Caracterización de la distribución espacial de los pandas gigantes (Ailuropoda melanoleuca) en los paisajes forestales fragmentados

Tiejun Wang1 , Xinping YE1 , 2 * , Andrew K. Skidmore1 y Alberto G. Toxopeus1

* Correspondencia: Xinping Ye, Foping Reserva Natural Nacional , N º 89 Huangjiawan Road, 723400 Foping , China. E- mail: pandayxp@gmail.com

RESUMEN

Objetivo Para examinar los efectos de la fragmentación del bosque sobre la distribución de toda la panda gigante salvaje ( Ailuropoda melanoleuca ) la población, y para proponer un enfoque de modelo para el control de la distribución espacial y el hábitat de los pandas a escala de paisaje

1 Departamento de Recursos Naturales , Instituto Internacional de Ciencias de la Geoinformación y Observación de la Tierra (ITC ) , PO Box 6 , 7500 AA Enschede , Países Bajos , 2Foping Reserva Natural Nacional , N º 89 Huangjiawan Road, 723400 Foping , China

usando imágenes de resolución moderada Spectro- radiómetro ( MODIS ) mayor índice de vegetación ( EVI ) de datos de series de tiempo .

Ubicación cinco cadenas montañosas en el suroeste de China ( Qinling , Minshan , Qionglai, Xiangling y Liangshan ) .

Métodos Los datos de la panda de pseudo -ausencia de los Gigantes fueron generados a partir de datos sobre ocurrencias panda obtenidos de la tercera encuesta nacional de panda gigante. Para cuantificar la fragmentación de los bosques , 26 indicadores de fragmentación se derivaron de composite de 16 días MODIS de 250 m EVI datos multi- temporales y ocho de estos indicadores fueron seleccionados tras un análisis de los factores. Las diferencias entre la presencia y la ausencia de la panda panda se determinaron aplicando las pruebas de significación . Luego una regresión logística porpasos hacia adelante se aplicó a explorar la relación entre la distribución de panda y fragmentación de los bosques .

Tamaño del parche Resultados Bosque , la densidad de borde y agregación parche se encontró que tenían un papel importante en la determinación de la distribución de los pandas. Los parches de bosque denso que ocupa pandas gigantes fueron significativamente más grandes , más juntos y más contiguas que los parches en los que no se registraron los pandas gigantes . La fragmentación del bosque más pequeño en las montañas de Qinling , mientras que las regiones Xiangling y Liangshan tienen más fragmentación. Uso de las métricas del paisaje seleccionados, el modelo de regresión logística predijo la distribución de los pandas gigantes con una precisión global de 72,5 % ( j = 0,45) . Sin embargo , cuando se aplicó un control basada en el conocimiento para la elevación y la pendiente de la regresión , la precisión global del modelo mejoró a 77,6 % ( J = 0,55 ) .

Principales conclusiones Los pandas gigantes parecen sensibles al tamaño del parche y los efectos de aislamiento asociados con la fragmentación de los bosques densos , lo que implica que el diseño de las áreas de conservación efectivas para pandas gigantes salvajes debe incluir parches de bosques grandes y densas que son adyacentes a otros parches similares. El enfoque desarrollado aquí es aplicable para el análisis de la distribución espacial de la panda gigante de MODIS de 250 m de datos EVI multitemporales y métricas del paisaje a escala de paisaje .

Palabras clave Ailuropoda melanoleuca , China, biogeografía conservación, fragmentación de los bosques , los pandas gigantes , control basada en el conocimiento , las medidas del paisaje , la regresión logística , MODIS , distribución espacial .

INTRODUCCIÓN

El panda gigante, Ailuropoda melanoleuca (David , 1869) , es uno de los mamíferos más amenazados del mundo , así como posiblemente especies emblemáticas más reconocidas del mundo . La evidencia fósil sugiere que el panda gigante ocurrió ampliamente en los bosques templados y subtropicales cálidas durante gran parte del este y el sur de China ( Hu et al. , 1985 ) . Hoy en día , los pandas salvajes están restringidos a templado bosques montanos en cinco regiones montañosas separadas donde el bambú domina el sotobosque . Según la tercera

