Mais

Como calcular a distância ortodrômica no QGIS?


Abri um arquivo geotiff com QGIS. O CRS deste arquivo é EPSG: 3857 (web mercator). Quando eu uso a ferramenta de distância no menu, a distância calculada é em direção às coordenadas do web mercator e não a distância "real" no solo. Eu encontrei a extensão GeoServer para calcular a distância ortodrômica. Funciona, mas não é muito fácil de usar. Existe uma maneira de alterar os parâmetros do QGIS ou qualquer outra coisa que permita obter distância ortodrômica com a ferramenta nativa?


Vai Configurações -> Propriedades do Projeto, dentro CRS guia habilita a transformação em tempo real; dentro Em geral guia no menu da ferramenta Medir escolha elipsóide para cálculos de distância. Ver foto:

Ao iniciar a medição, mova o cursor para a janela de medição: as informações sobre suas configurações de medição irão aparecer:

NOTA: SEMPRE verifique as configurações de medição na janela de medição (como na imagem acima) porque as configurações do elipsóide nem sempre são salvas (ou exibidas nas configurações da ferramenta de medição como na primeira imagem) corretamente.


Usando amostragem de distância e taxa de ocupação para estimar a abundância de pares reprodutores de Wilson’s Storm Petrel (Oceanites oceanicus) na Antártica

Estimativas confiáveis ​​da população são necessárias para o manejo da conservação das populações de aves marinhas. Deixar de levar em conta a probabilidade de detecção em pesquisas geralmente leva a subestimar o tamanho da população e, se a probabilidade de detecção variar entre as pesquisas, a distorcer as tendências estimadas. Isso é particularmente relevante para petréis de tempestade, que são aves marinhas que nidificam em pequenas tocas ou cavidades, que têm baixas probabilidades de detecção em terra e no mar e cujo status e tendências populacionais são os menos conhecidos entre as aves marinhas. Aqui, usamos o método de amostragem de distância para estimar a probabilidade de detecção e o tamanho da população reprodutiva do ninho de cavidade Wilson’s Storm Petrel (Oceanites oceanicus) no arquipélago Pointe Géologie, na Antártica Oriental. A probabilidade de detecção foi de 0,353 ± 0,053 e a densidade média de ninhos ativos foi de 45,53 ± 15,63 ninhos / ha. A proporção de ninhos ocupados por criadores foi estimada por endoscópio em uma amostra de ninhos e foi de 0,455 ± 0,053. A população reprodutora foi estimada em 793 (95% CI 344–1359) pares reprodutores em janeiro de 2016. Defendemos o método de amostragem à distância como uma abordagem robusta para estimar a abundância de reprodução de Wilson’s Storm Petrels na Antártica. A comparação com uma pesquisa anterior sugere que a população diminuiu nos últimos 30 anos, possivelmente em parte devido a uma redução no habitat de nidificação após a extensão da área de superfície ocupada por colônias de pinguins.

Esta é uma prévia do conteúdo da assinatura, acesso através de sua instituição.


Encontramos dimorfismo de tamanho sexual, com os machos sendo maiores do que as fêmeas. A variação da forma entre os sexos, bem como entre as ecorregiões, é explicada principalmente pelo efeito da alometria. Os exemplares da savana uruguaia são maiores que os da Mata Atlântica. A variação de tamanho também foi significativamente correlacionada aos padrões de latitude, temperatura e precipitação. Nenhuma correlação entre a forma do crânio com a distância geográfica foi detectada.

Medidas morfométricas e dados de dieta de grison menor em regiões de latitudes mais altas do que nossa amostra mostram uma tendência a indivíduos mais pesados ​​e ao consumo de presas maiores em comparação com a savana uruguaia. Os resultados indicaram que os espécimes menores estão associados à baixa variabilidade na temperatura anual, congruente com a região da Mata Atlântica. Uma explicação para a variação observada pode estar relacionada à “regra dos recursos”, mas, devido às informações mínimas de história natural com relação a esta espécie, podemos apenas especular sobre isso.


1. INTRODUÇÃO

A genômica da paisagem é um subcampo da genômica populacional, com o objetivo de identificar a variação genética subjacente à adaptação local em populações naturais e gerenciadas (Balkenhol et al., 2017 Joost et al., 2007 Rellstab, Gugerli, Eckert, Hancock, & Holderegger, 2015) . A abordagem consiste em analisar a diversidade genômica e a variabilidade ambiental simultaneamente, a fim de detectar variantes genéticas associadas a uma composição específica da paisagem. Estudos desse tipo geralmente incorporam uma análise da estrutura populacional, de modo que a variação genética neutra pode ser distinguida da variação adaptativa (Rellstab et al., 2015). Nos últimos anos, a abordagem genômica da paisagem tornou-se mais amplamente utilizada (ver Tabela 1 Balkenhol et al., 2017 Rellstab et al., 2015). Está sendo aplicado a uma variedade de espécies, incluindo gado (Colli et al., 2014 Lv et al., 2014 Pariset, Joost, Marsan, & Valentini, 2009 Stucki et al., 2017 Vajana et al., 2018), selvagem animais (Harris & Munshi-South, 2017 Manthey & Moyle, 2015 Stronen et al., 2015 Wenzel, Douglas, James, Redpath e Piertney, 2016), insetos (Crossley, Chen, Groves e Schoville, 2017 Dudaniec, Yong, Lancaster, Svensson, & Hansson, 2018 Theodorou et al., 2018), plantas (Abebe, Naz, & Léon, 2015 De Kort et al., 2014 Pluess et al., 2016 Yoder et al., 2014) e organismos aquáticos ( DiBattista et al., 2017 Hecht, Matala, Hess, & Narum, 2015 Laporte et al., 2016 Riginos, Crandall, Liggins, Bongaerts, & Treml, 2016 Vincent, Dionne, Kent, Lien, & Bernatchez, 2013).

