Suite

Erreur croissante d'ouest en est lors de la superposition d'un raster et d'une forme


J'utilise une forme d'Autriche de gadm.org que je souhaite superposer avec un fichier netCDF dans R. Comme netCDF a projeté les coordonnées dans EPSG: 31287, j'ai reprojeté la forme à l'aide de FWtools et de la chaîne .proj4 de spatialreference. org.

Malheureusement, la forme ne correspond pas aux données raster : le meilleur ajustement est à l'ouest et l'erreur augmente dans la direction est (la forme a une plus grande étendue dans la direction est que le raster). L'étendue nord/sud est correcte. Des idées de ce qui pourrait ne pas aller? J'ai déjà essayé de jouer aveclon_0valeurs, mais pour autant que je sois informé correctement, cela ne provoque qu'un changement général.


Combien de compensation avez-vous ?

S'il est d'environ 100 m, vous pourriez rencontrer un décalage de référence. Il se peut que le fichier netcdf n'ait pas de paramètres towgs84, contrairement à votre fichier de formes reprojeté. Il existe différents paramètres towgs84 pour MGI disponibles.

Soit dit en passant, FWtools est maintenant obsolète. Pour Windows, utilisez les dernières versions de GDAL à partir de http://www.gisinternals.com/release.php


Introduction

Les cônes alluviaux/diluviaux sont des formes de relief sédimentaires qui se développent à la base des fronts de montagne où des ruisseaux d'alimentation confinés émergent en capturant et en libérant leur charge de sédiments dans des zones non confinées (Bull 1977 Clevis et al. 2003). En répartissant leurs charges dans un motif rayonnant à partir d'un seul sommet, ils forment des canaux aux formes complexes telles que réticulées et dendritiques. Ces types de cônes sont des reliefs fluviaux courants liés à l'activité de cours d'eau torrentiels qui peuvent être soumis à une variété de processus d'écoulement différents (Santo et al. 2015 Sancho et al. 2008). Les processus d'érosion sont complexes et influencés par de nombreux facteurs.

De nombreuses études ont porté sur la compréhension de l'érosion des sols sur le cône alluvial. D'une part, l'évolution des cônes alluviaux est étudiée en utilisant une combinaison de techniques géomorphologiques et sédimentologiques, où les modèles d'érosion sont reconstitués (Roberts et al. 1999 Tipping et Halliday 2010 Yang et al. 2011). D'autre part, plusieurs études ont exploité la capacité des bassins sédimentaires à retenir les matériaux érodés et les flux d'érosion dérivés des calculs de bilan massique régional (Kuhlemann et al. 2002 Barnes et Heins 2010 Hinderer 2012). La surface d'un bassin versant ainsi que le volume et l'âge des sédiments érodés déposés à son exutoire peuvent être utilisés pour dériver le taux moyen de dénudation. La variation spatiale et temporelle du taux moyen de dénudation peut se traduire par des variations du soulèvement tectonique ou du forçage climatique (Kuhlemann et al. 2002 Barnes et Heins 2010). En outre, certains chercheurs ont mesuré les taux d'érosion moyens, le développement du paysage et les taux de soulèvement sur la base des concentrations de nucléides cosmogéniques 10 Be et 26 Al, qui sont particulièrement utiles pour estimer les taux d'érosion « de fond » à long terme. En effet, les concentrations de nucléides cosmogéniques sont insensibles aux changements récents, qui reflètent le processus tectonique à long terme des limites des plaques (Granger et al. 1996 Nishiizumi et al. 2005). Ces méthodes sont importantes et essentielles pour révéler le taux de dénudation et la mise en place des cônes diluviaux dans le processus géologique, mais ne conviennent pas à l'érosion des sols induite par les précipitations à court terme.

