Más

¿Realización de selección de límites y atributos de suma en QGIS?

¿Realización de selección de límites y atributos de suma en QGIS?


Soy un usuario de MapInfo, me he pasado a QGIS y tiene muchas ventajas, excepto por algunas funciones simples "faltantes" de MapInfo de las que no puedo prescindir.

  1. Selección de límites de MapInfo: consulta espacial sobre la marcha para seleccionar objetos en una capa contenidos dentro de objetos en otra capa.

  2. Atributos de suma de MapInfo: muestra la suma de los campos de atributos numéricos sobre la marcha para los objetados seleccionados.

QGIS parece no tener una solución sencilla para estos. Intenté buscar todos los complementos relacionados que pude encontrar, sin suerte.


Puedo ayudar con las preguntas 1 y 2 para las que encuentro las soluciones de QGIS bastante simples.

Pregunta 1: Utilice la herramienta de consulta espacial (consulte el documento aquí y el icono del botón a continuación).

Pregunta 2: Use Vector> Herramientas de análisis> Estadísticas básicas (vea la captura de pantalla a continuación). Es bastante intuitivo de usar: seleccione la capa vectorial en la que necesita estadísticas (como una suma de columnas), luego seleccione el atributo sobre el que necesita estadísticas en esta capa y valide. El resultado es una pequeña tabla con estadísticas básicas sobre la capa y el atributo dados.


Evaluación de la erosión del suelo utilizando datos de observación de la tierra en una cuenca fluvial transfronteriza

La erosión del suelo es un peligro ambiental desafiante que puede reducirse mediante prácticas de conservación. El estudio tuvo como objetivo estimar la tasa de erosión del suelo utilizando diferentes datos de modelos digitales de elevación (DEM). Hemos aplicado la ecuación de pérdida de suelo universal revisada (RUSLE) para evaluar la erosión del suelo en la cuenca del río Ghaghara. También hemos estimado parámetros morfométricos para comprender la susceptibilidad de la subcuenca a la pérdida de suelo. Las tasas estimadas de erosión del suelo por RUSLE son 21.39, 18.31, 4.35 y 4.64 ton / ha / año para SRTM 30 m, ALOS 30 m, MERIT 90 my SRTM 90 m, respectivamente. Además de esta curva de retención de agua del suelo, se estimó utilizando el modelo Hydrus-1D. Los resultados muestran que un suelo franco-arcilloso tiene la mayor capacidad de retención de agua con 0.284 cm 3 / cm 3 y el glaciar (GLACIER-6998) tiene la más baja con 0.22 cm 3 / cm 3, respectivamente en la cuenca. Además, el análisis de hipsometría de la cuenca se realizó utilizando Q-GIS, que indica que las subcuencas envejecen desde jóvenes hasta maduras debido a la erosión del suelo. Por último, el mapa priorizado fue generado por la integración de RULSE, capacidad de retención de agua y morfometría mostró que las porciones superior y media de la cuenca necesitan mejores medidas de conservación para controlar el exceso de erosión del suelo en comparación con la porción inferior de la cuenca.

Esta es una vista previa del contenido de la suscripción, acceda a través de su institución.


3.1 Datos de entrada

3.1.1 Topografía y límites de cuencas hidrográficas

El primer paso en el desarrollo de CAMELS-CL fue la delimitación de los límites de la cuenca (Fig. 2). Una base de datos oficial para la red hidrográfica chilena fue desarrollada por el Instituto Geográfico Militar en 1984 (IGM, 1984) y actualizada por la DGA en 2014 (DGA y CIREN, 2014). Esta delimitación de la red siguió la jerarquía de Strahler (Strahler, 1957), utilizando los datos de elevación de 30 m ASTER GDEM (Tachikawa et al., 2011). La red DGA incluye 102 captaciones, 491 subcuencas y 1481 sub-subcuencas, y ha sido ampliamente utilizada por agencias gubernamentales, el sector privado y el público en general. Sin embargo, una limitación clave de esta red hidrográfica es que, dada la metodología utilizada para su implementación, los medidores de caudal existentes no corresponden a los desagües de captación. Además, los límites de las cuencas hidrográficas de la DGA están truncados en la frontera administrativa nacional, aunque algunas cuencas aportan escorrentías de los territorios bolivianos y argentinos. Dado que cualquier aplicación hidrológica dentro de una cuenca controlada requiere el área de contribución total asociada con las mediciones de caudal, y no existe una base de datos oficial de límites de cuencas, diferentes estudios han aplicado sus propias delineaciones de cuencas, lo que dificulta la comparación de resultados.

Para superar esta limitación, creamos nuestra propia base de datos de límites de captación para CAMELS-CL, definiendo las salidas de la cuenca en la ubicación de 516 medidores de caudal seleccionados (Sección 3.1.5) y siguiendo solo los límites topográficos (no la frontera nacional administrativa) . Un desafío clave para esta tarea es la falta de coincidencia entre las coordenadas geográficas de algunas estaciones informadas por la DGA y la ubicación real de la red fluvial, detectada mediante la inspección de imágenes de Google Earth (Google, 2016). Para algunos de esos casos, se obtuvo el asesoramiento de expertos de los técnicos de la DGA con respecto a la ubicación de los medidores, mientras que, para otros, se utilizó información auxiliar (por ejemplo, nombre del medidor, mapas de carreteras, imágenes de Google Earth) para determinar la ubicación más probable.

La delimitación de cuencas se realizó en Quantum GIS (QGIS Development Team, 2015) mediante el uso de paquetes de delineación de cuencas del Sistema de Apoyo al Análisis de Recursos Geográficos (GRASS) (Neteler et al., 2012) y 30 m ASTER GDEM como datos de elevación de entrada. Dada la ubicación de los medidores de caudal, se anidan varias cuencas recolectadas en este conjunto de datos. Informamos esto mediante el uso de una matriz de jerarquía lógica que indica qué cuencas están contenidas dentro de otra cuenca de captación del conjunto de datos. La matriz de jerarquía se puede utilizar para filtrar cuencas hidrográficas independientes, lo cual es necesario para algunas aplicaciones como el modelado hidrológico de grandes cuencas, la clasificación de cuencas y la regionalización de parámetros.

Las principales propiedades topográficas, que incluyen el área, la mediana, la elevación media, mínima y máxima, y ​​la pendiente media, se calcularon para cada cuenca a partir de datos ráster ASTER GDEM de 30 m, recortados por los polígonos del límite de la cuenca y procesados ​​con el paquete de ráster R (Hijmans, 2016). Una limitación importante de este conjunto de datos es que su resolución espacial es relativamente gruesa, lo que puede conducir a errores al delinear cuencas en regiones muy planas (como el extremo norte, véase la sección 3.2.1).

3.1.2 Geología

Las características geológicas a escala de captación se recuperaron de la base de datos Global Lithological Map (GLiM) producida por Hartmann y Moosdorf (2012). GLiM es una compilación de conjuntos de datos nacionales en un mapa global unificado. En el caso de Chile, GLiM utiliza el mapa elaborado por el Servicio Nacional de Geología y Minería (Sernageomin, 2004), que tiene una resolución de 1: 1 000 000 y es el mapa más completo y comúnmente utilizado para el país. Para cada cuenca, informamos las clases geológicas más frecuentes y las segundas más frecuentes, así como la fracción de la cuenca que cubren. También extrajimos la fracción de la cuenca descrita como “rocas sedimentarias carbonatadas”, ya que es un indicador útil de la presencia de sistemas kársticos.

