Caracterizacin de la distribucin espacial de los pandas gigantes (Ailuropoda melanoleuca) en los paisajes forestales fragmentados

1 Departamento de Recursos Naturales , Instituto Internacional de Ciencias de la Geoinformacin y Observacin de la Tierra (ITC ) , PO Box 6 , 7500 AA Enschede , Pases Bajos , 2Foping Reserva Natural Nacional , N 89 Huangjiawan Road, 723400 Foping , China

Tiejun Wang1 , Xinping YE1 , 2 * , Andrew K. Skidmore1 y Alberto G. Toxopeus1 * Correspondencia: Xinping Ye, Foping Reserva Natural Nacional , N 89 Huangjiawan Road, 723400 Foping , China. E- mail: pandayxp@gmail.com

RESUMEN Objetivo Para examinar los efectos de la fragmentacin del bosque sobre la distribucin de toda la panda gigante salvaje ( Ailuropoda melanoleuca ) la poblacin, y para proponer un enfoque de modelo para el control de la distribucin espacial y el hbitat de los pandas a escala de paisaje

usando imgenes de resolucin moderada Spectro- radimetro ( MODIS ) mayor ndice de vegetacin ( EVI ) de datos de series de tiempo . Ubicacin cinco cadenas montaosas en el suroeste de China ( Qinling , Minshan , Qionglai, Xiangling y Liangshan ) . Mtodos Los datos de la panda de pseudo -ausencia de los Gigantes fueron generados a partir de datos sobre ocurrencias panda obtenidos de la tercera encuesta nacional de panda gigante. Para cuantificar la fragmentacin de los bosques , 26 indicadores de fragmentacin se derivaron de composite de 16 das MODIS de 250 m EVI datos multi- temporales y ocho de estos indicadores fueron seleccionados tras un anlisis de los factores. Las diferencias entre la presencia y la ausencia de la panda panda se determinaron aplicando las pruebas de significacin . Luego una regresin logstica porpasos hacia adelante se aplic a explorar la relacin entre la distribucin de panda y fragmentacin de los bosques . Tamao del parche Resultados Bosque , la densidad de borde y agregacin parche se encontr que tenan un papel importante en la determinacin de la distribucin de los pandas. Los parches de bosque denso que ocupa pandas gigantes fueron significativamente ms grandes , ms juntos y ms contiguas que los parches en los que no se registraron los pandas gigantes . La fragmentacin del bosque ms pequeo en las montaas de Qinling , mientras que las regiones Xiangling y Liangshan tienen ms fragmentacin. Uso de las mtricas del paisaje seleccionados, el modelo de regresin logstica predijo la distribucin de los pandas gigantes con una precisin global de 72,5 % ( j = 0,45) . Sin embargo , cuando se aplic un control basada en el conocimiento para la elevacin y la pendiente de la regresin , la precisin global del modelo mejor a 77,6 % ( J = 0,55 ) . Principales conclusiones Los pandas gigantes parecen sensibles al tamao del parche y los efectos de aislamiento asociados con la fragmentacin de los bosques densos , lo que implica que el diseo de las reas de conservacin efectivas para pandas gigantes salvajes debe incluir parches de bosques grandes y densas que son adyacentes a otros parches similares. El enfoque desarrollado aqu es aplicable para el anlisis de la distribucin espacial de la panda gigante de MODIS de 250 m de datos EVI multitemporales y mtricas del paisaje a escala de paisaje . Palabras clave Ailuropoda melanoleuca , China, biogeografa conservacin, fragmentacin de los bosques , los pandas gigantes , control basada en el conocimiento , las medidas del paisaje , la regresin logstica , MODIS , distribucin espacial . INTRODUCCIN El panda gigante, Ailuropoda melanoleuca (David , 1869) , es uno de los mamferos ms amenazados del mundo , as como posiblemente especies emblemticas ms reconocidas del mundo . La evidencia fsil sugiere que el panda gigante ocurri ampliamente en los bosques templados y subtropicales clidas durante gran parte del este y el sur de China ( Hu et al. , 1985 ) . Hoy en da , los pandas salvajes estn restringidos a templado bosques montanos en cinco regiones montaosas separadas donde el bamb domina el sotobosque . Segn la tercera

