Daha çox

Mənfi DEM dəyərləri nə deməkdir?

Mənfi DEM dəyərləri nə deməkdir?


Mənim DEM yüksəklik dəyərlərim -255 ilə 81 arasında dəyişir.

Mənfi dəyərlər nə deməkdir?

Dem -i BHUVAN -dan yüklədim.

Dəyərlərin təxminən 90 % -i mənfi kateqoriyaya aiddir.

Bu dəyərləri pozitivə necə çevirə bilərəm?


Mənfi dəyərlər ümumiyyətlə Z dəyərlərinin dəniz səviyyəsi üçün Z = 0 istinad nöqtəsinin altında olduğunu bildirir (daha çox izahat üçün bura baxın).

Həqiqətən pozitiv olmaq istəsəniz (pis bir fikirdir), yalnız altimetrik aralığınızı sıfırlayaraq, sabit bir dəyər rasteri ilə bölgənizə ən az minimum dəyərinizi (255) əlavə etməlisiniz. 0 (-255+255)-336 (81+255).

Bunun pis dəyərlər olmadığından əmin olun! Bunun anormal olduğunu görürsünüzsə, bunun yerinə "yaxşı" Z dəyərlərini saxlamağa və "pis" Z dəyərlərini hesablamağa kömək edəcək bir "Doldurma" əməliyyatı etməlisiniz (Arcgis üçün bura və ya ILWIS üçün bura baxın).


Dərin dəniz faunasında genetik əlaqənin sintezi və dəniz qoruğu dizaynına təsirləri

NOAA Milli Okean Xidməti, Milli Sahil Okeanı Elm Mərkəzləri, Sahil Monitorinqi və Qiymətləndirmə Mərkəzi, Biogeoqrafiya Şöbəsi, 1305 East-West Hwy, N/SCI-1, Silver Spring, MD, 20910-3281 ABŞ

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

Florida Dövlət Universiteti, Yer, Okean və Atmosfer Elmləri Bölümü, 117 N. Woodward Ave, Tallahassee, FL, 32306 ABŞ

Massachusetts Universiteti Boston, Biologiya Bölümü, 100 Morrissey Blvd, Boston, MA, 02125 ABŞ

Okeanoqrafiya və Balıqçılıq Bölümü, MARE- Dəniz və Ətraf Mühit Elmləri Mərkəzi və IMAR- Azor Universiteti Dəniz Araşdırmaları İnstitutu, 9901-862 Horta, Portuqaliya

Okeanos- Ar-Ge Mərkəzi, Azor Universiteti, 9901-862 Horta, Portuqaliya

Evolutionary Genomics Group, Stellenbosch Universiteti, Botanika və Zoologiya Bölümü, Private Bag X1, Matieland, 7602 Cənubi Afrika

Elmi Hesablama Bölümü, Florida Dövlət Universiteti, 150-T Dirac Elm Kitabxanası, Tallahassee, FL, 32306 ABŞ

NOAA Milli Okean Xidməti, Milli Sahil Okeanı Elm Mərkəzləri, Sahil Monitorinqi və Qiymətləndirmə Mərkəzi, Biogeoqrafiya Şöbəsi, 1305 East-West Hwy, N/SCI-1, Silver Spring, MD, 20910-3281 ABŞ

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


Yunanıstanın Qərbi Giritində yerləşən zibilxana üçün inteqrasiya olunmuş CİS və uzaqdan zondlama təhlili

Çöp sahəsinin optimal oturmasının qiymətləndirilməsi effektiv şəkildə işlənmək üçün bir çox ekoloji məlumatların düzgün və səmərəli şəkildə təşkil edilməsini tələb edir. Coğrafi informasiya sistemləri, çoxlu heterojen məkan -zaman məlumatlarını birləşdirən çoxlu sayda bu cür məlumatları idarə etmək üçün ideal bir vasitə təyin edir. Əlavə olaraq, arxiv peyk uzaqdan zondlama şəkilləri, artıq qurulmuş poliqonların və onların ətrafındakı ərazilərin (məsələn, bitki indeksləri kimi vacib parametrlərin hesablanması üçün) torpaq səthinin təsirli ekoloji monitorinqinə köməkçi bir yanaşma təyin edir. Bu işdə, Krit-Yunanıstan adasının qərb hissəsində oturan optimal poliqon üçün ən uyğun yerləri müəyyən etmək üçün 17 ekoloji və antropogen faktordan istifadə edilmişdir. Bütün fərqli faktorların qiymətləndirilməsi üçün istifadə olunan metod, qeyri -səlis məntiq üsulları ilə gücləndirilmiş analitik iyerarxiya prosesidir. Nəticələr, Haniya prefekturası ərazisindəki artıq qurulmuş (qanuni/nəzarət edilən və qanunsuz/nəzarət olunmayan) poliqonlar ilə müqayisə edildi və nəticələr göstərdi ki, prefekturanın artıq (qanuni və ya qanunsuz) qurulmuş poliqonlarının 75 % -i son dərəcə ətraf mühit baxımından uyğun olmayan sahələr.

Bu, abunə məzmununun, müəssisəniz vasitəsi ilə girişin bir ön görünüşüdür.


