Abstract
La detección precoz de las especies de plantas invasoras es vital para la gestión de los recursos naturales y la protección del ecosistema. El uso de la teledetección por satélite para el mapeo de la distribución de las plantas invasoras es cada vez más común, los métodos de clasificación de software de imagen y sin embargo convencionales han demostrado ser poco fiables. En este estudio, probar y evaluar el uso de cinco especies de distribución técnicas de ajuste del modelo con los datos de teledetección por satélite para trazar tamariscos invasivos (Tamarix spp.) A lo largo del río Arkansas en el sureste de Colorado. Los modelos probados incluyeron impulsado árboles de regresión (BRT), Random Forest (RF), multivariado de regresión adaptativa estrías (MARS), modelo lineal generalizado (GLM), y Maxent. Estos análisis se realizaron utilizando un paquete de software de nuevo desarrollo llamado el Software Asistida Hábitat Modeling (SAHM). Todos los modelos fueron entrenados con 499 puntos de presencia, 10.000 puntos de pseudo-ausencia, y las variables predictoras acquired del sensor Landsat 5 Thematic Mapper (TM) durante un período de ocho meses para distinguir tamariscos de la vegetación riparia nativa utilizando la detección de diferencias fenológicas. De las escenas Landsat, se utilizó bandas individuales y se calcula Índice de Vegetación Normalizado (NDVI), Índice de suelo-vegetación Ajustado (SAVI), y transformaciones rematados con borlas. Los cinco modelos identificados distribución tamariscos actual sobre el paisaje basan en el umbral de éxito independiente y métricas de evaluación dependientes de umbral con los datos de localización independientes. Para dar cuenta de las diferencias específicas modelo, produjimos un conjunto de los cinco modelos con salida de mapa de áreas de acuerdo y áreas de incertidumbre destacando. Nuestros resultados demuestran la utilidad de los modelos de distribución de especies en el análisis de los datos obtenidos por teledetección y la utilidad de la cartografía del conjunto, y muestran la capacidad de Sahm en el pre-procesamiento y ejecución de múltiples modelos complejos.
Introduction
Los ecosistemas ribereños y de humedales en todo el suroeste de los Estados Unidos están siendo amenazadas por la invasión de tamariscos (Tamarix spp.), Un arbusto leñoso no nativa introducida de Eurasia en la década de 1800 1. Tamariscos tiene muchos mecanismos fisiológicos que permiten que el género para explotar los recursos de agua, fuera de competencia a las especies nativas, y alterar los procesos del ecosistema 1-2. distribuciones de mapeo de tamariscos para evaluar los impactos ambientales y la formulación de estrategias eficaces de control son de alta prioridad para los gerentes de recursos. Aunque estudios sobre el terreno siguen siendo utilizados regularmente, no son prácticos para las áreas extremadamente grandes debido a los costes asociados a la mano de obra, tiempo y logística.
teledetección por satélite ha desempeñado un papel importante, pero limitado, papel en la detección y mapeo de las infestaciones de tamariscos. Clasificación convencional y análisis de teledetección han tenido un éxito marginal 3-5. Varios estudios recienteshan explorado enfoques no tradicionales para detectar las plantas invasoras utilizando datos de teledetección 1,6. Tamariscos, al igual que muchas plantas invasoras, exhibe variación fenológica durante todo el período de crecimiento que se diferencia de la fenología de las especies nativas de ribera. En algunas áreas, por ejemplo, tamariscos hoja debe realizarse antes de algunas plantas nativas de ribera, y tamariscos conserva su follaje más tiempo que otras especies nativas. Mediante el uso de bandas espectrales e índices espectrales derivados de una serie temporal de datos de satélite a lo largo de la temporada de crecimiento, podemos distinguir tamariscos de plantas nativas en base a estas diferencias fenológicas 1,6. Sobre la base de la obra de Evangelista et al. 2009 1, en este estudio hemos incorporado 1-7 bandas individuales a partir de una serie de tiempo de Landsat 5 Thematic Mapper (TM) imágenes de satélite y derivados índice normalizado de diferencia de vegetación (NDVI), el suelo ajustada al índice de vegetación (SAVI), y la gorra con borla transformaciones de una de estas bandas. diferen normalizadoce índice de vegetación (NDVI) es uno de los índices espectrales más comúnmente utilizados para estimar la biomasa de la vegetación, la cubierta de copas, y los índices de área foliar 8-9, y es una transformación no lineal de la relación entre lo visible (rojo) y cercano 10 bandas de infrarrojo. Índice de vegetación del suelo ajustados (SAVI) es un NDVI modificado utilizado para minimizar los efectos de fondo del suelo en los índices de vegetación 11. transformaciones tapa con borlas se ponderan los compuestos de las seis bandas Landsat en tres bandas ortogonales que miden el brillo del suelo (tapón con borlas, banda 1), verdor de la vegetación (tapa con borlas, banda 2), y la humedad del suelo / vegetación (tapa con borlas, banda 3) y a menudo se utilizan para distinguir composición de la vegetación, clase de edad y estructurar 12-14. Se utilizaron los coeficientes reportados en Crist (1985) 15 para todas las transformaciones de tapa con borlas.
