Name: 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） (動画) | JoVE Journal
Uploaded: 2016-10-11T15:00:00.000+00:00
Duration: 12 min 26 s
Description: 学ぶSAHMを用いた種分布モデリングとリモートセンシングの統合手法。Landsat衛星画像とTamarixデータから侵入種の分布予測マップを作成し、生態系管理に活用する計算的手法を習得する。

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

著者は、後方支援、データ、施設の使用、専門知識について、米国地質調査所、コロラド州立大学の自然資源生態学研究所、コロラド州森林局、およびTamarisk Coalitionに感謝します。さらに、この作業に貢献してくれたシェリー・シモンズ、レーン・カーター、ジョン・ムーア、チャンドラ・リードに感謝します。Thomas J. Stohlgrenは、Bioenergy Alliance Network of the Rockies (BANR)、USDA UV-B Monitoring and Research Program、およびUSDA CSREES/NRI 2008-35615-04666の支援を受けています。 商号、製品名、または会社名の使用は、説明のみを目的としており、米国政府による承認を意味するものではありません。

1.フィールドデータ収集<ol><li> 2005年と2006年17状態全体の調査でタマリスク連合によって収集されたベクトルポリゴンデータセットからタマリスクのフィールドデータを得ます。 注：データは、現場の技術者は、すべてのタマリスクは全地球測位システム（GPS）と航空写真を使用して、アーカンソー川に沿って立っているマップされた集中的な地盤調査を通じて得られました。 </li><li>これらのポリゴンの中で、モデルを訓練するために499のランダムな点（ すなわち 、プレゼンス）を生成します。ランダムな点で制約の二組を配置する：（1）各点は、それがタマリスク内ランドサット5 TM解像度で立っていることを確認するために、任意のポリゴンエッジから&gt; 30メートルであることが必要です。 （2）各点は、試験サイトにわたってロバストな分布を確保し、空間的自己相関を最小にするために、任意の隣接する点60メートル≥する必要があります。 </li><li> 「レスポンス」と表示された見出しと3つの列で、MS Excelファイル内のフィールドのデータをコンパイルします、「X」、および応答値が存在、X用のUTM東距、およびYはSAHM（FieldDataモジュール ）で使用するために.csv形式でこのファイルを保存するためのUTM北上のために（1）である「Y」、。 </li><li>モデルの結果を評価するために、独立したテストデータとしてポリゴン外タマリスク連合のタマリスクのポリゴン内に追加の100ランダムな点と別の100のランダムな点を生成します。 SAHM（FieldDataモジュール ）で使用するための.csv形式でこのファイルを保存します。 </li></ol> 2.予測変数<ol><li>米国地質調査所のグローバル・ビジュアライゼーションビューア/ EarthExplorerから（パス32、行34）ランドサット5表面反射率L4-5 TM画像をダウンロードしてください（http://earthexplorer.usgs.gov/）。シーンは、2005年および2006年17でコロラドタマリスク連合によってサンプリングされた範囲が含まれる。モデルに使用ヶ月を決定するために、主にクラウド・フリー（ すなわち 、&lt;10％の雲量）とrepresentativある選択シーン識別可能なタマリスクの季節を有すると考えヶ月の電子;これらは2004年10月、2005年4月、2005年5月、2005年6月、2005年7月、2005年9月、2006年4月、2006年5月、2006年6月、2006年7月、2006年8月、2006年9月、および2006年11月でした。 </li><li>からのリモートセンシング指数導出ツールをダウンロード https://github.com/rander38/Remote-Sensing-Indices-Derivation-Tool。 </li><li> GDALまたはArcpyのバージョンのいずれか、ツールでPythonスクリプトを実行します。 GDALが推奨されます。 </li><li>適切な衛星センサー、目的のインデックスを選択し、入力された画像ファイルとファイルが保存される出力フォルダ（ 図1）を設定します。私たちは、個々のバンドを輸出し、ランドサットTMシーンの各由来NDVI、SAVI、および房のキャップの明るさ、緑、および濡れ指数を使用しました。任意のインデックスがSensors_Formulas_RSIDT.iniファイルを変更することによって変更または追加することができることに注意してください。 </li></ol><img alt="図1"SRC = &quot;/ファイル/ ftp_upload / 54578 / 54578fig1.jpg&quot; /&gt; 図1.リモートセンシング指数導出ツールGUI。 <ol start="5"><li>ツールを実行し、ArcMapのVに視覚的に出力ファイルを確認してください。10.0（ESRI、レッドランズ、CA）または別の地理情報システム・ソフトウェア。 </li></ol>支援ハビタットモデリング（SAHM）（図2）3.ソフトウェア<img alt="図1" src="/files/ftp_upload/54578/54578fig2.jpg" /> 図2.全体SAHMワークフローは、入力データ、前処理、予備的なモデル分析や意思決定、相関モデル、および出力ルーチンが含まれています。 <ol><li> https://my.usgs.gov/catalog/RAM/SAHMでSAHM、米国地質調査所のWebサイトから（Vistrailsのを含む）最初のダウンロードファイルを実行するため。 SAHMのダウンロードおよびインストールに関する詳細な手順については、同じWebサイトでユーザガイドを参照してください。ウェブサイトはまたSAHM tutoriaを持っていることに注意してくださいリットルと追加の指示のためのデータ。 </li><li>タマリスクの種の分布モデルを開発するには、（SAHM例フォルダ内の）パッケージのダウンロードが付属していますSAHM_tutorial_2.0.vtファイルを使用します。 履歴ビュー内では、 独立した場所のワークフローを選択します。他のワークフローの例は、選択されたと研究の目的に依存することができます。説明は、それぞれに設けられています。 パイプラインを選択します 。 </li><li>その後、パッケージとSAHM&gt; 変更[セッションのフォルダに行くことによって、出力フォルダを設定します。ワークフロー開発プロセス全体を通して、各ステップ及びオプションの詳細な説明はSAHMビューア画面の右側にあるドキュメントタブを選択することによって見出すことができます。以下の方法に記載されているすべてのモジュールは、SAHMタブの下SAHMウィンドウの左側に見つけることができます。 </li><li>なるフィールドデータの次に、直接SAHM種の分布モデルをトレーニングするために使用されます。 <ol><li> TemplateLayerモジュールをクリックします。マスクとして使用され、分析の突起、セルサイズと範囲を定義するために、ラスタを参照。 </li><li>ワークフローの左側にFieldDataモジュールをクリックします。フィールドデータモジュール内のフィールドデータ（プレゼンスポイントまたは存在下および非存在下のポイント）の（ すなわち 、training.csv）ファイルを.csvに閲覧できます。 </li><li> PredictorListFileモジュールをクリックし、ファイルリスト（ユーザガイドを参照してくださいモデル-で使用するすべての予測因子への完全なパスを含む例えば 、ファイル）を.csvに参照します。 </li></ol></li><li>次に、前処理工程を行っています。 <ol><li> FieldDataQueryモジュールをクリックし、応答を列見出しに応答欄にご記入（ すなわち 、FieldData.csvの列名）、XとYの列。 </li><li> MDSBuilderモジュールをクリックします。 backgroundPoiを設定します。万にntField。 注：あなたは、モデル化される種について存在下および非存在下のデータを使用している場合は、backgroundPointFieldを変更する必要はありません。あなたはフィールドData.csvでの応答（0）で、これらの場所が含まれるであろう。あなたが（これらの値はランダムに生成されたポイントは、それが内に入るべきで保持される確率を表す0から100の範囲の値を持つラスタ面を指すことでエリア内の背景点の選択を制約する場合backgroundProbSurfを設定するオプションです。特定のセル）。この研究のために、（タマリスク連合によってサンプリングされた総面積に基づいて）このバッファ以外の地域のために5000メートルアーカンソー川のバッファと0内の100の値を持つbackgroundProbSurfを使用します 。 </li></ol></li><li>次に、使用する種の分布をモデル化アルゴリズムを指定します。 <ol><li>なおBoostedRegressionTree、GLM、MARS、及びRandomForestモジュールはすでに独立した場所のワークフローで設定されています。すべての5つのモデルをテストするために、ワークフローにMAXENTモジュールを追加します。 CovariateCorrelationAndSelectionモジュールに接続してください。 注：すべてのモデルのデフォルト設定で開始します。これらは、研究目的（詳細はモデルのドキュメントを参照してください）に基づいて修正することができます。 </li><li> ModelOutputViewerモジュールを追加し、MAXENTモジュールに接続します。 5に列を変更し、1に行ModelOutputViewerモデル結果の比較のために使用することができるスプレッドシートを生成します。 </li><li> OutputNameモジュールをクリックし、サブフォルダ名を入力します。 </li></ol></li><li>次に、モデル出力のアンサンブルを作成し、モジュールを追加します。このモジュールは、2出力のマップを生成します。すべて含ま出力の平均連続確率と正のビンを搭載したモデルの数のカウントと第二との1進の確率。 <ol><li>ワークフローにEnsembleBuilderモジュールを追加します。しきい値メトリックを設定するオプションです。この研究のために、AUCを選択し、0.75のデフォルト値のしきい値を残します。これは、より大きいまたは0.75に等しいAUC値を持つ唯一のモデルはアンサンブルマップ出力に含まれていることを確認します。 EnsembleBuilderにBoostedRegressionTree、GLM、MARS、RandomForest、 およびMAXENTモジュールを接続します。 </li></ol></li><li>次に、独立したテスト・データにモデルを向けます。 <ol><li>他のFieldDataモジュール（ワークフローの右側）をクリックし、モデルの検証データを含む.csvファイルを参照します。これらは、プロトコルのステップ1.4で生成された200の存在下および非存在下ポイントです。 </li><li> FieldDataQueryモジュールをクリックすると応答、xおよびyの列は、列Iに一致することを確認してくださいn個のフィールドデータを.csvファイル。 </li><li> ApplyModelモジュールを追加し、MAXENTモジュールに接続します。 ModelOutputViewerモジュールを追加し、このApplyModelモジュールに接続します。メニューでは1〜5の列と行を変更し、選択パッケージ - &gt; SAHM - &gt; 変更処理モード 。 （ - 1コアそれぞれのnを）あなたは、複数のモデルを実行する単一のモデルを順番に選択したいので。これは、複数のコンピュータのコアを利用してモデルの実行時間を早めるだろう。 </li></ol></li><li>次に、種の分布モデルを実行します。 <ol><li>ファイルの.Vtを保存し、[ 実行 ]をクリックします。 </li><li> CovariateCorrelationAndSelectionウィジェット （ 図3）が表示されたら、相関係数は、変数の各相関対の一方を選択解除| R | ≥0.7（％の逸脱に基づいて、単変量一般からの説明しました<html>このウィジェットの左側にで見加法モデル（ 図3）、情報に生態学的意思決定を化さ。本研究では）タマリスクで生物季節変動を捕捉するために、各月の少なくとも一つの共変量の選択に優先順位をつけます。表示ウィンドウ内のプロットの数は数（デフォルトは8です）を入力し、Updateをクリックすることで変更することができます。 </li><li>共変量選択を確定した後、CovariateCorrelationAndSelectionウィジェット（ 図3）の下部にある[OK]を選択します。この研究のために、以下の9変数が保持された：July_30_2006_Brightness、June_09_2005_SAVI、Sept_16_2006_SAVI、May_24_2005_B4、Oct_28_2004_NDVI、April_22_2005_Brightness、April_09_2006_SAVI、Aug_31_2006_B4、およびNov_19_2006_SAVIを。種の分布モデルは、[OK]を選択した後に実行されます。 </li></ol></li></ol>JPG &quot;/&gt; 図3.共変量相関及び選択SAHMインタフェース。 <ol start="10"><li>結果出力。 注：モデルが完了した後、Vistrailsのスプレッドシートモデルの比較のために表示されます（ 図4） <ol><li>モデル間でAUCプロット、テキスト出力、応答曲線、キャリブレーション、混同行列、残差、および応答曲線の比較。 注：SAHMモデルからの出力はCovariateCorrelationOutputMDS、混同行列、残差プロット、較正プロット、モデル評価プロット、変数の重要度プロット、応答曲線フォルダ、拡大出力フォルダ、ビンマップ、混乱マップ、国防省マップ、PROBマップ、残留を含みますマップ、およびoutput.txtと;以上の説明のためのSAHMユーザーガイドを参照してください。 </li></ol></li></ol><img alt="図4" src="/files/ftp_upload/54578/54578fig4.jpg" /> 図4 Vistrailsのスプレッドシートは、モデル出力を評価するために使用することができます。これはトレーニングデータのAUCのモデル比較。モデルはそれぞれ、BRT、GLM、MARS、RF、およびMAXENTある左から右へ。

