יותר

להוסיף מתקן קרוב ביותר כתכונה לנקודה ב- ArcMap?

להוסיף מתקן קרוב ביותר כתכונה לנקודה ב- ArcMap?


האם יש דרך, לאחר ביצוע ניתוח המתקן הקרוב ביותר, להוסיף / לשמור את מספר המתקן / השם / מזהה הייחודי הקרוב ביותר לאירוע?

אני מתכנן להשתמש במאפיין זה כדי ליצור מסלול העובר מאירוע אחד לאירוע אחר דרך המתקן הקרוב ביותר, כלומר עלי איכשהו לשמור אותו / לעקוב אחר איזה מתקן הכי קרוב לכל האירועים.


כפי שהעיר @ChrisW:

יש לייצא את התוצאות של הפותר כדי לשמור / לתפעל. טבלת התכונות של תוצאות אלו צריכה להיות בקשר שאתה מחפש (יתכן שהוא מקודד כ- FID או OID, אך הוא אמור להיות שם), ואז זה פשוט יהיה קצת הצטרפות / יצוא של מניפולציה כדי לקבל את התוצאה הסופית. אתה רוצה.


הנקודה הכי קרובה ל -3 (או יותר) מעגלים

חיפשתי באינטרנט אחר הארה, אך עד כה מצאתי מעט מאוד שעזר. למען ההגינות, אני לא מגמת מתמטיקה ואולי פשוט לא משתמשת בשאילתות החיפוש הנכונות.

אני עובד על מערכת ללוקליזציה של WiFi בחוץ. הנתונים הניסיוניים שלי מצביעים על כך ששימוש ב- RSSI (עוצמת האות המתקבלת) נותן דיוק מספיק לרזולוציה שאנחנו צריכים, שם נכנסים המתמטיקה - ואתם אנשים טובים. אני רוצה להשתמש בטרילטרציה כדי למצוא את מיקום המכשיר, אולי באמצעות יותר מ -3 משואות עם מיקומים ידועים.

עם השונות של ה- RSSI במרחק נתון, אין זה סביר מאוד שהטרילטרציה תייצר מעגלים עם צומת משותף יחיד. ככזה, אני צריך להיות מסוגל לחשב את הנקודה במרחב דו-ממדי הקרוב ביותר לקצוות של כל 3 + המעגלים.

כרגע אני מקודד בפיתון, אם זה משנה מישהו.


3 תשובות 3

הנה חידוד הגישה של @ הנריק. ההבדל העיקרי הוא שהשימוש הקרוב ביותר [pts- & gt & quotDistance & quot] הוא בסדר גודל מהיר יותר מאשר השימוש ב- [pts- & gt <& quotIndex הקרוב ביותר & quotDistance & quot>] הקרוב ביותר:

בהשוואה לתשובת @ הנריק:

i ו- j הם המדדים של צמד הנקודות שהכי קרובים זה לזה המרחק הוא המרחק שלהם.

הקרוב ביותר [נק '- & גט <& quotIndex & quot, & quotDistance & quot>] [נק', k] מוצא את כל הנקודה שלה שכנותיה הקרובות ביותר. הראשון & quotneighbor & quot תמיד יהיה הנקודה עצמה. לכן אני לוקח את הקרוב ביותר [נק '- & גט <& quotIndex & quot, & quotDistance & quot>] [נק', 1] [[הכל, 2]] כדי לקבל את השכן הקרוב ביותר & quot;

אני די בטוח שזה עושה את אותו הדבר כמו יישום ה- NearestNeighborGraph של C.E., אבל זה מהיר פי 3 במכונה שלי וכמה שיותר מהר מהיישום המהולל של b3m2a1 (על המכונה שלי ועבור 10000 נקודות). זה רק מהיר יותר מ- NearestNeighborGraph מכיוון שהוא לא מסתמך על זה מתמטיקהיישום הגרף וכל התקורה שלו. דוגמה נוספת שבה הימנעות מ- Graph מעלה את הביצועים. אבל אני חייב לומר ש- NearestNeighborGraph תופס קצת כאשר מגדילים את מספר הנקודות.

השפלות הביצועים מתחילות ב- Graph באמצעות ממשק מהודר המאכף להמיר רשימות ארוזות של מדדי קצה לרשימות לא-ארוזות של UndirectedEdge s ו- DirectedEdges. וזה ממשיך עם כל מאפייני הקודקוד והקצה המהודרים. פעם הייתי צריך לחפור בפרטי היישום החבויים למחצה של תכונת גרף כלשהי לצורך איתור באגים. קיבלתי צמרמורות קרות כיוון שצריך לעבור תריסר שכבות מנתח לפני שמגיעים לאלגוריתמים בפועל.


השגיאה בפועל נובעת מגישה ל-Point.x, שאינה קיימת מכיוון שמעולם לא הגדרת אותה.