encuesta nacional de panda gigante realizada entre 2000 y 2002 , el número de individuos de panda gigante se ha incrementado en las últimas décadas , pero su distribución es discontinua , con 24 poblaciones aisladas ( Administración Estatal de Silvicultura de China, 2006 ) . Fragmentación y degradación de los bosques han sido hipótesis de tamaño para ser la causa de un descenso en la población de pandas gigantes silvestres y su hábitat (Hu et al, 1985 ; . Hu, 2001 ) . Sin embargo , poco se sabe sobre el patrón de distribución de los pandas gigantes a nivel nacional (Hu , 2001 ; Lindburg y Baragona , 2004) y no hay estudios cuantitativos o sistemáticas han intentado abordar la distribución del oso panda gigante en relación con la fragmentación de los paisajes forestales (por ejemplo, los bosques tamaño del parche , el aislamiento de parches y agregación) , ciertamente no cubre todo el rango de distribución de la panda gigante salvaje. Variables estructurales del paisaje (es decir, las medidas del paisaje ) son fáciles de obtener en grandes zonas utilizando sensores remotos, y su cálculo es menos exigente que la recopilación de datos detallados sobre la distribución de especies ( Groom et al. , 2006 ) . Se han propuesto un gran número de variables de paisaje para cuantificar los patrones de paisaje en base a la ocupación del suelo derivada de los datos obtenidos por teledetección ( O'Neill et al, 1988 ; . Hülshoff , 1995 ; Skinner, 1995 ; Gustafson, 1998), y un número creciente de estudios utilizan métricas del paisaje para predecir la distribución de especies ( Bissonette , 1997 ; Dufour et al, 2006 . ) . Porque la mayoría de las medidas del paisaje son elementos dependientes y de paisaje de escala son específicos de especie ( Caín et al, 1997 ; . Saura, 2004 ) , las clases de cobertura del suelo adecuados y resolución espacial son críticos cuando se vincula la variable de respuesta de una especie de métricas del paisaje (Turner et al, 1989 ; . Taylor et al , 1993 ; . Hamazaki , 1996 ; Frohn , 1998 ; . Corsi et al , 2000 ; . Wu et al , 2000 ; Saura , 2004 ) . Al elegir una fuente de datos para la clasificación de la cubierta terrestre , la disponibilidad de datos y la resolución espacial son dos cuestiones importantes. De alta resolución espacial (por ejemplo, 30 m) de sensores , como el Landsat Thematic Mapper ( TM ) , tiene un ancho franja relativamente estrecha y revisitar la misma área con poca frecuencia , por lo que su adquisición e interpretación caro y consume mucho tiempo. También es difícil de adquirir imágenes suficientes sobre un área grande . La serie de tiempo de composite de 16 días Moderate Resolution Imaging Spectro- radiómetro (MODIS ) de 250 m índice de vegetación mejorado imágenes ( EVI ), con una amplia cobertura geográfica ( franja de anchura 2.330 kilometros ) , resolución espacial media y alta resolución temporal , ofrece una nueva opción para grandes superficies de clasificación de la cubierta terrestre

( Bagan et al, 2005 ; . Liu y Kafatos , 2005 ; . Xavier et al, 2006 ; . Wardlow et al, 2007) . La IVE está diseñado para reducir al mínimo los efectos de fondo atmosférica y el suelo ( Huete et al . , 2002 ) , y es sensible a la densidad del dosel ( Gao et al . , 2000 ) . El gobierno chino va a lanzar un programa de monitoreo de largo plazo del hábitat de los pandas gigantes a nivel nacional antes de 2012. Como la investigación preliminar para este programa, uno de los objetivos de este estudio fue proponer un método eficaz el uso de datos de percepción remota , para monitorear la dinámica de hábitats y también para evaluar un plan para la conservación del hábitat del panda gigante a nivel de paisaje . Por lo tanto , la fuente de los datos y la disponibilidad son cuestiones clave. El Nacional de Tierras Mapa de la cubierta existente of China (NLCD-2000) genera a partir de los datos del Landsat en 1999-2000 (Liu et al. , 2002 ) no es apropiado para el monitoreo del

hábitat próxima rutina y la evaluación rápida. Se necesita un enfoque eficaz teledetección para caracterizar la dinámica de la cubierta vegetal y la estructura del paisaje . El objetivo de este trabajo es entender cómo la distribución de toda la población de pandas gigantes se relaciona con la fragmentación de los bosques , y para proponer un enfoque de modelo para el control de la distribución espacial y el hábitat de los pandas a escalade paisaje a partir de datos de series de tiempo MODIS EVI . Las preguntas específicas de investigación incluyen : ( 1 ) ¿Qué métricas de paisaje se caracteriza por la fragmentación de los bosques ocupados por pandas gigantes? ( 2 ) ¿Cuáles son las relaciones entre la distribución de los pandas gigantes y fragmentación de los bosques ? ( 3 ) ¿Qué proporción de la distribución de la panda gigante puede explicarse por las medidas del paisaje ?

MATERIALES Y MÉTODOS

área de estudio

El área de estudio (Fig. 1 ) incorpora 45 condados administrativos en las provincias de Shaanxi , Gansu y Sichuan en China , que cubren toda el área de distribución del oso panda gigante , y se tomaron muestras totalmente durante la tercera encuesta nacional de la panda ( Administración Estatal de Silvicultura de China, 2006 ) . La superficie total abarca unos 160.000 km2 , con una elevación de 560 a 6500 m . El área de estudio incluye todos los rangos de montaña a lo largo del borde oriental de la meseta Qinghai- Tíbet : Qinling , Min - shan , Qionglai , Xiangling (incluyendo Mayor y Menor Xiangling Xiangling ) y Liangshan ( Hu , 2001 ) . La zona más septentrional , donde se produce el panda gigante en la actualidad es la región Qinling (Hu , 2001 ) , que está cubierto de hoja ancha bosques caducifolios y de coníferas subalpinos ( Ren , 1998 ) . La densidad de los pandas gigantes es más alta en las montañas de Qinling ( Administración Estatal de Silvicultura de China, 2006 ) . Las regiones Minshan y Qionglai , con un clima fresco y húmedo , son el mayor hábitat de panda existente en China ( Hu, 2001 ) . Las regiones Xiangling y Liangshan forman la zona más austral de distribución panda, dominado por bosques de hoja perenne de hoja ancha y bosques de coníferas (China Vegetación Comité Compilación , 1980 ) .

