Abstract
Tidig upptäckt av invasiva växtarter är av avgörande betydelse för förvaltning av naturresurser och skydd av ekosystemprocesser. Användningen av fjärranalys för att kartlägga fördelningen av invasiva växter blir allt vanligare, har emellertid konventionella metoder bildbehandling programvara och klassificerings visat sig vara opålitliga. I denna studie, vi testa och utvärdera användningen av fem arter distributionsmodell tekniker passar med satellit fjärranalysdata för att kartlägga invasiv tama (Tamarix spp.) Längs floden Arkansas i sydöstra Colorado. De testade modellerna ingår ökat regressionsträd (BRT), Random Forest (RF), multivariat adaptiva regressions räfflor (Mars), generaliserad linjär modell (GLM), och MAXENT. Dessa analyser genomfördes med hjälp av en nyutvecklad mjukvara som kallas programvara för Assisted Habitat Modeling (SAHM). Samtliga modeller tränade med 499 närvaropunkter, 10.000 pseudo-frånvaropunkter och prediktorvariabler Anskaffningired från Landsat 5 tematiska Mapper (TM) sensor under en åttamånadersperiod att skilja tama från infödda strandvegetation med hjälp av detektering av fenologiska skillnader. Från Landsat scener använde vi enskilda band och beräknas ndvi (NDVI), Jord-Justerat Vegetation Index (SAVI), och tasseled utjämnade transformationer. Alla fem modeller identifierade nuvarande tamafördelning på landskapet framgångsrikt baserat på tröskeln oberoende och tröskelberoende mått utvärderings med oberoende lokaliseringsuppgifter. Att redogöra för modellspecifika skillnader, producerade vi en ensemble av alla fem modeller med karta utgång belysa områden av avtal och osäkerhetsfaktorer. Våra resultat visar användbarheten av distributions arter modeller att analysera fjärranalysdata och användbarheten av ensemblen kartläggning, och visa upp förmåga SAHM i förbearbetning och exekvera flera komplexa modeller.
Introduction
Strand och våtmarker i hela sydvästra USA hotas av invasionen av tama (Tamarix spp.), En icke-nativ woody buske infördes från Eurasien på 1800-talet ett. Tama har många fysiologiska mekanismer som gör det möjligt för släktet att utnyttja vattenresurser, konkurrera ut inhemska arter, och ändra ekosystemprocesser 1-2. Kartläggning tamariskfördelningar för att bedöma miljöpåverkan och formulera effektiva kontrollstrategier har hög prioritet för resurshanterare. Även om markundersökningar fortfarande används regelbundet, de är opraktiska för extremt stora områden på grund av de tillhörande kostnader för arbetskraft, tid och logistik.
Fjärranalys har spelat en viktig men begränsad roll i att upptäcka och kartläggning av tamariskangrepp. Konventionell klassificering analyserar och fjärranalys programvara har haft marginell framgång 3-5. Flera nya studierhar undersökt icke-traditionella metoder för att upptäcka invasiva växter med hjälp av fjärranalys uppgifter 1,6. Tama, liksom många invasiva växter uppvisar fenologiska variation under hela växtsäsongen som skiljer sig från inhemska strand arter fenologi. I vissa områden, till exempel, är tama leaf out innan vissa inhemska strandväxter, och tama behåller sin bladverk längre än andra inhemska arter. Genom att använda spektralband och spektrala index härrör från en tidsserie satellitdata under hela växtsäsongen, kan vi skilja tama från inhemska växter baserade på dessa fenologiska skillnader 1,6. Med utgångspunkt i det arbete som Evangelista et al. 2009 1, i denna studie har vi bildat enskilda band 1-7 från en tidsserie av Landsat 5 tematiska Mapper (TM) satellitbilder och härrör ndvi (NDVI), mark justerade vegetation index (SAVI), och tasseled mössa omvandlingar från dessa band. normaliserad difference vegetation index (NDVI) är en av de mest använda spektrala index för att uppskatta vegetation biomassa, krontäckning, och bladyta index 8-9, och är en icke-linjär förändring av förhållandet mellan det synliga (röda) och nära- infraröda band 10. Jord justerade vegetation index (SAVI) är en modifierad NDVI används för att minimera effekterna av jord bakgrund på vegetation index 11. Tasseled cap transformationer är viktade kompositer av de sex Landsat banden i tre ortogonala band som mäter mark ljusstyrka (tasseled cap, band 1), vegetation grönhet (tasseled cap, band 2), och jord / vegetation våthet (tasseled cap, band 3) och används ofta för att skilja växtlighet sammansättning, åldersklass, och strukturera 12-14. Vi använde de koefficienter redovisas i Crist (1985) 15 för alla tasseled cap transformationer.
