-
Notifications
You must be signed in to change notification settings - Fork 2
/
SDM-RandomForest.R
213 lines (160 loc) · 10.9 KB
/
SDM-RandomForest.R
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
##########################################################################
######################SDM WITH RANDOM FOREST##############################
###########################Anderson A. Eduardo############################
##########################################################################
library(randomForest)
library(raster)
library(maptools)
library(dismo)
###PRIMEIRA PARTE: planilha de presencas, backgrownd e variaveis ambientais
##definindo as pastas de trabalho
envVarFolder = "/home/anderson/PosDoc/dados_ambientais/"
spOccFolder = "/home/anderson/PosDoc/dados_ocorrencia/PO_unique/"
projectFolder = "/home/anderson/PosDoc/teste/"
##abrindo as variaveis climaticas
##abrindo shape da America do Sul
AmSulShape = readShapePoly("/home/anderson/PosDoc/Am_Sul/borders.shp")
##abrindo e cortando camadas de variaveis ambientais para o presente
filesRaw <- stack(list.files(path=paste(envVarFolder,"dados_projeto/000",sep=''), pattern='asc', full.names=TRUE))
files = mask(filesRaw,AmSulShape) #cortando para Am. do Sul
##abrindo e cortando camads de variaveis ambientais para projecao
##filesProjectionRaw <- stack(list.files(path=paste(envVarFolder,"dados_projeto/021",sep=''), pattern='asc', full.names=T)) ###abrindo camandas para projecao (passado, futuro, outro local, etc)
##filesProjection = mask(filesProjectionRaw,AmSulShape) #cortando para Am. do Sul
##testando correcaloes
## test<-getValues(files)
## cor.matrix <- as.data.frame(cor(test, use="complete.obs"))
#write.csv(cor.matrix,'cor_matrix.csv')
##remove highly correlated variables Bio1,Bio3,Bio9,Bio13,Bio14
files.crop.sub <- dropLayer(files, c(1,2,5,6)) #### remove selected layers
##files.crop.sub.projection <- dropLayer(filesProjection, c(1,2,5,6))
##definindo os objetos para as variaveis preditoras
predictors <- files.crop.sub
##predictorsProjection = files.crop.sub.projection
##Criando objeto com a lista de especies
occ.sps <- list.files(paste(spOccFolder,sep=''),pattern="csv")
splist <-unlist(lapply(occ.sps, FUN = strsplit, split=("\\.csv")))
##fosseis
occ.sps.fosseis = read.csv(paste(spOccFolder,"fosseis/fosseis.csv",sep=''),header=TRUE)
splist.fosseis = lapply(occ.sps.fosseis[,1],as.character)
###SEGUNDA PARTE: rodando SDMs para as especies (e fazendo projecoes)
#registrando o tempo de processamento
ptm <- proc.time()
#abrindo um data.frame para armazenar os resultados de AUC
resultsEvaluationRF<-data.frame(algorithm=character(), species=character(), auc=numeric(),tss=numeric(),stringsAsFactors=FALSE)
index=0 #auxiliara na criacao do data.frame durante o loop
fossilPointsSuitability = data.frame() #objetvo em que serao gravadas as projcoes de suitability especificamente para cada ponto de registro fossil
for (i in 1:length(splist)){
especie = splist[i] #selecting the species
sp.file <- read.csv(paste(spOccFolder,especie,".csv",sep=""),header=TRUE) ### read sp occurrence
sp.occ <- sp.file[,2:3] ## select lat-long columns
##extraindo dados da variavel climatica nos pontos de ocorrencia
presencesVars <- extract(predictors, sp.occ, method='bilinear', buffer=NULL, fun=NULL)
##criando um vetor de presenca para usar em uma coluna de presenca/ausencia na tabela final
pres = rep(1, nrow(presencesVars))
##juntando dados das variaveis climaticas nos pontos de ocorrencia, coordenadas de ocorrencia e o vetor (coluna na tabela) para presenca/ausencia
