Suite

Combiner plusieurs rasters binaires en un seul raster


J'ai 5 cartes de richesse en espèces différentes que j'essaie de joindre afin de montrer une carte cohérente. Chaque couche raster d'espèces a des valeurs de 1 et 0 ; 1 si l'espèce y vit et 0 si l'espèce n'y habite pas.

En d'autres termes, je veux quelque chose comme ça :

si espèce 1==1,1 si espèce 2==1,2 si espèce 3==1,3

Et ainsi de suite jusqu'à ce que j'atteigne 5. Je veux que tout le reste soit classé comme 0.

Je suis très nouveau dans l'utilisation de la calculatrice raster et je ne sais pas comment la configurer.


Je viens de me rendre compte que cela ne fonctionnera pas puisque les espèces se chevaucheront. Il va falloir que je trouve autre chose.


C'est un simple calcul de trame d'ajout. Vous les ajoutez simplement tous ensemble (r1+r2+r3+r4+r5) et le résultat est un raster où la valeur indique combien d'espèces sont présentes dans chaque cellule. Vous ne pouvez pas différencier les espèces, mais cela ne faisait pas partie de la question initiale.

Si tu veux faire ce, vous devez utiliser quelque chose comme l'outil Combiner dans ArcGIS (Spatial Analyst). Cela créera un nouveau raster avec une valeur unique pour chaque combinaison unique de valeurs dans les entrées. Cette valeur unique, si elle est correctement saisie, identifiera quelles espèces sont présentes en combinaison sur la base des valeurs uniques.


Je ne sais pas à quel point cela est pratique pour vos besoins, mais vous pouvez essayer l'algèbre au niveau du bit. Étant donné que vous avez un nombre limité d'espèces, cela pourrait fonctionner.

L'algèbre au niveau des bits fonctionnerait là où les espèces sont toutes représentées par 1, 2, 4, 8, 16 ou une combinaison de ceux-ci. Par exemple, si les espèces 1, 3 et 4 existent, la cellule serait représentée par1 + 4 + 8 = 13. Vous pouvez ensuite utiliser d'autres opérations au niveau du bit pour inverser cette requête. Exemple13 ET 1 = 1,13 ET 4 = 4,13 ET 2 = 0. Où l'évaluation d'un ET au niveau du bit est> 0, le test de comparaison est vrai.

Vous pouvez en savoir plus sur la mise en œuvre de bitwise par ESRI ici. La calculatrice raster d'ESRI comporte des opérateurs au niveau du bit. La plupart des autres outils SIG devraient également les avoir.

Cependant, étant donné que vous finirez par rencontrer un scénario où vous aurez plus d'espèces que vous force voulez penser à une autre méthode. Idéalement, d'un point de vue écologique, vous auriez besoin d'identifier des groupes spécifiques de communautés, ou des catégories de biodiversité pour représenter les combinaisons de données. (Voir la réponse de ChrisW sur l'utilisation de l'outil Combiner)

Alternativement, vous voudriez garder vos couches séparées et construire un système autour qui interroge chaque couche indépendamment si vous ne pouvez pas établir de catégories.


Impact du changement climatique sur la répartition des prairies d'algues dans la zone intertidale rocheuse de l'Atlantique Nord

L'Atlantique Nord s'est réchauffé plus rapidement que tous les autres bassins océaniques et les scénarios de changement climatique prévoient que les isothermes de température de surface de la mer se déplaceront jusqu'à 600 km vers le nord d'ici la fin du 21e siècle. Le déplacement vers les pôles a déjà commencé pour de nombreuses espèces d'algues tempérées qui sont d'importantes espèces de fondation intertidale. Nous avons posé la question : où le changement climatique aura-t-il le plus d'impact sur trois espèces fondamentales de macroalgues présentes le long des côtes nord-atlantiques : Fucus serratus, Fucus vesiculosus, et Ascophyllum nodosum? Pour prédire les changements de répartition de ces espèces clés selon trois scénarios de changement climatique du GIEC (Groupe d'experts intergouvernemental sur l'évolution du climat) (A2, A1B et B1) au cours des deux prochains siècles, nous avons généré des modèles de niche écologique avec le programme MAXENT. Les prévisions du modèle suggèrent que ces trois espèces se déplaceront vers le nord en tant qu'assemblage ou « unité » et que les changements phytogéographiques seront plus prononcés dans le sud de l'Arctique et les provinces tempérées du sud. Nos modèles prédisent que les côtes de l'Arctique au Canada, au Groenland et au Spitzberg deviendront convenables pour les trois espèces d'ici 2100. Les côtes au sud de 45° Nord deviendront impropres à au moins deux des trois espèces focales sur le nord-ouest et le nord-est de l'Atlantique. côtes d'ici 2200. Si ces espèces fondamentales sont incapables de s'adapter à la hausse des températures, elles perdront leurs centres de diversité génétique et leur perte déclenchera un changement imprévisible dans l'écosystème intertidal nord-atlantique.


