal et al., 2016), čo je obzvlášť dôležité pri kolabovaní biotopu a prítomnosti / východiskových bodov pre implementácia modelu.

Záver

V súhrne zdôrazňujeme užitočnosť kombinácie akustickej telemetrie, RSF a strojového učenia na pochopenie a presnú predikciu relatívneho výberu biotopov morských živočíchov v monitorovaných aj nemonitorovaných oblastiach. Aj keď sa RSF vo veľkej miere používajú v suchozemských prostrediach, navrhujeme, aby morskí ekológovia prijali tieto metódy aj na zlepšenie opatrení v oblasti riadenia zdrojov. Takéto aplikácie by mohli pomôcť uprednostniť ochranu a obnovu biotopov pred pokračujúcimi antropogénnymi hrozbami (Millennium Ecosystem Assessment, 2003). To môže mať konkrétne výhody sústredené okolo dizajnu MPA. Tu sme pri aplikácii na štyri druhy žralokov v rámci MPA našli presné modely, ktoré by sa dali extrapolovať na oblasti, kde bolo pokrytie prijímačom obmedzené. Ďalej, keď sa tieto hodnoty RSF rozšírili o skúmanie vzťahov predátor-korisť, našli sme oblasti, ktoré sa líšili vo vzájomnom výbere, zvýrazňujúc potenciálne prekrytie predátorov a ich koristi.


Výskum aplikačného režimu dizajnu zeleného prostredia na pozadí umelej inteligencie

V oblasti zeleného environmentálneho dizajnu je dizajnérskym systémom environmentálneho umenia zložitý a viacrozmerný systém fúzií naprieč doménami, ktorý možno považovať za veľký systém úloh. Vývojový model, ktorý kombinuje technológiu umelej inteligencie (AI) a dizajn zeleného prostredia, môže nielen rýchlo a efektívne integrovať a analyzovať problémy, ale tiež poskytnúť návrhárom nové dizajnérske nápady, postupne rozširovať tradičné koncepty návrhu prostredia, produkovať rozmanitejšie metódy umeleckej tvorby a posúvať od modelu pevnej aplikácie k diverzifikovanejšiemu umeleckému vývoju. Preto tento príspevok na základe zhrnutia a analýzy predchádzajúcich výskumných prác objasnil stav výskumu a význam dizajnu zeleného prostredia, rozpracoval vývojové pozadie, súčasný stav a budúce výzvy technológie AI, predstavil topológiu siete a rámcové štruktúry platformy dizajn zeleného prostredia na pozadí AI, skonštruoval technický rámec dizajnu zeleného prostredia na pozadí AI, analyzoval metódy a princípy návrhu programu a vývoja funkcií, navrhol aplikačný model dizajnu zeleného prostredia na pozadí AI, vykonal funkčný model návrhu optimalizácia a inteligentná analýza procesu návrhu a nakoniec sa diskutovalo o hodnotiacich ukazovateľoch a hierarchickej analýze návrhu zeleného prostredia na pozadí umelej inteligencie. Výsledky ukazujú, že aplikačný režim kombinujúci technológiu AI a dizajn zeleného prostredia môže nielen pomôcť dizajnérom prekonať tradičné časové a priestorové bariéry a využiť multidimenzionálne myslenie, ale tiež pomôcť dizajnérom lepšie pochopiť koncept umeleckého dizajnu a naplno využiť výhody. umelej inteligencie v zelenom prostredí. Výsledky štúdie v tomto dokumente poskytujú referenciu pre ďalší výskum aplikačného režimu dizajnu zeleného prostredia na pozadí umelej inteligencie.

1. Úvod

Model vývoja, ktorý kombinuje technológiu umelej inteligencie (AI) a dizajn zeleného prostredia, je určený potrebami ľudského života na pozadí vývoja času. Pri projektovaní zeleného prostredia je možné použiť aj modernú technológiu, ktorá môže návrhárom pomôcť prekonať tradičné časové a priestorové bariéry, využiť multidimenzionálne myslenie na riešenie problémov a zaviesť jedinečný dizajnový koncept v dizajnérskom priemysle [1]. Rozvoj vedy a techniky je nevyhnutným produktom vývoja éry umelej inteligencie a neustály vývoj ekologického ekologického dizajnu je určený vysokokvalitnými potrebami ľudí a špičkovými technologickými, ekologickými a udržateľnými riešeniami. koncepcie návrhu sú určené vývojom doby [2]. Koncept environmentálneho dizajnu s nízkym znečistením, nízkymi nákladmi, vysokou presnosťou, silnou použiteľnosťou, ekologickou udržateľnosťou a prostredím päť v jednom môže ľuďom poskytnúť pohodlnejšie a ekologickejšie životné prostredie a umožniť im lepšie životné skúsenosti [3]. . V procese návrhu musí mať dizajnér nielen určitý koncepčný návrh, plán a model, ale musí tiež formulovať rad plánovania nákladov na dizajn, ktorý je podstatným a dôležitým článkom v dizajnovom pláne. Preto má veľký význam študovať aplikačný režim návrhu zeleného prostredia na pozadí AI [4].