Estudar Espécies Projeto de amostragem (D) Locais de amostragem (eu) Tamanho da amostra (S)
Colli et al. (2014) Bode Representatividade espacial e racial 10 sites 43
Pariset et al. (2009) Bode Representatividade espacial e racial 16 regiões 497
Stucki et al. (2017) e Vajana et al. (2018) Gado Representatividade espacial 51 regiões 813
Harris e Munshi-South (2017) Rato de pés brancos Representatividade do habitat 6 sites 48
Stronen et al. (2015) Lobo Oportunista, representatividade populacional 59 sites 59
Wenzel et al. (2016) Perdiz vermelha Representatividade espacial 21 sites 231
Crossley et al. (2017) Besouro da batata Representatividade do habitat 16 sites 192
Dudaniec et al. (2018) Donzela Representatividade ambiental e espacial 25 sites 426
Theodorou et al. (2018) Abelha-de-cauda-vermelha Representatividade do habitat 18 sites 198
Abebe et al. (2015) Cevada Representatividade espacial 10 regiões 260
De Kort et al. (2014) Amieiro preto Representatividade espacial e de habitat 24 populações 356
Pluess et al. (2016) Faia européia Representatividade espacial e ambiental 79 populações 234
Yoder et al. (2014) Barrelclover Representatividade espacial 202 sites 202
DiBattista et al. (2017) Pargo stripey Representatividade espacial 51 sites 1,016
Hecht et al. (2015) Salmão chinook Representatividade espacial 53 sites 1,956
Laporte et al. (2016) Enguia europeia Representatividade espacial e ambiental 8 sites 179
Vincent et al. (2013) Salmão do Atlântico Representatividade espacial 26a uma Números de Vincent et al. relatório (2013) sobre as amostras não agrupadas.
rios
641a uma Números de Vincent et al. relatório (2013) sobre as amostras não agrupadas.

A estratégia de amostragem desempenha um papel fundamental na pesquisa experimental e deve ser teoricamente adaptada ao (s) objetivo (s) de um estudo (Rellstab et al., 2015, Riginos et al., 2016). No contexto da genômica da paisagem, o desenho amostral deve cobrir uma escala espacial representativa tanto dos processos demográficos quanto da variabilidade ambiental vivenciada pela população de estudo (Balkenhol et al., 2017 Leempoel et al., 2017 Manel et al., 2010 Rellstab et al., 2015). Isso é imperativo para ser capaz de explicar adequadamente o efeito de confusão da estrutura da população, para fornecer um contraste biologicamente significativo entre as variáveis ​​ambientais de interesse e para permitir definitivamente a busca por variantes adaptativas reais (Balkenhol et al., 2017 Manel et al. , 2010 Rellstab et al., 2015). Consequentemente, a amostragem de campo extensa é geralmente necessária e precisa ser acoplada ao sequenciamento do genoma de alto rendimento para caracterizar as amostras em um grande número de loci (Balkenhol et al., 2017 Rellstab et al., 2015). Além desses aspectos teóricos, escolhas pragmáticas precisam ser feitas em relação às restrições financeiras e logísticas que muitas vezes são impostas (Manel et al., 2010 Rellstab et al., 2015). Uma estratégia de amostragem consiste em: (a) projeto de amostragem (o arranjo espacial dos locais de amostragem, D) (b) o número de locais de amostragem (eu) e (c) tamanho da amostra (o número de indivíduos amostrados, N Tabela 1). O cuidado com que esses parâmetros são definidos afeta a produção científica de um experimento, bem como seus custos (Manel et al., 2010 Rellstab et al., 2015).

A comunidade de genômica da paisagem tradicionalmente se concentra na formulação de diretrizes teóricas para coletar indivíduos em toda a área de estudo. Nesta literatura, uma ênfase particular foi colocada em como escalas espaciais e variação ambiental devem ser levadas em consideração ao selecionar locais de amostragem (Leempoel et al., 2017 Manel, Albert, & Yoccoz, 2012 Manel et al., 2010 Rellstab et al., 2015, Riginos et al., 2016). Simulações teóricas mostraram que realizar transectos ao longo de gradientes ambientais ou pares de amostragem de locais contrastantes que estão espacialmente próximos reduziram as taxas de falsas descobertas (FDRs) causadas por efeitos de confusão de processos demográficos (De Mita et al., 2013 Lotterhos & Whitlock, 2015). No entanto, nesses estudos, o ambiente foi descrito por meio de uma única variável, o que simplifica demais a escolha dos locais de amostragem. Na verdade, em uma aplicação de genômica de paisagem real, várias variáveis ​​são geralmente analisadas a fim de explorar uma variedade de possíveis pressões ambientais que causam a seleção (Balkenhol et al., 2017). O uso simultâneo de vários descritores ambientais também nos permite controlar o viés associado às condições colineares (Rellstab et al., 2015). Além disso, esses estudos têm se concentrado na comparação de diferentes métodos estatísticos com a desvantagem de confrontar apenas algumas combinações dos elementos que determinam a estratégia de amostragem (De Mita et al., 2013 Lotterhos & Whitlock, 2015). Por último, mas não menos importante, o número de amostras usadas nas simulações (entre 540 e 1.800 Lotterhos & Whitlock, 2015) parece ser irreal para uso na maioria dos experimentos genômicos de paisagem real (Tabela 1) e, portanto, as diretrizes propostas são dificilmente aplicáveis ​​na prática .

Há, portanto, uma necessidade de identificar diretrizes pragmáticas e realistas de modo que uma estratégia de amostragem seja projetada para maximizar o poder estatístico, minimizar falsas descobertas e otimizar esforços e despesas financeiras (Balkenhol et al., 2017 Rellstab et al., 2015). Em particular, as questões fundamentais que precisam ser abordadas são: (a) como determinar o arranjo espacial dos locais de amostragem (b) como organizar o esforço de amostragem (por exemplo, preferindo muitas amostras em alguns locais, ou melhor, menos amostras em muitos locais) e (c) quantas amostras são necessárias para obter poder estatístico suficiente (Rellstab et al., 2015, Riginos et al., 2016).

Aqui, investigamos como o resultado das análises genômicas da paisagem é conduzido pela estratégia de amostragem. Executamos simulações usando um conjunto de dados genéticos fictícios que englobava genótipos adaptativos moldados por variáveis ​​ambientais reais. As simulações levaram em consideração cenários demográficos antitéticos que abrangem uma estrutura populacional forte ou fraca. Propusemos estratégias de amostragem que diferiam de acordo com três elementos: abordagem do projeto de amostragem (D), número de locais de amostragem (eu) e tamanho da amostra (número de amostras, N) Para cada um desses três elementos, medimos seus impactos relativos nas taxas positivas verdadeiras das análises (TPRs) e FDRs, bem como seu impacto no valor preditivo positivo (PPV Marshall, 1989) dos sinais adaptativos mais fortes.