2 DESCRIPTIF

2.1 Algorithmes génétiques

Les algorithmes génétiques (AG) fournissent un cadre d'optimisation stochastique puissant et flexible pour trouver des solutions aux problèmes d'optimisation à la fois discrets et continus (Holland, 1975). Inspirés des principes biologiques, les algorithmes génétiques créent une population d'individus (descendance) avec des traits (paramètres à optimiser) encodés sur des « chromosomes ». Les génotypes (combinaisons de paramètres) de chaque individu résolvent la fonction de fitness, et les individus les plus aptes de chaque génération survivent pour se reproduire (Sivanandam & Deepa, 2007). Le processus d'évolution de l'AG est facilité par l'exploration et l'exploitation (Scrucca, 2013). L'exploration de l'espace des paramètres se fait par génération aléatoire de nouvelles valeurs de paramètres résultant d'une mutation, ainsi que par l'échange d'informations génétiques par croisement. L'exploitation réduit la diversité de la population en sélectionnant les individus les plus aptes à chaque génération. La population continue d'évoluer jusqu'à ce qu'un nombre suffisant de générations se soient écoulées sans amélioration de la condition physique (Scrucca, 2013 ).

2.2 Optimisation de la résistance

  1. La surface raster d'origine est importée dans R . Si la surface est continue, elle est redimensionnée pour aller de 0 à 10, en préservant l'espacement relatif entre tous les niveaux.
  2. Le processus d'évolution commence par générer une population initiale aléatoire de taille m (par défaut = 15× > nombre de paramètres en cours d'optimisation). S'il s'agit d'une surface continue, les paramètres sélectionnés déterminent (1) laquelle des huit transformations sera appliquée (Figure 1) (2) la forme de la transformation (3) la valeur de résistance maximale. S'il s'agit d'une surface catégorielle, chaque niveau de la surface de résistance est reclassé aux valeurs des paramètres. Les valeurs de départ pour tous les paramètres de la population initiale sont choisies au hasard dans la plage spécifiée (voir le tableau 1 pour les valeurs par défaut).

Une fonction Arguments Valeurs par défaut commentaires
CS.prep n.POPS Doit être défini
réponse NUL Doit être défini pour exécuter l'optimisation
CS_Point.Fichier Doit être défini
CS.programme "C:/Program Files/Circuitscape/cs_run.exe"' Emplacement d'installation de Windows par défaut
Voisin.Connecter 8
gdist.prep n.POPS Doit être défini
réponse NUL Doit être défini pour exécuter l'optimisation
échantillons Doit être défini
Fonction de transition une fonction(X) 1/M(X)
directions 8
longlat FAUX
GA.prep ASCII.dir Doit être défini Les fichiers .asc doivent être dans leur propre répertoire ou compilés dans une pile raster
Min max "max" Doit être "max" lors de l'optimisation avec ga
min.cat 0.0001
max.cat 2,500
max.cont 2,500
forme.cont NUL
pop.mult 15
pourcentage.élite 0.05
taper « à valeur réelle » Doit être « à valeur réelle »
pcrossover 0.85
mutation 0.1
maxiter 1,000
Cours 25
garder le meilleur VRAI
population "garéal_Population"
sélection "gareal_lsSelection"
croisement "gareal_blxCrossover"
mutation "garéal_raMutation"
la graine NUL
calmer FAUX

2.3 Surfaces continues

(1) (2)

L'algorithme génétique recherche des combinaisons de transformations, de paramètres d'amplitude et de paramètres de forme. Les transformations linéaires ne sont pas explicitement incluses, mais toutes les fonctions monomoléculaires deviennent linéaires à mesure que la valeur du paramètre de forme augmente. De cette façon, les réponses linéaires peuvent être modélisées sans augmenter le nombre de transformations évaluées par l'algorithme génétique. Il est possible d'exclure les transformations de la prise en compte lors de l'optimisation.

2.4 Surfaces catégorielles

Les surfaces catégorielles ou caractéristiques, telles que la couverture terrestre ou les routes, peuvent également être optimisées à l'aide de ResistanceGA . Une surface est considérée comme catégorielle dans ResistanceGA si elle contient 15 niveaux ou moins. Pour rendre ce processus traitable, il est nécessaire de maintenir la valeur d'un niveau constante tout au long de l'optimisation. Étant donné que les valeurs de résistance par paires sont relatives, le fait de ne pas maintenir un niveau constant peut entraîner plusieurs solutions équivalentes et l'algorithme peut ne pas parvenir à une solution optimale (par exemple, les valeurs de résistance relatives de 1, 5 et 10 sont équivalentes à 2, 10 et 20) . Voir l'annexe S1 pour plus de détails sur l'optimisation de la surface de résistance catégorique.