Zelený ekologický dizajn zahŕňa vypracovanie projektu, inšpekciu miesta, zber údajov, usporiadanie informácií a výber schém. V podstate celý proces neustáleho hľadania odpovedí. V tomto procese sú v skutočnosti kvôli mnohým obmedzeniam nákladov, času, pracovnej sily a materiálnych zdrojov problémy, ktoré ľudia môžu objaviť a vyriešiť, obmedzené, ale technológia AI tieto problémy vôbec nemá [5]. V porovnaní s obmedzenou energiou a časom návrhára sú výhody okamžitých schopností čítania a zápisu obrovských výpočtov a obrovských dát AI zrejmé. S rozvojom štatistík sa technológia veľkých dát stala účinnou podporou pre technológiu AI [6]. Inteligentný technologicky podporovaný dizajn zložený z týchto dvoch riešení môže nielen rýchlo a efektívne integrovať a analyzovať problémy, ale aj integrovať údaje a robiť návrhárom návrhy na rozhodovanie. Súdiac podľa predchádzajúceho režimu propagácie dizajnérskych prác, hlavnými faktormi, ktoré ovplyvňujú zelený environmentálny dizajn, sú umiestnenie komunity, zloženie davu, spôsob správania a udržateľný rozvoj [7]. Zloženie davu a vzorce správania určujú zloženie krajiny, prispôsobenie farieb, plánovanie trás a distribúciu súvisiacich zariadení v oblasti. Odvodené problémy sú napríklad propagácia sociálnej interakcie krajiny a interakcia krajiny. Trvalo udržateľný rozvoj zeleného prostredia podmieňuje flexibilné plánovanie komunitného priestoru a uspokojuje rôzne potreby komunitného rozvoja v určitom časovom období [8].

Na základe súhrnu a analýzy predchádzajúcich výskumných prác tento článok objasňuje výskumný stav a význam dizajnu zeleného prostredia, rozpracováva vývojové pozadie, súčasný stav a budúce výzvy technológie AI, predstavuje sieťovú topológiu a rámcové štruktúry zeleného prostredia. dizajn na pozadí AI, buduje technický rámec dizajnu zeleného prostredia na pozadí AI, analyzuje metódy a princípy návrhu programu a vývoja funkcií, navrhuje aplikačný model dizajnu zeleného prostredia na pozadí AI, vykonáva optimalizáciu modelu funkčného návrhu a inteligentná analýza procesu návrhu a nakoniec sa diskutuje o hodnotiacich ukazovateľoch a hierarchickej analýze návrhu zeleného prostredia na pozadí umelej inteligencie. Výsledky štúdie v tomto dokumente poskytujú referenciu pre ďalšie výskumy aplikačného režimu dizajnu zeleného prostredia na pozadí umelej inteligencie. Podrobné kapitoly sú usporiadané nasledovne: Oddiel 2 predstavuje sieťovú topológiu a štruktúry rámca platformy návrhu zeleného prostredia na pozadí AI. Oddiel 3 buduje technický rámec dizajnu zeleného prostredia na pozadí AI. Oddiel 4 navrhuje aplikačný model dizajnu zeleného prostredia. v pozadí AI časť 5 pojednáva o hodnotiacich ukazovateľoch a záverom je hierarchická analýza návrhu zeleného prostredia v pozadí AI.

2. Systematická štruktúra návrhu zeleného prostredia na základe AI

2.1. Štruktúra topológie siete

Systém navrhovania zeleného prostredia v prostredí umelej inteligencie by mal byť inováciou tradičných metód navrhovania, ktorá zahŕňa veľa aspektov projektovej práce výrobcov výrobkov [9]. Sieť musí extrahovať užitočné informácie z veľkého množstva uložených údajov, zistiť potreby a preferencie používateľov z veľkého množstva údajov spustených používateľom, potom sa prispôsobiť potrebám používateľov a poskytnúť im flexibilné a efektívne služby.