Modul 1: Vektor və Raster Məlumat Modelləri

Beləliklə, vektor məlumat növləri haqqında danışacağıq. CİS kontekstində topologiyanın nə olduğunu və nə məqsədlə istifadə edildiyini, coğrafi əlaqəli datamodellərin müxtəlif növ coğrafi əlaqəli məlumat modellərini araşdırmaq istədiyimizi görərdik.
(Slayd Vaxtına baxın: 01:31)
Beləliklə, əsas vektor məlumat növlərinin nə olduğunu görək. Beləliklə, birincisi bir nöqtə xüsusiyyətidir və bu, alayer və ya bir GIS -də bir nöqtə xüsusiyyətinə sahib olduğumuz bir nöqtədir, bir çox nöqtədən ibarət olacaq. , avtobus dayanacaqlarının və ya məktəblərin yeri və ya digər bu kimi xüsusiyyətlər.
İndi növbəti vektor məlumat növü əsas vektor məlumat növü bir xəttdir. İndi, bir ölçülü xüsusiyyətə sahib olan bir ölçülüdür və yalnız uzunluğa malikdir. Beləliklə, yerə əlavə olaraq, iki nöqtənin başlanğıc və bitiş nöqtələrinə və aramızda bağlantıya sahib olacağımıza görə, bu iki başlanğıc nöqtəsi arasındakı bir xəttə qoşulmaqla bir xətt bölməsi yaradacaqdı.
İndi bir xətt seqmenti olaraq bağlana bilər. Beləliklə, birdən çox seqmentə malik ola bilər və ya hamar bir əyri ola bilər, demək istəyirəm ki, nöqtə seqmentlərindən hamar bir əyri yarada bilərik.
seqmentlərdir, bu funksiyalar ümumiyyətlə dilimləmə alqoritmləri olaraq bilinir. Beləliklə, hamar xətlər yarada bilərik.
Demək istəyirəm ki, bir xüsusiyyət xətti bir sıra xətlərdən yaradılacaqdır, dediyimiz kimi nöqtə xüsusiyyəti bir çox nöqtədən, xətt xüsusiyyəti bir çox nöqtədən hazırlanacaq. Demək istədiyim asan bir nümunə, müəyyən bir şəhərdəki yolları xətt xüsusiyyəti olaraq kodlaşdıra bilərik və bir yol xüsusiyyəti olaraq ina qat olaraq qeyd edə bilərik. Kəndlərin, əyalətlərin və fərqli inzibati ərazilərin sərhədlərini çox hiyerarşik bir şəkildə əldə edə bilərik. Əsasən drenajlara çevrilən və yenidən çay sahillərini yaratmaq üçün birləşə bilən təbii axınları qeyd edə bilərik. Beləliklə, bunlar bir GIS çərçivəsindəki əsas vectordata tipini istifadə edərkən bu xüsusiyyətlərdə xətt xüsusiyyəti olaraq kodlaşdırıla bilən bəzi nümunələrdir.
Növbəti məlumat növü, yalnız uzunluğuna deyil, həm də sahənin bir xüsusiyyətinə və ətrafına malik olan iki ölçülü bir məlumat olan çoxbucaqlı bir məlumat növüdür. Demək istədiyim yerə əlavə olaraq, GIS məlumat növlərindən bəhs edərkən bu məlumatlar həmişə enlem boylam koordinatına və ya proqnozlaşdırılan koordinata sahib olardı. Əvvəlki proyeksiyalarımızda proqnozlar və çevrilmələr haqqında əvvəlki mühazirələrimizdə, enlik uzunluğunun silindrik proyeksiyalara və ya xroniki proyeksiyalara və ya orfoqrafik proyeksiyalara necə çevrilə biləcəyini gördük. Beləliklə, fərqli bir kontekst gördük.
Beləliklə, bu məlumatlar ya WGS çərçivə WGS 84 çərçivəsindəki vahidləri nəzərdə tutduğum coğrafi olaraq bilindiyi yerin enlem və boylam koduna sahib ola bilər, ya da başqa cür demək istəsəm, proqnozlaşdırılan bir koordinat sistemində ola bilər. Deməli, dediyim kimi bu çoxbucağın sahəsi və perimetri olardı, dediyim yerin aspektlərinə, yerləşmə koordinatlarına.
Beləliklə, açıq olmayan demək istədiyim şəkildə bağlanan xətt seqmentlərinə qoşulmaqla edilə bilər. Demək istədim ki, bu xətt seqmentləri bağlanmalıdır və bu xətt seqmentləri çox vacib olan kəsişməyən xətlər olmalıdır, çünki əgər kəsişən xətt seqmentləriniz varsa, bu halda birdən çox çoxbucaqlılar əmələ gətirəcəkdir.
Beləliklə, daha yüksək vektor məlumat növlərinə baxdığımızda, qabaqcıl vektor məlumat növlərinə baxdığımızda bunlar əsas vektor məlumat növləridir. GIS bir çərçivədə, deşikləri olan və ya heç bir sahəsi olmayan zonalara sahib ola biləcəyim xətləri və ya çoxbucaqlıları kəsən bir kodun necə mümkün ola biləcəyini görərdik. Beləliklə, bu cür çoxbucaqlılar da GIS çərçivəsində kodlaşdırıla bilər.
Deməli, ətrafı və ya sərhədin çoxbucaqlıları təyin edəcəyini nəzərdə tuturam. Beləliklə, çoxbucaqlıları çoxbucaqlı şəkildə düzəldə bilər və ya sərhədini digər bitişik çoxbucaqlarla bölüşə bilər və içərisində bir çuxur da ola bilər, yəni daxil olmayan bir sahə ola bilər. Məsələn, demək istəyirəm ki, əgər torpaq istifadə edirsinizsə və aptekə bir gölməçə daxil etmək istəmirsinizsə və demək istədiyim formanın məhsuldarlığını hesablamağa çalışırsınızsa, gölməçənin sahəsini də daxil etmək istəmirsinizsə, düyü və ya buğdanın məhsuldarlığı baxımından çıxış necə olacaq. Beləliklə, bu vəziyyətdə, əkinçilik sahəsinin sahəsinə daxil olan gölməçəni endirim edərdiniz.
