Küresel fenoloji haritaları mevsimsel eşzamansızlığın etkenlerini ve etkilerini ortaya koyuyor

Yazılıma, verilere ve iş akışına genel bakış

LSP haritalama iş akışımızı Google Earth Engine’i (GEE) (v.0.1.404 veya üzeri) kullanarak gerçekleştirdik⁶⁵ ve Python’u kullanarak ek analizler gerçekleştirdim⁶⁶ bir dizi temel bilimsel paketle (numpy⁶⁷düzgün⁶⁸pandalar⁶⁹jeopanda⁷⁰raster⁷¹Tamam⁷²rasterstat’lar⁷³dask⁷⁴scipy⁷⁵scikit-öğren⁷⁶durum modelleri⁷⁷ ve matplotlib⁷⁸). Çalışmamızda kullanılan tüm veri kümeleri Ek Tabloda özetlenmiştir. 1ve tüm haritalama iş akışımız Genişletilmiş Veri Şekil 2’de özetlenmiştir. 1a.

LSP veri kümeleri

Tesis verimliliğindeki mevsimsel değişkenliğin güçlü bağıntıları olan uzaktan algılama endekslerinin iki bağımsız zaman serisinde LSP’yi modellemek için GEE’yi kullandık – NIR_Vbitki örtüsü tarafından yansıtılan yakın kızılötesi ışığın oranının bir indeksi²⁰ve SIF, klorofil tarafından emilen ve floresans olarak yeniden yayılan gelen fotonların miktarının bir indeksi²¹. MODIS’ten türetilmiş NIR’ın 20 yıllık zaman serisini kullandık_V ana veri kümemiz olarak veriler (2001’den 2020’ye kadar günlük veriler, hesaplamalı izlenebilirlik için her 4 günde bir alt örnekler alınmıştır) (tam iş akışı diyagramı Genişletilmiş Veri Şekil 1’de gösterilmektedir). 1a). Yıllık zaman ölçeğindeki kalıpların tahmin edilmesine yönelik en iyi uygulamaları takip ederek MCD43A4 v061 veri kümesini seçtik³⁴16 günlük zamansal bileşik⁷⁹ en düşük çift yönlü yansıma dağılım fonksiyonu (BRDF) ayarlı yansıma⁸⁰. Bu verilerin GEE veri kataloğunda kamuya açık olan versiyonunu kullandık. Analizimizin ölçeği (0,05°; ~5,5 km) yeterince kaba olduğundan, mekansal ortalamanın topografik önyargıyı ortadan kaldırması beklendiğinden topografik düzeltme yapmadık.^80,81. Yalnızca kalite değeri ≤3 olan pikselleri kullandık (yani, tam veya büyüklük tabanlı BRDF ters çevirmelerinin başarıyla uygulandığı pikseller)⁸²) hem kırmızı hem de NIR bantları için (bant 1 ve 2), aritmetik ortalama kullanılarak 0,05°’lik hedef analitik çözünürlüğümüze (bundan sonra hedef çözünürlük olarak anılacaktır) toplanır. NIR’ı hesapladık_Vdaha önce açıklandığı gibi²⁰NDVI ve toplam NIR yansımasının çarpımı olarak. yakın mesafe_V ≤0 değerlerinin geçersiz olduğu varsayılır²⁰ağırlıklı olarak yüksek albedolu sahnelerde meydana geldi (örneğin, ağaçsız kar örtüsü; Genişletilmiş Veri Şekil 1). 2 gün), üretkenliğin minimum olduğu varsayıldığından, minimum pozitif NIR’ye sabitlendiler_V Bir pikselin 20 yıllık zaman serisinde gözlemlenen değer.

NIR’ımızı değerlendirmek için_V haritalarda ana analizlerimizden bazılarını aynı şekilde yürüttük ancak küresel, ızgaralı bir SIF veri seti kullandık³⁵. Bu, Yörüngeli Karbon Gözlemevi 2 (OCO-2) yörünge şeritleri boyunca ölçülen uzamsal olarak bitişik olmayan SIF verilerinden yapay sinir ağı (ANN) tarafından enterpolasyonlu, kabaca 4,3 yıllık (Eylül 2014 – Ocak 2019), 0,05°, uzamsal olarak bitişik bir zaman serisi veri kümesidir. Bu veri kümesinin sıkı iç ve dış doğrulaması, orijinal OCO-2 alımlarında mevcut küresel modelleri doğru bir şekilde yakaladığını ve OCO-2 yörüngeleri altında alınan eşzamanlı klorofil floresans görüntüleme spektrometresi hava ölçümlerindeki varyasyonun %81’ini ve yörüngelerin altında olmayan ölçümlerdeki varyasyonun %72’sini açıkladığını gösterdi.³⁵. Bu veri setini Biyojeokimyasal Dinamikler için Dağıtılmış Aktif Arşiv Merkezi’nden indirdik.⁸³ daha sonra onu GEE’ye aktardı.

SIF veri kümesinin yörünge boşlukları boyunca enterpolasyon yaptığı ancak veri kümesini açıklayan makalenin, enterpolasyonlu verilerin mevsimsel fenolojik modellerini açıkça doğrulamadığı göz önüne alındığında, enterpolasyonlu, yörünge boşluğu verilerinde gözlemlenen mevsimselliği, TROPOsferik İzleme Aracı (TROPOMI) tarafından toplanan başka, daha kaba çözünürlüklü SIF veri kümesinde gözlemlenen mevsimselliğe karşı değerlendirdik.^84,85. Bunu yapmak için, üç tropikal bölgedeki (Neotropikler, tropikal Afrika ve Hint-Pasifik ve tropikal Avustralya; Genişletilmiş Veri Şekil 1) OCO-2 yörünge boşlukları içinde çizilen rastgele noktalardan oluşan bir örnekte YSA enterpolasyonlu veri kümesinden SIF zaman serilerini çıkardık. 6c) daha sonra bu değerleri TROPOMI SIF verilerinden çıkarılan eş zamanlı zaman serileriyle karşılaştırdı. Bu değerlendirme için tropik bölgeleri kullandık, çünkü bu bölgelerde belirgin bir termal kışın bulunmaması, buradaki mevsimselliğin, yörünge alanı verilerinden mekansal enterpolasyonla doğru bir şekilde kurtarılamayan mekansal olarak değişen desenler sergilemesi olasılığını yaratıyor. Eğer enterpolasyonlu veri seti, OCO-2 yörünge boşlukları içindeki SIF’nin gerçek mevsimsel modellerini yeterince yakalarsa, o zaman zaman serisi, TROPOMI zaman serisindeki varyasyonun büyük kısmını açıklamalıdır ve öyle de yapar (R² = 0,89; Genişletilmiş Veri Şek. 6c).

Veri filtreleme

Harmonik regresyona dayalı LSP haritalama metodolojimizin (sonraki bölüme bakın) hatalı sonuçlar vereceği konumları hariç tutmak için, geçersiz arazi örtüsünü, birden fazla veri eksikliği türüne sahip pikselleri ve istatistiksel olarak önemsiz LSP regresyonlarına sahip pikselleri kaldıran kapsamlı bir filtreleme hattı kullandık. Aşağıda açıklanan filtreleme adımlarının her biri tarafından analizden çıkarılan pikseller, Genişletilmiş Veri Şekil 1’de haritalanır ve özetlenir. 1b.

Arazi örtüsü filtrelemesi için MCD12C1.061 için GEE veri kataloğu varlığını kullandık⁸⁶hedef çözümümüze göre yıllık küresel arazi örtüsünü tahmin eden bir MODIS ürünü. Yıllık Uluslararası Jeosfer-Biyosfer Programının (IGBP) sınıflandırma şemasını (arazi örtüsü tip 1) kullandık. Hedef dışı arazi örtüsünden kaynaklanan düşük kaliteli verileri önlemek için, bu sınıflandırmanın atandığı tüm yıllar boyunca kentsel ve yapılaşmış arazi, kalıcı kar ve buz, çorak arazi ve su kütleleri (kategori 13, 15, 16 ve 0) dahil olmak üzere >%10 geçersiz arazi örtüsüne sahip tüm piksellerden verileri hariç tuttuk. Daha sonra, doğal fenolojiler ile insan yönetimi tarafından kasıtlı olarak değiştirilenler (örneğin sulama) arasındaki ani değişikliklerden kaynaklanan gürültüye fenoikllerin uymasını önlemek için, tarımsal (kategori 12 veya 14) ve tarım dışı (kategori 1 ila 11) arasında hiçbir zaman geçiş yapmamaları koşuluyla, diğer arazi örtüsü sınıflandırmalarındaki pikselleri koruduk. Arazi örtüsü tahsisinin zaman serileri boyunca değiştiği ancak ya her zaman tarımsal ya da her zaman tarım dışı olduğu pikselleri koruduk çünkü: (1) doğal arazi örtüsü türleri arasındaki sahte değişim sinyalleri, bitki verimliliğinde büyük, iklime dayalı yıllar arası varyasyonun olduğu veya gerçek arazi örtüsünün kategorik sınırları aştığı ve sınıflandırma algoritmalarına meydan okuduğu bölgelerde (örneğin ormanlık alan, savan ve yarı kurak biyomlar) yaygındır; (2) Yerdeki fiili arazi kullanımı ve arazi örtüsü değişikliği (LULCC), NIR gibi sürekli ölçümlerde net bir sinyal kaydetse bile, uzaktan algılanan arazi örtüsü haritalarındaki bir değişikliği (örneğin seçici kayıt tutma) kaydetmek için genellikle çok incedir._V (Genişletilmiş Veri Şek. 2a); ve (3) yalnızca LULCC’nin diğer biçimlerinin (örneğin ormansızlaşma), farklı arazi örtüsü türlerinin aynı geniş biyoiklimsel kontrollere yanıt olarak farklı doğal fenolojiler sergilediği bölgelerde modelleme sonuçlarımızı etkilemesini bekliyorduk; bu durumda LULCC’ye tabi pikseller, arazi örtüsü türlerinden önceki ve sonraki tipik feno döngülere orta seviyede olan model uyumları oluşturmalıdır, haritamıza bir miktar gürültü katmalı, ancak ne kapsayıcı modellerin yorumlanmasını engellememeli ne de önemli istatistiksel sonuçları geçersiz kılmalıdır.

