Suite

Calculer la distance des polygones par rapport au littoral à l'aide d'ArcGIS Desktop ?

Calculer la distance des polygones par rapport au littoral à l'aide d'ArcGIS Desktop ?


J'ai une série de polygones représentant des parcelles de terrain. Je voudrais calculer la distance de chaque polygone du littoral. J'ai aussi un polygone de toute la région d'intérêt, c'est-à-dire une île.

Quelle est la procédure ArcGIS Desktop 10.1 pour réaliser ce que je recherche ?


En supposant que vous ayez une licence de niveau Avancé (vous ne spécifiez pas le contraire), je pense que vous devriez essayer l'outil Near (Analysis):

Détermine la distance entre chaque entité dans les entités en entrée et l'entité la plus proche dans les entités proches, dans le rayon de recherche.

  • Les entités en entrée et les entités proches peuvent être ponctuelles, multipoints, linéaires ou polygonales.

4 1.5 Technologie géospatiale

Supposons que vous ayez lancé une nouvelle entreprise qui fabrique des tondeuses à gazon à énergie solaire. Vous planifiez une campagne de courrier pour attirer l'attention des acheteurs potentiels sur ce nouveau produit révolutionnaire. Cependant, comme il s'agit d'une petite entreprise, vous ne pouvez pas vous permettre de parrainer des publicités télévisées d'un océan à l'autre ou d'envoyer des brochures par la poste à plus de 100 millions de foyers américains. Au lieu de cela, vous prévoyez de cibler les clients les plus probables - ceux qui sont soucieux de l'environnement, ont des revenus familiaux supérieurs à la moyenne et qui vivent dans des zones où il y a suffisamment d'eau et de soleil pour soutenir les pelouses et l'énergie solaire.

Heureusement, de nombreuses données sont disponibles pour vous aider à définir votre liste de diffusion. Les revenus des ménages sont régulièrement déclarés aux banques et autres institutions financières lorsque les familles demandent des hypothèques, des prêts et des cartes de crédit. Les goûts personnels liés à des questions telles que l'environnement se reflètent dans des comportements tels que les abonnements à des magazines et les achats par carte de crédit. Les sociétés d'études de marché collectent ces données et les transforment en informations en créant des « segments de mode de vie » des catégories de ménages qui ont des revenus et des goûts similaires. Votre entreprise de tondeuse à gazon solaire peut acheter des informations sur le segment de style de vie par code postal à 5 ​​chiffres, ou même par codes ZIP + 4, qui désignent les ménages individuels.


Se sortir de tout ça

Si tu pouvais choisir un endroit dans le comté de Dane pour vous évader, loin du réseau, loin du bourdonnement des autoroutes ou des lueurs de la ville, où iriez-vous ? Au milieu d'un vaste champ oublié de Primevère ou d'une forêt de Mazomanie sans nom ?

Il s'avère que vous n'avez même pas besoin de remplir votre réservoir d'essence pour vous rendre à l'endroit le plus reculé du comté. Les biologistes de la conservation basés en Floride, Rebecca et Ryan Means, ne seraient pas surpris. Ils craignent, comme beaucoup, que les espaces naturels soient engloutis par les routes. "Le réseau routier américain remplit si bien le paysage national qu'il n'est plus possible d'être à plus de 5 miles d'une route dans la grande majorité des 48 États voisins", selon leur site Web, Remote Footprints.

Le couple a donc entrepris de trouver et de se rendre dans la zone la plus sauvage de chaque État pour documenter les « conditions écologiques et physiques » afin « d'accroître la sensibilisation à l'échelle nationale à l'importance de préserver nos terres sauvages sans route restantes – pour toujours ».

Ils l'appellent Project Remote, et partout au pays, des gens comme moi imitent leurs méthodes pour définir et trouver des lieux « éloignés », curieux de connaître les frontières plus proches de chez eux.

La définition quantitative de l'éloignement du projet est le point qui est la distance en ligne droite la plus éloignée d'une route ou d'une ville, qu'ils calculent à l'aide de systèmes d'information géographique (SIG).

En septembre, les scientifiques, accompagnés de leur fille Skyla, ont visité le point le plus éloigné du Wisconsin, à 17,2 miles de la route la plus proche, à l'extrême nord de l'île extérieure, l'île la plus au nord et à l'est de l'archipel de l'île des Apôtres sur le lac Supérieur.

Le capitaine de la Garde côtière américaine Jeff Nourse, qui dirige Nourse Charters et navigue dans ces eaux depuis près de quatre décennies, leur a fait faire un tour là-bas. Il n'a pas été très surpris lorsqu'ils l'ont contacté, étant donné à quel point la zone est isolée.

"Lorsque le parc a été créé", dit-il, à propos des rives du lac devenues une zone protégée par l'État en 1970, "il a empêché les gens de privatiser l'île".

« J'ai allumé le GPS et parcouru le rivage », dit Nourse. Après environ 90 minutes, voyageant entre 25 et 29 mph, "le vent du nord-est s'est levé, mais nous avons trouvé l'endroit", un affleurement rocheux avec des vagues blanches claquant et glissant dessus.

"C'est un endroit merveilleux", dit Nourse, qui abrite des ours, des renards, des oies, des grues du Canada et des harles, bordé d'une eau claire et froide remplie de touladis et de saumons. « Le parc parle de lui-même. Il se trouve que c'est mon arrière-cour et qu'il a beaucoup d'histoire.

Il arrive aussi d'avoir une réception de téléphone portable, les Moyens ont été déçus de constater. « Pourquoi pouvez-vous vous rendre à l'endroit le plus éloigné et obtenir un service cellulaire alors que je ne peux même pas l'obtenir chez moi ? » L'infirmière plaisante. Ils sont restés environ 45 minutes, prenant des photos et enregistrant des observations.

j'ai commencé mon voyage pour localiser l'emplacement le plus éloigné du comté de Dane en créant un compte d'essai gratuit sur ArcGIS.com, qui propose une suite d'applications de cartographie que je ne savais pas comment utiliser. Je voulais reproduire le calcul des moyennes en utilisant l'outil Distance euclidienne. Mais pour ce faire, j'ai appris que j'aurais besoin d'accéder à ArcGIS Desktop et à l'extension Spatial Analyst. Et éventuellement quelques prérequis universitaires.

