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

Der Nachweis invasiver Pflanzenarten ist entscheidend für das Management natürlicher Ressourcen und den Schutz von Ökosystemen. In dieser Studie zeigen wir die Nützlichkeit fernerkundlicher Daten in der neu entwickelten Software für assistiertes Habitatmodellieren und die Vorhersage des Vorkommens invasiver Arten in der Landschaft. Hallo, ich bin Tom Stohlgren, leitender Wissenschaftler am Natural Resource Ecology Lab der Colorado State University.

Dies ist Tamariske. Sie stammt ursprünglich aus Südafrika, Asien, Europa und Teilen des Nahen Ostens, aber sie kommt hier nicht natürlicherweise vor. Das heißt, sie ist keine einheimische Art im Südwesten der Vereinigten Staaten oder in der Nähe von LaJuna, Colorado, wo wir heute sind.

Die Tamariske ist ungewöhnlich, da sie eine fakultative Phreatophyte ist, was bedeutet, dass sie weit entfernt von einem Bach oder direkt am Bach leben kann. Sie besitzt eine Pfahlwurzel, die bis zu über 30 Meter tief reicht. Stellen Sie sich vor, Sie machen 30 Schritte von hier aus, und genauso weit kann diese Pfahlwurzel nach unten reichen.

Es kann Trockenbedingungen daher etwas besser überstehen als einige einheimische Arten der Region. Ohne den Tamarisk gäbe es deutlich mehr Platz für einheimische Arten, die einheimische Schmetterlinge und Bestäuber anziehen, wie wir hier am Kanadischen Zottengrass zu sehen. Hier haben wir die Tamarisksträucher, die direkt mit der einheimischen Vegetation konkurrieren.

In diesem Fall handelt es sich um einheimisches Cottonwood. Hinter mir haben wir einen sehr dichten Bestand, einen sehr großen Bestand. Vielleicht einen Quadratkilometer vollständig mit Tamarisken bewachsen.

Durch fallende Blätter sowie abgestorbene und absterbende Äste stellt dies eine echte Brandgefahr dar. Auf der anderen Straßenseite haben wir Salix, eine Weide, die sehr grün und feucht ist und wesentlich weniger brandanfällig als der Tamariskenstrauch auf dieser Seite. Wir befinden uns an einer Stelle, an der Tamarisk auf Weideland eindringt.

Das ist nun wichtig, weil es tatsächlich die Fläche des Weidelandes verringert, das diese Kühe beweiden können. Tamarisken zeigen, wie viele invasive Pflanzen, eine phänologische Variation während der Wachstumsperiode, die sich von der Phänologie einheimischer Uferarten unterscheidet. In einigen Gebieten treiben Tamarisken beispielsweise früher aus als einige einheimische Uferpflanzen, da sie ihr Laubwerk länger behalten als andere einheimische Arten.

Indem wir eine Zeitreihe von Satellitendaten über die gesamte Wachstumsperiode nutzen, können wir diese phänologischen Unterschiede nutzen, um Tamarisken von einheimischen Pflanzen zu unterscheiden. Seit 1972 umkreisen die Landsat-Satelliten die Erde und stellen eine ideale Bildquelle zur Erfassung der Verbreitung und Phänologie von Tamarisken in der Landschaft dar. Mit einer räumlichen Auflösung von 30 Metern und einer zeitlichen Wiederholung von 16 Tagen ist Landsat ein gemeinsames Programm der NASA und des USGS.

Unsere Zielsetzung in dieser Studie bestand darin, fünf verschiedene Modelle zur Artenverbreitung im Softwarepaket für assistiertes Habitat-Modellieren (Software for Assisted Habitat Modeling) zu testen und zu bewerten, unter Verwendung von Landsat-5-Bilddaten und Tamarisken-Vorkommenspunkten, die im Rahmen einer intensiven Kartierungskampagne der Tamarisk-Koalition entlang des Arkansas River in Colorado erhoben wurden. Außerdem sollte eine genaue Karte zur Tamariskenverbreitung im Untersuchungsgebiet auf Grundlage der Modellergebnisse erstellt werden. Dieses konzeptionelle Diagramm gibt einen Überblick über unsere Methodik in dieser Studie.

Felddaten zu Tamarisken stammten aus einem vektoriellen Polygon-Datensatz, der 2005 und 2006 von der Tamarisk Coalition erhoben wurde. Landsat-5-Thematic-Mapper-Daten wurden über Earth Explorer für die Jahre beschafft, die den Felddaten zu Tamarisken entsprechen. Für jeden Monat der Wachstumsperiode wurde mindestens eine Szene erfasst.