D'autres chercheurs ont proposé plusieurs modèles quantitatifs pour analyser le processus d'érosion des sols induite par les précipitations (Merritt et al. 2003 Aksoy et Kavvas 2005 de Vente et Poesen 2005 Cuomo et al. 2015, 2016). Ces modèles peuvent être divisés en trois catégories : les modèles empiriques, conceptuels et physiques. Les modèles empiriques sont souvent utilisés pour reconnaître les zones sources de l'érosion des sols, de tels modèles incluent la célèbre équation universelle de perte de sol (USLE Wischmeier et Smith 1978) et le modèle SEdiment Delivery Distributed (SEDD) (Ferro et Porto 2000). Tous les modèles empiriques ne peuvent rendre compte du dépôt et de la remobilisation des sédiments, ce qui limite l'application de ces modèles. Les modèles conceptuels impliquent des descriptions générales des processus de captage sans tenir compte des détails spécifiques des interactions des processus de captage (Sorooshian 1991), par exemple, le modèle AGriculture NonPoint Source (AGNPS) (Young et al. 1989). Les inconvénients des modèles conceptuels sont que l'étalonnage varie selon les sites et que les propriétés du sol et les caractéristiques des précipitations sont prises en compte indirectement (Cuomo et al. 2015). Les approches basées sur la physique décrivent les caractéristiques et les interactions de tous les processus induits par les précipitations dans un bassin versant. Des prévisions précises du ruissellement annuel et de la perte de sol basées sur le modèle européen d'érosion des sols (EUROSEM Morgan et al. 1998) ont été rapportées par Veihe et al. (2001) pour certains bassins versants d'Amérique centrale. L'un des modèles physiques les plus encourageants est le modèle d'érosion des sols du Limbourg (LISEM De Roo et al. 1996 De Roo et Jetten 1999), qui a été appliqué aux petites (< 10 km 2 Hessel et al. 2003) et aux moyennes des bassins de montagne de taille réduite (> 50 km 2 Baartman et al. 2012) cependant, il a évalué les performances et les incertitudes du LISEM vis-à-vis des estimations quantitatives des rejets solides et de la concentration. Les principaux inconvénients de ce modèle de catégorie sont que des étalonnages correspondants sont nécessaires pour des événements de ruissellement à différentes échelles et que la perte de sol peut être surestimée (Hessel et al. 2006).

Dans la plupart des cas réels, des informations très limitées sont disponibles, telles que le débit de pointe (d'eau et de sédiments) et la concentration de sédiments. Par conséquent, l'étalonnage de tout modèle d'érosion est assez difficile et incertain (Cuomo et al. 2016). De plus, la complexité du modèle est déterminée par le détail des processus de captage simulés (Merritt et al. 2003). Les modèles complexes souffrent de problèmes d'accumulation d'erreurs et d'identifiabilité des modèles, en raison d'un surparamétrage (Beven 1989). Par conséquent, il est nécessaire de proposer une méthode d'évaluation pratique et efficace de l'érosion des sols.

Les structures construites par l'homme telles que les pipelines et les voies ferrées sont généralement situées sur le bord d'attaque du cône diluvial, car le volume d'eau est relativement faible et le terrain est relativement plat. Il est bien connu que la distribution spatiale et temporelle des dépôts diluviaux en relation avec le développement des ravines érosives (Eriksson et al. 2000) et l'érosion lors de la formation et du développement des cônes diluviaux ont un grand impact sur les activités humaines. Cependant, il n'y a pas eu de méthodes précises et largement applicables pour évaluer la susceptibilité à l'érosion sur le bord d'attaque des cônes diluviaux sous les rivières intermittentes. Les cartes de susceptibilité pour différents processus subdivisent généralement le terrain en zones avec différentes probabilités qu'un certain type de processus puisse se produire (Corominas et al. 2013). Par conséquent, il est important d'évaluer l'érosion du sol du bord d'attaque du cône diluvial sous les rivières intermittentes pendant une période stable.

Cette étude propose une méthode d'évaluation de la susceptibilité à l'érosion des sols. La méthode est appliquée pour les évaluations de la susceptibilité de l'érosion du sol dans le cône diluvial recouvrant des pipelines souterrains peu profonds, et les résultats de l'évaluation sont comparés aux résultats techniques réels. De plus, le mécanisme de l'érosion des sols est discuté en fonction de la taille des particules et de la cimentation.


Test du RUSLE et des facteurs d'influence clés à l'aide de SIG et de méthodes de probabilité : une étude de cas dans la réserve naturelle nationale de Nanling, dans le sud de la Chine

Les principaux objectifs de l'étude étaient de tester les performances de l'équation universelle révisée de perte de sol (RUSLE) et de comprendre les facteurs clés responsables de l'érosion des sols dans la réserve naturelle nationale de Nanling (NNNR), dans le sud de la Chine, où l'érosion des sols est devenue un problème écologique et environnemental très grave. En combinant les données RUSLE et du système d'information géographique (SIG), nous avons d'abord produit une carte du risque d'érosion des sols au niveau de pixels de résolution de 30 m avec des facteurs prédits. Nous avons ensuite utilisé des images satellites Landsat 8 consécutives pour obtenir la distribution spatiale de quatre types d'érosion des sols et effectué une vérification de la vérité terrain du RUSLE. Sur cette base, nous avons développé de manière innovante un modèle de probabilité pour explorer la relation entre quatre types d'érosion des sols et les principaux facteurs d'influence, identifier les zones à forte érosion et analyser la raison des différences dérivées du RUSLE. Les résultats ont montré que la précision globale de l'interprétation des images était acceptable, ce qui pourrait être utilisé pour représenter la distribution spatiale actuelle de l'érosion des sols. La vérification de la vérité au sol a indiqué quelques différences entre la distribution spatiale et la classe d'érosion du sol dérivée du RUSLE et la situation réelle. La performance du RUSLE était insatisfaisante, produisant des différences et même quelques erreurs lorsqu'il est utilisé pour estimer les risques écologiques posés par l'érosion des sols dans le NNNR. Nous avons finalement produit un tableau de probabilité révélant le degré d'influence de chaque facteur sur différents types d'érosion des sols et élucidé quantitativement la raison de générer ces différences. Nous avons suggéré que le type d'érosion des sols et les principaux facteurs d'influence soient identifiés avant l'évaluation des risques d'érosion des sols dans une région.

