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

Wykrywanie inwazyjnych gatunków roślin jest kluczowe dla zarządzania zasobami naturalnymi i ochrony ekosystemów. W niniejszym badaniu demonstrujemy użyteczność danych teledetekcyjnych w nowo opracowanym Oprogramowaniu do Wspomaganego Modelowania Siedlisk (Software for Assisted Habitat Modeling) oraz w przewidywaniu występowania gatunków inwazyjnych w krajobrazie. Dzień dobry, jestem Tom Stohlgren, starszy naukowiec w Laboratorium Ekologii Zasobów Naturalnych na Colorado State University.

To jest tamaryks. Jest on gatunkiem rodzimym dla RPA, Azji, Europy i części Bliskiego Wschodu, ale nie pochodzi z tych okolic. Oznacza to, że nie jest on gatunkiem rodzimym dla południowo-zachodniej części Stanów Zjednoczonych ani okolic LaJuna w Kolorado, gdzie obecnie się znajdujemy.

Tamarisk jest niezwykły, ponieważ jest fakultatywnym freatofitem, co oznacza, że może żyć w dużej odległości od strumienia lub bezpośrednio w jego sąsiedztwie. Posiada korzeń palowy, który sięga w głąb ziemi na ponad 30 metrów. Wyobraźmy sobie zatem wykonanie 30 kroków od tego miejsca – właśnie tak głęboko może sięgać ten korzeń palowy.

Dzięki temu może on nieco lepiej znosić warunki suszy niż niektóre z rodzimych gatunków występujących w tym obszarze. Bez tamaryksu byłoby znacznie więcej miejsca dla gatunków rodzimych, które przyciągają lokalne motyle i zapylacze, co widzimy tutaj, na krzewach bylicy królewiej. Tutaj mamy krzewy tamaryksu, które bezpośrednio konkurują z rodzimą roślinnością.

W tym przypadku jest to rodzimy topolem bawełnianym. Za mną znajduje się bardzo gęsty drzewostan, bardzo obszarny. Być może kilometr kwadratowy samych tamaryksów.

Zrzucając liście i posiadając martwe lub obumierające gałęzie, roślina ta stanowi realne zagrożenie pożarowe. Po drugiej stronie ulicy mamy Salix, czyli wierzbę, która jest bardzo zielona i wilgotna, przez co jest znacznie mniej podatna na ogień niż tamaryks po tej stronie. Znajdujemy się w miejscu, gdzie tamaryks wkracza na tereny pastwiskowe.

Jest to istotne, ponieważ w rzeczywistości ogranicza to obszar pastwisk, na których mogą wypasać się krowy. Tamarczak, podobnie jak wiele roślin inwazyjnych, wykazuje w trakcie sezonu wegetacyjnego zmienność fenologiczną, która różni się od fenologii rodzimych gatunków nadrzecznych. W niektórych obszarach, na przykład, rozwój liści tamarczaka następuje wcześniej niż u niektórych rodzimych roślin nadrzecznych, ponieważ tamarczak zachowuje ulistnienie dłużej niż inne gatunki rodzime.

Wykorzystując szeregi czasowe danych satelitarnych z całego sezonu wegetacyjnego, możemy posłużyć się tymi różnicami fenologicznymi, aby pomóc w odróżnieniu tamaryksu od roślin rodzimych. Satelity Landsat krążą wokół Ziemi od 1972 roku i stanowią idealne źródło obrazowania do wykrywania rozmieszczenia oraz fenologii tamaryksu w krajobrazie. Dzięki rozdzielczości przestrzennej 30 metrów i rozdzielczości czasowej wynoszącej 16 dni, Landsat jest wspólnym programem NASA i USGS.

Celem niniejszego badania była weryfikacja i ocena pięciu różnych modeli rozmieszczenia gatunków w oprogramowaniu Software for Assisted Habitat Modeling, z wykorzystaniem obrazów Landsat 5 oraz punktów obecności tamaryksu, pozyskanych podczas intensywnej kampanii mapowania terenowego przeprowadzonej przez Tamarisk Coalition wzdłuż rzeki Arkansas w Kolorado. Drugim celem było stworzenie dokładnej mapy rozmieszczenia tamaryksu na obszarze badań na podstawie wyników modelowania. Niniejszy schemat koncepcyjny przedstawia ogólny przegląd zastosowanej w badaniu metodologii.

Dane terenowe dla tamaryszku pochodziły z wektorowego zbioru danych poligonowych, zebranego przez Tamarisk Coalition w latach 2005 i 2006. Dane z czujnika Landsat 5 Thematic Mapper pozyskano z systemu Earth Explorer dla lat odpowiadających terenowym danym dotyczącym tamaryszku. Zebrano co najmniej jeden obraz z każdego miesiąca okresu wegetacyjnego.

