Daha çox

QGIS-də times2one ilə vaxt saxlayırsınız?


Əhəmiyyətsiz ola biləcək bir problemim var, amma həqiqətən bir həll tapa bilmirəm!

Bir neçə nöqtəli (x, y) bir CSV sənədim var.

Bu nöqtələr müxtəlif heyvanların fərqli dövrlərdəki mövqeyini təmsil edir və beləliklə bir neçə trasda birləşdirilə bilər (hər nöqtə tək bir pistə aiddir, lakin bir pist 2-dən bir neçə nöqtəyə qədər ola bilər). İndi bu məqamların da bir vaxtı var, amma Points2one istifadə edərək onlara qoşulsam, heyvanların sürətini hesablamağım lazım olan bu məlumatları itirirəm.

Çox vaxt sütununa (və ya heç olmasa ilk dəfə sonuncu dəfə) sahib olmağın və ya belə bir məlumat yığımında bir heyvanın sürətini hesablamağın bir yolu varmı?


Sualınıza özünüz cavab verdiyini düşünürəm: Points2one bunu standart olaraq edə bilməz. Python plagini olduğundan Python'u bilirsinizsə istədiyiniz məcmuələri hesablamaq üçün asanlıqla genişləndirə bilərsiniz.

Digər plaginləri və daha çox addımları əhatə edən digər həll yolları var. Bunlarla maraqlanırsınız?

Bu eyni zamanda bir Qenerasiya alətini inkişaf etdirmək üçün yaxşı bir məşq ola bilər. Yenə də bu yol sizi maraqlandırırmı?


Mali, Bankass'ta ev faktorları və beş yaşa qədər ölüm: kəsikli bir anketin nəticələri

Malinin kənd bölgələri, ölkənin beş yaşınadək yüksək ölüm nisbətinin nisbətsiz bir yükünü daşıyır. Bir sıra ev amilləri, məhdud məhdud şəraitdə beş yaşınadək sağlamlıq ilə əlaqələndirilir. Bununla birlikdə, Malinin kənd yerlərində beş yaşınadək ölüm nisbətini ən çox təsir edən bilinmir. Mali mərkəzindəki ucqar bir bölgə olan Bankassda beş yaşınadək uşaq ölümü ilə əlaqəli ev faktorlarını təsvir etməyi hədəflədik.

Metodlar

Bankassda aparılan bir sınaqdan alınan ev təsərrüfatlarının anket məlumatlarını təhlil etdik. Anket 2016-cı ilin dekabr ayı ilə 2017-ci ilin yanvar ayları arasında ev təsərrüfatlarına aparıldı. Əsas göstəricidən əvvəlki beş il ərzində beş yaşa qədər ölüm halları, ev faktorları və qadınların doğum tarixləri haqqında ətraflı məlumatlarla birlikdə sənədləşdirildi. Beş yaşınadək uşaq ölümü ilə əlaqəli amillər Cox regresiyası istifadə edilərək analiz edilmişdir.

Nəticələr

Tədqiqat populyasiyamız 8322 ailədən olan 17408 beş yaşa qədər uşaqdan ibarətdir. Əvvəlki göstəricidən əvvəlki beş ildə beş yaşınadək ölüm nisbəti 1000 diri doğuşa 152.6 idi (müvafiq olaraq, kişi və qadınlarda 1000 diri doğuşa 158.8 və 146.0). Birincil sağlamlıq mərkəzindən daha çox məsafədə yaşamaq hər iki kişi üçün də beş yaşa qədər ölüm ehtimalı ilə daha yüksək idi (düzəliş edilmiş təhlükə nisbəti [aHR] 1.53 ≥10 km və lt 2 km,% 95 inam aralığı [CI] 1.25-1.88 ) və dişilər (aHR 1.59 ≥10 km və 2 km'ye qarşı,% 95 CI 1.27-1.99). Beş yaşınadək kişi ölümü əlavə olaraq daha aşağı ailənin sərvət kvintili ilə əlaqələndirilirdi (AHR 1.47, ən varlı ilə müqayisədə,% 95 CI 1.21-1.78), evdəki reproduktiv yaşda qadınlar arasında daha aşağı oxuma qabiliyyəti (aHR 1.73, oxuya bilmirsə oxuya bilər, % 95 CI 1.04-2.86) və elektrik enerjisinə sahib bir evdə yaşamaq (giriş üçün aHR 1.16, girişə qarşı, 95% CI 1.00-1.34).

Nəticələr

U5 ölümü Bankass-da çox yüksəkdir və səhiyyə xidmətindən daha çox məsafədə yaşamaqla və proqram hədəflənməsinə müdaxilə və ya asanlaşdırıla bilən digər bir neçə ev faktoru ilə əlaqələndirilir.


Fon

Orinoco timsahı (Crocodylus intermedius) Neotropiklərdəki ən böyük timsahdır [1] və hazırda IUCN tərəfindən Critically Endangered kimi təsnif edilir [2]. Venesueladan Kolumbiyaya qədər uzanan kiçik və ciddi şəkildə parçalanmış aralığında 250-dən az yetkin timsah qalmışdır [3]. Silahlı qarşıdurmanın azalması ilə yeni məlumatlar timsah populyasiyalarının bərpa olunmadığını və hətta yerli nəsillərin yoxa çıxdığını göstərir [4, 5].

Orinoco timsahının ekologiyası da zəif bilinir, əksər tədqiqatlar əsir düşmüş şəxslərə və ya Venesueladakı bir neçə bölgədə cəmləşmiş əhaliyə yönəldilmişdir [6]. Məkan ekologiyası məlumatları xüsusilə azdır və lətif məlumatlarla təmsil olunur [1], yetkinlik yaşına çatmayan timsahların uzunmüddətli hərəkəti [7] və ya böyüklər haqqında qısamüddətli ilkin məlumatlar [8].

Telemetri izləmə sərbəst buraxılan timsahların sağ qalmasını izləmək üçün istifadə edilmişdir [9] və timsahların məkan ekologiyasının ev üçündür, hərəkət qaydaları, yuva yerlərinin müəyyənləşdirilməsi və fəaliyyət nümunələri kimi bir neçə xüsusiyyətini öyrənmək üçün təsirli bir metoddur [10,11, 12,13]. Yenidən gətirilən növlərin məkan ekologiyasını başa düşmək, uğurlu reintroduksiyaları üçün müvafiq məlumat verə bilər [14], məsələn, jaguarların reintroduksiyası üçün ev aralığının və ya üst-üstə düşmə dərəcəsini müəyyən etmək [15] və ya qoruma səylərinin yenidən tətbiq edilməli olduğu sahələri aşkar etmək. Kanadalı vaşaq əhalisi [16].

Nəsli tükənmə riskini yaxşılaşdırmaq üçün Kolumbiyadakı qoruma tədbirləri əsirlikdə çoxalma və əsir yetişdirilən timsahların yenidən gətirilməsinə yönəlmişdir [17]. Əsir yetişdirilməyə ilk dəfə 1970-ci illərdə başlanmışdır, lakin yenidən gətirilməyə bu yaxınlarda cəhd edilmişdir [8, 18]. Kolumbiyadakı uzun sürən silahlı qarşıdurma səbəbindən reintroduksiyanın təsirini qiymətləndirmək praktik deyildi və sürətli siyahıyaalma zamanı növlərin ekologiyası və təbii tarixi barədə yeganə məlumat əldə edildi [19,20,21,22].

Yenidən gətirilən Orinoco timsahlarının məkan ekologiyasını anlamaq üçün, əsir yetişdirilən Orinoco timsahlarına peyk ötürücüləri yerləşdirdik və 2 ilə qədər bu heyvanların hərəkətlərini izlədik.


Təhsil sahəsi

Tədqiqat Çinin Sincan Uyğur Muxtar Bölgəsinin Qinghe mahalında (ərazi, 15.760 km 2 sakin, 64.300 heyvandarlıq sayı, 286.500 2011) və Monqolustan, Xovd vilayətinin Bulgan mahalında (ərazi, 8.105 km 2 sakin, 9018 mal-qara, Yalnız 100 km aralığında olan 154,058 2012). Hər ikisi də mərkəzi Altay dağlarının və Cunqar Çöl Hövzəsinin hissələrini (45 ° - 47 ° N, 89 ° - 91 ° E) təşkil edir. Dağ silsiləsi ilə hövzə arasındakı keçid zonasında yerləşən hər iki ölkənin inzibati mərkəzlərində Çin üçün uzunmüddətli orta / minimum illik hava istiliyi −34/24 ° C (1958 - 2007, Qinghe 46 °) Monqolustan üçün 40′28 N, 90 ° 22′59 E, 1.253 m) və -32/26 ° C (1963 - 2014, Bulgan, 46 ° 05′19 N, 91 ° 32′41 E, 1.182 m) qeyd edildi . İllik ortalama yağış miqdarı, müvafiq olaraq% 29 və 45% dəyişmə əmsalı ilə 174 mm (standart sapma (SD) 50) və 75 mm (SD 34) təşkil edir. Tədqiqat dövründə (2013-2014), illik hava istiliyi və illik yağış, Qinghedə ortalama olaraq 3 ° C və 162 mm, Bulqanda 4 ° C və 50 mm idi. Səhra çölündə daha quru şəraitdən fərqli olaraq, alp qurşağındakı nisbətən rütubətli iqlim Çində (C) və -40 / 23 ° C orta minimum / maksimum illik hava istiliyi ilə xarakterizə olunurdu. Monqolustan (M) və sırasıyla 2121 m (C) və 2432 m (M) hündürlükdə 160 mm (C) və 305 mm (M) illik ortalama yağış (Şəkil 1).