En este estudio, evaluamos cinco modelos de distribución de especies con una serie temporal de bandas espectrales y verdurasvegeta- índices derivados de Landsat 5 TM para trazar un mapa de tamariscos a lo largo de la parte baja del río Arkansas en el sureste de Colorado, EE.UU.. El río Arkansas, que abarca 2.364 kilometros (1.469 millas), es el segundo afluente más importante en el sistema de Missouri-Mississippi. Su cuenca abarca 435.123 kilometros 2 (168.002 millas 2) con cabeceras en las Montañas Rocosas de Colorado. Desde su origen en 2965 m, el Arkansas desciende considerablemente en la elevación, la nivelación de cerca de Pueblo, CO, y serpentea a través de las tierras agrícolas y las praderas de pasto corto. El río está sujeta a inundaciones estacionales y es invocado por el uso del agua municipal y agrícola en Rocky Ford, La Junta, y Lamar, antes de continuar en Kansas, Oklahoma y Arkansas donde desemboca en el río Mississippi. Tamariscos fue observada por primera vez en el río Arkansas por R. Niedrach en 1913 cerca de la actual ciudad de Lamar 16. Hoy en día, se ha estimado que tamariscos cubre más de 100 km 2 entre Pueblo y el Estado de Kansas linE, con otros 60 kilómetros adicionales 2 a lo largo de los afluentes del río Arkansas 17. El área de estudio comprende acequias, pantanos, tierras agrícolas, y las confluencias de varios afluentes; todos con diferentes grados de infestación de tamariscos. La ganadería y la agricultura son la principal tierra-usa junto a los corredores ribereños que consisten en gran medida de la alfalfa, heno, maíz y trigo de invierno.
Los modelos de distribución de especies dependen de ocurrencias georreferenciados (es decir, latitud y longitud) para identificar las relaciones entre la aparición de una especie y su entorno 18. Los datos ambientales pueden incluir la teledetección múltiple y otras capas espaciales. Los cinco modelos de distribución de las especies analizadas incluyen árboles de regresión impulsadas (BRT) 19, bosques aleatorios (RF) 20, multivariante de regresión adaptativa estrías (MARS) 21, un modelo lineal generalizado (GLM) 22, y Maxent 23. Estos cinco modEL algoritmos están entre los más comúnmente empleado para el modelado de distribución de las especies, y una serie de estudios han demostrado su eficacia 24-25. Se utilizó el software para Asistida v Hábitat Modeling (SAHM). 2.0 módulos para ejecutar los cinco modelos, que están contenidos en VisTrails v.2.2.2 26 de visualización y software de procesamiento. Hay varias ventajas de utilizar Sahm para el modelado comparativo. Además de la formalización y el registro de los procesos de modelado manejable, Sahm permite a los usuarios trabajar con múltiples algoritmos de modelo de distribución de especies que, de forma individual, tienen interfaces dispares, software y archivos de formato 27. Sahm produce métricas de evaluación coherentes umbral independientes y de umbral dependiente de evaluar el rendimiento del modelo. Una de ellas es el área bajo la curva característica de funcionamiento del receptor (AUC), una métrica independiente umbral que evalúa la capacidad de un modelo para discriminar la presencia de fondo 28. Un val AUCue de 0,5 o menos indica predicciones del modelo no son mejores o peores que al azar; valores entre 0,5 y 0,70 indican el mal funcionamiento; y los valores que aumentaron de 0,70 a 1,0 significan a la vez más alto rendimiento. Otra métrica es el porcentaje correctamente clasificada (PCC), una métrica depende umbral que pesa sensibilidad y especificidad sobre la base de un umbral definido por el usuario métrica; sensibilidad mide el porcentaje de presencias observadas clasificado como adecuado y especificidad mide el porcentaje de ubicaciones de fondo clasifican como no aptos. Sin embargo, otro indicador es Estadística Habilidad True (TSS = sensibilidad especificidad + - 1), que pone más peso sobre la sensibilidad del modelo de especificidad, con valores que oscilan entre -1 y 1, donde los valores> 0 indican un mejor desempeño de los modelos de probabilidad 29.
