Integrando Remote Sensing com espécies de distribuição Models; Mapeamento Tamargueira Invasões Utilizar o software para Assisted Habitat Modeling (SAHM)

A detecção de espécies de plantas invasoras é vital para o manejo dos recursos naturais e a proteção do ecossistema. Neste estudo, demonstramos a utilidade dos dados de sensoriamento remoto, no recém-desenvolvido Software for Assisted Habitat Modeling, e prevendo a ocorrência de espécies invasoras na paisagem. Olá, sou Tom Stohlgren, cientista sênior do Laboratório de Ecologia de Recursos Naturais, da Colorado State University.

Isso é tamargueira. É nativo da África do Sul, Ásia, Europa e partes do Oriente Médio, mas não é daqui. Ou seja, não é uma espécie nativa da porção sudoeste dos Estados Unidos, ou perto de LaJuna, Colorado, onde estamos hoje.

A tamargueira é incomum, pois é um freatófito facultativo, o que significa que pode viver longe de um riacho ou ao longo de um riacho. Tem uma raiz principal que desce até 30 metros. Então imagine dar 30 passos a partir daqui, e é até onde essa raiz principal pode descer.

Portanto, pode suportar condições de seca um pouco melhor do que algumas das espécies nativas da região. Sem a tamargueira, haveria muito mais espaço para espécies nativas, que atraem borboletas e polinizadores nativos, como vemos aqui, no rabbitbrush. Aqui temos os arbustos de tamargueira, competindo diretamente com a vegetação nativa.

Neste caso, um Cottonwood nativo. Atrás de mim, temos uma arquibancada muito densa, uma arquibancada muito grande. Talvez um quilômetro quadrado de nada além de tamargueira.

Ao deixar cair folhas e com galhos mortos e moribundos, este é um risco real de incêndio. Do outro lado da rua, temos Salix, temos um salgueiro, que é muito verde e úmido, e muito menos propenso ao fogo do que a tamargueira deste lado. Estamos aqui em um local onde a tamargueira está invadindo terras de alcance.

Agora, isso é importante porque, na verdade, reduz a área de pastagem em que essas vacas podem pastar. A tamargueira, como muitas plantas invasoras, exibe variação fenológica ao longo da estação de crescimento, que difere da fenologia das espécies ribeirinhas nativas. Em algumas áreas, por exemplo, a folha da tamargueira está antes de algumas plantas ribeirinhas nativas, pois a tamargueira retém sua folhagem por mais tempo do que outras espécies nativas.

Usando uma série temporal de dados de satélite ao longo da estação de crescimento, podemos usar essas diferenças fenológicas para ajudar a distinguir a tamargueira das plantas nativas. Os satélites Landsat orbitam a Terra desde 1972 e são a fonte de imagem ideal para detectar a distribuição da tamargueira e a fenologia na paisagem. Com resolução espacial de 30 metros, e resultado temporal de 16 dias, o Landsat é um programa conjunto da NASA e do USGS.

Nossos objetivos neste estudo foram testar e avaliar, cinco diferentes modelos de distribuição de espécies, no Software for Assisted Habitat Modeling, utilizando imagens Landsat 5 e pontos de presença de tamargueiras, adquiridos a partir de uma campanha intensiva de mapeamento de campo conduzida pela Tamarisk Coalition, ao longo do rio Arkansas, no Colorado. E, para criar um mapa preciso da distribuição da tamargueira na área de estudo, com base nos resultados do modelo. Este diagrama conceitual fornece uma visão geral de nossa metodologia neste estudo.

Os dados de campo para a tamargueira foram derivados de um conjunto de dados de polígonos vetoriais, coletados pela Tamarisk Coalition, em 2005 e 2006. Os dados do Landsat 5 Thematic Mapper foram adquiridos do Earth Explorer, para os anos correspondentes aos dados de campo da tamargueira. Pelo menos uma cena de cada mês da estação de crescimento foi coletada.