Çinlilərin orta aylıq yağış miqdarı (mm) və hava istiliyi (° C) (a, 2121 m yüksəklikdə) və Monqolustan yay otlaqı (b2013-cü və 2014-cü illərdə Altay dağlarının alp qurşağında, 2.432 m yüksəklikdə)

Minilliklər boyu tədqiq olunan ərazinin ətraf mühit şəraiti səhra çölündə otlaqlar arasında mövsümi dəyişmə ilə klassik dağ köçəri kimi təsvir edilə bilən bir otlaq sistemini formalaşdırdı (C, 1.194 - 1.366 m M, 1.528 - 1.938 m - qış) dağ çöl (C, 1.432 - 1.576 m M, 1.603 - 2.025 m - bulaq C, 1.031 - 1.328 m - payız) Bulqan çayının Monqolustan (1.133 - 1.161 m - payız) çayırları və alp qurşağı (C) , 1.981 - 2.943 m M, 2.392 - 3.097 m - yay). İllər və ölkələr arasında müqayisəni asanlaşdırmaq üçün hər mövsümün uzunluğu üç ay olaraq təyin olundu.

Çində bahar və payız otlaqları Stipa caucasicaAnabasis brevifolia icma və Halimodendron halodendronConvolvolus gortschakovii müvafiq olaraq cəmiyyət. The Agropyron cristatum icma Festuca ovina, Festuca altaicaPhlomis tuberosa icma və Juniperus sabinaLarix sibirica yay otlaqında camaat üstünlük təşkil edir. Halbuki S. caucasicaA. brevifolia icma və Nanophyton erinaceum icma qış otlaqlarında üstünlük təşkil edir. Monqolustanda Caragana leucophloea Bahar otlaqlarında camaat üstünlük təşkil edir, yaz otlaqları ilə xarakterizə olunur A. cristatum icma və F. altaica icma və payız otlaq Salix turanica, Caragana spinosaPopulus laurifolia icma və Phragmites australis icma. The S. caucasicaA. brevifolia icma qış otlaqında üstünlük təşkil edir.

Çinlilərdə və Monqolustan Altay-Cunqar bölgəsindəki transşumant pastoralizm, mövsümi otlaqların ardıcıl ardıcıllığına və müqayisə edilə bilən torpaq xüsusiyyətlərinə bənzəyir (Jordan et al. 2015). Çin və Monqolustan tədqiqat bölgəsi oxşar coğrafi parametrlərdən başqa nəsillər üçün məkan olaraq sabitləşdirilmiş oxşar mövsümi otlaq ardıcıllığı ilə də xarakterizə olunur. Səhra çöllərində və ya dağ ətəklərindəki yaz otlaqları sürülərin çoxalması üçün böyük əhəmiyyət kəsb edir. Yayda heyvanlar alp çəmənliklərində otlayırlar. Yay otlaqlarında daha çox yağıntı miqdarı və üzvi karbon və qida ilə zəngin torpaqlar heyvanların kökəlməsi və süd istehsalı üçün vacib olan daha yüksək ot məhsulu və keyfiyyətinə üstünlük verir. Payızda istiliyin azalması sürüləri qış üçün daha çox bədən ehtiyatı yaratmaq üçün mühüm rol oynayan sel düzənliklərinə və səhra çöllərinə qayıtmağa məcbur edir. Səhra çöllərindəki qış otlaqları nisbətən zəif biyokütlə məhsuldarlığına malikdir, lakin nisbətən az qar örtüyü sayəsində onların əlçatanlığı təmin edilir, qışın sonu və baharın əvvəlləri heyvan qidasının darlığı kimi tanınır.

Aqroekoloji mühit oxşar olsa da, siyasi kontekst daha fərqli ola bilməzdi. Çin Altay-Cunqar bölgəsində, hər hansı bir mövsümi otlaqa (yalnız müəyyən bir fəsildə, yəni bahar, yay, payız və qışda istifadə olunan otlaqlar) köçürülmə hərəkətlərinin başlanğıc tarixi, bir otlaqda qalma müddəti, yeri və ölçüsü bir ailənin otlaqları və ev başına düşən heyvan sayı yerli hökumət tərəfindən müəyyən edilir (Squires və digərləri 2010). A (ailənin) bir otlaq sahəsi həmişə dövlət mülkiyyətindədir və tədqiqat bölgəsində normal olaraq bütün Qinghe mahalında fərdi bir çoban ailəsinə təyin olunmuş otlaq üçün hasarsız, lakin açıq şəkildə ayrılmış bir yaylaq idarəetmə vahidi var, mal-qara üçün yalnız bir çəpərlənmiş qış otağı var idi. Yerli hökumət nümayəndələri qeyd olunan qaydalara uyğunluqlarını təmin etmək üçün il boyu çobanları izlədilər. Bununla birlikdə, mövsümi otlaqlara təyin olunmuş köçürülmə hərəkətlərinin tarixləri tez-tez qabaqda sürülməmiş heyvandarlıq (xüsusən də mal-qara, at və dəvə) göndərilərək atılmışdır. Monqolustanda, əksinə, transgumance hərəkətinin vaxtı sosial və ətraf mühit faktorları ilə müəyyən edilir (məktəb tətillərinin başlanması, hava şəraiti, ot bitkisinin verimi və su mövcudluğu). Ənənəvi yaylaq istifadəsi qaydalarına və saxlanılan heyvanların sayına əsasən yerli çobanların özləri tərəfindən seçilən ümumdünya namizədliyi olan 'böyük' bir çoban və fərdi çoban tərəfindən öz-özünə nəzarət edilir (Upton 2010).

Tədqiqat bölgəsində, heyvandarlıq sürülərinin əksəriyyəti iribuynuzlu və atların, bəzən dəvə və ya / və topuzlarla tamamlanan qoyun və keçilərdən ibarətdir. Sərhədin hər iki tərəfindəki bovidlər eyni tiplidir, yəni kök quyruqlu qoyunlar, kaşmir keçi və Turano-monqol mal-qara. Hər bir heyvandarlıq növü ayrı-ayrı otlayır, qoyun-keçi xaricində. Bu heyvanlardan heç biri aktiv şəkildə sürülmür, yalnız qoyun və keçilər təyin olunmuş (dövlət və ya ənənəvi qaydalar əsasında) otlaqdan istifadəni təmin etmək və müxtəlif sürülərin qarışmaması üçün ara sıra yoxlanılır. Axşam erkən qoyun, keçi və mal-qara çoban düşərgəsinə qayıdır. Qışda mal sürüləri mal-qara sürülərinə və digər heyvanlara (keçi, qoyun, at və dəvə) ayrılır. Mal-qara kəndlərin yaxınlığındakı daşqınlarda qalır, bunun sayəsində Çində bəziləri hasarlanmış bir otlaqda otlayır və ot şəklində əlavə yem alır, qalan mal-qara isə səhra düzənliyinə köçürülür.


Nəticələr

Qarayara xəstəliyinin və ölüm hallarının mühafizə ərazilərinə görə paylanması

1999 və 2017-ci illər arasında, Qərbi bölgə xaricində, ölkənin səkkiz vəhşi təbiəti qorumaq bölgəsindən yeddisində yayılmış 60 vəhşi təbiəti qorumaq sahəsinin 20-də 51 qarayara xəstəliyi qeydə alındı ​​(Cədvəl 1, şəkil 1). Bunlardan 19 xəstəliyin (% 37) Nairobi və Nakuru gölünün mühafizə bölgələrində bildirildiyi halda, digər 32 epidemiyanın (% 63) 18 mühafizə zonasında meydana gəldiyi bildirildi. 51 qarayara xəstəliyi ilə əlaqəli cəmi 1014 vəhşi heyvan ölümü qeydə alındı,% 81 (N = 816) bu ölümlərin altı ayrı baş vermə zamanı Nakuru Gölü mühafizə zonasında meydana gəldi.

Cədvəl 1. Qarayara yayılması və ölüm hallarının mühafizə ərazisi, ilçe və aqroekoloji zonaya görə paylanması

Qarayara xəstəliyinin baş verdiyi hər bir mühafizə sahəsi üçün dominant AEZ-i müəyyənləşdirdiyimiz zaman, 51 epidemiyanın, yeddi AEZ-dən altısında yayıldığını gördük, bildirilən epidemiya olmayan aqro-alp zonası xaricində (Cədvəl 1) ).

Xəstəliklərin növlərə görə paylanması

Qarayara xəstəliyi 24 müxtəlif vəhşi heyvan növünə təsir göstərib. 51 epidemiya qeydindən camışlar (% 23.5), qara kərgədanlar (% 21.6) və fillər (% 17.6) ən çox təsirlənən növlər idi (Cədvəl 2). İki alovlanmada iştirak edən az sayda aslan və tülkü (iki növ) xaricində, digər heyvan növləri 22 otçul növü, bunlardan 12-si (54,5%) otlayan, beşi (22,7%) brauzer və 5-i (22,7%) ) qarışıq otlaqlar və brauzerlərlə (Cədvəl 2) mənasını verən otlaq və qarışıq otlaq / brauzer otoburları brauzerdən üç dəfə daha çox təsirlənmişdir (77%) vs 23%).