Figura 1 Mapa del área de estudio delimitada en un polígono negro negrita (ver recuadro) con los tipos de cobertura de suelo . Tipos de tierra de cobertura se clasificaron de imágenes de resolución moderada Spectro- radiómetro (MODIS ) de datos de 250 m índice de vegetación mejorado ( EVI ) de series de tiempo 2001-2003 .

Datos ambientales y las especies

Preparación de los datos de teledetección

Tres de 12 meses ( enero-diciembre) de series de tiempo de 16 días composite datos MODIS EVI 250 m ( MOD13Q1 V004 ) para 2001-03 fueron creados para el área de estudio. Cada serie temporal consistió en 23 dimensiones (período compuesta de 16 días ), y cuatro fichas ( h26v05 , h26v06 , h27v05 y h27v06 ) de los datos de MODIS estaban obligados a cubrir el área de estudio . Para cada dimensión , se han descargado los datos EVI ( http://lpdaac.usgs . Gov / lpdaac /

get_data ) , extraídos por azulejo, un mosaico , reproyectados Del sinusoidal a la Albers área igual proyección cónica , mediante un operador de vecino más cercano , y subconjunto de la zona de estudio . Para disminuir el ruido causado principalmente por restos de nubes, una serie de tiempo de 12 meses limpia y lisa de EVI ( 23 dimensiones ) fue reconstruido a partir de tres 12 meses anteriores series de tiempo EVI mediante el empleo de un filtro de suavizado Savitzky - Golay adaptativa , utilizando el paquete timesat ( Jo ¨ nsson y Eklundh , 2004 ) . A continuación, el alisado de series de tiempo de 12 meses resultante se transforma en componentes principales (PCs) usando un análisis de componentes principales ( Byrne et al , 1980 ; . Richards , 1984 ) para reducir el volumen de datos . Los primeros cinco PCs (que representan el 99,1 % de la varianza en la serie temporal EVI suavizada ) fueron retenidos para su posterior caracterización de la cubierta vegetal . Datos auxiliares utilizados en este estudio incluyen el Mapa Nacional de la cubierta de tierra de China (NLCD-2000) , un modelo de elevación digital ( DEM ) y el Bio- climática División Mapa de China. El mapa NLCD -2000 , desarrollado a partir de cientos de imágenes Landsat TM ( 30 m de resolución) adquiridas en 1999 y 2000 para toda China (Liu et al. , 2002 ) , fue geométricamente reproyectado para formar

un mosaico con un tamaño de píxel de 250 m . El mapa NLCD -2000 se utilizó porque los datos de entrenamiento de campo faltaban para la clasificación de la cubierta terrestre en este estudio. La obtención de suficientes datos de entrenamiento en un área tan grande estudio era imposible dentro del alcance de este estudio , por lo tanto, los datos de referencia se extrajeron del mapa NLCD - 2000 . El DEM se recorta de la Misión Shuttle Radar Topography (SRTM ) de 90 m de datos topográficos digitales sin costura ( http://www2.jpl.nasa.gov/srtm/dataprod . Htm) y vuelve a muestrear a 250 m mediante un operador vecino más cercano . El Bio- climática División Mapa de China se genera en base a la temperatura media anual , la precipitación media anual , la temperatura acumulada y el índice de humedad , como se describe en Liu et al. ( 2003 ) . Este conjunto de datos se rasteriza con un tamaño de píxel de 250 m para facilitar la clasificación de la cubierta terrestre . Todos los datos fueron geométricamente rectificadas y georreferenciados en base a los datos MODIS EVI 250 m para garantizar un registro mutuo adecuado y el posicionamiento geográfico.

Caracterización cubierta terrestre

Ocupación del suelo en el área de estudio se clasificaron en cinco categorías (Tabla 1) mediante el uso de una combinación de ISODATA y un clasificador de red neuronal (véase . Fig. 2 para el esquema de clasificación de la cubierta terrestre ) en el entorno 4.3 (ITT Industries Inc. , 2006 ) . Los bosques en el área de estudio fueron divididos en bosque denso y bosque ralo , porque los pandas gigantes en su mayoría prefieren denso bosque a bosque ralo (Hu et al, 1985 ; . Hu, 2001 ) . Desde un punto de vista ecológico, el bosque denso proporciona las condiciones de vivienda esenciales , alimentos y un microambiente estable para los pandas gigantes . Bosques dispersos fueron incluidos en el análisis , ya que pueden actuar como corredores entre fragmentos de bosque denso separadas.

Tabla 2 métricas Paisaje seleccionados en este estudio.

Métrico (acrónimo) Descripción

Mayor índice de parche (LPI) El área (m2) de los más grandes de parche del tipo parche correspondiente dividido por el área total del paisaje (m2)

Índice de forma del paisaje (LSI) La longitud total del borde (o perímetro) que implica la clase correspondiente, dado en número de superficies celulares.