3.1.3 Cobertura del suelo

Utilizamos el mapa de cobertura terrestre con resolución de 30 m proporcionado por Zhao et al. (2016), que integra imágenes de Landsat 8 multiestacionales adquiridas durante 2013 y 2014, complementadas con datos del índice de vegetación mejorado del espectrorradiómetro de imágenes de resolución moderada (MODIS) e imágenes de alta resolución en Google Earth. El esquema de clasificación adoptado por Zhao et al. (2016) fue diseñado con geógrafos e investigadores de biodiversidad chilenos, con base en el proyecto FROM-GLC (Gong et al., 2013), que es similar al Sistema de Clasificación de Cobertura Terrestre (Di Gregorio y Jansen, 2005). Este esquema de clasificación es compatible con otros sistemas de clasificación de cobertura terrestre como la FAO o el IGBP, con datos auxiliares menores. Consta de 10 clases principales (nivel 1) (Fig. 1): tierras de cultivo, bosques, pastizales, matorrales, humedales, cuerpos de agua, superficies impermeables, tierras yermas y nieve y hielo. Algunas clases se refinaron en el nivel 2 (por ejemplo, los bosques se separaron en bosques nativos y plantaciones forestales exóticas) y subclases de nivel 3 (un total de 30 y 35 subclases, respectivamente). Para CAMELS-CL, usamos el paquete ráster R (Hijmans, 2016) para recortar el mapa de cobertura terrestre dentro de cada polígono de límites de captación y calcular el área fraccional asociada con cada clase o subclase (como se describe en la Tabla 3).

figura 3Número de estaciones (izquierda y eje) con al menos FD % de días con registros diarios de caudal, para diferentes períodos. La derecha y El eje muestra el porcentaje de cuencas hidrográficas (de 516) que cumplen con el criterio. El período utilizado en el conjunto de datos CAMELS (Addor et al., 2017) se incluyó como referencia.

3.1.4 Glaciares

Los glaciares en Chile se pueden encontrar en varios lugares, que varían desde pequeños cuerpos de hielo en sitios de gran elevación en la región de Atacama hasta glaciares alpinos en la Zona Central y los grandes campos de hielo patagónicos en las regiones Austral y Patagonia Sur (Pellicciotti et al., 2014). Aunque el mapa de cobertura terrestre de Zhao et al. (2016) identifica áreas de nieve y hielo, incluimos un inventario global de glaciares para calcular el grado de glaciarización de las cuencas de captación seleccionadas. Los inventarios de glaciares tienen la ventaja de utilizar técnicas geomorfológicas de delimitación de glaciares y el reconocimiento de áreas cubiertas de escombros que no pueden identificarse mediante esquemas de clasificación de cobertura terrestre. En este estudio, utilizamos la última versión del Randolph Glacier Inventory (RGI 6.0 RGI Consortium, 2017). RGI 6.0 es un inventario globalmente completo de contornos de glaciares, y se utiliza ampliamente en estudios regionales y globales sobre flujos de superficie terrestre, climatología y meteorología (por ejemplo, Huss y Hock, 2015 Marzeion et al., 2012 Mernild et al., 2017). Preferimos utilizar RGI 6.0 en lugar del inventario de glaciares de Chile de la DGA (DGA, 2014) porque hay partes de algunas cuencas que se encuentran en territorio argentino (Fig. 2). Se recortó RGI 6.0 dentro de cada cuenca y se calcularon dos atributos: el área total glaciarizada (km 2) y el porcentaje de área glaciarizada en la cuenca (%).

Figura 4Variables hidrometeorológicas medias anuales, calculadas para el período de registro completo de cada variable. (B) y (D) fueron generados con precip cr2met y mascota har productos, respectivamente. El producto SWE en (mi) cubre solo las zonas Centro y Norte Próximo. Los histogramas indican el número de captaciones (de 516) en cada contenedor. Los puntos representan las ubicaciones de los puntos de captación.

3.1.5 Flujo de corriente

Compilamos registros diarios de caudal para los medidores mantenidos por la DGA, disponibles en CR2 Climate Explorer (http://explorador.cr2.cl/, último acceso: marzo de 2018). De los 809 medidores incluidos allí, seleccionamos aquellos actualmente operativos (independientemente de su período de datos) o suspendidos después del 31 de diciembre de 1980 con un período récord superior a 10 años. También descartamos medidores ubicados en canales artificiales, terminando con 516 medidores seleccionados. Las longitudes de registro de los calibres seleccionados oscilan entre 192 y 366 667 días, con una media (mediana) de 10 979 (9909) días. La Figura 3 ilustra la disponibilidad de registros de caudal diario para diferentes períodos de tiempo (representados por diferentes colores), que se debe principalmente a los diferentes períodos de registro de los medidores seleccionados. Además, se pueden encontrar escasos registros diarios faltantes en series de tiempo de caudal debido a eventos extremos específicos, donde la estación podría no haber funcionado correctamente o podría haberse roto. Tenga en cuenta que el año hidrológico se considera desde el 1 de abril hasta el 31 de marzo. Como era de esperar, el número de estaciones disminuye con una mayor disponibilidad de datos. Por ejemplo, si solo se seleccionaran estaciones con como máximo un 5% de datos faltantes, esto conduciría a un subconjunto de 90 a 115 estaciones (que corresponde al 18% y 22% del número total de captaciones dentro de la base de datos, respectivamente) dependiendo del período de tiempo seleccionado. Al considerar todas las estaciones con un máximo del 30% de datos faltantes, entonces de 249 a 258 estaciones (48% y 50% de las cuencas, respectivamente) cumplirían con este criterio, según el período (Fig. 3). La Figura 4a presenta la descarga anual media de cada estación (calculada para todo el período de registro).

3.1.6 Precipitación

En la mayoría de los casos, la precipitación es el principal impulsor de los sistemas hidrológicos. Sin embargo, la distribución geográfica de esta variable es muy incierta, incluso en regiones densamente monitoreadas (Tian y Peters-Lidard, 2010 Woldemeskel et al., 2013). Esta limitación se agrava en regiones de difícil acceso, donde solo se dispone de una escasa red de estaciones meteorológicas. Con el fin de tener en cuenta las estimaciones de precipitación robustas y caracterizar la incertidumbre de esta variable, procesamos la precipitación a escala de cuenca de cuatro productos diferentes, cuyas principales características se resumen en la Tabla 1. Los campos de precipitación diaria proporcionados por cada producto se recortaron y promediaron dentro del límites de la cuenca, lo que resulta en cuatro series de tiempo diarias para cada cuenca, denominada precip cr2met , precip chirridos , precip mswep y precip tmpa .

tabla 1Productos de precipitación.

El precip cr2met La serie de tiempo se derivó de CR2MET, un producto de precipitación diaria distribuido espacialmente desarrollado para Chile, que actualmente es utilizado por DGA para actualizar el balance hídrico nacional (DGA, 2017). El producto CR2MET se basa en parte en una reducción estadística de los datos de reanálisis de ERA-Interim (Balsamo et al., 2015). El método se basa en múltiples modelos de regresión lineal utilizados para transferir la precipitación, los flujos de humedad y otras variables de ERA-Interim a estimaciones de precipitación con una resolución de 0,05 ∘. Los modelos estadísticos, que también consideran una serie de parámetros topográficos, se calibraron utilizando una gran red de registros de pluviómetros con control de calidad. Dependiendo de la distancia de una celda de cuadrícula dada a las estaciones vecinas, el producto final se obtuvo de la combinación de precipitaciones a escala reducida y observaciones in situ espacialmente interpoladas. Puede encontrar más información sobre formulación, control de calidad y evaluaciones de productos en DGA (2017).

Los tres productos de precipitación basados ​​en satélites utilizados en CAMELS-CL fueron seleccionados siguiendo la intercomparación reportada por Zambrano-Bigiarini et al. (2017) para todo el territorio chileno. El precip chirridos La serie de tiempo se calculó a partir del Climate Hazards Group InfraRed Precipitation with Station data versión 2 (CHIRPS, Funk et al., 2015), un largo plazo (1981 hasta casi el presente), cuasi global (50 ∘ N a 50 ∘ S) diario. conjunto de datos disponible con una resolución espacial de 0.05 ∘, diseñado para monitorear la sequía agrícola y los cambios ambientales globales sobre la tierra. CHIRPS utiliza la versión 7 del Análisis multisatélite de precipitación de la misión de medición de lluvia tropical (TRMM 3B42v7) para calibrar las estimaciones globales de la duración de las lluvias de las nubes frías (Funk et al., 2015). CHIRPS también incorpora datos pluviométricos de superficie para reducir los sesgos de estimación, basados ​​en datos mensuales públicos y privados. Originalmente, este conjunto de datos abarcaba desde 50 ∘ N a 50 ∘ S, pero desde noviembre de 2012 no se han producido datos al sur de 46 ∘ S. Se puede encontrar más información en Funk et al. (2015).