À mon grand soulagement, lorsque j'ai contacté le bureau des cartographes de l'État du Wisconsin pour obtenir de l'aide, le spécialiste du programme Codie See a considéré ma requête comme une opportunité passionnante d'« engager certains de nos étudiants en laboratoire dans l'apprentissage par le service ».

En deux jours, il a partagé leur analyse du mètre carré le plus éloigné du comté de Dane. Le résultat était cet endroit : 43°12'40.5"N 89°07'00.4"W (aka 89.116771 43.211244 degrés décimaux). « Intéressant et surprenant, je pense ! » Codie a écrit dans un e-mail.

J'ai cliqué sur les coordonnées. Je pouvais voir East Towne Mall sur mon écran. L'épingle a été déposée sous une forme verte sur la carte intitulée Deansville State Wildlife Area, à une escapade de 14 milles dudit centre commercial.

See a souligné que leur analyse « utilise les routes et les pistes cyclables comme base » pour l'éloignement et qu'ils ont supprimé « l'hydroélectricité » – sinon ma destination aurait été le milieu du lac Mendota.

Un samedi matin récent, j'y ai conduit, mon chien Marshall chevauchant un fusil de chasse. Le GPS nous a acheminés via la I-94 jusqu'à l'autoroute N. J'ai dépassé le parcours de golf Oaks à Cottage Grove et j'ai suivi la County Highway TT jusqu'à ce qu'elle devienne County Road TT. Au détour d'une ferme laitière, la route goudronnée se transforme brusquement en gravier.

Des ruisseaux de chaque côté de moi, étouffés par les lentilles d'eau, atteignaient presque mes roues et touchaient mes roues. J'avais l'impression de rechercher des emplacements pour Les morts qui marchent. Il y avait un camion devant.

« Conduisez sur 1,5 mile », a demandé Siri, « puis préparez-vous à vous garer et à marcher à 350 pieds. » Je me suis garé sur un terrain en gravier utilisé pour accéder à la réserve faunique et j'ai baissé la vitre de ma voiture.

"Pop-pop-pop !" J'ai aperçu un point d'orange flamboyant qui se dirigeait vers mon mètre carré. J'ai regardé ma tenue : un jean bleu et un manteau d'hiver noir. J'ai regardé mon chien, le chiot le plus bang!-boom!-blast!-fatigué du monde.

Nous nous sommes assis et avons écouté. Quelques voitures vrombissaient. Une autre balle fendit l'air. Je jetai un coup d'œil dans les broussailles, mesurant mon humeur. Ma tolérance aux coups de feu, qui sur une échelle de 1 à 10 oscille généralement autour de 0,5, n'était pas à son apogée.

Un geai bleu se plaignait au loin. Les mésanges à tête noire jouaient des chaises musicales avec des branches d'arbres, chantaient, ti-ti-ti-fee-abeille. Un hélicoptère a surgi au-dessus.

Conflit, j'ai remonté la fenêtre et je me suis éloigné, à 350 pieds du point le plus isolé du comté de Dane. Ce jour-là, la nature sauvage reculée du comté de Dane était un peu trop peuplée pour moi.


Calculer la distance des polygones par rapport au littoral à l'aide d'ArcGIS Desktop ? - Systèmes d'information géographique

Mike Bradley, associé de recherche

L'université de Rhode Island

Cette couche représente la montée subite d'ouragan pour les ouragans de catégorie 1 à 4 frappant la côte est. Les valeurs de surtension d'ouragan ont été développées par le National Hurricane Center à l'aide des données du modèle SLOSH (Sea Lake and overland Surge from Hurricanes).

"Poly_ID" = le numéro de polygone d'origine de la date de publication SLOSH 2014

Agence de protection de l'environnement des États-Unis, région 5 Jan Krysa Adresse postale et physique du responsable des données géospatiales 77 West Jackson Boulevard Chicago IL

(312) 353-7210 [email protected] http://www.epa.gov/region5/

Les tests d'intégrité n'ont pas été effectués. Compléter

Nous avons obtenu la sortie du modèle SLOSH (Sea Lakes and Overland Surge from Hurricanes) du National Hurricane Center. Ces données ont été exportées au format de fichier de formes ArcGIS. Le fichier de formes représentait les données du bassin SLOSH le plus proche du parc. Les attributs représentaient l'élévation de la surface de l'eau en pieds qui se produirait à partir d'une onde d'ouragan dans le pire des cas dans chaque polygone pour les catégories 1 à 4 (pour les MOM Man Tide). les altitudes ont été recueillies en pieds et converties en mètres. Cette analyse utilise uniquement le champ de marée « moyenne ». Le fichier de formes était dans un système de coordonnées horizontales Geographic NAD 83 et utilisait le système de référence vertical NAVD88. Pour toutes les données ASIS, le fichier de formes de points a utilisé le système de référence vertical NAVD29 et a ensuite été converti en NAVD88. Pour les quatre fichiers de formes du bassin SLOSH, l'outil « entité à point » a été utilisé pour créer un fichier de formes de points des centroïdes des polygones de données SLOSH.

U.S. Environmental Protection Agency, Office of Environmental Information Lee Kyle Adresse postale et physique du propriétaire des données géospatiales 1200 Pennsylvania Avenue, N.W. Washington DC

202-564-4622 [email protected] http://www.epa.gov/aboutepa/oei.html

Shapefile ACAD_HYDRO_MHHW_NAVD88_Diff_ra.zip MHHW NAVD88 Différence Archive compressée ZIP 42492 http://irmafiles.nps.gov/Reference/Holding/498761/ACAD_HYDRO_MHHW_NAVD88_Diff_ra.zip Le National Park Service ne pourra être tenu responsable de l'utilisation inappropriée ou incorrecte des données décrites et/ou contenues dans le présent document. Ces données et graphiques associés (c'est-à-dire les fichiers au format GIF ou JPG) ne sont pas des documents juridiques et ne sont pas destinés à être utilisés en tant que tels. Les informations contenues dans ces données sont dynamiques et peuvent évoluer dans le temps. Les données ne sont pas meilleures que les sources originales dont elles ont été tirées. Il est de la responsabilité de l'utilisateur des données d'utiliser les données de manière appropriée et cohérente dans les limites des données géospatiales en général et de ces données en particulier. Les graphiques associés sont destinés à aider l'utilisateur des données à acquérir des données pertinentes, il n'est pas approprié d'utiliser les graphiques associés comme données. Le National Park Service ne donne aucune garantie, expresse ou implicite, quant à l'exactitude, la fiabilité ou l'exhaustivité de ces données. Il est fortement recommandé que ces données soient acquises directement à partir d'un serveur NPS et non indirectement via d'autres sources qui peuvent avoir modifié les données d'une manière ou d'une autre. Bien que ces données aient été traitées avec succès sur les systèmes informatiques du National Park Service, aucune garantie expresse ou implicite n'est faite concernant l'utilité des données sur d'autres systèmes à des fins générales ou scientifiques, et l'acte de distribution ne constitue pas une telle garantie. Cette clause de non-responsabilité s'applique à la fois à l'utilisation individuelle des données et à l'utilisation agrégée avec d'autres données. 20140722 Aucune Norme de contenu FGDC pour les métadonnées géospatiales numériques FGDC-STD-001-1998 20140722 Fichier Shapefile Geodatabase Classe d'entités SLOSH Catégorie 1-4 Polygones d'inondation

