-
Notifications
You must be signed in to change notification settings - Fork 2
/
transferability.R
386 lines (307 loc) · 22.5 KB
/
transferability.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
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
###ATENCAO: ESSE ARQUIVO CONTEM 'PEDACOS' DE CODIGO, TODOS VOLTADOS PARA MINHA INTENCAO DE FUTURAMENTE EXPLORAR A ###
###GENERALIDADE DOS SDMs(USANDO DIFERENTES ESTRATEGIAS DE TRANSFERABILDADE DOS MODELOS) ###
###PEDACO DE CODIGO 01
library(raster)
projFolder = '/home/anderson/Documentos/Projetos/transferability'
environ1 = raster(ncol=100,nrow=100)
var1vector = rep(x=dnorm(x=1:ncol(environ1),mean=50,sd=20), times=nrow(environ1))
var2vector = rep(x=dnorm(x=1:nrow(environ1),mean=50,sd=20), times=ncol(environ1))
#
var1 = matrix(var1vector,nrow=nrow(environ1),ncol=ncol(environ1),byrow=FALSE) * 500
var2 = matrix(var2vector,nrow=nrow(environ1),ncol=ncol(environ1),byrow=TRUE) * 500
#
environ1[] = (var1 * var2)
#
plot(environ1)
environ2 = raster(ncol=100,nrow=100)
var1vector = rep(x=dnorm(x=1:ncol(environ2),mean=50,sd=20), times=nrow(environ2)) * 500
var2vector = rep(x=dnorm(x=1:nrow(environ2),mean=75,sd=20), times=ncol(environ2)) * 500
#
var1 = matrix(var1vector,nrow=nrow(environ2),ncol=ncol(environ2),byrow=FALSE)
var2 = matrix(var2vector,nrow=nrow(environ2),ncol=ncol(environ2),byrow=TRUE)
#
environ2[] = (var1 * var2) * 1.5
#
plot(environ2)
#varificando climas nao analogos entre os dois ambintes
pontos = randomPoints(mask=environ1,n=100,prob=TRUE)
#pontos = data.frame(x=sample(-180:180,100),y=sample(-90:90,100))
v = extract(environ1, pontos)
messTest = mess(environ2,v)
par(mfrow=c(1,2))
plot(environ1)
points(pontos)
plot(messTest)
##superficies para probabilidade de amostragem (para simulacao do vies amostral)
for (i in seq(0,1,0.2)){
mu = i*50 + 50
##
probSamp = raster(ncol=100,nrow=100)
var1vector = rep(x=dnorm(x=1:ncol(probSamp),mean=mu,sd=20), times=nrow(probSamp)) * 500
var2vector = rep(x=dnorm(x=1:nrow(probSamp),mean=mu,sd=20), times=ncol(probSamp)) * 500
##
var1 = matrix(var1vector,nrow=nrow(probSamp),ncol=ncol(probSamp),byrow=FALSE)
var2 = matrix(var2vector,nrow=nrow(probSamp),ncol=ncol(probSamp),byrow=TRUE)
##
probSamp[] = (var1 * var2) * 1.5
##
writeRaster(x=probSamp,filename=paste(projFolder,'/probSamp',mu,'.asc',sep=''))
plot(probSamp)
}
###
hii = raster(x='/home/anderson/Downloads/hii-s-america-geo-grid/hii_s_america_grid/hii_s_amer')
dado = raster(x='/home/anderson/PosDoc/dados_ambientais/dados_projeto/000/bioclim_01.asc')
##crop hii
areaDado = extent(dado)
hiiSA = crop(hii,areaDado)
##hii ajustado
raster1 = res(dado)
raster2 = res(raster2)
fator = round(raster1[1]/raster2[1]) ##raster maior / raster menor
hiiSA2 = aggregate(hiiSA,fator)
##verificando
res(hiiSA2)
res(dado)
###PEDACO DE CODIGO 02
##Transferibilidade pelo framework de xxx(2016?)###
library(dismo)
library(phyloclim)
library(virtualspecies)
options(java.parameters = "-Xmx7g") ###set available memmory to java
projectFolder = "/home/anderson/Documentos/Projetos/Sps artificiais/" #pasta do projeto
envVarFolder = "/home/anderson/PosDoc/dados_ambientais/dados_projeto" #pasta com as variaveis ambientais
envVarPaths = list.files(path=envVarFolder, full.names=TRUE) #lista com os caminhos das camadas no sistema (comp.)
