网格对于 kernelUD /getverticeshr/adehabitatHR 家庭范围估计来说太小了

Posted 2023-03-17

【中文标题】网格对于 kernelUD /getverticeshr/adehabitatHR 家庭范围估计来说太小了

【英文标题】：Grid too small for kernelUD /getverticeshr/adehabitatHR home range estimation

【发布时间】：2017-05-31 17:38:43

【问题描述】：

adehabitat HR 的文档建议使用以下代码在创建 UD 对象后计算主范围的 95% 内核：

 ## Calculation of the 95 percent home range
    ver <- getverticeshr(ud, 95)

我的部分数据出现如下错误：

Error in getverticeshr.estUD(x[[i]], percent, ida = names(x)[i], unin,  : 
  The grid is too small to allow the estimation of home-range.
You should rerun kernelUD with a larger extent parameter

在 Nabble 论坛上，人们建议更改“网格”和“范围”输入，但在使用这两个参数的多种组合后，我无法获得更好的结果。有什么建议？

【参考方案1】：

这是我在一些论坛中发现的常见问题。但答案很简单，而且就在错误信息中。 “你需要扩展你的网格”。发生这种情况是因为当您应用getverticeshr(ud, 95) 时，部分多边形超出了网格，因此无法获得区域。 例如，在下面的代码中，为两个假设的动物估计 KDE。我使用从 0 到 100 的随机点，所以我定义了一个 100x100（域）的网格。

#"""
# Language: R script
# This is a temporary script file.
#"""

# 1. Packages
library(adehabitatHR)         # Package for spatal analysis

# 2. Empty Dataframe
points <- data.frame(ID = double())
XY_cor <- data.frame(X = double(),
                     Y = double())
# 3. Assigning values (this will be our spatial coordinates)
set.seed(17)
for(i in c(1:100))
    if(i >= 50)points[i, 1] <- 1
    else points[i, 1] <- 2
    XY_cor[i, 1] <- runif(1, 0, 100)
    XY_cor[i, 2] <- runif(1, 0, 100)

# 4. Transform to SpatialDataframe
coordinates(points) <- XY_cor[, c("X", "Y")]
class(points)

# 5. Domain
x <- seq(0, 100, by=1.) # resolution is the pixel size you desire 
y <- seq(0, 100, by=1.)
xy <- expand.grid(x=x,y=y)
coordinates(xy) <- ~x+y
gridded(xy) <- TRUE
class(xy)

# 6. Kernel Density
kud_points <- kernelUD(points, h = "href", grid = xy)
image(kud_points)

# 7. Get the Volum
vud_points <- getvolumeUD(kud_points)

# 8. Get contour
levels <- c(50, 75, 95)
list <- vector(mode="list", length = 2)

list[[1]] <- as.image.SpatialGridDataFrame(vud_points[[1]])
list[[2]] <- as.image.SpatialGridDataFrame(vud_points[[2]])

# 9. Plot
par(mfrow = c(2, 1))
image(vud_points[[1]])
contour(list[[1]], add=TRUE, levels=levels)
image(vud_points[[2]])
contour(list[[2]], add=TRUE, levels=levels)

该图显示到 50% 的轮廓在网格内，但 75% 的轮廓被切割，这意味着该轮廓的一部分在外面。

如果您尝试将 KDE 的顶点估计为 50%，您将获得很好的结果：

# 10. Get vertices (It will be fine)
vkde_points <- getverticeshr(kud_points, percent = 50,
                                 unin = 'm', unout='m2')
plot(vkde_points)

但如果你尝试使用 75% 的水平，你会得到经典错误：getverticeshr.estUD(x[[i]], percent, ida = names(x)[i], unin, 中的错误： 网格太小，无法估计归属范围。 您应该使用更大范围参数重新运行 kernelUD

# 10. Get vertices (Will be an Error)
vkde_points <- getverticeshr(kud_points, percent = 75,
                                 unin = 'm', unout='m2')
plot(vkde_points)

现在，您可以清楚地看到发生了什么，R 无法将顶点估计到 75%，因为它们在网格之外，因此您需要增加域（网格）！这里我将域增加50（见#5.Domain）

# 5. Domain                 HERE GRID IS INCREASED 50 AT X AND Y!!
x <- seq(-50, 150, by=1.) # resolution is the pixel size you desire 
y <- seq(-50, 150, by=1.)
xy <- expand.grid(x=x,y=y)
coordinates(xy) <- ~x+y
gridded(xy) <- TRUE
class(xy)

# 6. Kernel Density
kud_points <- kernelUD(points, h = "href", grid = xy)
image(kud_points)

# 7. Get the Volum
vud_points <- getvolumeUD(kud_points)

# 8. Get contour
levels <- c(50, 75, 95)
list <- vector(mode="list", length = 2)

list[[1]] <- as.image.SpatialGridDataFrame(vud_points[[1]])
list[[2]] <- as.image.SpatialGridDataFrame(vud_points[[2]])

# 9. Plot
par(mfrow = c(2, 1))
image(vud_points[[1]])
contour(list[[1]], add=TRUE, levels=levels)
image(vud_points[[2]])
contour(list[[2]], add=TRUE, levels=levels)

您可以看到所有轮廓都在网格（域）内。因此，现在您将能够估计顶点。

# 10. Get vertices
vkde_points <- getverticeshr(kud_points, percent = 75,
                                 unin = 'm', unout='m2')
plot(vkde_points)