Mehr

Nächste Einrichtung als Attribut zu einem Punkt in ArcMap hinzufügen?


Gibt es eine Möglichkeit, nach einer Analyse der nächstgelegenen Einrichtung die Nummer/den Namen/die eindeutige ID der nächstgelegenen Einrichtung zum Vorfall hinzuzufügen/zu speichern?

Ich plane, dieses Attribut dann zu verwenden, um eine Route von einem Vorfall zu einem anderen Vorfall über diese nächstgelegene Einrichtung zu erstellen, was bedeutet, dass ich sie irgendwie speichern / verfolgen muss, welche Einrichtung für alle Vorfälle am nächsten ist.


Wie von @ChrisW kommentiert:

Die Ergebnisse des Solvers müssen zum Speichern/Manipulieren exportiert werden. Die Attributtabelle dieser Ergebnisse sollte die gesuchte Beziehung haben (sie kann als FIDs oder OIDs kodiert sein, sollte aber vorhanden sein), und dann wäre es nur ein Join-/Export-Manipulationsschritt, um das Endergebnis zu erhalten Sie wollen.


Nächster Punkt zu 3 (oder mehr) Kreisen

Ich habe das Internet nach Aufklärung durchforstet, aber bisher habe ich nur sehr wenig gefunden, was geholfen hat. Um fair zu sein, ich bin kein Mathematikstudent und verwende möglicherweise einfach nicht die richtigen Suchanfragen.

Ich arbeite an einem System zur Outdoor-WLAN-Lokalisierung. Meine experimentellen Daten deuten darauf hin, dass die Verwendung der RSSI (empfangene Signalstärke) genügend Genauigkeit für die Auflösung bietet, die wir benötigen, und hier kommt die Mathematik - und Sie guten Leute - ins Spiel. Ich würde gerne Trilateration verwenden, um den Standort eines Geräts möglicherweise zu finden Verwendung von mehr als 3 Beacons mit bekannten Standorten.

Bei der Variabilität des RSSI bei einer gegebenen Entfernung ist es höchst unwahrscheinlich, dass die Trilateration Kreise mit einem einzigen gemeinsamen Schnittpunkt erzeugt. Daher muss ich in der Lage sein, den Punkt im 2D-Raum zu berechnen, der den Kanten aller 3+ Kreise am nächsten liegt.

Im Moment kodiere ich in Python, falls das für irgendjemanden einen Unterschied macht.


3 Antworten 3

Hier ist eine Verfeinerung des Ansatzes von @Henrik. Der Hauptunterschied besteht darin, dass die Verwendung von Nearest[pts->"Distance"] um eine Größenordnung schneller ist als die Verwendung von Nearest[pts-><"Index", "Distance">] :

Im Vergleich zu @ Henriks Antwort:

i und j sind die Indizes des Paars von Punkten, die am nächsten beieinander liegen. dist ist ihr Abstand.

Nearest[pts -> <"Index", "Distance">][pts, k] findet für jeden Punkt seine k nächsten Nachbarn. Der erste "Nachbar" wird immer der Punkt selbst sein. Deshalb nehme ich Nearest[pts -> <"Index", "Distance">][pts, 1][[All, 2]], um den nächsten "true" Nachbarn zu erhalten.

Ich bin mir ziemlich sicher, dass dies genauso funktioniert wie die NearestNeighborGraph-Implementierung von C.E., aber sie ist auf meinem Computer etwa dreimal schneller und fast doppelt so schnell wie die kompilierte Implementierung von b3m2a1 (auf meinem Computer und für 10000 Punkte). Dies ist nur schneller als NearestNeighborGraph, weil es nicht auf Mathematik's Graph-Implementierung und all ihr Overhead. Ein weiteres Beispiel, bei dem die Vermeidung von Graph die Leistung steigert. Aber ich muss sagen, NearestNeighborGraph holt etwas auf, wenn man die Punktzahl erhöht.

Die Leistungseinbußen beginnen damit, dass Graph eine schicke Schnittstelle verwendet, die die Konvertierung von gepackten Listen von Edge-Indizes in ungepackte Listen von UndirectedEdge s und DirectedEdges erzwingt. Und es geht weiter mit all den ausgefallenen Scheitelpunkt- und Kantenattributen. Einmal musste ich mich zum Debuggen durch die halb verborgenen Implementierungsdetails einiger Graph-Funktionen wühlen. Mir wurde kalt, als ich sah, dass man ein Dutzend Parser-Layer passieren musste, bevor man zu den eigentlichen Algorithmen kam.


Der eigentliche Fehler ist auf den Zugriff auf toPoint.x zurückzuführen, der nicht existiert, da Sie ihn nie definiert haben.

In einem verwandten Hinweis aktiviert das Voranstellen von Attributen mit doppelten Unterstrichen die Python-Namensmangelfunktion. Die tatsächlichen Attribute sind weiterhin unter my_point._Point__x , my_point._Point__y usw. von außerhalb der Klasse öffentlich zugänglich.

Aus Stilgründen scheint es in diesem Fall keinen Grund zu geben, Namensmangel zu verwenden. Der beabsichtigte Anwendungsfall dieser Funktion besteht darin, Konflikte mit geerbten Klassen zu vermeiden, es geht nicht wirklich darum, "private" Variablen zu erstellen (dafür wird ein einzelner Unterstrich verwendet, um anzuzeigen, wenn ein Attribut ein Implementierungsdetail ist).

