Viac

Vytvárate raster so vzdialenosťou od objektu pomocou QGIS?


Som v GIS (a v QGIS obzvlášť) nový. Snažím sa vytvoriť rastrovú vrstvu, ktorá obsahuje vzdialenosť od pobrežia pre určitú oblasť.

Mám obe vektorové vrstvy pobrežia (čiara) a príslušnú oblasť (polygón).

Existuje nástroj na vytvorenie rastra pomocou čiary ako objektu na meranie vzdialenosti a mnohouholníka ako masky?


Ak chápem váš problém, môžete vytvoriť vrstvu vzdialenej rastrovej vrstvy a orezať ju na svoj mnohouholník oblasti.

  • Vytvorte vrstvu rastrovej vzdialenosti pomocou nástroja Raster> Analýza> Blízkosť (vzdialenosť rastra) v QGIS (ďalšie informácie nájdete tu) - Ako vstupná vrstva použite vašu pobrežnú vrstvu
    - Tým sa vytvorí raster, kde každá bunka má hodnotu svojej vzdialenosti od pobrežia - môžete nastaviť max. vzdialenosť, ak chcete analýzu prerušiť

  • Potom použite nástroj Raster> Analýza> Clipper - To vám umožní orezať a zadať súbor (raster) vrstvou masky (vyberte mnohouholník oblasti)

  • Výstupom bude váš polygón regiónu ako raster s hodnotami vzdialenosti od pobrežia.

Ide ti o to?


Žiada sa o QGIS, ale len pre prípad, že by niekto chcel vedieť o ArcGIS: Môžete tiež použiť euklidovský nástroj na vzdialenosť. viac informácií nájdete tu: http://desktop.arcgis.com/en/arcmap/10.3/tools/spatial-analyst-toolbox/understanding-euclidean-distance-analysis.htm

Euklidovský nástroj vzdialenosti je tiež možný s čiarovou funkciou. Ak vás zaujíma iba vzdialenosť k čiarovej funkcii, môžete preskočiť voliteľný raster euklidovského smeru.

Nezabudnite nastaviť veľkosť výstupnej bunky. Keď sú vstupnými zdrojovými údajmi trieda funkcií, zdrojové umiestnenia sa pred vykonaním analýzy interne skonvertujú na raster. Rozlíšenie rastra je možné ovládať pomocou parametra Veľkosť výstupnej bunky alebo prostredia Veľkosť bunky. V predvolenom nastavení bude rozlíšenie určené kratšou šírkou alebo výškou rozsahu vstupného prvku vo vstupnom priestorovom referenčnom čísle deleno 250.

Ďalej môžete použiť orezávací nástroj alebo masku.


Fylogeografia a modelovanie ekologických medzier odhaľuje evolučnú históriu Leiolepis ocellata (Squamata, Leiolepidae)

Príspevok: Konceptualizácia (rovná sa), Kurátor údajov (úvod), Formálna analýza (úvod), Vyšetrovanie (úvod), Metodika (rovnaká), Správa projektu (úvod), Validácia (rovná sa), Vizualizácia (úvod), Písanie - pôvodný návrh (vedúci), Písanie - kontrola a úpravy (rovnaké)

Katedra biológie, Prírodovedecká fakulta, Univerzita Chulalongkorn, Pathumwan, Bangkok, Thajsko

Príspevok: Konceptualizácia (rovná sa), Formálna analýza (podporná), Metodika (rovnaká), Dohľad (rovná sa), Validácia (rovná sa), Vizualizácia (rovná sa), Písanie - kontrola a úpravy (rovnaké)

Laboratórium systematiky zvierat a molekulárnej ekológie, Katedra biológie, Prírodovedecká fakulta, Univerzita Mahidol, Ratchathewi, Bangkok, Thajsko

Príspevok: Konceptualizácia (rovná sa), Formálna analýza (podporná), Metodika (rovná), Vizualizácia (rovná sa), Písanie - kontrola a úpravy (rovnaké)

Národný park Doi Suthep-Pui, Suthep, okres Mueang Chiang Mai, Chiang Mai, Thajsko

Príspevok: Zdroje (rovnaké)

Národný park Doi Pha Klong, Ta Pha Mok, Long District, Thajsko

Príspevok: Zdroje (rovnaké)

Národný park Mae Puem, Mae Chai, okres Mae Chai, Thajsko

Príspevok: Zdroje (rovnaké)

Národný park Mae Wa, Mae Wa, okres Thoen, Lampang, Thajsko

Príspevok: Zdroje (rovnaké)

Laboratórium systematiky zvierat a molekulárnej ekológie, Katedra biológie, Prírodovedecká fakulta, Univerzita Mahidol, Ratchathewi, Bangkok, Thajsko

Jenjit Khudamrongsawat, Laboratórium systematiky zvierat a molekulárnej ekológie, Katedra biológie Prírodovedeckej fakulty Univerzity Mahidol, Rama VI Road, Ratchathewi, Bangkok 10400, Thajsko.

Príspevok: Konceptualizácia (rovná sa), Formálna analýza (podporná), Získanie finančných prostriedkov (vedúci), Vyšetrovanie (podpora), Metodika (rovná), Dohľad (rovnaký), Validácia (rovná sa), Vizualizácia (rovná sa), Písanie - kontrola a úpravy (rovný)

Laboratórium systematiky zvierat a molekulárnej ekológie, Katedra biológie, Prírodovedecká fakulta, Univerzita Mahidol, Ratchathewi, Bangkok, Thajsko

Príspevok: Konceptualizácia (rovná sa), Kurátor údajov (úvod), Formálna analýza (úvod), Vyšetrovanie (úvod), Metodika (rovnaká), Administrácia projektu (úvod), Validácia (rovná sa), Vizualizácia (úvod), Písanie - pôvodný návrh (vedúci), Písanie - kontrola a úpravy (rovnaké)

Katedra biológie, Prírodovedecká fakulta, Univerzita Chulalongkorn, Pathumwan, Bangkok, Thajsko

Príspevok: Konceptualizácia (rovná sa), Formálna analýza (podporná), Metodika (rovnaká), Dohľad (rovná sa), Validácia (rovná sa), Vizualizácia (rovná sa), Písanie - kontrola a úpravy (rovnaké)

Laboratórium systematiky zvierat a molekulárnej ekológie, Katedra biológie, Prírodovedecká fakulta, Univerzita Mahidol, Ratchathewi, Bangkok, Thajsko

Príspevok: Konceptualizácia (rovná sa), Formálna analýza (podporná), Metodika (rovná), Vizualizácia (rovná sa), Písanie - kontrola a úpravy (rovnaké)

Národný park Doi Suthep-Pui, Suthep, okres Mueang Chiang Mai, Chiang Mai, Thajsko

Príspevok: Zdroje (rovnaké)

Národný park Doi Pha Klong, Ta Pha Mok, Long District, Thajsko

Príspevok: Zdroje (rovnaké)

Národný park Mae Puem, Mae Chai, okres Mae Chai, Thajsko

Príspevok: Zdroje (rovnaké)

Národný park Mae Wa, Mae Wa, okres Thoen, Lampang, Thajsko

Príspevok: Zdroje (rovnaké)

Laboratórium systematiky zvierat a molekulárnej ekológie, Katedra biológie, Prírodovedecká fakulta, Univerzita Mahidol, Ratchathewi, Bangkok, Thajsko

Jenjit Khudamrongsawat, Laboratórium systematiky zvierat a molekulárnej ekológie, Katedra biológie Prírodovedeckej fakulty Univerzity Mahidol, Rama VI Road, Ratchathewi, Bangkok 10400, Thajsko.

Príspevok: Konceptualizácia (rovná sa), Formálna analýza (podporná), Získanie finančných prostriedkov (vedúci), Vyšetrovanie (podporné), Metodika (rovná), Dohľad (rovnaké), Overovanie (rovnaké), Vizualizácia (rovnaké), Písanie - kontrola a úpravy (rovný)