Cədvəl 2. Yabanı həyat növlərinin qarayara xəstəliyinə tutulma tezliyi və növlərin yem yeri

Epidemiyaların müvəqqəti və mövsümi paylanması

Qarayara epidemiyasının müvəqqəti tendensiyasını daha yaxşı təsvir etmək üçün 1999 - 2017-ci illər arasında baş verən epidemiyaların 3 illik yuvarlanan ortalaması nəzərdən keçirildi (şəkil 2). 1999 və 2017 arasında baş verən epidemiyaların müvəqqəti bölgüsü, 2005 və 2017 arasında baş vermə tezliyində bir artım olduğunu göstərir (şəkil 2). Baş vermə ayına görə təsnif edildikdə, məlumatlar göstərir ki, məlumatla əlaqəli 48 baş vermə hadisəsindən 32-si (67%) quru aylarda, o cümlədən yanvar-mart ayları arasında quru və isti mövsümdə 15 (31%), 17-si (36%) ) iyun-sentyabr aylarında quru və soyuq aylarda (şəkil 3). Əksinə, 16 (% 33) yağışlı mövsümlərdə 11 (23%) aprel və may aylarının uzun yağışları, beşi (10%) isə oktyabr - dekabr aylarının qısa yağışları zamanı meydana gəldi (şəkil 3).

Şəkil 2. Keniyanın vəhşi təbiətində qaraciyər yayılmasının üç illik yayılma ortalaması, 1999–2017.

Şəkil 3. 1999 və 2017-ci illər arasında Keniyanın vəhşi təbiətində qarayara epidemiyasının aylıq paylanması.


2.3. Böyük miqyaslı VS kiçik miqyaslı qızıl mədəni

Sənaye və sənətkarlıq mədənlərini uzaqdan algılama məlumatlarından ayırmaq mümkün olmadığı üçün (Rahm və s 2015), belə bir fərq edə bilmədik. Böyük mədənləri kiçik mədən sahələrindən fərqləndirmək üçün meşəsiz yamaqlar ölçüsündən istifadə etmək qərəzlidir, çünki bir neçə qonşu kiçik mədən ərazisi vaxtında bənzərsiz bir meşə biçilmiş yamaya birləşə bilər, qızıl mədəninin parçalanmış nümunəsi isə böyük bir mədən sahəsini kiçik meşələrin təmizlənməsi ardıcıllığı kimi göstərə bilər. yamalar. Bu fərqi qoymağın başqa bir yolu çoxmillətli şirkətlər tərəfindən idarə olunan geniş miqyaslı mədən əməliyyatlarını xarakterizə edən açıq mədən ocaqlarını sənətkarlıq fəaliyyəti ilə daha çox əlaqəli allüvial qızıl hasilatından ayırmaq olacaqdır. Guiana Shield üzərində qızıl hasilatının təsirləndiyi ərazilərin əvvəllər göstərilən qiymətləndirmələrindən istifadə edərək, qızıl hasilatının təsir etdiyi ərazilərin yalnız 1% -nin çoxmillətli layihələrlə əlaqəli olması ehtimalı olan açıq ocaqlara uyğun gəldiyini təxmin etdik. Bu çatışmazlığı nəzərə alsaq, böyük çoxmillətli layihələrin qatqısından qaynaqlanan potensial qərəzlər, fikrimizcə məhduddur. Beləliklə, işimiz de-fakto əsasən bir neçə hektar sahəni əhatə etdikdə belə kiçik miqyaslı qızıl mədəni kimi təyin olunan allüvial qızıl hasilatına yönəldilir. Belə bir ümumiləşdirmə əlbətdə şübhəlidir, lakin qeyri-müəyyən bir kontekstdə üstünlük verilir. İcra səviyyəsinin yüksək olduğu və qanunsuz və qanuni fəaliyyətlər arasındakı fərqin açıq olduğu Fransız Guyanasında belə apriori, qanuni istismar icazələrinə çox yaxın olan qanunsuz mədən sahələrinin mövcudluğu (Gond and Brognoli 2005), qanuni və qeyri-qanuni sahələr arasındakı potensial qarşılıqlı təsir sualını doğurur.


Nəticələr

Nəticələr, şəhər ağcaqanadlarında böyüklərin bolluğunu və mövsümi dinamikasını passiv şəkildə izləmək və nəzarət tədbirlərinin effektivliyini qiymətləndirmək üçün sınaqdan keçirilmiş üç yapışdırıcı tələnin potensialını dəstəkləyir. Nəticələr, ümumiyyətlə, tutma hövzələrində IGR müalicələrinin effektivliyinə dair ilkin bir göstərişdir Ae. albopictus reproduktiv mövsüm, LV insektisid püskürtmə ilə birlikdə böyüklərdəki bolluqların azaldılması istiqamətində böyük populyasiya genişlənməsinin başında reallaşdırıldı. Xatırlatmaq vacibdir ki, bu işdə yetkin öldürücü müalicələrin günəş batmadan əvvəl ən təsirli olacağı gözlənildiyi zaman, əksər şəhər yerlərində təhlükəsizlik səbəbiylə müalicələr yalnız gecə vaxtı və ya çox erkən dövrlərdə edilə bilər. səhər [20,21]. Aşağıdakı məlumatlar üçün daha çox məlumatlara ehtiyac var: a) i) gecə ərzində, ii) ağcaqanadların mövsümi dinamikasının müxtəlif mərhələlərində aparılan iii) fərqli ekoloji şəraitdə həyata keçirilən yetkin öldürmə müalicələrinin təsirini təsdiqləmək və b) larvisidin nisbi rolunu qiymətləndirmək və yetişkin öldürücü müalicə. Hər halda, hazırkı nəticələr, yetkinlərin sıxlığının dəqiq bir şəkildə izlənilməsindən sonra yetkin öldürmə müalicələrinin potensial faydalarını vurğulayır. Sonuncunun, nəzarət kampaniyasının təsirini maksimum dərəcədə artırmaq üçün xüsusi olaraq hədəf alınması lazım olan larva / istirahət yerlərinin qaynar nöqtələrini müəyyənləşdirmək faydası olacaqdır. Bununla birlikdə, böcək dərmanı püskürtmənin təcili müdaxilə üçün ayrılmış bir metodu təmsil etməsi və nəzarət üçün üstünlük verilən bir strategiya olduğunu vurğulamaq vacibdir Ae. albopictus larva mənbəyinin azaldılması [55,56], bioloji nəzarət [57], təhsil və ictimaiyyətin məlumatlandırılması, eyni zamanda fərdi qoruma [58] & # x02013 kimi tez-tez səlahiyyətli orqanlar tərəfindən laqeyd qalan digər inteqrasiya fəaliyyətləri də əhatə etməlidir. .

Nəhayət, ST və / və ya CBT kolleksiyalarını ağcaqanad narahatlığı səviyyələri ilə əlaqələndirmək də maraqlı olardı ki, narahatlıq həddi & # x0201d (ovitraps [59] və BG-sentinel tələləri üçün edildiyi kimi) ]) yalnız bu aqressiv ağcaqanad sancıcısının vətəndaşlara yükünü azaltmaq üçün deyil, həm də arboviruslara yoluxmuş miqrant insanlarda yüksək risk yaradan sıxlığın yaranmasının qarşısını almaq üçün hansı yetkin öldürmə müalicəsinin tövsiyə edilə biləcəyi 2007-ci ildə İtaliyada Chikungunya virusu ilə meydana gəldi [9].


Fərdi şəxslərin təbii yaşayış yerləri arasında hərəkətini anlamaq, dağılma nümunələri və yaşayış yerləri seçimindən tutmuş, yırtıcılar, patogenlər və ya özünəməxsus xüsusiyyətlərlə qarşılıqlı təsirlərə qədər ekologiyalarının əsas cəhətlərini müəyyənləşdirmək üçün vacibdir. Amfibiya sürfələri su sistemlərinin açarıdır, həm istehlakçı, həm də yırtıcı kimi əsas rol oynayır, qidalandırıcı dövrü və tutduqları su obyektlərinin fiziki-kimyəvi xüsusiyyətlərini təsir edir. Buna baxmayaraq, ekologiyalarının əksər aspektlərinə dair geniş bir ədəbiyyat toplusuna baxmayaraq, amfibiya sürfələrinin təbii yaşayış yerlərindəki məkan hərəkətləri haqqında çox az şey bilirik və əldə etdiyimiz az məlumat yalnız lotik sistemlərlə məhdudlaşır. Burada qərb spadefoot qurbağası qurbağalarının hərəkət qaydalarını və mikro yaşayış mühitinin seçilməsini təyin etmək üçün elastomerlərdən istifadə edərək işarələmə və geri alma prosedurundan istifadə edirik (Küləkləri pelobates) İspaniyanın cənub-qərbindəki iki böyük gölməçədə. Göletdən asılı olaraq & gt67 m və & gt245 m olan bu taciklər tərəfindən hərəkət olunan maksimum məsafələri müşahidə etdik. Bu məsafələr hər gölməçədəki maksimum çarpazlıq məsafəsi ilə üst-üstə düşdü və daha böyük sulak ərazilərdə potensial olaraq daha da irəliləyə biləcəklərini göstərirdi. Taşınan orta məsafələr hər hovuzda 29,7 və 105 m idi. Etiketlənmiş fərdlərin sərbəst buraxılmasından iki, dörd və doqquz gün sonra nümunə götürdük və nümunə götürülən tarixlərdə sabit, genişlənməyən bir hərəkət qaydası müşahidə etdik və sərbəst buraxıldıqdan dərhal sonra normal fəaliyyətə davam etdiyini düşündük. Tadpoles, xüsusilə də bitki növləri ilə əlaqəli olan gölməçələrin daha dərin və daha çox bitki örtüyünə sahib bölgələrini seçdi Ranunculus peltatusPotamogeton pektinatusu.

Bölmələr
İstinadlar

Arribas, R., Díaz-Paniagua, C., Caut, S., Gomez-Mestre, I. (2015): Sabit izotoplar, bir larva amfibi gildiyasının trofik bölünməsini və trofik plastisiyasını ortaya qoyur. PloS ONE 10: e0130897.