In Ihrem Fall sollten Sie die Attribute normalerweise nur x , y usw. benennen (und darauf zugreifen). In Python schreiben wir normalerweise keine Getter und Setter für Klassenmitglieder, es sei denn, es gibt eine spezielle Anforderung dafür, da Python nicht Java.


PBKey-Fallback

Eine eindeutige pbKey™-Kennung wird zurückgegeben, wenn eine Übereinstimmung mit dem Master Location Dataset (MLD) hergestellt wird. Dieses Feld ist eine persistente Kennung für eine Adresse. Der eindeutige Bezeichner pbKey™ dient als Nachschlageschlüssel mit Pitney Bowes GeoEnrichment-Datensätzen, um Attributdaten für eine Adresse hinzuzufügen. Abhängig von den von Ihnen installierten GeoEnrichment-Datensätzen können die Attributdaten Eigentum, Immobilien, Volkszählung, Verbraucherausgaben, demografische, geografische, Feuer- und Hochwasserschutz und/oder Telekommunikations- und drahtlose Systeminformationen und mehr umfassen. Einige dieser Datensätze liefern punktstandortspezifische Daten wie Grundstückseigentum und Immobilien, während andere polygonale Daten liefern, beispielsweise zum Brand- und Hochwasserschutz, die Überschwemmungsgebiete, Waldbrände oder Bewertungsgebiete identifizieren können.

Wenn bei Verwendung von PBKey Fallback keine Adressübereinstimmung mit den Master-Standortdaten, aber eine Übereinstimmung mit einem anderen Datensatz erfolgt, wird die eindeutige pbKey™-Kennung des nächstgelegenen MLD-Punkts innerhalb der Suchentfernung zurückgegeben. Um zu unterscheiden, wann eine eindeutige pbKey™-Fallback-Kennung zurückgegeben wird, enthält der PBKey-Rückgabewert ein führendes Zeichen von "X" anstelle von "P", zum Beispiel: X00001XSF1IF. Beachten Sie, dass alle anderen Felder, die für die Adressübereinstimmung zurückgegeben werden, einschließlich des Geocodes und aller zugehörigen Datenrückgaben, die Übereinstimmungsergebnisse für die Eingabeadresse widerspiegeln. Der eindeutige pbKey™-Fallback-Identifikator kann dann für die Suche nach den GeoEnrichment-Datensätzen verwendet werden, und die Attributdaten für den Fallback-Standort werden für die Übereinstimmung zurückgegeben.

Die Relevanz und Genauigkeit der zurückgegebenen Attributdaten, die einen PBKey-Fallback-Standort verwenden, hängt stark vom Typ der GeoEnrichment-Daten sowie von der PBKey-Fallback-Suchentfernung ab. PBKey Fallback ist für die Verwendung mit GeoEnrichment-Datasets vorgesehen, die polygonale Daten anstelle von punktspezifischen Daten enthalten. Die Option PBKey Fallback kann beispielsweise geeignet sein, die FEMA-Überschwemmungszone für einen bestimmten Standort mithilfe des Datasets Flood Risk Pro GeoEnrichment zu bestimmen, da sie Daten enthält, die eine polygonale Region und keine einzelne Koordinate darstellen. Es ist jedoch wichtig zu beachten, dass die Genauigkeit der zurückgegebenen Daten stark von der Größe und Art der einzelnen polygonalen Features abhängt, die in den GeoEnrichment-Daten beschrieben sind, kombiniert mit der Suchentfernung, die verwendet wird, um den nächsten Master Location Data-Punkt zu finden. Die Suchentfernung ist mit einem zulässigen Suchradius von 0-5280 Fuß und einem Standardwert von 150 Fuß konfigurierbar.


GIS-Projekt und Webservice

In der nächsten Phase der Datenbankerstellung verwendeten die Autoren ein umfassendes geografisches Informationssystem ArcGIS . Es ermöglicht die geografische Darstellung aller Lagerstätten in einer einzigen Umgebung mit verschiedenen Basiskarten und bietet einem Benutzer die Instrumentierung zur Analyse der Daten mit Geodatenwerkzeugen. Für diese Art von Daten können verschiedene Standard-Geoverarbeitungswerkzeuge von ArcGIS verwendet werden, zum Beispiel:

  • – Clustering (Tools dieser Gruppe analysieren Objekte, um statisch wichtige Elemente zu identifizieren, z. B. Suche nach Hot Spots und Ausreißern)
  • – Dichteberechnung (das Ergebnis ist eine Dichtekarte, die durch Streuen einer bekannten Anzahl von Ereignissen auf der Karte erhalten wird)
  • – Interpolation (das Tool ermöglicht die Vorhersage von Werten an neuen Standorten basierend auf bekannten Werten aus einer Reihe von Punkten)
  • – Bestimmung der Entfernung zwischen Punkten, Suche nach dem nächsten Objekt, Bau von Puffern.

Darüber hinaus können erweiterte Geoverarbeitungswerkzeuge für das Fuzzy-Clustering in einem Datensatz mithilfe der diskreten mathematischen Analyse (DMA) verwendet werden, um die Lagerstätten zu analysieren (z. Solowjew et al. 2016 ).

