Veel

Ühendage mitu binaarset rastrit üheks rastriks

Ühendage mitu binaarset rastrit üheks rastriks


Mul on 5 erinevat liigirikkuse kaarti, millega proovin liituda, et näidata ühte sidusat kaarti. Iga liigi rasterkihi väärtused on 1 ja 0; 1 kui liik elab seal ja 0 kui liik seda ei tee.

Teisisõnu, ma tahan midagi sellist:

kui liik 1 == 1,1 kui liik 2 == 1,2 kui liik 3 == 1,3

Ja nii edasi, kuni jõuan 5. Tahan, et kõik muu klassifitseeritaks 0 -ks.

Olen rasterkalkulaatori kasutamisel väga uus ja pole kindel, kuidas seda seadistada.


Sain just aru, et see ei toimi, kuna liigid kattuvad. Pean midagi muud välja mõtlema.


See on lihtne rasterarvutus. Lisate need kõik kokku (r1+r2+r3+r4+r5) ja tulemuseks on raster, kus väärtus näitab, kui palju liike on igas lahtris. Te ei saa liike eristada, kuid see ei olnud algse küsimuse osa.

Kui soovite teha seda, peate kasutama ArcGIS -i (ruumianalüütik) tööriista Kombineeri. See loob uue unikaalse väärtusega rastrite iga sisendite ainulaadse väärtuskombinatsiooni jaoks. See unikaalne väärtus, kui see on õigesti määratud, tuvastab unikaalsete väärtuste põhjal, millised liigid on koos.


Ma pole kindel, kui praktiline see teie antud nõuetele vastab, kuid võite proovida bittide algebrat. Arvestades, et teil on piiratud arv liike, võib see toimida.

Bittide algebra töötaks seal, kus kõiki liike esindab kas 1, 2, 4, 8, 16 või nende kombinatsioon. Näiteks, kas liigid 1, 3 ja 4 on olemas, siis oleks rakk esindatud1 + 4 + 8 = 13. Seejärel saate selle päringu tagasipööramiseks kasutada täiendavaid bitipõhiseid toiminguid. Näide13 JA 1 = 1,13 JA 4 = 4,13 JA 2 = 0. Kus on bitipõhise JA hindamine> 0, võrdluskatse vastab tõele.

Lisateavet ESRI bitwise'i rakendamise kohta saate lugeda siit. ESRI rasterkalkulaatoril on bitipõhised operaatorid. Enamikul teistel GIS -i tööriistadel peaks need olema.

Arvestades aga seda, et lõpuks kohtute stsenaariumiga, kus teil on rohkem liike võiks tahaks mõelda mõnele muule meetodile. Ideaalis peaksite ökoloogilisest vaatenurgast tuvastama konkreetsed kogukondade rühmad või bioloogilise mitmekesisuse kategooriad, mis esindavad andmete kombinatsioone. (Vaadake ChrisW vastust tööriista Kombineerimine kasutamise kohta)

Teise võimalusena võiksite hoida oma kihid eraldi ja ehitada selle ümber süsteemi, mis esitab päringu iga kihi kohta eraldi, kui te ei saa kategooriaid luua.


Kliimamuutuste mõju merevetikate niitude levikule Atlandi ookeani põhjaosa kivises vahevööndis

Põhja-Atlandi ookean on soojenenud kiiremini kui kõik teised ookeanibasseinid ja kliimamuutuste stsenaariumid ennustavad, et 21. sajandi lõpuks nihkuvad merepinna temperatuuri isotermid kuni 600 km põhja poole. Kaalude vahetus on juba alanud paljude parasvöötme vetikaliikide puhul, mis on olulised loodetevahelised vundamendiliigid. Esitasime küsimuse: kus on kliimamuutustel suurim mõju kolmele põhilisele makrovetikaliigile, mis esinevad Põhja-Atlandi kallastel: Fucus serratus, Fucus vesiculosus, ja Ascophyllum nodosum? Nende peamiste liikide leviku muutuste prognoosimiseks kolme IPCC (valitsustevahelise kliimamuutuste paneeli) kliimamuutuste stsenaariumi (A2, A1B ja B1) järgi järgmise kahe sajandi jooksul koostasime programmiga MAXENT ökoloogilised nišimudelid. Mudeliprognoosid viitavad sellele, et need kolm liiki liiguvad kooslusena või „üksusena” põhja poole ja fütogeograafilised muutused on kõige märgatavamad Arktika lõunaosas ja lõunaosas. Meie mudelid ennustavad, et Arktika rannad Kanadas, Gröönimaal ja Teravmägedel sobivad aastaks 2100 kõigile kolmele liigile. 45 ° põhja pool lõuna pool asuvad kaldad muutuvad ebasobivaks vähemalt kahele loode- ja kirde-Atlandi kolmest fokaaliigist rannikut 2200. Kui need alusliigid ei suuda tõusva temperatuuriga kohaneda, kaotavad nad oma geneetilise mitmekesisuse keskused ja nende kadu käivitab Põhja-Atlandi loodetevahelise ökosüsteemi ettearvamatu muutuse.