Para asignar tamariscos utilizando los resultados del modelo, se construyó clasificaciones binarias utilizando el umbral que iguala la sensibilidad y especificidad para definir el presencia o ausencia de tamariscos. Estos mapas derivados modelo individual se suman entonces para crear un mapa conjunto 30. Ensemble mapas combinan las predicciones de los modelos de distribución de especies individuales para producir un mapa que clasifica clasificado el convenio colectivo de los modelos probados. Por ejemplo, un valor de la celda conjunto de uno indica que sólo un modelo clasificado que la célula como un hábitat adecuado, mientras que un valor de cinco indica que todos los cinco modelos clasifican la célula como un hábitat adecuado. Una ventaja de este enfoque es que los mapas de conjunto producen un error significar más baja que cualquier modelo individual. También permite a los usuarios comparar visualmente el rendimiento de cada modelo probado. Nuestro objetivo general es proporcionar una descripción detallada de estos métodos que se pueden adaptar para modelar la distribución actual de las especies en el paisaje.
Protocol
1. Recolección de datos de campo
- Derivar datos de campo de tamariscos de un conjunto de datos vectoriales polígono recogido por la Coalición Taray en una encuesta a nivel estatal en 2005 y 2006 17.
NOTA: Los datos se obtuvieron a través de una inspección sobre el terreno intensiva, donde los técnicos de campo asignado todos los tamariscos se encuentra a lo largo del río Arkansas utilizando Sistemas de Posicionamiento Global (GPS) y fotografías aéreas. - Dentro de estos polígonos, generará 499 puntos al azar (es decir, presencias) para entrenar a los modelos. Colocar dos conjuntos de restricciones en los puntos al azar: (1) se requiere que cada punto de ser> 30 m de cualquier borde de un polígono para asegurarse de que está dentro de la tamariscos pie a una resolución TM Landsat 5; y (2) se requiere que cada punto de ser ≥ 60 m de cualquier punto vecino, para asegurar una distribución robusta a través del sitio de estudio y reducir al mínimo la autocorrelación espacial.
- Compilar los datos de campo en un archivo de MS Excel en tres columnas con los encabezados etiquetados como "respuesta""X" y "Y", donde los valores de respuesta son (1) la presencia, easting UTM para X y coordenada Y UTM para Y. Guardar este archivo en formato CSV para su uso en Sahm (módulo fielddata).
- Generar un 100 puntos aleatorios adicionales dentro de los polígonos de tamariscos de la Coalición Taray y otros 100 puntos al azar fuera de los polígonos como datos de prueba independientes para evaluar los resultados del modelo. Guarde este archivo en formato CSV para su uso en Sahm (módulo fielddata).
2. Las variables predictoras
- Descargar imágenes Landsat 5 TM superficie de reflectancia L4-5 (Ruta 32, fila 34) a partir de la US Geological Survey Global espectador visualización / EarthExplorer (http://earthexplorer.usgs.gov/). Las escenas incluyen la medida de la muestra por la Coalición de Colorado Taray en 2005 y 2006 17. Para determinar los meses utilizados para los modelos, seleccione escenas que son en gran medida libre de nubes (es decir, <10% la cobertura de nubes) y representative de meses se pensaba que tenían fenología tamariscos distinguibles; estos fueron octubre de 2004, abril de 2005, mayo de 2005, junio de 2005, julio de 2005, septiembre de 2005, abril de 2006, mayo de 2006, junio de 2006, julio de 2006, agosto de 2006, septiembre de 2006 y noviembre de 2006.
- Descargar la herramienta de Derivación de detección remota de Índices
https://github.com/rander38/Remote-Sensing-Indices-Derivation-Tool. - Ejecutar la secuencia de comandos de Python en la herramienta, ya sea GDAL o la versión ArcPy; Se recomienda GDAL.
- Seleccione el sensor satélite adecuado, los índices deseados, y establecer el archivo de imagen de entrada y la carpeta de salida donde se almacenarán los archivos (Figura 1). Hemos exportado las bandas individuales y utilizamos el brillo NDVI, SAVI, y Tasseled Cap, verdor, y los índices de humedad derivada de cada una de las escenas Landsat TM. Tenga en cuenta que cualquier índice pueden ser modificados o añadidos al alterar el archivo Sensors_Formulas_RSIDT.ini.
