CC BY
88
КАРТОГРАФИРОВАНИЕ ЗИМНЕГО РАСПРЕДЕЛЕНИЯ ТЕТЕРЕВА (LYRURUS TETRIX) ПО РЕЗУЛЬТАТАМ ЗИМНИХ МАРШРУТНЫХ УЧЕТОВ
Иван Геннадьевич Фролов
Новосибирский государственный университет, 630090, Россия, г. Новосибирск, ул. Пирогова, д. 2, студент, e-mail: frolov.ivan.hedgehog@gmail.com
Обширный эмпирический материал, полученный в ходе зимних маршрутных учетов, используется для пространственной интерполяции при картографировании распределения тетерева. Информативность карт оценивается путем сопоставления карты, построенной на основе обучающей части выборки, с контрольной её частью. Наиболее информативной оказалась карта, построенная методом интерполяции «Natural Neighbour». Уменьшение обучающей части выборки с половины до трети от всей выборки не меняет уровень информативности карты.
Ключевые слова: зимние маршрутные учеты, тетерев (Lyrurus tetrix), методы пространственной интерполяции, зоологическое картографирование, плотность популяции.
MAPPING THE WINTER DISTRIBUTION OF GROUSE (LYRURUS TETRIX) USING RESULTS OF WINTER ROUTING ACCOUNTS
Ivan G. Frolov
Novosibirsk State University, 630090, Russia, Novosibirsk, 2 Pirogova St., student, e-mail: frolov. ivan.hedgehog@gmail.com
The extensive empirical material obtained during winter routing accounts is used for spatial interpolation in mapping the distribution of grouse. Map informativeness is evaluated by comparing the map, based on the training sample, with the map, based on a control sample. The most informative map was constructed using interpolation method «Natural Neighbour». Reducing a training data sample does not change the level of informativeness regardless of the interpolation method.
Key words: winter accounts of traces, black grouse (Lyrurus tetrix), spatial interpolation methods, zoological cartography, population destiny.
Введение
Создание тематических карт, иллюстрирующих пространственное распределение отдельных видов животных, в настоящее время является наименее разработанной областью [1, 2]. Получение эмпирических данных чрезвычайно трудоемко, что приводит в большинстве случаев к малой обеспеченности пространства такими данными [3].
Под руководством охотничьих департаментов ежегодно проводятся зимние маршрутные учеты, предоставляющие редкую возможность для исследователя получить обширный эмпирический материал. В то же время большой фактический материал таких учетов менее корректен, чем тот, что получают зоологи при решении исследовательских задач. Особенно низка надежность данных зимних маршрутных учетов, получаемых по птицам.
Методика зимних маршрутных учетов разработана для оценки плотности млекопитающих по следам, оставляемым ими на снегу. Тетеревиные птицы учитываются попутно, причем не столько по следам, а в большей степени по визуальным встречам птиц. Получаемые данные по этим видам менее надежны, чем по млекопитающим. Причина этого заключается в том, что полоса визуального обнаружения на таких маршрутах непостоянна. Разная подготовка учетчиков вносит значительный субъективизм в получаемые данные. Более того, учетчики часто не заинтересованы в получение достоверных данных.
Тетерев характеризуется высокой степенью оседлости: его сезонные перемещения невелики и редко превышают 100 км, а большей частью находятся в пределах 10-12 км [4]. Это позволяет использовать методы пространственной интерполяции при картографировании его распределения в среднем и мелком масштабе.
Для моделирования плотности вида на той площади, где не получены эмпирические данные, проводится интерполяция данных. Для этого разработаны различные математические модели [5]. Так, можно вручную построить карту на основе данных о протяженности суточного хода животных в условиях глубокого снега [6, 7]. Метод оказался трудоемким и со значительной субъективной составляющей. Использование стандартных средств Maplnfo показало близкий результат к тому, что показывает вышеописанный метод [8]. Поэтому, в настоящей работе используются способы, представленные в приложениях к пакету «Maplnfo». Приложение «Vertical Mapper» имеет более широкий функционал, по сравнению со стандартными средствами пакета «Maplnfo», поэтому стандартные средства «MapInfo» в данной работе не использовались.
Цель работы - найти наиболее информативный способ построения карты зимнего распределения тетерева на основе результатов зимних маршрутных учетов.
Для достижения цели решались следующие задачи:
1. Используя способы интерполяции (Natural Neighbour, Inverse Distance Weighting, Triangulation with smoothing, Rectangular) построить карты распределения на основе всей, половины и трети выборки; провести их визуальное сравнение.
2. Оценить информативность полученных картографических моделей на основе данных, которые не участвовали в построении карты в качестве обучающей выборки.