1. Introduction

L'érosion des sols est un problème environnemental vital dans le monde entier entraînant la destruction des ressources du sol, le déclin de la fertilité des sols, la détérioration de l'environnement écologique et l'élévation du lit des rivières pour exacerber les inondations [1–4]. Quant à la Chine du Sud, la zone d'érosion des sols est signalée à environ 300 000 km 2 , qui est principalement répartie dans les zones montagneuses ou vallonnées de sol rouge, dont le taux d'érosion des sols peut atteindre 15 000 t·km −2 ·an −1 [ 5]. L'érosion des sols dans cette zone, en particulier l'érosion accélérée des sols induite par les activités humaines, est extrêmement grave et a un impact socio-économique énorme. Ainsi, le sud de la Chine a longtemps été une région importante pour la recherche sur l'érosion des sols.

Il existe de nombreuses méthodes pour évaluer l'érosion des sols à différentes échelles [6-9]. L'équation universelle révisée de perte de sol (RUSLE) est le modèle empirique le plus largement utilisé en raison de sa structure de modèle simple, transparente et robuste et de sa compatibilité avec les plates-formes géospatiales [10, 11]. Récemment, de nombreuses études ont rapporté prédire l'érosion des sols en combinant le RUSLE et le système d'information géographique (SIG) [12-17]. Par exemple, Fayas et al. [18] ont évalué l'érosion annuelle moyenne maximale des sols de 103,7 t·ha −1 ·an −1 dans le Kelani Bassin versant de la rivière au Sri Lanka. Panagos et al. [19] ont évalué que le taux moyen de perte de sol était de 2,46 t·ha −1 ·an −1 dans les zones sujettes à l'érosion de l'Union européenne. Zerihun et al. [20] ont classé le nord-ouest de l'Éthiopie en cinq classes de gravité de l'érosion des sols et estimé la perte totale de sol à 526 996 t·ha −1 ·an −1 . L'examen de ces études révèle que la plupart se sont concentrés sur des évaluations quantitatives de la perte de sol, tandis que peu ont considéré la vérification de la vérité terrain du RUSLE et les principaux facteurs d'influence sous-jacents de l'érosion des sols.

L'application d'un seul modèle d'érosion du sol dans une région peut produire de nombreuses différences importantes lors de la résolution de problèmes d'érosion localisés. En effet, les taux moyens de perte de sol peuvent se situer dans des limites tolérables, tandis que le problème peut être localement grave, c'est-à-dire que le modèle d'érosion pourrait sous-estimer le risque d'érosion dans certaines unités de couverture végétale d'un bassin versant. Par conséquent, la vérification de la vérité terrain est extrêmement importante et doit être effectuée après l'application du modèle prédit. Les principaux facteurs affectant l'érosion des sols sont le climat, la topographie, le sol, la végétation, la géologie et les activités humaines [21, 22]. Le RUSLE ne dépend que de cinq facteurs, à savoir l'érosivité des précipitations (R), érodabilité du sol (K), la longueur et la pente de la pente (LS), gestion de la couverture (C), et soutenir la pratique (P) ainsi, il existe un potentiel de négligence de certains autres éléments plus importants qui influencent l'érosion locale des sols, tels que la configuration des pentes, la lithologie et la distance aux réseaux de drainage. Pour différents bassins versants, les facteurs clés responsables de la génération de l'érosion des sols sont évidemment très différents. Wu et Wang [23] ont étudié la relation entre l'érosion des sols et les facteurs d'influence dans le comté de Fuyang, en Chine, et ont constaté que l'érosion des sols présentait une sélectivité élevée des facteurs géographiques, tels que l'altitude, la pente, l'aspect et l'utilisation des terres. Ma et al. [24] ont constaté que l'impact du modèle d'utilisation des terres sur la répartition de l'érosion des sols était devenu de plus en plus important et ont suggéré qu'une plus grande attention devrait être accordée au rôle de l'ajustement et de l'optimisation de la structure d'utilisation des terres dans le contrôle de l'érosion des sols. Bohm et Gerold [25] ont confirmé le rôle important de la végétation dans l'érosion du sol, et ils ont trouvé un petit effet de la texture et de la pente du sol. Li et Tang [26] ont découvert que l'activité humaine était un facteur très important dans le cours inférieur de la rivière Jinsha, en Chine. Sachs et Sarah [27] ont souligné que l'érosion du sol était fortement influencée par le type de sol, le taux de pente et le type et la couverture de la végétation. Wang et al. [28] ont testé quantitativement la relation entre l'érosion globale du sol et les facteurs environnementaux dans la réserve naturelle nationale de Nanling, en Chine, et ont constaté que l'érosion du sol est principalement répartie dans une gamme spécifique de facteurs environnementaux, tels que 500 à 1300 m d'altitude, rouge et sol de prairie broussailleuse et pente >40. Cependant, ils n'ont pas discuté davantage de la relation entre les différents types d'érosion des sols (érosion en rigoles, érosion en nappe, érosion en ravines et érosion anthropique) et les facteurs environnementaux. Pendant ce temps, ils n'ont pas estimé la perte potentielle annuelle totale de sol par le modèle RUSLE et n'ont donc pas testé l'application de RUSLE dans le NNNR. Par conséquent, avant la modélisation de l'érosion, il est essentiel non seulement d'établir les unités d'occupation du sol qui ont des taux d'érosion élevés, mais aussi de déterminer les facteurs d'influence sous-jacents de l'érosion des sols.