Precip variable mswep se calculó a partir de la versión 1.1 de datos de precipitación de conjuntos ponderados de múltiples fuentes (MSWEP, Beck et al., 2017), un conjunto de datos de precipitación completamente global publicado en junio de 2016, con resoluciones temporales de 3 horas y espaciales de 0,25 ∘, producidas específicamente para modelos hidrológicos aplicaciones. MSWEP fue diseñado para mejorar el rendimiento de los productos satelitales en la representación de la precipitación en regiones montañosas, tropicales y de deshielo. El algoritmo utilizado en MSWEP fusiona datos de pluviómetros observados, observaciones satelitales y datos de reanálisis para proporcionar estimaciones de precipitación confiables en todo el mundo. En este documento, usamos datos diarios de la versión 1.1 de MSWEP, pero las versiones más nuevas (ya disponibles) se incluirán en CAMELS-CL después de la validación con mediciones terrestres en Chile.

Finalmente, precip tmpa se calculó a partir del conjunto de datos de Análisis de precipitación multisatélite (TMPA) de la Misión de medición de lluvia tropical (Huffman et al., 2007), que proporciona estimaciones de precipitación cuasi global (50 ∘ N a 50 ∘ S) con una resolución espacial de 0,25 ∘. TMPA integra datos de microondas pasivos e infrarrojos de una amplia variedad de sensores relacionados con la precipitación transportados por satélites. En este estudio, utilizamos el producto de investigación TRMM 3B42v7, que hace uso de los datos del Proyecto de climatología de precipitación global (GPCP Adler et al., 2003) y del Sistema de evaluación y monitoreo del clima (CAMS, Ropelewski et al., 1984) para reescalar sus estimaciones en mensualmente.

3.1.7 Temperatura

Las series de tiempo diarias de temperaturas mínimas, máximas y medias para cada cuenca también se derivaron del conjunto de datos CR2MET (DGA, 2017). Temperaturas mínimas y máximas diarias en CR2MET (CR2MET / T max y CR2MET / T min , respectivamente) se cartografiaron para el período 1979-2016 utilizando un enfoque ligeramente diferente al utilizado para la precipitación (Sección 3.1.6). En este caso, el método utilizó estimaciones de la temperatura de la superficie terrestre (LST) de las recuperaciones de satélites MODIS, además de la temperatura cercana a la superficie proporcionada por ERA-Interim. Modelos de regresión multivariante para CR2MET / Tmax y CR2MET / Tmin se desarrollaron utilizando LST como parte de las variables explicativas y los registros de temperatura local en Chile como datos objetivo. Dadas las lagunas de datos y el período relativamente corto disponible para LST, el producto final se obtuvo para todo el período (1979-2016) ajustando los datos ERA-Interim al producto preliminar (incompleto) basado en MODIS. Para obtener las temperaturas diarias medias (CR2MET / Tsignificar ), el CR2MET a largo plazo / Tmax y CR2MET / Tmin se utilizaron para ajustar la temperatura cercana a la superficie de 3 horas ERA-Interim. Los datos ajustados de 3 horas luego se promediaron para derivar CR2MET / Tsignificar . Se recortaron las temperaturas medias diarias, mínimas y máximas cuadriculadas de CR2MET (resolución de 0,05 ∘ lat – lon) para obtener series de tiempo diarias promediadas por cuencas para CAMELS-CL, denominadas Tsignificar , Tmin y Tmax , respectivamente.

3.1.8 Evapotranspiración potencial

Procesamos PET a escala de captación de dos fuentes diferentes. El primer producto de PET utiliza las fórmulas propuestas por Hargreaves y Samani (1985), que se basan únicamente en datos de temperatura de la superficie (ver Hargreaves y Allen, 2003, para más detalles). Usamos CR2MET / Tmax y CR2MET / Tmin (descrito en la Sección 3.1.7) para generar una estimación de PET en cuadrícula (PET har ).

Los segundos datos de PET incluidos en CAMELS-CL (PET modificación ) son las proporcionadas por el producto MODIS PET (MOD16 colección 5 Mu et al., 2005), que se procesa a partir de diferentes fuentes de información, incluido el índice de área foliar y la radiación fotosintéticamente activa fraccionada, FPAR / LAI (MOD15A2 Myneni et al., 2002), cobertura terrestre tipo 2 (MOD12Q1 Friedl et al., 2002), albedo (MCD43B2 y MCD43B3 Jin et al., 2003 Lucht et al., 2000), y datos de reanálisis meteorológicos diarios de MERRA GMAO de la NASA (GEOS-5) . MOD16 se calcula siguiendo el enfoque de Penman-Monteith (Howell y Evett, 2001), y el producto final está disponible con una resolución temporal de 8 días para el período 2000-2014, en una cuadrícula de 1 × 1 km 2. En cuanto a otras variables cuadriculadas, el PET har y PET modificación Los productos se recortaron y promediaron dentro de los límites de la cuenca para generar diariamente (llamado mascota har ) y 8 días (llamado mascota modificación ) series de tiempo a escala de captación, respectivamente.

3.1.9 Equivalente de agua de nieve

Procesamos datos de equivalentes de agua de nieve (SWE) diarios utilizando el producto SWE de resolución de 180 m generado por Cortés y Margulis (2017), que cubre las zonas Centro y Norte Cercano (25–37 ∘ S). Cortés y Margulis (2017) obtuvieron estimaciones de conjuntos de SWE a partir de valores “anteriores” de modelado directo, que fueron condicionados a través de la asimilación de datos históricos de área fraccionada nevada (fSCA) de los sensores Landsat TM, ETM + y OLI. Las estimaciones “posteriores” de SWE y fSCA fueron condicionadas probabilísticamente en el registro de agotamiento observado de Landsat, la incertidumbre en las observaciones de fSCA y la incertidumbre del estado del modelo hacia adelante. La recuperación de fSCA se obtuvo con un algoritmo de desmezcla espectral (Cortés et al., 2014). Los modelos de avance para la generación de conjuntos anterior fueron el modelo de superficie terrestre SSiB3 (Yang et al., 1997) y un modelo de curva de agotamiento de la nieve (SDC Liston, 2004). Se realizaron evaluaciones detalladas de este marco de reanálisis para Sierra Nevada utilizando datos de sensores in situ (Margulis et al., 2016) y para los Andes (Cortés et al., 2016) utilizando puntos de levantamiento de nieve, años de sitio de pico anual de nieve acumulada y Observaciones del SWE del curso de nieve. Los resultados de la validación mostraron estimaciones de SWE posteriores no sesgadas con un coeficiente de correlación de 0,73, un RMSE de 0,29 my un error medio de menos de 0,01 m utilizando la capa de nieve y el pico de nieve SWE. Los resultados que utilizaron datos de estudios de nieve mostraron estimaciones no sesgadas similares, con un coeficiente de correlación de 0,50, un RMSE de 0,29 my un error medio de menos de 0,01 m. El producto cuadriculado de SWE diario generado por Cortés y Margulis (2017) se recortó y promedió dentro de los límites de la cuenca para obtener series de tiempo diarias para cada cuenca.

3.1.10 Derechos de agua e información sobre embalses

Se procesó un conjunto de datos de embalses públicos (http://www.ide.cl/descarga/capas/item/embalses-2016.html, último acceso: septiembre de 2017) para identificar la presencia de presas dentro de las cuencas. También compilamos y procesamos los derechos de agua otorgados disponibles del Atlas Nacional del Agua (DGA, 2016a). Este conjunto de datos de asignación de agua incluye información sobre la fuente (aguas superficiales o subterráneas), el tipo de derecho (es decir, consuntivo o no consuntivo), uso (es decir, industrial, riego, agua doméstica y potable, energía hidroeléctrica, piscicultura, minería y clasificado como "Otros usos"), flujo anual asignado (expresado en unidades de volumen por tiempo o como "acciones") y asignación temporal (es decir, permanente y continua, permanente y discontinua, permanente y alternada, eventual y continua, eventual y discontinua, o eventual y alternado). Se puede encontrar una explicación detallada de esta clasificación de derecho de agua en Carey (2014). Una limitación clave de este conjunto de datos es la falta de información sobre el uso real de los derechos otorgados (Larraín, 2006). Además, algunos registros de derechos de agua tienen información incompleta (por ejemplo, faltan coordenadas, volumen de agua asignado y asignación temporal).

