-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathSolanum_sect_Lycopersicoides.R
499 lines (373 loc) · 22.3 KB
/
Solanum_sect_Lycopersicoides.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
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
# H. Achicanoy
# CIAT, 2013
# ----------------------------------------------------------------------------- #
# ----------------------------------------------------------------------------- #
# ----------------------------------------------------------------------------- #
# Solanum (sect lycopersicoides) models
# ----------------------------------------------------------------------------- #
# ----------------------------------------------------------------------------- #
# ----------------------------------------------------------------------------- #
# ======== load packages
library(biomod2); library(dismo); library(BIOMOD); library(usdm); library(stringr)
# ======== call code
crop <- "tomato"
src.dir <- paste("/curie_data2/ncastaneda/gap-analysis/gap_",crop,"/_scripts",sep="") # !!! change accordingly !!!
source(paste(src.dir,"/000.zipRead.R",sep=""))
# ======== set working directory
wd <- "/curie_data2/ncastaneda/gap-analysis/gap_tomatoNHM"
dir <- "/curie_data2/ncastaneda/gap-analysis/gap_tomato"
spp <- "259"
# setwd("/home/haachicanoy")
setwd(wd)
# ======== load native area
# na.dir <- "/curie_data2/ncastaneda/cluster_variables/pruebas_aposteriori_20052013/nareas"
na.dir <- paste(dir,"/biomod_modeling/native-areas/asciigrids/",spp,sep="")
# myResp.ras2 <- list.files(na.dir, pattern=".asc", full.names=T)
myResp.ras <- zipRead(na.dir,"narea.asc.gz")
# ======== read response variable
# myRespName <- "Helianthus_tuberosus"
myRespName <- spp
oc.dir <- paste(dir,"/occurrence_files/",sep="")
myRespXY <- read.csv(paste(oc.dir,"/",myRespName,".csv",sep=""),header=T,sep=",")
myRespXY <- myRespXY[,1:3]
myRespXY <- subset(myRespXY[,2:3],myRespXY$Taxon==myRespName)
dups <- duplicated(myRespXY[])
myRespXY <- myRespXY[!dups,]
myRespXY <- myRespXY[,1:2] # 178 registros
myResp <- extract(x=myResp.ras, y=myRespXY)
myRespXY <- cbind(myRespXY, myResp)
# coordenadas de puntos dentro del área nativa
myRespXY <- myRespXY[complete.cases(myRespXY),] # 157 registros
colnames(myRespXY) <- c("lon","lat",myRespName)
myResp <- myRespXY[,3]
myRespXY <- SpatialPoints(myRespXY[,1:2])
# ======== read explanatory variables
# myExpl <- c("/curie_data2/ncastaneda/cluster_variables/pruebas_aposteriori_20052013/clim/Helianthus_tuberosus-clim/bio_1.asc",
# "/curie_data2/ncastaneda/cluster_variables/pruebas_aposteriori_20052013/clim/Helianthus_tuberosus-clim/bio_2.asc",
# "/curie_data2/ncastaneda/cluster_variables/pruebas_aposteriori_20052013/clim/Helianthus_tuberosus-clim/bio_4.asc",
# "/curie_data2/ncastaneda/cluster_variables/pruebas_aposteriori_20052013/clim/Helianthus_tuberosus-clim/bio_5.asc",
# "/curie_data2/ncastaneda/cluster_variables/pruebas_aposteriori_20052013/clim/Helianthus_tuberosus-clim/bio_6.asc",
# "/curie_data2/ncastaneda/cluster_variables/pruebas_aposteriori_20052013/clim/Helianthus_tuberosus-clim/bio_8.asc",
