La integración de Teledetección con especies modelos de distribución; Mapeo Tarayes invasiones Uso del software de Modelado asistido Hábitat (SAHM)

La detección de especies vegetales invasoras es vital para la gestión de los recursos naturales y la protección de los ecosistemas. En este estudio, demostramos la utilidad de los datos de teledetección, en el software recientemente desarrollado para el modelado de hábitat asistido, y la predicción de la presencia de especies invasoras en el paisaje. Hola, soy Tom Stohlgren, científico sénior del Laboratorio de Ecología de Recursos Naturales de la Universidad Estatal de Colorado.

Esto es tamarisco. Es originario de Sudáfrica, Asia, Europa y partes del Medio Oriente, pero no es de aquí. Es decir, no es una especie nativa de la parte suroeste de los Estados Unidos, o cerca de LaJuna, Colorado, donde estamos hoy.

El tamarisco es inusual, ya que es un freatófito facultativo, lo que significa que puede vivir lejos de un arroyo o a lo largo de un arroyo. Tiene una raíz principal que baja, más de 30 metros. Así que imagínate dar 30 pasos desde aquí, y eso es lo lejos que puede llegar esta raíz principal.

Por lo tanto, puede soportar las condiciones de sequía un poco mejor que algunas de las especies nativas de la zona. Sin el tamarisco, habría mucho más espacio para las especies nativas, que atraen a las mariposas nativas y a los polinizadores, como vemos aquí, en el arbusto. Aquí tenemos los arbustos de tamarisco, compitiendo directamente con la vegetación autóctona.

En este caso, un álamo autóctono. Detrás de mí, tenemos un stand muy denso, un stand muy grande. Tal vez un kilómetro cuadrado de nada más que tamarisco.

Al dejar caer hojas, y con ramas muertas y moribundas, esto es un verdadero peligro de incendio. Al otro lado de la calle, tenemos Salix, tenemos un sauce, que es muy verde y húmedo, y mucho menos propenso al fuego que el tamarisco de este lado. Estamos aquí en un sitio donde el tamarisco está invadiendo las tierras de pastoreo.

Ahora, esto es importante porque en realidad reduce el área de pastizales en la que esas vacas pueden pastar. El tamarisco, al igual que muchas plantas invasoras, exhibe una variación fenológica a lo largo de la temporada de crecimiento, que difiere de la fenología de las especies ribereñas nativas. En algunas zonas, por ejemplo, el tamarisco sale con la hoja antes que algunas plantas ribereñas autóctonas, ya que el tamarisco conserva su follaje por más tiempo que otras especies autóctonas.

Mediante el uso de una serie temporal de datos satelitales a lo largo de la temporada de crecimiento, podemos usar estas diferencias fenológicas para ayudar a distinguir el tamarisco de las plantas nativas. Los satélites Landsat han estado orbitando la Tierra desde 1972 y son la fuente de imágenes ideal para detectar la distribución del tamarisco y la fenología en el paisaje. Con una resolución espacial de 30 metros, y un resultado temporal de 16 días, Landsat es un programa conjunto de la NASA y el USGS.

Nuestros objetivos en este estudio fueron probar y evaluar, cinco modelos diferentes de distribución de especies, en el Software para el Modelado de Hábitat Asistido, utilizando imágenes Landsat 5 y puntos de presencia de tamariscos, adquiridos de una campaña intensiva de mapeo de campo realizada por la Coalición de Tamariscos, a lo largo del río Arkansas, en Colorado. Y, crear un mapa preciso de la distribución del tamarisco en el área de estudio, basado en los resultados del modelo. Este diagrama conceptual proporciona una visión general de nuestra metodología en este estudio.

Los datos de campo para el tamarisco se derivaron de un conjunto de datos de polígonos vectoriales, recopilados por la Coalición del Tamarisco, en 2005 y 2006. Los datos del Landsat 5 Thematic Mapper se adquirieron de Earth Explorer, para los años correspondientes a los datos de campo de tamariscos. Se recogió al menos una escena de cada mes de la temporada de crecimiento.