Como calcular a distância ortodrômica no QGIS? - Sistemas de Informação Geográfica

Abstrato. Este recurso oferece uma breve visão geral de um site e lista de reprodução de vídeos do YouTube usando software de código aberto (R, GeoDa e QGIS) projetado para ajudar os estudiosos a trabalhar com a análise de seus próprios dados usando Econometria Espacial. Dados de amostra, folhetos, código e arquivos de mapa são fornecidos para facilitar a replicação. O curso cobre os fundamentos da integração de dados em um conjunto de dados espaciais, contiguidade e correlação espacial, fazendo regressões espaciais básicas em GeoDa e testes de especificação e regressões mais sofisticados em R.

Classificação JEL: R1, C21

Palavras-chave: econometria espacial, vídeos instrucionais

1. Introdução

A Internet melhorou drasticamente a capacidade de fornecer oportunidades de ensino à distância de qualidade na última década. A explosão de MOOCs e vídeos educacionais de alta qualidade hospedados no YouTube reduziram a necessidade de os profissionais viajarem a um determinado lugar para aprender ou atualizar suas habilidades em matemática ou análise de dados. Embora ainda existam muitas oportunidades para fazer esses cursos em várias conferências ou universidades, há substitutos mais baratos de alta qualidade se tornando disponíveis. Especificamente quando se trata de Econometria Espacial, há muitas oportunidades de viajar para instrução face a face (Tabela 1), e o autor deste artigo se beneficiou muito de um curso de curta duração oferecido por Luc Anselin na UI-UC em 2003. No entanto , esses cursos podem facilmente custar bem mais de US $ 5.000 quando as taxas de matrícula, viagens e hospedagem são levadas em consideração. Neste documento, apresentamos uma série completa, porém contínua, de recursos gratuitos disponíveis.

Localização Ofertas Recentes Custo
Instituto Regional de Pesquisa, Verão, 1 semana, $ 3.000 + hospedagem,
West Virginia University, EUA 2016-2019 viagens (2018)
Econometria Espacial Avançada Verão, 4 semanas, & # x20AC 2.300-3.300 + hospedagem,
Instituto, Universit & agrave Cattolica 2018 viagens (2018)
del Sacro Cuore de Roma
ICPSR, Universidade de Michigan, Verão, 1 semana $ 1.700-3.200 + hospedagem,
EUA viagens (2018)
Workshop NARSC, San Anto- 1 dia, antes do $ 95 além do
nio, TX, EUA início de 2018 custo de atendimento
Conferência NARSC Conferência NARSC

2 Visão geral do curso

O núcleo do curso é composto por 12 vídeos do YouTube, entre 15 e 41 minutos de duração. Esses vídeos usam tecnologia de captura de tela (Burkey & # x00A02015), em vez de vídeos de um professor na frente de uma sala de aula típica. Todos os vídeos e materiais são gratuitos, postados em http://spatial.burkeyacademy.com. O software utilizado também está disponível gratuitamente 1, tornando o curso bastante acessível para professores e alunos. Cada vídeo acompanha um folheto, conjunto de dados, arquivo do Excel ou arquivo de texto contendo o código, conforme apropriado.

3 Breve esboço do curso

Embora as adições à série continuem a ser feitas com base no feedback do espectador, os 12 vídeos principais (além de um breve adicional de 9 minutos & # 8220Bem-vindo & # 8221 vídeo) formam uma introdução completa, embora básica, à Econometria Espacial. Supõe-se que os visualizadores estejam familiarizados com econometria transversal e notação matricial básica. Alguma familiaridade básica com arquivos de mapa e R seria útil, mas não necessária.

3.1 Introdução ao pensamento espacial com alguns modelos econométricos

O primeiro vídeo descreve alguns dos principais modelos econométricos espaciais e como pensar sobre interação espacial / transbordamento em termos básicos. O vídeo e a apostila também discutem alguns dos principais pesquisadores que desenvolveram os modelos e fornecem algumas referências para livros e artigos de periódicos onde os espectadores podem encontrar mais informações. Nesta seção, apresentamos os seguintes modelos:

Modelo OLS

(1)

O modelo OLS não contém um relacionamento espacial, mas geralmente é usado como um ponto de partida. Anselin & # x00A0 (1988) favoreceu a abordagem do Multiplicador de Lagrange para pesquisas de especificações. Começando com OLS, Anselin derivou estatísticas do Multiplicador de 5 Lagrange que ajudam a determinar se o modelo OLS (possivelmente especificado incorretamente) aponta para os modelos Spatial Lag, Spatial Error ou SARMA, embora ele tenha sugerido que o modelo SARMA provavelmente nunca foi a especificação correta.

Medir & # 8220 vizinhos & # 8221 com uma Matriz de Pesos Espaciais, W, nos permite especificar matematicamente como as relações espaciais entre as regiões podem ser estruturadas. As regiões podem estar relacionadas com seus vizinhos de três maneiras diferentes: 1. O valor de y em uma região pode impactar (ou estar relacionado a) o valor de y em uma região vizinha 2. Os valores de X & # 8217s em uma região podem afetar (ou estar relacionado a) o valor de y em uma região vizinha 3. Os resíduos & # x03F5 podem afetar (ou estar relacionados a) os resíduos em uma região vizinha (heterocedasticidade espacial ou autocorrelação espacial)

Modelo manski

(2)

O modelo Manski baseia-se em todos os três tipos de relacionamento espacial. Se & # x03B8 = 0, Manski se torna o modelo Kelejian-Prucha:

Kelejian-Prucha, SARAR, Cliff-Ord, modelo SAC

(3)

Ou se & # x03BB = 0, obtemos o Modelo de Durbin Espacial (SDM), que envolve y defasado e resíduos espacialmente relacionados. LeSage, Pace & # x00A0 (2009) favorecem começar com esta especificação (ou o Modelo de Erro Espacial de Durbin, discutido no último dos vídeos principais) e, em seguida, usar técnicas de Razão de Verossimilhança para testar se o modelo deve ser restrito a um modelo mais simples , modelo aninhado.

Modelo Espacial Durbin

(4)

Se & # x03C1 = 0, então isso se torna o

Modelo X espacialmente defasado (SLX)

(5)

Se & # x03B8 = 0, então (4) degenera no modelo de atraso espacial

Atraso espacial, autoregressivo espacial (SAR)

(6)

Se & # x03B8 = - & # x03C1 & # x03B2, então (4) simplifica no modelo de erro espacial (porque & # x03BB = & # x03C1 neste caso) 2.