# "/curie_data2/ncastaneda/cluster_variables/pruebas_aposteriori_20052013/clim/Helianthus_tuberosus-clim/bio_9.asc",
# "/curie_data2/ncastaneda/cluster_variables/pruebas_aposteriori_20052013/clim/Helianthus_tuberosus-clim/bio_10.asc",
# "/curie_data2/ncastaneda/cluster_variables/pruebas_aposteriori_20052013/clim/Helianthus_tuberosus-clim/bio_11.asc",
# "/curie_data2/ncastaneda/cluster_variables/pruebas_aposteriori_20052013/clim/Helianthus_tuberosus-clim/bio_12.asc",
# "/curie_data2/ncastaneda/cluster_variables/pruebas_aposteriori_20052013/clim/Helianthus_tuberosus-clim/bio_13.asc",
# "/curie_data2/ncastaneda/cluster_variables/pruebas_aposteriori_20052013/clim/Helianthus_tuberosus-clim/bio_14.asc",
# "/curie_data2/ncastaneda/cluster_variables/pruebas_aposteriori_20052013/clim/Helianthus_tuberosus-clim/bio_15.asc",
# "/curie_data2/ncastaneda/cluster_variables/pruebas_aposteriori_20052013/clim/Helianthus_tuberosus-clim/bio_16.asc",
# "/curie_data2/ncastaneda/cluster_variables/pruebas_aposteriori_20052013/clim/Helianthus_tuberosus-clim/bio_17.asc",
# "/curie_data2/ncastaneda/cluster_variables/pruebas_aposteriori_20052013/clim/Helianthus_tuberosus-clim/bio_18.asc",
# "/curie_data2/ncastaneda/cluster_variables/pruebas_aposteriori_20052013/clim/Helianthus_tuberosus-clim/bio_19.asc")
myExpl <- c("/curie_data2/ncastaneda/gap-analysis/gap_tomato/biomod_modeling/current-clim/bio_1.asc",
"/curie_data2/ncastaneda/gap-analysis/gap_tomato/biomod_modeling/current-clim/bio_2.asc",
"/curie_data2/ncastaneda/gap-analysis/gap_tomato/biomod_modeling/current-clim/bio_4.asc",
"/curie_data2/ncastaneda/gap-analysis/gap_tomato/biomod_modeling/current-clim/bio_5.asc",
"/curie_data2/ncastaneda/gap-analysis/gap_tomato/biomod_modeling/current-clim/bio_6.asc",
"/curie_data2/ncastaneda/gap-analysis/gap_tomato/biomod_modeling/current-clim/bio_8.asc",
"/curie_data2/ncastaneda/gap-analysis/gap_tomato/biomod_modeling/current-clim/bio_9.asc",
"/curie_data2/ncastaneda/gap-analysis/gap_tomato/biomod_modeling/current-clim/bio_10.asc",
"/curie_data2/ncastaneda/gap-analysis/gap_tomato/biomod_modeling/current-clim/bio_11.asc",
"/curie_data2/ncastaneda/gap-analysis/gap_tomato/biomod_modeling/current-clim/bio_12.asc",
"/curie_data2/ncastaneda/gap-analysis/gap_tomato/biomod_modeling/current-clim/bio_13.asc",
"/curie_data2/ncastaneda/gap-analysis/gap_tomato/biomod_modeling/current-clim/bio_14.asc",
"/curie_data2/ncastaneda/gap-analysis/gap_tomato/biomod_modeling/current-clim/bio_15.asc",
"/curie_data2/ncastaneda/gap-analysis/gap_tomato/biomod_modeling/current-clim/bio_16.asc",
"/curie_data2/ncastaneda/gap-analysis/gap_tomato/biomod_modeling/current-clim/bio_17.asc",
"/curie_data2/ncastaneda/gap-analysis/gap_tomato/biomod_modeling/current-clim/bio_18.asc",
"/curie_data2/ncastaneda/gap-analysis/gap_tomato/biomod_modeling/current-clim/bio_19.asc")
myExpl <- lapply(myExpl,raster)
myExpl <- raster::stack(myExpl)
# ======== BIOMOD formating data
# Generación de pseudo-ausencias mediante el método "sre"
# producir un set cuantioso de pseudo-ausencias
myBiomodData <- BIOMOD_FormatingData(resp.var = myRespXY,
expl.var = myExpl,
resp.name = myRespName,
PA.strategy = 'sre',
