Die Integration der Fernerkundung mit Artenverteilung Modelle; Mapping Tamariske Invasions Verwenden der Software für Assisted Habitat-Modellierung (SAHM)

Der Nachweis invasiver Pflanzenarten ist für die Bewirtschaftung der natürlichen Ressourcen und den Schutz von Ökosystemen von entscheidender Bedeutung. In dieser Studie zeigen wir den Nutzen von Fernerkundungsdaten in der neu entwickelten Software for Assisted Habitat Modeling und die Vorhersage des Auftretens invasiver Arten in der Landschaft. Hallo, ich bin Tom Stohlgren, Senior Scientist am Natural Resource Ecology Lab an der Colorado State University.

Das ist Tamariske. Er stammt aus Südafrika, Asien, Europa und Teilen des Nahen Ostens, aber er stammt nicht von hier. Das heißt, es handelt sich nicht um eine einheimische Art im Südwesten der Vereinigten Staaten oder in der Nähe von LaJuna, Colorado, wo wir uns heute befinden.

Tamariske ist insofern ungewöhnlich, als es sich um einen fakultativen Phreatophyten handelt, was bedeutet, dass sie weit weg von einem Bach oder direkt entlang eines Baches leben kann. Sie hat eine Pfahlwurzel, die bis zu 30 Meter nach unten reicht. Stellen Sie sich also vor, Sie gehen 30 Schritte von hier aus, und so weit kann diese Pfahlwurzel nach unten gehen.

So kann er Trockenheit etwas besser standhalten als einige der einheimischen Arten in der Gegend. Ohne die Tamariske gäbe es viel mehr Platz für einheimische Arten, die einheimische Schmetterlinge und Bestäuber anlocken, wie wir hier auf dem Kaninchenpinsel sehen. Hier haben wir die Tamariskensträucher, die direkt mit der einheimischen Vegetation konkurrieren.

In diesem Fall eine einheimische Cottonwood. Hinter mir haben wir einen sehr dichten Stand, einen sehr großen Stand. Vielleicht einen Quadratkilometer mit nichts als Tamarisken.

Durch das Abwerfen von Blättern und mit abgestorbenen und absterbenden Ästen besteht eine echte Brandgefahr. Auf der anderen Straßenseite haben wir Salix, wir haben eine Weide, die sehr grün und feucht ist und viel weniger anfällig für Feuer ist als die Tamariske auf dieser Seite. Wir befinden uns hier an einem Ort, an dem Tamarisken in das Weideland eindringen.

Das ist wichtig, weil es tatsächlich die Fläche der Weideflächen reduziert, auf denen diese Kühe grasen können. Wie viele invasive Pflanzen weist die Tamariske während der gesamten Vegetationsperiode eine phänologische Variation auf, die sich von der Phänologie der einheimischen Uferarten unterscheidet. In einigen Gebieten ist die Tamariske zum Beispiel vor einigen einheimischen Uferpflanzen ausgetrieben, da die Tamariske ihr Laub länger behält als andere einheimische Arten.

Durch die Verwendung einer Zeitreihe von Satellitendaten während der gesamten Vegetationsperiode können wir diese phänologischen Unterschiede nutzen, um Tamarisken von einheimischen Pflanzen zu unterscheiden. Landsat-Satelliten umkreisen die Erde seit 1972 und sind die ideale Bildquelle, um die Verteilung der Tamarisken und die Phänologie in der Landschaft zu erfassen. Mit einer räumlichen Auflösung von 30 Metern und einem zeitlichen Ergebnis von 16 Tagen ist Landsat ein gemeinsames Programm von NASA und USGS.

Unser Ziel in dieser Studie war es, fünf verschiedene Verbreitungsmodelle von Arten in der Software for Assisted Habitat Modeling zu testen und zu bewerten, wobei Landsat 5-Bilddaten und Tamarisken-Vorkommenspunkte verwendet wurden, die im Rahmen einer intensiven Feldkartierungskampagne der Tamarisk Coalition entlang des Arkansas River in Colorado gewonnen wurden. Und, um eine genaue Karte der Tamariskenverteilung im Untersuchungsgebiet auf der Grundlage von Modellausgaben zu erstellen. Dieses konzeptionelle Diagramm gibt einen Überblick über unsere Methodik in dieser Studie.

Die Felddaten für Tamarisken wurden aus einem Vektorpolygon-Datensatz abgeleitet, der von der Tamarisk Coalition in den Jahren 2005 und 2006 gesammelt wurde. Die Daten des Landsat 5 Thematic Mapper wurden von Earth Explorer für die Jahre erfasst, die den Tamarisken-Felddaten entsprechen. Mindestens eine Szene aus jedem Monat der Vegetationsperiode wurde gesammelt.

