整合与物种分布模型遥感;映射红柳入侵使用软件进行辅助建模居（SAHM）

检测入侵植物物种对于自然资源管理和生态系统保护至关重要。在这项研究中，我们在新开发的辅助栖息地建模软件中展示了遥感数据的效用，并预测了景观中入侵物种的出现。大家好，我是科罗拉多州立大学自然资源生态学实验室的高级科学家 Tom Stohlgren。

这是红柳。它原产于南非、亚洲、欧洲和中东部分地区，但它不是来自这里。也就是说，它不是美国西南部或科罗拉多州拉朱纳附近（我们今天所在的位置）的本地物种。

Tamarisk 很不寻常，因为它是一种兼性 phreatophytes，这意味着它可以生活在远离小溪的地方，或者就在小溪沿岸。它有一个向下延伸的 30 米以上的主根。所以想象一下从这里走 30 步，这就是这个主根可以下降多远。

因此，它比该地区的一些本地物种更能抵御干旱条件。如果没有红柳，就会有更多的空间容纳本地物种，吸引本地蝴蝶和传粉者，正如我们在这里看到的那样，在兔子刷上。这里有红柳灌木，直接与本地植被竞争。

在这种情况下，是本地的 Cottonwood。在我身后，我们有一个非常密集的展台，一个非常大的展台。也许是一平方公里的红柳。

落叶，枯死和垂死的树枝，这是一个真正的火灾隐患。在街道的另一边，我们有 Salix，我们有一棵柳树，它非常绿色和潮湿，比这边的红柳树不容易着火。我们在这里的是一个红柳入侵牧场的地方。

现在，这很重要，因为它实际上减少了这些奶牛可以吃草的牧场面积。与许多入侵植物一样，红柳在整个生长季节表现出物候变化，这与本地河岸物种的物候不同。例如，在某些地区，柽柳的叶子脱落时间早于一些本地河岸植物，因为柽柳比其他本地物种保留叶子的时间更长。

通过使用整个生长季节的卫星数据时间序列，我们可以利用这些物候差异来帮助区分红柳和本地植物。Landsat 卫星自 1972 年以来一直在绕地球运行，是检测柽柳分布和景观物候的理想影像源。Landsat 的空间分辨率为 30 米，时值为 16 天，是 NASA 和 USGS 的联合计划。

我们在本研究中的目标是在辅助栖息地建模软件中测试和评估五种不同的物种分布模型，使用 Landsat 5 影像和红柳存在点，这些图像和红柳存在点是从 Tamarisk Coalition 在科罗拉多州阿肯色河沿岸进行的密集野外测绘活动中获得的。并且，根据模型输出创建研究区域中红柳分布的准确地图。此概念图概述了我们在本研究中的方法。

柽柳的外业数据来自 Tamarisk Coalition 于 2005 年和 2006 年收集的矢量多边形数据集。Landsat 5 专题制图器数据是从 Earth Explorer 获取的，对应于 tamarisk 外业数据的年份。至少收集了生长季节每个月的一个场景。

使用遥感指数推导工具，我们从 Landsat 影像中得出了光谱指数，以区分红柳的光谱特征与景观中的其他物种。这些指数和红柳田间数据是辅助栖息地建模软件中五个物种分布模型的输入。使用独立的数据集对模型输出进行测试，并采用集成方法创建研究区域中红柳的物种分布图。

要绘制一大片红柳，我将有一个起始位置，最靠近边界上的灌木，然后我将在整个斑块周围继续选择我的位置，就像这样。这是 Tamrarisk Coalition 用来收集 tamaraisk 的 xy 位置的方法。使用 GPS 选择标记，然后向上滚动以命名该点。

您将在屏幕上看到该点的纬度和经度。完成后选择 Done。我们从 earthexplorer.usgs.gov 下载了 Landsat 5 专题制图器场景。

如果您已经有帐户，请登录。否则，请注册一个帐户以下载数据。首先，输入 Landsat 场景的 Path 和 Row，包括研究区域。

我们的研究使用了路径 32，第 34 行。选择 Date Range 对应于您要搜索的场景。我们选择了 2005 年 4 月至 2006 年 11 月收集 tamarisk 数据的时间。

然后，选择 Data Sets，并向下滚动到 Landsat Archive。选择 Landsat Surface Reflectance 产品。向下滚动，然后选择 Additional Criteria。

