Viac

Rastúca chyba zo západu na východ pri prekrývaní rastra a tvaru

Rastúca chyba zo západu na východ pri prekrývaní rastra a tvaru


Používam tvar Rakúska z gadm.org, ktorý chcem prekryť súborom netCDF v R. Pretože netCDF premietlo súradnice v EPSG: 31287, premietol som tvar pomocou FWtools a .proj4-string z spatialreference. org.

Bohužiaľ tvar nezodpovedá rastrovým údajom: Najlepšie sa hodí na západ a chyba rastie vo východnom smere (tvar má väčší rozsah vo východnom smere ako raster). Rozsah sever / juh je správny. Nejaké nápady, čo by mohlo byť zlé? Už som sa snažil hrať slon_0hodnoty, ale pokiaľ som správne informovaný, spôsobuje to iba všeobecný posun.


Koľko máte kompenzácie?

Ak je to asi 100 metrov, môžete zaznamenať posunutie nulového bodu. Je možné, že súbor netcdf nemá parametre towgs84, zatiaľ čo váš reprojektovaný tvarový súbor môže mať. Pre MGI sú k dispozícii rôzne parametre towgs84.

Mimochodom, FWtools je už zastaraný. Pre Windows použite najnovšie verzie GDAL z http://www.gisinternals.com/release.php


Úvod

Aluviálne / diluviálne ventilátory sú sedimentárne formy reliéfu, ktoré sa vyvíjajú na úpätí horských frontov, kde vznikajú obmedzené napájacie toky zachytávaním a uvoľňovaním ich nánosov sedimentov do neobmedzených zón (Bull 1977 Clevis et al. 2003). Rozširujúc svoje sily vyžarujúcim vzorom z jedného vrcholu, vytvárajú kanály zložitých tvarov, ako sú mriežkované a dendritické. Tieto typy ventilátorov sú bežné fluviálne reliéfy spojené s činnosťou prívalových tokov, ktoré môžu byť predmetom rôznych procesov prúdenia (Santo et al. 2015 Sancho et al. 2008). Procesy erózie sú zložité a sú ovplyvnené mnohými faktormi.

Mnoho štúdií sa zameralo na pochopenie erózie pôdy na aluviálnom ventilátore. Na jednej strane sa vývoj naplavených ventilátorov študuje pomocou kombinácie geomorfologických a sedimentologických techník, pri ktorých sa rekonštruujú modely erózie (Roberts a kol. 1999 Tipping a Halliday 2010 Yang a kol. 2011). Na druhej strane niekoľko štúdií využilo kapacitu sedimentárnych nádrží na zadržanie erodovaného materiálu a odvodilo erózne toky z výpočtov regionálnej hmotnostnej bilancie (Kuhlemann et al. 2002 Barnes a Heins 2010 Hinderer 2012). Na odvodenie strednej hodnoty denudácie možno použiť povrch povodia, objem a vek erodovaných sedimentov usadených na jeho výstupe. Priestorové a časové variácie strednej denudačnej rýchlosti možno preložiť do variácií tektonického vzostupu alebo klimatických síl (Kuhlemann et al. 2002 Barnes a Heins 2010). Niektorí výskumníci ďalej merali priemerné rýchlosti erózie, vývoj krajiny a rýchlosti pozdvihnutia na základe koncentrácií kozmogénneho nuklidu 10 Be a 26 Al, ktoré sú obzvlášť užitočné na odhad dlhodobých „základných“ rýchlostí erózie. Je to tak preto, lebo koncentrácie kozmogénneho nuklidu nie sú citlivé na posledné zmeny, ktoré odrážajú dlhodobý tektonický proces hraníc platní (Granger a kol. 1996 Nishiizumi a kol. 2005). Tieto metódy sú významné a kritické na odhalenie denudačnej rýchlosti a umiestnenia diluviálnych ventilátorov v geologickom procese, ale nie sú vhodné na krátkodobú eróziu pôdy vyvolanú dažďovými zrážkami.