Tarım bölgelerinin LSP’si birçok bağlamda ilgi çekici olsa da, sulama ve diğer yoğun arazi yönetimi uygulamalarının neden olduğu antropojenik LSP modelleri³ uzun süredir devam eden, doğal olarak oluşan LSP gradyanlarının iklimsel etmenlerine ve evrimsel sonuçlarına odaklanan fenolojik eşzamansız analizlerimizi şaşırtabilir. Bu nedenle, LSP eşzamansız haritalarını hesaplamak ve eşzamansızlığa ilişkin analizleri yürütmek için kullanılan tüm veri kümeleri için daha katı bir maskeleme prosedürü kullandık ve tüm tarımsal piksellerden verileri çıkardık (IGBP kategorileri 12 ve 14; Genişletilmiş Veri Şekil 1). 1b).

Sahte sonuçlara neden olabilecek, kötü uyum sağlayan LSP regresyonlarını engellemek için, bir dizi katı kayıp olmama kriterini karşılamayan verilere sahip tüm hedef çözünürlüklü pikselleri kaldırdık. İlk olarak, LSP zaman serisinde %50’den fazla eksik veri bulunan tüm pikselleri kaldırdık; bu, önemli bulut kirliliği veya MODIS kalite kontrol sorunları nedeniyle veri kaybı yaşayan siteleri kaldırmak için basit bir adımdı. Daha sonra, yılın her ayında aylık ortalama veri kullanılabilirliği en az %10 olmayan tüm pikselleri kaldırdık. Son olarak, harmonik regresyon prosedürünün (aşağıda açıklanmıştır) sahte ikinci LSP zirvelerini uzatılmış, mevsimsel olarak yinelenen eksik veri periyotlarına enterpolasyona tabi tutma eğilimi nedeniyle (örneğin, yüksek enlem kışları sırasında, Terra ve Aqua üst geçitlerinin haftalar boyunca gün ışığı saatleri dışında meydana geldiği durumlarda), veri kullanılabilirliğinin ikili zaman serisinin (0 = eksik veri, 1 = mevcut veri) Pielou düzgünlüğüne sahip olduğu tüm pikselleri kaldırdık.⁸⁷ 0,8’den az. Pielou’nun düzgünlüğünü hesapladık, J′ =H‘/ H‘_maksimumkullanarak H′ (Shannon’un çeşitlilik indeksi⁸⁸) 12 değerle hesaplanmıştır; her değer, 20 yıllık NIR boyunca 4 günlük aralıklı verilerin eksik olmayan aylık ortalama oranıdır._V zaman serisi. Bu filtreleme adımları serisini uyguladıktan sonra uygun fenolojik modellerin manuel olarak incelenmesi, aksi takdirde sahte sonuçlar üretecek konumların başarıyla kaldırıldığını doğruladı. Bu son iki adım, kabaca 60°’nin kuzeyindeki tüm konumları kaldırdı (Genişletilmiş Veri Şekil 1). 1b) çünkü uydu üst geçidi sırasında kışın gün ışığının olmaması, uzun, mevsimsel olarak tekrarlanan, kullanılamayan veriler oluşturur. Bu aynı zamanda diğer uzaktan algılama ürünleri için de bilinen bir komplikasyondur (örneğin, MOD44B.061 Sürekli Bitki Örtüsü Alanları)⁸⁹), ancak ana bulgularımızı etkilemez çünkü bu soruna neden olan aynı yörünge fiziği, bu enlemlerde yıllık fenolojiler üzerinde güçlü, bölgesel olarak tutarlı sıcaklık ve fotoperiyod kontrolü ve dolayısıyla fenolojik asenkronite için sınırlı potansiyel üretir.

Son olarak, aşağıda açıklanan harmonik regresyon prosedürünü yalnızca karakteristik yıllık LSP modellerini hesaplamak için değil, aynı zamanda bu modellerin önemini tahmin etmek ve Monte Carlo çerçevesini kullanarak önemsiz regresyon sonuçlarına sahip pikselleri filtrelemek için de kullandık. Bunu yapmak için küresel NIR’ımızdaki her piksel için_V Veri kümesinde, herhangi bir gerçek mevsimsel sinyali karıştırarak orijinal LSP zaman serisi görüntü yığınını rastgele değiştirdik, ardından harmonik regresyonu çalıştırdık ve R² tüm piksellerdeki değerler. Daha sonra, depolanan tüm verilerden hesapladık R² ampirik deneyimin tek bir özet görüntüsünü görüntüler P Her piksel için, permütasyonlu zaman serisinin geçerli olduğu permütasyonların oranını belirten değerler R² değerler aşıldı R² izin verilmeyen harmonik regresyondan elde edilen değer. Bu harmonik regresyon permütasyon testini global olarak her pikselde 20 permütasyon kullanarak çalıştırdık (hesaplama sınırlamaları nedeniyle), ardından herhangi bir pikseli ampirik bir yöntemle filtreledik. P ≥ 0,05.

LSP’nin modellenmesi

Küresel, filtrelenmiş NIR’deki her pikselin uzun vadeli ortalama yıllık LSP modelini (yani feno döngüsü) modellemek için harmonik regresyon kullandık_V ve SIF veri kümeleri. Modelimizde her pikselin tam zamanlı serisi, zamanın bir fonksiyonu olarak şu şekilde tahmin edilir:

Neresi sen SIF veya NIR’dir_V zaman serisi, Tdoğrusal zaman bileşenidir (zaman serisinin başlangıcından itibaren günler) ve T_anne Ve T_Hangi yıllık (yıllık) ve altı aylık (sem) frekanslarla (yani yılın günü radyan cinsinden ifade edilir; burada 2π radyan yılın son gününe karşılık gelir) ifade edilen dairesel zamandır. T_anne ve yılın ortası ve son günlerine kadar T_Hangi). Daha sonra ortaya çıkan katsayı haritalarının tümünü koruduk. B_T (eğilim), küresel olarak her pikselde trendi bozulmuş, uzun vadeli, karakteristik yıllık LSP modelini temsil eden beş katsayı haritasından oluşan bir yığın sağlar.

Harmonik regresyonu seçtik çünkü zaman serisi analizinde basit, yaygın olarak kullanılan ve açıkça yorumlanabilir bir yaklaşımdır.⁹⁰ve tüm karasal konumlardaki uzun vadeli ortalama yıllık davranışı karakterize etmemizi sağlayacağı için. Regresyon formülasyonumuz cebirsel olarak 20 yıllık zaman serisinin tamamının trendini kaldırmaya ve ardından hem yıllık hem de altı aylık frekans bileşenlerini içeren bir Fourier dönüşümünü çalıştırmaya eşdeğerdir.⁹¹. Aksi takdirde bu yöntemin neden olabileceği, mevsimsel olarak tekrarlanan veri boşluklarına sahte enterpolasyon yapılmasını önlemek için yukarıda açıklanan bir dizi veri filtreleme yaklaşımını tasarladık. Model karmaşıklığı ile aşırı uyum arasında bir denge kurmak için hem yıllık hem de altı aylık frekansları harmonik regresyona dahil etmeyi seçtik. İki modlu mevsimsel yağış düzenlerine (yani iki yağmurlu mevsim) sahip yerlerde karmaşık yıllık LSP düzenlerinin oluşmasını bekliyorduk.⁵⁰ ve kış donması yok⁴⁷. Aslında, ön analiz, tek modlu yıllık LSP modellerinden daha güçlü iki modlu çok sayıda bölgeyi (yani, çok sayıda piksel içeren bölgeler) ortaya çıkardı. R² değerler yalnızca altı aylık harmonik regresyon modellerinde yalnızca yıllık modellere göre daha yüksekti). Yıllık ve altı aylık harmonik regresyon bileşenlerinin doğrusal kombinasyonu, tek modlu, eşit şekilde iki modlu (iki eşit tepe ve çukur) veya düzensiz iki modlu (büyük ve küçük tepe ve çukurları içeren) yıllık LSP eğrilerini temsil edecek kadar karmaşıktır, ancak daha karmaşık değildir ve bu nedenle temelsiz daha yüksek frekansları hariç tutarak aşırı uyumu önler⁹⁰.

Modellerimizin uygun katsayılarından frekansa özgü faz ve genlik tahminleri elde edilebilse de, bu kadar geniş bir fenolojik model yelpazesinde karşılaştırmalı yorumlanması zor olacaktır. Bu nedenle, tüm aşağı yönlü analiz ve görselleştirme için, bunun yerine, bir pikselin uyumlu harmonik regresyon katsayılarının doğrusal zaman ve yıllık ve altı aylık döngüsel zaman olarak ifade edilen 1 yıllık günlük zaman değerleri matrisi ile çarpımı olarak hesaplanabilen Öklid mesafelerini ve doğrudan uygun feno döngüler üzerinde hesaplanan çok değişkenli istatistikleri kullanırız. Genişletilmiş Veri Şek. 2a-d çok değişkenli görselleştirmeyi (aşağıda açıklanan yöntemler) çeşitli test bölgelerinde fenosikli yerleştirme prosedürünün gösterimleriyle eşleştirir ve Genişletilmiş Veri Şekil 1. 2e Sonuçlarımızın kamuya açık olarak incelenmesi için oluşturduğumuz GEE uygulamasından alınmış benzer bir görselleştirmeyi gösterir (bu proje için GitHub deposunda sağlanan bağlantı; https://github.com/erthward/phen_asynch, https://doi.org/10.5281/zenodo.15671259)⁹².

