Daha çox

Minimum nöqtə sürət məsafəsi necə qurulur?


İki nöqtə var: A və B. A nöqtəsindən 65 m axtarış radiusunda (mavi bufer) hər hansı bir nöqtəni vurmalıyam. Lakin B-nin çəkmə məsafəsinin A-dan tam 5 m məsafədə olması lazımdır (yəni hər hansı bir yerdə yerləşməlidir). qırmızı tampon). Snap və ya Integrate alətlərinin çəkilişi həyata keçirə biləcəyini bilirəm, lakin minimum çəkmə məsafəsini təyin etmək üçün proqramlı bir həll tapmalıyam. Bu analiz növü üçün minimum sürət məsafəsini necə təyin edə bilərəm? Nəhayət minlərlə nöqtəni yerləşdirmək üçün bunu genişləndirməliyəm.

İstədiyiniz nəticə (aşağıda)


65 metr radiusda düşən nöqtələr üçün yalnız A koordinatından 5 metr çıxarıb 5 metr mövqedə bir nöqtə tapmaq üçün A koordinatından istifadə edə bilməzsiniz? Bu Nöqtənin Həndəsəsini 5 metrlik vəziyyətə gətirmək üçün DA imlecindən istifadə edə bilərsiniz.


Bir fikir üçün bu nədir?

B, A-nın göstərilən məsafəsindədirsə, A ilə B arasında bir çox xətt yaradın. Sonra o çoxxətt boyunca istənilən məsafədə bir nöqtə yarada bilərsiniz.

Polyline obyektində bir uzay xətti metodu var.


Özünüzü arcpy həlli ilə məhdudlaşdırmırsınızsa, təsvir etdiyiniz şey ArcObjects ilə kifayət qədər yayılmış təcrübəyə bənzəyir - burada 'Buffer Snap Agent' nümunəsi var:

Tampon əlavə agent http://resources.arcgis.com/en/help/arcobjects-net/conceptualhelp/index.html#/d/000100000334000000.htm

Mən bunu sınamamışam, lakin VB.NET məntiqi ilə maraqlandım - min / maksimum axtarış məsafənizi (xarici tamponunuzu) və məsafəyə (daxili tamponunuzu) təyin edən məntiq funksiyada, dərc olunmuş nümunədən kopyalanan fraqment. aşağıda. Bu nümunədə gördüyünüz kimi məsafələr sərt kodlanmışdır ... (http://resources.arcgis.com/en/help/arcobjects-net/conceptualhelp/index.html#//000100000886000000)

Public Function Snap (ByVal geom As IGeometry, ByVal point as IPoint, ByVal tolerance as Double) As Boolean IEngineSnapAgent.Snap GetFeatureClass () Dim b_setNewFeatureCache as Boolean = False If m_featureClass Heç Heç və ya m_editor If If If Return ShapeType <> esriGeometryType.esriGeometryPoint Sonra Yanlış Sonu qaytarın 'Bir xüsusiyyət önbelleğinin yaradıldığını yoxlayın. If Not b_setNewFeatureCache Sonra m_featureCache = Yeni FeatureCache () b_setNewFeatureCache = Gerçək Son 'Əgər Yeni Keşi həndəsələrlə doldurun. Xəritə vahidləri və tənzimlənmənin həyata keçiriləcəyi miqyas nəzərə alınaraq 'Müvafiq bir dəyəri seçmək inkişaf etdiricidən asılıdır. FillCache (m_featureClass, point, 10000) Dim proximityOp As IProximityOperator = DirectCast (point, IProximityOperator) Dim minDist As Double = tolerance Dim cachePt As IPoint = New PointClass () Dim snapPt As IPoint = New PointClass () Dim outPoly As IPolygon = Yeni Poliqon () ITopologicalOperator Dim Dim xüsusiyyətini IFeature Dim Index Integer kimi = 0 Dim Count for integer kimi Count = 0 to m_featureCache.Count - 1 Step Count + 1 feature = m_featureCache.Feature (Count) cachePt = feature.Shape topoOp = cachePt Xəritə vahidləri və redaktə olunan məlumatlar nəzərə alınmaqla 'tampon məsafəsini uyğun bir dəyərə qoyun' outPoly = topoOp.Buffer (1000) Dim Dist As Double = proximityOp.ReturnDistance (outPoly) If Dist  = tolerans olarsa, False End qayıdırsa 'Xüsusiyyəti və hissəsini yenidən alın. xüsusiyyət = m_featureCache.Feature (Index) cachePt = feature.Shape topoOp = cachePt 'Tampon məsafəsini uyğun bir dəyərə qoyun' və xəritə vahidləri və redaktə olunan məlumatlar nəzərə alınaraq outPoly = topoOp.Buffer (1000) proximityOp = outPoly snapPt = proximityOp.ReturnNearestPoint (point, esriSegmentExtension.esriNoExtension) 'Nöqtə ByValue-da ötürüldüyündən əvəzinə dəyərlərini dəyişdirməliyik. 'yeni bir ünvan verilməsi. point.PutCoords (snapPt.X, snapPt.Y) Gerçək Son İşləmə funksiyasını qaytarın

B-ni A-ya doğru çəkirsinizsə, hər A-nın ətrafında 5 m bufer yarada bilərsiniz, sonra 60 metrlik bir tolerantlıqla snap istifadə edirsiniz.


MGMT Testi 2

Rəqabət üstünlüyü qazanmaqda vacib olan, iqtisadi rəqabət qabiliyyətinin sənaye rəqibləri ilə müqayisədə nisbi fərqidir. Bu səbəbdən inteqrasiya strategiyasının məqsədi, fərqləndirmə və ya aşağı maliyyəli liderlik strategiyasını həyata keçirən rəqiblərinkindən daha böyük iqtisadi dəyəri əldə etməkdir.

Əhatə dairələri - Eyni texnologiyanı (materialları) istifadə edərək birdən çox məhsul yaratdığınız zaman.

Kütləvi Fərdiləşdirmə - nisbətən aşağı vahid xərclə həyata keçirilən çoxsaylı xüsusi məhsul və ya xidmətlər istehsal edir.

İnnovasiya - hər hansı bir yeni məhsul və proses və ya mövcud olanların dəyişdirilməsi. Şirkətlər inteqrasiya strategiyası tətbiq etdikdə mövcud qarşıdurmaları həll etmək üçün tez-tez yenilik tələb olunur.

İdarəçilər qərar verməlidirlər:
Sənayenin dəyər zəncirinin hansı mərhələlərində iştirak edəcək. Sənaye dəyər zənciri, xammalın fərqli şaquli mərhələlər boyunca hazır məhsul və xidmətlərə çevrilməsini təsvir edir. Bu qərar firmanın şaquli inteqrasiyasını təyin edir.

Hansı məhsul və xidmətlər təklif ediləcək. Bu qərar firmanın şaxələndirmə səviyyəsini təyin edir.

Giriş amillərinin dəyəri - xammal, kapital, işçi qüvvəsi və İT xidmətləri kimi daha aşağı maliyyətli faktorlara giriş.

Miqyas iqtisadiyyatları - məhsul artdıqca vahid başına maliyyət azalır. Miqyas qənaətini uğurla tətbiq edən firmaların maliyyələşdirmə üstünlüyü vardır.