Densidad Patch (PD) El número de parches correspondientes dividido por área total del paisaje (m2)

Porcentaje de paisaje (PLAND) La suma de las áreas (m2) de todas las revisiones de tipo parche correspondiente, dividido por el paisaje total de área (m2)

Densidad Edge (ED) La suma de las longitudes (m) de todos los segmentos de borde que involucran el tipo de parche correspondiente, dividido por el área total del paisaje (m2)

Área de la zona (AREA) La suma de las áreas (m2) de todos los parches del tipo de parche correspondiente, dividido por el número de la media parches del mismo tipo

Radio de giro de la distribución (girar) La distancia media (m) entre cada célula en el parche y el baricentro de parches

Índice de contigüidad (contig) El valor promedio de la contigüidad de las células en un parche de menos 1, dividido por la suma de la plantilla valores menos 1

Índice de dimensión fractal (FRAC) La suma de dos veces el logaritmo de parche perímetro (m), dividido por el logaritmo del área del parche (m2) para cada parche del tipo de parche correspondiente, dividido por el número de parches del mismo tipo

Relación del área perimetral (PARA) La relación entre el parche perímetro (m) hacia la zona (m2)

Forma índice (SHAPE) perímetro Patch dividido por el perímetro mínimo posible para un parche al máximo compacto del área del parche correspondiente

Porcentaje Core del paisaje ( CPLAND ) La suma de las áreas centrales de cada parche (m2 ) del tipo de parche correspondiente , dividido por el total dezona de paisaje (m2 )

Disjunct densidad de área núcleo ( DCAD ) La suma de varias áreas básicas disjuntos contenidas dentro de cada parche del parche correspondientetipo , dividida por el área total del paisaje (m2 )

Distribución del área núcleo disjuntas ( DCORE ) La suma del tipo de parche correspondiente , de los valores del indicador de conexión correspondientes , dividido por elnúmero de parches del mismo tipo

Índice de área núcleo ( CAI) El área de la base del parche ( m2) dividida por el área total del parche (m2 )

Área Core (CORE ) La suma de las áreas centrales de cada parche del tipo parche correspondiente , dividido por el número de

parches del mismo tipo

Índice de cohesión Patch (cohesión) 1 menos la suma de perímetro parche dividido por la suma de parche perímetro veces la raíz cuadrada de área del parche para los parches de tipo parche correspondiente , dividido por 1 menos 1 sobre la raíz cuadrada del número total de células en el paisaje

Índice conectancia ( CONNECT) El número de uniones funcionales entre todos los parches correspondientes , dividido por el número total de posibles uniones entre todos los parches del tipo parche correspondiente

Euclidiana índice del vecino más cercano ( ENN ) La distancia (m ) para el parche vecino más cercano del mismo tipo , con base en el borde a borde más corto distancia

Índice de proximidad ( PROX ) La suma de la superficie del fragmento , dividido por la distancia de borde a borde más cercano al cuadrado ( m2) entre el parche y el parche central de todos los parches del tipo parche correspondiente , cuyos bordes están dentro de un determinado distancia (m ) del parche focal

Índice de agregación ( AI ) El número de adyacencias como que implican la clase correspondiente , dividido por el máximo posible número de adyacencias como que implican la clase correspondiente

Índice de agrupamiento ( clumpy ) La desviación proporcional de la proporción de adyacencias como la participación de la clase correspondiente de que esperaba de acuerdo con una distribución espacial aleatoria

Índice Paisaje división (División ) 1 menos la suma de la superficie del fragmento (m2 ) divididos por área total del paisaje (m2 ) , cantidad al cuadrado

Índice interspersion yuxtaposición ( IJI ) menos la suma de la longitud ( m ) de cada tipo de borde único, que incluye el tipo de parche correspondiente divididos por la longitud total ( m) del borde ( m ) que implica el mismo tipo , multiplicado por el registro de la misma cantidad

Porcentaje de adyacencias como ( PLADJ ) El número de adyacencias como que implican la clase focal , dividido por el número total de adyacencias de células que implica la clase focal

generar panda pseudo-ausencias y distribuidos al azar mejorar el conjunto de datos hacia verdaderos ausencias por vía propuesto en Zaniewski et al. (2002) y Olivier y Wotherspoon

(2006), donde se generaron especies de Pseudo-ausencias por los datos de presencia de especies buffering. En primer lugar, 3000 puntos eran muestreo aleatorio dentro de la densa selva y bosque ralo, con una distancia mínima de 3 km entre puntos (sobre la base de el tamaño máximo del territorio de la panda gigante, que es alrededor de 30 km2; Hu, 2001; Pan, 2001), y una distancia mínima de 3 km hasta el borde del bosque. A continuación, se utilizaron tres criterios para extraer panda de datos pseudo-ausencia: (1) los puntos con una elevación de <4.000 my una pendiente del <50 º (Hu, 2001), (2) puntos situados fuera a 3 km de la zona de amortiguamiento puntos ocurrencia panda, y (3) puntos con una distancia mínima de 3 kilometros a cualquier límite de las zonas de amortiguamiento. En total, se seleccionaron 1.300 puntos como panda pseudo-ausencias, y 1.300 puntos de presencia de la panda eran seleccionados al azar de los puntos de ocurrencia panda. I de Moran estadística se calculó para evaluar si la autocorrelación espacial en los datos es problemática, ya que las pruebas estadísticas clásicas asumen errores distribuidos de forma independiente (Moran, 1950; Legendre, 1993). Los resultados mostraron que la autocorrelación espacial era no es significativa en las muestras de presencia panda (Moran I = 0,029, Z = 1,91, P> 0,05) y las muestras de la pseudo-ausencia (Moran I = 0,027, Z = 1,86, P> 0,05).

