Artykuł metodologiczny

Integracja teledetekcji z modelami rozmieszczenia gatunków; Mapowanie inwazji tamaryszków za pomocą oprogramowania do wspomaganego modelowania siedlisk (SAHM)

13.5K wyświetleń

⸱

DOI:

10.3791/54578

⸱

11 października 2016

 ,  ,  ,  ,  ,  ,  ,  , 
1Natural Resource Ecology Laboratory, Colorado State University, 2U.S. Geological Survey, Fort Collins Science Center, 3U.S. Geological Survey - U.S. Department of the Interior, North Central Climate Science Center

W tym artykule

Podsumowanie

Pokazujemy użyteczność danych teledetekcyjnych i nowo opracowanego oprogramowania do wspomaganego modelowania siedlisk (SAHM) w przewidywaniu występowania gatunków inwazyjnych w krajobrazie. Zespół modeli predykcyjnych stworzył bardzo dokładne mapy inwazji tamaryszku (Tamarix spp.) w południowo-wschodnim Kolorado w USA, po ocenie za pomocą późniejszych walidacji w terenie.

Streszczenie

Wczesne wykrywanie inwazyjnych gatunków roślin jest niezbędne dla zarządzania zasobami naturalnymi i ochrony procesów ekosystemowych. Wykorzystanie teledetekcji satelitarnej do mapowania rozmieszczenia roślin inwazyjnych staje się coraz bardziej powszechne, jednak konwencjonalne oprogramowanie do obrazowania i metody klasyfikacji okazały się zawodne. W tym badaniu testujemy i oceniamy wykorzystanie pięciu technik modelowania rozmieszczenia gatunków dopasowanych do satelitarnych danych teledetekcyjnych do mapowania inwazyjnego tamaryszku (Tamarix spp.) wzdłuż rzeki Arkansas w południowo-wschodnim Kolorado. Testowane modele obejmowały wzmocnione drzewa regresji (BRT), las losowy (RF), wielowymiarowe adaptacyjne splajny regresji (MARS), uogólniony model liniowy (GLM) i Maxent. Analizy te przeprowadzono przy użyciu nowo opracowanego pakietu oprogramowania o nazwie Software for Assisted Habitat Modeling (SAHM). Wszystkie modele zostały przeszkolone na 499 punktach obecności, 10 000 punktów pseudo-nieobecności i zmiennych predykcyjnych uzyskanych z czujnika Landsat 5 Thematic Mapper (TM) przez okres ośmiu miesięcy, aby odróżnić tamaryszek od rodzimej roślinności nadbrzeżnej za pomocą wykrywania różnic fenologicznych. Ze scen Landsat użyliśmy indywidualnych pasm i obliczyliśmy znormalizowany różnicowy wskaźnik wegetacji (NDVI), wskaźnik wegetacji dostosowany do gleby (SAVI) oraz transformacje z frędzlami. Wszystkie pięć modeli z powodzeniem zidentyfikowało obecne rozmieszczenie tamaryszku w krajobrazie w oparciu o wskaźniki oceny niezależne od progu i zależne od progu z niezależnymi danymi lokalizacyjnymi. Aby uwzględnić różnice specyficzne dla modelu, opracowaliśmy zestaw wszystkich pięciu modeli z wynikami mapy podkreślającymi obszary zgodności i obszary niepewności. Nasze wyniki pokazują przydatność modeli rozmieszczenia gatunków w analizie danych teledetekcyjnych oraz użyteczność mapowania zespołowego, a także pokazują możliwości SAHM w wstępnym przetwarzaniu i wykonywaniu wielu złożonych modeli.

Wprowadzenie

Ekosystemy nadbrzeżne i mokradełkowe w południowo-zachodnich Stanach Zjednoczonych są zagrożone przez inwazję tamaryszku (Tamarix spp.), nierodzimego krzewu drzewiastego sprowadzonego z Eurazji w 1800 roku1. Tamaryszek ma wiele mechanizmów fizjologicznych, które pozwalają rodzajowi eksploatować zasoby wodne, konkurować z gatunkami rodzimymi i zmieniać procesy ekosystemowe1-2. Mapowanie rozkładów tamaryszku w celu oceny wpływu na środowisko i formułowania skutecznych strategii kontroli to wysokie priorytety dla zarządzających zasobami. Chociaż pomiary terenu są nadal regularnie stosowane, są one niepraktyczne w przypadku bardzo dużych obszarów ze względu na związane z tym koszty pracy, czasu i logistyki.