I denna studie, testar vi fem distributions arter modeller med en tidsserie av spektralband och grönttäcke nästan helt index härledda från Landsat 5 TM att karttama längs den nedre Arkansas River i sydöstra Colorado, USA. Floden Arkansas, som spänner över 2364 km (1469 mi), är den näst största biflod i Missouri-Mississippi systemet. Dess vattendelare täcker 435.123 km 2 (168.002 mi 2) med rinner i Colorado Rocky Mountains. Från sitt ursprung på 2965 m, Arkansas sjunker avsevärt i höjd, plana ut nära Pueblo, CO, och slingrande genom jordbruksmark och kort gräs prärien. Floden är föremål för säsongsmässiga översvämningar och lättnad på för kommunala och jordbruket vattenanvändning i Rocky Ford, La Junta, och Lamar, innan du fortsätter i Kansas, Oklahoma och Arkansas där den rinner ut i Mississippifloden. Tamaobserverades först på floden Arkansas av R. Niedrach 1913 nära dagens staden Lamar 16. Idag har det uppskattats att tama omfattar mer än 100 km 2 mellan Pueblo och Kansas statliga line, med ytterligare 60 km 2 längs bifloder floden Arkansas 17. Studien området finns bevattning diken, våtmarker, jordbruksmark, och confluences flera biflöden; alla med varierande grad av tama angrepp. Boskapsuppfödning och jordbruk är den primära land använder i anslutning till strand korridorer består till stor del av alfalfa, hö, majs och höstvete.
Arter distributionsmodeller är beroende av georefererade händelser (dvs latitud, longitud) för att identifiera relationer mellan en arts förekomst och dess omgivning 18. De miljödata kan innehålla flera fjärranalys och andra rumsliga lager. De fem distributions arter modeller vi testade inkluderar boostregressionsträd (BRT) 19, slump skogar (RF) 20, multivariata adaptiva regressions splines (MARS) 21, en generaliserad linjär modell (GLM) 22, och MAXENT 23. Dessa fem model algoritmer är bland de mest använda för modellering distributions arter, och ett antal studier har visat sin effektivitet 24-25. Vi använde programvara för Assisted Habitat Modeling (SAHM) v. 2.0 moduler för att utföra de fem modeller som återfinns i VisTrails v.2.2.2 26 visualisering och bearbetning programvara. Det finns flera fördelar med att använda SAHM för jämförande modellering. Förutom formaliseringen och foglig inspelning av modelleringsprocesser, tillåter SAHM användare att arbeta med flera distributions arter modell algoritmer som var för sig har skilda gränssnitt, programvara och filformat 27. SAHM ger konsekvent tröskel oberoende och tröskelberoende mått utvärderings utvärdera modellen fungerar. En av dessa är området under mottagaren kurvan (AUC), en tröskel oberoende mått som utvärderar förmågan hos en modell för att diskriminera närvaro från bakgrunds 28. AUC value av 0,5 eller mindre indikerar modellprediktioner är inte bättre eller sämre än slumpvis; värden mellan 0,5 och 0,70 indikerar dålig prestanda; och värden ökar 0,70-1,0 indikerar progressivt högre prestanda. En annan metriska är procent korrekt klassificerade (PCC), en tröskel beroende mått som väger känslighet och specificitet baserad på en användardefinierad tröskel metriska; känslighet mäter andelen observerade närvaro klassificeras som lämplig och specificitet mäter andelen bakgrundsplatser klassificeras som olämpliga. Ännu en metriska är sant Skill Statistik (TSS = känslighet + specificitet - 1), vilket ställer större vikt på modell känslighet än specificitet, med värden som varierar mellan -1 och 1, där värden> 0 indikerar bättre modell prestanda än en slump 29.