Úvod

Mor bol do Severnej Ameriky zavedený v roku 1900 počas tretej veľkej pandémie, ktorá sa začala v 19. storočí v Číne (Eskey & amp Haas, 1940). Následne pôvodca, Yersinia pestis, etablovaná v niekoľkých ohniskách naprieč semiaridovými oblasťami západu USA (USA), kde je teraz vo veľkej časti enzooticky udržiavaná jeleňou myšou (Peromyscus maniculatus), s občasnými epizootickými udalosťami u niektorých kľúčových druhov, ako sú prérijné psy (Cynomy spp) a sysle (Spermophilus spp.) (Eskey & amp Haas, 1940 Gage & amp Kosoy, 2005). Geografický rozsah západných USA skutočne vymedzuje jednu z najväčších koncentrácií ohnísk sylvanského moru v modernom svete. Napriek rozsiahlym ohniskám Y. pestis v USA je oveľa menej zoonotických prenosov na ľudí, ako sa vyskytuje v iných geografických oblastiach s významným ohniskom moru, ako je Madagaskar alebo Demokratická republika Kongo (Stenseth et al., 2008). Napriek tomu boli priemerné ročné incidenty moru v USA v rokoch 2001 až 2012 tri (rozsah 0–17) (Kwit et al., 2015 Adams et al., 2014). Väčšina týchto prípadov u ľudí sa prejavuje bubonicky a môže byť dosť závažná, najmä ak nie sú rozpoznané a včas liečené vhodnou antibiotickou terapiou. Schopnosť kvantifikovať riziko zoonotického prenosu zo zvierat na ľudí v regióne zavedených ohniskov moru v USA ako takom zostáva súčasným imperatívom výskumu. Uhryznutie blchou a kontakt s infikovanými zvieratami predstavovali 39,5% a 60,1% v uvedenom poradí zo všetkých prenosov infekcií so známou históriou expozície v rokoch 1965 až 2012 (Kugeler et al., 2015). Navyše, hoci je priamy kontakt s voľne žijúcimi zvieratami uznávaným rizikovým faktorom, mor sa často prenáša aj na domáce zvieratá po expozícii voľne žijúcim zvieratám, ktoré potom prenášajú infekciu na svojich ľudských správcov (Craven et al., 1993). Bez ohľadu na dôležitosť priameho a nepriameho (prostredníctvom domácich zvierat) kontaktu s voľne žijúcimi zvieratami, umiestnenia moru zvierat v krajine, ktoré môžu pôsobiť ako kanály zoonotického prenosu Y. pestis pre ľudí zostaňte neistí. Abiotické faktory, ako sú klimatické podmienky a pokrývka krajiny a využívanie krajiny, sú obzvlášť zaujímavé pre pochopenie distribúcie moru zvierat. Napríklad vzťahy medzi výskytom moru zvierat a podnebím boli popísané v západných USA, ale v oblastiach obmedzenejšieho geografického rozsahu (Holt et al., 2009 Eisen et al., 2007b Eisen et al., 2007c), zatiaľ čo štúdie o krajinná pokrývka sa zamerala na biotop hostiteľa Sylvan bez toho, aby sa zohľadnila blízkosť rozvinutých pozemkov (Eisen et al., 2007a). Rovnako dôležité sú biotické faktory, ako napríklad relatívny príspevok enzootických druhov (napr. P. maniculatus) sužovať výskyt medzi epizootickými druhmi (napr. Cynomy spp.) (Stenseth a kol., 2008 Gage & amp Kosoy, 2005). Preto by bolo užitočné pokúsiť sa modelovať prítomnosť zvieracieho moru ako funkciu abiotických aj biotických znakov v celom regióne. Súčasné vyšetrovanie sa snažilo predpovedať ekologický výklenok epizootického moru na základe prítomnosti moru v sylvanoch a hostiteľoch domácich zvierat vo všetkých štátoch západne od rieky Mississippi, a tým identifikovať priestory potenciálneho prenosu zoonotického moru na ľudí. Na modelovanie ekologického výklenku ako funkcie podnebia, nadmorskej výšky, krajinnej pokrývky a prítomnosti enzootickej nádrže bol použitý prístup strojového učenia. P. maniculatus.


Polygonizovať

O tlači Autorské práva Kontaktujte nás Autori Reklama Vývojári Podmienky Ochrana súkromia a bezpečnosť Ako funguje YouTube Testovanie nových funkcií Tlačové práva Kontaktujte nás Autori. Polygonizujte definície. Polygonizovať. definície. (matematika) Rozdelenie roviny na polygóny. (metalurgia) Vytvárať čiastkové zrná v zrnách kovu pri spracovaní Popis ¶. Tento nástroj vytvára vektorové polygóny pre všetky spojené oblasti pixelov v rastri zdieľajúce spoločnú hodnotu pixelov. Každý mnohouholník je vytvorený s atribútom udávajúcim hodnotu pixelov tohto mnohouholníka. Môže byť poskytnutá aj rastrová maska ​​na určenie, ktoré pixely sú vhodné na spracovanie popisu ¶. Vytvorí vektorové polygóny pre všetky spojené oblasti pixelov v rastri zdieľajúce spoločnú hodnotu pixelov. Každý mnohouholník je vytvorený s atribútom udávajúcim hodnotu pixelov tohto mnohouholníka. Algoritmus je odvodený od polygonizačného nástroja GDAL

Aká je definícia polygonizácie? Aký je význam polygonizácie? Ako používate polygonizáciu vo vete? Aké sú synonymá pre polygonizáciu polygonizáciu. Knižnica na prevod obrázkov na množinu polygónov na základe binárneho filtra. Inštalácia. Ak poznáte Go, mali by ste vedieť, ako to funguje: $ go get -u github.com/miltfra/polygonize Teraz ho môžete importovať do hlavičky súboru SpatiaLite e polygonize Pubblicato il 6 osadembre 2018 30 ottobre 2018 da Totò Non Naše SpatiaLite ponúka priestorové DBMS priestorové riešenie problémov s priestorovým spracovaním Pomocou nástroja SAGA Vectorising Grid Classes môžete polygonizovať iba 1 hodnoty. Stačí nastaviť výber triedy na jednu jedinú triedu a nastaviť identifikátor triedy na 1. Ak chcete použiť gdal.Polygonize (), budete musieť otvoriť svoj vstupný súbor pomocou gdal, získať rastrové pásmo a odovzdať ho do funkcie. Podobne budete musieť vytvoriť nový vektorový súbor geojson a odovzdať jeho vrstvu do funkcie. Použitie podprocesov

polygonizácia (polygonizácia jednoduchej prítomnosti v tretej osobe v prítomnom čísle, polygonizácia prítomného participia, polygonizácia jednoduchého minulého a minulého participia) (matematika) Rozdelenie roviny na polygóny. Pri spracovaní vytvárať podzrná v zrnách kovu. Súvisiace pojmy. polygonizácia Pozri tiež. rasteriz polygonizácia: Vytvorte polygónovú vrstvu z rastra. V spex: Nástroje priestorového rozsahu. Popis Použitie Argumenty Podrobnosti Hodnota Príklady varovania. Zobraziť zdroj: R/qm_rasterToPolygons.R. Popis. Táto metóda používa quadmesh na generovanie súradníc a vytvára vrstvu jednoduchých funkcií. Funkcia .polygonize (súbor hlavičky) je v zásade obalom funkcie geos polygonize. Ak si však prečítate komentáre Doxygenu k hlavičkovému súboru, všimnete si nasledujúce objasnenie: Vstupné geometrie musia byť úplne uzlové (t.j. uzly existujú na každom spoločnom priesečníku geometrií)

Polygonizovať. Polygóny na čiary. Body projektu (karteziánsky) Povýšiť na viacdielne. Obdĺžniky, ovály, diamanty. Odstráňte duplicitné vrcholy. Odstráňte nulové geometrie. Smer spätnej čiary. Točiť sa. Segmentujte podľa maximálneho uhla. Segmentujte podľa maximálnej vzdialenosti. Nastavte hodnotu M. Nastavte hodnotu M z rastra. Nastavte hodnotu Z. Zjednodušiť. Jednostranný nárazník. Hladké. Zachytením geometrií položte argumenty x. raster, tehla alebo stoh. na.rm. predvolene je TRUE a bude polygonizovať všetky bunky, ktoré v žiadnej vrstve nie sú NA, nastavením na FALSE neodstránite žiadne bunky. Argumenty boli postúpené metódam, v súčasnosti sa však nepoužívajú. Vzťahy súvisiace so problémom a overovanie trvanlivosti údajov z PicsArt - Photo Studio. Všeobecné poznámky, chyby JSON sono causati da file mancanti or corrotti. Scopri come scaryre and sostituire of corretta di Polygonize.json per risolvere questi fastidiosi messaggi di errore JSON

QGIS - Polygonizácia - Rastrovanie do vektora - YouTub

shapely.ops.polygonize_full (lines) ¶ Vytvorí polygóny zo zdroja čiar, pričom vráti polygóny a zvyšné geometrie. Zdrojom môže byť MultiLineString, sekvencia objektov LineString alebo sekvencia objektov, ktoré je možné prispôsobiť LineStrings. Vráti n -ticu objektov: (polygóny, dangle, orezané hrany, neplatné prstencové čiary) Polygonizuje množinu Geometrys, ktoré obsahujú čiarovú kresbu, ktorá predstavuje okraje rovinného grafu. Spracuje sa akýkoľvek rozmer geometrie - základná línia sa extrahuje a vytvoria sa hrany. Okraje musia byť správne prikývnuté, to znamená, že sa musia stretnúť iba na svojich koncových bodoch. SELECT ST_AsEWKT (ST_Polygonize (the_geom_4269)) As geomtextrep FROM (SELECT the_geom_4269 FROM ma.suffolk_edges ORDER BY tlid LIMIT 45) As foo geomtextrep -----ID 4269GEOMETRYCOLLECTION (POLYGON (-71.040878 42.285678, -71.040943 42. Polygon je webová stránka zameraná na hry v spolupráci so spoločnosťou Vox Media). Naša stránka zameraná na kultúru zahŕňa hry, ich tvorcov, fanúšikov, trendy a zábavné správy.

Polygonizácia Význam 2 najlepšie definície polygonizácie

Británia hláskujúci polygonizáciu ·· prvá osoba jednotného čísla prítomná svedčiaca o polygonizéri jednotná číslo prítomná v tretej osobe svedčiaca o polygonizéri prvá osoba jednotné číslo prítomné konjunktív polygonizéra tretia osoba jednotné číslo prítomné konjunktív polygonizéra druhá osoba jednotného čísla jednotný imperatív polygonizácie viac cercando di eseguire il comando gdal_polygoinize.py. Väčšina spôsobov, akými Python vstupuje do súboru, môže vytvárať rastrové súbory a výstupy rôznych tvarov súborov, ako je tomu v prípade bežných metód polygonizácie. 748 lajkov Ahojte všetci, toto je naša facebooková stránka pre náš web Polygonize.net :) Aplikujte na svoju fotografiu efekt Polygónu online pomocou Polygonize

Aplikácie Polygonica Polygonica sa dá použiť vo viacerých sektoroch. Typické využitie Polygonica je v odvetviach, ako sú CAD/CAM/CAE, medicína, 3D tlač, reverzné inžinierstvo, rýchle prototypovanie, 3D filmy a hry, geo-prieskum, mestské modelovanie a ďalšie 3D digitálne aplikácie Polygonizujte rastrový pás¶ Premeňte jeden rastrový pás na vektorový polygón! Ak ste to ešte neurobili, všimnite si, že niektoré z pomôcok gdal sú v skutočnosti skripty Pythonu. Nájdite ich vo svojom počítači, prečítajte si zdrojový kód a vyhoďte ich pre triky API Devo ottenere il contorno del poligono per tutti i raster nel nostro server. Ho provato un esempio di raster e ho usato la funzione gdal.Polygonize (). Con quello potrei produrre migliaia di piccoli poligoni ma voglio solo un.

gdal_polygonize vytvorí polygón pre každý súvislý (štandardne 4-spojený) blok rastrových buniek, ktoré zdieľajú spoločnú hodnotu bunky. Myslím, že vaše údaje sú nepretržité a len málo susedných buniek má rovnakú hodnotu. Môžete zvážiť napríklad zaokrúhlenie desatinných miest alebo zoskupenie rastra do niekoľkých tried (možno s rezom). tak príďte rendere gdal.Polygonize (.) creare il DN - I campi che si ottengono quando.