<DIV STYLE="text-align:Left"><DIV><DIV><P><SPAN><SPAN>Le National Park Service ne pourra être tenu responsable de l'utilisation inappropriée ou incorrecte des données décrites et/ou contenues dans le présent document. Ces données et graphiques associés ne sont pas des documents juridiques et ne sont pas destinés à être utilisés en tant que tels.</SPAN></SPAN></P><P><SPAN><SPAN>Les informations contenues dans ces données sont dynamiques et peuvent changer au fil du temps. Les données ne sont pas meilleures que les sources originales dont elles ont été tirées. Il est de la responsabilité de l'utilisateur des données d'utiliser les données de manière appropriée et cohérente dans les limites des données géospatiales en général et de ces données en particulier. Les graphiques associés sont destinés à aider l'utilisateur des données à acquérir des données pertinentes, il n'est pas approprié d'utiliser les graphiques associés comme données.</SPAN></SPAN></P><P><SPAN><SPAN>Le National Park Service ne donne aucune garantie, expresse ou implicite, quant à l'exactitude, la fiabilité , ou l'exhaustivité de ces données. Il est fortement recommandé que ces données soient acquises directement à partir d'un serveur NPS et non indirectement via d'autres sources qui peuvent avoir modifié les données d'une manière ou d'une autre. Bien que ces données aient été traitées avec succès sur un système informatique du National Park Service, aucune garantie expresse ou implicite n'est faite concernant l'utilité des données sur un autre système ou à des fins générales ou scientifiques, et l'acte de distribution ne constitue pas une telle garantie. . Cette clause de non-responsabilité s'applique à la fois à l'utilisation individuelle des données et à l'utilisation agrégée avec d'autres données.</SPAN></SPAN></P><P><SPAN /></P></DIV></DIV></DIV> -138.21454852 -12.68151645-0157223 Version 6.1 (Build 7601) Service Pack 1 Esri ArcGIS 10.2.1.3497 1 -68.700085 -67.997327 44.455661 43.975489 Mike Bradley L'associé de recherche de l'Université de Rhode Island 1 Greenhouse Rd. Kingston RI US [email protected] 401 874 5054 Barbara Shaw NPS NER Coordinatrice SIG [email protected] Les tests d'intégrité n'ont pas été effectués. Compléter

L'IRPS ASA (Applied Science Associates) a été sous-traitée pour créer les polygones d'inondation. ASA a créé un code Visual Basic qui utilise le SLOSH MOM (au format PRN) et les données d'altitude (format FLT) comme entrées pour l'interpolation. La pondération de distance inverse (IDW) et la pondération de zone inverse (IAW) ont été utilisées pour interpoler la sortie SLOSH MOM sur les données LiDAR. Le résultat était un fichier FLT de l'élévation de la surface de l'eau. Le calculateur raster dans ArcGIS a ensuite été utilisé pour soustraire l'altitude LiDAR de l'altitude de la surface de l'eau en sortie, ce qui a donné un raster de valeurs positives et négatives. Les valeurs négatives indiquent les régions où l'élévation du LiDAR était supérieure à celle de l'élévation de la surface de l'eau, ce qui signifie qu'il n'y a pas d'inondation. Les valeurs positives indiquent les hauteurs de surtension associées à l'inondation causée par la tempête respective. L'outil Map Algebra, dans l'extension Spatial Analyst, est utilisé pour identifier les valeurs inférieures à 0. Ces données raster converties en un seul polygone, où les valeurs inférieures à 0, ainsi que les régions déconnectées qui ne seraient pas inondées, ont été supprimées. Le résultat est un seul polygone d'inondation associé à chaque catégorie de tempête. 2014-01-01T00:00:00 Mike Bradley L'associé de recherche de l'Université de Rhode Island 1 Greenhouse Rd. Kingston RI États-Unis 401 874 5054 Mike Bradley


Résultats

Nous identifions 13 209 parcelles de terre le long du rivage estuarien de la Géorgie pour analyse. Ces parcelles fournissent un recensement des parcelles du rivage estuarien blindées et non blindées. Le comté de Chatham comprend le plus grand nombre de ces parcelles (4856, 37 %) et le comté de Bryan en comprend le moins (955, 7 %) (Fig. 2). Au total, nous estimons à 2 997 colis blindés (23%). Le comté de Chatham comprend également le plus grand nombre de parcelles blindées (1473, 49 %), tandis que le comté de Liberty en comprend le moins (242, 8 %). Lorsque l'on compare la prévalence du blindage entre les comtés, le comté de Bryan a le pourcentage le plus élevé de parcelles blindées, avec 37% de toutes les parcelles du littoral estuarien du comté de Bryan étant blindées (Fig. 2). Au total, nous estimons à 4 004 parcelles (30%) d'être adjacentes à une parcelle avec un blindage existant.

Fraction de toutes les parcelles riveraines (bleu) et de toutes les parcelles riveraines blindées (orange) par comté. Fraction des parcelles de rivage blindées à l'intérieur d'un comté (jaune).