Mithilfe des Tools zur Ableitung von Fernerkundungsindizes leiteten wir Spektralindizes aus den Landsat-Aufnahmen ab, um die spektrale Signatur von Tamarisken von anderen Arten in der Landschaft zu unterscheiden. Diese Indizes sowie die Feldbefunde zu Tamarisken dienten als Eingabedaten für fünf Artenverbreitungsmodelle im Softwarepaket für assistiertes Habitatmodellieren. Die Modellergebnisse wurden mit einem unabhängigen Datensatz überprüft, und mittels eines Ensemble-Ansatzes wurden Artenverbreitungskarten für Tamarisken im Untersuchungsgebiet erstellt.

Um einen großen Bestand an Tamarisken abzubilden, wähle ich einen Ausgangspunkt, der dem Strauch am Rande am nächsten liegt, und markiere dann nacheinander Positionen entlang der gesamten Fläche, wie hier gezeigt. Diese Methodik wurde von der Tamarisk-Koalition angewandt, um xy-Koordinaten von Tamarisken zu erfassen. Wählen Sie mit dem GPS-Gerät „Markieren“ und scrollen Sie anschließend nach oben, um den Punkt zu benennen.

Sie sehen die geografische Breite und Länge des Punktes auf dem Bildschirm. Wählen Sie „Fertig“, wenn Sie fertig sind. Wir haben Szenen des Landsat-5-Thematic-Mapper von earthexplorer.usgs.gov heruntergeladen.

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

Unsere Studie verwendete Pfad 32, Zeile 34. Wählen Sie den Zeitraum entsprechend den Szenen aus, nach denen Sie suchen. Wir wählten April 2005 bis November 2006, als die Tamarisken-Daten erhoben wurden.

Danach wählen Sie Datensätze aus und scrollen zum Landsat-Archiv herunter. Wählen Sie das Landsat-Oberflächen-Reflektanzprodukt aus. Scrollen Sie weiter herunter und wählen Sie Zusätzliche Kriterien aus.

Wählen Sie „Wolkenbedeckung weniger als 10 %“, um Bilder von bester Qualität sicherzustellen. Nach Auswahl von „Ergebnisse“ wird eine Liste der verfügbaren Landsat-Szenen zum Herunterladen angezeigt. Um Indizes aus der fernerkundlichen Landsat-Bilddaten abzuleiten, haben wir das Werkzeug zur Ableitung von Fernerkundungsindizes von github.com heruntergeladen.

Wir führten das Python-Skript aus, wählten den geeigneten Satellitensensor, die gewünschten Indizes aus und legten die Eingabebilddatei im Ausgabeverzeichnis für die zu speichernden Dateien fest. In unserer Studie exportierten wir die einzelnen Bänder und verwendeten die Indizes NDVI, SAVI sowie die Tasseled-Cap-Brightness-, Greenness- und Wetness-Indizes. Zur Erstellung der Verbreitungsmodelle für Tamarisken nutzten wir das SAHM-Softwarepaket innerhalb des VisTrails-Programms.

Für unsere Studie öffneten wir die SAMH-Tutorial-2.0-VT-Datei, die im Paket-Download enthalten war, und wählten im History-Bereich dieses Tutorials das Workflow-Beispiel „Unabhängige Standorte“. Weitere Beispiele sind in diesem Tutorial ebenfalls verfügbar. Anschließend wechselten wir zur Pipeline-Ansicht, um die Modelle einzurichten.

Zunächst wählten wir Pakete aus, um den Sitzungsordner zu ändern. Danach wählten wir das Vorlagen-Layer-Modul aus und navigierten zum Vorlagen-Layer, der die Projektion, Zellgröße und den Bereich der Studie definierte. Anschließend wählten wir das Feld-Daten-Modul aus und navigierten zur CSV-Datei, die die gesammelten xy-Koordinaten für Tamarisk enthielt.

Danach wählten wir die Prädiktor-Liste-Datei aus und navigierten zu der CSV-Datei, die unsere Prädiktorliste für diese Studie enthält. Anschließend wählten wir die Feld-Datenabfrage, um die Spalte für die Antwortvariable sowie die x- und y-Spalte innerhalb unserer Feld-Daten-CSV-Datei festzulegen. Danach wählten wir das MDS-Builder-Modul aus und definierten unsere Anzahl an Hintergrundpunkten als 10.000.

Eine Option für eine Hintergrundwahrscheinlichkeitsfläche ist ebenfalls an dieser Stelle verfügbar. Wir verwendeten eine Hintergrundwahrscheinlichkeitsfläche mit Werten von 100 innerhalb eines 5.000-Meter-Puffers um den Arkansas River und mit Werten von 0 für Gebiete außerhalb dieses Puffers. Dies basierte auf den von der Tamerisk-Koalition in unserer Studie beprobten Gebieten.