Strateji Bir Qlobal Franchise Genişləndirmə Modelinə Doğru

Bu sənəd, ABŞ-dakı franchise firmaları üçün cəlbediciliyinə görə ölkələri sıralayan beynəlxalq franchise genişlənməsinin ilk qlobal indeksini hazırlayır. Akademik tədqiqatlar və iş təcrübələrindəki fikirləri birləşdirən kəmiyyət modeli, risk / fürsət profillərinə görə 143 potensial genişləndirmə hədəf ölkəsinin sıralamasını yaradır. Sıralamalar böyük bazarlara və güclü siyasi və qanuni sistemlərə sahib ölkələrin (böyük Avropa ölkələri və Kanada, Yaponiya və Avstraliya) ABŞ-dakı françayzerlər üçün ən cəlbedici olduğunu, kiçik, qeyri-sabit Afrika ölkələrinin isə ən az cəlbedici olduğunu göstərir. Çin (və digər BRİK ölkələri - Braziliya, Rusiya, Hindistan) bazar fürsəti baxımından cəlbedici olsa da, əhəmiyyətli risklərinə və geniş mədəni və coğrafi məsafələrə görə yüksək dərəcədə deyil. Bu iş beynəlxalq françayzinq qərarlarına strateji yanaşmanın vacibliyini bir daha təsdiqləyir, beynəlmiləlləşmə qərarlarında əsas determinantların nisbi əhəmiyyətini düzgün qiymətləndirməyin vacibliyini vurğulayır, beynəlxalq françayzinq qərarlarında müxtəlif risklərin hərtərəfli və sistematik qiymətləndirilməsinin vacibliyini göstərir, beynəlxalq françayzinqdə kəmiyyət modelləşdirməsinin faydası və qlobal bazarda sürətli dəyişikliklərin öhdəsindən gəlmək üçün effektiv risk idarəetmə metodlarının inkişafını dəstəkləyir.

Qrafik mücərrəd

Tədqiqat məqamları

► Effektiv beynəlxalq franchise genişləndirmə qərarları üçün strateji bir yanaşma çox vacibdir. ► Beynəlxalq franşizanın genişləndirilməsi qərarlarında əsas amillər arasında bazar fürsəti (bazar ölçüsü, alıcılıq qabiliyyəti) bazar riskləri (siyasi, iqtisadi, hüquqi, tənzimləmə) məsafəsi (mədəni, coğrafi) yer alır. ► Böyük bazarlara və güclü siyasi və hüquqi sistemlərə sahib ölkələr (böyük Avropa ölkələri, Kanada, Yaponiya, Avstraliya) ABŞ-dakı franchise firmaları üçün ən cəlbedicidir. ► Kiçik və qeyri-sabit Afrika ölkələri ən az cəlbedicidir. ► BRIC ölkələri (Braziliya, Rusiya, Hindistan, Çin) əhəmiyyətli risklərinə və geniş mədəni və coğrafi məsafələrə görə model tərəfindən yüksək dərəcədə deyil.


Mücərrəd

Giriş

Mövcud səhiyyə xidmətləri ilə əlaqəli ədəbiyyat, bir səyahət rejimi altında əlçatanlığı araşdırmağa meyllidir və ölçmə yanaşmaları bir neçə xas çatışmazlıq üçün məhdud qalır. Bu sənəd üç addımlıq üzən su yığma sahəsi yanaşmasının metodoloji inkişaf etdirilməsini təklif etdi.

Metodlar

Birincisi, açıq mənbəli marşrut planlaşdırma API-sindən əldə edilmiş xüsusi avtomobil və ictimai nəqliyyatın real vaxt səyahət vaxtı və səyahət məsafəsini modelə daxil edirik, bu da birdən çox səyahət xərcinin məkan daxilolma nəticələrinə təsirini, aritmetik orta əsaslı Sabit əlçatanlıq indeksini əldə etmək üçün Gauss çəkisi alqoritmi tətbiq olundu, daha sonra səhiyyə potensialını qiymətləndirmək üçün kəşfiyyat faktoru analizi aparıldı və nəticədə təminatçı-əhali nisbətlərini hesablamaq üçün səhiyyə təchizatı göstəricisi kimi ümumi bal toplandı, yoxlamaq üçün empirik bir araşdırma edildi modelin üstünlükləri. Üç səviyyəli səhiyyə müəssisəsinə (22 üçüncü dərəcəli xəstəxana, 88 orta xəstəxana və 55 icma səhiyyə ocağı daxil olmaqla) əlçatanlığı araşdırırıq və müəssisələrin əlçatanlığı və əhalinin sıxlığını dörd assosiasiya şəklində birgə təhlil edərək tələb və təklif arasındakı fərqləri aşkar edirik. Wuhan rayonunda icma miqyasında (cəmi 830 icma). Nəticələr: Nəticələr səyahət rejimləri baxımından xüsusi avtomobil rejimi altında səyahət vaxtı və səyahət məsafəsinin ictimai nəqliyyat rejimi altında hesablandığından daha qısa olduğunu göstərir. Yüksək dərəcədə əlçatan olan icmalar daha çox mərkəzi şəhər ərazilərində cəmlənmiş və bir səhiyyə xidməti mərkəzinin yaxınlığında paylanmışdır və icma səhiyyə mərkəzi, üç səviyyəli səhiyyə arasında ən çox əlçatanlığa sahibdir. Bundan əlavə, statistik təhlillər aşağı və yüksək əlçatanlığı olan icmaların sayında fərqli qütbləşmiş fərqliliyin meydana gəldiyini və icmaların yarısından çoxunun əhali sayına uyğun olmayan giriş səviyyələrinə sahib olduğunu vurğulayır.

Nəticələr

Bu tapıntıların səhiyyə planlayıcıları və ictimai səhiyyə mənbələrini əsaslı şəkildə bölüşdürməli olan qərar qəbul edənlər üçün mühüm siyasət təsirləri ola bilər.


Nəticələr

2001-ci ildə, 11000 eroin bağımlısı olduğu bildirildi və Hong Kong'daki 100.000 əhaliyə 166 eroin bağımlısı yayılmışdı. 18 bölgədən səkkizində yayılma orta səviyyədən yüksək idi və Yau Tsim Mong ən yüksək göstəricini 403-ə çatdırdı. Metadon klinikasının paylanması qeyri-bərabər idi. Bir bölgədə üç metadon klinikası olduğu müddətdə, Kwai Tsing və Sai Kung daxil olmaqla iki rayonda heç biri yox idi. Bölgələrin əksəriyyətində (18-dən 13-də) bir metadon klinikası var idi, iki rayonda ikisi var. Yaşayışa yaramayan sahələr ləğv edildikdən sonra bütün TPU-lar (N = 197) məskunlaşdı və bu səbəbdən ərazi interpolasiyası üçün etibarlı idi. Əhalinin ağırlığındakı areal interpolasiyası, TPU-lər tərəfindən eroin bağımlılarının interpolasiya edilmiş dəyərlərini 1 ilə 369 arasında dəyişirdi, TPU'ların dörddə birində (50/197) 10-dan az eroin asılısı var. Bütün TPU-lar əhali ağırlığında areal interpolasiyasına məruz qala bilsə də, bunlardan yalnız 125-i klinikanın müəyyən edilmiş əlçatan zonaları ilə kəsişmə nöqtəsi verdi. Əslində, bir bölgədəki TPU-ların orta hesabla% 66-sı əlçatan zonalarla əhatə olunmuşdur. Dörd bölgədəki əlçatan zonalar hətta həmin bölgədəki bütün TPU-ları əhatə edirdi.

Bu işdə hazırlanmış tərifdən istifadə edərək 2001-ci ildə bütün metadon klinikaları tərəfindən coğrafi baxımdan 11000 eroin asılılığından 6413-ü əhatə olunmuşdur. Bəzi bölgələrdə birdən çox metadon kliniği olduğu üçün hər bölgədə tənzimlənmiş eroin asılılarının sayı hesablanmışdır. Yalnız bir bölgə olan Sai Kung, heç bir metadon klinikası tərəfindən əhatə olunmadı. Coğrafi əhatə dairəsi Kwai Tsingdəki ən aşağı 15.3% -dən Yau Tsim Mongdakı ən yüksək rəqəmdən 96.2% -ə qədər dəyişdi. Qalan rayonlarda, orta coğrafi əhatə dairəsi 2001-ci ildə% 44,6 idi, halbuki 18 rayondan səkkizi% 50-dən çox coğrafi əhatə dairəsini göstərdi. (Cədvəl 1) Hong Kongun bölgə əsaslı coğrafi əhatə dairəsinin son nəticəsini göstərmək üçün bir xəritə hazırlanmışdır (şəkil 5).