Analyse de régression logistique

Le modèle de régression logistique sélectionné final pour décrire les modèles de blindage dur parmi les parcelles de rivage estuarien en Géorgie comprend les variables prédictives illustrées à la figure 3. Un test de rapport de vraisemblance a soutenu l'inclusion d'effets fixes de quartier (Khi carré = 323,476, avec 172 degrés de liberté), et ce modèle présente un taux de classification correcte de 88 %. Le comté de Chatham est utilisé comme référence pour les effets fixes du comté. La valeur de la structure semble être mieux représentée par le coût de remplacement par superficie du bâtiment, que nous appelons « valeur du bâtiment » ($/m 2 ). Le pouvoir explicatif de la longueur du rivage est amélioré par la transformation du logarithme naturel. Les variables de description de la classification urbaine (logement et densité de population) avaient des associations incohérentes avec le blindage tout au long du développement du modèle, ainsi que de petits effets marginaux et une influence minimale sur la précision de la classification. Par conséquent, nous n'avons pas inclus de mesure de la classification urbaine dans le modèle final. Le modèle final (Fig. 3) indique que huit des dix attributs paysagers et socio-économiques sélectionnés a priori sont de puissants prédicteurs du log-odds du blindage du littoral (p < 0.1). (Voir l'annexe A, colonne deux pour les résultats de la régression numérique).

Diagramme forestier de la variation des log-odds de la probabilité de blindage dur résultant d'une augmentation unitaire des variables prédictives incluses dans le modèle de régression logistique. Les valeurs positives indiquent une association positive avec la probabilité de blindage dur et les valeurs négatives indiquent une association négative avec la probabilité de blindage dur. Les barres sont des intervalles de confiance à 95%. Les intervalles de paramètres qui chevauchent zéro n'influencent pas significativement la probabilité de blindage dur (au niveau de signification de 5%).

Nous constatons que la pente de la parcelle (altitude/distance du rivage) a l'effet le plus important sur la probabilité log-odd d'un blindage dur, avec un changement de la valeur log-odd de 3,75 et un effet marginal de 0,33. Ainsi, une augmentation d'une unité de la pente (à partir d'une moyenne de 0,025) augmente la probabilité de blindage de 33 %. Plus révélateur, cependant, l'élasticité de la pente est de 0,03, indiquant qu'une augmentation de 1 % de la pente n'augmente la probabilité de blindage que de 0,03 %. La distance du rivage, à elle seule, a un petit effet négatif sur le blindage (effet marginal de -0,0006), tandis que l'altitude n'a pas d'effet statistiquement significatif (indépendant de la pente).

Egalement très impactant dans le modèle de régression logistique, le coefficient de « blindage voisin » indique un changement de la valeur moyenne des log-odds de 2,32 et un effet marginal de 0,18. Ainsi, être situé à côté d'une parcelle blindée augmente la probabilité de blindage de 18% (en maintenant toutes les autres variables prédictives constantes). Cet effet peut refléter des forçages environnementaux communs à toutes les parcelles d'une zone particulière, des débordements spatiaux du risque d'érosion dus à l'installation d'un blindage dur sur les propriétés voisines ou un comportement de troupeau (dans lequel les propriétaires fonciers adoptent des pratiques qu'ils voient leurs voisins utiliser). Pour tenter de contrôler cela, nous incluons des indicateurs pour les environnements riverains à énergie moyenne ou élevée (par rapport à basse énergie) et le taux d'érosion historique. Les résultats du modèle suggèrent que les environnements à énergie moyenne n'ont pas d'impact discernable sur le blindage, mais les environnements côtiers à haute énergie augmentent la probabilité de blindage dur de 12%. Une augmentation d'une unité du taux d'érosion historique augmente la probabilité d'enrochement de 11 %.

D'autres variables prédictives ont montré des effets modestes dans le modèle de régression logistique. Une augmentation d'un mètre de la longueur du rivage réduit les cotes logarithmiques de 0,09 (la probabilité d'un blindage dur de 0,0002 – effet marginal non statistiquement significatif). Un mètre carré supplémentaire de parcelle augmente les probabilités logarithmiques du blindage dur de 0,105, avec un effet marginal de 0,009. Une augmentation d'un dollar du coût de remplacement de la structure (par m 2 ) augmente les cotes logarithmiques de 0,0093, avec un effet marginal de 0,0008. Les parcelles situées dans les comtés de Glynn, Liberty et Bryan sont plus susceptibles d'être blindées, en contrôlant d'autres prédicteurs et effets fixes du quartier, par rapport au comté de Chatham, tandis que les parcelles du comté de McIntosh sont moins susceptibles d'être blindées. Le comté de Camden n'était pas différent du comté de Chatham (toutes choses étant égales par ailleurs). Le modèle final n'a montré aucune preuve d'autocorrélation spatiale dans les erreurs (I de Moran = 0,000246, p = 0.8125).


Calculer la distance des polygones par rapport au littoral à l'aide d'ArcGIS Desktop ? - Systèmes d'information géographique

Merkouri Christina, Kouli Maria. La distribution spatiale et l'emplacement des tumuli de l'âge du bronze en Grèce. Dans : Paysage ancestral. Les tumulus aux âges du cuivre et du bronze (Europe centrale et orientale – Balkans – Adriatique – Égée, 4e-2e millénaire avant J.-C.) Actes du colloque international tenu à Udine, 15-18 mai 2008. Lyon : Maison de l'Orient et de la Méditerranée Jean Pouilloux, 2012. pp. 203-217. (Travaux de la Maison de l'Orient et de la Méditerranée. Série recherches archéologiques, 58)

La distribution spatiale et la localisation des tumulus de l'âge du bronze en Grèce

Christina Merkouri*, Maria Kouli**

Faits d'introduction

Monument funéraire visible de loin, le tumulus était répandu en Grèce depuis sa première occurrence au Bronze ancien jusqu'à l'Antiquité tardive. Sa composition et le type de tombes qu'elle contenait (pithoi, puits, tombes à ciste, tombes à tholos, tombes à chambre) ont changé au cours des siècles, avec des variations régionales selon les périodes. La morphologie d'un tumulus dépendait de l'environnement et des matériaux de construction disponibles dans chaque zone spécifique, des besoins et des conditions de vie d'un groupe particulier lié par des liens familiaux et de leur date. Parce que les tumulus montrent beaucoup de variation, plusieurs classifications avec des groupes morphologiques, régionaux et chronologiques ont été suggérées dans le passé. Les critères pris en compte incluent la structure et les caractéristiques des tumulus, à la fois externes (forme, taille des murs d'enceinte, occurrence, seule ou en groupe au sein des cimetières) et internes (composition du remplissage, nombre, type et emplacement des tombes, coutumes funéraires associées) . Paysages ancestraux.

