L'integrazione di Remote Sensing con specie modelli di distribuzione; Mappatura Tamerici invasioni Utilizzo del software per Assisted Habitat Modeling (SAHM)

Il rilevamento delle specie vegetali invasive è fondamentale per la gestione delle risorse naturali e la protezione degli ecosistemi. In questo studio, dimostriamo l'utilità dei dati telerilevati, all'interno del software recentemente sviluppato chiamato Software for Assisted Habitat Modeling, nella previsione della presenza di specie invasive a livello paesaggistico. Ciao, sono Tom Stohlgren, Scienziato Senior presso il Natural Resource Ecology Lab della Colorado State University.

Questo è il tamerice. È originario del Sud Africa, dell'Asia, dell'Europa e di alcune parti del Medio Oriente, ma non proviene da queste zone. Cioè, non è una specie autoctona della regione sud-occidentale degli Stati Uniti, né delle zone vicine a LaJuna, in Colorado, dove ci troviamo oggi.

Il tamerice è una pianta particolare, poiché è un farfugone facoltativo, il che significa che può vivere lontano da un corso d'acqua oppure proprio lungo un corso d'acqua. Possiede una radice principale che può raggiungere profondità superiori ai 30 metri. Immaginate di fare 30 passi da qui: questa è la distanza che tale radice principale può raggiungere verso il basso.

Quindi può sopportare le condizioni di siccità un po' meglio rispetto ad alcune specie autoctone della zona. Senza il tamarisco, ci sarebbe molto più spazio disponibile per le specie autoctone, che attraggono farfalle e impollinatori autoctoni, come vediamo qui sul cespuglio di conyza. Qui abbiamo gli arbusti di tamarisco, in diretta competizione con la vegetazione autoctona.

In questo caso, un pioppo cotoniero autoctono. Dietro di me, abbiamo una fitta popolazione, un'estesa area. Forse un chilometro quadrato interamente occupato da tamarisco.

Perdendo foglie, con rami morti e morenti, questo costituisce un reale rischio di incendio. Dall'altra parte della strada, abbiamo Salix, un salice, che è molto verde e umido, e molto meno soggetto a incendi rispetto al tamarisco da questa parte. Siamo in un sito in cui il tamarisco sta invadendo terreni adibiti al pascolo.

Ora, questo è importante perché riduce effettivamente la superficie di pascolo disponibile per questi bovini. Il tamerice, come molte piante invasive, presenta una variazione fenologica durante la stagione di crescita, diversa dalla fenologia delle specie ripariali native. In alcune aree, ad esempio, la comparsa delle foglie del tamerice avviene prima rispetto ad alcune piante ripariali native, poiché il tamerice mantiene il proprio fogliame più a lungo rispetto ad altre specie native.

Utilizzando una serie temporale di dati satellitari durante tutta la stagione di crescita, possiamo sfruttare queste differenze fenologiche per aiutare a distinguere il tamarisco dalle piante autoctone. I satelliti Landsat orbitano intorno alla Terra dal 1972 e rappresentano la fonte d'immagine ideale per rilevare la distribuzione del tamarisco e la fenologia del paesaggio. Con una risoluzione spaziale di 30 metri e una risoluzione temporale di 16 giorni, Landsat è un programma congiunto della NASA e dell'USGS.

I nostri obiettivi in questo studio erano testare e valutare cinque diversi modelli di distribuzione delle specie nel Software for Assisted Habitat Modeling, utilizzando immagini Landsat 5 e punti di presenza del tamarisco, ottenuti da una campagna di rilevamento intensivo sul campo condotta dalla Tamarisk Coalition lungo il fiume Arkansas, in Colorado. Inoltre, creare una mappa accurata della distribuzione del tamarisco nell'area di studio, basata sugli output dei modelli. Questo diagramma concettuale fornisce una panoramica della nostra metodologia in questo studio.

I dati di campo per il tamarisco sono stati ottenuti da un set di dati vettoriali poligonali, raccolti dalla Tamarisk Coalition, nel 2005 e nel 2006. I dati del Landsat 5 Thematic Mapper sono stati acquisiti da Earth Explorer, per gli anni corrispondenti ai dati di campo del tamarisco. È stata raccolta almeno una scena per ciascun mese della stagione di crescita.