encuesta nacional de panda gigante realizada entre 2000 y 2002 , el nmero de individuos de panda gigante se ha incrementado en las ltimas dcadas , pero su distribucin es discontinua , con 24 poblaciones aisladas ( Administracin Estatal de Silvicultura de China, 2006 ) . Fragmentacin y degradacin de los bosques han sido hiptesis de tamao para ser la causa de un descenso en la poblacin de pandas gigantes silvestres y su hbitat (Hu et al, 1985 ; . Hu, 2001 ) . Sin embargo , poco se sabe sobre el patrn de distribucin de los pandas gigantes a nivel nacional (Hu , 2001 ; Lindburg y Baragona , 2004) y no hay estudios cuantitativos o sistemticas han intentado abordar la distribucin del oso panda gigante en relacin con la fragmentacin de los paisajes forestales (por ejemplo, los bosques tamao del parche , el aislamiento de parches y agregacin) , ciertamente no cubre todo el rango de distribucin de la panda gigante salvaje. Variables estructurales del paisaje (es decir, las medidas del paisaje ) son fciles de obtener en grandes zonas utilizando sensores remotos, y su clculo es menos exigente que la recopilacin de datos detallados sobre la distribucin de especies ( Groom et al. , 2006 ) . Se han propuesto un gran nmero de variables de paisaje para cuantificar los patrones de paisaje en base a la ocupacin del suelo derivada de los datos obtenidos por teledeteccin ( O'Neill et al, 1988 ; . Hlshoff , 1995 ; Skinner, 1995 ; Gustafson, 1998), y un nmero creciente de estudios utilizan mtricas del paisaje para predecir la distribucin de especies ( Bissonette , 1997 ; Dufour et al, 2006 . ) . Porque la mayora de las medidas del paisaje son elementos dependientes y de paisaje de escala son especficos de especie ( Can et al, 1997 ; . Saura, 2004 ) , las clases de cobertura del suelo adecuados y resolucin espacial son crticos cuando se vincula la variable de respuesta de una especie de mtricas del paisaje (Turner et al, 1989 ; . Taylor et al , 1993 ; . Hamazaki , 1996 ; Frohn , 1998 ; . Corsi et al , 2000 ; . Wu et al , 2000 ; Saura , 2004 ) . Al elegir una fuente de datos para la clasificacin de la cubierta terrestre , la disponibilidad de datos y la resolucin espacial son dos cuestiones importantes. De alta resolucin espacial (por ejemplo, 30 m) de sensores , como el Landsat Thematic Mapper ( TM ) , tiene un ancho franja relativamente estrecha y revisitar la misma rea con poca frecuencia , por lo que su adquisicin e interpretacin caro y consume mucho tiempo. Tambin es difcil de adquirir imgenes suficientes sobre un rea grande . La serie de tiempo de composite de 16 das Moderate Resolution Imaging Spectro- radimetro (MODIS ) de 250 m ndice de vegetacin mejorado imgenes ( EVI ), con una amplia cobertura geogrfica ( franja de anchura 2.330 kilometros ) , resolucin espacial media y alta resolucin temporal , ofrece una nueva opcin para grandes superficies de clasificacin de la cubierta terrestre ( Bagan et al, 2005 ; . Liu y Kafatos , 2005 ; . Xavier et al, 2006 ; . Wardlow et al, 2007) . La IVE est diseado para reducir al mnimo los efectos de fondo atmosfrica y el suelo ( Huete et al . , 2002 ) , y es sensible a la densidad del dosel ( Gao et al . , 2000 ) . El gobierno chino va a lanzar un programa de monitoreo de largo plazo del hbitat de los pandas gigantes a nivel nacional antes de 2012. Como la investigacin preliminar para este programa, uno de los objetivos de este estudio fue proponer un mtodo eficaz el uso de datos de percepcin remota , para monitorear la dinmica de hbitats y tambin para evaluar un plan para la conservacin del hbitat del panda gigante a nivel de paisaje . Por lo tanto , la fuente de los datos y la disponibilidad son cuestiones clave. El Nacional de Tierras Mapa de la cubierta existente of China (NLCD-2000) genera a partir de los datos del Landsat en 1999-2000 (Liu et al. , 2002 ) no es apropiado para el monitoreo del

hbitat prxima rutina y la evaluacin rpida. Se necesita un enfoque eficaz teledeteccin para caracterizar la dinmica de la cubierta vegetal y la estructura del paisaje . El objetivo de este trabajo es entender cmo la distribucin de toda la poblacin de pandas gigantes se relaciona con la fragmentacin de los bosques , y para proponer un enfoque de modelo para el control de la distribucin espacial y el hbitat de los pandas a escalade paisaje a partir de datos de series de tiempo MODIS EVI . Las preguntas especficas de investigacin incluyen : ( 1 ) Qu mtricas de paisaje se caracteriza por la fragmentacin de los bosques ocupados por pandas gigantes? ( 2 ) Cules son las relaciones entre la distribucin de los pandas gigantes y fragmentacin de los bosques ? ( 3 ) Qu proporcin de la distribucin de la panda gigante puede explicarse por las medidas del paisaje ? MATERIALES Y MTODOS rea de estudio El rea de estudio (Fig. 1 ) incorpora 45 condados administrativos en las provincias de Shaanxi , Gansu y Sichuan en China , que cubren toda el rea de distribucin del oso panda gigante , y se tomaron muestras totalmente durante la tercera encuesta nacional de la panda ( Administracin Estatal de Silvicultura de China, 2006 ) . La superficie total abarca unos 160.000 km2 , con una elevacin de 560 a 6500 m . El rea de estudio incluye todos los rangos de montaa a lo largo del borde oriental de la meseta Qinghai- Tbet : Qinling , Min - shan , Qionglai , Xiangling (incluyendo Mayor y Menor Xiangling Xiangling ) y Liangshan ( Hu , 2001 ) . La zona ms septentrional , donde se produce el panda gigante en la actualidad es la regin Qinling (Hu , 2001 ) , que est cubierto de hoja ancha bosques caducifolios y de conferas subalpinos ( Ren , 1998 ) . La densidad de los pandas gigantes es ms alta en las montaas de Qinling ( Administracin Estatal de Silvicultura de China, 2006 ) . Las regiones Minshan y Qionglai , con un clima fresco y hmedo , son el mayor hbitat de panda existente en China ( Hu, 2001 ) . Las regiones Xiangling y Liangshan forman la zona ms austral de distribucin panda, dominado por bosques de hoja perenne de hoja ancha y bosques de conferas (China Vegetacin Comit Compilacin , 1980 ) . Figura 1 Mapa del rea de estudio delimitada en un polgono negro negrita (ver recuadro) con los tipos de cobertura de suelo . Tipos de tierra de cobertura se clasificaron de imgenes de resolucin moderada Spectro- radimetro (MODIS ) de datos de 250 m ndice de vegetacin mejorado ( EVI ) de series de tiempo 2001-2003 . Datos ambientales y las especies Preparacin de los datos de teledeteccin Tres de 12 meses ( enero-diciembre) de series de tiempo de 16 das composite datos MODIS EVI 250 m ( MOD13Q1 V004 ) para 2001-03 fueron creados para el rea de estudio. Cada serie temporal consisti en 23 dimensiones (perodo compuesta de 16 das ), y cuatro fichas ( h26v05 , h26v06 , h27v05 y h27v06 ) de los datos de MODIS estaban obligados a cubrir el rea de estudio . Para cada dimensin , se han descargado los datos EVI ( http://lpdaac.usgs . Gov / lpdaac /

