Více

Výpočet oblasti rastrových tříd pomocí ArcGIS Desktop?

Výpočet oblasti rastrových tříd pomocí ArcGIS Desktop?


Mám rastr ve formátu GRID, který byl vytvořen Image Classification. GRID je promítán v metrech StatePlane, ale chtěl bych plochu ve čtverečních stopách. Předpokládám, že k tomu budu muset použít Field Calculator, ale nejsem si jistý, co mám zadat.

Již jsem vytvořil nové pole v tabulce atributů GRID pro oblast. Používám ArcGIS Desktop 10.1.


1 metr čtvereční je podle Googlu 10,7639104 čtverečních stop.

Pokud je tedy velikost buňky 1, každá buňka má 1 metr čtvereční (1 x 1), oblast pokrytá třídou je:

Počet x 10,7639104

pokud je velikost buňky 2 metry, plocha je 4 m2. (2 x 2) a plocha pokrytá třídou je:

4 x počet x 10,7639104

Pokud je velikost buňky nepravidelná, vynásobte šířku a výšku v metrech:

(Šířka buňky X Výška buňky) X Počet X 10,7639104

Výpočet servisních oblastí v ArcGIS

Jednou z nejběžnějších analýz používaných v každém GIS je reprezentace obslužných oblastí v okolí libovolného místa, přičemž se nejprve použije a Analýza pufru.

V tomto příkladu jsme použili aplikaci ArcGIS Desktop: ArcMap.

Nejprve máme v ArcMapu jednu vrstvu (bodovou vrstvu, protože má konkrétní adresy). Představuje v tomto příkladu lékárny. Vzhledem k těmto údajům, jaká je oblast, pokud ovlivňují všechny lékárny? Používáme tedy Nástroj pro geoprocesování vyrovnávací paměti.

Přejděte na ArcToolbox a otevřete Analytické nástroje.

Když otevřeme Vyrovnávací nástroj, vypadá to takto:

Vypadá to jako jednoduchý nástroj a ve skutečnosti to tak je. Můžeme určit každý parametr pro spuštění tohoto nástroje. Výsledkem je následující diagram:

Kolem každé lékárny jsme vytvořili 100metrovou plochu.

ArcGIS má také speciální nástroj s názvem Skript, s jiným symbolem jako Tool, a ten se nazývá Vyrovnávací paměť pro více kruhů. Umožňuje nám vypočítat více než dvě oblasti vlivu kolem prvku.

Stejně jako u nástroje Buffer jsme také nakonfigurovali tento nástroj.

Oba analýza jsou založeny na euklidovská vzdálenost od středu místa (nebo čára) a nástroje generují mnohoúhelník se stejným tvarem jako vstupní místa (viz následující diagram).

Co když musíme provést složitější analýzu? Pro celé město, které má složitou síť ulic nebo silnic, musíme použít síťového analytika rozšíření v ArcGIS. To poskytuje vyčerpávající analýzu ulic na základě časových cest, impedance, rychlostí atd.

Použít Síťový analytik, musíme vlastnit síťová data silnic (představovaná liniemi) a vytvořit správnou síť v Geodatabázi, to znamená, vytvořit pravidla a zásady, které spojí každou linku a dát jim vlastnosti v databázi ArcGIS.

Jakmile je síť vytvořena (a uložena v síťové datové sadě), můžeme načíst vrstvu našich lékáren a znát jejich oblast vlivu za 3, 5 a 7 minut od nich chůzí. Používáme Analýza oblasti služeb (na panelu nástrojů rozšíření Network Analyst).

& # 8220Facilities & # 8221 vrstva je naše bodová vrstva: Lékárny.

Nakonfigurujeme v Okno Vlastnosti vrstvy & Nastavení analýzy gt záložka všechny druhy omezení v síti.

Nakonec na kartě Generování polygonů bude způsob, jakým budou výstupní polygony představovat oblast vlivu.

Tato analýza je lepším vyjádřením skutečného vlivu těchto lékáren, protože analýza je nyní založena na skutečné síti, nikoli na celé oblasti.

Pro analýzu vzdálenosti musíme pouze změnit & # 8220Impedance & # 8221 a & # 8220 Výchozí přestávky & # 8221 pokaždé, když máme v naší síti nakonfigurovanou impedanci.

Následující diagram ukazuje každou provedenou analýzu.

Porovnejte oranžovou a žlutou oblast (jednoduchá vyrovnávací paměť) se síťovou analýzou. Vidíme například, že modrá oblast (oblast vzdálenosti) je & # 8220 zastavena & # 8221 kvůli železnici a silnici.

Stručně řečeno, považujeme Network Analyst za skutečnou studii územního přístupu. Nezapomeňte, že nejprve musíme mít cestovní mapu (skupinu linií).

Toto je příklad skupiny kurzů ArcGIS a síťový analytik.