<ol><li>Evangelista, P. H., Stohlgren, T. J., Morisette, J. T., Kumar, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Mapping+invasive+tamarisk+%28Tamarix%29%3A+a+comparison+of+single-scene+and+time-series+analyses+of+remotely+sensed+data%5BTitle%5D)+AND+%22Remote+Sensing%22%5BJournal%5D)">Mapping invasive tamarisk (Tamarix): a comparison of single-scene and time-series analyses of remotely sensed data.</a> Remote Sensing. 1, 519-533 (2009).</li>
<li>DiTomaso, J. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Impact%2C+biology%2C+and+ecology+of+saltcedar+%28Tamarix+spp.%29+in+the+southwestern+United+States%5BTitle%5D)+AND+%22Weed+Technology%22%5BJournal%5D)">Impact, biology, and ecology of saltcedar (Tamarix spp.) in the southwestern United States.</a> Weed Technology. 12, 326-336 (1998).</li>
<li>Evangelista, P., Kumar, S., Stohlgren, T., Crall, A., Newman, G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Modeling+above-ground+biomass+of+Tamarisk+ramosissima+in+the+Arkansas+River+Basin+of+Southeastern+Colorado%2C+USA%5BTitle%5D)+AND+%22Western+North+American+Naturalist%22%5BJournal%5D)">Modeling above-ground biomass of Tamarisk ramosissima in the Arkansas River Basin of Southeastern Colorado, USA.</a> Western North American Naturalist. 67 (4), 503-509 (2007).</li>
<li>Hirano, A., Madden, M., Welch, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Hyperspectral+image+data+for+mapping+wetland+vegetation%5BTitle%5D)+AND+%22Wetlands%22%5BJournal%5D)">Hyperspectral image data for mapping wetland vegetation.</a> Wetlands. 23 (2), 436-448 (2003).</li>
<li>Ge, S., Carruthers, R., Gong, P., Herrera, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Texture+analysis+for+mapping+Tamarix+pariviflora+using+aerial+photographs+along+Cache+Creek%2C+California%5BTitle%5D)+AND+%22Environmental+Monitoring+and+Assessment%22%5BJournal%5D)">Texture analysis for mapping Tamarix pariviflora using aerial photographs along Cache Creek, California.</a> Environmental Monitoring and Assessment. 114, 65-83 (2006).</li>
<li>Hamada, Y., Stow, D. A., Coulter, L. L., Jafolla, J. C., Hendricks, L. W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Detecting+tamarisk+species+%28Tamarisk+spp.%29+in+riparian+habitats+of+Southern+California+using+high+spatial+resolution+hyperspectral+imagery%5BTitle%5D)+AND+%22Remote+Sensing+of+Environment%22%5BJournal%5D)">Detecting tamarisk species (Tamarisk spp.) in riparian habitats of Southern California using high spatial resolution hyperspectral imagery.</a> Remote Sensing of Environment. 109, 237-248 (2007).</li>
<li>York, P., Evangelista, P., Kumar, S., Graham, J., Flather, C., Stohlgren, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+Habitat+Overlap+Analysis+derived+from+Maxent+for+Tamarisk+and+the+Southwestern+Willow+Flycatcher%5BTitle%5D)+AND+%22Frontiers+of+Earth+Science%22%5BJournal%5D)">A Habitat Overlap Analysis derived from Maxent for Tamarisk and the Southwestern Willow Flycatcher.</a> Frontiers of Earth Science. 5 (2), 120-129 (2011).</li>
<li>Myneni, R. B., Ramakrishna, R., Nemani, R., Running, S. W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Estimation+of+global+leaf+area+index+and+absorbed+par+using+radiative+transfer+models%5BTitle%5D)+AND+%22Geoscience+and+Remote+Sensing%22%5BJournal%5D)">Estimation of global leaf area index and absorbed par using radiative transfer models.</a> Geoscience and Remote Sensing. 35 (6), 1380-1393 (1997).</li>
<li>Todd, S. W., Hoffer, R. M., Milchunas, D. G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Biomass+estimation+on+grazed+and+ungrazed+rangelands+using+spectral+indices%5BTitle%5D)+AND+%22International+Journal+of+Remote+Sensing%22%5BJournal%5D)">Biomass estimation on grazed and ungrazed rangelands using spectral indices.</a> International Journal of Remote Sensing. 19 (3), 427-438 (1998).</li>
<li>Rouse, J. W., Haas, R. H., Schell, J. A., Deering, D. W. Monitoring vegetation systems in the Great Plains with ERTS. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aRouse%2C+JW+%22Proceedings+of+the+Third+Earth+Resources+Technology+Satellite-1+Symposium%22">Proceedings of the Third Earth Resources Technology Satellite-1 Symposium</a>. , (1974).</li>
<li>Huete, A. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+Soil-Adjusted+Vegetation+Index+%28SAVI%29%5BTitle%5D)+AND+%22Remote+Sensing+of+Environment%22%5BJournal%5D)">A Soil-Adjusted Vegetation Index (SAVI).</a> Remote Sensing of Environment. 25, 295-309 (1988).</li>
<li>Kauth, R. J., Thomas, G. S. The tasselled cap - a graphic description of the spectral-temporal development of agricultural crops as seen in Landsat. Proceedings of the Symposium on Machine Processing of Remotely Sensed Data. , LARS, Purdue University. West Lafayette, Indiana. 41-51 (1976).</li>
<li>Cohen, W. B., Spies, T. A., Fiorella, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Estimating+the+age+and+structure+of+forests+in+a+multi-ownership+landscape+of+western+Oregon%2C+USA%5BTitle%5D)+AND+%22International+Journal+of+Remote+Sensing%22%5BJournal%5D)">Estimating the age and structure of forests in a multi-ownership landscape of western Oregon, USA.</a> International Journal of Remote Sensing. 16, 721-746 (1995).</li>
<li>Jin, S., Sader, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Comparison+of+time+series+tasselled+cap+wetness+and+the+normalized+difference+moisture+index+in+detecting+forest+disturbances%5BTitle%5D)+AND+%22Remote+Sensing+of+Environment%22%5BJournal%5D)">Comparison of time series tasselled cap wetness and the normalized difference moisture index in detecting forest disturbances.</a> Remote Sensing of Environment. 94 (3), 364-372 (2005).</li>
<li>Crist, E. P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+TM+Tasseled+Cap+equivalent+transformation+for+reflectance+factor+data%5BTitle%5D)+AND+%22Remote+Sensing+of+Environment%22%5BJournal%5D)">A TM Tasseled Cap equivalent transformation for reflectance factor data.</a> Remote Sensing of Environment. 17 (3), 301-306 (1985).</li>
