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

Wykrywanie inwazyjnych gatunków roślin ma zasadnicze znaczenie dla zarządzania zasobami naturalnymi i ochrony ekosystemów. W tym badaniu pokazujemy użyteczność danych teledetekcyjnych w nowo opracowanym oprogramowaniu do wspomaganego modelowania siedlisk i przewidywania występowania gatunków inwazyjnych w krajobrazie. Cześć, nazywam się Tom Stohlgren i jestem starszym naukowcem w Laboratorium Ekologii Zasobów Naturalnych na Uniwersytecie Stanowym Kolorado.

To jest tamaryszek. Pochodzi z Afryki Południowej, Azji, Europy i części Bliskiego Wschodu, ale nie pochodzi stąd. Oznacza to, że nie jest to gatunek rodzimy w południowo-zachodniej części Stanów Zjednoczonych ani w pobliżu LaJuna w Kolorado, gdzie jesteśmy dzisiaj.

Tamaryszek jest niezwykły, ponieważ jest fakultatywnym freatofitem, co oznacza, że może żyć daleko od potoku lub tuż wzdłuż potoku. Ma korzeń palowy, który schodzi w dół, w górę na 30 metrów. Wyobraź sobie, że robisz 30 kroków stąd i tak daleko może zejść ten korzeń palowy.

Dzięki temu może wytrzymać warunki suszy nieco lepiej niż niektóre rodzime gatunki na tym obszarze. Bez tamaryszku byłoby dużo więcej miejsca dla rodzimych gatunków, które przyciągają rodzime motyle i zapylacze, jak widzimy tutaj, na zaroślach królika. Mamy tu krzewy tamaryszku, bezpośrednio konkurujące z rodzimą roślinnością.

W tym przypadku rodzime drewno bawełniane. Za moimi plecami mamy bardzo gęste stoisko, bardzo duże stoisko. Może kilometr kwadratowy niczego poza tamaryszkiem.

Upuszczanie liści oraz martwe i umierające gałęzie stwarza realne zagrożenie pożarowe. Po drugiej stronie ulicy mamy Salix, mamy wierzbę, która jest bardzo zielona i wilgotna, a do tego znacznie mniej podatna na pożary niż tamaryszek po tej stronie. Jesteśmy tutaj, w miejscu, gdzie tamaryszek najeżdża tereny pastwiskowe.

Jest to ważne, ponieważ w rzeczywistości zmniejsza obszar wybiegu, na którym te krowy mogą się pasać. Tamaryszek, podobnie jak wiele roślin inwazyjnych, wykazuje zmienność fenologiczną w trakcie sezonu wegetacyjnego, która różni się od fenologii rodzimych gatunków nadbrzeżnych. Na niektórych obszarach, na przykład, liść tamaryszku jest przed niektórymi rodzimymi roślinami nadbrzeżnymi, ponieważ tamaryszek zachowuje liście dłużej niż inne rodzime gatunki.

Korzystając z szeregów czasowych danych satelitarnych przez cały sezon wegetacyjny, możemy wykorzystać te różnice fenologiczne, aby pomóc odróżnić tamaryszek od roślin rodzimych. Satelity Landsat krążą wokół Ziemi od 1972 roku i są idealnym źródłem zdjęć do wykrywania rozmieszczenia tamaryszku i fenologii krajobrazu. Z rozdzielczością przestrzenną 30 metrów i czasowym wynikiem 16 dni, Landsat jest wspólnym programem NASA i USGS.

Naszym celem w tym badaniu było przetestowanie i ocena pięciu różnych modeli rozmieszczenia gatunków w oprogramowaniu do wspomaganego modelowania siedlisk, przy użyciu zdjęć z satelity Landsat 5 i punktów obecności tamaryszku, uzyskanych podczas intensywnej kampanii mapowania terenowego przeprowadzonej przez Tamarisk Coalition, wzdłuż rzeki Arkansas w Kolorado. A także stworzenie dokładnej mapy rozmieszczenia tamaryszku na badanym obszarze, w oparciu o wyniki modelu. Ten diagram koncepcyjny zawiera przegląd naszej metodologii w tym badaniu.

Dane terenowe dotyczące tamaryszku pochodzą z wektorowego zbioru danych poligonów, zebranego przez Koalicję Tamaryszków w 2005 i 2006 roku. Dane z satelity Landsat 5 Thematic Mapper zostały pozyskane z Earth Explorera za lata odpowiadające danym z pola tamaryszku. Zebrano co najmniej jedną scenę z każdego miesiąca sezonu wegetacyjnego.