Les objectifs généraux de cette étude étaient d'évaluer les risques d'érosion des sols en combinant RUSLE, GIS et RS, de tester les performances du RUSLE et de comprendre les facteurs clés responsables de l'érosion des sols. Les objectifs spécifiques étaient les suivants : (i) dériver la distribution spatiale et le type d'érosion des sols à partir des techniques de RS et de mesure sur le terrain, (ii) cartographier un risque d'érosion des sols par intégration du RUSLE et du SIG, (iii) tester la la performance du RUSLE par la vérification de la vérité terrain, et (iv) pour comprendre les facteurs clés responsables de la génération de l'érosion des sols et les raisons des différences dérivées du RUSLE en utilisant le SIG et la méthode de probabilité développée. Pour atteindre ces objectifs, la réserve naturelle nationale de Nanling (NNNR), située dans le nord de la province du Guangdong, dans le sud de la Chine, a été choisie comme zone d'étude. En raison de la fonction complexe des facteurs naturels et artificiels, cette zone souffre de nombreux problèmes environnementaux tels que l'érosion des sols, la destruction des ressources en terres, la baisse de la fertilité des sols et la détérioration de l'environnement écologique.

2. Matériel et méthodologie

2.1. Caractérisation de la zone d'étude

La réserve naturelle nationale de Nanling (NNNR), choisie comme site de cas (Figure 1), couvre une superficie de 583,68 km 2 dans le nord de la province du Guangdong, dans le sud de la Chine. Sur le plan lithologique, les roches granitiques sont répandues dans la région de Nanling, en particulier le granitoïde jurassique a la plus grande superficie. La topographie est complexe et contrôlée par la structure montagneuse est-ouest, avec une altitude allant de 202,1 m à 1902 m. L'accélération sismique dans la zone d'étude est de 0,05 g. L'angle de pente varie de 0,0° à 64,3° avec une moyenne de 19,5°. Le système d'eau est dendritique et peut être grossièrement divisé en cinq niveaux (Figure 1). D'est en ouest, il existe deux principaux bassins fluviaux : la rivière Nanshui et la rivière Chengjia. La zone a une zonalité verticale distincte de quatre ordres de sols principaux (sol rouge, sol rouge-jaune, sol jaune et sol de prairie arbustive). La végétation va des forêts de feuillus subtropicales sempervirentes aux prairies alpines. Actuellement, la couverture forestière est supérieure à 90 %.