TMO 58, Maison de l'Orient et de la Méditerranée, Lyon, 2011

* Ministère hellénique de la Culture, Athènes, Grèce. ** L aboratory of Geoinformation, Department of Natural Resources Research & Environment, Technological Educational Institute of Crete, Chania, Grèce.


Les références

Sánchez-Arcilla, A. et al. Facteurs climatiques des aléas potentiels sur les côtes méditerranéennes. Modification de l'environnement régulier 11, 617-636, https://doi.org/10.1007/s10113-010-0193-6 (2010).

PNUE/PAM. Stratégie Méditerranéenne de Développement Durable 2016-2025. Plan Bleu, Centre Régional d'Activités (Valbonne, 2016).

Agence européenne pour l'environnement. Rapport méditerranéen Horizon 2020 (2014).

Conte, D. & Lionello, P. Caractéristiques des grandes surtensions positives et négatives en mer Méditerranée et leur atténuation dans les scénarios climatiques futurs. Glob. Planète. Changement 111, 159-173, https://doi.org/10.1016/j.gloplacha.2013.09.006 (2013).

Casas-Prat, M. & Sierra, J. P. Analyse des tendances de la tempête des vagues : direction des vagues et impact sur l'agitation portuaire. Nat. Dangers Terre Syst. Sci 10, 2327-2340, https://doi.org/10.5194/nhess-10-2327-2010 (2010).

Jimenez, J. A., Valdemoro, H. I., Bosom, E., Sanchez-Arcilla, A. & Nicholls, R. J. Impacts de l'érosion induite par l'élévation du niveau de la mer sur la côte catalane. Modification de l'environnement régulier 17, 593-603, https://doi.org/10.1007/s10113-016-1052-x (2017).

Vousdoukas, M. I., Mentaschi, L., Voukouvalas, E., Verlaan, M. & Feyen, L. Des niveaux de mer extrêmes en hausse le long des côtes européennes. L'avenir de la Terre 5, 304-323, https://doi.org/10.1002/2016ef000505 (2017).

PNUE/PAM/PAP. Protocole sur la gestion intégrée des zones côtières en Méditerranée (Centre d'activités régionales du Programme d'actions prioritaires, Split, 2008).

Malvarez, G. C., Pintado, E. G., Navas, F. & Giordano, A Spatial data and its importance for the Implementation of UNEP MAP ICZM Protocol for the Mediterranean. J Coast Conserv 19, 633-641, https://doi.org/10.1007/s11852-015-0372-1 (2015).

Santoro, F., Lescrauwaet, A. K., Taylor, J. & Breton, F. Évaluations régionales intégrées à l'appui de la GIZC dans les bassins de la Méditerranée et de la mer Noire (Commission océanographique intergouvernementale de l'UNESCO : Paris, 2014).

Les Nations Unies Programme Environnement/Plan d'Action Méditerranée (PNUE/PAM)-Plan Bleu. État de l'environnement et du développement en Méditerranée (PNUE/PAM-Plan Bleu : Athènes, 2009).

Hinkel, J. et al. Une analyse globale de l'érosion des plages de sable et de l'élévation du niveau de la mer : une application de DIVA. Glob. Planète. Changement 111, 150-158, https://doi.org/10.1016/J.Gloplacha.2013.09.002 (2013).

Hinkel, J. et al. Dommages causés par les inondations côtières et coûts d'adaptation sous l'élévation du niveau de la mer au 21e siècle. Proc. Natl. Acad. Sci. ETATS-UNIS 111, 3292–3297, https://doi.org/10.1073/pnas.1222469111 (2014).

Spencer, T. et al. Changements mondiaux des zones humides côtières sous l'élévation du niveau de la mer et les stress associés : le modèle de changement des zones humides DIVA. Glob. Planète. Changement 139, 15-30, https://doi.org/10.1016/j.gloplacha.2015.12.018 (2016).

Vafeidis, A.T. et al. Une nouvelle base de données côtière mondiale pour l'analyse de l'impact et de la vulnérabilité à l'élévation du niveau de la mer. J RÉS CTIÈRE 244, 917-924, https://doi.org/10.2112/06-0725.1 (2008).

McFadden, L., Nicholls, R. J., Vafeidis, A. & Tol, R. S. J. Une méthodologie de modélisation de l'espace côtier pour une évaluation globale. J. Rés Côtier 234, 911-920, https://doi.org/10.2112/04-0365.1 (2007).

Brown, S. et al. Perspectives changeantes sur les impacts côtiers et l'adaptation. Nat. Clim. Changement 4, 752-755, https://doi.org/10.1038/nclimate2344 (2014).

Bartlett, D. J dans Systèmes d'Information Géographique Marine et Côtière. (éd. Wright D.J. & Bartlett D.J. 11-24 (Taylor et Francis, 2000).

Brenner, J., Jimenez, J. A. & Sarda, R. Définition d'unités homogènes de gestion environnementale pour la côte catalane. Environ. Gérer 38, 993-1005, https://doi.org/10.1007/s00267-005-0210-6 (2006).

Wolff, C., Vafeidis, A. T., Lincke, D., Marasmi, C. & Hinkel, J. Effets d'échelle et données d'entrée sur l'évaluation des impacts futurs des inondations côtières : une application de DIVA pour la côte Émilie-Romagne. Avant Mars Sci 3, 1–15, https://pdfs.semanticscholar.org/5b60/48e85d1b3831b11c5a9dbc5551f197cd59f5.pdf (2016).

Zones administratives mondiales (GADM), http://www.gadm.org/ (2015).

Schneider, A., Friedl, M. A. & Potere, D. Une nouvelle carte de l'étendue urbaine mondiale à partir des données satellitaires MODIS. Environ. Rés. Lett 4, 1–11, https://doi.org/10.1088/1748-9326/4/4/044003 (2009).

Scheffers, A.M., Scheffers, S.R. & Kelletat, D.H. Les côtes du monde avec Google Earth (Springer Pays-Bas, 2012).

Wong, P.P. et al. dans Changement climatique 2014 : impacts, adaptation et vulnérabilité (éds Field C. B. et al.) 361-409 (Cambridge University Press, 2014).

Nicholls, R.J. et al. Scénarios de niveau de la mer pour évaluer les impacts côtiers. Wiley Interdiscip Rev Clim Change 5, 129-150, https://doi.org/10.1002/wcc.253 (2014).