presencesData = data.frame(cbind(sp.occ,pres,presencesVars))
presencesData = presencesData[complete.cases(presencesData),]
##criando pontos de background
background1 <- randomPoints(mask=predictors[[1]], n=1000, p=presencesData[,c("latitude","longitude")], excludep=TRUE) #10*nrow(presencesData)
background2 <- round(background1, digits=4)
background3 <- background2[!duplicated(background2),]
background4 <- background3[complete.cases(background3),]
background <- data.frame(background4)
colnames(background) <- c("longitude", "latitude")
##extraindo dados da variavel climatica nos pontos de background
backgroundVars <- extract(predictors, background, method='bilinear', buffer=NULL, fun=NULL)
##criando um vetor de ausencias para usar em uma coluna de presenca/ausencia na tabela final
pres = rep(0, nrow(backgroundVars))
##juntando dados das variaveis climaticas nos pontos de ocorrencia, coordenadas de ocorrencia e o vetor (coluna na tabela) para presenca/ausencia
backgroundData = data.frame(cbind(background,pres,backgroundVars))
##planilha de dados final
dataSet = data.frame(rbind(presencesData,backgroundData))
##avaliando o modelo
projecaoSuitability = list()
evaluation = list()
for (j in 1:50){
tryCatch({# bootstrapping with 10 replications
##reparando uma porcao dos dados de presenca e ausencia (background) para calibrar (treinar) o modelo
rand = round(0.75*runif(nrow(presencesData)))
presencesTrain = presencesData[rand==0,]
backgroundTrain = backgroundData[rand==0,]
##juntando presencas e ausencias da calibracao
PresBackTrainRaw <- data.frame(rbind(presencesTrain, backgroundTrain))
PresBackTrainRaw = PresBackTrainRaw[!duplicated(PresBackTrainRaw[,c('longituude','latitude')]),] #selecionar colunas de longitude e latitude
PresBackTrainRaw <- PresBackTrainRaw[complete.cases(PresBackTrainRaw),]
PresBackTrain = PresBackTrainRaw
##criando e rodando o modelo
RF <- randomForest(x=PresBackTrain[,c('bioclim_10','bioclim_11','bioclim_16','bioclim_17')],y=PresBackTrain[,c('pres')], data=PresBackTrain, ntree=500)
##fazendo a projecao
RF.projection = randomForest(x=PresBackTrain[,c('bioclim_10','bioclim_11','bioclim_16','bioclim_17')],y=PresBackTrain[,c('pres')], data=dataSet, ntree=500)
projecaoSuitability = append(projecaoSuitability, predict(predictors, RF.projection))
##pegando a porcao dos dados separados para a avaliacao (validacao) do modelo
presencesTest = presencesData[rand==1,]
presencesTest <- presencesTest[,c('longitude','latitude')]
backgroundTest = backgroundData[rand==1,]
backgroundTest = backgroundTest[,c('longitude','latitude')]
##rodando a avaliacao do modelo
evaluation = append(evaluation, evaluate(p=presencesTest,a=backgroundTest,m=GLM,x=predictors,type='response'))
}, error=function(e){cat("ERROR :",conditionMessage(e),"\n")}
)}
##PROJETANDO o nicho no espaco atraves do modelo ajustado##
projecaoSuitabilityStack = stack(projecaoSuitability)
projecaoSuitabilityMean = mean(projecaoSuitabilityStack)
# projecaoSuitability <- predict(predictors, RF, type='response')
##gravando um raster com o mapa de projecao gerado pelo modelo
writeRaster(projecaoSuitabilityMean,filename=paste(projectFolder,"RF/",splist[i],"/",splist[i],".asc", sep=""),overwrite=TRUE)
##criando um mapa binario
thresholdValues = NULL
aucValues = NULL
for (i in 1:length(evaluation)){
thresholdValues <- append(thresholdValues, threshold(evaluation[[i]],'spec_sens'))
aucValues = append(aucValues, evaluation[[i]]@auc)
}
aucMean = mean(aucValues)