בהערה קשורה, תכונות מוכנות מראש עם קו תחתון כפול מפעילות את תכונת השמנת פיתונים. התכונות בפועל עדיין יהיו נגישות לציבור ב- my_point._Point__x, my_point._Point__y וכו 'מחוץ לכיתה.

כעניין של סגנון, נראה כי אין שום סיבה להשתמש בשם מתנדנד במקרה זה. מקרה השימוש המיועד לתכונה זו הוא למנוע התנגשויות עם מחלקות תורשתיות, לא מדובר בניסיון ליצור משתנים "פרטיים" (לשם כך, המוסכמה היא להשתמש בקו תחתון יחיד כדי לציין מתי תכונה היא פרט של יישום).

במקרה שלך, אני חושב שאתה צריך פשוט למנות (ולגשת) לתכונות בדרך כלל x, y וכו '. בפייתון אנחנו בדרך כלל לא כותבים גטרים וקובעים לחברי הכיתה אלא אם כן יש דרישה מיוחדת לעשות זאת, מכיוון שפייתון הוא לא ג'אווה.


PBKey Fallback

מזהה ייחודי של pbKey ™ מוחזר כאשר מתבצעת התאמה למערך הנתונים הראשי של מיקום (MLD). שדה זה הוא מזהה קבוע של כתובת. המזהה הייחודי של pbKey ™ משמש כמפתח חיפוש עם מערכי נתונים GeoEnrichment של פיטני באוויס כדי להוסיף נתוני תכונות לכתובת. בהתאם למערך הנתונים GeoEnrichment שתתקין, נתוני המאפיינים יכולים לכלול בעלות על נכסים, נדל"ן, מפקד אוכלוסין, הוצאות צרכנים, מידע דמוגרפי, גיאוגרפי, הגנה מפני שריפות ושיטפונות ו / או מערכות טלקומוניקציה ומערכות אלחוטיות ועוד. חלק ממערכי הנתונים הללו מחזירים נתונים ספציפיים למיקום נקודתי, כגון בעלות על נכסים ונדל"ן, ואילו אחרים מספקים נתונים מבוססי מצולעים, למשל הגנה מפני שריפות ושיטפונות, שיכולים לזהות מישורי שיטפון, שריפת שדה קוצים או דירוג שטחים.

בעת שימוש ב- PBKey Fallback, אם לא מתאימה כתובת לנתוני מיקום בסיסיים, אלא מתבצעת התאמה למערך נתונים אחר, המוחזר המזהה הייחודי של pbKey ™ של נקודת ה- MLD הקרובה ביותר הנמצאת במרחק החיפוש. כדי להבחין מתי מוחזר מזהה ייחודי של pbKey ™ נסיגה, ערך ההחזר PBKey מכיל תו מוביל של "X" במקום "P", למשל: X00001XSF1IF. שים לב, כל שדות האחרים שהוחזרו עבור התאמת הכתובת, כולל קוד הגיאוגרפי וכל החזרת הנתונים המשויכים, משקפים את תוצאות ההתאמה עבור כתובת הקלט. לאחר מכן ניתן להשתמש במזהה הייחודי של ה- pbKey ™ לחיפוש למערך הנתונים GeoEnrichment, ונתוני התכונות עבור מיקום ה- fallback מוחזרים עבור ההתאמה.

הרלוונטיות והדיוק של נתוני התכונות שהוחזרו באמצעות מיקום PBKey Fallback תלויים מאוד בסוג נתוני GeoEnrichment, כמו גם במרחק החיפוש של PBKey Fallback. PBKey Fallback מיועד לשימוש עם מערכי נתונים של GeoEnrichment שיש להם נתונים מבוססי מצולעים, ולא נתונים ספציפיים לנקודה. לדוגמה, אפשרות ה- PBKey Fallback עשויה להתאים לקביעת אזור הצפה FEMA עבור מיקום נתון באמצעות מערך הנתונים GeoEnrichment Flood Risk Pro מכיוון שהוא מכיל נתונים המייצגים אזור מצולע ולא קואורדינטה אחת. עם זאת, חשוב לציין שדיוק הנתונים המוחזרים יהיה תלוי מאוד בגודל ובאופי של המאפיינים המצולעים הבודדים המתוארים בנתוני GeoEnrichment, בשילוב עם מרחק החיפוש המשמש לאיתור נקודת נתוני מיקום הראשי הקרובה ביותר. ניתן להגדיר את מרחק החיפוש ברדיוס חיפוש מותר של 0-5280 רגל וערך ברירת מחדל הוא 150 רגל.