Muis, S., Guneralp, B., Jongman, B., Aerts, J. C. & Ward, P. J. Risques d'inondation et stratégies d'adaptation dans le cadre du changement climatique et de l'expansion urbaine : une analyse probabiliste utilisant des données mondiales. Sci Total Environ 538, 445-457, https://doi.org/10.1016/j.scitotenv.2015.08.068 (2015).

Lichter, M., Vafeidis, A. T., Nicholls, R. J. & Kaiser, G. Exploration des incertitudes liées aux données dans les analyses de la superficie et de la population dans la «zone côtière de basse altitude» (LECZ). J. Rés Côtier 274, 757-768, https://doi.org/10.2112/jcoastres-d-10-00072.1 (2011).

Neumann, B., Vafeidis, A. T., Zimmermann, J. & Nicholls, R. J. Future Coastal Population Growth and Exposure to Sea-Level Rise and Coastal Flooding - A Global Assessment (vol 10, e0118571, 2015). PLoS UN 101, https://doi.org/10.1371/journal.pone.0131375 (2015).

McGranahan, G., Balk, D. & amp Anderson, B. La marée montante : évaluation des risques de changement climatique et d'établissements humains dans les zones côtières de basse altitude. Environ Urbain 19, 17-37, https://doi.org/10.1177/0956247807076960 (2007).

Muis, S., Verlaan, M., Winsemius, H. C., Aerts, J. C. J. H. & Ward, P. J. Une réanalyse globale des ondes de tempête et des niveaux de mer extrêmes. Nat. Commun 7, 1–11, https://doi.org/10.1038/ncomms11969 (2016).

Muis, S. et al. Une comparaison de deux ensembles de données mondiaux sur les niveaux extrêmes de la mer et l'exposition aux inondations qui en résulte. L'avenir de la Terre 5, 379-392, https://doi.org/10.1002/2016ef000430 (2017).

Hunter, J. R., Woodworth, P. L., Wahl, T. & Nicholls, R. J. Utilisation des données des marégraphes mondiaux pour valider et améliorer la représentation des niveaux extrêmes de la mer dans les études d'impact des inondations. Glob. Planète. Changement 156, 34–45, https://doi.org/10.1016/j.gloplacha.2017.06.007 (2017).

Hasselmann, S. et al. Groupe WAMDI. Le modèle WAM, un modèle de prédiction des vagues océaniques de troisième génération. J. Phys. Océanogr 18, 1775–1810 (1988).

Lionello, P. & Sanna, A. Variabilité climatique des vagues méditerranéennes et ses liens avec la NAO et la mousson indienne. Clim. Dynamisme 25, 611-623, https://doi.org/10.1007/s00382-005-0025-4 (2005).

Lionello, P., Cogo, S., Galati, M. B. & Sanna, A Le climat méditerranéen des ondes de surface déduit des simulations de scénarios futurs. Glob. Planète. Changement 63, 152-162, https://doi.org/10.1016/j.gloplacha.2008.03.004 (2008).

Burrough, P.A., McDonnell, R. Principes des systèmes d'information géographique. [Éd. révisé] edn, (Oxford University Press, 1998).

Woodworth, P.L. et al. Vers un ensemble de données mondiales sur le niveau de la mer à plus haute fréquence. Geosci. Données J 3, 50-59, https://doi.org/10.1002/gdj3.42 (2016).

Wahl, T. et al. Comprendre les niveaux extrêmes de la mer pour l'analyse de l'impact et de l'adaptation sur les côtes à grande échelle. Nat. Commun 8, 1-12, https://doi.org/10.1038/ncomms16075 (2017).

Wakelin, S. L. & Proctor, R. L'impact de la météorologie sur la modélisation des ondes de tempête dans la mer Adriatique. Glob. Planète. Changement 34, 97-119, https://doi.org/10.1016/s0921-8181(02)00108-x (2002).

Vousdoukas, M. I., Voukouvalas, E., Annunziato, A., Giardino, A. & Feyen, L. Projections of extreme storm onge level long Europe. Clim. Dynamisme 47, 3171-3190, https://doi.org/10.1007/s00382-016-3019-5 (2016).

Norme internationale ISO 3166-1. Codes pour la représentation des noms de pays et de leurs subdivisions - Partie 1 : Codes de pays, ISO 3166-1 (2006).

Banque mondiale. PIB par habitant, PPA (dollars internationaux courants) http://data.worldbank.org/indicator/NY.GDP.PCAP.PP.CD (2016).

Institut international d'analyse des systèmes appliqués. Base de données SSP https://tntcat.iiasa.ac.at/SspDb (2015).

Crespo Cuaresma, J. Projections de revenu pour la recherche sur le changement climatique : Un cadre basé sur la dynamique du capital humain. Changement d'environnement global 42, 226-236, https://doi.org/10.1016/j.gloenvcha.2015.02.012 (2015).

KC, S. & Lutz, W. Le noyau humain des voies socio-économiques partagées : scénarios de population par âge, sexe et niveau d'éducation pour tous les pays jusqu'en 2100. Changement d'environnement global 42, 181–192, https://doi.org/10.1016/j.gloenvcha.2014.06.004 (2014).

Vafeidis, A.T. et al. Une nouvelle base de données côtière mondiale pour l'analyse de l'impact et de la vulnérabilité à l'élévation du niveau de la mer. Journal de recherche côtière 24, 917-924, https://doi.org/10.2112/06-0725.1 (2008).

Weatherall, P. et al. Un nouveau modèle bathymétrique numérique des océans du monde. Terre Espace Science 2, 331-345, https://doi.org/10.1002/2015EA000107 (2015).

Pickering, M.D. et al. L'impact de la future élévation du niveau de la mer sur les marées mondiales. Cont Shelf Res 142, 50-68, https://doi.org/10.1016/j.csr.2017.02.004 (2017).

Pickering, M.D. L'impact de la future élévation du niveau de la mer sur les marées, Thèse de doctorat (Université de Southampton, 2014).

Peltier, W. R. Global glacial isostasy and the surface of the ice-age earth: The ice-5G (VM2) model and grace. Annu Rev Earth Planet Sci 32, 111–149, https://doi.org/10.1146/annurev.earth.32.082503.144359 (2004).