Teledetekcja satelitarna odegrała ważną, choć ograniczoną rolę w wykrywaniu i mapowaniu inwazji tamaryszków. Konwencjonalne analizy klasyfikacyjne i oprogramowanie do teledetekcji odniosły marginalny sukces3-5. W kilku ostatnich badaniach przeanalizowano nietradycyjne podejścia do wykrywania roślin inwazyjnych przy użyciu danych teledetekcyjnych1,6. Tamaryszek, podobnie jak wiele roślin inwazyjnych, wykazuje zmienność fenologiczną w całym sezonie wegetacyjnym, która różni się od fenologii rodzimych gatunków nadbrzeżnych. Na niektórych obszarach, na przykład, liście tamaryszku są przed niektórymi rodzimymi roślinami nadbrzeżnymi, a tamaryszek zachowuje liście dłużej niż inne gatunki rodzime. Korzystając z pasm spektralnych i wskaźników spektralnych pochodzących z szeregów czasowych danych satelitarnych w ciągu sezonu wegetacyjnego, możemy odróżnić tamaryszek od roślin rodzimych na podstawie tych różnic fenologicznych1,6. Opierając się na pracy Evangelisty i wsp. 20091, w tym badaniu włączyliśmy poszczególne pasma 1-7 z serii czasowej zdjęć satelitarnych Landsat 5 Thematic Mapper (TM) i uzyskaliśmy znormalizowany różnicowy wskaźnik wegetacji (NDVI), wskaźnik wegetacji dostosowany do gleby (SAVI) i transformacje czapek z frędzlami. Znormalizowany różnicowy wskaźnik wegetacji (NDVI) jest jednym z najczęściej stosowanych wskaźników spektralnych do szacowania biomasy roślinności, pokrycia koronami drzew i wskaźników powierzchni liści8-9 i jest nieliniową transformacją stosunku między pasmami widzialnymi (czerwonymi) i bliskiej podczerwieni10. Indeks wegetacji dostosowany do gleby (SAVI) to zmodyfikowany NDVI stosowany w celu zminimalizowania wpływu tła glebowego na wskaźniki wegetacji11. Transformacje czapy z frędzlami to ważone kompozyty sześciu pasm Landsat w trzy ortogonalne pasma, które mierzą jasność gleby (czapa z frędzlami, pasmo 1), zieleń roślinności (czapa z frędzlami, pasmo 2) i wilgotność gleby/roślinności (czapa z frędzlami, pasmo 3) i są często używane do rozróżniania składu roślinności, klasy wieku i struktury12-14. Użyliśmy współczynników podanych w Crist (1985)15 dla wszystkich transformacji czapek z frędzlami.

W tym badaniu testujemy pięć modeli rozmieszczenia gatunków z szeregiem czasowym pasm widmowych i wskaźników roślinności pochodzących z Landsat 5 TM, aby zmapować tamaryszek wzdłuż dolnej rzeki Arkansas w południowo-wschodnim Kolorado, USA. Rzeka Arkansas, rozciągająca się na 2364 km (1469 mil), jest drugim co do wielkości dopływem w systemie Missouri-Mississippi. Jego dział wodny obejmuje 435 123 km2 (168 002 mi2) z źródłami w Górach Skalistych Kolorado. Od swojego początku na wysokości 2965 m n.p.m., Arkansas znacznie obniża wysokość, wyrównując się w pobliżu Pueblo w stanie Kolorado i meandrując przez pola uprawne i prerie porośnięte niską trawą. Rzeka jest narażona na sezonowe powodzie i jest wykorzystywana do miejskiego i rolniczego wykorzystania wody w Rocky Ford, La Junta i Lamar, zanim dotrze do Kansas, Oklahomy i Arkansas, gdzie wpada do rzeki Missisipi. Tamaryszek został po raz pierwszy zaobserwowany na rzece Arkansas przez R. Niedracha w 1913 roku w pobliżu dzisiejszego miasta Lamar16. Obecnie szacuje się, że tamaryszek obejmuje ponad 100km2 między Pueblo a granicą stanu Kansas, z dodatkowymi 60km2 wzdłuż dopływów rzeki Arkansas17. Obszar badań obejmuje rowy irygacyjne, tereny podmokłe, grunty rolne oraz zbiegi kilku dopływów; wszystkie z różnym stopniem porażenia tamaryszkiem. Hodowla i rolnictwo to główne sposoby użytkowania gruntów przylegających do korytarzy nadbrzeżnych, składających się głównie z lucerny, siana, kukurydzy i pszenicy ozimej.