Figura 1. Índices de detección remota Derivación GUI de la herramienta.
- Ejecutar la herramienta y verificar los archivos de salida visual en ArcMap v. 10.0 (ESRI, Redlands, CA) u otro sistema de información geográfica de software.
3. Software Asistida Hábitat Modeling (SAHM) (Figura 2)
Figura 2. El flujo de trabajo Sahm incluye datos de entrada, pre-procesamiento, análisis de modelo preliminar y la decisión, modelos correlativos, y las rutinas de salida.
- Para ejecutar Sahm, descargar archivos en primer lugar (incluyendo VisTrails) desde el sitio web del US Geological Survey en https://my.usgs.gov/catalog/RAM/SAHM. Consulte la Guía del usuario en el mismo sitio web para obtener instrucciones detalladas sobre cómo descargar e instalar Sahm. Tenga en cuenta que el sitio web también tiene una tutoria Sahml y datos para obtener instrucciones adicionales.
- Para desarrollar los modelos de distribución de especies tamariscos, utilice el archivo SAHM_tutorial_2.0.vt que viene con el paquete de descarga (en la carpeta de ejemplos Sahm). En la vista Historial, seleccione el flujo de trabajo independiente ubicaciones. Los otros ejemplos de flujo de trabajo pueden ser seleccionados y dependen de los objetivos del estudio; Se proporcionan descripciones de cada uno. Seleccione la tubería.
- Establecer la carpeta de salida, yendo a paquetes y luego Sahm> Cambiar sesión de carpetas. A lo largo del proceso de desarrollo de flujo de trabajo, descripciones detalladas de cada paso y opciones se pueden encontrar mediante la selección de la ficha de documentación se encuentra en la parte derecha de la pantalla del visor Sahm. Todos los módulos que figuran en los siguientes métodos se pueden encontrar en el lado izquierdo de la ventana Sahm bajo la etiqueta de Sahm.
- A continuación, directa SAHM a los datos de campo que seráutilizado para entrenar a los modelos de distribución de especies.
- Haga clic en el módulo TemplateLayer. Vaya a la trama que se utiliza como una máscara y para definir la proyección, tamaño de celda y el alcance de los análisis.
- Haga clic en el módulo fielddata en el lado izquierdo del flujo de trabajo. Navegar a .csv (es decir, training.csv) de archivos de datos de campo (puntos de presencia o puntos de presencia y ausencia) en el módulo de datos de campo.
- Haga clic en el módulo PredictorListFile y navegar a .csv lista de archivos (por ejemplo, un archivo que contiene la ruta completa de todos los predictores a utilizar en el modelo- el manual del usuario).
- A continuación, llevar a cabo pasos de preprocesamiento.
- Haga clic en el módulo FieldDataQuery y llena la columna con el encabezado de la columna de respuesta para la respuesta (es decir, los nombres de columna en la FieldData.csv), columnas X e Y.
- Haga clic en el módulo MDSBuilder. Ajuste el backgroundPointField a 10.000.
NOTA: Si está utilizando datos de presencia y ausencia de la especie que se está modelando, no es necesario cambiar el backgroundPointField; usted incluyera en estos lugares con una respuesta (0) en el campo data.csv. Existe la opción de establecer un backgroundProbSurf si desea limitar la selección del punto del fondo dentro de un área apuntando a una superficie de trama con valores que van de 0 a 100 (estos valores representan la probabilidad de que un punto generado aleatoriamente será retenido en caso de caer dentro de una en particular de células). Para este estudio, utilizar un backgroundProbSurf con valores de 100 en un tampón de 5.000 m del río Arkansas y 0 para las áreas fuera de esta memoria intermedia (basado en el área total muestreada por la coalición tamariscos).
- A continuación, especifique los algoritmos de modelado de distribución de las especies que se utilizarán.
- Tenga en cuenta que la BoostedRegressionTree, GLM, MARS, y RandomForest módulos ya están configurados en el flujo de trabajo de ubicaciones independiente. Añadir el módulo MAXENT al flujo de trabajo para poner a prueba los cinco modelos. Conectarlo al módulo CovariateCorrelationAndSelection.
NOTA: Comience con la configuración predeterminada para todos los modelos; estos pueden ser modificadas en función de los objetivos del estudio (véase la documentación del modelo para más detalles). - Añadir un módulo ModelOutputViewer y conectarlo al módulo MAXENT; cambiar a la columna y la fila 5 a 1. El ModelOutputViewer produce una hoja de cálculo que puede ser utilizado para las comparaciones de resultados de modelo.
