Efek variabel karakteristik vegetasi ing layanan rekreasi gumantung ing lingkungan alam lan sosial

Area sinau

Kita fokus ing kegiatan hiking ing papat pulo utama ing Jepang (Honshu, Hokkaido, Kyushu, lan Shikoku) lan pulo-pulo cilik sing cedhak karo pulo-pulo utama kanthi jembatan (Gambar 1a). Pulo iki dumunung ing antarane garis lintang 31,0° lan 45,5°N, lan jembaré 361.000 km.2. Pulo-pulo kasebut umume pegunungan lan gunung paling dhuwur ing tengah Honshu ngluwihi 3000 m dpl (Gambar 1c). Ing Tokyo, rata-rata suhu saben wulan antara 5.2 °C ing Januari lan 26.4 °C ing Agustus, nalika suhu antara -18.4 °C ing Januari lan 6.2 °C ing Agustus ing puncak gunung paling dhuwur, Gunung Fuji (3776 m). asl, Badan Meteorologi Jepang). Ing sisih lor Honshu lan Hokkaido, ambane salju bisa ngluwihi 1 m sanajan ing elevasi sing kurang lan gunung sing dhuwur ditutupi salju sanajan ing Jepang kidul.

Vegetasi ora kalebu lahan pertanian lan padang rumput sing nutupi 70,9% saka wilayah sinau lan 93,9% minangka alas. Perkebunan saka konifer sing biasane evergreen kayata cedar Jepang (Cryptomeria japonica) ngenggoni 37,6% area vegetasi (Survei Nasional babagan Lingkungan Alam dening Pusat Keanekaragaman Hayati Jepang kaping 2–7; http://www.biodic.go.jp/trialSystem/top_en.html). Vegetasi sekunder sawise gangguan manungsa kepungkur manggoni 39,4% saka total vegetasi lan sisa 23,0% minangka vegetasi primer. Jinis-jinis vegetasi primer sing khas yaiku, saka lor nganti kidul, alas campuran boreal, alas sing godhonge amba, lan alas sing godhonge amba.

Kothak-kotak

Cathetan aktivitas hiking diringkes kanggo 4244 kothak kothak sekunder adhedhasar Standard Grid Square System, sing ditetepake dening Ordo Menteri Badan Manajemen Administratif ing taun 1973. Ing sistem kasebut, kothak sekunder ditetepake minangka kothak 5′ ing garis lintang lan 7′ 30″ ing bujur, sing kira-kira cocog karo kothak 10 km ing wilayah sinau. Iki minangka sistem grid standar pamrentah lan kita nggunakake sistem kasebut supaya gampang digunakake ing aplikasi lan komunikasi karo praktisi ing mangsa ngarep. Grid, sing ditetepake kanthi garis lintang lan bujur, beda-beda ing wilayah kasebut nganti 22% antarane ujung lor lan kidul. Mulane, area saben kothak kalebu ing model minangka istilah offset.

Kegiatan hiking

Miturut survey pemerintah ing 2016, (Survei babagan Panggunaan Wektu lan Kegiatan Liburan dening Biro Statistik Jepang, http://www.stat.go.jp/english/data/shakai/index.htm), 10,0% ( udakara 10,7 yuta wong) saka populasi Jepang umur 15 utawa luwih seneng hiking / gunung ing taun kepungkur. Sensus kasebut uga nuduhake manawa hiking luwih populer ing kalangan warga kutha ing wilayah metropolitan. Ekspedisi multi-dina menyang gunung dhuwur lan trek dina menyang gunung sing kurang ing wilayah pinggiran kutha populer. Amarga iklim musim dingin sing abot, para pendaki sing ora trampil nggunakake gunung sing dhuwur ing musim panas lan awal musim gugur. Sajrone preian musim panas, wektu puncak ing Jepang yaiku Agustus, akeh wong sing seneng lelungan menyang gunung sing adoh. Musim semi lan musim gugur uga dadi musim sing populer amarga cuaca sing entheng lan kaendahan sing apik saka warna ijo utawa musim gugur sing seger.