2 KIRJELDUS

2.1 Geneetilised algoritmid

Geneetilised algoritmid (GA) pakuvad võimsat ja paindlikku stohhastilist optimeerimisraamistikku lahenduste leidmiseks nii diskreetsetele kui ka pidevatele optimeerimisprobleemidele (Holland, 1975). Bioloogilistest põhimõtetest inspireerituna loovad geneetilised algoritmid indiviidide (järglaste) populatsiooni, mille tunnused (optimeeritavad parameetrid) on kodeeritud „kromosoomidesse”. Iga indiviidi genotüübid (parameetrite kombinatsioonid) lahendavad sobivusfunktsiooni ja igast põlvkonnast sobivad isendid jäävad paljunema (Sivanandam & Deepa, 2007). GA evolutsiooniprotsessi hõlbustab uurimine ja kasutamine (Scrucca, 2013). Parameetrite ruumi uurimine toimub mutatsioonist tulenevate uute parameetrite väärtuste juhusliku genereerimise ja geneetilise teabe vahetamise kaudu ristumise teel. Ekspluateerimine vähendab populatsiooni mitmekesisust, valides igast põlvkonnast kõige sobivamad isikud. Elanikkonna areng jätkub seni, kuni on möödunud piisav arv põlvkondi ilma sobivuse paranemiseta (Scrucca, 2013).

2.2 Vastupidavuse optimeerimine

  1. Rasterisse imporditakse algne rasterpind. Kui pind on pidev, muudetakse selle skaalat vahemikku 0–10, säilitades suhtelise vahe kõikide tasandite vahel.
  2. Arenguprotsess algab juhusliku suurusega esialgse populatsiooni genereerimisega n (vaikimisi = 15 × & gt optimeeritud parameetrite arv). Pideva pinna korral määravad valitud parameetrid (1), millist kaheksast teisendusest rakendatakse (joonis 1) (2) teisenduse kuju (3) maksimaalse takistuse väärtust. Kui tegemist on kategoorilise pinnaga, klassifitseeritakse iga takistuspinna tase ümber parameetrite väärtusteks. Kõigi esialgse populatsiooni parameetrite lähteväärtused valitakse juhuslikult määratud vahemikku (vt vaikimisi tabelit 1).

Funktsioon Argumendid Vaikimisi Kommentaarid
CS.prep n.POPS Tuleb määratleda
vastus NULL Optimeerimise käivitamiseks tuleb see määratleda
CS_Point.File Tuleb määratleda
CS.programm "C:/Program Files/Circuitscape/cs_run.exe" " Windowsi vaikimisi installimiskoht
Naaber. Ühenda 8
gdist.prep n.POPS Tuleb määratleda
vastus NULL Optimeerimise käivitamiseks tuleb see määratleda
proovid Tuleb määratleda
transferFunction funktsioon (x) 1/M(x)
juhiseid 8
longlat VALE
GA.prep ASCII.rež Tuleb määratleda .asc -failid peaksid olema nende kataloogis või kompileeritud rasterpinu
Min. Maks “Max” Peab olema „max”, kui optimeeritakse ga
min. kass 0.0001
max. kass 2,500
max. sis 2,500
jätk. kuju NULL
pop.mult 15
protsenti.eliit 0.05
tüüpi “Tõeliselt hinnatud” Peab olema "tõeliselt hinnatud"
pcrossover 0.85
pmutatsioon 0.1
maksimeerija 1,000
jooksma 25
keepBest TÕSI
elanikkonnast “Gareal_Population”
valik “Gareal_lsSelection”
ristmik “Gareal_blxCrossover”
mutatsioon “Gareal_raMutation”
seeme NULL
vaikne VALE

2.3 Pidevad pinnad

(1) (2)

Geneetiline algoritm otsib teisenduste, suuruse ja kuju parameetrite kombinatsioone. Lineaarseid teisendusi pole selgesõnaliselt lisatud, kuid kõik monomolekulaarsed funktsioonid muutuvad lineaarseks, kui kuju parameeter suureneb. Sel viisil saab modelleerida lineaarseid vastuseid, suurendamata geneetilise algoritmiga hinnatud teisenduste arvu. Optimeerimise ajal on võimalik teisendused arvestusest välja jätta.

2.4 Kategoorilised pinnad

Kategoorilisi või funktsionaalseid pindu, nagu maapind või teed, saab optimeerida ka ResistanceGA abil. Pinda peetakse ResistanceGA kategoorias kategooriliseks, kui see sisaldab 15 või vähem taset. Selle protsessi jälgitavaks muutmiseks on vaja optimeerimise ajal hoida ühe taseme väärtust konstantsena. Kuna paarikaupa takistuste väärtused on suhtelised, võib ühe taseme konstantse hoidmise tulemuseks olla mitu samaväärset lahendust ja algoritm ei pruugi optimaalse lahenduseni jõuda (nt suhtelised takistuse väärtused 1, 5 ja 10 on samaväärsed 2, 10 ja 20) . Kategoorilise takistuse pinna optimeerimise kohta leiate lisateavet liitest S1.

2.5 Katlakindluse pinnad

Skaala on ruumilise ökoloogia keskne mõiste (Wiens, 1989), kuid maastiku geneetika uurimisel pole seda põhjalikult käsitletud (Galpern, Manseau ja Wilson, 2012 Keller, Holderegger ja van Strien, 2013). Üks viis skaala hindamiseks on ökoloogilised naabruskonnad (Addicott et al., 1987), kus „naabruskonna” saab määrata tuuma silumisparameetri optimeerimise kaudu. Kasutades R -paketi spatstat (Baddeley, Rubak ja Turner, 2015), kantakse Gaussi tuuma silumine kas pidevale või binaarsele takistuspinnale enne ühe kaheksa teisenduse rakendamist. Optimeeritud SD see silumine näitab selle pinna ökoloogilist naabruskonda. Skaala saab optimeerida üksikute pindadega eraldi või mitme pinnaga optimeerimise ajal iga pinna jaoks eraldi skaalasid.