Att kartlägga tama använder modellens resultat, konstruerade vi binära klassificeringar använder den tröskel som utjämnar sensitivitet och specificitet för att definiera presence eller frånvaro av tama. Dessa enskild modell härledda kartor sedan summeras för att skapa en ensemble kartan 30. Ensemble kartor kombinera förutsägelser om enskilda distributions arter modeller för att producera en annons karta som rankar kollektivavtalet av de testade modeller. Till exempel, en ensemble cell värde på ett indikerar att endast en modell som klassificeras den cellen som lämplig livsmiljö, medan ett värde av fem indikerar att alla fem modeller klassificeras cellen som lämplig livsmiljö. En fördel med detta tillvägagångssätt är att ensemble kartor ger en lägre medelfel än någon enskild modell. Det gör det också möjligt för användare att visuellt jämföra resultatet för varje testad modell. Vårt övergripande mål var att ge en detaljerad beskrivning av dessa metoder som kan skräddarsys för att modellera den nuvarande fördelningen av arter på landskapet.
Protocol
1. Fält datainsamling
- Härleda fältdata för tama från en vektor polygon dataset som samlats in av Tamarisk Coalition i en landsomfattande undersökning 2005 och 2006 17.
OBS: Data erhölls genom en intensiv mark undersökning, där fälttekniker kartlagt alla tama står längs Arkansas River genom att använda Global Positioning System (GPS) och flygbilder. - Inom dessa polygoner, generera 499 slumpmässiga punkter (dvs, närvaro) att utbilda modellerna. Placera två uppsättningar begränsningar på slumpmässiga punkter: (1) varje punkt måste vara> 30 m från någon polygon kant för att säkerställa att det är inom tama stå vid en Landsat 5 TM upplösning; och (2) varje punkt krävs för att vara ≥ 60 m från grannpunkten, för att säkerställa en stabil fördelning över studieplatsen och minimera rumslig autokorrelation.
- Sammanfältdata i en MS Excel-fil i tre kolumner med rubrikerna märkta "svar""X" och "Y", där svarsvärdena är (1) för närvaro, UTM easting för X, och UTM Nordlig för Y. Spara filen i CSV-format för användning i SAHM (fältdata modul).
- Generera ytterligare 100 slumpmässiga punkter inom Tamarisk koalitionens tamarisk polygoner och ytterligare 100 slumpmässiga punkter utanför polygoner som oberoende testdata för att utvärdera modellresultat. Spara den här filen i .csv format för användning i SAHM (fältdata modul).
2. prediktorvariabler
- Hämta Landsat 5 yta reflektans L4-5 TM bilder (Path 32, rad 34) från US Geological Survey Global Visualisering Viewer / EarthExplorer (http://earthexplorer.usgs.gov/). Kulisserna inkluderar utsträckning samplas av Colorado Tamarisk Coalition 2005 och 2006 17. För att bestämma de månader som användes för modellerna väljer scener som är i stort sett molnfritt (dvs. <10% molntäcke) och representative månader tros ha urskiljbara tama fenologi; dessa var oktober 2004 april 2005 maj 2005 juni 2005 juli 2005 september 2005 april 2006 maj 2006 juni 2006 juli 2006 augusti 2006 september 2006 och november 2006.
- Ladda ner Remote Sensing Index Härledning Tool
https://github.com/rander38/Remote-Sensing-Indices-Derivation-Tool. - Kör Python-skript i verktyget, antingen GDAL eller Arcpy version; GDAL rekommenderas.
- Välj lämplig satellitsensorn, önskade index, och ställ in ingången bildfil och output mapp där filerna ska lagras (Figur 1). Vi exporterade de enskilda banden och använde NDVI, Savi och tasseled Cap ljusstyrka, grönska, och väta index som härrör från var och en av Landsat TM scener. Observera att alla index kan ändras eller läggas genom att förändra Sensors_Formulas_RSIDT.ini filen.
Figur 1. Remote Sensing Index härledning Tool GUI.
- Kör verktyget och kontrollera utgångsfiler visuellt i ArcMap v. 10,0 (ESRI, Redlands, CA) eller en annan geografisk information systemprogramvaran.
3. Programvara för Assisted Habitat Modeling (SAHM) (Figur 2)
Figur 2. Hela SAHM arbetsflöde innehåller indata, förbehandling, preliminär modell analys och beslut, korrelat modeller, och utgångsrutiner.
- För att köra SAHM första ladda ner filer (inklusive VisTrails) från US Geological Survey hemsida https://my.usgs.gov/catalog/RAM/SAHM. Se bruksanvisningen på samma webbplats för detaljerade instruktioner om hur du hämtar och installerar SAHM. Observera att webbplatsen har också en SAHM tutorial och data för ytterligare instruktioner.