Výpočet oblasti rastrových tříd pomocí ArcGIS Desktop? - Geografické informační systémy

GUS-3062/5062 - Základy geografických informačních systémů

Laboratoř 1. Představení ArcGIS Pro (odkaz)

  1. Představit ArcGIS Pro a jeho základní komponenty pro správu, zobrazení a analýzu dat.
  2. Chcete-li se naučit pracovat s mapovými vrstvami, tabulkami atributů dotazů a geografickými prvky, vytvářet mapy a navrhovat a provádět jednoduchou analýzu GIS.
  3. Mapujte a analyzujte data z Filadelfie v Pensylvánii.

Laboratoř 2. Projekce a souřadnicové systémy (odkaz)

  1. Představit koncepty v projekci map a běžné operace při práci s souřadnicovými referenčními systémy (CRS).
  2. Naučit se, jak vytvořit složitější rozložení map pro referenční kartografii.
  3. Jako ukázku prozkoumáte vlastnosti CRS pro rozsáhlá data ve Filadelfii, Pensylvánii i globální data.
  1. Seznámit studenty s principy a technikami tematického mapování, včetně hustoty bodů, proporcionálního symbolu a choroplethového mapování, klasifikace dat a základního designu map.
  2. Jako ukázku získáte a namapujete prostorová data ze sčítání lidu z roku 2010 v USA.

Laboratoř 4. Tabulky a údaje o atributech (odkaz)

  1. Seznámit se s relačním datovým modelem.
  2. Buďte obeznámeni s implementací relačního datového modelu v softwarovém balíčku GIS.
  3. Znát spojení s tabulkou, export dat, třídění, sumarizaci, vytváření nových polí a výpočet hodnot pro pole na základě tabulkových a geometrických výpočtů.

Laboratoř 5. Digitalizace / Vytváření a úpravy mapových dat (odkaz)

  1. Seznámit se základy georeferencí a digitalizace v ArcGIS.
  2. Jako ukázku provedete georeference historických map a porovnáte data s novějšími prostorovými daty pro oblasti v Massachusetts a Utahu.

Zavést vektorové operace, včetně operací vyrovnávací paměti, rozpouštění a překrytí.


Možnosti školení

Stát Fresno spustil nový online certifikát GIS pro pokročilé studium, jehož výuka je naplánována na podzim 2012. Tento program na úrovni absolventů se skládá z 12 jednotek a může být dokončen ve dvou po sobě následujících semestrech a byl vyvinut tak, aby vyhovoval rostoucí potřebě Dovednosti GIS na dnešním trhu práce. Další podrobnosti a informace o tom, jak se přihlásit, naleznete na adrese http://www.fresnostate.edu/cge/giscert/.

Semináře GIS ve vzdělávacím centru GIS v San Francisku

GISEC je webová stránka vzdělávacího centra GIS City College of San Francisco. GISEC poskytuje nízkonákladová a rychlá školení, kurzy a vzdělávání v oblasti GIS. Semináře na jaře 2012 zahrnují:

    Â (18., 25. ledna, 1., 8., 15.) Â (23. února, 1., 8., 15, 22) Â (29. února, 7. března, 14, 21) Â (5. dubna , 12, 19, 26, 3. května) (14., 21., 28. dubna, 5. května) (18., 25. dubna, 2., 9. května)

* Poplatek za včasnou registraci je k dispozici až jeden týden před zahájením kurzu.

University of California, Riverside GIS Summer Academy

V tomto intenzivním letním programu kombinuje projektové osnovy přednášku a praktickou laboratorní práci (s reálnými daty) pomocí softwarové platformy Esri, včetně řešení ArcGIS Desktop, ArcGIS Server a ArcSDE.

Úvod do GIS pro pedagogy - letní workshopy GeoTech

Na léto 2012 bude GeoTech pořádat dva workshopy pro pedagogy zaměřené na technologii GIS, včetně Úvod do GIS workshop vyučovaný instruktorem s certifikátem Esri:

Tento workshop je určen speciálně pro dvouleté vysokoškolské pedagogy z jakékoli disciplíny, kteří se zajímají o učení o GIS a přinášejí zpět pracovní znalosti a připravené osnovy a materiály zpět do své učebny na podzim roku 2012 a dále. Tento 4,5 dne Tato akce poskytne pedagogům všechny znalosti, dovednosti a materiály potřebné k začlenění GIS do jejich vlastních osnov na podzim roku 2012.