La Figura 5 ilustra la asignación de agua en el centro-sur de Chile (30–43 ∘ S), mostrando los derechos de aguas superficiales y subterráneas (todos los tipos). Está claro que los derechos de aguas subterráneas dominan en el centro de Chile (31–36 ∘ S), especialmente en áreas de baja elevación, en comparación con los derechos de aguas superficiales. Por otro lado, se otorgan más derechos de aguas superficiales en el sur de Chile, especialmente en áreas de alta elevación hacia los Andes.


Variabilidad espacial en naranjos comerciales. Parte 1: volumen y altura de la marquesina

La caracterización de la variabilidad espacial de los cultivos es crucial para estimar las oportunidades de prácticas de manejo específicas del sitio. En el contexto de los cultivos arbóreos, se ha desarrollado una tecnología de sensores de alcance para evaluar la geometría del dosel de los árboles y controlar la aplicación de tasa variable en tiempo real de productos fitosanitarios y fertilizantes. El objetivo de este estudio fue caracterizar la variabilidad de los atributos de la geometría del dosel en los naranjos comerciales en Brasil y, por lo tanto, estimar el impacto potencial del manejo específico del sitio basado en sensores. Utilizando un escáner láser terrestre móvil, se midieron el volumen y la altura del dosel en secciones transversales de 0,25 m de longitud a lo largo de las filas de cinco campos de naranjos comerciales a gran escala en São Paulo, Brasil. El coeficiente de variación del volumen del dosel osciló entre 30 y 40%. La altura del dosel fue menos variable, pero estuvo estrechamente relacionada con el volumen del dosel. Los histogramas del volumen y la altura del dosel generalmente estaban sesgados negativamente, lo que indica regiones de las arboledas con plantas más pequeñas y restablecimientos puntuales de las plantas. En escenarios donde las tasas de aplicación de entrada siguieron la variabilidad del volumen de la copa, los ahorros de entrada fueron de alrededor del 40% en comparación con las tasas constantes basadas en el volumen máximo de la copa. Los mapas de la geometría del dosel derivados del escaneo láser terrestre móvil revelaron una variabilidad espacial significativa del dosel, lo que sugiere que las arboledas se beneficiarían de estrategias basadas en zonas de manejo y otras formas de manejo específico del sitio.

Esta es una vista previa del contenido de la suscripción, acceda a través de su institución.


Resultados

De 2015 a 2019, los recuentos de machos que regresaron durante al menos 1 año después del marcado fueron 100, 167, 318, 390 y 456, respectivamente. El tiempo promedio de primera llegada de las hembras, que se necesitaba para el cálculo de la protandria, se basó en las 51, 98, 228, 327 y 438 hembras previamente marcadas que llegaron en las temporadas reproductivas de 2015 a 2019, respectivamente. Los machos llegaron en promedio 5,2 días ± 3,4 DE antes que las hembras, visitaron las zonas de desove 18,9 veces ± 10,1 DE, pasaron 29,5 h ± 29,6 DE en las zonas de desove y encontraron una proporción de machos de 0,78 ± 0,09 DE. La visita promedio a la zona de desove realizada por el macho duró 1 h 41 min ± 3 h 55 min SD y el intervalo entre la primera y la última visita del macho fue en promedio 10 días ± 5 SD. La hora de llegada (AT), el número de visitas (NV), el tiempo dedicado (TS) y la proporción de hombres (PM) difirieron significativamente entre los años (AT - F (4) = 21,8, pag & lt 0,001 NV - F (4) = 68,0, pag & lt 0,001 TS - F (4) = 33,2, pag & lt 0.001 y PM - F (4) = 159.3, pag & lt 0,001). Los datos se caracterizaron por la asimetría de la mano derecha en las tres primeras variables (AT = 1.06, Z = 13.7, pag & lt 0,001 NV = 0,76, Z = 10,5, pag & lt 0,001 TS = 2,45, Z = 23.2, pag & lt 0,001 PM = −0,27, Z = −4,1, pag = 1 Fig.2).

Gráficos de densidad a escala de las puntuaciones absolutas de las cuatro variables de comportamiento medidas para todos los hombres en 2015-2019

Debido a la frecuente aparición de escamas regeneradas en las muestras de escamas, el número total de machos en 2015-2019 con edad estimada que llegaron al lugar de desove fue de 58, 149, 291, 359 y 419 con una edad promedio de machos de 6.5, 6.6, 6.9, 7.5 y 8.2, respectivamente. El número de temporadas reproductivas registradas para los machos con una edad conocida varió de uno a cinco con 262, 176, 134, 45 y 16 ocurrencias, respectivamente.

Los machos llegaron más temprano en la temporada, visitaron las áreas de desove más veces y pasaron más tiempo en las áreas de desove a medida que aumentaba la edad (Fig. 3, Fig. 1 complementaria, Tabla 1). No hubo cambios aparentes con la edad en la proporción de hombres encontrados (Tabla 1). Los modelos GAM que utilizaron el tiempo de llegada de los rangos (abreviatura del modelo: ArM), el número de visitas (ViM), el tiempo empleado (TiM) y la proporción de hombres (PrM) tenían un R2 ajustado de 0.313 (ArM), 0.155 (VrM), 0,151 (TiM) y 0,111 (PrM) y explicaron 53,5 (ArM), 32,9 (ViM), 31,6 (TiM) y 24,8% (PrM) de la desviación, respectivamente. Fish ID tuvo una influencia significativa en el rango de los peces en todos los modelos. La longitud en el momento del marcado tuvo un efecto significativo en el tiempo de llegada, con machos más grandes que llegaron en promedio antes, pero ningún efecto sobre los tres rasgos restantes (Tabla 1).

Las gráficas de violín y las gráficas de caja de los patrones cambiantes de rendimiento relativo en relación con la edad en cuatro parámetros medidos: hora de la primera llegada, número de visitas, tiempo total empleado y proporción de machos en el número total de peces adultos. Los cuadros representan los límites de los cuartiles superior e inferior, las líneas gruesas representan medianas y los bigotes superior e inferior valor adyacente. El valor más bajo indica el mejor rendimiento (es decir, 1: la primera llegada en la temporada de desove)

Los rangos individuales en las cuatro variables se correlacionaron significativamente. La primera hora de llegada se correlacionó positivamente con el número de visitas y el tiempo total pasado en la zona de desove, mientras que la llegada temprana también indicó significativamente una competencia relativamente más alta para las hembras en la zona de desove. El número de visitas estuvo altamente correlacionado con el tiempo total dedicado (Tabla 2, Fig. 4).

Regresiones lineales simples entre los rangos de tiempo de llegada, número de visitas, tiempo total empleado y proporción de hombres. Los valores se dan como rangos (escala de 0 a 100), y los valores más bajos indican el mejor desempeño observado registrado en la temporada. La línea de identidad se visualiza para demostrar una proporción de 1: 1 entre los dos tipos de rango. La línea roja indica una tendencia de regresión y el área sombreada intervalo de confianza del 95%

En general, la mayor competencia por las hembras ocurrió al comienzo de la temporada de desove (proporción de machos mayor al 80% en todos los años) debido a la protándria. La competencia tardía varió entre años con alta competencia en 2015 y 2016 (proporción de machos aproximadamente 80%), fluctuando entre 50 y 70% en 2017 y tendencia dominada por mujeres en 2018 y 2019 (proporción de machos 20-40% Fig. 5).

Densidad de peces (panel superior) y proporción de machos (número de machos en el panel inferior respecto al número total de áspides adultos) que se desarrollan en las zonas de desove durante las temporadas monitoreadas. La densidad de peces se estandarizó al número máximo de peces presentes en el año. El primer día de la temporada se definió como el primer día con al menos cinco individuos marcados en la zona de desove.


3 RESULTADOS

Los datos detallados que respaldan nuestros análisis de la resiliencia de las rutas migratorias de aves acuáticas en el oeste de América del Norte se proporcionan en las Tablas S1-S10 y las Figuras S1-S16, para todas las variables que se presentan a continuación. El cambio anual de las aguas superficiales (1984–2018) y los factores climáticos humanos se agregaron en dos períodos de tiempo 1984–1999 (P1) y 2000–2018 (P2) para las comparaciones del nivel de las cuencas hidrográficas. Todos los valores de cambio presentados son diferencias entre las medias P1 y P2 con pag valores ≤,05 derivados de la prueba de orden clasificado de Wilcoxon a menos que se indique lo contrario.