LSP haritalamasının değerlendirilmesi

İlk olarak yıllık NIR’ı değerlendirdik_V LSP haritasının bir haritasını hesaplayıp inceleyerek R² takılan NIR arasındaki değerler_V ve tüm piksellerdeki SIF feno döngüleri (Genişletilmiş Veri Şekil 1). 6b). Ayrıca tek modlu ve çift modlu fenolojilerin dağılımını önceki çalışmalara göre kontrol ettik. Bunu yapmak için her pikselin feno döngüsünü minimum-maksimum ölçeklendirdik. [0, 1] aralığını belirledi ve minimum değerinden başlayacak şekilde döndürdü (takvim yılının başlangıcına denk gelen feno döngü zirvelerinden kaynaklanan sorunları önlemek için). Daha sonra Python paketi scipy’nin (v.1.13.0) ‘signal’ modülündeki ‘find_peaks’ fonksiyonunu kullanarak her fenosiklinin zirvelerinin yüksekliğini çıkardık.⁷⁵ve bu yüksekliklerin mutlak farkını, bir pikselin mükemmel iki modlu (0: eşit yükseklikte iki tepe noktasını gösterir) ve tek modlu (1: yalnızca tek bir tepe noktasına sahip fenolojilere atanır) arasındaki bir spektrumda nerede bulunduğunun bir göstergesi olarak kullandı. Bu endeksin haritasını çıkardık (Genişletilmiş Veri Şekil 1). 6a), daha sonra bunu bir ve iki büyüme mevsimi olan bölgelerin küresel dağılımının daha önce yayınlanmış tasvirleriyle görsel olarak karşılaştırdı (bkz. Şekil 3, ref. ⁴).

Ayrıca her iki LSP veri seti (NIR) için uygun feno döngüleri de değerlendirdik._VSIF), PhenoCam’in zaman serisine aynı şekilde uyan ortalama fenodöngülerle karşılaştırıldığında³⁶ NDVI ve FLUXNET2015^37,50 GPP. PhenoCam analizi için R’nin bir kombinasyonunu kullandık.⁹³ fenocamapi paketi (v.0.1.5)⁹⁴ ve tüm kameralardan ve ilgilenilen bölgelerden (ROI’ler; ayrı zaman serisi veri kümeleri oluşturmak için kullanılan, bir kameranın görüş alanı içindeki tekdüze bitki örtüsünün maskelenmiş alanları) mevcut tüm (5 Mart 2025 itibarıyla) 3 günlük özet NDVI veri kümelerini indirmek için özel Python kodu. NDVI’yı kullandık çünkü bazı sistemlerde yeşil kromatik koordinattan farklılaşabilen fenolojik sinyali³⁶NDVI’den türetilmiş NIR’ımız için daha iyi bir karşılaştırıcı sağlar_V veri. Gürültüyü azalttıkları için 3 günlük özetleri kullandık ve değişken aydınlatma koşullarında daha yüksek yüzdelik değerlerin daha az gürültülü olma eğilimi ile çok yüksek yüzdelik dilimlerin aykırı etkiye neden olabileceği riski arasında makul bir denge kurmak için yüzde 75’lik NDVI özet değerlerini analiz ettik.⁹⁵. PhenoCam’in, LSP analizimizin dışında filtrelediğimiz geçersiz IGBP arazi örtüsü sınıflarından herhangi birine ait olduğunu bildirdiği kamera alanlarını (kentsel ve yapılaşmış arazi, kalıcı kar ve buz, çorak arazi ve su kütleleri) veya tarımsal olduğunu (çünkü tarımsal yönetim, bir kameranın görüş alanı içinde LSP haritamıza yansıyan mekansal olarak ortalama fenolojik sinyalden tamamen farklı bir fenolojiye neden olabilir) rapor etti ve analiz için uygun toplam 368 kamera alanı bıraktık. Her saha için harmonik bir regresyon yerleştirmeden önce, sahanın ROI veri setlerinin her birinden aykırı değerleri kaldırdık (PhenoCam tarafından sağlanan aykırı değer bayrağını kullanarak), ardından o sahadaki LSP veri setimizdeki entegre arazi örtüsü sinyaline yaklaşmak için tüm ROI’lerde her günün değerlerinin ortalamasını alarak tüm veri setlerini birleştirdik. Daha sonra yukarıda açıklanan LSP uydurma prosedüründe kullanılan aynı harmonik regresyon modelini, bir saha için trendi azaltılmış, ortalama yıllık NDVI fenolojisini tanımlayan beş katsayıdan oluşan bir diziyi hesaplamak için kullandık ve bu katsayılardan, her saha için uygun karakteristik yıllık NDVI feno döngüsünü geri kazanmak için matris çarpımı gerçekleştirdik. Son olarak, her site için şunları hesapladık: R² Sitenin karakteristik yıllık NDVI fen döngüsü ile siteye karşılık gelen LSP fen döngüsü arasındaki değerler (yani, kameranın bulunduğu piksel veya bu piksel LSP veri kümemizde maskelenmişse, onu çevreleyen iki piksel genişliğindeki kutu içindeki en yakın geçerli piksel). Bu değerlendirme prosedürünü, her bir LSP veri seti için aşağıdakileri üreterek tüm kamera sahalarında özetledik: (1) LSP-NDVI’nın bir dağılım grafiği R² Whittaker biyomlarında çizilen değerler⁹⁶değerlendirme performansındaki biyoiklimsel kalıpları tasvir etmek; ve (2) LSP-NDVI’yı karşılaştıran bir dağılım grafiği R² Kamera verilerinin kullanılabilirliği ile değerlendirme performansı arasındaki ilişkiyi göstermek için değerleri NDVI zaman serisi uzunluklarına göre değiştirin (Genişletilmiş Veri Şekil 1). 6 gün).

FLUXNET2015 karşılaştırması için, erişim anında (11 Ekim 2021) mevcut olan tüm veri kümelerini manuel olarak indirdik, ardından PhenoCam’de olduğu gibi, geçersiz ve tarımsal arazi örtüsü türlerini bildiren tüm akış kulesi sahalarını çıkardık ve analiz için 170 geçerli GPP veri kümesi elde ettik. Her bir veri kümesine harmonik bir regresyon yerleştirmeden önce, ilk olarak günlük kalite değeri <0,7 olan (yani, <%70 ölçülen veya günlük toplu değerlerine katkıda bulunan iyi kalitede boşluk dolu veriler) tüm veri noktalarını kaldırdık. Daha sonra, harmonik bir regresyonu uydurmak, karakteristik bir yıllık zaman serisini tahmin etmek, hesaplamak için yukarıda PhenoCam NDVI karşılaştırması için açıklanan yöntemlerin aynısını kullandık. R² Yıllık zaman serileri ile bunların en yakın mevcut LSP piksellerinden (2 piksele kadar uzak, aksi takdirde kulenin veri seti düşürülmüştür) alınan değerler arasındaki değerler ve sonuçların görselleştirilmesi (Genişletilmiş Veri Şekil 1). 6e).

LSP görselleştirmesi

Harmonik regresyon sonuçlarımızda mevcut olan mevsimsel LSP’nin küresel değişkenliğini görselleştirmek için, tek bir küresel harita oluşturmak üzere boyutsallık azaltma analizinin sonuçlarının renkli bileşik görselleştirmesini kullandık. Öncelikle Python v.3.7 ve eofs paketini (v.1.4.0) kullandık.⁹⁷ küresel NIR kümesinin kovaryans matrisi üzerinde EOF analizini çalıştırmak için_V fenosikller. EOF hesaplamasından önce her pikselin feno döngüsünü standartlaştırdık, tüm piksellerin 1’lik eşit varyansa sahip olmasını sağladık ve bu nedenle EOF analizinin, NIR’deki uzaysal varyasyondan bağımsız olarak LSP desenlerinin şekli ve zamanlamasındaki küresel değişkenliği, ilgi konumuzu vurgulamasına izin verdik._V genlik. EOF analizindeki yaygın uygulamayı takip ederek, piksel alanı ağırlıkları olarak enlemin kosinüsünün karekökünü kullandık.

Bu hesaplama, ortalama yıllık LSP modellerinin küresel çeşitliliğini dört EOF’ye indirdi. İlk üç EOF’nin kümülatif olarak veri kümesindeki varyasyonun %90’ından fazlasını açıkladığının bulunması (%91,62; Genişletilmiş Veri Şekil 1). 4a), bunları minimum-maksimum ölçeklendirdik, ardından RGB renk kanallarını kullanarak görüntüledik ve küresel LSP değişkenliğinin büyük çoğunluğunu tek bir haritada görselleştirdik. Hem dikkat çekici kuzey-güney yarımküre mevsimsellik dipolü hem de yarımküreden bağımsız ilgi modellerini (örneğin, muson odaklı LSP dinamikleri) içlerine yerleştirdiklerinden, ham EOF haritalarını RGB görselleştirmesinden önce küresel olarak tutarlı bir renk şemasında fenolojik değişkenliği temsil edecek şekilde dönüştürdük. Bunu başarmak için WebPlotDigitizer’ı kullandık.⁹⁸ hem kuzey yazında (Haziran, Temmuz, Ağustos) hem de kuzey kışında (Aralık, Ocak, Şubat) ortalama ITCZ’nin jeo-uzaysal vektör dosyasını sayısallaştırmak için³⁸daha sonra dünya çapında eşit aralıklı boylamlarda kuzey yaz ve kış enlemlerinin ortalamasını alarak tek bir yıllık ortalama ITCZ ​​vektörünü hesapladı. Son olarak, her bir EOF için aşağıdaki hesaplamaları yaparak sentetik, dönüştürülmüş bir harita oluşturduk: w × EOF + (1 − w) × (1 − EOF), burada wKuzey yarımkürede 1’den güney yarımkürede 0’a kadar değişir ve yıllık ortalama ITCZ’yi çevreleyen 10°’lik bir enlem bandı içinde doğrusal olarak 1’den 0’a geçiş yapar. EOF haritalarını dönüştürmek için enlem sınırı olarak ITCZ’yi kullanmayı seçtik çünkü coğrafi Ekvator’dan daha doğal bir meteorolojik Ekvator görevi görüyor.^17,38. ITCZ’yi çevreleyen bölge genelinde bu görselleştirmenin sonucunun yorumlanmasına yardımcı olmak için (Şekil 1). 1), bazı renk çarpıklıklarının meydana geldiği durumlarda, dönüştürülmemiş EOF haritalarını ve 1 olarak eşit şekilde dönüştürülmüş EOF haritalarını kullanarak RGB kompozit haritalar da oluşturduk. − EOF (Genişletilmiş Veri Şek. 4b,c). Bu dönüşüm yalnızca yarımküreler arasında görsel karşılaştırma için kullanıldığından, çalışmamızda bildirilen analitik sonuçların hiçbirini etkilememektedir.