2001-ci ildə 18 bölgədəki metadon klinikalarının coğrafi əhatə dairəsini göstərən xəritə. Sai Kung, əhatə dairəsi olmayan yeganə bölgədir (naxışlı bölgə), Yau Tsim Mong isə Hong Kongda (ən tünd rəngə sahib bölgə) ən yüksək əhatə dairəsinə sahibdir.


Nəticələr

Yarasa Ektoparazitlər

Ektoparazitlər (n = 903) Hollandiyada və Belçikada 11 növə aid 268 fərdi yarasadan toplandı (E. serotinus, Ny. noktula, Pi. nathusii, Pi. pipistrellus, Pi. pygmaeus, Pl. auritus, mənim. bechsteinii, mənim. dasycneme, mənim. daubentonii, mənim. mystacinusMənim. nattereri). Bundan əlavə, 170 nycteribiid 169 fərdi yarasadan uçur (Mn. schreibersii, My. bechsteinii, mənim. blythii, My. capaccinii, mənim. daubentonii, mənim. myotis, mənim. nattereri, R. blasii, R. euryale, R. ferrumequinumR. mehelyi) S & # x000E1ndor et al. tərəfindən aparılan bir araşdırmadan əldə edilmişdir. (2018) Macarıstan və Rumıniya daxil edildi.

Dörd ölkə üzrə ümumilikdə 1.073 ektoparazit toplanmışdır (şəkil 2). Morfoloji və molekulyar identifikasiya 7 ailədən 15 ektoparazit növü aşkar etdi: iki gənə, Argas vespertilionisIxodes ariadnae (Ixodida: Argasidae, Ixodidae) bir yarasa böcəyi, Cimex pipistrelli (Hemiptera: Cimicidae) bir yarasa birə, Ischnopsyllus dəyişkənliyi (Siphonaptera: Ischnopsyllidae) yeddi yarasa sinek, Basilia nana, B. nattereri, Nycteribia kolenatii, Nb. schmidlii, Penicillidia conspicua, Pn. dufouriiPhthiridium biarticulatum (Diptera: Hippoboscoidea: Nycteribiidae) və iki yarasa gənə, Spinturnix andegavinusS. plecotina (Mesostigmata: Spinturnicidae). Morfologiya ilə növ səviyyəsinə qədər müəyyən edilə bilməyən əlavə gənə nümunələri (Mesostigmata: Macronyssidae, Spinturnicidae), COI ardıcıllığı ilə iki fərqli takson olaraq təyin edildi (Əlavə Material Şəkil S3). Hollandiya, Belçika, Macarıstan və Rumıniyada hər yarasa növündən toplanan ektoparazit nümunələri sayı Cədvəl S11-də ümumiləşdirilmişdir. Cədvəl S12 fərdi ektoparazit növlərinin qeydlərini, Bartonella test nəticələri və seçmə yerləri.

Aradakı Filogenetik Əlaqələr Bartonella Ardıcıllıqlar

Ümumilikdə, 412 gltA ardıcıllıqlar Belçika, Macarıstan, Hollandiya və Rumıniyadakı Avropa yarasalarından toplanan 1.073 ektoparazitdən (% 38) əldə edilmişdir (Cədvəl S12). Olmayan ardıcıllıqları süzdükdən sonra Bartonella, bu 316 ardıcıllıq Cədvəl S4-də göstərilən 438 istinad ardıcıllığı ilə birləşdirildi və nəticədə 754 tam verilənlər bazası meydana gəldi Bartonella gltA filogenetik analiz və təyini üçün istifadə olunan ardıcıllıqlar Bartonella OTU. 456 alt dəsti gltA Avropa yarasa dəstindən ibarət olan ardıcıllıqlar doqquz ölkənin məlumatlarını təmsil edir: Belçika, Finlandiya, Gürcüstan, Macarıstan, Hollandiya, Polşa, Rumıniya, Sloveniya və Birləşmiş Krallıq. Finlandiya, Gürcüstan, Polşa, Sloveniya və İngiltərədən gələn ardıcıllıqlar keçmiş araşdırmalardan qaynaqlanır Bartonella yarasalardakı infeksiyalar və onların ektoparazitləri (Concannon et al., 2005 Morse et al., 2012 Veikkolainen et al., 2014 Lilley et al., 2015 Urushadze et al., 2017 Szubert-Kruszynska et al., 2018).

Ayrılma üçün 5% ardıcıllıq fərqliliyinin demarkasiyasına əsaslanır Bartonella növlər, 49 monofiletik qrupu müşahidə etdik gltA OTU və 39 fərdi olaraq təyin olunan ardıcıllıqlar gltA 754-dən bu OTU-lardan fərqli olan ardıcıllıqlar gltA ardıcıllıqlar təhlil edilmiş və ən azı 88 fərqli bir qiymətləndirmə ilə nəticələnmişdir Bartonella dünya yarasalarında, bunlardan 20-si Avropa yarasalarında və ektoparazitlərdə olan növlərdir (şəkil S4). Bütün OTU'ların güclü arxa dəstəyi var idi (posterior düyün ehtimalı və # x0003E 0.9), lakin OTU'ları daha böyük dəstələrə bağlayan düyünlər üçün dəstək daha dərin düyünlər üçün əhəmiyyətli dərəcədə azaldı. Aralarındakı ümumi bir ayrılma nümunəsi Bartonella Yeni Dünya yarasalarında (Şəkil S4-də yaşıl rəngli) və Köhnə Dünya və ya Avropa yarasalarında (müvafiq olaraq Şəkil S4-də mavi və qırmızı rəngli) tapılan OTU və ardıcıllıqlar McKee və digərlərinin əvvəlki analizində olduğu kimi müşahidə edildi. (2016).

Bartonella bir-doqquz OTU aralığı və Faith & # x00027s PD üçün 0,44 & # x020134,05 aralığında olan Avropa yarasa növləri arasında müxtəliflik dəyişdi. E. nilssoniiMn. schreibersiimüvafiq olaraq (Cədvəl 1). Faith & # x00027s PD hər növün log sayıyla əhəmiyyətli dərəcədə pozitiv şəkildə əlaqələndirildi gltA bu növlər üçün əldə edilən ardıcıllıqlar (Pearson & # x00027s R = 0.88, t = 8.04, df = 19, P & # x0003C 0.0001) və ilə Bartonella Növlər üzrə müşahidə edilən OTU'lar (Pearson & # x00027s) R = 0.88, t = 7.96, df = 19, P & # x0003C 0.0001). Bu əhəmiyyətli nümunə təsiri mühasibatlıqdan sonra Bartonella müxtəliflik, Faith & # x00027s PD ilə hər yarasa növü ilə əlaqəli ektoparazitlərin sayı arasında əhəmiyyətli bir əlaqə mövcud deyildi (t = 0.6, df = 18, P = 0.56) və ya OTU və ektoparazitlərin sayı (t = 0.17, df = 18, P = 0.87).

