diff --git a/DESCRIPTION b/DESCRIPTION index d55e95a7..5097a52a 100644 --- a/DESCRIPTION +++ b/DESCRIPTION @@ -1,6 +1,6 @@ Package: wallace -Version: 2023.02.22 -Date: 2023-02-22 +Version: 2023.03.16 +Date: 2023-03-16 Title: A Modular Platform for Reproducible Modeling of Species Niches and Distributions Description: The 'shiny' application Wallace is a modular platform for diff --git a/inst/shiny/Rmd/gtext_diver.Rmd b/inst/shiny/Rmd/gtext_diver.Rmd index 799331a8..25079a79 100644 --- a/inst/shiny/Rmd/gtext_diver.Rmd +++ b/inst/shiny/Rmd/gtext_diver.Rmd @@ -7,6 +7,29 @@ output: html_document **ORIENTATION** -Diversity can refer to a local measure of any dimension of biodiversity (taxonomic, functional or phylogenetic). There are countless indexes to measure local diversity for each dimension that take (or not) different aspects into account going from the simplest counts to indexes including abundances, relatedness etc. Generally, the simplest indexes (counts) are more widely used. This is the case for taxonomic diversity with species richness (count of species), for phylogenetic diversity with Faith’s PD (1992 count of phylogeny branches or nodes) and for functional diversity with functional richness (niche space occupied by the community). +Alpha diversity can refer to a local measure of any dimension of biodiversity (taxonomic, functional or phylogenetic). There are countless indices to measure local diversity for each dimension ranging from the simplest counts to indexes that include abundance and relatedness. Generally, the simplest indexes (counts) are the most widely used partly because species abundance data are less commonly available. This is the case for taxonomic diversity, with species richness (count of species) as the most widely used. For phylogenetic diversity, Faith's (1992) count of phylogenetic branches or nodes is common, and for functional diversity, functional richness (niche space occupied by the community) is commonly used. + +Range estimates from multiple species can be combined to calculate assemblage-level estimates of diversity. For example, intersecting species' ranges can be used to estimate potential species richness (Calabrese et al., 2014). The benefits and disadvantages of using binary maps for macroecological applications have been well documented (Graham and Hijmans 2006). Nonetheless, estimates of species diversity can be calculated from distribution maps such as binary SDMs. + +In the **Estimate Diversity** component, Wallace users can perform analyses and visualizations of community diversity metrics by stacking individual species distribution maps. Community metrics are calculated at the pixel level (One pixel is treated as one community). Wallace currently allows users to: 1) Compute species richness (Module: *Calculate Richness*) as the number of species in each pixel, and 2) Calculate species endemism (Module: *Calculate Endemism*) as the number of species found in a pixel divided by the total number of pixels in which they are found. + +--- + +**ORIENTACIÓN** + +La diversidad alfa puede referirse a una medida local de cualquier dimensión de la biodiversidad (taxonómica, funcional o filogenética). Existen innumerables índices para medir la diversidad local para cada dimensión que van desde los conteos más simples hasta índices que incluyen abundancia y parentesco. En general, los índices más simples (conteos) son los más utilizados, en parte porque los datos de abundancia de especies están disponibles con menos frecuencia. Este es el caso de la diversidad taxonómica, siendo la riqueza de especies (recuento de especies) la más utilizada. Para la diversidad filogenética, es común el conteo de ramas o nodos filogenéticos de Faith (1992), y para la diversidad funcional, se usa comúnmente la riqueza funcional (espacio de nicho ocupado por la comunidad). + +Las estimaciones de rango de múltiples especies se pueden combinar para calcular estimaciones de diversidad a nivel de ensamblaje. Por ejemplo, los rangos de especies que se cruzan se pueden usar para estimar la riqueza potencial de especies (Calabrese et al., 2014). Los beneficios y desventajas de usar mapas binarios para aplicaciones macroecológicas han sido bien documentados (Graham y Hijmans 2006). No obstante, las estimaciones de la diversidad de especies se pueden calcular a partir de mapas de distribución como los SDM binarios. + +En el componente **Estimate Diversity**, los usuarios de Wallace pueden realizar análisis y visualizaciones de métricas de diversidad de la comunidad apilando mapas de distribución de especies individuales. Las métricas de la comunidad se calculan a nivel de píxel (un píxel se trata como una comunidad). Wallace actualmente permite a los usuarios: 1) Calcular la riqueza de especies (Módulo: *Calculate Richness*) como el número de especies en cada píxel, y 2) Calcular el endemismo de especies (Módulo: *Calculate Endemism*) como el número de especies encontradas en un píxel dividido por el número total de píxeles en los que se encuentran. + +--- + +**REFERENCES** + +Calabrese, J.M., Certain, G., Kraan, C., & Dormann, C.F. (2014). Stacking species distribution models and adjusting bias by linking them to macroecological models: Stacking species distribution models. *Global Ecology and Biogeography*, 23(1), 99–112. DOI:10.1111/geb.12102 + +Faith, D.P. (1992). Conservation evaluation and phylogenetic diversity. *Biological Conservation*, 61, 1–10. DOI:10.1016/0006-3207(92)91201-3 + +Graham, C.H., & Hijmans, R.J. (2006). A comparison of methods for mapping species ranges and species richness. *Global Ecology and Biogeography*, 15(6), 578-587. DOI:10.1111/j.1466-8238.2006.00257.x -Component Diversity performs analyzes and visualizations of community diversity metrics based on individual species distribution maps. Community metrics are calculated at the pixel level (One pixel is treated as one community). Wallace currently allows to: 1) Compute species richness (Module Species richness) as the number of species in each pixel, 2) calculate the species endemism (Module Species Endemism) as the number of species found in a pixel divided by the total number of pixels in which they are found diff --git a/inst/shiny/Rmd/gtext_indic.Rmd b/inst/shiny/Rmd/gtext_indic.Rmd index 990fdeee..80f7d848 100644 --- a/inst/shiny/Rmd/gtext_indic.Rmd +++ b/inst/shiny/Rmd/gtext_indic.Rmd @@ -1,23 +1,33 @@ --- - title: "indic" +title: "indic" output: html_document --- + ### **Component: Calculate Indicators** -**Background** +**ORIENTATION** + +Translating a species’ current distribution into meaningful conservation metrics in a repeatable and transparent way to inform conservation planning and decision-making remains an outstanding issue in conservation biology (IUCN 2022). By using a species distribution model (SDM), as well as landscape requirements (e.g., forest cover), we can mask the output of an SDM to only those areas likely to be suitable to estimate the species’ current range (as we implement in the component **Mask Prediction**, Merow et al. 2022). From these reduced model outputs, the upper bounds of IUCN metrics regarding extent of occurrence (EOO) and area of occupancy (AOO) can be calculated to inform the assessment of a species’ conservation status, in combination with other information (Kass et al. 2021). In addition, we can calculate the proportion of a species’ range size that is protected, that is threatened, or that is associated with different land cover types. If past or future model projections or geospatial data on habitat for masking are available, we can also calculate and visualize change in these metrics over time. These change metrics can then inform IUCN red-listing assessments and conservation planning (Galante et al. 2023). +In *Wallace*, users can calculate these metrics using functions from the ‘changeRangeR’ package, as implemented in three modules: 1) Calculate Area Metrics to calculate range size, EOO based on SDM or occurrence data and AOO based on SDM or occurrence data; 2) Calculate Ratio Overlap to calculate proportions of overlap between a species’ or multiple species’ ranges with a shapefile or raster; and 3) Calculate Change Over Time to visualize change in metrics over time if data from multiple years are available. + +Users can calculate metrics based on SDMs made in `wallace` (*Wallace SDM*), models transferred in space and time within `wallace` (*Transferred SDM*), user-provided SDMs uploaded in the *Upload User Prediction* module of the **Mask Prediction** component (*User uploaded SDM)*, or masked models that were masked within `wallace` in the **Mask Prediction** component (*Masked SDM*). + +--- - Translating a species’ current distribution into meaningful conservation metrics in a repeatable and transparent way to inform conservation planning and decision-making remains an outstanding issue in conservation biology. By using a species distribution model (SDM), as well as landscape requirements (e.g., forest cover), we can mask the output of an SDM to only those areas likely to be suitable to estimate the species’ current -range (as we implement in the Wallace component Mask). From these reduced model outputs, upper bounds of IUCN metrics regarding area of occupancy (AOO) and extent of occurrence (EOO) can be calculated to inform the assessment of a species’ conservation status, in combination with other information. In -addition, we can calculate the proportion of a species’ range size that is protected, that is threatened, or that is associated with different land cover types. If past or future model transfers or geospatial data -on habitat for masking are available, we can also calculate and visualize indic in these metrics over time. These indic metrics can then inform IUCN red-listing assessments and forward-thinking conservation planning. +**ORIENTACIÓN** -**Implementation** +Traducir la distribución actual de una especie en métricas de conservación significativas de una manera repetible y transparente para informar la planificación de la conservación y la toma de decisiones sigue siendo un tema pendiente en la biología de la conservación (UICN 2022). Mediante el uso de un modelo de distribución de especies (SDM), así como los requisitos del paisaje (por ejemplo, la cobertura forestal), podemos enmascarar el resultado de un SDM solo en aquellas áreas que probablemente sean adecuadas para estimar el rango actual de la especie (como lo implementamos en el componente **Mask Prediction**, Merow et al. 2022). A partir de estos resultados reducidos del modelo, se pueden calcular los límites superiores de las métricas de la UICN con respecto a la extensión de ocurrencia (EOO) y el área de ocupación (AOO) para informar la evaluación del estado de conservación de una especie, en combinación con otra información (Kass et al. 2021). Además, podemos calcular la proporción del área de distribución de una especie que está protegida, amenazada o asociada con diferentes tipos de cobertura terrestre. Si se encuentran disponibles las