RGB görselleştirmesine karşılık gelen karakteristik feno döngüleri tasvir etmek için mini toplu kullanıyoruz k-kümeleme anlamına gelir (standartın bir versiyonu) k- bir bölge içindeki standartlaştırılmış, uygun feno döngüleri kümelemek için her yinelemede tam veri kümesinin yalnızca sabit boyutlu rastgele bir alt örneğini kullanarak hesaplama yükünü azaltan kümeleme algoritması anlamına gelir krenkler, için k= 1:12, ardından optimal değerini belirlemek için dağ eteğindeki grafiği görsel olarak inceleyin.k. Seçilen bu değeri kullanarak her pikseli şunlardan birine atarız: k kümeler, ardından her küme merkezini (minimum-maksimum ölçeklendirmeden sonra), kümedeki tüm pikseller boyunca medyan RGB değeriyle renklendirilen karakteristik fenodöngü olarak çizin. Bu prosedürü, hem küresel olarak baskın fenohalkaları yorumlayan grafikler üretmek için kullandık (Şekil 1). 1 (ana)) ve çeşitli odak bölgelerinde (Şek. 1a-d ve Genişletilmiş Veri Şek. 5). Küresel haritayı kümelemeden önce, kuzey ve güney yarımkürelerdeki benzer fenolojilerin bir arada kümelenmesine izin vermek için ortalama ITCZ’nin altındaki tüm piksellerin takılı feno çevrimlerini 182 gün (yani yarım yıl) döndürdük.

Amerika Birleşik Devletleri’nin Büyük Havzasındaki, daha önce sunulan hileli otların istila ettiği, adaçayı ve dağlık fenolojilerle eşleştiği görülen bölgesel fenolojik değişkenliğin keşfedilmesi⁴²ref’deki yardımcı verileri kullandık. ⁴³Analizimizde tasvir edilen üç baskın kümenin her birindeki yıllık otsu örtünün ortalama tahmini yüzdesini hesaplamak için haritamızın hedef çözünürlüğüne göre toplanmıştır (Şekil 1). 1b). Yıllık istilacı topluluklar, adaçayı ve dağlık bitki örtüsü olarak üç kümeye ilişkin yorumumuzu desteklemek için, bunları tahmini ortalama yıllık otsu örtüdeki farklılıklara ve ref. ⁴²üç kümenin tamamındaki yıllık otsu örtünün tahmini yüzdesindeki anlamlı farkı test etmek için ANOVA’yı kullandık, ardından kümeler arasındaki anlamlı ikili farklılıkları test etmek için Tukey’nin dürüst anlamlı fark testini kullandık.

Mekansal olarak değişken LSP zamanlamasının karmaşık coğrafi kalıplarını daha iyi vurgulamak için ayrıca bir video da hazırladık (Ek Video)1) min-maks ölçekli ortalama NIR’yi canlandırmak_V her pikselde fenodöngü. Her pikselin feno döngüsünü bu şekilde ölçeklendirmek, tüm pikselleri ortak bir yıllık genliğe (sıfırdan bire) zorlar, değişken ekosistem üretkenliğinin neden olduğu yıl içi değişkenlikteki mekansal farklılıkları göz ardı eder ve böylece LSP’nin değişim zamanlaması ve oranlarındaki mekansal farklılıkları vurgular.

Fenolojik asenkronizmin hesaplanması

Filtrelenmiş harmonik regresyonumuzun GEE sonuçlarını, regresyon katsayılarının döşenmiş, çok bantlı görüntülerinden oluşan küresel bir set olarak dışarı aktardık. Asenkronluğun bağımsız ve paralel olarak hesaplanmasına olanak sağlamak amacıyla, komşularıyla 300 km kadar örtüşen döşemeler (asenkronizasyon hesaplamalarımızdaki en büyük mahalle boyutunun iki katı) oluşturmak için GEE’nin TensorFlow çıktı formatını ve ‘kernelSize’ argümanını kullandık.

Her LSP veri kümesi için (NIR_VSIF), Martin ve diğerlerine dayanan bir algoritma kullanarak, en az 30 kullanılabilir komşusu olan tüm pikseller için eşzamansız metriğimizi piksel bazında hesapladık.¹² ve Genişletilmiş Veri Şekil 2’de gösterilmiştir. 7a:

1. (1)

   Odaksal bir piksel için standartlaştırılmış feno çevrimi hesaplayın.

2. (2)

   Merkez noktaları odak pikselin (komşu pikseller) seçilen komşuluk yarıçapı içinde olan tüm pikselleri tanımlayın.

3. (3)

   Her komşu piksel için: (a) standartlaştırılmış fenodöngüsünü hesaplayın; (b) kendi fen döngüsü ile odak pikselinin fen döngüsü arasındaki 365 boyutlu Öklid fenolojik mesafesini hesaplayın; (c) odak piksele olan coğrafi (jeodezik) mesafeyi hesaplayın.

4. (4)

   Eşzamansızlığı, Öklid fenolojik komşu mesafelerinin coğrafi komşu mesafeleri üzerindeki regresyonunun eğimi olarak (veya eğimin olduğu yerde sıfır olarak) hesaplayın. P> 0,01).

Asenkroni metriğini hesaplamak için bir regresyon yaklaşımı kullandık çünkü bu, fenolojideki mekansal değişim oranını açıkça tahmin ediyor ve bu nedenle ASH’nin konusu olan mevsimsel zamanlamanın mekansal değişim oranını iyi temsil ediyor¹². Aralarındaki Öklid mesafelerini hesaplamadan önce feno döngüleri genlik farklarını geçersiz kılarak standartlaştırdık, bu nedenle benzer şekilli ancak faz dışı eğriler arasında bile ilgilendiğimiz zamanlama farklılıklarını koruduk (dinamik zaman bükülmesi gibi diğer yaygın mesafe ölçümleri tarafından karşılanmayan bir kriter). Bu hesaplamayı Julia’da yaptık (v.1.4.1)⁹⁹ UC Berkeley’in Savio kümesinde döşemeyle paralelleştirildi, ardından sonuçlar küresel bir harita halinde mozaikleştirildi (Şekil 1). 2a).

Bu küresel haritayı üç mahalle yarıçapının her biri için (50, 100 ve 150 km) ürettik, böylece haritalarımızın hassasiyetini ve sonraki sonuçlarımızı bu karara göre kontrol edebildik. Ortaya çıkan haritaların değerleri, hedef değişkenin birimlerindeki (yani Δbirim) mekansal değişim oranı olarak ifade edilir._{hedef_değişken}/DM), bir haritanın komşuluk yarıçapına göre keyfi olarak ölçeklenir, ancak her harita, siteler arasındaki eşzamansızlığı değerlendirmek ve karşılaştırmak için dahili olarak geçerli bir niceliksel temel sağlar. NIR arasındaki genel anlaşma düzeyini değerlendirmek_V ve SIF asenkron haritaları, bir komşuluk metriğinde beklenen ince ölçekli gürültüye rağmen, üç komşuluk yarıçapının her biri için iki veri seti arasında piksel bazında karşılaştırmaları haritalandırdık ve dağıttık (Genişletilmiş Veri Şekil 1). 8). Ayrıca, LSP asenkron haritalarının (ve aşağıda açıklanan iklim ortak değişkenleri için benzer şekilde hesapladığımız asenkron haritaların) ölçek hassasiyetini değerlendirmek için, haritalanan her değişken için şunları değerlendirdik:R² Her üç ikili mahalleler arası harita karşılaştırmasının değerleri (Genişletilmiş Veri Şekil 1). 7b).

Eşzamansız algoritmayı görsel olarak tasvir etmek için, ilk önce düşük eşzamansız bir bölge için harmonik regresyon çıktısını, bunlara düşük göreceli büyüklükte Gauss gürültüsünün eklendiği rasterlerin eklendiği beş katmanlı bir katsayı değerleri yığını olarak ve yüksek eşzamansız bir bölge için, nlmpy Python paketi kullanılarak oluşturulan nötr manzara modelleri kullanılarak bunlara eklenen büyük göreceli büyüklükte, uzamsal olarak otomatik korelasyonlu gürültünün eklendiği beş katmanlı ortalama katsayı değerleri yığını olarak simüle ettik.¹⁰⁰. Her beş katmanlı simüle edilmiş haritayı, önce her pikselin feno döngüsünü simüle edilmiş harmonik regresyon katsayıları vektöründen hesaplayarak, ardından simüle edilmiş feno döngüsünün zirve değerine ulaştığı yılın gününü hesaplayarak tek katmanlı bir harita olarak temsil ettik. Asenkron hesaplama prosedürünü grafiksel olarak göstermek için bu özet haritayı, tüm piksellerin simüle edilmiş feno döngülerini ve fenolojik mesafe-coğrafi mesafe regresyonunu (eğimi asenkron ölçüm olarak hizmet eder) kullandık (Genişletilmiş Veri Şekil 1). 7a).