Gdal_polygonize - dokumentácia GDAL

Podrobnosti. Niektorý softvér GIS (napr. QGIS) má široké nástroje na zobrazenie vektorových údajov. S výnimkou choropletov sa predpokladá, že vizualizácia každej bunky oddelene je atraktívnejšia ako zobrazenie polygónov s rôznymi formami, ktoré sú vyrobené napríklad pomocou použiteľnosti konverzie GDAL gdal_polygonize.py Najľahší spôsob, ako zistiť, čo je zlé na vašej výzve na gdal .Polygonize je preskúmanie dokumentácie k tejto funkcii. Nájdete ho tu pomocou rozhrania API C algoritmov. Je pravda, že dokumentácia spoločnosti GDAL nie je práve najkoherentnejšia a najľahšie dostupná. Dvojnásobne to platí pre prevod C API na Python 10 qgis qgis-spracovanie polygonizácie používateľského rozhrania 1. Náklady na dopravu po celom svete. Skúsenosti s prácou s izokrónom a algoritmami sottostanti. Ciò che ora causa problemi non è il calcolo se lo stesso isochrone, ma la. Polygonizujte trojuholníkovú sieť (C ++) Položiť otázku položenú pred 4 rokmi. Aktívny pred 4 rokmi. Zobrazené 262 krát 0. Pokúšam sa vytvoriť nárazníkový polygón z trojuholníkovej siete. Skúsil som. Naše ST_BuildAreasupponga che gli anelli interni rappresentino dei buchi e li ometta dal risultato, mentre ST_Polygonizeli include nel risultato. Mnoho spôsobov použitia a zvukového doprovodu: ST_Polygonizácia alebo zoskupenie, ST_BuildArea bohaté a rozsiahle vstupy do jedného ST_Collect

Príspevok k mnohonásobnému scenáru Totot. Sociálnej. Vizualizujte profil na pigreco314 na Facebooku Vizualizujte profil na @totofiandaca su Twitte Dokumentácia GDAL Frank Warmerdam, Even Rouault a ďalší Mar 01, 202 Definícia polygonizácie v slovníku Definitionss.net. Význam polygonizácie. Čo znamená polygonizácia? Informácie a preklady polygonizácie v najkomplexnejšom zdroji definícií slovníka na webe polygonize_self_intersection.zip (1,1 KB) - pridal warmerdam pred 11 rokmi. zip obsahujúci problémovú ascii mriežku a vygenerovaný súbor tvarov. polygonize.png (21,2 KB) - pridal warmerdam pred 11 rokmi. pohľad na výsledný polygón. Stiahnite si všetky prílohy ako: .zi. 8) Tento algoritmus trvá veľa času! Na 40% sa zdá, že sa to zastaví, ale prosím, buďte trpezliví. Nechajte QGIS urobiť svoju prácu. 9) Teraz pridajte atribúty bodovej vrstvy Perceel.shp do vytvorenej plošnej vrstvy KadastraalVlak.shp a uložil som ju do KadastralePercelen.shp

Polygonizácia je neuveriteľne jednoduchý nástroj, ktorý však môžete použiť na okorenenie svojho blogu. Odovzdáte obrázok (alebo zadáte adresu URL) a potom vyberiete jeden z 15 filtrov spoločnosti Polygonize. Väčšina filtrov sú rovné nízke poly obrázky, niektoré ich však kombinujú s inými grafickými prvkami Ahoj, ľudia, kedykoľvek použijem doc- & gtPolygonize (), vybraná kamera bude v novo klonovanej scéne ignorovaná. Na klonovanú scénu sa pozerá z kamery editora, a nie z pôvodnej vybranej kópie fotoaparátu. Ako môžem zachovať aktuálny/vybraný fotoaparát, keď Polygnize (.. Na polygonizáciu a niekoľko ďalších budete potrebovať aj nainštalovaný Python (opäť ho už môžete mať nainštalovaný, takže najskôr skontrolujte!). Nakoniec pomôže, ak cesta k gdal_polygonize.py existuje v globálnej premennej PATH. Ak chcete skontrolovať, či je to tak, spustite v programe R: Sys.which (gdal_polygonize.py 12 sledovateľov, 1 nasledujúci, 11 príspevkov - pozrite si fotografie a videá z Instagramu z webu Polygonizácia (@polygonizenet polygonizácia je rýchlejšou alternatívou k rasterToPolygons. Podrobnosti. Toto je alternatívna funkcia k rasterToPolygons, ktorá predstiera, že je najrýchlejší spôsob vykonania tejto úlohy.

Polygonizácia (raster na vektor) - QGI

  1. d ty. Použitie Postgresql, Postgis a ST_Polygonize: elephant.sh. Rýchla metóda, ale zložitý dotaz. Používa ST_Polygonize od GDAL. Navrhujem použiť túto metódu, funguje dobre s šialene veľkými množinami údajov. Nezabudnite použiť GiST.
  2. geos :: operation :: polygonize :: Polygonizer Class Reference Polygonizuje množinu Geometrys, ktoré obsahujú čiary, ktoré predstavujú okraje rovinného grafu. Viac. #include & ltPolygonizer.h & gt Zoznam všetkých členov
  3. Rozhranie IPolygon4 (ArcObjects .NET 10.8 SDK) Zbaliť všetkoRozbaliť všetko. Pomocník ArcObjects pre vývojárov .NET & gt ArcObjects Pomoc pre vývojárov .NET & gt Obory názvov ArcObjects & gt Geometria & gt ESRI.ArcGIS.Geometry & gt Interfaces & gt IP & gt IPolygon4 Interface. Pomocník pre vývojárov ArcGIS. Rozhranie IPolygon4. Poskytuje prístup členom, ktorí rozširujú rozhranie IPolygon3
  4. Stiahnite si Polygonize apk 1.3.2 pre Android. Prejdite polygónmi do rytmu a zabavte sa v tejto bezplatnej neformálnej arkádovej hre

Polygonizácia Definícia polygonizácie podľa Oxfordského slovníka

  1. Vitajte v kuchárskej knihe Python GDAL/OGR! ¶ Táto kuchárska kniha obsahuje jednoduché útržky kódu o tom, ako používať API Python GDAL/OGR. Táto webová stránka je projektom na serveri GitHub a je obsluhovaná spoločnosťou Github Pages. Ak nájdete chýbajúce recepty alebo chyby v existujúcich receptoch, pridajte problém do sledovača problémov .. Podrobný popis celého rozhrania API Python GDAL/OGR nájdete v užitočných dokumentoch API
  2. doc- & gtPolygonize () vytvorí klon podľa SDK. Ak to mám nasledovať s CallCommand (12107) a CallCommand (12108), čo je kopírovanie a vkladanie, čo to ovplyvní? Pôvodný dokument alebo klon? V mojom doplnku SceneSaver (pre ktorý som ako štartér použil exportér .stl zo súpravy SDK) som pôvodne pracoval s polygonizovaným dokumentom
  3. e umiestnenie # readpoly: mal by byť súbor tvaru polygónu načítaný späť do R a vrátený touto funkciou? (logické
  4. gmic_polygonize.png [336,96 KiB | Zobrazené 7552 krát] Inšpirovala ma nedávna práca Lylea, ktorý nedávno vytvoril veľmi zaujímavé obrázky, ktoré vyzerajú, že majú štruktúru Eiffelovej veže. Nebolo mojím zámerom reprodukovať to, čo urobil, ale dalo mi to niekoľko nápadov na nový filter, takže tu to je

GitHub - MiltFra/polygonizácia: Knižnica na prevod obrázkov

  1. Polygonizácia Zobrazenie 1-14 zo 14 správ. Polygonize: Gwénaël Porucha: 5.7.18 09:28: Ahoj, v súčasnosti sa pokúšam extrahovať údaje z OSM prostredníctvom rozhrania Overpass API, čo je úspech. Moje údaje sú rieky a diaľnice. Potom tieto údaje importujem pomocou spatialite_osm_net s vlastnou šablónou
  2. Obor názvov: NetTopologySuite.Operation.Polygonize. Zostava: NetTopologySuite.dll. Syntax. polygonizátor verejnej triedy: objekt. Poznámky. Prijímajú sa všetky typy geometrie ako vstupná zložka čiar sa extrahuje ako hrany, ktoré sa majú polygonizovať
  3. Pretože Polygonize berie ako vstup zbierku Linestring alebo MultilineString. Le jeudi 5 juillet 2018 18:43:12 UTC+2, mj10777 a nasledujúce: Vo štvrtok 5. júla 2018 18:28:20 UTC+2 napísala Gwénaël Rault
  4. g a manipulácia s knižnicou geopriestorových abstrakcií údajov GDAL. V skutočnosti sú to dve knižnice - GDAL na manipuláciu s geopriestorovými rastrovými údajmi a OGR na manipuláciu s geopriestorovými vektorovými dátami - ale na účely tohto dokumentu budeme celý balík označovať ako knižnicu GDAL
  5. Použiť GDAL na súbor .tif pre prevodník v .shp. gdal_polygonize.py input.tif -f ESRI Shapefile out.shp Tuttavia questo non funziona e si traduce in