<li>Lindauer, I. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+comparison+of+the+plant+communities+of+the+South+Platte+and+Arkansas+River+drainages+in+eastern+Colorado%5BTitle%5D)+AND+%22The+Southwestern+Naturalist%22%5BJournal%5D)">A comparison of the plant communities of the South Platte and Arkansas River drainages in eastern Colorado.</a> The Southwestern Naturalist. 28 (3), 249-259 (1983).</li>
<li>Riparian Restoration: Assessment of alternative technologies for tamarisk control, biomass reduction and revegetation. , Tamarisk Coalition. Available from: 
 <a target="_blank" href="http://www.tamariskcoalition.org">http://www.tamariskcoalition.org</a> (2008).</li>
<li>Guisan, A., Zimmerman, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Predictive+habitat+distribution+models+in+ecology%5BTitle%5D)+AND+%22Ecological+Modeling%22%5BJournal%5D)">Predictive habitat distribution models in ecology.</a> Ecological Modeling. 135, 147-186 (2000).</li>
<li>Friedman, J. H., Hastie, T., Tibshirani, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Additive+logistic+regression%3A+a+statistical+view+of+boosting%5BTitle%5D)+AND+%22Annals+of+Statistics%22%5BJournal%5D)">Additive logistic regression: a statistical view of boosting.</a> Annals of Statistics. 28 (2), 337-407 (2000).</li>
<li>Breiman, L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Random+forests%5BTitle%5D)+AND+%22Machine+Learning%22%5BJournal%5D)">Random forests.</a> Machine Learning. 45 (1), 5-32 (2001).</li>
<li>Friedman, J. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Multivariate+adaptive+regression+splines%5BTitle%5D)+AND+%22Annals+of+Statistics%22%5BJournal%5D)">Multivariate adaptive regression splines.</a> Annals of Statistics. 19 (1), 1-141 (1991).</li>
<li>McCullagh, P., Nelder, J. A. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aMcCullagh%2C+P+%22Generalized+Linear+Models%2C+2nd+ed%22">Generalized Linear Models, 2nd ed</a>. , Chapman and Hall. London. (1989).</li>
<li>Phillips, S. J., Anderson, R. P., Schapire, R. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Maximum+entropy+modeling+of+species+geographic+distributions%5BTitle%5D)+AND+%22Ecological+Modelling%22%5BJournal%5D)">Maximum entropy modeling of species geographic distributions.</a> Ecological Modelling. 190 (3-4), 231-259 (2006).</li>
<li>Araujo, M. B., New, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Ensemble+forecasting+of+species+distributions%5BTitle%5D)+AND+%22Trends+in+Ecology+and+Evolution%22%5BJournal%5D)">Ensemble forecasting of species distributions.</a> Trends in Ecology and Evolution. 22, 42-47 (2007).</li>
<li>Elith, J., Graham, C. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Do+they%3F+How+do+they%3F+Why+do+they+differ%3F+On+finding+reasons+for+differing+performances+of+species+distribution+models%5BTitle%5D)+AND+%22Ecography%22%5BJournal%5D)">Do they? How do they? Why do they differ? On finding reasons for differing performances of species distribution models.</a> Ecography. 32, 66-77 (2009).</li>
<li>Freire, J., Silva, C., Callahan, S., Santos, E., Schedegger, C. Managing rapidly-evolving scientific workflows. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aFreire%2C+J+%22International+Provenance+and+Annotation+Workshop+%28IPAW%29%22">International Provenance and Annotation Workshop (IPAW)</a>. Moreau, L., Foster, I. , Springer. 10-18 (2006).</li>
<li>Morisette, J. T., Jarnevich, C. S., Holcombe, T. R., Talbert, C. B., Ignizio, D., Talbert, M. K., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((VisTrails+SAHM%3A+visualization+and+workflow+management+for+species+habitat+modeling%5BTitle%5D)+AND+%22Ecography%22%5BJournal%5D)">VisTrails SAHM: visualization and workflow management for species habitat modeling.</a> Ecography. 36 (2), 129-135 (2013).</li>
<li>Fielding, A. H., Bell, J. F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+review+of+methods+for+the+assessment+of+prediction+errors+in+conservation+presence%2Fabsence+models%5BTitle%5D)+AND+%22Environmental+Conservation%22%5BJournal%5D)">A review of methods for the assessment of prediction errors in conservation presence/absence models.</a> Environmental Conservation. 24, 38-49 (1997).</li>
<li>Allouche, O., Tsoar, A., Kadmon, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Assessing+the+accuracy+of+species+distribution+models%3A+prevalence%2C+kappa+and+the+true+skill+statistic+%28TSS%29%5BTitle%5D)+AND+%22Journal+of+Applied+Ecology%22%5BJournal%5D)">Assessing the accuracy of species distribution models: prevalence, kappa and the true skill statistic (TSS).</a> Journal of Applied Ecology. 43 (6), 1223-1232 (2006).</li>
<li>Stohlgren, T. J., Ma, P., Kumar, S., Rocca, M., Morisette, J., Jarnevich, C. S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Ensemble+habitat+mapping+of+invasive+plant+species%5BTitle%5D)+AND+%22Risk+Analysis%22%5BJournal%5D)">Ensemble habitat mapping of invasive plant species.</a> Risk Analysis. 30, 224-235 (2010).</li>
<li>Dormann, C. F., Purschke, O., Marquez, J. R. G., Lautenbach, S., Schrader, B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Components+of+uncertainty+in+species+distribution+analysis%3A+A+case+study+of+the+great+grey+shrike%5BTitle%5D)+AND+%22Ecology%22%5BJournal%5D)">Components of uncertainty in species distribution analysis: A case study of the great grey shrike.</a> Ecology. 89, 3371-3386 (2008).</li>
<li>Marmion, M., Parviainen, M., Luoto, M., Heikkinen, R. K., Thuiller, W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Evaluation+of+consensus+methods+in+predictive+species+distribution+modelling%5BTitle%5D)+AND+%22Diversity+and+Distributions%22%5BJournal%5D)">Evaluation of consensus methods in predictive species distribution modelling.</a> Diversity and Distributions. 15, 59-69 (2009).</li>
</ol>