Материалы и методы
Зимние маршрутные учеты (ЗМУ) представляют собой двукратные проходы учетчиков по заранее установленному маршруту. Первая часть состоит из прохода по маршруту и затиранию уже имеющихся следов. Затем, через 24 часа проход повторяется, а в маршрутном листе отмечаются все пересекающие маршрут следы млекопитающих, которые появились за
последние сутки. Кроме этого, фиксируются визуальные встречи тетеревиных птиц [9].
В распоряжении автора имеются данные зимних маршрутных учетов охотничьих животных за 2009 год, проведенных на территории Новосибирской области. Всего заложено 744 маршрута средней протяженности около 10 км каждый (рис. 1). Имеющиеся данные о встречах птиц пересчитывались на 1 км маршрута.
километры
Рис. 1. Размещение учетных маршрутов (зеленые линии) в Новосибирской
области (зима 2009 г.)
Интерполяция данных и создание карт проводились с использованием пакета MapInfo с подключенным модулем «Vertical Mapper». Исходные данные представлены в виде полилиний маршрутов, каждая из которых была преобразована в ряды точек с расстоянием между соседними в 0.5 км с использованием утилиты «Poly-to-Point». Каждой точке было присвоено соответствующее значение плотности вида на маршруте, из которого она была преобразована. Было использовано четыре метода для интерполяции исходных данных: Natural Neighbour, Triangulation with smoothing, Inverse distance weighting, Rectangular (Bilinear), представленных в модуле «Vertical Mapper».
Карта распределения тетерева строилась способом картограммы. Для всех ее вариантов была подобрана единая система интервалов значения плотности. Интервалы были выбраны следующим образом. Первый интервал (0 - 0,05 встреч на 1 км маршрута) относится к маршрутам, где птицы не были встречены. Следующие интервалы (0,05 - 0,5; 0,5 - 1,5; 1,5 - 2,5; 2,5 -3,5) выбирались таким образом, чтобы в них попадало соизмеримое
количество маршрутов. Последний интервал (3,5 - 9,0) содержит в себе оставшиеся маршруты.
Для каждого способа интерполяции, карта распределения тетерева строилась трижды. В одном случае в качестве обучающей выборки использовалась вся совокупность проб. Во втором случае вся выборка случайным образом делилась на две равные части, одна из которых использовалась в качестве обучающей, а вторая часть - в качестве контрольной части выборки для оценки информативности полученной картографической модели. В третьем случае обучающая совокупность состояла из трети проб, а две трети проб служили для проверки.
Информативность оценивалась путем наложения карты маршрутных учетов на полученную карту распределения. Затем, производилось попарное сравнение эмпирических данных маршрута с данными, получившимися в ходе интерполяции. В качестве контрольной точки был выбран центроид полилинии. Для картографической модели использовалось значение, среднее для отображаемого интервала. Действительные (эмпирические) данные были сгруппированы по упомянутым выше интервалам с последующим присвоением им среднего значения этого интервала. Таким образом, получилось два ряда средних значений интервалов, которые в последствие и сравнивались. Для оценки соответствия модельного ряда значений эмпирическим, было выбрано две меры сходства: коэффициент корреляции Пирсона и коэффициент общности П. Жаккара в модификации Р.Л. Наумова для количественных признаков [10]:
К] =-:--------¥tlA‘ _-------100%,
J S'L1Bi+Sf=1Ci-Sf=1^i
Где Kj - коэффициент сходства, Ai - меньшее среднее значение интервала в сравниваемой паре эмпирических и модельных значений плотности,
Bi - среднее значение интервала, в который попадает эмпирическое значение плотности на учетном маршруте i, Ci - среднее значение интервала, в который попадает значение плотности на модельной карте в месте локализации соответствующего учетного маршрута i.
Результаты и обсуждение
Каждый способ интерполяции позволяет построить карты, в разной степени отклоняющиеся от эмпирических данных, на которых строились эти карты. В табл. 1, 2 в колонках «полная выборка» проводится оценка соответствия эмпирических данным тем полигонам, которые были сформированы в ходе интерполяции. В целом для информативности карты такая оценка тавтологична, поскольку выполняется она на той же совокупности, что и построена карта. Величина в данной колонки показывает, на сколько картографическая модель отклоняется от обучающей выборки.
Анализ проверки по полной выборке говорит о том, что метод Natural Neighbour наиболее полно визуализирует первичные данные (рис. 2).
Полигоны, создаваемые этим способом, имеют округлые границы и большие области перехода между интервалами. Максимальные значения плотности находятся в районе оз. Убинское и в районе оз. Чаны. Также, менее обширные площади с максимальной плотностью представлены западнее Барабинска, на севере области восточнее Северного, восточнее Каргата, около Искитима. Карта, созданная на основе полной выборки, демонстрирует высокий уровень детализации полигонов и малые пространства по краям карты, где интерполяция становится недостоверной.