2.5 Surfaces résistantes à l'entartrage

L'échelle est un concept central de l'écologie spatiale (Wiens, 1989), mais n'a pas été largement abordée dans la recherche en génétique du paysage (Galpern, Manseau, & Wilson, 2012 Keller, Holderegger, & van Strien, 2013). Une façon d'évaluer l'échelle consiste à utiliser les quartiers écologiques (Addicott et al., 1987), dans lesquels un « quartier » peut être déterminé grâce à l'optimisation d'un paramètre de lissage du noyau. À l'aide du package R spatstat (Baddeley, Rubak et Turner, 2015), un lissage à noyau gaussien est appliqué à une surface de résistance continue ou binaire avant d'appliquer l'une des huit transformations. L'optimisé Dakota du Sud de ce lissage est révélateur du voisinage écologique de cette surface. L'échelle peut être optimisée avec des surfaces individuelles isolées ou des échelles distinctes peuvent être optimisées pour chaque surface lors de l'optimisation multisurface.

2.6 Optimisation de la résistance multisurface

ResistanceGA peut optimiser simultanément plusieurs surfaces de résistance pour créer une nouvelle surface de résistance composite. Lors de l'optimisation, chaque surface de l'analyse multisurface est modifiée à l'aide des méthodes décrites ci-dessus. Toutes les surfaces modifiées sont ensuite additionnées pour créer une surface de résistance composite unique, qui est ensuite utilisée pour calculer les distances effectives par paires.


EXTRACTION DE MOTIFS EN 3 COULEURS

L'étude de la variation des modèles de couleur nécessite l'identification correcte des limites de couleur. patternize fournit des fonctionnalités pour catégoriser la distribution des couleurs en utilisant soit un seuil RVB, k-signifie le regroupement ou la transformation des bassins versants.

3.1 Seuil RVB

Les limites de couleur peuvent être extraites des images ou du trait d'intérêt à l'aide d'un seuil RVB (Figures 2, 3). En sélectionnant des pixels dans une plage de couleurs spécifiée (spécifiée en tant que valeur RVB et décalage), nous proposons une approche de segmentation d'image de base qui fonctionne bien pour extraire des motifs de couleurs distincts. De plus, pour des motifs de couleur distincts, la valeur RVB peut être recalculée de manière itérative en tant que moyenne des pixels de couleur extraits. Cette dernière approche permet de combiner facilement des motifs lorsqu'ils sont extraits d'ensembles d'images qui peuvent avoir été prises dans des conditions d'éclairage différentes, ce qui entraîne des différences d'intensité et de contraste.

3.2 k-Moyens de regroupement

Nous avons mis en œuvre une approche non supervisée pour la segmentation d'images basée sur la couleur en utilisant k-signifie le regroupement (Figures 4, 5) (Hartigan & Wong, 1979 ). Cet algorithme attribue des valeurs RVB de pixel à k clusters en attribuant de manière itérative chaque pixel de l'image au cluster RVB qui minimise la distance entre le pixel et les centres du cluster. Les centres des clusters sont recalculés à chaque itération en faisant la moyenne de tous les pixels du cluster jusqu'à la convergence. Nous avons mis en œuvre k-signifie le regroupement à l'aide des statistiques du package R (R Development Core Team, 2013). Les clusters sont d'abord obtenus à partir d'une image de référence puis utilisés comme centres de cluster initiaux pour le k-moyens de regroupement des images analysées par la suite. Cela permet au programme de faire correspondre des grappes qui représentent le même motif de couleur dans différentes images. Pour k-means clustering, le nombre de clusters doit être défini manuellement. Pour les organismes avec des limites de motifs moins distinctes, il est préférable de tester différents nombres de grappes et de choisir un nombre qui attribue le mieux les pixels aux motifs de couleur.

3.3 Transformation des bassins versants

La transformation des bassins versants est un outil puissant de segmentation d'images (Figure 6 Beucher, 1991 ). Le concept de bassin versant traite l'image comme une carte topographique en calculant une carte de gradient avec des valeurs élevées dans les parties de l'image où les valeurs de pixels changent brusquement (Figure 6b). Par la suite, un processus d'inondation propage des étiquettes de motif et d'arrière-plan guidées par la carte de dégradé. Continuer l'inondation jusqu'à ce que les étiquettes de motif et d'arrière-plan se rencontrent, détermine les lignes de partage des eaux (crêtes dans la topographie) qui sont utilisées pour segmenter l'image (Figure 6c). Nous avons implémenté l'algorithme de bassin versant avec des utilitaires de l'imageur du package R (Barthelme, 2017) qui est basé sur la bibliothèque de traitement d'images CImg (Tschumperle, 2004). Dans notre implémentation, les étiquettes de motif et d'arrière-plan sont choisies en identifiant manuellement au moins un motif et un pixel d'arrière-plan (au moins un pour chaque motif et élément d'arrière-plan séparés). Cette affectation manuelle aide l'utilisateur à surmonter les différences potentielles d'éclair, d'éblouissement ou de chevauchement entre les valeurs RVB du motif et de l'arrière-plan.