著者には競合する金銭的利益や利益相反はありません。

我々の結果は、景観上タマリスクを区別できるタマリスクのプレゼンスポイントとリモートセンシングランドサット衛星画像データの時系列で、RF、MARS、GLM、及びMAXENTをフィッティングBRTを示し、従来のシングルのシーン分類方法の有効な代替です。これは、6月には我々の研究領域内タマリスクを検出するために特に重要な時期であることを我々の結果からも明らかです。これは6月濡れがランドサット画像の時系列でMAXENTモデルの適合に基づいて、この地域でタマリスクの発生のための最も重要な予測因子であることを示したエヴァンジェリスタら。2009年1と一致します。 BRT、RF、MARS、およびMAXENTモデルに含まれていた他のスペクトル指標とバンドはさらに土壌基質、ハコヤナギ（ ポプラ属 ）と柳（ ヤナギ属 ）を含む他の落葉樹、または灌漑農業からタマリスクを区別することができます下では一般的ですアーカンソー川流域。このような地形、土壌タイプ、または気候データとして他のGIS層は、また、共変量として考えると、これらのモデルに含めることができるが、目的は風景の現在種の分布を検出するのではなく潜在的に予測する場合、我々は最小限にこれらを保持するお勧め発生または適切な生息地。 私たちの研究のためにテストされたモデルは、優れた分析能力と成果を評価するための複数のオプションを提供しました。このようなSAHMなどの単一の枠組みの中で、これらの相関モデルのすべてを持つ、モデリングプロセスの形式化と扱いやすい記録を可能にします。ワークフローが変更、反復および複製を容易に分析の各ステップを記録しながら、前と応答と予測変数の後処理は、より良いと効率的なモデルの比較を可能にする、SAHMで標準化されています。 アンサンブルマッピングは、Wを最小化しながら、複数の相関モデルの長所を組み合わせることを目的といずれかのモデル30のeakness。私たちは、これが私たちの研究でそうであったと考えています。しかし、我々は（ すなわち 、予測アンダーまたはオーバー予測）アンダーパフォームモデルは全体的な結果を弱めることができることを警告します。文献中のアンサンブルマッピングの制限された使用は、良好な結果があったが、これらの手法のほとんどは、のではなく、種の発生を「予測」することを試みている」を検出します。」さらに、アンサンブルのマッピングは、モデル契約のレベルを識別する、異なるモデリング手法のうち、不確実性を視覚的に評価することができます。ほとんどの場合、それはむしろ、そのような位置データの不確実性31としてモデリングプロセス内の他の決定よりもモデルの結果に最大の定量化可能な影響を与えているモデリング手法（ 例えば 、BRT対GLM）の選択です。我々は、すべての5つのモデルが一致し、さらにテストとアンサンブルマッピングの様々な方法を用いてのどこにいる私たちの最高のタマリスクマップがあると信じていますが（ 例えば 、AUCによって重み付け）が推奨される32 &lt;/ SUP&gt;、そして最高の独立した野外観測によって検証。まとめると、これらの方法は、容易にSAHMにおける所定の試験領域について導出の環境変数を使用して、他の種の分布をモデル化するために調整することができます。