2.6 Mitmepinnaga takistuse optimeerimine

ResistanceGA saab samaaegselt optimeerida mitut takistuspinda, et luua uus komposiittakistuspind. Optimeerimise käigus muudetakse mitme pinnaga analüüsi iga pinda, kasutades ülalkirjeldatud meetodeid. Seejärel liidetakse kõik muudetud pinnad kokku, moodustades ühtse komposiittakistuspinna, mida kasutatakse seejärel paarikaupa efektiivse kauguse arvutamiseks.


3 VÄRVIMUSTERI Ekstraheerimine

Värvimustrite variatsioonide uurimine nõuab värvipiiride õiget tuvastamist. patternize pakub funktsioone värvide jaotuse kategoriseerimiseks, kasutades RGB läve, k-tähendab klastrite moodustumist või valgala muutmist.

3.1 RGB lävi

Värvipiire saab piltidest või huvipakkuvast tunnusest eraldada RGB läve abil (joonised 2, 3). Valides piksleid teatud värvivahemikus (määratud RGB väärtuse ja nihkega), pakume põhilist pildisegmentimise meetodit, mis sobib hästi erinevate värvimustrite eraldamiseks. Lisaks saab erinevate värvimustrite puhul RGB väärtuse iteratiivselt ümber arvutada kui ekstraheeritud värvipikslite keskmist. See viimane lähenemisviis võimaldab mustreid hõlpsasti kombineerida, kui need on eraldatud pildikomplektidest, mis võisid olla võetud erinevates valgustingimustes, mille tulemuseks on erinevused intensiivsuses ja kontrastis.

3.2 k-Tähendab klastrite moodustumist

Rakendasime värvipõhise pildi segmentimiseks järelevalveta lähenemisviisi k-tähendab klastrite moodustumist (joonised 4, 5) (Hartigan & Wong, 1979). See algoritm määrab pikslite RGB väärtused k klastreid, määrates iteratiivselt iga pildi piksli RGB klastrile, mis minimeerib piksli ja klastri keskuste vahelise kauguse. Klastri keskused arvutatakse igal iteratsioonil ümber, keskmistades klastri kõik pikslid kuni lähenemiseni. Rakendasime k-tähendab rühmitamist R -paketi statistika abil (R Development Core Team, 2013). Klastrid saadakse esmalt võrdluspildilt ja kasutatakse seejärel algse klastrikeskusena k-tähendab hiljem analüüsitud piltide rühmitamist. See võimaldab programmil sobitada klastrid, mis kujutavad erinevatel piltidel sama värvimustrit. Sest k-tähendab klastrite moodustamist, klastrite arv tuleb määratleda käsitsi. Organismide puhul, millel on vähem selged mustripiirid, on seda kõige parem teha, katsetades erinevat kogumit klastreid ja valides numbri, mis määrab kõige paremini pikslid värvimustritele.

3.3 Veekogu ümberkujundamine

Vesikonna teisendamine on võimas tööriist piltide segmenteerimiseks (joonis 6 Beucher, 1991). Valgala mõiste käsitleb pilti kui topograafilist kaarti, arvutades kõrgete väärtustega gradiendikaardi pildi osades, kus pikslite väärtused muutuvad järsult (joonis 6b). Seejärel levib üleujutusprotsess mustri- ja taustmärgiseid, mida juhib gradiendikaart. Jätkates üleujutusi, kuni muster ja taustmärgid kokku puutuvad, määratakse vee eraldusjooned (topograafia servad), mida kasutatakse pildi segmenteerimiseks (joonis 6c). Rakendasime valgala algoritmi koos R -paketi pildistaja utiliitidega (Barthelme, 2017), mis põhineb pilditöötlusraamatukogul CImg (Tschumperle, 2004). Meie rakenduses valitakse mustri- ja taustasildid, tuvastades käsitsi vähemalt ühe mustri ja ühe taustapiksli (vähemalt üks iga eraldi mustri ja taustaelemendi kohta). See käsitsi määramine aitab kasutajal ületada võimalikud erinevused kujutise välkudes, pimestamises või mustri ja tausta RGB väärtuste kattumises.


2 NÄITED

colorist impordib otse värviruumi (Zeileis jt, 2019), ggplot2 (Wickham, 2016), magrittr (Bache & Wickham, 2014), raster (Hijmans, 2020), skaalad (Wickham & Seidel, 2019), statistika (R Core Team) , 2020) ja tidyr (Wickham & Henry, 2020) paketid ja töötab rastriandmete virnade kallal. Rasterkihid võivad esindada liikide jaotuse või kasutamise jaotuse järjestatud ajalist järjestust. Teise võimalusena võivad rastrikihid kujutada ühe ajavahemiku jooksul mitme liigi või üksikisiku järjestamata jaotuste kogumit. Tüüpiline töövoog sisaldab nelja etappi: (a) mõõdikute arvutamine, (b) paleti valimine, (c) kaardi koostamine ja (d) legendi koostamine. Siin illustreerime koloristlike funktsioonide kahte võimalikku kasutamist.