Utilizzando lo strumento di derivazione degli indici di telerilevamento, abbiamo derivato indici spettrali dalle immagini Landsat, al fine di distinguere la firma spettrale del tamarisco da altre specie presenti nel paesaggio. Questi indici e i dati di campo relativi al tamarisco sono stati utilizzati come input in cinque modelli di distribuzione delle specie all'interno del software per la modellizzazione assistita dell'habitat. Gli output dei modelli sono stati testati con un set di dati indipendente, e un approccio ensemble è stato impiegato per creare mappe di distribuzione delle specie del tamarisco nell'area di studio.

Per mappare un'ampia estensione di tamarisco, parto da una posizione iniziale, la più vicina al cespuglio sul confine, e poi continuo a scegliere le posizioni lungo l'intera area, come mostrato. Questa era la metodologia utilizzata dalla Coalizione del Tamarisco per raccogliere le coordinate xy del tamarisco. Utilizzando un GPS, selezionare "Mark", quindi scorrere verso l'alto per assegnare un nome al punto.

Verranno visualizzate sullo schermo la latitudine e la longitudine del punto. Selezionare Fine al termine dell'operazione. Abbiamo scaricato scene del sensore Thematic Mapper del satellite Landsat 5 dal sito earthexplorer.usgs.gov.

Se hai già un account, effettua l'accesso. In caso contrario, registrati per creare un account e scaricare i dati. Innanzitutto, inserisci il Path e il Row della scena Landsat che comprende l'area di studio.

Il nostro studio ha utilizzato il percorso 32, riga 34. Selezionare l'intervallo di date corrispondente alle scene che si stanno cercando. Abbiamo selezionato aprile 2005 fino a novembre 2006, periodo in cui sono stati raccolti i dati sul tamarisco.

Quindi, selezionare Set di dati e scorrere fino a Archivio Landsat. Selezionare il Prodotto di riflettanza superficiale Landsat. Scorrere ulteriormente verso il basso e selezionare Criteri aggiuntivi.

Selezionare "Meno del 10% di copertura nuvolosa" per garantire immagini della massima qualità. Quando si seleziona Risultati, viene visualizzato un elenco delle scene Landsat disponibili per il download. Per ricavare gli indici dall'immaginografia telerilevata Landsat, abbiamo scaricato lo Strumento per la Derivazione degli Indici di Telerilevamento da github.com.

Abbiamo eseguito lo script Python, selezionato il sensore satellitare appropriato, gli indici desiderati e impostato il file immagine di input, nella cartella di output dove i file verranno salvati. Nel nostro studio, abbiamo esportato le singole bande e utilizzato gli indici NDVI, SAVI e Tasseled Cap relativi a Luminosità, Verdurità e Umidità. Per sviluppare i modelli di distribuzione delle specie di Tamarisco, abbiamo utilizzato il pacchetto software SAHM all'interno del programma VisTrails.

Per il nostro studio, abbiamo aperto il file VT della guida SAMH 2.0, fornito con il pacchetto scaricato, e selezionato l'esempio di flusso di lavoro per posizioni indipendenti, all'interno della vista Cronologia di questa guida. Altri esempi sono disponibili in questa guida. Successivamente, siamo passati alla vista Pipeline per configurare i modelli.

Prima, abbiamo selezionato Pacchetti, per modificare la cartella della sessione. Successivamente, abbiamo selezionato il Modulo del Layer Modello e ci siamo spostati al Layer Modello, che avrebbe definito la proiezione, la dimensione della cella e l'estensione dello studio. Poi, abbiamo selezionato il Modulo Dati di Campo e ci siamo spostati al file CSV contenente le coordinate xy per il tamerice, che erano state raccolte.

Successivamente, abbiamo selezionato il file della lista di predittori e individuato il file CSV contenente l'elenco dei predittori per questo studio. Poi, abbiamo scelto la Query dei Dati di Campo per definire la colonna della risposta, la colonna x e la colonna y all'interno del nostro file CSV dei Dati di Campo. Infine, abbiamo selezionato il modulo MDS Builder e definito il numero di punti di sfondo pari a 10.000.

