أكثر

خط تقسيم كل x متر باستخدام QGIS؟

خط تقسيم كل x متر باستخدام QGIS؟


لدي سطر أريد في النهاية تقسيمه إلى نقاط. يجب أن تكون النقاط كل 100 متر على طول الخط. لذلك لا أريد استخراج العقد.

هل توجد أي أدوات مفتوحة المصدر (QGIS ، Python) لذلك؟

حالة الاستخدام هي أن لديّ خط حافلة بدون محطات حافلات. على الرغم من أنني أعرف أن الحافلة تتوقف كل 100 متر. بهذه الطريقة أرغب في إنشاء محطات حافلات لاستخدامها كخلاصة GTFS.


يمكنك استعمال ال تحويل الخطوط إلى نقاط أداة (تحتاج إلى تثبيت SAGA GIS وتمكين المكون الإضافي لأدوات المعالجة) وقم بتعيين المسافة الخاصة بك:

هذا ما تلقيته لطبقة الخط الخاصة بي:

لقد استخدمت ملف خط القياس أداة من شريط الأدوات لإجراء فحص سريع بين النقاط:

أتمنى أن يساعدك هذا!


قد يكون بديلاً للاقتراح الذي قدمه AndreaJ- ألق نظرة على

خطوط المحطة

ملحوظة. تتوقع هذه الأداة أنظمة إحداثيات مسقطة للميزة ليتم تقسيمها بواسطة وحدة الطول المستوي.


يمكن إجراؤه باستخدام OpenJUMP وأدوات المراجع الخطية. حدد طبقة الخط أولاً.

املأ المعلمات

النتائج تذهب إلى طبقة نقطية جديدة. النقاط على فترات متساوية على طول الخط ، يتم إسقاط الرؤوس الأصلية. يمكن الاحتفاظ بعقدتي البداية والنهاية إذا رغبت في ذلك.


الحدود في علوم البحار

انتماءات المحرر والمراجعين هي الأحدث التي يتم توفيرها في ملفات تعريف بحث Loop وقد لا تعكس موقفهم في وقت المراجعة.



مشاركه فى

التنوع الجيني وهيكل المستوطنة والمعرضة لخطر الانقراض حور كاسبيكا في غابات الهيركان

حور قزوين (حور كاسبيكا Bornm.) نوع مستوطن من غابات الهيركان وتصنف على أنها مهددة بالانقراض في إيران. ومع ذلك ، هناك القليل من المعلومات حول التركيب الجيني للسكان من المجموعات المتبقية التي يمكن أن تدعم تطوير استراتيجية الحفظ المناسبة لهذا النوع. تم تصميم هذه الدراسة لفهم كيف أثرت العوامل البشرية والبيئية على نمط التنوع الجيني ل P. كاسبيكا. قمنا بأخذ عينات من 359 فردًا من 20 مجموعة. ومع ذلك ، بعد إزالة الكباش النسيلي ، تم حساب المعلمات الجينية لـ 314 شجرة باستخدام 14 علامة من الأقمار الصناعية الصغيرة. أظهرت تسعة مجموعات انخفاضًا كبيرًا في حجم السكان الفعال واختناق وراثي. معامل زواج الأقارب (Fهو) من 0.02 إلى 0.11 ، والزوج Fشارع من 0.018 إلى 0.224 ، مما يشير إلى مستوى منخفض إلى مرتفع من التمايز بين السكان. كان متوسط ​​نسبة المهاجرين منخفضة (0.008) ، وتم الكشف عن أن جبال البرز تشكل عائقًا رئيسيًا أمام التدفق الجيني بين P. كاسبيكا السكان في غابات الهيركان. أظهر تحليل المقاومة أن الارتفاع هو حاجز مهم لتدفق الجينات عبر النطاق الشرقي والغربي للأنواع. أظهر تحليل الهيكل وجود مجموعتين وراثيتين على الأقل ، في حين قدرت GENELAND عدد المجموعات بثلاث مجموعات. نقترح صيانة ثلاث وحدات إدارة طبيعية لتقليل مخاطر انقراض هذا النوع في المستقبل القريب.

هذه معاينة لمحتوى الاشتراك ، والوصول عبر مؤسستك.


أساليب

المواقع الميدانية وجمع البيانات

Ochrogaster lunifer

Ochrogaster lunifer هو نوع واسع الانتشار موجود في جميع أنحاء أستراليا الساحلية والداخلية حيث يوجد أكاسيا, أوكالبتوس و كوريمبيا النيابة. تحدث الأشجار المضيفة [12 ، 25]. داخل الأنواع ، هناك خمسة أنواع من التعشيش [12] مع بيئات وتشكل ووراثة مختلفة [26]. في دراستنا ، ركزنا فقط على شكل التعشيش الأرضي الذي تنشئ فيه اليرقات عشًا حريريًا في قاعدة جذع أنواع مختلفة. أكاسيا و أوكالبتوس النيابة. الأشجار المضيفة [18]. تتغذى اليرقات طوال الصيف حتى تصل إلى المرحلة النهائية في الخريف ، عندما تغادر عشها بشكل دائم بحثًا عن موقع مناسب للشرانق تحت الأرض. في دراستنا ، يا لونيفر تم اتباع مواكب ما قبل التشرد في موسمين ، واحد على سبعة والآخر على مدى عشرة أيام غير متتالية من نهاية مارس حتى الأسبوع الأول من أبريل 2017 و 2019 على التوالي. تمت زيارات ميدانية في أيام أخرى خلال الموسم ولكن لم تكن هناك مواكب نشطة. جاءت المواكب من مختلف أكاسيا النيابة. أعشاش شجرية في جامعة كوينزلاند (UQ) ، حرم جاتون ، كوينزلاند ، أستراليا (- 27 ° 56′S ، 152 ° 34′E ، ملف إضافي 2). الحرم الجامعي عبارة عن بيئة شبه حضرية بها مبانٍ وبقع من النباتات في جميع الأنحاء. غادرت اليرقات العش بشكل عام بعد شروق الشمس ، بين الساعة 06:00 و 07:00 بالتوقيت المحلي. تم تسجيل الوقت الذي غادر فيه قائد الموكب العش والوقت الذي كانت فيه يرقة الموكب الأخيرة (أو المفرد) تحت الأرض (إقامة مؤقتة) (ملف إضافي 3). لا يعتبر المعسكر المؤقت بالضرورة الموقع الأخير الذي تشرنق فيه اليرقات ، خاصة في اليوم الأول من السفر (M. Uemura ، الملاحظة الشخصية 2017). في أغلب الأحيان ، تترك اليرقات المعسكر المؤقت عند شروق الشمس التالي إلى موقع إقامة مؤقتة / شرانق جديدة. تم تسجيل أي اضطرابات أثناء الموكب ، على سبيل المثال يرقات تدهسها السيارات أو المشاة وتصنف على أنها ملامسة للإنسان. في كل مرة اقتحم فيها موكب مواكب فرعية أو غير اتجاهه ، تم استخدام أعلام ملونة مع رموز كعلامات. بمجرد أن ذهب الموكب و / أو المفرد تحت الأرض ، تم تسجيل إحداثيات GPS للأعلام وأين ذهبت اليرقات تحت الأرض باستخدام Garmin GPS Etrex10 (في عام 2017) أو تطبيق iPhone ViewRanger (في عام 2019). تم تسجيل درجات الحرارة البيئية في الموقع ل يا لونيفر السكان الذين يستخدمون Tinytag Plus 2 مسجل البيانات TGP-4505 (Hastings Data Loggers ، Port Macquarie ، أستراليا) في عام 2017 ولكن ليس في عام 2019. تم جمع درجات الحرارة البيئية لعام 2019 أثناء عمليات ما قبل التشرن من محطة UQ Gatton 040082 [27].

ملف إضافي 3 فيديو MOV الفاصل الزمني لملف Thaumatopoea pityocampa موكب ما قبل التشرنق الذهاب تحت الأرض في إقامة مؤقتة. فيديو تم تصويره بواسطة Mizuki Uemura باستخدام هاتف Apple iPhone 8.