米国南西部全域川岸や湿地の生態系は、（ タマリクス属 。）タマリスクの侵入によって脅かされている、1800年代1にユーラシアから導入された非ネイティブの木質低木。ギョリュウ属は、水資源を利用する在来種をアウト競合し、生態系が1-2を処理する変更することができ、多くの生理学的メカニズムを持っています。環境への影響を評価し、効果的な制御戦略を策定するためのマッピングタマリスク分布は、リソース・マネージャのための高い優先順位です。地上調査は定期的に使用残っているが、彼らは労働力、時間、および物流の関連するコストのために非常に大きなエリアには実用的でありません。 衛星リモートセンシングは、タマリスクの蔓延の検出とマッピングで重要な、限られた、役割を果たしてきました。従来の分類分析し、リモートセンシング・ソフトウェアは限界成功3-5を持っていました。いくつかの最近の研究リモートセンシングデータの1,6を使用して侵襲的な植物を検出するために、非伝統的なアプローチを模索しています。タマリスクは、多くの侵襲的な植物のように、ネイティブの河岸種の生物季節とは異なる成長シーズンを通して生物季節変動を示します。一部の地域では、例えば、タマリスクの葉アウトは、いくつかのネイティブ水辺の植物の前で、ギョリュウは長く、他の在来種よりもその葉を保持します。スペクトルバンド、成長シーズンを通して衛星データの時系列由来のスペクトルインデックスを使用することにより、我々は、これらの生物季節の違い1,6に基づいて、ネイティブの植物からタマリスクを区別することができます。エヴァンジェリスタらの仕事に構築。 2009 図1は 、本研究では、ランドサット5テーマ別マッパー（TM）衛星画像の時系列から個々のバンドに1-7組み込まれ、正規化差植生指数（NDVI）、土壌調整植生指数（SAVI）、および房のキャップを導出しましたこれらのバンドからの変換。正規化されたdifferenCEの植生指数（NDVI）は植生バイオマス、キャノピーカバー、および葉面積指数8-9を推定するための最も一般的に使用されるスペクトル指標の一つであり、可視光（赤）との間の比率の非線形変換であり、近赤外線バンド10。土壌調整植生指数（SAVI）植生指標11上の土壌の背景の影響を最小限にするために使用される改変されたNDVIです。房キャップ変換は、土壌の明るさ（房キャップ、バンド1）、植生緑（房キャップ、バンド2）、および土壌/植生湿り（房キャップ、バンド3）とを測定する三つの直交バンドに6ランドサットバンドの複合体を重み付けされています多くの場合、植物組成物、齢級、および構造12-14を区別するために使用されます。我々は、すべての房キャップ変換にクリスト（1985）15に報告された係数を使用していました。 本研究では、スペクトルバンドと野菜の時系列と5種の分布モデルをテストetation指数は南東コロラド州、アメリカの下アーカンソー川沿いタマリスクをマッピングするためにランドサット5 TM由来します。アーカンソー川は、2364キロ（1469マイル）をまたがる、ミズーリ、ミシシッピシステムで二番目に大きい支流です。その流域は、コロラド州のロッキー山脈の源流と435123キロ2（168002マイル2）を覆っています。 2965メートルで、その起源から、アーカンソー州プエブロ、COの近くに平準化し、農地やショート草の草原を通って蛇行、標高がかなり低下します。川は、季節の洪水の対象であり、それはミシシッピ川に流れ込むカンザス州、オクラホマ州、アーカンソーに続行する前に、ロッキーフォード、ラハンタ、およびラマーにおける自治体や農業用水の使用のために依拠されます。タマリスクは最初ラマー16の現代の町の近くに1913年にR. Niedrachによりアーカンソー川に観察されました。今日では、ギョリュウは、プエブロ、カンザス状態LIN間以上の100キロ2をカバーしていると推定されていますアーカンソー川17の支流に沿って追加の60キロ2と電子、。調査地域は、灌漑水路、湿地、農地、およびいくつかの支流の合流点を含んでいます。すべてのタマリスクの侵入の程度が異なります。ランチングと農業が主要な大部分はアルファルファ、干し草、トウモロコシ、冬小麦からなる水辺の回廊に隣接する土地は、使用されています。 種の分布モデルは、種の発生とその環境18の間の関係を識別するために、地理参照の発生（ すなわち、緯度、経度）に依存しています。環境データは、複数のリモートセンシングや他の空間層を含むことができます。我々がテストした5種の分布モデルはブースト回帰ツリー（BRT）19、ランダムフォレスト（RF）20、多変量適応回帰スプライン（MARS）21、一般化線形モデル（GLM）22、及びMAXENT 23が含まれます。これらの5つのmodエル・アルゴリズムは、最も一般的に種の分布をモデル化するために用いられる一つである、と多くの研究は、それらの有効性24-25を実証しています。私たちは支援ハビタットモデリング（SAHM）Vのためのソフトウェアを使用する。2.0モジュールをVistrailsののv.2.2.2 26視覚化と処理ソフトウェアに含まれている5つのモデルを、実行します。比較モデリングのためのSAHMを使用することにはいくつかの利点があります。モデリングプロセスの形式化と扱いやすい記録に加えて、SAHMは、ユーザーが個別に、27のフォーマットの異なるインタフェース、ソフトウェアやファイルを持って、複数種の分布モデルアルゴリズムで動作することができます。 SAHMはモデルの性能を評価するために、一貫性のしきい値に依存しないとしきい値依存評価指標を生成します。これらの一つは、受信者動作特性曲線下面積（AUC）、背景28から存在を識別するためのモデルの能力を評価するしきい値独立した指標です。 AUCヴァル0.5以下のUEは、モデル予測がランダムよりも良くも悪くもされていないことを示します。 0.5と0.70の間の値は、パフォーマンスの低下を示しています。 0.70から1.0に増加する値は次第に高い性能を示しています。別のメトリックは、パーセント正しく分類（PCC）、ユーザー定義のしきい値メトリックに基づいて、感度と特異性の重さの閾値に依存メトリックです。感度は、適切かつ特異性が不適当と分類背景の場所の割合を測定として分類観測されたプレゼンスの割合を測定します。さらに別のメトリックは、真のスキル統計（TSS =感度+特異度- 1）され、間に-1と1ここで、値&gt; 0の範囲の値で、特異性よりも、モデルの感度に重きを置いチャンス29よりも優れたモデルのパフォーマンスを示しています。 モデルの出力を使用してタマリスクをマッピングするために、我々は、pを定義するための感度および特異性を均等化閾値を使用してバイナリ分類を構築しましたタマリスクのresenceまたは不在。これらの個々のモデル派生マップは、次にアンサンブルマップ30を作成するために合計しました。アンサンブルマップは、試験モデルの労働協約をランク分類マップを生成するために、個々の種の分布モデルの予測を組み合わせます。例えば、1のアンサンブルセル値が5の値は、すべての5つのモデルは、適切な生息地として細胞を分類することを示しているのに対し、唯一のモデルは、適切な生息地としてそのセルを分類していることを示しています。このアプローチの一つの利点は、アンサンブルマップは、任意の個々のモデルよりも低い平均誤差を生じることがあります。また、ユーザーが視覚的に試験した各モデルの性能を比較することができます。私達の全体的な目標は、景観上の種の電流分布をモデル化するために調整することができ、これらの方法の詳細な説明を提供することでした。

