שילוב חישה מרחוק עם מודלי הפצת מינים; פלישות מיפוי אשל בעזרת התוכנה עבור דוגמנות Habitat Assisted (SAHM)
11 באוקטובר 2016
אנו מדגימים את התועלת של נתוני חישה מרחוק והתוכנה החדשה שפותחה למידול בתי גידול בסיוע (SAHM) בחיזוי הופעת מינים פולשים בנוף. אנסמבל של מודלים חיזויים ייצר מפות מדויקות ביותר של פלישת טמריסק (Tamarix spp.) בדרום מזרח קולורדו, ארה"ב כאשר הוערכו עם אימות שדה לאחר מכן.
איתור מיני צמחים פולשים חיוני לניהול משאבי הטבע ולהגנה על המערכת האקולוגית. במחקר זה, אנו מדגימים את התועלת של נתוני חישה מרחוק, בתוכנה שפותחה לאחרונה למידול בתי גידול בסיוע, וחיזוי הופעת מינים פולשים בנוף. היי, אני טום סטולגרן, מדען בכיר במעבדה לאקולוגיה של משאבי טבע באוניברסיטת קולורדו.
זה טמריסק. הוא יליד דרום אפריקה, אסיה, אירופה וחלקים מהמזרח התיכון, אבל הוא לא מכאן. כלומר, זה לא מין מקומי בחלק הדרום-מערבי של ארצות הברית, או ליד לה ג'ונה, קולורדו, שם אנחנו נמצאים היום.
טמריסק הוא יוצא דופן, בכך שהוא פריאטופיט פקולטטיבי, מה שאומר שהוא יכול לחיות רחוק מנחל, או ממש לאורך נחל. יש לו שורש שיורד למטה, למעלה מ-30 מטר. אז דמיינו שאתם הולכים 30 צעדים מכאן, וזה עד כמה השורש הזה יכול לרדת.
כך שהוא יכול לעמוד בתנאי בצורת קצת יותר טוב מכמה מהמינים המקומיים באזור. ללא הטמריסק, היה הרבה יותר מקום למינים מקומיים, המושכים פרפרים ומאביקים מקומיים, כפי שאנו רואים כאן, על מברשת הארנב. כאן יש לנו את שיחי הטמריסק, המתחרים ישירות עם הצמחייה המקומית.
במקרה זה, יליד קוטונווד. מאחוריי, יש לנו יציע צפוף מאוד, יציע גדול מאוד. אולי קילומטר רבוע של שום דבר מלבד טמריסק.
על ידי נשירת עלים, ועם ענפים מתים וגוססים, זו סכנת שריפה אמיתית. בצד השני של הרחוב, יש לנו את סאליקס, יש לנו ערבה, שהיא ירוקה ולחה מאוד, והרבה פחות נוטה לאש מאשר הטמריסק בצד הזה. אנחנו כאן באתר שבו טמריסק פולש לאדמת מרעה.
עכשיו, זה חשוב כי זה למעשה מצמצם את שטח המרעה שהפרות האלה יכולות לרעות עליו. טמריסק, כמו צמחים פולשים רבים, מציג שונות פנולוגית לאורך עונת הגידול, השונה מהפנולוגיה של מינים מקומיים על גדות הנהר. באזורים מסוימים, למשל, עלה טמריסק החוצה, נמצא לפני כמה צמחי גדות מקומיים, מכיוון שהטמריסק שומר על העלווה שלו זמן רב יותר ממינים מקומיים אחרים.
על ידי שימוש בסדרת זמן של נתוני לוויין לאורך עונת הגידול, אנו יכולים להשתמש בהבדלים הפנולוגיים האלה כדי לסייע להבחין בין טמריסק לצמחים מקומיים. לווייני Landsat מקיפים את כדור הארץ מאז 1972, והם מקור התמונה האידיאלי לגילוי תפוצת טמריסק ופנולוגיה בנוף. עם רזולוציה מרחבית של 30 מטרים, ותוצאה זמנית של 16 ימים, לנדסט היא תוכנית משותפת של נאס"א ו-USGS.