proyecciones de modelos pasadas o futuras o los datos geoespaciales sobre el hábitat para el enmascaramiento, también podemos calcular y visualizar el cambio en estas métricas a lo largo del tiempo. Estas métricas de cambio pueden luego informar las evaluaciones de la lista roja de la UICN y la planificación de la conservación (Galante et al. 2023). + +En Wallace, los usuarios pueden calcular estas métricas utilizando funciones del paquete 'changeRangeR', tal como se implementan en tres módulos: 1) Calculate Area Metrics para calcular el tamaño del rango, EOO basado en SDM o datos de ocurrencia y AOO basado en SDM o datos de ocurrencia; 2) Calculate Ratio Overlap para calcular las proporciones de superposición entre los rangos de una especie o varias especies con un archivo en formato shapefile o ráster; y 3) Calculate Change Over Time para visualizar el cambio en las métricas a lo largo del tiempo si hay datos disponibles de varios años. + +Los usuarios pueden calcular métricas basadas en SDM realizados en `wallace` (*Wallace SDM*), modelos transferidos en el espacio y el tiempo dentro de `wallace` (*Transferred SDM*), SDM proporcionados por el usuario cargados en el módulo Cargar predicción de usuario del componente **Mask Prediction** (*User uploaded SDM*), o modelos enmascarados que se enmascararon dentro de `wallace` en el componente **Mask Prediction** (*Masked SDM*). + +--- - In Wallace we can calculate these metrics for the using the changeRangeR package, as implemented in three modules: Areas to calculate range size, EOO based on sdm or occurrence data and AOO based on sdm, masked sdm, or occurrence data; Overlap with a shapefile; and indic over Time. -Beyond single species, we can combine models from multiple species to calculate community-level metrics of conservation interest - for that, see the Diversity component. +**REFERENCES** -**References** +Galante, P.J., Chang, S., Paz, A., Aiello-Lammens, M., Gerstner, B.E., Johnson, B.A., Kass, J.M., Merow, C., Noguera-Urbano, E.A., Pinilla-Buitrago, G.E., and Blair, M.E. (2023). changeRangeR: an R package for reproducible biodiversity change metrics from species distribution estimates. *Conservation Science & Practice*, 5(1), e12863. DOI:10.1111/csp2.12863 -IUCN Standards and Petitions Committee. 2019. Guidelines for Using the IUCN Red List Categories and Criteria. Version 14. Prepared by the Standards and Petitions Committee. +IUCN. (2022). Guidelines for using the IUCN red list categories and criteria. Version 15.1. IUCN Retrieved from www.iucnredlist.org/resources/redlistguidelines -Merow, C., Galante, P., Gerstner, B., Johnson, B., Kass, J.M., Paz, A., Rosauer, D., Serra, P., Anderson, R.P., Blair, M. “changeRangeR: Translating species’ distributions into conservation metrics”. In prep. +Kass, J.M., Meenan, S.I., Tinoco, N., Burneo, S.F., & Anderson, R.P. (2021). Improving area of occupancy estimates for parapatric species using distribution models and support vector machines. *Ecological Applications*, 31(1). DOI:10.1002/eap.2228 diff --git a/inst/shiny/Rmd/gtext_mask.Rmd b/inst/shiny/Rmd/gtext_mask.Rmd index f918bf7a..9a5f4871 100644 --- a/inst/shiny/Rmd/gtext_mask.Rmd +++ b/inst/shiny/Rmd/gtext_mask.Rmd @@ -7,12 +7,32 @@ output: html_document **ORIENTATION** -The goal of masking range maps (or species distribution models) is to improve spatial (and possibly temporal) accuracy by incorporating different types of information. Often statistically-based SDMs are used to identify suitable environmental conditions, as the models detect locations with similar environmental conditions to where the species was observed. Often, these modeled maps are best interpreted as potential distributions since other processes besides abiotic conditions may restrict the distribution, such as dispersal, biotic interactions, social dynamics, historical contingencies, or human modification of habitat. In contrast, realized distributions describe those locations that are actually occupied by the species (at some spatial resolution) and may be smaller than potential distributions. By starting with potential distributions from any form of SDM, we can use other pieces of information to refine these models to approach realized distributions. +The goal of masking range maps (or species distribution models) is to improve spatial (and possibly temporal) accuracy of species’ range estimates by incorporating different types of information. Specifically, masking can include various forms of post-processing of SDMs to improve the estimation of currently occupied locations. Often, statistically-based SDMs are used to identify suitable environmental conditions, as the models detect locations with similar environmental conditions to where the species was observed. These modeled maps are best interpreted as potential distributions since other processes besides abiotic conditions may restrict the distribution, such as dispersal, biotic interactions, social dynamics, historical contingencies, or human modification of habitat. In contrast, realized distributions describe those locations that are actually occupied by the species (at some spatial resolution) and may be smaller than potential distributions (Soberón 2007). By starting with potential distributions from any form of SDM, we can use other pieces of information to refine these models to approach realized distributions. -**IMPLEMENTATION** +Information derived from expert knowledge is often useful for determining unsuitable and unoccupied locations, and thus can help refine estimates (Velásquez-Tibatá et al. 2019). Importantly, relevant expert knowledge is typically related to non-climatic factors, making it complementary to SDMs commonly fit with climatic variables. Beginning with an expert-drawn map or SDM, we can use different approaches or a series of filters to refine estimates of realized distributions based on expert knowledge (Merow et al. 2022), enabling downstream calculation of range sizes and other useful metrics of biodiversity and its change (**Component: Calculate Indicators**). -Here, the Mask component implements methods for estimating realized distributions based on different types of data. Additional information not included as a predictor in the SDM can be described by masks that differentiate potential habitat from non-habitat. They represent a conceptual model usually relating to a single variable, e.g., forest cover, occurrence of competing species, dispersal. +Here, the **Mask Prediction** component implements various methods for estimating realized distributions based on different types of data, with functions from the R package `maskRangeR` (Merow et al. 2022). Additional information not included as a predictor in an SDM can be described by masks that differentiate potential habitat from non-habitat. + +`wallace` currently allows users to: 1) upload a user prediction such as an SDM for use in other modules in this component or downstream components (Module *Upload User Prediction*), 2) mask a prediction with a user-specified shapefile (Module *Mask by Shapefile*), 3) add or remove areas of a prediction using expert-defined areas by drawing or uploading a user-specified polygon via shapefile or CSV (Module *Mask by Drawn Polygon*), 4) mask a prediction by determining an appropriate value threshold for the mask through a temporal matching approach with dated occurrence and environmental rasters (Module *Temporal Extract*). + +--- + +**ORIENTACIÓN** + +El objetivo de enmascarar los mapas de distribución (o modelos de distribución de especies, SDM) es mejorar la precisión espacial (y posiblemente temporal) de las estimaciones de distribución de especies mediante la incorporación de diferentes tipos de información. Específicamente, el enmascaramiento puede incluir varias formas de posprocesamiento de SDM para mejorar la estimación de las ubicaciones actualmente ocupadas. A menudo, los SDM basados en estadísticas se utilizan para identificar las condiciones ambientales adecuadas, ya que los modelos detectan ubicaciones con condiciones ambientales similares a las de donde se observó la especie. Estos mapas modelados se interpretan mejor como distribuciones potenciales, ya que otros procesos además de las condiciones abióticas pueden restringir la distribución, como la dispersión, las interacciones bióticas, la dinámica social, las contingencias históricas o la modificación humana del hábitat. Por el contrario, las distribuciones realizadas describen aquellas ubicaciones que en realidad están ocupadas por la especie (con alguna resolución espacial) y pueden ser más pequeñas que las distribuciones potenciales (Soberón 2007). Al comenzar con distribuciones potenciales de cualquier forma de SDM, podemos usar otras piezas de información para refinar estos modelos para aproximarnos a las distribuciones realizadas. + +La información derivada del conocimiento de expertos a menudo es útil para determinar ubicaciones inadecuadas y desocupadas y, por lo tanto, puede ayudar a refinar las estimaciones (Velásquez-Tibatá et al. 2019). Es importante destacar que el conocimiento experto relevante generalmente está relacionado con factores no climáticos, lo que lo hace complementario a los SDM que comúnmente se ajustan a las variables climáticas. Comenzando con un mapa elaborado por expertos o SDM, podemos usar diferentes enfoques o una serie de filtros para refinar las estimaciones de distribuciones realizadas basadas en el conocimiento experto (Merow et al. 2022), lo que permite el cálculo posterior de los tamaños de rango y otras métricas útiles de biodiversidad y su cambio (**Componente: Calcular Indicadores**). + +Aquí, el componente **Mask Prediction** implementa varios métodos para estimar las distribuciones realizadas en función de diferentes tipos de datos, con funciones del paquete R `maskRangeR` (Merow et al. 2022). La información adicional no incluida como predictor en un SDM se puede describir mediante máscaras que diferencian el hábitat potencial del no hábitat. + +`wallace` actualmente permite a los usuarios: 1) cargar una predicción de usuario como un SDM para usar en otros módulos en este componente o componentes posteriores (Módulo *Upload User Prediction*), 2) enmascarar una predicción con un shapefile especificado por el usuario (Módulo *Mask by Shapefile*), 3) agregar o eliminar áreas de una predicción usando áreas definidas por expertos dibujando o cargando un polígono especificado por el usuario a través de un archivo shapefile o CSV (Módulo *Mask by Drawn Polygon*), 4) enmascarar una predicción determinando un umbral de valor apropiado para el máscara a través de un enfoque de coincidencia temporal con ocurrencia fechada y rásteres ambientales (Módulo *Temporal Extract*). + +--- **REFERENCES** -Merow, C., P. J. Galante, C. Babich Morrow, J. M. Kass, A. Moore, B. E. Gerstner, V. Grisales-Betancur, G. E. Pinilla- Buitrago, E. A. Noguera-Urbano, J. Velasquez-Tibatá, R. P. Anderson, M. E. Blair. Operationalizing expert knowledge in species' range estimates using