Przy użyciu narzędzia Remote Sensing Indices Derivation Tool wyznaczyliśmy indeksy spektralne z obrazowania Landsat, aby odróżnić sygnaturę spektralną tamaryksu od innych gatunków występujących w krajobrazie. Indeksy te, wraz z danymi terenowymi dotyczącymi tamaryksu, posłużyły jako dane wejściowe dla pięciu modeli rozmieszczenia gatunków (Species Distribution Models) w oprogramowaniu Software for Assisted Habitat Modeling. Wyniki modeli zostały przetestowane z wykorzystaniem niezależnego zestawu danych, a w celu stworzenia map rozmieszczenia gatunków tamaryksu na obszarze badawczym zastosowano podejście zespołowe (ensemble approach).

Aby zmapować duży obszar występowania tamaryksu, wyznaczę punkt początkowy najbliższy krzewowi na granicy obszaru, a następnie będę wybierać kolejne lokalizacje wokół całego skupiska w następujący sposób. Metodologia ta była stosowana przez Tamarisk Coalition do zbierania współrzędnych xy tamaryksu. Używając GPS, wybierz Mark, a następnie przewiń w górę, aby nazwać punkt.

Na ekranie wyświetlą się szerokość i długość geograficzna punktu. Po zakończeniu wybierz Done. Pobraliśmy sceny Landsat 5 Thematic Mapper ze strony earthexplorer.usgs.gov.

Jeśli posiadasz już konto, zaloguj się. W przeciwnym razie zarejestruj konto, aby pobrać dane. Najpierw wprowadź numer ścieżki (Path) i wiersza (Row) sceny Landsat, która obejmuje obszar badań.

W naszym badaniu wykorzystano Path 32, Row 34. Wybierz zakres dat odpowiadający poszukiwanym scenom. Wybraliśmy okres od kwietnia 2005 do listopada 2006 roku, kiedy zbierano dane dotyczące tamaryksów.

Następnie wybierz Zbiory danych (Data Sets) i przewiń w dół do Archiwum Landsat (Landsat Archive). Wybierz Produkt Refleksyjności Powierzchni Landsat (Landsat Surface Reflectance Product). Przewiń w dół i wybierz Dodatkowe kryteria (Additional Criteria).

Wybierz opcję Less than 10%Cloud Cover, aby zapewnić najwyższą jakość obrazów. Po wybraniu Results pojawi się lista dostępnych do pobrania scen Landsata. W celu wyznaczenia indeksów z obrazów teledetekcyjnych Landsat pobraliśmy narzędzie Remote Sensing Indices Derivation Tool ze strony github.com.

Uruchomiliśmy skrypt Python, wybraliśmy odpowiedni czujnik satelitarny oraz pożądane wskaźniki, a następnie określiliśmy plik obrazu wejściowego i folder wyjściowy dla zapisywanych plików. W naszej analizie wyeksportowaliśmy poszczególne kanały oraz wykorzystaliśmy wskaźniki NDVI, SAVI oraz wskaźniki Tasseled Cap: Brightness, Greenness i Wetness. Do opracowania modeli rozmieszczenia gatunków tamaryksu wykorzystaliśmy pakiet oprogramowania SAHM w programie VisTrails.

Na potrzeby naszego badania otworzyliśmy plik VT SAMH tutorial 2.0, który był dołączony do pobranego pakietu, i wybraliśmy przykład przepływu pracy dla niezależnych lokalizacji (Independent locations workflow) w widoku Historii tego samouczka. W tym samouczku dostępne są również inne przykłady. Następnie przeszliśmy do widoku Potoku (Pipeline view), aby skonfigurować modele.

W pierwszej kolejności wybraliśmy opcję Packages, aby zmienić folder sesji. Następnie wybraliśmy moduł Template Layer Module i przeszliśmy do warstwy Template Layer, która miała zdefiniować układ współrzędnych, rozmiar komórki oraz zasięg obszaru badań. W kolejnym kroku wybraliśmy moduł Field Data Module i wskazaliśmy plik CSV zawierający zebrane współrzędne xy dla tameryska.

Następnie wybraliśmy plik Predictor List i przeшлиśmy do pliku CSV zawierającego naszą listę predyktorów dla niniejszego badania. W kolejnym kroku wybraliśmy Field Data Query, aby zdefiniować kolumnę Response, kolumnę x oraz kolumnę y w naszym pliku CSV z danymi terenowymi. Następnie wybraliśmy moduł MDS Builder i ustawiliśmy liczbę punktów tła na 10 000.

