Artykuł metodologiczny

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

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

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. Zbieranie danych terenowych

  1. Uzyskaj dane terenowe dla tamaryszku z zestawu danych wielokątów wektorowych zebranych przez Koalicję Tamaryszków w ogólnostanowym badaniu w 2005 i 2006r. 17.
    UWAGA: Dane uzyskano dzięki intensywnym badaniom terenowym, w ramach których technicy terenowi zmapowali wszystkie drzewostany tamaryszku wzdłuż rzeki Arkansas za pomocą Globalnych Systemów Pozycjonowania (GPS) i zdjęć lotniczych.
  2. W tych wielokątach wygeneruj 499 losowych punktów (tj. obecności) do trenowania modeli. Umieść dwa zestawy ograniczeń w losowych punktach: (1) każdy punkt musi znajdować się > 30 m od dowolnej krawędzi wielokąta, aby upewnić się, że znajduje się w obrębie tamaryszku w rozdzielczości Landsat 5 TM; oraz (2) każdy punkt musi znajdować się ≥ odległości 60 m od dowolnego sąsiedniego punktu, aby zapewnić solidny rozkład w całym badanym miejscu i zminimalizować autokorelację przestrzenną.
  3. Skompiluj dane terenowe w pliku MS Excel w trzech kolumnach z nagłówkami oznaczonymi "odpowiedź", "X" i "Y", gdzie wartości odpowiedzi to (1) dla obecności, współrzędna wschodnia UTM dla X i współrzędna północna UTM dla Y. Zapisz ten plik w formacie .csv do użycia w SAHM (moduł FieldData).
  4. Wygeneruj dodatkowe 100 losowych punktów w wielokątach tamaryszku Koalicji Tamaryszków i kolejne 100 losowych punktów poza wielokątami jako niezależne dane testowe do oceny wyników modelu. Zapisz ten plik w formacie .csv do użycia w module SAHM (FieldData).

2. Zmienne predyktora

  1. Pobierz obrazy Landsat 5 o współczynniku odbicia powierzchni L4-5 TM (ścieżka 32, wiersz 34) z U.S. Geological Survey's Global Visualization Viewer/EarthExplorer (http://earthexplorer.usgs.gov/). Sceny obejmują zakres próbkowany przez Colorado Tamarisk Coalition w 2005 i 2006roku17. Aby określić miesiące użyte w modelach, wybierz sceny, które są w dużej mierze wolne od chmur (tj. < 10% zachmurzenia) i reprezentatywne dla miesięcy, które uważa się za mające rozpoznawalną fenologię tamaryszku; 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 i listopad 2006.
  2. Pobierz narzędzie do wyznaczania wskaźników teledetekcji ze strony
    https://github.com/rander38/Remote-Sensing-Indices-Derivation-Tool.
  3. Uruchom skrypt języka Python w narzędziu, w wersji GDAL lub Arcpy; Zalecany jest GDAL.
  4. Wybierz odpowiedni czujnik satelitarny, żądane indeksy i ustaw plik obrazu wejściowego oraz folder wyjściowy, w którym pliki będą przechowywane (Rysunek 1). Wyeksportowaliśmy poszczególne pasma i użyliśmy wskaźników jasności, zieleni i wilgotności NDVI, SAVI i Tasseled Cap pochodzących z każdej ze scen Landsat TM. Należy pamiętać, że dowolne indeksy mogą być modyfikowane lub dodawane poprzez modyfikację pliku Sensors_Formulas_RSIDT.ini.

figure-protocol-1
Rysunek 1. Graficzny interfejs użytkownika narzędzia do wyprowadzania wskaźników teledetekcji.

  1. Uruchom narzędzie i zweryfikuj wizualnie pliki wyjściowe w aplikacji ArcMap v. 10.0 (ESRI, Redlands, CA) lub innym oprogramowaniu systemu informacji geograficznej.