Şəbəkə Təhlili və İcma Təyinatı

Üç icma aşkarlama alqoritmi ardıcıl olaraq yeddi icmanı müəyyənləşdirdi: Min / Myo, VespA & # x02013VespE və Rhi (Şəkil 4 və Cədvəl S14). Bir neçə növün icma tapşırığında yalnız kiçik uyğunsuzluqlar var idi. İki alqoritm (məlumat xəritəsi və spin şüşə) birləşdirildi PL. auritusS. plecotina fərqli bir cəmiyyətə çevrildi, lakin Luvayn alqoritmi onları VespC icması ilə birlikdə yerləşdirdi. Luvain və spin şüşə alqoritmləri qruplaşdırılıb I. ariadnae məlumat xəritəsi alqoritmi bu növü VespD icması ilə qruplaşdırdı.

Şəkil 4. İcmaları Bartonella əməliyyat taksonomik vahidləri (OTU), ektoparazit növləri və yarasa növləri. Üçüncü baltalar istifadə edərək üçlü şəbəkələr çəkilmişdir Bartonella, yarasalar və ektoparazit qovşaqları. Düyünləri birləşdirən kənarlar Cədvəllər S3 və S10-a əsasən, nümunə götürmə intensivliyi üçün tənzimlənən kənar çəkilərlə çəkilmişdir. İcmalar üç aşkarlama alqoritmi (məlumat xəritəsi, Louvain və spin şüşə) ilə müəyyən edildi. Hər bir topluluqdakı növlərin üzvlüyü Cədvəl S14-də qeyd olunur.

Yeddi icma ev sahibi filogeniya, coğrafi üst-üstə düşmə və roost paylaşımı əsasında geniş şəkildə təşkil edilmişdir (Rəqəmlər S1, S2 və Cədvəllər S1, S2). Min / Myo, əsasən Avropanın cənubundakı mağaralarda və ya digər mağara bənzər strukturlarda bir araya gələn iki yarasa (Vespertilionidae və Miniopteridae) ailələrindən növlər ehtiva edir (istisna olmaqla Mənim. myotis, Avropada daha geniş yayılmışdır Şəkil S2). Rhi yalnız ehtiva edir Rinolophus əsasən Cənubi Avropa, Şimali Afrika və Yaxın Şərqdəki mağaralarda bir araya gələn növlər (Şəkil S2 və Cədvəl S2). VespA üç əlaqəlidir Myotis yayda ağac boşluqlarında böyüyən və payızda yeraltı ərazilərdə sürüşən və qışda orada qışlayan növlər. VespB, yay və qış mövsümündə ağac boşluqlarında, binalarda və mağaralarda yığılan vespertilionid yarasalar ehtiva edir, baxmayaraq ki, növlər arasında roosting naxışları az üst-üstə düşür. Bununla birlikdə, bu növlər uzun məsafəli köç də daxil olmaqla bəzi digər xüsusiyyətləri paylaşırlar (Mənim. dasycneme, Ny. noktulaPi. nathusii) və Avropa daxilində nisbətən şimal bölgüsü. VespC ikisini ehtiva edir Eptesicus yayda və qışda binalarda böyüyən növlər. VespD və VespE cəmiyyətləri yüksək dərəcədə spesifik ektoparazit və ya olan tək yarasa növlərini ehtiva edirdi Bartonella növlər və dolayısı ilə bu icmalardakı digər növlərə filogenetik bənzərlik və ya oxşar roosting vərdişlərinə baxmayaraq digər icmalardan ayrılmışdır.

11-i üçün Bartonella Bu çalışmada OTU'lar, icma tapşırıqları, Afrika, Asiya və Avropadakı əlaqəli yarasalardan toplanan digər ardıcıllıqla yaxşı uyğun gəldi (Kosoy et al., 2010a Lin et al., 2012 Morse et al., 2012 Anh et al., 2015 Wilkinson et al., 2016 Han et al., 2017 Lilley et al., 2017 Stuckey et al., 2017a Corduneanu et al., 2018). OTU ilə əvvəlki tədqiqatların digər ardıcıllığı arasındakı müqayisələrə dair daha ətraflı məlumat Əlavə Materialda tapıla bilər.

On beş düyünün yarasadakı ağırlıq dərəcələrinə görə təsirli olduğu təsbit edildi & # x02013ectoparasite & # x02013Bartonella birlik şəbəkəsi. Beş yarasa (Mn. schreibersii, My. blythii, My. daubentonii, mənim. myotisR. ferrumequinum), doqquz ektoparazit (A. vespertilionis, B. nana, C. pipistrelli, Nb. kolenatii, Nb. Schmidlii, Pn. konspicua, Pn. dufourii, Ph. biarticulatumS. myoti) və bir Bartonella OTU (OTU19) ağırlıq dərəcəsinə görə ilk 25-ci yüzdə düşdükləri üçün nüfuzlu olaraq təyin edildi. Bu növlərin ekologiyası şəbəkədəki təsirlərini izah edə bilər. Mənim. daubentonii kişilərin sosial koloniyalar meydana gətirdiyi bilinir və bu səbəbdən hər iki cinsdə də yüksək ektoparazit sıxlığı müşahidə edilmişdir (Encarna & # x000E7 & # x000E3o et al., 2012). Mn. schreibersii, My. blythii, My. myotisR. ferrumequinum mağaralarda qarışıq rooslar meydana gətirir (Cədvəl S2). Doqquz ektoparazit növünün hamısı ev sahibliyində çox cəlbedicidir (Cədvəl S3). Qeyd edirik C. pipistrelliA. vespertilionis insanları dişlədikləri bilinir (Jaenson et al., 1994 Estrada-Pe & # x000F1a və Jongejan, 1999 Whyte et al., 2001) və hər ikisinin də insanlara yoluxduqları təsbit edilmiş OTU19 və OTU26 ilə eyni topluluqda qruplaşdırılıblar (Veikkolainen et al., 2014 Urushadze et al., 2017). Yüksək nüfuzlu qovşaqların və onların icma tapşırıqlarının müəyyənləşdirilməsi barədə əlavə təfərrüatlar üçün Əlavə materiala baxın.

Yarasalar üçün Koflogeniya və Tip-Birlik Testləri və Bartonella

Tip-assosiasiya testləri, bütün taksonomik səviyyələr (növlər, cinslər, ailələr və alt sıralar) və müşahidə olunan AI və ya PS paylanmalarının heç biri sıfır paylanmalarla üst-üstə düşməyən nümunə götürülmüş ölkələr üçün əhəmiyyətli qruplaşma göstərdi (Cədvəl S15). Orta AI və PS dəyərləri, nümunə götürülmüş ölkələr üçün AI və PS dəyərlərinə nisbətən cins, ailə və alt sıralar üçün daha kiçik idi, bu da ağacın uclarının yığılmasının coğrafiyadan daha çox ev sahibi filogeniya ilə izah edildiyini göstərir. Kofilogeniya qlobal uyğunluq analizləri, yarasa ilə yarasa arasında təkamül uyğunluğunun əhəmiyyətli dəlil olduğunu tapdı Bartonella filogeniyalar (kvadrat qalıqların PACo cəmi = 21.69, P & # x0003C 0.0001 ParaFit kvadrat qalıqların cəmi = 21.97, P = 0.001). Bütün PACo və ParaFit testləri nümunə götürülmüş arxadan istifadə olunur Bartonella ağaclar, nəticələrin filogenetik qeyri-müəyyənlik baxımından möhkəm olduğunu göstərən əhəmiyyətli uyğunlaşma göstərdi. Bartonella ağac.