Mit dem Remote Sensing Indices Derivation Tool leiteten wir spektrale Indizes aus den Landsat-Bildern ab, um die spektrale Signatur der Tamariske von anderen Arten in der Landschaft zu unterscheiden. Diese Indizes und die Tamarisken-Felddaten wurden in fünf Artenverteilungsmodelle innerhalb der Software for Assisted Habitat Modeling eingegeben. Die Modellergebnisse wurden mit einem unabhängigen Datensatz getestet, und es wurde ein Ensemble-Ansatz verwendet, um Verbreitungskarten der Arten von Tamarisken im Untersuchungsgebiet zu erstellen.

Um einen großen Tamariskenbestand zu kartieren, habe ich einen Startort, der dem Strauch an der Grenze am nächsten liegt, und dann wähle ich meine Positionen auf dem gesamten Fleckchen aus. Dies war die Methode, die von der Tamrarisken-Koalition angewandt wurde, um xy Orte von Tamaraisk zu sammeln. Wählen Sie mit GPS die Option Markieren aus, und scrollen Sie dann nach oben, um den Punkt zu benennen.

Sie sehen den Breiten- und Längengrad des Punktes auf dem Bildschirm. Wählen Sie Fertig, wenn Sie fertig sind. Wir haben Landsat 5 Thematic Mapper-Szenen von earthexplorer.usgs.gov heruntergeladen.

Wenn Sie bereits ein Konto haben, melden Sie sich an. Andernfalls registrieren Sie sich für ein Konto, um Daten herunterzuladen. Geben Sie zunächst den Pfad und die Zeile der Landsat-Szene ein, die das Untersuchungsgebiet umfasst.

In unserer Studie wurde Pfad 32, Reihe 34 verwendet. Wählen Sie den Datumsbereich aus, der den gesuchten Szenen entspricht. Der Hof wählte den Zeitraum April 2005 bis November 2006 aus, als die Tamariskendaten erhoben wurden.

Wählen Sie dann Datensätze aus und scrollen Sie nach unten zu Landsat-Archiv. Wählen Sie das Produkt Landsat Surface Reflectance aus. Scrollen Sie nach unten, und wählen Sie Zusätzliche Kriterien aus.

Wählen Sie Weniger als 10 % Wolkendecke, um die beste Bildqualität zu gewährleisten. Wenn Sie Ergebnisse auswählen, wird eine Liste der verfügbaren Landsat-Szenen zum Download angezeigt. Um Indizes aus den Landsat-Fernerkundungsbildern abzuleiten, haben wir das Remote Sensing Indices Derivation Tool von github.com heruntergeladen.

Wir führten das Python-Skript aus, wählten den entsprechenden Satellitensensor und die gewünschten Indizes aus und legten die Eingabebilddatei im Ausgabeordner für die zu speichernden Dateien fest. In unserer Studie haben wir die einzelnen Bänder exportiert und NDVI-, SAVI- und Tasseled Cap Brightness-, Greenness- und Nässe-Indizes verwendet. Um die Tamarisken-Verbreitungsmodelle zu entwickeln, haben wir das SAHM-Softwarepaket im Rahmen des VisTrails-Programms verwendet.

Für unsere Studie haben wir die VT-Datei SAMH tutorial 2.0 geöffnet, die mit dem Paketdownload geliefert wurde, und das Workflow-Beispiel für unabhängige Standorte in der Verlaufsansicht dieses Tutorials ausgewählt. Weitere Beispiele finden Sie auch in diesem Tutorial. Anschließend gingen wir zur Pipeline-Ansicht, um die Modelle einzurichten.

Zuerst haben wir Pakete ausgewählt, um den Sitzungsordner zu ändern. Als Nächstes wählten wir das Vorlagen-Layer-Modul aus und navigierten zum Vorlagen-Layer, der die Projektion, die Zellengröße und die Ausdehnung der Studie definiert. Als Nächstes wählten wir das Felddatenmodul aus und navigierten zu der CSV-Datei, die die gesammelten xy-Koordinaten für Tamerisk enthält.

Als Nächstes wählten wir die Prädiktorlistendatei aus und navigierten zu der CSV-Datei, die unsere Prädiktorenliste für diese Studie enthält. Als Nächstes haben wir die Felddatenabfrage ausgewählt, um die Antwortspalte, die x-Spalte und die y-Spalte in unserer Felddaten-CSV-Datei zu definieren. Als Nächstes haben wir das MDS Builder-Modul ausgewählt und die Anzahl der Hintergrundpunkte auf 10.000 definiert.