PA.nb.rep = 3,
PA.nb.absences = 10000,
PA.sre.quant = 0.10
)
myBiomodData <- BIOMOD_FormatingData(resp.var = myRespXY[,3],
expl.var = myExpl,
resp.xy = myRespXY[,1:2],
resp.name = myRespName,
PA.strategy = 'random',
PA.nb.rep = 10,
PA.nb.absences = 10000,
PA.sre.quant = 0.10
)
# ======== BIOMOD modeling options
# myBiomodOption <- BIOMOD_ModelingOptions(GLM = list(myFormula=Helianthus_tuberosus~bio_5+bio_10, family='binomial'))
myBiomodOption <- BIOMOD_ModelingOptions(GLM = list(myFormula=spp~bio_5+bio_10, family='binomial'))
# ======== BIOMOD running options
myBiomodModelOut <- BIOMOD_Modeling(myBiomodData,
models = c('GLM'),
models.options = myBiomodOption,
NbRunEval = 1,
DataSplit = 75,
Prevalence = 0.5,
VarImport = 0,
models.eval.meth = c('KAPPA','TSS','ROC'),
SaveObj = TRUE,
rescal.all.models = TRUE,
do.full.models = FALSE,
modeling.id = paste(myRespName,"_sre",sep=""))
# ======== Extract information from the models
load("/home/haachicanoy/Helianthus.tuberosus/Helianthus.tuberosus.Helianthus_tuberosus_sre.models.out")
myBiomodModelOut <- Helianthus.tuberosus.Helianthus_tuberosus_sre.models.out
myBiomodModelOut
# ======== read training data
load([email protected]@link)
load([email protected]@link)
mycoord <- data.frame(data@coord)
names(mycoord) <- c("lon","lat")
mycoord['occ'] <- 0
mycoord[(1:sum(myResp,na.rm=T)),3] <- 1
calib.lines <- as.data.frame(calib.lines)
for(i in 1:3){ # npa_rep es el número de conjuntos de pseudo-ausencias generados
mycoord[paste('id.train',i,sep="")] <- as.numeric(calib.lines[,i])
}
# ======== data training 1
# Presences training
pt1 <- data.frame(mycoord$lon[mycoord$occ==1 & mycoord$id.train1==1],
mycoord$lat[mycoord$occ==1 & mycoord$id.train1==1])
names(pt1) <- c('lon','lat'); dim(pt1)
# Presences testing
pp1 <- data.frame(mycoord$lon[mycoord$occ==1 & mycoord$id.train1==0],
mycoord$lat[mycoord$occ==1 & mycoord$id.train1==0])
names(pp1) <- c('lon','lat'); dim(pp1)
# Absences training
at1 <- data.frame(mycoord$lon[mycoord$occ==0 & mycoord$id.train1==1],
mycoord$lat[mycoord$occ==0 & mycoord$id.train1==1])
names(at1) <- c('lon','lat')
at1 <- at1[!is.na(at1$lon),]; dim(at1)
# Absences testing
ap1 <- data.frame(mycoord$lon[mycoord$occ==0 & mycoord$id.train1==0],
mycoord$lat[mycoord$occ==0 & mycoord$id.train1==0])
names(ap1) <- c('lon','lat')
ap1 <- ap1[!is.na(ap1$lon),]; dim(ap1)
# ======== Spatial sorting bias [Hijmans, 2012]
# Presences testing, Absences testing, Presences training
sb1 <- ssb(pp1, ap1, pt1)
sb1[,1]/sb1[,2]
# ======== Pairwise distance for correct SSB
# Cantidad de presencias utilizadas en la validación (25% de la información total)
0.25*sum(!is.na(myResp))
# :::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::: #
# sample.p.a1 <- pwdSample(fixed=pp1, sample=ap1, reference=pt1)
# Esta muestra se escoge sobre las pseudo-ausencias del conjunto de validación
# por lo cual es problable que sea un número reducido
# :::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::: #
total.pa <- rbind(at1,ap1)
sample.p.a2 <- pwdSample(fixed=pp1, sample=total.pa, reference=pt1,
n=(2*sum(!is.na(myResp)))/(0.25*sum(!is.na(myResp))))