Arribas, R., Díaz-Paniagua, C., Caut, S., Gomez-Mestre, I.

Arribas, R., Díaz-Paniagua, C., Gomez-Mestre, I. (2014): Amfibiya sürfələri və onların yerli və yad yırtıcılarının müvəqqəti gölməçələrin icma quruluşundakı ekoloji nəticələri. Təzə. Biol. 59 : 1996 - 2008 .

Arribas, R., Díaz-Paniagua, C., Gomez-Mestre, I.

Arribas, R., Touchon, JC, Gomez-Mestre, I. (2018): Yırtıcılıq və rəqabət, bir Neotropik amfibiya gildiyasının qarşılıqlı təsirlərini və trofik nişlərini fərqli şəkildə təsir edir. Ön. Ekol. Evol. 6 : 28 .

Arribas, R., Touchon, J.C., Gomez-Mestre, I.

Bainbridge, L., Stockwell, M., Valdez, J., Klop-Toker, K., Clulow, S., Clulow, J., Mahony, M. (2015): tadpolları etiketləmək: tutma dərəcələri və görünən implantın təsirləri larvadan yetkin amfibiya mərhələlərinə qədər elastomer (VIE) etiketləri. Herpetol. J. 25 : 133 - 140 .

Bainbridge, L., Stockwell, M., Valdez, J., Klop-Toker, K., Clulow, S., Clulow, J., Mahony, M.

Barzaghi, B., Ficetola, G.F. , Pennati, R., Manenti, R. (2017): İki fazalı yırtıcılar kiçik şirin su mühitlərində biokütlə subsidiyaları təmin edir: bulaq və mağara hovuzlarına dair bir araşdırma. Təzə. Biol. 62 : 1637 - 1644 .

Barzaghi, B., Ficetola, G.F. , Pennati, R., Manenti, R.

Cayuela, H., Valenzuela-Sánchez, A., Teulier, L., Martínez-Solano, Í. , Léna, J.-P. , Merilä, J., Muths, E., Shine, R., Quay, L., Denoël, M. (2020): Mürəkkəb həyat dövrləri olan onurğalılarda dağılmanın təyinediciləri və nəticələri: gölməçəli amfibiyaların nəzərdən keçirilməsi. Q. Rev. Biol. 95 : 1 - 36 .

Cayuela, H., Valenzuela-Sánchez, A., Teulier, L., Martínez-Solano, Í. , Léna, J.-P. , Merilä, J., Muths, E., Shine, R., Quay, L., Denoël, M.

Cecala, K.K. , Qiymət, S.J. , Dorcas, ME (2009): larva axını salamandrlarından istifadə edərək xətti sistemlərdə mövcud hərəkət fərziyyələrini qiymətləndirmək. Bacarmaq. J. Zool. 87 : 292 - 298 .

Cecala, K.K. , Qiymət, S.J. , Dorcas, M.E.

Cei, JM, Crespo, E.G. (1971): Portuqaliyadan olan Pelobates yetişdiricilərinin bəzi adaptiv ekoloji tendensiyalarına diqqət yetirir: istilik tələbatı, inkişaf sürəti və suyun tənzimlənməsi. Arquivos do Museu Bocage 2 : 9 - 36 .

Chelgren, N.D., Adams, M.J. (2017): Axın amfibiyalarının həyatda qalması üçün ağac məhsulunun təsirlərinin tərtib edilməsi hərəkətlə çətinləşir. Copeia 105 : 712 - 725 .

Clobert, J., Danchin, E., Dhondt, A.A. , Nichols, J. (2001): Dağılma . Oxford University Press, Oxford.

Clobert, J., Danchin, E., Dhondt, A.A. , Nichols, J.

Clobert, J., Galliard, L., Cote, J., Meylan, S., Massot, M. (2009): Məlumat dağılımı, heyvanların dağılma sindromlarında heterojenlik və məkan quruluşlu populyasiyaların dinamikası. Ekol. Lett. 12 : 197 - 209 .

Clobert, J., Galliard, L., Cote, J., Meylan, S., Massot, M.

Conde, D.A. , Staerk, J., Colchero, F., da Silva, R., Schöley, J., Baden, H.M. , Jouvet, L., Fa, J.E., Syed, H., Jongejans, E., Meiri, S., Gaillard, J.-M. , Chamberlain, S., Wilcken, J., Jones, O.R. , Dahlgren, J.P., Steiner, Böyük Britaniya, Bland, LM, Gomez-Mestre, I., Lebreton, J.-D. , González Vargas, J., Flesness, N., Canudas-Romo, V., Salguero-Gómez, R., Byers, O., Berg, T.B. , Scheuerlein, A., Devillard, S., Schigel, S., Ryder, O.A. , Possingham, H.P. , Baudisch, A., Vaupel, J.W. (2019): Müqayisəli və qorunma biologiyası üçün məlumat boşluqları və imkanlar. Proc. Natl. Akad. Elm. 116 : 9658 - 9664 .

Conde, D.A. , Staerk, J., Colchero, F., da Silva, R., Schöley, J., Baden, H.M. , Jouvet, L., Fa, J.E., Syed, H., Jongejans, E., Meiri, S., Gaillard, J.-M. , Chamberlain, S., Wilcken, J., Jones, O.R. , Dahlgren, J.P., Steiner, Böyük Britaniya, Bland, LM, Gomez-Mestre, I., Lebreton, J.-D. , González Vargas, J., Flesness, N., Canudas-Romo, V., Salguero-Gómez, R., Byers, O., Berg, T.B. , Scheuerlein, A., Devillard, S., Schigel, S., Ryder, O.A. , Possingham, H.P. , Baudisch, A., Vaupel, J.W.

Costa, Z., Vonesh, J. (2013): Yırtıcı subsidiya və ya yırtıcı ipucu? Qəfəsli yırtıcıların su istehlakçıları və mənbələri üzərində birbaşa və dolayı təsirləri. Oecologia 173 : 1481 - 1490 .

Denoël, M., Dalleur, S., Langrand, E., Besnard, A., Cayuela, H. (2018): Bir amfibiyada dağılma və alternativ damazlıq sədaqət strategiyaları. Ekoqrafiya 41 : 1543 - 1555 .

Denoël, M., Dalleur, S., Langrand, E., Besnard, A., Cayuela, H.

Diaz-Paniagua, C. (1985): Doñana (Huelva, İspaniya) Bioloji Qoruğundakı beş anuran növünün morfoloji xarakterləri ilə əlaqəli larva pəhrizləri. Amfibiya-Reptiliya 6 : 307 - 322 .

Fèvre, EM, de C. Bronsvoort, B.M. , Hamilton, K.A. , Cleaveland, S. (2006): Heyvan hərəkətləri və yoluxucu xəstəliklərin yayılması. Trendlər Mikrobiol. 14 : 125 - 131 .

Fèvre, EM, de C. Bronsvoort, B.M. , Hamilton, K.A. , Cleaveland, S.

Florencio, M., Díaz-Paniagua, C., Gomez-Mestre, I., Serrano, L. (2012): Müvəqqəti bir gölməçədə makro onurğasızların seçilməsi: zənginliyi, məkan ayırma və diel aktivliyini aşkar etmək üçün iki texnikanın uyğunluğunu müqayisə etmək. Hidrobiologiya 689 : 121 - 130 .


Səhrada neft: kosmosdan Səhər bioloji müxtəlifliyinə antropogen təhlükələrin xəritələnməsi

Səhralar dünyanın ən zəif izlənilən və anlaşılan biyomları sırasındadır, dəlillər onların biomüxtəlifliyinin sürətlə azaldığını göstərir. Neft kəşfiyyatı və istismarı parçalanmış və qalıq səhra biomüxtəlifliyi üçün əhəmiyyətli bir təhlükə yarada bilər, lakin bu cür inkişafların harada və nə qədər intensiv bir şəkildə baş verdiyi barədə çox az məlumat var. Bu məlumat çatışmazlığı səhra vəhşi həyatını antropogen fəaliyyətdən təcavüzə qarşı kifayət qədər buferləşdirmək və qorumaq üçün yerli səyləri əngəlləyir. Burada, Afrikanın Sahelo-Saharan bölgəsindəki neft kəşfiyyatı ilə əlaqəli xüsusiyyətlərin aşkarlanması üçün sərbəst şəkildə mövcud olan peyk görüntülərinin istifadəsini araşdırırıq. Landsat məlumatları ilə birlikdə toxuma analizlərinin Əlcəzairdə və Nigerdə ​​yerdən təsdiqlənmiş axtarış sahələrini aşkar etmək üçün necə istifadə edilə biləcəyini nümayiş etdiririk. Nəticələrimiz, nəzarət olunan şəkil təsnifatı və proqnozlaşdırma yolu ilə sayt aşkarlanmasının ümumiyyətlə doğru olduğunu göstərir. Analizlərimizin təəccüblü nəticələrindən biri də Nigerdəki (% 43) nisbətən yüksək sahə buraxma səhvlərinin potensial kiçik miqyaslı, müvəqqəti kəşfiyyat fəaliyyətinin aşkar edilməməsi ilə əlaqəli olduğu yerdir: inanıram ki, çərçivəmizin təkrar tətbiq olunması potensial metodoloji məhdudiyyətlərin şiddətini azaltmaq. Ümumilikdə, tədqiqatımız səhra bölgələri arasında aparıla bilən neft istismarı ilə əlaqəli antropogen təhlükələrin xəritələşdirilməsi üçün metodoloji əsas verir.