diverse data types: the R package maskRangeR. https://cmerow.github.io/maskRangeR/ +Merow, C., Galante, P.J., Kass, J.M., Aiello-Lammens, M., Babich Morrow, C., Gerstner, B.E., Grisales-Betancur, V., Moore, A., Noguera-Urbano, E.A., Pinilla- Buitrago, G.E., Velasquez-Tibatá, J., Anderson, R.P., Blair, M.E. (2022). Operationalizing expert knowledge in species' range estimates using diverse data types. *Frontiers of Biogeography*, 14(2), e53589. DOI:10.21425/F5FBG53589 + +Soberón, J. (2007). Grinnellian and Eltonian niches and geographic distributions of species. *Ecology Letters*, 10, 1115–1123. DOI:10.1111/j.1461-0248.2007.01107.x + +Velásquez-Tibatá, J., Olaya-Rodríguez, M.H., López-Lozano, D., Gutiérrez, C., González, I. & Londoño-Murcia, M.C. (2019). BioModelos: A collaborative online system to map species distributions. *PloS ONE* 14(3), e0214522. DOI:10.1371/journal.pone.0214522 diff --git a/inst/shiny/custom_modules/occs_biomodelos.md b/inst/shiny/custom_modules/occs_biomodelos.md index 693873d0..8847a7b3 100644 --- a/inst/shiny/custom_modules/occs_biomodelos.md +++ b/inst/shiny/custom_modules/occs_biomodelos.md @@ -1,15 +1,17 @@ ### **Module:** ***Query BioModelos*** -1.Ingrese un nombre de género y especie colombiano de su elección para consultar la base de datos de BioModelos para obtener datos de ocurrencia. Tenga en cuenta que la especie ya debe estar en la base de datos de BioModelos (puede buscar opciones y leer más sobre BioModelos aquí: http://biomodelos.humboldt.org.co/). +1. Ingrese un nombre de género y especie para una especie de su elección que tenga parte de su distribución en Colombia para consultar la base de datos de BioModelos y obtener datos de ocurrencia. Tenga en cuenta que la especie ya debe estar en la base de datos de BioModelos (puede buscar opciones y leer más sobre BioModelos aquí -2. Para "registrar la llave de la API", pegue la clave proporcionada por los organizadores de su taller / evento. No comparta esta clave con nadie fuera del taller. +2. Para “registrar la llave de la API”, ingrese la clave proporcionada por los organizadores de su taller/evento. No comparta esta clave con nadie fuera del taller. -3. Las ocurrencias de la especie deberían aparecer en el mapa y puede hacer clic en "Table” para ver información detallada sobre cada localidad de ocurrencia. +3. Una vez haga click en el botón "Query BioModelos", las ocurrencias de la especie son descargadas y deberían aparecer en el mapa. Puede hacer clic en “Table” para ver información detallada sobre cada localidad de ocurrencia. Esta es una tabla interactiva donde pueden explorar sus datos. + +--- English Version: -1. Enter a Colombian Genus and species name of your choice to query the BioModelos database for occurrence data! Please note that the species must already be in the BioModelos database (you can search options and read more about BioModelos here: http://biomodelos.humboldt.org.co/). +1. Enter a Colombian Genus and species name of your choice to query the BioModelos database for occurrence data! Please note that the species must already be in the BioModelos database (you can search options and read more about BioModelos here -2. For “enter API key”, paste the key provided by your workshop/event organizers. Please do not share this key with anyone outside the workshop. +2. For “enter API key”, paste the key provided by your workshop/event organizers. Please do not share this key with anyone outside the workshop. -3.The species’ occurrences should then appear on the map and you can click on “Table” to view detailed information on each occurrence locality. +3. Once you click the "Query BioModelos" button, the species’ occurrences should be downloaded and then appear on the map. You can click on “Table” to view detailed information on each occurrence locality. This is an interactive Table where you can explore your dataset. diff --git a/inst/shiny/custom_modules/rep_biomodelos.Rmd b/inst/shiny/custom_modules/rep_biomodelos.Rmd index 1f2ee4bf..e69de29b 100644 --- a/inst/shiny/custom_modules/rep_biomodelos.Rmd +++ b/inst/shiny/custom_modules/rep_biomodelos.Rmd @@ -1,27 +0,0 @@ -### **Module:** ***BioModelos payload*** - -1. Elija las especies que desea enviar a BioModelos - -2. Vuelva a ingresar la clave API que utilizó para descargar los datos de ocurrencia. - -3. Ingrese su correo electrónico (si aún no está registrado como usuario de BioModelos, ¡puede registrarse en su sitio web! Http://biomodelos.humboldt.org.co/); - -4. Para la licencia CC, elija la licencia de derechos de autor bajo la cual acepta compartir su modelo con los usuarios de BioModelos. Puede leer más sobre las diferentes licencias aquí: https://creativecommons.org/licenses/; - -5. Marque la casilla junto a “Acuerdo Atlas” si acepta que BioModelos puede publicar su modelo como parte del próximo Atlas de Biodiversidad de Colombia. - -6. “Push Payload” enviará sus datos de ocurrencia, rásteres del modelo, metadatos del modelo y archivo Rmd a BioModelos. - -English Version - -1. Choose the species you want to send to BioModelos - -2. Re-enter the API key that you used to download occurrence data. - -3. Enter your email (if you are not yet registered as a BioModelos user - you can register on their website! http://biomodelos.humboldt.org.co/); - -4. For CC license, choose the copyright license under which you agree to share your model with BioModelos users. You can read more about different licenses here: https://creativecommons.org/licenses/; - -5. Check the box beside “Atlas agreement” if you agree that BioModelos can publish your model as a part of the next Atlas of Biodiversity of Colombia. - -6. “Push Payload” will send your occurrence data, model rasters, model metadata, and Rmd file to BioModelos. diff --git a/inst/shiny/custom_modules/rep_biomodelos.md b/inst/shiny/custom_modules/rep_biomodelos.md index 8b137891..86ccee78 100644 --- a/inst/shiny/custom_modules/rep_biomodelos.md +++ b/inst/shiny/custom_modules/rep_biomodelos.md @@ -1 +1,30 @@ +### **Module:** ***BioModelos payload*** + +1. Elija las especies para las cuales desea enviar datos a BioModelos. + +2. Vuelva a ingresar la clave API que utilizó para descargar los datos de ocurrencia. + +3. Ingrese su correo electrónico (si aún no está registrado como usuario de BioModelos, ¡puede registrarse en su sitio web! + +4. Para la licencia CC, sugiera la licencia de derechos de autor bajo la cual acepta compartir su modelo con los usuarios de BioModelos (sujeto a la licencia de los registros originales). Puede leer más sobre las diferentes licencias aquí. + +5. Marque la casilla junto a “Acuerdo Atlas” si acepta que BioModelos puede publicar su modelo como parte del próximo Atlas de Biodiversidad de Colombia. + +6. “Push Payload” enviará sus datos de ocurrencia, rásteres del modelo, metadatos del modelo y archivo Rmd a BioModelos. + +--- + +English Version + +1. Choose the species for which you want to send data to BioModelos. + +2. Re-enter the API key that you used to download occurrence data. + +3. Enter your email (if you are not yet registered as a BioModelos user - you can register on their website! + +4. For CC license, suggest the copyright license under which you agree to share your model with BioModelos users (subject to the license of the original occurrence data). You can read more about different licenses here. + +5. Check the box beside “Atlas agreement” if you agree that BioModelos can publish your model as a part of the next Atlas of Biodiversity of Colombia. + +6. “Push Payload” will send your occurrence data, model rasters, model metadata, and Rmd file to BioModelos. diff --git a/inst/shiny/modules/diver_endemism.md b/inst/shiny/modules/diver_endemism.md index f681628a..4be9d471 100644 --- a/inst/shiny/modules/diver_endemism.md +++ b/inst/shiny/modules/diver_endemism.md @@ -2,15 +2,35 @@ **BACKGROUND** -text +Endemic species and areas of high species endemism are important targets for conservation efforts, and represent unique combinations of geography (Rosauer et al., 2009). Species endemism can be calculated by stacking binary maps of species’ ranges and then calculating a value for each cell equal to the number of species found in that cell divided by the total number of cells in which they are found (Calabrese et al., 2014). **IMPLEMENTATION** -The species endemism calculation is implemented in Wallace using the R package raster and the R package changeRangeR. Binary species distribution models projected to the area of interest are stacked. With the stacked models the number of species found in every pixel is divided by the total number of pixels in which they are found. The resulting raster layer is plotted in the map tab with a continuous color scale where colder colors denote less endemism and warmer colors more endemism. The resulting layer’s resolution depends on the resolution used for building individual species distribution models. +The species endemism calculation is implemented in Wallace using the R packages `raster` and `changeRangeR` (Galante et al. 2023). Multiple binary species distribution models of the same resolution projected to the area of interest are stacked. With the stacked models the number of species found in every pixel is divided by the total number of pixels in which they are found. The resulting raster layer is plotted in the Map tab with a continuous color scale where colder colors denote less endemism and warmer colors more endemism. The resulting layer’s resolution depends on the resolution used for building individual species distribution models. +These analyses require the following data: + +SDMs to be stacked: These must be binary or thresholded SDMs of the same resolution. You can use a model generated in `wallace` (Wallace SDM, Module: *Map Prediction* in **Component: Visualize Model Results**), a model transferred in time or space in `wallace` (Transferred SDM, **Component: Transfer**), a Masked SDM (**Component: Mask Prediction**), or a model uploaded by the User (User uploaded SDM; uploaded in the **Mask Prediction** component in the *Upload User Prediction* module, see Module: *Upload User Prediction* guidance text for information on uploaded user SDMs). + +--- + +**CONTEXTO** + +Las especies endémicas y las áreas de alto endemismo de especies son objetivos importantes para los esfuerzos de conservación y representan combinaciones únicas de geografía (Rosauer et al., 2009). El endemismo de las especies se puede calcular apilando mapas binarios de los rangos de las especies y luego calculando un valor para cada celda igual al número de especies encontradas en esa celda dividido por el número total de celdas en las que se encuentran (Calabrese et al., 2014). + +**IMPLEMENTACIÓN** + +El cálculo del endemismo de especies se implementa en Wallace utilizando los paquetes de R `raster` y `changeRangeR` (Galante et al. 2023). Se apilan múltiples modelos binarios de distribución de especies de la misma resolución proyectados al área de interés. Con los modelos apilados, el número de especies que