Thaumetopoea pityocampa

Thaumetopoea pityocampa اليرقات هي مواد مدمرة لأشجار الصنوبر والأرز في حوض البحر الأبيض المتوسط ​​وجنوب أوروبا [28]. Thaumetopoea pityocampa تتغذى اليرقات طوال الشتاء حتى الربيع في شمال إيطاليا ، عندما تغادر يرقات الطور الأخير خيمتها (العش) في المظلة وتنزل إلى الأرض لتجد موقعًا للفتنة [23]. Thaumetopoea pityocampa تمت متابعة مواكب ما قبل التشرد على مدار سبعة أيام ويومين غير متتاليين من الأسبوع الأول حتى الأسبوع الثالث من أبريل 2018 والأسبوع الأخير من مارس حتى الأسبوع الأول من أبريل 2019 على التوالي. تمت زيارات ميدانية في أيام أخرى خلال الموسم ولكن لم تكن هناك مواكب نشطة. كانت المواقع الميدانية في ثلاث غابات صنوبر في فينيتو بإيطاليا: مونتي جارزون (45 ° 30 ′ شمالًا ، 11 ° 11 شرقًا ، ملف إضافي 4) ، Precastio (45 ° 31 ′ شمالًا ، 11 ° 10 شرقًا) وكاربوناري ( 45 ° 32 شمالاً ، 11 ° 10 شرقًا). المواقع الميدانية المختارة عبارة عن غابات مزروعة للحفاظ على التربة وتستخدم أيضًا للأغراض الترفيهية مثل التنزه وركوب الدراجات والنزهات. لا يمكن متابعة المواكب من الخيمة لأنها تقع في مظلة صنوبر أسود الأشجار المضيفة التي يمكن أن يزيد ارتفاعها عن 6 أمتار. لذلك ، لا يمكن جمع بيانات الموكب إلا من النظرة الأولى على طول ممر المواقع الميدانية ، أي الكل تي بيتيوكامبا بيانات عملية ما قبل الترقق هي إجراءات تقريبية. بمجرد العثور على موكب ومتابعته حتى إقامة مؤقتة ، تم تسجيل نظام تحديد المواقع العالمي (GPS) الخاص بموقع إقامة مؤقتة باستخدام تطبيق iPhone ViewRanger وتم تسجيل أي تعطيل / حركة للموكب بطريقة مماثلة لـ يا لونيفر المواكب. درجات حرارة بيئية مستمرة لـ تي بيتيوكامبا تم قياس المواقع الميدانية من HOBO Temperature / RH data loggers (Onset Computer Corporation ، Macquarie ، الولايات المتحدة الأمريكية) الموضوعة في قرية على بعد كيلومتر واحد تقريبًا من كل موقع ميداني (Tregnago ، فينيتو ، إيطاليا).

مسافة ومدة وسرعة مواكب ما قبل التشرنق

المسافة الطبوغرافية ومدة السفر حسب يا لونيفر تم حسابها من مواكب مغادرة العش حتى الانتهاء من إقامة مؤقتة. بمجرد أن تصبح جميع اليرقات من العش تحت الأرض ، تم قياس المسافة المقطوعة بشريط قياس أو عجلة دائرية ، لتتبع كل حركة للموكب. تم حساب السرعة من المدة والمسافة المقطوعة من العش أو الرؤية الأولى إلى المعسكر المؤقت. المسافة والمدة المقطوعة تي بيتيوكامبا مواكب ما قبل التشرد هي أقل من الواقع لأنه لم يكن من الممكن متابعة المواكب من تي بيتيوكامبا الخيام الموجودة في مظلة الشجرة. المسافة المقطوعة تي بيتيوكامبا تم حسابه عن طريق إضافة ارتفاع أقرب شجرة مضيفة مع عش قابل للحياة مرئي (مقدّر من الاتجاه عند أول رؤية للموكب قبل تشكيله مؤقتًا) والمسافة من تلك الشجرة المضيفة حتى موقع إقامة مؤقتة. تم حساب مدة السفر بقسمة المسافة المقدرة المقطوعة على متوسط ​​السرعة تي بيتيوكامبا مواكب ما قبل التشرنق. تم حساب السرعة من قياسات 15 موكبًا على الأرض (على سبيل المثال ، سافر x م في x دقيقة).

توجيه مواكب ما قبل التشرنق

يتم تحديد اتجاه كل موكب من قبل القائد. تم تسجيل كل تغيير اتجاهي للموكب المغادرة من العش إلى إقامة مؤقتة باستخدام بوصلة محمولة (في أستراليا 2017) أو تطبيق بوصلة iPhone (في إيطاليا 2018/19 وأستراليا 2019). ل يا لونيفر، تم استخدام توجيه جميع مواكب ما قبل التشرد تاركًا العش والتوجه النهائي إلى المعسكر المؤقت بعد آخر منعطف للقائد لتحليل البيانات. ل تي بيتيوكامبا، تم استخدام توجيه المواكب عند النظرة الأولى لتحليل البيانات.

تفضيل الضوء من اليرقات الرائدة

تم قياس الإشعاع الشمسي / الضوء (واط / م 2) لعينة فرعية من 2018 تي بيتيوكامبا و 2019 يا لونيفر المواكب باستخدام عداد الطاقة الشمسية ISM410 (RS Pro ، 2016 ، لندن ، إنجلترا). تم قياس الإشعاع الشمسي ل يا لونيفر المواكب عندما غادروا العش وفي الاتجاه النهائي إلى المعسكر المؤقت. ل تي بيتيوكامبا المواكب ، تم قياس الإشعاع الشمسي من النظرة الأولى. تم أخذ ثلاثة قياسات للإشعاع الشمسي: مباشرة بجانب نفس اتجاه القائد ، 90 درجة يسار ويمين القائد. تم حساب الضوء القياسي بقسمة الضوء (W / m 2) من موضع القائد على متوسط ​​يسار ويمين القائد. تعني القيمة 1 أنه لا يوجد فرق بين شدة الضوء في اتجاه القائد / الموكب والمنطقة المحيطة به. تعني القيم التي تزيد أو تقل عن 1 أن القائد / الموكب قد سافر إلى المكان الأفتح أو الأغمق بالنسبة إلى البيئة المحيطة ، على التوالي.

مخاطر مواكب ما قبل التشرنق من الاتصال بالبشر

ل يا لونيفر، تم استخدام بيانات 2019 الخاصة باتصالات كاتربيلر مع البشر ، لأنه في عام 2017 ، تمت حماية بعض المواكب من دهس السيارات وعبور المشاة. مواكب ل تي بيتيوكامبا لم تكن محمية من المواجهات من قبل البشر. تُعرَّف المنطقة التي يحضرها الإنسان بأنها المناطق التي يسافر فيها الأشخاص من وإلى الأماكن عن طريق المشي وركوب الدراجات والقيادة. تم حسابه بحيث يمكن مقارنة الموقعين الميدانيين ، أستراليا وإيطاليا. ل يا لونيفر، تم حساب متوسط ​​المساحة التي يحضرها الإنسان بالنسبة المئوية في حرم جامعة كوينزلاند جاتون من خلال مقدار المنطقة الحضرية (مثل ممر المشاة الخرساني والمباني والطرق وما إلى ذلك) المحيطة بكل شجرة مضيفة في دائرة نصف قطرها 10 أمتار باستخدام QGIS الإصدار 3.6.2 نوسا [29 ] (10 أشجار مضيفة في المجموع). المناطق التي يحضرها الإنسان في جامعة كوينزلاند ليست مناسبة لمواقع إقامة مؤقتة / تشرنق لأنها مصنوعة من الخرسانة باستثناء بعض المناطق التي بها أوراق نفايات. ل تي بيتيوكامبا، تم حساب متوسط ​​المساحة التي يحضرها الإنسان في نسبة مئوية في Monte Garzon من خلال مقدار مسار الأقدام الحصوي المحيط بكل موكب عند أول رؤية داخل دائرة نصف قطرها 10 أمتار باستخدام QGIS (24 موكبًا في المجموع). المناطق التي يشرف عليها الإنسان في المواقع الميدانية الإيطالية هي المواقع المفضلة والمناسبة لإقامة المعسكرات المؤقتة / التشرنق تي بيتيوكامبا بسبب وجود الأوساخ / التربة المكشوفة والحصى الرخو (A Battisti ، اتصال شخصي 2018).