פרויקט GIS ושירות אינטרנט

בשלב הבא של יצירת מסד הנתונים, המחברים השתמשו במערכת מידע גיאוגרפית מקיפה ArcGIS . זה מאפשר להציג גיאוגרפית את כל הפיקדונות בסביבה אחת עם מפות בסיס שונות ומספק למשתמש את המכשור לניתוח הנתונים באמצעות כלים גיאו-מרחביים. עבור סוג זה של נתונים, ניתן להשתמש בכלים סטנדרטיים שונים של ArcGIS, למשל:

  • - אשכולות (כלים בקבוצה זו מנתחים אובייקטים במטרה לזהות אלמנטים חשובים מבחינה סטטית, למשל, חיפוש אחר נקודות חמות וחריגות)
  • - חישוב צפיפות (התוצאה היא מפת צפיפות המתקבלת על ידי פיזור מספר אירועים ידוע במפה)
  • - אינטרפולציה (הכלי מאפשר לחזות ערכים במיקומים חדשים על בסיס ערכים ידועים ממכלול נקודות)
  • - קביעת המרחק בין נקודות, חיפוש האובייקט הקרוב ביותר, בניית מאגרים.

בנוסף, ניתן להשתמש בכלי גיאו-עיבוד מתקדמים יותר לאשכול מטושטש במערכת נתונים באמצעות ניתוח מתמטי דיסקרטי (DMA) לניתוח הפיקדונות (למשל. סולובייב ואח '. 2016 ).

מערכי הנתונים ROSA 1.0, ROSA 2.0 ו- ROSA 3.0 יוצאו ל- ArcMap מתבנית טבלה המכילה את קואורדינטות האובייקט ומידע המאפיינים הנלווה. לאחר מכן, הטבלאות הוסבו לטפסות צורה המכילות אובייקטים נקודתיים באמצעות כלי ArcGIS סטנדרטיים ונוספו למפה כשכבות (איור 2).

הדמיית מסד נתונים של ROSA ב ArcGIS .

השלב הבא של יישום הפרויקט היה יצירת שירות האינטרנט להמחשה נוספת של אובייקטי מסד הנתונים ומידע הייחוס שלהם בסביבת ArcGIS. מאגר המידע "דינמיקה של פיתוח תעשיית הנפט והגז במאה העשרים - הפיקדונות הגדולים בעולם" (ROSA 1.0) זמין ברשת עם מגוון רחב של כלים הכוללים:

  • - התאמת עיצוב שכבה
  • - שינוי מפת הבסיס להחלפת מפת הרקע הנוכחית במפת הרשימה
  • - טבלת תכונות גלישה
  • - שימוש בכלי מדידה, המספק למשתמש שלושה סוגים של מדידות: שטח פולי-קו במפה, המרחק בין שני אובייקטים ומיקום האובייקט והסמן (היחידות מוגדרות על ידי המשתמש)
  • - סינון, המאפשר למשתמשים להגביל את נראות האובייקטים במפה על פי בקשה.

בנוסף, ArcGIS Online מאפשר הוספת נתונים נוספים למפה הן מהאינטרנט והן מהמחשב של המשתמש (איור 3).

הדמיה מקוונת של מסד הנתונים ROSA באמצעות שירות האינטרנט ArcGIS.


3 תשובות 3

אם תמשיך, בסופו של דבר בסופו של דבר שגיאת קורות החיים תתחיל לעלות שוב. הסיבה לכך היא שככל שאתה מרוויח $ k $ גדול יותר, ההחלקה מתבצעת יותר, ובסופו של דבר אתה מחליק כל כך הרבה שתקבל דגם שמתאים פחות לנתונים ולא יתאם יותר מדי (הפוך $ k $ לגדול מספיק ו הפלט יהיה קבוע ללא קשר לערכי התכונות). הייתי מאריך את העלילה עד ששגיאת קורות החיים מתחילה לעלות בצורה ניכרת שוב, רק כדי להיות בטוח, ואז בוחרת את $ k $ שממזער את שגיאת קורות החיים. ככל שאתה עושה $ k $ גדול יותר כך גבול ההחלטה חלק יותר והמודל פשוט יותר, כך שאם הוצאה חישובית אינה בעיה, הייתי הולך על ערך גדול יותר של $ k $ מאשר קטן יותר, אם ההבדל בקורות החיים שלהם טעויות זניחות.

אם שגיאת קורות החיים לא מתחילה לעלות שוב, זה כנראה אומר שהתכונות אינן אינפורמטיביות (לפחות עבור מדד המרחק הזה) ונתינת תפוקות קבועות היא הטובה ביותר שהיא יכולה לעשות.

מדוע לא לבחור $ K = 17 $? נראה כי שגיאת קורות החיים יורדת עד אז ומתשטחת החוצה לאחר מכן. אם כל מה שמעניין אותך הוא דיוק ניבוי אז לא הייתי בוחר $ K = 3 $ כי זה נראה די ברור שאתה יכול לעשות טוב יותר.

האם יש משמעות פיזית או טבעית מאחורי מספר האשכולות? אם אני לא טועה, זה רק טבעי שככל ש- K גדל, השגיאה פוחתת - בערך כמו התאמת יתר. במקום לדוג אחר ה- K האופטימלי, עדיף לבחור ב- K על סמך ידע בתחום או אינטואיציה כלשהי?