Die Datensätze ROSA 1.0, ROSA 2.0 und ROSA 3.0 wurden aus dem Tabellenformat mit den Objektkoordinaten und zugehörigen Attributinformationen nach ArcMap exportiert. Als Nächstes wurden die Tabellen mithilfe von ArcGIS-Standardwerkzeugen in Shapefiles mit Punktobjekten konvertiert und der Karte als Layer hinzugefügt (Abbildung 2).

ROSA Datenbankvisualisierung in ArcGIS .

Der nächste Schritt der Projektimplementierung bestand darin, den Webservice für die weitere Visualisierung der Datenbankobjekte und ihrer attributiven Informationen in der ArcGIS-Umgebung zu erstellen. Die Datenbank „Dynamik der Entwicklung der Öl- und Gasindustrie im 20. Jahrhundert – die größten Lagerstätten der Welt“ (ROSA 1.0) ist online mit einer Vielzahl von Tools verfügbar, darunter:

  • – Anpassung des Layer-Designs
  • – Ändern der Basiskarte, um die aktuelle Hintergrundkarte durch die aus der Liste zu ersetzen
  • – Browsing-Attributtabelle
  • – Verwenden des Messwerkzeugs, das dem Benutzer drei Arten von Messungen bietet: Polylinienbereich auf der Karte, die Entfernung zwischen zwei Objekten und die Position des Objekts und des Cursors (Einheiten sind benutzerdefiniert)
  • – Filterung, mit der Benutzer die Sichtbarkeit von Objekten auf der Karte auf Anfrage einschränken können.

Darüber hinaus ermöglicht ArcGIS Online das Hinzufügen zusätzlicher Daten zur Karte sowohl vom Internet als auch vom PC des Benutzers (Abbildung 3 ).

Online-Visualisierung der ROSA-Datenbank mit dem ArcGIS-Webservice.


3 Antworten 3

Wenn Sie weitermachen, werden Sie schließlich damit enden, dass der CV-Fehler wieder ansteigt. Dies liegt daran, dass je größer Sie $k$ machen, desto mehr Glättung findet statt, und schließlich werden Sie so stark glätten, dass Sie ein Modell erhalten, das die Daten unter- statt überangepasst (macht $k$ groß genug und die Ausgabe ist unabhängig von den Attributwerten konstant). Ich würde den Plot verlängern, bis der CV-Fehler wieder merklich ansteigt, nur um sicher zu gehen, und dann das $k$ auswählen, das den CV-Fehler minimiert. Je größer Sie $k$ machen, desto glatter ist die Entscheidungsgrenze und desto einfacher das Modell. Wenn also der Rechenaufwand kein Problem darstellt, würde ich einen größeren Wert von $k$ wählen als einen kleineren, wenn der Unterschied in ihrem CV Fehler ist vernachlässigbar.

Wenn der CV-Fehler nicht wieder ansteigt, bedeutet dies wahrscheinlich, dass die Attribute nicht informativ sind (zumindest für diese Distanzmetrik) und die Bereitstellung konstanter Ausgaben das Beste ist, was es tun kann.

Warum nicht $K=17$ wählen? Es sieht so aus, als ob der CV-Fehler bis dahin nach unten geht und sich danach abflacht. Wenn Ihnen nur die Genauigkeit der Vorhersage wichtig ist, würde ich $K=3$ nicht wählen, weil es ziemlich klar aussieht, dass Sie es besser machen können.

Gibt es eine physikalische oder natürliche Bedeutung hinter der Anzahl der Cluster? Wenn ich mich nicht irre, ist es nur natürlich, dass mit zunehmendem K der Fehler abnimmt - eine Art Überanpassung. Anstatt nach dem optimalen K zu fischen, ist es wahrscheinlich besser, K basierend auf Domänenwissen oder etwas Intuition auszuwählen?


2 Antworten 2

Ihre extremen Punkte sind richtig, aber Sie haben sich etwas mehr Arbeit gemacht, als Sie mussten. Die Lagrange-Multiplikator-Methode sagt uns etwas über die Extremalpunkte auf der Zwangskreis. Wir finden also einen minimalen Wert $ -75 $ bei $ (-3, 4) $ und einen maximalen Wert von $ 125 $ bei $ (3, -4) $ .

Sie haben auch Recht, wenn Sie sagen, dass wir noch nicht fertig sind, da wir auch das "Innere" der Platte $ x^2 + y^2 < 25 $ untersuchen müssen. Dafür würden wir die "kritische Punkt"-Analyse verwenden, die wirklich genauso vorgeht wie für Funktionen einer Variablen: Wir haben $ f_x = 2x - 12 = 0 ,$ $ f_y = 2y + 16 = 0 $ , was uns sagt, dass es einen kritischen Punkt für $ f(x, y) $ bei $ (6, -8) gibt. $. Dieser Punkt liegt jedoch vollständig außerhalb des Zwangskreises, sodass es keinen kritischen Punkt innerhalb der Scheibe gibt. Damit ist unsere Untersuchung abgeschlossen – wir haben das absolute Maximum und Minimum unserer Funktion innerhalb der Randbedingungsscheibe und an ihrem Rand gefunden.