Iní vedci navrhli niekoľko kvantitatívnych modelov na analýzu procesu erózie pôdy vyvolanej zrážkami (Merritt a kol. 2003 Aksoy a Kavvas 2005 de Vente a Poesen 2005 Cuomo a kol. 2015, 2016). Tieto modely možno rozdeliť do troch kategórií: empirické, koncepčné a fyzicky založené. Na rozpoznanie zdrojových oblastí erózie pôdy sa často používajú empirické modely, medzi také modely patrí známa rovnica univerzálnej straty pôdy (USLE Wischmeier a Smith 1978) a model SEdiment Delivery Distributed (SEDD) (Ferro a Porto 2000). Všetky empirické modely nemôžu zohľadňovať depozíciu a remobilizáciu sedimentov, čo obmedzuje použitie týchto modelov. Koncepčné modely zahŕňajú všeobecný popis procesov spádovej oblasti bez zohľadnenia konkrétnych podrobností interakcií procesu spádovej oblasti (Sorooshian 1991), napríklad model AGriculture NonPoint Source (AGNPS) (Young et al. 1989). Nevýhody koncepčných modelov spočívajú v tom, že kalibrácia sa líši v závislosti od lokality a že vlastnosti pôdy a charakteristiky zrážok sa berú do úvahy nepriamo (Cuomo et al. 2015). Fyzikálne založené prístupy popisujú vlastnosti a interakcie všetkých procesov vyvolaných zrážkami v povodí. Presné predpovede ročného odtoku a straty pôdy na základe európskeho modelu erózie pôdy (EUROSEM Morgan a kol. 1998) uvádzali Veihe a kol. (2001) pre niektoré povodia v Strednej Amerike. Jedným z najviac povzbudzujúcich fyzicky založených modelov je model erózie pôdy LImburg (LISEM De Roo a kol. 1996 De Roo a Jetten 1999), ktorý sa aplikoval na malé (<10 km 2 Hessel a kol. 2003) a stredné -rozmerných (> 50 km 2 Baartman et al. 2012) horských povodí, hodnotila však výkonnosť a neistoty LISEM voči kvantitatívnym odhadom výpustí a koncentrácie tuhých látok. Hlavnými nevýhodami tohto modelu kategórie je, že sú potrebné zodpovedajúce kalibrácie pre rôzne udalosti odtoku z rozsahu a že strata pôdy môže byť nadhodnotená (Hessel et al. 2006).

Vo väčšine skutočných prípadov sú k dispozícii veľmi obmedzené informácie, ako napríklad špičkový výtok (vody a sedimentov) a koncentrácia sedimentu, takže kalibrácia každého modelu erózie je dosť zložitá a neistá (Cuomo et al. 2016). Zložitosť modelu je ďalej určená podrobnosťami simulovaných procesov povodia (Merritt et al. 2003). Komplexné modely trpia problémami s akumuláciou chýb a identifikovateľnosťou modelu v dôsledku nadmernej parametrizácie (Beven 1989). Preto je potrebné predložiť praktické a efektívne hodnotenie metódy erózie pôdy.

Ľudské stavby, ako sú potrubia a železnice, sa zvyčajne nachádzajú na nábežnej hrane diluviálneho ventilátora, pretože objem vody je pomerne nízky a terén je pomerne rovný. Je dobre známe, že priestorové a časové rozdelenie diluviálnych depozitov vo vzťahu k vývoju eróznej vpuste (Eriksson et al. 2000) a erózia počas formovania a vývoja fanúšikov riedenia majú veľký vplyv na ľudské činnosti. Neexistujú však presné a široko použiteľné metódy na hodnotenie citlivosti na eróziu na nábežnej hrane diluviálnych ventilátorov pod prerušovanými riekami. Mapy citlivosti pre rôzne procesy zvyčajne delia terén na zóny s rôznou pravdepodobnosťou, že môže dôjsť k určitému typu procesu (Corominas et al. 2013). Preto je dôležité hodnotiť pôdnu eróziu nábežnej hrany diluviálneho ventilátora pod prerušovanými riekami počas stabilného obdobia.

Táto štúdia navrhuje metódu na hodnotenie citlivosti pôdnej erózie. Metóda sa aplikuje na hodnotenie citlivosti pôdnej erózie v nadložnom diluviálnom ventilátore plytkých podzemných potrubí a výsledky hodnotenia sa porovnávajú so skutočnými technickými výsledkami. Ďalej sa diskutuje o mechanizme erózie pôdy podľa veľkosti častíc a cementácie.


Test RUSLE a kľúčových faktorov ovplyvňujúcich použitie GIS a metód pravdepodobnosti: Prípadová štúdia v národnej prírodnej rezervácii Nanling v južnej Číne

Hlavným účelom tejto štúdie bolo otestovať výkonnosť revidovanej univerzálnej rovnice straty pôdy (RUSLE) a pochopiť kľúčové faktory zodpovedné za generovanie pôdnej erózie v Národnej prírodnej rezervácii Nanling (NNNR) v južnej Číne, kde sa pôdna erózia zmenila. veľmi vážny ekologický a environmentálny problém. Kombináciou údajov RUSLE a geografického informačného systému (GIS) sme najskôr vytvorili mapu rizika erózie pôdy na úrovni pixelov s rozlíšením 30 m s predpovedanými faktormi. Potom sme použili po sebe nasledujúce satelitné snímky Landsat 8 na získanie priestorového rozloženia štyroch typov pôdnej erózie a vykonali sme pozemnú kontrolu pravdy RUSLE. Na tomto základe sme inovatívne vyvinuli model pravdepodobnosti, aby sme preskúmali vzťah medzi štyrmi typmi pôdnej erózie a kľúčovými ovplyvňujúcimi faktormi, identifikovali oblasť s vysokou eróziou a analyzovali dôvod rozdielov odvodených z RUSLE. Výsledky ukázali, že celková presnosť interpretácie obrazu bola prijateľná, čo by sa dalo použiť na vyjadrenie v súčasnosti skutočného priestorového rozloženia pôdnej erózie. Kontrola pozemnej pravdy naznačila určité rozdiely medzi priestorovým rozdelením a triedou pôdnej erózie odvodenej z RUSLE a skutočnou situáciou. Výkonnosť RUSLE bola neuspokojivá, produkovala rozdiely a dokonca aj niektoré chyby, ak sa použili na odhad ekologických rizík, ktoré predstavuje erózia pôdy v rámci NPR. Nakoniec sme vytvorili pravdepodobnostnú tabuľku, ktorá odhaľuje stupeň vplyvu každého faktora na rôzne typy pôdnej erózie a kvantitatívne objasňuje dôvod vzniku týchto rozdielov. Navrhli sme, aby sa pred hodnotením rizika pôdnej erózie v regióne určil typ pôdnej erózie a kľúčové ovplyvňujúce faktory.