SpatiaLite a polygonizujú pigrecoinfinit

Máme 0 rýmovaných slov pre polygonizáciu »Čo sa rýmuje s polygonizáciou? Táto stránka je o rôznych možných slovách, ktoré sa rýmujú alebo znie ako polygonizácia. Používajte ju na písanie poézie, skladanie textov pre svoju pieseň alebo vymýšľanie rapových veršov Slovníky podobné funkciám GeoJSON pre tvary nachádzajúce sa v danej skupine. rasterio.features.geometry_mask (geometrie, out_shape, transform, all_touched = False, invert = False) ¶. Vytvorte masku z tvarov. Štandardne je maska ​​určená na použitie ako numpy maska, kde pixely, ktoré prekrývajú tvary, sú nepravdivé. Parametre Pri kontrole sa zdá, že gdal_polygonize je nainštalovaný ako súčasť balíka gdal16. Pretože však GDAL 1.6 nie je primárnou verziou GDAL, vkladá sa iba do jazyka C: \OSGeo4W \apps \gdal-16 \bin, ktorý je v ceste až po spustení skriptu gdal16.bat Raster to Vector Conversion bookmark_border. Na konverziu z dátového typu Image (raster) na FeatureCollection (vektor) použite obrázok.reduceToVectors (). Toto je hlavný mechanizmus vektorizácie v programe Earth Engine a môže byť užitočné pri generovaní oblastí pre vstup do iných typov reduktorov. Metóda ReduToVectors () vytvára hrany mnohouholníka.

Polygonizujte konkrétne hodnoty rastra QGIS - Geografické

Aby som to urobil, prikyvujem veľkú skupinu jednotlivých segmentov obrysu (až stovky tisíc) spolu s ohraničujúcim obdĺžnikom a potom polygonizujem prikyvovanú množinu. Mojím problémom je niekedy, že algoritmus kontúrovania nie je presný a vydáva obrys, ktorý má súradnicu 1ULP zo správnej hodnoty. Keď sa to stane, prikývnem, ktorý používam. Vyzerajte cool a podporte projekt QGIS! Vyberte si svoj štýl a obľúbenú farbu a ukážte svoju podporu našim dobrotám QGIS Polygonize verzia 1.1 Sprievodca odinštalovaním Polygonize verzie 1.1 z počítača Tieto informácie sa týkajú Polygonize verzie 1.1 pre Windows. Nižšie nájdete informácie o tom, ako ho odstrániť z počítača Polygonizovať Vzhľadom na pandémiu COVID-19 zavolajte vopred a overte si hodiny. Nezabudnite si precvičiť dištancovanie od spoločnosti. Pozrite sa, čo hovoria vaši priatelia Polygonizovať

GDAL polygonizuje príkazový riadok a python - Stack Overflo

[Archív] Polygonizujte titulky. Zdá sa, že Gabest stratil záujem o VSFilter (žiadne zmeny v úložisku guliverkli SVN za 9 mesiacov) a pokiaľ viem, nikto ho nejaký čas skutočne nevidel, ani webová stránka polygonize.com používa najnovšie a pokročilé technológie, ako napr. : JQuery. Podporuje HTTPS. Hlavná stránka html má veľkosť 13086 bajtov (nekomprimované 12,78 kb) a 6280 bajtov (komprimované 6,13 kb). Táto správa CoolSocial bola aktualizovaná 21. 10. 2019, túto analýzu môžete obnoviť, kedykoľvek chcete polygonizovať. Rd Táto metóda používa na generovanie súradníc funkciu quadmesh a vytvára vrstvu jednoduchých funkcií. Je to rýchlejšie vypnutím kontroly vykonanej v balíku jednoduchých funkcií, ale je to tiež rýchlejšie ako raster, pretože na generovanie súradníc používa hustú sieť. Ak potrebujete vytvoriť vrece polygónov z výberu údajov OpenStreetMap, mysleli by ste si, že stačí bežať shapely.ops.polygonize na výbere linestrings. Polygonizácia potrieb, aby sa konce riadkov zhodovali a nemusí fungovať tak, ako by ste očakávali s údajmi OSM. Po úspešnom použití polygonizácie na spracovanie údajov TIGER som si nad tým trochu poškriabal hlavu, až kým. výslovnosť polygonize - Ako správne povedať polygonizovať. Vypočujte si zvukovú výslovnosť v niekoľkých anglických prízvukoch

Polygonizácia - Wikislovník

  • POLYGONIZOVAŤ. Ľahko aplikujte na svoj obrázok automaticky mnohouholníkový štýl, je to najľahší spôsob, ako vytvoriť mnohouholníkový efekt so štýlom s polygonizáciou
  • Našlo sa 1 slov obsahujúcich polygonizáciu. Prezrite si náš vyhľadávač slov Scrabble, cheatový slovník Words With Friends a riešiteľ slov WordHub, kde nájdete slová, ktoré obsahujú polygonizáciu. Alebo použite náš riešenie slov Unscramble na nájdenie najlepšej možnej hry! Súvisiace: Slová, ktoré začínajú polygonizáciou Scrabble Slová s priateľmi Krížovka WordHub obsahuje 11 písmen.
  • Zoznam textov, interpretov a piesní, ktoré obsahujú výraz polygonizácia - z webu Lyrics.com
  • Online editor fotografií zadarmo. Efekty fotografií, skíc a farieb. Pre Tumblr, Facebook, Chromebook alebo webové stránky. Bezplatný softvér Lunapics Image na vytváranie obrázkov, umenia a animácií Gif
  • Použite raster Sean Gillies. Dá sa ľahko skombinovať s Fionou (čítanie a zápis tvarových súborov) a tvarom rovnakého autora. V skripte rasterio_polygonize.py je začiatok. import rasterio from rasterio.features import shapes mask = None with rasterio.drivers (): with rasterio.open ('a_raster') as src: image = src.read (1) # first band results = (<'properties': < 'raster_val': v.
  • Polygonizujte obrázok. Príspevok od hellocatfood »2018-11-25T15: 05: 10+01: 00. Snažím sa použiť Imagemagick na polygonizáciu obrázku. Na ilustráciu toho, čo mám na mysli, je príklad vyrobený s G'MIC. Pôvodná fotka :.
  • Online čistič a minifikátor SVG. Odstráňte nadbytočný odpad a znížte veľkosť generovaných súborov SVG

Analýza webových stránok Polygonize.com (kontrola) Polygonize.com má 1813 denných návštevníkov a má potenciál zarobiť až 218 USD mesačne zobrazovaním reklám. Ďalšie informácie nájdete v štatistikách návštevnosti .. Hostené na adrese IP 104.131.195.198 v New Yorku, Spojené štáty americké. Podobné webové stránky a webové stránky môžete nájsť pomocou rovnakej šablóny návrhu. Polygonize.com má odhadovanú hodnotu 7 832 USD Polygonizujte akýkoľvek obrázok pre Tablo, v ktorom podrobne popísal proces, ktorý vyvinul na konverziu obrázkov na polygóny - ktoré je možné v Tableau ľahko zobraziť - tak, že ich najskôr konvertujete na škálovateľnú vektorovú grafiku (SVG).. Použitím tejto metódy ,.

Polygonizácia: Vytvorte polygónovú vrstvu z rastra

- ST_Polygonize POLYGON je rovnaký POLYGON prevedený na- MULTIPOLYGON: SELECT ST_Polygonize ('POLYGON ((2 2, 2 4, 5 4, 5 2, 2 2 2))')- Odpoveď: MULTIPOLYGON ((2 2, 2 4, 5 4, 5 2, 2 2)) - Tento príklad ukazuje, že ST_Polygonize je chamtivý v tom zmysle, že skonštruuje čo najviac POLYGONOV. Poligonyze je aplikácia na spracovanie obrazu vytvorená na mieru pre obchod Happy Thoughts Store. . Vyberie obrázok ako vstup a vygeneruje vektorový obrázok vo vysokom rozlíšení s polygónovou rekreáciou pôvodných obrázkov trojuholníkové obrázky urobia fotografiu otvorený obrázok stiahnu obrázok zdieľajú obrázok stiahnu bitmapu (.png) stiahnu vektor (.svg

Turf.polygonize nevytvára polygóny z mriežky ..

hľadať: rt_api.c. bandtype_flag_hasnodata: bandtype_flag_isnodata: bandtype_flag_offd ST_Polygonize - Vytvorí kolekciu GeometryCollection tvorenú polygónmi zo sady geometrií, ktoré obsahujú čiary, ktoré predstavujú hrany polygónov. Synopsa PostgreSQL. geometry ST_Polygonize (bytea GeometryAggregate) geometry ST_Polygonize (bytea [] Geometry_Array) H2. geometria ST_PolygonizeAgg.

Pozrite sa na 2 tipy od 6 návštevníkov Polygonize S.A. Kancelária: Našlo sa 1 slov, ktoré začínajú polygonizáciou. Prezrite si náš vyhľadávač slov Scrabble, cheatový slovník Words With Friends a Riešiteľ slov WordHub, kde nájdete slová začínajúce polygonizáciou. Alebo použite náš riešenie slov Unscramble na nájdenie najlepšej možnej hry! Súvisiace: Slová obsahujúce polygonizáciu Scrabble slov s priateľmi Krížovka WordHub, 11-písmenové slová, ktoré sa začínajú. V závislosti od veľkosti súboru GeoTiff však môže byť spracovanie nástroja Polygonize náročné a časovo náročné. Potom existuje ďalšie riešenie, ktoré je spočítať počet.

