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

L'individuazione di 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, nel software di nuova concezione per la modellazione assistita degli habitat, e la previsione della presenza di specie invasive sul paesaggio. Ciao, sono Tom Stohlgren, uno scienziato senior presso il Natural Resource Ecology Lab, presso la Colorado State University.

Questa è la tamerici. È originario del Sud Africa, dell'Asia, dell'Europa e di alcune parti del Medio Oriente, ma non è originario di queste parti. Cioè, non è una specie autoctona della parte sud-occidentale degli Stati Uniti, o vicino a LaJuna, in Colorado, dove ci troviamo oggi.

La tamerici è insolita, in quanto è una freatofita facoltativa, il che significa che può vivere lontano da un torrente o proprio lungo un torrente. Ha un fittone che scende, fino a 30 metri. Quindi immagina di fare 30 passi da qui, ed è fino a che punto questo fittone può scendere.

Quindi può resistere alle condizioni di siccità un po' meglio di alcune delle specie autoctone della zona. Senza la tamerici, ci sarebbe molto più spazio per le specie autoctone, che attirano le farfalle e gli impollinatori autoctoni, come vediamo qui, sulla boscaglia dei conigli. Qui abbiamo gli arbusti di tamerici, in diretta concorrenza con la vegetazione autoctona.

In questo caso, un pioppo nativo. Dietro di me, abbiamo uno stand molto denso, uno stand molto grande. Forse un chilometro quadrato di nient'altro che tamerici.

Lasciando cadere le foglie e con rami morti e morenti, questo è un vero pericolo di incendio. Dall'altra parte della strada, abbiamo Salix, abbiamo un Salice, che è molto verde e umido, e molto meno incline al fuoco rispetto alla tamerici su questo lato. Siamo qui in un sito in cui le tamerici stanno invadendo i pascoli.

Ora, questo è importante perché in realtà riduce l'area di pascolo su cui quelle mucche possono pascolare. La tamerici, come molte piante invasive, mostra variazioni fenologiche durante la stagione di crescita, che differiscono dalla fenologia delle specie ripariali autoctone. In alcune aree, ad esempio, la tamerice si stacca prima di alcune piante ripariali autoctone, poiché la tamerici mantiene il fogliame più a lungo di altre specie autoctone.

Utilizzando una serie temporale di dati satellitari durante la stagione di crescita, possiamo utilizzare queste differenze fenologiche per aiutare a distinguere la tamerice dalle piante autoctone. I satelliti Landsat orbitano intorno alla Terra dal 1972 e sono la fonte di immagini ideale per rilevare la distribuzione e la fenologia delle tamerici sul paesaggio. Con una risoluzione spaziale di 30 metri e un tempo risultante di 16 giorni, Landsat è un programma congiunto della NASA e dell'USGS.

I nostri obiettivi in questo studio sono stati quelli di testare e valutare, cinque diversi modelli di distribuzione delle specie, nel Software for Assisted Habitat Modeling, utilizzando immagini Landsat 5 e punti di presenza di tamerici, acquisiti da un'intensa campagna di mappatura sul campo condotta dalla Tamarisk Coalition, lungo il fiume Arkansas, in Colorado. E, per creare una mappa accurata della distribuzione delle tamerici nell'area di studio, basata sui risultati del modello. Questo diagramma concettuale fornisce una panoramica della nostra metodologia in questo studio.

I dati sul campo per la tamerici sono stati derivati da un set di dati poligonali vettoriali, 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 del campo di tamerici. È stata raccolta almeno una scena di ogni mese della stagione di crescita.

Utilizzando lo strumento di derivazione degli indici di telerilevamento, abbiamo derivato gli indici spettrali dalle immagini Landsat, per distinguere la firma spettrale della tamerici da altre specie presenti sul paesaggio. Questi indici, e i dati sul campo delle tamerici, sono stati inseriti, in cinque modelli di distribuzione delle specie, all'interno del software per la modellazione assistita dell'habitat. I risultati del modello sono stati testati con un set di dati indipendente ed è stato impiegato un approccio d'insieme per creare mappe di distribuzione delle specie di tamerici nell'area di studio.

Per mappare un grande popolamento di tamerici, avrò una posizione di partenza, il più vicino all'arbusto sul confine, e poi continuerò a scegliere le mie posizioni in tutta la patch, in questo modo. Questa era la metodologia impiegata dalla Coalizione Tamrarisk per raccogliere le posizioni xy del tamaraisk. Utilizzando il GPS, seleziona Segna, quindi scorri verso l'alto per assegnare un nome al punto.

Vedrai la latitudine e la longitudine del punto sullo schermo. Al termine, selezionare Fine. Abbiamo scaricato le scene del mappatore tematico Landsat 5, da earthexplorer.usgs.gov.

Se hai già un account, accedi. In caso contrario, registrati per un account per scaricare i dati. Innanzitutto, digita il percorso e la riga della scena Landsat, che comprende l'area di studio.

Il nostro studio ha utilizzato il percorso 32, riga 34. Seleziona l'intervallo di date corrispondente alle scene che stai cercando. Abbiamo selezionato da aprile 2005 a novembre 2006, quando sono stati raccolti i dati sulle tamerici.

Quindi, selezionare Set di dati e scorrere verso il basso fino a Archivio Landsat. Selezionare il prodotto Landsat Surface Reflectance. Scorri verso il basso e seleziona Criteri aggiuntivi.

Seleziona Meno del 10% di copertura nuvolosa per garantire la migliore qualità delle immagini. Quando si seleziona Risultati, viene visualizzato un elenco di scene Landsat disponibili per il download. Per ricavare gli indici dalle immagini telerilevate Landsat, abbiamo scaricato lo strumento di derivazione degli indici di telerilevamento da github.com.