Utilizando la herramienta de derivación de índices de teledetección, derivamos índices espectrales de las imágenes de Landsat, para distinguir la firma espectral del tamarisco de otras especies en el paisaje. Estos Índices, y los datos de campo de tamariscos, fueron insumos, en cinco Modelos de Distribución de Especies, dentro del Software para el Modelado de Hábitat Asistido. Los resultados del modelo se probaron con un conjunto de datos independiente y se empleó un enfoque de conjunto para crear mapas de distribución de especies de tamarisco en el área de estudio.

Para mapear un gran grupo de tamariscos, tendré una ubicación inicial, más cercana al arbusto en el límite, y luego seguiré eligiendo mis ubicaciones alrededor de todo el parche, así. Esta fue la metodología, empleada por la Coalición de Tamrarisk para recolectar xy ubicaciones de tamaraisk. Con GPS, selecciona Marcar y, a continuación, desplázate hacia arriba para nombrar el punto.

Verás la latitud y longitud del punto en la pantalla. Seleccione Listo, cuando haya terminado. Descargamos escenas de Landsat 5 Thematic Mapper, de earthexplorer.usgs.gov.

Si ya tienes una cuenta, inicia sesión. De lo contrario, regístrese para obtener una cuenta para descargar datos. En primer lugar, escriba la escena Ruta y fila del Landsat, que abarca el área de estudio.

En nuestro estudio se utilizó el camino 32, fila 34. Seleccione el rango de fechas correspondiente a las escenas que está buscando. Se seleccionó desde abril de 2005 hasta noviembre de 2006, cuando se recolectaron los datos de tamariscos.

A continuación, seleccione Conjuntos de datos y desplácese hacia abajo hasta Archivo Landsat. Seleccione el producto de reflectancia de superficie Landsat. Desplácese hacia abajo y seleccione Criterios adicionales.

Seleccione Menos del 10% de cobertura de nubes para garantizar la mejor calidad de imágenes. Al seleccionar Resultados, aparecerá una lista de escenas Landsat disponibles para descargar. Para derivar índices a partir de las imágenes de teledetección de Landsat, descargamos la herramienta de derivación de índices de teledetección de github.com.

Ejecutamos el script de Python y seleccionamos el sensor de satélite apropiado, los índices deseados y configuramos el archivo de imagen de entrada en la carpeta de salida para que se almacenen los archivos. En nuestro estudio, exportamos las bandas individuales y utilizamos los índices de brillo, verdor y humedad NDVI, SVI y Tasseled Cap. Para desarrollar los Modelos de Distribución de Especies de Tamariscos, utilizamos el paquete de software SAHM dentro del programa VisTrails.

Para nuestro estudio, abrimos el archivo SAMH tutorial 2.0 VT, que venía con la descarga del paquete, y seleccionamos el ejemplo de flujo de trabajo de ubicaciones independientes, dentro de la vista Historial de este tutorial. Otros ejemplos también están disponibles en este tutorial. A continuación, fuimos a la vista de canalización, para configurar los modelos.

Primero, seleccionamos Paquetes, para cambiar la carpeta de sesión. A continuación, seleccionamos el Módulo de Capa de Plantilla, y navegamos hasta la Capa de Plantilla, que definiría la proyección, el tamaño de la celda y la extensión del estudio. A continuación, seleccionamos el módulo de datos de campo y navegamos hasta el archivo CSV, que contiene las coordenadas xy para el tamarisco, que se recopilaron.

A continuación, seleccionamos el archivo de lista de predictores y navegamos hasta el archivo CSV que contiene nuestra lista de predictores para este estudio. A continuación, seleccionamos la consulta de datos de campo para definir la columna Respuesta, la columna x y la columna y dentro de nuestro archivo CSV de datos de campo. A continuación, seleccionamos el módulo MDS Builder y definimos el recuento de puntos de fondo como 10, 000.