Modele rozmieszczenia gatunków opierają się na georeferencyjnych wystąpieniach (tj. szerokości i długości geograficznej) w celu zidentyfikowania relacji między występowaniem gatunku a jego środowiskiem18. Dane środowiskowe mogą obejmować wiele warstw teledetekcyjnych i innych warstw przestrzennych. Pięć testowanych przez nas modeli rozkładu gatunków obejmuje wzmocnione drzewa regresji (BRT)19, lasy losowe (RF)20, wielowymiarowe adaptacyjne splajny regresji (MARS)21, uogólniony model liniowy (GLM)22 i Maxent23. Te pięć algorytmów modelowych jest jednymi z najczęściej stosowanych do modelowania rozmieszczenia gatunków, a wiele badań wykazało ich skuteczność24-25. Do wykonania pięciu modeli, które są zawarte w oprogramowaniu do wizualizacji i przetwarzania VisTrails v.2.2.226, użyliśmy modułów Software for Assisted Habitat Modeling (SAHM) v. 2.0. Korzystanie z SAHM do modelowania porównawczego ma kilka zalet. Oprócz formalizacji i łatwego rejestrowania procesów modelowania, SAHM umożliwia użytkownikom pracę z wieloma algorytmami modeli dystrybucji gatunków, które indywidualnie mają różne interfejsy, oprogramowanie i formatowanie plików27. SAHM tworzy spójne, niezależne od progu i zależne od progu metryki oceny w celu oceny wydajności modelu. Jednym z nich jest obszar pod krzywą charakterystyki operacyjnej odbiornika (AUC), niezależna od progu metryka, która ocenia zdolność modelu do rozróżniania obecności od tła28. Wartość AUC równa 0,5 lub mniejsza wskazuje, że przewidywania modelu nie są lepsze ani gorsze niż losowe; Wartości od 0,5 do 0,70 wskazują na słabą wydajność; a wartości rosnące od 0,70 do 1,0 wskazują na stopniowo wyższą wydajność. Innym wskaźnikiem jest procent poprawnie sklasyfikowany (PCC), wskaźnik zależny od progu, który waży czułość i swoistość na podstawie metryki progowej zdefiniowanej przez użytkownika; Czułość mierzy odsetek zaobserwowanych obecności sklasyfikowanych jako odpowiednie, a swoistość mierzy odsetek lokalizacji tła sklasyfikowanych jako nieodpowiednie. Jeszcze innym wskaźnikiem jest True Skill Statistic (TSS = czułość + swoistość - 1), która kładzie większy nacisk na czułość modelu niż na swoistość, z wartościami w zakresie od -1 do 1, gdzie wartości > 0 wskazują na lepszą wydajność modelu niż szansa29.

Aby zmapować tamaryszek za pomocą danych wyjściowych modelu, skonstruowaliśmy binarne klasyfikacje przy użyciu progu, który wyrównuje czułość i specyficzność, aby zdefiniować obecność lub brak tamaryszku. Te indywidualne mapy wywodzące się z modelu zostały następnie zsumowane w celu utworzenia mapy zespołowej30. Mapy zespołowe łączą przewidywania poszczególnych modeli rozmieszczenia gatunków w celu stworzenia sklasyfikowanej mapy, która klasyfikuje zbiorową zgodność testowanych modeli. Na przykład wartość komórki zespołowej równa jeden wskazuje, że tylko jeden model sklasyfikował tę komórkę jako odpowiednie siedlisko, podczas gdy wartość pięć wskazuje, że wszystkie pięć modeli sklasyfikowało komórkę jako odpowiednie siedlisko. Jedną z zalet tego podejścia jest to, że mapy zespołowe dają niższy średni błąd niż jakikolwiek pojedynczy model. Pozwala także użytkownikom na wizualne porównanie wydajności każdego testowanego modelu. Naszym ogólnym celem było przedstawienie szczegółowego opisu tych metod, które można dostosować do modelowania obecnego rozmieszczenia gatunków w krajobrazie.