(Mit einem Argument, das auf Ihrer Diskussion der ersten partiellen Ableitungen basiert, möchten Sie vielleicht etwas Ähnliches sagen. Wir haben

$ -5 le x le 5 , -5 le y le 5 $

$ Rightarrow 2 (-5) - 12 le f_x le 2 (5) - 12 , 2 (-5) + 16 le f_y le 2 (5) + 16 $

$Rightarrow-22lef_xle-2,6lef_yle26. $

Es gibt also keine Punkte innerhalb des Quadrats $ [-5, 5] imes [-5, 5] $ , das den Zwangskreis enthält, für den die ersten Ableitungen null sind, und somit gibt es keine kritischen Punkte im Inneren des Kreises.)

Für dieses Problem gibt es eine geometrische Interpretation. Betrachtet man die Funktion $ z = f(x,y) = x^2 + y^2 - 12x + 16y = (x-6)^2 + (y + 8)^2 - 100 $ als Beschreibung einer Fläche in drei Dimensionen, dies ist ein Paraboloid mit kreisförmigen Querschnitten, das sich in positiver $ z-$-Richtung "öffnet", mit seinem Scheitelpunkt bei $ (x, y , z) = (6, -8, -100 ) $ . Wir suchen die Extremalwerte von $ z $ , wo dieses Paraboloid auf oder innerhalb des Kreiszylinders $ x^2 + y^2 = 25 $ verläuft.

Aus dieser Beschreibung sehen wir, dass der minimale Wert der Funktion $ -100 $ nicht in den Beschränkungsbereich fällt. Da die "Höhe" der Fläche relativ zur $ xy-$-Ebene erhöht sich nur Wenn wir uns vom Scheitel "wegbewegen", erwarten wir, dass es innerhalb des Zwangszylinders keine Extrema geben kann. Die Extremalpunkte werden also nur auf der Oberfläche des Zylinders gefunden, $ x^2 + y^2 = 25 $ .

Die Niveaukurven unserer Funktion sind Kreise mit dem Mittelpunkt $ (x, y) = (6, -8) $ . Die Lagrange-Multiplikator-Methode lokalisiert Punkte, an denen diese Niveaukurven gerade tangential zum Randbedingungskreis sind, der bei $ (-3, 4) $ und $ (3, -4) $ liegt. Die Funktion $ f(x, y) $ kann als "Distanz-Quadrat"-Funktion von Punkten verstanden werden, die von $ (6, -8) $ gemessen werden. Der nächste Punkt auf dem Randbedingungskreis ist $ ( 3, -4) $ , am weitesten, $ (-3, 4) $ .

Nehmen wir das Verhältnis zwischen den Lagrange-Gleichungen mit $ lambda eq 1 $ , so erhalten wir

[Wir können den Fall von $ lambda = 1 $ vernachlässigen, da er in den beiden Gleichungen nicht konsistent angewendet werden kann.]

Dies sagt uns, dass die beiden Extremalpunkte auf der Geraden $ y = -frac<4> <3> x $ liegen, die in der untenstehenden Grafik hellblau markiert ist. Da der Randbedingungskreis symmetrisch zum Ursprung und die zu extremisierende Funktion radialsymmetrisch zu ihrem Mittelpunkt ist, würden wir erwarten, dass die Extremalpunkte auf einer Linie durch den Ursprung diametral einander auf dem Randbedingungskreis gegenüberliegen.

Hier ist ein ähnliches Problem, aber mit fallendem Minimum der Funktion innerhalb der Zwangskreis.


Inhalt

In der Biologie ist die Reichweite einer Art ist das geografische Gebiet, in dem diese Art vorkommen kann. Innerhalb dieses Bereichs, Verteilung ist die allgemeine Struktur der Artenpopulation, während die Streuung die Variation ihrer Populationsdichte ist.

Reichweite wird oft mit den folgenden Eigenschaften beschrieben:

  • Manchmal wird zwischen natürlichen, endemischen, einheimischen oder nativer Bereich, wo sie historisch entstanden ist und gelebt hat, und das Verbreitungsgebiet, in dem sich eine Art in jüngerer Zeit etabliert hat. Viele Begriffe werden verwendet, um das neue Verbreitungsgebiet zu beschreiben, z. B. nicht heimisch, eingebürgert, eingeführt, transplantiert, invasiv oder kolonisiert. [2]Eingeführt bedeutet typischerweise, dass eine Art von Menschen (absichtlich oder versehentlich) über eine große geografische Barriere hinweg transportiert wurde. [3]
  • Für Arten, die in verschiedenen Regionen zu verschiedenen Jahreszeiten, insbesondere Jahreszeiten, vorkommen, werden Begriffe wie Sommersortiment und Winterangebot werden oft beschäftigt.
  • Für Arten, für die nur ein Teil ihres Verbreitungsgebietes zur Zucht genutzt wird, gelten die Begriffe Brutgebiet und nicht brütender Bereich werden verwendet.
  • Für bewegliche Tiere ist der Begriff natürlicher Bereich wird häufig verwendet, im Gegensatz zu Gebieten, in denen es als Landstreicher auftritt.
  • Geografische oder zeitliche Kennzeichner werden häufig hinzugefügt, z. B. in Britisches Sortiment oder Bereich vor 1950. Die typischen geografischen Bereiche können der Breiten- und Höhenbereich sein.