get_data ) , extrados por azulejo, un mosaico , reproyectados Del sinusoidal a la Albers rea igual proyeccin cnica , mediante un operador de vecino ms cercano , y subconjunto de la zona de estudio . Para disminuir el ruido causado principalmente por restos de nubes, una serie de tiempo de 12 meses limpia y lisa de EVI ( 23 dimensiones ) fue reconstruido a partir de tres 12 meses anteriores series de tiempo EVI mediante el empleo de un filtro de suavizado Savitzky - Golay adaptativa , utilizando el paquete timesat ( Jo nsson y Eklundh , 2004 ) . A continuacin, el alisado de series de tiempo de 12 meses resultante se transforma en componentes principales (PCs) usando un anlisis de componentes principales ( Byrne et al , 1980 ; . Richards , 1984 ) para reducir el volumen de datos . Los primeros cinco PCs (que representan el 99,1 % de la varianza en la serie temporal EVI suavizada ) fueron retenidos para su posterior caracterizacin de la cubierta vegetal . Datos auxiliares utilizados en este estudio incluyen el Mapa Nacional de la cubierta de tierra de China (NLCD-2000) , un modelo de elevacin digital ( DEM ) y el Bio- climtica Divisin Mapa de China. El mapa NLCD -2000 , desarrollado a partir de cientos de imgenes Landsat TM ( 30 m de resolucin) adquiridas en 1999 y 2000 para toda China (Liu et al. , 2002 ) , fue geomtricamente reproyectado para formar un mosaico con un tamao de pxel de 250 m . El mapa NLCD -2000 se utiliz porque los datos de entrenamiento de campo faltaban para la clasificacin de la cubierta terrestre en este estudio. La obtencin de suficientes datos de entrenamiento en un rea tan grande estudio era imposible dentro del alcance de este estudio , por lo tanto, los datos de referencia se extrajeron del mapa NLCD - 2000 . El DEM se recorta de la Misin Shuttle Radar Topography (SRTM ) de 90 m de datos topogrficos digitales sin costura ( http://www2.jpl.nasa.gov/srtm/dataprod . Htm) y vuelve a muestrear a 250 m mediante un operador vecino ms cercano . El Bio- climtica Divisin Mapa de China se genera en base a la temperatura media anual , la precipitacin media anual , la temperatura acumulada y el ndice de humedad , como se describe en Liu et al. ( 2003 ) . Este conjunto de datos se rasteriza con un tamao de pxel de 250 m para facilitar la clasificacin de la cubierta terrestre . Todos los datos fueron geomtricamente rectificadas y georreferenciados en base a los datos MODIS EVI 250 m para garantizar un registro mutuo adecuado y el posicionamiento geogrfico. Caracterizacin cubierta terrestre Ocupacin del suelo en el rea de estudio se clasificaron en cinco categoras (Tabla 1) mediante el uso de una combinacin de ISODATA y un clasificador de red neuronal (vase . Fig. 2 para el esquema de clasificacin de la cubierta terrestre ) en el entorno 4.3 (ITT Industries Inc. , 2006 ) . Los bosques en el rea de estudio fueron divididos en bosque denso y bosque ralo , porque los pandas gigantes en su mayora prefieren denso bosque a bosque ralo (Hu et al, 1985 ; . Hu, 2001 ) . Desde un punto de vista ecolgico, el bosque denso proporciona las condiciones de vivienda esenciales , alimentos y un microambiente estable para los pandas gigantes . Bosques dispersos fueron incluidos en el anlisis , ya que pueden actuar como corredores entre fragmentos de bosque denso separadas.