1. Úvod

Erozia pôdy je vo svete dôležitým environmentálnym problémom, ktorý vedie k zničeniu pôdnych zdrojov, poklesu úrodnosti pôdy, zhoršeniu ekologického prostredia a zvýšeniu koryta riek tak, aby sa zhoršili povodne [1–4]. Pokiaľ ide o južnú Čínu, oblasť pôdnej erózie sa uvádza okolo 300 000 km 2, ktorá sa distribuuje hlavne v horských alebo kopcovitých oblastiach červenej pôdy, z čoho rýchlosť pôdnej erózie môže dosiahnuť 15 000 t · km −2 · rok 11 [ 5]. Pôdna erózia v tejto oblasti, najmä zrýchlená pôdna erózia vyvolaná ľudskou činnosťou, je mimoriadne závažná a má obrovský sociálno-ekonomický dopad. Preto je južná Čína dlho dôležitým regiónom pre výskum pôdnej erózie.

Existuje mnoho metód na hodnotenie erózie pôdy v rôznom rozsahu [6–9]. Revidovaná univerzálna rovnica straty pôdy (RUSLE) je najbežnejšie používaným empirickým modelom pre svoju jednoduchú, transparentnú a robustnú štruktúru modelu a kompatibilitu s geopriestorovými platformami [10, 11]. V poslednej dobe sa v mnohých štúdiách uvádza, že predpovedajú eróziu pôdy kombináciou systému RUSLE a geografického informačného systému (GIS) [12–17]. Napríklad Fayas a kol. [18] vyhodnotili maximálnu priemernú ročnú eróziu pôdy 103,7 t · ha −1 · r 11 v Kelani Povodie rieky na Srí Lanke. Panagos a kol. [19] vyhodnotili priemernú mieru straty pôdy v oblastiach Európskej únie náchylných na eróziu 2,46 t · ha −1 · r 1. Zerihun a kol. [20] klasifikovali SZ Etiópiu do piatich tried závažnosti pôdnej erózie a odhadovali celkovú stratu pôdy na 526 996 t · ha −1 · r 11. Preskúmanie týchto štúdií ukazuje, že väčšina sa zamerala na kvantitatívne hodnotenie straty pôdy, zatiaľ čo málokto uvažoval nad kontrolou pravdy RUSLE a základnými kľúčovými ovplyvňujúcimi faktormi pôdnej erózie.

Samotná aplikácia modelu pôdnej erózie v regióne by mohla spôsobiť veľa veľkých rozdielov pri riešení lokalizovaných problémov s eróziou. Je to preto, že priemerná miera straty pôdy môže byť v prípustných medziach, zatiaľ čo problém môže byť lokálne závažný, t. J. Model erózie by mohol podceniť riziko erózie v niektorých jednotkách krajinnej pokrývky v povodí. Preto je kontrola pravdy na zemi mimoriadne dôležitá a musí sa vykonať po aplikácii predpovedaného modelu. Hlavnými faktormi ovplyvňujúcimi pôdnu eróziu sú podnebie, topografia, pôda, vegetácia, geológia a ľudské činnosti [21, 22]. RUSLE závisí iba od piatich faktorov, t. J. Erozivita zrážok (R), erodovateľnosť pôdy (K), dĺžka svahu a strmosť (LS), správa krytia (C.) a podporná prax (P) je tu teda možnosť zanedbania niektorých ďalších dôležitejších prvkov, ktoré ovplyvňujú miestnu eróziu pôdy, ako je svah, litológia a vzdialenosť odtokových sietí. Pre rôzne povodia sú kľúčové faktory zodpovedné za generovanie pôdnej erózie zjavne veľmi odlišné. Wu a Wang [23] študovali vzťah medzi pôdnou eróziou a ovplyvňujúcimi faktormi v okrese Fuyang v Číne a zistili, že pôdna erózia vykazovala vysokú selektivitu geografických faktorov, ako sú nadmorská výška, sklon, aspekt a využitie pôdy. Ma a kol. [24] zistili, že vplyv modelu využívania pôdy na distribúciu pôdnej erózie je čoraz dôležitejší, a navrhli, aby sa pri kontrole pôdnej erózie venovala väčšia pozornosť úlohe úprav a optimalizácie štruktúry využívania pôdy. Bohm a Gerold [25] potvrdili dôležitú úlohu vegetácie pri erózii pôdy a zistili malý vplyv na štruktúru a sklon pôdy. Li a Tang [26] zistili, že ľudská činnosť bola veľmi dôležitým faktorom na dolnom toku rieky Jinsha v Číne. Sachs a Sarah [27] zdôraznili, že erózia pôdy bola silne ovplyvnená typom pôdy, rýchlosťou svahu a typom vegetácie a pokrytím. Wang a kol. [28] kvantitatívne testovali vzťah medzi celkovou pôdnou eróziou a faktormi životného prostredia v Národnej prírodnej rezervácii Nanling v Číne a zistili, že pôdna erózia sa distribuuje hlavne v konkrétnom rade environmentálnych faktorov, ako je nadmorská výška 500–1300 m, červená a zarastená lúka a svah & gt40. Ďalej sa však nezaoberali vzťahom medzi rôznymi typmi pôdnej erózie (erózia koryta, erózia plechu, erózia žľabu a erózia vyvolaná človekom) a environmentálnymi faktormi. Medzitým neodhadli celkovú ročnú potenciálnu stratu pôdy pomocou modelu RUSLE, a teda netestovali aplikáciu RUSLE v NNNR. Preto je pred modelovaním erózie nevyhnutné nielen ustanoviť jednotky krajinnej pokrývky, ktoré majú vysokú mieru erózie, ale tiež určiť základné ovplyvňujúce faktory erózie pôdy.

