종 분포 모델과 원격 탐사 통합; 보조 서식지 모델링을위한 소프트웨어를 사용하여 매핑 위성 류 침략 (SAHM)
2016년 10월 11일
우리는 경관에서 침입 종의 발생을 예측하는 데 있어 원격 탐사 데이터와 새로 개발된 SAHM(Software for Assisted Habitat Modeling)의 유용성을 보여줍니다. 예측 모델의 앙상블은 후속 현장 검증으로 평가했을 때 미국 콜로라도 남동부의 타마리스크(Tamarix spp.) 침입에 대한 매우 정확한 지도를 생성했습니다.
침입 식물 종의 감지는 천연 자원의 관리와 생태계 보호에 매우 중요합니다. 이 연구에서는 새로 개발된 Software for Assisted Habitat Modeling에서 원격 탐사 데이터의 유용성을 입증하고 경관에서 침입종 발생을 예측합니다. 안녕하세요, 저는 콜로라도 주립 대학의 천연 자원 생태학 연구소의 선임 과학자인 Tom Stohlgren입니다.
이것은 타마리스크입니다. 남아프리카 공화국, 아시아, 유럽 및 중동 일부 지역이 원산지이지만 이 주변에서 온 것은 아닙니다. 즉, 미국 남서부 지역이나 오늘날 우리가 있는 콜로라도의 라주나 근처에 서식하는 토착종이 아닙니다.
Tamarisk는 통성 phreatophyte라는 점에서 특이한데, 이는 개울에서 멀리 떨어져 있거나 개울을 따라 살 수 있다는 것을 의미합니다. 30미터 이상 아래로 내려가는 원뿌리가 있습니다. 여기에서 30걸음을 걸으면 이 원뿌리가 얼마나 멀리 내려갈 수 있는지 상상해 보십시오.
따라서 이 지역의 일부 토착 종보다 가뭄 조건을 조금 더 잘 견딜 수 있습니다. 타마리스크가 없었다면, 우리가 여기 보시는 것처럼 토끼덤불에서 토종 나비와 수분 매개자를 끌어들이는 토착 종을 위한 더 많은 공간이 있었을 것입니다. 여기에 토착 식물과 직접 경쟁하는 타마 리스크 관목
이 있습니다.이 경우에는 토종 미루나무입니다. 제 뒤에는 매우 빽빽한 스탠드, 매우 큰 스탠드가 있습니다. 어쩌면 타마리스크 외에는 아무것도 없는 평방 킬로미터일 수도 있습니다.
나뭇잎을 떨어뜨리고 죽거나 죽어가는 나뭇가지를 떨어뜨리면 실제 화재 위험이 있습니다. 길 건너편에는 Salix가 있고 버드나무가 있는데, 매우 녹색이고 촉촉하며 이쪽에 있는 타마리스크보다 불에 훨씬 덜 붙습니다. 우리는 타마리스크가 방목장을 침범하고 있는 현장에 있습니다.
이것은 실제로 그 소들이 풀을 뜯을 수 있는 방목장의 면적을 줄이기 때문에 중요합니다. Tamarisk는 많은 침입 식물과 마찬가지로 성장기 전반에 걸쳐 현상학적 변화를 나타내며, 이는 토착 강기슭 종의 현상학과는 다릅니다. 예를 들어, 일부 지역에서는 타마 리스크가 다른 토착 종보다 잎을 더 오래 유지하기 때문에 타마 리스크 잎이 일부 토착 강기슭 식물보다 먼저 나옵니다.
성장기 전반에 걸쳐 위성 데이터의 시계열을 사용함으로써 이러한 현상학적 차이를 사용하여 타마리스크와 토착 식물을 구별하는 데 도움이 될 수 있습니다. Landsat 위성은 1972년부터 지구 궤도를 돌고 있으며, 타마리스크 분포 및 지형의 현상학을 감지하는 데 이상적인 이미지 소스입니다. 30미터의 공간 해상도와 16일의 시간 결과를 가진 Landsat은 NASA와 USGS의 공동 프로그램입니다.