# Esta muestra se escoge sobre el total de pseudo-ausencias (conjuntos de
# entrenamiento y validación) seleccionado a partir del método ambiental
# de generación de pseudo ausencias SRE en el paso previo, aquí se tiene
# en cuenta el número de puntos seleccionados por el método final este
# puede ser igual al número de presencias, el doble, triple, ...
# y se determina por n=(2*sum(!is.na(myResp)))/(0.25*sum(!is.na(myResp)))
# Aquí se calcula el doble de conjuntos de pseudo-ausencias en relación
# al número de presencias.
# Esto indica que por cada punto de presencia (validación) teniendo en cuenta
# la distancia a los puntos de presencia (entrenamiento) se escogen un determinado
# número de pseudo ausencias para completar el número de pseudo ausencias deseado.
# :::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::: #
# Extraer los puntos seleccionados como pseudo-ausencias a partir del proceso
# de dos pasos
mysample <- as.vector(na.exclude(as.vector(sample.p.a2)))
# Extraer las coordenadas de los puntos seleccionados por el procedimiento de
# Pairwise distance
p.a.select2 <- total.pa[mysample,]
# ======== Sesgo de selección espacial para las pseudo-ausencias generadas
sb <- ssb(pp1, p.a.select2[,1:2], pt1)
sb[,1]/sb[,2]
# ======== readjust models
oc.dir <- "/curie_data2/ncastaneda/cluster_variables/pruebas_aposteriori_20052013/occurrences"
myRespXY <- read.csv(paste(oc.dir,"/",myRespName,".csv",sep=""),header=T,sep=",")
myRespXY <- myRespXY[,1:3]
myRespXY <- subset(myRespXY[,2:3],myRespXY$Taxon=="Helianthus_tuberosus")
dups <- duplicated(myRespXY[])
myRespXY <- myRespXY[!dups,]
myRespXY <- myRespXY[,1:2] # 178 registros
myRespXY_n <- rbind(myRespXY,p.a.select2[,1:2])
myResp <- extract(x=myResp.ras, y=myRespXY)
myResp_n <- c(myResp,rep(0,length(p.a.select2[,1])))
myRespXY_n <- cbind(myRespXY_n,myResp_n)
myRespXY_n <- myRespXY_n[complete.cases(myRespXY_n),] # 157 registros
colnames(myRespXY_n) <- c("lon","lat",myRespName)
myRespXY_n <- myRespXY_n[,1:2]
myResp_n <- c(rep(1,sum(!is.na(myResp))),rep(NA,dim(p.a.select2)[1]))
# ======== load explanatory variables
myExpl <- c("/curie_data2/ncastaneda/cluster_variables/pruebas_aposteriori_20052013/clim/Helianthus_tuberosus-clim/bio_1.asc",
"/curie_data2/ncastaneda/cluster_variables/pruebas_aposteriori_20052013/clim/Helianthus_tuberosus-clim/bio_2.asc",
"/curie_data2/ncastaneda/cluster_variables/pruebas_aposteriori_20052013/clim/Helianthus_tuberosus-clim/bio_4.asc",
"/curie_data2/ncastaneda/cluster_variables/pruebas_aposteriori_20052013/clim/Helianthus_tuberosus-clim/bio_5.asc",
"/curie_data2/ncastaneda/cluster_variables/pruebas_aposteriori_20052013/clim/Helianthus_tuberosus-clim/bio_6.asc",
"/curie_data2/ncastaneda/cluster_variables/pruebas_aposteriori_20052013/clim/Helianthus_tuberosus-clim/bio_8.asc",
"/curie_data2/ncastaneda/cluster_variables/pruebas_aposteriori_20052013/clim/Helianthus_tuberosus-clim/bio_9.asc",
"/curie_data2/ncastaneda/cluster_variables/pruebas_aposteriori_20052013/clim/Helianthus_tuberosus-clim/bio_10.asc",
"/curie_data2/ncastaneda/cluster_variables/pruebas_aposteriori_20052013/clim/Helianthus_tuberosus-clim/bio_11.asc",
