种类分布模型，使用R中的Dismo包中的randomPoints（）函数来产生伪缺数据：错误消息

Question

目标：

我的目标是使用Dismo包中的函数randomPoints（）构建物种分布预测模型，其最终目的是生成伪缺失点并进行绘图他们在地图上。这些点将被转换为，以便从MODIS文件中提取元数据（即海面盐度，叶绿素水平等），作为重要的生态预测指标，以确定它们如何影响蓝鲸的分布。 这个想法是将存在和伪缺失数据以及相关的元数据值插入到

通用线性混合（GLM）中，

最终将使我的模型更加平衡和准确。

问题概述：

我正在尝试使用

randomPoints（）函数遵循此species distribution exercise生成伪缺点（期望输出：请参见图1）。

但是，在运行R代码（请参见下文）之后，我遇到此R错误消息（请参阅下文）。我的r代码还生成了一个绘制有GPS点的地图（图像2）。

错误消息：

错误（函数（类，fdef，mtable）：无法为签名“” standardGeneric””找到函数“ nlayers”的继承方法

我试图找到解决方案。但是，在使用R中的映射方面，我是一个相对较新的人，对于这里的问题，我感到非常困惑！

我的数据帧包含

918行

，我想产生与存在点相同数量的伪缺席点。不幸的是，我无法发布数据，但提供了一个mini data frame

作为示例。 如果有人可以帮助我，我将非常感激！

非常感谢！

R-code：

 ###Open Packages

    library("sp")
    library("rgdal")
    library("raster")
    library("maptools")
    library("rgdal")
    library("dismo")
    library("spatialEco")
    library("ggplot2")
    library("dplyr")
    library("maps")
    library("ggspatial")
    library("GADMTools")
    library("maps")

    ##Mini Dataframe
    Blue.whale_New <- data.frame(longitude = c(80.5, 80.5, 80.5, 80.5, 80.4, 80.4, 80.5, 80.5, 80.4),
                             latitude = c(5.84, 5.82, 5.85, 5.85, 5.89, 5.82, 5.82, 5.84, 5.83))


    ####World Bioclim Data + GADM Object

    ##Creating an array object with just longitude and latitude decimal coordinates
    ##Upload the maps
    ##Plotting the map of Sri Lanka
    ###GADM OBJECT

    dev.new()
    bioclim1.data <- getData('GADM', country='LKA', level=1)

    #####Worldclim raster layers

    bioclim.data <- getData(name = "worldclim",
                            var = "bio",
                            res = 2.5,
                            path = "./")

    ####Get bounding box of Sri Lanka shape file
    bb=bioclim1.data@bbox

    # Determine geographic extent of our data
    max.lat <- ceiling(max(Blue.whale$latitude))
    min.lat <- floor(min(Blue.whale$latitude))
    max.lon <- ceiling(max(Blue.whale$longitude))
    min.lon <- floor(min(Blue.whale$longitude))
    geographic.extent <- extent(x = c(min.lon, max.lon, min.lat, max.lat))

    #####Plot map
    dev.new()

    plot(bioclim1.data, 
         xlim = c(min(c(min.lon,bb[1,1])), max(c(max.lon,bb[1,2]))),
         ylim = c(min(c(min.lat,bb[2,1])), max(c(max.lat,bb[2,2]))),
         axes = TRUE, 
         col = "grey95")

    # Add the points for individual observation
    points(x = Blue.whale$longitude, 
           y = Blue.whale$latitude, 
           col = "olivedrab", 
           pch = 15, 
           cex = 0.50)

    ###Building a model and visualising results

    ##Crop bioclim data to geographic extent of blue whales GADM Map
    bioclim.data.blue.whale_1<-crop(x=bioclim1.data, y=geographic.extent)

    ##Crop bioclim data to geographic extent of blue whales World Clim
    bioclim.data.blue.whale_2<-crop(x = bioclim.data, y = geographic.extent)

    #Build distribution mode using the World Clim)

    bw.model <- bioclim(x = bioclim.data, p = Blue.whale_New)

    # Predict presence from model
    predict.presence <- dismo::predict(object = bw.model, x = bioclim.data, ext = geographic.extent)

    # Plot base map

    dev.new()

    plot(bioclim1.data, 
         xlim = c(min(c(min.lon,bb[1,1])), max(c(max.lon,bb[1,2]))),
         ylim = c(min(c(min.lat,bb[2,1])), max(c(max.lat,bb[2,2]))),
         axes = TRUE, 
         col = "grey95")

    # Add model probabilities
    plot(predict.presence, add = TRUE)

    # Redraw those country borders
    plot(bioclim1.data, add = TRUE, border = "grey5")

    # Add original observations
    points(Blue.whale_New$longitude, 
           Blue.whale_New$latitude, 
           col = "olivedrab", pch = 20, cex = 0.75)

    ##Psuedo Absence Points

    # Use the bioclim data files for sampling resolution
    bil.files <- list.files(path = "data/wc2-5", 
                            pattern = "*.bil$", 
                            full.names = TRUE)

    # Randomly sample points (same number as our observed points)

    ##Mask = provides resolution of sampling points
    ##n = number of random points
    ##ext = Spatially restricts sampling
    ##extf = expands sampling a little bit

    background <- randomPoints(mask = mask,    
                               n = nrow(Blue.whale_New),     
                               ext = geographic.extent, 
                               extf = 1.25)  

#Error in (function (classes, fdef, mtable)  : 
  unable to find an inherited method for function ‘nlayers’ for signature ‘"standardGeneric"’  

解决问题后，我计划运行的代码

Visualize the pseudo-absence points on a map:

# Plot the base map

dev.new()

plot(bioclim1.data, 
     xlim = c(min(c(min.lon,bb[1,1])), max(c(max.lon,bb[1,2]))),
     ylim = c(min(c(min.lat,bb[2,1])), max(c(max.lat,bb[2,2]))),
     axes = TRUE, 
     col = "grey95")

# Add the background points
points(background, col = "grey30", pch = 1, cex = 0.75)

# Add the observations
points(x = Blue.whale_New$longitude, 
       y = Blue.whale_New$latitude, 
       col = "olivedrab", 
       pch = 20, 
       cex = 0.75)

box()

# Arbitrarily assign group 1 as the testing data group
testing.group <- 1

# Create vector of group memberships
group.presence <- kfold(x = Blue.whale_New, k = 5) # kfold is in dismo package

图像1（所需输出）

图像2：

[目标：我的目标是使用Dismo包中的函数randomPoints（）建立物种分布预测模型，其最终目的是生成伪缺失点并将其绘制在...上]] >>

[我认为您的问题是您没有向randomPoints函数传递适当的遮罩（例如，栅格图层），而是向mask函数本身传递了，这是

standardGeneric

，因此错误消息。

您可以从要使用的预测变量栅格中生成一个遮罩，然后将其传递给randomPoints函数

mask_r <- bioclim1.data[[1]] #just one raterLayer
mask_r[!is.na(mask_r)] <- 1 #set all non-NA values to 1
background <- randomPoints(mask = mask_r, #note the proper mask layer    
                           n = nrow(Blue.whale_New),     
                           ext = geographic.extent, 
                           extf = 1.25)

我尚未检查，但是此解决方案应该有效。
最佳，
Emilio

Answer 1

[我认为您的问题是您没有向randomPoints函数传递适当的遮罩（例如，栅格图层），而是向mask函数本身传递了，这是

standardGeneric

，因此错误消息。