Fenolojik eşzamansızlık modeli ortak değişkenler

Fenolojik eşzamansızlığın potansiyel etkenlerini araştıran rastgele orman (RF) modeli için (aşağıya bakın), GEE, Julia, Python ve GDAL’i (v.2.2.3) birleştiren iş akışlarını kullanarak fizyografik ve çevresel ortak değişkenlerin rasterlerini ürettik.¹⁰¹. İlk olarak, LSP veri kalitesi endişelerine özgü maskeleme adımlarını atlayarak yukarıda açıklanan aynı harmonik regresyon ve eşzamansız haritalama hattını 64 yıllık TerraClimate zaman serisi veri kümesine uyguladık.¹⁰² GEE kataloğunda, potansiyel olarak fenolojik eşzamansızlığa yol açan iklim faktörleri için eşzamansızlık haritaları oluşturuluyor: aylık minimum ve maksimum sıcaklık, aylık yağış ve aylık iklim su açığı. Bunu, MODIS Aqua ve Terra günlük 1 km küresel yüzey yansıma veri kümelerinin (MYD09GA.061) dahili bulut algoritması bayrak bitinden (1 km yansıma verisi QA bandının 10. biti) hesaplanan bulut örtüsü kesirlerini kullanarak, bulut örtüsünde eşdeğer olarak üretilmiş bir eşzamansız harita ile destekledik.¹⁰³ ve MOD09GA.06¹⁰⁴) GEE kataloğunda.R² Bu harmonik regresyonlardan elde edilen değerler aynı zamanda Genişletilmiş Veri Şekil 2’de de haritalanmıştır. 3ve iklim faktörlerinin eşzamansızlığı Genişletilmiş Veri Şekil 2’de haritalanmıştır. 7.

Topografik karmaşıklığın fenolojik eşzamansızlığa yol açmadaki potansiyel önemini modellemek için vektör sağlamlık ölçüsünün küresel bir haritasını indirdik¹⁰⁵. Eğimle ilişkisinin azalması nedeniyle bunu diğer topoğrafik karmaşıklık ölçümleri yerine seçtik. Daha önce yayınlanmış verileri indirdik¹⁰⁶Küresel Çoklu Çözünürlüklü Arazi Yükseklik Verileri 2010 (GMTED2010) yükseklik verilerine dayalı bir harita seçme¹⁰⁷ ve ana LSP eşzamansız veri kümesinin (100 km) mahalle boyutuyla aynı ölçekte medyan toplanmıştır.

Modelin yapısal olarak farklı bitki örtüsü toplulukları arasındaki fenolojik eşzamansızlığı yansıtmasına izin vermek için, 100 km’lik mahallelerdeki bitki örtüsü yapısında küresel bir entropi haritası oluşturmak için GEE’yi kullandık (bundan sonra bitki örtüsü entropi haritası olarak anılacaktır). Bunu yapmak için, yıllık MODIS IGBP 0,05° arazi örtüsünün aynı 20 yıllık zaman serisini kullandık.⁸⁶ LSP veri filtreleme iş akışımızda kullandık. Arazi örtüsünü orman (IGBP sınıf 1-5: yaprak dökmeyen veya yaprak döken geniş yapraklı veya iğne yapraklı ormanlar ve karışık orman), çalılık (IGBP sınıf 6 ve 7: kapalı ve açık çalılıklar), savan (IGBP sınıf 8 ve 9: odunsu savanlar ve savanlar), otlak (IGBP sınıf 10) veya kalıcı sulak alan (IGBP sınıf 11) kategorilerine göre yeniden sınıflandırdık. Daha sonra, LSP eşzamansızlığını hesaplamak için kullanılan maskenin aynısını uyguladık, böylece bu ortak değişken tarafından yakalanan bilgiler, LSP eşzamansız yanıt değişkeninde yer alan bilgileri yansıtacaktır. Daha sonra, 20 yıllık zaman serisini, tüm yıllar boyunca her pikselin modal sınıfını temsil eden tek bir haritaya indirgedik. Son olarak, her pikselin 100 km yarıçapındaki (ana analizimizin mahalle boyutu) bitki örtüsü yapısı sınıflarının entropisini şu şekilde hesaplayarak ortak değişken haritayı ürettik: –S_Ben P ( C_Ben) kayıt₂P ( C_Ben), NeresiC bitki örtüsü yapı sınıfıdır ve P ( C_Ben) sınıfa atanan mahallenin oranıdır Ben .

LSP eşzamansız kalıpları insan LULCC’sinden etkilenebileceğinden, 100 km’lik iki komşu ortak değişkeni daha oluşturmak için GEE’yi kullandık: LULCC olarak sınıflandırılan alt piksellerin ortalama oranı ve ortalama yangın frekansı. Ortalama LULCC oran haritasını, Landsat çözünürlüklü (30 m) arazi örtüsü değişimi ve 2019’daki arazi kullanımına ilişkin küresel, uyumlulaştırılmış bir haritadan elde ettik.¹⁰⁸. GEE’de, 92–116 ve 212–236 sınıfları (2000’den bu yana yeniden büyüme olsun veya olmasın ağaç örtüsü kaybı), 240–249 sınıfları (yerleşik arazi) ve 252 sınıfı (ekili arazi) dahil olmak üzere herhangi bir arazi örtüsü değişikliği veya arazi kullanımı sınıfı olarak sınıflandırılan hedef çözünürlük piksellerimizin her biri içindeki alt piksellerin oranını hesapladık. LSP eşzamansızlığını hesaplamak için kullanılan maskenin aynısını LULCC oran haritasına uyguladık, ardından her piksel için 100 km’lik radyal komşuluk içindeki ortalamayı hesapladık.

LULCC haritasının kaynak verileri, yangından kaynaklanan ağaç örtüsü kaybını açıkça hariç tuttuğundan, mahalledeki ortalama yangın sıklığını tahmin eden ayrı bir ortak değişken harita üretmek için GEE’yi de kullandık. Bunu yapmak için, her piksel için küresel aylık MODIS Yanmış Alan veri kümesi MCD64A1.061’de kayıtlı yanma tarihine sahip ayların sayısını saydık.¹⁰⁹bunu veri kümesindeki toplam ay sayısına böldü, haritayı orijinal 500 m çözünürlüğünden hedef çözünürlüğümüze toplamak için aritmetik ortalamayı kullandı, LSP eşzamansızlığını hesaplamak için kullanılan haritaya uygulanan maskenin aynısını uyguladı, ardından her pikselin 100 km’lik radyal mahallesindeki yangın frekansı haritasının ortalamasını hesapladı.

Fenolojik asenkron sürücülerin modellenmesi

LSP eşzamansızlığının potansiyel etkenlerini araştırmak için R paket korucusunu (v.0.13.1) kullanarak bir RF modeli oluşturduk.¹¹⁰ ve yukarıda açıklanan ortak değişkenler kümesinin dahil edilmesi ve şu şekilde formüle edilmesi:

LSP.asy, belirli bir modelde kullanılan LSP veri kümesinin eşzamansızlığıdır (NIR_V veya SIF), ppt.asy PA’dır, tmp.min.asy ve tmp.max.asy minimum ve maksimum sıcaklık eşzamansızlığıdır, def.asy iklim su açığı eşzamansızlığıdır, cld.asy bulut örtüsü eşzamansızlığıdır, neigh belirli bir model için (50, 100 veya 150 km) eş zamanlı olmayan metrikleri hesaplamak için kullanılan eşzamansız mahalle yarıçapını belirtir, veg.ent bitki örtüsünün yapısal entropisidir, vrm.med medyan vektör sağlamlık ölçüsüdür, luc.prp.mea LULCC’nin ortalama oranıdır, brn.frq.mea ortalama yangın frekansıdır ve X Ve sen piksel boylamı ve enlemidir (model grubunun yalnızca yarısına dahil olduklarını belirtmek için parantez içinde). Fenolojik eşzamansızlığın dünyanın farklı bölgelerindeki farklı ve potansiyel olarak etkileşimli faktörler tarafından yönlendirileceği yönündeki beklentimize uygun olarak, doğrusal olmayan ilişkileri sağlam bir şekilde modelleme yeteneği nedeniyle RF algoritmasını seçtik. Her LSP veri kümesi kombinasyonu (NIR) için bir kez çalıştırdığımız kapsamlı ve muhafazakar bir modelleme iş akışı geliştirdik._VSIF), mahalle yarıçapı (50 km, 100 km, 150 km) ve koordinat içerme (coğrafi koordinatlar ortak değişkenler olarak dahil edilir veya hariç tutulur). RF modellemede mekansal verilerin nasıl ele alınacağı konusunda fikir birliğinin olmaması nedeniyle, RF modellerimizin coğrafi koordinatların dahil edilmesi konusundaki hassasiyetini inceledik.^111,112. Bu, 12 modelden oluşan son bir set üretti (Genişletilmiş Veri Şekil 1). 9a). Göze çarpan sonuçların LSP veri seti seçimine, mahalle yarıçapına ve koordinatların dahil edilmesine büyük ölçüde duyarsız olduğunu bulduğumuz için 100 km, NIR’yi seçtik._VBu makalenin ana metninde özetlemek ve tartışmak için ana model olarak tabanlı, koordinatları içeren model.