Pre prvok, ktorého uzol a sa berie ako východiskový bod a ďalšie prvky, ktorých vzdialenosť b z prvku má a uzol c, pravdepodobnosť, že dva uzly medzi týmito dvoma prvkami sa vyskytnú súčasne v danom smere Q(a, b, c) je nasledujúci:


Možnosti prístupu

Získajte plný prístup do denníka na 1 rok

Všetky ceny sú ČISTÉ ceny.
DPH bude pridaná neskôr v pokladni.
Výpočet dane bude dokončený pri platbe.

Získajte časovo obmedzený alebo úplný prístup k článkom v službe ReadCube.

Všetky ceny sú ČISTÉ ceny.


Referencie

Pimm, S. L. a kol. Biodiverzita druhov a ich miera vyhynutia, rozšírenia a ochrany. Veda 344, 1246752 (2014).

Smeraldo, S. a kol. Modelovanie rizík, ktoré pre stúpajúce vtáky predstavujú veterné turbíny a elektrické vedenie: bocian čierny (Ciconia nigra) v Taliansku ako prípadová štúdia. Biodivers. Conserv. 29, 1959–1976 (2020).

Gutierrez, B. L. a kol. Ostrov divokej prírody v krajine ovládanej ľuďmi: posledný fragment primárneho lesa na pobreží Kostariky na polostrove Osa na polostrove Golfo Dulce. MÁ JEDEN 14, e0214390 (2019).

Padalia, H. a kol. Hodnotenie historického úbytku a fragmentácie lesných porastov v pásmach slonov ázijských v Indii. Environ. Monit. Posúďte. 191, 802 (2019).

Sodhi, N. S., Lee, T. M., Koh, L. P. & amp Brook, B. W. Metaanalýza vplyvu antropogénneho narušenia lesa na bioty juhovýchodnej Ázie. Biotropica 41, 103–109 (2009).

Beier, P. Určenie minimálnych biotopov a chodieb biotopov pre pumy. Conserv. Biol. 7, 94–108 (1993).

MacNally, R. & amp Bennett, A. F. Druhovo špecifická predpoveď dopadu fragmentácie biotopov: lokálne vyhynutie vtákov v lesoch s obmedzenými hranicami v strednej Austrálii. Biol. Conserv. 82, 147–155 (1997).

Hanski, I. Konektivita biotopov, kontinuita biotopov a metapopulácie v dynamickej krajine. Oikos 8, 209–219 (1999).

Weaver, J. L., Paquet, P. C. & amp Ruggerio, L. F. Odolnosť a ochrana veľkých šeliem v Skalistých horách. Conserv. Biol. 10, 964–976 (1996).

Smith, J. B., Nielsen, C. K. & amp. Hellgren, E. C. Vhodný biotop na reklonizáciu veľkých šeliem v stredozápade USA. Oryx 50, 555–564 (2016).

Morehouse, A. T., Hughes, C., Manners, N., Bectell, J. & amp Bruder, T. Mäsožravce a spoločenstvá: prípadová štúdia zmierňovania konfliktov medzi mäsožravcami v juhozápadnej Alberte. Predné. Ecol. Evol. 8, 2 (2020).

Pelton, M. R. a kol. Akčný plán ochrany čierneho medveďa v roku 2006 Medvede (vyd. Servheen, C., Herrero, S., & amp. Peyton, B.) 144 - 146. Prieskum stavu a akčný plán ochrany. (Odborné skupiny pre medvede a ľadové medvede IUCN / SSC, 1999).

Williamson, D. F. In the Black: Status, Management and Trade of the American Black Bear (Ursus americanus) in North America (TRAFFIC North America. World Wildlife Fund, Washington, DC, 2002).

Hristienko, H. & amp McDonald, J. E. Jr. Do 21. storočia: pohľad na trendy a kontroverzie pri vedení amerického čierneho medveďa. Ursus 18, 72–88 (2007).

Scheick, B. K. & amp McCown, W. Geografické rozdelenie amerických čiernych medveďov v Severnej Amerike. Ursus 25, 24–33 (2014).

Wright, S. Evolúcia a genetika populácií (The University of Chicago Press, Chicago, 1984).

Wooding, J. B. & amp. Hardisky, T. S. Domovský rozsah, použitie biotopov a úmrtnosť čiernych medveďov na severe a na Floride. Int. Konf. Bear Res. Manag. 9, 349–356 (1994).