pangumpulan data

Ing panliten iki, kita nggunakake sawetara rekaman hiking sing diklumpukake ing layanan jejaring sosial sing paling populer kanggo para pendaki ing Jepang (Yamareco; https://www.yamareco.com) minangka pengganti kanggo aliran layanan rekreasi. Kanggo kabeh tujuan sing kadhaptar ing wilayah sinau, jumlah cathetan hiking saben wulan lan garis lintang lan bujur tujuan diklumpukake saka layanan ing September 2016 kanthi rvest28 paket ing piranti lunak R29. Layanan iki dibukak ing Oktober 2005 sarwa dumadi cathetan rute hiking, foto, peserta, lan tayangan saka hiking trip lan nggampangake komunikasi antarane kedhaftar. Senajan nomer saben wulan cathetan kanggo saben panggonan tansah kasedhiya ing situs, tanggal pas saben rekaman hiking ora tansah informasi umum kanggo alasan privasi; mulane, kabeh cathetan saka meh 11 taun wiwit wiwitan layanan padha lumped bebarengan ing analisis kita. Hikers bisa ngrekam sawetara panggonan ing trip siji, supaya nomer total cathetan kudu luwih saka jumlah trip unik. Pangguna layanan kasebut kadhangkala nyathet panggonan sing dudu tujuan, contone, titik wiwitan lan stasiun jalur, area parkir, stasiun transportasi, lan halte bis. Cathetan kasebut ora kalebu sadurunge analisa nganti bisa ditemtokake saka jeneng papan kasebut. Akibaté, gunggung cathetan hiking ana 4.708.229 cathetan kanggo 16.179 tujuan. Pungkasan, cathetan kasebut ditugasake menyang grid 4244 adhedhasar garis lintang lan bujur saben tujuan lan banjur jumlah cathetan kanggo saben kothak digunakake minangka pengganti aliran layanan rekreasi ing analisis kita. Ora mung jumlah total nanging uga nomer saben wulan digunakake ing analisis kita kanggo mriksa owah-owahan musiman ing asosiasi antarane layanan lan vegetasi. Total cathetan nomer kothak banget tengen-skewed; ora ana cathetan (ditangani minangka 0 ing analisis kita) ditemokake ing 2036 kothak nalika rata-rata lan nomer rekor maksimum ana 1109 lan 350.384, mungguh.

Variabel panjelasan

Lima puluh variabel ekologi, lingkungan, lan sosial / infrastruktur (Tabel S1) disiapake kanggo saben kothak kanthi nggunakake versi ArcGIS 10.5 (ESRI, Redlands, CA, USA). Kanggo atribut vegetasi lan guna tanah, Survei Nasional babagan Lingkungan Alam dening Pusat Keanekaragaman Hayati Jepang (2-7; http://www.biodic.go.jp/trialSystem/top_en.html) lan Informasi Numerik Tanah Nasional (http ://nlftp.mlit.go.jp/ksj-e/index.html) digunakake. Proporsi segara, sing saka total tutupan vegetasi (ora kalebu lahan tetanèn lan suket) kanggo wilayah darat, sing saka lahan tetanèn (kalebu suket) kanggo wilayah darat, sing saka vegetasi alam (vegetasi ora kalebu perkebunan) kanggo total area vegetasi, lan sing saka vegetasi primer (vegetasi tanpa cathetan utawa bukti gangguan) kanggo vegetasi alam diringkes ing papat skala spasial: radius 10 km, 20 km, 50 km, lan 100 km saka tengah saben kothak. Pola spasial saka telung variabel vegetasi ing radius 10 km dirangkum ing Fig. 1d–f.

Elevasi maksimum, elevasi minimal, lan kasar (indeks heterogenitas topografi30) diringkes ing papat skala spasial adhedhasar model elevasi digital (resolusi 10-m) sing diwenehake dening Otoritas Informasi Geospasial Jepang (https://fgd.gsi.go.jp/download/menu.php). Kanggo variabel iklim (suhu rata-rata taunan lan saben wulan, udan taunan lan saben wulan, jam sinar matahari taunan lan saben wulan, lan kedalaman salju maksimum taunan), Informasi Numerik Tanah Nasional sing diwenehake dening Kementerian Tanah, Infrastruktur, Transportasi lan Pariwisata Jepang (http://www. ://nlftp.mlit.go.jp/ksj-e/index.html) dirujuk. Kapadhetan populasi lan dalan ing papat skala spasial disiapake saka data sensus populasi saka Biro Statistik Jepang (http://e-stat.go.jp/SG2/eStatGIS/page/download.html) lan National Land Numeric. Informasi. Kanggo ngitung kepadatan kasebut, lumahing segara ora kalebu. Kajaba iku, garis lintang lan bujur tengah saben kothak uga digunakake minangka variabel panjelasan kanggo efek rata-rata koordinat spasial.