Obviamente, definir todos os parâmetros espaciais (& # x03BB, & # x03C1 e o vetor de & # x03B8 & # 8217s) para zero restringirá o modelo de volta ao OLS.

3.2 Noções básicas de GIS

Os próximos dois vídeos fornecem uma breve introdução ao uso do QGIS (QGIS Development Team & # x00A02018). O foco é como baixar um arquivo SHP que mapeia um conjunto de regiões, abri-lo em um programa GIS, editá-lo removendo regiões que podem não ser de interesse e adicionar dados adicionais para as regiões a serem analisadas. Os usuários recebem um arquivo ZIP para download que contém os arquivos de mapa e dados extras para importar para praticar o vídeo.

3.3 Compreendendo a ideia de contiguidade e correlação espacial

Segue-se um vídeo com foco na contiguidade e correlação espacial (Moran & # 8217s I), junto com um arquivo de planilha para download. Neste arquivo, os visualizadores ajudam a completar pequenas matrizes de contiguidade e pesos manualmente, usando um conjunto simples de regiões. Os usuários são mostrados como a padronização de linha simples pode ser feita. Esta planilha permite que os usuários alterem os valores dos dados em cada região e vejam dinamicamente como o valor da correlação espacial muda conforme o usuário cria padrões diferentes nos dados.

3.4 ESDA, criando e visualizando pesos espaciais para dados espaciais com GeoDa

Os próximos quatro vídeos da série usam as ferramentas de visualização fantásticas do GeoDa & # 8217s (Anselin et & # x00A0al. & # X00A02006) para fazer a Análise Exploratória de Dados Espaciais (ESDA), criar e exportar matrizes de pesos espaciais, calcular correlações espaciais e fazer regressões e testes de especificação. Os pontos fortes e fracos do GeoDa são discutidos, e o usuário é encorajado a também aprender R para análise de dados espaciais nos vídeos restantes.

3,5 R para análise de dados espaciais e regressão

Nos quatro vídeos finais da sequência, o usuário é apresentado a R e a muitos dos pacotes comuns usados ​​para manipulação e análise de dados espaciais (especialmente spdep (Bivand, Piras & # x00A02015, & # x00A0Bivand et & # x00A0al. & # X00A02013) Os dois primeiros vídeos se concentram em obter dados em R e criar matrizes de contiguidade. Os visualizadores são mostrados como ler dados espaciais, criar matrizes de pesos, importar pesos criados no GeoDa, exportar pesos e traçar relações de contiguidade.

Os dois últimos vídeos no núcleo da série exploram maneiras de realizar uma busca de especificação espacial e estimar muitos dos modelos econométricos espaciais comuns em R. A diferença entre os testes do Multiplicador de Lagrange (LM) e os testes da Razão de Verossimilhança (LR) são discutidos. Em resumo, os testes LM começam estimando um modelo OLS não espacial e calculando a pontuação, indicando a taxa de melhoria no ajuste do modelo à medida que relaxamos as restrições tornando o modelo não espacial. Anselin derivou cinco testes LM: um para SEM e SAR (com uma versão robusta para eles, tentando filtrar alguma propensão para um falso positivo entre esses dois modelos), e um teste para um Modelo SARMA 3.

O benefício da abordagem LM é que apenas o modelo OLS precisa ser estimado antes de calcular as estatísticas LM. No entanto, este método de busca de especificação espacial é muito limitante, pois apenas três tipos de modelos podem ser considerados. Assim, muitos econometristas espaciais favorecem a abordagem LR, porque qualquer modelo pode ser testado para ver se um modelo aninhado mais simples pode ser mais apropriado (consulte a Figura 1). A estatística LR também é muito fácil de calcular depois de executar os dois modelos a serem comparados:

LeSage & # x00A0 (2014) sugere a execução do SDM se uma especificação global for necessária, e se uma estrutura local for necessária, primeiro execute o Spatial Durbin Error Model (SDEM):

(9)

Este modelo é & # 8220local & # 8221 porque não contém um termo de latência, portanto, embora os vizinhos afetem uns aos outros, esse efeito não se propaga por todo o espaço. Links para os dados, comandos e apostilas estão incluídos, junto com uma econometria espacial de duas páginas na planilha de referência R com comandos e dicas (Figura 2).

4. Conclusão

Embora esta página da web e a série do YouTube não sejam um substituto perfeito para um curso de curta duração, espera-se que ajude a apresentar a Econometria Espacial a um público mais amplo e sirva como um recurso para aqueles que não podem pagar um curso presencial. O autor agradece todas as sugestões e correções da comunidade acadêmica. O autor espera adicionar algumas entrevistas com os principais pesquisadores da área a esta série de vídeos, bem como adicionar outros tópicos de interesse.

Reconhecimento

Agradecimentos a Stephanie Kelly pela assistência editorial.

Referências

& # x00A0 & # x00A0 & # x00A0 Anselin L (1988) & # x00A0 Econometria espacial: métodos e modelos. Kluwer Academic Publishers, Dordrecht. CrossRef.

& # x00A0 & # x00A0 & # x00A0 Anselin L, Syabri I, Kho Y (2006) & # x00A0Geoda: Uma introdução à análise de dados espaciais. Análise geográfica & # x00A038 [1]: 5 & # 821122. CrossRef.

& # x00A0 & # x00A0 & # x00A0 Bivand RS, Hauke ​​J, Kossowski T (2013) & # x00A0Computando o Jacobiano em modelos autorregressivos espaciais gaussianos: uma comparação ilustrada dos métodos disponíveis. Análise geográfica & # x00A045 [2]: 150 & # 8211179. CrossRef.

& # x00A0 & # x00A0 & # x00A0 Bivand RS, Piras G (2015) & # x00A0Comparando implementações de métodos de estimativa para econometria espacial. Journal of Statistical Software & # x00A063 [18]: 1 & # 821136. CrossRef.

& # x00A0 & # x00A0 & # x00A0 Burkey ML (2015) & # x00A0Criação de vídeos educacionais e acadêmicos com software de captura de tela. REGION & # x00A02 [2]: R2 & # 821110. CrossRef.