Argus, D. F., Peltier, W. R., Drummond, R. & Moore, A. W. The Antarctica component of postglacial rebound model ICE-6G_C (VM5a) based on GPS positioning, exposure age dating of ice thicknesses, and relative sea level histories. Geophys J Int 198, 537–563, https://doi.org/10.1093/gji/ggu140 (2014).

Peltier, W. R., Argus, D. F. & Drummond, R. Space geodesy constrains ice age terminal deglaciation: The global ICE-6G_C (VM5a) model. J. Géophys. Rés. Terre solide 120, 450–487, https://doi.org/10.1002/2014jb011176 (2015).

McOwen, C. et al. A global map of saltmarshes. Biodivers Data J 5, e11764, https://doi.org/10.3897/BDJ.5.e11764 (2017).

World Tourism Organization. Yearbook of Tourism Statistics & Compendium of Tourism Statistics and data files. International tourism, number of arrivals http://data.worldbank.org/indicator/ST.INT.ARVL (2014).

Rio, M. H., Mulet, S. & Picot, N. Beyond GOCE for the ocean circulation estimate: Synergetic use of altimetry, gravimetry, and in situ data provides new insight into geostrophic and Ekman currents. Geophys Res Lett 41, 8918–8925, https://doi.org/10.1002/2014GL061773 (2014).

Jarvis, A., Reuter, H. I., Nelson, A. & Guevara, E. Hole-filled SRTM for the globe Version 4: Available from the CGIAR-CSI SRTM 90 m Databasehttp://srtm.csi.cgiar.org (2008).

Santini, M., Taramelli, A. & Sorichetta, A. ASPHAA: A GIS-Based Algorithm to Calculate Cell Area on a Latitude-Longitude (Geographic) Regular Grid. Trans GIS 14, 351–377, https://doi.org/10.1111/j.1467-9671.2010.01200.x (2010).

Center for International Earth Science Information Network - CIESIN - Columbia University, International Food Policy Research Institute - IFPRI, The World Bank & Centro Internacional de Agricultura Tropical - CIAT (NASA Socioeconomic Data and Applications Center (SEDAC), Palisades, NY, 2011).

Center for International Earth Science Information Network - Columbia University. Gridded Population of the World, Version 4 (GPWv4): Population Count Adjusted to Match 2015 Revision of UN WPP Country Totals (NASA Socioeconomic Data and Applications Center, Palisades, NY, 2016).

European Space Agency & Université Catholique De Louvain. GlobCover http://due.esrin.esa.int/page_globcover.php (2009).

Reimann, L., Merkens, J.-L. & Vafeidis, A. T. Regionalized Shared Socioeconomic Pathways: narratives and spatial population projections for the Mediterranean coastal zone. Reg Environ Change 18, 235–245, https://doi.org/10.1007/s10113-017-1189-2 (2017).

Merkens, J.-L., Reimann, L., Hinkel, J. & Vafeidis, A. T. Gridded population projections for the coastal zone under the Shared Socioeconomic Pathways. Glob. Planète. Changement 145, 57–66, https://doi.org/10.1016/j.gloplacha.2016.08.009 (2016).

Data Citations


REMERCIEMENTS

We thank the following for their assistance and comments on earlier drafts: A. Townsend Peterson, J. Soberon, V. Sanchez-Cordero, S. Phillips, J. Losos, J. Wiens, J. Bastow, P. Wainwright, B. Shaffer, D. Schemske, T. Schoener, C. Moritz, R. Anderson, B. Monahan, A. Wright, R. Carlson, S. Veloz, S. Cameron, K. Moore, D. Grossenbacher, P. Ryan, S. Elmendorf, M. Wu, M. Brandley, T. Iglesias, and L. Moyle. We also thank the reviewers of this manuscript, in particular one anonymous reviewer whose extensive comments resulted in substantial improvements.


Résultats

Species distribution modeling

Greater one-horned rhinoceros

Based on Area Under the Curve (AUC) of the Receiver Operator Curve (ROC) and on 100 bootstrap runs of omission/commission analysis with 20% test data showed that the rhinoceros model had a good fit [AUC = 0.96 (SE 0.0007)] and predictive ability (Fig. 1a,b). This model was also rated the best by True Skill Statistics (TSS) and had the lowest Akaike Information Criteria (AIC). Rhinoceros occurrence was best explained by (a) Distance from grassland, (b) Distance from forest, (c) Maximum temperature of warmest month (d) Annual Precipitation and, (e) Distance from water (Table 1). As expected, species response curve showed a decline in habitat suitability with increasing distance from grasslands (Fig. 1c). Rhinoceros were unlikely to occur at distances > 2 km from grasslands. Distance from grassland habitat explained the maximum variation (69%) in the rhinoceros distribution model. Rhinoceros occurrence declines rapidly from forest edge (Fig. 1d) which contributed 16% to the model. A temperature range between 32 to 40 °C during the warmest months of the year governed occurrence of rhinoceros (Fig. 1e). This covariate (Maximum temperature of the warmest month) explained 8.2% of the variation in the data in the best model. Rhinoceros occurred where annual rainfall exceeded 1700 mm and the probability of occurrence increased with increase in rainfall up to 4000 mm (Fig. 1f). Rhinoceros occurrence probability declined sharply with increasing distance to water up to 5 km, after this distance there was high variability in the response curve, This covariate contributed the least to the model at 1.9% (Fig. 1g).

(une) Receiver operator curve for assessing model fit, (b) Omission/Commission analysis for model accuracy of classifying test data. Species occurrence probability (response curves) obtained from 100 bootstrap runs of the best model explaining the distribution of greater one horned rhinoceros in Maxent to (c) distance to grassland, () distance to forest, (e) maximum temperature of warmest month, (F) annual precipitation, and (g) distance to water.

Swamp buffalo

The Buffalo model had a good fit with an AUC of 0.95 (SE 0.0027) but the predictive ability based on 100 bootstrap runs of omission/commission analysis with 20% test data (Fig. 2a,b) was not as good as that for rhinoceros. The TSS was the best for this model while the AIC was second best (Table 1). However, since this model had a good fit and made ecological sense supported by TSS we use it as the best model. The covariates of the best buffalo model were (a) Distance from grassland, (b) Distance from forest, (c) Annual Precipitation and, d) Distance from water (Table 1). Distance to grassland had the highest contribution to the model. Buffalo occurred in the proximity of grasslands and were not likely to be found beyond 1 km distance from grasslands (Fig. 2c). The model showed high buffalo habitat suitability at forest edges with low probability with increasing distances from forests (Fig. 2d). Areas having annual rainfall above 1500 mm were preferred (Fig. 2e). Habitat suitability for buffalo declined rapidly with increasing distance from water for up to 2 km after which habitat was unsuitable with high variability in model predictions (Fig. 2f).