Komisia pre floridskú hru a sladkovodné ryby. Správa čierneho medveďa na Floride: správa zamestnancov pre komisárov (Florida Game and Fresh Water Fish Commission, Tallahassee, 1993).

Komisia pre ochranu rýb a voľne žijúcich živočíchov na Floride. Plán hospodárenia s čiernym medveďom na Floride (Florida Game and Fresh Water Fish Commission, Tallahassee, 2019).

Dixon, J. D. Genetické následky fragmentácie a straty biotopov: prípad medveďa čierneho na Floride (Ursus americanus floridanus). Conserv. Genet. 8, 455–464 (2007).

Brown, J. H. Výzvy v odhadovaní veľkosti a ochrany čierneho medveďa na západe-stredná Florida.Thesis, University of Kentucky (2004)

Humm, J. M., McCown, J. W., Scheick, B. K. & amp Clark, J. D. Priestorovo explicitné odhady populácie čiernych medveďov na základe klastrového vzorkovania. J. Wildl. Manag. 81, 1187–1201 (2017).

Komisia pre ochranu rýb a voľne žijúcich živočíchov na Floride. Plán hospodárenia s čiernym medveďom na Floride (Florida Game and Fresh Water Fish Commission, Tallahassee, 2012).

Carr, M. H. a amp Zwick, P. D. Technická správa Florida 2070: Mapovanie budúcnosti Floridy - alternatívne vzorce vývoja v roku 2070 (Geoplan Center na University of Florida, Gainesville, 2016).

Noss, R. E., Quiqley, H. B., Hornocker, M. G., Merrill, T. & amp Paquet, P. C. Biologická ochrana a ochrana mäsožravcov v Skalistých horách. Conserv. Biol. 10, 94–96 (1996).

Breitenmoser, U. Veľkí predátori v Alpách: pokles a vzostup konkurencie človeka. Biol. Conserv. 83, 279–289 (1998).

Waser, P. M. Vzory a dôsledky rozptýlenia u spoločenských mäsožravcov. V Chovanie mäsožravcov, ekológia a evolúcia (vyd. Gittleman, J. L.) 267–295 (Cornell University Press, Ithaca, 1996).

Guisan, A. & amp Thuiller, W. Predpovedanie druhovej distribúcie: ponúka viac ako jednoduché modely biotopov. Ecol. Lett. 8, 993–1009 (2005).

Allouche, O., Tsoar, A. & amp Kadmon, R. Posudzovanie presnosti modelov distribúcie druhov: prevalencia, kappa a štatistika skutočných schopností (TSS). J. Appl. Ecol. 43, 1223–1232 (2006).

Yackulic, C. B. a kol. Modelovanie iba pomocou MAXENT: Kedy môžeme dôverovať záverom ?. Methods Ecol. Evol. 4, 236–243 (2013).

Araújo, M. B. & amp New, M. Predikcia súboru rozšírení druhov. Trendy Ecol. Evol. 22, 42–47 (2007).

De Oliveira Moreira, D. a kol. Distribučná ekológia leňocha hrivnatého: Vplyvy prostredia na jeho distribúciu a medzery vo vedomostiach. MÁ JEDEN. 9, 1–12 (2014).

Martin, J. a kol. Vhodnosť biotopu medveďa hnedého v Pyrenejach: prenosnosť medzi miestami a prepojenie váh s cieľom čo najlepšie využiť vzácne údaje. J. Appl. Ecol. 49, 621–631 (2012).

Khosravi, R., Hemami, R. K. M. & amp Cushman, S. A. Multi-scale niche modeling of three sympatric felids of zachování významu v centrálnom Iráne. Landsc. Ecol. 34, 2451–2467 (2019).

Maehr, D. S., McCown, J. W., Land, E. D. & amp; Roof, J. C. Stratégia využívania, distribúcie, pohybov a ochrany biotopov čierneho medveďa na juhozápadnej Floride (Florida Game and Fresh Water Fish Commission, Gainesville, 1992).

McCown, W., Kublis, P., Eason, T. & amp. Scheick, B. Pohyby čierneho medveďa a využitie biotopu v porovnaní s cestami v národnom lese Ocala (Florida Fish and Wildlife Commission, Gainesville, 2004).

Dobey, S. Ekológia čiernych medveďov z Floridy v ekosystéme Okefenokee-Osceola. Wildl. Monogr. 158, 1–41 (2005).