Eine disjunkte Verteilung liegt vor, wenn zwei oder mehr Gebiete des Verbreitungsgebiets eines Taxons geographisch stark voneinander getrennt sind.

Die Verteilungsmuster können sich je nach Jahreszeit, Verteilung durch den Menschen, als Reaktion auf die Verfügbarkeit von Ressourcen und anderen abiotischen und biotischen Faktoren ändern.

Abiotisch Bearbeiten

Es gibt drei Haupttypen von abiotischen Faktoren:

  1. Klimafaktoren bestehen aus Sonnenlicht, Atmosphäre, Feuchtigkeit, Temperatur und Salzgehalt Faktoren sind abiotische Faktoren in Bezug auf den Boden, wie die Grobheit des Bodens, lokale Geologie, Boden-pH-Wert und Belüftung und
  2. Zu den sozialen Faktoren zählen Landnutzung und Wasserverfügbarkeit.

Ein Beispiel für die Auswirkungen abiotischer Faktoren auf die Artenverteilung ist in trockeneren Gebieten zu sehen, wo sich die meisten Individuen einer Art um Wasserquellen versammeln und eine verklumpte Verteilung bilden.

Forscher des Projekts Arctic Ocean Diversity (ARCOD) haben eine steigende Zahl von Warmwasser-Krebstieren in den Meeren um die norwegischen Spitzbergen-Inseln dokumentiert. Arcod ist Teil des Census of Marine Life, einem riesigen 10-Jahres-Projekt, an dem Forscher aus mehr als 80 Nationen beteiligt sind, das darauf abzielt, die Vielfalt, Verbreitung und Fülle des Lebens in den Ozeanen zu erfassen. Das Meeresleben ist stark von den zunehmenden Auswirkungen des globalen Klimawandels betroffen. Diese Studie zeigt, dass Arten mit steigenden Meerestemperaturen beginnen, in die kalten und rauen arktischen Gewässer zu wandern. Auch die Schneekrabbe hat ihr Verbreitungsgebiet 500 km nach Norden erweitert.

Biotisch Bearbeiten

Biotische Faktoren wie Prädation, Krankheiten und inter- und intraspezifische Konkurrenz um Ressourcen wie Nahrung, Wasser und Partner können ebenfalls die Verbreitung einer Art beeinflussen. Zu den biotischen Faktoren in der Umgebung einer Wachtel gehören beispielsweise ihre Beute (Insekten und Samen), die Konkurrenz durch andere Wachteln und ihre Feinde wie der Kojote. [4] Ein Vorteil einer Herde, einer Gemeinschaft oder einer anderen verklumpten Verbreitung ermöglicht es einer Population, Raubtiere früher und aus größerer Entfernung zu erkennen und möglicherweise eine wirksame Verteidigung aufzubauen. Aufgrund begrenzter Ressourcen können Populationen gleichmäßig verteilt werden, um den Wettbewerb zu minimieren, [5] wie es in Wäldern der Fall ist, wo die Konkurrenz um Sonnenlicht zu einer gleichmäßigen Verteilung von Bäumen führt. [6]

Der Mensch ist aufgrund der aktuellen Trends der Globalisierung und der Ausdehnung der Transportbranche einer der größten Verteiler. Zum Beispiel füllen große Tankschiffe ihre Ballaste oft an einem Hafen mit Wasser und entleeren sie in einem anderen, was zu einer größeren Verbreitung von Wasserarten führt. [7]

Auf großen Skalen ist das Verteilungsmuster zwischen Individuen in einer Population verklumpt. [8]

Korridore für Vogelwelt Bearbeiten

Ein häufiges Beispiel für das Verbreitungsgebiet von Vogelarten sind Landflächen, die an Gewässer wie Ozeane, Flüsse oder Seen grenzen Küstenstreifen. Ein zweites Beispiel sind einige Vogelarten, die auf Wasser angewiesen sind, normalerweise ein Fluss, Sumpf usw., oder wasserbezogene Wälder und leben in einem Flusskorridor. Ein separates Beispiel für einen Flusskorridor wäre ein Flusskorridor, der die gesamte Entwässerung umfasst, dessen Rand durch Berge begrenzt ist, oder in höheren Lagen würde der Fluss selbst einen kleineren Prozentsatz dieses gesamten Wildtierkorridors ausmachen, aber der Korridor wird erstellt corridor wegen des Flusses.

Ein weiteres Beispiel für einen Vogelweltkorridor wäre ein Gebirgskorridor. In den USA von Nordamerika sind die Sierra Nevada im Westen und die Appalachen im Osten zwei Beispiele für diesen Lebensraum, der im Sommer und Winter von verschiedenen Arten aus unterschiedlichen Gründen genutzt wird.

Vogelarten in diesen Korridoren sind mit einem Hauptvorkommen der Art verbunden (zusammenhängendes Verbreitungsgebiet) oder befinden sich in einem isolierten geografischen Verbreitungsgebiet und bilden ein disjunktes Verbreitungsgebiet. Vögel, die das Gebiet verlassen, würden, wenn sie wandern, die Verbindung zum Hauptgebiet verlassen oder über Land fliegen müssen, das nicht mit dem Wildtierkorridor verbunden ist .