Protokół

1. Zbieranie danych terenowych

  1. Wyprowadzenie danych terenowych dla tamaryksu z wektorowego zbioru danych poligonowych zebranych przez Tamarisk Coalition podczas badania obejmującego cały stan w latach 2005 i 200617.
    UWAGA: Dane pozyskano w drodze intensywnych badań terenowych, podczas których technicy zmapowali wszystkie drzewostany tamaryksu wzdłuż rzeki Arkansas, wykorzystując systemy pozycjonowania satelitarnego (GPS) oraz zdjęcia lotnicze.
  2. Wewnątrz tych wielokątów wygeneruj 499 losowych punktów (t. j., obecności) do wytrenowania modeli. Na punkty losowe należy nałożyć dwa zestawy ograniczeń: (1) każdy punkt musi być > 30 m od krawędzi dowolnego poligonu, aby upewnić się, że punkt znajduje się w obrębie łęgu tamaryksowego przy rozdzielczości Landsat 5 TM; oraz (2) każdy punkt musi znajdować się w odległości ≥ 60 m od każdego sąsiedniego punktu, aby zapewnić reprezentatywny rozkład na obszarze badań i zminimalizować autokorelację przestrzenną.
  3. Zestaw dane terenowe w pliku MS Excel w trzech kolumnach z następującymi nagłówkami "Ponieważ nie dostarczono tekstu źródłowego do przetłumaczenia, proszę o przesłanie treści, którą należy przełożyć na język polski. Po otrzymaniu tekstu przygotuję wierne i profesjonalne tłumaczenie zgodnie z wytycznymi dla treści naukowych i edukacyjnych JoVE.", "X"i "Y", gdzie wartości odpowiedzi wynoszą (1) dla obecności, UTM easting dla X i UTM northing dla Y. Zapisz ten plik w formacie .csv do wykorzystania w SAHM (Dane terenowe moduł).
  4. Wygeneruj dodatkowe 100 losowych punktów w obrębie poligonów tamaryks Coalition's tamarisk oraz kolejne 100 losowych punktów poza poligonami jako niezależne dane testowe do oceny wyników modelu. Zapisz ten plik w formacie .csv do wykorzystania w SAHM (Dane terenowe moduł).

2. Zmienne predykcyjne

  1. Pobierz obrazy Landsat 5 o wysokiej rozdzielczości radiometrycznej powierzchniowej L4-5 TM (ścieżka 32, wiersz 34) z Global Visualization Viewer/EarthExplorer (http://earthexplorer.usgs.gov/) U.S. Geological Survey. Sceny obejmują obszar próbkowania badany przez Colorado Tamarisk Coalition w latach 2005 i 2006.17Aby określić miesiące wykorzystane w modelach, należy wybrać sceny w dużej mierze wolne od chmur (t. j., < (zachmurzenie poniżej 10%) i reprezentatywne dla miesięcy, w których przypuszczano występowanie odróżnialnej fenologii tamaryksu; były to: październik 2004, kwiecień 2005, maj 2005, czerwiec 2005, lipiec 2005, wrzesień 2005, kwiecień 2006, maj 2006, czerwiec 2006, lipiec 2006, sierpień 2006, wrzesień 2006 oraz listopad 2006.
  2. Pobierz narzędzie do obliczania indeksów teledetekcyjnych (Remote Sensing Indices Derivation Tool) z
    https://github.com/rander38/Remote-Sensing-Indices-Derivation-Tool (Narzędzie do wyznaczania wskaźników teledetekcyjnych)
  3. Uruchom skrypt Python w narzędziu, w wersji GDAL lub Arcpy; zaleca się użycie GDAL.
  4. Wybierz odpowiedni czujnik satelitarny, pożądane indeksy, a następnie ustaw plik obrazu wejściowego oraz folder wyjściowy, w którym będą przechowywane pliki (Rysunek 1). Wyeksportowaliśmy poszczególne kanały i wykorzystaliśmy wskaźniki NDVI, SAVI oraz wskaźniki jasności (brightness), zieloności (greenness) i wilgotności (wetness) Tasseled Cap, pochodne każdej z zobrazowań Landsat TM. Należy zauważyć, że dowolne wskaźniki można zmodyfikować lub dodać poprzez edycję pliku Sensors_Formulas_RSIDT.ini.

figure-protocol-1
Rycina 1. Interfejs graficzny użytkownika (GUI) narzędzia do wyznaczania indeksów teledetekcyjnych.

  1. Uruchom narzędzie i zweryfikuj wizualnie pliki wynikowe w programie ArcMap v. 10.0 (ESRI, Redlands, CA) lub innym oprogramowaniu do systemów informacji geograficznej.