Santa Rosa Junior College - kurzy na jaře 2012

GIS kurzy (PDF):

  • GIS 40 - Úvod do GIS - začíná 20. ledna
  • GIS 51 - přechodný GIS - začíná 17. ledna
  • GIS 53 - Kartografie v GIS - začíná 18. ledna

Kurzy geodetické technologie (PDF):

  • SURV 51 - Aplikace pro měření letadel - začíná 18. ledna
  • SURV 57 - Advanced GPS - začíná 19. ledna
  • SURV 59 - Boundary Control and Legal Principles - začíná 23. ledna

Kurzy stavební techniky (PDF):

  • CEST 51 - Civil Drafting Technology - začíná 18. ledna
  • CEST 63 - Plánování dalšího členění - začíná 17. ledna
  • CEST 64 - Kontrola veřejných prací - začíná 17. ledna
  • CEST 81 - Civil Engineering Design - začíná 17. ledna

REGISTRAČNÍ INFORMACE: Studenti se mohou zaregistrovat do kurzů online (www.santarosa.edu/admissions) nebo osobně. Další informace o tom, jak se zaregistrovat, získáte na Registrační kanceláři, 707-527-4685. Z oblasti volejte na číslo 1-800-564-7752.

College of Marin - kurzy na jaře 2012

ÚVOD DO PROSTOROVÉ ANALÝZY S POUŽITÍM GIS - Zeměpis 127 (jarní semestr, 16 pondělí večer, kromě svátků) zkoumá skutečnou sílu GIS - prostorová analýza. Pomocí přednášky a praktického počítačového času s ESRI'sSpatial Analyst ™ se studenti dozvědí více o rastrových datech a skrytých vzorcích, vztazích a dříve neznámých příbězích, které lze v těchto prostorových datech odhalit. Součástí výuky je také projekt, ve kterém studenti aplikují prostorovou analýzu na svou oblast zájmu a prezentují ji na mapě. (Přenosový kredit: 3 jednotky CSU)

Shasta Community College Online Raster GIS kurz začíná 21. února

GIS 23 (Rastrový GIS) byl změněn na plně online doručování. Registrovaným studentům bude vydána 1letá studentská licence ArcGIS 10 a přístup k kurzům ESRI Virtual Campus. Kurz probíhá od 21. února do 27. dubna.


Výpočet oblasti rastrových tříd pomocí ArcGIS Desktop? - Geografické informační systémy

Curve Fit je rozšíření aplikace GIS ArcMap, které umožňuje uživateli spouštět regresní analýzu na sérii rastrových datových sad (georeferencované obrázky). Uživatel zadá pole hodnot pro vysvětlující proměnnou (X). Rastrová datová sada představující odpovídající proměnnou odezvy (Y) je spárována s každou hodnotou X zadanou uživatelem. Curve Fit pak používá buď lineární nebo nelineární regresní techniky (v závislosti na výběru uživatele) k výpočtu jedinečného matematického modelu u každého pixelu vstupních rastrových datových sad. Curve Fit vygeneruje rastrové povrchy odhadu parametrů, chyby a odvození více modelů. Curve Fit je vysvětlující i prediktivní nástroj, který poskytuje prostorovým modelářům schopnost provádět klíčové statistické funkce v nejjemnějším měřítku. Některé příklady hypotetických aplikací Curve Fit jsou: rozmanitost stanovišť jako funkce měřítka, hustota obyvatelstva jako funkce času nebo aktuální rychlost jako funkce rychlosti vybíjení (viz podrobný příklad níže).

Curve Fit provádí lineární i nelineární regresní analýzu:

Curve Fit využívá lineární i nelineární regresní techniky. Pokud je vybrán nelineární model, bude mít uživatel možnost omezit parametry a manipulovat s iteracemi a tolerancemi řešení.

Curve Fit produkuje rastrové produkty popisující dobré přizpůsobení, odvození více modelů, odhad parametrů a odhad chyby:

Výstupní produkty Curve Fit pokrývají tři obory: model, parametr a datový bod (tabulka 1). Rozsah modelu obsahuje statistické produkty, které vyhodnocují přizpůsobení modelu, chyby, testování nulových hypotéz a produkty používané k výběru a porovnání mezi více modely. Rozsah parametru obsahuje: odhad hodnoty parametru, standardní chybu, P-hodnotu a T-statistiku. Rozsah datového bodu obsahuje pouze jednu třídu výstupního produktu, zbytkovou chybu.

Každý výstupní produkt je rastrová datová sada odpovídající rozlišení a rozsahu vstupních datových sad. Uživatel si může vybrat výstupní formáty 64bitové dvojité přesnosti nebo 32bitové jednoduché přesnosti. Jediný běh aplikace Curve Fit může vyprodukovat enormní objem dat. Při výběru analytických produktů se proto vyplatí být uvážlivý.

Příklad analýzy: Aktuální rychlost jako funkce vypouštění přehrady pro skupinu 8 horní řeky Mississippi

V tomto příkladu bylo jako vstup použito deset rastrových vrstev, z nichž každá představuje aktuální rychlost při specifické rychlosti vybíjení pro Pool 8 horní řeky Mississippi (obrázek 2). Sazby se pohybovaly od 10 000 kubických stop za sekundu (cfs) do 100 000 cfs a byly vypočítány v intervalech 10 000 cfs pomocí systému modelování povrchové vody (SMS). Tato data byla poté načtena do Curve Fit a modelována pomocí polynomu 3. stupně.