2 תשובות 2

הנקודות הקיצוניות שלך נכונות, אבל עשית יותר עבודה בשביל עצמך ממה שהיית צריך. שיטת מכפיל לגראנז 'כן מספרת לנו על הנקודות הקיצוניות עַל מעגל האילוץ. אז אנו מוצאים ערך מינימלי $ -75 $ ב- $ (-3, 4) $ ומקסימום $ 125 $ ב- $ (3, -4) $.

אתה צודק גם באמירתנו שלא סיימנו, מכיוון שעלינו גם לחקור את "פנים" הדיסק $ x ^ 2 + y ^ 2 & lt 25 $. לשם כך, נשתמש בניתוח "נקודה קריטית", שבאמת ממשיך באותו אופן שבו אנו משתמשים לפונקציות של משתנה אחד: יש לנו $ f_x = 2x - 12 = 0 , $ $ f_y = 2y + 16 = 0 $, מה שאומר לנו שיש נקודה קריטית עבור $ f (x, y) $ ב- $ (6, -8) $. אך נקודה זו נמצאת לחלוטין מחוץ למעגל האילוצים, ולכן אין נקודה קריטית בדיסק. אז הבדיקה שלנו הושלמה - מצאנו את המקסימום והמינימום המוחלט של תפקודנו בדיסק האילוץ ובגבולו.

(באמצעות טיעון המבוסס על דיונך בנגזרות החלקיות הראשונות, אולי תרצה לומר דבר נוסף כזה. יש לנו

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

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

$ Rightarrow -22 le f_x le -2 , 6 le f_y le 26 . $

מכאן, שאין נקודות בתוך הריבוע $ [-5, 5] פעמים [-5, 5] $, המכיל את מעגל האילוץ, שנגזרותיו הראשונות אפסות, וכך יש אין נקודות קריטיות בפנים המעגל.)

יש פרשנות גיאומטרית לבעיה זו. בהתחשב בפונקציה $ z = f (x, y) = x ^ 2 + y ^ 2 - 12x + 16y = (x-6) ^ 2 + (y + 8) ^ 2 - 100 $ כמתאר משטח בתלת מימד, זהו פרבולואיד עם חתכים עגולים ה"נפתחים "בכיוון החיובי $ z- $ עם קודקודו ב- $ (x, y , z) = (6, -8, -100 ) $. אנו מחפשים את הערכים הקיצוניים של $ z $ כאשר פרבולואיד זה מעביר או בתוך הגליל המעגלי $ x ^ 2 + y ^ 2 = 25 $.

מתיאור זה אנו רואים כי הערך המינימלי של הפונקציה, $ -100 $ אינו נופל באזור האילוץ. מאז "גובה" המשטח יחסית למישור $ xy- $ רק עולה כאשר אנו "מתרחקים" מקודקודנו, אנו מצפים שלא תהיה שום אקסטרה בתוך גליל האילוץ. כך שהנקודות הקיצוניות ימצאו רק על פני הגליל, $ x ^ 2 + y ^ 2 = 25 $.

עקומות הרמה של הפונקציה שלנו הם מעגלים שבמרכזם $ (x, y) = (6, -8) $. שיטת מכפיל לגראנז 'מאתרת נקודות בהן עקומות הרמה הללו משיקות רק למעגל האילוץ, שמצאתם מונחות על $ (-3, 4) $ ו- $ (3, -4) $. ניתן להבין את הפונקציה $ f (x, y) $ כפונקציה "בריבוע-מרחק" של נקודות הנמדדות מ- $ (6, -8) $ הנקודה הקרובה ביותר במעגל האילוץ היא $ ( 3, -4) $, הרחוק ביותר, $ (-3, 4) $.

אם ניקח את היחס בין משוואות לגראנז ', עם $ lambda neq 1 $, נקבל

[אנו יכולים להזניח את המקרה של $ lambda = 1 $, מכיוון שלא ניתן ליישם אותו באופן עקבי בשתי המשוואות.]

זה אומר לנו ששתי הנקודות הקיצוניות מונחות על הקו $ y = - frac <4> <3> x $, המסומנות בכחול בהיר בתרשים שלמטה. מכיוון שמעגל האילוץ הוא סימטרי לגבי המקור, והפונקציה שיש להקצנה היא סימטרית רדיאלית לגבי מרכזו, היינו מצפים שהנקודות הקיצוניות יונחו על קו דרך המקור, זה מול זה במעגל האילוץ.

הנה בעיה דומה, אך עם מינימום הפונקציה שנופלת בְּתוֹך מעגל האילוץ.


תוכן

בביולוגיה, ה טווח של מין הוא האזור הגיאוגרפי שבתוכו ניתן למצוא את המין הזה. בטווח זה, הפצה הוא המבנה הכללי של אוכלוסיית המינים, ואילו פיזור הוא השונות בצפיפות האוכלוסייה שלו.