Ulrey, W. A. ​​Home Range, Use Habitat, and Food Habits of the Black Bear in South-Central Florida. Thesis, University of Kentucky (2008)

Karelus, D. L., McCown, J. W., Scheick, B. K., van de Kerk, M. & amp Oli, M. K. Domáce areály a výber biotopov čiernymi medveďmi v novo kolonizovanej populácii na Floride. Juhovýchodná Nat. 15, 346–364 (2016).

Karelus, D. L., McCown, J. W., Scheick, B. K. & amp Oli, M. K. Vlastnosti mikrohabitatu ovplyvňujúce použitie biotopov medveďmi čiernymi na Floride. Glob. Ecol. Conserv. 13, e00367 (2018).

Olson, D. M. a amp Dinerstein, E. The Global 200: Priority ekoregióny pre globálnu ochranu. Ann. MO Bot. Gard. 89, 125–126 (2002).

Úrad pre sčítanie ľudu USA. Obyvateľstvo a bytové spoločenstvo odhaduje ročník 2018. Washington, DC (2018).

Burby, R. & amp. May, P. Tvorba vládneho plánu (John Hopkins University Press, Baltimore, 1997).

Boarnet, M. G., McLaughlin, R. B. & amp Carruthers, J. I. Mení riadenie rastu štátu štruktúru mestského rastu? Dôkazy z Floridy. Nar. Sci. Urban Econ. 41, 236–252 (2011).

Seibert, S. G. Stav a správa čiernych medveďov v národnom lese Apalachicola (Florida Game and Fresh Water Fish Commission, Gainesville, 2013).

Land, E. D. Stratégia využívania, distribúcie, pohybov a ochrany biotopov čierneho medveďa na juhozápadnej Floride (Florida Game and Fresh Water Fish Commission, Tallahassee, 1994).

McCown, W., Eason, T. H. a amp Cunningham, M. W. Pohyby čierneho medveďa a využitie biotopu v porovnaní s cestami v národnom lese Ocala (Florida Commission for Conservation of Wildlife, Gainesville, 2001).

Stratman, M. R., Alden, C. D., Pelton, M. R. & amp Sunquist, M. E. Habitat use by American black bears in the sandhills of Florida. Ursus 12, 109–114 (2001).

Maehr, D. W. a kol. Priestorové charakteristiky izolovanej populácie čierneho medveďa floridského. Juhovýchodná Nat. 2, 433–446 (2003).

Orlando, M. A. Ekológia a správanie izolovanej populácie čierneho medveďa na západe strednej Floridy. Thesis, University of Kentucky (2003)

Annis, K. M. Dopad translokácie na nepríjemné čierne medvede Florida. Diplomová práca, University of Florida (2007).

Neils, A. M. Florida Black Bear (Ursus americanus floridanus) na rozhraní medzi mestom a divočinou: Líšia sa? Diplomová práca, University of Florida (2011).

Guthrie, J. M. Modelovanie pohybového správania a cesty prechádzajúcej cez čierneho medveďa na juhu strednej Floridy. Thesis, University of Kentucky (2012).

Baruch-Mordo, S. a kol. Stochasticita v produkcii prírodného krmiva ovplyvňuje využívanie mestských oblastí čiernymi medveďmi: dôsledky na zvládanie konfliktov medzi človekom a medveďom. MÁ JEDEN 9, e85122 (2014).

Lewis, J. S., Rachlow, J. L., Garton, E. O. & amp Vierling, L. A. Účinky biotopu na výkon obojku GPS: použitie skríningu údajov na zníženie chyby polohy. J. Appl. Ecol. 44, 663–671 (2007).

Clark, J. D., Laufenberg, J. S., Davidson, M. & amp Murrow, J. L. Pripojiteľnosť medzi subpopuláciami Louisianských čiernych medveďov, ako sa odhaduje pomocou funkcie krokového výberu. J. Wildl. Spravovať. 79, 1347–1360 (2015).

Beumer, L. T., van Beest, F. M., Stelvig, M. & amp Schmidt, N. M. Spatiotemproálna dynamika vhodnosti biotopu veľkého arktického bylinožravca: heterogenita prostredia je kľúčom k sedavému životnému štýlu. Glob. Ecol. Conserv. 18, e00647 (2019).

Hinton, J. W. a kol. Využitie priestoru a výber biotopov rezidentnými a prechodnými červenými vlkmi (Canis rufus). MÁ JEDEN 11, e0167603 (2016).