Auf großen Skalen ist das Verteilungsmuster zwischen Individuen in einer Population verklumpt. Auf kleinen Skalen kann das Muster verklumpt, regelmäßig oder zufällig sein. [8]

Verklumpt Bearbeiten

Die verklumpte Verteilung ist die häufigste Dispersionsart in der Natur. Bei der Klumpenverteilung wird der Abstand zwischen benachbarten Individuen minimiert. Diese Art der Verteilung findet sich in Umgebungen, die durch uneinheitliche Ressourcen gekennzeichnet sind. Tiere brauchen bestimmte Ressourcen, um zu überleben, und wenn diese Ressourcen in bestimmten Teilen des Jahres knapp werden, neigen Tiere dazu, sich um diese entscheidenden Ressourcen herum zu „klumpen“. Einzelpersonen können aufgrund sozialer Faktoren wie egoistische Herden und Familiengruppen in einem Gebiet zusammengedrängt werden. Organismen, die normalerweise als Beute dienen, bilden in Gebieten, in denen sie sich verstecken und Raubtiere leicht erkennen können, verklumpte Verteilungen.

Andere Ursachen für verklumpte Verteilungen sind die Unfähigkeit der Nachkommen, sich unabhängig von ihrem Lebensraum zu bewegen. Dies zeigt sich bei jungen Tieren, die unbeweglich und stark von der elterlichen Fürsorge abhängig sind. Zum Beispiel weist das Adlerhorst des Weißkopfseeadlers eine verklumpte Artenverteilung auf, da sich alle Nachkommen in einer kleinen Teilmenge eines Untersuchungsgebietes befinden, bevor sie das Fliegen lernen. Eine verklumpte Verteilung kann für die Individuen in dieser Gruppe von Vorteil sein. In einigen Fällen von Pflanzenfressern, wie Kühen und Gnus, kann jedoch die Vegetation um sie herum leiden, insbesondere wenn Tiere speziell auf eine Pflanze abzielen.

Die verklumpte Verteilung in Arten wirkt als Mechanismus gegen Prädation sowie als effizienter Mechanismus, um Beute zu fangen oder in die Ecke zu drängen. Afrikanische Wildhunde, Lycaon pictus, nutzen die Technik der Gemeinschaftsjagd, um ihre Erfolgsquote beim Beutefang zu erhöhen. Studien haben gezeigt, dass größere Rudel afrikanischer Wildhunde tendenziell eine größere Anzahl erfolgreicher Tötungen haben. Ein Paradebeispiel für verklumpte Verbreitung aufgrund uneinheitlicher Ressourcen ist die Tierwelt in Afrika während der Trockenzeit. Löwen, Hyänen, Giraffen, Elefanten, Gazellen und viele andere Tiere werden durch kleine Wasserquellen, die in der strengen Trockenzeit vorhanden sind, verklumpt. [9] Es wurde auch beobachtet, dass ausgestorbene und bedrohte Arten eher in ihrer Verbreitung auf einer Phylogenie verklumpt sind. Der Grund dafür ist, dass sie Merkmale teilen, die die Anfälligkeit für das Aussterben erhöhen, da verwandte Taxa oft innerhalb derselben breiten geografischen oder Habitattypen angesiedelt sind, in denen sich die vom Menschen verursachten Bedrohungen konzentrieren. Anhand kürzlich entwickelter vollständiger Phylogenien für fleischfressende Säugetiere und Primaten wurde gezeigt, dass die Mehrzahl der gefährdeten Arten alles andere als zufällig auf Taxa und phylogenetische Kladen verteilt sind und eine verklumpte Verteilung aufweisen. [10]

Eine zusammenhängende Verteilung ist eine Verteilung, bei der Individuen näher beieinander liegen, als wenn sie zufällig oder gleichmäßig verteilt wären, d. h. es handelt sich um eine Klumpenverteilung mit einem einzelnen Klumpen. [11]

Normal oder Uniform Bearbeiten

Die gleichmäßige Verteilung, auch als gleichmäßige Verteilung bekannt, ist weniger verbreitet als die Klumpenverteilung und ist gleichmäßig verteilt. Gleichmäßige Verteilungen finden sich in Populationen, in denen der Abstand zwischen benachbarten Individuen maximiert ist. Die Notwendigkeit, den Raum zwischen Individuen zu maximieren, ergibt sich im Allgemeinen aus der Konkurrenz um eine Ressource wie Feuchtigkeit oder Nährstoffen oder aus direkten sozialen Interaktionen zwischen Individuen innerhalb der Population, wie beispielsweise Territorialität. Pinguine weisen zum Beispiel oft einen einheitlichen Abstand auf, indem sie ihr Territorium unter ihren Nachbarn aggressiv verteidigen. Auch die Baue von Großen Rennmäusen beispielsweise sind regelmäßig verteilt, [12] was auf Satellitenbildern zu sehen ist. [13] Pflanzen weisen auch eine gleichmäßige Verteilung auf, wie die Kreosotbüsche im Südwesten der Vereinigten Staaten. Salvia leucophylla ist eine Art in Kalifornien, die von Natur aus in gleichmäßigen Abständen wächst. Diese Blume setzt Chemikalien frei, die Terpene genannt werden, die das Wachstum anderer Pflanzen um sie herum hemmen und zu einer gleichmäßigen Verteilung führen. [14] Dies ist ein Beispiel für Allelopathie, die die Freisetzung von Chemikalien aus Pflanzenteilen durch Auslaugen, Wurzelexsudation, Verflüchtigung, Rückstandszersetzung und andere Prozesse ist. Allelopathie kann positive, schädliche oder neutrale Auswirkungen auf umgebende Organismen haben. Einige Allelochemikalien haben sogar selektive Wirkungen auf umgebende Organismen, zum Beispiel die Baumarten Leucaena leucocephala sondert eine Chemikalie ab, die das Wachstum anderer Pflanzen hemmt, aber nicht das ihrer eigenen Art, und kann somit die Verbreitung spezifischer Rivalenarten beeinflussen. Allelopathie führt in der Regel zu einer gleichmäßigen Verteilung, und ihr Potenzial zur Unterdrückung von Unkräutern wird erforscht. [15] Bewirtschaftung und landwirtschaftliche Praktiken schaffen oft eine gleichmäßige Verteilung in Gebieten, in denen sie vorher nicht existierte, zum Beispiel Orangenbäume, die in Reihen auf einer Plantage wachsen.