Celkovým cieľom tejto štúdie bolo posúdiť riziká erózie pôdy kombináciou RUSLE, GIS a RS, otestovať výkonnosť RUSLE a pochopiť kľúčové faktory zodpovedné za generovanie erózie pôdy. Konkrétne ciele boli tieto: (i) odvodiť priestorové rozloženie a typ pôdnej erózie z RS a techník merania v teréne, (ii) zmapovať riziko pôdnej erózie integráciou RUSLE a GIS, (iii) otestovať výkon RUSLE prostredníctvom pozemnej kontroly pravdy a (iv) porozumieť kľúčovým faktorom zodpovedným za generovanie pôdnej erózie a dôvodom rozdielov odvodených z RUSLE pomocou GIS a vyvinutej metódy pravdepodobnosti. Na dosiahnutie týchto cieľov bola ako študijná oblasť vybraná Národná prírodná rezervácia Nanling (NNNR), ktorá sa nachádza v severnej provincii Kuang-tung v južnej Číne. Kvôli komplexnej funkcii prírodných a umelých faktorov trpí táto oblasť mnohými environmentálnymi problémami, ako je erózia pôdy, ničenie pôdnych zdrojov, pokles úrodnosti pôdy a zhoršovanie ekologického prostredia.

2. Materiály a metodika

2.1. Charakteristika študijnej oblasti

Ako miesto prípadu bola vybraná národná prírodná rezervácia Nanling (NNNR) (obrázok 1), ktorá sa rozkladá na ploche 583,68 km 2 v severnej provincii Kuang-tung v južnej Číne. Litologicky sú granitické horniny rozšírené v oblasti Nanling, najmä jurský granitoid má najširšiu oblasť. Topografia je zložitá a riadená východo-západnou horskou štruktúrou s prevýšením od 202,1 m do 1902 m. Seizmické zrýchlenie v študovanej oblasti je 0,05 g. Uhol sklonu sa pohybuje od 0,0 ° do 64,3 ° s priemerom 19,5 °. Vodný systém je dendritický a možno ho zhruba rozdeliť do piatich úrovní (obrázok 1). Z východu na západ sa rozprestierajú dve hlavné povodia: rieka Nanshui a Chengjia. Táto oblasť má zreteľnú vertikálnu zonalitu štyroch hlavných pôdnych poriadkov (červená pôda, červeno-žltá pôda, žltá pôda a kríková lúčna pôda). Vegetácia sa pohybuje od subtropických vždyzelených listnatých lesov po alpské lúky. V súčasnosti je pokrytie lesov viac ako 90%.


Výsledky

Kompletná špecializácia hostiteľa je zriedkavá

Najprv sme charakterizovali úrovne špecializácie hostiteľa pozorované v S. hermonthica populácie v celej Afrike. Stupeň špecializácie hostiteľa bol veľmi variabilný v rámci 27 skúmaných populácií (obr. 2). Populácie boli charakterizované vysokou mierou výskytu iba u prosa alebo ciroku, vysokou mierou výskytu u dvoch hostiteľov alebo vysokou mierou výskytu u všetkých troch hostiteľov (obr. 2). Hierarchické zhlukovanie s hraničnou hodnotou 0,5 ukázalo päť skupín: proso špecialisti (skupina 1 n = 2), proso / cirok (skupina 2 n = 3), špecialisti na cirok (skupina 3 n = 7), vysokovýkonní odborníci ( Skupina 4 n = 3) a špecialisti na kukuricu / cirok (skupina 5 n = 10 Obr. 2). Okrem vysokovýkonných všeobecných odborníkov všetky skupiny zahŕňali populácie najmenej z dvoch štúdií, čo naznačuje, že rozdiely medzi štúdiami nevytvárali silné zoskupenie. S výnimkou proso špecialistov z Bambey v Senegale mala väčšina populácií miernu alebo nízku úroveň špecializácie, čo naznačovali hodnoty indexu párovej diferenciácie (obr. 2B). Tieto výsledky naznačujú, že hoci sa parazity môžu miestne adaptovať na bežne kultivované druhy hostiteľa, úplná špecializácia je zriedkavá.

