L'intégration de la télédétection avec des espèces distribution modèles; Cartographie Tamaris Invasions Utilisation du logiciel pour Assisted Habitat Modeling (SAHM)

La détection des espèces végétales envahissantes est essentielle pour la gestion des ressources naturelles et la protection des écosystèmes. Dans cette étude, nous démontrons l’utilité des données de télédétection, dans le nouveau logiciel de modélisation assistée de l’habitat, et la prédiction de la présence d’espèces envahissantes dans le paysage. Bonjour, je m’appelle Tom Stohlgren et je suis chercheur principal au Natural Resource Ecology Lab de l’Université d’État du Colorado.

C’est le tamaris. C’est originaire d’Afrique du Sud, d’Asie, d’Europe et de certaines parties du Moyen-Orient, mais il n’est pas d’ici. C’est-à-dire qu’il ne s’agit pas d’une espèce indigène de la partie sud-ouest des États-Unis, ou près de LaJuna, dans le Colorado, où nous sommes aujourd’hui.

Le tamaris est inhabituel, en ce sens qu’il s’agit d’un phréatophyte facultatif, ce qui signifie qu’il peut vivre loin d’un ruisseau ou le long d’un ruisseau. Il a une racine pivotante qui descend, vers le haut de 30 mètres. Imaginez donc que vous faites 30 pas à partir d’ici, et c’est jusqu’où cette racine pivotante peut descendre.

Il peut donc résister aux conditions de sécheresse un peu mieux que certaines des espèces indigènes de la région. Sans le tamaris, il y aurait beaucoup plus de place pour les espèces indigènes, qui attirent les papillons et les pollinisateurs indigènes, comme nous le voyons ici, sur la brosse à lapins. Ici, nous avons les arbustes de tamaris, en concurrence directe avec la végétation indigène.

Dans ce cas, un peuplier indigène. Derrière moi, nous avons un peuplement très dense, un très grand peuplement. Peut-être un kilomètre carré de rien d’autre que des tamaris.

En laissant tomber des feuilles, et avec des branches mortes et mourantes, il s’agit d’un véritable risque d’incendie. De l’autre côté de la rue, nous avons Salix, nous avons un Saule, qui est très vert et humide, et beaucoup moins sujet au feu que le tamaris de ce côté. Nous sommes ici sur un site où le tamaris envahit les pâturages.

C’est important parce que cela réduit la superficie des pâturages sur lesquels ces vaches peuvent paître. Le tamaris, comme de nombreuses plantes envahissantes, présente une variation phénologique tout au long de la saison de croissance, qui diffère de la phénologie des espèces riveraines indigènes. Dans certaines régions, par exemple, les feuilles du tamaris sont avant certaines plantes riveraines indigènes, car le tamaris conserve son feuillage plus longtemps que les autres espèces indigènes.

En utilisant une série chronologique de données satellitaires tout au long de la saison de croissance, nous pouvons utiliser ces différences phénologiques pour aider à distinguer les tamaris des plantes indigènes. Les satellites Landsat sont en orbite autour de la Terre depuis 1972 et constituent la source d’images idéale pour détecter la distribution des tamaris et la phénologie du paysage. Avec une résolution spatiale de 30 mètres, et un résultat temporel de 16 jours, Landsat est un programme conjoint de la NASA et de l’USGS.

Nos objectifs dans cette étude étaient de tester et d’évaluer, cinq modèles de distribution d’espèces différents, dans le logiciel de modélisation assistée de l’habitat, à l’aide d’images Landsat 5 et de points de présence de tamaris, acquis lors d’une campagne intensive de cartographie de terrain menée par la Tamarisk Coalition, le long de la rivière Arkansas, dans le Colorado. Et de créer une carte précise de la répartition des tamaris dans la zone d’étude, sur la base des résultats du modèle. Ce schéma conceptuel donne un aperçu de notre méthodologie dans cette étude.

Les données de terrain sur les tamaris ont été dérivées d’un ensemble de données de polygones vectoriels, recueillies par la Coalition des tamaris, en 2005 et 2006. Les données de Landsat 5 Thematic Mapper ont été acquises auprès d’Earth Explorer, pour les années correspondant aux données de terrain des tamaris. Au moins une scène de chaque mois de la saison de croissance a été recueillie.