Fourcade, Y., Engler, J. O., Rodder, D. & amp Secondi, J. Mapovanie druhových distribúcií pomocou MAXENT pomocou geograficky skreslenej vzorky údajov o prítomnosti: hodnotenie výkonnosti metód na korekciu skreslenia vzoriek. MÁ JEDEN 9, e97122 (2014).

Pellerin, M., Said, S. & amp Gaillard, J.-M. Srnčia zver Capreolus capreolus veľkosti domáceho dosahu odhadované z údajov VHF a GPS. Wildl. Biol. 14, 101–110 (2009).

Signer, J., Fieberg, J. & amp Avgar, T. Zvieracie pohybové nástroje (amt): R balík na správu sledovacích údajov a vykonávanie analýz výberu biotopov. Ecol. Evol. 9, 880–890 (2019).

Maehr, D. S. & amp Brady, J. R. Potravinové návyky floridských čiernych medveďov. J. Wildl. Manag. 48, 230–235 (1984).

Hellgren, E. C., Vaughan, M. R. & amp Stauffer, D. F. Využitie makrobytov čiernymi medveďmi v juhovýchodnej mokrade. J Wildl. Manag. 55, 442–448 (1991).

Karelus, D. L. a kol. Účinky environmentálnych faktorov a krajinných prvkov na pohybové vzorce čiernych medveďov floridských. J. Cicavec. 98, 1463–1478 (2017).

Súpis prírodných oblastí na Floride. Projekty správnej rady Florida Forever (2018).

McGarigal, K., Cushman, S. A. & amp Ene, E. FRAGSTATS v4: Program Spatial Pattern Analysis Program for Kategorical and Continuous Maps. University of Massachusetts, Amherst, MA. https://www.umass.edu/landeco/research/fragstats/fragstats.html. (2012).

Riley, S. J., DeGloria, S. D. & amp Elliot, R. Terénny index členitosti, ktorý kvantifikuje topografickú heterogenitu. Intermt. J. Sci. 5, 1–4 (1999).

Clark, J. D., Dunn, J. E. & amp Smith, K. G. Multivariačný model využívania biotopov samíc čierneho medveďa pre geografický informačný systém. J. Wildl. Manag. 57, 519–526 (1993).

Americký geologický prieskum. Súbor údajov o národnej nadmorskej výške. Washington, DC (2016).

Ditmer, M. A., Noyce, K. V., Fieberg, J. R. & amp Garshelisa, D. L Vymedzenie ekologického a geografického okraja oportunistu: Americký čierny medveď využívajúci poľnohospodársku krajinu. Ecol. Model. 387, 205–219 (2018).

Ministerstvo poľnohospodárstva USA, Národná štatistická služba pre poľnohospodárstvo. Census of Agriculture, Ag Census Web Maps. Washington, DC (2016).

Hostetler, J. A. a kol. Demografické dôsledky antropogénnych vplyvov: čierni medvede floridské na severe centrálnej Floridy. Biol. Conserv. 142, 2456–2463 (2009).

Centrum pre medzinárodnú informačnú sieť vedy o Zemi - CIESIN - Kolumbijská univerzita. Mriežkovaná populácia sveta, verzia 4 (GPWv4): Hustota obyvateľstva. Palisades, NY (2016).

Brody, A. J. & amp Pelton, M. R. Účinky ciest na čierne medvede v západnej Severnej Karolíne. Wildl. Soc. B 17, 5–10 (1989).

Úrad pre sčítanie ľudu USA. TIGER / Line Shapefiles (strojovo čitateľné dátové súbory). Washington DC (2016).

Americký geologický prieskum. Národný súbor údajov o hydrológii. Washington, DC (2018).

Americká služba pre ryby a divoké zvieratá. Národné údaje o zásobách mokradí. St Petersburg, FL (2018).

R jadrový tím. R: Jazyk a prostredie pre štatistické výpočty. R Foundation for Statistical Computing, Viedeň, Rakúsko. https://www.R-project.org/ (2019).

Esri. ArcGIS Desktop: Vydanie 10.4. Redlands, CA: Environmental Systems Research Institute (2015).

Elith, J. a kol. Nové metódy zlepšujú predikciu distribúcie druhov z údajov o výskyte. Ekografia 29, 129–151 (2006).

Phillips, S. J., Anderson, R. P. & amp Schapire, R. E. Maximum entropické modelovanie geografických distribúcií druhov. Ecol. Model. 190, 231–259 (2006).