2.1 Kaardistage liikide levik aastase tsükli jooksul

Kasvab huvi metsloomade leviku iseloomustamiseks kogu aastase tsükli vältel-mitte ainult üheks või kaheks hooajaks-, et paremini mõista, kus ja millal populatsioonid on haavatavad (Marra, Cohen, Loss, Rutter ja Tonra, 2015). Traditsiooniliselt sisaldasid kohalike liikide levialakaardid ühte värvipliiti koos poliitiliste piiridega, mis näitasid, kus liike võib aastaringselt leida. Rändliikide levilakaardid sisaldasid mitut värviplokki, mis näitavad, kus liike võib erinevatel aastaaegadel leida.

Siin kasutame Field Sparrow jaoks eBirdi oleku ja suundumuste koondandmeid Spizella pusilla (Fink et al., 2020), et illustreerida teistsugust strateegiat iga -aastaste tsüklikaartide loomiseks, mis kasutab liikide leidmise kohta kirjeldamiseks pigem pidevaid esinemissagedusi kui kategoorilisi olemasolu -puudumise andmeid. Põldvarblast peetakse osaliselt rändliigiks, mõned populatsioonid liiguvad aastaringselt, teised aga paigal. See eluloo strateegia toob kaasa heterogeensuse, millal, kus ja kui järjekindlalt võib linde aegruumis leida.

Pärast koloristide kogu laadimist pääseme juurde fiespa_occ andmekogum. See sisaldab 12 rastrikihti, üks iga kuu kohta. Iga kihi lahtrite väärtused näitavad põldvarblase esinemise modelleeritud tõenäosust. Me kasutame metrics_pull funktsioon, et teisendada virna esinemisväärtused intensiivsusväärtusteks, mis jäävad vahemikku 0 (st 0 esinemise tõenäosust) kuni 1 (st virna maksimaalne esinemisväärtus). Koloristides kasutame normaliseeritud andmeväärtuste üldise kirjeldusena „intensiivsust”, mis võib peegeldada esinemise tõenäosust, arvukust, tihedust või tõenäosustihedust. See mõõdikute „tõmbamise” protsess säilitab teabe algses virnas, valmistades samal ajal ette kihte järgnevaks visualiseerimiseks.

Järgmisena loome värvipaleti, et edastada ajalist teavet Field Sparrow esinemise kohta. Me kasutame palett_ajatsükkel paleti genereerimiseks, kuna andmed esindavad järjestatud jaotuste jada, mis ringleb tagasi (st detsembri andmed on ajaliselt novembri ja jaanuari andmetega külgnevad). Üksikute tahkude jaotuste visualiseerimiseks pakume map_multiples funktsioon koos jaotusmõõdikute ja paleti teabega. Graafiku struktuuri ja iga jaotuse silte saab täpsustada, kasutades ncol ja sildid argumendid vastavalt.

map_multiples (m1, p1, ncol = 4, sildid = nimed (fiespa_occ))

Intensiivsuse väärtused visualiseeritakse raku hägususe varieerumisega ja kuud tähistatakse erinevate toonidega (joonis 1a). Toonide määramiseks kasutatakse HCL-st tuletatud värvipalete, mitte RGB (punakasroheline-sinine) või HSV (tooni küllastusväärtus) värvipalete, sest need võimaldavad hõlpsasti võrrelda sarnaseid andmeväärtusi erinevates toonides ( Zeileis, Hornik ja Murrell, 2009). HCL-st pärit palettide abil on lihtne genereerida sarnaste tajumiskaaludega kollaseid ja siniseid. Seevastu „kollased” paistavad enamikus RGB- ja HSV-värvipalettidest heledamad kui „sinised”.

Ühe aastase tsükli kaardi genereerimiseks, mis sünteesib aeg -ajalt teavet põldvarblase esinemise kohta, „destilleerime” jaotusteavet rasterkihtide vahel metrics_distill. The metrics_distill funktsioon arvutab jaotusmõõdikud igas rasterrakus ja tagastab visualiseerimiseks kolm mõõdikut: (a) maksimaalne intensiivsus, (b) maksimaalse intensiivsuse kiht (st kiht, mis sisaldab maksimaalse intensiivsuse väärtust) ja (c) maksimaalse intensiivsuse spetsiifilisus väärtus maksimaalse intensiivsusega kihile.

kus n näitab rastrikihtide arvu, yl on intensiivsuse väärtus kihis l ja on kihtide keskmine intensiivsuse väärtus. Spetsiifilisuse väärtused võivad olla vahemikus 0 kuni 100. Väärtused 0 näitavad, et intensiivsuse väärtused on kõikides kihtides identsed. Väärtused 100 näitavad, et intensiivsuse väärtused on piiratud ühe kihiga.

Spetsiifilisuse väärtuste tõlgendamine sõltub uuritavate andmete olemusest. Põldvarblase puhul, kus rastrikihid kirjeldavad liigi levikut erinevatel aastaaegadel, näitavad spetsiifilisusväärtused hooajalisust (st 0 = stabiilne aastaringne esinemine, 100 = väga hooajaline esinemine) ja neid visualiseeritakse erinevate kroomiväärtuste (st täisarvud vahemikus 0 kuni 100) meie värvipaleti piires.