Tabla 2 mtricas Paisaje seleccionados en este estudio. Mtrico (acrnimo) Descripcin

Mayor ndice de parche (LPI) El rea (m2) de los ms grandes de parche del tipo parche correspondiente dividido por el rea total del paisaje (m2) ndice de forma del paisaje (LSI) La longitud total del borde (o permetro) que implica la clase correspondiente, dado en nmero de superficies celulares. Densidad Patch (PD) El nmero de parches correspondientes dividido por rea total del paisaje (m2) Porcentaje de paisaje (PLAND) La suma de las reas (m2) de todas las revisiones de tipo parche correspondiente, dividido por el paisaje total de rea (m2) Densidad Edge (ED) La suma de las longitudes (m) de todos los segmentos de borde que involucran el tipo de parche correspondiente, dividido por el rea total del paisaje (m2) rea de la zona (AREA) La suma de las reas (m2) de todos los parches del tipo de parche correspondiente, dividido por el nmero de la media parches del mismo tipo Radio de giro de la distribucin (girar) La distancia media (m) entre cada clula en el parche y el baricentro de parches ndice de contigidad (contig) El valor promedio de la contigidad de las clulas en un parche de menos 1, dividido por la suma de la plantilla valores menos 1 ndice de dimensin fractal (FRAC) La suma de dos veces el logaritmo de parche permetro (m), dividido por el logaritmo del rea del parche (m2) para cada parche del tipo de parche correspondiente, dividido por el nmero de parches del mismo tipo Relacin del rea perimetral (PARA) La relacin entre el parche permetro (m) hacia la zona (m2) Forma ndice (SHAPE) permetro Patch dividido por el permetro mnimo posible para un parche al mximo compacto del rea del parche correspondiente Porcentaje Core del paisaje ( CPLAND ) La suma de las reas centrales de cada parche (m2 ) del tipo de parche correspondiente , dividido por el total dezona de paisaje (m2 ) Disjunct densidad de rea ncleo ( DCAD ) La suma de varias reas bsicas disjuntos contenidas dentro de cada parche del parche correspondientetipo , dividida por el rea total del paisaje (m2 ) Distribucin del rea ncleo disjuntas ( DCORE ) La suma del tipo de parche correspondiente , de los valores del indicador de conexin correspondientes , dividido por elnmero de parches del mismo tipo

ndice de rea ncleo ( CAI) El rea de la base del parche ( m2) dividida por el rea total del parche (m2 ) rea Core (CORE ) La suma de las reas centrales de cada parche del tipo parche correspondiente , dividido por el nmero de parches del mismo tipo ndice de cohesin Patch (cohesin) 1 menos la suma de permetro parche dividido por la suma de parche permetro veces la raz cuadrada de rea del parche para los parches de tipo parche correspondiente , dividido por 1 menos 1 sobre la raz cuadrada del nmero total de clulas en el paisaje ndice conectancia ( CONNECT) El nmero de uniones funcionales entre todos los parches correspondientes , dividido por el nmero total de posibles uniones entre todos los parches del tipo parche correspondiente Euclidiana ndice del vecino ms cercano ( ENN ) La distancia (m ) para el parche vecino ms cercano del mismo tipo , con base en el borde a borde ms corto distancia ndice de proximidad ( PROX ) La suma de la superficie del fragmento , dividido por la distancia de borde a borde ms cercano al cuadrado ( m2) entre el parche y el parche central de todos los parches del tipo parche correspondiente , cuyos bordes estn dentro de un determinado distancia (m ) del parche focal ndice de agregacin ( AI ) El nmero de adyacencias como que implican la clase correspondiente , dividido por el mximo posible nmero de adyacencias como que implican la clase correspondiente ndice de agrupamiento ( clumpy ) La desviacin proporcional de la proporcin de adyacencias como la participacin de la clase correspondiente de que esperaba de acuerdo con una distribucin espacial aleatoria ndice Paisaje divisin (Divisin ) 1 menos la suma de la superficie del fragmento (m2 ) divididos por rea total del paisaje (m2 ) , cantidad al cuadrado ndice interspersion yuxtaposicin ( IJI ) menos la suma de la longitud ( m ) de cada tipo de borde nico, que incluye el tipo de parche correspondiente divididos por la longitud total ( m) del borde ( m ) que implica el mismo tipo , multiplicado por el registro de la misma cantidad Porcentaje de adyacencias como ( PLADJ ) El nmero de adyacencias como que implican la clase focal , dividido por el nmero total de adyacencias de clulas que implica la clase focal generar panda pseudo-ausencias y distribuidos al azar mejorar el conjunto de datos hacia verdaderos ausencias por va propuesto en Zaniewski et al. (2002) y Olivier y Wotherspoon