3. Oprogramowanie do wspomaganego modelowania siedlisk (SAHM) (Rycina 2)

figure-protocol-2
Rycina 2. Cały przebieg pracy SAHM obejmuje dane wejściowe, przetwarzanie wstępne, wstępną analizę i decyzję modelu, modele korelacyjne oraz rutyny wyjściowe.

  1. Aby uruchomić SAHM, najpierw pobierz pliki (w tym VisTrails) ze strony internetowej U.S. Geological Survey pod adresem https://my.usgs.gov/catalog/RAM/SAHM. Szczegółowe instrukcje dotyczące pobierania i instalacji SAHM znajdują się w Podręczniku Użytkownika na tej samej stronie. Należy pamiętać, że na stronie dostępny jest również samouczek SAHM oraz dane zawierające dodatkowe instrukcje.
  2. W celu opracowania modeli rozmieszczenia gatunkowego tamaryksu użyj pliku SAHM_tutorial_2.0.vt, który jest dołączony do pobieranego pakietu (w folderze z przykładami SAHM). W widoku History wybierz przepływ pracy Independent locations. Można wybrać inne przykłady przepływów pracy w zależności od celów badania; do każdego z nich dołączono opisy. Wybierz Pipeline.
  3. Ustaw folder wyjściowy, przechodząc do Packages, a następnie SAHM > Change Session Folder. W trakcie procesu opracowywania przepływu pracy szczegółowe opisy każdego kroku i opcji można znaleźć, wybierając kartę Documentation znajdującą się po prawej stronie ekranu przeglądarki SAHM. Wszystkie moduły wymienione w poniższych metodach znajdują się po lewej stronie okna SAHM pod kartą SAHM.
  4. Następnie wskaż w SAHM dane terenowe, które zostaną użyte do trenowania modeli rozmieszczenia gatunkowego.
    1. Kliknij moduł TemplateLayer. Przeglądaj pliki, aby wskazać raster, który posłuży jako maska i zdefiniuje projekcję, rozmiar komórki oraz zasięg analiz.
    2. Kliknij moduł FieldData po lewej stronie przepływu pracy. W module danych terenowych wskaż plik .csv (np. training.csv) z danymi terenowymi (punkty obecności lub punkty obecności i nieobecności).
    3. Kliknij moduł PredictorListFile i wskaż plik listy .csv (np. plik zawierający pełną ścieżkę do wszystkich predyktorów użytych w modelu – zapoznaj się z podręcznikiem użytkownika).
  5. Następnie przeprowadź kroki wstępnego przetwarzania.
    1. Kliknij moduł FieldDataQuery i uzupełnij kolumnę odpowiedzi nagłówkiem kolumny dla odpowiedzi (np. nazwy kolumn w pliku FieldData.csv) oraz kolumny X i Y.
    2. Kliknij moduł MDSBuilder module. Ustaw wartość backgroundPointField na 10 000.
      UWAGA: Jeśli używasz danych o obecności i nieobecności modelowanego gatunku, nie musisz zmieniać backgroundPointField; należy uwzględnić te lokalizacje z odpowiedzią (0) w pliku Field Data.csv. Opcjonalnie można ustawić backgroundProbSurf, jeśli chcesz ograniczyć wybór punktów tła w obrębie danego obszaru, wskazując raster z wartościami od 0 do 100 (wartości te reprezentują prawdopodobieństwo zachowania losowo wygenerowanego punktu, jeśli wpadnie on w konkretną komórkę). W niniejszym badaniu użyj backgroundProbSurf z wartościami 100 w buforze 5 000 m od rzeki Arkansas i 0 dla obszarów poza tym buforem (na podstawie całkowitego obszaru próbkowania koalicji tamaryksu).
  6. Następnie określ algorytmy modelowania rozmieszczenia gatunkowego, które zostaną zastosowane.
    1. Należy zauważyć, że moduły BoostedRegressionTree, GLM, MARS i RandomForest są już skonfigurowane w przepływie pracy Independent locations. Dodaj do przepływu pracy moduł MAXENT, aby przetestować wszystkie pięć modeli. Połącz go z modułem CovariateCorrelationAndSelection.
      UWAGA: Rozpocznij od ustawień domyślnych dla wszystkich modeli; można je zmodyfikować w zależności od celów badania (szczegóły znajdują się w dokumentacji modelu).
    2. Dodaj moduł ModelOutputViewer i połącz go z modułem MAXENT; zmień wartość column na 5 i row na 1. Moduł ModelOutputViewer generuje arkusz kalkulacyjny, który może być wykorzystany do porównania wyników modeli.
    3. Kliknij moduł OutputName i wpisz nazwę podfolderu.
  7. Następnie dodaj moduł, który tworzy zespół wyników modeli. Moduł ten generuje dwie mapy wyjściowe: jedną ze średnim ciągłym prawdopodobieństwem wszystkich uwzględnionych wyników oraz drugą z liczbą modeli o dodatnim prawdopodobieństwie binarnym.
    1. Dodaj moduł EnsembleBuilder do przepływu pracy. Opcjonalnie można ustawić Threshold Metric; w niniejszym badaniu wybierz AUC i pozostaw Threshold Value na domyślnej wartości 0,75. Zapewni to, że w mapach zespołu zostaną uwzględnione tylko modele z wartością AUC większą lub równą 0,75. Połącz moduły BoostedRegressionTree, GLM, MARS, RandomForest oraz MAXENT z modułem EnsembleBuilder.
  8. Następnie skieruj modele do niezależnych danych testowych.
    1. Kliknij drugi moduł FieldData (prawa strona przepływu pracy) i wskaż plik .csv zawierający dane walidacyjne modelu. Są to 200 punktów obecności i nieobecności wygenerowanych w kroku 1.4 PROTOKOŁU.
    2. Kliknij moduł FieldDataQuery i upewnij się, że kolumny response, x i y odpowiadają kolumnom w pliku .csv z danymi terenowymi.
    3. Dodaj moduł ApplyModel i połącz go z modułem MAXENT. Dodaj moduł ModelOutputViewer i połącz go z tym modułem ApplyModel; zmień wartość column na 5, a row na 1. W menu wybierz Packages -> SAHM -> Change Processing Mode. Ponieważ chcesz uruchomić więcej niż jeden model, wybierz single models sequentially (n - 1 cores each). Przyspieszy to czas wykonywania modeli dzięki wykorzystaniu wielu rdzeni procesora komputera.
  9. Następnie uruchom modele rozmieszczenia gatunkowego.
    1. Zapisz plik .vt, a następnie kliknij Execute.
    2. Gdy pojawi się widżet CovariateCorrelationAndSelection (Rysunek 3), odznacz jedną ze zmiennych z każdej skorelowanej pary, w której współczynnik korelacji wynosi |r| ≥ 0,7 (na podstawie % Deviance Explained z jednowymiarowego uogólnionego modelu addytywnego widocznego po lewej stronie tego widżetu (Rysunek 3>) oraz decyzji ekologicznych; w niniejszym badaniu nadaj priorytet wyborowi co najmniej jednej współzmiennej dla każdego miesiąca, aby uchwycić zmienność fenologiczną tamaryksu). Liczbę wykresów (Number of Plots) w oknie podglądu można zmienić, wpisując liczbę (domyślnie 8) i klikając Update.
    3. Po sfinalizowaniu wyboru współzmiennych kliknij OK na dole widżetu CovariateCorrelationAndSelection (Rysunek 3). W niniejszym badaniu zachowano następujące 9 zmiennych: 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 oraz Nov_19_2006_SAVI. Modele rozmieszczenia gatunkowego zostaną uruchomione po wybraniu OK.