À l’aide de l’outil de dérivation des indices de télédétection, nous avons dérivé des indices spectraux à partir de l’imagerie Landsat, afin de distinguer la signature spectrale du tamaris de celle des autres espèces du paysage. Ces indices, ainsi que les données de terrain sur les tamaris, ont été saisis, dans cinq modèles de distribution des espèces, dans le logiciel de modélisation assistée de l’habitat. Les résultats du modèle ont été testés avec un ensemble de données indépendant, et une approche d’ensemble a été utilisée pour créer des cartes de répartition des espèces de tamaris dans la zone d’étude.

Pour cartographier un grand peuplement de tamaris, j’aurai un emplacement de départ, le plus proche de l’arbuste à la limite, puis je continuerai à choisir mes emplacements autour de toute la parcelle, comme ceci. C’est la méthodologie employée par la Coalition Tamrarisk pour collecter xy emplacements de tamaraisk. À l’aide du GPS, sélectionnez Marquer, puis faites défiler l’écran vers le haut pour nommer le point.

Vous verrez la latitude et la longitude du point à l’écran. Sélectionnez Terminé, lorsque vous avez terminé. Nous avons téléchargé les scènes Landsat 5 Thematic Mapper, à partir de earthexplorer.usgs.gov.

Si vous avez déjà un compte, connectez-vous. Sinon, créez un compte pour télécharger les données. Tout d’abord, saisissez le chemin et la rangée de la scène Landsat, qui englobe la zone d’étude.

Notre étude a utilisé le chemin 32, ligne 34. Sélectionnez la plage de dates correspondant aux scènes que vous recherchez. Nous avons choisi d’avril 2005 à novembre 2006, lorsque les données sur les tamaris ont été recueillies.

Ensuite, sélectionnez Ensembles de données et faites défiler jusqu’à Landsat Archive. Sélectionnez le produit de réflectance de surface Landsat. Faites défiler l’écran vers le bas et sélectionnez Critères supplémentaires.

Sélectionnez Moins de 10 % de couverture cloud pour garantir la meilleure qualité d’image. Lorsque vous sélectionnez Résultats, une liste des scènes Landsat disponibles s’affiche pour le téléchargement. Pour calculer des indices à partir de l’imagerie de télédétection Landsat, nous avons téléchargé l’outil de dérivation des indices de télédétection à partir de github.com.

Nous avons exécuté le script Python, sélectionné le capteur satellite approprié, les indices souhaités et défini le fichier d’image d’entrée, dans le dossier de sortie pour les fichiers à stocker. Dans notre étude, nous avons exporté les bandes individuelles et utilisé les indices de luminosité, de verdure et d’humidité NDVI, SAVI et Tasseled Cap. Pour élaborer les modèles de répartition des espèces de tamaris, nous avons utilisé le progiciel SAHM dans le cadre du programme VisTrails.

Pour notre étude, nous avons ouvert le fichier VT du tutoriel SAMH 2.0, fourni avec le téléchargement du package, et sélectionné l’exemple de flux de travail Emplacements indépendants, dans la vue Historique de ce tutoriel. D’autres exemples sont également disponibles dans ce tutoriel. Nous sommes ensuite allés dans la vue Pipeline, pour configurer les modèles.

Tout d’abord, nous avons sélectionné Packages, pour changer le dossier de session. Ensuite, nous avons sélectionné le module de couche de modèle et accédé à la couche de modèle, qui définirait la projection, la taille de la cellule et l’étendue de l’étude. Ensuite, nous avons sélectionné le module de données de terrain et accédé au fichier CSV, contenant les coordonnées xy pour le tapais, qui a été collecté.

Ensuite, nous avons sélectionné le fichier de liste de prédicteurs et accédé au fichier CSV contenant notre liste de prédicteurs pour cette étude. Ensuite, nous avons sélectionné la requête de données de champ pour définir la colonne Réponse, la colonne x et la colonne y dans notre fichier CSV de données de terrain. Ensuite, nous avons sélectionné le module MDS Builder et défini le nombre de points d’arrière-plan à 10 000.