(2006), donde se generaron especies de Pseudo-ausencias por los datos de presencia de especies buffering. En primer lugar, 3000 puntos eran muestreo aleatorio dentro de la densa selva y bosque ralo, con una distancia mnima de 3 km entre puntos (sobre la base de el tamao mximo del territorio de la panda gigante, que es alrededor de 30 km2; Hu, 2001; Pan, 2001), y una distancia mnima de 3 km hasta el borde del bosque. A continuacin, se utilizaron tres criterios para extraer panda de datos pseudo-ausencia: (1) los puntos con una elevacin de <4.000 my una pendiente del <50 (Hu, 2001), (2) puntos situados fuera a 3 km de la zona de amortiguamiento puntos ocurrencia panda, y (3) puntos con una distancia mnima de 3 kilometros a cualquier lmite de las zonas de amortiguamiento. En total, se seleccionaron 1.300 puntos como panda pseudoausencias, y 1.300 puntos de presencia de la panda eran seleccionados al azar de los puntos de ocurrencia panda. I de Moran estadstica se calcul para evaluar si la autocorrelacin espacial en los datos es problemtica, ya que las pruebas estadsticas clsicas asumen errores distribuidos de forma independiente (Moran, 1950; Legendre, 1993). Los resultados mostraron que la autocorrelacin espacial era no es significativa en las muestras de presencia panda (Moran I = 0,029, Z = 1,91, P> 0,05) y las muestras de la pseudo-ausencia (Moran I = 0,027, Z = 1,86, P> 0,05). El anlisis estadstico de las medidas del paisaje Mtricas de cmputo Inicialmente, un total de 26 medidas del paisaje de nivel de clase (ver Tabla 2 ) se calcularon para la clase de bosque denso y la combinacin de clases de bosques densos y dispersos , respectivamente , utilizando la versin de la trama de FRAGSTATS 3,3 ( McGarigal y Cushman , 2002 ) . La versin de la trama de FRAGSTATS computa mtricas utilizando una ventana cuadrada en movimiento y crea una paisaje continuo superficie mtrica para el anlisis estadstico . Para elegir una escala apropiada ( es decir, el tamao de la muda ventana en este estudio ) , el efecto de movimiento diferente Se examin ventana de radios en las salidas de clculo mtricas . Una muestra aleatoria de 10 puntos fue elegido dentro del bosque zona, y 26 indicadores fueron calculados para cada punto usando ocho ventana mvil radios diferentes ( 1,25 , 1,5 , 2 , 2,5 , 3 , 3.5, 4 y 5 km) . Los valores de las mtricas se representaron contra los radios de las ventanas mviles para determinar en que el radio de la mayora de las curvas se convertira asinttica . Era evidente que los valores para casi todas las mtricas estabilizado a 3-3,5 km (vase . Fig. 3 ) . Por lo tanto , un movimiento radio de ventana de 3 kilometros fue elegida como la escala adecuada, para el clculo de mtricas del paisaje . Despus del clculo, mtrica valores con presencia panda y muestras de pseudo ausencia se extrajeron . Anlisis de reduccin de Mtrica Para obtener un conjunto de mtricas libre de redundancia para el panda modelado de la distribucin, un anlisis de correlacin parcial de dos colas Se emple con control para el efecto de la elevacin a eliminar mtricas altamente correlacionados y, por tanto, reducir la multicolinealidad. De los pares de mediciones con una correlacin de coeficientes 0.9, las mediciones fueron retenidos que son comnmente utilizado en la literatura (Riitters et al, 1995;.. Griffith et al, 2000). El uso de estos indicadores restantes, un anlisis factorial multivariante se llev a cabo (Riitters et al, 1995;.. Can et al, 1997) y factores no correlacionados se extrajeron

mediante un componentes principales anlisis con rotaciones ortogonales. Estos fueron retenido por regla general de Kaiser que el valor propio de la factor debe ser> 1,0 (Bulmer, 1967). Para cada retenido factor de, la mtrica con la ms alta carga absoluta era que se supone representativa y fue incluido para su posterior anlisis estadstico.

Figura 3 Ejemplo de dos valores de indicadores de paisaje representa frente bsqueda de diferentes radios de la ventana mvil: (a) la densidad de borde (ED) y (b) ndice de parche ms grande (LPI). Debido a que algunos indicadores no cumplan el supuesto de homogeneidad de la varianza y algunos no eran normalmente distribuidos, las relaciones entre paisaje seleccionado mtricas y distribucin panda se probaron ms utilizando la no paramtrico U de Mann-Whitney. Mtricas con una significativa diferencia se utilizaron para su posterior construccin del modelo. Por otra parte, una prueba post hoc de la prueba de ANOVA global fue llevado a cabo para determinar cmo ocuparon los fragmentos de bosques por pandas gigantes en las cinco cadenas de montaas diferentes, por empleando la prueba de Games-Howell (Juegos y Howell, 1976). La prueba de Games-Howell se considera que es robusta cuando tamao de las muestras y las varianzas no son iguales en toda comparacin grupos (Field, 2005). Caracterizacin de la distribucin de la panda gigante indicadores seleccionados Anlisis de regresin logstica Regresin logstica binomial, un mtodo estadstico comn utilizado para estimar las probabilidades de ocurrencia en relacin a predictores ambientales