选择 Less than 10%Cloud Cover，以确保获得最佳质量的图像。选择结果时，将显示可用 Landsat 场景的列表以供下载。为了从 Landsat 遥感影像中获取索引，我们从 github.com 下载了遥感索引派生工具。

我们运行 Python 脚本，选择合适的卫星传感器、所需的 Indices，并在输出文件夹中设置输入图像文件以存储文件。在我们的研究中，我们导出了各个波段，并使用了 NDVI、SAVI 和缨帽亮度、绿度和湿度指数。为了开发 Tamarisk 物种分布模型，我们使用了 VisTrails 程序中的 we used SAHM 软件包。

在我们的研究中，我们打开了软件包下载附带的 SAMH 教程 2.0 VT 文件，并在本教程的 History 视图中选择了 Independent locations 工作流示例。本教程中还提供了其他示例。然后，我们转到 Pipeline 视图，设置模型。

首先，我们选择了 Packages 来更改会话文件夹。接下来，我们选择了模板层模块，并导航到模板层，该层将定义研究的投影、单元大小和范围。接下来，我们选择了 Field Data Module，并导航到 CSV 文件，其中包含收集的 tamerisk 的 xy 坐标。

接下来，我们选择了 Predictor List（预测变量列表）文件，并导航到包含本研究的预测变量列表的 CSV 文件。接下来，我们选择了 Field Data Query 来定义字段数据 CSV 文件中的 Response 列、x 列和 y 列。接下来，我们选择了 MDS Builder 模块，并将背景点计数定义为 10， 000。

Background Probability Surface 选项在此位置也可用。我们使用了值为 100 的背景概率表面（位于阿肯色河的 5， 000 米缓冲区内），而对于此缓冲区之外的区域，我们使用了值为 0 的背景概率表面。这是基于 Tamerisk Coalition 在我们的研究中抽样的区域。

接下来，我们将 Maxent 模块添加到我们的工作流程中，并将其连接到协变量关联和选择模块。提升回归树、广义线性模型、多元自适应回归样条和随机森林模块已经位于工作流中。接下来，我们在工作流中添加了一个 Model Output Viewer 模块，并更改了 Column 和 Row 以匹配其他模块。

接下来，我们选择了一个唯一的输出名称作为工作流中的子文件夹名称。接下来，我们在工作流程中添加了一个 Ensemble Builder 模块，并将其连接到所有五个模型。我们为 Ensemble 设置 Threshold Metric（阈值）、Metric（指标）和 Threshold Value（阈值）。

这可以根据研究目标进行更改。接下来，我们导航到一个 CSV 文件，其中包含我们的独立 tamarisk 测试数据集。再次，选择 Field Data Query Module 后，我们在独立文件中定义 Response、x 和 y 列。

我们在工作流中添加了一个应用模型模块，并将其连接到独立数据集的 MDS Builder 模块和 Maxent 模块。我们还添加了另一个模型输出查看器，并将其连接到供应模型模块，更改了列和行以匹配其他模型。接下来，我们选择了 Packages，以按顺序将 Processing Mode 更改为单个模型，从而允许在模型执行期间使用多个内核。

显示的第一个屏幕是 Covariate Correlation Viewer，它指示任意两个变量之间的相关性。我们的研究目标基于基于广义加法模型的高度相关或大于第 7 点的丢弃变量。我们使用为每个变量解释的百分比偏差，以决定在两个变量高度相关的情况下保留哪个变量。

当我们决定要保留的协变数量后，我们选择了 OK。模型完成后，将出现一个 VisTrail 电子表格。此电子表格可用于比较模型结果，包括 AUC 图、文本输出、响应曲线、校准图、混淆矩阵和残差图。对于我们的结果，基于阈值独立和阈值相关评估指标，五个模型之间的差异非常小。

基于这些指标，在比较了每个模型生成的概率表面后，我们确定五个模型的集合是这些数据的合适方法。集成映射旨在结合多种相关方法的优点，同时最大限度地减少任何一种模型的缺点。但是，我们提醒说，表现不佳的模型可能会削弱整体结果。

我们的结果表明，拟合提升回归树、广义线性模型、多元自适应回归样条、随机森林和 Maxent，具有红柳属点和遥感 Landsat 卫星图像的时间序列，可以区分景观上的红柳，是传统单场景分类方法的有效替代方案。从这些模型生成的地图将为研究区域内的有针对性的红柳控制工作提供重要的管理工具。