تحاليل احصائية

تم إجراء جميع التحليلات الإحصائية باستخدام R Studio الإصدار 1.1.419 [30] وقيمة ألفا تبلغ ص & lt 0.05 اعتبرت ذات دلالة إحصائية. تم إجراء الخرائط باستخدام QGIS مع صور الأقمار الصناعية من Google Earth Pro الإصدار 7.3.2 [31]. بيانات عن يا لونيفر السكان التي تم جمعها في عامي 2017 و 2019 تم دمجها في التحليلات. تم استخدام النماذج الخطية لتحديد ما إذا كان عدد اليرقات في موكب ودرجات حرارة البيئة قد أثرت على المسافة المقطوعة و / أو سرعة يا لونيفر و تي بيتيوكامبا مواكب ما قبل التشرنق. لتحديد ما إذا كانت المناطق التي يحضرها الإنسان تؤثر على المسافة التي يقطعها يا لونيفر المواكب ، تم استخدام نموذج خطي ، مع المتغيرات: المسافة المقطوعة والمنطقة التي يحضرها الإنسان من الشجرة المضيفة حيث نشأ الموكب (النتائج في مسافة ومدة وسرعة مواكب ما قبل التشرنق). المسافة المقطوعة تي بيتيوكامبا لم يتم تصميم المواكب على غرار المناطق التي يحضرها الإنسان لأن الموطن عبارة عن غابة صنوبر. تم تمثيل اتجاهات الموكب على شكل مخططات وردية تم إجراؤها في R Studio باستخدام حزمة البرامج "Circular" [32]. لتحديد ما إذا كان للمواكب تفضيل (تفضيلات) في الاتجاه ، تم استخدام اختبار Kuiper للتوحيد لكل مخطط وردة مع حزمة برامج R "CircStats" [33]. كل يا لونيفر تم تضمين الموكب داخل الشجرة المضيفة (10 أشجار مضيفة في المجموع من 2017 و 2019 مجتمعة) لذلك ، تم استخدام اختبار Kuiper للتوحيد أيضًا لتحديد ما إذا كانت الأشجار المضيفة قد أثرت على اتجاه المواكب. تم اختيار الأشجار المضيفة التي تضم أكثر من 10 مواكب من أجل اختبار Kuiper للتوحيد. تفضيل خفيف لـ يا لونيفر و تي بيتيوكامبا تم تحليل مواكب ما قبل التشرد باستخدام اختبار Chi-square Goodness-of-Fit لتوزيع 50:50. تم استخدام نموذج خطي لتحديد ما إذا كانت الشجرة المضيفة وعدد اليرقات في الموكب قد أثر على تفضيل الضوء أم لا يا لونيفر و تي بيتيوكامبا المواكب. لا يمكن اختبار الشجرة المضيفة لتفضيل الضوء في تي بيتيوكامبا مواكب ما قبل التشرذم لأن الأشجار المضيفة الدقيقة والتوقيت الذي كانوا فيه عند قاعدة الشجرة غير معروفين.


المواد والطرق

منطقة الدراسة

تتميز منطقة الدراسة في جنوب شرق كينيا (1 ° 23′S 38 ° 00′E) بتساقط متوسط ​​إلى منخفض (1079 ملم متوسط ​​سنوي ، مقسم إلى موسمين ممطرين قصيرين) وظروف مناخية معتدلة الحرارة (متوسط ​​21.4 درجة) ج) (جايتزولد وآخرون 2007). وبالتالي ، يتم تصنيف المنطقة على أنها شبه قاحلة. تم جمع البيانات على طول نهرين ، نهر نزيو ونهر كالوندو (الشكل 1). يعتمد معظم السكان المحليين (97٪) على زراعة الكفاف مع زراعة الذرة والفاصوليا والبازلاء والمانجو والباباو (Habel et al. 2015b). زاد عدد السكان المحليين في منطقة الدراسة بشكل كبير من 1،967،301 (في عام 1969) إلى 5،668،123 نسمة (في عام 2009) (KNBS ، 2012). تسبب هذا الضغط الديموغرافي المرتفع في تقسيم الأراضي ونقص التناوب الزراعي (عدم وجود مراحل الأرض البور) ، مما أدى إلى تسريع انخفاض خصوبة التربة (جايتزولد وآخرون ، 2007) ، بحيث تكون هناك حاجة إلى المزيد من الموائل (السليمة) لتحويلها إلى زراعية. الأرض.

بيانات الغطاء الأرضي

البيانات التاريخية للغطاء الأرضي مستمدة من الصور الجوية بالأبيض والأسود التي التقطتها القوات الجوية الملكية البريطانية في عامي 1961 و 1980. تم تحديد الصور الفوتوغرافية جغرافيًا في QGIS (2016 أ) باستخدام نوع التحويل متعدد الحدود مع أقرب طرق إعادة أخذ العينات المجاورة في نظام الإحداثي المرجعي Arc 1960 / UTM zone 36S (EPSG: 21036) ، مما أدى إلى أحجام بكسل تبلغ 1.69 م في كلا الاتجاهين. جذر مناسب يعني الأخطاء التربيعية وتم إجراء الرقمنة بعد ذلك.

تم جمع بيانات الغطاء الأرضي الحالية خلال سبتمبر 2015 ومارس 2016 ، باستخدام مركبة جوية بدون طيار (طائرة بدون طيار DJI Phantom 2) ، ومجهزة بكاميرا رقمية RGB متعامدة متصلة GoPro HERO 4 Black (GoPro ، Inc. ، San Mateo) مثبتة على Zenmuse H3-3D انحراف. نظرًا لوقت الرحلة المحدود (حوالي 18 دقيقة لكل مهمة) ، قمنا بتقسيم المسوحات الجوية إلى عدة رحلات جوية لتغطية 13.5 كم من نهر نزيو و 17 كم من نهر كالوندو. تمت معالجة مسارات رحلات التحليق الفردي مسبقًا باستخدام QGIS لضمان التداخل المكاني بحوالي 35-60٪. تم تنفيذ الرحلات الجوية كرحلات توقف وتحول ذاتية القيادة على ارتفاع 40 مترًا مع تباعد 50 مترًا بين الحلقات ، وتغطي مساحة 200 متر بطول تيار و 300 متر منطقة مشاطئة على كل جانب من جانبي النهر (أي ما يعادل 12 هكتارًا من المساحة الإجمالية لكل رحلة ، متوسط ​​طول الرحلة حوالي 4 كم). تم تكوين الكاميرا الرقمية المرفقة باستخدام إعدادات دقة متوسطة تبلغ 7 ميجابكسل وبُعد بؤري مكافئ 21.9 مم ، مما أدى إلى أبعاد صورة 2250-3000 بكسل ، مع نسبة عرض إلى ارتفاع تبلغ 3-4 لتقليل تشوه عين السمكة. تم التقاط الصور بفاصل زمني يبلغ 2 ثانية ، مما ينتج عنه ما معدله 400 صورة في كل رحلة. بالإضافة إلى ذلك ، تم استخدام العلامات الملونة كنقاط تحكم أرضية (GCP) ، والتي تم قياسها باستخدام جهاز Garmin eTrex 10 GPS. تم دمج الصور الجوية بعد ذلك مع برنامج AgiSoft Photoscan Professional (Agisoft 2015) باستخدام معالجة سحابية كثيفة متوسطة الجودة وإعدادات إنشاء شبكة. استنادًا إلى نقاط التحكم الأرضية الكافية ، تم تصدير الصور المعالجة على شكل متعامد إلى ملفات نقطية جغرافية بدقة هندسية أقل من 1.97 م (1.00 م في الخطأ الطولي ، 1.38 م خطأ خطي و 0.99 م خطأ ارتفاعي). تم بعد ذلك تجميع الصور التقويمية المبلطة باستخدام دمج وظيفة gdal في QGIS (GDAL 2015) وتم تحضيرها لمزيد من التحليل. لتقدير التغيرات في الغطاء الأرضي ، فإننا نميز بين فئات الغطاء الأرضي الثلاث التالية: (1) غابات النهر (البكر وكذلك البكر L. كاماراغابة مسيطرة) ، (2) أرض زراعية (1 و 2 على حد سواء مضلعات) و (3) مستوطنات بشرية (كنقاط ، حيث تمثل كل نقطة مجموعة من عدة منازل). تم إجراء التحويل الرقمي باستخدام برنامج QGIS Development Team (2016 أ).

تغيير الغطاء الأرضي

قمنا بتقييم تغيرات الغطاء الأرضي لثلاثة مقاييس مكانية وبثلاث طرق: أولاً ، قمنا بتحليل تغيرات الغطاء الأرضي لقسم 1.3 كم من نهر نزيو (الشكل 1). تم تسجيل تغيرات الغطاء الأرضي ضمن شريط 100 متر على كل جانب من هذا النهر لثلاث نوافذ زمنية: 1961 و 1980 و 2015/2016. من أجل هذا التحليل ، قمنا أيضًا بتقييم جميع المستوطنات البشرية لتحديد تأثير الضغط الديموغرافي. هنا ، تم تمديد الشريط الذي تم رسمه على الخريطة إلى 300 متر حيث أن معظم الناس لا يستقرون مباشرة على طول النهر بسبب الفيضانات الدورية (الشكل 2). يرجع ذلك إلى حقيقة أن L. كامارا غزت أجزاء كبيرة من كينيا خلال الخمسينيات وما بعدها (مزيد من التفاصيل: انظر المقدمة) ، نفترض أن جميع النباتات النهرية التي يمكن اكتشافها في عام 1961 تمثل غابات نقية سليمة.