(Mladenoff et al, 1995;. Hosmer y Lemeshow, 2000), fue empleado para delinear la relacin entre panda presencia-ausencia y la seleccionada mtricas. Paso a paso el modelo de ajuste con inters la seleccin fue utilizado para construir modelos con un "buen" ajuste a los datos, donde 'bueno' se define como una variable con el ms significativo + cambio en la desviacin en cada etapa est incorporando en la modelar hasta que no haya otras variables fueron significativas a P <0,05. Las muestras de presencia panda y la pseudo -ausencia se dividido aleatoriamente en dos partes, una para la construccin de modelos ( n = 2000 ) y otro para la evaluacin del modelo ( n = 600 ) . todo Los anlisis estadsticos se realizaron en SPSS 15 (SPSS Inc., 2006 ) . Aplicacin espacial del modelo de regresin logstica A medida que el modelo de regresin logstica se construy con el paisaje mtricas , mientras que la distribucin de la panda gigante es , en realidad, limitado por una gama de condiciones ambientales , tales como caractersticas topogrficas , el modelo puede sobreestimar pandadistribucin independientemente de las tolerancias o preferencias ambientales del panda gigante. Por lo tanto , un control basado en el conocimiento fue desarrollado mediante la integracin del modelo de regresin logstica con elevacin e inclinacin para mitigar el riesgo de exceso de prediccin , como se describe a continuacin : P0i Pi? Cele ? Cslope ; 1 donde P0i se refina la probabilidad, Pi es la probabilidad estimada por el modelo de regresin logstica , Cele es la correccin coeficiente relacionado a la elevacin y Cslope es la correccin coeficiente relacionado a la pendiente . Se formularon las reglas basadas en el conocimiento para el control utilizando el conocimiento de varias fuentes , incluyendo : ( 1 ) la literatura (Hu , 2001 ; Pan, 2001 ) , ( 2 ) la discusin con especialistas , ( 3 ) Campo observaciones , y (4 ) el anlisis de la tercera panda nacional datos de la encuesta . Todos ellos estn resumidos en la Tabla 3 . La logstica modelo de regresin con un control basado en el conocimiento era espacialmente implementado en ERDAS Imagine 9.1 (Leica Geosystems Geospatial Imaging , 2005 ) . Modelo de evaluacin Porque los verdaderos datos de ausencia de la panda gigante son disponible, una copia exacta de probabilidad binomial de una cola de proporciones observadas de puntos de presencia de prueba cae en pxeles se calcul la presencia y la ausencia del predicho para examinar modelo de significado. Esta nica presencia prueba de significacin aspectos incorporados tanto de omisin como de la verdadera distribucin reas y la inclusin de reas no habitadas (Anderson et al., 2002). Sin embargo, esta prueba no puede examinar la precisin con la modelo puede predecir la ausencia. A este respecto, el modelo exactitud se evalu sobre la base de la presencia y pseudoabsence los datos de prueba. Una diferencia de sensibilidad-especificidad minimizador (Bonn y Schroder, 2001;. Barbosa et al, 2003; Se emple Jimnez-Valverde y Lobo, 2007) para decidir el umbral para la conversin de la probabilidad de la presencia de la panda en un discreto mapa de presencia-ausencia. Una curva de sensibilidad y una curva de especificidad fueron generados por el trazado de la correcta tasas de clasificacin (CCR) de sensibilidad y especificidad para en todos los posibles puntos de corte entre 0 y 1, con intervalos de 0.1. El valor umbral en el que la curva de sensibilidad y la cruz curva especificidad (Fielding y Bell, 1997) fue aplicada para

generar una discreta presencia mapa panda / ausencia de probabilidad de presencia producido por el modelo. La precisin del modelo se evalu mediante la precisin global, la sensibilidad, la especificidad y el coeficiente kappa. La kappa coeficiente y su varianza (Congalton, 1991; Skidmore et al., 1996) se calcularon y el efecto de la basada en el conocimiento el control se examin utilizando un estadstico Z (Congalton, 1991). Sin embargo, como un crtico seal, precaucin debe ser ejercida cuando el mismo conjunto de datos de prueba se utiliza para comparar dos coeficientes kappa. RESULTADOS Indicadores representativos para la cuantificacin de los bosques fragmentacin Se seleccionaron ocho mtricas del paisaje (del total de 26 mtricas) para representar a la fragmentacin del bosque sobre la base de Kaiser regla de oro, que el valor propio del factor debe ser> 1,0 en el anlisis de los factores (Tabla 4). Cuatro de las mtricas seleccionados medir los patrones en el bosque denso: densidad de borde (ED), el mayor ndice patch (LPI), la proximidad del parche (PROX) y el parche patrones y cuatro mtricas de medida; agrupamiento (agrupada) en la combinacin de denso y ralo bosque: patch promedio rea (AREA), la densidad de borde (ED), la proximidad del parche (PROX) y agrupamiento (agrupada). En general, estas mtricas miden tres aspectos de la heterogeneidad del bosque: rea del parche / borde (ED, LPI y AREA), la conectividad del parche (PROX) y la agregacin de parches Tabla 3 coeficientes de correccin de la elevacin y la pendiente en las cinco regiones de montaa de China, estudi para el control basado en el conocimiento del modelo de regresin logstica. Tabla 3 coeficientes de correccin de la elevacin y la pendiente en las cinco regiones de montaa de China, estudi para el control basado en el conocimiento del modelo de regresin logstica.

Analiza la Tabla 4 Factor para las mtricas que miden la densa selva y las mtricas de medicin de la combinacin de denso y ralo bosque. Factores fueron retenidos por la regla de valor propio> 1.0. Se subrayan cargas factoriales> 0,8, y cargas factoriales <0.3 no se presentan. Mtricas en

negrita fueron seleccionados para el anlisis estadstico y la construccin de modelos. Consulte la Tabla 2 para una descripcin de las medidas del paisaje.

(Agrupada). Multicolinealidad entre las mtricas se puso a prueba y demostrado que no son (es decir, los factores de variacin de la inflacin problemticos <5, y la tolerancia> 0,2; Sokal y Rohlf, 1994). Distribucin de panda gigante en relacin con los bosques fragmentacin Los resultados de la prueba U de Mann-Whitney mostraron que seis de las ocho mediciones fueron significativamente diferentes (p <0,05) para los bosques donde los pandas estn presentes en comparacin con los sin pandas (Tabla 5), lo que demuestra que estos seis mtricas son factores importantes que determinan la distribucin de los pandas gigantes. Los parches de bosque denso que ocupa pandas gigantes eran ms grandes, ms juntos y ms contigua que aquellos en los que no se registraron pandas. Sin embargo, pandas gigantes no eran sensibles a la proximidad parche o los patrones de agrupamiento en la combinacin de densa y escasa bosque. Tabla 5 Resumen de las estadsticas y la resultados de las tcnicas de Mann-Whitney U-test de ocho indicadores para el bosque parches con los pandas gigantes presente y aquellos con ausencia pandas. Consulte la Tabla 2 para una descripcin de las medidas del paisaje.