Zufällige Bearbeitung

Zufällige Verteilung, auch bekannt als unvorhersehbarer Abstand, ist die am wenigsten verbreitete Verteilungsform in der Natur und tritt auf, wenn sich die Mitglieder einer bestimmten Art in Umgebungen befinden, in denen die Position jedes Individuums von den anderen Individuen unabhängig ist: Sie ziehen weder an noch stoßen sie ab einander. Zufällige Verteilung ist in der Natur selten, da biotische Faktoren, wie die Interaktionen mit benachbarten Individuen, und abiotische Faktoren, wie das Klima oder die Bodenbedingungen, im Allgemeinen dazu führen, dass sich Organismen entweder anhäufen oder ausbreiten. Eine zufällige Verteilung tritt normalerweise in Lebensräumen auf, in denen Umweltbedingungen und Ressourcen konsistent sind. Dieses Streuungsmuster ist durch das Fehlen jeglicher starker sozialer Interaktionen zwischen den Arten gekennzeichnet. Wenn zum Beispiel Löwenzahnsamen durch den Wind verbreitet werden, kommt es oft zu einer zufälligen Verteilung, wenn die Sämlinge an zufälligen Orten landen, die durch unkontrollierbare Faktoren bestimmt werden. Austernlarven können auch Hunderte von Kilometern zurücklegen, angetrieben von Meeresströmungen, was zu ihrer zufälligen Verteilung führen kann. Zufällige Verteilungen weisen zufällige Klumpen auf (siehe Poisson-Klumpen).

Es gibt verschiedene Möglichkeiten, das Verbreitungsmuster von Arten zu bestimmen. Die Clark-Evans-Methode des nächsten Nachbarn [16] kann verwendet werden, um zu bestimmen, ob eine Verteilung verklumpt, gleichförmig oder zufällig ist. [17] Um die Clark-Evans-Nearest-Neighbour-Methode zu nutzen, untersuchen die Forscher eine Population einer einzelnen Art. Die Entfernung eines Individuums zu seinem nächsten Nachbarn wird für jedes Individuum in der Stichprobe aufgezeichnet. Für zwei Personen, die einander am nächsten sind, wird die Entfernung zweimal aufgezeichnet, einmal für jede Person. Um genaue Ergebnisse zu erhalten, wird empfohlen, dass die Anzahl der Entfernungsmessungen mindestens 50 beträgt. Die durchschnittliche Entfernung zwischen den nächsten Nachbarn wird mit der erwarteten Entfernung bei zufälliger Verteilung verglichen, um das Verhältnis zu erhalten:

Wenn dieses Verhältnis R gleich 1 ist, wird die Population zufällig verteilt. Wenn R deutlich größer als 1 ist, ist die Population gleichmäßig verteilt. Schließlich, wenn R deutlich kleiner als 1 ist, ist die Population verklumpt. Statistische Tests (wie t-Test, Chi-Quadrat usw.) können dann verwendet werden, um zu bestimmen, ob R unterscheidet sich deutlich von 1.

Die Varianz/Mittelwert-Verhältnis-Methode konzentriert sich hauptsächlich auf die Bestimmung, ob eine Art in eine zufällig verteilte Verteilung passt, kann aber auch als Beweis für eine gleichmäßige oder verklumpte Verteilung verwendet werden. [18] Um die Variance/Mean-Ratio-Methode zu verwenden, werden Daten aus mehreren Zufallsstichproben einer bestimmten Population gesammelt. Bei dieser Analyse müssen unbedingt Daten von mindestens 50 Probeflächen berücksichtigt werden. Die Anzahl der Personen, die in jeder Stichprobe vorhanden sind, wird bei zufälliger Verteilung mit den erwarteten Zahlen verglichen. Die erwartete Verteilung kann mithilfe der Poisson-Verteilung ermittelt werden. Wenn das Varianz/Mittelwert-Verhältnis gleich 1 ist, wird festgestellt, dass die Grundgesamtheit zufällig verteilt ist. Wenn es signifikant größer als 1 ist, wird festgestellt, dass die Population eine Klumpenverteilung ist. Wenn das Verhältnis schließlich deutlich kleiner als 1 ist, wird festgestellt, dass die Grundgesamtheit gleichmäßig verteilt ist. Typische statistische Tests, die verwendet werden, um die Signifikanz des Varianz/Mittelwert-Verhältnisses zu ermitteln, umfassen den Student-t-Test und das Chi-Quadrat.