se encuentran en cada píxel se divide por el número total de píxeles en los que se encuentran. La capa ráster resultante se traza en la pestaña Mapa con una escala de color continua donde los colores más fríos indican menos endemismo y los colores más cálidos más endemismo. La resolución de la capa resultante depende de la resolución utilizada para construir modelos de distribución de especies individuales. + +Estos análisis requieren los siguientes datos: + +SDM para apilar: Estos deben ser SDM binarios o con umbral de la misma resolución. Se puede usar un modelo generado en `wallace` (Wallace SDM, Module: *Map Prediction* en **Component: Visualize Model Results**), un modelo transferido en el tiempo o en el espacio en `wallace` (Transferred SDM, **Component: Transfer**), un Masked SDM (**Component: Mask Prediction**) o un modelo cargado por el usuario (User uploaded SDM; cargado en el componente **Mask Prediction** en el módulo *Upload User Prediction*, consulte Módulo: *Upload User Prediction* para obtener información sobre los SDM cargados por el usuario). + +--- **REFERENCES** -Merow, C., Galante, P., Gerstner, B., Johnson, B., Kass, J.M., Paz, A., Rosauer, D., Serra, P., Anderson, R.P., Blair, M. "changeRangeR: Translating species’ distributions into conservation metrics". In prep. +Calabrese, J.M., Certain, G., Kraan, C., & Dormann, C.F. (2014). Stacking species distribution models and adjusting bias by linking them to macroecological models: Stacking species distribution models. *Global Ecology and Biogeography*, 23(1), 99–112. DOI:10.1111/geb.12102 -Rosauer D., Laffan S.W., Crisp M.D., Donnellan S.C., & Cook L.G. (2009) Phylogenetic endemism: a new approach for identifying geographical concentrations of evolutionary history. Molecular ecology, 18, 4061–72. +Galante, P.J., Chang, S., Paz, A., Aiello-Lammens, M., Gerstner, B.E., Johnson, B.A., Kass, J.M., Merow, C., Noguera-Urbano, E.A., Pinilla-Buitrago, G.E., and Blair, M.E. (2023). changeRangeR: an R package for reproducible biodiversity change metrics from species distribution estimates. *Conservation Science & Practice*, 5(1), e12863. DOI:10.1111/csp2.12863 +Rosauer, D., Laffan, S.W., Crisp, M.D., Donnellan, S.C., & Cook L.G. (2009). Phylogenetic endemism: a new approach for identifying geographical concentrations of evolutionary history. *Molecular Ecology*, 18, 4061–72. DOI:10.1111/j.1365-294X.2009.04311.x diff --git a/inst/shiny/modules/diver_richness.md b/inst/shiny/modules/diver_richness.md index 06113455..9cca1ca2 100644 --- a/inst/shiny/modules/diver_richness.md +++ b/inst/shiny/modules/diver_richness.md @@ -2,12 +2,36 @@ **BACKGROUND** -text +Community-level metrics can be calculated by combining range estimates across multiple species. The estimation of species richness from SDM predictions is often done by summing binary or continuous model prediction rasters (Calabrese et al., 2014). However, because richness can be overestimated using this methodology, we suggest that these estimates be constrained with macroecological models or biotic filters (as can be done in the **Component: Mask Prediction**, and see Merow et al. 2022). **IMPLEMENTATION** -The species richness calculation is implemented in Wallace using the R package raster. Binary species distribution models projected to the area of interest are stacked and summed to obtain the number of species per pixel. The resulting raster layer is plotted in the map tab with a continuous color scale where colder colors denote less species and warmer colors more species. The resulting layer’s resolution depends on the resolution used for building individual species distribution models. +The species richness calculation is implemented in Wallace using the R packages `raster` and `changeRangeR` (Galante et al. 2023). Binary species distribution models of the same resolution projected to the area of interest are stacked and summed to obtain the number of species per pixel. The resulting raster layer is plotted in the Map tab with a continuous color scale where colder colors denote fewer species and warmer colors more species. The resulting layer’s resolution depends on the resolution used for building individual species distribution models. + +These analyses require the following data: + +SDMs to be stacked: These must be binary or thresholded SDMs of the same resolution. You can use a model generated in `wallace` (Wallace SDM, Module: *Map Prediction* in **Component: Visualize Model Results**), a model transferred in time or space in `wallace` (Transferred SDM, **Component: Transfer**), a Masked SDM (**Component: Mask Prediction**), or a model uploaded by the User (User uploaded SDM; uploaded in the **Mask Prediction** component in the *Upload User Prediction* module, see Module: *Upload User Prediction* guidance text for information on uploaded user SDMs). + +--- + +**CONTEXTO** + +Las métricas a nivel de comunidad se pueden calcular combinando estimaciones de rango a través de múltiples especies. La estimación de la riqueza de especies a partir de las predicciones SDM a menudo se realiza mediante la suma de rásteres de predicción de modelos binarios o continuos (Calabrese et al., 2014). Sin embargo, debido a que la riqueza se puede sobreestimar con esta metodología, sugerimos que estas estimaciones se limiten con modelos macroecológicos o filtros bióticos (como se puede hacer en Component: **Mask Prediction**, y ver a Merow et al. 2022). + +**IMPLEMENTACIÓN** + +El cálculo de la riqueza de especies se implementa en Wallace utilizando los paquetes de R `raster` y `changeRangeR` (Galante et al. 2023). Los modelos binarios de distribución de especies de la misma resolución proyectados en el área de interés se apilan y se suman para obtener el número de especies por píxel. La capa ráster resultante se traza en la pestaña Map con una escala de color continua donde los colores más fríos indican menos especies y los colores más cálidos más especies. La resolución de la capa resultante depende de la resolución utilizada para construir modelos de distribución de especies individuales. + +Estos análisis requieren los siguientes datos: + +SDM para apilar: Estos deben ser SDM binarios o con umbral de la misma resolución. Se puede usar un modelo generado en `wallace` (Wallace SDM, Module: *Map Prediction* en **Component: Visualize Model Results**), un modelo transferido en el tiempo o en el espacio en `wallace` (Transferred SDM, **Component: Transfer**), un Masked SDM (**Component: Mask Prediction**) o un modelo cargado por el usuario (User uploaded SDM; cargado en el componente **Mask Prediction** en el módulo *Upload User Prediction*, consulte Módulo: *Upload User Prediction* para obtener información sobre los SDM cargados por el usuario). + +--- **REFERENCES** -references +Calabrese, J.M., Certain, G., Kraan, C., & Dormann, C.F. (2014). Stacking species distribution models and adjusting bias by linking them to macroecological models: Stacking species distribution models. *Global Ecology and Biogeography*, 23(1), 99–112. DOI:10.1111/geb.12102 + +Galante, P.J., Chang, S., Paz, A., Aiello-Lammens, M., Gerstner, B.E., Johnson, B.A., Kass, J.M., Merow, C., Noguera-Urbano, E.A., Pinilla-Buitrago, G.E., and Blair, M.E. (2023). changeRangeR: an R package for reproducible biodiversity change metrics from species distribution estimates. *Conservation Science & Practice*, 5(1), e12863. DOI:10.1111/csp2.12863 + +Merow, C., Galante, P.J., Kass, J.M., Aiello-Lammens, M., Babich Morrow, C., Gerstner, B.E., Grisales-Betancur, V., Moore, A., Noguera-Urbano, E.A., Pinilla- Buitrago, G.E., Velasquez-Tibatá, J., Anderson, R.P., Blair, M.E. (2022). Operationalizing expert knowledge in species' range estimates using diverse data types. *Frontiers of Biogeography*, 14(2), e53589. DOI:10.21425/F5FBG53589 diff --git a/inst/shiny/modules/indic_overlap.md b/inst/shiny/modules/indic_overlap.md index cfe7d2d4..5819f4ab 100644 --- a/inst/shiny/modules/indic_overlap.md +++ b/inst/shiny/modules/indic_overlap.md @@ -2,25 +2,42 @@ **BACKGROUND** -It is helpful to calculate the proportion overlap of a species’ range -with other features, for example different land cover classes, protected areas, habitat types, or ecoregions, different types of threats (any user-defined georeferenced polygon). +It is helpful for conservation planning to calculate the proportion overlap of a species’ range with other features, for example different land cover classes, protected areas, habitat types, or ecoregions, anthropogenic disturbance, or different types of threats (Velásquez-Tibatá et al. 2019). **IMPLEMENTATION** -Wallace calculates proportion overlap using the changeRangeR function ratioOverlap. Shapefiles uploaded can be separated by any fields’ categories in a shapefile’s attribute table. +Wallace calculates proportion overlap using the `changeRangeR` function 'ratioOverlap'. Shapefiles uploaded can be separated by any fields’ categories in a shapefile’s attribute table. Note: If a continuous raster is provided for overlap then proportion of overlap is calculated for each quartile in the environmental raster. These analyses require the following data: -Shapefile/raster: With environmental information relevant to the species’ distribution. *NOTE: You must upload all three files (.shp, .shx, .dbf) when using a shapefile. -(optional) either 1) a shapefile of land cover features or 2) a continuousnraster. Must be in same projection as r parameter. If shp is a raster, then the number of cells within each quantile are calculated -SDM: -Either raster or shapefile object representing a binary range. You can make the model in wallace, upload the sdm in in the User SDM component or use AOO/EOO for calculations +Shapefile/raster: With environmental information relevant to the species’ distribution. *NOTE: You must upload all three files (.shp, .shx, .dbf) when using a shapefile. (optional) either 1) a shapefile of features or 2) a continuous raster. Must be in the same projection as Wallace or a uploaded user SDM. If there is no projection set, Wallace assumes WGS84. If a raster, then the number of cells within each quantile are calculated. +SDM: This can be a continuous or thresholded SDM. You can use a model generated in `wallace` (Wallace SDM, Module: *Map Prediction* in **Component: Visualize Model Results**), a model transferred in time or space in `wallace` (Transferred SDM, **Component: Transfer**), a Masked SDM (**Component: Mask Prediction**), or a model uploaded by the User (User uploaded SDM; uploaded in the **Mask Prediction** component in the *Upload User Prediction* module, see Module: *Upload User Prediction* guidance text for information on uploaded user SDMs). +Overlap calculations appear in the Results tab. -**REFERENCES** +--- + +**CONTEXTO** + +Es útil para la planificación de la conservación calcular la proporción de superposición del rango de una especie con otras características, por ejemplo, diferentes clases de cobertura terrestre, áreas protegidas, tipos de hábitat o ecorregiones, perturbaciones