Beləliklə, dəlikləri olan çoxbucaqlıları kodlaşdırmağımız mümkündür və bu sahənin çoxunu statistikadan silə bilərik. Beləliklə, bu cür göbəkləri olan çoxbucaqlılara sahib olsaq, daxili və xarici bir sərhədlə nəticələnərdi. Demək istəyirəm ki, bu xüsusiyyət çoxbucaqlılardan və ya bir çoxbucaqlı dəstdən ibarət olacaq, bir xüsusiyyət olaraq çoxbucaqlıdır. Ağlıma gələ biləcək bunun nümunələri, demək istədiyim bir nümunə, bitki sahələri, meşəlik ərazilər, şəhər əraziləri, su obyektlərini əhatə edə biləcək bir əkinçilik sahəsidir. Yəni, fərqli sahə xüsusiyyətlərinə sahib ola biləcəyinizi və GIS -də çoxbucaqlı bir xüsusiyyət olaraq kodlaşdıra biləcəyinizi söyləyirəm.
(Slayd Vaxtına baxın: 08:31)
İndi bəzi nümunələrə baxaq. Beləliklə, burada bir nümunə gördüyünüz bir nümunə görə bilərsiniz, nöqtələr verdiyimiz bir neçə nöqtəyə sahibik, yerləri verilmişdir. Beləliklə, burada atributları verilən nöqtə fikri olan və x və y baxımından yer koordinatlarına sahib olduğumuz bir neçə nöqtəyə sahibik.
Beləliklə, yer koordinatlarının verildiyi birinci nöqtə üçün görə bilərsiniz, ikinci koordinat nöqtəsi üçün yenidən yer koordinatı verilir, üçüncüsü üçün nəzərdə tutduğum nöqtə və dördüncü nöqtə üçün yer koordinatlarımız var. Beləliklə, məlumatların GIS məlumatındakı nöqtələrə istinad olaraq saxlanılması budur.
Beləliklə, indi görə biləcəyiniz xətlərin bir nümunəsi var ki, bizdə node var və biz düyün var. Beləliklə, bir seqmenti görürsən. Beləliklə, bu vəziyyətdə, 11 -dən 12 -ə qədər olan bu xətt seqmenti, burada verilən link nömrəsi olan 1 nömrəli yay nömrənizdir və sonra
bu nöqtələr olaraq verilən 11 və 12 olan node ID. Beləliklə, bizdə node düyməsinin olduğu düyün var və bizdə düyün var və sonra yay kimlikləri var.
Beləliklə, oxşar şəkildə, qövs nömrənizi deyiriksə, yay nömrəniz 5 deyin. Buna görə də, bura getsək, başlanğıc nöqtəsinin 14 olduğunu görürük, düyün sizin 14 olmalıdır. Bu halda, 15 başlanğıc düyündür. 15 -dir və node etmək 14 -dir. Deməli, bunun səbəbi, xəttin bu istiqamətdə rəqəmsallaşdırılmış olmasıdır ki, kimsə bu xətti rəqəmsal hala gətirəndə əvvəlcə bu nöqtəni 15 -ə, sonra isə 14 -cü nöqtəyə tıklamalı idi. bu qövs 5 -də node 15 -dən və düyün 14 -dən ibarətdir.
Beləliklə, bu qövslərin uzunluğuna sahib ola bilərik, poliqonun əhatə dairəsini görsək, bitişiklik matrisinə sahib ola bilərik. Beləliklə, bu vəziyyətdə çoxbucaqlı əhatə dairəsini görürük. Beləliklə, çoxbucaqlı ID -lərin burada 100, 101, 103 və 104 -ə verildiyini görə bilərsiniz, ancaq eyni zamanda bu sahədə gördüyümüz xətlərin kənarında olan 100 -lük standart bir şəxsiyyət sənədini də görürsünüz. Beləliklə, bir hash olan hər hansı bir sahə, proqram tərəfindən yaradılan standart bir sahədir.
Beləliklə, 101 kimi siyahıya alınan çoxbucaqlı ID 101 üçün görə bilərsiniz ki, buradan başlayaraq 4 -cü xətt seqmentinə qədər olan xətti seqmentə sahibik 6, buna görə bu xətt seqmenti xətt seqmentidir 6. Beləliklə, bu çoxbucaqlı 101 -i tamamlayır və buna bənzər olaraq 103 və ya 104 poliqonlarına sahibik və bu xüsusi çoxbucağı əhatə edən və ya edən qövslərin siyahısını öyrənə bilərik.
İndi buradan da öyrənə bilərik ki, 1-ci qövsünün x-y koordinatını burada verdik, xətti seqmentlərdən bəhs edirik. Beləliklə, 1 və 3, 1 və 9 və 4 və 9 koordinatlarının əsasən bu xüsusi qövs seqmentini 1 yaratdığını görə bilərsiniz. Deməli, məlumatlara gedə bilərik və ona istinad edə bilərsiniz və məlumatların nə demək istədiyimi görə bilərsiniz. tənzimlənmiş, yəni arc GIS və ya q GIS və ya digər proqramlarda bir forma faylı və ya bir arc faylı yarada bilərsiniz.
Beləliklə, proqram və rsquo yükləməyinizi söyləməyə çalışacağım bir dərsimiz olacaq və bu proqramlarda bəzi əsas məşqlər edirik. Beləliklə, bunun üçün xüsusi bir mühazirəmiz olacaq və QGS platformasında işləməyə çalışacağıq. Beləliklə, bunlardan başqa ikisinin də olduğunu görə bilərsiniz
sonrakı slaydlarımızda bəhs edəcəyimiz bitişiklik və insidensiya matrisi olan matris.
Beləliklə, bitişiklik matrisində bu nöqtələrin bitişikliyinin amatrix olaraq verildiyini görə bilərsiniz. Belə ki, əgər sizin 12 -ci nöqtəniz 11 -ci nöqtəyə bitişik olub -olmamasının 12 -ci nöqtəsidirsə, deməli, bitişikdirsə, xal 1 olaraq verilir. İndi 13 13 -cü nöqtənin 11 -ə bitişik olmadığını görürsünüzsə. bu halda 0 olaraq kodlaşdırılır ki, burada mən 14 -ü nəzərdə tuturam ki, bitişiklik 1 -dir, çünki 12 -yə yaxınlaşa bilərsən, 11 -ci nöqtədən 14 -ə çata bilərsən. nöqtə 13. Beləliklə, 13 bitişiklik matrisi üçün yalnız bu nöqtənin 11 nöqtəsinə bitişikliyə malik olduğunu görə bilərsiniz.