thresholdMean = mean(thresholdValues)
bin <- projecaoSuitabilityMean > thresholdMean #apply threshold to transform logistic output into binary maps
##salvando um raster com o mapa binario
writeRaster(bin,filename=paste(projectFolder,"RF/",splist[i],"/",splist[i],"BINARIO.asc",sep=""),overwrite=T)
##calculando o TSS a partir do mapa binario (usando minha propria funcao TSS)
tss = TSSfunction(binaryMap=bin>0, spOccPoints=presencesData[,c('longitude','latitude')])
##registrando o valor de AUC medio em uma tabela
index=index+1
resultsEvaluationGLM[index, "algorithm"] = 'RF'
resultsEvaluationGLM[index, "species"] = especie
resultsEvaluationGLM[index, "auc"] = aucMean
resultsEvaluationGLM[index, "tss"] = tss
##PROJECAO PARA O PASSADO##
##abrindo os dados de registros fosseis para uma especie
sp.fossil.data = occ.sps.fosseis[occ.sps.fosseis$species==especie,] #ATENCAO: este script nao funciona se houver mais de um registro fossil por camada de tempo usada para projecao
for(l in 1:nrow(sp.fossil.data)){#loop para cada registro fossil de uma especie
##definindoo fossil
sp.fossil = sp.fossil.data[l,]
##abrindo as variaveis ambientais do tempo do fossil
filesProjectionRaw <- stack(list.files(path = paste(envVarFolder,"dados_projeto/0",sp.fossil$kyr,sep=""), pattern='asc', full.names=T)) ###abrindo camandas para projecao (passado, futuro, outro local, etc)
filesProjection = mask(filesProjectionRaw,AmSulShape) #cortando para Am. do Sul
files.crop.sub.projection <- dropLayer(filesProjection, c(1,2,5,6)) #removendo as camadas que mostraram correlacao
predictorsProjection = files.crop.sub.projection #preditoras para o tempo do fossil
##PROJETANDO o nicho no espaco atraves do modelo ajustado##
projecaoSuitabilityPassado <- predict(predictorsProjection, RF.projection)
##salvando um raster com a projecao do modelo para o tempo do fossil
writeRaster(projecaoSuitabilityPassado,filename=paste(projectFolder,"Random Forest/Passado/",splist[i],"/",splist[i],'-',sp.fossil$kyr," K years BP.asc", sep=""),overwrite=TRUE)
##criando um mapa binario para a projecao do modelo (empregando o threshold que ja foi criado apos a avaliacao do modelo)
bin <- projecaoSuitabilityPassado > thresholdMean#apply threshold to transform logistic output into binary maps
##salvando um raster com a projecao do modelo para o tempo do fossil
writeRaster(bin,filename=paste(projectFolder,"Random Forest/Passado/",splist[i],"/",splist[i],'-',sp.fossil$kyr,"K years BP - BINARIO.asc",sep=""),overwrite=TRUE)
##criando um objeto com as coordenadas do registro fossil
fossilPoints = sp.fossil
fossilPoints = fossilPoints[,c('longitude','latitude')]
##obtendo a projecao de qualidade de habitat especificamente para o ponto do fossil
##fossilPointsVars = extract(predictorsProjection,fossilPoints)
##predict(RF, fossilPointsVars)
fossilPoints.RF = extract(projecaoSuitabilityPassado,fossilPoints,method='bilinear')
fossilPointsSuitability = rbind(fossilPointsSuitability,data.frame(algorithm='Random Forest',species=especie,kyr=sp.fossil$kyr,suitability=fossilPoints.RF))
}
}
##salvando a tabela de dados da avaliacao dos modelos
write.table(resultsEvaluationRF,file=paste(projectFolder,"Random Forest/","AUC&TSS.csv",sep=""), row.names=FALSE, col.names=TRUE, quote=FALSE, sep=",")
write.table(fossilPointsSuitability,file=paste(projectFolder,"Random Forest/","suitabilityNoPontoFossil.csv",sep=","))
##fechando e informando o tempo de processamento
msgm= proc.time() - ptm
print(paste('Tempo gasto para rodar RANDOM FOREST: ', msgm[3]/60,' minutos',sep=''))