Iga -aastase tsükli kaardi loomiseks kasutame map_single funktsioon, mis ühendab meie levitamismõõdikud ja paleti teabe. Seejärel loome legendi kasutades legend_timecycle, funktsioon, mis nõuab loodud andmekaadrit palett_ajatsükkel.

legend_timecycle (p1, origin_label = “1. jaanuar”)

Kasutades oma kaarti (joonis 1b) ja legendi (joonis 1c), saame nüüd leida põldvarblased ruumis ja ajas, pidades meeles, et spetsiifilisus näitab põldvarblaste esinemiste hooajalisust.

2.2 Mitme isiku jaotuste kaardistamine sama ajavahemiku jooksul

Eelmises näites kasutasime koloristi, et uurida ühe liigi jaotust mitme ajavahemiku jooksul. Võimalikud on ka teised koloristlike funktsioonide kontseptualiseerimine ja kasutamine. Näiteks võib koloristi kasutada ka mitme liigi või isendi leviku uurimiseks ühe ajavahemiku jooksul. Siin kasutame Aafrika elevantidelt kogutud GPS -i jälgimisandmeid Loxodonta africana aastal Etosha rahvuspargis Namiibias, et uurida, kuidas kaks isikut aasta jooksul maastikku kasutasid (Tsalyuk, Kilian, Reineking ja Getz, 2019).

Alustuseks laadime elevant_ud andmekogum, mis sisaldab kahe inimese (LA11 ja LA14) kasutusjaotust. Kuna kasutusjaotused moodustavad korrastamata kogumi (st neid ei pea esitama mingis kindlas tsüklilises või lineaarses järjestuses), kasutame palette_set funktsioon neile värvide määramiseks. Seejärel kaardistame kaks jaotust, kasutades map_multiples lisades samal ajal visuaalselt rõhku harva kasutatavatele aladele lambda_i argument ja lisades igale kaardile identifikaatorid sildid vaidlus.

map_multiples (m2, p2, ncol = 2, lambda_i = −5, sildid = nimed (elevant_ud))

LA11 ja LA14 kasutusjaotused tunduvad esmapilgul märkimisväärselt sarnased (joonis 2a). Siiski saame selgemini mõista nende ruumi kasutamise sarnasusi ja erinevusi, „destilleerides” jaotusinformatsiooni kahest rastrikihist metrics_distill ja sellest tulenevate mõõdikute visualiseerimine map_single.

Enne kaardi loomist peaksime uuritavate andmete olemuse põhjal ümber kalibreerima oma arusaama spetsiifilisuse väärtuste tähendusest. Vastupidiselt põldvarblasele, kus spetsiifilisus näitas esinemiste hooajalisust, peegeldavad siin spetsiifilisuse väärtused maastiku erinevat kasutamist. Väga madalad spetsiifilisuse väärtused näitavad raku võrdset kasutamist mõlema indiviidi poolt. Väga kõrge spetsiifilisuse väärtused näitavad ainuomast kasutamist ühel isendil.

Kui kahe elevandi kasutuse jaotus oleks täpselt sama, siis ootaksime map_single toota hallide väärtuste vahemik, mis näitab, kus paar suhteliselt rohkem või vähem aega veetis. Seevastu, kui need kaks jaotust oleksid ainult pealiskaudselt sarnased, siis me ootaksime map_single toota siniseid ja punaseid rakke, mis näitavad alade ainuõiguslikku kasutamist iga inimese jaoks, ja väga vähe halli rakke, mis viitavad võrdsele kasutamisele.

map_single (m2_distill, p2, lambda_i = −5)

legend_set (p2, group_labels = nimed (elevant_ud))

Vaatamata kahe kasutusjaotuse üldisele sarnasusele kasutas mõnda kohta peaaegu eranditult LA11 (st sinised rakud) ja teisi peaaegu eranditult LA14 (st punased rakud joonis 2b), nagu on märgitud legendis (joonis 2c). Selle tulemuse tõlgendamist saame visuaalselt moduleerida täiendavate argumentide abil (nt lambda_s parameeter sisse map_single Schuetz, Strimas-Mackey ja Auer, 2020). Lisaks saame neid mustreid kontekstualiseerida, lisades kaardile teavet pannide, veeaukude, teede ja piiride kohta (Schuetz et al., 2020). geom_sf elemendid, mis on ggplot2 funktsioonid (Wickham, 2016).


3 TULEMUST

3.1 Geneetiline mitmekesisus ja populatsiooni geneetiline struktuur

Geneetilise mitmekesisuse mõõtmised varieerusid nii proovide võtmise kohtades liikide vahel kui ka nende vahel A. salicina ja A. stenophylla. Polümorfsete lookuste protsent oli vahemikus 36–76,4% A. salicina ja 46,2–83,9% A. stenophylla oodatud heterosügootsus A. salicina oli 0,117–0,216 ja 0,151–0,280 tolli A. stenophylla (Tabel 1). Kuigi erinevused ilmnesid ka liigi tasandil polümorfsete lookuste keskmise protsendi osas (55,1% A. salicina vs 64,3% jaoks A. stenophylla) ja keskmine eeldatav heterosügootsus (0,162 A. salicina vs 0,214 A. stenophylla), näitavad väikesed erinevused andmekogumite loomiseks kasutatud praimeripaarikombinatsioonides nende tulemuste võrdlemisel ettevaatust. AMOVA -d näitasid olulisi ja olulisi erinevusi mõlema liigi proovivõtukohtade geneetilises varieerumises (A. salicina: ΦPT = 0.301, 30.1%, lk = .010 A. stenophylla: ΦPT = 0.235, 23.5%, lk = 0,10). Mõlema liigi puhul avastati ka oluline kauguse eraldamine (lk & lt .001).