ثانيًا ، لاستبعاد التحيز المحلي المحتمل لتغير الغطاء الأرضي على النطاق المحلي الموصوف أعلاه ، قمنا بتعيين 50 نقطة بشكل عشوائي (25 على طول نهر Nzeeu ، و 25 على طول نهر كالوندو) للعامين 1961 و 2015/2016 (بنقاط متطابقة للمرتين. الأفواج ، مما يسمح بإجراء تحليلات مقارنة زمنية) (الشكل 1). كانت كل نقطة مركز مخطط نصف قطره 100 متر (أي مساحة السطح 3.14 هكتار). تم اختيار هذه النقاط عشوائيًا باستخدام وظيفة QGIS "نقاط عشوائية على طول الخط" (QGIS ، 2016 ب). هنا ، استخدمنا نفس فئات الغطاء الأرضي كما تم تطبيقها في طريقتنا الأولى.

ثالثًا ، يرجع ذلك إلى حقيقة أن نسبة L. كامارا لم يكن يمكن تمييز الأجمة عن تغطية الغابات النهرية البكر استنادًا إلى الصور الجوية ، وقمنا بتقييم فئات الغطاء الأرضي لشريط بطول 50 مترًا على طول النهرين ، نزيو وكالوندو ، باستخدام جهاز Garmin eTrex 10 GPS محمول باليد. في هذا التحليل الثالث ، قمنا بتمييز فئة الغطاء الأرضي "النباتات النهرية" على أنها فئتان فرعيتان: "الغابات النهرية البكر" و "الغابات المشاطئة المضطربة التي يهيمن عليها L. كامارا"(مع & gt 50٪ من الغطاء النباتي يتكون من L. كامارا).

تحليل احصائي

تم حساب تحليلات التغييرات في الغطاء الأرضي باستخدام QGIS وأداة MOLUSCE 3.0.11 (http://hub.qgis.org/projects/molusce). توفر أداة MOLUSCE إحصائيات لفئة الغطاء الأرضي ومصفوفة الانتقال للخطوات الزمنية المراد مقارنتها. نظرًا لأن MOLUSCE يتطلب مجموعات بيانات نقطية كبيانات إدخال ، فقد قمنا بتحويل مجموعات بيانات متجه للغطاء الأرضي الرقمي إلى مجموعات بيانات نقطية بأحجام خلايا تبلغ 1 متر ، باستخدام وظيفة التحويل QGIS. تم حساب الأخطاء النسبية من التنقيط وفقًا لـ Liao و Bai (2010).

بالنسبة لكل من المقياس المحلي والمناظر الطبيعية (الخطوتان 1 و 2 ، انظر أعلاه) ، قمنا بحساب تغييرات الغطاء الأرضي التي تتضمن جميع الفئات. هنا ، ركزنا بشكل خاص على التحول من غابات النهر البكر إلى أراضٍ زراعية ، والتحول الجزئي إلى أرض بور ​​والخلافة اللاحقة بواسطة L. كامارا. يرجع ذلك إلى حقيقة أن L. كامارا تم تسجيله لأول مرة في كينيا في البرية خلال الخمسينيات (Cilliers and Neser 1991) ، افترضنا أن جميع غابات النهر التي يمكن اكتشافها في الصور الجوية التاريخية من عام 1961 تتكون من تكوين أصلي ومتنوع للأنواع النباتية.

قمنا بتطبيق تحليل استخدام الأراضي وتغيير الغطاء الأرضي (LUCC) لتحديد مساحة تغيرات الغطاء الأرضي. تم التحقق من صحة التغييرات إحصائيًا عن طريق مصفوفة الانتقال والمحاكاة وبمساعدة إحصائيات كابا ، التي تقيس اتفاق مجموعتي بيانات فئتين على خلية عن طريق مقارنة الخلية (Van Vliet et al. 2011). نظرنا في قيود إحصائيات كابا (راجع Van Vliet et al. 2011) وبناءً عليه قمنا بتوسيع حساباتنا باستخدام الرسم البياني لـ Kappa وموقع Kappa للتمييز بوضوح بين القياس الكمي وأخطاء الموقع أو الاتفاق. يقيس الرسم البياني لـ Kappa الاتفاق المتوقع بين مجموعتي بيانات بناءً على توزيع أحجام الصفوف يقيس موقع Kappa الحد الأقصى للاتفاق المقدم من توزيع أحجام الفصول (Van Vliet et al. 2011).

على الرغم من أن ناتج أداة MOLUSCE يركز بشكل خاص على التغييرات المكانية بين المجموعات الزمنية ، فقد قمنا بتوسيع التحليل بمساعدة مقاييس المناظر الطبيعية المحسوبة باستخدام الإصدار 4.2 من FRAGSTAT لاكتساب نظرة ثاقبة على التغييرات الزمنية لتغطية الأرض بين المجموعات الزمنية. هنا ، استخدمنا استراتيجية أخذ عينات شاملة لمقياس المناظر الطبيعية باستخدام مربعات يحددها المستخدم ، والتي كانت متوافقة مع نقاط أخذ العينات لدينا لتحليل LUCC. على مقياس أفقي ، استخدمنا 25 مخططًا دائريًا تم تعيينه عشوائيًا وغير متداخلة لكل نهر (بنصف قطر 100 متر) (انظر أعلاه). قمنا بحساب المؤشرين التاليين على مستوى الفصل والمنظر الطبيعي: (1) عدد التصحيحات على مستوى الفصل ومستوى المناظر الطبيعية. يوفر هذا الفهرس إجمالي عدد التصحيحات لمشهد معين (أي النقاط الزمنية ذات الصلة) والفئات (فئات الغطاء الأرضي). (2) حجم الشبكة الفعال (MESH) الذي يوفر معلومات عن المنطقة حول تجزئة منطقة الدراسة. تم اختيار MESH لأنه يأخذ حجم التصحيح وتوزيع فئة الغطاء الأرضي بالإضافة إلى إجمالي مساحة المناظر الطبيعية في الاعتبار (الحد الأدنى من MESH مقيد بحجم الخلية ويتم تحقيقه عندما يتم تقسيم المشهد إلى أقصى حد ، أي ، عندما تكون كل خلية عبارة عن رقعة منفصلة ، تكون MESH هي الحد الأقصى عندما تتكون المناظر الطبيعية من رقعة واحدة). تمت معالجة النتائج من FRAGSTAT لاحقًا باستخدام الإصدار 22 من SPSS بما في ذلك Kruskal-Wallis H و Mann-Whitney يو اختبارات لمقارنة توزيع فئة الغطاء الأرضي والتغيرات الهيكلية بين النهرين والأفواج الزمنية.

وفرة المفصليات

تم تقييم الوفرة المجمعة لأوامر المفصليات الرئيسية والأسر باستخدام 200 مصيدة مطوية على طول نهر نزيو (100 مصيدة) ونهر كالوندو (100 مصيدة). تم دفن خمسة مصائد في نمط نجمي ، واحدة في كل نقطة أساسية ومصيدة مركزية ، مع كل مصيدة على بعد 5 أمتار على الأقل من جارتها. تم بعد ذلك دمج المواد التي تم جمعها من موقع التعثر هذا (المكون من خمسة أفخاخ) ومعالجتها على أنها قادمة من موقع واحد. ومن ثم ، حصلنا على المواد من 20 موقعًا (10 مجموعات في L. كاماراغابة مسيطرة ، مع أكثر من 50٪ غابة تتكون من L. كامارا، و 10 مجموعات في الغابات البكر على ضفاف الأنهار ، التي لم تغزوها بعد L. كامارا) ، من كل من النهرين. تم دفن كل مصيدة حجرية ، يبلغ قطرها 9 سم ، في التربة مع قمتها عند مستوى الأرض ، وتم ملؤها بمحلول ملحي مشبع. تركت المصائد في الحقل لمدة 5 أيام (في ظروف الطقس الجاف). أعيد الجمع في جولة ثانية (5 أيام أخرى) في ظل ظروف متطابقة. تم إجراء أخذ العينات في مارس 2014 و 2015.

تم تقسيم مفصليات الأرجل إلى ثلاث مجموعات: العواشب بشكل رئيسي (أي Lepidoptera ، Homoptera ، Hemiptera ، Orthoptera ، Cicadina) ، والحيوانات المفترسة بشكل رئيسي (مثل Arachnida ، و Chilopoda ، و Carabidae ، و Mantodea ، و Neuroptera ، و Staphylinidae) ، والنمل. لكل مجموعة ، متوسط ​​الوفرة بين نوعي الموائل (L. كاماراتمت مقارنة الغابة التي تهيمن عليها الغابات مقابل الغابات النهرية البكر) باستخدام بيرمانوفا غير حدودي أحادي الاتجاه وثنائي الاتجاه (اختلافات Bray-Curtis ، 5000 عملية عشوائية تم إجراؤها في Primer 7.0) باستخدام سنة الدراسة والموئل كمتغيرات تجميع.