PACo və ParaFit testlərindən dəstəklənən linklərin çoxu yarasa növləri ilə Bartonella Eyni topluluqdakı OTU-lar (şəkil 5-də xətt rəngləri ilə göstərilmişdir) və yüksək şəbəkə kənar çəkilərinə malik idi (şəkil 5-də xətt genişliyi ilə göstərilmişdir). 81-dən otuz biri (% 38) yarasa & # x02013Bartonella əlaqələr ya PACo ya da ParaFit tərəfindən yüksək səviyyədə dəstəklənmişdir (Şəkil S5 və Cədvəl S16). PACo jackknife-nin yuxarı həddi 95% etibarlılıq intervalı bütün kvadrat qalıqların ortalamasından aşağı olduqda və ya ParaFit F1 statistikasına P- dəyər & # x0003C 0.01. Bu yüksək dəstəklənən 31 əlaqədən 22-si (% 71) yarasa növləri ilə Bartonella OTU-ların eyni icmada olduğu müəyyənləşdirilmişdir (Cədvəl S16). Eyni topluluqda yüksək səviyyədə dəstəklənən əlaqələrin bu nisbəti, eyni toplumdakı az dəstəklənən və ya dəstəklənməyən əlaqələrin nisbətindən daha yüksək idi (& # x003C7 2 = 3.23, df = 1, P = 0.036). Fərdi ev sahibi və # x02013parazit əlaqələri haqqında əlavə məlumatlar Əlavə Materialda tapıla bilər.

Şəkil 5. Yarasa növlərinin və Bartonella OTU filogeniyalarının müqayisəsi. (A) Proqrustlar üst-üstə düşmə planını Bartonella OTU'lar (açıq dairələr) və yarasa növləri (açıq üçbucaqlar). Bu süjetdə baltalar yarasa növlərinin filogeniyasının əsas komponentlərini təmsil edir. Yarasa növləri ən çox variasiyanı izah edən iki əsas oxa proqnozlaşdırılır. Yarasa ailələrinin və alt ailələrin adları növ qrupları üçün göstərilir. The Bartonella OTU'lar daha sonra hər yarasa-Bartonella dərnəyi üçün qalıq məsafələri minimuma endirərək yarasa filogeniyasına uyğun olaraq proqnozlaşdırılır və döndərilir (xətlərlə birləşdirilir). (B) Sol tərəfdəki yarasa növləri filogeniyası olan koflogeniya sahəsi və Bartonella Sağ tərəfdəki OTU filogeniyası. Ortadakı xətlər yarasa növlərini birləşdirir Bartonella Yarasalardan və ya əlaqəli ektoparazitlərdən toplanan sıra məlumatlarına əsaslanan OTU-lar. Yarasa növləri üçün növ qısaltmaları Cədvəl 1-də verilmişdir (A)(B), yarasa-Bartonella həm yarasa növləri varsa həm də cəmiyyət tərəfindən rənglənən əlaqələr Bartonella eyni icmaya yerləşdirilmişdir (Cədvəl S14-də olduğu kimi). Hər ikisində xətt eni (A)(B) şəbəkə kənar kütləsi ilə mütənasibdir və xətt şəffaflığı PACo və ParaFit analizlərindən alınan bağlantı dəstəyindən asılıdır.

Bayesian Proqnozu Bartonella Host keçid dərəcələri

Simmetrik nisbət bölmə modelindən istifadə edərək, mümkün olan 210 yarasa ev sahibi növ birləşməsindən yalnız 30-u (% 14) stoxastik axtarış dəyişənləri seçmə prosedurundan əhəmiyyətli Bayes faktorlarına (BF & # x0003E 3) sahibdir (Şəkil 6 və Cədvəl S17). Orta host dəyişdirmə dərəcələri 0.37 üçün dəyişdi E. nilssoniiE. serotinus üçün 1.83 Mənim. blythiiMənim. myotis. Böyük host dəyişdirmə dərəcələri daha yüksək BF dəstəyinə meylli idi (Pearson & # x00027s) R = 0.52, t = 3.23, df = 28, P = 0.0032) və nisbətlər eyni ailənin və alt ailənin yarasa növlərinə qarşı qərəzli olma meylinə sahibdir (şəkil 6). 30 nisbətdən 25-i (% 83) eyni ailənin yarasa növləri arasında idi. Bu, eyni ailədə olan mümkün növ birləşmələrinin sayına əsasən gözlənilən nisbətdən (126/210, 60%) xeyli yüksəkdir (& # x003C7 2 = 5.17, df = 1, P = 0.012). Ev sahibi dəyişmə dərəcələrinin əksəriyyəti (25/30,% 90) eyni müəyyənləşdirilmiş icmada (11/30,% 37) və ya eyni ailədən yarasalar olan bir toplumda (16/30,% 53) növ cütlərinə malikdir. 30 ev dəyişdirmə dərəcəsindən on dördünün (% 47) yay aylarında birlikdə yaşadığı növ cütləri var idi (Cədvəl S2).

Şəkil 6. Qrafiki Bartonella Avropa yarasa növləri arasında keçid nisbətləri. (A) Bayes faktorları əhəmiyyətli dərəcədə (BF & # x0003E 3) olan keçid dərəcələri (arxa bölgünün orta) yarasa növlərini təmsil edən qovşaqları birləşdirən kənar şəklində çəkilir. (B) Bayes faktorları 2 ln olaraq çəkilir K, harada K Bayes faktor dəstəyidir. Düyünlər yarasa ailələrinə / alt ailələrə görə rəngləndi. Kenar rəngləri, orta keçid nisbətlərinə görə ölçüldü (A) ya da Bayes faktor dəstəyi (B). Keçid dərəcələri və Bayes faktoru hesablamalarının detallarına Cədvəl S17-də baxmaq olar. Yarasa növləri üçün növ qısaltmaları Cədvəl 1-də verilmişdir.

Reqressiya Analizi

Spearman üçün AICc (Cədvəl S18) uyğun olaraq ən yüksək reqressiya modeli Bartonella bənzərsizlik ev sahibi filogenetik məsafəyə, coğrafi aralığın üst-üstə düşməsinə və roost paylaşma dəyişkənliyinə sahib olan model idi (AICc = 496). Binomiya üçün ən yaxşı model Bartonella bənzərsizlik yalnız ev sahibi filogenetik məsafə kovaryatı (AICc = 562) olan model idi. Cao bənzərsizliyi üçün ən yaxşı model, ev sahibinin filogenetik məsafəsini və roost paylaşma ковариаттарын ehtiva edirdi (AICc = 565).

Bütün ən yaxşı modellər statistik cəhətdən əhəmiyyətlidir (Cədvəl S18) və ev sahibi filogenetik məsafənin statistik baxımdan müsbət təsirini qiymətləndirmişdir. Bartonella yarasa növləri arasında oxşarlıq (Cədvəl S19). Üç namizəd modeli (Spearman, binomial və Cao) hamısı reqressiya üçün fərqli məlumatlar istifadə etdiyindən, onları müqayisə edə bilmərik vasitəsilə AICc. Bunun əvəzinə, onları nisbətdəki nisbətə görə müqayisə etdik Bartonella bənzərsizlik izah edildi (düzəldildi R 2), regresiya orta kvadrat səhv və çarpaz doğrulama orta kvadrat səhv. Spearman korrelyasiyasından istifadə edən model daha çox dəyişikliyi izah etdi Bartonella bənzəməzlik və binom və Cao indekslərindən daha aşağı orta kvadrat səhv var idi (Cədvəl S18). Bu modeldən yarasaların bir-birinə bənzəməməsi ehtimalı daha yüksəkdir Bartonella bir-birləri ilə daha uzaq əlaqədə olduqları təqdirdə (t = 8.6, df = 206, P & # x0003C 0.0001), yarasaların coğrafi aralıklarında az bir-biri ilə üst-üstə düşür (t = & # x022122.43, df = 206, P = 0,016) və yarasalar yayda birlikdə oturmurlar (t = & # x022123.81, df = 206, P = 0.00019). Bu üç müxtəliflik arasında, ev sahibi filogenetik məsafə daha çox dəyişikliyi izah edir (qismən tənzimlənir) R 2 = 0.26) coğrafi aralığın üst-üstə düşməsindən (qismən tənzimlənir) R 2 = 0.023) və ya roost paylaşımı (qismən tənzimlənir R 2 = 0.061). İzahat gücündəki bu fərq əhəmiyyətlidir, çünki nisbi əhəmiyyətinə görə% 95 açılış etibarlılığı aralıqları üst-üstə düşmür (Cədvəl S19). Fərdi Mantel testləri filogenetik məsafənin ən güclü korrelyasiyaya malik olduğunu təsdiqlədi Bartonella oxşarlıq (Cədvəl S20).