Résultats

La spécialisation complète de l'hôte est rare

Nous avons d'abord caractérisé les niveaux de spécialisation de l'hôte observés dans S. hermonthica populations à travers l'Afrique. Le degré de spécialisation de l'hôte était très variable parmi les 27 populations étudiées (Fig. 2). Les populations étaient caractérisées par une forte émergence sur le mil ou le sorgho uniquement, une forte émergence sur deux hôtes ou une forte émergence sur les trois hôtes (Fig. 2). Le regroupement hiérarchique avec un seuil à 0,5 a montré cinq groupes : spécialistes du mil (Groupe 1 n = 2), généralistes du mil/sorgho (Groupe 2 n = 3), spécialistes du sorgho (Groupe 3 n = 7), généralistes performants ( Groupe 4 n = 3) et spécialistes du maïs/sorgho (Groupe 5 n = 10 Fig. 2). Outre les généralistes très performants, tous les groupes comprenaient des populations issues d'au moins deux études, ce qui suggère que les différences entre les études n'ont pas fortement biaisé le regroupement. À l'exception des spécialistes du mil de Bambey, au Sénégal, la plupart des populations avaient des niveaux de spécialisation modestes ou faibles, comme l'indiquent les valeurs de l'indice de différenciation par paire (Fig. 2B). Ces résultats suggèrent que bien que les parasites puissent s'adapter localement aux espèces hôtes couramment cultivées, une spécialisation complète est rare.

La répartition des communautés d'accueil façonne la spécialisation

Nous avons ensuite cherché à savoir si la répartition des communautés d'accueil à travers les environnements pouvait façonner l'évolution de la spécialisation de l'hôte (Q1). S. hermonthica-les régions sujettes couvraient environ 628 millions d'hectares, dont 80% étaient estimés avoir une production non nulle de maïs, de mil ou de sorgho. Les modèles de production agricole suivaient généralement les gradients de précipitations, avec une plus grande superficie plantée en mil dans les régions plus arides du Sahel, le sorgho dominant aux basses latitudes et dans l'est du Soudan, et le maïs plus courant dans les régions plus mésiques (Fig. 2). En 2000, le sorgho ou le maïs étaient la culture dominante dans la plupart des S. hermonthica-les zones sujettes (38% de sorgho 38% de maïs), avec 24% de zones caractérisées par le mil comme principale culture céréalière.

La spécialisation observée dans les expériences était fortement associée à la variation spatiale des communautés de cultures hôtes (Fig. 3A–C). Pour les parasites sur les trois hôtes, la superficie relative de la culture hôte récoltée dans un rayon de 50 km était un bon prédicteur de l'émergence relative moyenne dans les études expérimentales. Cette constatation était particulièrement prononcée pour le mil (pMillet < 0,001zone_de_récolte = 1,02 LMM Informations complémentaires). La superficie relative des cultures récoltées était également un prédicteur statistiquement significatif de l'émergence relative moyenne sur le sorgho (psorgho = 0,04zone_de_récolte = 0,22 LMM) et le maïs (pmaïs = 0,04zone_de_récolte = 0,23 LMM Informations complémentaires). Ces résultats sont cohérents avec la conclusion selon laquelle les parasites s'adaptent à l'hôte le plus abondant dans une région particulière et suggèrent également que l'émergence relative des parasites est un indicateur raisonnable de la valeur adaptative (Fig. 1).

La spécialisation de l'hôte peut structurer les distributions de parasites

Nos analyses ont fourni peu de soutien pour une relation positive entre la spécialisation et l'occurrence du parasite sur différents hôtes (Q2 Fig. 3D–F). Dans un rayon de 50 km des 27 sites avec des données sur l'émergence des parasites, 15 sites avaient au moins un enregistrement d'occurrence de parasites avec des informations sur l'hôte d'origine. Proportion d'enregistrements sur un hôte particulier pour ces 15 Strige n'était pas un prédicteur statistiquement significatif de l'émergence sur le maïs (pmaïs = 0,07occurrence= 0,18 LMM), millet (pMillet = 0,06occurrence = 0,21 LMM) ou le sorgho (psorgho = 0,57occurrence = 0,05 LMM Informations complémentaires). La disponibilité de données supplémentaires sur l'occurrence des parasites et les performances pourrait révéler une relation plus étroite entre la spécialisation et les modèles d'occurrence des parasites sur différents hôtes.

La niche abiotique du parasite reflète la tolérance environnementale de l'hôte

Pour caractériser la base abiotique des modèles de spécialisation de l'hôte, nous avons construit des modèles de niche environnementale (ENM) pour les populations de parasites potentiellement spécialisées dans l'hôte en excluant toutes les occurrences avec un hôte inconnu ou avec un hôte non focal (Informations complémentaires). Malgré un plus petit nombre d'observations par rapport au modèle toutes occurrences, les ENM avaient une bonne précision prédictive pour chacun des modèles spécifiques à l'hôte. L'aire sous la courbe caractéristique de fonctionnement (AUC) du récepteur pour l'ensemble de test était de 0,848 pour le modèle toutes occurrences (n = 1049) par rapport à 0,850 pour le modèle de sorgho uniquement (n = 262), 0,908 pour le modèle de mil uniquement ( n = 157) et 0,841 pour le modèle maïs seul (n = 74).