Anschließend fügten wir das Maxent-Modul in unseren Workflow ein und verbanden es mit dem Kovariaten-Korrelations- und Selektionsmodul. Die Module für den gestärkten Regressionsbaum, das verallgemeinerte lineare Modell, multivariate adaptive Regressions-Splines und zufällige Wälder befanden sich bereits im Workflow. Danach fügten wir ein Modul zur Anzeige der Modellausgabe zum Workflow hinzu und passten Spalte und Zeile an die anderen Module an.

Danach wählten wir einen eindeutigen Ausgabename als Unterordnername innerhalb des Workflows. Anschließend fügten wir ein Ensemble-Builder-Modul zum Workflow hinzu und verbanden es mit allen fünf Modellen. Wir legten unsere Schwellwertmetrik und den Schwellwert für das Ensemble fest.

Dies kann je nach Studienzielen angepasst werden. Als Nächstes navigierten wir zu einer CSV-Datei, die unseren unabhängigen Testdatensatz von Tamarisken enthält. Erneut mit ausgewähltem Feld-Datenabfrage-Modul definieren wir die Spalten für die Antwortvariable, x und y innerhalb der unabhängigen Datei.

Wir haben ein Anwenden-Modul zum Workflow hinzugefügt und es mit dem MDS-Builder-Modul für den unabhängigen Datensatz sowie mit dem Maxent-Modul verbunden. Außerdem haben wir einen weiteren Modell-Ausgabe-Betrachter hinzugefügt und ihn mit dem Versorgungsmodul verknüpft, wobei wir Spalte und Zeile angepasst haben, um sie an die anderen Modelle anzupassen. Anschließend haben wir Pakete ausgewählt, um den Verarbeitungsmodus auf sequenzielle Einzelmodell-Verarbeitung umzustellen, wodurch mehr als ein Kern während der Modellausführung genutzt werden kann.

Der erste angezeigte Bildschirm ist ein Kovariaten-Korrelations-Viewer, der die Korrelation zwischen zwei beliebigen Variablen anzeigt. Unsere Studienziele basierten darauf, Variablen auszuschließen, die stark korreliert waren, also eine Korrelation größer als 0,7 aufwiesen, basierend auf einem generalisierten additiven Modell. Wir verwendeten den prozentualen erklärten Devianzanteil jeder Variable, um zu entscheiden, welche Variable beibehalten werden sollte, falls zwei Variablen stark korreliert waren.

Nachdem wir eine Entscheidung über die Anzahl der beizubehaltenden Kovarianten getroffen haben, wählten wir „OK“. Sobald die Modelle abgeschlossen sind, erscheint ein VisTrail-Arbeitsblatt. Dieses Arbeitsblatt kann verwendet werden, um Modellegebnisse zu vergleichen, einschließlich AUC-Diagramme, Textausgaben, Antwortkurven, Kalibrierungsdiagramme, Konfusionsmatrizen und Residualdiagramme. Bei unseren Ergebnissen zeigte sich basierend auf schwellenwertunabhängigen und schwellenwertabhängigen Evaluierungsmetriken nur ein sehr geringer Unterschied zwischen den fünf Modellen.

Auf Grundlage dieser Metriken und nach Vergleich der von jedem Modell erzeugten Wahrscheinlichkeitsflächen entschieden wir uns für ein Ensemble der fünf Modelle als geeigneten Ansatz für diese Daten. Das Ensemble-Mapping zielt darauf ab, die Stärken mehrerer korrelativer Methoden zu kombinieren und gleichzeitig die Schwächen eines einzelnen Modells zu minimieren. Wir weisen jedoch darauf hin, dass Modelle mit schlechterer Leistung die Gesamtergebnisse beeinträchtigen können.

Unsere Ergebnisse zeigen, dass die Anpassung von Boosted Regression Trees, Generalisierten Linearen Modellen, Multivariaten Adaptiven Regressions-Splines, Random Forests und Maxent mit Fundpunkten von Tamarisken und einer Zeitreihe aus fernerkundlichen Landsat-Satellitenbildern in der Lage ist, Tamarisken in der Landschaft zu unterscheiden und eine wirksame Alternative zu herkömmlichen Klassifizierungsmethoden anhand einzelner Aufnahmen darstellt. Karten, die aus diesen Modellen erstellt wurden, stellen ein wichtiges Managementwerkzeug für gezielte Bekämpfungsmaßnahmen gegen Tamarisken im Untersuchungsgebiet dar.