מטרותינו במחקר זה היו לבחון ולהעריך חמישה מודלים שונים של התפלגות מינים, בתוכנה למודלים של בתי גידול מסייעים, תוך שימוש בתמונות Landsat 5 ונקודות נוכחות של טמריסק, שנרכשו מקמפיין מיפוי שדה אינטנסיבי שנערך על ידי קואליציית Tamarisk, לאורך נהר ארקנסו, בקולורדו. וליצור מפה מדויקת של התפלגות ה-tamarisk באזור המחקר, על סמך תפוקות המודל. תרשים מושגי זה מספק סקירה כללית של המתודולוגיה שלנו במחקר זה.
נתוני השדה של טמריסק נגזרו ממערך נתונים של מצולע וקטורי, שנאסף על ידי קואליציית טמריסק, בשנים 2005 ו-2006. נתוני Landsat 5 Thematic Mapper נרכשו מ-Earth Explorer, עבור השנים התואמות לנתוני שדה הטמריסק. לפחות סצנה אחת מכל חודש בעונת הגידול נאספה.
באמצעות כלי גזירת מדדי החישה מרחוק, הפקנו מדדים ספקטרליים מתמונות Landsat, כדי להבחין בין החתימה הספקטרלית של טמריסק לבין מינים אחרים בנוף. מדדים אלה, ונתוני שדה הטמריסק, היו תשומות, בחמישה מודלים של התפלגות מינים, בתוך התוכנה למידול בתי גידול בסיוע. תפוקות המודל נבדקו עם מערך נתונים עצמאי, ונעשה שימוש בגישת אנסמבל ליצירת מפות תפוצת מינים של טמריסק באזור המחקר.
כדי למפות דוכן גדול של טמריסק, יהיה לי מיקום התחלה, הקרוב ביותר לשיח על הגבול, ואז אמשיך לבחור את המיקומים שלי סביב כל החלקה, ככה. זו הייתה המתודולוגיה, שהופעלה על ידי קואליציית טמראיסק כדי לאסוף מיקומים xy של טמראיסק. באמצעות GPS, בחר/י ״סמן״ וגלול/י מעלה כדי לתת שם לנקודה.
תראה את קו הרוחב והאורך של הנקודה על המסך. בחר סיום, בסיום. הורדנו את סצנות המיפוי הנושאי של Landsat 5, מ-earthexplorer.usgs.gov.
אם כבר יש לכם חשבון, התחברו. אחרת, הירשם לחשבון להורדת נתונים. ראשית, הקלד את הנתיב והשורה של סצנת Landsat, המקיפה את אזור המחקר.
המחקר שלנו השתמש בנתיב 32, שורה 34. בחר את טווח התאריכים המתאים לסצנות שאתה מחפש. בחרנו את אפריל 2005, עד נובמבר 2006, כאשר נאספו נתוני הטמריסק.
לאחר מכן, בחר מערכי נתונים וגלול מטה אל ארכיון Landsat. בחר את מוצר השתקפות פני השטח של Landsat. גלול מטה ובחר קריטריונים נוספים.
בחר פחות מ-10% כיסוי ענן, כדי להבטיח את התמונות האיכותיות ביותר. כאשר תבחר תוצאות, תופיע רשימה של סצנות Landsat זמינות להורדה. כדי לגזור מדדים מתמונות החישה מרחוק של Landsat, הורדנו את כלי גזירת מדדי החישה מרחוק מ-github.com.
הרצנו את סקריפט Python, ובחרנו את חיישן הלוויין המתאים, את האינדקסים הרצויים, והגדרנו את קובץ תמונת הקלט, בתיקיית הפלט לקבצים לאחסון. במחקר שלנו, ייצאנו את הרצועות הבודדות, והשתמשנו במדדי בהירות, ירוקות ורטיבות של NDVI, SAVI ו-Tasseled Cap. כדי לפתח את מודלי התפלגות המינים של Tamarisk, השתמשנו בחבילת התוכנה SAHM שהשתמשנו בה במסגרת תוכנית VisTrails.