Les niches modélisées reflétaient généralement les tolérances environnementales connues des hôtes, avec des modèles spécifiques au mil prédisant une aptitude élevée à l'habitat dans des environnements à faible teneur en azote (N), à faibles précipitations, mais des modèles spécifiques au maïs prédisant une aptitude plus élevée à l'habitat dans des environnements caractérisés par des sols plus riches en azote et des précipitations plus élevées (Fig. 4A–D). Pour toutes les espèces hôtes, les précipitations annuelles et l'azote du sol étaient généralement parmi les prédicteurs les plus importants de l'occurrence des parasites (Informations complémentaires). Les précipitations annuelles étaient le facteur le plus commun limitant l'adéquation de l'habitat pour le S. hermonthica (59 % de toutes les cellules du quadrillage du 10e au 90e centile pour les cellules de la grille avec un habitat convenable ≥ 0,5 : 854 à 1 537 mm an −1 ), mais était également fortement limitative pour les parasites du sorgho (41 % des cellules du 10e au 90e centile : 509 à 1 197 mm an -1 ) et le millet (32 % des cellules 10e-90e percentile : 441-1164 mm an -1 ) (Informations à l'appui). La température moyenne du quartier le plus humide était également un prédicteur important de S. hermonthica mil parasitant (Informations à l'appui) et adéquation de l'habitat souvent limitée pour les populations parasitant le mil (Informations à l'appui). La teneur en argile du sol était un prédicteur important de S. hermonthica sur le sorgho (Informations complémentaires), mais n'était limitative que pour les populations parasitant le mil dans l'est du Soudan et les populations parasitant le sorgho dans l'ouest du Sénégal (Informations complémentaires). Une teneur plus élevée en argile du sol a été associée de manière anecdotique au parasitisme sur le sorgho en général (Mohamed et al. 2001 ) et au Soudan (Wilson-Jones 1955 ).

Les ENM parasitaires reflètent les tolérances abiotiques de l'hôte. (A–D) Distribution des valeurs environnementales pour les cellules de la grille dans l'habitat principal (convenance de l'habitat ≥ 0,5) pour les ENM sur la base de sous-ensembles d'enregistrements d'occurrence sur différents hôtes. (E) Adaptabilité de l'habitat (HS) en fonction de la productivité combinée de l'hôte (rendement par hectare) à des emplacements parasitant le maïs, le mil et le sorgho S. hermonthica à partir d'observations d'histoire naturelle. Les courbes ont été ajustées en utilisant la régression polynomiale locale. HS culmine dans les endroits où la productivité des parasites du maïs est plus élevée que celle du mil ou du sorgho. (F) Spécialisation de l'hôte mesurée par l'indice de différence apparié (PDI) pour n = 25 S. hermonthica les populations testées pour l'émergence dans des études précédentes. Les zones ombrées dans (E) et (F) indiquent des intervalles de confiance à 90 %. Anne. Précipitations : précipitations annuelles (mm an −1 ) Temp. Mouiller. Q. : température moyenne du quart le plus humide (°C) du sol N : azote du sol (g kg -1 ) argile : fraction argileuse (% en poids).

Dans les écosystèmes agricoles et naturels, des environnements plus productifs peuvent être associés à une disponibilité accrue d'hôtes alternatifs, favorisant les généralistes (Thrall et al. 2007 ). Le parasitisme du maïs était associé à une meilleure qualité de l'environnement, l'adéquation de l'habitat atteignant un pic dans les endroits où la productivité agricole est plus élevée (Fig. 4E). Le rendement des cultures combinées par superficie récoltée était significativement plus élevé là où S. hermonthica parasite le maïs par rapport au mil (p < 0,001, test de la somme des rangs de Wilcoxon) mais pas par rapport au sorgho (p = 0,2), ce qui correspond à un chevauchement plus important des niches entre le maïs et le sorgho (Informations complémentaires). Nous avons observé une faible tendance vers une spécialisation réduite des parasites avec une productivité environnementale croissante (Fig. 4F p = 0,15, test d'adéquation du chi carré pour le modèle de régression linéaire). Pris ensemble, les ENM du parasite sont très sensibles aux différences de tolérance environnementale multivariée des hôtes, ce qui correspond à la culture de l'hôte sur un gradient allant des environnements marginaux et chauds (mil perlé) à des environnements plus productifs et plus froids (maïs).