2 EXEMPLES

colorist importe directement colorspace (Zeileis et al., 2019 ), ggplot2 (Wickham, 2016 ), magrittr (Bache & Wickham, 2014 ), raster (Hijmans, 2020 ), scales (Wickham & Seidel, 2019 ), stats (R Core Team , 2020 ) et tidyr (Wickham & Henry, 2020 ) et travaille sur des piles de données raster. Les couches raster peuvent représenter une séquence temporelle ordonnée de distributions d'espèces ou de distributions d'utilisation. Alternativement, les couches raster peuvent représenter un ensemble non ordonné de distributions pour plusieurs espèces, ou individus, au cours d'une même période. Un flux de travail typique comprend quatre étapes : (a) le calcul des métriques, (b) le choix d'une palette, (c) la création d'une carte et (d) la production d'une légende. Nous illustrons ici deux utilisations potentielles des fonctions de coloriste.

2.1 Cartographier la répartition d'une espèce sur le cycle annuel

Il y a un intérêt croissant pour la caractérisation des distributions de la faune tout au long du cycle annuel - pas seulement pour une ou deux saisons - afin de mieux comprendre où et quand les populations sont vulnérables (Marra, Cohen, Loss, Rutter et Tonra, 2015). Traditionnellement, les cartes des aires de répartition des espèces résidentes contenaient un bloc de couleur ainsi que des limites politiques indiquant où les espèces pouvaient être trouvées tout au long de l'année. Les cartes de répartition des espèces migratrices contenaient plusieurs blocs de couleur indiquant où les espèces pouvaient être trouvées au cours des différentes saisons.

Ici, nous utilisons des données agrégées sur le statut et les tendances d'eBird pour le moineau des champs Spizella pusilla (Fink et al., 2020) pour illustrer une stratégie différente pour créer des cartes de cycle annuel, une stratégie qui exploite les données d'occurrence continue, plutôt que les données catégoriques de présence-absence, pour décrire où et quand trouver une espèce. Le bruant des champs est considéré comme une espèce partiellement migratrice, certaines populations se déplacent tout au long de l'année, tandis que d'autres sont stationnaires. Cette stratégie d'histoire de vie entraîne une hétérogénéité quant au moment, à l'endroit et à la régularité de la présence d'oiseaux dans l'espace-temps.

Après avoir chargé la bibliothèque coloriste, on accède au fiespa_occ base de données. Il contient 12 couches raster, une pour chaque mois de l'année. Les valeurs des cellules dans chaque couche indiquent la probabilité modélisée d'occurrence du Bruant des champs. Nous utilisons le metrics_pull fonction pour transformer les valeurs d'occurrence de la pile en valeurs d'intensité qui vont de 0 (c'est-à-dire 0 probabilité d'occurrence) à 1 (c'est-à-dire la valeur d'occurrence maximale dans la pile). Dans colorist , nous utilisons « intensité » comme descripteur générique des valeurs de données normalisées qui peuvent refléter la probabilité d'occurrence relative, l'abondance, la densité ou la densité de probabilité. Ce processus d'extraction de métriques préserve les informations de la pile d'origine tout en préparant les couches pour une visualisation ultérieure.

Ensuite, nous créons une palette de couleurs pour communiquer des informations temporelles sur l'occurrence du bruant des champs. Nous utilisons palette_timecycle pour générer la palette car les données représentent une séquence ordonnée de distributions qui se referme sur elle-même (c'est-à-dire que les données de décembre sont temporellement adjacentes aux données de novembre et janvier). Pour visualiser les distributions dans les facettes individuelles, nous fournissons le map_multiples fonction avec des métriques de distribution et des informations sur la palette. La structure du tracé et les étiquettes pour chaque distribution peuvent être spécifiées à l'aide de la ncol et Étiquettes arguments, respectivement.

map_multiples(m1, p1, ncol = 4, labels = names(fiespa_occ))

Les valeurs d'intensité sont visualisées en variant l'opacité des cellules et les mois sont identifiés par différentes teintes (Figure 1a). Les teintes sont attribuées à l'aide de palettes de couleurs dérivées de HCL, plutôt que de palettes de couleurs RVB (rouge-vert-bleu) ou HSV (hue-saturation-value), car elles permettent facilement des comparaisons « équitables » de valeurs de données similaires sur une gamme de teintes ( Zeileis, Hornik et Murrell, 2009). Il est simple de générer des « jaunes » et des « bleus » avec des poids perceptuels similaires en utilisant des palettes dérivées de HCL. En revanche, les « jaunes » semblent plus brillants que les « bleus » dans la plupart des palettes de couleurs RVB et HSV.