Usando a Ferramenta de Derivação de Índices de Sensoriamento Remoto, derivamos Índices Espectrais das imagens Landsat, para distinguir a assinatura espectral da tamargueira de outras espécies na paisagem. Esses índices, e os dados de campo da tamargueira, foram entradas, em cinco modelos de distribuição de espécies, dentro do Software for Assisted Habitat Modeling. Os resultados do modelo foram testados com um conjunto de dados independente e uma abordagem de conjunto foi empregada para criar mapas de distribuição de espécies de tamargueira na área de estudo.

Para mapear um grande povoamento de tamargueira, terei um local inicial, mais próximo do arbusto no limite, e então continuarei escolhendo meus locais ao redor de todo o canteiro, assim. Esta foi a metodologia empregada pela Tamrarisk Coalition para coletar xy locais de tamaraisk. Usando o GPS, selecione Marcar e role para cima para nomear o ponto.

Você verá a latitude e longitude do ponto na tela. Selecione Concluído, quando terminar. Baixamos as cenas do Landsat 5 Thematic Mapper, do earthexplorer.usgs.gov.

Se você já possui uma conta, faça login. Caso contrário, registre-se em uma conta para baixar dados. Primeiro, digite o Caminho e a Linha da cena Landsat, abrangendo a área de estudo.

Nosso estudo utilizou o Caminho 32, Linha 34. Selecione o Intervalo de datas correspondente às cenas que você está procurando. Selecionamos abril de 2005 a novembro de 2006, quando os dados da tamargueira foram coletados.

Em seguida, selecione Conjuntos de dados e role para baixo até Arquivo Landsat. Selecione o produto de refletância de superfície Landsat. Role para baixo e selecione Critérios adicionais.

Selecione Menos de 10% de cobertura de nuvens para garantir imagens de melhor qualidade. Quando você seleciona Resultados, uma lista de cenas Landsat disponíveis será exibida para download. Para derivar índices das imagens de sensoriamento remoto Landsat, baixamos a Ferramenta de Derivação de Índices de Sensoriamento Remoto do github.com.

Executamos o script Python e selecionamos o sensor de satélite apropriado, os índices desejados e definimos o arquivo de imagem de entrada na pasta de saída para os arquivos a serem armazenados. Em nosso estudo, exportamos as bandas individuais e usamos NDVI, SAVI e índices de brilho, verde e umidade da tampa com marselha. Para desenvolver os Modelos de Distribuição de Espécies de Tamargueiras, usamos o pacote de software SAHM dentro do programa VisTrails.

Para nosso estudo, abrimos o arquivo VT do tutorial SAMH 2.0, que veio com o download do pacote, e selecionamos o exemplo de fluxo de trabalho Locais independentes, na exibição Histórico deste tutorial. Outros exemplos também estão disponíveis neste tutorial. Em seguida, fomos para a visualização Pipeline, para configurar os modelos.

Primeiro, selecionamos Pacotes, para alterar a pasta da sessão. Em seguida, selecionamos o Módulo da Camada de Modelo e navegamos até a Camada de Modelo, que definiria a projeção, o tamanho da célula e a extensão do estudo. Em seguida, selecionamos o Módulo de Dados de Campo e navegamos até o arquivo CSV, contendo coordenadas xy para o tamerisk, que foram coletados.

Em seguida, selecionamos o arquivo Lista de Preditores e navegamos até o arquivo CSV contendo nossa lista de preditores para este estudo. Em seguida, selecionamos a Consulta de Dados de Campo para definir a coluna de Resposta, a coluna x e a coluna y em nosso arquivo CSV de Dados de Campo. Em seguida, selecionamos o MDS Builder Module e definimos nossa contagem de pontos em segundo plano como 10.000.

