Saat ini saya menyusun daftar spesimen dari database berbagai museum sejarah alam untuk penelitian lebih lanjut. Namun, masalah yang diketahui terkait dengan sebagian besar data historis adalah kurangnya lintang dan bujur yang tepat yang mencegah seseorang untuk menggunakan data tersebut.
Ada beberapa cara untuk mengatasi data itu - seperti menggambar buffer di sekitar suatu wilayah dan memberikan serangkaian ketidakpastian terkait dengan lokasi itu.
Misalnya, fungsi - biogeomancer dari paket 'spasial' dalam R, mengotomatiskan proses georeferensi, asalkan ada beberapa deskripsi tekstual seperti "2 mil sebelah barat XYZ". Lihat dokumentasi di sini.
Namun, perhatian utama saya adalah menggunakan protokol seperti itu untuk daerah seluas 200 km persegi. Apakah ada cara orang dapat mengatasi masalah itu? Saya ingin sekali menggunakan data museum yang kaya ini, asalkan saya bisa mengatasi ketidakpastian yang terkait dengan lokasinya.
Contoh beberapa spesimen dalam dataset saya ditunjukkan di bawah ini. Harap dicatat bahwa banyak dari mereka datang dengan menyebutkan ketinggian, tetapi sebagian besar catatan sangat kabur.
EDIT
Di bagian komentar, salah satu dari Anda menyebutkan tujuan pertanyaan ini dan apa yang cenderung saya capai dari hal yang sama.
1. Saya tertarik pada bagaimana sekali dapat mengurangi jari-jari ketidakpastian dari daerah poligon yang sangat lebar menjadi jari-jari ketidakpastian yang lebih kecil (jika mungkin).
2. Informasi ini akan membantu saya melakukan analisis spasial di masa depan seperti pemodelan distribusi spesies / pemodelan hunian misalnya.
sumber
Jawaban:
Pertimbangkan tanggal kejadian, dan cobalah untuk mendapatkan (membangun, georeferensi) peta jalan, jalur kereta api, jembatan dan kota-kota (desa, stasiun kereta api) yang dikenal atau tersedia pada waktu itu untuk wilayah tersebut, karena biasanya naturalis berangkat dari desa yang dikenal dan setidaknya sebagian menggunakan jalan atau kereta api yang ada untuk sampai ke daerah di mana mereka mendapatkan spesimen. Terkadang ini benar-benar mengurangi kemungkinan area pengumpulan / oksi. Jika ada beberapa informasi ekologis lebih lanjut tentang spesies, Anda dapat mengesampingkan daerah, misalnya. lahan terbuka vs hutan, lahan basah vs lahan kering, juga dengan beberapa informasi tambahan tentang distribusi bersejarah ekosistem ini.
Meskipun saya pasti tidak akan menggunakan lokasi-lokasi ini untuk melatih model sdm, Anda dapat menggunakan hasil model untuk mengurangi ketidakpastian lokasi terjadinya georeferensi buruk dalam kombinasi dengan data yang disebutkan di atas.
Beberapa makalah baru-baru ini membahas efek bias dari lokasi yang tidak pasti ini dan jika menggunakan data lingkungan yang dirangkum dapat digunakan untuk mengkompensasi lokasi fuzzy ini:
Di mana ketidakpastian posisi merupakan masalah bagi pemodelan distribusi spesies? https://onlinelibrary.wiley.com/doi/pdf/10.1111/j.1600-0587.2013.00205.x
Mengkuantifikasi tingkat bias dari menggunakan data skala kabupaten dalam pemodelan distribusi spesies: Dapatkah meningkatkan ukuran sampel atau menggunakan data lingkungan rata-rata kabupaten mengurangi prediksi distribusi berlebihan? https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5551104/
sumber