3. الطرق

في هذا القسم ، نحدد الطرق المستخدمة لتقييم التنبؤات الموسمية ، بما يتفق مع مفهوم "الخير" للتنبؤات كما ناقشها مورفي (1993). توجد مقاييس مختلفة لقياس جودة أو أداء التنبؤ ، ونركز على المهارة والموثوقية والتحيز. تأخذ المهارة في الاعتبار كيفية مقارنة التنبؤ بالتنبؤ المرجعي ، على سبيل المثال التنبؤ بعدم وجود مهارة ("فرصة عشوائية") أو توقع استمرار. الموثوقية تحدد الاتفاق الاحتمالي بين التوقعات والملاحظات. يقيس التحيز مدى أي اختلافات منهجية ، في المتوسط ​​، بين التوقعات والملاحظات.

نركز في تحليلنا على منطقة الساحل ، المُعرَّفة بـ 10 ° –20 ° شمالًا ، 20 ° غربًا – 30 ° شرقاً (المُشار إليها كمربع أخضر في الشكل 3 أ). هذه المنطقة مشابهة لتلك المستخدمة من قبل Vellinga et al. (2016) لكنها امتدت إلى أقصى الغرب لتشمل كل السنغال. نقوم بتقييم التنبؤات لفترات زمنية مختلفة ، بسبب الاختلافات في توافر البيانات ، مما يضمن استخدامنا للبيانات المتزامنة للمقارنات بين تنبؤات النموذج الديناميكي وتوقعات PRESASS. في القسم 4 أ ، نأخذ في الاعتبار فترة التداخل بين توقعات GloSea5 وتوقعات PRESASS (1998-2015) ، وفي القسم 4 ب ، نستخدم فترة التداخل بين النماذج المختلفة للتنبؤات الخلفية (1993-2010).

أ. رقمنة تنبؤات PRESASS

تم الانتهاء من الرقمنة باستخدام QGIS (QGIS Development Team 2018) ، مع توفر إرشادات أكثر تفصيلاً من موقع ASPIRE الإلكتروني (Met Office 2019). عندما يتم فحص توقعات 20 عامًا ، يكون التطور الطبيعي لعملية التنبؤ واضحًا ، مع اثنين من الآثار الرئيسية. أولاً ، منطقة التنبؤ غير متسقة ، لذلك نستخدم فقط التنبؤات من 18 دولة الموضحة في الشكل 1 باستثناء جزر الرأس الأخضر. يمثل هذا المركز الأساسي للبلدان التي تظهر في معظم التوقعات على مدار العشرين عامًا.

ثانيًا ، لا توجد طريقة متسقة لتفسير المنطقة الموضحة باللون الرمادي في الشكل 1. تحليل التنبؤات العشرين في الأشكال. يُظهر S3 و S4 طريقتين مختلفتين ، يتم تلوينهما أحيانًا بشكل مختلف (على سبيل المثال ، 2012) ولكن في بعض الأحيان متماثلان (على سبيل المثال ، 2017). في الشمال ، يكون المناخ جافًا ، لذا لا يتم عمل توقعات في معظم السنوات. على العكس من ذلك ، في أقصى الجنوب وفي الآونة الأخيرة ، يصبح اللون الرمادي تنبؤًا بـ "متوسط ​​هطول الأمطار" ، ولكن لا توجد حدود بين المناطق لعدم وجود توقعات بسبب الجفاف والتنبؤ بهطول الأمطار شبه الطبيعي (باستثناء عامي 2012 و 2013). ومع ذلك ، فإن الحد الفاصل بين مناطق عدم التنبؤ والتنبؤ الضمني شبه الطبيعي يختلف عبر 20 تنبؤًا ، لذلك لا يمكن تحديد منطقة يمكن فيها افتراض التوقعات الصفرية باستمرار. يثير هذا السؤال حول النسبة المئوية للاحتمالية التي يجب تخصيصها للمناطق الرمادية أو البيضاء. يمثل الانقسام المتساوي عبر جميع الشرائح الثلاثة (33-33-33) تنبؤًا فارغًا وهو افتراض معقول قدمه Walker وآخرون. (2019) ، ولكن هذا لن يكون توقعًا لهطول الأمطار شبه الطبيعي ومن المتوقع صراحةً في عام 2006. يمكن تمثيل توقعات هطول الأمطار شبه العادية بنسب مئوية تميل نحو الطبقة الوسطى مثل 30-40-30 ، ولكن تم توقع هذا بشكل صريح في عام 2004. هذه الدوافع المتضاربة لوجود مناطق ليس بها توقعات واضحة وتفسيرات مختلفة تعني أننا في هذه الدراسة ، نستخدم فقط المناطق التي تعطي فيها عملية PRESASS بشكل صريح النسبة المئوية للتنبؤ.

ب. تقييم المهارات

كتقييم أولي ، توضح خرائط الارتباط الخصائص المكانية للمهارة الحتمية. في كل نقطة ، يتم حساب معامل ارتباط بيرسون بين متوسط ​​توقعات كل عام وبين الملاحظات (الشكل 3). عندما يكون الارتباط ذا دلالة إحصائية (عند مستوى ثقة 95٪) ، يتم تفقيس الخريطة. يتم اختيار ارتباط بيرسون لبساطته واستخدامه الشائع ، ولكنه يعتمد على البيانات الموزعة بشكل طبيعي. في حين أن هذا ليس هو الحال بالنسبة للتهطال اليومي ، فإن حساب إجمالي هطول الأمطار الموسمي يعني أن القيم تميل إلى أن تصبح موزعة بشكل طبيعي ولكن لا يضمن أن الارتباط لا يتأثر بالقيم المتطرفة. لهذا السبب ، قمنا أيضًا بحساب ارتباط Kendall tau ، استنادًا إلى الترتيب وعدم تأثره بالقيم المتطرفة ، وكانت النتائج متشابهة نوعياً (غير معروضة) لتلك الخاصة بعلاقة Pearson.

باتباع نهج احتمالي ، تقيم درجات خصائص التشغيل النسبية (ROC) مهارة التنبؤات من حيث ما إذا كان "حدث" متوقع قد حدث أم لا. يتم التعبير عن الأحداث على أنها تساقط هطول الأمطار في كل خيمة (فوق ، بالقرب ، وتحت المعدل الطبيعي) بدوره. يتم تطبيق الحدود على احتمالية التنبؤ لكل حدث ، مع توقع الحدث إذا تجاوز الاحتمال الحد الأدنى. تم تحديد النقطة المقابلة في بيانات المراقبة ، مع أربع نتائج محتملة:

  • ضرب: الحدث متوقع ويحدث
  • إنذار كاذب: الحدث متوقع ولا يحدث
  • يغيب: الحدث غير متوقع ولا يحدث و
  • السلبية الصحيحة: الحدث غير متوقع ولا يقع.

في هذه الورقة ، تُستخدم مخططات ROC لتوضيح مهارة التنبؤات الموسمية المنتجة باستخدام نماذج مختلفة فوق منطقة الساحل. يُظهر المحور الرأسي لمخطط ROC "معدل الإصابة" ، وهو عدد الزيارات مقارنةً بالعدد الإجمالي للوقائع المرصودة (عدد الزيارات بالإضافة إلى عدد الأخطاء). يُظهر المحور الأفقي "معدل الإنذار الخاطئ" ، وهو عدد الإنذارات الكاذبة مقارنة بالعدد الإجمالي لحالات عدم الحدوث (عدد الإنذارات الكاذبة بالإضافة إلى عدد السلبيات الصحيحة). لكل شريحة من الأمطار ، يتم رسم هذين المعدلين مقابل بعضهما البعض لكل عتبة احتمالية للتنبؤ. يوضح المنحنى الناتج ما إذا كان نظام التنبؤ هو l أم لا. سيؤدي نظام التنبؤ الماهر إلى زيادة معدل الدخول إلى الحد الأقصى وتقليل معدل الإنذار الخاطئ ، لذلك سينحني منحنى ROC باتجاه الجزء العلوي الأيسر من المؤامرة. إذا لم يكن لدى نظام التنبؤ أي مهارة ، فسيكون معدل الإنذار الخاطئ ومعدل الضربة متساويين ، مع منحنى ROC على طول الخط القطري المستقيم. على هذا النحو ، تشير مخططات ROC إلى مهارة التنبؤ مقارنة بتوقع "فرصة عشوائية". يتم إعطاء درجة مهارة ROC (ROCSS) في وسيلة إيضاح الحبكة (الشكل 4) ، محسوبة حسب Wilks [2011، Eq. (8.46)]. ROCSS is 1 for perfect forecasts and 0 for “random guess” forecasts.