Níže uvádíme výběr projektů, které jsme řídili, realizovali a úspěšně realizovali jako indikátor šíře služeb, které můžeme poskytnout.

HES má vynikající schopnost mapování a může pracovat v rámci ArcGIS (10) i MapInfo a tyto dovednosti jsou aplikovány na všechny projekty a výstupy.

Hodnocení flóry a fauny, hlášení čistých zisků a ztrát a plánování správy vegetačního offsetu (Victoria)

  • Desktopové prohledávání plánovacích záležitostí a minulých a současných typů vegetace a přehled ohrožené flóry a fauny v blízkosti odbavovací oblasti
  • Terénní posouzení k lokalizaci a kvantifikaci významných stromů a oprav vegetace jak v místě vývoje, tak v navrhovaném místě offsetu
  • Vyjednávání s cílem vyhnout se nebo minimalizovat dopad vývoje na významnou vegetaci a stanoviště
  • Kvantifikujte navrhované ztráty původní vegetace a vypočítejte offsetové cíle
  • Vypracujte strategie zmírňování, abyste minimalizovali ztráty
  • Najděte vhodné kompenzace buď přímo na místě (vyrovnání první stranou), mimo místo nebo u zprostředkovatelů 3. strany, abyste splnili vypočítaný cíl čistého zisku a vytvořili plán správy vegetačního vyrovnání (VOMP), který zajistí ochranu a vylepšení ofsetový web, ať už se jedná o existující zbytkovou opravu, nebo prostřednictvím výsadby výsadby.
  • Steve je Bush Broker akreditovaný hodnotitel stránek (DELWP) a může vám pomoci zaregistrovat zbytky původní vegetace ve viktoriánském úvěrovém registru přirozené vegetace, což vám umožní obchodovat na úvěrovém trhu.
  • Rozšíření lomu a průzkum těžby (včetně dokončení pracovních plánů pro nové návrhy těžby)
  • Městský a zemědělský rozvoj
  • Rozšíření / přeložky silnic a mostů
  • Víceúčelové cesty a vývoj hráze
  • Zavlažování a vývoj odpadních vod

Tyto projekty často zahrnují vykopávky typů vegetace, přiměřené nové vymezení mapy EVC a poté vyhodnocení kvality stanovišť každé zóny pomocí metody Habitat Hectares. Taková aktivita byla obvykle spojena s většími rozvojovými projekty, kde byla jistá ztráta vegetace, nicméně mapování a vyhodnocení umožnilo minimalizovat stopu vývoje.

Nativní vegetační vůle v NSW

HES se podíleli na mnoha aplikacích pro odstraňování přirozené vegetace v NSW. To zahrnuje přípravu konkrétních zpráv o flóře a fauně nebo jiných zpráv na podporu rozvojových aplikací (DA) nebo revizí environmentálních faktorů (REF), aby byly splněny požadavky místní samosprávy nebo agentur, jako je Úřad pro životní prostředí a dědictví (OEH) a / nebo jedna z místních pozemních služeb (LLS). Obvykle je také vyžadována identifikace vhodných offsetových oblastí umožňujících dokončení plánu vegetace nemovitostí (PVP), pokud by bylo povoleno čištění, což často zahrnuje významné styky a jednání s příslušným LLS.

Procesy NSW se velmi liší od Victoria a kritickými částmi legislativy týkajícími se odstraňování původní vegetace v NSW jsou Zákon o ochraně biologické rozmanitosti z roku 2016, zákon o místních pozemkových službách z roku 2013 a Nativní vegetace SEPP. Společnost HES je i nadále informována o změnách, které byly v posledních letech provedeny v předpisech o odbavení a vyrovnání, a je dobře připravena příslušným způsobem začlenit a poradit klientům. Steve je akreditovaným posuzovatelem metody biologické rozmanitosti (BAM) u OEH.

Cílený průzkum a analýza

Steve se podílel na mnoha projektech, které zahrnovaly provádění průzkumů cílených druhů fauny (nebo flóry) v chráněných oblastech a analýzu údajů ze sčítání pomocí průmyslového standardního softwaru pro analýzu průzkumu fauny DISTANCE.

Nedávné cílené průzkumy fauny byly zaměřeny na papouška nádherného, ​​můru zlatou, kakadu růžového (kakadu major Mitchell) a poutníka rovinatého, zatímco terč rýžového květu (Pimelea spinsecens) a hrachoru červeného (Swainsona plagiotropis) byly cílem nedávné hodnocení.

Průzkumy fauny byly prováděny pro Parks Victoria v některých rezervách SV a data byla pravidelně analyzována pro tyto rezervy a také pro panství Mallee Parks. Výsledky všech zpráv poskytly nejlepší odhady počtu zvířat a informovaly o správě a politických rozhodnutích pro správu populací.