<table><tbody><tr><td>Earth Explorer</td><td>USGS</td><td>http://earthexplorer.usgs.gov</td><td>オープンアクセス: あり</td></tr><tr><td>Remote Sensing Indices Derivation Tool</td><td>github</td><td>https://github.com/rander38/Remote-Sensing-Indices-Derivation-Tool</td><td>オープンアクセス: あり</td></tr><tr><td>Assisted Habitat Modeling</td><td>USGS</td><td>https://my.usgs.gov/catalog/RAM/SAHM</td><td>オープンアクセス: あり</td></tr><tr><td>ArcGIS v.10.3&nbsp;</td><td>Esri</td><td>https://www.arcgis.com/features/</td> <td>オープンアクセス: いいえ</td></tr></tbody></table>

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）

Integrating Remote Sensing with Species Distribution Models; Mapping Tamarisk Invasions Using the Software for Assisted Habitat Modeling (SAHM)

侵襲的な植物種の早期検出は、天然資源と生態系プロセスの保護を管理するための不可欠です。侵襲性植物の分布をマッピングするための衛星リモートセンシングの使用がより一般的になってきている、しかし従来のイメージングソフトウェアおよび分類の方法は信頼性が低いことが示されています。本研究では、5種の分布モデル技術の使用をテストし、評価する侵襲タマリスク（ タマリクス属 。）南東コロラド州のアーカンソー川沿いをマッピングするために、衛星リモートセンシングデータに合います。テストしたモデルは、回帰ツリー（BRT）、ランダムフォレスト（RF）、多変量適応回帰スプライン（MARS）、一般化線形モデル（GLM）、およびMAXENTを後押し含まれています。これらの分析は、支援ハビタットモデリング（SAHM）用ソフトウェアと呼ばれる新たに開発されたソフトウェアパッケージを用いて行きました。すべてのモデルは、499の存在点、万擬似不在ポイント、および予測変数acquで訓練しました生物季節の違いの検出を使用して、ネイティブ河岸植生からタマリスクを区別するための8カ月間のランドサット5テーマ別マッパー（TM）センサーからIRED。ランドサットのシーンから、我々は個々のバンドを使用し、正規化差植生指数（NDVI）を算出し、土壌調整植生指数（SAVI）、およびキャップされた変換を房。すべての5つのモデルが正常に独立した位置データとしきい値独立したしきい値依存の評価指標に基づいて、景観上の現在のタマリスク分布を同定しました。モデル固有の違いを説明するために、我々は、マップの出力は契約の領域と不確実性の領域を強調表示して、すべての5つのモデルのアンサンブルを作り出しました。我々の結果は、リモートセンシングデータの分析に種の分布モデルの有用性とアンサンブルマッピングの有用性を実証し、前処理でSAHMの能力を披露し、複数の複雑なモデルを実行します。

<html>独立したテストデータセットに基づいて、BRT、RF、MARS、GLM、及びMAXENTの統計的評価は、すべての5つのモデルがタマリスクを検出する際に、比較的好調示し;モデル間のしきい値独立したしきい値依存評価指標の間にはほとんど差がありました。 AUC値は&gt; 0.88であった、パーセント正しく分類の値は0.77&gt;&gt; 77％、感度と特異性であった、とTSSた&gt; 0.54（表1）。バイナリモデル出力のアンサンブルはアーカンソー川（図5）に沿って、地域に多くのモデル契約を明らかにしました。各モデルのMESS（多変量環境の類似面）マップ出力は、研究対象地域の利用可能な環境がよく、さらにアンサンブルアプローチで私たちの自信を高めること、（図6）をサンプリングしたことが示されました。 方法 &quot;&gt; <tbody><tr><td>モデル</td><td> AUC </td><td> PCC </td><td>感度</td><td>特異性</td><td> TSS </td></tr><tr><td> BRT </td><td> 0.91 </td><td> 85 </td><td> 0.85 </td><td> 0.85 </td><td> 0.70 </td></tr><tr><td> RF </td><td> 0.92 </td><td> 85 </td><td> 0.85 </td><td> 0.85 </td><td> 0.70 </td></tr><tr><td>火星</td><td> 0.90 </td><td> 82 </td><td> 0.82 </td><td> 0.82 </td><td> 0.64 </td></tr><tr><td> GLM </td><td> 0.88 </td><td> 77 </td><td> 0.77 </td><td> 0.77 </td><td> 0.54 </td></tr><tr><td> MAXENT </td><td> 0.92 </td><td> 84 </td><td> 0.83 </td><td> 0.84 </td><td> 0.67 </td></tr></tbody></table> BRT、RF、MARS、GLM、及びMAXENTモデルの表1。しきい値の独立した（AUC）としきい値依存（PCC、感度、特異性、及びTSS）評価指標は、独立したテストにフィット<html>タマリスクの存在下および非存在下のデータセット。 <img alt="図5" src="/files/ftp_upload/54578/54578fig5.jpg" /> 図 BRT、GLM、MARS、RF、およびArcGISのMAXENTバイナリ出力マップを組み合わせる5.アンサンブル結果。領域は0（色なし）から5（赤）に、契約でモデルの数によって着色されています。予測の北西隅に着色された領域を注意してください。この行は、ランドサット画像のアーチファクトです。したがって、モデルの結果は、この領域に注意して取られるべきである。 <a href="https://www.jove.com/files/ftp_upload/54578/54578fig5large.jpg" target="_blank">この図の拡大版をご覧になるにはこちらをクリックしてください。</a> <img alt="図6" src="/files/ftp_upload/54578/54578fig6.jpg" /> 図6.多変量環境類似性表面（MESS）出力。ターゲット= &quot;_空白&quot;&gt;この図の拡大版をご覧になるにはこちらをクリックしてください。 使用9予測因子のうち、2006年6月30日の明るさは、すべての5つのモデル（表2）のための最も重要な変数でした。これは、段階的赤池の情報量基準に基づいて、GLMが保持する唯一の変数であった（AIC;これはSAHMでGLMモデル選択のデフォルトです）、しかし、このモデルはまた、この変数の二乗項が含まれて注意することが重要です。 RFとMAXENTは、デフォルトではすべての変数を保持しています。 <table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always"><tbody><tr><td>予測因子</td><td> BRT </td><td> RF </td><td>火星</td><td> GLM </td><td> MAXENT </td></tr><tr><td> 2006年7月30日の明るさ</td><td> 41.60 </td><td> 34.11 </td><td> 76.78 </td><td> 100 </td><td> 67.27 </td></tr><tr><td> 2006年8月31日バンド4 </td><td> 6.35 </td><td> 5.87 </td><td> 5.16 </td><td> 0 </td><td> 2.82 </td></tr><tr><td> 2005年6月9日SAVI </td><td> 13.67 </td><td> 14.09 </td><td> 9.14 </td><td> 0 </td><td> 9.75 </td></tr><tr><td> 2005年4月22日の明るさ</td><td> 6.29 </td><td> 6.30 </td><td> 0 </td><td> 0 </td><td> 0.43 </td></tr><tr><td> 2004年10月28日NDVI </td><td> 5.66 </td><td> 8.25 </td><td> 0 </td><td> 0 </td><td> 2.94 </td></tr></tbody></table>各モデルで予測変数の表2相対的な重要性。