- Haga clic en el módulo OutputName y escriba un nombre de subcarpeta.
- Tenga en cuenta que la BoostedRegressionTree, GLM, MARS, y RandomForest módulos ya están configurados en el flujo de trabajo de ubicaciones independiente. Añadir el módulo MAXENT al flujo de trabajo para poner a prueba los cinco modelos. Conectarlo al módulo CovariateCorrelationAndSelection.
- A continuación, agregue un módulo que crea un conjunto de resultados de los modelos. Este módulo produce dos mapas de salida; uno con la probabilidad continua media de todas las salidas incluidos y un segundo con el recuento del número de modelos con un bin positivoprobabilidad ary.
- Añadir un módulo EnsembleBuilder al flujo de trabajo. Existe la opción de establecer un umbral de métrica; para este estudio, elegir el AUC y dejar el valor umbral en el valor por defecto de 0,75. Esto asegurará que los únicos modelos con un valor de AUC mayor que o igual a 0.75 se incluyen en las salidas mapa del conjunto. Conectar el BoostedRegressionTree, GLM, MARS, randomForest, y los módulos MAXENT a la EnsembleBuilder.
- A continuación, dirigir los modelos a los datos de prueba independientes.
- Haga clic en el otro módulo fielddata (lado derecho del flujo de trabajo) y busque el archivo .csv que contiene los datos de validación del modelo. Estos son los 200 puntos de presencia y ausencia generados en el paso 1.4 del protocolo.
- Haga clic en el módulo de FieldDataQuery y asegúrese de que la respuesta, x, y y columnas coinciden con las columnas in los datos de campo .csv.
- Añadir un módulo ApplyModel y conectarlo al módulo MAXENT. Añadir un módulo ModelOutputViewer y conectarlo a este módulo ApplyModel; cambiar la columna a 5 y la fila a 1. En el menú, seleccione Paquetes -> Sahm -> Modo de procesamiento de cambios. Puesto que desea ejecutar más de un modelo, algunos modelos única forma secuencial (n - 1 núcleos cada uno). Esto acelerará el tiempo de ejecución de los modelos mediante el aprovechamiento de múltiples núcleos de ordenador.
- A continuación, ejecutar los modelos de distribución de especies.
- Guarde el archivo y .vt continuación, haga clic en Ejecutar.
- Cuando aparezca el widget CovariateCorrelationAndSelection (Figura 3), de-seleccione uno de cada par de variables correlacionadas en el que el coeficiente de correlación es | r | ≥ 0,7 (basado en% Desviación explica a partir de un general univariado zado modelo aditivo se ve en en el lado izquierdo de este widget (Figura 3) y las decisiones informadas ecológicos; en este estudio prioridad a la selección de al menos una de covarianza para cada mes para capturar la variación fenológica en tamarisk). El número de parcelas en la ventana de visualización se puede cambiar escribiendo en un número (el valor predeterminado es 8) y hacer clic en Actualizar.
- Después de finalizar la selección de covarianza, seleccione Aceptar en la parte inferior del widget CovariateCorrelationAndSelection (Figura 3). Para este estudio, se conservaron los siguientes 9 variables: July_30_2006_Brightness, June_09_2005_SAVI, Sept_16_2006_SAVI, May_24_2005_B4, Oct_28_2004_NDVI, April_22_2005_Brightness, April_09_2006_SAVI, Aug_31_2006_B4, y Nov_19_2006_SAVI. Los modelos de distribución de especies se ejecutará después de seleccionar OK.
jpg "/>
Figura 3. correlación covariables y la selección de la interfaz Sahm.
- Resultados de salida.
NOTA: Después de que los modelos han completado, aparece una hoja de cálculo VisTrails para la comparación de modelos (Figura 4)- Comparación de las parcelas de las AUC, las salidas de texto, curvas de respuesta, calibración, matriz de confusión, los residuos y las curvas de respuesta a través de modelos.
NOTA: La salida de los modelos SAHM incluye una matriz CovariateCorrelationOutputMDS confusión, gráfico de residuos, gráfico de calibración, la trama evaluación del modelo, la trama variable de importancia, una carpeta curvas de respuesta, una carpeta de salida ampliado, mapa de binario, mapa lío, mapa Ministerio de Defensa, el mapa prob, residual mapa, y un salida.txt; consulte la Guía del usuario para obtener más Sahm descripción.
- Comparación de las parcelas de las AUC, las salidas de texto, curvas de respuesta, calibración, matriz de confusión, los residuos y las curvas de respuesta a través de modelos.