AmSulShape = readShapePoly("/home/anderson/PosDoc/Am_Sul/borders.shp") #shape da America do Sul
mainSampleFolder = '/home/anderson/Documentos/Projetos/Sps artificiais/Amostras/' #caminho para pasta onde a planilha
maxentFolder = '/home/anderson/Documentos/Projetos/Sps artificiais/Maxent/' #pasta para resultados do maxent
spsTypes = c('spHW', 'spHD', 'spCD') #nomes das especies
source("/home/anderson/R/R-Scripts/TSSmaxent.R")
##ocorrencias
sampleData = data.frame()
for (i in 1:length(spsTypes)){ #loop sobre os 'tipos de especies'
for (sSize in sampleSizes){ #numero de pontos (registros, dados) na amostra
nicheRealFolder = paste(projectFolder,'NichoReal/',spsTypes[i],sep='') #pasta com os mapas de nicho real da sp
nicheRealPath = list.files(path=nicheRealFolder, full.names=TRUE, pattern='.asc') #lista com os enderecos dos mapas de distribuicao da
for (sAge in sampledAges){ #amostrando em cada camada de tempo que consta na amostra
for (j in 1:NumRep){ #replicas do cenario amostral
sampleData_i = sampleOccurrences(x=raster(nicheRealPath[sAge+1]),n=sSize,plot=FALSE)$sample.points[,1:2] #amostra d ponto
scenarioName = basename(nicheRealPath[1:24][sAge+1]) #tempo vinculado ao cenario para variaveis ambientais
scenarioName = gsub('.asc','',scenarioName) #retirando do nome o '.asc'
layers_i = extract(
x=stack(list.files(path=paste(envVarFolder,'/',scenarioName,sep=''), pattern='asc', full.names=TRUE)),
y=sampleData_i) #extraindo variaveis ambientais do ponto, em sua respectiva camada de tempo
sampleData = rbind(sampleData, cbind(sampleData_i,layers_i,sAge)) #juntando com os dados das outras camadas de tempo amostradas
names(sampleData) = c('lon','lat',names(as.data.frame(layers_i)),'kyrBP') #ajustando os nomes
write.csv(sampleData,paste(projectFolder,'Amostras/transferability/',spsTypes[i],'/',sAge,'k',sSize,'pts', j ,'rep.csv',sep=''),row.names=FALSE) #salvando
sampleData = data.frame() #devolvendo data.frame vazio para proxima rodada
}
}
}
}
##TESTANDO MODELOS: calibracao 'monotemporal'
spOccFolder = '/home/anderson/Documentos/Projetos/Sps artificiais/Amostras/transferability/'
##abrindo um data.frame para armazenar os resultados de AUC
resultsEvaluationMX<-data.frame()
index=0 #auxiliara na criacao do data.frame durante o loop
spsTypes = c('spHW', 'spHD', 'spCD') #nomes das especies
evaluation = list()
TSSvector = data.frame()
sampleSizes = c(5,15,25,35,45,55,65,75,85,95)
NumRep = 3 #numero de replicas (de cada cenario amostral)
sampledAges = c(0,21)
predictors0k = stack(list.files(path=envVarPaths[1],full.names=TRUE, pattern='.asc')) #predictors com todas as variaveis (presente)
projection(predictors0k)=CRS('+proj=longlat +datum=WGS84 +ellps=WGS84 +towgs84=0,0,0')
predictors21k = stack(list.files(path=envVarPaths[22],full.names=TRUE, pattern='.asc')) #predictors com todas as variaveis (22kyr BP)
projection(predictors21k)=CRS('+proj=longlat +datum=WGS84 +ellps=WGS84 +towgs84=0,0,0')
predictors = list('0k'=predictors0k,'21k'=predictors21k)
aucOutput = data.frame()
for (i in 1:length(spsTypes)){
for (j in sampledAges){
for (k in sampleSizes){
for (l in 1:NumRep){