(une) Receiver Operator Curve for assessing model fit, (b) Omission/Commission analysis for model accuracy of classifying test data. Response curves obtained from 100 bootstrap runs of modeling distribution of wild swamp buffalo in Maxent to (c) distance to grassland, () distance to forest, (e) Annual precipitation and (F) distance to water for the Terai-Brahmaputra floodplains landscape.

Population habitat viability analysis (PHVA)

Greater one-horned rhinoceros

PHVA for rhinoceros revealed small populations (K ≤ 10) could not persist (Table 2, Scenarios 1–4 and Table S1). Medium sized populations (K = 20–30) are shown to be viable when initial reintroductions are undertaken with > 8–10 rhinoceros and sites are occasionally supplemented, but these populations would not withstand poaching (Table 2, Scenarios 5–11 and Table S1,). Populations with K ≥ 50 have better chances of survival which increases with supplementation. These populations would also withstand low levels of poaching when supplemented at initial stages (Table 2, Scenarios 14 & 15). Populations

100 would survive long-term, even when subjected to a low-level poaching, and are able to retain high levels of heterozygosity even without immigrants (Table 2, Scenario 19–21 and Table S1). Populations with K ≥ 100 are ideal for long-term persistence (Table 2, Scenario 22). A meta-population comprising of Kaziranga, Orang and Laokhowa-Bura Chapori demonstrates a stochastic growth rate of 0.022 (SE 0.019). The extinction probability of that metapopulation is zero and heterozygosity is maintained at

Swamp buffalo

Small populations (K ≤ 20) exhibit low persistence probability despite supplementation (Table 3, Scenarios 1–4 and TableS2). Medium sized populations (K = 50) could persist with initial reintroduction of > 10 individuals supplemented for a decade, but would not sustain poaching offtake (Table 3, Scenarios 5-9 and Table S2). Large populations (K = 100–200 buffalos) remain viable in settings which experience natural catastrophes, and are also resilient to moderate poaching losses if initial founding population is > 30. Populations are sensitive to the size of founding population and depend upon continued supplementation (Table 3, Scenario 10–16 and Table S2). Areas which could sustain (K) > 250 were ideal for long-term persistence and could tolerate moderate poaching. However, all populations were sensitive to founding population size, and a founding population > 30 is optimal.

Identifying and prioritizing suitable habitats

The species distribution probability asc. layer obtained as the median from 100 Maxent bootstrap runs were exported to Arc GIS 10.5 to produce probability maps for rhinoceros (Fig. 3) and buffalo (Fig. 4), showed reasonable extents of suitable habitat outside of these species’ current range. Maps from conservative estimates of 95% lower limits also identified substantial patches of suitable habitat for reintroductions (Fig S1). Maximum training sensitivity plus specificity cumulative threshold values for 100 bootstrap runs for the rhinoceros model was less variable (13.95 ± SE 0.196 range 9.6–18.5) when compared to that of the buffalo model (19.77 ± SE 0.88 range 1.7–54.7). Maxent identified 11 and 7 habitat patches for rhinoceros and buffalo respectively that could sustain > 50 and > 100 individuals of each species outside of the current range (Table 4). After prioritizing these sites based on legal status, protection, management efficacies and minimal potential for human conflict we identified Corbett NP and Valmiki Tiger Reserve (TR) as top priority sites for rhinoceros reintroduction. For buffalo reintroductions the PA complex of Chitwan NP-Valmiki TR-Parsa Wildlife Sanctuary (WLS) and Bardia NP-Shuklaphanta NP-Dudhwa NP-Katerniagath WLS-Pilibhit TR were top priority (Table S3). While, Bardia NP and Shuklaphanta NP in Nepal and Dudhwa NP, Manas NP in India would benefit from Rhinoceros supplementation (Table 4 & Table S3).

Distribution probability of greater one-horned Rhinoceros across its global historic range in the Terai-Brahmaputra floodplain, where 1-Rajaji NP, 2-Hastinapur WLS 3-Corbett NP, 4- Shukalaphanta NP, 5-Pilibhit TR, 6-Bardia, 7-Keterniyaghat WLS, 8- Sohelwa WLS, 9- Chitwan NP-Valmik TR-Parsa WLS Complex, 10-Koshi Tappu RAMSAR Site, 11- Gorumara WLS, 12- Jaldapara WLS, 13- Manas-Royal NP-Manas NP Complex, 14-Sonai Rupai WLS, 15- Orang TR, 16- Kaziranga NP, 17-Dibru Saikhowa WLS, 18- D’Ering Memorial WLS, 19- Pobitora WLS. Created in ESRI ArcMap 10.5.1 (https://support.esri.com/en/Products/Desktop/arcgis-desktop/arcmap/10-5-1#downloads).

Distribution probability of wild swamp buffalo across the Terai-Brahmaputra floodplain, where 1-Jhilmil Jheel, 2-Corbett NP, 3- Shukalaphanta NP, 4- Kishanpur WLS, 5-Keterniyaghat WLS, 6- Chitwan NP-Valmik TR-Parsa WLS Complex, 7-Koshi Tappu RAMSAR Site, 8- Gorumara WLS, 9- Jaldapara WLS, 10- Manas-Royal NP-Manas NP Complex, 11-Sonai Rupai WLS, 12- Laokhowa-Burachapori WLS, 13- Kaziranga NP, 14-Dibru Saikhowa WLS, 15- D’Ering Memorial WLS, 16- Pobitora WLS Created in ESRI ArcMap 10.5.1 (https://support.esri.com/en/Products/Desktop/arcgis-desktop/arcmap/10-5-1#downloads).


Notes de bas de page

Competing interests

The authors have declared there are no competing interests.

Authors’ contributions

CC performed statistical analyses of data, created all figures, drafted manuscript, presented findings at symposium. DWJ conceived the work, provided guidance and input on data analyses, drafted manuscript. ASF conceived the work, deployed tags, provided input to data analyses, and drafted the manuscript. PH, NG and HD contributed to logistical and field support and edited the manuscript. All authors read and approved the final manuscript.


Voir la vidéo: How to Install ArcGis