Distribúcia hostiteľských komunít formuje špecializáciu

Potom sme skúmali, či by distribúcia hostiteľských komunít v rôznych prostrediach mohla formovať vývoj špecializácie hostiteľa (Q1). S. hermonthica- regióny na pobreží pokrývali približne 628 miliónov hektárov, z ktorých sa podľa odhadov na 80% pestovala nenulová kukurica, proso alebo cirok. Modely rastlinnej výroby všeobecne sledovali gradienty zrážok, pričom väčšia plocha pôdy bola vysadená proso vo vyprahnutých oblastiach Sahelu, cirok dominoval v nižších zemepisných šírkach a vo východnom Sudáne a kukurica sa najčastejšie vyskytovala vo viac mesických oblastiach (obr. 2). V roku 2000 boli vo väčšine prípadov dominantnou plodinou cirok alebo kukurica S. hermonthica-pôrodné plochy (38% cirok 38% kukurica), pričom 24% plôch charakterizuje proso ako hlavnú obilnú plodinu.

Špecializácia pozorovaná v experimentoch bola silne spojená s priestorovými zmenami v spoločenstvách hostiteľských plodín (obr. 3A – C). U parazitov na všetkých troch hostiteľoch bola relatívna plocha hostiteľskej plodiny zozbieraná v okruhu 50 km silným prediktorom priemerného relatívneho výskytu v experimentálnych štúdiách. Tento nález bol zvlášť výrazný pre proso (strproso & lt 0,001 púroda_oblasť = 1,02 LMM Podporné informácie). Relatívna vyťažená plocha plodín bola tiež štatisticky významným prediktorom priemerného relatívneho výskytu na ciroku (scirok = 0,04 púroda_oblasť = 0,22 LMM) a kukurice (strkukurica = 0,04 púroda_oblasť = 0,23 LMM Podporné informácie). Tieto výsledky sú v súlade so záverom, že paraziti sa prispôsobujú najhojnejšiemu hostiteľovi v konkrétnej oblasti, a tiež naznačujú, že relatívny výskyt parazitov je primeraným zástupcom vhodnosti (obr. 1).

Špecializácia hostiteľa môže štruktúrovať distribúciu parazitov

Naše analýzy poskytli malú podporu pre pozitívny vzťah medzi špecializáciou a výskytom parazitov na rôznych hostiteľoch (Q2 obr. 3D – F). V okruhu 50 km od všetkých 27 lokalít s údajmi o výskyte parazitov malo 15 lokalít najmenej jeden záznam o výskyte parazita s informáciami o hostiteľovi pôvodu. Podiel záznamov o konkrétnom hostiteľovi pre tieto 15 Striga populácie nebol štatisticky významný prediktor výskytu na kukurici (skukurica = 0,07 pvýskyt= 0,18 LMM), proso (strproso = 0,06 pvýskyt = 0,21 LMM) alebo cirok (strcirok = 0,57 pvýskyt = 0,05 LMM Podporné informácie). Dostupnosť ďalších údajov o výskyte parazitov a údaje o výkonnosti by mohli odhaliť silnejší vzťah medzi špecializáciou a modelmi výskytu parazitov na rôznych hostiteľoch.

Abiotická nika parazita odráža toleranciu prostredia hostiteľa

Aby sme charakterizovali abiotický základ vzorov špecializácie hostiteľa, vytvorili sme modely environmentálnych výklenkov (ENM) pre potenciálne hostiteľské populácie parazitov vylúčením všetkých výskytov s neznámym hostiteľom alebo s nefokálnym hostiteľom (podporné informácie). Napriek menšiemu počtu pozorovaní v porovnaní s modelom s úplným výskytom mali ENM dobrú prediktívnu presnosť pre každý z modelov špecifických pre hostiteľa. Plocha pod krivkou prevádzkových charakteristík prijímača (AUC) pre testovaciu súpravu bola 0,848 pre model s úplným výskytom (n = 1049) v porovnaní s 0,850 pre model s obsahom iba ciroku (n = 262), 0,908 pre model s obsahom iba proso ( n = 157) a 0,841 pre model iba s kukuricou (n = 74).