İkinci namizəd model dəsti, ektoparazit uyğunsuzluğunu proqnozlaşdırmaq üçün ev sahibi filogenetik məsafəni, coğrafi aralığın üst-üstə düşməsini və roost paylaşımını istifadə etdi. Bütün qeyri-bərabərlik göstəriciləri (Spearman, binomial və Cao) üçün seçilmiş ən yaxşı model bütün dəyişiklikləri əhatə edirdi. Hər üç model də statistik cəhətdən əhəmiyyətli idi (Cədvəl S18) və ev sahibinin filogenetik məsafəsinin təsirinin müsbət, coğrafi aralığın üst-üstə düşməsi və roost paylanmasının təsirlərinin mənfi olmasını qiymətləndirmişdir (Cədvəl S19). Spearman modelinə görə yarasaların bir-birləri ilə daha uzaq məsafədə olduqları təqdirdə daha çox ektoparazit birləşmələrinə sahib olma ehtimalı daha yüksəkdir (t = 3.85, df = 206, P = 0.00016), daha az coğrafi aralıq üst-üstə düşür (t = 3.04, df = 206, P = 0.0026) və yayda birlikdə əyilmirlər (t = & # x022123.98, df = 206, P & # x0003C 0.0001). Hər üç dəyişikliyin hamısı oxşar dəyişmə miqdarını izah edir və nisbi əhəmiyyət etibar aralıqları üst-üstə düşdüyü üçün izahedici güclərində əhəmiyyətli dərəcədə fərqlənmirlər (Cədvəl S19). Mantel testləri bu tapıntıları hər üç proqnozlaşdırıcıda oxşar böyüklükdə korrelyasiya ilə təsdiqlədi (Cədvəl S20). Bu səbəbdən ektoparazit bənzərsizliyi ev sahibi filogenetik məsafə, coğrafi aralığın üst-üstə düşməsi və roost paylaşımı ilə izah olunduğundan ektoparazit bənzərsizliyinin əlavə təsiri müşahidə etmirik. Bartonella bu təsirlərin uçotu aparıldıqdan sonra qeyri-bərabərlik.

Nəhayət, üçüncü namizəd model dəsti sayını istifadə etdi gltA ən az nümunə götürülən yarasa növlərindən və digər dörd dəyişikliyin hamısından. Birinci dəyişiklik yuxarıda müzakirə olunan host dəyişdirmə dərəcələrində müşahidə olunan seçmə yanlılığını hesablamaq üçün istifadə edilmişdir. Modelləri Bayesin əcdadları dövlətinin yenidən qurulması analizindən stavkaların arxa bölgülərindən götürülmüş həm orta, həm də orta host dəyişdirmə dərəcələrini istifadə edərək qiymətləndirdik. AICc tərəfindən model seçilməsindən sonra həm orta, həm də orta sahib dəyişdirmə modellərində ən az nümunə götürülmüş yarasa növləri və ev sahibi filogenetik məsafələr üçün kovaryatlar mövcud idi. Bu səbəbdən bütün ən yaxşı Spearman, binomial və Cao modelləri eynidir. Həm orta, həm də orta modellər əhəmiyyətli idi (Cədvəl S18) və nümunə götürmək üçün müsbət və ev sahibi filogenetik məsafəyə mənfi təsir göstərmişdir (Cədvəl S19). Orta kompüter dəyişdirmə modeli, daha çox dəyişikliyi izah etdi və ortalama modeldən daha aşağı orta kvadrat səhvə sahib idi (Cədvəl S19). Bu model, müsbət bir nümunə qərəzinin hesablanmasından sonra (t = 4.59, df = 27, P & # x0003C 0.0001), Bartonella infeksiyaların daha çox filogenetik cəhətdən əlaqəli yarasa növləri arasında keçmə ehtimalı daha yüksəkdir (t = & # x022122.32, df = 27, P = 0.028).

Bütün üst model dəstləri üçün (Spearman Bartonella bənzərsizlik, Spearman ektoparazit oxşarlığı və orta sahib dəyişdirmə dərəcələri), standartlaşdırılmış məlumatları standartlaşdırılmış qismən reqressiya əmsallarına qarşı quraraq regresiya modellərinin uyğunluğunu əyani olaraq təsdiqlədik. The plots for Spearman dissimilarity (Figure S6) confirm the positive effect of host phylogenetic distance and the negative effects of geographic range overlap and roost sharing on both Bartonella dissimilarity and ectoparasite dissimilarity. We also confirm the negative effect of host phylogenetic distance and positive sampling effect on Bartonella host-switching rates (Figure S6).


The Conflicting Neighbor Problem

A network specification is the outcome of three decisions: (i) the choice of a topological space, (ii) the choice of a distance or proximity function defined on that space, and (iii) the choice of a connectivity criterion for the distance metric. The Conflicting Neighbor Problem (CNP) lies in the uncertainty of this network specification process. More than one type of topological space may contain the same set of objects more than one distance function may be defined on the same space more than one connectivity criterion may be defined for the same distance metric. Even in a relatively simple applied setting like IR, where the universe of objects is well defined and the relations between them well catalogued, permutations of these three choices are potentially innumerable. This uncertainty—and the resulting potential for conflict and overlap between specifications—can render elusive the goal of identifying the “true” network of diffusion.

Consider a set of n objects, in our case states in the international system. The topological space S occupied by these objects may be a geographical map, a Cartesian coordinate system, a network of international trade, or any other set for which a notion of distance between objects can be defined. Verilmişdir S, we may define a distance function d, which satisfies the following metric properties for all i,j,kS: d(i,j) ≥ 0 (non-negativity), d(i,j) = d(j,i) (symmetry), d(i,i) = 0 (reflexivity), and d(i,j) ≤ d(i,k) + d(k,j) (triangular inequality). The distance function d provides a measure of the “nearness” of two objects situated in space S, such that d(i,j) approaches zero as two objects move closer together and infinity as they move farther apart. Alternatively, we may define a proximity function səh(i,j) on S, which approaches a constant as two objects move closer together and zero as they move farther apart. 8 The number of kilometers between capital cities would be one distance metric in geographical space the volume of bilateral trade would be a proximity measure in international economic space.

Connectivity criteria link the distance or proximity functions to some categorical definition of neighborhood. In a simple thresholding case with search radius r, a connectivity criterion may be d(i,j) < r (for example, two countries are connected if the distance between their capitals is less than r km) or səh(i,j) > r (for example, if the volume of bilateral trade is greater than r dollars).

Pairwise connections between objects are expressed with an n×n connectivity matrix C, where a cell c(i,j) = 1 if objects mənj are “connected” according to some connectivity criterion cc(i,j) = 0 otherwise.

The CNP occurs when, for the same pair of objects i,j and two or more network specifications mM, the two objects are considered neighbors under one specification, but not the other. Given two network specifications m = 1, 2, their respective graphs are said to be in perfect conflict əgər c1(i,j) ≠c2(i,j) for all i, j<1,…,n>, and in perfect agreement əgər c1(i,j) = c2(i,j) for all i, j<1,…,n>. They are in partial conflict (or agreement) if both c1(i,j) ≠c2(i,j) və c1(i,k) = c2(i,k) are true for some i, j, k<1. n>.