Calenge, C. Balíček adehabitat pre softvér R: nástroj na analýzu využívania priestoru a biotopov zvieratami. Ecol. Model. 197, 516–519 (2016).

Elith, J. a kol. Štatistické vysvetlenie MaxEnt pre ekológov. Potápači. Distrib. 17, 43–57 (2011).

Phillips, S. J., Dudik, M., & amp Schapire, R. E. Maximálny entropický prístup k modelovaniu distribúcie druhov v Zborník z dvadsiatej prvej medzinárodnej konferencie o strojovom učení (technickí koordinátori Greiner, R. & amp. Schuurmans, D.) 655–662 (ACM Press, 2004).

Hernandez, P. A. a kol. Predpovedanie druhovej distribúcie v zle študovaných krajinách. Biodivers. Conserv. 17, 1353–1366 (2008).

Poor, E. E., Loucks, C., Jakes, A. & amp Urban, D. L. Porovnanie vhodnosti biotopu a metód modelovania pripojenia na zachovanie migrácie pronghorn. MÁ JEDEN 7, e49390 (2012).

Duan, R.-Y., Kong, X.-Q., Huang, M.-Y., Fan, W.-Y. & amp Wang, Z.-G. Prediktívna výkonnosť a stabilita šiestich druhov distribučných modelov. MÁ JEDEN 9, e112764 (2014).

Zhang, J. a kol. MaxEnt modelovanie na predpovedanie priestorového rozloženia troch dravcov v čínskom národnom parku Sanjiangyuan. Ecol. Evol. 9, 6643–6654 (2019).

Bertolino, S. a kol. Priestorovo explicitné modely ako nástroje na implementáciu efektívnych stratégií riadenia invazívnych mimozemských cicavcov. Cicavec. Rev. 50, 87–199 (2020).

Alsamadisi, A. G., Tran, L. T. & amp Papes, M. Využívanie záverov naprieč škálami: integrácia priestorových údajov s rôznymi rozlíšeniami na vylepšenie Maxentových modelov. Ecol. Model. 415, 108857 (2020).

Peralvo, M. F., Cuesta, F. & amp van Manen, F. Vymedzenie prioritných oblastí biotopov na ochranu andských medveďov v severnom Ekvádore. Ursus 16, 222–233 (2005).

Mahalanobis, P. C. O zovšeobecnenej vzdialenosti v štatistike. Proc. Natl. Aacd. Sci. India 2, 49–55 (1936).

Browning, D. M., Beaupre, S. J. & amp Duncan, L. Pomocou rozdeleného Mahalanobis D 2 (K) sformulovať model Hibernacula drevného štrkáča založený na GIS. J. Wildl. Manag. 69, 33–44 (2005).

Griffin, S. C., Taper, M. L., Hoffman, R. & amp Mills, L. S. Rebríček Mahalanobisových dištančných modelov pre predpovede obsadenosti z údajov iba o prítomnosti. J. Wildl. Manag. 74, 1112–1121 (2010).

Phillips, S. J. a kol. Predpätie výberu vzorky a distribučné modely iba pre prítomnosť: dôsledky pre základné údaje a údaje o neprítomnosti. Ecol. Appl. 19, 181–197 (2009).

Fielding, A. H. & amp Bell, J. F. Prehľad metód na hodnotenie predikčných chýb v modeloch prítomnosti / neprítomnosti konzervácie. Environ. Conserv. 24, 38–49 (1997).

Boyce, M. S., Vernier, P. R., Nielsen, S. E. & amp Schmiegelow, F. K. A. Hodnotenie funkcií výberu zdrojov. Ecol. Model. 157, 281–300 (2002).

Hirzel, A. H., Le Lay, G., Helfer, V., Randin, C. & amp Guisan, A. Hodnotenie schopnosti modelov vhodnosti biotopov predpovedať prítomnosť druhov. Ecol. Model. 199, 142–152 (2006).

Murrow, J. L. a amp Clark, J. D. Účinky hurikánov Katrina a Rita na biotop čierneho medveďa Louisiana. Ursus 23, 192–205 (2012).

Sing, T., Sander, O., Beerenwinkel, N. & amp Lengauer, T. ROCR: vizualizácia výkonu klasifikátora v R. Bioinformatika 21, 7881 (2005).

Broennimann, B. & amp. Di Cola, V. A. ecospat: Rôzne metódy priestorovej ekológie. R balík verzie 3.0 (2018).