Nihai sonuçları üretmeden önce modelleme verilerini hazırlamak, hiperparametreleri ayarlamak ve özellik seçimini gerçekleştirmek için R v.4.0.3’ü kullandık. Öncelikle, koordinatların metre cinsinden ifade edilmesini sağlamak için yanıtı ve ortak değişken rasterleri bir metrik projeksiyona (EPSG:3857) yansıttık, ardından bunları istifledik ve tüm geçerli (yani maskelenmemiş) piksellerdeki değerlerini çıkardık. Daha sonra kapsamlı hiperparametre ayarlaması gerçekleştirdik¹¹³model performansını beş RF ayarlama parametresinin bir fonksiyonu olarak değerlendirmek (orman başına ağaç sayısı: ‘ntree’ = 150, 200, 250, 300; ağaç korelasyonu için her ağaçta kullanılacak gözlemlerin fraksiyonu: ‘sample.fraction’ = 0,3, 0,55, 0,8; bir düğüm tarafından yakalanabilecek minimum gözlem sayısı: ‘min.node.size’ = 1, 3, 5, 10; her düğümün bölünmüş değişkeninin seçileceği değişkenlerin rastgele alt kümesinin boyutu: ‘mtry’ = 1, 3, 5; ve değiştirmeyle örneklenip örneklenmeyeceği: ‘değiştir’ = doğru, yanlış) ve modelleme için kullanılan tam küresel veri kümesinin fraksiyonunun bir fonksiyonu olarak (‘subset.frac’ = 0,05, 0,005; aşırı bilgi kaybına neden olmadan modelleme veri kümesinin boyutunun dayattığı hesaplama talebi). Baskın sonuçların bunların dahil edilmesine son derece duyarlı olduğunu tespit etmediğimiz sürece, bunları ana modelde tutmayı amaçladığımızdan, hiperparametre ayarlaması için kullanılan tüm modellere coğrafi koordinatları dahil ettik. Bir performans metriği olarak, alt örneklenmiş global veri kümesinin %60’lık bir eğitim bölmesine uyan modelin ortalama karekök hatasını (rmse) kullandık ve %40’lık test bölmesinde yapılan tahminlerin rmse’sinin aynı optimum performans hiperparametre seçimleri setini verdiğini gördük. Son olarak, son model setini çalıştırmadan önce, alt kümelerimizden hiçbirinin aşağıdakilerle eşdoğrusallığa sahip değişkenler içermediğini doğruladık: R²≥ 0,75 ve Boruta özellik seçimi algoritmasını ve R paketini kullandık (Boruta v.7.0.0)¹¹⁴ son özellik grubumuzu seçmek için (ancak bırakılması gereken hiçbir özellik bulunamadı).

Ayarlama sonuçlarımızın gösterdiği optimum hiperparametreleri kullanarak son 12 modeli oluşturduk (ntree = 300, sample.fraction = 0,8, min.node.size = 1, mtry = 5, değiştir) = false ve subset.frac = 0,05). Her bir modeli değerlendirmek için iki değişken önem ölçüsü hesapladık: paket dışı numune tahminlerinin ağaçlar arası ortalama doğruluğunu, ortak değişken değerlerinin permütasyonu sonrasındaki doğrulukla karşılaştıran korucunun varsayılan permütasyona dayalı önem ölçüsü ve mutlak SHAP değerleri.¹¹⁵ R fastshap paketi (v.0.0.7) kullanılarak hesaplanan, bir modelin eğitim veri kümesindeki tüm tahminlerin toplamı¹¹⁶—ve ayrıca genel model performansına ilişkin iki ölçüm, R²ve rmse Uzamsal model değerlendirmesine yardımcı olmak için, tüm global piksellerde LSP asenkron tahminleri yapmak için eğitilmiş modeller kullandık, ardından tahmin hata haritalarını hesapladık (Genişletilmiş Veri Şekil 1). 9b ana modelin hata haritasını gösterir). Son olarak, modellerin mekansal yorumlanabilirliğine yardımcı olmak için piksel bazında SHAP değerlerini hesapladık ve her ortak değişken için global SHAP haritaları ürettik.

En yüksek öneme sahip olarak tanımlanan ortak değişkenlerdeki modeller arasındaki düşük değişkenliğe dikkat çekilmektedir (Genişletilmiş Veri Şekil 1). 9a), ana modeli (100 km NIR) özetledik_V eşzamanlılık, koordinatlar dahil) metinde yer aldı ve bu modeldeki en üstteki iki ortak değişkenin (PA (ppt.asy) ve MTA’nın (tmp.min.asy) baskınlığını mutlak SHAP değerlerinin normalleştirilmiş farkı olarak tahmin etti: predom = (|SHAP)_ppt.asy| − |ŞAP_tmp.min.asy|)/(|ŞAP_ppt.asy| + |ŞAP_tmp.min.asy|). Bu iki sürücünün baskınlığı veya birlikte baskınlığındaki bölgesel varyasyonu göstermek için, yüksek LSP eşzamansızlığa sahip küresel bölgeler (yani pikseller ≥85. yüzdelik dilim) arasındaki normalleştirilmiş farkın bir özet haritasını çizdik (Şekil 1). 2b; Genişletilmiş Veri Şek. 9c coğrafi koordinatlar hariç tüm ortak değişkenlerde baskınlık gösterir).

İzoklimatik fenolojik asenkronizasyon

Fenolojik eşzamansızlığın düşük enlemlerdeki iklim farklılığına yüksek enlemlere göre daha az bağlı olduğu hipotezini test etmek için bir topluluk analizi gerçekleştirdik. Topluluktaki her bir alt analiz, öncelikle yüksek eşzamansız bölgelerin küresel bir kümesini tanımlamak için kümelemeyi kullanıyor, ardından bu bölgelerin her birinde iklimsel ve fenolojik mesafe (bundan sonra iklim-fenoloji korelasyonu olarak anılacaktır) arasındaki ilişkinin eğimini tahmin etmek için matris regresyonlarını kullanıyor. Nihai sonuçlarımızın hassasiyet gösterebileceği üç hiperparametre için düşük, orta ve yüksek değerlerin benzersiz kombinasyonlarını kullanarak topluluk içindeki alt analizleri tanımladık, ardından topluluk genelinde bölgelerin ortalama enlemleri ile iklim-fenoloji korelasyonlarının güçlü yönleri arasındaki ilişkiyi değerlendirmek için Monte Carlo analizini kullandık.

Yüksek eşzamansız bölgeleri tanımlamak için önce NIR’ımızı dönüştürdük_V Tüm piksellerin ≥95’inci yüzdelik asenkron değerini 1’e ayarlayıp diğer her şeyi maskeleyerek, LSP eşzamansızlığını maksimum eşzamansız piksellerden oluşan bir haritaya dönüştürün. Daha sonra uygulamaların gürültüye dayalı yoğunluk tabanlı uzaysal kümelenmesi (DBSCAN) algoritmasını kullandık.¹¹⁷Python paketi sklearn’de (v.1.0.2) uygulanmıştır.⁷⁶bu yüksek eşzamansız pikselleri kümelemek için. DBSCAN algoritmasını, tüm noktaları küme atamalarına zorlamadan, bir nokta kümesinin yüksek yoğunluklu merkezleri etrafındaki rastgele şekil kümelerini sağlam bir şekilde tanımlama yeteneği nedeniyle seçtik; bu, eşzamansız haritamızın gürültüsü için iyi bir eşleşmeydi. Son olarak, Python’da Alpha Shape Toolbox (alphashape, v.1.3.1) tarafından uygulanan alfa kompleksi algoritmasını (alfa gövde algoritmasının düz çizgi kenar çeşidi) kullandık.¹¹⁸bu kümelerin etrafındaki yüksek eşzamansız bölgeleri tanımlamak için. Bu, diğer gövde belirleme algoritmalarının dışbükeylik ve bitişiklik varsayımlarını gevşetmemize ve dolayısıyla dışbükey gövdelerde olduğu gibi araya giren tüm coğrafi alanları kaçınılmaz olarak dahil etmeden karmaşık şekillere sahip bölgeleri (örneğin dağ yayları) esnek bir şekilde tanımlamamıza olanak sağladı.

Bir bölgenin ortalama enlemi ile o bölgedeki iklim-fenoloji korelasyonunun gücü arasındaki ilişkiyi değerlendirmek için öncelikle 19 WorldClim biyoiklimsel değişkeninin her birini standartlaştırdık ve istifledik.¹¹⁹ ve küresel uyumlu feno-döngü haritamızı standartlaştırdık. Daha sonra, belirlenen her bölge için aşağıdaki adımları uyguladık:

1. (1)

   Bölge içinde tümü maskelenmemiş NIRv LSP piksellerinin kapsamına giren 1.000 rastgele nokta kümesi çizin (veya bölgeler 1.000 nokta için çok küçükse mümkün olan maksimum nokta sayısını çizin).

2. (2)

   İkili fenolojik mesafelerin matrisini hesaplayın (mesafe_fen) tüm noktalar arasında (feno döngüler arasındaki 365 boyutlu çift yönlü Öklid mesafeleri olarak).

3. (3)

   İkili iklim mesafeleri matrisini hesaplayın (mesafe_tırmanmak) tüm noktalar arasında (biyoklimatik değerler arasındaki 19 boyutlu çift yönlü Öklid mesafeleri olarak).

4. (4)

   İkili coğrafi mesafelerin matrisini hesaplayın (mesafe_coğrafya) tüm noktalar arasında (jeodezik mesafeler olarak).

5. (5)

   Üç çift uzaklık matrisi değişkeninin tümünü standartlaştırın (böylece tüm regresyonların katsayıları Bkatsayılar ve dolayısıyla karşılaştırılabilir), ardından MMRR’yi çalıştırın⁵³ fenoloji formülünü kullanarak ~ B_C iklim + B_G coğrafya, nerede B_C Ve B_G sırasıyla iklimsel ve fenolojik mesafeler ile coğrafi ve fenolojik mesafeler arasındaki ilişkilerin gücünü gösterir.