GDAL & QGIS: inštalácia a nastavenie Bez ohľadu na to, akú máte počítačovú platformu, získajte pomoc s inštaláciou a konfiguráciou zbierky bežných polygonizácií geo-nástrojov s otvoreným zdrojom. sloveso. a) Rozdeliť rovinu na polygóny. b) Pri spracovaní vytvárať podzrná v zrnách kovu. Pozri tiež:. Polygonizovať. Polygonizuje množinu Geometrys, ktoré obsahujú čiarovú kresbu, ktorá predstavuje okraje rovinného grafu. Je to v podstate implementácia polygonizéra GEOS. Aj keď je algoritmus rovnaký ako GEOS, nejedná sa o doslovný prepis zdrojového kódu C ++. Aká je definícia polygonizácie? Aký je význam polygonizácie? Ako používate polygonizáciu vo vete? Čo sú synonymá pre polygonizáciu Vytvárajte povrchové formy z maticových alebo rastrových údajov na flexibilné vykresľovanie a konverziu na iné typy sietí. The functions quadmesh or triangmesh produce a continuous surface as a mesh3d object as used by the rgl package. This is used for plotting raster data in 3D (optionally with texture), and allows the application of a map projection without data loss and many processing applications that are.


Úvod

Rift Valley fever (RVF) is an emerging, vector-borne viral zoonosis that causes significant morbidity in humans and their livestock. The etiologic agent, Rift Valley fever virus (RVFV), is a Phlebovirus in the Bunyaviridae family and is transmitted by several mosquito species that facilitate viral maintenance (Aedes spp.) or amplification (Culex spp.) [1,2]. Human infections are invariably asymptomatic or mild in early stages, however, severe cases can manifest as hemorrhagic fever or encephalitis [3,4]. Sheep, goats, and cattle experience fetal abortions as a result of RVFV infection, and the disease contributes to substantive economic losses to pastoralist communities during outbreaks [5,6].

Historically, most outbreaks in humans and domestic animals have occurred in the African continent, and in eastern Africa these typically follow periods of excessive rain in poorly draining arid or semi-arid landscapes [7]. The resultant flooding is conducive to the breeding and hatching of infected mosquitoes which transmit the virus to ruminant hosts followed by eventual secondary transmission to other ruminants and humans [5]. In more recent years, RVF has progressively expanded east into the Arabian Peninsula, with outbreaks in Saudi Arabia and Yemen [8].

The epidemiology and infection ecology of RVFV is complex and our knowledge of these incomplete. Several species in two distinct mosquito genera transmit infection. As primary vectors, Aedes mosquitoes maintain RVFV transovarially during dry periods during these times there are little to no reported human or livestock infections. Aedes mosquito population explosion following wet periods leads to localized transmission to mammalian hosts [9,10]. Following this, Culex mosquitoes can expand (amplify) transmission to more dispersed livestock and human populations distant from the areas of local Aedes transmission [2,11,12]. Once RVFV becomes amplified in livestock, ongoing human infection occurs primarily through zoonotic transmission as a result of direct or indirect contact with animal tissues and body fluids, such as occurs during slaughtering or through performing obstetrical procedures on infected animals. Transmission from mosquitoes that feed on infected animals is also a viable though less important source of human infection [1,13].

While the role of vectors in RVFV infection ecology is well-established, the extent to which wildlife contributes to transmission as possible maintenance or amplification hosts is not well understood. Field investigations suggest that wild ruminants and rodents are the most likely RVFV reservoirs [14]. Nevertheless, data from these field surveys are limited, so definitive mammalian natural reservoirs for RVFV are not described [11,14].

The landscape epidemiology of RVFV is also incomplete with respect to abiotic systems of influence. For example, periods of excessive rain are strongly associated with RVF outbreaks in East Africa [7,15–18], however very little is known regarding the interaction between climate and terrestrial or hydrogeographic profiles in mediating RVF outbreaks [19]. In addition, there has been a lack of attention to land cover characteristics, which have the potential to influence mosquito habitat, sylvan reservoir habitat, and the movement of domestic livestock through the landscape. Finally, anthropogenic influence, such as human migration, may introduce novel, or increase existing, exposures among pastoralist and/or other rural and peri-urban communities [20].

The study sought to expand our current understanding of RVF epidemiology and infection ecology by investigating the role of diverse hydrogeographic features and wild Bovidae and Muridae species richness in delineating the landscape suitability of future outbreaks across the African continent and Arabian Peninsula.


Cranial variation in geographically widespread dwarf gerbil Gerbillus nanus (Gerbillinae, Rodentia) populations: Isolation by distance versus adaptation to local environments

Bader H. Alhajeri, Department of Biological Sciences, Kuwait University, Safat 13060, Kuwait.

Department of Biological Sciences, Kuwait University, Safat, Kuwait

Bader H. Alhajeri, Department of Biological Sciences, Kuwait University, Safat 13060, Kuwait.

Abstrakt

The dwarf gerbil (Gerbillus nanus) is broadly distributed in Asia, with a range that encompasses altitudinally diverse terrain, including two major mountain ranges. Previous studies have shown this species to be generally varied across its geographic range, both genetically and morphologically. Physical barriers (e.g. mountains) and geographic distance (i.e. isolation by distance [IBD]) are expected to reduce dispersal rates, and consequently could lead to cranial morphological differentiation among populations. Adaptation to local environments is also expected to lead to cranial morphological differentiation among populations. Here, I test these hypotheses by examining variation in cranial shape and size across the geographic distribution of G. nanus using geometric morphometric analysis. Based on a sample of 473 specimens from throughout its distribution, G. nanus populations do not seem to show biologically meaningful variation in cranial shape. Cranial size, on the other hand, did show geographic variation—yet, this variation does not seem to show strong patterns of IBD nor adaptation to local environments, which could indicate that the geographic variation in the cranial size of G. nanus populations may be accounted for by factors unexamined in this study.

Poznámka: Vydavateľ nezodpovedá za obsah ani funkčnosť akýchkoľvek podporných informácií poskytnutých autormi. Akékoľvek otázky (okrem chýbajúceho obsahu) by mali byť smerované na zodpovedajúceho autora článku.


Metódy

Statistical analyses

For a given geographical area of interest, out of (N) actual clinics we consider a subset of (J) participating clinics. We consider a dataset comprising of a list of patients (i in < 1, ldots I>) , each reporting at one of the (J) participating clinics. We develop inference for the subset of cases that are reported to participating clinics because, by definition, all other reported cases will not be found in the data set. For each (i ext) patient reporting at any one of (J) participating clinics, we define a data vector of “clinic reporting choice” (h_ , = , < h_, ldots ,h_ >) of length (J) , with value 1 at the (j ext) clinic, where the case was reported, and 0 in all the other cases. Such data can be described as realisations from a single-trial multinomial process,

where the likelihood of a positive outcome (disease case being reported) at the ( ext) clinic is determined by the vector of probabilities (varvec

_ = left < <>, ldots , P_ > ight>) of reporting the (i ext) case at the (i ext) clinic.

Any given case may be reported to any one of the participating clinics, but nearby clinics are more likely to receive the report. Under these assumptions, the probability of any one case being reported to any one clinic (accounting for other clinics) can be modelled in terms of the distances of all the clinics from the point of occurrence of the case, as follows:

where (g_ < ight)>>) represents the decay in the probability of reporting a disease case and is expressed as a function of distance (gleft( <>> ight)) between the place of residence of the (i ext) patient and the location of the (j ext) clinic. In traditional distance sampling approaches, the detection probability may be formulated as a half-normal (HN), a hazard rate (HR) or a negative exponential (NE) model:

where α and β are shape parameters, describing the rate of decay in detection probability with increasing distance. These three models are generally good options for traditional distance sampling, however they are not all appropriate for the proposed multinomial process because, following normalisation of probabilities to 1, a case reported at the exact location of a particular clinic could not receive a probability of 1. For this reason, we introduce a generalised formulation of these standard models:

This function collects the main features of the functions in Eq. (3), such as the exponential behaviour of HN and NE and the exponent for the decay rate in HR. However, we add the estimation of an intercept (a_<0>) which is extracted from data on the behaviour of the detection function at zero distance and allows the function to work under the normalisation proposed (the multinomial process of Eq. (2)), therefore allowing relaxation of the independence-of-observations assumption.

Health care accessibility needs to take into account both spatial and non-spatial factors, such as demographics or socioeconomic status [7, 8, 16, 52,53,54,55] that influence health seeking behaviour. To demonstrate that this model can be extended to include other non-spatial predictors of disease reporting, we tested two other models that included biologically realistic correlates of disease reporting: age of the patient (A), sex (S):

Poor road conditions can increase travel time and reduce health-seeking behaviour. This is particularly true in rural Africa, where road conditions are strongly weather dependent. To account for that, we tested another model that included season (R) as a categorical variable (wet or dry season).


Úvod

Deserts have been identified as ecosystems particularly susceptible to climate change, with regions such as the North African Sahara-Sahel likely to feel the impact of climate change at among the fastest rates (Loarie et al. 2009 IPCC 2013 ). Projected increases in the number of heatwave days (see Frich et al. 2002 ) in a region that supports the livelihoods of millions of people, and that is currently experiencing rapid human population growth (Vizy and Cook 2012 Potts et al. 2013 Abdi et al. 2014 ), is particularly worrying (Brooks 2004 Busby et al. 2014 ). Sadly, this largely understudied region has historically been mostly neglected by conservationists due to its relatively low productivity (Durant et al. 2012 ), despite being host to unique, yet rapidly declining, biodiversity (Durant et al. 2014 Reid 2014 ). The atypical nature of desert ecosystem dynamics could be perceived as attractive for ecological research purposes, but long-term political instability, remoteness and massive scale has so far deterred scientific investigation (Brito et al. 2014 ).