Pour générer une seule carte du cycle annuel qui synthétise les informations spatio-temporelles sur l'occurrence du bruant des champs, nous « distillons » des informations sur la distribution à travers les couches raster en utilisant metrics_distill. Le metrics_distill La fonction calcule les métriques de distribution dans chaque cellule raster et renvoie trois métriques pour la visualisation : (a) intensité maximale, (b) couche d'intensité maximale (c'est-à-dire l'identité de la couche contenant la valeur d'intensité maximale) et (c) spécificité de l'intensité maximale valeur à la couche d'intensité maximale.

m indique le nombre de couches raster, ouije est la valeur d'intensité dans la couche je et est la valeur d'intensité moyenne à travers les couches. Les valeurs de spécificité peuvent aller de 0 à 100. Les valeurs de 0 indiquent que les valeurs d'intensité sont identiques dans toutes les couches. Les valeurs de 100 indiquent que les valeurs d'intensité sont limitées à une seule couche.

L'interprétation des valeurs de spécificité dépend de la nature des données explorées. Dans le cas du bruant des champs, où les couches raster décrivent les distributions d'une espèce à différentes périodes de l'année, les valeurs de spécificité indiquent la saisonnalité (c. entiers allant de 0 à 100) dans notre palette de couleurs.

Pour générer une carte du cycle annuel, nous utilisons le map_single fonction pour combiner nos métriques de distribution et les informations de palette. Ensuite, nous créons une légende en utilisant legend_timecycle, une fonction qui nécessite une trame de données générée par palette_timecycle.

legend_timecycle(p1, origin_label = « 1 janvier »)

À l'aide de notre carte (figure 1b) et de notre légende (figure 1c), nous pouvons maintenant localiser les moineaux des champs dans l'espace et dans le temps, en se souvenant que la spécificité indique la saisonnalité des occurrences des moineaux des champs.

2.2 Distributions cartographiques de plusieurs individus au cours de la même période

Dans l'exemple précédent, nous avons utilisé coloriste pour explorer les distributions d'une seule espèce sur plusieurs périodes. D'autres conceptualisations et utilisations des fonctions coloristes sont possibles. Par exemple, coloriste peut également être utilisé pour explorer la distribution de plusieurs espèces ou individus au cours d'une même période. Ici, nous utilisons les données de suivi GPS collectées auprès des éléphants d'Afrique Loxodonta africana dans le parc national d'Etosha, en Namibie, en 2011 pour explorer comment deux individus ont utilisé le paysage au cours d'une année (Tsalyuk, Kilian, Reineking et Getz, 2019).

Pour commencer, nous chargeons le elephant_ud ensemble de données qui contient les distributions d'utilisation pour deux individus (LA11 et LA14). Étant donné que les distributions d'utilisation forment un ensemble non ordonné (c'est-à-dire qu'elles n'ont pas besoin d'être présentées dans une séquence cyclique ou linéaire spécifique), nous utilisons le palette_set fonction pour leur attribuer des couleurs. Ensuite, nous cartographions les deux distributions en utilisant map_multiples tout en ajoutant une emphase visuelle aux zones rarement utilisées avec le lambda_i argument et en ajoutant des identifiants à chaque carte avec le Étiquettes argument.

map_multiples(m2, p2, ncol = 2, lambda_i = -5, labels = names(elephant_ud))

Les distributions d'utilisation pour LA11 et LA14 semblent remarquablement similaires à première vue (Figure 2a). Cependant, nous pouvons mieux comprendre les similitudes et les différences dans la façon dont ils ont utilisé l'espace en « distillant » les informations de distribution à travers les deux couches raster avec metrics_distill et visualiser les métriques résultantes avec map_single.

Avant de générer la carte, nous devons recalibrer notre compréhension de la signification des valeurs de spécificité en fonction de la nature des données explorées. Contrairement au bruant des champs, où la spécificité indiquait la saisonnalité des occurrences, ici les valeurs de spécificité reflètent l'utilisation différentielle du paysage. Des valeurs de spécificité très faibles indiquent une utilisation égale d'une cellule par les deux individus. Des valeurs de spécificité très élevées indiquent une utilisation exclusive par un individu.

Si les distributions d'utilisation pour les deux éléphants étaient exactement les mêmes, nous nous attendrions à map_single pour produire une plage de valeurs de gris indiquant où la paire a passé relativement plus ou moins de temps. En revanche, si les deux distributions n'étaient que superficiellement similaires, nous nous attendrions à ce que map_single pour produire des cellules bleues et rouges indiquant l'utilisation exclusive des zones par chaque individu, et très peu de cellules grises indiquant une utilisation égale.

map_single(m2_distill, p2, lambda_i = -5)

legend_set(p2, group_labels = names(elephant_ud))

Malgré la similitude générale des deux distributions d'utilisation, certains endroits ont été utilisés presque exclusivement par LA11 (c'est-à-dire les cellules bleues) et d'autres ont été utilisés presque exclusivement par LA14 (c'est-à-dire les cellules rouges Figure 2b), comme indiqué par la légende (Figure 2c). Nous pouvons moduler l'interprétation de ce résultat visuellement via des arguments supplémentaires (par exemple le lambda_s paramètre dans map_single Schuetz, Strimas-Mackey et Auer, 2020). De plus, nous pouvons contextualiser ces modèles en ajoutant des informations sur l'emplacement des casseroles, des points d'eau, des routes et des limites à la carte (Schuetz et al., 2020) en utilisant geom_sf éléments, qui sont des fonctions de ggplot2 (Wickham, 2016).