An dieser Stelle ist auch die Option Hintergrundwahrscheinlichkeitsoberfläche verfügbar. Wir haben eine Hintergrundwahrscheinlichkeitsoberfläche mit den Werten 100 innerhalb eines Puffers von 5.000 Metern um den Arkansas River und 0 für Gebiete außerhalb dieses Puffers verwendet. Dies basierte auf den Gebieten, die von der Tamerisk Coalition in unserer Studie beprobt wurden.

Als Nächstes haben wir das Maxent-Modul zu unserem Workflow hinzugefügt und es mit dem Modul Kovariate Korrelation und Auswahl verbunden. Die Module "Boosted Regression Tree", "Generalized Linear Model", "Multivariate Adaptive Regression Splines" und "Random Forest" befanden sich bereits im Workflow. Als Nächstes haben wir dem Workflow ein Model Output Viewer-Modul hinzugefügt und die Spalte und Zeile so geändert, dass sie mit den anderen Modulen übereinstimmen.

Als Nächstes haben wir einen eindeutigen Ausgabenamen als Unterordnernamen innerhalb des Workflows ausgewählt. Als Nächstes fügten wir dem Workflow ein Ensemble Builder-Modul hinzu und verbanden es mit allen fünf Modellen. Wir legen unsere Schwellenwertmetrik und unseren Schwellenwert für das Ensemble fest.

Dies kann je nach Studienziel geändert werden. Als nächstes navigierten wir zu einer CSV-Datei, die unseren unabhängigen Testdatensatz von tamarisk enthält. Auch hier definieren wir bei Auswahl des Felddatenabfragemoduls die Spalten Antwort, x und y in der unabhängigen Datei.

Wir haben dem Workflow ein Apply Model Module hinzugefügt und es mit dem MDS Builder-Modul für den unabhängigen Datensatz und dem Maxent-Modul verbunden. Wir haben auch einen weiteren Model Output Viewer hinzugefügt und ihn mit dem Supply Model Module verbunden, wobei wir die Spalte und Zeile so geändert haben, dass sie mit den anderen Modellen übereinstimmen. Als Nächstes haben wir Pakete ausgewählt, um den Verarbeitungsmodus sequenziell in ein einzelnes Modell zu ändern, sodass während der Modellausführung mehr als ein Kern verwendet werden kann.

Der erste Bildschirm, der angezeigt wird, ist ein Kovariaten-Korrelations-Viewer, der die Korrelation zwischen zwei beliebigen Variablen anzeigt. Unsere Studienziele basierten auf Dropping-Variablen, die stark korreliert oder größer als Punkt sieben waren, basierend auf einem verallgemeinerten additiven Modell. Wir verwendeten prozentuale Devianten, die für jede Variable erklärt wurden, um zu entscheiden, welche Variable beibehalten werden sollte, falls zwei Variablen stark korreliert waren.

Wenn wir eine Entscheidung über die Anzahl der beizubehaltenden Kovarianten getroffen haben, haben wir OK ausgewählt. Nachdem die Modelle fertiggestellt sind, wird eine VisTrail-Tabelle angezeigt. Diese Tabelle kann zum Vergleichen von Modellergebnissen verwendet werden, einschließlich AUC-Diagrammen, Textausgaben, Antwortkurven, Kalibrierungsdiagrammen, Konfusionsmatrizen und Residuendiagrammen. Für unsere Ergebnisse gab es nur einen sehr geringen Unterschied zwischen den fünf Modellen, die auf schwellenwertunabhängigen und schwellenwertabhängigen Bewertungsmetriken basieren.

Basierend auf diesen Metriken und nach dem Vergleich der von den einzelnen Modellen erzeugten Wahrscheinlichkeitsoberflächen entschieden wir, dass ein Ensemble der fünf Modelle ein geeigneter Ansatz für diese Daten ist. Ensemble Mapping zielt darauf ab, die Stärken mehrerer korrelativer Methoden zu kombinieren und gleichzeitig die Schwächen eines Modells zu minimieren. Wir warnen jedoch davor, dass Modelle, die unterdurchschnittlich abschneiden, die Gesamtergebnisse schwächen können.

Unsere Ergebnisse zeigen, dass die Anpassung von Boosted Regression Tree, Generalized Linear Model, Multivariate Adaptive Regression Splines, Random Forest und Maxent mit Präsenzpunkten für Tamarisken und einer Zeitreihe von fernerkundeten Landsat-Satellitenbildern die Unterscheidung von Tamarisken in der Landschaft ermöglicht und eine effektive Alternative zu herkömmlichen Klassifizierungsmethoden für einzelne Szenen darstellt. Karten, die aus diesen Modellen erstellt werden, werden ein wichtiges Managementinstrument für gezielte Tamarisken-Kontrollbemühungen im Untersuchungsgebiet darstellen.