Climate change is yet not the only concern for Sahelo-Saharan biodiversity. Other threats include over-grazing, resource exploitation (oil, gas and mining), water accessibility conflicts and agricultural expansion (Brito et al. 2014 ) all expected to increase in the future. These threats are also likely to exhibit complex interactions. Recent research has, for example, identified that from 2000 to 2010, demand on net primary production increased markedly along with human population growth but supply remained constant (Abdi et al. 2014 ). This net increase in human appropriation of vegetation, alongside increasing drought frequency and intensity impacts, could spell disaster for local people and wildlife (Abdi et al. 2014 ). Droogers et al. ( 2012 ) have estimated that by 2050, climate change could account for 22% of water shortages in North Africa. The capacity for groundwater delivery systems to meet existing and future demand may weaken with climate change, population growth and economic development (Calow and MacDonald 2009 ). Groundwater extraction could become more costly (Masike and Urich 2009 ) especially so given the forecasted reduction in precipitation for northern Africa by the end of 21st century (IPCC 2013 ).

Water management in desert ecosystems is thus an important emerging issue, likely to become increasingly significant in the context of global environmental change. Desert water management is now increasingly reliant on artificial water points constructed to extract groundwater to supplement the requirements of livestock and people (Sissoko et al. 2011 ). Artificial water points can significantly impact local biodiversity, owing to the high concentration of livestock surrounding their immediate vicinity, which lead to the formation of severely degraded areas named ‘piospheres’ (Lange 1969 ). Individual piospheres can be large, extending up to 4 km (Jeltsch et al. 1997 James et al. 1999 ), and sometimes greater (e.g. Mphinyane and Rethman 2006 ). They can trigger poor soil fertility (Neff et al. 2005 ) and reduced vegetation cover (Zhao et al. 2005 ). Loss of palatable flora through selective grazing by livestock is common (James et al. 1999 ), with annual plants often replacing perennial grasses (Mphinyane and Rethman 2006 ). Moreover, high concentrations of domestic livestock can enhance shrub encroachment through concentrated seed dispersal (Tews et al. 2004 ). Such degradation can also increase the susceptibility of the landscape to desertification and droughts (Zhao et al. 2005 Hein 2006 ), while altering surface albedo and atmospheric dust levels, leading to potential impacts on the regional and global climatic systems (Mahowald et al. 2002 Lioubimtseva et al. 2005 Mulitza et al. 2010 ). Heightened competition for water between domestic livestock and native fauna is also of major concern, being considered to be one of the main drivers of the eradication of the Scimitar-horned oryx (Oryx dammah) within the Ouadi Rime-Ouadi Achim Faunal Reserve (OROAFR) in Chad (Mallon and Kingswood 2001 Beudels et al. 2005 ).

Currently there is no strategy for managing the expansion of artificial water points in desert ecosystems, with no existing framework or data collection protocol in place from which to plan for the future. Although highly accurate, ground-based field monitoring can be costly, labour intensive and time consuming, as well as demanding to implement in remote regions where security and logistics are issues (Duncan et al. 2014 ). Satellite information could potentially help, thanks to the global coverage and repeated measures satellites provide, as well as the good availability of satellite data for dry regions (due to low cloud cover Wylie et al. 2005 ). Given the limited funds currently available to desert monitoring and conservation (Durant et al. 2012 ), such assistance could be particularly valuable if artificial water points could be detected using freely available monitoring data and open source software. At present, the feasibility of such monitoring systems remains unknown, with previous satellite research on artificial water extraction focusing solely on associated degradation rather than the detection of artificial water points (Hanan et al. 1991 Washington-Allen et al. 2004 Jafari et al. 2008 Karnieli et al. 2008 ). The recent launch of the Landsat 8 satellite with high bit-depth and 16-day temporal resolution now opens an exciting opportunity for remote sensing to systematically detect these features within remote regions.

This work aims to fill this existing gap in knowledge by establishing a reproducible and cost-free methodology based on image classification that can detect artificial water points in arid environments, using the OROAFR, Chad as a case study. This site was chosen due to the imminent reintroduction of the Scimitar-horned oryx, given that information on the distribution and expansion of artificial water points could enhance decision-making while enabling these potential threats to be monitored into the future.


Betts A, Gray C, Zelek M, MacLean RC, King KC (2018) High parasite diversity accelerates host adaptation and diversification. Science 360(6391):907–911. https://doi.org/10.1126/science.aam9974

Brinckman A, Chard K, Gaffney N, Hategan M, Jones MB, Kowalik K, Kulasekaran S, Ludäscher B., Mecum BD, Nabrzyski J, Stodden V, Taylor IJ, Turk MJ, Turner K (2018) Computing environments for reproducibility: capturing the Whole tale. future generation computer systems. https://doi.org/10.1016/j.future.2017.12.029

CBD (2014) Subsidiary Body on Scientific Technical and Technological Advice. Consideration of Issues in Progress: Health and Biodiversity. Convention on Biological Diversity. Sixteenth meeting. Tech. rep.

Chame M, Barbosa HJC, Gadelha L, Augusto DA, Krempser E, Abdalla L (2014) Sistema de informação em saúde Silvestre - SISS-geo. In: III Seminário grandes desafios da computação no brasil - fase 2. SBC

Chame M, Labarthe N (2013) Saúde Silvestre e humana: experiências e Perspectivas fundação Oswaldo Cruz (Fiocruz)

Chapelle O, Schölkopf B, Zien A (2010) Semi-supervised Learning. MIT Press, Cambridge

Civitello DJ, Cohen J, Fatima H, Halstead NT, Liriano J, McMahon TA, Ortega CN, Sauer EL, Sehgal T, Young S, Rohr JR (2015) Biodiversity inhibits parasites: Broad evidence for the dilution effect. In: Proceedings of the National Academy of Sciences. https://doi.org/10.1073/pnas.1506279112

Cohen-Boulakia S, Belhajjame K, Collin O, Chopard J, Froidevaux C, Gaignard A, Hinsen K, Larmande P, Bras YL, Lemoine F, Mareuil F, Ménager H, Pradal C, Blanchet C (2017) Scientific workflows for computational reproducibility in the life sciences: Status, challenges and opportunities. Futur Gener Comput Syst 75:284–298. https://doi.org/10.1016/j.future.2017.01.012

Convention on Biological Diversity (CBD) (2010) Decision Adopted by the Conference of the Parties to the Convention on Biological Diversity at its Tenth Meeting. X/2. The Strategic Plan for Biodiversity 2011–2020 and the Aichi Biodiversity Targets. UNEP/CBD/COP/DEX/X/2. https://www.cbd.int/doc/decisions/cop-10/cop-10-dec-02-en.pdf

Couto-Lima D, Madec Y, Bersot MI, Campos SS, Motta MdA, Santos FBd, Vazeille M, Vasconcelos PFdC, Lourenço-de Oliveira R, Failloux AB (2017) Potential risk of re-emergence of urban transmission of Yellow Fever virus in Brazil facilitated by competent Aedes populations. Sci Rep 7(1):4848. https://doi.org/10.1038/s41598-017-05186-3

Cunningham A, Daszak P, Wood J (2017) One Health, emerging infectious diseases and wildlife: two decades of progress?. Philos Trans R Soc B Biological Sciences 372:20160167. https://doi.org/10.1098/rstb.2016.0167

Estrada-Peña A, Ostfeld RS, Peterson AT, Poulin R, de la Fuente J (2014) Effects of environmental change on zoonotic disease risk: an ecological primer. Trends Parasitol 30(4):205–14. https://doi.org/10.1016/j.pt.2014.02.003

Fegraus EH, Andelman S, Jones MB, Schildhauer M (2005) Maximizing the value of ecological data with structured metadata: an introduction to ecological metadata language (EML) and Principles for Metadata Creation. Bull Ecol Soc Am 86 (3):158–168. https://doi.org/10.1890/0012-9623(2005)86[158:MTVOED]2.0.CO2

Gadelha L, Guimarães P, Moura AM, Drucker DP, Dalcin E, Gall G, Tavares J, Palazzi D, Poltosi M, Porto F, Moura F, Leo WV (2014) SiBBr: Uma Infraestrutura para Coleta, integração e ana̧lise de Dados sobre a Biodiversidade Brasileira. In: VIII Brazilian e-science Workshop (BRESCI 2014). Proc XXXIV Congress of the Brazilian Computer Society

Guo L, Rivero D, Dorado J, Munteanu CR, Pazos A (2011) Automatic feature extraction using genetic programming: an application to epileptic EEG classification. Expert Systems with Applications 38(8):10,425–10,436. https://doi.org/10.1016/j.eswa.2011.02.118

Guyon I, Gunn S, Nikravesh M, Zadeh LA (2006) Feature extraction: foundations and applications. Springer-Verlag. https://dl.acm.org/citation.cfm?id=1208773

Hardisty A, Roberts D, Addink W, Aelterman B, Agosti D, Amaral-Zettler L, Ariño A. H., Arvanitidis C, Backeljau T, Bailly N, Belbin L, Berendsohn W, Bertrand N, Caithness N, Campbell D, Cochrane G, Conruyt N, Culham A, Damgaard C, Davies N, Fady B, Faulwetter S, Feest A, Field D, Garnier E, Geser G, Gilbert J, Grosche Grosser D, Herbinet B, Hobern D, Jones A, de Jong Y, King D, Knapp S, Koivula H, Los W, Meyer C, Morris RA, Morrison N, Morse D, Obst M, Pafilis E, Page LM, Page R, Pape T, Parr C, Paton A, Patterson D, Paymal E, Penev L, Pollet M, Pyle R, von Raab-Straube E, Robert V, Robertson T, Rovellotti O, Saarenmaa H, Schalk P, Schaminee J, Schofield P, Sier A, Sierra S, Smith V, van Spronsen E, Thornton-Wood S, van Tienderen P, van Tol J, O’Tuama E, Uetz P, Vaas L, Vignes Lebbe R, Vision T, Vu D, De Wever A, White R, Willis K, Young F (2013) A decadal view of biodiversity informatics:, challenges and priorities. BMC Ecol 13(1):16. https://doi.org/10.1186/1472-6785-13-16