이 연구의 목적은 콜로라도의 아칸소 강을 따라 Tamarisk Coalition이 실시한 집중적인 현장 매핑 캠페인에서 획득한 Landsat 5 이미지와 Tamarisk 존재 지점을 사용하여 Software for Assisted Habitat Modeling에서 5개의 서로 다른 종 분포 모델을 테스트하고 평가하는 것이었습니다. 또한 모델 출력을 기반으로 연구 지역의 타마리스크 분포에 대한 정확한 지도를 생성합니다. 이 개념 다이어그램은 이 연구의 방법론에 대한 개요를 제공합니다.
Tamarisk에 대한 필드 데이터는 2005년과 2006년에 Tamarisk Coalition에서 수집한 벡터 폴리곤 데이터 세트에서 파생되었습니다. Landsat 5 주제별 매퍼 데이터는 타마리스크 필드 데이터에 해당하는 수년 동안 Earth Explorer에서 획득했습니다. 성장기의 각 달에서 적어도 하나의 장면이 수집되었습니다.
Remote Sensing Indices Derivation Tool을 사용하여 Landsat 이미지에서 스펙트럼 지수를 추출하여 타마리스크의 스펙트럼 시그니처를 풍경의 다른 종과 구별했습니다. 이러한 지수와 타마리스크 필드 데이터는 Software for Assisted Habitat Modeling(보조 서식지 모델링을 위한 소프트웨어) 내의 5가지 종 분포 모델(Species Distribution Model)에 입력된 것입니다. 모델 출력은 독립적인 데이터 세트로 테스트되었으며 앙상블 접근 방식을 사용하여 연구 지역에서 타마리스크의 종 분포 지도를 생성했습니다.
타마리스크의 큰 스탠드를 매핑하려면 경계에서 관목에서 가장 가까운 시작 위치를 가진 다음 이와 같이 전체 패치 주변에서 내 위치를 계속 선택합니다. 이것은 Tamrarisk Coalition이 tamaraisk의 xy 위치를 수집하기 위해 사용한 방법론이었습니다. GPS를 사용하여 마크를 선택한 다음 위로 스크롤하여 포인트의 이름을 지정합니다.
화면에서 해당 지점의 위도와 경도를 볼 수 있습니다. 완료되면 완료를 선택합니다. earthexplorer.usgs.gov 에서 Landsat 5 테마 매퍼 장면을 다운로드했습니다.
이미 계정이 있는 경우 로그인하십시오. 그렇지 않으면 계정을 등록하여 데이터를 다운로드하십시오. 먼저 연구 영역을 포함하는 Landsat 장면의 경로 및 행을 입력합니다.
본 연구에서는 경로 32, 행 34를 사용했습니다. 검색 중인 장면에 해당하는 날짜 범위를 선택합니다. 2005년 4월부터 2006년 11월까지 타마리스크 데이터가 수집되었습니다.
그런 다음 데이터 세트를 선택하고 Landsat 아카이브까지 아래로 스크롤합니다. Landsat 표면 반사 제품을 선택합니다. 아래로 스크롤하여 추가 기준을 선택합니다.
10% 미만 구름 커버를 선택하여 최상의 이미지 품질을 보장합니다. 결과를 선택하면 사용 가능한 Landsat 장면 목록이 다운로드할 수 있도록 나타납니다. Landsat 원격 탐사 영상에서 지수를 도출하기 위해 github.com 에서 Remote Sensing Indices Derivation Tool을 다운로드했습니다.
Python 스크립트를 실행하고, 적절한 위성 센서와 원하는 인덱스를 선택하고, 파일을 저장할 출력 폴더에서 입력 이미지 파일을 설정했습니다. 본 연구에서는 개별 밴드를 내보내고 NDVI, SAVI 및 Tasseled Cap Brightness, Greenness 및 Wetness Indices를 사용했습니다. Tamarisk 종 분포 모델을 개발하기 위해 VisTrails 프로그램 내에서 SAHM 소프트웨어 패키지를 사용했습니다.