Les gradients abiotiques façonnent la distribution des spécialistes du mil et du sorgho

Les contrastes ENM montrent où les niches hôtes diffèrent le plus dans l'espace environnemental multivarié. Si l'environnement abiotique est associé à la spécialisation de l'hôte, les spécialistes peuvent être plus susceptibles d'être là où les axes environnementaux différencient le plus fortement les hôtes dans l'espace de niche (Futuyma et Moreno 1988). Conformément à cette idée, les contrastes ENM étaient fortement prédictifs de la variation de S. hermonthica performance sur les espèces hôtes pour lesquelles des populations de parasites spécialisées ont déjà été signalées (Fig. 3G–H). Les contrastes ENM étaient plus fortement associés à l'émergence relative moyenne sur le mil (pMillet < 0,001EN M = -0,68 LMM) et étaient également significativement associés à l'émergence relative moyenne sur le sorgho (psorgho = 0,0067EN M = -0,50 LMM) (Informations à l'appui). En revanche, la spécialisation de l'hôte prédite par les contrastes ENM n'était pas fortement associée à l'émergence relative moyenne sur le maïs (pmaïs = 0,19,EN M = 0,15 LMM Informations complémentaires).

Changement futur dans les distributions des parasites

Pour étudier les changements potentiels dans la spécialisation de l'hôte au fil du temps, nous avons projeté les ENM sur les climats futurs (Informations complémentaires). D'ici 2050, nous avons prédit une augmentation globale de la qualité de l'habitat pour les S. hermonthica, avec une augmentation médiane de la qualité de l'habitat dans sa plage actuelle de 0,07 sous RCP 4,5 (p < 0,001 test de classement signé de Wilcoxon comparant la qualité de l'habitat des cellules de la grille dans le présent par rapport à 2050) et de 0,09 sous RCP 8,5 (p < 0,001 test de classement signé de Wilcoxon Informations complémentaires ). L'adéquation de l'habitat a augmenté le plus pour les populations parasitant le mil, suivies par celles parasitant le maïs S. hermonthica (Renseignements à l'appui). Les changements dans l'adéquation de l'habitat étaient hétérogènes dans l'espace, de nombreuses régions de la zone soudano-sahélienne de l'Afrique de l'Ouest devenant moins propices à la S. hermonthica et ses hôtes (Sultan et al. 2013 ) mais l'Afrique centrale et orientale devenant généralement plus appropriée (Informations complémentaires).


3. Méthodes

3.1. Synthèse et augmentation des données

Notre équipe a accédé à huit sites d'études de cas avec

données décennales LCLU raster dérivées de Landsat via

2000 (tableau 1, figure 2). Ceux-ci provenaient du projet Sibérie centrale (CSIB, Bergen et al 2003, 2008), le projet Primorsky (PRIM, Johnson 2014) et le projet Northern Eurasia Land Dynamics (NELDA, Pflugmacher et al 2011). Nous avons retraité les données raster pour rendre les classes LCLU aussi comparables que possible entre les sites et développé de nouvelles classifications pour 2010. Tout en nous concentrant sur les classes anthropiques d'utilisation des terres, nous avons retenu les autres classes raster LCLU (tableau 2). Plusieurs lacunes existent dans ces séries chronologiques et la plupart du temps, nous n'avons pas créé de données manquantes rétrospectivement. Cependant, nous avons créé de nouvelles classifications pour l'exploitation forestière et le feu pour les dates manquantes (tableau 1). Faute de données urbaines et routières détaillées et cohérentes, nous avons créé de nouvelles données vectorielles décennales pour ces caractéristiques anthropiques pour tous les sites et toutes les dates. Ensemble, ils ont formé l'ensemble de données SYNTHESIS LCLU. Pour un contexte plus large et une série chronologique (annuelle) plus dense, nous avons compilé des données statistiques russes au niveau de la province

1975-2010 pour les indicateurs socio-économiques représentatifs de l'étude des usages anthropiques des terres (Park 2013, Rosstat 2013).

Tableau 1. Données de SYNTHÈSE. La source est un projet d'études de cas héritées. Les strates sont les sites SIB (Sibérie) et RFE (Extrême-Orient russe) plus les sites N (Proche) et R (Éloigné). Le chemin/ligne est WRS-2. La date est celle de l'image unique ou principale. Le capteur est de type capteur Landsat. Un « x » indique les données SYNTHESIS disponibles : pour le raster LCLU, cela signifie qu'un ensemble complet de classes Les données raster Cut & Burn sont également incluses dans cet ensemble ou sont disponibles séparément a .