HES má příslušné licence k provádění metod průzkumu fauny, včetně úskalí a Elliotova odchytu, ve Victorii a NSW.

HES byl najat hrabství Campaspe, Moira Shire a městskou radou Greater Shepparton, aby pomohl při vývoji plánů na ochranu před plevelem a škůdci. V případě všech rad se jednalo o rozsáhlou komunitní konzultaci prostřednictvím poštovního průzkumu venkovských vlastníků půdy a osobní a telefonické rozhovory se společností Landcare a dalšími zúčastněnými stranami z komunitních skupin s cílem připravit opční dokumenty pro všechny tři rady. Tyto dokumenty rovněž plně prozkoumaly legislativní, regulační a zákonný rámec, který má dopad na správu silničních plevelů a škůdců, a konzultace s dalšími LGA, které zavedly pobídkové režimy pro plevel a škůdce. Pro všechny rady byla připravena analýza všech komunitních konzultací v souladu s podrobnou finanční a logistickou analýzou, která vyústila v představení nákladově nejefektivnějších možností pro ochranu plevelů a škůdců na silnicích.

Jako příklad dalších typů rozvoje plánování, se kterými jsme byli zapojeni, pomohla HES Kraje Narrandera s provedením průzkumu fauny u savců, ptáků, obojživelníků a plazů a s úplným inventářem flóry Narrandera Common a jezera Talbot Reserve, dvě velké oblasti různého prostředí sousedící s městem Narrandera. Rovněž byla vydána doporučení pro správu biologické rozmanitosti, která mají být zahrnuta do plánů péče o lokality.


HES také nedávno pomáhal Wintonskému mokřadnímu výboru pro management při aktualizaci jejich plánu řízení požárů a v současné době pomáhá hrabství Campaspe při vypracování plánu kontroly plevele a škůdců. Oba projekty vyžadovaly významnou komunitní konzultaci zahrnující všechny pravděpodobné skupiny zúčastněných stran.

Index hodnocení mokřadů (IWC) a další hodnocení stavu

Silniční plánování plánování


Mapování a soupis biologických aktiv

Vzdělávací a školicí služby



Cílený průzkum a analýza

Steve se podílel na mnoha projektech, které zahrnovaly provádění průzkumů cílených druhů fauny (nebo flóry) v chráněných oblastech a analýzu údajů ze sčítání pomocí průmyslového standardního softwaru pro analýzu průzkumu fauny DISTANCE.

Nedávné cílené průzkumy fauny byly zaměřeny na můru zlatou, kakadu růžového (major Mitchell kakadu) a tuláka plains, zatímco cíl nedávného posouzení byl zaměřen na hrachor červený (Swainsona plagiotropis).

Průzkumy fauny byly prováděny pro Parks Victoria v některých rezervách SV a data byla pravidelně analyzována pro tyto rezervy a také pro panství Mallee Parks. Výsledky všech zpráv poskytly nejlepší odhady počtu zvířat a informovaly o správě a politických rozhodnutích pro správu populací.

HES má příslušné licence k provádění metod průzkumu fauny, včetně úskalí a Elliotova odchytu, ve Victorii a NSW.

Plánování řízení přírodních zdrojů a plánování celé farmy

Steve usnadnil studentské aktivity, aby shromáždil informace a významné veřejné konzultace se zúčastněnými stranami pro plán NRM pro Rural Industries Campus Wangaratta pro GOTAFE, a poté upravil komplexní dokument, který má být přijat radou GOTAFE. V návaznosti na vývoj plánu NRM pro kampus byl Steve vyzván, aby provedl podrobný plán celé farmy pro nový web zahrnující vizi představenstva GOTAFE, zaměstnanců správy kampusu a správy farem a zúčastněných stran v komunitě.


Metody

Studujte region a časová období

Náš studijní region, Nizozemsko, se nachází v SZ-Evropě a má mírné podnebí s chladnými zimami (průměrná minimální teplota -1 ° C) a teplými léty (průměrná maximální teplota 24 ° C) 38. Nejvýznamnějšími systémy využití půdy jsou zemědělství (55% rozlohy) a městské oblasti (www.fao.org/countryprofiles). Tato oblast zaznamenala velké změny v podnebí 38 a ve využívání půdy, které jsou registrovány již více než 100 let 23,24. V minulém století došlo také k silným modifikacím biogeochemických toků, včetně významných změn v koloběhu fosforu a dusíku 3. Biologická rozmanitost v Nizozemsku byla navíc od počátku 19. století intenzivně studována.

