Professional Documents
Culture Documents
Mapa del Parque Nacional de Peneda - Geres y el rea de estudio , con las celdas de
la cuadrcula muestra representados a lo largo de un gradiente de uso agrcola.
Mtodos
rea de estudio y tipo de hbitat focal
El rea de estudio ( 120 km2 ) es un paisaje rural tradicional situada en PenedaGeres Parque Nacional , en el noroeste de Portugal ( 42 1'39.04 " N, 8 9'35.377 "
W ; Fig. 1) . El clima es templado a sub - Mediterrneo y la precipitacin anual
media total es 2.000 mm . La elevacin se extiende desde 524 hasta 1.332 m, y la
geologa
est
dominada
por
el
granito
m buffer) y el barrio (250 m buffer) que rodea a cada parcela. Funciones de los
ecosistemas y las condiciones locales fueron considerados a nivel de parcelas
individuales (100m2; Monteiro et al, 2013).. Ms anchas y el vecindario paisaje
determinantes de la estructura se obtuvieron de: preexistente mapa LC ("Carta de
Ocupacao do Solo", COS), producido por la delimitacin manual de los objetos y la
clasificacin visual de fotografas areas (LC_COS); y un mapa LC obtenido a partir
de los pro- automatizados, orientada a objetos y basada en el conocimiento del
sistema EODHaM ductos (LC_EODHaM), aplicado a dos imgenes 2013 WorldView-2
satlite, correspondiente a un perodo de tiempo antes (abril) y durante (junio)
vegetacin pico de productividad (200 m2 mnima unidad de mapeo). Una
comparacin detallada de los mapas de dos LC se presenta en el Suplemento 3.
determinantes funcin del ecosistema fueron representados por RS derivados
ndices espectrales (RSI) relacionado con por ejemplo, productividad primaria,
obtenida como del sistema EODHaM intermedio productos (RSLEODHaM), el uso de
imgenes de WorldView-2 (Step_3, Fig. 2). Determinantes de condiciones locales
fueron derivados de las encuestas en el campo, e incluyeron informacin sobre la
topografa y bosques de dosel (Monteiro et al, 2013;. Step_2, Fig. 2). De este
conjunto de factores determinantes, 43 predictores (Suplemento 2) fueron
considerados por la informtica estadstica descriptiva pertinentes para cada
determinante (Cabello et al, 2012;. Step_4, Fig. 2).
Los anlisis estadsticos y la seleccin del modelo
El uso de predictores de un solo grupo o combinaciones de grupos (ver " Las
variables de respuesta y los predictores de evaluacin de la calidad del Bosque", de
seccin) , se consideraron nueve hiptesis en competencia ( H1-9 ) , hypothesising
que la fuente de datos de predictores podra influir en el rendimiento predictivo
sobre el hbitat indicadores de calidad . Las hiptesis se construyeron con
predictores calculados a partir de LC.COS (H1 , H3, y H5) , LCEODHaM (H2 , H4 , H6
y H9 ) , RSLEODHaM (H7 y H9 ) , y / o en el campo atributos ( H8) . Las hiptesis se
describen en la Fig . 2 (Step_5) . Para cada hip- tesis , un modelo de la
competencia corresponsal fue considerado ( M1-9 , Suplemento 4 ), utilizando
mltiples modelos de inferencia ( MMI ; Burnham y Anderson , 2002) y
procedimientos con un promedio basado en los criterios de informacin de Akaike
( AIC ; Burnham et al . , 2011 ).
Implementamos modelos aditivos generalizados (MAG) para incluir las relaciones
especies-ambiente asimtricos en el software R no lineal y (paquete mgcv;
RDevelopment Core Team, 2012). Para evitar el exceso de ajuste y maximizar
modelo capacidad predictiva, fijamos el mximo grado de suavidad igual a dos, y un
nmero mximo de (el mejor) tres predictores (heursticamente seleccionado entre
el conjunto inicial) por modelo, permitiendo diferentes predictores para entrar moels contenida en la misma hiptesis en funcin de la variable de respuesta
(Burnham y Anderson, 2002;. Guisan et al, 2002; suplementar 4).
Los predictores de cada modelo se pusieron a prueba a travs de pruebas de
Pearson, y valores de correlacin dentro de cada modelo por encima de 0.75 no se
les permiti. Para cada modelo calibrado, un umbral ofVlF> 5 (factores de inflacin
de varianza generalised - VIF; Fox y Weisberg, 2011) fue considerado como
indicativo de alta multicolinealidad entre los predictores (Kutner et al., 2004).
Para la comparacin de modelos y clasificacin, AIC con una correccin para finita
tamao de la muestra fue seleccionada (CIAC; Symonds y Moussalli, 2011). Los
modelos con AALC <2 se consideraron debido a su alta est poder explicativo y
apoyo (Anderson et al., 2001). Desviacin (D2) y correlaciones de Pearson (COR)
entre los valores predichos y observados fueron utilizados como la bondad de ajuste
de medidas (Burnham et al., 2011).