Placer La source Couches Chemin/ligne Landsat WRS-2 Date Capteur vecteur urbain vecteurroutes RasterCut & Burn Raster toutes les classes LCLU
Tomsk CSIB SIB/N p147r20 08/30/75 MSS X X X X
09/07/89 MT X X X X
07/09/99 ETM + X X X X
09/11/10 MT X X X X
Krasnoïarsk CSIB SIB/N p141r20 06/26/74 MSS X X X X
05/14/91 MT X X X X
08/18/00 ETM + X X X X
08/22/10 MT X X X X
Irkoutsk CSIB SIB/N p133r23 06/21/75 MSS X X X X
08/21/89 MT X X X X
08/13/01 ETM + X X X X
08/30/10 MT X X X X
Tchita NELDA SIB/N p129r24 08/22/76 MSS X X
05/28/92 MT X X X
060/1/00 ETM + X X X X
09/03/10 MT X X X X
Amour NELDA RFE/R p122r23 05/22/75 MSS X X X X
06/15/87 MT X X X X
05/15/02 ETM + X X X X
07/03/11 MT X X X X
Primorski PRIM RFE/N p113r29 06/30/76 MSS X X X X
Sud 09/09/89 MT X X X X
09/21/99 MT X X X X
08/13/09 MT X X X X
Primorski PRIM RFE/R p112r28 08/27/75 MSS X X X
Nord 06/27/88 MT X X X
06/07/01 ETM + X X X
09/12/10 MT X X X X
Sikhote-Alin NELDA RFE/R p112r25 plusieurs MSS X X
08/13/90 MT X X X
05/18/02 ETM + X X X X
06/09/13 OLI X X X X

a Deux sites n'ont pas de données pour 1975 en raison de l'indisponibilité d'images MSS adaptées à la classification raster.

Tableau 2. Cours de SYNTHÈSE LCLU.

Nous avons défini les classes raster LCLU de SYNTHESIS sur la base du schéma de classes des projets CSIB/PRIM existant car il représente le plus les utilisations anthropiques des terres (tableau 2). Certaines classes NELDA ont été appariées à celles qui ne l'étaient pas ont été croisées ou reclassées (tableau de matériel supplémentaire C). La reclassification comprenait la segmentation de certaines classes regroupées en classes distinctes à l'aide des données d'image. Les nouvelles classifications raster LCLU 2010 étaient principalement basées sur les mêmes méthodes que les données héritées pour un site donné (Bergen et al 2008, Pflugmacher et al 2011, Johnson 2014). Les données de formation et de test pour 2010 et les sites avec reclassements provenaient d'images à haute résolution spatiale (Google et CNES/Astrium 2014) et les sites non modifiés des images Landsat ont conservé les statistiques de précision héritées. En plus des précisions globales et des producteurs, nous avons calculé la précision des intervalles de confiance (IC) à 95 % et des IC à 95 % de la superficie des terres (Rossiter 2004, Olofsson et al 2014).

Nous avons cartographié manuellement les agglomérations urbaines rurales et les routes en tant qu'entités vectorielles polygonales et linéaires en utilisant des cartes topographiques russes au 1:200 000 et leurs schémas de classes ainsi que les données Landsat (tableau 2, Roskartografia 1985). Les données de source cartographique dataient des années 1970 à 1980, et nous avons donc d'abord numérisé et étiqueté les agglomérations et les routes présentes sur les cartes. La cartographie des établissements a utilisé une unité cartographique minimale de 0,1 km 2 (10 ha). Nous avons superposé les données vectorielles sur le

Imagerie Landsat de 1975, personnalisant davantage la présence de la route à cette date d'image, puis à chaque date ultérieure de la série temporelle Landsat de l'étude. Pour les polygones urbains, nous avons effectué des vérifications itératives pour corriger les erreurs d'omission ou de commission. Pour la longueur des routes, nous avons également effectué une évaluation quantitative de la précision pour 2010 basée sur une comparaison avec des images à haute résolution (Google Earth et Digital Globe 2017).

3.2. Quantification et analyse

À partir des données raster SYNTHESIS, nous avons d'abord quantifié les tendances dans les proportions et les magnitudes relatives des classes anthropiques Coupe (exploitation forestière) et Agriculture plus Brûlage au fil du temps pour chaque site. Nous les avons ensuite regroupées dans la région et les strates de proximité qui leur sont attribuées, en recalculant les statistiques pondérées par les zones terrestres du site. Dans les quelques cas où les données de coupe ou d'agriculture manquaient dans une série chronologique de site SYNTHESIS, nous avons estimé ces valeurs manquantes avant le regroupement, en utilisant une imputation unique basée sur les valeurs des données SYNTHESIS des dates de séries chronologiques voisines plus les statistiques annuelles au niveau de la province. Pour le site de l'Amour, nous avons calculé les proportions pour la Russie uniquement et pour la Russie-Chine combinée.

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

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

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


Acknowledgments

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


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

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

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

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

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

EDIT Addendum

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

EDIT Addendum 2

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

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


4 réponses 4

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

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

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

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

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

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


Analytical Approach

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

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

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

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

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


Voir la vidéo: Clip Raster in ArcMap Basic processing in GIS (Octobre 2021).