- Att utveckla tama arter distributionsmodeller, använda SAHM_tutorial_2.0.vt fil som kommer med paketet nedladdning (i exempel mappen SAHM). Inom synhåll Historia, välj den oberoende platser arbetsflöde. De andra arbetsflödes exempel kan väljas och är beroende av syftet med den, beskrivningar medföljer varje. Välj Pipeline.
- Ställa in produktionen mappen genom att gå till paket och sedan SAHM> Ändra Session mapp. Under hela utvecklingsprocessen arbetsflöde, kan detaljerade beskrivningar av varje steg och alternativ hittas genom att välja fliken Dokumentation ligger på höger sida av SAHM betraktaren skärmen. Alla moduler som anges i följande metoder kan hittas på vänster sida av SAHM fönstret under fliken SAHM.
- Nästa, direkt SAHM till datafältet som kommer att varaanvänds för att träna distributions arter modeller.
- Klicka på TemplateLayer modulen. Bläddra till rastret som kommer att användas som en mask och för att definiera den utskjutande delen, cellstorleken och omfattningen av analyserna.
- Klicka på fältdata till modulen i den vänstra sidan av arbetsflödet. Bläddra till CSV (dvs training.csv) fil av fältdata (närvaropunkter eller närvaro och frånvaro poäng) i modulen fältdata.
- Klicka på PredictorListFile modulen och bläddra till CSV-fil lista (t.ex. fil som innehåller den fullständiga sökvägen till alla prediktorer för användning i modell- hänvisar vi till bruksanvisning).
- Därefter genomföra förbehandlingssteg.
- Klicka på FieldDataQuery modulen och fylla i svars kolonn med kolumnrubriken för svar (dvs kolumnnamnen i FieldData.csv), X och Y kolumner.
- Klicka på MDSBuilder modulen. Ställa in backgroundPointField till 10.000.
OBS: Om du använder närvaro och frånvaro data för de arter som modelleras, behöver du inte ändra backgroundPointField; du skulle inkludera dessa platser med ett svar (0) i fält Data.csv. Det är valfritt att ställa en backgroundProbSurf om du vill begränsa bakgrundspunkt inom ett område genom att peka på en raster yta med värden mellan 0 till 100 (dessa värden representerar sannolikheten att ett slumpmässigt genererat punkt kommer att behållas bör ligga inom ett särskild cell). För denna studie använder en backgroundProbSurf med värden på 100 i en 5000 m buffert av Arkansas River och 0 för områden utanför denna buffert (baserat på den totala arealen samplas av tama koalitionen).
- Nästa, anger arten modellering distributions algoritmer som ska användas.
- Observera att BoostedRegressionTree, GLM, MARS, och RandomForest moduler redan inrättats i den oberoende platser arbetsflöde. Tillsätt MAXENT modulen till arbetsflödet för att testa alla fem modeller. Anslut den till CovariateCorrelationAndSelection modulen.
OBS: Börja med standardinställningar för alla modeller; dessa kan ändras baserat på studie mål (se modell dokumentationen för mer information). - Lägg en ModelOutputViewer modul och anslut den till MAXENT modulen; ändra kolumn till 5 och ro till 1. ModelOutputViewer producerar ett kalkylblad som kan användas för modellresultatjämförelser.
- Klicka på OutputName modulen och skriv en undermapp namn.
- Observera att BoostedRegressionTree, GLM, MARS, och RandomForest moduler redan inrättats i den oberoende platser arbetsflöde. Tillsätt MAXENT modulen till arbetsflödet för att testa alla fem modeller. Anslut den till CovariateCorrelationAndSelection modulen.
- Därefter lägger du till en modul som skapar en ensemble av modellresultat. Denna modul producerar två utgångskartor; en med den genomsnittliga kontinuerliga sannolikheten för alla de ingående utgångar och en andra med räkningen av antalet modeller med en positiv binary sannolikhet.
- Lägg till ett EnsembleBuilder modul till arbetsflödet. Det är valfritt att ställa en tröskel Metric; för denna studie, väljer AUC och lämna tröskelvärdet på standardvärdet 0,75. Detta kommer att säkerställa att endast modeller med ett AUC-värdet är större än eller lika med 0,75 ingår i ensemblen kart utgångar. Anslut BoostedRegressionTree, GLM, MARS, RandomForest och MAXENT moduler till EnsembleBuilder.
- Därefter rikta modeller de oberoende testdata.