Beləliklə, indi edə biləcəyimiz şey, bunun üçün insidensiya matrisini görsək, nöqtə seqmentlərini və xətt seqmentlərini nəzərdə tuturam. Beləliklə, burada verilən 11 -ci bənd üçün olan bağlantı kodları, birinci seqmentə bağlı olduğunu, lakin mənfi əlaqəsi olduğunu görə bilərsiniz. Demək istəyirəm ki, ikinci qövsə qoşulduqda və müsbət istiqamətdədirsə, bu istiqamətdə axının axın istiqaməti mənfi olur, bu nöqtədən 11 -ə yayılır. Beləliklə, bu nöqtədən 11so yayılır, 1 olaraq verilir. .
Beləliklə, bənzər şəkildə bu nöqtəyə 14 -ə çata bilərsiniz və bu, xüsusi bir xətt seqmentindən keçir4 belədir, yenə də müsbət dəyərdir. Beləliklə, eyni şəkildə demək istədiyimi deyə bilərəm, əgər əlaqə mənfi olarsa, birbaşa əldə edə bilmirsinizsə, incidencematrix -də mənfi bir əlaqə kimi təmsil oluna bilər. Beləliklə, çoxbucaqlı məlumat dəstləri olan müxtəlif növ məlumat dəstlərindən keçdik, xətti məlumat dəstləri, çoxbucaqlı məlumat dəstləri və nöqtə məlumat dəstləri var.
Beləliklə, bundan sonra topologiyanın nə olduğunu araşdıracağıq. İndi bu əlaqələri daha çox slaydımızda qurmalıyıq ki, çoxbucaqlarınızın kodlandığını, nöqtələrin kodlandığını gördük. Demək istəyirəm ki, bu enlem boyuna sahibdilər və bu bağlantıların nömrələri vardı və bir cədvəldə düzülmüşdü. Beləliklə, real dünya xüsusiyyətlərini əks etdirən və məlumatlarda kodlanmış nöqtələr ilə xətlər arasında tutmağa çalışdığımız əlaqələr budur.
Beləliklə, bu cədvəllə birlikdə genişləndirilmiş verilənlər bazası xüsusiyyətlərinə sahib ola bilərik, bunun yanında cədvəllər də olacaq. Beləliklə, bir çox sütuna sahib olacağıq, burada digər xüsusiyyətləri də, məlumatları da əlavə edə bilərik, çox sayda məlumat dəstini nəzərdə tuturam. Beləliklə, bu bir əlaqənin kodlaşdırılmış forması olmalıdır.
Demək istədiyim həndəsi cisimlərin bu həndəsi xassələri, bu qalacaq mən qurulacaq bir fortopologiyanı nəzərdə tuturam, dəyişməz olaraq qalacağını bildirirəm. Məsələn, bir topologiya hazırlayırıqsa
xətləri istifadə edərək və ya demək istədiyim bir çoxbucaqla nəticələnəcək, beləliklə həndəsə dəyişməz qalmalıdır. İnvariant, son sinifimizdə coğrafi istinad edərkən, transformasiya etmədiyimiz deməkdir. Çevrilməni etmişdik və əsasən geometrik xüsusiyyətlərin nöqtələrin dəyərlərini dəyişdirməyə çalışdığımız çoxbucaqlı və ya polinom və ya affin çevrilməsini gördük.
Beləliklə, bu vəziyyətdə əyilməyə məruz qala bilər, formasının dəyişməsi baxımından deformasiyaya uğrayır. Beləliklə, kəsmə, fırlanma, tərcümə gördük, bunlar bir verilənlər bazasında baş verə biləcək fərqli şeylərdir. Beləliklə, bir görüntü ola bilər, amma bu gün vektor məlumatlarından bəhs edirik. Beləliklə, vektor təbəqəsində bir dəyişiklik edərkən, həndəsə baxımından bir dəyişiklik ola bilər, ancaq həndəsi cisimlərin xüsusiyyətləri ilə əlaqəsi dəyişməz olaraq qalır. Yolu demək istəyirəm ki, qorunması lazım olan bir həndəsi çevrilmə edirsinizsə yolun adı dəyişməz.
Beləliklə, bir topologiyada bir topologiyaya sahib olduğumuz zaman, həndəsi cisimlərin bu xüsusiyyətləri dəyişməz olaraq qalacaq. Bükülmə və ya uzanma kimi hər hansı bir çevrilmə altında dəyişməzdi, demək istədiyim bir rezin bantın nümunəsini görə bilərsiniz, biz bunu zamanla istifadə edirik.
Beləliklə, rezin bantı uzatsanız, bunun xətlərdən hazırlandığını təsəvvür edin, varlıqların əvvəlki kimi qalacağını görərdiniz. Xətt seqmentləri uzunluq artdıqca və ya deformasiyaya uğrayanda da eyni ola bilər və ya istəsəniz ondan çoxbucaq düzəltsəniz deformasiyaya uğrayar, ancaq varlıqlar qalır. Gərmə və ya əyilmə və ya belə bir çevrilmə kimi bir növ çevrilmə tətbiq etsəniz belə həndəsi cisimlər dəyişməz olaraq qalacaq.
Deməli, bu mülkiyyət və əlaqələri digraphs olaraq da bilinən yönləndirilmiş qrafiklər vasitəsi ilə izah etmək olar. Beləliklə, bu qrafik nəzəriyyəsinin bir tərəfidir. Deməli, yönlü təbiət həndəsi cisimlərin düzülüşünü göstərən istiqamətləndirilmiş qrafiklər olan digraflarla ifadə edilə bilər.
Əvvəlki slaydımızda istiqamətlərin olduğu xətləri gördük. Rəqəmləşdirməyə başladığınız zaman, eyni zamanda, nöqtədən nöqtəyə kodlanmış istiqaməti götürür.
nöqtə Beləliklə, bu əlaqələr kodlaşdırıla bilər və demək istəyirəm ki, bu əlaqələr müxtəlif sütunlarda bir cədvəldə bir masa kimi birləşdirilə bilər. Beləliklə, bu, əsasən nöqtələr və xətlərlə qurduğumuz topologiya və ya əlaqələrdir.
Sonra bitişiklik və indeks hadisələri haqqında danışdıq. Beləliklə, bunlar GIS -də geniş istifadə olunan əsas əlaqələrdir ki, burada qovşaqlar və qövslər arasında əlaqələr quracaqdır. Beləliklə, digraph topologiyasında məkan əlaqələrini saxlamaq üçün əlavə fayllar tələb olunur. Bu məkan əlaqəsinə sahib olduğumuzda, xətti nöqtənin və ya çoxbucağın yerinin, uzunluğunun və ya sahəsinin əsas məlumat dəstlərindən ayrı olaraq iki ayrı matrisin, iki ayrı məlumat dəstinin olduğu bir -birinə yaxınlıq və insidensiya matrisinə sahibik.