Korzystając z narzędzia do wyznaczania wskaźników teledetekcji, uzyskaliśmy wskaźniki spektralne na podstawie zdjęć z satelity Landsat, aby odróżnić sygnaturę spektralną tamaryszku od innych gatunków w krajobrazie. Wskaźniki te, wraz z danymi terenowymi tamaryszku, zostały wprowadzone do pięciu modeli rozmieszczenia gatunków w oprogramowaniu do wspomaganego modelowania siedlisk. Wyniki modelu przetestowano z niezależnym zestawem danych, a następnie zastosowano podejście zespołowe w celu stworzenia map rozmieszczenia gatunków tamaryszku na badanym obszarze.

Aby zmapować duży drzewostan tamaryszku, będę miał lokalizację początkową, najbliżej krzewu na granicy, a następnie będę wybierał lokalizacje na całym obszarze, w ten sposób. Była to metodologia zastosowana przez Koalicję Tamrarisk do zebrania xy lokalizacji tamaraisk. Korzystając z GPS, wybierz Oznacz, a następnie przewiń w górę, aby nazwać punkt.

Na ekranie zobaczysz szerokość i długość geograficzną punktu. Po zakończeniu wybierz pozycję Gotowe. Pobraliśmy sceny Landsat 5 Thematic Mapper z earthexplorer.usgs.gov.

Jeśli masz już konto, zaloguj się. W przeciwnym razie zarejestruj konto, aby pobrać dane. Najpierw wpisz ścieżkę i wiersz sceny Landsat obejmującej badany obszar.

W naszym badaniu wykorzystaliśmy ścieżkę 32, wiersz 34. Wybierz zakres dat odpowiadający scenom, których szukasz. Wybraliśmy okres od kwietnia 2005 r. do listopada 2006 r., kiedy zebrano dane dotyczące tamaryszku.

Następnie wybierz Zestawy danych i przewiń w dół do Archiwum Landsat. Wybierz produkt odbicia powierzchni Landsat. Przewiń w dół i wybierz opcję Kryteria dodatkowe.

Wybierz opcję Mniej niż 10% Cloud Cover, aby zapewnić najlepszą jakość obrazów. Po wybraniu opcji Results (Wyniki) pojawi się lista dostępnych scen Landsat do pobrania. Aby uzyskać indeksy na podstawie zobrazowań teledetekcyjnych Landsat, pobraliśmy narzędzie do wyznaczania wskaźników teledetekcji z github.com.

Uruchomiliśmy skrypt Pythona i wybraliśmy odpowiedni czujnik satelitarny, żądane indeksy i ustawiliśmy plik obrazu wejściowego w folderze wyjściowym dla plików, które mają być przechowywane. W naszym badaniu wyeksportowaliśmy poszczególne pasma i użyliśmy wskaźników jasności, zieleni i wilgotności NDVI, SAVI i frędzlami. Do opracowania Modeli Rozmieszczenia Gatunków Tamaryszku wykorzystaliśmy pakiet oprogramowania SAHM w ramach programu VisTrails.

Na potrzeby naszego badania otworzyliśmy plik SAMH tutorial 2.0 VT, który został dostarczony z pobranym pakietem, i wybraliśmy przykład przepływu pracy Niezależne lokalizacje w widoku Historia tego samouczka. Inne przykłady są również dostępne w tym samouczku. Następnie przeszliśmy do widoku Potok, aby skonfigurować modele.

Najpierw wybraliśmy Pakiety, aby zmienić folder sesji. Następnie wybraliśmy moduł warstwy szablonu i przeszliśmy do warstwy szablonu, która zdefiniowałaby projekcję, rozmiar komórki i zasięg badania. Następnie wybraliśmy moduł danych terenowych i przeszliśmy do pliku CSV, zawierającego współrzędne xy dla tamerisk, które zostały zebrane.

Następnie wybraliśmy plik z listą predyktorów i przeszliśmy do pliku CSV zawierającego naszą listę predyktorów dla tego badania. Następnie wybraliśmy zapytanie o dane terenowe, aby zdefiniować kolumnę Odpowiedź, kolumnę x i kolumnę y w naszym pliku CSV danych terenowych. Następnie wybraliśmy moduł MDS Builder i zdefiniowaliśmy liczbę punktów tła jako 10 000.