3. RÉSULTATS

3.1 Diversité génétique et structure génétique des populations

Les mesures de la diversité génétique variaient selon les lieux d'échantillonnage au sein des espèces ainsi qu'entre les A. salicina et A. stenophylla. Le pourcentage de loci polymorphes variait de 36 % à 76,4 % dans A. salicina et 46,2 % à 83,9 % en A. stenophylla tandis que l'hétérozygotie attendue pour A. salicina était de 0,117 à 0,216 et de 0,151 à 0,280 en A. stenophylla (Tableau 1). Bien que des différences soient également évidentes au niveau de l'espèce pour le pourcentage moyen de loci polymorphes (55,1 % pour A. salicina contre 64,3 % pour A. stenophylla) et l'hétérozygotie moyenne attendue (0,162 pour A. salicina contre 0,214 pour A. stenophylla), de légères différences dans les combinaisons de paires d'amorces utilisées pour générer les ensembles de données suggèrent la prudence lors de la comparaison de ces résultats. Les AMOVA ont indiqué des différences substantielles et significatives dans la variation génétique entre les sites d'échantillonnage des deux espèces (A. salicina:TP = 0.301, 30.1%, p = .010 A. stenophylla:TP = 0.235, 23.5%, p = .010). Un isolement significatif par la distance a également été détecté chez les deux espèces (p < 0,001).

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

Les deux premiers axes de coordonnées principaux représentaient 56,9 % de la variation totale de A. salicina et 49,3 % de la variation pour A. stenophylla (Figure S1). Des emplacements d'échantillonnage divergents étaient évidents pour ces deux SOP, à savoir, A. salicina les plantes des sites d'échantillonnage 13-16 étaient situées dans un espace PCo1 négatif (Figure S1a) et un groupe de A. stenophylla les plantes des emplacements d'échantillonnage 37, 38, 42, 44 et 46 se trouvaient dans un espace PCo1 et PCo2 négatif (figure S1c).

Les analyses effectuées par STRUCTURE ont montré qu'il existe très probablement six groupes génétiques (K = 6) pour les deux espèces (Figures 2 et 3) sur la base de la statistique ∆K, bien qu'il y ait eu des preuves qu'un plus petit nombre de grappes (c.-à-d. 3) pourrait également être présent (figure S11a,b). Il y avait peu de preuves de mélange dans la plupart des A. salicina plantes (Figure 2 et Figure S2). Par exemple, certains emplacements d'échantillonnage du nord (23, 24, 26, 27 et 29) étaient fortement associés à la grappe 1 (bleu foncé), cependant, certaines plantes de l'emplacement d'échantillonnage 24 avaient des associations avec les grappes 4 (jaune) et 6 (rouge) . En revanche, d'autres A. salicina les emplacements d'échantillonnage (par exemple, 2, 5, 6, 22, 25 et 28) ont montré des signes de mélange ou d'immigration potentielle à partir des emplacements d'échantillonnage appartenant à d'autres groupes. Le A. salicina les grappes étaient quelque peu réparties géographiquement dans la région d'étude (Figure 2 et Figure S9) avec la grappe 1 (bleu foncé) trouvée au nord-est, la grappe 2 (bleu clair) limitée au bord le plus au sud tandis que la grappe 3 (violet) était largement distribuée. Les grappes 4 (jaune) et 5 (vert) étaient largement réparties dans la moitié sud, tandis que l'emplacement d'échantillonnage de la grappe 6 (rouge) se trouve au nord-est. Deux emplacements d'échantillonnage (22 et 28) étaient un mélange de plusieurs grappes et ne pouvaient pas être attribués à une seule grappe à >70 %. Résultats de K = 3, le deuxième plus haut ∆K, montrent un schéma géographique clair des grappes nord et sud (figure S11a). contrairement à A. salicina, beaucoup A. stenophylla les emplacements d'échantillonnage étaient dominés par la grappe 1 (rouge, figure 3d) et de nombreux emplacements d'échantillonnage montraient des signes de mélange ou d'immigration (figure 3 et figure S3). De nombreux emplacements d'échantillonnage n'ont pas pu également être attribués à une seule grappe à >70 %. Ces résultats sont également clairement observés pour K = 3 (Figure S11b). Géographiquement, la majorité des emplacements d'échantillonnage attribués à la grappe 1 étaient situés en amont avec des emplacements d'échantillonnage difficiles à attribuer ou appartenant à d'autres grappes situées en aval.