"/curie_data2/ncastaneda/cluster_variables/pruebas_aposteriori_20052013/clim/Helianthus_tuberosus-clim/bio_12.asc",
"/curie_data2/ncastaneda/cluster_variables/pruebas_aposteriori_20052013/clim/Helianthus_tuberosus-clim/bio_13.asc",
"/curie_data2/ncastaneda/cluster_variables/pruebas_aposteriori_20052013/clim/Helianthus_tuberosus-clim/bio_14.asc",
"/curie_data2/ncastaneda/cluster_variables/pruebas_aposteriori_20052013/clim/Helianthus_tuberosus-clim/bio_15.asc",
"/curie_data2/ncastaneda/cluster_variables/pruebas_aposteriori_20052013/clim/Helianthus_tuberosus-clim/bio_16.asc",
"/curie_data2/ncastaneda/cluster_variables/pruebas_aposteriori_20052013/clim/Helianthus_tuberosus-clim/bio_17.asc",
"/curie_data2/ncastaneda/cluster_variables/pruebas_aposteriori_20052013/clim/Helianthus_tuberosus-clim/bio_18.asc",
"/curie_data2/ncastaneda/cluster_variables/pruebas_aposteriori_20052013/clim/Helianthus_tuberosus-clim/bio_19.asc"
)
myExpl <- lapply(myExpl,raster)
myExpl_n <- stack(myExpl)
# ======== BIOMOD2 formating data
myBiomodData_n <- BIOMOD_FormatingData(resp.var = myResp_n,
resp.xy = myRespXY_n,
expl.var = myExpl_n,
resp.name = myRespName,
PA.nb.rep = 0,
na.rm = FALSE)
# ======== BIOMOD2 modeling options
myBiomodOption_n <- BIOMOD_ModelingOptions(GLM = list(myFormula=Helianthus.tuberosus~bio_1+bio_2+bio_4+bio_5+bio_6+bio_8+bio_9+bio_10+bio_11+bio_12+bio_13+bio_14+bio_15+bio_16+bio_17+bio_18, family='binomial'),
ANN = list(NbCV=5, maxit=500),
RF = list(do.classif=TRUE,ntree=100),
MAXENT = list( path_to_maxent.jar = getwd(),
maximumiterations = 200,
visible = FALSE,
linear = TRUE,
quadratic = TRUE,
product = TRUE,
threshold = TRUE,
hinge = TRUE,
lq2lqptthreshold = 80,
l2lqthreshold = 10,
hingethreshold = 15,
beta_threshold = -1,
beta_categorical = -1,
beta_lqp = -1,
beta_hinge = -1,
defaultprevalence = 0.5)
)
# ======== ajustar los modelos
myBiomodModelOut_n <- BIOMOD_Modeling(myBiomodData_n,
models = c('GLM','ANN','RF','MAXENT'),
models.options = myBiomodOption_n,
NbRunEval=1,
DataSplit=75,
Prevalence=0.5,
VarImport=0,
models.eval.meth = c('TSS','KAPPA','ROC'),
SaveObj = TRUE,
rescal.all.models = TRUE,
do.full.models = FALSE,
modeling.id = paste(myRespName,"_final",sep="")
)
# ======== leer modelos ajustados
load("/home/haachicanoy/Helianthus.tuberosus/Helianthus.tuberosus.Helianthus_tuberosus_final.models.out")
myBiomodModelOut_n <- Helianthus.tuberosus.Helianthus_tuberosus_final.models.out
myBiomodModelOut_n
# ======== construir las proyecciones
myBiomodProj <- BIOMOD_Projection(modeling.output = myBiomodModelOut_n,
new.env = myExpl_n,
proj.name = "current",
selected.models = 'all',
binary.meth = "TSS",
compress = "xz",
clamping.mask = F,
output.format = ".grd")
#png(paste(myRespName,'_mxt.png',sep=''),width=4096,height=2048,res=300,pointsize=13)
#plot(myBiomodProj, str.grep = 'MAXENT')
#dev.off()
# ======== load projections
load("/home/haachicanoy/Helianthus.tuberosus/proj_current/Helianthus.tuberosus.current.projection.out")
myBiomodProj <- Helianthus.tuberosus.current.projection.out
myBiomodProj
myCurrentProj <- get_predictions(myBiomodProj)
########################################################
# STEP 2
########################################################