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

figure-protocol-2
Rysunek 2. Cały przepływ pracy SAHM obejmuje dane wejściowe, przetwarzanie wstępne, wstępną analizę modelu i podejmowanie decyzji, modele korelacyjne i procedury 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. Zapoznaj się z Podręcznikiem użytkownika na tej samej stronie internetowej, aby uzyskać szczegółowe instrukcje dotyczące pobierania i instalowania SAHM. Należy pamiętać, że na stronie znajduje się również samouczek SAHM i dane dotyczące dodatkowych instrukcji.
  2. Aby opracować modele dystrybucji gatunków tamaryszku, należy użyć pliku SAHM_tutorial_2.0.vt dołączonego do pobranego pakietu (w folderze przykładów SAHM). W widoku Historia wybierz przepływ pracy Niezależne lokalizacje. Inne przykłady przepływu pracy mogą być wybrane i zależą od celów badania; Opisy są dostarczane z każdym z nich. Wybierz pozycję Potok.
  3. Ustaw folder wyjściowy, przechodząc do Pakiety, a następnie SAHM > Zmień folder sesji. W trakcie całego procesu tworzenia przepływu pracy szczegółowe opisy poszczególnych kroków i opcji można znaleźć, wybierając zakładkę Dokumentacja znajdującą się po prawej stronie ekranu przeglądarki SAHM. Wszystkie moduły wymienione w poniższych metodach można znaleźć po lewej stronie okna SAHM w zakładce SAHM.
  4. Następnie skieruj SAHM do danych terenowych, które będą używane do trenowania modeli rozmieszczenia gatunków.
    1. Kliknij moduł TemplateLayer. Przejdź do rastra, który będzie używany jako maska, aby zdefiniować rzutowanie, rozmiar komórki i zakres analiz.
    2. Kliknij moduł FieldData po lewej stronie przepływu pracy. Przejdź do .csv (tj. training.csv) pliku z danymi terenowymi (punkty obecności lub punkty obecności i nieobecności) w module danych terenowych.
    3. Kliknij moduł PredictorListFile i przejdź do .csv listy plików (np. pliku zawierającego pełną ścieżkę do wszystkich predyktorów do użycia w modelu - patrz podręcznik użytkownika).
  5. Następnie przeprowadź kroki przetwarzania wstępnego.
    1. Kliknij moduł FieldDataQuery i wypełnij kolumnę odpowiedzi nagłówkiem kolumny dla odpowiedzi (tj. nazwami kolumn w FieldData.csv), kolumnami X i Y.
    2. Kliknij moduł MDSBuilder. Ustaw parametr backgroundPointField na 10 000,
      UWAGA: W przypadku korzystania z danych o obecności i nieobecności dla modelowanych gatunków nie trzeba zmieniać pola backgroundPointField; Te lokalizacje należy dołączyć do odpowiedzi (0) w Data.csv Pole. Ustawienie parametru backgroundProbSurf jest opcjonalne, jeśli chcesz ograniczyć wybór punktów tła w obszarze, wskazując powierzchnię rastrową o wartościach z zakresu od 0 do 100 (wartości te reprezentują prawdopodobieństwo, że losowo wygenerowany punkt zostanie zachowany, jeśli znajdzie się w określonej komórce). Na potrzeby tego badania należy użyć parametru backgroundProbSurf o wartościach 100 w obrębie 5 000 m bufora od rzeki Arkansas i 0 dla obszarów poza tym buforem (na podstawie całkowitego obszaru pobranego przez koalicję tamaryszków).
  6. Następnie określ algorytmy modelowania rozmieszczenia gatunków, które mają być używane.