El análisis estadístico de las medidas del paisaje Métricas de cómputo

Inicialmente, un total de 26 medidas del paisaje de nivel de clase (ver Tabla 2 ) se calcularon para la clase de bosque denso y la combinación de clases de bosques densos y dispersos , respectivamente , utilizando la versión de la trama de FRAGSTATS 3,3 ( McGarigal y Cushman , 2002 ) . La versión de la trama de FRAGSTATS computa métricas utilizando una ventana cuadrada en movimiento y crea una paisaje continuo superficie métrica para el análisis estadístico . Para elegir una escala apropiada ( es decir, el tamaño de la muda ventana en este estudio ) , el efecto de movimiento diferente Se examinó ventana de radios en las salidas de cálculo métricas . Una muestra aleatoria de 10 puntos fue elegido dentro del bosque zona, y 26 indicadores fueron calculados para cada punto usando ocho ventana móvil radios diferentes ( 1,25 , 1,5 , 2 , 2,5 , 3 , 3.5, 4 y 5 km) . Los valores de las métricas se representaron contra los radios de las ventanas móviles para determinar en que el radio de la mayoría de las curvas se convertiría asintótica . Era evidente que los valores para casi todas las métricas estabilizado a 3-3,5 km (véase . Fig. 3 ) . Por lo tanto , un movimiento radio de ventana de 3 kilometros fue elegida como la escala adecuada, para el cálculo de métricas del paisaje . Después del cálculo, métrica valores con presencia panda y muestras de pseudo –ausencia se extrajeron .

Análisis de reducción de Métrica

Para obtener un conjunto de métricas libre de redundancia para el panda modelado de la distribución, un análisis de correlación parcial de dos colas Se empleó con control para el efecto de la elevación a eliminar métricas altamente correlacionados y, por tanto, reducir la multicolinealidad. De los pares de mediciones con una correlación de coeficientes ‡ 0.9, las mediciones fueron retenidos que son comúnmente utilizado en la literatura (Riitters et al, 1995;.. Griffith et al, 2000). El uso de estos indicadores restantes, un análisis factorial multivariante se llevó a cabo (Riitters et al, 1995;.. Caín et al, 1997) y factores no correlacionados se extrajeron

mediante un componentes principales análisis con rotaciones ortogonales. Estos fueron retenido por regla general de Kaiser que el valor propio de la factor debe ser> 1,0 (Bulmer, 1967). Para cada retenido factor de, la métrica con la más alta carga absoluta era que se supone representativa y fue incluido para su posterior análisis estadístico.

Figura 3 Ejemplo de dos valores de indicadores de paisaje representa frente búsqueda de diferentes radios de la ventana móvil: (a) la densidad de borde (ED) y (b) índice de parche más grande (LPI).

Debido a que algunos indicadores no cumplían el supuesto de homogeneidad de la varianza y algunos no eran normalmente distribuidos, las relaciones entre paisaje seleccionado métricas y distribución panda se probaron más utilizando la no paramétrico U de Mann-Whitney. Métricas con una significativa diferencia se utilizaron para su posterior construcción del modelo. Por otra parte, una prueba post hoc de la prueba de ANOVA global fue llevado a cabo para determinar cómo ocuparon los fragmentos de bosques por pandas gigantes en las cinco cadenas de montañas diferentes, por empleando la prueba de Games-Howell (Juegos y Howell, 1976). La prueba de Games-Howell se considera que es robusta cuando tamaño de las muestras y las varianzas no son iguales en toda comparación grupos (Field, 2005).

Caracterización de la distribución de la panda gigante indicadores seleccionados

Análisis de regresión logística Regresión logística binomial, un método estadístico común utilizado para estimar las probabilidades de ocurrencia en relación a predictores ambientales (Mladenoff et

al, 1995;. Hosmer y Lemeshow, 2000), fue empleado para delinear la relación entre panda presencia-ausencia y la seleccionada métricas. Paso a paso el modelo de ajuste con interés la selección fue utilizado para construir modelos con un "buen" ajuste a los datos, donde 'bueno' se define como una variable con el más significativo + cambio en la desviación en cada etapa está incorporando en la modelar hasta que no haya otras variables fueron significativas a P <0,05.

Las muestras de presencia panda y la pseudo -ausencia se dividido aleatoriamente en dos partes, una para la construcción de modelos ( n = 2000 ) y otro para la evaluación del modelo ( n = 600 ) . todo Los análisis estadísticos se realizaron en SPSS 15 (SPSS Inc., 2006 ) .