antropogénicas o diferentes tipos de amenazas (Velásquez-Tibatá et al. 2019). + +**IMPLEMENTACIÓN** + +Wallace calcula la superposición de proporciones usando la función `changeRangeR` 'ratioOverlap'. Los archivos en formato shapefile cargados se pueden separar por categorías de campos en la tabla de atributos de un shapefile. Nota: si se proporciona un ráster continuo para la superposición, la proporción de superposición se calcula para cada cuartil en el ráster ambiental. -Merow, C., Galante, P., Gerstner, B., Johnson, B., Kass, J.M., Paz, A., Rosauer, D., Serra, P., Anderson, R.P., Blair, M. "changeRangeR: Translating species’ distributions into conservation metrics". In prep. +Estos análisis requieren los siguientes datos: +Shapefile/raster: Con información ambiental relevante para la distribución de la especie. *NOTA: debe cargar los tres archivos (.shp, .shx, .dbf) cuando utilice un shapefile. (opcional) 1) un shapefile de características o 2) un ráster continuo. Debe estar en la misma proyección que Wallace o el SDM de usuario cargado. Si no se establece una proyección, Wallace asume WGS84. Si es un ráster, se calcula el número de celdas dentro de cada cuantil. + +SDM: Puede ser un SDM continuo o con umbral. Se puede usar un modelo generado en `wallace` (Wallace SDM, Module: *Map Prediction* en **Component: Visualize Model Results**), un modelo transferido en el tiempo o en el espacio en `wallace` (Transferred SDM, **Component: Transfer**), un Masked SDM (**Component: Mask Prediction**) o un modelo cargado por el usuario (User uploaded SDM; cargado en el componente **Mask Prediction** en el módulo *Upload User Prediction*, consulte Módulo: *Upload User Prediction* para obtener información sobre los SDM cargados por el usuario). + +Los cálculos de superposición aparecen en la pestaña Results. + +--- + +**REFERENCES** +Galante, P.J., Chang, S., Paz, A., Aiello-Lammens, M., Gerstner, B.E., Johnson, B.A., Kass, J.M., Merow, C., Noguera-Urbano, E.A., Pinilla-Buitrago, G.E., and Blair, M.E. (2023). changeRangeR: an R package for reproducible biodiversity change metrics from species distribution estimates. *Conservation Science & Practice*, 5(1), e12863. DOI:10.1111/csp2.12863 +Velásquez-Tibatá, J., Olaya-Rodríguez, M.H., López-Lozano, D., Gutiérrez, C., González, I. & Londoño-Murcia, M.C. (2019). BioModelos: A collaborative online system to map species distributions. *PloS ONE* 14(3), e0214522. DOI:10.1371/journal.pone.0214522 diff --git a/inst/shiny/modules/indic_range.md b/inst/shiny/modules/indic_range.md index cf394044..308d21e6 100644 --- a/inst/shiny/modules/indic_range.md +++ b/inst/shiny/modules/indic_range.md @@ -2,35 +2,58 @@ **BACKGROUND** -Calculating the area for range size is as simple as multiplying the number of cells in a binary raster by the resolution (in km squared). This method is most accurate when your raster is projected in an equal-area projection (such as UTM), but you can also get an estimate from an unprojected raster here. +Calculating the area for range size is as simple as multiplying the number of cells in a binary raster by the resolution (in km^2^). This method is most accurate when your raster is projected in an equal-area projection, which best preserves area relationships and has units in meters instead of degrees, but you can also get an estimate from an unprojected raster here (which should be interpreted with caution). -IUCN’s EOO is defined as the area contained within the shortest imaginary (continuous) boundary drawn to encompass all the known (current) occurrences of a taxon, excluding vagrant localities. This measure may exclude discontinuities or disjunctions within the overall distribution of a taxon (e.g., large areas of unsuitable habitat, but see AOO below). The EOO is typically measured by drawing a minimum convex polygon (MCP, also called a convex hull) around occurrence localities, but this may include many large -areas of obviously unsuitable or unoccupied habitat, making a convex hull around a thresholded SDM more appropriate (Kass et al.). +IUCN’s extent of occurrence (EOO) is defined as the area contained within the shortest imaginary (continuous) boundary drawn to encompass all the known (current) occurrences of a taxon, excluding vagrant localities (IUCN 2022). This measure may exclude discontinuities or disjunctions within the overall distribution of a taxon (e.g., large areas of unsuitable habitat, but see AOO below). The EOO is typically measured by drawing a minimum convex polygon (MCP, also called a convex hull) around occurrence localities, but this may include many large areas of obviously unsuitable or unoccupied habitat, making a convex hull around a thresholded SDM potentially more appropriate (Kass et al. 2021). -Within the calculated EOO area, users can calculate the sum of 2x2 km grid cells to calculate the upper bounds of IUCN’s area of occupancy or AOO. AOO is intended to account for unsuitable or unoccupied habitats that may be included in the EOO calculations. - -It is important to follow the guidelines of the relevant IUCN SSC SG when calculating and contributing EOO or AOO measurements to enable consistency across assessments. AOO should be calculated with a standard grid cell size of 2 km (a cell area of 4 km2) in order to ensure consistency and comparability of results in IUCN assessments. +Within the EOO area, users can calculate the sum of 2x2 km grid cells to calculate the upper bounds of IUCN’s area of occupancy or AOO. AOO is intended to account for unsuitable or unoccupied habitats that may be included in the EOO calculations. +It is important to follow the guidelines of the relevant IUCN Species Survival Commission Specialist Group when calculating and contributing EOO or AOO measurements to enable consistency and comparability across assessments (IUCN 2022). **IMPLEMENTATION** -In this module you can calculate areas from a wallace model, a wallace transferred model, a masked model (made in the Mask component), or a user provided SDM. +In this module, you can calculate areas from a model generated in `wallace` (Wallace SDM, Module: *Map Prediction* in **Component: Visualize Model Results**), a model transferred in time or space in `wallace` (Transferred SDM, **Component: Transfer**), a Masked SDM (**Component: Mask Prediction**), or a model uploaded by the User (User uploaded SDM; uploaded in the **Mask Prediction** component in the *Upload User Prediction* module, see Module: *Upload User Prediction* guidance text for information on uploaded user SDMs). +Important: These analyses require a binary/thresholded sdm. + “Range Size” calculates the area in km squared for the species’ range as defined by a binary raster. Users can calculate IUCN’s EOO via two options 1) MCP/convex hull around occurrence localities, 2) MCP/convex hull area of a binary SDM. Users can calculate AOO either 1) with occurrence points, 2) from the pre-masked thresholded SDM, and 3) from the masked thresholded SDM. -These analyses require the following data, depending on the module: +To calculate EOO or AOO using the occurrence points option with an uploaded user prediction, you must have searched for and plotted species' occurrence data, or uploaded a user-specified csv file for your species in the **Occ Data** component prior to uploading the SDM. The name of the SDM raster should match the scientific name of the occurrence records, otherwise Wallace will recognize the SDM as a distinct species. -SDM: This must be a binary/thresholded sdm. You can make the model in wallace or upload the sdm in in the User SDM component. +Metrics appear in the Results tab. -Occurrence records: You must have searched for and plotted species' occurrence data, or uploaded a user-specified csv file for your species in the Occ Data Component. The name of the sdm raster should match the scientific name of the occurrence records. +--- +**CONTEXTO** -**REFERENCES** +Calcular el área para el tamaño del rango es tan simple como multiplicar el número de celdas en un ráster binario por la resolución (en km cuadrados). Este método es más preciso cuando su ráster se proyecta en una proyección de áreas equivalentes, que preserva mejor las relaciones de área y tiene unidades en metros en lugar de grados, pero aquí también puede obtener una estimación de un ráster no proyectado (que debe interpretarse con precaución). + +La extensión de ocurrencia (EOO) de la UICN se define como el área contenida dentro del límite imaginario (continuo) más corto trazado para abarcar todas las ocurrencias conocidas (actuales) de un taxón, excluyendo las localidades errantes (UICN 2022). Esta medida puede excluir discontinuidades o disyunciones dentro de la distribución general de un taxón (p. ej., grandes áreas de hábitat inadecuado, pero consulte AOO a continuación). El EOO generalmente se mide dibujando un polígono convexo mínimo (MCP, también llamado casco convexo) alrededor de las localidades de ocurrencia, pero esto puede incluir muchas áreas grandes de hábitat obviamente inadecuado o desocupado, lo que hace que un casco convexo alrededor de un SDM umbral sea potencialmente más apropiado ( Kass et al. 2021). + +Dentro del área EOO, los usuarios pueden calcular la suma de celdas de cuadrícula de 2x2 km para calcular los límites superiores del área de ocupación de la UICN o AOO. AOO tiene por objeto dar cuenta de los hábitats inadecuados o desocupados que pueden incluirse en los cálculos de EOO. + +Es importante seguir las directrices del Grupo de Especialistas de la Comisión de Supervivencia de Especies de la UICN pertinente al calcular y aportar mediciones de EOO o AOO para permitir la coherencia y la comparabilidad entre las evaluaciones (UICN 2022). + +**IMPLEMENTACIÓN** -IUCN Standards and Petitions Committee. 