Všechny údaje (druhy, podnebí a využití půdy) jsme seskupili do dvou hlavních časových období (TP1: 1951–1970 a TP2: 1998–2014). To bylo založeno na pozorovaných změnách klimatických podmínek (zvýšení teploty a extrémní povětrnostní jevy) a využívání půdy (vysoká fragmentace stanovišť a změny antropogenních stanovišť, jako jsou zemědělství a městské oblasti kolem roku 1960) 23,24. Obě období byla soustředěna v letech, pro které byly k dispozici údaje o vysoké přesnosti využití půdy (TP1: 1960 a TP2: 2008 viz níže), a zahrnovala pro údaje o distribuci druhů 10 let před a po centrálním roce v období 1 (1951 –1970) a 10 let před a 7 let po v období 2 (1998–2014). Tato dvě časová období proto mohou odrážet klíčové změny v distribuci druhů opylovačů a podmínkách prostředí v průběhu půl století.

Údaje o distribuci druhů

Studovali jsme tři důležité skupiny návštěvníků květin: včely (Hymenoptera: Apoidea), motýly (Lepidoptera: Papilionoidea a Hesperioidea) a hoverflies (Diptera: Syrphidae). Údaje o distribuci pro každý druh byly získány pro včely a hoverflies z Evropského průzkumu bezobratlých (EIS-Nederland, www.eis-nederland.nl) a pro motýly z nizozemské národní databáze flóry a fauny (NDFF, www.ndff.nl ). Odborníci a dobrovolníci systematicky shromažďovali údaje o přítomnosti v posledních desetiletích a kvalitu identifikace druhů a přesnost lokalizace záznamů o výskytu hodnotily EIS a NDFF (viz www.ndff.nl/validatie). Úplný popis metod sběru druhů najdete na www.ndff.nl/protocollen. Vzhledem k tomu, že záznamy o výskytu starších druhů mají obvykle vyšší nejistotu ve své geografické poloze než novější záznamy, jsme tuto nejistotu vysvětlili kompilací všech záznamů o výskytu v rozlišení buněk mřížky 5 × 5 km. Zahrnuli jsme pouze druhy, které byly přítomny (1) v nejméně pěti buňkách mřížky 5 × 5 km, (2) v každém ze dvou časových období a (3) v období mezery (1971–1997). Ta druhá byla provedena, aby reprezentovala všechny druhy, které se od 50. let 20. století neustále vyskytovaly ve studované oblasti. To zaručuje robustní druhové reakce prostředí v procesu modelování (viz níže) a umožňuje analyzovat distribuční vzorce celkem 207 druhů včel (z 358 známých druhů v Nizozemsku), 61 druhů motýlů (z celkem 106) a 202 druhů hoverfly (z celkového počtu 328) (doplňková tabulka S5). Všimněte si, že vzhledem k výběrovým kritériím jsme museli vyloučit velmi úzce rozšířené druhy, které by mohly být v Nizozemsku potenciálně ohroženy. Z 1820 mřížkových buněk (5 × 5 km) po celém Nizozemsku měl v TP1 914 záznamy pro včely, 894 pro motýly a 1094 pro hoverflies. V TP2 byl počet buněk mřížky 1346 pro včely, 1655 pro motýly a 1592 pro hoverflies. Buňky mřížky, ze kterých byly extrahovány vzorky tří skupin opylovačů, byly distribuovány po celém Nizozemsku a v celém jeho zeměpisném šířce a délce (viz obr. S1).

Modelování distribuce druhů

Pro konstrukci modelů distribuce druhů (SDM) jsme extrahovali údaje o klimatu a využívání půdy, které mohou mít dopad na přežití a distribuci opylovačů. Pro klima byly maximální, minimální a průměrné hodnoty teploty a srážek na buňku mřížky získány z projektu „ClimateEU: historická a projektovaná klimatická data pro Evropu“ 39. Klimatické údaje byly získány se stejným rozlišením jako údaje o distribuci druhů (buňky mřížky 5 × 5 km) a poté byly použity k výpočtu 19 bioklimatických proměnných, jak je popsáno v Hijmans et al. 40. Po předběžných korelačních analýzách všech bioklimatických proměnných jsme vybrali čtyři proměnné související se srážkami (vše v mm) a pět proměnných souvisejících se srážkami (vše v ° C): roční srážky, srážky nejmokřejšího měsíce, srážky nejsuchšího měsíce, srážky nejteplejšího čtvrtletí , průměrný denní teplotní rozsah, teplotní sezónnost, průměrná teplota nejmokřejší čtvrtiny, průměrná teplota nejsušší čtvrtiny a průměrná teplota nejteplejší čtvrtiny. Tyto proměnné klimatu vykazovaly mezi sebou nízké až střední korelační koeficienty (Pearsonova korelace ≤ | 0,75 |).

