種の分布モデルとリモートセンシングを統合します。支援ハビタット・モデリングのためのソフトウェアを使用したマッピングタマリスク侵略（SAHM）

外来植物種の検出は、天然資源の管理と生態系保護に不可欠です。この研究では、新たに開発されたAssisted Habitat Modelingソフトウェアにおけるリモートセンシングデータの有用性を実証し、景観上の侵入種の発生を予測します。こんにちは、コロラド州立大学のNatural Resource Ecology LabのシニアサイエンティストであるTom Stohlgrenです。

これはタマリスクです。南アフリカ、アジア、ヨーロッパ、中東の一部が原産ですが、この辺りの原産地ではありません。つまり、米国の南西部や、今日私たちがいるコロラド州ラジュナの近くに生息する在来種ではありません。

タマリスクは珍しく、通性水生植物であるため、小川から遠く離れた場所や小川のすぐそばに住むことができます。それは30メートル以上下がる主根を持っています。ですから、ここから30歩進むと、このTaprootはどこまで下がることができるか想像してみてください。

そのため、この地域の在来種よりも少しだけ干ばつに耐えることができます。タマリスクがなければ、ここで見られるように、ウサギの茂みに在来の蝶や花粉媒介者を引き付ける在来種のための十分なスペースがあります。ここには、在来の植生と直接競合するタマリスクの低木があります。

この場合、ネイティブコットンウッドです。私の後ろには、非常に密集したスタンド、非常に大きなスタンドがあります。たぶん、タマリスク以外の何もない平方キロメートル

葉を落としたり、枯れたり枯れたりした枝があると、これは本当の火災の危険です。通りの反対側には、サリックスがあり、ヤナギがあり、非常に緑豊かで湿っており、こちら側のタマリスクよりもはるかに火がつきにくいです。私たちは、タマリスクが放牧地に侵入している場所にいます。

さて、これは重要なことですが、それは実際にそれらの牛が放牧できる放牧地の面積を減らすからです。タマリスクは、多くの侵入植物と同様に、生育期を通じてフェノロジーの変動を示し、それは在来の河畔種のフェノロジーとは異なります。たとえば、一部の地域では、タマリスクは他の在来種よりも葉を長く保持するため、一部の在来の河畔植物の前にあります。

生育期を通じて衛星データの時系列を使用することにより、これらのフェノロジーの違いを利用して、タマリスクと在来植物を区別することができます。ランドサット衛星は 1972 年から地球を周回しており、タマリスクの分布や地形のフェノロジーを検出するための理想的な画像ソースです。30 メートルの空間分解能と 16 日間の時間的結果を持つ Landsat は、NASA と USGS の共同プログラムです。

この研究の目的は、コロラド州アーカンソー川沿いで Tamarisk Coalition が実施した集中的なフィールド マッピング キャンペーンから取得した Landsat 5 画像とタマリスク存在ポイントを使用して、Assisted Habitat Modeling のソフトウェアで 5 つの異なる種の分布モデルをテストおよび評価することでした。また、モデル出力に基づいて、分析範囲内のタマリスク分布の正確なマップを作成します。この概念図は、本研究における方法論の概要を示すものです。

tamarisk のフィールド データは、2005 年と 2006 年に Tamarisk Coalition によって収集されたベクター ポリゴン データ セットから取得されました。Landsat 5 Thematic Mapper のデータは、タマリスク フィールド データに対応する年について、Earth Explorer から取得されました。成長期の各月から少なくとも1つのシーンが収集されました。

Remote Sensing Indices Derivation Tool を使用して、Landsat 画像からスペクトル インデックスを導き出し、タマリスクのスペクトル シグネチャを地形上の他の種と区別しました。これらのインデックスとタマリスクフィールドデータは、Assisted Habitat Modelingのソフトウェア内の5つの種分布モデルで入力されました。モデル出力は独立したデータセットでテストされ、アンサンブルアプローチを使用して、調査地域のタマリスクの種分布マップが作成されました。

タマリスクの大きなスタンドをマッピングするには、境界上の低木に最も近い開始位置を設定し、その後、このようにパッチ全体の周りの位置を選択し続けます。これは、タマライスクのxy位置を収集するためにTamrarisk Coalitionによって採用された方法論でした。GPS を使用して [マーク] を選択し、上にスクロールしてポイントに名前を付けます。

画面にポイントの緯度と経度が表示されます。完了したら、 [完了] を選択します。Landsat 5 Thematic Mapper シーンを earthexplorer.usgs.gov からダウンロードしました。

すでにアカウントをお持ちの場合は、ログインしてください。それ以外の場合は、データをダウンロードするためのアカウントに登録してください。まず、分析範囲を囲む Landsat シーンの [Path and Row] を入力します。

私たちの研究では、パス32、行34を使用しました。検索するシーンに対応する日付範囲を選択します。2005年4月から2006年11月まで、tamariskデータが収集された日を選択した。

次に、[Data Sets] を選択し、[Landsat Archive] まで下にスクロールします。[Landsat Surface Reflectance Product] を選択します。下にスクロールして、[追加条件] を選択します。