טווח מתואר לעתים קרובות עם התכונות הבאות:

  • לפעמים מבדילים בין מינים טבעיים, אנדמיים, ילידים או טווח ילידי, שם מקורו וחי היסטורית, והטווח שבו מין התבסס לאחרונה. מונחים רבים משמשים לתיאור הטווח החדש, כגון טווח שאינו יליד, התאזרב, הוצג, הושתל, פולשני או מושקע. [2]הוצג פירושו בדרך כלל שמין הועבר על ידי בני אדם (בכוונה או בטעות) על פני מחסום גיאוגרפי מרכזי. [3]
  • עבור מינים המצויים באזורים שונים בתקופות שונות בשנה, במיוחד בעונות השנה, מונחים כגון טווח קיץ ו טווח חורף מועסקים לעיתים קרובות.
  • עבור מינים שרק חלק מהטווח שלהם משמש לפעילות רבייה, המונחים טווח רבייה ו טווח שאינו רבייה משומשים.
  • עבור בעלי חיים ניידים, המונח טווח טבעי משמש לעתים קרובות, בניגוד לאזורים בהם הוא מתרחש כנודד.
  • לעתים קרובות מתווספים מוקדמות גיאוגרפיות או זמניות, כגון ב- טווח בריטי אוֹ טווח לפני 1950. הטווחים הגיאוגרפיים האופייניים יכולים להיות טווח הרוחב וטווח הגובה.

התפלגות מנותקת מתרחשת כאשר שני אזורים או יותר בתחום הטקסון מופרדים באופן ניכר זה מזה מבחינה גיאוגרפית.

דפוסי ההפצה עשויים להשתנות לפי עונה, הפצה על ידי בני אדם, בתגובה לזמינות המשאבים וגורמים אביוטיים וביוטיים אחרים.

עריכה אביוטית

ישנם שלושה סוגים עיקריים של גורמים אביוטיים:

  1. גורמי אקלים מורכבים מאור שמש, אטמוספירה, לחות, טמפרטורה וגורמי מליחות הם גורמים אביוטיים ביחס לקרקע, כמו גסות הקרקע, גיאולוגיה מקומית, pH קרקע ואוורור ו
  2. הגורמים החברתיים כוללים שימוש בקרקע וזמינות מים.

ניתן לראות דוגמה להשפעות של גורמים אביוטיים על תפוצת המינים באזורים יבשים יותר, בהם רוב הפרטים של המין יתאספו סביב מקורות מים ויוצרים תפוצה גושית.

חוקרים מפרויקט גיוון האוקיאנוס הארקטי (ARCOD) תיעדו את המספר העולה של סרטנים במים חמים בים סביב איי סוולבארד בנורווגיה. ארקוד היא חלק ממפקד החיים הימיים, פרויקט ענק בן 10 שנים המשתתף בחוקרים ביותר מ -80 מדינות שמטרתו להתוות את המגוון, ההפצה והשפע של החיים באוקיאנוסים. החיים הימיים הושפעו במידה רבה מההשפעות הגוברות של שינויי האקלים העולמיים. מחקר זה מראה שככל שטמפרטורות האוקיינוס ​​עולות מינים מתחילים לנוע למים הארקטיים הקרים והקשים. אפילו סרטן השלג הרחיב את טווח הנסיעה שלו 500 ק"מ צפונה.

עריכה ביוטית

גורמים ביוטיים כמו טרף, מחלה ותחרות בין-ספציפית לתחום משאבים כמו מזון, מים ובני זוג יכולים להשפיע גם על אופן תפוצתו של מין. לדוגמא, גורמים ביוטיים בסביבתו של שליו יכללו את טרפם (חרקים וזרעים), תחרות מצד שליו אחר וטורפיהם, כמו זאב הערבות. [4] יתרון של עדר, קהילה או תפוצה מגובשת אחרת מאפשר לאוכלוסייה לאתר טורפים מוקדם יותר, במרחק גדול יותר, ואולי להגן על הגנה יעילה. בשל משאבים מוגבלים, אוכלוסיות עשויות להיות מפוזרות באופן שווה כדי למזער את התחרות, [5] כפי שנמצא ביערות, בהם התחרות על אור השמש מייצרת תפוצה אחידה של עצים. [6]

בני האדם הם אחד המפיצים הגדולים ביותר בשל המגמות הקיימות כיום בגלובליזציה ובמרחב ענף התחבורה. לדוגמא, מיכליות גדולות ממלאות פעמים רבות את נטליהן במים בנמל אחד ומרוקנות אותן באחרת, וגורמות לתפוצה רחבה יותר של מינים מימיים. [7]

בקנה מידה גדול, דפוס ההתפלגות בקרב אנשים באוכלוסייה מגובש. [8]

מסדרונות חיות בר לציפורים עריכה

אחת הדוגמאות הנפוצות לטווחי מיני ציפורים הן אזורי מסת יבשת הגובלים עם גופי מים, כגון אוקיאנוסים, נהרות או אגמים. הם מכונים רצועת חוף. דוגמה שנייה, מינים מסוימים של ציפורים תלויים במים, בדרך כלל בנהר, בביצה וכו ', או ביער הקשור למים וחיים בתוך מסדרון הנהר. דוגמה נפרדת למסדרון נהר תהיה מסדרון נהר הכולל את כל הניקוז, כשקצה הטווח תחום על ידי הרים, או גבהים גבוהים יותר הנהר עצמו יהיה אחוז קטן יותר ממסדרון הטבע כולו, אך המסדרון נוצר בגלל הנהר.