In addition, ROC maps can be used to provide spatial illustrations of forecast skill. The ROC maps used in this study show the area under a ROC curve at each grid point, for each precipitation tercile separately. A forecast with no skill, and ROC curve that falls along the diagonal, equates to an area under the curve of 0.5. Therefore, where a forecast has skill, the ROC map shows a value of greater than 0.5 the higher the value, the more skillful the forecast. Note that the area is calculated using the trapezoidal rule, which will slightly underestimate the area under the curve so should be used primarily to compare different areas of the forecast and the different forecast systems.

ج. Reliability assessment

Using the example PRESASS forecast in Fig. 1, and focusing on the orange forecast area, there is a 50% probability of the area receiving below-average precipitation, a 30% probability of receiving near-average conditions and a 20% probability of above-average conditions. In the scenario that this region received a perfectly reliable forecast, we would expect 20% of the points in this region to receive precipitation in the above-normal tercile, 30% near normal, and 50% below normal. This is repeated over the 20 years, in order to fairly assess the reliability.

To assess the reliability, we collected forecast probabilities for each tercile over the 20 years of available forecasts. For example, we collected the cases where the forecast of above-average precipitation was 20%, and count how many times that the precipitation was in the above average tercile if this occurred 20% of the time, then those forecasts would be reliable. We assess the forecasts in intervals of 10% probability.

Reliability diagrams illustrate how reliable forecasts are by comparing forecast probabilities with the frequencies of actual events. The vertical axis of a reliability diagram shows the observed frequency, and the horizontal axis shows the forecast probability. In this study we group the observed frequency and forecast probabilities into bins with 10% intervals. The lower half of Fig. 2 shows two example diagrams. As in the example described above, reliable forecasts give similar values for forecast probability and observed frequency, so perfect reliability would result in a line on the main diagonal (ذ = x).

(top) ROC diagrams and (bottom) reliability diagrams for (left) PRESASS forecasts and (right) GloSea5 hindcasts of July–September season total precipitation for 1998–2015.

Citation: Weather and Forecasting 35, 3 10.1175/WAF-D-19-0168.1

د. Bias assessment

Frequency diagrams (or sharpness diagrams) illustrate the forecast bias. Examples are shown at the bottom of Fig. 2, giving the number of forecasts within each bin over all years and for the Sahel, our region of interest. Frequency diagrams are used in two ways: first, to ensure there are a sufficient number of forecasts in each percentage category to allow statistically significant interpretation and second, to assess probabilistic bias.

Over a long period of time, the frequency of forecast probabilities in each tercile will converge to the climatological frequency of one-third (0.33). If on average a tercile is forecast with a higher (or lower) percentage chance than the climatological average, this will be represented as a shift in the histogram away from a center point of 0.33 and indicate a probabilistic bias in the forecast. Note that because the model forecasts are assessed against terciles calculated from model climatology, they will not exhibit probabilistic bias, and we do not assess absolute bias (i.e., the long-term average difference between model hindcast mean and observed mean).


Acknowledgments

We thank the SERC for logistical support, William Brinley and Nathan Phillips for technical assistance in construction of the sapflow sensors and Geoffrey Parker for providing access to the 50-ha plot and for other support. We thank Marilyn Fogel for allowing us to use her former facilities the Geophysical Lab at the Carnegie Institution in Washington, DC for isotopic analyses, and Lauren Urgenson, George Raspberry (posthumously), Roxane Bowden, Kati Dawson Andrea Krystan, and Patrick Neale for technical and other assistance. The water table and soil moisture data were gathered as part of an NSF funded project to Sean McMahon (NSF Grant 1137366) and is curated by Rutuja Chitra-Tarak.


4.2 Ocean mean state and identified biases

The annual SST averaged between 50 ∘ S and 50 ∘ N simulated by IPSL-CM5A2 for the last decades of the historical run is 22.3 ∘ C (1 ∘ C warmer than IPSL-CM5A), a value in the higher range of CMIP5 ESMs and consistent with observations (Fig. A2).

Figure 10Yearly averaged anomalies between simulated surface temperature (a, b) and surface salinity (c, d) and WOA2013 observations (Locarnini et al., 2013 Zweng et al., 2013) for the 1980–1999 period. (a, c) IPSL-CM5A – WOA2013. (b, d) IPSL-CM5A2 – WOA2013.

The warm bias over eastern subtropical Pacific and Atlantic oceans is more marked in IPSL-CM5A2 than in IPSL-CM5A as a response to CRF tuning (Fig. 10a, b). This bias has already been reported in several coupled models using NEMO, namely CNRM-ESM1 (Séférian et al., 2016) , CNRM-CM5.1 (Voldoire et al., 2013) , IPSL-CM4 (Marti et al., 2010) and IPSL-CM5A (Dufresne et al., 2013) . As stated in Voldoire et al. (2013) , ocean-only experiments (Griffies et al., 2009) have suggested that such a warm bias was likely linked to “poorly resolved coastal upwellings and underestimated associated westward mass transport due to the coarse model grid resolution”. The 0.5–2 ∘ C warm bias over the Antarctic circumpolar current (ACC) is comparable to IPSL-CM5A and can be related to the poor simulation of the CRF over this region (Hyder et al., 2018) and the associated mispositioning of midlatitude westerlies depicted above. Conversely, the tuning has reduced the cold bias in the Pacific and Atlantic gyres. Surface salinity biases are rather similar between both models. The surface salinity anomaly follows the evaporation minus precipitation (E–P) pattern over the tropical oceans (not shown), showing the influence of the double ITCZ issue on the tropical ocean freshwater balance. Both models depict too-fresh surface waters in the northern Atlantic and locations of deep water formation (Fig. 10c, d). The ocean also depicts temperature biases at depth both in the Atlantic and Pacific oceans (Fig. 11). Zonally averaged potential temperature anomalies show that the warm bias in the northern Atlantic between 1000 and 3500 m has been amplified, as well as the warm bias in the northern Pacific, that concerns the entire water column in IPSL-CM5A2. The strong ( > + 2.5 ∘ C) overestimation of temperatures in the subsurface waters of the Southern Hemisphere is almost identical in both versions of the model. The cold ( ∼ - 1 ∘ C) bias in the high latitudes of the Southern Hemisphere has been slightly reduced but is still present due to the lack of strong enough overturning in this region.

Figure 11Longitude–depth cross section of yearly averaged anomalies between IPSL-CM5A2 temperature (a) and salinity (ب) and WOA2013 observations (Locarnini et al., 2013 Zweng et al., 2013) averaged over the 1980–1999 period.

Sea-ice extent (Fig. 12) has been improved in the North Atlantic sector but remains overestimated. The Nordic Seas are covered by sea ice in winter in IPSL-CM5A, while IPSL-CM5A2 shows overestimated sea ice mostly in the Barents Sea. In the Labrador Sea, both IPSL-CM5A and IPSL-CM5A2 have overestimated sea ice, likely preventing water mass sinking and convection in this region. In contrast, sea ice is underestimated in both versions for the North Pacific sector, i.e., in the Bering and Okhotsk seas.

Figure 12(a, b) March sea-ice cover (%) for the IPSL-CM5A (a, c) and IPSL-CM5A2 (b, d) historical runs. The black contour indicates the 15 % sea-ice cover interval in observations. (c, d) January–February–March average of mixed-layer depth (meters) for IPSL-CM5A (a, c) and IPSL-CM5A2 (b, d).

4.2.1 Ocean heat transport and meridional overturning circulation

IPSL-CM5A2 ocean meridional heat transport is higher (in absolute value) than the one simulated with IPSL-CM5A in both hemispheres (Fig. 13). This increase in the Northern Hemisphere is mainly related to the increase in the Atlantic meridional heat transport in the midlatitudes (not shown). When compared to observations, the two model versions have asymmetric biases, with the northward transport being underestimated in the Northern Hemisphere and the southward transport overestimated in the Southern Hemisphere low latitudes (between the Equator and 35 ∘ S). Southward heat transport is too strong between the Equator and 40 ∘ S and is in better agreement with the data than IPSL-CM5A between 40 and 60 ∘ S.

Figure 13Global meridional heat transport in the ocean, in petawatts (PW).

The AMOC is more vigorous in IPSL-CM5A2, with a maximum in depth (below 500 m) and latitude (from 30 ∘ S to 60 ∘ N) in pre-industrial conditions moving from 10.3±1.2 Sv (Escudier et al., 2013) to 12.02±1.1 Sv (taken for the last 1000 years of simulation Fig. 14a). The last 20 years of the 20th century in the historical run depict a less vigorous circulation in the Atlantic, with a mean value for the AMOC index of 10.5±0.9 Sv.

Figure 14Atlantic meridional streamfunction (a) and global barotropic streamfunction (ب) for the pre-industrial experiments at steady state (100-year averages). Color shading shows the IPSL-CM5A2 minus IPSL-CM5A anomaly. Contour lines shows the IPSL-CM5A2 values (in Sv).