las cinco cordilleras eran hasta cierto punto heterognea, con distinciones sutiles entre los cinco rangos (Tabla 6). La resultados de la prueba de Games-Howell revelaron que la fragmentacin del bosque ocurre menos en las montaas de Qinling y ms en el Regiones Xiangling y Liangshan, y que los patrones de fragmentacin de los bosques en la regin Minshan son similares a los en la regin de Qionglai, como se muestra en la Tabla 6. El modelo de regresin logstica y su rendimiento De los seis indicadores representativos, tres mtricas fueron significativas a P <0,01 cuando se incluye en una logstica por pasos hacia adelante modelo de regresin (Tabla 7). Los umbrales en los que el Se seleccionaron curva de sensibilidad y especificidad de la curva cruzado para la conversin de el mapa presencia de panda / ausencia. Es decir, un umbral de 0,55 fue seleccionado para la conversin de una discreta presencia de la panda / map ausencia en la probabilidad de presencia producida por el modelo de regresin logstica (Fig. 4a), y un umbral de 0,52 fue asignado para la conversin de probabilidades de presencias panda producidos por el modelo con una basada en el conocimiento de control (Fig. 4b). El modelo de regresin logstica predijo presencia potencial del panda gigante en el 31,5% de los pxeles para el rea de estudio. De los 300 puntos de presencia de prueba, 251 puntos cayeron en reas de presencia predicha (probabilidad binomial, P <0,000001), y Tabla 6 Estadsticas sobre las diferencias de medias de cada uno de los ocho indicadores de mltiples comparaciones por pares de la presencia de los pandas gigantes en las cinco regiones montaosas de China, estudiaron. Consulte la Tabla 2 para una descripcin de las medidas del paisaje.

Tabla 7 Parmetros estimados de la logstica modelo de regresin para predecir la reas de distribucin de los pandas gigantes en el rea de estudio. La significacin de los coeficientes se evalu mediante la estadstica de Wald. ver Tabla 2 para obtener una descripcin del paisaje mtricas.

coeficientes mostraron que la precisin de la modelizacin mejor significativamente ( P <0,05 ) cuando la basada en el conocimiento el control se aplic . DISCUSIN

Distribucin de panda gigante en relacin con los bosques Fragmentacin Nuestros resultados muestran que el bosque denso es esencial para la supervivencia de los pandas gigantes , y que los pandas gigantes son sensibles a fragmentacin de este denso bosque. De los ocho paisaje mtricas seleccionados en este estudio , seis mtricas mostraron significativa diferencias entre las zonas de presencia y ausencia de la panda ( Tabla 5 ) , lo que demuestra que la distribucin de panda es significativamente en relacin con la superficie del fragmento de bosque , la densidad de borde y el parche agrupamiento . Todos los indicadores que miden el tamao del parche de bosque / borde ( LPI , ED y AREA) mostraron diferencias significativas entre panda presencia y ausencia , independientemente de si las mtricas eran nicamente calculada para el bosque denso o para la combinacin de denso y ralo bosque. Las mtricas PROX y grumoso slo difiere significativamente entre presencia y ausencia de la panda de bosque denso , lo que indica que el bosque denso juega un ms papel importante en la determinacin de la distribucin de la panda que hace bosque ralo . Todas las tres mtricas ( LPI, ED y grumoso ) incluido en el modelo de regresin logstica se refieren a los bosques densos. Estos mtricas miden la proporcin de la superficie del fragmento de borde de parches, lo que indica que el panda gigante es sensible al tamao del parche y efectos de aislamiento asociados con la fragmentacin de la densa bosque. El panda gigante tiende a ocurrir en ms grande, ms parches contiguos de bosque denso . Desde un punto ecolgico de vista , la preferencia por los bosques ms grandes y menos segregada parches pueden estar relacionados con la migracin de la panda o la dispersin , ya que parches pequeos o altamente segregadas aumentarn el costo de migracin o dispersin entre clsteres de parches , el aumento de la posibilidad de ser perturbado por las actividades humanas , as como que requiere mayor consumo de energa . Es interesante que la clumpy mtrica de bosque denso , en contraste con la mtricas LPI y ED , tiene un coeficiente negativo en la logstica modelo de regresin, lo que implica que los pandas gigantes tienden a ocurrir en parches de bosque denso menos clumped y no en muy parches agrupadas . Sin embargo , el mecanismo que permite un explicacin de esto es ms all del alcance de este estudio . Mltiples comparaciones por pares de la presencia de la panda de los cinco regiones montaosas muestran que hay variaciones en los tipos de bosque favorecido por los pandas gigantes a travs del rea de distribucin.