Un'opzione Superficie di Probabilità di Background è inoltre disponibile in questa posizione. Abbiamo utilizzato una Superficie di Probabilità di Background con valori pari a 100, all'interno di un buffer di 5.000 metri del fiume Arkansas, e pari a 0 per le aree al di fuori di questo buffer. Questo si basava sulle aree campionate dalla Coalizione Tamerisk nel nostro studio.

Successivamente, abbiamo aggiunto il modulo Maxent al nostro flusso di lavoro, collegandolo al modulo di Correlazione e Selezione delle Covariate. I moduli Albero di Regressione Potenziato, Modello Lineare Generalizzato, Spline di Regressione Adattativa Multivariata e Foreste Casuali erano già presenti nel flusso di lavoro. Successivamente, abbiamo aggiunto un modulo Visualizzatore dei Risultati del Modello al flusso di lavoro, modificando la Colonna e la Riga in modo da farle corrispondere agli altri moduli.

Successivamente, abbiamo selezionato un nome di output univoco come nome di sottocartella all'interno del flusso di lavoro. Poi, abbiamo aggiunto un modulo Ensemble Builder al flusso di lavoro e lo abbiamo collegato a tutti e cinque i modelli. Abbiamo impostato la Metrica di Soglia e il Valore di Soglia per l'ensemble.

Questo può essere modificato in base agli obiettivi dello studio. Successivamente, abbiamo navigato fino a un file CSV contenente il nostro set di dati di test indipendente relativo al tamarisco. Ancora una volta, con il modulo Query Dati di Campo selezionato, definiamo le colonne di Risposta, x e y all'interno del file indipendente.

Abbiamo aggiunto un modulo Applica Modello al flusso di lavoro, collegandolo al modulo Generatore MDS per il set di dati indipendente e al modulo Maxent. Abbiamo inoltre aggiunto un altro Visualizzatore dell'Output del Modello, collegandolo al modulo Modello di Offerta e modificando la Colonna e la Riga in modo da farle corrispondere agli altri modelli. Successivamente, abbiamo selezionato i Pacchetti, cambiando la Modalità di Elaborazione in modello singolo in sequenza, consentendo l'utilizzo di più di un core durante l'esecuzione del modello.

La prima schermata che appare è un Visualizzatore di Correlazione tra Covariate, che indica la correlazione tra due variabili qualsiasi. I nostri obiettivi di studio si basavano sull'eliminazione delle variabili altamente correlate, ovvero con correlazione superiore a 0,7, in base a un modello additivo generalizzato. Abbiamo utilizzato la percentuale di devianza spiegata per ciascuna variabile per decidere quale variabile mantenere nel caso in cui due variabili fossero altamente correlate.

Dopo aver preso una decisione sul numero di covarianti da mantenere, abbiamo selezionato OK. Al termine dei modelli, apparirà un foglio di calcolo VisTrail. Questo foglio di calcolo può essere utilizzato per confrontare i risultati dei modelli, inclusi grafici AUC, output testuali, curve di risposta, grafici di calibrazione, matrici di confusione e grafici dei residui. Per i nostri risultati, vi era una differenza molto piccola tra i cinque modelli, basata su metriche di valutazione indipendenti dalla soglia e dipendenti dalla soglia.

In base a questi parametri, e dopo aver confrontato le superfici di probabilità prodotte da ciascun modello, abbiamo deciso che un approccio basato su un insieme dei cinque modelli fosse adeguato per questi dati. La mappatura d'insieme (Ensemble Mapping) mira a combinare i punti di forza di diversi metodi correlativi, minimizzando al contempo le debolezze di ciascun modello. Tuttavia, siamo cauti nel ricordare che modelli con prestazioni scadenti possono indebolire i risultati complessivi.

I nostri risultati dimostrano che l'applicazione di modelli di Boosted Regression Tree, Modello Lineare Generalizzato, Spline di Regressione Adattiva Multivariata, Random Forest e Maxent, utilizzando punti di presenza delle tamarici e una serie temporale di immagini satellitari Landsat ottenute tramite telerilevamento, consente di distinguere la presenza di tamarici nel paesaggio ed è un'alternativa efficace ai tradizionali metodi di classificazione basati su una singola immagine. Le mappe prodotte da questi modelli forniranno uno strumento fondamentale per le attività mirate di controllo delle tamarici nell'area di studio.