1. Giriş

İnsan əhalisi və Yerin təbii ehtiyatlarına olan tələbi son bir əsrdə qəti şəkildə artaraq qlobal biomüxtəliflik böhranına səbəb oldu [1-4]. Bioloji müxtəlifliyin mövcud səviyyələri tarixi vəziyyətlərindən [1] və torpaq istifadəsi dəyişikliyi və iqlim dəyişikliyindən artan təzyiqlər altında davam edəcəyi proqnozlaşdırılan azalmalarla [2,5,6], elm adamları və təbiət mühafizəçiləri indi böyük problemlə mübarizə aparırlar. cari qlobal zərər nisbətinin izlənməsi və dayandırılması [7]. Bir sıra görkəmli məqalələr, əsasən tropik biomların içərisinə düşməyə meylli olan biomüxtəlifliyin qaynar nöqtələrində qoruma maliyyələşdirilməsini hədəf aldı. Bu cür mübahisələrin arxasında duran səbəb, idarəetmə tədbirlərinin səth vahidi başına ən çox növü hədəf alması və bununla fayda əldə etmək nisbətlərini maksimuma çatdırmasıdır [8-13]. İsti nöqtələrə yönəldilməsi qaçılmaz olaraq təhlükələrin zəif sənədləşdirildiyi və izlənildiyi, bioloji müxtəlifliyə yerli, regional və qlobal təsirlərinin az bilindiyi və daha az növlə zəngin olan biyomların laqeyd qalması ilə nəticələndi. bu bölgələrdə qoruma fəaliyyətinə potensial ehtiyac [14-16].

Çöllər, əvvəllər çox az öyrənilmiş və qoruma fəaliyyətlərindən az diqqət görən belə bir biomdur [14,15], qlobal quru kütləsinin 17% -ni əhatə etməsinə və bir çox endemik növ və bəzi canlılar da daxil olmaqla təəccüblü dərəcədə yüksək səviyyədə bioloji müxtəlifliyə sahib olmasına baxmayaraq dünyanın ən çox nəsli kəsilməkdə olan növləri [17-20]. Bu laqeydlik (i) mövcud məlumatlar səhra və quru ərazilərin biomüxtəlifliyinin sürətlə azaldığını göstərdiyinə görə narahatdır [14,18-22] və (ii) proqnozlar iqlim dəyişikliyi nisbətinin səhra biyomunda xüsusilə yüksək olacağını göstərir; yaxın gələcəkdə potensial olaraq xüsusilə çətin uyğunlaşma problemi ilə üzləşən növlər [23]. Bu, xüsusilə narahatlıq doğurur, çünki səhra şəraitinə uyğunlaşmış növlərin ekologiyası və yayılması həddindən artıq iqlim nəzarəti altındadır [24]. Səhralar üçün digər əsas təhdidlər arasında otlaqların yayılması, ağac-bitki örtüyünün təmizlənməsi, kənd təsərrüfatının genişlənməsi, suyun dəyişdirilməsi və çıxarılması, torpaq və suyun çirklənməsi, sənaye fəaliyyətləri səbəbiylə torpaq çevrilməsi və silahlı qarşıdurmalarla əlaqəli təhdidlər vardır [19,21]. Potensial olaraq nəhəng yerli və regional miqyaslı təsirləri ilə, artan resurs tələbatı hesabına önümüzdəki illərdə miqyasında və intensivliyində artması ehtimalı olan səhra biomüxtəlifliyi üçün cari əsas antropogen təhlükədir [21,25,26]. Sahara və Sahel boyunca neft kəşfiyyatı ilə əlaqəli təhlükə xüsusilə böyükdür, qlobal neft ehtiyatları ilə bağlı narahatlıqlar getdikcə daha da ucqar ərazilərdə kəşfiyyat işlərinin aparılmasına gətirib çıxardı [27,28]. Sahelo-Saharan bioloji müxtəlifliyin gələcəyi, əsasən bölgədəki antropogen ekspansiyadan asılı olduğu düşünülür [21]. Yerli səhra növləri üçün bir qala təmsil edən Niger kimi ölkələr [21,29,30], son illərdə neft hasilatı və emalı fəaliyyətində sürətli artımlara məruz qaldılar [26,30]. Bu cür artan neft kəşfiyyatı işləri, məsələn, indi bilinən son əlavə addax populyasiyasının təhlükə altına düşməsinə səbəb oldu (Addax nasomaculatus), owing to habitat loss in important, high-quality grazing sites in the Tin Toumma desert [31]. These largely unmonitored activities are expected to occur across many parts of the region, with potential ancillary impacts including waste production, reduced water availability through anthropogenic extraction, reduced habitat quality and ecosystem functioning, and increased poaching and human–wildlife conflict [21,30,32,33]. These potential threats could have an enormous impact on local biodiversity, as (i) much of the fauna in the Sahelo-Saharan region is considered to be of global conservation concern (e.g. the addax, Dorcas gazelle (Gazella dorcas), dama gazelle (Nanger dama), Saharan cheetah (Acinonyx jubatus ssp. hecki) and Kleinmann's tortoise (Testudo kleinmanni) [18]) and (ii) the distribution of biological diversity in the area is markedly fragmented, with often highly localized hotspots [20,21] that could become imperilled by the impacts of unmonitored oil exploration activity. Hotspots of Sahelo-Saharan biodiversity are often concentrated within protected areas (PAs) [21]. If conducted close to or within these areas, the ancillary threats and associated impacts of oil exploration activities could lead to drastic reductions in wildlife populations, reducing the effectiveness of PAs in conserving these remnant hotspots of biodiversity. Across the African continent, the designation of oil concessions within PAs is common, and particularly within those with a high level of protection [34]. Threats from oil exploration activities at PA boundaries could also result in reduced connectivity of habitats between these PAs and important resource areas by reducing the quality of habitat corridors and producing physical barriers to movement, cutting off wildlife populations from wider ecosystems and satellite populations [35–38]. Such impacts on wide ranging animal species could have potential knock-on cascading effects through other trophic levels within such systems [39,40], producing broad-scale ecological impacts and impacts to overall ecosystem health and functioning. Despite these potential consequences, little is currently known about how and where oil exploration and exploitation activities are taking place, and where these developments are likely to negatively impact Sahelo-Saharan ecosystems.

A major issue in determining threats to biodiversity from the expansion of oil exploration activities is the difficulty in obtaining field data on the geographical locations of these developments. Field monitoring can be notoriously costly, and field data on oil exploration and exploitation activities, while accurate, are difficult to obtain for large areas, especially for remote regions where logistics and safety are real issues [41,42]. In light of this, remote sensing technologies could provide a useful monitoring alternative. Global-scale low light imaging satellite data from the US Air Force Defense Meteorological Satellite Program Operational Linescan System [43], data from the European Space Agency's Along Track Scanning Radiometer sensors [44] and data from the recently launched VIIRS instrument on the Suomi National Polar Partnership satellite [45], can be used to derive global and national information on oil exploration activities. However, the spatial resolution of these datasets is relatively coarse (0.56 km, 1 km and 750 m, respectively) thus, information derived from these data may not be applicable to identify fine-scale, local-level oil exploration threats to biodiversity. Very high-resolution satellite imagery could instead be used to derive national information on oil exploration and exploitation activities yet, most organizations and institutions in need of such data are unable to afford the cost of data acquisition and processing at such spatial extents. Freely available satellite data such as data from the National Aeronautics and Space Administration (NASA) and United States Geological Survey's Landsat satellites, however, have shown promising applications in the fields of ecology and conservation [46] and could potentially inform efforts to detect and map oil exploration and exploitation activities at relevant scales [47,48]. Furthermore, the availability of Landsat satellite data at a good and consistent temporal scale (at up to 16-day intervals) can allow for the continued and repeated monitoring of areas of concern.

Surprisingly, the potential for freely available satellite data to inform conservation efforts in desert systems currently remains largely unexplored (but see [47]). This study aims to fill this knowledge gap, by assessing if and how open access satellite data can be reliably used to monitor oil exploration and refinery activity in the Sahelo-Sahara region. It aims to do so in a reproducible manner, so that methods and analyses developed herein can be applied to conservation activities in other dryland regions. Many approaches and attempts to detect the location and distribution of oil exploration and extraction activities focus on the detection of oil flares alone [43–45]. However, sites also feature buildings and other man-made structures, which may include water ponds, roadways or visible smoke [46], and these features are associated with different spectral signatures than those generally found in the surrounding desert [47,49]. As such, a framework that aims to detect not only oil flares but also associated structures may improve the success of detection of novel and established oil extraction activity. This serves as the basis for our approach, which aims to validate the use of Landsat satellite data for the detection of features typically associated with oil exploration activities. Our study undertakes a two-step approach: firstly, field-derived (known oil exploration site locations) and visually derived (high-resolution Google Earth imagery) validation data, and satellite-based landcover classification are combined to establish a framework for the detection of known features associated with oil exploration activities this framework is then applied in areas for which an explicit landcover classification cannot be made, in order to provide spatially explicit information about recent development in these activities in relation to existing PAs.

