Integratie van Remote Sensing met Species Distribution Models; Mapping Tamarisk Invasions De software gebruiken voor Assisted Habitat Modeling (SAHM)
11 oktober 2016
We demonstreren de bruikbaarheid van op afstand waargenomen gegevens en de nieuw ontwikkelde Software for Assisted Habitat Modeling (SAHM) bij het voorspellen van het voorkomen van invasieve soorten in het landschap. Een ensemble van voorspellende modellen produceerde zeer nauwkeurige kaarten van de invasie van tamarisk (Tamarix spp.) in het zuidoosten van Colorado, VS, zoals beoordeeld met daaropvolgende veldvalidaties.
Detectie van invasieve plantensoorten is van vitaal belang voor het beheer van natuurlijke hulpbronnen en bescherming van het ecosysteem. In deze studie demonstreren we het nut van op afstand gedetecteerde gegevens, in de nieuw ontwikkelde Software voor Geassisteerde Habitatmodellering, en het voorspellen van het voorkomen van invasieve soorten op het landschap. Hallo, ik ben Tom Stohlgren, een Senior Wetenschapper bij het Natural Resource Ecology Lab, aan de Colorado State University.
Dit is tamarisk. Het is inheems in Zuid-Afrika, Azië, Europa en delen van het Midden-Oosten, maar het komt niet van hier. Dat wil zeggen, het is geen inheemse soort in het zuidwestelijke deel van de Verenigde Staten, of in de buurt van LaJuna, Colorado, waar we nu zijn.
Tamarisk is ongebruikelijk, omdat het een facultatief freatofyt is, wat betekent dat het ver van een beek, of direct langs een beek kan leven. Het heeft een penwortel die tot 30 meter diep gaat. Stel je voor dat je hier 30 stappen neemt, en dat is hoe ver deze penwortel kan gaan.
Dus het kan droogte omstandigheden een beetje beter verdragen dan sommige van de inheemse soorten in het gebied. Zonder de tamarisk zou er veel meer ruimte zijn voor inheemse soorten, die inheemse vlinders en bestuivers aantrekken, zoals we hier zien, op de rabbitbrush. Hier hebben we de tamarisk struiken, die direct concurreren met inheemse vegetatie.
In dit geval, een inheemse Cottonwood. Achter me hebben we een zeer dichte stand, een zeer grote stand. Misschien een vierkante kilometer van niets anders dan tamarisk.
Door bladeren te laten vallen, en met dode en stervende takken, is dit een reëel brandgevaar. Aan de andere kant van de straat hebben we Salix, we hebben een Wilg, die erg groen en vochtig is, en veel minder vatbaar voor brand dan de tamarisk aan deze kant. We zijn hier op een locatie waar tamarisk op weidegrond binnendringt.
Nu, dit is belangrijk omdat het eigenlijk het gebied van weidegrond vermindert dat die koeien kunnen begrazen. Tamarisk, zoals veel invasieve planten, vertoont feno-logische variatie gedurende het groeiseizoen, die verschilt van de fenologie van inheemse Ripariaanse soorten. In sommige gebieden, bijvoorbeeld, tamarisk loof uit, is vóór sommige inheemse Ripariaanse planten, omdat tamarisk zijn bladeren langer behoudt dan andere inheemse soorten.
Door een tijdreeks van satellietgegevens gedurende het groeiseizoen te gebruiken, kunnen we deze feno-logische verschillen gebruiken om tamarisk te onderscheiden van inheemse planten. Landsat-satellieten draaien al sinds 1972 om de aarde, en zijn de ideale beeldbron voor het detecteren van tamarisk-verdeling en fenologie op het landschap. Met een ruimtelijke resolutie van 30 meter, en een temporele resolutie van 16 dagen, is Landsat een gezamenlijk programma van NASA en USGS.
Onze doelstellingen in deze studie waren om vijf verschillende soorten verspreidingsmodellen te testen en evalueren, in de Software voor Geassisteerde Habitatmodellering, met behulp van Landsat 5-beelden en tamarisk-aanwezigheidspunten, verkregen uit een intensieve veldkarteringcampagne uitgevoerd door de Tamarisk Coalition, langs de Arkansas River, in Colorado. En, om een nauwkeurige kaart van de tamarisk-verdeling in het studiegebied te maken, gebaseerd op modeluitvoer. Dit conceptueel diagram geeft een overzicht van onze methodologie in deze studie.
Veldgegevens voor tamarisk werden afgeleid uit een vectorpolygoondataset, verzameld door de Tamarisk Coalition, in 2005 en 2006. Landsat 5 Thematic Mapper-gegevens werden verkregen van Earth Explorer, voor de jaren die overeenkomen met de tamarisk-veldgegevens. Ten minste één scène uit elke maand van het groeiseizoen werd verzameld.