3.1 Tendencias de las aguas superficiales en las cuencas hidrográficas endorreicas

El monitoreo a largo plazo del agua superficial reveló que los lagos en las cuencas hidrográficas del deshielo disminuyeron al doble de la tasa (-27%

191 kha) como las que se encuentran en las cuencas hidrográficas monzónicas (−13%,

5.3 kha Figura 2a Tabla 2). Mientras que todos los lagos mostraron una variabilidad interanual sustancial, los patrones en las tendencias a largo plazo difirieron sustancialmente entre las regiones de deshielo y monzón. Las disminuciones del área del lago fueron significativas en 13 de las 18 cuencas hidrográficas de deshielo (Figura 2a Figura S1 Tabla S1) y la mayoría de las tendencias anuales exhibieron fuertes disminuciones lineales de 1984 a 2018 (Figura S9). Además, disminuciones casi significativas del área del lago (pag & lt .08) se registraron en las cuencas hidrográficas del deshielo de Humboldt y Sevier. En contraste, el cambio en el área del lago fue significativo sólo en una de las ocho cuencas hidrográficas monzónicas con tendencias lineales que generalmente muestran descensos insignificantes (Figura 2a Figuras S1 y S9 Tabla S1). Los valores atípicos incluyeron los lagos Mono y Owens en las cuencas hidrográficas del deshielo y la Laguna de Santiaguillo en las cuencas hidrográficas monzónicas, todos los cuales ganaron área de agua superficial con el tiempo (Tabla S1).

Sitios designados para aves acuáticas de importancia hemisférica y mundial en las cuencas hidrográficas del deshielo, el lago Abert, Carson Sink, la cuenca de Harney y el Gran Lago Salado (Kushlan et al., 2002 Senner et al., 2016), disminuyeron en un −17% (−2,6 kha), −90% (−21,3 kha), −59% (−14,2 kha) y −21% (−85,1 kha), respectivamente (Figura 3 Tabla S1). De manera similar, las designaciones monzónicas de Ramsar de importancia internacional Laguna de Babicora disminuyeron en un −11%, mientras que Laguna de Santiaguillo aumentó en un + 24% (Figura 3 Cuadro S1 Pérez-Arteaga, Gaston y Kershaw, 2002).

La variabilidad anual general en el área de agua superficial del lago difirió entre el deshielo y las cuencas hidrográficas monzónicas, según se caracteriza regionalmente por los patrones observados en el Gran Lago Salado y la Laguna de Babicora (Figura 4). Surface water area at Great Salt Lake, for example, showed a strong linear decline over time, where long-term change (1984–2018) outweighed near-term variability (Figure 4a). In contrast, annual surface water variability at Laguna de Babicora was much greater than the long-term change (Figure 4b), meaning that extensive surface water coverage or near dryness was equally likely from year to year so that long-term change was outweighed by near term variability. While monsoonal patterns were found to be highly dynamic, over the long term they remained relatively stable. Snowmelt patterns generally showed long-term declines with relatively small short-term change.

Changing patterns of wetland coverage were comparable to those observed in lakes. Wetlands within snowmelt watersheds lost −47% (

67 kha) of surface water area, while wetted area in monsoonal watersheds increased slightly (+7%,

200 ha) as declines in some watersheds were offset by gains in others (Figures 2b and 3 Table 2). Wetland drying was significant in 16 of 18 snowmelt watersheds (Figure 2b Table S2) with substantial declines to watersheds supporting four globally and hemispherically important waterbird sites: Abert, −20% (−628 ha) Carson, −43% (−1,712 ha) Harney −56% (−8,605 ha) and Great Salt Lake, −18% (−20,629 ha Figure 3 Table S2). Total wetland area differed substantially by region as monsoonal watersheds on average contained only

3,000 ha) of the wetland area found in snowmelt watersheds (

100 kha). High variability and small wetland footprint made most change in monsoonal watersheds statistically insignificant. Only Bustillos showed a significant increase (+51%) and Willcox Playa a significant decline (−12% Table S2).

Over half (61%, 65 kha) of flooded wetlands in snowmelt watersheds were coincident with irrigated agriculture from 1984 to 2018, but occurred on only 7% of irrigated lands. In a post-hoc assessment, we determined these agriculturally related wetlands to be associated with flood irrigation of riparian wet meadows used for livestock forage (Peck, McLeod, Hewlett, & Lovvorn, 2004 ). Non-agricultural snowmelt wetlands (39%, 41.2 kha) occurred naturally or were sites flooded specifically for wildlife (e.g. public wildlife refuges Table S10). In monsoonal watersheds, earthen dams constructed across ephemeral drainages to capture storm runoff for livestock watering made up over two-thirds (67%, 2.0 kha) of flooded wetland areas (Table S10). Our inventory of wetland features identified 1,908 small agricultural dams in monsoonal watersheds. Dams occurred in upper watersheds as opposed to irrigated agricultural and terminal lakes that occupied valley bottoms.

We found peripheral freshwater wetlands (those fed mostly from groundwater, adjacent to larger lakes/wetland systems) in 7 of 26 endorheic lakes, all in snowmelt watersheds (Table S3). The area of these systems declined −53% from

52 kha (Table 2 Table S3). Loss was substantial in designated global and hemispherically important waterbird sites: Carson Sink (−41%, −2.9 kha), Harney Basin (−81%, −6.8 kha), and Great Salt Lake (−44%, −34.7 kha). Summer Lake was the only site where peripheral wetland area increased, but only by a small amount (+2%, 19 ha).

3.2 Human water use and climate trends

Irrigated agriculture increased from

408 kha (+21%) in snowmelt and monsoonal watersheds (Table 2). Increases were significant in one of 18 snowmelt watersheds (Summer Lake, +13%) and three of eight monsoonal watersheds (Ascensión, +108%, +40.2 kha Castillo, +709%, +5.7 kha and Willcox Playa +43%, +6.4 kha Table S4).

Human population density, a surrogate used for domestic/industrial water consumption, increased by +41% (

1.3 million people) across all watersheds and by +40% (

105 thousand people) in snowmelt and monsoonal watersheds individually (Table 2). Growth was significant (p < .001) in all but the snowmelt-watershed Harney Basin, where populations declined significantly (Table S5). Despite growth, human population densities remained relatively low in most areas however, changes were likely indicative of increasing domestic/industrial water demand throughout the study area.

Of climate variables examined as potential lake and wetland surface water predictors, ET was the only variable to increase significantly (+6%) across all snowmelt watersheds (Table 3 Table S6). Linear time-series trends for ET were also statistically significant for the same watersheds (Figure S13 Table S6). In contrast, changes to ET were insignificant in all monsoonal watersheds, increasing by only +1% overall (Table 3 Table S6). Increasing linear trends, however, were significant in seven of eight monsoonal watersheds (Figure S13).

Water sheds 1984–1999 SD 2000–2018 SD Change % Dif Num. Wilcox-p Sig. Num. LM-p Sig.
ET Snowmelt 1,108 60 1,172 47 64 6 18/18 18/18
Monsoonal 1,616 52 1,635 44 19 1 0/8 7/8
PR Snowmelt 376 107 327 88 −50 −13 3/18 3/18
Monsoonal 420 98 416 90 −4 −1 0/8 1/8
RO Snowmelt 104 66 80 58 −24 −23 0/18 0/18
Monsoonal 25 13 27 16 2 8 0/8 0/8
SWE Snowmelt 310 151 264 129 −46 −15 0/18 0/18
Monsoonal 0.16 0.15 0.08 0.06 0 −54 0/8 1/8

Changes to climate variables, PR, RO, and SWE, were largely insignificant (Figures S6–S8 and S13–S16 Table 3 Tables S6–S9). Precipitation (PR) change was significant in only 3 of 18 snowmelt watersheds, declining −13% overall (Table 3). Precipitation remained statistically unchanged in all monsoonal watersheds, declining −1% (Table 3). Changes to RO were statistically insignificant in all watersheds, but changed by −23% and +8% in snowmelt and monsoonal watersheds, respectively (Table 3). SWE remained statistically unchanged in all snowmelt watersheds, but declined −15% (Table 3). Only monsoonal watershed Willcox Playa had measurable SWE. Annual accumulation was minimal and showed no significant change. See Supporting Information figures and tables cited above for detailed Wilcoxon comparisons or linear trends (1984–2019) for all climate variables.