Beləliklə, bunlar əsasən bitişikliyinizi saxlayan və əlavə məlumatları ehtiva edən iki əlavə məlumat dəstidir. Beləliklə, poliqontopologiyanın bu nümunəsini artıq gördük və əvvəlki slaydımızda bitişiklik matrisi bitişiklik matrisi və incidencematrixin nə olduğunu və bu cədvəldə necə bağlı olduqlarını və necə kodlandıqlarını izah etdik.
İndi bir növ aspatial sorğu etmək istəsək bu topoloji əlaqələrin də faydalı olduğunu görək. Bir növ məkan məlumatları sorğusu edirsinizsə, deyək ki, bir yol axtarmaq istəyirsiniz və bir yerə səyahət etdiyinizi görürsünüzsə, Google xəritələrini açırsınız və yolun hansı hissəsində tıxac olduğunu və səyahət vaxtının nə olduğunu görə bilərsiniz. . Beləliklə, qırmızı rənglərlə göstərilən rənglər vasitəsilə göstərilir ki, tıxac var, trafik sürəti müəyyən bir seqmentdə çox azdır, yaşıl və ya mavi rəngdədirsə, bu xətt xəttində hamar bir trafik axını olduğunu göstərir.
Deməli, bəzi sorğular etməliyik, demək öz -özünə yaranan sorğulardır, ancaq müəyyən bir yolun uzunluğunun nə olduğunu söyləyərək konkret bir sorğu da verə bilərsiniz. Xüsusi bir yola sahib ola biləcəyinizi söyləyə bilərəm və ya bir şəhərin içindən keçən avtomobil yolunun bir hissəsini nəzərdə tuturam. Beləliklə, uzunluğunu bilmək istəyə bilərsiniz. Beləliklə, məkan sorğusundan istifadə edərək öyrənə bilərsiniz.
Beləliklə, bu topoloji əlaqələriniz olduqda, deyək ki, bu məkan sorğularını yaratmağa kömək edir və ya kömək edir, demək, bir növ çirklənmə hadisəsi var. Deməli, bu çirklənmədən nə qədər və ya çox bina nəzərdə tutuluram, təsirlənirəm və ya nə qədər əhali təsirlənir. Beləliklə, məhdudlaşdırma və ya kəsişmə tədbirlərindən istifadə etməyə cəhd edə bilərsiniz. Beləliklə, bunlar məkan məlumatları sorğusu üçün vacib olan iki əhəmiyyətli topoloji əlaqələrdir.
Beləliklə, sonrakı mühazirə silsilələrimizdə, zaman məlumatlarını, məkan məlumatları sorğusunu necə yarada biləcəyimizi və bunun necə faydalı olduğunu görəcəyik.
(Slayd Vaxtına baxın: 23:55)
Beləliklə, georelational məlumat modelinə baxacağıq. Beləliklə, dediyim qrafik aspektləri, məlumatların xətlər və ya çoxbucaqlı olaraq necə kodlandığını və atribut hissəsi olan verilənlər bazası hissəsi olan bu modeldə qurduğumuz əlaqəni ifadə edən geo Imean olaraq nəzərdə tutduğum həndəsəni saxlayır. Beləliklə, bu iki komponenti əlaqələndirmək üçün xüsusiyyət identifikatorlarından istifadə edir
həndəsi komponent və atribut komponentidir. Həndəsi komponent kimi atribut komponenti də var.
Beləliklə, bu iki komponenti birləşdirə bilərik. Beləliklə, bu iki komponent sinxronlaşdırılmış İmeana qarşıdır, bunlar iki ayrı dəstdir. Sizin kimi bəziləriniz də avtomatik CAD üzərində işləmisinizsə, xətlər çəkə biləcəyinizi, çoxbucaqlılar çəkə biləcəyinizi, şəkillər çəkə biləcəyinizi görürsünüz. Beləliklə, bunlar yalnız bir rəsm var, yəni heç bir atributu yoxdur və digər tərəfdən atributlarınız ola biləcək bir excel cədvəlinə sahib ola bilərsiniz. Beləliklə, bu iki məlumat dəsti, coğrafi və ya həndəsi komponenti və atribut komponentini nəzərdə tutduğum bu iki komponenti birləşdirəcək unikal bir etiketə və ya bənzərsiz bir şəxsiyyət sənədinə malik ola bilər.
Beləliklə, bunlar sorğu -sual oluna, təhlil oluna və ya birlikdə göstərilə bilməsi üçün sinxronlaşdırılır. Beləliklə, bu cür georelational məlumat modellərinin nümunələri COVERAGE və SHAPEFILE -dir. Beləliklə, COVERAGE çox məşhur bir Esri formatıdır və SHAPEFILE açıq mənbə formatıdır, buna baxacağıq. Bu əhatə, bir forma faylının topoloji olmayan bir model olduğu topoloji bir modeldir. Görəcəyimiz bu iki aspektə baxdığımızda, açılış və forma faylları arasındakı fərqi nəzərdə tutduğumuzu yenidən müzakirə edəcəyik.
Beləliklə, əhatə dairəsinin iki komponentli olduğunu görə bilərsiniz qövs örtüyü iki komponentdən ibarətdir. Beləliklə, gördüyünüz kimi, danışdığımız həndəsə ilə əlaqələndirdiyimiz coğrafiya, bu geometriya hissəsidir və sonra əsasən atribut olan məlumat faylına sahibik. Beləliklə, iki dəstə ilə əlaqəli dedilər, yəni bu həndəsəni və atributu əlaqələndirən varlıq nömrələrinə sahib ümumi bir sahə görə bilərsiniz.
Beləliklə, hər hansı bir sorğu etdiyimizi və ya bir növ İman təhlili etdiyimizi söylədikdə, bu iki komponentdir. Bu xüsusi sistemin həndəsəsi və atributu olan bu iki komponent, buna görə də bu komponentləri olan CBS, Coğrafi İnformasiya Sistemi adlandırırıq. Beləliklə, bunlar sinxronlaşdırılır və təhlil edilə bilər və ya səs birliyi ilə birlikdə göstərilə bilər.