Analisis statistik

Ing panliten iki, kita nggunakake BRT, metode machine-learning adhedhasar wit regresi31 kanggo modeling sesambetan Komplek antarane aliran CES lan atribut malang12. BRT minangka metode pembelajaran ensemble ing ngendi pirang-pirang wit regresi digabungake kanthi urutan kanggo nyuda fungsi mundhut kanthi cara keturunan gradien. Teknik iki nduweni kaluwihan ing pangembangan model kanthi kinerja prediktif sing dhuwur, ing ngendi interaksi dimensi dhuwur ing antarane variabel panjelasan lan respon nonlinier ditanggung kanthi lengkap. Ing ekologi, BRT wis kerep digunakake kanggo modeling distribusi spesies32.

Jumlah total lan saben wulan cathetan hiking dimodelake minangka fungsi saka 50 variabel sing diterangake ing ndhuwur miturut asumsi respon Poisson. Kanggo suhu, udan, lan jam srengenge, rata-rata taunan lan saben wulan digunakake kanggo analisis cathetan total lan saben wulan. Ing modeling dening BRT, paramèter kanggo mbangun saben siswa lan perakitan siswa kudu dipilih kanthi teliti kanggo nggedhekake kemampuan generalisasi model.31. Ing kasus kita, paramèter calon yaiku 2, 5, lan 10 kanggo ambane maksimum interaksi variabel kanggo saben murid; 2, 5, 10, lan 20 kanggo jumlah pengamatan minimal ing simpul terminal kanggo saben siswa; 0,5 lan 0,75 kanggo proporsi data latihan sing digunakake kanggo mbangun saben siswa; lan 1000, 2000, 4000, 6000, 8000 lan 10.000 kanggo gunggunge siswa (Tabel S2). Ing proses perakitan model, nilai 0,01 digunakake minangka parameter penyusutan. Validasi silang kaping sepuluh digunakake kanggo entuk paramèter sing paling apik. R2 adhedhasar jumlah kuadrat:

$${R}^{2}=1-frac{{sum ({y}_{i}-widehat{{y}_{i}}}}^{2}}{{sum ( {y}_{i}-overline{{y }_{i}})}^{2}}$$

digunakake kanggo evaluasi kinerja prediksi model. Pentinge variabel panjelasan dievaluasi minangka paningkatan rata-rata kesalahan absolut sawise 100 kali permutasi variabel.33.

Efek saben variabel panjelasan (atribut lanskap) ing variabel respon (nomer rekaman) lan katergantungan konteks ditinjau kanthi visual kanthi plot ekspektasi kondisional individu (ICE).34. Plot ICE nggambarake efek saka variabel panjelasan sing diwenehake kanggo saben pengamatan kanthi nyambungake asil model kanggo owah-owahan nilai variabel panjelasan fokus ing saindhenging jangkoan nalika tetep variabel panjelasan liyane minangka nilai asli. Prediksi ditindakake ing skala log lan saben baris dipusatake dadi nol ing sisih kiwa sumbu x kanggo nuduhake efek relatif saka variabel panjelasan (c-ICE plot sensu Goltstein et al.34). Saben baris ing plot ICE bisa diwarnai adhedhasar nilai variabel panjelasan kapindho kanggo ngevaluasi efek interaktif saka loro prediktor kasebut. Statistik H Friedman35 digunakake kanggo ndeteksi variabel panjelasan sing interaksi karo variabel vegetasi penting lan mulane kudu digunakake kanggo kode warna plot ICE. Friedman’s H ditetepake minangka proporsi varians saka prakiraan katergantungan parsial sing diterangake kanthi efek interaktif kanggo suite variabel panjelasan sing sewenang-wenang.

Banjur, efek samesthine saka 0,1 nyuda ing telung variabel vegetasi lokal ditaksir dening model sing dilatih lan dipetakan. Senajan variabel vegetasi kadhangkala luwih penting ing skala spasial sing luwih gedhe (ndeleng “Hasil”), kita fokus ing vegetasi ing skala lokal (radius 10 km) amarga owah-owahan paling akeh ing vegetasi dumadi ing skala ing Jepang (Survei Nasional babagan Lingkungan Alam dening Pusat Keanekaragaman Hayati Jepang, https://www.biodic.go.jp/kiso/fnd_list_h.html).

Kabeh analisis statistik ditindakake nggunakake paket piranti lunak R29. teh gbm36 paket iki digunakake kanggo BRT, ing iml37 paket digunakake kanggo pitungan statistik Friedman kang H, lan ing cv.model (Oguro, https://github.com/Marchen/cv.models) paket digunakake kanggo validasi silang lan tuning parameter.

Leave a Comment

Your email address will not be published. Required fields are marked *