& # x00A0 & # x00A0 & # x00A0 Burkey ML (2018) & # x00A0A mãe de todos os folhetos de econometria espacial R. Disponível em http://spatial.burkeyacademy.com

& # x00A0 & # x00A0 & # x00A0 LeSage JP (2014) & # x00A0O que os cientistas regionais precisam saber sobre econometria espacial. The Review of Regional Studies & # x00A044 [1]: 13 & # 821132

& # x00A0 & # x00A0 & # x00A0 LeSage JP, Pace RK (2009) & # x00A0 Introdução à Econometria Espacial. CRC Press, Boca Raton, FL. CrossRef.


5. Conclusão

O fato de os polinizadores poderem moldar a distribuição dessas plantas especializadas é um insight que tem amplas implicações para o entendimento e a previsão da distribuição geográfica das plantas, mudanças evolutivas dos polinizadores e diversificação das plantas. Este estudo fornece suporte para a ideia de que os polinizadores são um componente do nicho fundamental para algumas espécies de plantas e destaca a importância geral das interações ecológicas entre plantas e polinizadores para a manutenção da biodiversidade.


Discussão

Mapeamento de tipos de floresta

Na região estudada, a rede U-net identificou florestas naturais e de eucalipto com acurácia geral acima de 95%. Em comparação, as precisões gerais do MapBiomas foram de 88,45% para florestas naturais e 77,7% para plantações florestais. Em nosso estudo, o alto desempenho do modelo U-net para esta segmentação pode ser explicado pelos valores espectrais e informações texturais dos tipos de floresta, conforme mostrado na Figura 2, que são identificáveis ​​/ separáveis ​​por um olho humano em uma imagem RGB . Como a região contém muitas plantações de eucalipto, a amostra de treinamento contém plantações de eucalipto em diferentes idades de povoamento. Para o plantio de eucalipto, uma das características importantes é a linha de plantio. Quando algum eucalipto morre ou quando o plantio está velho e a linha dos plantios não é tão visualmente evidente, o modelo tende a cometer alguns erros (Figura 6). Para as florestas naturais, uma das características importantes para a rede U parece ser a presença de sombra, e o modelo ocasionalmente prevê copas homogêneas muito grandes sem sombra como fundo, provavelmente previstas como pastagem (Figura 6). Na resolução espacial de 0,3 m, encontramos

8% mais florestas do que o mapeamento florestal em 30 m de 2017 da MapBiomas (44,80% vs. 36,94% respectivamente). Isso é esperado, pois os pixels devem ter uma alta cobertura de árvores para serem classificados como floresta, e o MapBiomas não é capaz de delinear a borda da floresta com precisão, devido à sua resolução espacial de 30 m. Isso também foi confirmado pelos maiores valores de cobertura de árvores para os pixels florestados de MapBiomass. Deve-se notar que os resultados obtidos podem ser melhorados ainda mais com um conjunto de treinamento maior. Reconhecemos que o modelo U-net não é necessariamente o melhor método para produzir um mapeamento de vegetação / cobertura do solo maior do que a escala regional. Trabalhos recentes usando principalmente imagens Landsat e métodos de aprendizado não profundo (Hansen et al. 2013 MapBiomas, 2018) ou outros métodos de aprendizado profundo (Jia et al. 2017 Kussul et al. 2017 Lyu et al. 2018) também mostram alto desempenho e podem cobrir áreas maiores. Porém, no caso de um estudo regional utilizando uma ou duas imagens de visão de mundo de altíssima resolução e com o objetivo de mapear objetos dentro de uma determinada classe de vegetação, como neste estudo, recomendamos produzir o modelo de classe de vegetação com U-net. Primeiro, porque a U-net demonstrou alto desempenho para segmentação de imagens de resolução muito alta [este estudo e Huang et al. (2018)] em segundo lugar, porque permite a produção de uma máscara de vegetação em resolução muito alta e, finalmente, porque a rede U é relativamente fácil e conveniente de usar.

Implicações para a análise do uso da terra

Com uma imagem do Worldview-3 e com alguns dias de trabalho para preparar as imagens de treinamento, treinar a maquete e fazer previsões, uma única pessoa pode produzir informações confiáveis ​​sobre o uso do solo. Esta classificação de uso da terra não existe em regiões tropicais a partir de mapas globais disponíveis nesta resolução espacial. É importante mapear os tipos de floresta para esta região, a fim de interpretar o grande aumento de 5-30% da cobertura arbórea observada desde a década de 1990 (FAO, 2010 Hansen et al. 2013 Silva et al. 2018) e entender sua implicação no contexto da mudança e conservação global do carbono. Embora ter uma grande quantidade de novas florestas em crescimento seja positivo para o balanço de carbono, o fato de 80% dessas novas florestas em crescimento serem plantações de eucalipto é um aspecto negativo para a biodiversidade. Ao produzir o conjunto de dados de treinamento, as fronteiras da floresta foram facilmente avaliadas, já que ambos os tipos de floresta são densos e os outros tipos de uso da terra são espectralmente diferentes (principalmente construção humana ou pastagem). Para fisionomia de vegetação mais esparsa com árvores como aquelas na formação de Savana, pode ser mais difícil produzir a amostra de treinamento e pode ser necessário mapear todas as árvores individuais e ver como o tamanho da copa e a densidade das árvores variam na paisagem.

Reconhecimento de C. hololeuca arvores

Neste estudo, o primeiro mapa de distribuição regional de todos os indivíduos de uma espécie de árvore natural com uma imagem de sensoriamento remoto multiespectral foi produzido usando uma rede U-net. Apenas cerca de 0,01% da área total da Mata Atlântica foi levantada desde 1945 por meio de estudos de campo (1817 ha) (de Lima et al. 2015) aqui, C. hololeuca foi mapeado em 64.713 ha de florestas naturais, o que representa ∼ 0,35% dos remanescentes de Mata Atlântica. Este mapa da espécie C. hololeuca teve uma precisão geral de 97%. Esta alta precisão pode ser explicada pelos valores espectrais únicos do Cecropia folhas e a estrutura da copa, conforme mostrado na Figura 3, tornando-as identificáveis ​​até mesmo para um olho humano em uma imagem RGB, o que não é o caso para a maioria das espécies de árvores. Além disso, ao contrário de objetos segmentados mais comuns, como carros, animais ou edifícios, os indivíduos de uma espécie de árvore teoricamente têm a mesma resposta espectral, que está ligada tanto à composição bioquímica da folha quanto à arquitetura da espécie (Asner et al. 2015 Ferreira et al. 2016). Isso pode ajudar a rede a identificar as árvores. As precisões da borda do segmento (pontuação F1 = 0,804) não foram altas pelos seguintes motivos: Primeiro, pela dificuldade de delinear com precisão a borda das árvores Cecropia, que não é nítida. Em comparação, a borda de um carro em uma imagem é mais fácil de distinguir e delinear com precisão. Em segundo lugar, devido ao pequeno tamanho da coroa, cada contribuição de pixel é importante em relação ao tamanho da coroa, ou seja, a falta de apenas alguns pixels afeta fortemente o valor do escore F1. Na região Neotrópica, várias outras espécies do gênero Cecropia tem folhas brilhantes, incluindo Cecropia telealba na Colômbia (Franco-Rosselli e Berg 1997 Kattan e Murcia 2012) e Cecropia telenitida nas seções central e norte da Cordilheira dos Andes (Franco-Rosselli e Berg 1997), e são fortes candidatos para mapeamento com o método U-net.