לצורך המחקר שלנו, פתחנו את קובץ SAMH tutorial 2.0 VT, שהגיע עם הורדת החבילה, ובחרנו את הדוגמה של זרימת העבודה של מיקומים עצמאיים, בתצוגת ההיסטוריה של ערכת לימוד זו. דוגמאות אחרות זמינות גם במדריך זה. לאחר מכן עברנו לתצוגת Pipeline, כדי להגדיר את המודלים.
תחילה, בחרנו חבילות, כדי לשנות את תיקיית ההפעלה. לאחר מכן, בחרנו את מודול שכבת התבנית, וניווטנו לשכבת התבנית, שתגדיר את ההקרנה, גודל התא והיקף המחקר. לאחר מכן, בחרנו את מודול נתוני השדה, וניווטנו לקובץ ה-CSV, המכיל קואורדינטות xy עבור tamerisk, שנאספו.
לאחר מכן, בחרנו את קובץ רשימת החיזוי וניווטנו לקובץ ה-CSV המכיל את רשימת המנבאים שלנו למחקר זה. לאחר מכן, בחרנו את שאילתת נתוני השדה כדי להגדיר את העמודה תגובה, עמודת x ועמודה y בתוך קובץ ה- CSV של נתוני שדה שלנו. לאחר מכן, בחרנו את מודול MDS Builder, והגדרנו את ספירת נקודות הרקע כ-10,000.
אפשרות משטח הסתברות רקע זמינה גם במיקום זה. השתמשנו במשטח הסתברות רקע עם ערכים של 100, בתוך חיץ של 5,000 מטר מנהר ארקנסו, ו-0, עבור אזורים מחוץ למאגר זה. זה התבסס על האזורים שנדגמו על ידי קואליציית Tamerisk במחקר שלנו.
לאחר מכן, הוספנו את מודול Maxent לזרימת העבודה שלנו, וחיברנו אותו למודול המתאם והבחירה של המשתנים. עץ הרגרסיה המוגבר, המודל הליניארי המוכלל, קווי הרגרסיה האדפטיבית הרב-משתנים ומודולי היער האקראיים, כבר היו ממוקמים בזרימת העבודה. לאחר מכן, הוספנו מודול מציג פלט מודל לזרימת העבודה, ושינינו את העמודה והשורה כך שיתאימו למודולים האחרים.
לאחר מכן, בחרנו שם פלט ייחודי כשם תיקיית משנה בתוך זרימת העבודה. לאחר מכן, הוספנו מודול Ensemble Builder לזרימת העבודה, וחיברנו אותו לכל חמשת הדגמים. קבענו את מדד הסף וערך הסף שלנו עבור ההרכב.
ניתן לשנות זאת בהתאם למטרות המחקר. לאחר מכן, ניווטנו לקובץ CSV, המכיל את מערך נתוני הבדיקה העצמאי שלנו של tamarisk. שוב, כאשר מודול שאילתת נתוני השדה נבחר, אנו מגדירים את העמודות תגובה, x ו- y בתוך הקובץ העצמאי.
הוספנו מודול החל מודל לזרימת העבודה, וחיברנו אותו למודול MDS Builder עבור מערך הנתונים העצמאי, ולמודול Maxent. הוספנו גם מציג פלט דגם נוסף, וחיברנו אותו למודול מודל האספקה, ושינינו את העמודה והשורה כך שיתאימו לדגמים האחרים. לאחר מכן, בחרנו חבילות, כדי לשנות את מצב העיבוד למודל יחיד ברצף, מה שמאפשר להשתמש ביותר מליבה אחת במהלך ביצוע המודל.