Údaje o využití půdy byly získány z geoinformačního oddělení Wageningenské univerzity (www.wageningenur.nl) pro obě časová období v původním rozlišení 25 × 25 m. Obě mapy využití půdy pro období 1 a 2 měly vysokou přesnost klasifikace využití půdy (

95%, respektive 85%) 23,24. Mapy využití půdy byly získány pro roky 1960 (představující období 1) a 2008 (období 2), které jsou ústředními body v každém časovém období, za které byly agregovány údaje o distribuci druhů. Novější mapa využití půdy měla vyšší tematické rozlišení než starší mapa využití území. Obě mapy byly proto překlasifikovány, aby byly typy využití půdy konzistentní mezi časovými obdobími. Bylo vytěženo osm typů využití půdy: zemědělství, louky a pastviny, lesy, rašeliniště / rašelina, písčité půdy, bažiny, město a voda. Na základě těchto překlasifikovaných map využití půdy jsme vypočítali pro každou buňku mřížky 5 × 5 km a časové období celkem dvanáct metrik využití půdy, u nichž bylo prokázáno, že mají dopad na distribuci a bohatství opylovačů 41: procento každé třídy využití půdy (pro osm tříd), počet tříd využití půdy, celková hustota okrajů (m / ha), průměrná rozloha vhodného stanoviště (ha) a hustota okrajů mezi spravovanými a přírodními systémy (m / ha). Tyto metriky charakterizovaly tři hlavní aspekty struktury krajiny a stanovišť 42: složení krajiny (devět metrik), fragmentace stanoviště (dvě metriky) a potenciál přelévání (jedna metrika) (viz níže).

U kompozice krajiny vypočítané metriky odrážely procento z osmi typů využití půdy na buňku mřížky a také celkový počet tříd využití půdy na buňku mřížky (jedna metrika). Celkový počet tříd využití půdy byl zahrnut jako zástupce prostorové heterogenity, která může ovlivnit obrat seskupení druhů opylovačů 42. Fragmentaci stanovišť jsme představovali dvěma metrikami: průměrnou plochou vhodných náplastí stanoviště a celkovou hustotou okrajů (celková délka okrajů na hektar). Pro první z nich jsme klasifikovali třídy využití travních porostů, rašeliniště, rašeliniště, lesní a písčité půdy jako vhodné stanoviště a zemědělství, městské, vodní a bažiny jako nevhodné stanoviště 43. U druhého jsme vypočítali hustotu hran mezi všemi typy využití půdy v buňce mřížky. Použili jsme další metriku k charakterizaci potenciálu přelévání druhů, tj. Potenciálu pro pohyby organismů napříč řízenými a přírodními systémy 44. Z tohoto důvodu jsme považovali typy využití travních porostů a zemědělství za (intenzivně) obhospodařované a typy využití půdy rašeliniště, rašeliny, lesy, bažiny a písčité půdy jako (polo) přírodní systémy. Poté jsme vypočítali hustotu hran mezi těmito dvěma systémy. Městské a vodní zdroje nebyly v tomto výpočtu zohledněny. Všechny výpočty metrik využití půdy byly provedeny v R (Development Core Team, http://cran.r-project.org) s balíčkem „SDMTools“.

S daty o výskytu druhů, podnebí a využívání půdy jsme vytvořili SDM pro každý ze 407 druhů včel, motýlů a hoverfly pro období 1 a 2 pomocí MaxEnt 45. MaxEnt je technika modelování strojového učení s vysokou přesností modelu, která se ve velké míře používá k modelování velkých skupin druhů v lokalitách s kontrastními podmínkami prostředí 46. MaxEnt jsme vybrali po porovnání s jinými algoritmy SDM (generalizované boostovací modely, generalizované lineární modely, náhodný les, umělé neuronové sítě) pro modelování řady druhů s různými velikostmi vzorků a různými geografickými distribucemi ve stejné studované oblasti, protože to byl jeden nejvýkonnějších algoritmů s vysokou citlivostí a specificitou modelu 47. V MaxEntu jsme povolili použití různých typů funkcí v závislosti na počtu dostupných záznamů, jak je popsáno v Elithu et al. 48. Vzhledem k tomu, že sbírky vzorků druhů jsou často geograficky předpojaté, může to také vytvářet zkreslení při výběru gradientu prostředí. Z tohoto důvodu jsme sledovali Phillipsa et al. 49 a extrahovala pouze základní informace o SDM z těch lokalit sběru, kde byly odebrány vzorky ze stejné skupiny opylovačů. Ukázalo se, že tento postup výrazně zvyšuje výkon modelu („přístup cílové skupiny“) 49. Dále pomáhá zohlednit možné odchylky vzorkování a výběru prostředí, protože modelovaná data obsahují stejné zkreslení sběru jako data použitá pro výběr pozadí 48. Vypočítali jsme SDM pro každý druh pomocí deseti opakování s přístupem bootstrap, kde bylo 80% dat použito pro trénink a 20% pro testování modelu. Abychom zohlednili variabilitu modelu algoritmu, získali jsme model souboru pro každý druh zprůměrováním skóre vhodnosti napříč deseti opakováními modelu a tento model souboru jsme použili v následné analýze. Výkon modelu na druh byl shrnut s hodnotami plochy pod křivkou (AUC) provozní charakteristiky přijímače 50. AUC je běžným měřítkem výkonu SDM s hodnotami od 0 do 1 (vyšší skóre představují vyšší přesnost modelu). Všechny implementované SDM vykazovaly vysokou přesnost (průměrná AUC ± SD: 0,81 ± 0,09) napříč druhy a obdobími (doplňková tabulka S5). Aplikovali jsme logický výstupní formát MaxEnt k převodu map vhodnosti souboru na binární mapy (přítomnost-nepřítomnost) pomocí prahové hodnoty, která maximalizuje citlivost a specifičnost modelu 51. Tyto binární distribuční mapy byly poté použity k analýze prostorových změn v distribucích opylovačů (viz níže).