He Z, Kays R, Zhang Z, Ning G, Huang C, Han TX, Millspaugh J, Forrester T, Mcshea W (2016) Visual informatics tools for supporting large-scale collaborative wildlife monitoring with citizen scientists. IEEE Circuits Syst Mag 16 (1):73–86. https://doi.org/10.1109/MCAS.2015.2510200

Heberling JM, Isaac BL (2018) iNaturalist as a tool to expand the research value of museum specimens. Appl Plant Sci 6 (11):e01193. https://doi.org/10.1002/aps3.1193

Jones KE, Patel NG, Levy MA, Storeygard A, Balk D, Gittleman JL, Daszak P (2008) Global trends in emerging infectious diseases. Nature 451 (7181):990–993. https://doi.org/10.1038/nature06536

Keesing F, Holt RD, Ostfeld RS (2006) Effects of species diversity on disease risk. Ecol Lett 9(4):485–498. https://doi.org/10.1111/j.1461-0248.2006.00885.x

Keesing F, Ostfeld RS (2015) Is biodiversity good for your health?. Science 349(6245):237–236. https://doi.org/10.1126/science.aac7892

Koza JR, R J (1992) Genetic programming : on the programming of computers by means of natural selection. Stlačte MIT. https://dl.acm.org/citation.cfm?id=138936

Lafferty KD, Allesina S, Arim M, Briggs CJ, De Leo G, Dobson AP, Dunne JA, Johnson PTJ, Kuris AM, Marcogliese DJ, Martinez ND, Memmott J, Marquet PA, McLaughlin JP, Mordecai EA, Pascual M, Poulin R, Thieltges DW (2008) Parasites in food webs: the ultimate missing links. Ecol Lett 11(6):533–546. https://doi.org/10.1111/j.1461-0248.2008.01174.x

Meirelles PM, Gadelha Jr. L. M. R., Francini-Filho RB, Leão RdM, Amado-Filho GM, Bastos AC, Paranhos RPdR, Rezende CE, Swings J, Siegle E, Neto NEA, Leitão SN, Coutinho R, Mattoso M, Salomon PS, Valle RAB, Pereira RC, Kruger RH, Thompson C, Thompson FL (2015) BaMBa: towards the integrated management of Brazilian marine environmental data. Database 2015. https://doi.org/10.1093/database/bav088

Michener WK, Jones MB (2012) Ecoinformatics: supporting ecology as a data-intensive science. Trends Ecol Evol 27(2):85–93. https://doi.org/10.1016/j.tree.2011.11.016

Mondelli ML, Magalhães T, Loss G, Wilde M, Foster I, Mattoso M, Katz D, Barbosa H, de Vasconcelos ATR, Ocaña K., Gadelha LMR (2018) Bioworkbench: a high-performance framework for managing and analyzing bioinformatics experiments. PeerJ 6:e5551. https://doi.org/10.7717/peerj.5551

Moreau L, Groth P (2013) Provenance: An Introduction to PROV, vol 3. Morgan & Claypool, San Rafael. https://doi.org/10.2200/S00528ED1V01Y201308WBE007

Moreira-Soto A, Torres MC, Lima de Mendonça MC, Mares-Guia MA, Damasceno dos Santos Rodrigues C, Fabri A, Cardoso dos Santos C, Machado araújo ES, Fischer C, Ribeiro Nogueira RM, Drosten C, Sequeira PC, Drexler JF, Bispo de Filippis AM (2018) Evidence for multiple sylvatic transmission cycles during the 2016-2017 yellow fever virus outbreak, Brazil. Clinical Microbiology and Infection. https://doi.org/10.1016/J.CMI.2018.01.026

Ostfeld R (2000) Keesing felicia: biodiversity and disease risk: the case of lyme disease. Conserv Biol 14:722–728. https://doi.org/10.1046/j.1523-1739.2000.99014.x

Ostfeld RS, Glass G, Keesing F (2005) Spatial epidemiology: an emerging (or re-emerging) discipline. Trends Ecol Evol 20(6):328–336. https://doi.org/10.1016/j.tree.2005.03.009

Pando F (2017) How species interactions are managed in Plinian core: status and questions. Proceedings of TDWG 1:e20556. https://doi.org/10.3897/tdwgproceedings.1.20556

Pereira HM, Ferrier S, Walters M, Geller GN, Jongman RHG, Scholes RJ, Bruford MW, Brummitt N, Butchart SHM, Cardoso AC, Coops NC, Dulloo E, Faith DP, Freyhof J, Gregory RD, Heip C, Höft R., Hurtt G, Jetz W, Karp DS, McGeoch MA, Obura D, Onoda Y, Pettorelli N, Reyers B, Sayre R, Scharlemann JPW, Stuart SN, Turak E, Walpole M, Wegmann M (2013) Ecology. Essential biodiversity variables. Science (New York, N.Y.) 339(6117):277–8. https://doi.org/10.1126/science.1229931

Peterson AT (2014) Mapping disease transmission risk: enriching models using biogeography and ecology. JHU Press

Peterson AT, Soberón J, Krishtalka L (2015) A global perspective on decadal challenges and priorities in biodiversity informatics. BMC ecology 15(1):15. https://doi.org/10.1186/s12898-015-0046-8

Poulin R (2010) Network analysis shining light on parasite ecology and diversity. Trends Parasitol 26(10):492–498. https://doi.org/10.1016/j.pt.2010.05.008

QGIS Development Team (2009) QGIS Geographic Information System. Open Source geopriestorová nadácia. http://qgis.osgeo.org

Ryser-Degiorgis M (2013) Wildlife health investigations: needs, challenges and recommendations. BMC Vet Res 9:223. https://doi.org/10.1186/1746-6148-9-223

Robertson T, Döring M, Guralnick R, Bloom D, Wieczorek J, Braak K, Otegui J, Russell L, Desmet P (2014) The GBIF integrated publishing toolkit:, facilitating the efficient publishing of biodiversity data on the internet. PLoS One 9(8):e102,623. https://doi.org/10.1371/journal.pone.0102623

Rokach L (2010) Ensemble-based classifiers. Artif Intell Rev 33(1-2):1–39. https://doi.org/10.1007/s10462-009-9124-7

Romanelli C, Cooper D, Campbell-Lendrum D, Maiero M, Karesh WB, Hunter D, Golden CD (2015) Connecting global priorities: biodiversity and human health: a state of knowledge review. World Health Organization and Secretariat of the Convention on Biological Diversity

Rottstock T, Joshi J, Kummer V, Fischer M (2014) Higher plant diversity promotes higher diversity of fungal pathogens, while it decreases pathogen infection per plant. Ecol 95(7):1907–1917. https://doi.org/10.1890/13-2317.1

Sánchez-Tapia A, de Siqueira MF, Lima RO, Barros FSM, Gall GM, Gadelha LMR, da Silva LAE, Osthoff C (2018) Model-R: a framework for scalable and reproducible ecological niche modeling. In: High Performance Computing: 4th Latin American Conference, CARLA 2017. Communications in Computer and Information Science. https://doi.org/10.1007/978-3-319-73353-1_15, vol 796. Springer, Berlin, pp 218–232

Schulz K, Calba C, Peyre M, Staubach C, Conraths F (2016) Hunters’ acceptability of the surveillance system and alternative surveillance strategies for classical swine fever in wild boar - a participatory approach. BMC Veterinary Research 12:187. https://doi.org/10.1186/s12917-016-0822-5

Settles B (2009) Active learning literature survey. Tech. rep., University of Wisconsin-Madison

Sillero N (2011) What does ecological modelling model? a proposed classification of ecological niche models based on their underlying methods. Ecol Model 222 (8):1343–1346. https://doi.org/10.1016/j.ecolmodel.2011.01.018

Sullivan BL, Aycrigg JL, Barry JH, Bonney RE, Bruns N, Cooper CB, Damoulas T, Dhondt AA, Dietterich T, Farnsworth A, Fink D, Fitzpatrick JW, Fredericks T, Gerbracht J, Gomes C, Hochachka WM, Iliff MJ, Lagoze C, La Sorte FA, Merrifield M, Morris W, Phillips TB, Reynolds M, Rodewald AD, Rosenberg KV, Trautmann NM, Wiggins A, Winkler DW, Wong WK, Wood CL, Yu J, Kelling S (2014) The eBird enterprise: a integrated approach to development and application of citizen science. Biol Conserv 169:31–40. https://doi.org/10.1016/J.BIOCON.2013.11.003

Sutherst RW (2001) The vulnerability of animal and human health to parasites under de global change. Int J Parasitol 31:933–948. https://doi.org/10.1016/S0020-7519(01)00203-X

Vasconcelos P, Monath T (2016) Yellow fever remains a potential threat to public health. Vector-Borne and zoonotic diseases 16(8). https://doi.org/10.1089/vbz.2016.2031

Wardeh M, Risley C, McIntyre MK, Setzkorn C, Baylis M (2015) Database of host-pathogen and related species interactions, and their global distribution. Scientific Data 2(150):049. https://doi.org/10.1038/sdata.2015.49

Wieczorek J, Bloom D, Guralnick R, Blum S, Döring M, Giovanni R, Robertson T, Vieglais D (2012) Darwin Core:, an evolving community-developed biodiversity data standard. PloS One 7(1):e29,715. https://doi.org/10.1371/journal.pone.0029715

Xavier SCdC, Roque ALR, Lima VdS, Monteiro KJL, Otaviano JCR, Ferreira da Silva LFC, Jansen AM (2012) Lower richness of small wild mammal species and chagas disease risk. PLoS Negl Trop Dis 6(5):e1647. https://doi.org/10.1371/journal.pntd.0001647


Metódy

Study area

This study was conducted within the Indian River Lagoon (IRL), an extremely shallow estuarine system stretching approximately 250 km (876 km 2 ) along the east coast of Florida (Fig. 1). The IRL consists of four interconnected bodies of water: Mosquito Lagoon, Banana River, Indian River, and the St. Lucie River (SLR) which runs E–W off the Indian River in the southern portion of the lagoon. The estuary is connected to the ocean via five inlets (Ponce de Leon, Sebastian, Fort Pierce, St. Lucie, and Jupiter Inlets) that facilitate salt water exchange while numerous small rivers, creeks, and canals release freshwater into the IRL. This results in substantially varied salinity dependent upon tide, inlet proximity, and freshwater inflow. The average depth of the IRL is approximately 1 m however, a dredged channel (Intracoastal Waterway) runs the entire length of the lagoon that is substantially deeper (> 3 m). The estuary is also quite narrow, with widths ranging from approximately 1–9 km [55] and spoil islands are scattered throughout the lagoon.