Modelované výklenky vo všeobecnosti odrážali známe environmentálne tolerancie hostiteľov, pričom modely špecifické pre proso predpovedali vysokú vhodnosť biotopov v prostredí s nízkym obsahom dusíka (N), prostredie s nízkymi zrážkami, ale modely špecifické pre kukuricu predpovedajúce vyššiu vhodnosť biotopu v prostrediach charakterizovaných pôdami bohatšími na dusík a vyššími zrážkami. (Obr. 4A – D). U všetkých druhov hostiteľa patrili ročné zrážky a pôda N spravidla k najdôležitejším prediktorom výskytu parazitov (podporné informácie). Ročné zrážky boli najbežnejším faktorom obmedzujúcim vhodnosť biotopu na parazitizáciu kukurice S. hermonthica (59% všetkých buniek mriežky 10. – 90. Percentil pre bunky mriežky s vhodnosťou biotopu ≥ 0,5: 854–1537 mm ročne –1), ale bol tiež silne obmedzujúci pre parazity ciroku (41% buniek 10. – 90. Percentil: 509–1197 mm yr -1) a proso (32% buniek 10. – 90. percentil: 441–1164 mm ročne –1) (podporné informácie). Dôležitým prediktorom bola aj priemerná teplota najmokrejšej štvrtiny S. hermonthica parazitujúce proso (podporné informácie) a často obmedzená vhodnosť biotopu pre populácie parazitujúcich na proso (podporné informácie). Dôležitým prediktorom bol obsah pôdnej hliny S. hermonthica výskyt na ciroku (podporné informácie), ale bol obmedzujúci iba pre populácie parazitujúce na prosoch vo východnom Sudáne a populácie parokizujúce cirok v západnom Senegale (podporné informácie). Vyšší obsah ílovitých pôd bol anekdoticky spájaný s parazitizmom na ciroku všeobecne (Mohamed et al. 2001) a v Sudáne (Wilson-Jones 1955).

Parazitické ENM odrážajú abiotické tolerancie hostiteľa. (A – D) Distribúcia environmentálnych hodnôt pre bunky mriežky v základnom prostredí (vhodnosť biotopu ≥ 0,5) pre ENM na základe podmnožín záznamov o výskyte u rôznych hostiteľov. (E) Vhodnosť biotopu (HS) ako funkcia kombinovanej produktivity hostiteľa (výnos na hektár) na miestach parazitujúcich na kukurici, proso a ciroku S. hermonthica z pozorovaní prírodnej histórie. Krivky sa prispôsobili použitím lokálnej polynomiálnej regresie. HS vrcholí na miestach s vyššou produktivitou pre parazity kukurice v porovnaní s proso alebo cirokom. (F) Špecializácia hostiteľa meraná ako index spárovaných rozdielov (PDI) pre n = 25 S. hermonthica populácie testované na výskyt v predchádzajúcich štúdiách. Tieňované oblasti v (E) a (F) označujú 90% intervaly spoľahlivosti. Ann. Zrážky: ročné zrážky (mm rok -1) Priemerná teplota. Mokré. Otázka: Priemerná teplota najvlhkejšej štvrtiny (° C) pôdy N: pôdny dusík (g kg -1) hlina: ílová frakcia (hmotnostné%).

V poľnohospodárskych aj prírodných ekosystémoch môže byť produktívnejšie prostredie spojené so zvýšenou dostupnosťou alternatívnych hostiteľov, čo uprednostňuje všeobecných (Thrall et al. 2007). Parazitizmus na kukurici bol spojený so zvýšenou kvalitou životného prostredia, pričom vhodnosť biotopov vrcholila v miestach s vyššou produktivitou plodín (obr. 4E). Kombinovaná úroda plodiny na vyťaženú plochu bola výrazne vyššia S. hermonthica parazituje na kukurici v porovnaní s prosom (p <0,001, Wilcoxonov test), ale nie v porovnaní s cirokom (p = 0,2), čo je v súlade s väčším prekrývaním medzi kukuricou a cirokom (podporné informácie). Pozorovali sme slabý trend k znižovaniu špecializácie parazitov so zvyšujúcou sa produktivitou prostredia (obr. 4F p = 0,15, test chí-kvadrát dobrej zhody pre lineárny regresný model). Dohromady sú parazitické ENM veľmi citlivé na rozdiely vo viacrozmernej tolerancii prostredia voči hostiteľom, čo je v súlade s kultiváciou hostiteľa na prechode z okrajového, teplého prostredia (perlové proso) do produktívnejšieho a chladnejšieho prostredia (kukurica).

Abiotické prechody tvarovo rozdelia odborníkov na proso a cirok

Kontrasty ENM ukazujú, kde sa výklenky hostiteľa v multivariačnom environmentálnom priestore líšia najviac. Ak je abiotické prostredie spojené so špecializáciou na hostiteľa, môžu byť odborníci najpravdepodobnejšie tam, kde environmentálne osi najsilnejšie odlišujú hostiteľov vo výklenkovom priestore (Futuyma a Moreno 1988). V súlade s touto myšlienkou kontrasty ENM silne predpovedali zmeny v S. hermonthica výkonnosť u hostiteľských druhov, pre ktoré boli predtým hlásené populácie špecializovaných parazitov (obr. 3G – H). Kontrasty ENM boli najsilnejšie spojené s priemerným relatívnym výskytom na perle (prosproso & lt 0,001 pENM = -0,68 LMM) a tiež boli významne spojené s priemerným relatívnym výskytom na ciroku (scirok = 0,0067 βENM = −0,50 LMM) (Podporné informácie). Naproti tomu špecializácia hostiteľa predpovedaná kontrastmi ENM nebola silne spojená s priemerným relatívnym výskytom na kukurici (strkukurica = 0,19, pENM = 0,15 LMM Podporné informácie).