Popgraph a mis en évidence un réseau complexe d'emplacements d'échantillonnage connectés (Figure 4, Figures S9 et S10). Peu de bords comprimés indiquant des barrières écologiques ou topographiques à la dispersion étaient évidents dans A. salicina sauf parmi plusieurs emplacements d'échantillonnage à la limite sud de la zone d'étude et entre les emplacements d'échantillonnage 21 et 24 (figure 4a). Des bords étendus indiquant une dispersion sur de longues distances reliaient bon nombre des A. salicina emplacements d'échantillonnage à de larges échelles spatiales jusqu'à 500 km (figure 4b). Des bords plus compressés ont été observés dans A. stenophylla, toujours à l'extrémité sud de la zone d'étude (Figure 4c) tandis que des bordures étendues ont été trouvées sur l'ensemble de la région (Figure 4d).

3.2 Analyse génétique du paysage : tests de Mantel et régression multiple sur matrices de distance (MRM)

Nous avons utilisé des surfaces de résistance de chaque variable environnementale calculées par Paysage de circuit pour notre analyse génétique du paysage sur chaque espèce. Nous n'avons pas trouvé de relation significative entre les clusters génétiques et les différentes surfaces de résistance (LC, FC et DEM) pour A. stenophylla et A. salicina, à l'exception des effets du couvert forestier sur les grappes génétiques de A. salicina (Kruskal–Wallis 2 = 12,657, p = .048). Plus précisément, la grappe mixte (blanche) constituée de deux emplacements d'échantillonnage était principalement liée aux zones de forte résistance du couvert forestier (Figure S7a).

Les tests de Mantel ont montré que la structure génétique de A. salicina a été affectée à la fois par la distance géographique et la résistance de la couverture terrestre (p < .05), tandis que pour A. stenophylla, seule la résistance de la couverture végétale semble être importante (tableau 2). Après correction par autocorrélation spatiale (tests de Mantel partiels), aucun de ces facteurs n'a eu d'effet significatif sur l'un ou l'autre des Acacia espèces (tableau 2). Cependant, le modèle MRM ne considérant que la distance géographique était le meilleur modèle expliquant la variation génétique entre les sites d'échantillonnage dans Acacia salicina considérant que le modèle MRM comprenant uniquement la couverture terrestre et l'altitude était le meilleur modèle expliquant la différenciation génétique des emplacements d'échantillonnage pour Acacia stenophylla (Tableau 3, Tableau S1).

Espèce
A. salicina A. stenophylla
Essais de manteau
DG 0.175 0.035
DEM −0.212 −0.217
FC 0.077 −0.093
CL 0.205 0.152
toilettes −0.069 0.041
Essais Mantel partiels
DEM −0.402 −0.26
FC 0.068 −0.158
CL 0.171 0.179
toilettes −0.062 0.043
Espèce R 2 F DG DEM FC CL toilettes
A. salicina 0.03 12.01 2.38e−05 (p = .004) -–
A. stenophylla 0.117 28.85 275.996 (p = .019) 39.81 (p = .013)

4. DISCUSSION

Nous avons utilisé des échantillons contemporains de couverture terrestre et de données de génotype SNP pour détecter des associations entre la résistance du paysage et la différenciation génétique parmi les populations de CPB dans le bassin du Columbia (Oregon et Washington) et Central Sands (Wisconsin). Nous avons émis l'hypothèse que la différenciation génétique du CPB diminuerait avec l'augmentation de la pomme de terre, des distances de rotation plus courtes (dans l'espace) et une plus grande abondance de couvert forestier et de sol sableux entre les sites. À l'inverse, nous nous attendions à ce que la différenciation génétique augmente avec l'augmentation des prairies/arbustes, des céréales, de la couverture d'eau et avec des distances de rotation plus grandes. Les modèles qui ont examiné indépendamment les effets de la couverture terrestre sur la différenciation génétique ont identifié un effet important de la couverture terrestre de la pomme de terre dans le bassin du Columbia, mais aucun effet sur le paysage dans les sables centraux (figure 3). La comparaison des corrélations de la couverture terrestre et des estimations conjointes des effets de la couverture terrestre dans un seul modèle BEDASSLE n'a révélé aucun effet indépendant fort d'aucune variable du paysage (figure 3, tableau S3), suggérant que la couverture terrestre agricole a des effets corrélés faibles sur la différenciation génétique du CPB. L'analyse des effets des types de couverture terrestre corrélés sur la différenciation génétique est un défi important en génétique du paysage (Cushman, McKelvey, Hayden et Schwartz, 2006), un défi qui peut être particulièrement difficile dans les paysages agricoles, où la couverture terrestre peut changer rapidement et est corrélée dans l'espace et le temps.