2. Material and methods

(a) Study areas

The location used for the development of our monitoring framework is in Saharan Algeria. The area of interest reaches from the northwestern corner at 31°49′12″ N, 8°22′12″ E to the southeastern corner at 31°4′12″ N, 9°27′0″ E (figure 1). A second study area in Niger, where our landcover classification is then implemented, is delimited by a box reaching from the northwestern corner at 16°22′12″ N, 12°12′0″ E to the southeastern corner at 15°27′36″ N, 13°49′12″ E (figure 1). Both study areas comprise areas of desert, rocky terrain and sparse vegetation. Although they both lie within the Sahara, Algeria and Niger represent two extremes in a spectrum of anthropogenic impacts in the hyper-arid zone: Algeria has a great number of established oil and gas extraction sites, as well as refineries [21], and here represents areas with high anthropogenic pressure associated with oil exploration activities. On the other hand, desert habitat in Niger remains largely undisturbed by anthropogenic activities, and the expansion of oil exploration and exploitation activities in the country has occurred only in recent years [30,50]. The Niger region was selected for this study as it borders key PAs for the conservation of desert biodiversity namely, the Aïr & Ténéré National Nature Reserve, and the Termit & Tin Toumma National Nature Reserve (TTTNNR), which are currently threatened by the expansion of oil exploration activities [30,50]. The study area in Niger encompasses part of the eastern side of the TTTNNR and also the Agadem oil concession block, which is the predominant site of emerging exploration activity in the region to the east of TTTNNR (figure 1 [30]). Within TTTNNR and Aïr & Ténéré, much of the remaining Sahelo-Saharan diversity thrives [18,30,50], including 18 large mammal species, 19 reptile species, 137 resident and several Afro-tropical and Palaearctic migrant bird species [51]. These two PAs protect important populations of many species of global conservation concern: carnivores (the Saharan cheetah (population estimate currently less than 10 individuals in the area [51]), striped hyaena (Hyaena hyaena) and the greatest diversity of small and medium sympatric carnivores in the Sahara [51]), birds (the Nubian bustard (Neotis nuba) and Arabian bustard (Ardeotis arabs)) and large ungulates (the addax, Dorcas gazelle, dama gazelle and Barbary sheep (Ammotragus lervia) [18,30,50]). Importantly, the Termit massif and Tin Toumma desert region hold the last remaining viable population of addax in the world (ca 200 individuals [52]). The direct ecosystem impacts of increased oil exploration activities [21,30,32,33] have the potential to produce profound effects on the local biodiversity habitat loss and water extraction at prospection sites may serve to affect floral abundance and composition, in turn reducing habitat quality and resource availability for species at higher trophic levels [21]. Moreover, increased poaching of large ungulate species [30] may serve to reduce their densities in such areas, and in turn, coupled with increased human–wildlife conflict, may result in the reduction of populations of key Saharan carnivore species, e.g. the Saharan cheetah, where ungulate prey are a limiting factor to predator abundance [53]. In addition to the ecological uniqueness of the Termit massif and Tin Toumma desert area, it is also thought to be rich in currently largely unstudied archaeological, anthropological and palaeontological history [30,50].

Figure 1. An overview of the location of the study areas in Algeria and Niger. Oil concession blocks within Niger are shown blocks currently under licence (purchased) in dark grey and open blocks (un-purchased) in mid grey [29]. Overlap between purchased oil concession blocks and PAs can been seen for (a) Addax Sanctuary, (b) Aïr & Ténéré National Nature Reserve and (c) TTTNNR.

Despite the discovery of hydrocarbons within Niger in 1975, little oil exploration and exploitation activity has previously occurred in the country, due to the low ratio barrel price (T. Rabeil 2013, personal communication) and a lack of economic incentive caused by a historic wealth of uranium providing the country's main economic export [30,50]. However, concerns over diminishing uranium stocks over the past two decades have led to the designation of oil concession blocks throughout much of the country [26,30,50]. In June 2008, the government of Niger signed a contract with the Chinese National Petroleum Corporation (CNPC) for the purchase of three oil concession blocks covering large areas of the Aïr & Ténéré and the TTTNNR (figure 1 [30,50]), with oil prospection activities occurring within these areas from June 2008 onwards. With extremely little ecotourism in the country, the societies and government of Niger have little economic incentive to conserve the ecological, archaeological and anthropological uniqueness of the Termit massif and Tin Toumma desert region [50]. At present, 20 oil concession blocks have been designated across the country, with four currently under licence (including the three rented by CNPC and one by the Algerian corporation SONATRACH) covering much of the Termit massif and Tin Toumma desert region (figure 1 [30]). Although most designated concession blocks in Niger remain open at present, depleting uranium stocks are likely to result in an economic shift to an increased reliance on hycrocarbon concession rentals and exports [30,50], and thus increased sale of concessions to oil corporations, extending the current level of threat to local biodiversity. The expansion of these activities into the neighbouring PAs is of particular concern for large ungulate species as (i) many of these are highly threatened remnant populations and (ii) there have been reports of poaching (gazelles and birds) associated with the arrival of workers for oil exploration activities in the region since 2008 [54]. Ancillary impacts associated with industrial soil and water pollution have also been found to be evident at exploration sites within the oil concession blocks [55].

(b) Satellite data

Our methodology makes use of Landsat 7 Enhanced Thematic Mapper Plus (ETM+) imagery, available at 30 m spatial resolution ([56] available for download at: http://earthexplorer.usgs.gov), which has previously been found to have utility in desert areas [47,57]. One minor limitation of the Landsat 7 ETM+ sensor is that the Scan-Line-Corrector is off (SLC-off) owing to a technical malfunction, causing approximately 22% of data from any given Landsat 7 ETM+ image to be lost [58] ‘striping’ of missing data is apparent in the images. Typically Landsat 5 TM imagery would be applied instead due to this error however, owing to limited data availability over Niger, we were unable to obtain Landsat 5 TM imagery for analysis here, and thus Landsat 7 ETM+ data were used for both regions despite the SLC-off issue. The Landsat 7 ETM+ scenes considered for both study areas were affected by the SLC-off issue however, gap masks facilitated the masking out of the affected region, and thus the SLC-off issue can be resolved for use in landcover classification [56]. The images obtained for these analyses were from 5 November 2012 for the Algerian area (framework development area), and 2 November 2012 for Niger (figure 1), in order to avoid differences according to varying seasonal solar elevation and soil–water–vegetation dynamics [59].

(c) Field-derived and visually derived training and validation data

In order to produce and validate a landcover classification from satellite imagery, field-derived and visually derived validation points of specific landcover classes can be used. In both Algeria and Niger, ground-truthed geo-referenced (GPS-logged) site validation point data were obtained from the Sahara Conservation Fund (SCF) over the period 2009–2011, detailing the locations of known oil exploration and extraction activity. These data included one permanent site within the Algerian Landsat 7 ETM+ scene. In addition, we located two further validation sites in the Algerian study area through inspection of very high-resolution QuickBird and IKONOS imagery within Google Earth Pro [60] as performed in the work of Fritz və s. [61], resulting in a total of three validated oil exploration sites in this study area (table 1). Using the very high-resolution Google Earth imagery, we were also able to identify a total of eight landcover types in the scene: desert, bare rock, vegetation, roads, dark-coloured settlements, light-coloured settlements, oil flares and water ponds. These eight landcover classes were selected based on the study aims of differentiating human infrastructure from natural landcover (i.e. bare rock, vegetation and desert versus roads, settlements, oil flares and water ponds), in order to develop an appropriate landcover classification. An equal distribution of training point data samples were then created across all landcover classes to define their relative spectral information from the Landsat 7 ETM+ scene (200 random samples of pixels per class) and were then used to develop a landcover classification model.

Table 1. Overview of all field-derived (SCF) and visually derived (via high-resolution Google Earth imagery [60]) ‘permanent’ oil exploration and extraction site data for the study areas in Algeria and Niger.

a One of the original eight field-derived sites in Niger was no longer present in November 2012 (a temporary site), while the status of the remaining seven sites is not known from SCF thus, these sites were considered to be ‘permanent’.

Ground-truthed geo-referenced site validation point data detailed 11 sites within the scene for Niger, which included both temporary and permanent oil exploration sites visited by SCF. Some sites were highly concentrated in two specific areas, giving a total of eight unique exploration sites in the Niger study area (table 1). Of these eight sites, field information from the SCF revealed that one site was a temporary exploration site (table 1) and was no longer present in November 2012 (date of the Landsat 7 ETM+ scene considered). The temporary/permanent status of other sites within the Niger study area is not known from SCF beyond 2011, and these are thus considered here as ‘permanent’ extraction sites. Recent very high-resolution Google Earth imagery was not available for the Niger study area, and thus associated landcover classes could not be visually identified and classified for this area, leading to the prediction of landcover here by using the classification model developed for the Algerian study area scene.

(d) Statistical analyses

All analyses were performed in GRASS v. 6.4.2 [62], QGIS v. 1.8.0 [63] and R v. 3.0.0 [64], using the packages ‘raster’ [65], ‘rgdal’ [66], ‘randomForest’ [67] and ‘spgrass6’ [68], the latter of which serves as an interface between R and GRASS. A conversion of digital numbers to top-of-atmosphere reflectance values was carried out on the raw Landsat 7 ETM+ scenes. Owing to a lack of strong elevational gradients across both study areas (Algeria: 100–300 m.a.s.l. Niger: 300–400 m.a.s.l.), no further orthorectification of the images was necessary [69]. Texture analyses were conducted on the Algerian Landsat 7 ETM+ scene using a moving window approach, in order to emphasize features typical of oil refineries and highlight them against the background of the Saharan desert [70–72]. A moving window size of 5 × 5 pixels has been found to be useful in highlighting changes in edges of landcover classes in arid environments [73]. Such a window size (approx. 150 × 150 m) would also encompass the area of a small oil refinery but is not so large as to neglect roads this size was thus considered in these analyses. The texture analysis included the mean, maximum, minimum, variance and standard deviation of all eight Landsat 7 ETM+ bands (band 6 is composed of two separate bands). All metrics are based on the neighbourhood statistics within the ‘r.neighbors' module of GRASS (with square orientation). Thus in total, 40 parameters (eight bands × five moving window variables each) were calculated. These were used as input data for the supervised landcover classification of the acquired scenes [41]. Landcover classification was developed using a Random Forest model approach [74], based on the model training data (200 pixels for each landcover class) mentioned above, using the aforementioned calculated parameters (40 in total) as the independent variables for Algeria [75].