Таблица 1
Информативность карты распределения тетерева при использовании разных способов пространственной интерполяции (коэффициент Жаккара-Наумова)
Способ пространственной интерполяции Доля выборки в обучающей совокупности
полная* половина** треть**
Triangulation with Smoothing 92,5 30,8 32,6
Natural Neighbour 96,7 31,0 31,1
Inverse Distance Weighting 83,9 30,8 32,7
Rectangular (Bilinear) 80,7 32,0 28,7
*Оценка выполнена на обучающей совокупности проб. **Оценка выполнена на контрольной совокупности проб.
Таблица 2
Информативность карты распределения тетерева при использовании разных способов пространственной интерполяции ____________(коэффициент корреляции Пирсона), р>0,95_____________
Способ пространственной интерполяции Доля выборки в обучающей совокупности
полная* половина** треть**
Triangulation with Smoothing 0,98 0,18 0,20
Natural Neighbour 0,99 0,17 0,19
Inverse Distance Weighting 0,94 0,17 0,21
Rectangular (Bilinear) 0,93 0,23 0,22
*/** Обозначения см. в табл. 1.
Плотность (встреч / км маршрута): 1 - 0-0,05; 2 - 0,05-0,5; 3 - 0,5-1,5; 4
- 1,5-2,5; 5 - 2,5-3,5, 6 - 3,5-9,0; 7 - нет данных; 8 - озера, реки.
Методы интерполяции Rectangular и Inverse Distance Weighting демонстрируют низкие коэффициенты сходства, Triangulation with smoothing дает высокий результат, близкий к вышеописанному методу Natural Neighbour. Полученные этими способами карты распределения тетерева имеют особенности (рис. 3).
Метод Inverse Distance Weighting моделирует похожий на метод Natural Neighbour характер полигонов. Полигоны этой карты характеризуются округлыми краями. Этот способ показывает области, где данных действительно было недостаточно, формируя соответствующий полигон. Поскольку размещение учетных маршрутов неравномерное, то метод IDW дает
5
более корректный результат, наиболее подробно обозначая площади с недостоверной интерполяцией.
Triangulation with smoothing в ходе триангуляции дает острые углы полигонов. Rectangular в ходе интерполяции оставляет много участков, где интерполированные данные отсутствуют; таких участки расположены по периферии карты.
Рис. 2. Карта зимнего распределения тетерева, построенная на основе всей выборки, метод интерполяции «Natural Neighbour»
Рис. 3. Карты, демонстрирующие различные методы интерполяции (в основе карт - полная выборка):
а - Inverse Distance Weighting; б - Rectangular; в - Triangulation with smoothing Плотность (встреч / км маршрута): 1 - 0-0,05; 2 - 0,05-0,5; 3 - 0,5-1,5; 4
- 1,5-2,5; 5 - 2,5-3,5; 6 - 3,5-9,0; 7 - нет данных; 8 - озера, реки.
В таблицах 1 и 2 приведены данные по коэффициентам сходства для карт, построенных на основе половины и трети выборки. Информативность этих карт находится на достаточно низком уровне. Карты, построенные по этим выборкам, характеризуются меньшей подробностью полигонов, при этом местами теряются целые регионы с высокой плотностью. Информативность, при этом, не снижается при уменьшении обучающей выборки с половины до трети.
Низкие оценки информативности заставляют задуматься, связаны ли они с используемой методикой или с особенностью распределения вида. Подобная работа была проделана на зайце-беляке [8]. Для этого вида построение подобных карт было признано более успешным. В табл. 3 приводятся коэффициенты сходства для карт, построенных методом Natural Neighbour, для зайца и тетерева. Значения информативности карт, оцененных теми же способами, для зайца значительно выше. Это является следствием того, что данные, полученные с помощью зимних маршрутных учетов лучше всего подходят для оценки распределения зайца, а меньше всего для тетеревиных. Это связано, в первую очередь, с тем, что методика разработана для оценки численных характеристик пространственного распределения по следам на снегу, оставленных в течение суток. Заяц оставляет на снегу много следов, что выражается в надежных данных. Тетерев же, напротив, оставляет
очень мало следов, а представления о его распределении формируются, в основном, по визуальным встречам птиц. Более того, учитываются следы зайца, которые накопились за 24 часа, а визуальные встречи тетерева возможны только в тот короткий промежуток тетерева, когда учетчик находится на маршруте.
Таблица 3
Сравнение информативности распределения тетерева и зайца-беляка ____________при использовании метода Natural Neighbour_______________
Модельный вид коэфф. Жаккара-Наумова коэфф. кор реляции Пирсона
полная* половина ** треть** полная* половина ** треть**
Тетерев 96,7 31,0 31,1 0,99 0,17 0,19
Заяц-беляк 98,8 52,2 53,6 0,99 0,47 0,46
*/** Обозначения см. в табл. 1.