Tag application

During a dolphin health and environmental risk assessment conducted within the IRL in June 2012, dolphins were temporarily captured and restrained using standardized methods [67]. Satellite tags (SPOT 100 tags, Wildlife Computers) were attached on the lower third of the trailing edge of the dorsal fin of four male dolphins, aged 6–21 years (Additional file 2). Age was estimated either by counting growth layer groups (GLGs) in teeth, or based upon photo-identification survey data. Using methods similar to those previously described [61, 68], the attachment site on the dorsal fin was prepared by cleansing with chlorhexidine scrub (2%) followed by methanol, and a local anesthetic (lidocaine 2% with epinephrine) was administered in the cleansed region. A sterilized stainless steel 6-mm bore was then pushed through the fin into a rubber sanding block held firmly against the other side of the dorsal fin creating a round hole 32 mm from the trailing edge. An internally threaded sterilized delrin pin was inserted through the hole and the flanges of the tag were aligned over the center hole in the delrin pin then a thread cutting screw and a stainless steel washer were attached to each side of the tag. Last, the function of the tag was tested and the dolphin was released.

To facilitate weekly post-release monitoring (dictated by weather), a VHF transmitter (MM 120, backmount transmitter, Advanced Telemetry Systems, Inc, Isanti, MN, USA) was attached to the trailing edge of the dorsal fin above the satellite tag in a thermoplastic sleeve (bullet tag, Trac Pac, Ft. Walton Beach, FL) on one individual (HEMA, Additional file 2). In brief, the site was cleansed and a local anesthetic was administered as described above. A small hole was then pierced 25 mm from the trailing edge of the fin using a sterile 5-mm biopsy punch, and a sterilized delrin pin (0.64 cm) was then passed through the piercing and fastened to the bullet sleeve with non-stainless steel nuts and stainless steel washers. The VHF transmitter enabled focal follows to be conducted during the same relative time frame that satellite telemetry data were being collected. Using previously described methods [8], radio tracking was conducted by vessel, during the daylight hours, and within the main IRL system.

Satellite-linked telemetry

The satellite tags recorded location data via the Argos satellite system. The tags were set to transmit constantly until 250 transmissions were reached in each 24-h cycle. We chose to limit the number of daily transmissions not only to focus on nocturnal behavior, but also to extend the longevity of the tags in order to gain sufficient statistical power for scientific inference. Wildlife Computer’s DAP processor was used to convert the transmission data into a usable format. Since the precision of Argos satellite positions depends on the number of uplinks during each satellite pass, data were first filtered to only include the location quality classes of 1 (position accuracy < 1500 m), 2 (position accuracy < 500 m), and 3 (position accuracy < 250 m). Then, the data were quality checked even further by assessing whether the data points were possible based upon swim speed. Estimated swim speeds were calculated using the time and distance between each high-quality satellite location. If the data suggested an unreasonable swim speed or a specific speed for an unreasonable amount of time, the location was removed from the dataset. According to Williams et al. [69], the exertion of swimming 2.1 ms −1 varied little from resting therefore, we assumed this speed could be sustained indefinitely, regardless of how much time had passed between satellite locations (the maximum duration between locations was 154 h). Most of our data (98.4%) fell into this speed category, with higher speeds averaging only 20 min in duration. Lang [70] reported sustainable swim speeds of 3.1 ms −1 , Noren et al. [71] reported mean adult swim speeds of 3.88 ms −1 , and Johannessen and Harder [72] reported higher speeds of 8.8–9.3 ms −1 for 25 min durations. Thus, we assumed speeds of 3.8 ms −1 could be sustained for < 45 min and 3.4 ms −1 could be sustained for < 1.5 h. Using these criteria, a total of 53 data points were removed from the dataset. This process was completed to give the most conservative assessment of the data. After completing the assessments above, to help reduce autocorrelation among satellite fixes, the data were filtered so that locations were ≥ 1 h apart, resulting in the removal of an additional 653 data points.

Analyses

Individual home range use

Each individual’s nocturnal fixed kernel density home range [73] was estimated (bandwidth = ad hoc method, grid = 100) using the adehabitatHR package [74] in R [75]. AdehabitatHR contains functions dealing with home range analysis, and is especially useful for the analysis of relocation data collected via VHF/GPS collars or satellite tags. The entire home range was defined as the 95% contour, and the 50% contour represented the core area. Home ranges and core areas were then mapped using QGIS software [76]. To help further visualize the general movement patterns, we graphed UTM Northing vs date for each dolphin. Since the IRL is extremely narrow, the majority of dolphin movement was north–south.

Travel outside the main IRL system

Since the IRL is not a geographically closed system and is connected via inlets to the ocean, as well as to freshwater rivers and canals (salinity: 6.6 ± 9.1 ppt during tagging period raw data obtained from St. Johns River and South Florida Water Management Districts), we investigated whether dolphins moved outside of the commonly surveyed portions of the IRL system at night. Satellite data are not exact therefore, the Argos error of each location was used to determine if locations potentially fell within the IRL. Whenever possible, locations were assumed to be within the IRL and only data where the entire error buffer did not touch the IRL were deemed ‘outside’. This represents the most conservative estimate of movement outside of the main IRL system. Utilizing detailed hydrography maps and the Road Graph plugin in QGIS, travel distances (how far dolphins traveled up river or out into the ocean) were measured as the shortest possible route to get from the edge of the IRL to the nearest edge of each location.

Habitat selection

To assess the potential importance of three habitat types hypothesized to be valuable to dolphins at night (inlets, seagrass beds, and water depth), we ran binomial tests using the stats package in R [75] to determine if each habitat type was used more often than expected based upon its availability within the animal’s home range. We used the number of satellite locations within each habitat type as an estimate of time spent in that habitat. We defined inlet habitat as areas that were within 5 km of the opening to the ocean. Using QGIS, a 5-km buffer was created around the central point (i.e., the center of the gap in land) of each of the five inlets. The number of dolphin locations that fell within these inlet habitats were the observed values, while the expected values were calculated from the proportion of each dolphin’s entire home range that occurred within the 5-km inlet buffers.

Seagrass data were acquired from St. John’s River Water Management District. As the available seagrass data fell only within the IRL system, home ranges and dolphin locations were clipped so they did not include ocean habitat or any of the small waterways for this analysis. Then, we counted the number of dolphin locations within seagrass (observed values) and calculated the expected values based on the proportion of each animal’s clipped home range that contained seagrass.

Depth was evaluated using a depth raster and contours created from sounding data obtained from St. Johns River and South Florida Water Management Districts. Depth data outside of the IRL were not available therefore, we can make no assumptions about depth preferences in small waterways or the ocean. To test for IRL depth preferences, we first grouped depth into four categories: < 1 m, 1–2 m, 2–3 m, and > 3 m, to facilitate comparison with a recent radio-telemetry study of diurnal ranging patterns and habitat use of dolphins in the IRL [8]. Then, we clipped home ranges as in the seagrass analysis above, counted the number of dolphin locations within each depth category (observed values), and calculated expected values based on the proportion of each animal’s clipped home range that fell within each depth category.

Ecological niche modeling

To further investigate the influence of environmental features on dolphin distribution and ranging patterns, we conducted maximum entropy (MaxEnt) modeling for each dolphin using MaxEnt 3.4.1 [77, 78]. MaxEnt is a machine-learning technique that can use location data on a species in conjunction with detailed environmental data to infer what environmental features influence species distributions and define species niches. Thus, it can be used to predict conditions that are suitable for a species [77, 79, 80]. MaxEnt is a powerful predictive modeling method when there are presence-only data [79], sample sizes are small [81], and data are prone to positioning errors [82], all of which are often true for satellite telemetry data.

Here, we apply this method to predicting and comparing environmental conditions favored by each tagged dolphin within the IRL and adjoining waters. We ran models for individual dolphins incorporating the following environmental variables: monthly sea surface temperature (SST), monthly dissolved oxygen (DO), type of water body (i.e., brackish, freshwater, or ocean), seagrass habitat, distance from seagrass habitat, distance from inlets, map of small waterways, and distance from small waterways. Small waterways were considered any river, creek, or canal connected to the IRL system, which encompassed a large range of salinities (6.6 ± 9.1 ppt during tagging period raw data from St. Johns and South Florida Water Management districts) depending upon location (i.e., upriver vs river mouth). Depth was not incorporated in the models since depth data were only available for the IRL and MaxEnt software omitted all data points outside the IRL when depth was included. For each model, 75% of the location data were chosen at random and used to train the model while the remaining 25% were used for testing. We used a Cloglog output for all models, created response curves for each variable, and jackknife analyses were conducted to test the importance of each environmental variable. Rasters of each environmental parameter were created using data obtained from St. Johns River and South Florida Water Management Districts (all IRL and small waterway data) and the World Oceans Atlas (ocean SST [83], ocean DO [84]). All rasters were created in QGIS using a cell size of 25 m and a rectangular extent which encompassed all our data points plus the entire IRL system. The ‘distance from’ variables were simply a distance raster created using the above parameters.


Pozri si video: QGIS - Rasterize - Vector to Raster by specifying desired pixel length (Október 2021).