המסך הראשון שמופיע, הוא מציג מתאם משתנה, המציין את המתאם בין כל שני משתנים. מטרות המחקר שלנו התבססו על השמטת משתנים שהיו בקורלציה גבוהה, או גדולים מנקודה שבע, בהתבסס על מודל תוסף כללי. השתמשנו באחוזים המוסברים עבור כל משתנה, כדי להחליט איזה משתנה לשמור, במקרה ששני משתנים היו בקורלציה גבוהה.
לאחר שקיבלנו החלטה על מספר הווריאנטים שיש לשמור, בחרנו באישור. לאחר השלמת המודלים, יופיע גיליון אלקטרוני של VisTrail. ניתן להשתמש בגיליון אלקטרוני זה כדי להשוות את תוצאות המודל, כולל עלילות AUC, פלטי טקסט, עקומות תגובה, עלילות כיול, מטריצות בלבול ותרשימים שיוריים. עבור התוצאות שלנו, היה הבדל קטן מאוד בין חמשת המודלים, בהתבסס על מדדי הערכה בלתי תלויים בסף ומדדי הערכה תלויי סף.
בהתבסס על מדדים אלה, ולאחר השוואת משטחי הסתברות שנוצרו על ידי כל מודל, החלטנו שאנסמבל של חמשת המודלים הוא גישה מתאימה לנתונים אלה. Ensemble Mapping, שואף לשלב את החוזקות של מספר שיטות מתאם, תוך מזעור החולשות של כל מודל אחד. עם זאת, אנו מזהירים כי מודלים עם ביצועים נמוכים, עלולים להחליש את התוצאות הכוללות.
התוצאות שלנו מדגימות התאמה של עץ רגרסיה מוגברת, מודל ליניארי כללי, קווי רגרסיה אדפטיבית רב-משתנים, יער אקראי ומקסנט, עם נקודות נוכחות עבור טמריסקים, וסדרת זמן, של תמונות לוויין של Landsat בחישה מרחוק, יכולה להבחין בטמריסק בנוף, ומהווה אלטרנטיבה יעילה לשיטות סיווג סצנה בודדות מסורתיות. מפות המופקות ממודלים אלה, יספקו כלי ניהול חשוב למאמצי בקרת טמריסק ממוקדים באזור המחקר.
סקירה כללית
מחקר זה מדגים את השימוש בנתונים מרחוק ובתוכנה לדגמים מסייעים של בתי גידול (SAHM) לחיזוי התרחשות של מינים פולשים, במיוחד תמר (Tamarix spp.), בדרום-מזרח קולורדו. המודלים החיזויים יצרו מפות מדויקות של פלישת תמר, שאושרו באמצעות הערכות שטח.
מרכיבי מחקר מרכזיים
תחום המדע
- אקולוגיה
- חישה מרחוק
- ניהול מינים פולשים
רקע
- תמר הוא מין פולש שאינו יליד דרום-מערב ארצות הברית.
- הוא מתחרה עם הצמחייה המקומית, ומשפיע על המערכות האקולוגיות המקומיות.
- הבנת התפוצה שלו חיונית לניהול יעיל.
- חישה מרחוק מספקת שיטה לניטור ומיפוי מינים פולשים.
מטרת המחקר
- להעריך את יעילות ה-SAHM בחיזוי התפוצה של תמר.
- ליצור מפות מדויקות של התרחשות תמר באמצעות נתוני לוויין.
- להעריך את ההשפעה של תמר על המערכות האקולוגיות המקומיות.
שיטות שנעשה בהן שימוש
- ניצל נתוני תמונות של Landsat 5 כדי לאסוף נתונים על נוכחות תמר.
- יישום של חמישה מודלים להפצת מינים בתוך SAHM.
- ביצוע מיפוי שטח כדי לאמת את תחזיות המודל.
- גיבוש אינדקסים ספקטרליים כדי להבדיל תמר ממינים מקומיים.