(Slayd Vaxtına baxın: 27:19)
Beləliklə, Esri əhatə dairəsinə baxaq. Bu Esri tərəfindən verilən mülkiyyət formatıdır və əlaqə qövslər və qovşaqlardan keçir. Beləliklə, bu çoxbucaqlılar üçün müəyyən edilmiş bir sahə var ki, yaylar bir -birinə bağlandıqda və onlara çoxbucaqlılar deyilir və mən də demək istədiyim bitişikliyi müəyyən edə bilərik, ərazinin yaxınlıqda yatdığını müəyyən edə bilərik. Beləliklə, verilənlər bazasında olan sol çoxbucaqlı və sağ çoxbucaqlıların hansı olduğunu öyrənə bilərik.
Artıq bunu öyrəndiyimiz bir nöqtənin məlumat quruluşunu görə bilərsiniz. Beləliklə, bu qrafikdən koordinatları öyrənə bilərsiniz. Beləliklə, 1 nöqtəsi üçün 1 nöqtəsi üçün 2 və 9 koordinatları var. Beləliklə, x istiqamətində iki ızgara və y istiqamətdə 2 və 9 koordinatları olan bu nöqtəyə sahib olmaq üçün iki ızgara gəzirik. Beləliklə, nöqtə məlumat quruluşu belədir
əlaqəli olduqda, arc ID -yə sahib olduğumuzu yenidən görə biləcəyiniz xətt əhatə dairəsi üçün məlumatlara sahibik. Beləliklə, qövs identifikatorunuz olardı və node -dan node -a sahib olardınız.
Beləliklə, artıq bunu əhatə etdik. Beləliklə, node -dan node -a sahibik. Beləliklə, bu, düyünün 11 -ə və 12 -yə qədər düyməsinə sahibdir. Beləliklə, biz də çoxbucaqlı örtüyümüzə sahib ola bilərik, burada sol çoxbucaqlıya və sağ çoxbucağa sahibik. Beləliklə, bitişiklik haqqında danışdıq, bu vəziyyətdə sol və sağ çoxbucaqlardan bəhs etdik. Beləliklə, solda və sağda çoxbucaqlı olan bu xüsusi məlumatda kodlandığını görə bilərsiniz.
Beləliklə, qövs 1 üçün xarici sahə olan 100 olan çoxbucaqlıya və xarici sahənin koduna, sağ çoxbucaqlı üçün isə 101 olaraq doğru çoxbucağa sahibsiniz. Deməli, bu sizin yay1 -dir. Beləliklə, oxşar şəkildə bu çoxbucaqlı sahəni düzəltmək üçün bağladığınız qövsləri tapa biləcəyiniz çoxbucaqlı qövslü çoxbucaqlı masanız da ola bilər. Belə ki, onun 1, 4 və 6 qövsləri var. Beləliklə, çoxbucaqlı 101 -i düzəltmək üçün 1, 4 -cü qövsünüz və 6 -cı qövsünüz var. Beləliklə, Esri qapağı məlumatları belə saxlayacaq.
(Slayd Vaxtına baxın: 30:15)
İndi, sonra şəkil faylının Esri qövs örtüyündən necə fərqləndiyini görək. İndi, topoloji olmayan bir format olsaydı, açıq mənbə formatı olardı və bir çox GIS proqramında, GIS platformalarında çox istifadə olunur. Beləliklə, bu forma faylı, Esricoverage faylında qövsdə gördüyümüz x-y koordinatları olaraq x-y koordinatları olaraq işlənir. Beləliklə, bir xəttin bir sıra nöqtələri, bir çoxbucaqlının bir sıra xətlər seqmentləri olardı və fərq, bu çoxbucaqlıların, əvvəllər gördüyümüz qövs örtüyü vəziyyətində olmayan sərhədləri kəsdikdə, təkrarlanan qövslərə sahib olmasıdır.
Beləliklə, bunun içərisində iki növ fayl olduğunu görə bilərik. Biri forma faylınızdır və kodlanmış asshx faylı, shp faylı, digəri isə shx faylıdır. Deməli, shp faylını nəzərdə tuturam ki, burada geometrik məkan indeksini saxlayır. Son slaydda məkan indeksi haqqında danışmışdıq, beləliklə xüsusiyyət həndəsəsinin məkan indeksini qoruyur.
Beləliklə, demək istədiyim forma fayllarından istifadə etməyin bir neçə üstünlüyü var, bunlar əsasən kompüter monitorunda düzgün şəkildə göstərilə bilər. Beləliklə, bir istifadəçi yalnız bəzi məlumat dəstlərinə baxmağa çalışdıqda çox faydalıdır. Beləliklə, bu vəziyyətdə forma faylını istifadə etsək daha asan olar, çünki onlar tez bir zamanda görünə bilər. Bunlar qeyri-mülkiyyət formatlarıdır, əslində 1990-cı ildə bir təşəbbüs var idi və qeyri-xüsusi açıq mənbə GIS məlumat faylına sahib olmaq tələbi var idi.
Belə ki, bu format şəkil faylı bu təşəbbüsün nəticəsidir və bu konsorsium 1994 -cü ildə ortaya çıxan theopen geo məkan konsorsiumu olaraq bilinir. Beləliklə, demək istədiyim çox şey, məlumat dəstlərinin qarşılıqlı əlaqəsinə təsir edir. çox sayda platformada istifadə edə biləcəyiniz deməkdir. Beləliklə, bu xüsusi veb saytına daxil olsanız, opengeo məkan konsorsiumu ilə bağlı təfərrüatları öyrənə bilərsiniz.
(Slayd Vaxtına baxın: 33:03)
İndi obyekt əsaslı məlumat modelinə sahibik. Beləliklə, bu yenə də Esri məhsullarında istifadə olunan standart olmayan topoqrafik məlumat formatıdır. Esri formatdır, amma anon-topoloji mülkiyyət formatı demək istəyirəm. Beləliklə, həndəsələri və atributları vahid bir sistemdə saxlayır. Həndəsə və atributların hər ikisini əlaqələndirən unikal identifikatoru olan laqeyd sistemlərdə saxlandığı forma faylı kimi əvvəlki məlumat bazalarından fərqli olaraq bu həndəsələri və atributları vahid sistemdə saxlayacaqdır.