이 연구를 위해 패키지 다운로드와 함께 제공된 SAMH 자습서 2.0 VT 파일을 열고 이 자습서의 기록 보기에서 독립 위치 워크플로 예제를 선택했습니다. 이 자습서에서는 다른 예제도 사용할 수 있습니다. 그런 다음 파이프라인을 보기 로 이동하여 모델을 설정했습니다.
먼저 패키지를 선택하여 세션 폴더를 변경했습니다. 다음으로, 템플릿 레이어 모듈(Template Layer Module)을 선택하고 투영, 셀 크기 및 스터디의 범위를 정의하는 템플릿 레이어(Template Layer)로 이동했습니다. 다음으로, 필드 데이터 모듈을 선택하고 수집된 tamerisk에 대한 xy 좌표가 포함된 CSV 파일로 이동했습니다.
다음으로, 예측변수 목록 파일을 선택하고 이 연구에 대한 예측변수 목록이 포함된 CSV 파일로 이동했습니다. 다음으로, 필드 데이터 쿼리를 선택하여 필드 데이터 CSV 파일 내에서 응답 열, x 열 및 y 열을 정의했습니다. 다음으로 MDS Builder Module을 선택하고 배경 포인트 수를 10, 000으로 정의했습니다.
Background Probability Surface 옵션도 이 위치에서 사용할 수 있습니다. 아칸소 강의 5,000미터 버퍼 내에서 값이 100인 Background Probability Surface를 사용했고, 이 버퍼 밖의 영역에는 0을 사용했습니다. 이는 Tamerisk Coalition이 본 연구에서 샘플링한 지역을 기반으로 합니다.
다음으로, Maxent 모듈을 워크플로우에 추가하고 Covariate Correlation and Selection Module에 연결했습니다. Boosted Regression Tree, Generalized Linear Model, Multivariate Adaptive Regression Splines 및 Random Forest Modules는 이미 워크플로우에 배치되어 있었습니다. 다음으로, 워크플로에 모델 출력 뷰어 모듈을 추가하고, 다른 모듈과 일치하도록 열과 행을 변경했습니다.
다음으로, 워크플로우 내에서 하위 폴더 이름으로 고유한 출력 이름을 선택했습니다. 다음으로, 워크플로우에 앙상블 빌더 모듈(Ensemble Builder Module)을 추가하고 5개 모델 모두에 연결했습니다. 앙상블에 대한 Threshold Metric과 Threshold Value를 설정합니다.
이는 연구 목표에 따라 변경될 수 있습니다. 다음으로, tamarisk의 독립적인 테스트 데이터 세트가 포함된 CSV 파일로 이동했습니다. 다시 한 번, Field Data Query Module(필드 데이터 쿼리 모듈)을 선택한 상태에서 독립 파일 내에 Response(응답), x, y 열을 정의합니다.
워크플로에 모델 적용 모듈을 추가하고, 이를 독립 데이터 세트에 대한 MDS Builder 모듈 및 Maxent 모듈에 연결했습니다. 또한 다른 모델 출력 뷰어를 추가하고 공급 모델 모듈에 연결하여 열과 행을 다른 모델과 일치하도록 변경했습니다. 다음으로, 패키지를 선택하여 Processing Mode를 단일 모델로 순차적으로 변경하여 모델 실행 중에 둘 이상의 코어를 사용할 수 있도록 했습니다.
가장 먼저 나타나는 화면은 두 변수 간의 상관 관계를 나타내는 Covariate Correlation Viewer입니다. 우리의 연구 목표는 일반화된 덧셈 모델을 기반으로 상관관계가 높거나 포인트 7보다 큰 변수를 삭제하는 것을 기반으로 했습니다. 우리는 두 변수가 높은 상관 관계가 있는 인스턴스에서 어떤 변수를 유지할지 결정하기 위해 각 변수에 대해 설명된 백분율 일탈자를 사용했습니다.