Figura 4. VisTrails hojas de cálculo se pueden utilizar para evaluar los resultados del modelo. Esto esla comparación de modelos AUC para la formación de datos; de izquierda a derecha, los modelos son BRT, GLM, MARS, RF y Maxent, respectivamente.
Representative Results
Las evaluaciones estadísticas de BRT, RF, MARS, GLM, y Maxent en base a los datos de prueba independientes indicaron los cinco modelos realizan relativamente bien en la detección de tamariscos; había poca diferencia entre los umbrales de métricas de evaluación independientes y dependientes umbral entre modelos. Los valores de AUC fueron> 0,88, por ciento de los valores correctamente clasificados fueron> 77%, sensibilidad y especificidad fueron> 0,77, y SST fueron> 0,54 (Tabla 1). Un conjunto de resultados de los modelos binarios reveló mucho acuerdo modelo en áreas a lo largo del río Arkansas (Figura 5). El lío (multivariante superficie similitud ambiental) salidas de los mapas para cada modelo indicaron el medio ambiente a disposición del área de estudio fue bien muestreada (Figura 6), además de incrementar la confianza en el conjunto enfoque.
formas ">Tabla 1. Umbral independiente (AUC) y el umbral dependiente (PCC, sensibilidad, especificidad, y SST) métricas de evaluación para BRT, RF, MARS, GLM, y los modelos de Maxent se ajustan a una prueba independiente conjunto de datos de la presencia y la ausencia de tamariscos.
Figura 5. Resultados de conjunto combinando BRT, GLM, MARS, RF, y los mapas de salida binarias Maxent en ArcGIS. Áreas son de color según el número de modelos de acuerdo, desde 0 (sin color) al 5 (de color rojo). Tenga en cuenta el área coloreada en la esquina noroeste de la predicción; esta línea es un artefacto de imágenes Landsat; Por lo tanto, los resultados del modelo deben tomarse con precaución en esta región. Por favor, haga clic aquí para ver una versión más grande de esta figura.
Figura 6. multivariado superficie similitud ambiental (ETM) de salida.target = "_ blank"> Haga clic aquí para ver una versión más grande de esta figura.
De los nueve predictores utilizados, 30 de Junio de 2006 El brillo fue la variable más importante para los cinco modelos (Tabla 2). Esta fue la única variable retenida por GLM por etapas basado en el criterio de información de Akaike (AIC, lo que es el valor predeterminado para la selección del modelo GLM en Sahm), sin embargo, es importante tener en cuenta este modelo incluye también un término al cuadrado de esta variable. RF y Maxent conservan todas las variables por defecto.
| Vaticinador | BRT | RF | MARTE | GLM | maxent |
| 30 de de julio de de 2006 Brillo | 41.60 | 34.11 | 76.78 | 100 | 67.27 |
| El 31 de de agosto de de 2006 la banda 4 | 6.35 | 5.87 | 5.16 | 0 | 2.82 |
| 09 de junio de de 2005 Savi? | 13.67 | 14.09 | 9.14 | 0 | 9.75 |
| 22 de de abril de de 2005 Brillo | 6.29 | 6.30 | 0 | 0 | 0.43 |
| 28 de de octubre de de 2004 NDVI | 5.66 | 8.25 | 0 | 0 | 2.94 |
Tabla 2. Importancia relativa de los predictores en cada modelo.
Discussion
Nuestros resultados demuestran BRT apropiado, RF, MARS, GLM, y Maxent con puntos de presencia para tamariscos y una serie temporal de datos de imágenes de satélite Landsat de teledetección puede distinguir tamariscos en el paisaje y es una alternativa eficaz a los métodos tradicionales de clasificación de una sola escena. Está claro a partir de nuestros resultados que junio es un momento particularmente importante para la detección de tamariscos dentro de nuestra área de estudio; esto concuerda con Evangelista et al., 2009 1, que indica junio La humedad fue el predictor más importante para la ocurrencia de tamariscos en esta área en base a un modelo de ajuste Maxent con una serie temporal de imágenes Landsat.
Los otros índices y las bandas espectrales que se incluyeron en el BRT, RF, Marte y modelos Maxent pueden distinguir mejor tamariscos del sustrato de tierra, otros árboles de hoja caduca como los álamos (Populus spp.) Y el sauce (Salix spp.), O la agricultura de riego que es común en la parte inferiorcuenca del río Arkansas. Otras capas de SIG, como la topografía, tipos de suelo, o los datos climáticos también podrían ser considerados como covariables y se incluyen en estos modelos, pero se recomienda reducirlas al mínimo, si el objetivo es detectar la distribución de especies actual sobre el paisaje en lugar de predecir el potencial ocurrencia o un hábitat adecuado.