Beləliklə, həndəsə ikili məlumatların toplanması olaraq saxlanılır və BLOB olaraq bilinən xüsusi bir sahədədir, buna ikili böyük obyekt deyilir. Beləliklə, BLOB olaraq qısaldılmışdır. Deməli, xassələr və metodlar dəsti ilə əlaqəli məkan xüsusiyyəti və ya obyektləri var. Beləliklə, burada hər bir torpaq istifadəsinin həndəsəsinin kodlaşdırıldığını və burada verilmiş formanın torpaq istifadəsi identifikatoru üçün çoxbucaqlı olaraq verildiyini görə bilərsiniz. Beləliklə, obyektinizə əsaslanan məlumat modeliniz belə saxlanılır.
İndi, obyektin xüsusiyyətini və ya xüsusiyyətlərini təsvir edən mülkdən təsirlənirlər, mən sizin GIS obyektinizi nəzərdə tutduğum ölçüdə və ya üslubda olan forma və ya sahə ola bilər, kopyalayın və ya silin. Beləliklə, bu GIS əməliyyatları obyekt əsaslı modeldə kodlaşdırılan xüsusiyyət və metoddan təsirlənir.
(Slayd Vaxtına baxın: 35:01)
İndi yenə Esri tərəfindən verilən geo verilənlər bazası olan növbəti geo əlaqəli məlumat modeli haqqında danışarkən, vektor məlumatlarını təmsil etmək üçün nöqtələr, xətlər və çoxbucaqlardan istifadə edir. Sadə xüsusiyyətlərinə görə arxa örtüyə çox bənzəyir, ancaq bir neçə slaydda müzakirə edəcəyimiz kökləri və ya bölgələri kodlaya bildiyiniz üçün kompozit xüsusiyyətlər baxımından qövs örtüyündən fərqlənir. Beləliklə, raster məlumatlarını da saxlaya bilər, eyni zamanda üçbucaqlı düzensiz şəbəkələri saxlaya bilər, yerləşmə məlumatlarını da saxlaya bilər.
(Slayd Vaxtına baxın: 35:41)
Belə ki, coğrafi verilənlər bazası, vektor məlumat bazaları xüsusiyyət sinifləri və xüsusiyyət məlumat dəstləri şəklində təşkil edilir, buna görə də xüsusiyyət sinifləri oxşar bir həndəsənin məkan xüsusiyyətlərini saxlayacaqdır. Beləliklə, fərqli nöqtələr üçün məkan xüsusiyyətlərini xüsusiyyət sinifində saxlayardı. Və bir -biri ilə topoloji əlaqədə iştirak edəcək, məsələn, təsadüfi sərhədlər söyləsəniz, məsələn, kəndiniz ola biləcəyi təbiətdə çox iyerarxik olan siyahıyaalma məlumatlarınız varsa, taluka blokları və ya rayonlarınız ola bilər. dövlət və ölkə sərhədləri. Deməli, fərqli məlumat tərəzi arasında təsadüfi sərhədləri nəzərdə tuta bilərəm.
Demək istədiyim bu geo verilənlər bazası, təsadüfi sərhədləriniz olan topoloji əlaqəyə qatılır. Beləliklə, xüsusiyyət məlumat dəsti, demək istədiyim xüsusiyyət haqqında danışdıq
məlumat dəsti. Xüsusiyyət siniflərini saxlayır və eyni koordinat sistemini və ərazinin artıq sahəsini bölüşür.
(Slayd Vaxtına baxın: 36:57)
Beləliklə, daha sonra geodatabase'deki əvvəlki slaydımızda üçbucaqlı sahə şəbəkəsi haqqında danışdıq. Beləliklə, üçbucaqlı düzensiz bir şəbəkənin nə olduğunu görə bilərik və bu, ərazinin günəşlənən təbiətini kodlaşdırmaq üçün istifadə olunur. Təpəli bir sahəniz varsa, yamacı kodlaya bilərsiniz, hündürlüyü kodlaya bilərsiniz, TIN Üçbucaqlı Düzensiz Şəbəkə olaraq bilinən bu xüsusi vektor məlumat quruluşundan istifadə edərək ərazi məlumatlarını kodlaya bilərsiniz.
Beləliklə, bunlar əsasən üst-üstə düşməyən üçbucaqlar toplusudur və hər üçbucağın kəskin qradiyenti olardı. Bu üçbucağın hər birindəki yamac üçbucaq boyunca eyni qalacaq, dəyişməyəcək. Beləliklə, görə bilərsiniz, üçbucağın a ola biləcəyini söyləyə bilərsiniz
Üçbucaqda yatan nöqtələr üçün bərabərgözlü üçbucağın təbiəti, bərabər ola bilərdi. Eyni bir təyyarədə yatacaqlar, sabit bir gradientə sahib olacaqlar.
İndi üçbucağın düyünü bir nöqtədir və hər bir kənar bir xətt olardı və üçbucağın özü çoxbucaqlı olardı. Beləliklə, məlumatların quruluşu budur. Beləliklə, hər bir bitişik üçbucağın sayı olan bir üçbucaq nömrəsinə malikdir, məlumat nöqtələrin siyahısını, xətlərin nöqtələrini, kənarların yüksəkliklərinin x, y və z dəyərlərini ehtiva edir. Beləliklə, üçbucaqlı düzensiz bir şəbəkənin necə göründüyünü görə bilərsiniz.
Beləliklə, yüksəklik məlumatlarınız baxımından çox az dalğalanma olan aşağı bir sahəniz varsa, üçbucaqların yüksəklik dəyərlərində, hündürlük dəyərlərində tez -tez dəyişikliklər edəcəyiniz sahələrdən daha böyük olacağını görə bilərsiniz. Beləliklə, üçbucaqlı tərəflərin üçbucaqların ölçüsünün daha böyük olduğu düz sahələrə nisbətən daha sıx olacağını görə bilərsiniz.
Beləliklə, üçbucaqlı düzensiz bir şəbəkənin quruluşunu görə bilərsiniz. So, we have the nodes that isnode 11 and it would have the elevation value that is the I mean, height value and it wouldcontain the x and y reference with respect to the coordinate frame that is 2 points along the 2units along the x-axis and 9 units along the y-axis. So, this is where your node 11 is stored.Now, this triangle 101 is comprised of these three nodes that is node 11, node 12 and node13.