W tym miejscu dostępna jest również opcja Powierzchni Prawdopodobieństwa Tła (Background Probability Surface). W naszej analizie zastosowaliśmy Powierzchnię Prawdopodobieństwa Tła z wartościami 100 w obrębie bufora 5 000 metrów od rzeki Arkansas oraz 0 dla obszarów poza tym buforem. Wybór ten oparto na obszarach próbkowania Koalicji Tamerisk w ramach naszego badania.

Następnie do naszego schematu pracy dodaliśmy moduł Maxent i połączyliśmy go z modułem Korelacji i Wyboru Kowariantów (Covariate Correlation and Selection Module). W schemacie pracy znajdowały się już moduły Drzew Regresji Wzmocnionej (Boosted Regression Tree), Uogólnionego Modelu Liniowego (Generalized Linear Model), Wielowymiarowych Adaptacyjnych Splajnów Regresyjnych (Multivariate Adaptive Regression Splines) oraz Lasów Losowych (Random Forest). Następnie dodaliśmy do schematu pracy moduł Podglądu Wyników Modelu (Model Output Viewer Module) i zmieniliśmy kolumnę oraz wiersz, aby były zgodne z pozostałymi modułami.

Następnie wybraliśmy unikalną nazwę wyjściową jako nazwę podfolderu w ramach przepływu pracy. W kolejnym kroku dodaliśmy do przepływu pracy moduł Ensemble Builder i połączyliśmy go z wszystkimi pięcioma modelami. Następnie określiliśmy metrykę progu (Threshold Metric) oraz wartość progu (Threshold Value) dla zespołu modeli.

Można to zmienić w zależności od celów badania. Następnie przeшлиśmy do pliku CSV zawierającego nasz niezależny zestaw danych testowych dla tamaryksu. Ponownie, przy wybranym module Field Data Query Module, zdefiniowaliśmy kolumny Response, x oraz y w pliku niezależnym.

Do schematu przepływu dodaliśmy moduł Apply Model i połączyliśmy go z modułem MDS Builder dla niezależnego zestawu danych oraz z modułem Maxent. Dodaliśmy również kolejny moduł Model Output Viewer i połączyliśmy go z modułem Supply Model, zmieniając ustawienia Column i Row tak, aby odpowiadały pozostałym modelom. Następnie wybraliśmy Packages, aby zmienić Processing Mode na single model sequentially, co pozwala na wykorzystanie więcej niż jednego rdzenia procesora podczas wykonywania modelu.

Pierwszym wyświetlanym ekranem jest Podgląd korelacji współzmiennych (Covariate Correlation Viewer), który wskazuje korelację między dowolnymi dwiema zmiennymi. Cele naszego badania opierały się na odrzuceniu zmiennych silnie skorelowanych, tzn. o wartości powyżej 0,7, w oparciu o uogólniony model addytywny. W przypadku wysokiej korelacji dwóch zmiennych, do decyzji o tym, którą z nich zachować, wykorzystaliśmy procent wyjaśnionych odchyleń (percent deviants explained) dla każdej zmiennej.

Po podjęciu decyzji o liczbie zachowanych kowariantów wybraliśmy OK. Po ukończeniu modelowania pojawi się arkusz VisTrail. Arkusz ten można wykorzystać do porównania wyników modeli, w tym wykresów AUC, wyjść tekstowych, krzywych odpowiedzi, wykresów kalibracyjnych, macierzy pomyłek oraz wykresów reszt. W przypadku naszych wyników stwierdzono niewielkie różnice między pięcioma modelami, w oparciu o metryki oceny niezależne i zależne od progu.

Na podstawie tych wskaźników oraz po porównaniu powierzchni prawdopodobieństwa wygenerowanych przez każdy model, zdecydowaliśmy, że zespół pięciu modeli był odpowiednim podejściem dla tych danych. Mapowanie zespołowe (Ensemble Mapping) ma na celu połączenie zalet kilku metod korelacyjnych przy jednoczesnym zminimalizowaniu słabych stron każdego pojedynczego modelu. Ostrzegamy jednak, że modele o niskiej wydajności mogą osłabić wyniki końcowe.

Nasze wyniki pokazują, że dopasowanie modeli Boosted Regression Tree, Generalized Linear Model, Multivariate Adaptive Regression Splines, Random Forest oraz Maxent, z wykorzystaniem punktów występowania tamaryksów oraz szeregów czasowych obrazów satelitarnych Landsat z teledetekcji, pozwala na rozróżnienie tamaryksów w krajobrazie i stanowi skuteczną alternatywę dla tradycyjnych metod klasyfikacji pojedynczej sceny. Mapy sporządzone na podstawie tych modeli będą stanowiły istotne narzędzie zarządzania w ramach ukierunkowanych działań mających na celu zwalczanie tamaryksów na obszarze badań.