Met behulp van de Remote Sensing Indices Derivation Tool, hebben we Spectrale Indexen afgeleid uit de Landsat-beelden, om het spectrale signaal van tamarisk te onderscheiden van andere soorten op het landschap. Deze Indexen, en de tamarisk-veldgegevens, waren input in vijf Soortverdelingsmodellen, binnen de Software voor Geassisteerde Habitatmodellering. Modeluitvoer werd getest met een onafhankelijke dataset, en een ensemble-aanpak werd toegepast om Soortverdelingskaarten van tamarisk in het studiegebied te creëren.
Om een groot tamarisk-gebied in kaart te brengen, zal ik een startlocatie hebben, dichtstbij de struik aan de grens, en dan zal ik mijn locaties rond het hele gebied blijven kiezen, zoals hier. Dit was de methodologie, toegepast door de Tamrarisk Coalition om xy-locaties van tamaraisk te verzamelen. Gebruik GPS, selecteer Markeren, en scroll vervolgens omhoog om het punt te benoemen.
Je zult de breedtegraad en lengtegraad van het punt op het scherm zien. Selecteer Klaar, wanneer je klaar bent. We hebben Landsat 5 Thematic Mapper-scènes gedownload, van earthexplorer.usgs.gov.
Als je al een account hebt, log dan in. Anders registreer je een account om gegevens te downloaden. Typ eerst de Pad en Rij van de Landsat-scène, die het studiegebied omvat.
Onze studie gebruikte Pad 32, Rij 34. Selecteer het datumbereik dat overeenkomt met de scènes waarnaar je zoekt. We selecteerden april 2005 tot november 2006, toen de tamarisk-gegevens werden verzameld.
Selecteer vervolgens Gegevenssets, en scroll naar beneden naar Landsat Archief. Selecteer het Landsat Surface Reflectance Product. Scroll naar beneden en selecteer Aanvullende Criteria.
Selecteer Minder dan 10% Wolkbedekking, om de beste kwaliteit beelden te garanderen. Wanneer je Resultaten selecteert, verschijnt een lijst met beschikbare Landsat-scènes om te downloaden. Om Indexen af te leiden van de Landsat-op afstand gedetecteerde beelden, hebben we de Remote Sensing Indices Derivation Tool gedownload van github.com.
We voerden het Python-script uit en selecteerden de juiste satellietzender, gewenste Indexen, en zetten het invoerbestand van de afbeelding in de uitvoermap voor bestanden die opgeslagen moeten worden. In onze studie exporteerden we de individuele bands en gebruikten NDVI, SAVI
Overzicht
Deze studie toont het gebruik van op afstand gevoerde gegevens en de Software for Assisted Habitat Modeling (SAHM) om het voorkomen van invasieve soorten, specifiek tamarisk (Tamarix spp.), in het zuidoosten van Colorado te voorspellen. De gegenereerde voorspellende modellen leverden nauwkeurige kaarten van tamarisk-invasie op, gevalideerd door veldbeoordelingen.
Belangrijkste studiecomponenten
Wetenschapsgebied
- Ecologie
- Remote Sensing
- Beheer van invasieve soorten
Achtergrond
- Tamarisk is een invasieve soort die niet inheems is in het zuidwesten van de Verenigde Staten.
- Het concurreert met inheemse vegetatie en beïnvloedt lokale ecosystemen.
- Het begrijpen van de verspreiding ervan is cruciaal voor effectief beheer.
- Remote sensing biedt een methode om invasieve soorten te monitoren en in kaart te brengen.
Doel van de studie
- Om de effectiviteit van SAHM bij het voorspellen van de verspreiding van tamarisk te evalueren.
- Om nauwkeurige kaarten van het voorkomen van tamarisk te maken met behulp van satellietgegevens.
- Om de impact van tamarisk op lokale ecosystemen te beoordelen.
Gebruikte methoden
- Gebruikte Landsat 5 beeldmateriaal om gegevens over de aanwezigheid van tamarisk te verzamelen.
- Toegepaste vijf soortverdelingsmodellen binnen SAHM.
- Gevoerd veldmapping om modelvoorspellingen te valideren.
- Afgeleid spectrale indices om tamarisk te onderscheiden van inheemse soorten.
Belangrijkste resultaten
- Gegenereerde zeer nauwkeurige kaarten van tamarisk-invasie.
- Gevalideerd modeloutputs met onafhankelijke veldgegevens.
- Demonstreerd de bruikbaarheid van remote sensing in ecologische studies.
- Benadrukt de concurrerende aard van tamarisk tegenover inheemse flora.
Conclusies
- Remote sensing en SAHM zijn effectieve hulpmiddelen voor het voorspellen van de verspreiding van invasieve soorten.
- Nauwkeurige kaarten kunnen helpen bij het beheer van invasieve soorten.
- Continue monitoring is essentieel voor de bescherming van ecosystemen.
Veelgestelde vragen
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.