Los bosques ocupan el panda gigante son menos fragmentado en el Montaas Qinling , pero son ms fragmentado en el Xiangling y regiones de Liangshan . Las montaas de Qinling , de acuerdo con los resultados de la tercera encuesta nacional de la panda gigante, tambin tienen la densidad de poblacin ms alta de los pandas gigantes de los cinco rangos (Administracin Estatal de Silvicultura de China, 2006 ) . por asociar densidad de poblacin con los valores de estos mtricas del paisaje , est claro que el tamao del parche / borde de densa bosque tiene un efecto positivo sobre la distribucin del panda, El rendimiento del modelo y de sus factores Rendimiento modelo puede verse afectada por varios factores , incluyendo limitaciones del modelo en s , la calidad de los datos tcnicas de entrada y de muestreo ( Morrison , 2001 ) . logstico regresin depende de variables explicativas incluidas en el modelar y puede incluir reas ms all del medio ambiente umbrales de la panda gigante ( Elton et al, 2001 ; . Morrison, 2001 ) . Cuando se combina con controles basados en el conocimiento para el efecto de la elevacin y la pendiente , la regresin logstica con mayor precisin predice la distribucin espacial de la panda gigante de cuando se utiliza mtricas del paisaje solo. Sin embargo, los controles basados en el conocimiento requieren una adecuada relevante conocimientos y una buena comprensin de la relacin entre las especies y los factores ambientales . Como los datos utilizada en este estudio se infiere por la precarga del panda puntos de ocurrencia , hay una posibilidad de que los resultados pueden sersesgadas por la inclusin de los puntos de ausencia falsas . Este es un potencial problema que enfrenta todo tipo de modelos de hbitat ( Morrison, 2001 ) , y este problema sigue sin resolverse. Adicional bsquedas pueden realizarse en reas limitadas con el fin de proporcionar datos precisos sobre las ausencias de la panda, y esta informacin puede entonces puede utilizar para perfeccionar el modelo , segn lo sugerido por Brotons et al. ( 2004 ) . Adems , la heterogeneidad de la densidad a travs de bosque el rea de distribucin de la panda tambin puede aumentar dentro de los grupos varianza en las muestras de entrenamiento , y en consecuencia disminuir la potencia del modelo . Mtricas del paisaje pueden ser sensibles al nivel de detalle en los datos de los mapas categricos utilizados como entrada ( Turner et al . , 2001 ) . en este estudio , los bosques se clasifican en bosques densos ( canopy cubrir > 30 %) y bosque ralo ( cubierta de copas < 30 %). Este se aprob la divisin , ya que

fue utilizado en el PNUMA- WCMC clasificacin de bosques ( http://www.unepwcmc.org/forest/fp_Background.htm ) . Tambin es ecolgicamente significativo porque pandas gigantes tienen una fuerte preferencia por los parches de bosque con un dosel cerrado . Adems , la presencia de sotobosque bamb no fue considerado en el modelo , debido a los datos no est disponible . La distribucin de sotobosque de bamb es altamente correlacionado con la distribucin de bosque ( Schaller , 1987 ; Ren, 1998 ; Administracin Estatal de Silvicultura de China, 2006 ) , por lo que puede suponerse que la exclusin de la informacin sobre el bamb salida del modelo se ve compensado por la inclusin de los bosques cubrir la informacin . En los ltimos aos se han sugerido varias reservas naturales nuevas y establecido , basado en la presencia real de pandas gigantes segn consta en el tercer gigante encuesta nacional panda ( Estado Administracin Forestal de China, 2006 ) . Sin embargo , esta nocin con vistas a la disponibilidad de hbitat adecuado y descuida la impacto de la fragmentacin del hbitat sobre la poblacin de panda cambio. Sobre la base de nuestro estudio, las siguientes medidas son recomendada en el diseo de nuevas reservas naturales / corredores para la conservacin del panda gigante. 1 . Todos los parches de bosques densos que existen en panda actual regiones de distribucin deben ser preservados como hbitat principal para pandas gigantes. 2 . Debido a que nuestros resultados muestran una relacin positiva significativa entre la distribucin de los pandas gigantes y el rea de bosque parches , la fragmentacin de los bosques en el panda actual hbitat debe ser detenido para asegurar la supervivencia de los pandas gigantes en la naturaleza; un parche de bosque denso grande es mejor que varios pequeos parches agregados . 3 . Corredores de bosques se deben establecer para conectar los bosques parches entre s y con las reas actualmente ocupadas por pandas gigantes, as como las reservas naturales existentes. Esta voluntad facilitar la migracin de los pandas gigantes y por lo tanto la poblacin cambio. 4 . Es importante para aumentar y mantener la proporcin y adyacencia de los parches de bosque denso , y restaure deforestada y zonas forestales marginales a los ecosistemas forestales naturales. 5 . Asimismo, es necesario volver a introducir el panda gigante en reasque fueron ocupadas por los pandas en el pasado y en el que el medio ambiente sigue siendo similar al hbitat panda actual. La realizacin de las mencionadas recomendaciones puede ayudar a la supervivencia de las poblaciones de pandas que viven en lugares aislados parches de bosque .

AGRADECIMIENTOS Este estudio fue financiado por la beca de Erasmus Mundus Programa de la Unin Europea. Nos gustara dar las gracias Changqing Yu y Liu Xuehua (Universidad de Tsinghua, China) , Lars Eklundh (Universidad de Lund , Suecia ) , Jin Xuelin ( Shaanxi Departamento Forestal de la Repblica Popular China) , Zhanqiang Wen ( Administracin Estatal de Silvicultura , China) y Yange Yong ( Reserva Natural Nacional Foping , China ) por su apoyo tcnico y comentarios crticos . Tambin estamos agradecido por los comentarios tiles del editor y rbitros annimos .