W tej lokalizacji dostępna jest również opcja Powierzchnia prawdopodobieństwa tła. Użyliśmy powierzchni prawdopodobieństwa tła o wartościach 100 w obrębie bufora o długości 5 000 metrów od rzeki Arkansas i 0 dla obszarów poza tym buforem. Zostało to oparte na obszarach pobranych przez Tamerisk Coalition w naszym badaniu.

Następnie dodaliśmy moduł Maxent do naszego przepływu pracy i połączyliśmy go z modułem korelacji i wyboru współzmiennych. Wzmocnione drzewo regresji, uogólniony model liniowy, wielowymiarowe splajny regresji adaptacyjnej i moduły lasu losowego znajdowały się już w przepływie pracy. Następnie dodaliśmy moduł przeglądarki danych wyjściowych modelu do przepływu pracy i zmieniliśmy kolumnę i wiersz, aby pasowały do innych modułów.

Następnie wybraliśmy unikalną nazwę wyjściową jako nazwę podfolderu w przepływie pracy. Następnie dodaliśmy moduł Ensemble Builder do przepływu pracy i połączyliśmy go ze wszystkimi pięcioma modelami. Ustawiamy naszą metrykę progową i wartość progową dla zespołu.

Można to zmienić w zależności od celów badania. Następnie przeszliśmy do pliku CSV, zawierającego nasz niezależny zestaw danych testowych tamaryszku. Po raz kolejny, po wybraniu modułu Field Data Query, definiujemy kolumny Response, x i y w niezależnym pliku.

Dodaliśmy moduł Apply Model Module do przepływu pracy i połączyliśmy go z modułem MDS Builder dla niezależnego zestawu danych oraz modułem Maxent. Dodaliśmy również kolejną przeglądarkę danych wyjściowych modelu i połączyliśmy ją z modułem modelu dostaw, zmieniając kolumnę i wiersz tak, aby pasowały do innych modeli. Następnie wybraliśmy Pakiety, aby zmienić tryb przetwarzania na sekwencyjny pojedynczy model, co pozwala na użycie więcej niż jednego rdzenia podczas wykonywania modelu.

Pierwszym ekranem, który się pojawi, jest Przeglądarka korelacji współzmiennych, która wskazuje korelację między dowolnymi dwiema zmiennymi. Cele naszego badania opierały się na usuwaniu zmiennych, które były silnie skorelowane lub większe niż punkt siódmy, w oparciu o uogólniony model addytywny. Użyliśmy odchyleń procentowych wyjaśnionych dla każdej zmiennej, aby zdecydować, którą zmienną zachować, w przypadku, gdy dwie zmienne były silnie skorelowane.

Po podjęciu decyzji o liczbie kowariantów do zachowania, wybraliśmy przycisk OK. Po ukończeniu modeli pojawi się arkusz kalkulacyjny VisTrail. Ten arkusz kalkulacyjny może być używany do porównywania wyników modelu, w tym wykresów AUC, wyników tekstowych, krzywych odpowiedzi, wykresów kalibracji, macierzy pomyłek i wykresów reszt. W przypadku naszych wyników różnica między pięcioma modelami, oparta na metrykach oceny niezależnych od progu i zależnych od progu.

Na podstawie tych wskaźników i po porównaniu powierzchni prawdopodobieństwa wytworzonych przez każdy model, zdecydowaliśmy, że zestaw pięciu modeli jest odpowiednim podejściem dla tych danych. Mapowanie zespołowe ma na celu połączenie mocnych stron kilku metod korelacyjnych, przy jednoczesnej minimalizacji słabości dowolnego modelu. Ostrzegamy jednak, że modele, które osiągają gorsze wyniki, mogą osłabić ogólne wyniki.

Nasze wyniki pokazują, że dopasowanie wzmocnionego drzewa regresji, uogólnionego modelu liniowego, wielowymiarowych adaptacyjnych splajnów regresji, lasu losowego i Maxenta, z punktami obecności tamaryszków i szeregiem czasowym teledetekcyjnych zdjęć satelitarnych Landsat, może odróżnić tamaryszek od krajobrazu i jest skuteczną alternatywą dla tradycyjnych, pojedynczych metod klasyfikacji. Mapy sporządzone na podstawie tych modeli będą stanowić ważne narzędzie zarządzania dla ukierunkowanych działań w zakresie zwalczania tamaryszku na badanym obszarze.