Nəticələr

Species distribution modelling

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

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

Predicted changes of spatial patterns of β-diversity

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

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

On average, βsim is projected to increase by

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

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

Predictors of change in β-diversity

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

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

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

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

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

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

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

Model sensitivity and robustness

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

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


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

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

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

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


Regional Climate–Weather Research and Forecasting Model

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

Jurnal

Bulletin of the American Meteorological Society &ndash American Meteorological Society


Results on simulated and real datasets

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

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

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

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

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

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

Test ‘SIM’

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

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


Metodlar

Bird Data and Genetic Distances

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

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

Precipitation Data and Patterns of Precipitation Seasonality

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

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

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

Accounting for Geographic Distance and Dispersal Barriers

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

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

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

Testing the Relationship between Differences in Precipitation Seasonality and Genetic Differentiation

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

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

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

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

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

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

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

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

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

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

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

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

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


What do negative DEM values mean? - Coğrafi İnformasiya Sistemləri

Verilənlər bazalarımızdan seçilmiş məzmunun maşın tərcüməsini tələb etdiniz. Bu funksiya yalnız sizin rahatlığınız üçün verilir və heç bir şəkildə insan tərcüməsini əvəz etmək məqsədi daşımır. Nə BioOne, nə də məzmun sahibləri və nəşrçiləri tərcümə xüsusiyyətinin funksionallığı və ya dəqiqliyi və ya tamlığı ilə əlaqədar heç bir məhdudiyyət qoymadan hər hansı bir açıq və ya zəmanət verən açıq və ya zəmanət vermirlər və açıq şəkildə rədd edirlər. tərcümələr.

Tərcümələr sistemimizdə saxlanılmır. Bu xüsusiyyətdən və tərcümələrdən istifadə etməyiniz BioOne veb saytının İstifadə Şərtlərində göstərilən bütün istifadə məhdudiyyətlərinə tabedir.

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

Chelsea E. Jenkins, 1 Steven M. Holland 1

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

Mövcud olduqda PDF və HTML daxildir

Bu məqalə yalnız mövcuddur abunəçilər.
Fərdi satış üçün mövcud deyil.

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