figure-protocol-3
Rysunek 3. Interfejs SAHM do korelacji i wyboru współzmiennych.

  1. Wyniki wyjściowe.
    UWAGA: Po zakończeniu działania modeli pojawi się arkusz VisTrails do porównania modeli (Rysunek 4)
    1. Porównaj wykresy AUC, wyniki tekstowe, krzywe odpowiedzi, kalibrację, macierz pomyłek, residua oraz krzywe odpowiedzi dla poszczególnych modeli.
      UWAGA: Wyniki z modeli SAHM obejmują CovariateCorrelationOutputMDS, macierz pomyłek, wykres residuów, wykres kalibracji, wykres ewaluacji modelu, wykres istotności zmiennych, folder z krzywymi odpowiedzi, folder z rozszerzonymi wynikami, mapę binarną, mapę MESS, mapę MoD, mapę prawdopodobieństwa, mapę residuów oraz plik output.txt; szczegółowy opis znajduje się w Podręczniku Użytkownika SAHM.

figure-protocol-4
Rycina 4. Arkusze kalkulacyjne VisTrails mogą być wykorzystywane do oceny wyników modelu. Przedstawiono tu porównanie AUC modeli dla danych treningowych; od lewej do prawej widoczne są kolejno modele BRT, GLM, MARS, RF oraz Maxent.