Surtout, nous avons également observé une corrélation entre les distances de rotation des champs de pommes de terre et la diversité des nucléotides, suggérant que la rotation des cultures, en plus de réduire le moment et l'abondance des infestations de CPB dans les champs de pommes de terre, agit également pour réduire la diversité génétique des populations locales de CPB.

4.1 Effets de l'occupation du sol sur la différenciation génétique

Dans le bassin du Columbia, les sites reliés par une grande quantité de terres couvertes de pommes de terre présentaient une différenciation génétique légèrement inférieure, ce qui correspond à l'hypothèse selon laquelle le fait d'avoir une abondance de plantes hôtes facilite la dispersion et le flux de gènes dans le paysage. Une relation similaire a été trouvée entre la différenciation génétique et la couverture végétale des céréales (principalement du blé). Le blé suit généralement la pomme de terre dans les programmes de rotation des cultures dans le bassin du Columbia, mais n'a pas été une culture répandue dans les Central Sands depuis le début des années 1900. Le blé est connu pour être un obstacle à la dispersion du CPB en marchant (Huseth et al., 2012 Lashomb & Ng, 1984 Schmera, Szentesi, & Jermy, 2007 ), mais abrite également des pommes de terre spontanées (plantes poussant à partir de tubercules restants non récoltés) qui servent comme source alimentaire précoce et systémique sans insecticide (Xu & Long, 1997 ). Ainsi, l'effet du blé réduisant la différenciation génétique pourrait être une conséquence de son association spatio-temporelle étroite avec la pomme de terre dans les agroécosystèmes du bassin du Columbia et suggère que les pommes de terre spontanées peuvent être d'importants facilitateurs du flux génétique.

L'absence d'association claire entre la résistance du paysage et la différenciation génétique dans les sables centraux pourrait signifier que les effets de la couverture terrestre sur le flux génétique du CPB étaient trop faibles pour être détectés. La détection peut être entravée si les populations sont très importantes (Wright, 1943) ou ne sont pas en équilibre migration-dérive (Rousset, 1997) : les véritables effets du paysage sur le flux de gènes pourraient ne pas être détectables étant donné les effets concurrents de la dérive génétique, de la migration et de la sélection dans un système évolutif jeune et fréquemment perturbé. Cependant, les effets observés dans le bassin du Columbia (figure 2) suggèrent que la détection de certains effets sur le paysage est possible, bien que cela puisse être le produit de la réduction de la taille effective de la population dans cette région (car l'équilibre migration-dérive se rétablit plus rapidement avec des tailles de population).

Au lieu de cela, nous suggérons que le flux de gènes parmi les populations de CPB dans les sables centraux n'est relativement pas limité par la composition ou la configuration du paysage et que cela pourrait être dû à trois facteurs. Premièrement, la taille des populations de DPC est considérablement plus élevée dans les sables centraux que dans le bassin du Columbia. CPB dispersal is density-dependent (Boiteau et al., 2003 Harcourt, 1971 ), so higher population sizes could cause higher densities, facilitating higher gene flow as well as the maintenance of higher genetic diversity. Indeed, we frequently observe mass-migration events in densely CPB-populated Wisconsin potato fields. Second, land cover in the Central Sands is likely more suitable for overwintering success (there were higher amounts of potato and forest edge). Given that winter survivorship can be as low as 5% (Huseth & Groves, 2013 ), the amount of suitable overwintering habitat can have important impacts on successful migration between rotated potato fields. The realized contribution of landscape structure to overwintering success, however, will likely depend on interacting effects of climate and noncrop host plants. Lastly, alternative host plants could be enhancing landscape connectivity independently of potato land cover. We observe high densities of weedy Solanum espèce (S. nitidibaccatum Bitter and S. carolinense L.) in potato-producing regions in the Midwest (M. S. Crossley, personal observations), whereas alternative host plants in the Columbia Basin tend to occur in isolated riparian habitats (Castillo Carrillo, Fu, Jensen, & Snyder, 2016 ). Incorporation of alternative host plant occurrence in agricultural landscapes could improve inferences about landscape connectivity for CPB populations.

4.2 Crop rotation and genetic diversity

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

4.3 Management implications

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


3 RESULTS

3.1 Simulated dataset—logistic regressions

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

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

3.2 Simulated dataset—SPAGs

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

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

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

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

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

3.3 Moroccan goats—logistic regressions

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

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

3.4 Moroccan goats—SPAGs

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

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

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

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

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

3.5 Moroccan goats—genomic offset

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

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

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


A heuristic approach to global landslide susceptibility mapping

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

Ceci est un aperçu du contenu de l'abonnement, accessible via votre institution.


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

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

Ceci est un aperçu du contenu de l'abonnement, accessible via votre institution.