The convection sites have been slightly modified between the two versions of the model. While the strongest convection was located in the North Atlantic subpolar gyre (SPG), south of Iceland, in the IPSL-CM5A version (Escudier et al., 2013) , in IPSL-CM5A2, the Greenland Sea shows the deepest mixed-layer depth, which is larger than 1500 m in winter (Fig. 12c, d). Nevertheless, there is still a very active deep convection site south of Iceland, which is not realistic. The strengthening of the Nordic Seas convection can be related with the decrease of its sea-ice cover in winter (Fig. 12). As a consequence, denser water is now produced in this site, which improves the overflow through Greenland–Iceland–Scotland straits. Indeed, the water denser than 27.8 kg m −3 flowing southward reaches 1.5 Sv in IPSL-CM5A2, while it was only 0.2 Sv in IPSL-CM5A. It remains largely underestimated as the observations from Olsen et al. (2008) indicate around 6 Sv of overflow in total from observation-based estimates over the last few decades. Besides, the poleward shift of the westerlies in the North Atlantic stimulate a northward shift of the boundary between the Atlantic subtropical and subpolar gyres, as shown by the barotropic streamfunction anomaly (Fig. 14b). This may contribute to bringing more salt into the subpolar gyre, which may also act to intensify the AMOC in IPSL-CM5A2.

Table 3Mass fluxes through major ocean gateways in Sverdrups (Sv).

4.2.2 Fluxes in the major ocean gateways

We computed oceanic mass transport through selected longitudinal and latitudinal cross sections corresponding to the major gateways (Table 3) and compared them to IPSL-CM5A, estimates from observations and values simulated by CNRM-CM5.1, which use NEMO as well (Voldoire et al., 2013) . These diagnostics highlight that the ACC is underestimated by IPSL-CM5A2 by around 25 %, as for the other configuration considered here, whereas despite the absence of high resolution and explicit resolution of Indonesian gateways, the overall Indonesian Throughflow tends to be close to observation-based estimate (underestimation of 16 %). Compared to observations and CNRM-CM5.1, the flow in the Florida Straits is quite weak (weaker than observation by 37 %), in line with the simulated “sluggish” AMOC. The increase of the AMOC from IPSL-CM5A to IPSL-CM5A2 has not been enough to strengthen this current, also largely resulting from wind forcing. The absence of resolved eddies can also play a significant role in this underestimation.

4.2.3 Net primary production (NPP)

To illustrate some of the capabilities of IPSL-CM5A2, we also evaluate the simulated oceanic NPP (Fig. 15). The global integrated NPP over the historical period (here averaged over 1980–1999 from the historical simulation) is 47.5 PgC yr −1 , which is a strong increase when compared to 30.9 PgC yr −1 simulated for IPSL-CM5A (Bopp et al., 2013) , making IPSL-CM5A2 closer to the 52.1 PgC yr −1 global estimate based on SeaWiFS remote-sensing observations (Behrenfeld and Falkowski, 1997) . The representation of NPP at the spatial scale compares well to observation-based estimates for the tropical and Southern Hemisphere but depicts large biases in the Northern Hemisphere, especially in the North Atlantic where NPP is largely underestimated (Fig. 15c).

Figure 15Mean vertically integrated NPP retrieved from SeaWiFS observations (a) and simulated by IPSL-CM5A2 (ب). (c) Latitudinal variations of mean vertically integrated NPP, zonally averaged, for SeaWiFS (black), IPSL-CM5A (orange) and IPSL-CM5A2 (blue).

4.2.4 Ocean variability

The main modes of variability of the AMOC are analyzed with an empirical orthogonal function (EOF) of the yearly Atlantic meridional overturning streamfunction (Fig. 16, top). The first EOF is a monopole in IPSL-CM5A and IPSL-CM5A2, but IPSL-CM5A2 shows less loading in the subpolar gyre between 40 and 60 ∘ N. The associated principal component shows a significant 20-year variability in the case of IPSL-CM5A. Such variability was previously linked to advection of surface salinity anomalies from the western boundary to the eastern Atlantic (Escudier et al., 2013) and westward-propagating planetary waves in subsurface (Ortega et al., 2015) . North Atlantic observations (Vianna and Menezes, 2013 Swingedouw et al., 2013) and proxy records indicate a 20-year preferential variability in this region in the atmosphere (Chylek et al., 2011) , sea ice (Divine and Dick, 2006) and the ocean (Sicre et al., 2008 Cronin et al., 2014) . However, the peak of variability at 20-year timescale is not significant any more in IPSL-CM5A2 (see spectra in Fig. 16c–d). This difference can be explained by the different tuning of the two model versions.

Figure 16(a, b) Spatial patterns of the leading EOF of the yearly AMOC computed from 2490 years of the IPSL-CM5A2 PREIND (model years 4510 to 6999) and from 1900 model years of the IPSL-CM5A PREIND (model years 1800 to 3699), respectively. The patterns are given in Sv for 1 standard deviation of the corresponding principal component, and the amount of variance explained by the pattern is given in the top right of each panel. Panels (c) و (d) show the variance spectra of the associated leading principal components, respectively. The dashed lines show the 95 % and 99 % confidence levels of the best-fit first-order Markov red noise spectrum, respectively. (e, f) Atlantic multidecadal variability (AMV) pattern, in K, in IPSL-CM5A2 PREIND and IPSL-CM5A PREIND, respectively, from the same model years as above. The AMV was calculated from the low-pass-filtered (61-month running mean) North Atlantic SST in 0–60 ∘ N, 80 ∘ W–0 ∘ E. The AMV pattern is given by the regression of the SST onto the AMV index.

Gastineau et al. (2018) used IPSL-CM5A-MR, a variant of IPSL-CM5A with an improved horizontal resolution in the atmosphere ( 2.5 ∘ × 1.25 ∘ vs. 3.75 ∘ × 1.87 ∘ ) and also found that a warmer mean state led to a reduction of the 20-year variability in IPSL-CM5A-MR. Such a warmer mean state modifies the subpolar gyre currents and the subsurface stratification in the eastern Atlantic Ocean where the mixed layer is deepest in IPSL-CM5A models. These changes were suggested to explain a smaller growth of baroclinic instabilities triggering the propagation of westward-propagating anomalies (Gastineau et al., 2018) . It is therefore likely that the different tuning of IPSL-CM5A2 led to similar changes. The SST associated with the first principal component of the AMOC also shows weaker SST anomalies in the subpolar gyre when compared to IPSL-CM5A (not shown). The AMV patterns are similar in IPSL-CM5A and IPSL-CM5A2, with a slightly more intense subpolar gyre SST (6.8 ∘ C vs. 6.2 ∘ C for the maximum value in the subpolar gyre) in IPSL-CM5A2. Larger positive SST anomalies in IPSL-CM5A2 are also simulated in the Nordic Seas and Irminger Sea associated with the AMV. The larger AMV in IPSL-CM5A2 is consistent with the smaller sea-ice cover in the North Atlantic and a more intense signature of the atmospheric forcing. Yet, the observed AMV pattern computed from the historical period (1870–2008) using a similar methodology does not show such an intense subpolar pole: the SST anomalies in the subpolar region are only twice as intense is the tropical ones (Deser et al., 2009) .

The Pacific variability in IPSL-CM5A2 is identical to that found in IPSL-CM5A. The El Niño–Southern Oscillation (ENSO) is characterized by the NINO3.4 time series. IPSL-CM5A and IPSL-CM5A2 show a similar power spectrum (Fig. B3a, c, e) which is comparable to observations (Bellenger et al., 2014) . Both versions have the same bias in the seasonal phase locking (Fig. B3b, d, f), as the monthly standard deviations are larger in May and June in CM5A and CM5A2, while the observed maximum is in January and December. The ENSO impacts are evaluated using spatial composites of the SST over ocean, 2 m air temperature over land and sea-level pressure. The composites are built using the NINO3.4 time series and calculating the difference of all years where the NINO3.4 exceeds 1 standard deviation, minus years less than 1 standard deviation. Figure B4 illustrates that the ENSO impacts are identical in both versions of the model, with a systematic bias in the position of the Pacific equatorial SLP anomalies which extend too far west toward the Pacific warm pool. However, the SLP anomalies display a realistic pattern in the Northern Hemisphere and Southern Hemisphere, with the associated Pacific North American and Pacific South American patterns, as in other CMIP5 models (Weare, 2013) . The Pacific Decadal Oscillation (PDO) was also calculated as the first EOF of the monthly Pacific SST anomalies north of 20 ∘ N (Fig. B5), which illustrate a pattern with positive SST anomalies over the equatorial Pacific, negative anomalies in the northwest Pacific and a horseshoe pattern of positive SST anomalies in the Northern Hemisphere. The IPSL-CM5A model generally simulates the characteristics of the observed PDO, as found by Fleming and Anchukaitis (2016) or Nidheesh et al. (2017) , as well as the associated anomalies in the Atlantic and ocean basins. The IPSL-CM5A2 version simulates a PDO nearly identical to that of IPSL-CM5A, so that the mean state changes have no impact on the PDO state.