The relative importance of model variables within the Random Forest model (i.e. the contribution of each variable in the model in the construction of each decision tree) was assessed for each variable by examining the mean decrease Gini index (MDG [76]) variables with higher MDG have greater importance in a Random Forest model. In addition to the Random Forest standard construction of 500 decision trees to determine the best model for landcover classification, we also aimed to assess the stability of the variable importance across models. To do so, we ran the Random Forest model 200 times and observed changes in the variable importance parameter of the MDG over the runs. Random Forest model accuracy was assessed by examining the model internal class error rates (defined as the percentage of the 200 pixels falsely classified) for each landcover class identified within the model, as well as the ‘out-of-bag’ estimate for the generalization error for the overall model [74]. The Random Forest classification model was then further validated by comparing model-detected oil exploration sites with the previously mentioned validation data from ground-truthed geo-referenced data points. The Random Forest model derived and validated on the scene acquired for Algeria was then applied to the Landsat 7 ETM+ scene for Niger [67]. Validation of the Niger classification used a combination of the aforementioned apriori-selected ground-truthed validation sites and, in the absence of recent very high-resolution Google Earth imagery for the area, a visual red–green–blue (RGB bands 7, 4 and 2) image assessment of the original Landsat 7 ETM+ data for the considered area.

3. Nəticələr

The Random Forest model accurately predicted the distribution of all eight landcover classes for Algeria. Model internal class errors ranged between 0 and 0.02% bare rock, oil flares and water all had 0.00% error vegetation, roads, and dark- and light-coloured settlements all had 0.01% and finally, desert had the highest error rate at 0.02%. Moreover, the out-of-bag overall model error rate was 0.62%. On average, the Landsat ETM+ bands providing the most important variables were band 3 (red), followed by band 1 (blue), band 7 (short-wave infrared-2 (SWIR-2)), band 4 (near-infrared), band 6–2 (thermal-infrared 2), band 6–1 (thermal-infrared 1), band 2 (green) and band 5 (mid-infrared figure 2 electronic supplementary material, Appendix S1). The field-derived refinery location in Algeria was accurately predicted by the Random Forest model and visually confirmed using high-resolution Google Earth imagery, and the two sites located via high-resolution Google Earth imagery were also accurately predicted by the Random Forest model (table 2). Detecting the accurate location of these sites was made possible by the presence of concentrated areas of non-desert landcover classes: oil flares, settlements, roads and water ponds.

Table 2. Random Forest model classification results for the model training study site in Algeria and when applied to the additional study site scene in Niger. Omission errors for model detection of oil exploration and extraction sites from field-derived locations. Additional ‘novel’ model-detected sites in Niger that were not known from original field-derived location data are also listed these were visually validated using an RGB visualization (7, 4 and 2 bands) of the original Landsat 7 ETM+ scene.

a Additional sites in brackets determined via high-resolution Google Earth imagery.

Figure 2. Random Forest model variable importance the MDG. All 40 variables are sorted according to their median importance in the model after 200 runs. The most important variables in the Random Forest model have a median MDG between 30 and 40. Variables are depicted with decreasing importance from top to bottom.

When applying the identification framework to the scene from Niger, a total of seven oil exploration sites were identified (figure 3 and table 2). Of the detected sites, four oil refineries were field validated by existing geo-referenced field data from SCF thus, three new oil exploration sites were discovered from our analyses (figure 3 and table 2). RGB visualization (7, 4 and 2 bands) of the Landsat 7 ETM+ image, confirmed that the newly detected sites were consistent with other validated sites. However, some of the ground-truthed geo-referenced exploration sites from SCF in Niger were not detected when applying the Random Forest model framework (omission error 43% figure 3 and table 2). In contrast to oil exploration sites in the Algeria study areas, aside from desert there were no other discernible classes of landcover located near the oil flares identified in Niger. The oil flares class thus enabled the detection of the oil exploration and exploitation sites in the Niger region, which is due to the unique spectral and thermal signal of the class surface temperature (K, calculated from band 6–1 of the Landsat ETM+ sensor [77] figure 4) was highest for this landcover class, and high IR values (maximum band 7 (SWIR-2)), which contributed greatly to the Random Forest classification (figure 2 electronic supplementary material, Appendix S1), are associated with the heat signature of the flame [47,57].

Figure 3. Ground-validated versus Random Forest model-detected oil exploration sites for the Niger study area. Geo-referenced field data from SCF are depicted, representing both temporary (circles with black crosses) and ‘permanent’ sites (white circles) visited between 2009 and 2011, within the study area (dashed black rectangle). Black circles depict the model-detected sites from the Landsat 7 ETM+ scene. Model-detected sites were confirmed by inspection of the RGB visualization (7, 4 and 2 bands) of the Landsat 7 ETM+ scene. A total of seven sites were detected by the Random Forest model four sites matched the geo-referenced field data and three new sites were found. Three of the seven ground-validated ‘permanent’ sites within the study area were not detected by the identification framework. The TTTNNR is the area to the left of the thick black line, and six ground-truthed observations of oil exploration activity can be found within the PA borders. Dark grey blocks denote oil concessions that are currently under licence (purchased), while light grey blocks indicate open (unpurchased) blocks.

Figure 4. The thermal signature of pixels classified as the oil flares landcover class (through band 6–1 of the Landsat ETM+ sensor [77]) converted to surface temperature shows temperature between 303 and 312 K across pixels of this class panel (a) depicts the frequency of surface temperature (K) for pixels of the class oil flares (N = 2039) for the results of the framework classification in Algeria, and panel (b) depicts the values (N = 221) for the application area in Niger.

Ground-truthed SCF point data for the Niger region show an existing overlap between PA boundaries and oil exploration sites (within TTTNNR figure 3) however, the Random Forest identification model applied here did not detect any activity within the part of the PA that fell within our study area and did not detect the two oil exploration sites within the study area–PA overlap (10% of the study area overlapped with the PA figure 3). The proximity of many of the model-detected oil refineries to the nearest boundary of the TTTNNR was found to be less than 15 km (figure 3).

4. Discussion

Owing to limited funding and conservation attention [14–16], little is currently known about the location and intensity of specific threats to biodiversity in desert ecosystems. Despite being considered a major threat [21], and increasing licensing of concessions [26–30,50], especially in close proximity to PAs (figure 1 [21,30,34,40]), at present no monitoring framework exists for the expansion of oil exploration activities in desert regions. As a result, there is presently a lack of real-time information regarding where conservation efforts should be targeted in order to determine the potential impacts of these activities on local biodiversity. The results of this study provide a framework to assist in closing this knowledge gap, showing for the first time that current and expanding oil exploration activities in desert ecosystems can be detected and mapped remotely via freely available satellite data. Our results confirm that predictions from ground-verified landcover classification models (here Algeria) can be successfully applied to detect activities in areas for which classification models cannot be explicitly produced (here Niger). The methodology developed herein thus makes the introduced framework reproducible across other desert regions and in areas for which location-specific classification models cannot be constructed owing to limited availability of high-resolution imagery and ground-truthed data for validation. This is a situation that is particularly common in many remote desert regions. Owing to the free availability of NASA's Landsat satellite data, the framework developed in this study is inexpensive and easily implementable across deserts, and thus may be used to monitor oil exploration activities over time in a cost-effective manner in areas for which conservation funding is limited [15,16]. Moreover, the spatial resolution of the input variables (150 m, based on the original 30 m Landsat 7 ETM+ bands) is much finer than other datasets traditionally employed for the detection of oil flares [43–45], and thus is more appropriate for identifying anthropogenic structures, while omitting small-scale landscape variations (e.g. singular rocks), in order to determine regional-scale expansion in the distribution and intensity of activity. Detecting previously unknown oil exploration sites in close proximity to PAs (figure 3), the framework developed herein enables the mapping and continuous monitoring of novel and intensifying threats to localized hotspots of desert biodiversity.

The successful application of the model classification and identification framework developed in this study can be attributed to the 40 input variables derived from the eight Landsat 7 ETM+ spectral bands. Class separation was supported by the moving window variables, as was found by Ge və s. [41]. Overall, texture analyses have been found to enhance information from the raw satellite bands [71] the lightness or darkness of certain objects in relation to neighbouring objects can be identified for the different bands. In using texture analyses, the importance of variables is dependent upon the targeted object of the analyses [71,78]. However, the most important variables for this framework (based on the MDG figure 2 electronic supplementary material, Appendix S1) seem to be the band averages, which indicates that the bands themselves are still highly important in predicting landcover classification. We do, however, acknowledge that taking the average values also reduces the effective spatial resolution of the input variables, producing a trade-off between the detection of large-scale features versus increasing classification error according to mixed pixel signals. The minimum band values were also shown to play an important role in image classification, as landcover classes such as water, vegetation, dark buildings and road tarmac typically have lower spectral values in comparison to other classes [59]. While in Algeria, identification of oil exploration and extraction sites was made possible by the presence of assemblages of multiple landcover types (oil flares, small water ponds, settlements and roads), within the Niger study area such associated landcover classes were not present and sites were made detectable by the presence of oil flares. Oil flares have indeed previously been found to be good indicators of refineries in the Sahara [33] here, these could be visualized both in the raw satellite images (as in the Kuwait oil fires [47]) and with classification results. Such detection is primarily due to the band 7 (SWIR-2) of Landsat 7 ETM+ sensor, which covers a similar spectral range as the thermal IR Advanced Very High-Resolution Radiometer band that has been previously found to be successful in detecting oil fires [49]. The maximum value of band 7 (SWIR-2) was particularly useful in the model (figure 2 electronic supplementary material, Appendix S1), which provides information on the heat signature of the oil flare [47,57]. The successful application of this identification framework is also largely a result of the chosen study region in desert ecosystems, cloud contamination of satellite imagery is negligible [79], and anthropogenic structures are not masked by the presence of a dense vegetation canopy as in other biomes. Data acquisition and exploration site detection were therefore not impeded by these potential limitations.