Consideração para mapeamento de espécies de árvores

Estudos recentes sobre contagem de árvores e identificação de espécies com aprendizado profundo empregam apenas bandas RGB ((Li et al. 2017 Onishi e Ise 2018) e este artigo). Para outras vegetações verdes, espécies arbóreas e grandes plantas, o ganho de adicionar outras bandas multiespectrais no modelo, tendo em vista que irá adicionar um número significativo de parâmetros ao modelo e aumentar o tempo de cálculo, ainda precisa ser explorado. Em comparação com a recente análise de imagem baseada em objeto para a identificação de espécies de árvores em florestas (Clark et al. 2005 Warner et al. 2006 Feret e Asner 2013 Fassnacht et al. 2016 Ferreira et al. 2016), a principal vantagem da rede U método é que nenhum delineamento individual prévio das copas das árvores é necessário, enquanto sua principal desvantagem é que ele requer muitas imagens de treinamento (em nosso caso entre 1.000 e 10.000). Para criar a amostra para treinamento, é necessário ser capaz de identificar as espécies de árvores na imagem. Isso implica que os alvos têm um certo tamanho e uma resposta ou estrutura espectral particular. Também recomendamos o uso de imagens com 0,3 m de resolução espacial. Em nossa região, o método será testado com outras espécies que podem ser identificadas na imagem do VHR, como bambus ou espécies criticamente ameaçadas de extinção. Araucaria angustifolia. Some tree species could also be mapped during the reproduction period, if the tree is visible from space when flowering, such as the species Tibouchina mutabilis in the Atlantic Forest. C. hololeuca is distributed across the Atlantic forest biome (Franco-Rosselli and Berg 1997 ), but for a species with a narrower distribution range, we might be able to fully describe its specific climatic envelope with its real occurrence data (He et al. 2015 ). Furthermore, the large majority of tropical forest tree species are locally very rare, with adult population sizes <1 per hectare (ter Steege et al. 2013 , 2015 ), so that it is difficult to derive population sizes with field surveys based on

1 ha plots. For those tree species clearly identifiable in imagery, the coordinates of all adults in a region could be used to guide botanical collections or for genetics analysis of parenting, for example. Given that information on widespread, precise locations of species is generally unobtainable from field studies, applying methods such as the one developed here could have great value in the urgent task of describing and mapping rare, poorly known, and potentially threatened tropical tree species (ter Steege et al. 2015 ).

Natural forest fragmentation and disturbance

Although we are still far from recognizing all the species, species such as C. hololeuca which describe the disturbance and early successional stage of the forests can be accurately mapped (Figure 11). Cecropia is a reliable indicator of short-term disturbance, since it may persist in the canopy from half a century to a century depending on the lifetime of the species (Zalamea et al. 2012 Guitet et al. 2018 ). Their mapping could help to assess and understand forest disturbances at regional scale, with information not accessible by another means for example, if disturbance was older than the first satellite observations, and this with only one very high resolution image. In the future, it could be interesting to map an end-succession species to improve the understanding of the successional stage of these endangered forest fragments. The index based on the distribution of species in the fragment revealed information that is not accessible from the classical fragment analysis, which is based on size, shape and connectivity of the fragments (Vogt et al. 2007 , 2009 Strassburg et al. 2016 ). For example, here, we show that fragments above 10 ha can present a high degree of disturbance (Figure 10). We have to acknowledge that the index Ddisturbance works on a fragment scale and does not account for the diversity of forest physiognomy within a fragment for example, if the fragment contains both old growth forest and secondary forest. The largest fragment in the south-east, as shown in Figure 9, is crossed by roads and other human-made barriers, such as fences that are not detected below the tree cover thus, it is still likely that we underestimated forest fragmentation. As fragmentation is increasing over all tropical forests (Taubert et al. 2018 ), our index Ddisturbance, in addition to the classical fragmentation analysis, can provide valuable information to guide the conservation of the Atlantic Rain Forest in particular and Neotropical forests in general.

Considerations for the processing

As shown in this study, automatic tropical forest mapping may be feasible in the near future, but there are still limitations from both the hardware and the model. The raster of one band of the full region at 0.3-m spatial resolution contains over 22 billion pixels. Consequently, the images must be processed in smaller tiles, which adds significant computational time to the analysis. Another limitation is that the geographical information of the original image is not conserved during the run of the model, because these models are still not designed for georeferenced imagery. The geographical information of the image must be saved before the run and added after the prediction, which adds computational time as data has to be written several times on the hard drive. To speed-up the predictions step, the model can be run on larger images than the image used for training. For example, the prediction were made from 640 × 640 pixels images, which was the maximum size supported by our GPU, while the models were trained with images of a maximum size of 256 × 256 pixels. Finally, the model required the use of a GPU with at least three Gigabytes of dedicated memory for both training and testing, which is not yet of standard installation in personal computers. In this study, the model ran on a GPU Nvidia K6000 of 2013 with 12 Gigabytes of dedicated memory and with a compute capacity of 3.5, and faster processing time might be expected with new generation of GPUs.