A. salicina A. stenophylla
Sait nr. N %P He (SE) Sait nr. N %P He (SE)
1 10 40.0% 0.117 (0.010) 5 12 51.1% 0.175 (0.013)
2 8 45.5% 0.151 (0.012) 30 10 52.0% 0.195 (0.014)
3 18 49.5% 0.140 (0.011) 31 21 68.2% 0.228 (0.013)
4 23 42.9% 0.121 (0.010) 32 22 47.5% 0.166 (0.013)
5 17 52.0% 0.153 (0.011) 33 24 59.6% 0.190 (0.013)
6 14 42.2% 0.120 (0.011) 34 30 60.5% 0.188 (0.013)
8 21 65.8% 0.192 (0.011) 35 20 47.1% 0.151 (0.013)
9 28 53.5% 0.150 (0.011) 36 25 73.1% 0.245 (0.013)
10 29 55.6% 0.154 (0.011) 37 20 71.3% 0.243 (0.013)
11 15 36.0% 0.118 (0.011) 38 21 73.5% 0.248 (0.013)
12 10 37.8% 0.126 (0.011) 39 29 64.6% 0.211 (0.013)
13 18 67.3% 0.216 (0.012) 40 26 61.0% 0.190 (0.013)
14 18 52.0% 0.166 (0.012) 41 24 68.2% 0.233 (0.013)
15 30 68.0% 0.211 (0.012) 42 24 83.9% 0.275 (0.013)
16 17 62.9% 0.210 (0.012) 43 24 73.5% 0.241 (0.013)
17 23 76.4% 0.203 (0.011) 44 16 54.3% 0.198 (0.014)
18 19 62.5% 0.174 (0.011) 45 18 67.7% 0.230 (0.013)
19 21 56.0% 0.159 (0.011) 46 21 78.0% 0.280 (0.013)
20 21 52.7% 0.156 (0.011) 47 24 71.3% 0.215 (0.013)
21 26 42.5% 0.129 (0.011) 48 7 46.2% 0.168 (0.014)
22 25 62.5% 0.185 (0.012) 49 26 70.9% 0.224 (0.013)
23 28 60.4% 0.163 (0.011) 50 22 66.4% 0.215 (0.013)
24 19 57.8% 0.169 (0.011) 51 27 65.5% 0.217 (0.013)
25 24 66.9% 0.194 (0.011) 52 19 67.7% 0.232 (0.014)
26 26 56.7% 0.161 (0.011) 53 29 71.3% 0.216 (0.012)
27 19 49.8% 0.152 (0.011) 54 22 69.1% 0.233 (0.014)
28 28 67.3% 0.194 (0.011) 55 19 59.2% 0.202 (0.014)
29 30 59.6% 0.155 (0.011) 56 24 63.7% 0.217 (0.013)
Keskmine 55.1% 0.162 (0.002) 57 29 65.5% 0.208 (0.013)
58 26 56.1% 0.181 (0.013)
Keskmine 64.3% 0.214 (0.001)

Esimesed kaks peamist koordinaattelge moodustasid 56,9% kogu variatsioonist A. salicina ja 49,3% variatsioonist A. stenophylla (Joonis S1). Mõlema PCo puhul ilmnesid erinevad proovivõtukohad, nimelt A. salicina proovivõtukohtade 13–16 taimed asusid negatiivses PCo1 ruumis (joonis S1a) ja rühm A. stenophylla proovivõtukohtade 37, 38, 42, 44 ja 46 taimed olid negatiivses PCo1 ja PCo2 ruumis (joonis S1c).

STRUCTURE tehtud analüüsid näitasid, et tõenäoliselt on kuus geneetilist klastrit (K = 6) mõlema liigi puhul (joonised 2 ja 3) statistika ∆ põhjalK, kuigi oli mõningaid tõendeid selle kohta, et võib esineda ka väiksem arv klastreid (st 3) (joonis S11a, b). Paljudes neist oli vähe tõendeid segunemise kohta A. salicina taimed (joonis 2 ja joonis S2). Näiteks olid mõned põhjapoolsed proovivõtukohad (23, 24, 26, 27 ja 29) tugevalt seotud klastriga 1 (tumesinine), kuid mõned proovivõtukoha 24 taimed olid seotud klastriga 4 (kollane) ja 6 (punane) . Seevastu muud A. salicina proovivõtukohad (nt 2, 5, 6, 22, 25 ja 28) näitasid tõendeid segunemise või potentsiaalse sisserände kohta teistesse rühmadesse kuuluvatest proovivõtukohtadest. The A. salicina klastrid olid mõnevõrra geograafiliselt jaotatud kogu uurimispiirkonna vahel (joonis 2 ja joonis S9), klastrit 1 (tumesinine) leiti kirdest, klastrit 2 (helesinine) piirati kõige lõunapoolsemast servast, samal ajal kui klaster 3 (lilla) oli laialt levinud. Klastrid 4 (kollane) ja 5 (roheline) olid lõunaosas laialt levinud, samas kui üksik klastri 6 (punane) proovivõtukoht on kirdes. Kaks proovivõtukohta (22 ja 28) olid segu mitmest klastrist ja neid ei saanud määrata ühele klastrile> 70%. Tulemused K = 3, suuruselt teine ​​∆K, näitavad põhja- ja lõunapoolsete klastrite selget geograafilist mustrit (joonis S11a). Erinevalt A. salicina, palju A. stenophylla proovivõtukohtades domineeris klaster 1 (punane, joonis 3d) ja paljud proovivõtukohad näitasid segunemist või sisserännet (joonis 3 ja joonis S3). Paljusid proovivõtukohti ei saanud määrata ka ühele klastrile & gt70%. Neid tulemusi jälgitakse ka selgelt K = 3 (Joonis S11b). Geograafiliselt asus suurem osa 1. klastrile määratud proovivõtukohtadest eesvooludes, mille proovivõtukohti ei olnud lihtne määrata, või need, mis kuuluvad allavoolu asuvatesse teistesse klastritesse.