3.3 Predictor variable importance

Variable importance analyses identified irrigated agriculture as the most important predictor of lake and wetland surface water, although its level of importance varied (Figure 5). Irrigated agriculture was the dominant driver of wetland area with VIMP scores double that of climate variables (Figure 5b,d). Population density was also an important predictor of wetland surface water in monsoonal watersheds (Figure 5d). While irrigated agriculture was the single most important predictor of lake surface area, individual climate variables were nearly as important (Figure 5a,c). SWE was inconsequential to monsoonal lakes and wetlands do to its rarity in the region (Figure 5c,d).


Logistic regression model for sinkhole susceptibility due to damaged sewer pipes

The occurrence of anthropogenic sinkholes in urban areas can lead to severe socioeconomic losses. A damaged underground sewer pipe is regarded as one of the primary causes of such a phenomenon. This study adopted the best subsets regression method to produce a logistic regression model that evaluates the susceptibility for sinkholes induced by damaged sewer pipes. The model was developed by analyzing the sewer pipe network as well as cases of sinkholes in Seoul, South Korea. Among numerous sewer pipe characteristics tested as explanatory variables, the length, age, elevation, burial depth, size, slope, and materials of the sewer pipe were found to influence the occurrence of sinkhole. The proposed model reasonably estimated the sinkhole susceptibility in the area studied, with an area value under the receiver-operating characteristics curve of 0.753. The proposed methodology will serve as a useful tool that can help local governments to choose a cavity inspection regime, and to prevent sinkholes induced by damaged sewer pipes.

This is a preview of subscription content, access via your institution.


5 CONCLUSION

Improving forest management practices for biodiversity conservation requires sound knowledge of the impact of human activity and of the effect of general environmental factors. Using an historical approach that enabled us to disentangle the effect of past from present human activity, we showed that forest continuity and landscape variables only had a marginal influence on current species occurrences in the French Northern Alps where our study plots were located. Stand maturity and stand variables especially influenced species associated with key forest attributes such as deadwood for saproxylic beetles. However, climatic and edaphic conditions had an overall larger influence on species occurrences in the temperate mountain forests we studied. Those results pointed out the greater influence of present than past human activities on species occurrences and thus the influence that current management practices have on forest biodiversity. Moreover, the importance that site-specific characteristics seemed to have on species occurrences may be related to the ecological context of alpine forests (Barbati, Marchetti, Chirici, & Corona, 2014 Paillet et al., 2015 ) where unfragmented, forest-rich landscapes and low management intensity (i.e., selective cutting) have resulted in an adequate supply of generally high-quality habitat for most species. In this ecological context, we underline the need to account for climatic and edaphic conditions when analysing patterns of species occurrences, but also when designating areas of conservation interest: these areas should not be restricted to specific sites whose management is hampered by topographic or ecological constraints (high elevations, steep slopes, shallow or infertile soils) but should encompass a fine-scale diversity of conditions in the forest mosaic.


3. Results

(a) Nest elevation consistency within males and females

Male identity better explained variation in nest elevation than female identity, suggesting that males are more likely to determine nest elevation. When both male and female identity were fitted as random effects, male explained 20% of variance in nest elevation while female only explained 5%. Importantly, when male identity was included alone it was able to explain all the variation previously explained by female (26%), but female was only able to explained 19% of variation when included without male. The long-term pair bonds formed in H. ostralegus mean that male and female identity will not be fully independent therefore, in subsequent analyses we excluded female identity from our random effects structures.

(b) Nest and territory characteristics

Oystercatchers selected relatively high nest sites within their territory, although they did not nest at the highest sites available. On average, H. ostralegus laid nests higher than their mean territory elevation (5.7 cm, 95% CI = 4.1𠄷.2) but far below the maximum territory elevation (�.4 cm, 95% CI = �.6 to �.1). The median mean elevation of H. ostralegus territories was 68.2 cm above MHT (range: 20.6�.8 cm) and the median standard deviation of elevation within a territory was 18.0 cm (range: 0.4�.4 cm).

(c) Phenotypic change over time

Individual H. ostralegus showed an increase in nest elevation over time however, this change was restricted to those breeding birds with access to the artificial sea wall (74 pairs 20% of the population). Birds with access to the sea wall showed a strong positive increase in nest elevation, more rapid than geomorphological processes would predict ( figureਁ a, tableਁ βTIME = 1.66 cm yr 𢄡 , 95% CI = 0.88𠄲.44), while those birds without a sea-wall territory showed no nest elevation change over time ( figureਁ b, tableਁ β = 0.07 cm/year, 95% CI = 𢄠.26𠄰.40). The presence of the sea wall was able to explain variation in nest elevation more effectively than standard deviation of elevations within the territory (σmi tableਁ ). Post hoc analysis including only those individuals with access to the sea wall showed a significant increase in sea-wall use over time (electronic supplementary material, figure S4) however, these sea-wall nests constituted only 9.2% of all nests laid by sea-wall birds and only 1.6% of all measured nests. Similar results were obtained when we considered changes in nest elevation of females instead of males (electronic supplementary material, table S3).

(a) Within-individual change in nest elevation over time for H. ostralegus males with access to the artificial sea wall (1.66 ± 0.40 cm yr 𢄡 solid line) and rate of nest elevation change predicted by sedimentation (0.13 cm yr 𢄡 dashed line). Analysis based on 528 H. ostralegus nests from 74 individual males (mean 6.5 nests/individual). (b) Within-individual change in nest elevation over time for H. ostralegus males without access to the artificial sea wall (0.07 ± 0.17 cm yr 𢄡 solid line) and rate of nest elevation change predicted by sedimentation (0.12 cm yr 𢄡 dashed line). Analysis based on 2384 nests from 311 males (mean 5.3 nests/individual). For both plots, shaded region shows the 95% confidence interval for the slope of observed data.

Tableਁ.

Coefficients of models investigating within-individual change in Haematopus ostralegus nest elevation over time (cm ± s.e.). Models include Time, standard deviation of elevations within territories (σmi) and egg laying date (LayDate). All models within the 95% confidence set are displayed plus the null model for full model selection results see electronic supplementary material, table S2. Post hoc analysis includes a categorical term to account for the presence of an artificial sea wall (Seawall). Nests with a sea wall are used as the reference category. k denotes the number of parameters estimated in each model wI denotes AICc model weights.

㥊ICcwIkintercepttime (years)σmi (cm)time * σmi
0.000.91479.56 (ଔ.33)0.38 (ଐ.16)0.06 (ଐ.02)0.01 (ଐ.03e 𢄡 )
5.910.05279.58 (ଔ.37)0.32 (ଐ.16)
6.090.04179.52 (ଔ.38)
Post hoc comparison
㥊ICcwIkintercepttime (years)σmi (cm)time * σmiseawalltime * seawall
0.000.99481.75 (ଙ.51)1.66 (ଐ.40)𢄢.41 (널.80)𢄡.59 (ଐ.43)
10.200.01479.56 (ଔ.33)0.38 (ଐ.16)0.06 (ଐ.02)0.01 (ଐ.03e 𢄡 )
16.290.00179.52 (ଔ.38)

(d) Phenotypic plasticity in response to environmental cues

Both water levels during the preceding breeding season (May–June) and lunar nodal cycle position showed a positive correlation with water height during the current season (water height: Pearson's correlation 0.70, 95% CI = 0.51𠄰.83 lunar nodal cycle: Pearson's correlation 0.27, 95% CI = 𢄠.02𠄰.53), suggesting that these could provide a reliable cue of future flooding risk. The influence of lunar nodal cycle position on nest elevation was included in the best supported model, but the direction of the effect was opposite to our prediction ( figureਂ a tableਂ ). Model selection provided little support for a positive relationship between water height in either the preceding or current breeding season and changes in individual nest elevation ( figureਂ b,c electronic supplementary material, table S4). Frequency of sea-wall use also showed no change in response to any of the three tested environmental cues (electronic supplementary material, table S5). Similar results were obtained when we considered changes in nest elevation of females instead of males (electronic supplementary material, table S6).