Considerations for generalization and scalability

The largest image produced by the Worldview-3 satellite covers 7336 km², 112 × 65.5 km, with the collecting scenario ‘Large area collect’ (DigitalGlobe, 2019 ). Due to this limitation, to cover a region larger than this size, several Worldview-3 images will be needed and, as Worldview satellites do not cover all the Earth at regular intervals, they will have different days, hours, solar and sensor angles. Consequently, the reflectance of targeted objects will vary between the images and new training samples will be necessary. Furthermore, forests can display different features. For example, if in one image forests contain Cecropia trees, and in the other they contain pink-flowering trees, each feature must be presented to the model for it to be able to predict pink trees and Cecropia trees as forest features. New training samples will have to be produced for new images but can be added to the first training set to train only one multiclass model for all images (and not one model per image or per feature). As the U-net model is scale dependent, a trained model at a defined resolution is not expected to work with another spatial resolution. Further work is needed to compare U-net performances for tree species and vegetation mapping with other convolutional neural networks that can handle the task of semantic labeling in very high resolution images (He et al. 2017 Maggiori et al. 2017 Huang et al. 2018 ).

Considerations for atmospheric corrections

Very thin clouds which are transparent and contain reflectance information of the ground targets (Bai et al. 2016 ) might be treated during data augmentation. Further analysis should be made to analyze and simulate the reflectance of the ground targets above the very thin cloud cover. Other reflectance variations due to sun-view angle effects could also be included in the data augmentation, as some of these effects have been studied for decades, such as the bidirectional reflectance characteristics of vegetation (Ranson et al. 1985 ). The simulation of atmospheric variations and sun-view angle effects on the reflectance during the data augmentation remains to be explored and is of primary importance for the development of deep learning methods for remote sensing.


Conclusões

Human movement and gully erosion are related to each other. Results of this study suggest that, for the Ethiopian Highlands, the more pathways develop, the more likely gullies are to occur in an area. If the cross profile of these gullies reaches dimensions of minimum 2 m depth and 2𠄳 m width, they obtain the characteristics of obstacles for movement of people. Consequently, humans will search for another pathway to continue moving and reach their destination while keeping the costs of movement as low as possible. This process will make their way longer when going around one or several topographical obstacles. When gullies result in deflection of pathways, this may lead to the creation of new gullies, subsequently forming a feedback mechanism between the two. Moreover, former decisions for least cost pathways on the basis of given topography might be revised when new topographical obstacles develop, potentially resulting in the decision to include formerly avoided topographical barriers into the new pathway. This may possibly result in a shorter but more difficult pathway than the preceding one. In the Ethiopian Highlands, this relationship potentially impacted commerce and the exchange of goods, as well as large scale accessibility for military and other purposes. From a socio-cultural perspective, gullies may have contributed to a more diversified and sub-divided population in the Ethiopian Highlands, one that is less susceptible to external influences and trends as compared with nearby areas. As concepts of physical movement changed dramatically in recent decades, the gully-movement feedback mechanism in Tigray serves as an early example of the effect humans may have had on their natural environment.


Author information

Tomasz Suchan and Sereina Rutschmann contributed equally to this work.

Affiliations

Department of Ecology and Evolution, University of Lausanne, 1015, Lausanne, Switzerland

Morgan Gueuning, Tomasz Suchan, Sereina Rutschmann, Jean-Luc Gattolliat, Camille Pitteloud, Michel Sartori & Nadir Alvarez

Competence Division for Research Technology and Knowledge Exchange, Method Development and Analytics, Agroscope, 8820, Wädenswil, Switzerland

Department of Biochemistry, Genetics and Immunology, University of Vigo, 36310, Vigo, Spain

Cantonal Museum of Zoology, Palais de Rumine, 1014, Lausanne, Switzerland

Jean-Luc Gattolliat & Michel Sartori

Plant Breeding Section, Faculty of Agriculture, Andalas University, 25163, Padang, West-Sumatera, Indonesia

Jamsari Jamsari & Al Ihsan Kamil

Institute of Terrestrial Ecosystems, ETH Zürich, Switzerland

Swiss Federal Research Institute WSL, Birmensdorf, Switzerland

Department of Life Sciences, Natural History Museum, Cromwell Road, London, SW7 5BD, United Kingdom

Department of Biological Sciences, Boise State University, 1910 University Drive, Boise, Idaho, 83725, USA

Zoologische Staatssammlung München, Münchhausenstr. 21, 81247, München, Germany

Natural History Museum of Geneva, 1 route de Malagnou, 1208, Geneva, Switzerland

W. Szafer Institute of Botany, Polish Academy of Sciences, ul. Lubicz 46, 31-512, Kraków, Poland

You can also search for this author in PubMed Google Scholar

You can also search for this author in PubMed Google Scholar

You can also search for this author in PubMed Google Scholar

You can also search for this author in PubMed Google Scholar

You can also search for this author in PubMed Google Scholar

You can also search for this author in PubMed Google Scholar

You can also search for this author in PubMed Google Scholar

You can also search for this author in PubMed Google Scholar

You can also search for this author in PubMed Google Scholar

You can also search for this author in PubMed Google Scholar

You can also search for this author in PubMed Google Scholar

Contributions

Research question and sampling were designed by N.A., M.S., J.L.G., M.B. and M.G. J.J., A.I.K., M.B. and M.G. organized and performed the sampling. Taxonomical identification was done by J.L.G., M.S. and M.G. C.P., T.S., N.A. and M.G. were involved in the library preparation and sequencing. Bioinformatics and statistical analyses were carried by T.S., N.A. and M.G. S.R. did the phylogenetic analyses as well as the corresponding figures. The main manuscript was written by N.A. and M.G. and all other authors reviewed the manuscript.

Corresponding authors


Graph model building and analysis

A necessary preliminary step for the connectivity analysis is to build a graph model of the proposed ecological corridors. First, the land cells that make up these corridors, identified as described in the previous section, are intersected with the original patches from the land cover map, producing a vector map, in which land patches are homogeneous from the point of view of land use codes. The node set shall correspond to this set of land patches. A spatial graph model is built by linking pairs of nodes when they correspond to pairs of adjacent patches on the map.

For this case study, the graph model built with this process has 6995 nodes and 17464 edges, organized in 18 connected components (the number of nodes in each component is reported in Table 1). Each component corresponds either to a single candidate corridor between Natura 2000 sites, or to a connected set of candidate corridors, which form multiple bridges to connect sites.

Method of analysis

The identification of cut nodes, i.e. those nodes that determine the separation of a connected component into two or more smaller components when removed, can be considered a first step in assessing the robustness of a corridor set and ranking critical patches, which may require further inspection.