Budúca zmena distribúcie parazitov

Aby sme preskúmali potenciálne zmeny v špecializácii hostiteľa v priebehu času, premietli sme ENM do budúceho podnebia (podporné informácie). Do roku 2050 sme predpovedali celkové zvýšenie vhodnosti biotopu pre S. hermonthica, s mediánom zvýšenia vhodnosti biotopu v jeho súčasnom rozmedzí 0,07 v rámci RCP 4,5 (p <0,001 Wilcoxonov test so znamienkom porovnania v porovnaní s vhodnosťou biotopov buniek mriežky v súčasnosti oproti roku 2050) a 0,09 v rámci RCP 8,5 (p <0,001 Wilcoxonov znamienko poradového testu ). Vhodnosť biotopov sa zvýšila najviac u populácií parazitujúcich na prosoch, nasledovaných parazitovaním na kukurici S. hermonthica (Podporujúce informácie). Zmeny vo vhodnosti biotopov boli heterogénne v celom vesmíre, mnoho regiónov v sudano-sahelskej zóne západnej Afriky sa stalo menej vhodných pre S. hermonthica a jeho hostitelia (Sultan et al. 2013), ale stredná a východná Afrika sa vo všeobecnosti stáva vhodnejšou (podporné informácie).


3. Metódy

3.1. Syntéza a rozširovanie údajov

Náš tím navštívil osem webov prípadových štúdií s

dekadické rastrové dáta LCLU odvodené od Landsatu

2000 (tabuľka 1, obrázok 2). Boli z projektu Stredná Sibír (CSIB, Bergen a kol 2003, 2008), projekt Primorsky (PRIM, Johnson 2014) a projekt Severnej Eurázie zameraný na pozemnú dynamiku (NELDA, Pflugmacher a kol 2011). Prepracovali sme rastrové údaje, aby boli triedy LCLU čo najviac porovnateľné naprieč lokalitami, a vyvinuli sme nové klasifikácie pre rok 2010. So zameraním na antropogénne triedy využitia územia sme ponechali ďalšie rastrové triedy LCLU (tabuľka 2). V týchto časových radoch existuje niekoľko medzier a väčšinou sme chýbajúce údaje nevytvorili spätne. Vytvorili sme však nové klasifikácie pre protokolovanie a požiar pre chýbajúce dátumy (tabuľka 1). Pretože nám chýbali konzistentné podrobné údaje o mestách a cestách, vytvorili sme nové dekadické vektorové údaje pre tieto antropogénne prvky pre všetky lokality a dáta. Spoločne tak vytvorili súbor údajov SYNTHESIS LCLU. Pre širší kontext a hustejšie (ročné) časové rady sme zostavili ruské štatistické údaje na úrovni provincií

1975–2010 pre sociálno-ekonomické ukazovatele reprezentujúce štúdiu antropogénne využitie krajiny (Park 2013, Rosstat 2013).

Stôl 1. SYNTÉZA údaje. Zdrojom je pôvodný projekt prípadových štúdií. Straty sú lokality SIB (Sibír) a RFE (ruský Ďaleký východ) plus stránky N (blízko) a R (vzdialene). Cesta / riadok je WRS-2. Dátum je dátum jedného alebo primárneho obrázka. Senzor je typu snímača Landsat. Písmeno „x“ označuje dostupné údaje SYNTÉZY: pre rastrové LCLU to znamená, že kompletná sada tried rastrových údajov Cut & amp Burn je buď zahrnutá v tejto sade, alebo je k dispozícii samostatne a.

Stránky Zdroj Strata Cesta / riadok Landsat WRS-2 Dátum Senzor Vektor Urban VectorRoads RasterCut a vypaľovanie zosilňovača Rastrujte všetky triedy LCLU
Tomsk CSIB SIB / N p147r20 08/30/75 MSS X X X X
09/07/89 TM X X X X
07/09/99 ETM + X X X X
09/11/10 TM X X X X
Krasnojarsk CSIB SIB / N p141r20 06/26/74 MSS X X X X
05/14/91 TM X X X X
08/18/00 ETM + X X X X
08/22/10 TM X X X X
Irkutsk CSIB SIB / N p133r23 06/21/75 MSS X X X X
08/21/89 TM X X X X
08/13/01 ETM + X X X X
08/30/10 TM X X X X
Čita NELDA SIB / N p129r24 08/22/76 MSS X X
05/28/92 TM X X X
060/1/00 ETM + X X X X
09/03/10 TM X X X X
Amur NELDA RFE / R p122r23 05/22/75 MSS X X X X
06/15/87 TM X X X X
05/15/02 ETM + X X X X
07/03/11 TM X X X X
Prímorsky PRIM RFE / N p113r29 06/30/76 MSS X X X X
Juh 09/09/89 TM X X X X
09/21/99 TM X X X X
08/13/09 TM X X X X
Prímorsky PRIM RFE / R p112r28 08/27/75 MSS X X X
Sever 06/27/88 TM X X X
06/07/01 ETM + X X X
09/12/10 TM X X X X
Sikhote-Alin NELDA RFE / R p112r25 viacnásobný MSS X X
08/13/90 TM X X X
05/18/02 ETM + X X X X
06/09/13 OLI X X X X