This section depicts both the technical developments and the choices to be made regarding boundary conditions for a typical deep-time simulation with IPSL-CM5A2. We describe the generation of a new grid for the ocean model for deep-time applications and the generation of boundary conditions, component-wise. To illustrate our point, we run a 3000-year long numerical simulation of the Cretaceous as a case study. We present a very brief analysis of the model time series to illustrate the long adjustment required to reach equilibrium in deep-time simulations. As the focus of the paper is the description of IPSL-CM5A2, we only provide a very basic description of the simulated climate. We refer readers to Laugié et al. (2020) for a detailed description of a Cretaceous simulation run with IPSL-CM5A2.

Figure 17Comparisons of ORCA2 grid (a) and PALEORCA grid (ب). Color shading shows spatial resolution (km 2 ). Grey-shaded areas on ORCA surround the refinements of the grid over the Mediterranean, Red, Black and Caspian seas. The centers of the blue areas show the two poles that have been rotated in PALEORCA.


مقدمة

The world is experiencing a growing abandonment process of previously intensively managed agricultural lands (Baldock et al. 1996 Silver et al. 2000 Dunjó et al. 2003 Benayas et al. 2007 Bergen et al. 2008 Zhang et al. 2010a, 2010b Prishchepov et al. 2012 Alcantara et al. 2013 Hansen et al. 2013 Margono et al. 2014). Many investigations have been devoted to the dynamics of soil and vegetation on abandoned lands, features of the spatial structure of their vegetation, changes in their biodiversity, in carbon and nitrogen budgets, and to peculiarities of carbon sequestration at different stages of forest recovery (Gough and Marrs 1990 Silver et al. 2000 Baniya et al. 2009 Tokavchuk 2010 Zhang et al. 2010a De Frenne et al. 2011 Heikkinen et al. 2014 Hou and Fu 2014 Kurganova et al. 2014 Nyawira et al. 2016 Arévalo et al. 2017 Baeva et al. 2017 Telesnina et al. 2017 Kalinina et al. 2018).

The area and proportion of abandoned lands in the Russian Federation, especially in its European part, are really huge (Lyuri et al. 2010 Kurganova et al. 2014 Potapov et al. 2015). Lands were massively abandoned in the late 1980s—early 1990s due to socio-economic and institutional changes that occurred in the country after the collapse of the Soviet Union. Between 1990 and 2007, 45.5 million ha of agricultural lands were abandoned over entire Russia of which 32.6 million ha in its European part (Lyuri et al. 2010 Kurganova et al. 2014). The situation varies across regions: in the Yaroslavl region lands removed from agricultural usage account for 418 thousand ha (43% of the total area of agricultural lands in the region before the collapse of the Soviet Union Gulbe 2009) and in the Smolensk, Kaluga, Ryazan, Vladimir, and Tula regions such lands account for 46, 30, 28, 27, and 26%, respectively (altogether 1.7 million ha Prishchepov et al. 2013) in the Leningrad and Sverdlovsk regions, these values are 90 and 14% (632 and 660 thousand ha, respectively Novoselova et al. 2016). In European Russia, lands are more likely to be abandoned if they are situated further away from populated localities and market centers, or lie at forest edges or within forest tracts furthermore, a higher likelihood of agricultural land abandonment is found to be significantly correlated with lower average grain yields in the late 1980s (Prishchepov et al. 2013). The specific conditions of these abandoned lands, such as their spatial parameters, soil characteristics, soil seed banks, neighboring plant communities, the type of previous farming, external impacts, etc., are rather diverse (Lyuri et al. 2010). It has been shown that all these parameters, in various combinations, define the trajectories of vegetation succession and features of vegetation recovery on the abandoned lands (Baniya et al. 2009 Baeten et al. 2010 De Frenne et al. 2011 Munroe et al. 2013 Hou et al. 2014 Plieninger et al. 2014 Kou et al. 2016 Stuble et al. 2017).

For Central European Russia, it was shown that pioneer trees, such as European white birch (Betula pendula), gray alder (Alnus incana), or goat willow (Salix caprea), can settle on abandoned arable lands within the first 2 years, and in very high densities (Utkin et al. 2002, 2005). Intensive natural thinning of such stands occurs especially between 4 to 10 years of age while the density of the stands remains relatively high: up to 110,000 ind/ha were counted in 5-year-old Alnus incana stands (Gulbe 2012) and up to 66,000 ind/ha in 10-year-old Betula pendula stands (Gulbe 2009). Further, 30-year-old Betula pendula forest developed on formerly plowed fields located within an old-growth multi-species broad-laved forest in the Kaluzhskie zaseki Reserve held between 500 to 1725 ind/ha in the overstorey (Smirnova et al. 2017). In this 30-year-old birch forest, in a 100-m-wide zone along the old-growth forest margin, shade-tolerant trees predominated in the understory: the total number of tree individuals varied from 20,558 to 83,314 ind/ha European ash (Fraxinus excelsior) and Norway maple (Acer platanoides) dominated. European aspen (Populus tremula), Scots pine (Pinus sylvestris), and Norway spruce (Picea abies), as well as birch and goat willow, also occurred in former fields located in the middle and south taiga (Novoselova et al. 2016). Spontaneous regrowth of forest vegetation occurs even in the fields that have been in agricultural use for a long period of time (up to several centuries and longer) (Utkin et al. 2002, 2005). However, as many researchers have noted, the density of the undergrowth in the regenerating forest vegetation on former arable lands varies greatly within the same climatic conditions and sometimes there are no trees at all (Utkin et al. 2002 Prévosto et al. 2011 Ruskule et al. 2012 Prishchepov et al. 2013 Novoselova et al. 2016 Baeva et al. 2017 Jagodziński et al. 2017 Telesnina et al. 2017 Kalinina et al. 2018 Maslov et al. 2018). Reasons of such striking differences in the undergrowth volume are not well investigated (Prévosto et al. 2011 Ruskule et al. 2012 Novoselova et al. 2016). We propose that grass fires are the most important factors defining the successional trajectory on formerly plowed fields. The lack of research on this topic may be due to the fact that it is not easy to register grass fires, especially in remote fields their traces can disappear rather quickly and it can be difficult to identify the occurrence of spring grass fires in an area after just several weeks. Another possible reason for the lack of researches on this topic may be that abandoned plowed land without grazing is a rare phenomenon all over the world, whereas it is common in Russia and Eastern Europe. Even so, such abandoned areas are large and their input in the general biogeochemical cycles and regular ecological processes over the world is significant.

On the whole, effects of fire on vegetation and the whole ecosystems have been studied in a vast number of works. Usually, fire is considered a natural and inevitable hazard having a fundamental role in sustaining biodiversity and fire-prone ecosystems (Bowman et al. 2009 Moritz et al. 2014 Smith et al. 2016 Prichard et al. 2017). Nevertheless, large gaps of knowledge exist in understanding species-specific responses to fire regimes, in comprehending the spatiotemporal effects on biota at different scales, and in explaining the interactions of fire regimes with ecosystem functions that are related to the structural components of an ecosystem, such as soil, water, atmosphere, and biota (Driscoll et al. 2010 Haslem et al. 2011 Moritz et al. 2014 Kelly et al. 2015 Prichard et al. 2017 Pellegrini et al. 2018). In the Central Russian Upland, grass fires are common, but remain practically non-investigated. Researches on the overgrowing of abandoned lands do not take “the fire aspect” into account (Heikkinen et al. 2014 Baeva et al. 2017 Telesnina et al. 2017 Kalinina et al. 2018), while for other regions, fire risks were found to be positively linked to agricultural abandonment and agricultural landscape fragmentation (Martínez et al. 2009 Zhang et al. 2010a Pausas and Fernández-Muñoz 2012 Pausas and Keeley 2014 Glagolev and Kogan 2016 Pavleychik 2016). Therefore, the objective of our study was to analyze the overgrowing on abandoned lands in the Central Russian Upland in connection with the grass fire history and to perform this study at the landscape and local scale. At the landscape scale, we analyzed spatial characteristics of the area in relation to the 30-year history of spring fire events which we reconstructed from archival Landsat satellite images. At the local scale, we identified adjacent abandoned fields which had been or had not been affected by fire and we sampled soil and vegetation there. Plant species diversity, soil quality, and relationships between soil and vegetation were assessed for the former fields and for mature forests bordering on the abandoned fields.


(A1) (A2) (A3) (A4) where is the arithmetic mean of xأ and the RMSE is defined as (A5)

شاهد الفيديو: Joining Tables in QGIS