Aplicación espacial del modelo de regresión logística A medida que el modelo de regresión logística se construyó con el paisaje métricas , mientras que la distribución de la panda gigante es , en realidad, limitado por una gama de condiciones ambientales , tales como características topográficas , el modelo puede sobreestimar pandadistribución independientemente de las tolerancias o preferencias ambientales del panda gigante. Por lo tanto , un control basado en el conocimiento fue desarrollado mediante la integración del modelo de regresión logística con elevación e inclinación para mitigar el riesgo de exceso de predicción , como se describe a continuación : P0i ¼ Pi? Cele ? Cslope ; ð1Þ donde P0i se refina la probabilidad, Pi es la probabilidad estimada por el modelo de regresión logística , Cele es la corrección coeficiente relacionado a la elevación y Cslope es la corrección coeficiente relacionado a la pendiente . Se formularon las reglas basadas en el conocimiento para el control utilizando el conocimiento de varias fuentes , incluyendo : ( 1 ) la literatura (Hu , 2001 ; Pan, 2001 ) , ( 2 ) la discusión con especialistas , ( 3 ) Campo observaciones , y (4 ) el análisis de la tercera panda nacional datos de la encuesta . Todos ellos están resumidos en la Tabla 3 . La logística modelo de regresión con un control basado en el conocimiento era espacialmente implementado en ERDAS Imagine 9.1 (Leica Geosystems Geospatial Imaging , 2005 ) .

Modelo de evaluación

Porque los verdaderos datos de ausencia de la panda gigante son disponible, una copia exacta de probabilidad binomial de una cola de proporciones observadas de puntos de presencia de prueba cae en píxeles se calculó la presencia y la ausencia del predicho para examinar modelo de significado. Esta única presencia prueba de significación aspectos incorporados tanto de omisión como de la verdadera distribución áreas y la inclusión de áreas no habitadas (Anderson et al., 2002). Sin embargo, esta prueba no puede examinar la precisión con la modelo puede predecir la ausencia. A este respecto, el modelo exactitud se evaluó sobre la base de la presencia y pseudoabsence los datos de prueba. Una diferencia de sensibilidad-especificidad minimizador (Bonn y Schroder, 2001;. Barbosa et al, 2003; Se empleó Jiménez-Valverde y Lobo, 2007) para decidir el umbral para la conversión de la probabilidad de la presencia de la panda en un discreto mapa de presencia-ausencia. Una curva de sensibilidad y una curva de especificidad fueron generados por el trazado de la correcta tasas de clasificación (CCR) de sensibilidad y especificidad para en todos los posibles puntos de corte entre 0 y 1, con intervalos de 0.1. El valor umbral en el que la curva de sensibilidad y la cruz curva especificidad (Fielding y Bell, 1997) fue aplicada para

generar una discreta presencia mapa panda / ausencia de probabilidad de presencia producido por el modelo. La precisión del modelo se evaluó mediante la precisión global, la sensibilidad, la especificidad y el coeficiente kappa. La kappa coeficiente y su varianza (Congalton, 1991; Skidmore et al., 1996) se calcularon y el efecto de la basada en el conocimiento el control se examinó utilizando un estadístico Z (Congalton, 1991). Sin embargo, como un crítico señaló, precaución debe ser ejercida cuando el mismo conjunto de datos de prueba se utiliza para comparar dos coeficientes kappa.

RESULTADOS

Indicadores representativos para la cuantificación de los bosques fragmentación

Se seleccionaron ocho métricas del paisaje (del total de 26 métricas) para representar a la fragmentación del bosque sobre la base de Kaiser regla de oro, que el valor propio del factor debe ser> 1,0 en el análisis de los factores (Tabla 4). Cuatro de las métricas seleccionados medir los patrones en el bosque denso: densidad de borde (ED), el mayor Índice patch (LPI), la proximidad del parche (PROX) y el parche patrones y cuatro métricas de medida; agrupamiento (agrupada) en la combinación de denso y ralo bosque: patch promedio área (AREA), la densidad de borde (ED), la proximidad del parche (PROX) y agrupamiento (agrupada). En general, estas métricas miden tres aspectos de la heterogeneidad del bosque: área del parche / borde (ED, LPI y AREA), la conectividad del parche (PROX) y la agregación de parches Tabla 3 coeficientes de corrección de la elevación y la pendiente en las cinco regiones de montaña de China, estudió para el control basado en el conocimiento del modelo de regresión logística.

Tabla 3 coeficientes de corrección de la elevación y la pendiente en las cinco regiones de montaña de China, estudió para el control basado en el conocimiento del modelo de regresión logística.

Analiza la Tabla 4 Factor para las métricas que miden la densa selva y las métricas de medición de la combinación de denso y ralo bosque. Factores fueron retenidos por la regla de valor propio> 1.0. Se subrayan cargas factoriales> 0,8, y cargas factoriales <0.3 no se presentan. Métricas en

negrita fueron seleccionados para el análisis estadístico y la construcción de modelos. Consulte la Tabla 2 para una descripción de las medidas del paisaje.

(Agrupada). Multicolinealidad entre las métricas se puso a prueba y demostrado que no son (es decir, los factores de variación de la inflación problemáticos <5, y la tolerancia> 0,2; Sokal y Rohlf, 1994).

Distribución de panda gigante en relación con los bosques

fragmentación

Los resultados de la prueba U de Mann-Whitney mostraron que seis de las ocho mediciones fueron significativamente diferentes (p <0,05) para los bosques donde los pandas están presentes en comparación con los sin pandas (Tabla 5), lo que demuestra que estos seis métricas son factores importantes que determinan la distribución de los pandas gigantes. Los parches de bosque denso que ocupa pandas gigantes eran más grandes, más juntos y más contigua que aquellos en los que no se registraron pandas. Sin embargo, pandas gigantes no eran sensibles a la proximidad parche o los patrones de agrupamiento en la combinación de densa y escasa bosque.