תוצאות עיקריות
- יצירת מפות מדויקות מאוד של פלישת תמר.
- אימות פלט המודל עם נתוני שטח עצמאיים.
- הדגמה של התועלת של חישה מרחוק במחקרים אקולוגיים.
- הדגשת האופי התחרותי של תמר מול הצמחייה המקומית.
מסקנות
- חישה מרחוק ו-SAHM הם כלים יעילים לחיזוי התפוצה של מינים פולשים.
- מיפוי מדויק יכול לסייע בניהול מינים פולשים.
- מעקב מתמשך חיוני להגנה על המערכות האקולוגיות.
שאלות נפוצות
Executive Industry Relevance
This study demonstrates how species distribution modeling with remote sensing data enables early detection of invasive species, supporting proactive ecosystem management. The ensemble approach using SAHM provides predictive confidence in spatial risk assessment, reducing uncertainty in resource allocation decisions. These methods offer translational value for biopharma R&D in environmental monitoring and ecological risk assessment workflows.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Enables hypothesis testing of species-environment relationships through statistical modeling of presence-pseudoabsence data.
- Operational Value: Standardizes workflow for integrating multi-source environmental predictors with field observations.
- Predictive Value: Ensemble mapping reduces model-specific bias, improving reliability of spatial predictions for go/no-go decisions in environmental risk assessment.
Screening & Assay Development
- Scientific Value: Derived spectral indices (NDVI, SAVI, tasseled cap) provide quantitative, reproducible biomarkers for distinguishing target from background signals.
- Operational Value: Automated preprocessing via Remote Sensing Indices Derivation Tool ensures consistent feature extraction across temporal datasets.
- Scalability: SAHM workflow supports batch processing of large satellite image time series for high-throughput environmental screening.
Translational & Preclinical Research
- Translational Continuity: Independent validation with field-collected presence data ensures model outputs reflect real-world distributions, supporting risk-adjusted advancement decisions.
- Mechanistic De-risking: Phenological difference detection exploits temporal biomarkers to distinguish invasive from native species, reducing false positives in monitoring programs.
- Predictive Confidence: Threshold-independent and threshold-dependent evaluation metrics (AUC, confusion matrices) quantify model performance for go/no-go mapping decisions.
Pipeline & Workflow Integration
The method fits within environmental risk assessment workflows, from early detection through validation and mapping, supporting data-driven decisions in natural resource management.
- Discovery Biology: Tests ecological hypotheses about invasive species niche modeling using satellite-derived environmental predictors.
- Screening: Produces ready-to-use habitat suitability maps with quantified uncertainty for targeted field validation.
- Analytics: Generates probability surfaces and ensemble outputs enabling comparison of model performance and spatial agreement.
- Translational Research: Independent test data validation ensures translational reliability of predicted distributions for field implementation.
- Enterprise Reuse: SAHM workflow is a reusable framework for modeling any species with presence data and environmental layers.
Operational & Enterprise Impact
- Scientific Value: Reduces mechanistic ambiguity in species distribution predictions through ensemble averaging of multiple algorithms.
- Operational Value: Standardized preprocessing and modeling steps ensure reproducibility across users and time points.
- Strategic Value: Enables proactive, risk-based resource allocation for invasive species management, reducing long-term ecological and economic impact.
- Portfolio Impact: Supports risk-adjusted prioritization of intervention areas based on predicted invasion probability and uncertainty mapping.
Implementation Considerations
- Requires expertise in ecology, remote sensing, and statistical modeling to select appropriate predictors and interpret outputs.
- Needs access to satellite imagery archives (e.g., Landsat) and computational resources for processing large temporal datasets.
- Demands standardization of field data collection protocols for presence/pseudoabsence points to ensure model compatibility.
- Requires adaptation of background point generation strategies when applying to different study systems or sampling designs.
- Limited by spatial resolution of input data (30m Landsat) and accuracy of georeferenced field validation points.