Los modelos probados para nuestra investigación proporcionan una fuerte capacidad analítica y múltiples opciones para la evaluación de los resultados. Tener todos estos modelos correlativos en un marco único, como Sahm, permite la formalización y el registro tratable del proceso de modelado. Pre- y post-procesamiento de las variables predictoras de respuesta y están estandarizados en Sahm, permitiendo mejores y eficientes comparaciones de modelos, mientras que los flujos de trabajo registran cada paso de los análisis que facilitan la modificación, la iteración y la replicación.
mapeo conjunto tiene como objetivo combinar los puntos fuertes de varios modelos correlativos, al tiempo que minimiza la weakness de ningún modelo 30. Creemos que este fue el caso de nuestro estudio; Sin embargo, advertimos que los modelos que una rentabilidad inferior (es decir, menores de predecir o exceso de predecir) pueden debilitar los resultados generales. El uso limitado de mapeo conjunto en la literatura ha tenido resultados favorables, pero la mayoría de estos enfoques han tratado de "predecir" la ocurrencia de especies en lugar de "detectar". Por otra parte, el mapeo conjunto permite realizar una evaluación visual de incertidumbre entre los diferentes métodos de modelado, la identificación de los niveles de acuerdo modelo. Lo más a menudo es la elección del método de modelado (por ejemplo, GLM frente BRT) que tiene mayor impacto cuantificable sobre los resultados del modelo en lugar de otras decisiones en el proceso de modelado, como la ubicación incertidumbre de los datos 31. Aunque creemos que nuestra mejor mapa tamariscos es donde los cinco modelos están de acuerdo, más pruebas y uso de diferentes métodos de mapeo conjunto se recomienda (por ejemplo, ponderado por el AUC) 32 </ Sup>, y lo mejor validada a través de las observaciones de campo independientes. En resumen, estos métodos pueden ser fácilmente adaptados para modelar la distribución de otras especies usando las variables ambientales derivados para una región dada en estudio SAHM.
Materials
| Name | Company | Catalog Number | Comments |
| Earth Explorer | USGS | http://earthexplorer.usgs.gov | Open Access: Yes |
| Remote Sensing Indices Derivation Tool | github | https://github.com/rander38/Remote-Sensing-Indices-Derivation-Tool | Open Access: Yes |
| Software for Assisted Habitat Modeling | USGS | https://my.usgs.gov/catalog/RAM/SAHM | Open Access: Yes |
| ArcGIS v.10.3 | Esri | https://www.arcgis.com/features/ | Open Access: No |
References
- Evangelista, P. H., Stohlgren, T. J., Morisette, J. T., Kumar, S. Mapping invasive tamarisk (Tamarix): a comparison of single-scene and time-series analyses of remotely sensed data. Remote Sensing. 1, 519-533 (2009).
- DiTomaso, J. M. Impact, biology, and ecology of saltcedar (Tamarix spp.) in the southwestern United States. Weed Technology. 12, 326-336 (1998).
- Evangelista, P., Kumar, S., Stohlgren, T., Crall, A., Newman, G. Modeling above-ground biomass of Tamarisk ramosissima in the Arkansas River Basin of Southeastern Colorado, USA. Western North American Naturalist. 67 (4), 503-509 (2007).
- Hirano, A., Madden, M., Welch, R. Hyperspectral image data for mapping wetland vegetation. Wetlands. 23 (2), 436-448 (2003).
- Ge, S., Carruthers, R., Gong, P., Herrera, A. Texture analysis for mapping Tamarix pariviflora using aerial photographs along Cache Creek, California. Environmental Monitoring and Assessment. 114, 65-83 (2006).
- Hamada, Y., Stow, D. A., Coulter, L. L., Jafolla, J. C., Hendricks, L. W. Detecting tamarisk species (Tamarisk spp.) in riparian habitats of Southern California using high spatial resolution hyperspectral imagery. Remote Sensing of Environment. 109, 237-248 (2007).
- York, P., Evangelista, P., Kumar, S., Graham, J., Flather, C., Stohlgren, T. A Habitat Overlap Analysis derived from Maxent for Tamarisk and the Southwestern Willow Flycatcher. Frontiers of Earth Science. 5 (2), 120-129 (2011).