Relationship between Haematopus ostralegus nest elevation and (a) lunar nodal cycle position, where a value of 1 represents a water height peak and 𢄡 represents a trough (dashed lines) (b) mean water height in the breeding season before nesting occurred (May–June) and (c) mean water height in the breeding season of nesting (May–June). Solid lines show nest elevation slopes for all male H. ostralegus with more than 10 years of data (n = 32). All elevation data measured in centimetres above mean high tide in 1971. Analysis conducted using 2912 nests from 1129 males.

Tableਂ.

Coefficients of models investigating the role of potential environmental cues on Haematopus ostralegus nest elevation (cm ± s.e.). Models include within-individual effects of lunar nodal cycle (LNC), water height in the current breeding season (May–June Water), and sea-wall access (Seawall) where birds with the sea wall are used as the reference category. Top two models based on AICc are displayed plus the null model for full model selection results see electronic supplementary material, table S4. k denotes the number of parameters estimated in each model wI denotes AICc model weights.

㥊ICcwIkinterceptseawallLNCwater (cm)LNC * seawallwater * seawall
0.000.99477.86 (ଙ.88)1.56 (넑.21)𢄢.25 (ଐ.55)2.72 (ଐ.62)
17.93π.01480.22 (ଙ.62)𢄠.87 (널.92)𢄠.58 (ଐ.54)0.74 (ଐ.61)
19.86π.01179.52 (ଔ.38)

(e) Learning response

Flooding experience had a strong effect on nest elevation change. The top model contained flooding experience, access to the artificial sea wall (Seawall) and an interaction between the two ( tableਃ ). Males that experienced no flooding showed no change in nest elevation ( figureਃ tableਃ , βUNFLOODED = 𢄡.19 cm, 95% CI = 𢄦.03𠄳.65). Males that experienced a flood increased their nest elevation more than those that had not experienced a flood, regardless of the ultimate fate of the flooded nest ( figureਃ tableਃ , βFAILED = 21.24 cm, 95% CI = 5.19�.29 βSURVIVED = 21.61 cm, 95% CI = 11.07�.15). Whether the next nest was laid in the same year or the next year had no impact on the change in elevation ( tableਃ , βNEXTYEAR = 1.02, 95% CI = 𢄢.76𠄴.80). En post hoc analysis, we found that individuals that had previously experienced flooding, in breeding seasons before the current year, behaved the same as those individuals that had no earlier flooding experience (electronic supplementary material, table S8).

Impact of flooding experience on Haematopus ostralegus nest elevation change in both observed data (white) and randomized data reflecting random nest-site selection (grey see electronic supplementary material, figure S5). Error bars represent 95% confidence intervals for observed data. Analysis conducted using 1508 nests from 297 males.

Tableਃ.

Coefficients of models investigating the role of flooding experience (Exp) on changes in Haematopus ostralegus nest elevation from one breeding attempt to the next (cm ± s.e.). Models include whether individuals have access to the artificial sea wall (Seawall) and a categorical variable specifying whether nest elevation change was measured within the same year or across two consecutive years (NextYear). Unflooded nests in the same year with access to the sea wall are used as the reference category. All models within the 95% confidence set are displayed plus the null model for full model selection results see electronic supplementary material, table S7. k denotes the number of parameters estimated in each model wI denotes AICc model weights.

㥊ICcwIkinterceptsurvivedfailednextyearseawallsurvived * seawallfailed * seawall
0.000.657𢄡.08
(଒.31)
21.61
(କ.38)
21.24
(ଘ.19)
1.02
(଑.93)
𢄡.19
(଒.47)
�.82
(ଖ.74)
�.60
(ଙ.91)
1.400.326𢄠.71
(଒.19)
21.40
(କ.37)
21.35
(ଘ.19)
𢄡.14
(଒.47)
�.62
(ଖ.73)
�.72
(ଙ.90)
50.07π.0110.42
(ଐ.95)

However, a randomization procedure showed that the differences in nest elevation change between flooded and unflooded nests were of the same magnitude as we would expect from birds exhibiting random nest-site selection without learning ( figureਃ electronic supplementary material, figure S5). Furthermore, a model including the difference between nest elevation and the median elevation in our study site was able to explain observed changes in nest elevation more effectively than flooding experience (electronic supplementary material, table S9). The differences we observed between flooded and unflooded nests were likely driven by differences in nest elevation between these two groups (electronic supplementary material, figure S6 βUNFLOODED = 27.47 cm, 95% CI = 22.56�.40). Similar results were obtained when we considered changes in nest elevation of females instead of males (electronic supplementary material, table S10).

(f) Fecundity selection landscape

We expected increased flooding risk to impose directional selection on nest elevation via the fitness component of nest success. However, as our results showed no evidence of phenotypic plasticity in H. ostralegus nest elevation we went on to specifically test the relationship between nest elevation and annual reproductive success (fledgling production). Esto post hoc analysis provided no evidence for directional selection on H. ostralegus nest elevation but did show evidence for stabilizing selection in this trait ( figure਄ electronic supplementary material, table S11).

Quadratic relationship between Haematopus ostralegus nest elevation (within territories) and reproductive success (fledgling output ± s.e.) in (a) coastal and (b) non-coastal territories. x axis represents relative change in elevation within territories. See electronic supplementary material, Appendix B, for detailed methods.

This analysis accounts for the impact of flooding events on H. ostralegus nest success [3] as well as selective pressures imposed via other fitness components that may vary with nest elevation (e.g. chick mortality or nest predation). We measured within-territory changes in nest elevation to avoid any potential differences in reproductive success that may be driven by environmental differences between territories. In this way, we considered the impact of relative changes in nest elevation (within a territory) on H. ostralegus reproductive success. We also included terms to account for variation in reproductive success that may be caused by differences in social status (whether a territory has access to the coast) and flooding risk between territories (mean territory height). We considered both a linear and quadratic relationship between elevation and reproductive success to test for directional and stabilizing selection respectively. Models were compared using AICc. The model structure is discussed in greater detail in supplementary material (see electronic supplementary material, Appendix B).


Discussion

We described an analytic approach for evaluating the sensitivity and representativeness of hospital-based surveillance systems and applied it to surveillance for severe neurological diseases and fatal respiratory infectious diseases in Bangladesh. We quantified the proportion of cases detected and the probability that the surveillance system would detect different sized outbreaks by distance from the surveillance hospital. Finally, we characterized biases in surveillance statistics and identified potential improvements to the surveillance platform.

We estimated that approximately one-quarter of severe neurological disease cases and one-fifth of fatal respiratory disease cases occurring 10 km from a surveillance hospital would be detected with current surveillance. The proportion of cases attending a surveillance hospital declined significantly with increasing distance between individuals’ residence and the surveillance hospital, substantially faster for fatal respiratory disease than for severe neurological disease. These low detection probabilities mean that hospital-based surveillance in Bangladesh (like in most other resource-poor countries presumably) would likely miss a high proportion of single-case public health events. Of greater relevance is that surveillance system capacity to detect outbreaks and detection probabilities increased substantially with the number of cases. The required number of cases to detect outbreaks with high probability varied with disease type and distance from the surveillance hospital. It could be as low as about ten cases if the outbreak occurred <10 km from the surveillance hospital but increased quickly with distance for fatal respiratory disease. For outbreaks defined as a single detected case, we found that more than half of outbreaks with ten cases of fatal respiratory disease would be missed if the outbreak occurred >32 km from the hospital. Such detailed quantification of outbreak detection probability is essential to ascertain the likelihood that an emerging threat can be detected early enough to be contained [23].

In some circumstances, authorities may have to wait until more than a single case is detected to recognize that an outbreak is occurring. In particular, difficult differential diagnoses and lack of appropriate diagnostic tests mean that only when a number of cases are detected from the same area and over a short time frame will an outbreak be identified and further investigations conducted. In addition, where a low background level of transmission is expected (such as with endemic diseases), public health authorities may wait until a particular threshold is exceeded before declaring an outbreak. In both of these scenarios, where multiple cases need to be detected by the hospital before an outbreak is recognized, the optimal number of detected cases and their spatial and temporal separation will depend on the disease system. We can incorporate this information into our flexible framework and provide examples where we calculate the size an outbreak needs to be for scenarios where at least two or five cases need to be detected (Fig 3B and 3C). In particular, this demonstrates that if an outbreak is identified only once five cases are detected at the surveillance hospital, the size of the outbreak would have to be substantially larger (e.g., nearly 100 total cases of a fatal respiratory disease at 30 km from a surveillance hospital) for there to be a 90% chance of an outbreak being identified. This highlights the possibility that, by the time an outbreak reaches sufficient size to be detected by the system, outbreak control measures may be much less effective at controlling spread. Thresholds for case counts that trigger an outbreak response should be crafted taking this possibility into account.