Prostorové změny v distribuci druhů opylovačů

Kvantifikovali jsme tři různé aspekty změn prostorového rozsahu na základě modelových distribucí druhů mezi dvěma časovými obdobími: (1) změny plošného rozsahu (kontrakce a expanze), (2) posuny v zeměpisném šířce a (3) posuny v podélném rozsahu. Změny areálového rozsahu byly mezi časovými obdobími vypočteny jako procentní zisk nebo procentní ztráta ve velikosti geografického rozsahu každého druhu pomocí balíčku „biomod2“ R (http://cran.r-project.org). We used linear models with Gaussian error structure to test if areal range changes of pollinator groups differed significantly from zero and between time periods using the pollinator group (bees, butterflies and hoverflies) as explanatory variable. To normalize residuals, we used the natural log of the ratio of areal range change as response variable. We then used a post-hoc pairwise comparison test (TukeyHSD) to assess whether the three pollinator groups differed significantly in areal range changes between the two time periods.

To assess latitudinal and longitudinal range shifts (north-south, east-west), we used the centroids of the predicted (binary) species distribution maps for period 1 and 2 and calculated the difference in latitudinal and longitudinal location (in kilometres). This was done using the directional distribution tool in ArcGIS (v10.1 ESRI Redlands, CA). Values of zero reflect no change in the latitudinal or longitudinal midpoint of a species geographic range between periods, values above zero indicate range shifts towards northern or eastern locations and values below zero represent range shifts towards southern or western locations. We applied Students t-tests for each pollinator group to quantify whether differences in latitudinal or longitudinal midpoints differed significantly between the two time periods.

The sampling intensity could potentially affect the results obtained for areal range changes and geographic distributional shifts. For instance, a different representation of available environmental conditions between time periods might affect the outcomes of species distribution models. We therefore investigated if the sampled grid cells in TP1 and TP2 were distributed across the same latitudinal and longitudinal extent. The result showed a similar and consistent latitudinal and longitudinal distribution of the sampled grid cells across time periods (see Fig. S1). We further quantified the area of the ellipsoid containing 95% of the sampled grid cells in TP1 and in TP2 to test if the reported areal range changes may be affected by a wider distribution of grid cells in TP2 compared to TP1. Differences in the area of the ellipsoids of sampled grid cells were similar for bees (TP1 = 73513.5 km 2 TP2 = 76556.5 km 2 ), butterflies (TP1 = 69872.3 km 2 TP2 = 74416.1 km 2 ) and hoverflies (TP1 = 74034.4 km 2 TP2 = 74132.2 km 2 ). These additional analyses suggest that sampling bias is unlikely to be of major importance for the reported areal range changes and geographic range shifts.

Statistical analysis of distributional changes in relation to functional traits

We applied multivariate linear models with a Gaussian error structure to analyse if and to what extent species’ functional traits (see Table 1) can explain half-century distributional changes of Dutch pollinators. To investigate the possible multicollinearity problems between all functional traits we calculated the generalized variance inflation factor (GVIF) 52 . This showed that all variables had GVIF values < 3.2. Hence, the GVIF values were below a commonly used threshold of 10 53 , indicating acceptable levels of collinearity for linear model analysis (Table S6). To normalize residuals, we used the natural log of the ratio of areal range change and the latitudinal as well as the longitudinal centroid shifts between time periods as response variables. We tested for all two-way interactions between predictor variables because combinations of functional traits may be involved in species responses to climate and land-use modifications. Because initial range size (number of occupied 5 × 5 km cells in period 1) might constrain distributional responses to global change, especially when analysing relative values (i.e. species that have very small initial ranges are more likely to double their range than species occupying a greater area), we included it as a control explanatory variable. Initial range sizes of species as predicted by SDMs covered less than 27% of the land area of the Netherlands (median: 7% range: 0.14–27%). All continuous explanatory variables were standardized and centred before analysis. We selected the most parsimonious model based on the Bayesian Information Criteria (BIC) using the R package “MuMIn”. Stepwise backward and forward model selection based on the BIC criteria was chosen because the number of degrees of freedom was very high and, in comparison to AIC, this method penalizes more complex models by excluding terms that only explain low amounts of data variability 54 . For comparison, we also kept all candidate models with Δ BIC lower than 2. Where relevant, we also show the results of the second best model (see results section).