Hiperparametre duyarlılığına karşı önlem almak için, topluluğumuzu oluşturacağımız kümeleme ve gövde tanımlama algoritmalarındaki anahtar parametrelerin makul düşük, orta ve yüksek değerleri aralıklarını seçtik. DBSCAN kümeleme algoritması, sonuçlarımızın duyarlı olabileceği iki parametreye dayanır: ‘eps'(epsilon), aynı mahallede olduğu düşünülen iki nokta arasındaki maksimum coğrafi mesafe; ve ‘min_samples’, bir noktanın çekirdek nokta olarak kabul edilmesi için bir mahalle içinde gereken minimum örnek sayısı. Alfa kompleksi algoritmasının, sonuçlarımızın duyarlı olabileceği ek bir parametresi vardır: ‘alfa’, kenar elemanlarının nasıl seçildiğini kontrol eden ve dolayısıyla bir gövde kenarının maksimum karmaşıklığını belirleyen bir değer. Topluluğu oluşturmak için, aşağıdaki parametre değerlerinin her kombinasyonu için tam bölgeselleştirme ve iklim-fenoloji korelasyon analizini bir kez yeniden yürüttük: eps = 2, 3,5, 5; min_örnekler = 0,3, 0,45, 0,6; ve alfa = 0,25, 0,75, 1,25.

Son adım olarak, sıradan en küçük kareler regresyon modelini çalıştırarak 27 parametrelendirme genelindeki topluluk sonuçlarını özetledik. ({beta _{{rm{c}}} sim {gamma _{{rm{lat}}}| overline{{rm{lat}}}| )kullanarak C_enlem Her kümenin ortalama enleminin mutlak değeri ile iklim-fenoloji korelasyonunun gücü arasındaki ilişkiyi ölçmek için (Şekil 1). 3b). Bu regresyon, bağımsız değişken örneklerinin IID olduğu varsayımını ihlal ettiğinden (her nokta, kümelenmiş ve tanımlanmış yüksek eşzamansız bir bölgeyi temsil eder ve bu bölgeler, alt analizlerin farklı parametrelendirmeleri boyunca örtüşebilir), ampirik bir analiz oluşturmak için Monte Carlo analizini kullandık. Piçin değer C_enlem topluluk doğrusal regresyon modelinde. Aynı regresyonun 1000 yinelemesini yürüttük ve her seferinde vektörün yerini değiştirdik. (| overline{{rm{lat}}}| ) değerler, daha sonra ampirik bir hesaplandı P1.000 simüle edilenin kesri olarak değer C_enlem en azından gözlemlenenler kadar aşırı olan C_enlem (İncir. 3c). Bu analizin sonuçlarının mekansal olarak açık bir coğrafi yorumunu sağlamak için, topluluk sonuçlarının bir özetini bir hexbin haritası olarak haritaladık (Şekil 1). 3a), her hekzbin rengi ortalamayı gösterecek şekilde B_C silonun altıgeniyle örtüşen tüm yüksek eşzamansız bölgelerin (yani belirlenmiş alfa gövdelerinin) tamamı.

Allopatriye göre allokroni: çiçeklenme

Uzaktan algılanan LSP’nin çiçeklenme fenolojisindeki coğrafi çeşitliliği tahmin etme yeteneğini araştırmak için NIR arasındaki korelasyonu test ettik._V Tek modlu olmayan çiçeklenme histogramlarına sahip ve son derece geniş enlem dağılımları olmayan mevcut tüm iNaturalist taksonlar için feno döngüler ve çiçeklenme gözlemlerinin tarihleri. İlk olarak Python API istemcisi pyinaturalist’i (v.0.19.0) kullandık.¹²⁰ indirme sırasında ≥50 açıklamalı çiçeklenme gözlem kaydına sahip her takson için haftalık çiçeklenme gözlem histogramını ve bu histograma karşılık gelen ilk ≤5.000 yerli, sabit olmayan, araştırma düzeyinde çiçeklenme gözlemini iNaturalist’ten indirmek için (indirmeler 5 Haziran 2024 23:00 UTC ile 9 Haziran 2024 00:00 UTC arasında tamamlandı). Bu, en az bir gözlem (%21,1) içeren 34.438 iNaturalisttaxa’nın toplam 7.251 taksonunu içeriyordu. iNaturalist API üzerindeki gerilimi sınırlamak için ham gözlem veri kümelerini takson başına ≤5.000’e indirdik; İlk sonuçlar, etkilenen 39 taksonun hiçbirinin daha sonraki analizler için muhafaza edilmemesi nedeniyle bu kararın önemsiz olduğunu gösterdi.

Her taksonun gözlem noktalarını yalnızca en az 1 km konumsal doğruluğa sahip olacak şekilde filtreledik ve ardından alfa kompleksi algoritmasını kullandık.¹¹⁸iNaturalist gözlemler kümesine muhafazakar bir coğrafi sınıra (bundan sonra gözlem aralığı olarak anılacaktır) uyacak şekilde alfa 0,75’e (izoklimatik fenolojik asenkron analizimizde kullanılan orta değer) ayarlanmıştır. Bir takson, gözlem aralığına uymaması nedeniyle bu aşamada analizimizin dışında bırakıldı. Daha sonra aşağıdaki adımları kullanarak her takson için çiçeklenme haftası histogramındaki zirve sayısını tahmin ettik:

1. (1)

   Takvim yılının son ve ilk haftalarında meydana gelen çiçeklenme zirvelerinden kaynaklanan sahte sonuçları önlemek için histogramı, minimum değerinin ilk örneği vektörde ilk konuma taşınacak şekilde ‘döndürün’.

2. (2)

   Gözlem sayımlarındaki zamansal varyanstan kaynaklanan gürültüyü azaltmak için 5 haftalık bir bant genişliği kullanarak histograma bir çekirdek yoğunluğu tahmini (KDE) yerleştirin.

3. (3)

   Basit, komşu karşılaştırma tabanlı bir tepe arama algoritması kullanın (Python paketi scipy v.1.13.0’ın sinyal modülündeki find_peaks işlevinde uygulanmıştır)⁷⁵ Histogramdaki genel değer aralığının ≥%60’ı kadar yüksekliğe sahip KDE’deki tepe noktalarının sayısını saymak için.

4. (4)

   Gözlemlenen KDE’deki ve döndürülmüş çiçekli histogramın 100 permütasyonlu versiyonuna uyan KDE’lerdeki gecikme-1 zamansal otokorelasyonunun mutlak değerini hesaplayın.

5. (5)

   İzin verilmeyen KDE’nin ampirik bir değeri varsa P≤ 0,05 (yani, permütasyonsuz KDE’nin gecikme-1 zamansal otokorelasyonunun mutlak değeri, permütasyonlu KDE’lerin ≥%95’inden büyükse), o zaman muhtemelen çiçeklenme aktivitesinde rastgele olmayan mevsimsel değişkenliği temsil eden önemli bir zamansal otokorelasyon sinyaline sahiptir, bu nedenle sayılan zirve sayısını takson için gözlemlenen çiçeklenme zamanı zirve sayısı olarak atayın; aksi takdirde, istatistiksel olarak anlamlı çiçeklenme zamanı zirvelerinin gözlenen sayısı olarak sıfır atayın.

Mevcut tüm taksonlar için bu prosedürün uygulanması, tek modlu çiçeklenme zamanı histogramlarına sahip 6391 takson (%88,2) ve iki modlu histogramlara sahip 123 takson (%1,7), üç modlu histograma sahip bir takson ve istatistiksel olarak anlamlı çiçeklenme zamanı zirveleri olmayan 735 takson (%10,1) dahil olmak üzere tek modlu olmayan 859 taksonla sonuçlandı. Tek modlu taksonları daha ileri analizlerden çıkardık çünkü asıl ilgi alanımız olan çiçeklenme fenolojisindeki keskin coğrafi süreksizlikleri sergileme olasılıkları düşüktü. Allopatri yoluyla allokroninin önemli sinyallerini test etmek için 859 tek modlu olmayan taksonu koruduk. Bu sonuçları, tüm uygun gözlem aralıklarını kapsayan bir dizi heksbin oluşturarak ve ardından her bir altıgen için sıfır ve ≥2 çiçeklenme zamanı zirvesine sahip takson oranlarını ve tek modlu olmayan tüm taksonların genel oranını haritalayarak özetledik (Genişletilmiş Veri Şekil 1). 10). Enlemler arasında geniş bir dağılım gösteren ve bu nedenle kuzey ve güney yarımkürelerin zıt mevsimselliklerinden etkilenen taksonlar için önemli ancak ilginç olmayan sonuçları engellemek için, örnekleri hem 10° kuzey hem de güney enlemlerinin (196 takson) ötesine uzanan tüm taksonları çıkardık.

Daha sonra, kalan 663 taksonun her birini bölgeler arası çiçeklenme tarihi mesafeleri ve bölgeler arası LSP mesafeleri arasındaki korelasyon açısından test ederek allopatri yoluyla allokroninin kanıtını aradık. Bunu yapmak için, her takson için, çiçeklenme_tarihi ~ olarak belirtilen bir MMRR modeli yerleştirdik. B_LSP LSP + B_C iklim +B_G değişkenlerin ikili uzaklık matrisleri olduğu coğrafya veB_LSP ve onun P değer, çevresel ve coğrafi mesafeler hesaba katıldıktan sonra LSP ile çiçeklenme tarihi mesafeleri arasındaki ilişkinin gücünü ve istatistiksel önemini gösteren, ilgilendiğimiz çıktı değerlerimizdi. Tek biçimli olmayan bazı taksonlar aynı bölgelerde fırsatçı, uzun ömürlü veya yılın farklı zamanlarında çiçek açabilir ve bu nedenle önemsiz miktarda ürün verebilir. B_LSP ancak allopatri yoluyla allochroni altında bekleyeceğimiz çiçeklenme zamanındaki güçlü coğrafi süreksizlikleri sergileyen taksonlar önemli, pozitif sonuçlar vermelidir.B_LSP değer. Bu model için mesafe ortak değişkenlerini üretmek amacıyla, çiçeklenme tarihi mesafelerini, iki gözlemin sayısal yılın günü değerleri arasındaki iki ileri veya geri zaman mesafesinden daha kısa olanı olarak, LSP mesafelerini ise gözlem alanlarının NIR’si arasındaki 365 boyutlu Öklid mesafeleri olarak hesapladık._V feno döngüler, iklim mesafeleri, bölgelerin standartlaştırılmış WorldClim vektörleri arasındaki 19 boyutlu Öklid mesafeleri olarak¹¹⁹ biyoiklimsel değişkenler ve coğrafi mesafeler gibi alanlar arasındaki jeodezik mesafeler. Düzelttik B_LSP P Python paketi scipy’nin (v.1.13.0) ‘stats’ modülündeki ‘false_discovery_control’ işlevini kullanarak yanlış keşif oranını (FDR) kontrol edecek değerler⁷⁵ Benjamini-Hochberg yöntemiyle. Ek Tablo 4 FDR kontrolünden sonra önemli kalan 43 takson için sonuçlar sağlar (başarılı bir şekilde test edilen 614 taksonun 49’u, model uyumu için yetersiz veri nedeniyle çıkarıldı) ve bu analizin tüm aşamalarından elde edilen tam sonuçlar, bu çalışmanın verileriyle birlikte arşivlenir.