Liu, C., White, M. & amp Newell, G. Výber prahov pre predikciu výskytu druhov s údajmi iba o prítomnosti. J. Biogeogr. 40, 778–789 (2013).

Hellgren, E. C., Bales, S. L., Gregory, M. S., Leslie, D. M. Jr. & amp Clark, J. D. Testovanie modelu využívania biotopov čierneho medveďa Mahalanobis na diaľku v pohorí Ouichita v Oklahome. J. Wildl. Manag. 71, 924–928 (2007).

Murrow, J. L., Thatcher, C. A., van Manen, F. T. a amp Clark, J. Nástroj na plánovanie konzervácie založený na dátach pre Florida Panthers. Environ. Model. Posúďte. 18, 159–170 (2013).

Úrad NOAA pre správu pobrežia. Podrobná metóda mapovania inundácie zvyšovania hladiny mora. (NOAA, 2017).

Pelton, M. R. 2003. Čierny medveď. V Divoké cicavce Severnej Ameriky: biológia, manažment a ochrana (eds Feldhamer, J. A. a kol.) 547–555 (Johns Hopkins University, Baltimore, 2003).

Thuiller, W., Brotons, L., Araujo, M. B. & amp Lavorel, S. Účinky obmedzenia rozsahu údajov v životnom prostredí na projektovanie súčasnej a budúcej distribúcie druhov. Ekografia 27, 165–172 (2004).

Liu, C., Berry, P. M., Dawson, T. P. & amp Pearson, R. G. Výber prahov výskytu v predikcii druhovej distribúcie. Ekografia 28, 385–393 (2005).

Kopp, R. E. a kol. Probalistické projekcie hladiny mora v 21. a 22. storočí na globálnej sieti miest prílivu a odlivu. Zemská budúcnosť 2, 383–406 (2014).

Xiao, H. & amp Tang, Y. Posúďte „superponované“ účinky nárastu búrok hurikánu kategórie 3. a nepretržité zvyšovanie hladiny mora pri vniknutí slanej vody do povrchovej zvodnenej vrstvy na pobreží východo-strednej Floridy (USA). Environ. Sci. Pollut Res. 26, 21882–21889 (2019).

Laurance, W. F. a kol. Globálna stratégia pre budovanie ciest. Príroda 513, 229–234 (2014).

Mukul, S. A. a kol. Kombinované účinky zmeny podnebia a nárastu hladiny mora vedú k dramatickému úbytku biotopov globálne ohrozeného bengálskeho tigra v Bangladéši Sundarbans. Sci. Total Environ. 663, 830–840 (2019).

Poor, E. E., Shao, Y. & amp Kelly, M. J. Mapovanie a predpovedanie úbytkov lesov v tigrie sumatranskej krajine v rokoch 2002 až 2050. J. Environ. Manag. 231, 397–404 (2019).

Durner, G. M. a kol. Predikcia distribúcie biotopov ľadových medveďov 21. storočia z globálnych klimatických modelov. Ecol. Monogr. 79, 25–58 (2009).

Yovovich, V., Allen, M. L., Macaulay, L. T. & amp Wilmers, C. C. Využitie priestorových charakteristík apexovej masožravej komunikácie a reprodukčného správania na predpovedanie reakcií na budúci vývoj človeka. Biodivers. Conserv. 29, 2589–2603 (2020).

Muhly, T. B. a kol. Funkčná reakcia vlkov na ľudský vývoj v boreálnej Severnej Amerike. Ecol. Evol. 9, 10801–10815 (2019).

Zeller, K. A., Wattles, D. W., Conlee, L. & amp Destefano, S. Reakcia samíc čiernych medveďov na cestnú sieť s vysokou hustotou a identifikácia miest na dlhodobé zmierňovanie následkov ciest. Anim. Conserv. https://doi.org/10.1111/acv.12621 (2020).

Morales-González, A., Ruiz-Villar, H., Ordiz, A. & amp Penteriani, V. Veľké šelmy žijúce vedľa človeka: Medvede hnedé v krajinách upravených človekom. Glob. Ecol. Conserv. 22, 1–13 (2020).

Maletzke, B. a kol. Puma reaguje na gradient ľudského vývoja. Ekosféra 8, 1–14 (2017).

Barrington-Leigh, C. & amp Millard-Ball, A. Storočie rozrastania sa v USA. PNAS https://doi.org/10.1073/pnas.1504033112 (2015).


Pozri si video: Zobacz rozpad promieniotwórczy na własne oczy