2019. Guidelines for Using the IUCN Red List Categories and Criteria. Version 14. Prepared by the Standards and Petitions Committee. +En este módulo, puede calcular áreas a partir de un modelo generado en `wallace` (Wallace SDM, Module: *Map Prediction* en **Component: Visualize Model Results**), un modelo transferido en el tiempo o en el espacio en `wallace` (Transferred SDM, **Component: Transfer**), un Masked SDM (**Component: Mask Prediction**) o un modelo cargado por el usuario (User uploaded SDM; cargado en el componente **Mask Prediction** en el módulo *Upload User Prediction*, consulte Módulo: *Upload User Prediction* para obtener información sobre los SDM cargados por el usuario). + Importante: Estos análisis requieren un sdm binario/umbral. + +"Tamaño del rango" calcula el área en km cuadrados para el rango de la especie según lo define un ráster binario. +Los usuarios pueden calcular el EOO de la UICN a través de dos opciones 1) MCP/casco convexo alrededor de las localidades de ocurrencia, 2) MCP/área de casco convexo de un SDM binario. +Los usuarios pueden calcular AOO 1) con puntos de ocurrencia, 2) desde el SDM con umbral preenmascarado y 3) desde el SDM con umbral enmascarado. + +Para calcular EOO o AOO utilizando la opción de puntos de ocurrencia con una predicción de usuario cargada, debe haber buscado y graficado los datos de ocurrencia de especies, o debe haber cargado un archivo csv especificado por el usuario para su especie en el componente **Occ Data** antes de cargar el SDM. El nombre del ráster de SDM debe coincidir con el nombre científico de los registros de ocurrencia; de lo contrario, Wallace reconocerá al SDM como una especie distinta. + +Las métricas aparecen en la pestaña Results. + +--- + +**REFERENCES** -Merow, C., Galante, P., Gerstner, B., Johnson, B., Kass, J.M., Paz, A., Rosauer, D., Serra, P., Anderson, R.P., Blair, M. “changeRangeR: Translating species’ distributions into conservation metrics”. In prep. +Galante, P.J., Chang, S., Paz, A., Aiello-Lammens, M., Gerstner, B.E., Johnson, B.A., Kass, J.M., Merow, C., Noguera-Urbano, E.A., Pinilla-Buitrago, G.E., and Blair, M.E. (2023). changeRangeR: an R package for reproducible biodiversity change metrics from species distribution estimates. *Conservation Science & Practice*, 5(1), e12863. DOI:10.1111/csp2.12863 -Kass et al spiny pocket mice reference. +IUCN. (2022). Guidelines for using the IUCN red list categories and criteria. Version 15.1. IUCN Retrieved from www.iucnredlist.org/resources/redlistguidelines +Kass, J.M., Meenan, S.I., Tinoco, N., Burneo, S.F., & Anderson, R.P. (2021). Improving area of occupancy estimates for parapatric species using distribution models and support vector machines. *Ecological Applications*, 31(1). DOI:10.1002/eap.2228 diff --git a/inst/shiny/modules/indic_time.md b/inst/shiny/modules/indic_time.md index 2db68a9f..d181804f 100644 --- a/inst/shiny/modules/indic_time.md +++ b/inst/shiny/modules/indic_time.md @@ -2,24 +2,43 @@ **BACKGROUND** -For users that have information on past environmental conditions or future scenarios, they can calculate indics in metrics over time and view a line graph and table of those indics. +For users that have information on past environmental conditions or future scenarios for a series of years, they can calculate changes in metrics over time and view a line graph and table of those changes. **IMPLEMENTATION** -Wallace implements the envChange function in changeRangeR. +Wallace implements the envChange function from `changeRangeR`. These analyses require the following data: -SDM: This can be a continuous or thresholded sdm. You can make the model in wallace or upload the sdm in in the User SDM component. +SDM: This can be a continuous or thresholded SDM. You can use a model generated in `wallace` (Wallace SDM, Module: *Map Prediction* in **Component: Visualize Model Results**), a model transferred in time or space in `wallace` (Transferred SDM, **Component: Transfer**), a Masked SDM (**Component: Mask Prediction**), or a model uploaded by the User (User uploaded SDM; uploaded in the **Mask Prediction** component in the *Upload User Prediction* module, see Module: *Upload User Prediction* guidance text for information on uploaded user SDMs). -Environmental data: For example, forest cover data, that include in the filename the year of the data. +Environmental data: In raster file format. The filename must include the year of the dataset. -Threshold value: Enter a value for the environmental data that you want to compare across time within the species' range. +Threshold value: Enter a value for the environmental data that you want to compare across time within the species' range. For example, the lower bound value determined in the **Component: Mask Prediction** in Module: *Temporal Extract* can be entered here for the user to compare what proportion of the range falls above that value for the years where dated environmental rasters (e.g. forest cover) are provided. +--- + +**CONTEXTO** + +Para los usuarios que tienen información sobre condiciones ambientales pasadas o escenarios futuros para una serie de años, pueden calcular los cambios en las métricas a lo largo del tiempo y ver un gráfico de líneas y una tabla de esos cambios. + +**IMPLEMENTACIÓN** + +Wallace implementa la función envChange de `changeRangeR`. + +Estos análisis requieren los siguientes datos: + +SDM: Puede ser un SDM continuo o con umbral. Se puede usar un modelo generado en `wallace` (Wallace SDM, Module: *Map Prediction* en **Component: Visualize Model Results**), un modelo transferido en el tiempo o en el espacio en `wallace` (Transferred SDM, **Component: Transfer**), un Masked SDM (**Component: Mask Prediction**) o un modelo cargado por el usuario (User uploaded SDM; cargado en el componente **Mask Prediction** en el módulo *Upload User Prediction*, consulte Módulo: *Upload User Prediction* para obtener información sobre los SDM cargados por el usuario). + +Datos ambientales: En formato de archivo ráster. El nombre del archivo debe incluir el año del conjunto de datos. + +Valor de umbral: Ingrese un valor para los datos ambientales que desea comparar a lo largo del tiempo dentro del rango de la especie. Por ejemplo, el valor límite inferior determinado en **Component: Mask Prediction** del módulo *Temporal Extract* se puede ingresar aquí para que el usuario compare qué proporción del rango cae por encima de ese valor para los años en los que se proporcionan rásteres ambientales fechados (por ejemplo, cobertura forestal). + +--- **REFERENCES** -Merow, C., Galante, P., Gerstner, B., Johnson, B., Kass, J.M., Paz, A., Rosauer, D., Serra, P., Anderson, R.P., Blair, M. "changeRangeR: Translating species’ distributions into conservation metrics". In prep. +Galante, P.J., Chang, S., Paz, A., Aiello-Lammens, M., Gerstner, B.E., Johnson, B.A., Kass, J.M., Merow, C., Noguera-Urbano, E.A., Pinilla-Buitrago, G.E., and Blair, M.E. (2023). changeRangeR: an R package for reproducible biodiversity change metrics from species distribution estimates. *Conservation Science & Practice*, 5(1), e12863. DOI:10.1111/csp2.12863 diff --git a/inst/shiny/modules/mask_expPoly.md b/inst/shiny/modules/mask_expPoly.md index a1f47b14..9d5da333 100644 --- a/inst/shiny/modules/mask_expPoly.md +++ b/inst/shiny/modules/mask_expPoly.md @@ -2,17 +2,42 @@ **BACKGROUND** -Range models may omit areas of presence, or include areas where the species does not exist. Expert knowledge can improve the realism of range models, either by adding suitable regions to a model or removing unsuitable ones. +Range models may omit areas of presence, or include areas where the species does not exist. Expert knowledge can improve the realism of range models, either by adding suitable regions to a model or removing unsuitable ones, representing additional information that was not included as predictors in the SDM training (Velásquez-Tibatá et al. 2019). Wallace allows users to specify expert-defined areas to add or remove to the model in a transparent and reproducible way. **IMPLEMENTATION** +This module relies on the R package `maskRangeR` to post-process an SDM by drawing a polygon or uploading a user-specified shapefile or CSV file representing a polygon (Merow et al. 2022). + These analyses require the following data: -Expert defined area: This may be an area to add or remove to the species’ distribution. In wallace, you can draw a polygon or upload a polygon area to add or remove from the sdm. -SDM: This can be a continuous or thresholded sdm. You can make the model in wallace or upload the sdm in in the User SDM component. -Note: You can only remove a polygon from a continuous model prediction. You can add or remove a polygon to a thresholded model prediction. -Lets try the last Mask module +Expert defined area: This may be an area to add to or remove from the species’ distribution. In Wallace, you can draw a polygon directly while in map view, or upload a polygon area shapefile to add or remove the area from the SDM. + +SDM: This can be a continuous or thresholded SDM. You can use a model generated in `wallace` (Wallace SDM, Module: *Map Prediction* in **Component: Visualize Model Results**), a model transferred in time or space in `wallace` (Transferred SDM, **Component: Transfer**), or use a model uploaded by the User (User uploaded SDM, this component). You can also make an additional mask on a previously Masked SDM. Note that if you wish to make more than one mask, the SDM tab will default to Masked SDM to update the mask. This means the previous mask will be lost if it is not saved before proceeding. + +Note: You can add or remove a polygon to a thresholded model prediction. However, you can only remove a polygon from a continuous model prediction. + +--- + +**CONTEXTO** + +Los modelos de distribución pueden omitir áreas de presencia o incluir áreas donde la especie no existe. El conocimiento experto puede mejorar el realismo de los modelos de rango, ya sea agregando regiones adecuadas a un modelo o eliminando las inadecuadas, lo que representa información adicional que no se incluyó como predictores en el entrenamiento SDM (Velásquez-Tibatá et al. 2019). Wallace permite a los usuarios especificar áreas definidas por expertos para agregar o eliminar del modelo de manera transparente y reproducible. + +**IMPLEMENTACIÓN** + +Este módulo se basa en el paquete R `maskRangeR` para postprocesar un SDM dibujando un polígono o cargando un shapefile especificado por el usuario o un archivo CSV que representa un polígono (Merow et al. 2022). + +Estos análisis requieren los siguientes datos: + +Área definida por expertos: Esta puede ser un área para agregar o eliminar de la distribución de la especie. En Wallace, puede dibujar un polígono directamente mientras está en la vista de mapa, o cargar un shapefile de área de polígono para agregar o eliminar el área del SDM. + +SDM: Puede ser un SDM continuo o con umbral. Se puede usar un modelo generado en `wallace` (Wallace SDM, Module: *Map Prediction* en **Component: Visualize Model Results**), un modelo transferido en el tiempo o en el espacio en `wallace` (Transferred SDM, **Component: Transfer**), o usar un modelo cargado por el Usuario (User uploaded SDM, este componente). También puede hacer una máscara adicional en un SDM previamente enmascarado. Tenga en cuenta que si desea crear más de una máscara, la pestaña SDM se establecerá de forma predeterminada en SDM enmascarado para actualizar la máscara. Esto significa que la máscara anterior se perderá si no se guarda antes de continuar. + +Nota: Puede agregar o quitar un polígono a una predicción de modelo con umbral. Sin embargo, solo puede eliminar un polígono de una predicción de modelo continua. + +--- **REFERENCES** -Merow, C., P. J. Galante, C. Babich Morrow, J. M. Kass, A. Moore, B. E. Gerstner, V. Grisales-Betancur, G. E. Pinilla- Buitrago, E. A. Noguera-Urbano, J. Velasquez-Tibatá, R. P. Anderson, M. E. Blair. Operationalizing expert knowledge in species' range estimates using diverse data types: the R package maskRangeR. https://cmerow.github.io/maskRangeR/c +Merow, C., Galante, P.J., Kass, J.M., Aiello-Lammens, M., Babich Morrow, C., Gerstner, B.E., Grisales-Betancur, V., Moore, A., Noguera-Urbano, E.A., Pinilla- Buitrago, G.E., Velasquez-Tibatá, J., Anderson, R.P., Blair, M.E. (2022). Operationalizing