דוגמה נוספת למסדרון לחיות בר של ציפורים תהיה מסדרון רכסי הרים. בארה"ב של צפון אמריקה, אזור סיירה נבאדה במערב, והרי האפלצ'ים במזרח הם שתי דוגמאות לבית גידול זה, המשמש בקיץ ובחורף, על ידי מינים נפרדים, מסיבות שונות.

מינים של ציפורים במסדרונות אלה מחוברים לטווח עיקרי למין (תחום רציף) או שנמצאים בתחום גיאוגרפי מבודד ומהווים תחום מבודד. ציפורים שעוזבות את האזור, אם הן נודדות, יעזבו מחוברות לטווח הראשי או יצטרכו לטוס מעל יבשה שאינה מחוברת למסדרון הטבע, ולכן הן היו עוברות מהגרים מעבר לאדמה בהן הן עוצרות לסירוגין, פוגעות או מפספסות, יבקרו .

בקנה מידה גדול, דפוס ההתפלגות בקרב אנשים באוכלוסייה מגובש. בקנה מידה קטן, התבנית עשויה להיות מגובשת, רגילה או אקראית. [8]

עריכה מסובכת

תפוצה מגובשת היא סוג הפיזור הנפוץ ביותר שנמצא בטבע. בהתפלגות מקובצת, המרחק בין אנשים שכנים ממוזער. סוג זה של הפצה נמצא בסביבות המאופיינות במשאבים טלאים. בעלי חיים זקוקים למשאבים מסוימים כדי לשרוד, וכאשר משאבים אלה הופכים נדירים בחלקים מסוימים של השנה בעלי חיים נוטים "להצטבר" סביב משאבים מכריעים אלה. אנשים יכולים להיות מקובצים יחד באזור בגלל גורמים חברתיים כמו עדרי אנוכיות וקבוצות משפחתיות. אורגניזמים המשמשים בדרך כלל כטרף יוצרים תפוצה מגובשת באזורים בהם הם יכולים להסתיר ולגלות טורפים בקלות.

סיבות נוספות להפצות גושות הן חוסר היכולת של צאצאים לנוע באופן עצמאי מבית הגידול שלהם. זה נראה אצל בעלי חיים צעירים שאינם תנועים ותלויים מאוד בטיפול בהורים. לדוגמא, קן הנשרים הקירח של הנשרים מציג תפוצה של מינים גושים מכיוון שכל הצאצאים נמצאים בתת-קבוצה קטנה של אזור סקר לפני שהם לומדים לעוף. התפלגות מגובשת יכולה להועיל לאנשים בקבוצה זו. עם זאת, בחלק מהמקרים של אוכלי עשב, כמו פרות ועופות בר, הצמחייה סביבם עלולה לסבול, במיוחד אם בעלי חיים מכוונים במיוחד לצמח אחד.

תפוצה מגובשת במינים משמשת כמנגנון נגד טרף וכן כמנגנון יעיל ללכידת טרף או פינתו. כלבי בר אפריקאים, Lycaon pictus, השתמש בטכניקה של ציד קהילתי כדי להגדיל את אחוזי ההצלחה שלהם בתפיסת טרף. מחקרים הראו כי חבילות גדולות יותר של כלבי בר אפריקאים נוטות להיות עם מספר גדול יותר של הריגות מוצלחות. דוגמה מצוינת להפצה גושית עקב משאבים טלאים היא חיות הבר באפריקה בעונה היבשה אריות, צבועים, ג'ירפות, פילים, גאזלים, ובעלי חיים רבים אחרים נצמדים על ידי מקורות מים קטנים שנמצאים בעונה היבשה הקשה. [9] כמו כן נצפה כי מינים נכחדים ומאוימים נוטים יותר להצטבר בהפצתם בפילוגניה. הנימוק שמאחורי זה הוא שהם חולקים תכונות המגבירות את הפגיעות להכחדה מכיוון שטקסים קשורים ממוקמים לרוב באותם סוגים גיאוגרפיים או בתי גידול רחבים שבהם מרוכזים איומים הנגרמים על ידי האדם. תוך שימוש בפילוגניות שלמות שפותחו לאחרונה עבור טורפים ופרימטים של יונקים, הוכח כי רוב המקרים המאויימים על מינים רחוקים מלהתפצל באופן אקראי בין טקסות וציפיות פילוגנטיות ומציגים תפוצה מגובשת. [10]

התפלגות רציפה היא אחת בה אנשים קרובים זה לזה ממה שהיו אם היו מפוזרים באופן אקראי או שווה, כלומר, מדובר בהתפלגות גושית עם גוש יחיד. [11]