- Klicka på den andra fältdata modulen (höger sida av arbetsflödet) och bläddra till CSV-fil som innehåller modell valideringsdata. Dessa är de 200 närvaro och frånvaro punkter som genereras i steg 1,4 i protokollet.
- Klicka på FieldDataQuery modulen och se till att svaret, x, och y kolumner matcha kolumnerna In fältdata .csv.
- Lägg till ett ApplyModel modul och anslut den till MAXENT modulen. Lägg en ModelOutputViewer modul och ansluta den till ApplyModel modul; ändra kolumn till 5 och raden till 1. I menyn, välj Paket -> SAHM -> Ändra Processing Mode. Eftersom du vill köra mer än en modell, välj enda modeller sekventiellt (n - 1 kärnor vardera). Detta kommer att påskynda exekveringstiden av modellerna genom att dra nytta av flera datorkärnor.
- Därefter utför distributions arten modeller.
- Spara filen .vt och klicka sedan på Kör.
- När CovariateCorrelationAndSelection widgeten (Figur 3) visas, avmarkera en av varje korrelerat par av variabler där korrelationskoefficienten är | r | ≥ 0,7 (baserat på% Deviance förklaras av en univariat general tecknad additiv modell ses på den vänstra sidan av denna widget (Figur 3) och välgrundade ekologiska beslut; i denna studie prioritera valet av åtminstone ett kovariat för varje månad för att fånga fenologisk variation i tama). Det antal områden i fönstret kan ändras genom att skriva in ett nummer (standard är 8) och klicka på Update.
- Efter slut kovariat val genom att välja OK längst ner på CovariateCorrelationAndSelection widgeten (Figur 3). För denna studie har följande 9 variabler behålls: 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 och Nov_19_2006_SAVI. Fördelnings arter modeller kommer att utföra när du har valt OK.
jpg "/>
Figur 3. kovariat korrelation och urval SAHM gränssnitt.
- Resultat utgång.
OBS! När modellerna har slutförts visas ett VisTrails kalkylblad för modelljämförelse (Figur 4)- Jämför AUC tomter, text utgångar, responskurvor, kalibrering, förvirring matris, rester och responskurvor över modeller.
OBS: Utgång från SAHM modeller inkluderar en CovariateCorrelationOutputMDS, förvirring matris, resterande tomt, kalibreringskurva, modellutvärdering tomt, variabel vikt tomt, en svarskurvorna mapp, en utökad mapp utgång, bin karta, mess karta, MOD karta, prob karta, rest karta och en output.txt; se SAHM användarhandboken för mer beskrivning.
- Jämför AUC tomter, text utgångar, responskurvor, kalibrering, förvirring matris, rester och responskurvor över modeller.
Figur 4. VisTrails kalkylblad kan användas för att utvärdera modellens resultat. Detta ärjämförelse AUC modell för träningsdata; från vänster till höger modellerna är BRT, GLM, MARS, RF, och MAXENT respektive.
Representative Results
Statistiska utvärderingar av BRT, RF, MARS, GLM, och MAXENT baserade på oberoende test dataset anges alla fem modeller utvecklats relativt väl i att upptäcka tama; Det var liten skillnad mellan tröskel oberoende och beroende utvärderingströskeln mått bland modeller. AUC var> 0,88, procent korrekt klassificerade värden var> 77%, känsligheter och specificiteter var> 0,77, och TSS var> 0,54 (tabell 1). En ensemble av binära modellresultat visade mycket modellavtal i områden längs floden Arkansas (Figur 5). Röran (multivariata miljö likhet yta) kart utgångar för varje modell indikerade tillgängliga miljön i studieområdet var väl provet (figur 6), vilket ytterligare ökar vår tilltro till ensemblen strategi.
sätt ">Tabell 1. Threshold oberoende (AUC) och tröskelberoende (PCC, känslighet, specificitet, och TSS) utvärderingsmått för BRT, RF, MARS, GLM, och MAXENT modeller passar till en oberoende test dataset av tama närvaro och frånvaro.
Figur 5. Ensemble resultat kombinerar BRT, GLM, MARS, RF, och MAXENT binära utgångs kartor i ArcGIS. Områden färgas av antalet modeller i avtalet, från 0 (ingen färg) till 5 (röd). Observera det färgade området i nordvästra hörnet av förutsägelse; denna linje är en artefakt av Landsat bildspråk; Därför modellresultat bör tas med försiktighet i denna region. Klicka här för att se en större version av denna siffra.