Popgraph tõstis esile ühendatud proovivõtukohtade keerulise veebi (joonis 4, joonised S9 ja S10). Vähesed kokkusurutud servad, mis viitavad levimise ökoloogilistele või topograafilistele takistustele, ilmnesid A. salicina välja arvatud mitme proovivõtukoha hulgas uurimisala lõunaservas ja proovivõtukohtade 21 ja 24 vahel (joonis 4a). Laiendatud servad, mis viitavad kaugele hajumisele, seostasid paljusid A. salicina proovivõtukohad laiade ruumiliste mõõtmetega kuni 500 km (joonis 4b). Aastal täheldati rohkem kokkusurutud servi A. stenophylla, jällegi uurimisala lõunaosas (joonis 4c), samas kui laiendatud servad leiti kogu piirkonnas (joonis 4d).

3.2 Maastiku geneetiline analüüs: Manteli testid ja kaugmaatriksite (MRM) mitmekordne regressioon

Kasutasime iga keskkonnamuutuja takistuspindu, mis on arvutatud Circuitscape meie maastiku geneetiliseks analüüsiks iga liigi kohta. Me ei leidnud olulist seost geneetiliste klastrite ja erinevate resistentsuspindade (LC, FC ja DEM) vahel A. stenophylla ja A. salicina, välja arvatud metsade mõju geneetilistele rühmadele A. salicina (Kruskal – Wallis χ 2 = 12,657, lk = .048). Täpsemalt öeldes oli kahest proovivõtukohast koosnev segatud klaster (valge) enamasti seotud kõrge metsakindlusega aladega (joonis S7a).

Manteli testid näitasid, et geneetiline struktuur A. salicina mõjutas nii geograafiline kaugus kui ka maapinna katvus (lk & lt .05), samas kui A. stenophylla, oluline oli ainult maakatte takistus (tabel 2). Pärast ruumilise autokorrelatsiooniga korrigeerimist (osalised Manteli testid) ei mõjutanud ükski neist teguritest kumbagi Akaatsia liik (tabel 2). Kuid ainult geograafilist kaugust arvestav MRM -mudel oli parim mudel, mis selgitas geneetilisi erinevusi proovivõtukohtade vahel aastal Acacia salicina arvestades, et MRM -mudel, mis hõlmas ainult maapinda ja kõrgust, oli parim mudel, mis selgitas proovivõtukoha geneetilist diferentseerumist Akaatsia stenophylla (Tabel 3, tabel S1).

Liigid
A. salicina A. stenophylla
Manteli testid
GD 0.175 0.035
DEM −0.212 −0.217
FC 0.077 −0.093
LC 0.205 0.152
tualett −0.069 0.041
Osalised Manteli testid
DEM −0.402 −0.26
FC 0.068 −0.158
LC 0.171 0.179
tualett −0.062 0.043
Liigid R 2 F GD DEM FC LC tualett
A. salicina 0.03 12.01 2.38e – 05 (lk = .004) -–
A. stenophylla 0.117 28.85 275.996 (lk = .019) 39.81 (lk = .013)

4 ARUTELU

Me kasutasime kaasaegseid maakattematerjalide ja SNP genotüübi andmete proove, et avastada seoseid maastikuresistentsuse ja geneetilise diferentseerumise vahel CPB populatsioonide vahel Columbia basseinis (Oregon ja Washington) ja Central Sands (Wisconsin). Hüpoteesisime, et CPB geneetiline diferentseerumine väheneb kartuli suurenemise, lühemate pöörlemiskauguste (ruumis) ja metsamaade ning liivase pinnase suure hulga saitide vahel. Ja vastupidi, eeldasime, et geneetiline diferentseerumine suureneb rohumaade/põõsaste, teravilja, veekatte ja suuremate pöörlemiskauguste suurenemisega. Mudelid, mis sõltumatult arvestasid maakattemõju geneetilisele diferentseerumisele, tuvastasid Columbia basseini kartuli pinnakatte tugeva mõju, kuid Kesk -Liiva maastikulisi mõjusid mitte (joonis 3). Maa katte korrelatsioonide ja maapinna katte mõju ühiste hinnangute võrdlemine ühes BEDASSLE mudelis ei näidanud ühegi maastiku muutuja tugevat sõltumatut mõju (joonis 3, tabel S3), mis viitab sellele, et põllumajandusmaa katmisel on nõrk, korrelatsioonis mõju CPB geneetilisele diferentseerumisele. Korrelatsiooniga seotud maakattetüüpide parsimise mõju geneetilisele diferentseerumisele on maastikugeneetika oluline väljakutse (Cushman, McKelvey, Hayden ja Schwartz, 2006), mis võib olla eriti raske põllumajandusmaastikul, kus maa katmine võib kiiresti muutuda ja on korrelatsioonis ruumi ja aega.