Uma opção de superfície de probabilidade de fundo também está disponível neste local. Usamos uma superfície de probabilidade de fundo com valores de 100, dentro de um buffer de 5.000 metros do rio Arkansas, e 0, para áreas fora desse buffer. Isso foi baseado nas áreas amostradas pela Tamerisk Coalition em nosso estudo.

Em seguida, adicionamos o Módulo Maxent ao nosso fluxo de trabalho e o conectamos ao Módulo de Correlação e Seleção de Covariáveis. Os módulos Árvore de Regressão Aumentada, Modelo Linear Generalizado, Splines de Regressão Adaptativa Multivariada e Floresta Aleatória já estavam localizados no fluxo de trabalho. Em seguida, adicionamos um módulo visualizador de saída de modelo ao fluxo de trabalho e alteramos a coluna e a linha para corresponder aos outros módulos.

Em seguida, selecionamos um nome de saída exclusivo como um nome de subpasta no fluxo de trabalho. Em seguida, adicionamos um módulo Ensemble Builder ao fluxo de trabalho e o conectamos a todos os cinco modelos. Definimos nossa Métrica de Limite e Valor de Limite para o Ensemble.

Isso pode ser alterado com base nos objetivos do estudo. Em seguida, navegamos até um arquivo CSV, contendo nosso conjunto de dados de teste independente de tamargueira. Mais uma vez, com o Módulo de consulta de dados de campo selecionado, definimos as colunas Resposta, x e y dentro do arquivo independente.

Adicionamos um módulo de aplicação de modelo ao fluxo de trabalho e o conectamos ao módulo MDS Builder para o conjunto de dados independente e ao módulo Maxent. Também adicionamos outro Visualizador de Saída de Modelo e o conectamos ao Módulo de Modelo de Fornecimento, alterando a Coluna e a Linha para corresponder aos outros modelos. Em seguida, selecionamos Pacotes, para alterar o Modo de Processamento para modelo único sequencialmente, permitindo que mais de um núcleo seja usado durante a execução do modelo.

A primeira tela a aparecer é um Visualizador de Correlação de Covariáveis, que indica a correlação entre duas variáveis. Os objetivos do nosso estudo foram baseados na eliminação de variáveis altamente correlacionadas, ou maiores que o ponto sete, com base em um modelo aditivo generalizado. Usamos desviantes percentuais explicados para cada variável, para decidir qual variável manter, no caso de duas variáveis estarem altamente correlacionadas.

Quando tomamos uma decisão sobre o número de covariantes a serem mantidas, selecionamos OK. Depois que os modelos estiverem completos, uma planilha do VisTrail aparecerá. Esta planilha pode ser usada para comparar os resultados do modelo, incluindo gráficos de AUC, saídas de texto, curvas de resposta, gráficos de calibração, matrizes de confusão e gráficos residuais. Para nossos resultados, houve muito pouca diferença entre os cinco modelos, com base nas métricas de avaliação independentes e dependentes do limiar.

Com base nessas métricas, e depois de comparar as superfícies de probabilidade produzidas por cada modelo, decidimos que um conjunto dos cinco modelos era uma abordagem apropriada para esses dados. O Ensemble Mapping visa combinar os pontos fortes de vários métodos correlativos, minimizando os pontos fracos de qualquer modelo. No entanto, alertamos que os modelos com desempenho inferior podem enfraquecer os resultados gerais.

Nossos resultados demonstram que o ajuste de Árvore de Regressão Aumentada, Modelo Linear Generalizado, Splines de Regressão Adaptativa Multivariada, Floresta Aleatória e Maxent, com pontos de presença para tamargueiras e uma série temporal de imagens de satélite Landsat de sensoriamento remoto, podem distinguir tamargueiras na paisagem e é uma alternativa eficaz aos métodos tradicionais de classificação de cena única. Os mapas produzidos a partir desses modelos fornecerão uma importante ferramenta de gerenciamento para os esforços direcionados de controle de tamargueiras na área de estudo.