Cases of perfect conflict and agreement, although rare, are fairly straightforward. In the former, the graphs constructed from C1C2 are complements of each other, as in the case of countries with and without shared borders, or allied and nonallied relationships. In the latter, the graphs are isomorphic, and one might be justified in assuming that the specifications 1 and 2 represent the same theoretical concept. In each case, C1C2 are highly dependent on one another knowing whether a connection exists between mənj in C1 allows us to perfectly predict whether the same pairwise tie exists in C2. The key difference lies in the interpretation of spatial dependence. If two graphs are in perfect conflict, positive spatial autocorrelation detected in one graph appears as negative autocorrelation in the other—diffusion becomes repellence, clustering becomes segregation.

Partial conflict or agreement is a more ambiguous case. Here, matrices C1C2 partially overlap and represent potentially related networks, though not necessarily ideal substitutes. The structural similarity between the graphs can vary from very high—approaching that of perfect conflict or agreement—to negligible—where the graphs represent connections in unrelated types of networks. In IR, most interstructural relationships reside in this murky domain. Border contiguity may or may not correlate with intercapital distance, labor migration may or may not correlate with bilateral trade, and so on. Due to the variety of ways in which connectivities can be specified, even networks situated in different types of topological space may be more structurally similar than those that share the same space and distance metrics.


Acknowledgments

The authors thank Emily Warschefsky, Ezgi Ogutcen, and Nina Noujdina for helpful discussions, and the Pakistan Genetic Resource Institute National Agricultural Research Center, Islamabad, Pakistan, for provision of biological materials. This work was supported by grants from the US National Science Foundation Plant Genome Program NSF-PGRP 1339346 to D.R.C., E.J.B.v.W., and R.V.P by a cooperative agreement from the United States Agency for International Development under the Feed the Future Program AID-OAA-A-14-00008 to D.R.C., E.J.B.v.W., S.VN., and R.V.P. by the Higher Education Commission of Pakistan an International Research Support Initiative Program fellowship to S.G.A.S.S. and by the Russian Science Foundation, project No. 16-16-00007 to S.V.N (bioclimatic analysis).

Diqqət yetirin: Nəşriyyat müəlliflər tərəfindən verilən hər hansı bir dəstəkləyici məlumatın məzmunu və ya funksionallığı üçün məsuliyyət daşımır. Hər hansı bir sorğu (çatışmayan məzmundan başqa) məqalə üçün müvafiq müəllifə göndərilməlidir.


Metodlar

General description of the SPREAD algorithm

Define as the set of available strains or individuals of each mating type or sex ('type') xy, respectively, and sx × sy as the feasible number of crosses that can be completed in an experiment. Dəyişənlər sxsy are the number of strains selected for the experiment and are less than , respectively. Draw a large number, h, of random samples containing sxsy strains of each type from all possible sets of strains and . For each of the h samples, plot crosses based on values associated with the crosses (for example, number of differing single nucleotide polymorphisms vs geographic distance), and then calculate the mean of the NNDs of all plotted crosses. Generate a list of h mean NNDs. Finally, use the maximum value from the list because it corresponds to the set of sx × sy strains that most broadly and evenly represents the parameter of interest. A formal mathematical description of this algorithm is presented in the Supplementary Material (Supplementary File 1).

A worked example using SPREAD

We used a previously published population genomics dataset consisting of single nucleotide polymorphisms from transcriptomes of geographically diverse wild isolates of the fungus N. crassa to test our method (Ellison et al., 2011). We started with the set of all pairwise combinations of strains and then filtered to include only mating type compatible pairs. We calculated the genetic distances between compatible pairs by counting the number of different single nucleotide polymorphisms (SNPs) between each pair and calculated geographic distances using the great-circle distance between strain locales. The genetic and geographic distance values for each pair were used to map all the crosses on genetic and geographic distance axes. This is the ‘original distribution’ of crosses.

We randomly sampled h=1000 lists of sA=sa= 12 strains of each mating type from the set of all strains without replacement, where and a are the sets of strains available for each mating type (analogous to and in the general description) in this case . We computed all possible pairwise mating combinations for each of the 1000 random samples of sA=sa= 12 strain lists, resulting in 1000 crossing-sets each containing 144 crosses. We then plotted each crossing-set on geographic vs genetic distance space and computed the mean NNDs using Euclidean distance calculations. The crossing-set with the MMNND of all 1000 crossing-sets was selected. In this worked example, selecting from a random sample of 1000 crossing-sets—and not selecting from all possible crossing-sets—is necessary because the total number of possible crossing-sets in this case is . Computing NNDs for all possible crossing-sets is computationally prohibitive and, as shown below, unnecessary.

We implemented our algorithm and additional analyses in the R programming language (R Core Team, 2014). R code for the implementation of the SPREAD algorithm on crossing-sets with two traits and two sexes is available in the Supplementary Information (Supplementary File 2) and online at http://dx.doi.org/10.6084/m9.figshare.1180165. The following R packages were used in this analysis: plyr (Wickham, 2011), reshape2 (Wickham, 2007), ggplot2 (Wickham, 2009), spatstat (Baddeley and Turner, 2005), foreach (Weston and Analytics, 2014) and glmmADMB (Fournier et al., 2012 Skaug et al., 2013).

Evaluating SPREAD’s approximation of the true MMNND

The true MMNND can only be determined if all possible crossing-sets for a given sAsa are evaluated. Therefore, calculating the true MMNND may not be possible, even with high performance computing resources. For example, if M=300 and F=300 and a crossing-set is desired with 20 individuals of each type, then the total number of possible crossing-sets would be . Using a random sample of all available crossing-sets to estimate the MMNND is more practical, especially if the estimated MMNND approximates the true MMNND.

We implemented the algorithm as described above for the N. crassa dataset, except we varied crossing-set size by implementing SPREAD for sA=sa= 2, 3, 4, …, 22. To simplify the process, we used crossing-sets where sA=sa, but this is not a requirement of the SPREAD algorithm. We used five different h values (1, 10, 100, 1000 and 10000) to compare the effects of h size on the MMNND values returned from SPREAD. We included an h value of 1 to simulate the distribution of MNND values of crossing-sets generated by simple random sampling (SRS). We repeated this process 1000 times to obtain bootstrapped distributions of MMNND values for the different crossing-set sizes and h dəyərlər.

Comparing model fits of SPREAD- and SRS-generated crossing-sets

Using SPREAD to design fully crossed mating experiments may be more effective than selecting crossing-sets at random because broad and even sampling will provide greater statistical power to understand how dependent variables vary based on cross characteristics (for example, how reproductive success depends on the genetic or geographic distances between parents). To evaluate this hypothesis empirically, we created a simulated dataset of cross outcomes (that is, reproduction) and modeled relationships between reproduction and the characteristics of crosses in crossing-sets generated from SPREAD vs those generated by simple random sampling. Simulated experimental data take the form of total ascospore counts (the sexually produced spores of the fungus).

First, we generated simulated data for all possible crosses of the entire crossing-set of 24 mat-A × 24 mat-a strains, using a generalized linear model fitted to unpublished empirical data from a diallel cross of 11 mat-a and 10 mat-A N. crassa strains. This model was evaluated using the glmmADMB package (Fournier et al., 2012 Skaug et al., 2013) as Total Ascospore Count=Genetic Distance+Geographic Distance+(Genetic Distance) 2 +(Geographic Distance) 2 +Genetic Distance: Geographic Distance. The response variable of Total Ascospore Count was modeled with a negative binomial distribution using a log link function. Genetic and geographic distance values were mean-centered to prevent autocorrelation between linear and quadratic parameters. We did not include all possible interaction terms because we wanted to restrict the model to only linear and quadratic terms. Our choice is based on the biological hypothesis that there is a single optimum of reproductive output, intermediate between inbreeding and outbreeding depression (Lynch, 1991).