Figur 6. Multivariate miljö likhet yta (MESS) utgång.target = "_ blank"> Klicka här för att se en större version av denna siffra.
Av de nio prediktorer används 30 jun 2006 Ljusstyrka var den viktigaste variabeln för alla fem modeller (tabell 2). Detta var den enda variabeln behålls av GLM baserat på stegvis Akaike informationskriterium (AIC, vilket är standard för GLM modell val i SAHM), men det är viktigt att notera här modellen ingår också en kvadratisk term för denna variabel. RF och MAXENT behålla alla variabler som standard.
| Prediktor | BRT | RF | MARS | GLM | MAXENT |
| 30 Juli 2006 Ljusstyrka | 41,60 | 34,11 | 76,78 | 100 | 67,27 |
| 31 aug, 2006 Band 4 | 6,35 | 5,87 | 5,16 | 0 | 2,82 |
| 9 juni 2005 SAVI | 13,67 | 14,09 | 9,14 | 0 | 9,75 |
| 22 apr 2005 Ljusstyrka | 6,29 | 6,30 | 0 | 0 | 0,43 |
| 28 oktober 2004 NDVI | 5,66 | 8,25 | 0 | 0 | 2,94 |
Tabell 2. Relativ betydelse prediktorer i varje modell.
Discussion
Våra resultat visar passande BRT, RF, MARS, GLM, och MAXENT med närvaro poäng för tama och en tidsserie fjärravkända Landsat satellitbilder data kan skilja tama på landskapet och är ett effektivt alternativ till traditionella enda scen klassificeringsmetoder. Det framgår av våra resultat att juni är en särskilt viktig tid för att detektera tama inom vårt studieområde; Detta överensstämmer med Evangelista et al. 2009 1 vilket indikerade juni Väta var den viktigaste prediktorn för tama förekomst i detta område grundar sig på en MAXENT modell passar med en tidsserie för Landsat bildspråk.
Andra spektrala index och band som ingick i BRT, RF, MARS, och MAXENT modeller kan dessutom skilja tama från jord substrat, andra lövträd inklusive poppel (Populus spp.) Och vide (Salix spp.), Eller bevattnas jordbruk som är vanligt i den nedreArkansas avrinningsområde. Andra GIS skikt, såsom topografi, jordarter, eller klimatdata kan också betraktas som kovariater och ingår i dessa modeller, men vi rekommenderar att hålla dessa till ett minimum om målet är att upptäcka nuvarande fördelningen arter på landskapet snarare än att förutspå potentiella förekomst eller lämplig livsmiljö.
De testade för vår forskning modeller förutsatt stark analytisk förmåga och flera alternativ till att utvärdera resultaten. Med alla dessa korrelativa modeller inom en och samma ram, såsom SAHM tillåter formalisering och foglig inspelning av modelleringsprocessen. För- och efterbearbetning av respons och prediktorvariabler är standardiserade i SAHM, möjliggör bättre och effektivare modelljämförelser, medan arbetsflöden registrera varje steg av analyserna som underlättar modifiering, upprepning och replikering.
Ensemble kartläggning syftar till att kombinera styrkorna hos flera korrelativa modeller, och samtidigt minimera weakness enligt något modell 30. Vi tror att detta var fallet i vår studie, dock varna vi att modeller som sämre (dvs underförutsäga eller överskatta) kan försvaga de övergripande resultaten. Den begränsade användningen av ensemble kartläggning i litteraturen har haft goda resultat, men de flesta av dessa metoder har försökt att "förutse" art förekomst snarare än "upptäcka". Vidare medger ensemble kartläggning för en visuell bedömning av osäkerhet bland de olika modelleringsmetoder, identifiera nivåer av modellavtal. Oftast är valet av modelleringsmetod (t.ex. GLM kontra BRT) som har störst mätbar inverkan på modellresultat snarare än andra beslut i modelleringsprocessen såsom läge dataosäkerhet 31. Även om vi tror att vår bästa tama karta är där alla fem modeller är överens, krävs ytterligare testning och användning av olika metoder för ensemble kartläggning rekommenderas (t.ex. viktas med AUC) 32 </ Sup>, och bäst validerade genom oberoende fältobservationer. Sammanfattningsvis kan dessa metoder lätt skräddarsys för att modellera spridningen av andra arter med hjälp av miljövariabler som erhållits för en given studie region 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).