    1. Należy pamiętać, że moduły BoostedRegressionTree, GLM, MARS i RandomForest są już skonfigurowane w przepływie pracy Niezależne lokalizacje. Dodaj moduł MAXENT do przepływu pracy, aby przetestować wszystkie pięć modeli. Połącz go z modułem CovariateCorrelationAndSelection.
      UWAGA: Zacznij od ustawień domyślnych dla wszystkich modeli; Mogą one być modyfikowane w zależności od celów badania (więcej szczegółów można znaleźć w dokumentacji modelu).
    2. Dodaj moduł ModelOutputViewer i połącz go z modułem MACENT; zmień kolumnę na 5 i wiersz na 1. ModelOutputViewer tworzy arkusz kalkulacyjny, który może być używany do porównywania wyników modelu.
    3. Kliknij moduł OutputName i wpisz nazwę podfolderu.
  7. Następnie dodaj moduł, który tworzy zestaw danych wyjściowych modelu. Ten moduł generuje dwie mapy wyjściowe; Jeden ze średnim ciągłym prawdopodobieństwem wszystkich uwzględnionych wyników, a drugi z liczbą modeli z dodatnim prawdopodobieństwem binarnym.
    1. Dodaj moduł EnsembleBuilder do przepływu pracy. Ustawienie metryki progu jest opcjonalne; dla tego badania wybierz AUC i pozostaw wartość progową na wartości domyślnej 0,75. Zapewni to, że tylko modele o wartości AUC większej lub równej 0,75 zostaną uwzględnione w danych wyjściowych mapy zespołu. Połącz moduły BoostedRegressionTree, GLM, MARS, RandomForest i MAXENT z modułem EnsembleBuilder.
  8. Następnie skieruj modele do niezależnych danych testowych.
    1. Kliknij drugi moduł FieldData (po prawej stronie przepływu pracy) i przejdź do pliku .csv, który zawiera dane walidacji modelu. Jest to 200 punktów obecności i nieobecności wygenerowanych w kroku 1.4 PROTOKOŁU.
    2. Kliknij moduł FieldDataQuery i upewnij się, że kolumny odpowiedzi, x i y są zgodne z kolumnami w .csv danych pola.
    3. Dodaj moduł ApplyModel i połącz go z modułem MAXENT. Dodaj moduł ModelOutputViewer i połącz go z tym modułem ApplyModel; Zmień kolumnę na 5, a wiersz na 1. W menu wybierz pozycję Pakiety -> SAHM -> Zmień tryb przetwarzania. Ponieważ chcesz uruchomić więcej niż jeden model, wybierz pojedyncze modele sekwencyjnie (n - 1 rdzeń każdy). Przyspieszy to czas wykonywania modeli dzięki wykorzystaniu wielu rdzeni komputera.
  9. Następnie wykonaj modele rozmieszczenia gatunków.
    1. Zapisz plik .vt, a następnie kliknij Wykonaj.
    2. Po wyświetleniu widżetu WspółzmiennaKorelacjaAndSelekcja (Rysunek 3) usuń zaznaczenie jednej z każdej skorelowanej pary zmiennych, w której współczynnik korelacji wynosi |r| ≥ 0,7 (na podstawie % odchylenia Wyjaśniono na podstawie uogólnionego modelu addytywnego jednowymiarowego widocznego po lewej stronie tego widżetu (Rysunek 3) i świadome decyzje ekologiczne; W tym badaniu należy priorytetowo traktować wybór co najmniej jednej zmiennej równoległej dla każdego miesiąca, aby uchwycić zmienność fenologiczną tamaryszku). Liczbę działek w oknie podglądu można zmienić, wpisując liczbę (domyślnie 8) i klikając Aktualizuj.
    3. Po sfinalizowaniu wyboru współzmiennych wybierz przycisk OK u dołu widżetu CovariateCorrelationAndSelection (WspółzmiennaKorelacjaAndSelekcja) (Rysunek 3) . W tym 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 i Nov_19_2006_SAVI. Modele rozmieszczenia gatunków zostaną uruchomione po wybraniu przycisku OK.