The oil exploration site identification framework presented here is, however, not without limitation. Although the framework was successful in detecting the location of oil exploration sites in Algeria and Niger, it was unable to detect some of the reported oil extraction wells in the Niger region based on ground-truthed data (43% omission error table 2 and figure 3). This may be attributed to both temporal and spatial limitations to our monitoring framework. Oil exploration activity, which had recently commenced in Niger at the time of these analyses [30,50], is often temporary in nature [33]. Indeed, four field-derived extraction sites in the Termit massif region (one within the study scene figure 3) were known to no longer exist in November 2012. Accordingly, some of the non-detected sites in Niger, for which further field validation beyond 2011 does not exist, could have similarly been no longer in existence in the November 2012 scene. Thus, the relatively high omission rate for Niger may be due to non-detection of potentially temporary sites that were no longer present in the Landsat 7 ETM+ scene considered here. However, for continued monitoring purposes, the application of the framework to time-series Landsat satellite data would likely not result in misdetections of temporary sites if the time period between consecutive images considered were sufficiently narrow. Individual oil flares are also not large (maximum 150 m in size), and thus may only cover a few Landsat image pixels. Smaller oil exploration sites may thus be difficult to distinguish from the surrounding desert, especially if not bordered by other associated landcover classes. This was indeed the case for the sites detected in the Niger study area, which (i) were smaller in size than those in the Algerian study area and (ii) could not additionally be identified by surrounding associated landcover classes, unlike the sites detected in the Algerian study area (i.e. water pools, settlement and roads). These results might also suggest that the oil flares class alone could be used in monitoring the distribution and expansion of oil exploration and extraction activities in desert regions over full landcover classification. However, we argue that due to the recent commencement and temporary nature of some of these activities in Niger, there may be no large surrounding structures yet constructed at these sites. As these become developed into the future, the applicability of classification of associated landcover types in locating and detecting their expansion will increase and will indeed be useful in monitoring expansion of these activities in other desert areas where sites are more fully developed (as is the case in Algeria). The SLC-off sensor issue with the Landsat 7 ETM+ data may result in missing data values over the locations of oil exploration sites in desert regions, resulting in the lack of detection of sites and suggesting a potential limitation of the use of Landsat 7 ETM+ data in these analyses. However, with the recent launch of the Landsat 8 satellite in early 2013 [80], data availability for the future implementation of this framework will not be hindered by this issue. Cross-scene atmospheric correction, which would serve to further normalize features across scenes [81], was not applied in these analyses and may have influenced the success of the implementation of this framework to the scene in Niger. However, owing to the applied methods using texture metrics to detect the limited infrastructure in the Niger scene and the few landcover classes present here, it is unlikely this correction would significantly affect the results of these analyses. Cross-scene correction as proposed by Furby & Campbell [82] should be considered in future implementation of this framework. Future and repeated implementation of the identification framework in other areas will assist in determining the severity of these potential limitations. Moreover, given the largely cloud-free satellite coverage of desert ecosystems [79], the application of multi-date change detection analyses across multiple scenes to assess and predict temporal changes in the distribution of oil extraction and exploration sites in these study sites may also help to further determine the relative success of our framework. The methodology employed herein is only one of the many options available to practitioners for the mapping and monitoring of oil exploration and oil exploitation activities in desert ecosystems. Other possible methods include the use of purely geographic information systems-based analyses, as employed by Osti və s. [34]. However, this form of analysis relies heavily on global energy and environment data providers and consultancies, such as the information handling services, which is not free of charge and may potentially be less objective than the use of open access satellite imagery. Alternatively, another potential remote sensing approach could be to use an active sensor, such as radar (e.g. TanDEM-X using synthetic aperture radar digital elevation model (12 × 12 m resolution)). Felbier və s. [83] demonstrated the application of this sensor in developing urban footprint maps (here human settlements), which identify anthropogenic structures with relative accuracy in desert regions. Interestingly, the spatial resolution of these data is very high, and the process is automated [83]. However, this method is targeted at settlements in general and would require additional information and methodological refinement in order to distinguish settlements from oil exploration sites, in addition to being costly and only implementable with the regularity of the data (current data availability covers only 2011 and 2012 [84]).

The relevance and requirement for a monitoring framework for oil exploration such as that developed here is further highlighted by the findings of this study. Ground-truthed data from SCF suggest that an overlap between the borders of the TTTNNR and oil extraction activity, and a conflict of interest between conservation efforts and oil exploration, already exists in Niger (figure 3). Moreover, while the identification framework employed here did not detect any exploration sites within the PA, many of the sites detected were less than 15 km from the border of the TTTNNR and the framework detected a novel site in close proximity to its boundary (figure 3), suggesting that potential and novel threats are encroaching into such areas. Increasing trends in oil prospection activities are similarly already a concern for the PA network across other global dryland regions, with concessions for oil exploration being sold within many PA boundaries [34]. Globally, the threats to dryland ecosystems from oil exploration and extraction activities are great [84–86], causing reductions in species abundance and biodiversity [87,88]. With much current conservation attention on the relative effectiveness of the global PA network for conservation efforts [89–95], methods to monitor threats to conservation and management action in PAs are of the utmost importance. If the expansion of oil exploration activities continues to be conducted at the edges of and within desert PAs, they have the potential to increase pressures on the animal populations within through increased edge effects [37,38], reducing the effectiveness of buffer zones around PAs and the resilience of animal populations and ecosystems within from impacts of further processes of land-use and climate change. Moreover, these threats have the potential to reduce the connectivity of the PA system to wider ecosystems [96], which may be of particular concern in desert ecosystems due to both the patchy distribution of essential resources related to the high variability of the rainfalls in the Sahara [19,21], as well as the fragmented nature of desert biodiversity hotspots and highly endangered endemic species [14,18–21]. Indeed, increased anthropogenic activity within PAs and at their boundaries may create barriers to nomadic and migratory species' movement [35,36]. The importance of maintaining desert biodiversity hotspots within PAs and their surroundings has never been more important, as global climate change is predicted to produce among the highest temperature increases in terrestrial biomes within these regions [23], highlighting severe potential impacts from anthropogenic water extraction associated with oil exploration activities. Water scarcity in arid regions has been found to cause large reductions in species diversity and population size [21,96–98]. Resultant increases in water-related conflict between oil exploration activity and local biodiversity under future climate change in desert regions [23] could thus potentially lead to the collapse of already fragile populations (e.g. the red-fronted gazelle (Eudorcas rufifrons) [18]). Moreover, monitoring of the expansion of novel oil exploration across desert regions may be of great importance for determining sites for future reintroduction efforts for threatened desert animal species under climate change (e.g. the scimitar-horned oryx (Oryx dammah) [99]).

5. Conclusion

With mounting evidence of conflict between conservation efforts and energy procurement, a cost-effective monitoring framework for these activities is clearly of enormous relevance and utility in defining where adaptation and conservation actions must be targeted under future expansion, in order to secure the viability of unique biodiversity across global desert regions in the face of associated threats. This will become increasingly essential into the future, with projected increases for oil production and exports for many global dryland regions: Northern Africa (including many Saharo-Sahelian countries i.e. Algeria, Egypt, Sudan), Central and Western Asia, Central America and Australia [100,101]. Under such future increases in hydrocarbon production, not only the utility but also the efficiency of the monitoring framework developed herein will become critical. Currently, the framework is not automated, and visual interpretation and data processing are required. Automation of the framework to include data acquisition, satellite image processing, and classification model generation and prediction across novel areas would serve to render the framework applicable across these widely spread geographical areas in an effective, non-labour intensive manner. Moreover, in the face of mounting conservation costs and the lack of funding targeted at global desert regions [15,16], the necessity for cheap and easily implementable monitoring frameworks for anthropogenic activities will become increasingly great into the future. We therefore highlight here the importance and relevance of the continued availability of open access satellite imagery, such as that from NASA's recently launched Landsat 8 satellite, to on-the-ground conservation monitoring and management direction. Implementation and automation of the identification framework developed will enable the continued monitoring of areas of concern, advancing current understanding of extremely under-studied and -represented global desert regions, and forming a crucial resource in targeting on-the-ground management and conservation priorities in the face of global environmental change.


APPENDIX 1

Taxon Voucher specimen, Collection locale Herbarium.

Cyrtandra kauaiensis Wawra Johnson 03, Kōke‘e State Park, Kaua‘i Rancho Santa Ana Botanic Garden (RSA).

Cyrtandra longifolia (Wawra) Hillebr. ex. C.B. Clarke Johnson 04, Kōke‘e State Park, Kaua‘i RSA.

Cyrtandra paludosa var. paludosa Gaud. Johnson 01, Upper Waiākea Forest Reserve, Hawai‘i Island RSA.

Cyrtandra platyphylla A.Grey Johnson 02, Yuxarı Waiākea Meşə Qoruğu, Hawai‘i Adası RSA.

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.


Videoya baxın: QGIS - Polygonize - Raster to Vector (Oktyabr 2021).