expert knowledge in species' range estimates using diverse data types. *Frontiers of Biogeography*, 14(2), e53589. DOI:10.21425/F5FBG53589 + +Velásquez-Tibatá, J., Olaya-Rodríguez, M.H., López-Lozano, D., Gutiérrez, C., González, I. & Londoño-Murcia, M.C. (2019). BioModelos: A collaborative online system to map species distributions. *PloS ONE* 14(3), e0214522. DOI:10.1371/journal.pone.0214522 diff --git a/inst/shiny/modules/mask_spatial.md b/inst/shiny/modules/mask_spatial.md index 14e7ae76..b605b25b 100644 --- a/inst/shiny/modules/mask_spatial.md +++ b/inst/shiny/modules/mask_spatial.md @@ -2,16 +2,41 @@ **BACKGROUND** -Range models may include areas where the species does not exist. Expert knowledge can improve the realism of range models by removing unsuitable regions from a model - for example, a shape file of rivers and streams can be used to mask out model predictions on land for freshwater fish. Or, a shapefile of cloud forest extent can be used to mask out any non-cloud forest areas from the model prediction for a mammal found only in cloud forest - +Range models may include areas where the species does not exist. Expert knowledge can improve the realism of range models towards realized distributions (Soberón 2007) by removing unsuitable regions from a model - for example, a shape file of rivers and streams can be used to mask out model predictions on land for freshwater fish. Or, a shapefile of cloud forest extent can be used to mask out any non-cloud forest areas from the model prediction for a mammal found only in cloud forest (Gerstner et al. 2018). Additional information not included as a predictor in the SDM can be described by masks that differentiate potential habitat from non-habitat. **IMPLEMENTATION** +This module relies on the R package `maskRangeR` to post-process or ‘mask’ an SDM using a user-specified shapefile (Merow et al. 2022). + These analyses require the following data: Shapefile: With environmental information relevant to the species’ distribution. *NOTE: You must upload all three files (.shp, .shx, .dbf) -SDM: This can be a continuous or thresholded sdm. You can make the model in wallace or upload the sdm in in the User SDM component. + +SDM: This can be a continuous or thresholded sdm. You can use a model generated in `wallace` (Wallace SDM, Module: *Map Prediction* in **Component: Visualize Model Results**), a model transferred in time or space in `wallace` (Transferred SDM, **Component: Transfer**), or use a model uploaded by the User (User uploaded SDM, this component). You can also make an additional mask on a previously Masked SDM. Note that if you wish to make more than one mask, the SDM tab will default to Masked SDM to update the mask. This means the previous mask will be lost if it is not saved before proceeding. + +--- + +**CONTEXTO** + +Los modelos de distribución pueden incluir áreas donde la especie no existe. El conocimiento experto puede mejorar el realismo de los modelos de rango hacia las distribuciones realizadas (Soberón 2007) al eliminar las regiones inadecuadas de un modelo; por ejemplo, se puede usar un shapefile de ríos y arroyos para enmascarar las predicciones del modelo en tierra para los peces de agua dulce. También, se puede usar un shapefile de la extensión del bosque nuboso para enmascarar cualquier área que no sea bosque nuboso de la predicción del modelo para un mamífero que se encuentra solo en el bosque nuboso (Gerstner et al. 2018). La información adicional no incluida como predictor en el SDM se puede describir mediante máscaras que diferencian el hábitat potencial del no hábitat. + +**IMPLEMENTACIÓN** + +Este módulo se basa en el paquete de R `maskRangeR` para postprocesar o 'enmascarar' un SDM utilizando un shapefile especificado por el usuario (Merow et al. 2022). + +Estos análisis requieren los siguientes datos: + +Shapefile: Con información ambiental relevante para la distribución de la especie. *NOTA: Debe cargar los tres archivos (.shp, .shx, .dbf) + +SDM: Puede ser un SDM continuo o con umbral. Se puede usar un modelo generado en `wallace` (Wallace SDM, Module: *Map Prediction* en **Component: Visualize Model Results**), un modelo transferido en el tiempo o en el espacio en `wallace` (Transferred SDM, **Component: Transfer**), o usar un modelo cargado por el Usuario (User uploaded SDM, este componente). También puede hacer una máscara adicional en un SDM previamente enmascarado. Tenga en cuenta que si desea crear más de una máscara, la pestaña SDM se establecerá de forma predeterminada en SDM enmascarado para actualizar la máscara. Esto significa que la máscara anterior se perderá si no se guarda antes de continuar. + +--- **REFERENCES** -Merow, C., P. J. Galante, C. Babich Morrow, J. M. Kass, A. Moore, B. E. Gerstner, V. Grisales-Betancur, G. E. Pinilla- Buitrago, E. A. Noguera-Urbano, J. Velasquez-Tibatá, R. P. Anderson, M. E. Blair. Operationalizing expert knowledge in species' range estimates using diverse data types: the R package maskRangeR. https://cmerow.github.io/maskRangeR/ +Gerstner, B.E., Kass, J.M., Kays, R., Helgen, K.M., & Anderson, R.P. (2018). Revised distributional estimates for the recently discovered olinguito (*Bassaricyon neblina*), with comments on natural and taxonomic history. *Journal of Mammalogy*, 99(2), 321-332. DOI:10.1093/jmammal/gyy012 + +Merow, C., Galante, P.J., Kass, J.M., Aiello-Lammens, M., Babich Morrow, C., Gerstner, B.E., Grisales-Betancur, V., Moore, A., Noguera-Urbano, E.A., Pinilla- Buitrago, G.E., Velasquez-Tibatá, J., Anderson, R.P., Blair, M.E. (2022). Operationalizing expert knowledge in species' range estimates using diverse data types. *Frontiers of Biogeography*, 14(2), e53589. DOI:10.21425/F5FBG53589 + +Soberón, J. (2007). Grinnellian and Eltonian niches and geographic distributions of species. *Ecology Letters*, 10, 1115–1123. DOI:10.1111/j.1461-0248.2007.01107.x + diff --git a/inst/shiny/modules/mask_temp.md b/inst/shiny/modules/mask_temp.md index 2cf9201e..32f7b154 100644 --- a/inst/shiny/modules/mask_temp.md +++ b/inst/shiny/modules/mask_temp.md @@ -2,20 +2,59 @@ **BACKGROUND** -When creating SDMs, best practice dictates using environmental data that temporally match the occurrence records. However, this is not always realistic. Often, many occurrence records are from museum specimens that do not have relevant environmental data, e.g. forest cover. In such cases, recent occurrence records may be temporally matched to recent environmental data in order create a mask of values outside of observed ranges. This mask can be applied to the SDM to remove those geographic areas that are unsuitable for the species. +When creating SDMs, best practice dictates using environmental predictors that temporally match the occurrence records. However, this is not always realistic. Often, many occurrence records are from museum specimens that do not have relevant environmental data, e.g. forest cover or do not have information on collection date. In such cases, recent occurrence records may be temporally matched to recent environmental data in order to create a mask of values outside of observed ranges (Gavrutenko et al. 2021). This mask can be applied to the SDM to remove those geographic areas that are unsuitable for the species. Such a data-driven determination of thresholds for masking can be used for many species with limited recent records, and may also prove useful for processing of expert range maps or other pre-existing range estimates that do not take into account human modifications of the environment. + +An expert may have knowledge of habitat requirements but only possess a rough estimate of the quality of habitat required to distinguish suitable from unsuitable areas, e.g., the critical threshold of the percentage of forest cover in a particular area (grid cell) necessary to qualify as suitable. In this case, known presence locations of the species can be used to guide the expert’s estimate of this threshold by using forest cover data available in those pixels (time-matched to correspond to the species’ observation). Reliability of the data-driven thresholding will depend in part on how well occurrences match environmental data, in terms of resolution (georeferencing error vs. spatial resolution) and timing (Merow et al. 2022). + **IMPLEMENTATION** -In wallace, a data-driven determination of thresholds for masking is implemented using recent records with a simple, conservative methodology that can be used for many species with limited recent records, and also will prove useful for processing of expert range maps or other pre-existing range estimates that do not take into account human modifications of the environment. Dated occurrence records can be temporally matched with the dated environmental rasters (e.g. forest cover) to obtain values per occurrence. The values at occurrence records are shown in a results table, where the user can decide what quantile of environmental value to use as bounds to mask a model for a given year to produce an estimate of the species' range for that year that takes into account the value threshold. +This module relies on the R package `maskRangeR` to implement two approaches to generating thresholds and masking SDMs using raster datasets that delimit suitable/occupied locations from unsuitable/unoccupied ones: + +1. In 'expert-driven thresholding', an expert with a priori knowledge of requirements for a given filter to distinguish suitable conditions from unsuitable ones can apply that filter to mask an SDM using this module using raster dataset(s) describing the conditions. For example, an expert may estimate that a grid cell must contain at least 50% forest to be suitable for a forest-obligate species. + +2. In 'data-driven thresholding', dated occurrence records can be temporally matched with dated environmental rasters (e.g. forest cover) to obtain values per occurrence. The values at occurrence records are shown in the Results tab, where the user can decide what quantile of environmental value to use as lower and upper bounds to mask a model for a given year and produce an estimate of the species' range for that year that takes into account the value threshold (Gavrutenko et al. 2021). These analyses require the following data: -SDM: This can be a continuous or thresholded sdm. You can make the model in wallace or upload the sdm in in the User SDM component. +SDM: This can be a continuous or thresholded sdm. You can use a model generated in `wallace` (Wallace SDM, Module: *Map Prediction* in **Component: Visualize Model Results**), a model transferred in time or space in `wallace` (Transferred SDM, **Component: Transfer**), or use a model uploaded by the User (User uploaded SDM, this component). You can also make an additional mask on a previously Masked SDM. Note that if you wish to make more than one mask, the SDM tab will default to Masked SDM to update the mask. This means the previous mask will be lost if it is not