Abbiamo eseguito lo script Python e selezionato il sensore satellitare appropriato, gli indici desiderati e impostato il file immagine di input nella cartella di output per i file da memorizzare. Nel nostro studio, abbiamo esportato le singole bande e utilizzato NDVI, SAVI e gli indici di luminosità, verde e umidità del cappuccio con nappe. Per sviluppare i modelli di distribuzione delle specie di tamerici, abbiamo utilizzato il pacchetto software SAHM all'interno del programma VisTrails.

Per il nostro studio, abbiamo aperto il file SAMH tutorial 2.0 VT, fornito con il download del pacchetto, e abbiamo selezionato l'esempio di flusso di lavoro Posizioni indipendenti, all'interno della visualizzazione Cronologia di questa esercitazione. In questa esercitazione sono disponibili anche altri esempi. Siamo quindi passati alla vista Pipeline, per impostare i modelli.

Innanzitutto, abbiamo selezionato Pacchetti, per modificare la cartella della sessione. Successivamente, abbiamo selezionato il modulo Layer modello e siamo passati al livello Template, che definirebbe la proiezione, le dimensioni delle celle e l'estensione dello studio. Successivamente, abbiamo selezionato il modulo Dati sul campo e siamo passati al file CSV, contenente le coordinate xy per la tamerisk, che sono state raccolte.

Successivamente, abbiamo selezionato il file dell'elenco predittivo e siamo passati al file CSV contenente il nostro elenco predittivo per questo studio. Successivamente, abbiamo selezionato la query sui dati dei campi per definire le colonne Risposta, x e y all'interno del nostro file CSV dei dati sui campi. Successivamente, abbiamo selezionato il modulo MDS Builder e definito il conteggio dei punti di sfondo come 10.000.

In questa posizione è disponibile anche un'opzione di superficie di probabilità di sfondo. Abbiamo utilizzato una superficie di probabilità di fondo con valori di 100, entro un buffer di 5.000 metri del fiume Arkansas, e 0, per le aree al di fuori di questo buffer. Questo si è basato sulle aree campionate dalla Tamerisk Coalition nel nostro studio.

Successivamente, abbiamo aggiunto il modulo Maxent al nostro flusso di lavoro e lo abbiamo collegato al modulo di correlazione e selezione delle covariate. L'albero di regressione potenziata, il modello lineare generalizzato, le spline di regressione adattiva multivariata e i moduli foresta casuale erano già presenti nel flusso di lavoro. Successivamente, abbiamo aggiunto un modulo Visualizzatore di output del modello al flusso di lavoro e abbiamo modificato la colonna e la riga in modo che corrispondano agli altri moduli.

Successivamente, abbiamo selezionato un nome di output univoco come nome di sottocartella all'interno del flusso di lavoro. Successivamente, abbiamo aggiunto un modulo Ensemble Builder al flusso di lavoro e lo abbiamo collegato a tutti e cinque i modelli. Impostiamo la metrica di soglia e il valore di soglia per l'ensemble.

Questo può essere modificato in base agli obiettivi dello studio. Successivamente, siamo passati a un file CSV, contenente il nostro set di dati di test indipendente di tamerici. Ancora una volta, con il modulo Field Data Query selezionato, definiamo le colonne Response, x e y all'interno del file indipendente.

Abbiamo aggiunto un modulo Apply Model al flusso di lavoro e lo abbiamo collegato al modulo MDS Builder per il set di dati indipendente e al modulo Maxent. Abbiamo anche aggiunto un altro visualizzatore di output del modello e lo abbiamo collegato al modulo del modello di fornitura, modificando la colonna e la riga in modo che corrispondano agli altri modelli. Successivamente, abbiamo selezionato Pacchetti, per modificare la modalità di elaborazione in un singolo modello in sequenza, consentendo l'uso di più di un core durante l'esecuzione del modello.

La prima schermata che appare è un visualizzatore di correlazioni covariate, che indica la correlazione tra due variabili qualsiasi. Gli obiettivi del nostro studio si basavano su variabili di caduta altamente correlate, o superiori al punto sette, sulla base di un modello additivo generalizzato. Abbiamo utilizzato le percentuali di devianti spiegate per ogni 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. Una volta completati i modelli, verrà visualizzato un foglio di calcolo VisTrail. Questo foglio di calcolo può essere utilizzato per confrontare i risultati del modello, inclusi i grafici AUC, gli output di testo, le curve di risposta, i grafici di calibrazione, le matrici di confusione e i grafici residui. Per i nostri risultati, c'era pochissima differenza tra i cinque modelli, basati su metriche di valutazione indipendenti dalla soglia e dipendenti dalla soglia.

Sulla base di queste metriche e dopo aver confrontato le superfici di probabilità prodotte da ciascun modello, abbiamo deciso che un insieme dei cinque modelli era un approccio appropriato per questi dati. Ensemble Mapping, mira a combinare i punti di forza di diversi metodi correlati, riducendo al minimo i punti deboli di ogni modello. Tuttavia, avvertiamo che i modelli con prestazioni insufficienti possono indebolire i risultati complessivi.

I nostri risultati dimostrano che l'adattamento dell'albero di regressione potenziata, del modello lineare generalizzato, delle spline di regressione adattiva multivariata, della foresta casuale e di Maxent, con punti di presenza per le tamerici e una serie temporale di immagini satellitari Landsat telerilevate, possono distinguere le tamerici sul paesaggio ed è un'alternativa efficace ai tradizionali metodi di classificazione a scena singola. Le mappe prodotte da questi modelli forniranno un importante strumento di gestione per gli sforzi mirati di controllo delle tamerici nell'area di studio.