Low detection probabilities for outbreaks that occur far from surveillance hospitals are an important concern because pathogens with high case fatality such as Japanese encephalitis and Nipah virus are nearly exclusively found in rural communities in Bangladesh [24,25], and these communities are usually located far from surveillance hospitals. Rural environments are also considered to be at highest risk for the emergence of novel pathogens [26,27]. Population distribution maps suggest that 68% of the population in Bangladesh live in communities >30 km from a surveillance hospital (representing 108 million individuals) and 40% live >50 km from a surveillance hospital (representing 63 million people) (Fig 2B). Strengthening healthcare-based surveillance in these areas should be a priority, and cost-effective approaches to achieving surveillance targets need to be identified. There is increasing recognition of the value of novel data sources to improve the sensitivity of infectious disease surveillance, some of which can provide crucial information in remote areas [20]. Novel approaches include surveillance for media reports of disease clusters, as used for various infectious diseases in Bangladesh [12,28], and training of local drug sellers to recognize and report disease symptoms, as rolled out nationally to enhance tuberculosis surveillance in Ghana [29]. Other surveillance data streams, such as monitoring over-the-counter medication sales, telephone triage, and web-based queries, have been successfully integrated in surveillance systems in resource-rich settings [30].

We found that cases attending surveillance hospitals were not necessarily representative of all cases in the community. In particular, the youngest severe neurological disease cases and the oldest fatal respiratory disease cases were less likely to attend surveillance hospitals, and attendance was also lower among cases in the lowest socioeconomic group. Similar variation in hospital attendance has been reported in other resource-poor settings [6,8,9], indicating that hospital-based surveillance in these countries may have comparable limitations. Disease statistics obtained through hospital-based surveillance have to be interpreted in the light of detected biases, and correction factors may need to be applied. For example, underestimating severe neurological disease among young children may mislead any future Japanese encephalitis vaccination strategy [31,32]. Differential surveillance hospital attendance may also influence the capacity to detect emerging infections, such as the avian influenza A (H7N9) virus that emerged in 2013 in China with observed cases mainly among elderly men [33].

Overall, access to appropriate care was poor—over 30% of community cases with severe disease or who died in our study never saw a qualified provider. Such low access is a common problem in low-income settings and means that a large proportion of the population, and particularly subgroups that are potentially at highest need, do not receive the required medical attention [6–9]. For example, difficulties accessing qualified healthcare providers for elderly people, who are often at greatest risk of respiratory disease, can have severe consequences for the outcome of disease. Previous studies have demonstrated that accessibility to healthcare is a significant predictor of morbidity and mortality among elderly individuals with respiratory disease [34].

The study showed that healthcare utilization behavior varied by disease type, which may be due to different characteristics of cases such as their age, socioeconomic status, and geographic location (Fig. A in S1 Text). The majority of fatal respiratory disease cases were ≥60 y old and may have faced limitations in mobility moreover, rapid progression of disease to death may have prevented cases in this age group from seeking appropriate care. Cases and their family members in general may have also perceived neurological symptoms as more severe, resulting in higher motivation to attend a qualified healthcare provider [7].

We evaluated potential improvements of surveillance by analyzing healthcare seeking behavior among cases identified in communities. While the majority of individuals did seek care, much of this was in the informal sector, which cannot easily be incorporated into surveillance activity. Nevertheless, including other hospitals attended by cases in the surveillance system (the exact location and number of these hospitals was unfortunately not identified during surveys) would double case detection probabilities and allow detection of medium-sized outbreaks (<10 cases) in a wider geographic area. However, in the case of Bangladesh, such extension is likely to be prohibitively expensive. Mapping other hospitals in Bangladesh that may serve as surveillance sites would allow testing of various surveillance scenarios to identify the optimal location of surveillance sites while keeping the same total number or to quantify the number of sites needed to achieve a target surveillance coverage [35]. Many emerging infectious diseases originate as spillover infections of zoonotic diseases into the human population [36]. Therefore, mapping the occurrence of relevant zoonotic diseases (e.g., avian influenza) and combining such maps with the estimated outbreak detection probabilities would allow highlighting of surveillance gaps for particular types of emerging infectious diseases.

The capacity of surveillance systems to detect outbreaks will depend not only on the probability that a case attends a surveillance hospital, but also on whether the case undergoes confirmatory laboratory testing and is subsequently reported through the surveillance system by the hospital. Here we assumed a “best-case scenario” with a fully functional surveillance system at the hospital level, where each case who attends the surveillance hospital is ultimately recognized and confirmed as a case. Case detection at the hospital may however be incomplete, since case definitions at hospitals may differ from syndromic definitions, a surveillance sampling frame may be applied, or resources and trained personnel for the diagnosis and reporting of cases may be limited [37]. The calculation of case and outbreak detection probabilities may be adjusted for misdiagnosis and underreporting at hospitals if such information is available. We further assumed complete detection of cases in communities during surveys. Although a few cases may have been missed, this assumption is justified as we investigated severe disease conditions that are easily remembered by family and community members. Moreover, survey procedures combining interviews of key informants and house-to-house visits were specifically designed to capture near-complete case information. Further, any missed cases are unlikely to impact our estimates, as such impacts would occur only if there was differential healthcare seeking between those detected and those missed. We investigated spatial differences in hospital attendance based on the straight-line distance of communities from the surveillance hospital. If available, other distance measures such as travel distance or travel time may provide a more accurate indicator of distance from the surveillance hospital. In some cases, these measures may strongly vary with the season, and it would be interesting to explore how that may impact the probability of detecting an outbreak. We assumed that cases did not visit other surveillance hospitals than the catchment hospital. Given the poor road infrastructure in the country, it would be very unusual to travel to a tertiary care hospital that was not the closest one. It is possible that some individuals traveled to Dhaka however, these are likely to be wealthier individuals who would visit small private healthcare facilities that are not part of the surveillance network. The surveillance hospital in Dhaka was not included in our study. This is unlikely to have biased our assessment of the performance of the surveillance system outside the capital. Indeed, this would introduce a bias only under the unlikely scenario that many cases in our study who did not attend the nearest surveillance hospital (and were therefore not captured there) instead attended the surveillance hospital in Dhaka (and were captured there). Surveillance system performance in the capital city may however differ from elsewhere, and a comprehensive assessment of the national surveillance system would therefore have to include Dhaka. Moreover, hospital-based surveillance is only one surveillance type in Bangladesh, and other data sources need to be considered to assess the country’s overall capacity to detect public health events.

The described methodology is applicable to assessing surveillance for other severe diseases in resource-poor settings, keeping in mind practical constraints. Conducting community surveys may be labor intensive, time consuming, and expensive depending on the setting and may be particularly challenging in densely populated areas such as Dhaka. Nonetheless, such surveys are valuable tools for obtaining external reference data and simultaneously assess heterogeneities in healthcare access. The effectiveness of community networking may depend on the social structures in the study area where social links are weaker (e.g., in urban areas), house-to-house surveys, even though more labor intensive, may be more suitable for the identification of cases in the community. The proposed strategy is valid for diseases of sufficient severity to require medical attention and to be remembered by cases and family members. The approach is syndromic (i.e., disease types are classified based on a set of symptoms), and the classification specificity may vary by disease.

In conclusion, this study allowed us to quantify the sensitivity and representativeness of hospital-based surveillance and to identify weaknesses, particularly in detecting small- to medium-sized outbreaks in remote areas. These findings highlight difficulties that low-middle-income countries may have in meeting International Health Regulations requirements, despite considerable investment in hospital-based surveillance platforms.


Ver el vídeo: Διαδικασία ένωσης επιπέδων UNION στο λογισμικό QGIS