Une option de surface de probabilité d’arrière-plan est également disponible à cet emplacement. Nous avons utilisé une surface de probabilité d’arrière-plan avec des valeurs de 100, dans une zone tampon de 5 000 mètres de la rivière Arkansas, et de 0, pour les zones en dehors de cette zone tampon. Celle-ci était basée sur les zones échantillonnées par la Coalition Tamerisk dans notre étude.

Ensuite, nous avons ajouté le module Maxent à notre flux de travail et l’avons connecté au module de corrélation et de sélection de covariables. L’arbre de régression boosté, le modèle linéaire généralisé, les splines de régression adaptative multivariée et les modules de forêt aléatoire se trouvaient déjà dans le flux de travail. Ensuite, nous avons ajouté un module Model Output Viewer au flux de travail et modifié la colonne et la ligne pour qu’elles correspondent aux autres modules.

Ensuite, nous avons sélectionné un nom de sortie unique comme nom de sous-dossier dans le flux de travail. Ensuite, nous avons ajouté un module Ensemble Builder au flux de travail et l’avons connecté aux cinq modèles. Nous définissons notre métrique de seuil et notre valeur de seuil pour l’ensemble.

Cela peut être modifié en fonction des objectifs de l’étude. Ensuite, nous avons accédé à un fichier CSV, contenant notre ensemble de données de test indépendant de tamaris. Une fois de plus, avec le module de requête de données de champ sélectionné, nous définissons les colonnes Réponse, x et y dans le fichier indépendant.

Nous avons ajouté un module Apply Model au flux de travail et l’avons connecté au module MDS Builder pour l’ensemble de données indépendant et au module Maxent. Nous avons également ajouté un autre visualiseur de sortie de modèle et l’avons connecté au module de modèle d’alimentation, en modifiant la colonne et la ligne pour qu’elles correspondent aux autres modèles. Ensuite, nous avons sélectionné Packages, pour changer le mode de traitement en modèle unique de manière séquentielle, ce qui permet d’utiliser plus d’un cœur lors de l’exécution du modèle.

Le premier écran à apparaître est un visualiseur de corrélation de covariables, qui indique la corrélation entre deux variables. Les objectifs de notre étude étaient basés sur l’abandon de variables fortement corrélées, ou supérieures au point sept, sur la base d’un modèle additif généralisé. Nous avons utilisé des écarts en pourcentage expliqués pour chaque variable, afin de décider quelle variable conserver, dans le cas où deux variables étaient fortement corrélées.

Lorsque nous avons pris une décision sur le nombre de covariants à conserver, nous avons sélectionné OK. Une fois les modèles terminés, une feuille de calcul VisTrail apparaîtra. Cette feuille de calcul peut être utilisée pour comparer les résultats du modèle, y compris les graphiques AUC, les sorties de texte, les courbes de réponse, les graphiques de calibrage, les matrices de confusion et les graphiques résiduels. Pour nos résultats, il y avait très peu de différence entre les cinq modèles, sur la base de mesures d’évaluation indépendantes du seuil et dépendantes du seuil.

Sur la base de ces mesures, et après avoir comparé les surfaces de probabilité produites par chaque modèle, nous avons décidé qu’un ensemble des cinq modèles était une approche appropriée pour ces données. L’Ensemble Mapping, vise à combiner les forces de plusieurs méthodes corrélatives, tout en minimisant les faiblesses d’un seul modèle. Cependant, nous mettons en garde contre le fait que les modèles qui ne sont pas performants peuvent affaiblir les résultats globaux.

Nos résultats démontrent que l’ajustement de l’arbre de régression boosté, du modèle linéaire généralisé, des splines de régression adaptative multivariée, de la forêt aléatoire et de Maxent, avec des points de présence pour les tamaris et une série chronologique d’images satellites Landsat télédétectées, peut distinguer les tamaris dans le paysage et constitue une alternative efficace aux méthodes traditionnelles de classification de scène unique. Les cartes produites à partir de ces modèles constitueront un outil de gestion important pour les efforts ciblés de lutte contre les tamaris dans la zone d’étude.