Una opción de superficie de probabilidad de fondo también está disponible en esta ubicación. Utilizamos una superficie de probabilidad de fondo con valores de 100, dentro de una zona de influencia de 5.000 metros del río Arkansas, y 0, para áreas fuera de esta zona de influencia. Esto se basó en las áreas muestreadas por la Coalición Tamarisco en nuestro estudio.

A continuación, añadimos el módulo Maxent a nuestro flujo de trabajo y lo conectamos al módulo de selección y correlación de covariables. El árbol de regresión potenciada, el modelo lineal generalizado, las splines de regresión adaptativa multivariante y los módulos de bosque aleatorio ya se encontraban en el flujo de trabajo. A continuación, agregamos un módulo de visor de salida de modelo al flujo de trabajo y cambiamos la columna y la fila para que coincidan con los otros módulos.

A continuación, seleccionamos un nombre de salida único como nombre de subcarpeta dentro del flujo de trabajo. A continuación, añadimos un módulo Ensemble Builder al flujo de trabajo y lo conectamos a los cinco modelos. Establecemos nuestra métrica de umbral y el valor de umbral para el conjunto.

Esto se puede cambiar en función de los objetivos del estudio. A continuación, navegamos a un archivo CSV, que contiene nuestro conjunto de datos de prueba independiente de tamarisco. Una vez más, con el Módulo de consulta de datos de campo seleccionado, definimos las columnas Respuesta, x e y dentro del archivo independiente.

Agregamos un módulo de aplicación de modelo al flujo de trabajo y lo conectamos al módulo MDS Builder para el conjunto de datos independiente y al módulo Maxent. También agregamos otro Visor de Salida de Modelo, y lo conectamos al Módulo de Modelo de Suministro, cambiando la Columna y la Fila para que coincidan con los otros modelos. A continuación, seleccionamos Paquetes, para cambiar el Modo de Procesamiento a un solo modelo secuencialmente, lo que permite utilizar más de un núcleo durante la ejecución del modelo.

La primera pantalla que aparece es un Visor de correlación de covariables, que indica la correlación entre dos variables cualesquiera. Los objetivos de nuestro estudio se basaron en la eliminación de variables que estaban altamente correlacionadas, o mayores que el punto siete, basadas en un modelo aditivo generalizado. Utilizamos los porcentajes de desviaciones explicados para cada variable, para decidir qué variable mantener, en el caso de que dos variables estuvieran altamente correlacionadas.

Cuando hemos tomado una decisión sobre el número de covariantes a conservar, seleccionamos OK. Una vez que se completen los modelos, aparecerá una hoja de cálculo de VisTrail. Esta hoja de cálculo se puede utilizar para comparar los resultados del modelo, incluidos los gráficos de AUC, las salidas de texto, las curvas de respuesta, los gráficos de calibración, las matrices de confusión y los gráficos residuales. Para nuestros resultados, hubo muy poca diferencia entre los cinco modelos, basados en métricas de evaluación independientes del umbral y dependientes del umbral.

Sobre la base de estas métricas, y después de comparar las superficies de probabilidad producidas por cada modelo, decidimos que un conjunto de los cinco modelos era un enfoque apropiado para estos datos. El mapeo de conjuntos tiene como objetivo combinar las fortalezas de varios métodos correlativos, al tiempo que minimiza las debilidades de cualquier modelo. Sin embargo, advertimos que los modelos que tienen un rendimiento inferior pueden debilitar los resultados generales.

Nuestros resultados demuestran que el ajuste del Árbol de Regresión Impulsado, el Modelo Lineal Generalizado, las Splines de Regresión Adaptativa Multivariada, el Bosque Aleatorio y Maxent, con puntos de presencia para tamariscos, y una serie de tiempo, de imágenes satelitales Landsat de teledetección, puede distinguir tamariscos en el paisaje y es una alternativa efectiva a los métodos tradicionales de clasificación de una sola escena. Los mapas producidos a partir de estos modelos proporcionarán una importante herramienta de gestión para los esfuerzos específicos de control de tamariscos en el área de estudio.