sp.file <- read.csv(paste(spOccFolder,spsTypes[i],'/',j,'k',k,'pts',l,"rep.csv",sep=""),header=TRUE) ### read sp occurrence
sp.occ <- sp.file[,c('lon','lat')] ## select lat-long columns
##extraindo dados da variavel climatica nos pontos de ocorrencia
presencesVars <- sp.file[,c('bioclim_01','bioclim_12')]
##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),]
presencesData = presencesData[complete.cases(presencesData),]
##criando pontos de background
background1 <- randomPoints(mask=predictors0k[[1]], n=5000, p=presencesData[,c("lon","lat")], excludep=TRUE)
background2 <- round(background1, digits=2)
background3 <- background2[!duplicated(background2),]
background4 <- background3[complete.cases(background3),]
background <- data.frame(background4)
colnames(background) <- c("lon", "lat")
##extraindo dados da variavel climatica nos pontos de background
backgroundVars <- extract(predictors[[which(sampledAges==j)]], 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[,c('bioclim_01','bioclim_12')]))
backgroundData = backgroundData[complete.cases(backgroundData),]
##planilha de dados final
dataSet = data.frame(rbind(presencesData,backgroundData))
##avaliando o modelo
evaluation = list()
for (m in 1:10){
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('longitude','latitude')]),] #selecionar colunas de longitude e latitude
PresBackTrainRaw <- PresBackTrainRaw[complete.cases(PresBackTrainRaw),]
PresBackTrain = PresBackTrainRaw
##CRIANDO E RODANDO O MODELO (esquema do SWD - sample with data)##
MX <- maxent(x=PresBackTrain[,c('bioclim_01','bioclim_12')],p=PresBackTrain$pres,args=c(
'responsecurves=true',
'jackknife=true',
'randomseed=true',
'randomtestpoints=0',
'replicates=1',
'writebackgroundpredictions=true',
'linear=true',
'quadratic=true',
'product=false',
'threshold=false',
'hinge=false',
'maximumiterations=1000',
'convergencethreshold=1.0E-5',
'threads=2'))
##avaliacao INTERNA
presencesTest = presencesData[rand==1,]
presencesTest <- presencesTest[,c('lon','lat')]
backgroundTest = backgroundData[rand==1,]
backgroundTest = backgroundTest[,c('lon','lat')]
##rodando a avaliacao do modelo
internalEval = evaluate(p=presencesTest,a=backgroundTest,m=MX,x=predictors[[which(sampledAges==j)]],type='response')
##avaliacao EXTERNA
presencesDataExt = read.csv(paste(spOccFolder,spsTypes[i],'/',sampledAges[which(sampledAges!=j)],'k',k,'pts',l,"rep.csv",sep=""),header=TRUE) ### read sp occurrence
presencesDataExt = presencesDataExt[,c('lon','lat')]
presencesDataExt = presencesDataExt[rand==1,]
##rodando a avaliacao do modelo
externalEval = evaluate(p=presencesDataExt,a=backgroundTest,m=MX,x=predictors[[which(sampledAges!=j)]],type='response')
##salvando AUC interno e externo
aucOutput = rbind(aucOutput,data.frame(sp=spsTypes[i], sample_size=k, replicate=l, AUC_int=internalEval@auc, AUC_ext=externalEval@auc,int_age=j,ext_age=sampledAges[which(sampledAges!=j)]))
}, error=function(e){cat("ERROR :",conditionMessage(e),"\n")}
)}
}
}
}
}
write.csv(aucOutput,paste(spOccFolder,'/aucOutputsMonotemp.csv',sep=''),row.names = FALSE)
##TESTANDO MODELOS: calibracao 'multitemporal'