saved before proceeding. + +Recent environmental data: In raster file format. Must include in the filename the year of the dataset. + +Dated occurrence records: To use the data-driven analysis part of this module, you must also upload in **Component: Occ Data** a user-specified csv file for your species that includes a column “year” denoting the years for your occurrence data. These years should match the years for the environmental data that you upload in this module. + +Users can compare how different choices of thresholds may result in different calculations of range size and changes in range size over time and view a line graph and table of those changes in **Component: Indicators** in the *Calculate Change over Time* module. + +--- + +**CONTEXTO** + +Al crear SDM, las mejores prácticas dictan el uso de predictores ambientales que coincidan temporalmente con los registros de ocurrencia. Sin embargo, esto no siempre es realista. Frecuentemente, muchos registros de ocurrencia provienen de especímenes de museo que no tienen datos ambientales relevantes, p. ej., cobertura forestal, o no tienen información sobre la fecha de recolección. En tales casos, los registros de ocurrencia recientes pueden coincidir temporalmente con datos ambientales recientes para crear una máscara de valores fuera de los rangos observados (Gavrutenko et al. 2021). Esta máscara se puede aplicar al SDM para eliminar aquellas áreas geográficas que no son aptas para la especie. Tal determinación basada en datos de los umbrales para el enmascaramiento se puede utilizar para muchas especies con registros recientes limitados, y también puede resultar útil para el procesamiento de mapas de distribución de expertos u otras estimaciones de distribución preexistentes que no tienen en cuenta las modificaciones humanas del medio ambiente. -Recent environmental data: For example, forest cover data, that include in the filename the year of the data. +Un experto puede tener conocimiento de los requisitos del hábitat, pero solo poseer una estimación aproximada de la calidad del hábitat requerida para distinguir las áreas adecuadas de las no adecuadas, por ejemplo, el umbral crítico del porcentaje de cobertura forestal en un área particular (cuadrícula) necesario para calificar como adecuado. En este caso, las ubicaciones de presencia conocidas de la especie se pueden usar para guiar la estimación del experto de este umbral mediante el uso de datos de cobertura forestal disponibles en esos píxeles (coincidencia temporal para corresponder a la observación de la especie). La confiabilidad del umbral basado en datos dependerá en parte de qué tan bien las ocurrencias coincidan con los datos ambientales, en términos de resolución (error de georreferenciación versus resolución espacial) y tiempo (Merow et al. 2022). -Dated occurrence records: To use this module, you must have already uploaded a user-specified csv file for your species that includes a column “year” with the years for occurrence data. These years should match the environmental data that you upload. +**IMPLEMENTACIÓN** + +Este módulo se basa en el paquete de R `maskRangeR` para implementar dos enfoques para generar umbrales y enmascarar SDM utilizando conjuntos de datos ráster que delimitan las ubicaciones adecuadas/ocupadas de las inadecuadas/desocupadas: + +1. En la 'definición de umbrales impulsada por expertos', un experto con conocimiento a priori de los requisitos de un filtro determinado para distinguir las condiciones adecuadas de las inadecuadas puede aplicar ese filtro para enmascarar un SDM utilizando este módulo usando conjuntos de datos ráster que describen las condiciones. Por ejemplo, un experto puede estimar que una celda de cuadrícula debe contener al menos un 50 % de bosque para ser adecuada para una especie obligada por el bosque. + +2. En el 'umbral basado en datos', los registros de ocurrencia fechados pueden coincidir temporalmente con rásteres ambientales fechados (p. ej., cobertura forestal) para obtener valores por ocurrencia. Los valores en los registros de ocurrencia se muestran en la pestaña Results, donde el usuario puede decidir qué cuantil de valor ambiental usar como límites inferior y superior para enmascarar un modelo para un año determinado y producir una estimación del rango de la especie para ese año que tiene en cuenta el valor umbral (Gavrutenko et al. 2021). + +Estos análisis requieren los siguientes datos: + +SDM: Puede ser un SDM continuo o con umbral. Se puede usar un modelo generado en `wallace` (Wallace SDM, Module: *Map Prediction* en **Component: Visualize Model Results**), un modelo transferido en el tiempo o en el espacio en `wallace` (Transferred SDM, **Component: Transfer**), o usar un modelo cargado por el Usuario (User uploaded SDM, este componente). También puede hacer una máscara adicional en un SDM previamente enmascarado. Tenga en cuenta que si desea crear más de una máscara, la pestaña SDM se establecerá de forma predeterminada en SDM enmascarado para actualizar la máscara. Esto significa que la máscara anterior se perderá si no se guarda antes de continuar. + +Datos ambientales recientes: En formato de archivo ráster. Debe incluir en el nombre del archivo el año del conjunto de datos. + +Registros de ocurrencia fechados: para usar la parte de análisis basado en datos de este módulo, también debe cargar en **Component: Occ Data** un archivo csv especificado por el usuario para su especie que incluye una columna "año" que indica los años para sus datos de ocurrencia. Estos años deben coincidir con los años de los datos ambientales que carga en este módulo. + +Los usuarios pueden comparar cómo las diferentes opciones de umbrales pueden resultar en diferentes cálculos del tamaño del rango y los cambios en el tamaño del rango a lo largo del tiempo y ver un gráfico de líneas y una tabla de esos cambios en **Componente: Indicators** en el Módulo *Calculate Change over Time*. + +--- **REFERENCES** -Merow, C., P. J. Galante, C. Babich Morrow, J. M. Kass, A. Moore, B. E. Gerstner, V. Grisales-Betancur, G. E. Pinilla- Buitrago, E. A. Noguera-Urbano, J. Velasquez-Tibatá, R. P. Anderson, M. E. Blair. Operationalizing expert knowledge in species' range estimates using diverse data types: the R package maskRangeR. https://cmerow.github.io/maskRangeR/ +Gavrutenko, M., Gerstner, B.E., Kass, J.M., Goodman, S.M. & Anderson, R.P. (2021). Temporal matching of occurrence localities and forest cover data helps improve range estimates and predict climate change vulnerabilities. *Global Ecology and Conservation*, 27, e01569. DOI:10.1016/j.gecco.2021.e01569 + +Merow, C., Galante, P.J., Kass, J.M., Aiello-Lammens, M., Babich Morrow, C., Gerstner, B.E., Grisales-Betancur, V., Moore, A., Noguera-Urbano, E.A., Pinilla- Buitrago, G.E., Velasquez-Tibatá, J., Anderson, R.P., Blair, M.E. (2022). Operationalizing expert knowledge in species' range estimates using diverse data types. *Frontiers of Biogeography*, 14(2), e53589. DOI:10.21425/F5FBG53589 diff --git a/inst/shiny/modules/mask_userSDM.R b/inst/shiny/modules/mask_userSDM.R index f8a51d0e..bc66846d 100644 --- a/inst/shiny/modules/mask_userSDM.R +++ b/inst/shiny/modules/mask_userSDM.R @@ -33,7 +33,7 @@ mask_userSDM_module_server <- function(input, output, session, common) { if (sppName %in% names(spp)) { logger %>% writeLog(hlSpp(sppName), type = 'warning', - "Species already registered (**).") + "SDM uploaded matches previously loaded occurrence data.") } } @@ -59,7 +59,7 @@ mask_userSDM_module_server <- function(input, output, session, common) { spp[[sppName]]$mask$userThr <- userThr spp[[sppName]]$mask$userSDM <- userSDMs$sdm * 1 spp[[sppName]]$mask$userPolyExt <- userSDMs$extSdm - logger %>% writeLog(hlSpp(sppName), "User SDM prediction loaded (**)") + logger %>% writeLog(hlSpp(sppName), "User SDM prediction loaded") # METADATA #### spp[[sppName]]$rmm$code$wallace$userSDM <- TRUE diff --git a/inst/shiny/modules/mask_userSDM.md b/inst/shiny/modules/mask_userSDM.md index fe41a3db..e8944529 100644 --- a/inst/shiny/modules/mask_userSDM.md +++ b/inst/shiny/modules/mask_userSDM.md @@ -2,10 +2,23 @@ **BACKGROUND** -Here, you have the option to upload an SDM that you already made to use for downstream components. +Here, you have the option to upload a prediction such as an SDM that you already made to use in other modules in this component, or for downstream components. **IMPLEMENTATION** -Make sure any model you upload in User SDM is projected and has the same name as the scientific name of your species occurrence csv file as in "Genus_species.tif". -Note that some downstream modules (Mask - add polygon and changeRR - area calculations) require thresholded sdms instead of continuous predictions. +This module uses the `raster` package to enable the user to upload a file in .tif format. Make sure any model you upload in *Upload User Prediction* is projected and has the same name as the scientific name of your species occurrence csv file as in “Genus_species.tif”. Note that some other modules in this component (e.g., Module: *Mask by Drawn Polygon*) and in the Indicators component (e.g., Module: *Calculate Area Metrics*) require thresholded (binary) instead of continuous predictions. + +If users intend to use the *Temporal Extract* module in Component: **Mask**, or *Calculate Change Over Time* module in Component: **Indicators**, occurrence data for the species needs to be upload (using either query or user-specified) **BEFORE** uploading the SDM, and the genus and species names need to match. + +--- + +**CONTEXTO** + +Aquí, se tiene la opción de cargar una predicción, como un SDM que ya se realizó para usar en otros módulos de este componente, o para componentes posteriores. + +**IMPLEMENTACIÓN** + +Este módulo utiliza el paquete `raster` para permitir al usuario cargar un archivo en formato .tif. Asegúrese de que cualquier modelo que cargue en Cargar predicción de usuario se proyecte y tenga el mismo nombre que el nombre científico del archivo csv de ocurrencia de su especie como en "Genus_species.tif". Tenga en cuenta que algunos otros módulos en este componente (Módulo: *Mask by Drawn Polygon*) y en el componente **Indicadores** (Módulo: *Calculate Area Metrics*) requieren predicciones con umbral (binarias) en lugar de predicciones continuas. + +Si los usuarios tienen la intención de utilizar el módulo de *Extracción temporal* en Component: **Mask**, o el módulo *Calcular cambio a lo largo del tiempo* en Component: **Indicators**, los datos de presencia de la especie deben cargarse (usando consultas o especificados por el usuario) **ANTES** de cargar el SDM, y los nombres de género y especie deben coincidir. diff --git a/inst/shiny/ui.R b/inst/shiny/ui.R index 6f8e7543..4da3e906 100644 --- a/inst/shiny/ui.R +++ b/inst/shiny/ui.R @@ -597,7 +597,7 @@ tagList( conditionalPanel( "input.tabs == 'rep' & input.repSel == 'rep_biomodelos'", column(8, - includeMarkdown("custom_modules/rep_biomodelos.Rmd") + includeMarkdown("custom_modules/rep_biomodelos.md") ) ), conditionalPanel(