# --------------------------------- Test de hipótesis sobre las variables
# Explicativas para realizar la selección de las mismas a ingresar en cada
# modelo
# Realizar test de hipótesis sobre los puntos de presencia vs las pseudo-ausencias
# seleccionadas idenficando las variables en donde se observen las diferencias
# más marcadas
expl_var <- extract(x=myExpl_n, y=myRespXY_n)
expl_var <- as.data.frame(expl_var)
hist(expl_var$bio_8[-(1:157)],prob=F,main="Bio 1",add=F,border=NA,col=2)
hist(expl_var$bio_8[1:157],prob=F,main="Bio 1",add=T,border=NA,col=1)
imp.bios <- 0
for(i in 1:ncol(expl_var)){
x <- expl_var[1:sum(!is.na(myResp_n)),i]
y <- expl_var[-(1:sum(!is.na(myResp_n))),i]
imp.bios[i] <- wilcox.test(x,y,alternative="two.sided",mu=0,paired=F)$p.value
}
names(imp.bios) <- names(expl_var)
#png("Wilcox.png",width=2048,height=2048,res=300,pointsize=13)
par(mar=c(4.5,6,4,2))
barplot(sort(imp.bios),,horiz=T,las=1,border=F,
xlab='p-value (Wilcoxon Test)',main="")
abline(v=0.05,col=2,lty=3)
#dev.off()
res_imp <- data.frame(names(expl_df),imp.bios)
names(res_imp) <- c("Variables","p_value")
########################################################
# STEP 3
########################################################
# --------------------------------- Selección de variables explicativas
# omitiendo las variables que presenten una alta colinealidad con el resto
# de variables a incluir en el modelo
v_select <- vifstep(expl_var,th=10)
# Selección final
res_vif <- v_select@results
sel_var <- merge(res_imp,res_vif,by.x="Variables")
# retornar vector con los nombres de las variables candidatas
as.vector(sel_var$Variables[which(sel_var$p_value < 0.05)])
########################################################
# STEP 4
########################################################
load()
?nnet()
for(n in nUnits){
fit <- nnet(v_resp ~ bio_i+bio_j+bio_k+..., size=n)
error[n] <- sum(fit$residuals^2)
}
n_sel <- which.max(error)
n_sel # number of hidden unities to neural network
?glm()
?randomForest()
?MAXENT()
# Muestra completa presencia + pseudo ausencias
mycoord.s
# Seleccionar las coordenadas de los sitios escogidos a partir de la distancia
# pairwise
p.select <- mycoord.s[sample.p.a[complete.cases(sample.p.a)],]
pp1[30,]
png('pa_select.png',width=2048,height=2048,res=300,pointsize=13)
plot(myResp.ras,xlab='lon',ylab='lat',xlim=c(-130,-50),ylim=c(20,60))
points(p.select[,1:2],pch=20,cex=0.6)
points(pp1[30,],pch=20,cex=0.6,col=2)
dev.off()
# ================== Ensemble modeling ================== #
myBiomodEM <- BIOMOD_EnsembleModeling(modeling.output = myBiomodModelOut_n,
chosen.models = 'all',
em.by='algo',
eval.metric = c('TSS'),
#eval.metric.quality.threshold = c(0.7),
prob.mean = T,
prob.cv = F,
prob.ci = F,
prob.ci.alpha = 0.05,
prob.median = T,
committee.averaging = T,
prob.mean.weight = T,
prob.mean.weight.decay = 'proportional'
)
# ================== Get evaluations ================== #
get_evaluations(myBiomodEM)
# ================== Ensemble forecasting ================== #
# tuve problemas con esta parte
myBiomodEF <- BIOMOD_EnsembleForecasting(EM.output = myBiomodEM,
projection.output = myBiomomodProj)
plot(myBiomodEF)