for (i in 1:length(spsTypes)){
for (j in sampledAges){
for (k in sampleSizes){
for (l in 1:NumRep){
sp.file.intern <- read.csv(paste(spOccFolder,spsTypes[i],'/',j,'k',k,'pts',l,"rep.csv",sep=""),header=TRUE) ### read sp occurrence
sp.occ.intern <- sp.file.intern[,c('lon','lat')] ## select lat-long columns
sp.file.extern <- read.csv(paste(spOccFolder,spsTypes[i],'/',sampledAges[which(sampledAges!=j)],'k',k,'pts',l,"rep.csv",sep=""),header=TRUE) ### read sp occurrence
sp.occ.extern <- sp.file.extern[,c('lon','lat')] ## select lat-long columns
##extraindo dados da variavel climatica nos pontos de ocorrencia
presencesVarsIntern <- sp.file.intern[,c('bioclim_01','bioclim_12')]
presencesVarsExtern <- sp.file.extern[,c('bioclim_01','bioclim_12')]
##criando um vetor de presenca para usar em uma coluna de presenca/ausencia na tabela final
pres = rep(1, nrow(presencesVarsIntern))
##juntando dados das variaveis climaticas nos pontos de ocorrencia, coordenadas de ocorrencia e o vetor (coluna na tabela) para presenca/ausencia
presencesDataIntern = data.frame(cbind(sp.occ.intern,pres,presencesVarsIntern))
presencesDataIntern = presencesDataIntern[complete.cases(presencesDataIntern),]
presencesDataIntern = presencesDataIntern[complete.cases(presencesDataIntern),]
##
presencesDataExtern = data.frame(cbind(sp.occ.intern,pres,presencesVarsExtern))
presencesDataExtern = presencesDataExtern[complete.cases(presencesDataExtern),]
presencesDataExtern = presencesDataExtern[complete.cases(presencesDataExtern),]
##criando pontos de background
backgroundIntern1 <- randomPoints(mask=predictors[[which(sampledAges==j)]][[1]], n=5000, p=presencesDataIntern[,c("lon","lat")], excludep=TRUE)
backgroundIntern2 <- round(background1, digits=2)
backgroundIntern3 <- backgroundIntern2[!duplicated(backgroundIntern2),]
backgroundIntern4 <- backgroundIntern3[complete.cases(backgroundIntern3),]
backgroundIntern <- data.frame(backgroundIntern4)
colnames(backgroundIntern) <- c("lon", "lat")
##
backgroundExtern1 <- randomPoints(mask=predictors[[which(sampledAges!=j)]][[1]], n=5000, p=presencesDataExtern[,c("lon","lat")], excludep=TRUE)
backgroundExtern2 <- round(background1, digits=2)
backgroundExtern3 <- backgroundExtern2[!duplicated(backgroundExtern2),]
backgroundExtern4 <- backgroundExtern3[complete.cases(backgroundExtern3),]
backgroundExtern <- data.frame(backgroundExtern4)
colnames(backgroundExtern) <- c("lon", "lat")
##extraindo dados da variavel climatica nos pontos de background
backgroundVarsIntern <- extract(predictors[[which(sampledAges==j)]], backgroundIntern1, method='bilinear', buffer=NULL, fun=NULL)
backgroundVarsExtern <- extract(predictors[[which(sampledAges!=j)]], backgroundExtern1, 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(backgroundVarsIntern))
##juntando dados das variaveis climaticas nos pontos de ocorrencia, coordenadas de ocorrencia e o vetor (coluna na tabela) para presenca/ausencia
backgroundDataIntern = data.frame(cbind(backgroundIntern,pres,backgroundVarsIntern[,c('bioclim_01','bioclim_12')]))
backgroundDataIntern = backgroundDataIntern[complete.cases(backgroundDataIntern),]