- Myneni, R. B., Ramakrishna, R., Nemani, R., Running, S. W. Estimation of global leaf area index and absorbed par using radiative transfer models. Geoscience and Remote Sensing. 35 (6), 1380-1393 (1997).
- Todd, S. W., Hoffer, R. M., Milchunas, D. G. Biomass estimation on grazed and ungrazed rangelands using spectral indices. International Journal of Remote Sensing. 19 (3), 427-438 (1998).
- Rouse, J. W., Haas, R. H., Schell, J. A., Deering, D. W. Monitoring vegetation systems in the Great Plains with ERTS. Proceedings of the Third Earth Resources Technology Satellite-1 Symposium. , (1974).
- Huete, A. R. A Soil-Adjusted Vegetation Index (SAVI). Remote Sensing of Environment. 25, 295-309 (1988).
- Kauth, R. J., Thomas, G. S. The tasselled cap - a graphic description of the spectral-temporal development of agricultural crops as seen in Landsat. Proceedings of the Symposium on Machine Processing of Remotely Sensed Data. , LARS, Purdue University. West Lafayette, Indiana. 41-51 (1976).
- Cohen, W. B., Spies, T. A., Fiorella, M. Estimating the age and structure of forests in a multi-ownership landscape of western Oregon, USA. International Journal of Remote Sensing. 16, 721-746 (1995).
- Jin, S., Sader, S. Comparison of time series tasselled cap wetness and the normalized difference moisture index in detecting forest disturbances. Remote Sensing of Environment. 94 (3), 364-372 (2005).
- Crist, E. P. A TM Tasseled Cap equivalent transformation for reflectance factor data. Remote Sensing of Environment. 17 (3), 301-306 (1985).
- Lindauer, I. E. A comparison of the plant communities of the South Platte and Arkansas River drainages in eastern Colorado. The Southwestern Naturalist. 28 (3), 249-259 (1983).
- Riparian Restoration: Assessment of alternative technologies for tamarisk control, biomass reduction and revegetation. , Tamarisk Coalition. Available from: http://www.tamariskcoalition.org (2008).
- Guisan, A., Zimmerman, N. Predictive habitat distribution models in ecology. Ecological Modeling. 135, 147-186 (2000).
- Friedman, J. H., Hastie, T., Tibshirani, R. Additive logistic regression: a statistical view of boosting. Annals of Statistics. 28 (2), 337-407 (2000).
- Breiman, L.
- Friedman, J. H.
- McCullagh, P., Nelder, J. A. Generalized Linear Models, 2nd ed. , Chapman and Hall. London. (1989).
- Phillips, S. J., Anderson, R. P., Schapire, R. E. Maximum entropy modeling of species geographic distributions. Ecological Modelling. 190 (3-4), 231-259 (2006).
- Araujo, M. B., New, M.
- Elith, J., Graham, C. H. Do they? How do they? Why do they differ? On finding reasons for differing performances of species distribution models. Ecography. 32, 66-77 (2009).
- Freire, J., Silva, C., Callahan, S., Santos, E., Schedegger, C. Managing rapidly-evolving scientific workflows. International Provenance and Annotation Workshop (IPAW). Moreau, L., Foster, I. , Springer. 10-18 (2006).
- Morisette, J. T., Jarnevich, C. S., Holcombe, T. R., Talbert, C. B., Ignizio, D., Talbert, M. K., et al. VisTrails SAHM: visualization and workflow management for species habitat modeling. Ecography. 36 (2), 129-135 (2013).
- Fielding, A. H., Bell, J. F. A review of methods for the assessment of prediction errors in conservation presence/absence models. Environmental Conservation. 24, 38-49 (1997).
- Allouche, O., Tsoar, A., Kadmon, R. Assessing the accuracy of species distribution models: prevalence, kappa and the true skill statistic (TSS). Journal of Applied Ecology. 43 (6), 1223-1232 (2006).
- Stohlgren, T. J., Ma, P., Kumar, S., Rocca, M., Morisette, J., Jarnevich, C. S. Ensemble habitat mapping of invasive plant species. Risk Analysis. 30, 224-235 (2010).
- Dormann, C. F., Purschke, O., Marquez, J. R. G., Lautenbach, S., Schrader, B. Components of uncertainty in species distribution analysis: A case study of the great grey shrike. Ecology. 89, 3371-3386 (2008).
- Marmion, M., Parviainen, M., Luoto, M., Heikkinen, R. K., Thuiller, W. Evaluation of consensus methods in predictive species distribution modelling. Diversity and Distributions. 15, 59-69 (2009).