עריכה רגילה או אחידה

פחות נפוץ מהתפלגות מגובשת, התפלגות אחידה, המכונה גם התפלגות, מרווחת באופן שווה. התפלגויות אחידות נמצאות באוכלוסיות בהן המרחק בין פרטים שכנים מוגדל. הצורך למקסם את המרווח בין הפרטים נובע בדרך כלל מתחרות על משאב כמו לחות או חומרים מזינים, או כתוצאה מאינטראקציות חברתיות ישירות בין פרטים באוכלוסייה, כגון טריטוריאליות. לדוגמא, פינגווינים מראים לעיתים קרובות מרווחים אחידים על ידי הגנה אגרסיבית על שטחם בקרב שכניהם. גם מחילות הגרבילים הגדולות למשל מופצות באופן קבוע, [12] אשר ניתן לראות על תמונות לוויין. [13] צמחים מציגים גם תפוצות אחידות, כמו שיחי הקריוזוטים באזור הדרום-מערבי של ארצות הברית. סלוויה leucophylla הוא זן בקליפורניה הגדל באופן טבעי בריווח אחיד. פרח זה משחרר כימיקלים הנקראים טרפנים המעכבים את צמיחתם של צמחים אחרים סביבו ומביאים להפצה אחידה. [14] זוהי דוגמה לאללופתיה, שהיא שחרור כימיקלים מחלקי הצמח על ידי שטיפה, הפרשת שורשים, נידוף, פירוק שאריות ותהליכים אחרים. לאללופתיה יכולות להיות השפעות מועילות, מזיקות או ניטרליות על האורגניזמים שמסביב. לחלקים כימיים אללוכיים אפילו יש השפעות סלקטיביות על האורגניזמים הסובבים למשל, מיני העצים Leucaena leucocephala מפריש כימיקל המעכב את צמיחתם של צמחים אחרים אך לא של מינים משלו, וכך יכול להשפיע על תפוצתם של מינים יריבים ספציפיים. אללופתיה בדרך כלל מביאה להתפלגות אחידה, ונחקר את הפוטנציאל שלה לדכא עשבים שוטים. [15] לעיתים קרובות חקלאות ופרקטיקות חקלאיות יוצרות תפוצה אחידה באזורים שלא הייתה קיימת בעבר, למשל, עצי תפוז הגדלים בשורות על מטע.

עריכה אקראית

תפוצה אקראית, הידועה גם כריווח בלתי צפוי, היא צורת ההפצה הכי פחות נפוצה בטבע ומתרחשת כאשר החברים של מין נתון נמצאים בסביבות בהן מיקומו של כל פרט אינו תלוי באנשים אחרים: הם אינם מושכים ואינם דוחים. אחד את השני. התפלגות אקראית נדירה באופייה מכיוון שגורמים ביוטיים, כמו אינטראקציות עם אנשים שכנים, וגורמים אביוטיים, כגון אקלים או תנאי קרקע, גורמים בדרך כלל להתאגדות או התפשטות של אורגניזמים. תפוצה אקראית מתרחשת בדרך כלל בבתי גידול שבהם תנאי הסביבה ומשאבים עקביים. דפוס פיזור זה מאופיין בהיעדר אינטראקציות חברתיות חזקות בין מינים. לדוגמא כאשר זרעי שן הארי מפוזרים ברוח, תפוצה אקראית תתרחש לעיתים קרובות כאשר השתילים נוחתים במקומות אקראיים שנקבעים על ידי גורמים בלתי נשלטים. זחלי צדפות יכולים גם לנסוע מאות קילומטרים המופעלים על ידי זרמי ים, מה שעלול לגרום להתפלגותם האקראית. התפלגויות אקראיות מציגות גושי סיכוי (ראו גוש פואסון).

ישנן דרכים שונות לקבוע את דפוס התפוצה של המינים. ניתן להשתמש בשיטת השכן הקרוב ביותר של קלארק – אוונס [16] כדי לקבוע אם התפלגות מגובשת, אחידה או אקראית. [17] על מנת להשתמש בשיטת השכן הקרוב ביותר של קלארק – אוונס, חוקרים בוחנים אוכלוסייה של מינים בודדים. המרחק של אדם לשכנו הקרוב ביותר נרשם עבור כל אדם במדגם. עבור שני אנשים שהם השכן הקרוב ביותר זה לזה, המרחק נרשם פעמיים, פעם אחת עבור כל אדם. כדי לקבל תוצאות מדויקות, מוצע שמספר מדידות המרחק יהיה לפחות 50. המרחק הממוצע בין השכנים הקרובים ביותר מושווה למרחק הצפוי במקרה של התפלגות אקראית כדי לתת את היחס:

אם היחס הזה ר שווה ל- 1, ואז האוכלוסייה מפוזרת באופן אקראי. אם ר גדול משמעותית מ -1, האוכלוסייה מפוזרת באופן שווה. לבסוף, אם ר הוא פחות מ -1, האוכלוסייה מגובשת. לאחר מכן ניתן להשתמש במבחנים סטטיסטיים (כגון מבחן t, ריבועי צ'י וכו ') כדי לקבוע אם ר שונה באופן משמעותי מ -1.