Second, we simulated four experimental replicates for each possible cross by drawing from a negative binomial distribution with a mean derived from the predicted experimental values and the negative binomial dispersion parameter derived from the empirical data model (Supplementary File 3). The model parameter values of the entire crossing population were determined by evaluating the model described above with the complete simulated data set of all crosses. The model parameter values from the entire population model will be referred to as ‘population’ parameter values, while parameter values generated from sub-sampled crossing-set models will be referred to as ‘sample’ parameter values.

Using the complete set of simulated experimental data, we computed data sets for 1000 different crossing-sets generated with either SPREAD or SRS. The algorithm parameter values for the SPREAD-generated crossing-sets were sA=sa= 12 and h=1000. We chose sA=sa= 12 to test the edge case of a maximally complex sample space (the largest number of possible crossing-set permutations occurs when sA=sa= 12). Crossing-sets chosen by SRS were of the same size. Model fits were computed for each crossing-set using the model described above. Parameter values and standard errors of the parameter values were recorded for each of the 1000 SPREAD- or SRS-generated crossing-sets.

We compared the bias, precision and accuracy of sample parameter values from model fits of crossing-sets generated with SPREAD or SRS. To compute bias, we calculated the difference between the mean of sample parameter values from the 1000 model fits and the population parameter values. To assess precision, we computed the variance of sample parameter values from the 1000 model fits. To assess accuracy, we calculated mean squared error of sample parameter values as , where n=1000, =the sample parameter value of simulation mən and θ=the population parameter value. We recorded the MNND values of all SPREAD- and SRS-generated crossing-sets used in this comparison to determine the relationship between MNND of crossing-sets and the ability of those crossing-sets to estimate population parameter values.


Əlavə A

Program code to create 3-D lines with ArcObjects 10.1 in Visual Basic .NET 2010

Appendix B

A procedure to create a 3-D visualization with the ArcMap Add-In tool.

Download the Add-In file and install it on a local computer housing ArcGIS 10.1.

Open ArcMap and then choose CustomizeCustomize Mode… The Customize window will appear.

Choose the Commands tab, and then Add-In controls under Categories.

Drag and drop the Generating 3-D flows tool on a toolbar.

Open a polygon shapefile for spatial units (i.e., origins and destinations). Next, click the button

to execute the tool. The Generating 3-D flow lines window will pop-up (Figure 10).

In the window, choose a polygon layer and an ID field, and set an output filename.

Note: the height value for the origin points of 3-D lines to be created is set with the height of the polygon layer’s extent, by default.

Click on the OK button, which executes the program to crate a 3-D line shapefile.

In ArcScene, open the 3-D line shapefile.

Next, open the polygon layer twice: once for origins on the top layer, and once for destinations on the bottom layer.

Set the Base Height of the top layer (origins) with the height value used when the 3-D line shapefile is created (see Fig. 10). Also, change its transparency level to make any overlapped features of this layer visible.

Change symbols of the three layers, if necessary.

A graphical user interface to set up parameters to create 3-D flow lines

Note: the 3-D line shapefile contains a field named NetID whose values are concatenations of origin and destination IDs. Hence, a modeling result such as that from spatial interaction models can be joined with the field.

Appendix C

Additional geographic flows visualizations

This section presents a number of additional flows visualizations in order to furnish a more general sense of the technique’s applicability.

Money flows in the coterminous US Federal Reserve Bank districts

Figure 11 portrays the money flows map for spatial interaction among the 12 districts into which the conterminous US has been partitioned for central banking purposes (Tobler 1987). As noted previously, the top GIS layer polygons represent origins, whereas the bottom GIS polygons represent destinations. The portrayed geographic distributions are the spatial autocorrelation components for the origins (top) and destinations (bottom). In this case, these distributions are the same. The choropleth maps portray the geographic distributions of the origin and destination balancing factors. These two distributions have a MC value of −0.28166 in other words, they contain weak negative spatial autocorrelation. Meanwhile, the inflated flows (Figs. 11b–c) tend to concentrate in the eastern part of the country, whereas the less numerous deflated flows (Figs. 11d–e) tend to originate in New York City, or terminate in New York City or Philadelphia. A perturbation to the system would tend to disrupt inflated flows, with relatively small impacts upon spatial autocorrelation neutral and deflated flows. Not surprisingly, New York City appears to be the most vulnerable part of this banking system.

A 3-D visualization of monetary flows among the US Federal Reserve Bank districts. a: flows among the districts. b: spatial autocorrelation inflated flows in 2-D. c: spatial autocorrelation inflated flows in 3-D d: spatial autocorrelation deflated flows in 2-D. e: spatial autocorrelation deflated flows in 3-D. f: spatial autocorrelation neutral flows in 2-D. g: spatial autocorrelation neutral flows in 3-D

The commuting landscape of the Chicago MSA

Figure 12 portrays the journey-to-work flows map for spatial interaction among the 13 counties comprising the Chicago MSA, with the City of Chicago located in the center of the eastern part of this metropolitan region. As noted previously, the top GIS layer polygons represent origins, whereas the bottom GIS polygons represent destinations, and as choropleth maps, they portray the geographic distributions of the origin and destination balancing factors. These geographic distributions are the spatial autocorrelation components for the origins (top) and destinations (bottom), and have respective MC values of 0.27768 and 0.21943 in other words, they contain weak positive spatial autocorrelation. Meanwhile, both the inflated (Fig. 12b–c) and deflated (Fig. 12d–e) flows are spread across the MSA, whereas the less numerous deflated flows tend to cover shorter distances than the inflated flows. A perturbation to the system focused on the City of Chicago appears as though it would nudge the system from equilibrium, being most disruptive to the inflated flows.

A 3-D visualization of county-level Chicago MSA journey-to-work flows. a: flows among the counties. b: spatial autocorrelation inflated flows in 2-D. c: spatial autocorrelation inflated in 3-D. d: spatial autocorrelation deflated flows in 2-D. e: spatial autocorrelation deflated flows in 3-D. f: spatial autocorrelation neutral flows in 2-D. g: spatial autocorrelation neutral flows in 3-D

The commuting landscape of the Dallas MSA

Figure 13 portrays the journey-to-work flows among the 12 counties comprising the Dallas MSA, with Dallas-Ft. Worth located roughly in the center of this metroplex. As noted previously, the top GIS layer polygons represent origins, whereas the bottom GIS polygons represent destinations. The portrayed geographic distributions are the spatial autocorrelation components for the origin balancing factors (top) and the destination balancing factors (bottom). These two distributions have respective MC values of 0.21607 and 0.13202 in other words, they contain weak positive spatial autocorrelation. Meanwhile, all the spatial autocorrelation inflated (Figs. 13b–c) and deflated (Figs. 13d–e) flows are spread across the MSA, with the spatial autocorrelation deflated flows being far more numerous than the inflated flows. A perturbation to this system most likely would only nudge it from equilibrium.

A 3-D visualization of county-level Dallas-Ft. Worth MSA journey-to-work flows. a: flows among the counties. b: spatial autocorrelation inflated flows in 2-D. c spatial autocorrelation inflated flows in 3-D. d: spatial autocorrelation deflated flows in 2-D. e: spatial autocorrelation deflated flows in 3-D. f: spatial autocorrelation neutral flows in 2-D. g: spatial autocorrelation neutral flows in 3-D


Videoya baxın: bohran ve MIN tapilmasi (Oktyabr 2021).