10%未満の雲量]を選択して、最高品質の画像を確保します。[結果] を選択すると、使用可能な Landsat シーンのリストがダウンロード可能に表示されます。Landsat リモート センシング画像からインデックスを取得するために、github.com から Remote Sensing Indices Derivation Tool をダウンロードしました。

Pythonスクリプトを実行し、適切な衛星センサーと目的のインデックスを選択し、ファイルを保存する出力フォルダに入力画像ファイルを設定しました。私たちの研究では、個々のバンドをエクスポートし、NDVI、SAVI、およびタッセルドキャップの明るさ、緑、およびウェットネス指数を使用しました。Tamarisk種分布モデルの開発には、VisTrailsプログラム内のSAHMソフトウェアパッケージを使用しました。

この調査では、パッケージのダウンロードに付属している SAMH チュートリアル 2.0 VT ファイルを開き、このチュートリアルの履歴ビュー内で Independent locations ワークフローの例を選択しました。このチュートリアルでは、他の例も利用できます。次に、パイプラインビューに移動して、モデルを設定しました。

まず、セッションフォルダを変更するために[パッケージ]を選択しました。次に、テンプレート レイヤー モジュールを選択し、投影、セル サイズ、およびスタディの範囲を定義するテンプレート レイヤーに移動しました。次に、フィールド データ モジュールを選択し、収集された tamerisk の xy 座標を含む CSV ファイルに移動しました。

次に、予測子リスト ファイルを選択し、この調査の予測子リストを含む CSV ファイルに移動しました。次に、フィールド データ クエリを選択して、フィールド データ CSV ファイル内の Response 列、x 列、y 列を定義しました。次に、MDS Builder モジュールを選択し、バックグラウンドポイント数を 10, 000 と定義しました。

この場所では、Background Probability Surfaceオプションも利用できます。アーカンソー川の 5, 000 メートルのバッファー内で 100 の値を持つ Background Probability Surface を使用し、このバッファーの外側のエリアでは 0 を使用しました。これは、私たちの研究でTamerisk Coalitionによってサンプリングされた地域に基づいています。

次に、Maxentモジュールをワークフローに追加し、それを共変量相関および選択モジュールに接続しました。ブースト回帰ツリー、一般化線形モデル、多変量適応回帰スプライン、およびランダムフォレストモジュールは、ワークフローにすでに配置されています。次に、ワークフローにモデル出力ビューアモジュールを追加し、列と行を他のモジュールと一致するように変更しました。

次に、ワークフロー内のサブフォルダー名として一意の出力名を選択しました。次に、Ensemble Builder モジュールをワークフローに追加し、5 つのモデルすべてに接続しました。アンサンブルの Threshold Metric と Threshold Value を設定します。

これは、試験の目的に基づいて変更できます。次に、tamariskの独立したテストデータセットを含むCSVファイルに移動しました。もう一度、フィールド データ クエリ モジュールを選択した状態で、独立したファイル内の応答、x、y 列を定義します。

ワークフローに Apply Model モジュールを追加し、独立したデータ セットの MDS Builder モジュールと Maxent モジュールに接続しました。また、別のモデル出力ビューアを追加し、それをサプライモデルモジュールに接続して、列と行を他のモデルと一致するように変更しました。次に、[Packages] を選択し、[Processing Mode] を [Single Model] に順次変更し、モデルの実行中に複数のコアを使用できるようにしました。

最初に表示される画面は、任意の 2 つの変数間の相関を示す共変量相関ビューアーです。私たちの研究目標は、一般化された加法モデルに基づいて、相関性の高い、またはポイント7より大きい変数を削除することに基づいていました。各変数について説明された逸脱率を使用して、2つの変数が高度に相関している場合に、どの変数を保持するかを決定しました。

保持する共変量の数を決定したら、[OK] を選択しました。モデルが完了すると、VisTrailスプレッドシートが表示されます。このスプレッドシートは、AUCプロット、テキスト出力、応答曲線、キャリブレーションプロット、混同行列、残差プロットなどのモデル結果を比較するために使用できます。私たちの結果では、閾値に依存しない評価指標と閾値に依存する評価指標に基づく5つのモデルの間にはほとんど差がありませんでした。

これらの指標に基づき、各モデルによって生成された確率曲面を比較した後、5つのモデルのアンサンブルがこれらのデータに適したアプローチであると判断しました。アンサンブルマッピングは、1つのモデルの弱点を最小限に抑えながら、いくつかの相関方法の長所を組み合わせることを目的としています。ただし、パフォーマンスが低いモデルは、全体的な結果を弱める可能性があることに注意してください。

この結果は、Boosted Regression Tree、Generalized Linear Model、Multivariate Adaptive Regression Splines、Random Forest、および Maxent を、タマリスクの存在ポイントと時系列を使用して、リモート センシングされた Landsat 衛星画像の適合が、地形上のタマリスクを区別でき、従来の単一シーン分類方法の効果的な代替手段であることを示しています。これらのモデルから作成されたマップは、調査地域における対象を絞ったタマリスク制御の取り組みのための重要な管理ツールを提供します。