유지할 공변량의 수를 결정할 때 OK를 선택했습니다. 모델이 완료되면 VisTrail 스프레드시트가 나타납니다. 이 스프레드시트는 AUC 플롯, 텍스트 출력, 응답 곡선, 보정 플롯, 혼동 행렬 및 잔차 플롯을 포함한 모델 결과를 비교하는 데 사용할 수 있습니다. 결과의 경우, 임계값 독립적 및 임계값 종속 평가 메트릭을 기반으로 한 5가지 모델 간에 차이가 거의 없었습니다.
이러한 메트릭을 기반으로 각 모델에서 생성된 확률 표면을 비교한 후 5가지 모델의 앙상블이 이러한 데이터에 적합한 접근 방식이라고 결정했습니다. 앙상블 매핑(Ensemble Mapping)은 한 모델의 약점을 최소화하면서 여러 상관 관계 방법의 강점을 결합하는 것을 목표로 합니다. 그러나 성과가 저조한 모델은 전반적인 결과를 약화시킬 수 있다는 점에 주의합니다.
그 결과, Boosted Regression Tree, Generalized Linear Model, Multivariate Adaptive Regression Splines, Random Forest 및 Maxent를 타마리스크에 대한 프레즌스 포인트와 원격 탐사 Landsat 위성 이미지의 시계열이 지형에서 타마리스크를 구별할 수 있으며 기존의 단일 장면 분류 방법에 대한 효과적인 대안임을 보여줍니다. 이러한 모델에서 생성된 지도는 연구 지역의 표적 타마리스크 통제 노력을 위한 중요한 관리 도구를 제공할 것입니다.
개요
이 연구는 원격 탐지 데이터 및 서식지 모델링 지원 소프트웨어(SAHM)를 사용하여 특히 콜로라도 남동부에서 침입성 식물인 탐마릭스(Tamarix spp.)의 발생을 예측하는 방법을 보여줍니다. 생성된 예측 모델은 현장 평가를 통해 검증된 탐마릭스 침입의 정확한 지도를 제공합니다.
주요 연구 구성 요소
과학 분야
- 생태학
- 원격 탐지
- 침입성 식물 관리
배경
- 탐마릭스는 미국 남서부에 원주하지 않은 침입성 식물입니다.
- 원주 식물과 경쟁하여 지역 생태계에 영향을 미칩니다.
- 그 분포를 이해하는 것이 효과적인 관리에 중요합니다.
- 원격 탐지는 침입성 식물을 모니터링하고 지도화하는 방법을 제공합니다.
연구 목적
- SAHM을 사용한 탐마릭스 분포 예측의 효과를 평가합니다.
- 위성 데이터를 사용하여 탐마릭스 발생의 정확한 지도를 작성합니다.
- 탐마릭스가 지역 생태계에 미치는 영향을 평가합니다.
사용된 방법
- 탐마릭스 존재에 대한 데이터를 수집하기 위해 Landsat 5 이미지를 활용했습니다.
- SAHM 내에서 5개의 종 분포 모델을 적용했습니다.
- 모델 예측을 검증하기 위해 현장 매핑을 실시했습니다.
- 탐마릭스와 원주 종을 구분하기 위해 스펙트럼 지수를 도출했습니다.
주요 결과
- 탐마릭스 침입의 매우 정확한 지도를 생성했습니다.
- 독립적인 현장 데이터와 모델 출력을 검증했습니다.
- 생태학 연구에서 원격 탐지의 유용성을 입증했습니다.
- 탐마릭스가 원주 식물에 대한 경쟁성을 강조했습니다.
결론
- 원격 탐지와 SAHM은 침입성 식물 분포를 예측하는 효과적인 도구입니다.
- 정확한 지도는 침입성 식물 관리에 도움이 될 수 있습니다.
- 지속적인 모니터링은 생태계 보호에 필수적입니다.
자주 묻는 질문
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.