a Dve stránky nemajú žiadne údaje z roku 1975 z dôvodu nedostupnosti snímok MSS vhodných na klasifikáciu rastrov.

Tabuľka 2. SYNTÉZA triedy LCLU.

Definovali sme triedy LCLU rastrových syntéz na základe existujúcej schémy tried projektov CSIB / PRIM, pretože najviac predstavovali antropogénne využitie pôdy (tabuľka 2). Niektoré triedy NELDA sa zhodovali s tými, ktoré neboli, boli preškolené alebo preklasifikované (tabuľka doplňujúcich materiálov C). Reklasifikácia zahŕňala segmentáciu niektorých sústredených tried do samostatných tried pomocou obrazových údajov. Nové rastrové klasifikácie LCLU z roku 2010 boli väčšinou založené na rovnakých metódach ako pôvodné údaje pre danú lokalitu (Bergen a kol 2008, Pflugmacher a kol 2011, Johnson 2014). Údaje o školení a testovaní pre rok 2010 a weby s reklasifikáciou pochádzali zo snímok s vysokým priestorovým rozlíšením (Google a CNES / Astrium 2014) a nezmenené stránky so snímkami Landsat si zachovali starú štatistiku presnosti. Okrem celkových presností a presnosti výrobcov sme vypočítali presnosť 95% intervaly spoľahlivosti (CI) a 95% CI oblasti pevniny (Rossiter 2004, Olofsson a kol 2014).

Mapovali sme vidiecke mestské sídla a cesty ručne ako vektorové polygóny a čiary pomocou ruských topografických máp 1: 200 000 a ich triednych schém plus údajov z Landsatu (tabuľka 2, Roskartografia 1985). Údaje z máp pochádzali zo 70. a 80. rokov, a tak sme najskôr digitalizovali a označili osady a cesty na mapách. Pri mapovaní osídlenia sa použila minimálna mapovacia jednotka 0,1 km 2 (10 ha). Prekryli sme vektorové údaje na

Snímky Landsat z roku 1975, ďalšie prispôsobenie prítomnosti na ceste k danému dátumu snímky a potom ku každému nasledujúcemu dátumu v časovej sérii štúdie Landsat. V prípade mestských polygónov sme iteratívne skontrolovali, či opravíme chyby pri vynechaní alebo uvedení do prevádzky. Pokiaľ ide o dĺžku cesty, vykonali sme tiež kvantitatívne posúdenie presnosti pre rok 2010 na základe porovnania so snímkami vo vysokom rozlíšení (Google Earth a Digital Globe 2017).

3.2. Kvantifikácia a analýza

Z rastrových údajov SYNTÉZY sme najskôr kvantifikovali trendy v relatívnych pomeroch a veľkostiach antropogénnych tried vyťaženia (ťažba dreva) a poľnohospodárstva plus vypálenie v čase pre každú lokalitu. Ďalej sme ich zhromaždili do ich priradených oblastí a vrstiev blízkosti, prepočítalic štatistiky vážené podľa pozemských oblastí lokality. V niekoľkých prípadoch, keď v časovom rade SYNTÉZY chýbali údaje o výruboch alebo poľnohospodárstve, sme tieto chýbajúce hodnoty odhadli pred zhromaždením pomocou jedinej imputácie založenej na hodnotách údajov SYNTÉZY zo susedných dátumov časových radov plus ročných štatistík na úrovni provincií. Pre stránky Amur sme vypočítali podiely iba pre Rusko a pre Rusko – Čína dohromady.

From the vector urban data, we first summarized the total numbers (counts) and areas of urban polygons in each of the four SYNTHESIS Urban classes by site and date. From these, we calculated percent increase in count, area, and density for each of the four Urban classes by site and date. To characterize settlement sizes, we calculated mean area (km 2 ) and standard deviations within each of the four Urban classes by site for the 2010 date. From the vector roads data we computed total lengths and densities for each Road class by site, and then calculated percent increase in road length by road class and site. Finally, we pooled the Urban or Road data (no missing data) by strata for each date, and re-calculated area-weighted statistics. For the Amur site, we calculated statistics for Russia and China separately and combined.

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

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


Poďakovanie

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


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

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

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

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

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

EDIT Addendum

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

EDIT Addendum 2

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

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


4 odpovede 4

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

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

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

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

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

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


Analytical Approach

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

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

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

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

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