figure-protocol-3
Rysunek 3. Interfejs SAHM korelacji współzmiennych i selekcji.

  1. Wyniki output.
    UWAGA: Po zakończeniu modelowania pojawi się arkusz kalkulacyjny VisTrails do porównania modeli (Rysunek 4)
    1. Porównaj wykresy AUC, dane wyjściowe tekstowe, krzywe odpowiedzi, kalibrację, macierz pomyłek, reszty i krzywe odpowiedzi w różnych modelach.
      UWAGA: Dane wyjściowe z modeli SAHM obejmują CovariateCorrelationOutputMDS, macierz pomyłek, wykres reszt, wykres kalibracji, wykres oceny modelu, wykres o zmiennej ważności, folder krzywych odpowiedzi, rozszerzony folder wyjściowy, mapa bin, mapa bałaganu, mapa Od, mapa prob, mapa reszt i output.txt; więcej informacji można znaleźć w Podręczniku użytkownika SAHM.

figure-protocol-4
Rysunek 4. Arkusze kalkulacyjne VisTrails mogą być używane do oceny wyników modelu. To jest porównanie modelu AUC dla danych treningowych; od lewej do prawej modele to odpowiednio BRT, GLM, MARS, RF i Maxent.

Wyniki

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Oceny statystyczne BRT, RF, MARS, GLM i Maxent oparte na niezależnym zestawie danych testowych wykazały, że wszystkie pięć modeli radziło sobie stosunkowo dobrze w wykrywaniu tamaryszku; różnica między wskaźnikami oceny niezależnymi od progu a wskaźnikami oceny zależnymi od progu była niewielka. Wartości AUC wynosiły > 0,88, procent prawidłowo sklasyfikowanych wartości wynosiły > 77%, czułość i swoistość wynosiły > 0,77, a TSS > 0,54 (Tabela 1). Zestaw danych wyjściowych modelu binarnego ujawnił dużą zgodność modeli na obszarach wzdłuż rzeki Arkansas (rysunek 5). Wyniki mapy MESS (wielowymiarowa powierzchnia podobieństwa środowiskowego) dla każdego modelu wskazały, że dostępne środowisko badanego obszaru było dobrze próbkowane (Rysunek 6), co jeszcze bardziej zwiększyło naszą pewność co do podejścia zespołowego.

dostaw BR pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. dokumentów pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt.
modelAucPccczułośćspecyficznośćTss
BRT (Łańcuch0,91Rozdział 850,850,850,70
Rf0,92Rozdział 850,850,850,70
Mars0,90Rozdział 820,820,820,64
Całkowity obieg0,88770,770,770,54
Maxent (Maks)0,92Rozdział 840,830,840,67

Tabela 1. Metryki oceny niezależne od progu (AUC) i zależne od progu (PCC, czułość, swoistość i TSS) dla modeli BRT, RF, MARS, GLM i Maxent pasują do niezależnego zestawu danych testowych obecności i braku tamaryszku.

figure-results-1
Rysunek 5. Wyniki zespołowe łączące binarne mapy wyjściowe BRT, GLM, MARS, RF i Maxent w systemie ArcGIS. Obszary są kolorowane według liczby zgodnych modeli, od 0 (brak koloru) do 5 (czerwony). Zwróć uwagę na kolorowy obszar w północno-zachodnim rogu prognozy; ta linia jest artefaktem zdjęć Landsat; W związku z tym należy zachować ostrożność przy opracowywaniu wyników modelowania w tym regionie. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-results-2
Rysunek 6. Dane wyjściowe wielowymiarowej powierzchni podobieństwa środowiskowego (MESS). Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Spośród dziewięciu użytych predyktorów, 30 czerwca 2006 Jasność 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 domyślne ustawienie wyboru modelu GLM w SAHM), jednak ważne jest, aby zauważyć, że model ten zawierał również kwadrat tej zmiennej. RF i Maxent domyślnie zachowują wszystkie zmienne.

dostaw BR dokumentów pkt. szt. pkt. pkt.
PredykcyjneBRT (ŁańcuchRfMarsCałkowity obiegMaxent (Maks)
30 lipca 2006 JasnośćGodzina 41,60Rejon 34,11Nr kat. 76,7810067,27
31 sierpnia 2006 Band 4O godz. 6.35Klasa 5,87Klasa 5,160Wynik 2,82
09 czerwca 2005 SAVIgodz. 13.67Godzina 14.09Pytanie 9,140Godzina 9,75
22 kwietnia 2005 JasnośćLokal mieszkalny 6,29godz. 6.30000,43
28 października 2004 NDVIKlasa 5,66Godzina 8,2500Wynik 2,94

Tabela 2. Względne znaczenie predyktorów w każdym modelu.

Dyskusja

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Autorzy nie mają konkurencyjnych interesów finansowych ani konfliktu interesów.

Podziękowania

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  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

Species Distribution ModelsRemote SensingTamarisk InvasionLandsat ImagerySoftware for Assisted Habitat ModelingEnsemble MappingPhenological DifferencesBoosted Regression TreesRandom ForestMaxent

Powiązane artykuły