Oluline on see, et täheldasime ka korrelatsiooni kartulipõldude vaheldumiskauguste ja nukleotiidide mitmekesisuse vahel, mis viitab sellele, et külvikord lisaks kartulipõldude CPB -nakatumise aja ja arvukuse vähendamisele vähendab ka kohalike CPB populatsioonide geneetilist mitmekesisust.

4.1 Maakatte mõju geneetilisele diferentseerumisele

Columbia basseinis näitasid suure kartulimaaga kaetud alad geneetilist diferentseerumist veidi vähem, mis on kooskõlas hüpoteesiga, et peremeestaimede rohkus hõlbustab levikut ja geenivoolu üle maastiku. Sarnane seos leiti geneetilise diferentseerumise ja teravilja (valdavalt nisu) maakatte vahel. Nisu järgib tavaliselt Columbia basseini külvikordades kartulit, kuid pole Kesk -liivas levinud põllukultuur alates 1900. aastate algusest. Nisu on teadaolevalt takistuseks CPB levimisel kõndides (Huseth et al., 2012 Lashomb & Ng, 1984 Schmera, Szentesi & Jermy, 2007), kuid varjab ka vabatahtlikke kartuleid (jääkidest, koristamata mugulatest kasvavad taimed) varajase süsteemse insektitsiidivaba toiduallikana (Xu & Long, 1997). Seega võib nisu geneetilist diferentseerumist vähendav toime olla tingitud selle tihedast ajalisest seostest kartuliga Columbia basseini agroökosüsteemides ja viitab sellele, et vabatahtlikud kartulid võivad olla olulised geenivoo hõlbustajad.

Selge seose puudumine maastikukindluse ja geneetilise diferentseerumise vahel Kesk -Liivas võib tähendada, et igasugune pinnakatte mõju CPB geenivoolule oli avastamiseks liiga nõrk. Tuvastamine võib olla takistatud, kui populatsioonid on väga suured (Wright, 1943) või ei ole rände -triivi tasakaalus (Rousset, 1997): maastiku tegelikku mõju geenivoolule ei pruugi geneetilise triivi, rände ja valik evolutsiooniliselt noores, sageli häiritud süsteemis. Kuid Columbia basseinis täheldatud mõjud (joonis 2) viitavad sellele, et mõningaid maastikuefekte on võimalik tuvastada, kuigi see võib olla selle piirkonna elanikkonna väiksema efektiivse suuruse tulemus (kuna rände-triivi tasakaal taastatakse kiiremini, kui väiksemad on populatsiooni suurused).

Selle asemel soovitame, et geenivoog CPB populatsioonide vahel Keskliivas on maastiku koostise või konfiguratsiooni tõttu suhteliselt piiratud ja see võib olla tingitud kolmest tegurist. Esiteks on CPB populatsiooni suurus Keskliivas oluliselt suurem kui Columbia basseinis. CPB dispersal is density-dependent (Boiteau et al., 2003 Harcourt, 1971 ), so higher population sizes could cause higher densities, facilitating higher gene flow as well as the maintenance of higher genetic diversity. Indeed, we frequently observe mass-migration events in densely CPB-populated Wisconsin potato fields. Second, land cover in the Central Sands is likely more suitable for overwintering success (there were higher amounts of potato and forest edge). Given that winter survivorship can be as low as 5% (Huseth & Groves, 2013 ), the amount of suitable overwintering habitat can have important impacts on successful migration between rotated potato fields. The realized contribution of landscape structure to overwintering success, however, will likely depend on interacting effects of climate and noncrop host plants. Lastly, alternative host plants could be enhancing landscape connectivity independently of potato land cover. We observe high densities of weedy Solanum liigid (S. nitidibaccatum Bitter and S. carolinense L.) in potato-producing regions in the Midwest (M. S. Crossley, personal observations), whereas alternative host plants in the Columbia Basin tend to occur in isolated riparian habitats (Castillo Carrillo, Fu, Jensen, & Snyder, 2016 ). Incorporation of alternative host plant occurrence in agricultural landscapes could improve inferences about landscape connectivity for CPB populations.

4.2 Crop rotation and genetic diversity

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

4.3 Management implications

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


3 RESULTS

3.1 Simulated dataset—logistic regressions

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

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

3.2 Simulated dataset—SPAGs

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

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

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

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

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

3.3 Moroccan goats—logistic regressions

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

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

3.4 Moroccan goats—SPAGs

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

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

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

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

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

3.5 Moroccan goats—genomic offset

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

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

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


A heuristic approach to global landslide susceptibility mapping

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

See on tellitud sisu eelvaade, millele pääseb juurde oma asutuse kaudu.


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

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

See on tellitud sisu eelvaade, millele pääseb juurde oma asutuse kaudu.