While this seems straightforward enough, the identification of cut nodes turns out to be of little use by itself, as the method to build a graph model for a set of ecological corridors is such that cut nodes can be expected to be abundant by construction. In this study, out of 6995 nodes in the graph model, 569 are cut nodes (about 8.13%) clearly, it is not very helpful to have this number of cut nodes reported as corresponding to critical habitat patches. It can also be observed that the problem is only made worse by the fact that the land cover map has a large number of enclaves, i.e. patches that are topologically surrounded by another patch. Enclaves translate to leaf nodes in the graph model, so each patch surrounding one is counted as a cut node, even in situations where its removal does not cause an interruption of an ecological corridor in the underlying map. These cut nodes can be interpreted as noise, especially when the leaf node corresponds to a very small patch, which may be due to artifacts in the source spatial data.

These observations suggest that the identification of cut nodes has to be followed by the application of some criterion to rank cut nodes by priority, or to filter out those of little interest for land managers. For this purpose, the removal of each cut node is simulated, in order to record relevant measures corresponding to each node removal:

the number of additional connected components that result from removal of the node

the size of each new connected component.

Formally, let G ′ =(V ′ ,E ′ ) be a connected component of graph G, and let vV ′ be a cut node in the component G ′ . The removal of v results in the split of G ′ into n smaller components (G^_ = left (V'_, E'_ ight)) with k ∈ <0,1. n−1>, and n≥2. Choose indices such that |V0′|≥|V1′|≥. |Vn−1′|.

Define the additional component count of a cut node as

corresponding to the number of components that are added to the total for the graph when the cut node is removed and the second-size of a cut node as the size of the second-largest component it generates, that is,

This definition is such that the second-size attribute is 1 for a cut node if its removal results in the disconnection of one or more leaf nodes from a single larger component in this context, this is useful to identify cut nodes that are most likely to be noise, under the assumption that a disconnected leaf node may be an enclave due to artifacts in the original data.

Other measures associated to cut nodes can be considered. In this study, a normalized betweenness centrality index of each node will be calculated for inclusion in the definition of a combined score. Recall that the betweenness centrality index of a node v is defined as:

Onde σst(v) is the number of shortest paths from s to t that include v, e σst is the total number of shortest paths from s to t. This measure can be normalized to a scale from 0 to 1 by dividing the number of node pairs excluding v. For simple unweighted graphs, this is given by

Onde N=|V|. The normalized version of the betweenness centrality will be used in this study.

Lastly, it may also be of interest to make use of additional measures, not based on graph properties. One such example is the minimum geographical distance from a Natura 2000 site. Formally, if S is the set of Natura 2000 sites, this measure is given by

Onde d expresses the geographical distance, calculated between boundaries of land patches.

The entire process of ranking nodes can be summarized as follows:

build a graph model, by instantiating a node for each homogeneous patch, and connecting nodes corresponding to adjacent patches on the map

identify the set of connected components in the graph model, treating each component separately in the remainder of the process

for each component, identify its set of cut nodes, and note its geographical distance from a site

perform the removal of each single cut node, noting the number of additional components resulting from the split (CUMA) and their second-size (CS) as attributes of the cut node

rank patches according to one of their attributes, or a combination of these attributes, complex network indices (such as the betweenness centrality), and other measures (such as the distance of the patch from a nature preservation site).

For this study, steps 1 and 5 were performed with custom Python scripts developed for use within the QGIS software suite (QGIS Development Team 2009) code for the remaining steps was implemented in Java, using the open source library JGraphT for graph representation and analysis Footnote 1 . The connectivity inspector included within JGraphT was used for the identification of connected components (steps 2 and 4), while the biconnectivity inspector was used to identify cut nodes (step 3). QGIS was also used to export maps as images. Calculations of the betweenness centrality index were performed with Cytoscape version 3.6.0 (Shannon et al. 2003). Geographical distances (as part of step 3) were calculated by importing data into a SQLite database and using the Spatialite extension for spatial analysis. All distances are calculated on map projections, and are to be treated as an approximation for this reason however, at this scale, the degree of distortion can be considered small enough to be negligible.

Choice of a combined score

A discussion of the distribution of the additional component count e second-size attributes will be helpful in supporting the choice of a combined score for the ranking of patches.

Table 2 reports the occurrences of additional component counts for all cut nodes in the considered area in the Metropolitan City of Cagliari. A majority of cut nodes (372, i.e. over 65% of the total number of cut nodes) split their corresponding component into two new ones (i.e. 1 additional component), while 108 cut nodes split their component into three parts (2 additional components). After these, the number of occurrences of higher figures quickly drops the statistical distribution is visualized in Fig. 2. The percentile score reported in the table is discussed later.

Statistical distribution of the additional component count resulting from the removal of each cut node

The second-size attribute behaves similarly. There are 338 cut nodes (over 59%) which only disconnect leaf nodes if removed, 50 that disconnect pairs of nodes, etc. (see Table 3), with an even steeper drop for the number of occurrences of sizes larger than 1. The largest second-size value with at least two occurrences is 57, and the global maximum is 810. The complete distribution is visualized in Fig. 3.

Statistical distribution of size of second-largest component resulting from the removal of each cut node

An attempt to summarize the considered attributes into a single value could be made by computing a summation or a linear combination. However, as the measures are not in the same scale of values, a problem lies in the fact that one of the measures could dominate the other ones. To address this issue with finding a meaningful aggregated score value to rank cut nodes and assess priorities, it is possible to make use of a combination of percentiles, so that each measure is brought to a comparable scale from 0 to 100.

Multiple definitions and interpretations of percentile scores exist. Since the goal is to filter out patches with the smallest possible values for the component count and component size measures, the interpretation that was selected for this study is the percentage of values that are strictly less than the measure Footnote 2 . This excludes 100 as a possible value, while assigning a score of 0 for patches with the smallest value (see Tables 2 and 3), avoiding a contribution to the combined score, which is a desirable behavior in this context. At the same time, there is no significant difference in the percentile score of the top values, regardless of the actual difference in the raw values, and this is also consistent with the goal of identifying patches with abnormally high attribute values, without giving too much importance to the actual value.

Resultados

An example of visualization of results is provided for a portion of the area being analyzed in Figs. 4, 5 and 6. In each map, the shades of color are darker for patches corresponding to cut nodes with higher scores or attribute values, with patches marked in grey not corresponding to a cut node. In the remainder of this section, the component lying closest to the North-West corner of the represented area is used as an example of how results can be interpreted. This is the sixth-largest component in the study, with 298 nodes, and 13 cut nodes.

A darker shade represents a higher count of components resulting from the removal of a cut node


Assista o vídeo: Curso QGIS - Interpolação (Outubro 2021).