Музейные экспонаты с плохой привязкой к местности


10

В настоящее время я собираю список образцов из баз данных различных музеев естествознания для дальнейшего исследования. Однако хорошо известная проблема, связанная с большинством исторических данных, - это отсутствие соответствующей широты и долготы, которая не позволяет использовать эти данные.

Существовали способы преодоления этих данных, такие как создание буфера вокруг региона и обеспечение диапазона неопределенности, связанной с этим местоположением.

Например, функция - biogeomancer из пакета «пространственный» в R автоматизирует процесс географической привязки, при условии, что есть несколько текстовых описаний, таких как «в 2 милях к западу от XYZ». Смотрите документацию здесь.

Тем не менее, моя главная задача заключается в использовании такого протокола для регионов размером до 200 кв. Есть ли способ преодолеть эту проблему? Я хотел бы использовать эту богатую коллекцию музейных данных при условии, что смогу справиться с неопределенностью, связанной с его местоположением.

Пример некоторых образцов в моем наборе данных показан ниже. Обратите внимание, что многие из них содержат упоминания о возвышении, но большинство записей очень расплывчаты.

введите описание изображения здесь

РЕДАКТИРОВАТЬ

В разделе комментариев один из вас упомянул цель этого вопроса и то, чего я стремлюсь достичь из этого.
1. Меня интересует, как однажды можно уменьшить радиус неопределенности от действительно широкой многоугольной области до меньшего радиуса неопределенности (если это возможно).
2. Эта информация поможет мне выполнить будущий пространственный анализ, такой как, например, моделирование распределения видов / обитания.


Вы слышали о GBIF? gbif.org Уже может быть то, что вы ищете.
GISKid

@GISKid Да, это данные из GBIF. К сожалению, в большинстве этих данных отсутствует хорошая геопривязка.
Виджей Рамеш

Интересный вопрос! Однако немного неясно, что вы надеетесь сделать - элементы уже имеют географическую привязку в том смысле, что они содержат информацию о местоположении, хотя и для полигональных областей. Не могли бы вы отредактировать и раскрыть, как вы надеетесь «справиться» с проблемой больших полигонов? Это поможет с пространственным анализом?
Симбамангу

1
Какой метод вы используете для вашего SDM? А какой размер учебного района? В зависимости от этих двух - я бы подумал, что большая область неопределенности лично снизит полезность SDM. Вместо этого я бы исключил данные, которые имеют большой многоугольник неопределенности, и использовал бы «более точные» случаи. Особенно, если количество случаев не является проблемой
GISKid

2
Кажется, что вы можете сузить, в каждом конкретном случае , некоторые данные о местности - например, используя растровые данные высотой 3500 ± 250 для маскирования внутри многоугольника Сантхапара. Без использования «детективных навыков» и дополнительных данных, вы застряли с захватом центроида многоугольника - и (исходя из опыта) это опасно! Почему? Теперь у вас есть то, что выглядит как точные точечные данные, но это не так, и это может потеряться во время обмена или на этапах анализа.
Симбамангу

Ответы:


2

Подумайте о датах происшествий и постарайтесь получить (построить, привязать) карту дорог, железнодорожных линий, мостов и городов (деревень, вокзалов), известных или доступных в то время для региона, поскольку натуралисты обычно уходили из известная деревня и, по крайней мере, частично использовать существующую дорогу или железную дорогу, чтобы добраться до районов, где они получили образцы. Иногда это действительно уменьшает вероятную область сбора / возникновения. Если есть больше экологической информации о виде, вы можете исключить области, например. открытые по отношению к лесным угодьям, водно-болотные угодья по сравнению с засушливыми землями, а также некоторые дополнительные сведения об историческом распределении этих экосистем.

Хотя я бы определенно не использовал эти местоположения для обучения модели SDM, вы могли бы использовать результаты модели, чтобы уменьшить неопределенность местоположения этого случая с плохой географической привязкой в ​​сочетании с данными, упомянутыми выше.

В некоторых недавних работах рассматривается влияние смещения этих неопределенных мест, и при использовании обобщенных данных об окружающей среде можно компенсировать это нечеткое местоположение:

Где позиционная неопределенность является проблемой для моделирования распространения вида? https://onlinelibrary.wiley.com/doi/pdf/10.1111/j.1600-0587.2013.00205.x

Количественная оценка степени смещения при использовании данных в масштабе округа при моделировании распределения видов: может ли увеличение размера выборки или использование усредненных по округу данных об окружающей среде снизить перераспределение распределения? https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5551104/


Спасибо за ваш ответ Присцилла. В настоящее время я пытаюсь получить исторические карты земного покрова и данные, которые предоставляют информацию о дорогах и поселках. Надежда состоит в том, чтобы сопоставить эту информацию с метками из исторических музейных экспонатов, чтобы лучше геопривязать их. Хотя аспект SDM не является серьезной проблемой, я действительно хотел бы точно привязать их к географическим точкам, поскольку я хочу отобрать эти образцы для генетического анализа. Есть мысли о последнем?
Виджей Рамеш
Используя наш сайт, вы подтверждаете, что прочитали и поняли нашу Политику в отношении файлов cookie и Политику конфиденциальности.
Licensed under cc by-sa 3.0 with attribution required.