Viele Forscher glauben jedoch, dass Artenverteilungsmodelle, die auf statistischen Analysen basieren, ohne ökologische Modelle und Theorien einzubeziehen, für eine Vorhersage zu unvollständig sind. Anstelle von Schlussfolgerungen, die auf Anwesenheits-Abwesenheits-Daten basieren, werden eher Wahrscheinlichkeiten bevorzugt, die die Wahrscheinlichkeit angeben, dass eine Art ein bestimmtes Gebiet besetzen wird, da diese Modelle eine Schätzung des Vertrauens in die Wahrscheinlichkeit der Anwesenheit/Abwesenheit der Art beinhalten. Sie sind auch wertvoller als Daten, die auf der Grundlage des einfachen Vorhandenseins oder Fehlens erhoben werden, da auf Wahrscheinlichkeit basierende Modelle die Erstellung von räumlichen Karten ermöglichen, die angeben, wie wahrscheinlich eine Art in einem bestimmten Gebiet zu finden ist. Ähnliche Gebiete können dann verglichen werden, um zu sehen, wie wahrscheinlich es ist, dass eine Art dort vorkommt, auch dies führt zu einem Zusammenhang zwischen Lebensraumeignung und Artenvorkommen. [19]

Die Artenverteilung kann anhand des Musters der Biodiversität auf räumlichen Skalen vorhergesagt werden. Ein allgemeines hierarchisches Modell kann Störungs-, Ausbreitungs- und Populationsdynamiken integrieren. Basierend auf Faktoren der Ausbreitung, Störung, ressourcenbeschränkenden Klimas und anderer Artenverteilung können Vorhersagen der Artenverteilung einen Bioklimabereich oder eine Bioklimahülle erstellen. Die Hüllkurve kann von einer lokalen bis zu einer globalen Skala oder von einer Dichteunabhängigkeit bis zur Abhängigkeit reichen. Das hierarchische Modell berücksichtigt die Anforderungen, Auswirkungen oder Ressourcen sowie lokale Auslöschungen von Störfaktoren. Modelle können das Ausbreitungs-/Migrationsmodell, das Störungsmodell und das Häufigkeitsmodell integrieren. Artenverteilungsmodelle (SDMs) können verwendet werden, um die Auswirkungen des Klimawandels und Fragen des Naturschutzmanagements zu bewerten. Zu den Artenverteilungsmodellen gehören: Anwesenheits-/Abwesenheitsmodelle, Ausbreitungs-/Migrationsmodelle, Störungsmodelle und Häufigkeitsmodelle. Eine weit verbreitete Methode zur Erstellung von Karten zur vorhergesagten Verbreitung für verschiedene Arten besteht darin, eine Landbedeckungsschicht neu zu klassifizieren, abhängig davon, ob die betreffende Art voraussichtlich jeden Bedeckungstyp bewohnen würde oder nicht. Dieses einfache SDM wird oft durch die Verwendung von Entfernungsdaten oder Zusatzinformationen wie Höhe oder Wasserentfernung modifiziert.

Jüngste Studien haben gezeigt, dass die verwendete Rastergröße einen Einfluss auf die Ausgabe dieser Artenverteilungsmodelle haben kann. [20] Die Standardrastergröße von 50 x 50 km kann bis zu 2,89 Mal mehr Fläche auswählen als bei der Modellierung mit einem 1 x 1 km-Raster für dieselbe Art. Dies hat mehrere Auswirkungen auf die Artenschutzplanung im Rahmen von Klimawandelvorhersagen (globale Klimamodelle, die häufig bei der Erstellung von Artenverteilungsmodellen verwendet werden, bestehen in der Regel aus 50–100 km großen Rastern), die zu einer Übervorhersage zukünftiger Verbreitungsgebiete führen könnten bei der Modellierung der Artenverteilung. Dies kann dazu führen, dass Schutzgebiete, die für einen zukünftigen Lebensraum einer Art bestimmt sind, falsch identifiziert werden.

The Species Distribution Grids Project is an effort led out of the University of Columbia to create maps and databases of the whereabouts of various animal species. This work is centered on preventing deforestation and prioritizing areas based on species richness. [21] As of April 2009, data are available for global amphibian distributions, as well as birds and mammals in the Americas. The map gallery Gridded Species Distribution contains sample maps for the Species Grids data set. These maps are not inclusive but rather contain a representative sample of the types of data available for download:


3 Answers 3

Translate the centre of the sphere to the origin. Then $(1,1,1)$ is translated to $(1-0,1-1,1-(-3))$, that is, to $(1,0,4)$.

The line through the origin and $(1,0,4)$ has parametric equation $x=t$, $y=0$, $z=4t$. Substitute in $x^2+y^2+z^2=16$. That will give you the two intersection points, and the rest is easy.

Remark: This is an instance of the technique Transform, Solve, Transform Back. Except if we only want the distances, we do not have to transform back.

In fact, we do not even have to do algebra, unless we want the points. For by spherical symmetry the minimum and maximum distances depend only on the distance of $(1,0,4)$ from the origin. So we can use instead the point $(sqrt<17>,0,0)$ and then read off the answer.