К сожалению, иного столь массового материала по плотности тетерева нет. Поэтому приходится создавать такие карты, которые являются скорее визуализацией эмпирических данных, чем картографической моделью распределения.
Построенные сравнительно детальные карты имеют достаточно низкую информативность. Более корректные модели получатся, если уменьшить количество интервалов и создать более грубую модель. Было уменьшено количество интервалов до трех и построена серия картограмм. Первый интервал (0 - 0,5) представляет собой те места, где встречи птицы маловероятны. Второй интервал (0,5 - 2,5) характеризует места, где есть умеренное количество птиц. Третий интервал (2,5 и более), в свою очередь, характеризует крупные скопления птиц на зимовках (рис. 4). Коэффициенты сходства Жаккара-Наумова составляют 96,1, 41,2 и 41,0% для карт, построенных соответственно на основе полной выборки, ее половины и трети. Эти карты представляют собой хотя и более грубую, но более корректную модель.
Рис. 4. Ряд карт зимнего распределения тетерева, построенных по методу Natural Neighbour, иллюстрирующий грубую модель
Часть выборки, использованная в качестве обучающей: а - полная выборка, б - половина, в - треть.
Плотность (встреч / км маршрута): 1 - 0-0,5; 2 - 0,5-2,5; 3 - 2,5-9,0; 4 -нет данных; 5 - озера, реки.
Выводы
1. Метод Natural Neighbour наиболее полно передает эмпирические данные. Этот метод вместе с Inverse Distance Weighting наиболее удобно отображает эмпирические данные, в то время как Triangulation with smoothing и Rectangular демонстрируют угловатые полигоны, а сходство с эмпирическими данным несколько ниже. У карт, построенных на основе половины и трети выборки, сходным образом отображены основные места концентрации тетерева, но значительно снижается детальность отдельных участков карты.
2. При уменьшении объема обучающей выборки в два или три раза, все использованные в работе методы показывают одинаковую информативность, которая заметно ниже, чем для млекопитающих. Более корректными с предметной точки зрения будут картограммы, обобщенные до трех интервалов плотности. Представленная в работе грубая модель демонстрирует по крайней мере 41% достоверности.
1. Тупикова Н.В. Зоологическое картографирование. М.: Изд-во МГУ, 1969. - 249 с.
2. Тупикова Н.В., Комарова Л.В. Принципы и методы зоологического картографирования. - М.: «Издательство Московского университета», 1979. - 97 с.
3. Юдкин В.А. Экологические аспекты географии птиц Северной Евразии -Новосибирск: Наука, 2009. - 408 с.
4. Телепнев В.Г. К динамике численности тетеревиных птиц в Томской области. В кн.: Материалы У1 Всесоюз. орнитол. конф. М.: Изд-во Моск. ун-та, 1974, ч.2, с.297-298.
5. Cressie, N. A. C., The Origins of Kriging // Mathematical Geology. - 1990 . - V. 22. -P 239-252.
6. Косарева А.М., Юдкин В.А. Картографическая визуализация результатов зимних маршрутных учетов лося (Alces Alces) // Интеркарто/Интергис 18: Устойчивое развитие территорий: теория ГИС и практический опыт. Материалы международной конференции / Редкол. С.П. Евдокимов (отв. Ред.) [и др.]. - Смоленск, 2012. - С. 47-49.
7. Косарева А. М., Юдкин В. А. Картографическая визуализация результатов зимних маршрутных учетов косули сибирской (Capreolus pygargus) в Новосибирской области // Интерэкспо ГЕ0-Сибирь-2013. IX Междунар. науч. конгр. : Междунар. науч. конф. «Дистанционные методы зондирования Земли и фотограмметрия, мониторинг окружающей среды, геоэкология» : сб. материалов в 2 т. (Новосибирск, 15-26 апреля 2013 г.). - Новосибирск: СГГА, 2013. Т. 2. - С. 86-94.
8. Б.Т. Мазуров, В.А. Юдкин, А.М. Косарева. Пространственная интерполяция в картографировании распределения охотничьих млекопитающих / Изв. вузов. Геодезия и аэрофотосъемка. - 2013. - №4/С. - С. 117-123.
9. Методические рекомендации по организации, проведению и обработке данных зимнего маршрутного учета охотничьих животных в России (с алгоритмами расчета численности) / Сост. В.С. Мирутенко, Н.В. Ломанова, А.Е. Берсенев, Н.А. Моргунов, О.А. Володина, В.А. Кузякин, Н.Г. Челинцев. - М., 2009. - 43 с.
10. Наумов Р.Л. Птицы в очагах клещевого энцефалита: Автореф. дис. ... канд. биол. наук. — М., 1964. — 19 с.
© И. Г. Фролов, 2014