שיטת יחס השונות / הממוצע מתמקדת בעיקר בקביעת האם מין מתאים להתפלגות מרווחת באופן אקראי, אך יכול לשמש גם כראיה להתפלגות אחידה או מגובשת. [18] כדי להשתמש בשיטת יחס השונות / הממוצע, נאספים נתונים מכמה דגימות אקראיות של אוכלוסייה נתונה. בניתוח זה, חובה שנחשבים לנתונים של לפחות 50 חלקות מדגם. מספר האנשים שנמצאים בכל מדגם מושווה לספירות הצפויות במקרה של התפלגות אקראית. ניתן למצוא את ההתפלגות הצפויה באמצעות הפצת Poisson. אם יחס השונות / הממוצע שווה ל -1, נמצא שהאוכלוסיה מחולקת באופן אקראי. אם הוא גדול באופן משמעותי מ -1, נמצא כי האוכלוסייה היא תפוצה מגובשת. לבסוף, אם היחס נמוך משמעותית מ -1, נמצא כי האוכלוסייה מפוזרת באופן שווה. מבחנים סטטיסטיים אופייניים המשמשים למציאת המשמעות של יחס השונות / הממוצע כוללים מבחן t של סטודנט וצ'י בריבוע.

עם זאת, חוקרים רבים סבורים כי מודלים של חלוקת מינים המבוססים על ניתוח סטטיסטי, מבלי לכלול מודלים ותיאוריות אקולוגיות, אינם שלמים מדי לחיזוי. במקום מסקנות המבוססות על נתוני נוכחות-היעדרות, הסבירות המעבירה את הסבירות שמין יתפוס אזור נתון עדיפות יותר מכיוון שמודלים אלה כוללים הערכת אמון בסבירות שהמין יהיה / נעדר. הם גם בעלי ערך רב יותר מנתונים שנאספו על בסיס נוכחות או היעדרות פשוטים מכיוון שמודלים המבוססים על הסתברות מאפשרים ליצור מפות מרחביות המציינות את הסיכוי שיימצא מינ באזור מסוים. אז ניתן להשוות בין אזורים דומים כדי לראות כמה סביר שמין יתרחש שם גם זה מוביל לקשר בין התאמת בית גידול להופעת מינים. [19]

ניתן לחזות חלוקת מינים על סמך דפוס המגוון הביולוגי בקנה מידה מרחבי. מודל היררכי כללי יכול לשלב הפרעות, פיזור ודינמיקות אוכלוסייה. בהתבסס על גורמים של פיזור, הפרעה, משאבים המגבילים את האקלים והתפלגות מינים אחרים, חיזויים להפצת מינים יכולים ליצור טווח ביו אקלימי או מעטפת ביו אקלימית. המעטפה יכולה לנוע בין מקומי לקנה מידה עולמי או בין עצמאות צפיפות לתלות. המודל ההיררכי לוקח בחשבון את הדרישות, ההשפעות או המשאבים וכן הכחדה מקומית בגורמי הפרעה. מודלים יכולים לשלב את מודל הפיזור / הגירה, מודל ההפרעה ומודל השפע. ניתן להשתמש במודלים להפצת מינים (SDM) להערכת השפעות על שינויי האקלים ובעיות ניהול שימור. מודלים להפצת המינים כוללים: מודלים של נוכחות / היעדרות, מודלים של פיזור / נדידה, מודלים של הפרעות ומודלים של שפע. דרך רווחת ליצור מפות תפוצה צפויות למינים שונים היא לסווג שכבת כיסוי קרקע מחדש, תלוי אם יש לחזות את המין המדובר בהרגל כל סוג כיסוי. SDM פשוט זה שונה לעיתים קרובות באמצעות נתוני טווח או מידע נלווה, כגון גובה או מרחק מים.

מחקרים אחרונים הראו כי גודל הרשת המשמש יכול להשפיע על התפוקה של מודלים אלה של חלוקת מינים. [20] גודל הרשת הסטנדרטי 50x50 ק"מ יכול לבחור פי 2.89 יותר שטח מאשר כאשר הוא מעוצב עם רשת 1x1 ק"מ לאותו המין. יש לכך מספר השפעות על תכנון שימור המינים על פי תחזיות לשינויי אקלים (מודלים אקלימיים גלובליים, המשמשים לעתים קרובות ביצירת מודלים להפצת מינים, כוללים לרוב רשתות בגודל 50-100 ק"מ) העלולים להוביל לחיזוי יתר של טווחי העתיד. בדוגמנות להפצת מינים. זה יכול לגרום לזיהוי שגוי של אזורים מוגנים המיועדים לבית גידול עתידי למין.

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


3 תשובות 3

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

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

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

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