Wyniki

Oceny statystyczne modeli BRT, RF, MARS, GLM oraz Maxent w oparciu o niezależny zestaw testowy wskazały, że wszystkie pięć modeli radziło sobie stosunkowo dobrze w wykrywaniu tamaryksu; różnice między metrykami oceny niezależnymi od progu a zależnymi od progu w poszczególnych modelach były niewielkie. Wartości AUC wynosiły > 0.88, wartości procentowe poprawnie sklasyfikowanych obiektów wynosiły > 77%, czułość i swoistość wynosiły > 0.77, a TSS wynosiły > 0.54 (Tabela 1). Zespół wyników binarnych modeli wykazał znaczną zgodność modeli na obszarach wzdłuż rzeki Arkansas (Rysunek 5). Wyniki map MESS (multivariate environmental similarity surface) dla każdego modelu wskazały, że dostępne środowisko obszaru badań zostało dobrze próbkowane (Rysunek 6), co dodatkowo zwiększyło naszą pewność co do zastosowania podejścia zespołowego.

ModelAUC (pole pod krzywą)PCCCzułośćSwoistośćTSS
BRT0.91850.850.850.70
RF0.92850.850.850.70
MARS0.90820.820.820.64
GLM (uogólniony model liniowy)0.88770.770.770.54
Maxent0.92840.830.840.67

Tabela 1. Niezależne od progu (AUC) i zależne od progu (PCC, czułość, swoistość i TSS) wskaźniki oceny dla modeli BRT, RF, MARS, GLM i Maxent dopasowanych do niezależnego zbioru testowego obecności i nieobecności tamaryksu.

figure-results-1
Rycina 5. Wyniki zespołu łączące binarne mapy wyjściowe BRT, GLM, MARS, RF i Maxent w programie ArcGIS. Obszary są pokolorowane według liczby zgodnych modeli, od 0 (brak koloru) do 5 (czerwony). Należy zwrócić uwagę na kolorowy obszar w północno-zachodnim rogu prognozy; linia ta jest artefaktem obrazowania Landsat, dlatego wyniki modeli w tym regionie należy interpretować z ostrożnością. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

figure-results-2
Rysunek 6. Wynik analizy wielowymiarowej powierzchni podobieństwa środowiskowego (MESS). Proszę kliknąć tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Z dziewięciu zastosowanych predyktorów, Jasność z dnia 30 czerwca 2006 r. była najważniejszą zmienną dla wszystkich pięciu modeli (Tabela 2). Była to jedyna zmienna zachowana przez GLM w oparciu o krokowe kryterium informacyjne Akaike (AIC; jest to domyślna metoda selekcji modeli GLM w SAHM), należy jednak zauważyć, że model ten zawierał również człon kwadratowy tej zmiennej. RF i Maxent domyślnie zachowują wszystkie zmienne.

PredyktorBRTRFMARSGLMMaxent
Jasność, 30 lipca 200641.6034.1176.7810067.27
Kanał 4, 31 sierpnia 20066.355.875.1602.82
SAVI, 09 czerwca 200513.6714.099.1409.75
Jasność, 22 kwietnia 20056.296.30000.43
NDVI, 28 października 20045.668.25002.94

Tabela 2. Względna istotność predyktorów w każdym modelu.

Dyskusja

Nasze wyniki pokazują, że dopasowanie BRT, RF, MARS, GLM i Maxent do punktów obecności tamaryszku i szeregów czasowych teledetekcyjnych danych ze zdjęć satelitarnych Landsat może odróżnić tamaryszek od krajobrazu i jest skuteczną alternatywą dla tradycyjnych metod klasyfikacji pojedynczej sceny. Z naszych wyników jasno wynika, że czerwiec jest szczególnie ważnym czasem dla wykrywania tamaryszku na naszym obszarze badań; zgadza się to z Evangelista et al. 20091 , którzy wskazali, że wilgotność w czerwcu była najważniejszym predyktorem występowania tamaryszku na tym obszarze w oparciu o model Maxent dopasowany do serii czasowej zdjęć Landsat.