##
backgroundDataExtern = data.frame(cbind(backgroundExtern,pres,backgroundVarsExtern[,c('bioclim_01','bioclim_12')]))
backgroundDataExtern = backgroundDataExtern[complete.cases(backgroundDataExtern),]
##planilha de dados final
dataSet = list()
for (m in 1:10){
rand = sample(c(rep(1,round(nrow(presencesDataIntern)*0.5)),rep(0,nrow(presencesDataIntern)-round(nrow(presencesDataIntern)*0.5))))
presencesTrain = rbind(presencesDataIntern[rand==0,],presencesDataExtern[rand==1,])
backgroundTrain = rbind(backgroundDataIntern[rand==0,],backgroundDataExtern[rand==1,])
dataSet_i = data.frame(c(rbind(presencesTrain,backgroundTrain)))
dataSet[[m]] = dataSet_i
}
##avaliando o modelo
evaluation = list()
for (n in 1:10){
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(dataSet[[n]][dataSet[[n]]$pres==1,])))
rand = sample(c(rep(1,round(nrow(dataSet[[n]][dataSet[[n]]$pres==1,])*0.25)),rep(0,nrow(dataSet[[n]][dataSet[[n]]$pres==1,])-round(nrow(dataSet[[n]][dataSet[[n]]$pres==1,])*0.25))))
presencesTrain = dataSet[[n]][dataSet[[n]]$pres==1,][rand==0,]
backgroundTrain = dataSet[[n]][dataSet[[n]]$pres==0,][rand==0,]
##juntando presencas e ausencias da calibracao
PresBackTrainRaw <- data.frame(rbind(presencesTrain, backgroundTrain))
PresBackTrainRaw = PresBackTrainRaw[!duplicated(PresBackTrainRaw[,c('lon','lat')]),] #selecionar colunas de longitude e latitude
PresBackTrainRaw <- PresBackTrainRaw[complete.cases(PresBackTrainRaw),]
PresBackTrain = PresBackTrainRaw
##CRIANDO E RODANDO O MODELO (esquema do SWD - sample with data)##
MX <- maxent(x=PresBackTrain[,c('bioclim_01','bioclim_12')],p=PresBackTrain$pres,args=c(
'responsecurves=true',
'jackknife=true',
'randomseed=true',
'randomtestpoints=0',
'replicates=1',
'writebackgroundpredictions=true',
'linear=true',
'quadratic=true',
'product=false',
'threshold=false',
'hinge=false',
'maximumiterations=1000',
'convergencethreshold=1.0E-5',
'threads=2'))
##avaliacao INTERNA
presencesTestIntern = presencesDataIntern[rand==1,]
presencesTestIntern <- presencesTestIntern[,c('lon','lat')]
backgroundTestIntern = backgroundDataIntern[rand==1,]
backgroundTestIntern = backgroundTestIntern[,c('lon','lat')]
##rodando a avaliacao do modelo
internalEval = evaluate(p=presencesTest,a=backgroundTest,m=MX,x=predictors[[which(sampledAges==j)]],type='response')
##avaliacao EXTERNA
presencesTestExtern = presencesDataExtern[rand==1,]
presencesTestExtern <- presencesTestExtern[,c('lon','lat')]
backgroundTestExtern = backgroundDataExtern[rand==1,]
backgroundTestExtern = backgroundTestExtern[,c('lon','lat')]
##rodando a avaliacao do modelo
externalEval = evaluate(p=presencesTestExtern,a=backgroundTestExtern,m=MX,x=predictors[[which(sampledAges!=j)]],type='response')
##salvando AUC interno e externo
aucOutputMultitemp = rbind(aucOutputMultitemp,data.frame(sp=spsTypes[i], sample_size=k, replicate=l, AUC_int=internalEval@auc, AUC_ext=externalEval@auc,int_age=j,ext_age=sampledAges[which(sampledAges!=j)]))
}, error=function(e){cat("ERROR :",conditionMessage(e),"\n")}
)}
}
}
}
}
write.csv(aucOutput,paste(spOccFolder,'/aucOutputsMultitemp.csv',sep=''),row.names = FALSE)