Örnek bir takson için bu analizin sonuçlarını görselleştirmek amacıyla, çiçeklenme gözlem tarihleri ​​ile çiçeklenme gözlem lokasyonlarının minimum-maksimum ölçekli feno döngüleri arasında zamansal bir karşılaştırmanın yanı sıra gözlem lokasyonlarının aşağıdakilere göre renklendirilmiş bir haritasını çizdik: k-fenohalkaların kümelenmesi anlamına gelir (k = 2) fenolojideki coğrafi süreksizliğin mekansal ve zamansal yapısını vurgulamak. Bu görselleştirmeyi oluşturduk (Şekil 1). 4a) FDR-düzeltilmiş önemi olan iki örnek takson için, allokroni modellerinin allopatri ile yazışmalarını makalede daha önce haritalandırdığımız ve vurguladığımız bölgesel LSP modellerine uygunluğunu göstermek için seçilmiştir ( M. scabra güneybatı Kuzey Amerika’da; S. parviflorum Güney Afrika’da).

Allopatriye göre allokroni: genetik

Uzaktan algılanan LSP’nin zamana göre fenolojik olarak yönlendirilen izolasyonu tahmin edip etmediğini test etmek²² bunun, mesafeye göre izolasyonun üstünde ve ötesinde, allopatri yoluyla allokroniden kaynaklanması bekleniyor¹²¹ ve çevre tarafından izolasyon¹²²yazarların daha önce kullandığı asenkron mevsimsellik ölçümleri yerine veri setimizden hesaplanan LSP mesafelerini değiştirerek, ASH’ye ilişkin yayınlanmış birkaç genetik çalışmanın ikisinden alınan bir çift veri setine genetik MMRR modellerini yerleştirdik ve ardından sonuçlarımızı onlarınkilerle karşılaştırdık. İlk olarak, ASH’nin bildiğimiz tek genomik testinden, doğu Brezilya kurbağası üzerinde yapılan bir çalışmadan genomik ve coğrafi verileri topladık ve hazırladık. R.granüloza²⁵. R paketi adegenet’i kullandık (v.2.1.5)^123,124 ve bu çalışma için Dryad deposundan indirilen veriler (https://datadryad.org/stash/dataset/doi:10.5061/dryad.pc866t1p47.674 bağımsız tek nükleotid polimorfizm lokusunda alel frekansları arasındaki Öklid mesafesine dayalı olarak 51 bölgeden toplanan 80 örnek için ikili bir genetik mesafe matrisini hesaplamak için. Her numunenin coğrafi koordinatlarını kullanarak coğrafi ve LSP mesafe matrislerini yukarıda açıklandığı gibi hesapladık ve dört WorldClim’in standartlaştırılmış versiyonları arasındaki Öklid mesafelerini kullanarak bir iklimsel mesafe matrisi hazırladık.¹¹⁹ Orijinal çalışmada kullanılan biyoiklimsel değişkenler: yıllık ortalama sıcaklık (BIO1), sıcaklık mevsimselliği (BIO4), yıllık yağış (BIO12) ve yağış mevsimselliği (BIO15). Beş örnek, LSP veri setimizdeki maskelenmiş piksellerin içine düştü ve bu nedenle analizimize dahil edilemedi; sonuçta 75’lik nihai örnek boyutu elde edildi. Genetik olarak belirtilen bir MMRR modeline uyuyoruz. ~  B_LSP LSP + B_C iklim + B_G coğrafya, daha sonra sonuçlarımızı ref’deki tablo 4’te sunulan sonuçlarla karşılaştırdık. ²⁵. Bulgularımızı görselleştirmek için kullandığımız k – örnekleri bölmek için Öklid mesafeleriyle kümeleme anlamına gelir k= 2 küme, ilk olarak NIR’ye göre kümeleme_V feno döngüler, ardından genetik uzaklık vektörlerine göre ikinci kez kümeleme. Daha sonra, LSP haritamızın gözlemlenen genetik yapıyı ne ölçüde özetlediğinin basit bir görsel göstergesini sağlayan, örnek lokalitelerini ve bunların minimum-maksimum ölçekli fenosiklilerini gösteren, bu kümelenmelerden herhangi biri tarafından renklendirilen yan yana eşdeğer grafikler hazırladık (Şekil 1). 4b (tepe)).

Birbirinden tamamen farklı olan sempatik taksonların asenkronize olarak benzer izolasyon kalıpları sergileyip sergilemediğini araştırmak için, aynı prosedürü daha önceki ASH çalışmalarında bulabildiğimiz diğer sempatik genetik veri seti için tekrarladık: daha küçük ağaç sürüngenleri için sitokrom B dizileme verileri ( X. kahverengi;Furnariidae)³². Çalışma için ilk olarak örnek konum verilerini Zenodo arşivinden indirdik (http://zenodo.org/records/5012226)¹²⁵ ve GenBank’tan FASTA formatlı örnek dizi verileri. ClustalW (v.2.1) kullanarak dizileri hizaladık¹²⁶ varsayılan parametre ayarlarıyla ve ardından jModelTest2 (v.2.1.10) kullanıldı¹²⁷ 44 dizi evrimi modelinin uyumunu dizi verileriyle karşılaştırmak. Daha sonra MEGA X (v.10.1.7) kullanarak AICc puanlarıyla tanımlanan en uygun model (TVM + G) altında ikili genetik mesafeleri hesapladık.¹²⁸. Daha sonra aynı adımları izledik.R.granüloza19 WorldClim değişkeninin tamamını kullanmamız dışında. Örnek boyutumuz 31’e düşürüldü çünkü üç örnekleme alanı maskelenmiş LSP piksellerinin kapsamına giriyor. Sonuçlar Şekil 2’de görselleştirilmiştir. 4b (alt).

Allopatriye göre allokroni: kahve hasadı

Kolombiya Ulusal Kahve Yetiştiricileri Federasyonu (Federación Nacional de Cafeteros de Colombia veya Fedecafé) tarafından oluşturulan hasat sezonu haritası ile LSP haritamız arasında anlamlı bir uyum olup olmadığını test etmek için, Fedecafé haritasındaki hasat kategorileri ile NIR’deki kümelenmeden kaynaklanan kategoriler arasındaki benzerlik indeksine yönelik permütasyon bazlı bir test oluşturduk._V fenosikller. İlk önce WebPlotDigitizer’ı kullandık⁹⁸ daha önce yayınlanmış bir Fedecafé haritasında görüntülenen dört hasat mevsimi renginin her birinde bir dizi örnekleme noktasını dijitalleştirmek ve kaydetmek için⁵⁴. Daha sonra NIR’ı çıkarmak için Python’u kullandık_V bu noktalarla çakışan tüm maskesiz piksellerdeki feno döngüler ve daha sonra kullanılırk-çıkarılan tüm fenosiklileri dört küme halinde kümelemek için kümeleme anlamına gelir. Daha sonra Jaccard endeksini hesapladık¹²⁹ Bu küme atamasının Fedecafé hasat sezonu ödevi ile karşılaştırması şu şekilde:

NeresiN_Fedecafe yalnızca Fedecafé haritasında aynı atamaya sahip ikili nokta karşılaştırmalarının sayısıdır,N_LSP yalnızca LSP kümelemesi içinde aynı atamaya sahip olanların sayısıdır veN_{ikisi birden} her iki veri kümesinde de aynı atamaya sahip olanların sayısıdır. Son olarak, aynı işlemi 1000 kez gerçekleştirdik; her seferinde ilk önce örnekleme noktaları ile bunların feno döngüleri arasındaki ilişkiyi değiştirerek bir dizi boş değer oluşturduk.Jdeneysel hesaplamanın yapılacağı değerlerPgözlemlenen değerJdeğer (1.000 simüle edilmiş değerin kesri olarak)Jen az gözlemlenen kadar büyük değerlerJ). Fedecafé haritası ile bizimki arasındaki genel anlaşmayı, LSP EOF analizinden RGB kompozitinin üzerine örnekleme noktalarını çizerek (ancak bu bölgede neden olduğu renk çarpıklığı göz önüne alındığında ITCZ ​​boyunca dönüştürülmemiş) ve örnekleme noktalarının hasat mevsimi atamalarını veri setimizdeki medyan, 10. yüzdelik ve 90. yüzdelik feno döngülerinin bir dizi çizgi grafiğiyle eşleştirmek için renk kullanarak görselleştiriyoruz (Şekil 1). 4c).

Raporlama özeti

Araştırma tasarımına ilişkin daha fazla bilgi şu adreste mevcuttur:Doğa Portföyü Raporlama Özeti bu makaleye bağlı.