私たちは、景観上の侵入種の発生を予測するためのリモートセンシングデータと新たに開発されたAssisted Habitat Modeling(SAHM)の有用性を実証します。予測モデルのアンサンブルにより、米国コロラド州南東部におけるタマリスク(Tamarix spp.)の侵入の非常に正確なマップが作成され、その後のフィールド検証で評価されました。

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）

Early detection of invasive plant species is vital for the management of natural resources and protection of ecosystem processes. The use of satellite ...

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。

integrating-remote-sensing-with-species-distribution-models-mapping

Research

JoVE Journal

Environment

環境

シアノバクテリアの花と関連するシアノトキシンの早期発見のための高速-学際的な戦略がここに記載されています。これにより、水サンプルおよび二枚貝サンプルなどの有機マトリックス中のシアノバクテリアおよび関連するシアノトキシンを24時間で検出できます。...

高速検出戦略を用いたシアノバクテリアブルームと関連サイアノトキシンの早期発見

本稿では、無人航空機(UAV)リモートセンシングから得られたデータを活用して、侵入種のバイオマス評価と空間分布を捉える侵入植物バイオマス推定手法の詳細な手順を報告する。このアプローチは、ハザード評価と侵入植物の早期警告を実施するのに非常に有益であることが証明されています。...

コンピュータビジョンに基づく侵入植物バイオマス推定

このプロトコルは、サンゴ礁コミュニティの構造的複雑さ、コミュニティ構成、および人口統計の指標を抽出するために使用される4段階の大面積イメージング調査方法論をカバーしています。収集された画像の品質およびソース画像への統合アクセスは、プロトコルの各ステップ内で優先順位が付けられます。...

大面積イメージングによる水中環境の構造・組成・変化の測定

私たちは、Arthrobacter属の細菌に感染するバクテリオファージの単離のための濃縮プロトコルを提示します。この濃縮プロトコルは、土壌分離株からのArthrobacterファージの単離と増幅について、迅速で再現性のある結果をもたらします。...

の単離のための最適化された濃縮技術<em&gt;アルスロ</em&gt;バクテリオファージ種土壌サンプルの分離株から

この原稿は、効果的に人為的にナミハダニ集団の種々の密度で出没シーズン序盤の綿への損傷を検出したマルチスペクトル光学センサが記載されています。...

温室効果コットンの二斑点スパイダーダニの被害のリモートセンシング評価

ほこりの充電と動員は、電子ビーム、ビーム電子のみ、または紫外 (紫外線) 放射のみを熱プラズマへの露出で 3...

ほこりの充電と紫外放射またはプラズマへの露出表面上動員の実験方法

イメージ ベースの調査は、海洋環境をサンプルにますます実用的な非侵襲的方法です。豊かさを推定するドロップ カメラ調査のプロトコルや大西洋の海ホタテ (Placopecten magellanicus) の分布を紹介しています。我々...

底生動物とその生息地大西洋帆立て貝のドロップ カメラ調査による例示のイメージ調査法

風景プロセスは土の形成の重要なコンポーネントと土壌の特性と風景の空間構造を決定する上で重要な役割を果たします。段階的主成分回帰を使用してさまざまな空間スケールで土壌の再分配と土壌有機炭素を予測する手法を提案する.

主成分の土壌の再分配と土壌の有機炭素をマップに地形モデルをスケール アップ用

プロトコルの目的は、実験室で使用するためのビデオデータを収集する方法を詳述することです。データを見ている参加者の目を追跡するデータと、機械学習の手法を使用して見ていたビデオのコンテンツを効率的に分析する方法を記録する方法。...

都市公園環境における歩行の映像を自由に視聴する映像コンテンツの分析とアイトラッキングデータを組み合わせる

環境の粒子状物質の生物学的組成を理解することは、その人間の健康や病気の広がりの重要な影響の研究にとって重要です。ここでは、異なる環境条件下における浮遊微生物をよりよく調べるバイオエアロゾル サンプリング方法の 3...

組成と異なる環境条件下におけるバイオエアロゾルの分布解析

学ぶSAHMを用いた種分布モデリングとリモートセンシングの統合手法。Landsat衛星画像とTamarixデータから侵入種の分布予測マップを作成し、生態系管理に活用する計算的手法を習得する。

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）

さらに動画を探す