Tabla 5 Resumen de las estadísticas y la resultados de las técnicas de Mann-Whitney U-test de ocho indicadores para el bosque parches con los pandas gigantes presente y aquellos con ausencia pandas. Consulte la Tabla 2 para una descripción de las medidas del paisaje.

las cinco cordilleras eran hasta cierto punto heterogénea, con distinciones sutiles entre los cinco rangos (Tabla 6). La resultados de la prueba de Games-Howell revelaron que la fragmentación del bosque ocurre menos en las montañas de Qinling y más en el Regiones Xiangling y Liangshan, y que los patrones de fragmentación de los bosques en la región Minshan son similares a los en la región de Qionglai, como se muestra en la Tabla 6. El modelo de regresión logística y su rendimiento De los seis indicadores representativos, tres métricas fueron significativas a P <0,01 cuando se incluye en una logística por pasos hacia adelante modelo de regresión (Tabla 7). Los umbrales en los que el Se seleccionaron curva de sensibilidad y especificidad de la curva cruzado para la conversión de el mapa presencia de panda / ausencia. Es decir, un umbral de 0,55 fue seleccionado para la conversión de una discreta presencia de la panda / map ausencia en la probabilidad de presencia producida por el modelo de regresión logística (Fig. 4a), y un umbral de 0,52 fue asignado para la conversión de probabilidades de presencias panda producidos por el modelo con una basada en el conocimiento de control (Fig. 4b). El modelo de regresión logística predijo presencia potencial del panda gigante en el 31,5% de los píxeles para el área de estudio. De los 300 puntos de presencia de prueba, 251 puntos cayeron en áreas de presencia predicha (probabilidad binomial, P <0,000001), y

Tabla 6 Estadísticas sobre las diferencias de medias de cada uno de los ocho indicadores de múltiples comparaciones por pares de la presencia de los pandas gigantes en  las cinco regiones montañosas de China, estudiaron. Consulte la Tabla 2 para una descripción de las medidas del paisaje.

Tabla 7 Parámetros estimados de la logística modelo de regresión para predecir la áreas de distribución de los pandas gigantes en el área de estudio. La significación de los coeficientes se evaluó mediante la estadística de Wald. ver Tabla 2 para obtener una descripción del paisaje métricas.

coeficientes mostraron que la precisión de la modelización mejoró significativamente ( P <0,05 ) cuando la basada en el conocimiento el control se aplicó .

DISCUSIÓN

Distribución de panda gigante en relación con los bosques Fragmentación Nuestros resultados muestran que el bosque denso es esencial para la supervivencia de los pandas gigantes , y que los pandas gigantes son sensibles a fragmentación de este denso bosque.

De los ocho paisaje métricas seleccionados en este estudio , seis métricas mostraron significativa diferencias entre las zonas de presencia y ausencia de la panda ( Tabla 5 ) , lo que demuestra que la distribución de panda es significativamente en relación con la superficie del fragmento de bosque , la densidad de borde y el parche agrupamiento . Todos los indicadores que miden el tamaño del parche de bosque / borde ( LPI , ED y AREA) mostraron diferencias significativas entre panda presencia y ausencia , independientemente de si las métricas eran únicamente calculada para el bosque denso o para la combinación de denso y ralo bosque. Las métricas PROX y grumoso sólo difiere significativamente entre presencia y ausencia de la panda de bosque denso , lo que indica que el bosque denso juega un más papel importante en la determinación de la distribución de la panda que hace bosque ralo .

Todas las tres métricas ( LPI, ED y grumoso ) incluido en el modelo de regresión logística se refieren a los bosques densos.

Estos métricas miden la proporción de la superficie del fragmento de borde de parches, lo que indica que el panda gigante es sensible al tamaño del parche y efectos de aislamiento asociados con la fragmentación de la densa bosque. El panda gigante tiende a ocurrir en más grande, más parches contiguos de bosque denso . Desde un punto ecológico de vista , la preferencia por los bosques más grandes y menos segregada parches pueden estar relacionados con la migración de la panda o la dispersión , ya que parches pequeños o altamente segregadas aumentarán el costo de migración o dispersión entre clústeres de parches , el aumento de la posibilidad de ser perturbado por las actividades humanas , así como que requiere mayor consumo de energía . Es interesante que la clumpy métrica de bosque denso , en contraste con la métricas LPI y ED , tiene un coeficiente negativo en la logística modelo de regresión, lo que implica que los pandas gigantes tienden a ocurrir en parches de bosque denso menos clumped y no en muy parches agrupadas . Sin embargo , el mecanismo que permite un explicación de esto es más allá del alcance de este estudio .

Múltiples comparaciones por pares de la presencia de la panda de los cinco regiones montañosas muestran que hay variaciones en los tipos de bosque favorecido por los pandas gigantes a través del área de distribución.