Inne indeksy i pasma spektralne, które zostały uwzględnione w modelach BRT, RF, MARS i Maxent, mogą dodatkowo odróżniać tamaryszek od podłoża glebowego, innych drzew liściastych, w tym bawełny (Populus spp.) i wierzby (Salix spp.) lub rolnictwa nawadnianego, które jest powszechne w dolnym dorzeczu rzeki Arkansas. Inne warstwy GIS, takie jak topografia, typy gleb lub dane klimatyczne, mogą być również traktowane jako współzmienne i uwzględniane w tych modelach, ale zalecamy ograniczenie ich do minimum, jeśli celem jest wykrycie obecnego rozmieszczenia gatunków w krajobrazie, a nie przewidywanie potencjalnego występowania lub odpowiedniego siedliska.

Modele przetestowane na potrzeby naszych badań zapewniły duże możliwości analityczne i wiele opcji oceny wyników. Posiadanie wszystkich tych modeli korelacyjnych w jednej strukturze, takiej jak SAHM, pozwala na formalizację i łatwe rejestrowanie procesu modelowania. Wstępne i końcowe przetwarzanie zmiennych odpowiedzi i predyktorów jest ustandaryzowane w SAHM, co pozwala na lepsze i wydajniejsze porównania modeli, a przepływy pracy rejestrują każdy etap analiz, ułatwiając modyfikację, iterację i replikację.

Mapowanie zespołowe ma na celu połączenie mocnych stron kilku modeli korelacyjnych, przy jednoczesnym zminimalizowaniu słabości dowolnego modelu30. Wierzymy, że tak było w przypadku naszego badania; Ostrzegamy jednak, że modele, które osiągają gorsze wyniki (tj. nie przewidują zbyt dobrze lub zbyt dobrze), mogą osłabić ogólne wyniki. Ograniczone zastosowanie mapowania zespołowego w literaturze przyniosło korzystne wyniki, ale większość z tych podejść próbowała "przewidzieć" występowanie gatunków, a nie "wykryć". Co więcej, mapowanie zespołowe pozwala na wizualną ocenę niepewności między różnymi metodami modelowania, identyfikując poziomy zgodności modelu. Najczęściej to wybór metody modelowania (np. GLM kontra BRT) ma największy wymierny wpływ na wyniki modelu, a nie inne decyzje w procesie modelowania, takie jak niepewność danych lokalizacyjnych31. Chociaż uważamy, że nasza najlepsza mapa tamaryszku to taka, na której wszystkie pięć modeli jest zgodnych, zaleca się dalsze testowanie i stosowanie różnych metod mapowania zespołowego (np. ważonych AUC)32 i najlepiej zweryfikowanych przez niezależne obserwacje terenowe. Podsumowując, metody te można łatwo dostosować do modelowania rozmieszczenia innych gatunków za pomocą zmiennych środowiskowych pochodzących dla danego badanego regionu w SAHM.

Oświadczenia

Autorzy nie mają konkurencyjnych interesów finansowych ani konfliktu interesów.

Podziękowania

Autorzy chcieliby podziękować U.S. Geological Survey, Natural Resource Ecology Laboratory na Colorado State University, Colorado State Forest Service i Tamarisk Coalition za wsparcie logistyczne, dane, wykorzystanie obiektów i ekspertyzę. Dodatkowo dziękujemy Shelly Simmons, Lane'owi Carterowi, Johnowi Moore'owi i Chandrze Reed za ich wkład w tę pracę. Thomas J. Stohlgren był częściowo wspierany przez Bioenergy Alliance Network of the Rockies (BANR), USDA UV-B Monitoring and Research Program oraz USDA CSREES/NRI 2008-35615-04666. Jakiekolwiek użycie nazw handlowych, produktów lub firm służy wyłącznie celom opisowym i nie oznacza poparcia ze strony rządu Stanów Zjednoczonych.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Earth ExplorerUSGShttp://earthexplorer.usgs.govOpen Access: Tak
Narzędzie do wyznaczania wskaźników teledetekcjiGithubhttps://github.com/rander38/Remote-Sensing-Indices-Derivation-ToolOtwarty dostęp: Tak
Oprogramowanie do wspomaganego modelowania siedliskUSGShttps://my.usgs.gov/catalog/RAM/SAHMOtwarty dostęp: Tak
ArcGIS v.10.3 Esrihttps://www.arcgis.com/features/Otwarty dostęp: Nie

Bibliografia

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

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

Inwazja tamaryszkuobrazy Landsatmapowanie zespo ower nice fenologicznewzmocnione drzewa regresyjnelasy losoweMaxent

Powiązane artykuły