Los bosques ocupan el panda gigante son menos fragmentado en el Montañas Qinling , pero son más fragmentado en el Xiangling y regiones de Liangshan . Las

montañas de Qinling , de acuerdo con los resultados de la tercera encuesta nacional de la panda gigante, también tienen la densidad de población más alta de los pandas gigantes de los cinco rangos (Administración Estatal de Silvicultura de China, 2006 ) . por asociar densidad de población con los valores de estos métricas del paisaje , está claro que el tamaño del parche / borde de densa bosque tiene un efecto positivo sobre la distribución del panda,

El rendimiento del modelo y de sus factores Rendimiento modelo puede verse afectada por varios factores , incluyendo limitaciones del modelo en sí , la calidad de los datos técnicas de entrada y de muestreo ( Morrison , 2001 ) . logístico regresión depende de variables explicativas incluidas en el modelar y puede incluir áreas más allá del medio ambiente umbrales de la panda gigante ( Elton et al, 2001 ; . Morrison, 2001 ) . Cuando se combina con controles basados en el conocimiento para el

efecto de la elevación y la pendiente , la regresión logística con mayor precisión predice la distribución espacial de la panda gigante de cuando se utiliza métricas del paisaje solo.

Sin embargo, los controles basados en el conocimiento requieren una adecuada relevante conocimientos y una buena comprensión de la relación entre las especies y los factores ambientales . Como los datos utilizada en este estudio se infiere por la precarga del panda puntos de ocurrencia , hay una posibilidad de que los resultados pueden sersesgadas por la inclusión de los puntos de ausencia falsas .

Este es un potencial problema que enfrenta todo tipo de modelos de hábitat ( Morrison, 2001 ) , y este problema sigue sin resolverse. Adicional búsquedas pueden realizarse en áreas limitadas con el fin de proporcionar datos precisos sobre las ausencias de la panda, y esta información puede entonces puede utilizar para perfeccionar el modelo , según lo sugerido por Brotons et al. ( 2004 ) . Además , la heterogeneidad de la densidad a través de bosque el área de distribución de la panda también puede aumentar dentro de los grupos varianza en las muestras de entrenamiento , y en consecuencia disminuir la potencia del modelo .

Métricas del paisaje pueden ser sensibles al nivel de detalle en los datos de los mapas categóricos utilizados como entrada ( Turner et al . , 2001 ) .

en este estudio , los bosques se clasifican en bosques densos ( canopy cubrir > 30 %) y bosque ralo ( cubierta de copas < 30 %). Este se aprobó la división , ya que fue utilizado en el PNUMA- WCMC clasificación de bosques ( http://www.unep-wcmc.org/forest/fp_Background.htm ) . También es ecológicamente significativo

porque pandas gigantes tienen una fuerte preferencia por los parches de bosque con un dosel cerrado . Además , la presencia de sotobosque bambú no fue considerado en el modelo , debido a los datos no esté disponible . La distribución de sotobosque de bambú es altamente correlacionado con la distribución de bosque ( Schaller , 1987 ; Ren, 1998 ; Administración Estatal de Silvicultura de China, 2006 ) , por lo que puede suponerse que la exclusión de la información sobre el bambú salida del modelo se ve compensado por la inclusión de los bosques

cubrir la información . En los últimos años se han sugerido varias reservas naturales nuevas y establecido , basado en la presencia real de pandas gigantes según consta en el tercer gigante encuesta nacional panda ( Estado Administración Forestal de China, 2006 ) . Sin embargo , esta noción con vistas a la disponibilidad de hábitat adecuado y descuida la impacto de la fragmentación del hábitat sobre la población de panda cambio. Sobre la base de nuestro estudio, las siguientes medidas son recomendada en el diseño de nuevas reservas naturales / corredores para la conservación del panda gigante.

1 . Todos los parches de bosques densos que existen en panda actual regiones de distribución deben ser preservados como hábitat principal para pandas gigantes.

2 . Debido a que nuestros resultados muestran una relación positiva significativa entre la distribución de los pandas gigantes y el área de bosque parches , la fragmentación de los bosques en el panda actual hábitat debe ser detenido para asegurar la supervivencia de los pandas gigantes en la naturaleza; un parche de bosque denso grande es mejor que varios pequeños parches agregados .

3 . Corredores de bosques se deben establecer para conectar los bosques parches entre sí y con las áreas actualmente ocupadas por pandas gigantes, así como las reservas naturales existentes. Esta voluntad facilitar la migración de los pandas gigantes y por lo tanto la población cambio.

4 . Es importante para aumentar y mantener la proporción y adyacencia de los parches de bosque denso , y restaure deforestada y zonas forestales marginales a los ecosistemas forestales naturales.

5 . Asimismo, es necesario volver a introducir el panda gigante en áreasque fueron ocupadas por los pandas en el pasado y en el que el medio ambiente sigue siendo similar al hábitat panda actual. La realización de las mencionadas recomendaciones puede ayudar a la supervivencia de las poblaciones de pandas que viven en lugares aislados parches de bosque .

AGRADECIMIENTOS

Este estudio fue financiado por la beca de Erasmus Mundus Programa de la Unión Europea. Nos gustaría dar las gracias Changqing Yu y Liu Xuehua (Universidad de Tsinghua, China) , Lars Eklundh (Universidad de Lund , Suecia ) , Jin Xuelin ( Shaanxi Departamento Forestal de la República Popular China) , Zhanqiang Wen ( Administración Estatal de Silvicultura , China) y Yange Yong ( Reserva Natural Nacional Foping , China ) por su apoyo técnico y comentarios críticos . También estamos agradecido por los comentarios útiles del editor y árbitros anónimos .