Интеграция дистанционного зондирования с видами распределения моделей; Mapping Tamarisk Вторжения Использование программного обеспечения для моделирования Assisted Хабитат (SAHM)

Обнаружение инвазивных видов растений имеет жизненно важное значение для управления природными ресурсами и защиты экосистем. В этом исследовании мы демонстрируем полезность данных дистанционного зондирования в недавно разработанном программном обеспечении для моделирования среды обитания и прогнозирования появления инвазивных видов в ландшафте. Здравствуйте, меня зовут Том Столгрен, я старший научный сотрудник Лаборатории экологии природных ресурсов Университета штата Колорадо.

Это и есть тамариск. Он родом из Южной Африки, Азии, Европы и некоторых стран Ближнего Востока, но он не отсюда. То есть, это не местный вид в юго-западной части Соединенных Штатов или недалеко от ЛаДжуны, штат Колорадо, где мы находимся сегодня.

Тамариск необычен тем, что он является факультативным фреатофитом, что означает, что он может жить далеко от ручья или прямо вдоль ручья. У него стержневой корень, уходящий вниз, вверх на 30 метров. Итак, представьте, что вы делаете 30 шагов отсюда, и вот как далеко может опуститься этот стержневой корень.

Таким образом, он может выдерживать условия засухи немного лучше, чем некоторые местные виды в этом районе. Без тамариска было бы гораздо больше места для местных видов, которые привлекают местных бабочек и опылителей, как мы видим здесь, на кроличьей щетке. Здесь у нас есть кустарники тамариска, напрямую конкурирующие с местной растительностью.

В данном случае это родное хлопковое дерево. У нас за спиной очень плотный стенд, очень большой стенд. Может квадратный километр ничего, кроме тамариска.

Сбрасывая листья, причем с мертвыми и отмирающими ветвями, это реальная пожарная опасность. На другой стороне улицы у нас есть Саликс, у нас есть ива, которая очень зеленая и влажная, и гораздо менее подвержена возгоранию, чем тамариск на этой стороне. Мы находимся здесь, на месте, где тамариск вторгается на пастбища.

Это важно, потому что это фактически уменьшает площадь пастбищных угодий, на которых эти коровы могут пастись. Тамариск, как и многие инвазивные растения, демонстрирует фенологическую изменчивость в течение всего вегетационного периода, которая отличается от фенологии местных прибрежных видов. В некоторых районах, например, тамариск распускает листья, раньше некоторых местных прибрежных растений, так как тамариск сохраняет свою листву дольше, чем другие местные виды.

Используя временные ряды спутниковых данных в течение вегетационного периода, мы можем использовать эти фенологические различия, чтобы помочь отличить тамариск от местных растений. Спутники Landsat находятся на орбите Земли с 1972 года и являются идеальным источником изображений для обнаружения распространения тамариска и фенологии ландшафта. С пространственным разрешением 30 метров и временным результатом 16 дней, Landsat является совместной программой NASA и USGS.

Наши цели в этом исследовании заключались в том, чтобы протестировать и оценить пять различных моделей распределения видов в программном обеспечении для моделирования среды обитания с использованием снимков Landsat 5 и точек присутствия тамариска, полученных в ходе интенсивной кампании по полевому картографированию, проведенной Коалицией Тамариск вдоль реки Арканзас в Колорадо. И, создать точную карту распределения тамариска на исследуемой территории, основываясь на выходных данных модели. Эта концептуальная диаграмма представляет собой обзор нашей методологии в данном исследовании.

Полевые данные для тамариска были получены из набора векторных полигональных данных, собранного Коалицией Тамариска в 2005 и 2006 годах. Данные Landsat 5 Thematic Mapper были получены от Earth Explorer за годы, соответствующие полевым данным тамариска. Было собрано по крайней мере по одной сцене из каждого месяца вегетационного периода.

Используя инструмент Индексы дистанционного зондирования, мы получили спектральные индексы на основе снимков Landsat, чтобы отличить спектральную сигнатуру тамариска от других видов на ландшафте. Эти индексы, а также полевые данные тамариска были использованы в пяти моделях распределения видов в рамках программного обеспечения для моделирования среды обитания. Результаты моделирования были протестированы с использованием независимого набора данных, а для создания карт распространения видов тамариска на исследуемой территории был использован ансамблевый подход.

Чтобы нанести на карту большой заросль тамариска, у меня будет начальная локация, ближайшая к кустарнику на границе, а затем я продолжу выбирать свои местоположения по всему участку, вот так. Именно такая методология была использована Tamrarisk Coalition для сбора данных о местонахождении тамарайска. С помощью GPS выберите «Отметить», затем прокрутите вверх, чтобы назвать точку.

Вы увидите широту и долготу точки на экране. По завершении выберите Готово. Мы скачали сцены Landsat 5 Thematic Mapper с earthexplorer.usgs.gov.

Если у вас уже есть учетная запись, войдите в систему. В противном случае зарегистрируйте учетную запись для загрузки данных. Сначала введите строку Path and Row of the Landsat, охватывающую изучаемую область.

В нашем исследовании использовался Путь 32, Ряд 34. Выберите диапазон дат, соответствующий искомым сценам. Мы выбрали период с апреля 2005 года по ноябрь 2006 года, когда были собраны данные о тамариске.

Затем выберите Наборы данных и прокрутите вниз до Архив Landsat. Выберите произведение отражательной способности поверхности Landsat. Прокрутите вниз и выберите «Дополнительные критерии».

Выберите «Облачный покров менее 10%», чтобы обеспечить наилучшее качество изображений. Когда вы выберете Результаты, появится список доступных сцен Landsat для загрузки. Чтобы получить индексы на основе снимков дистанционного зондирования Landsat, мы скачали инструмент Деривация индексов дистанционного зондирования с github.com.

Мы запустили скрипт на Python, выбрали подходящий спутниковый сенсор, желаемые индексы и установили входной файл изображения в выходной папке для файлов для хранения. В нашем исследовании мы экспортировали отдельные полосы и использовали индексы яркости, зелености и влажности NDVI, SAVI и Tasseled Cap. Для разработки моделей распространения видов Tamarisk мы использовали программный комплекс we used SAHM в рамках программы VisTrails.

Для нашего исследования мы открыли файл SAMH tutorial 2.0 VT, который поставлялся вместе с загрузкой пакета, и выбрали пример рабочего процесса Независимые местоположения в представлении История этого руководства. Другие примеры также доступны в этом уроке. Затем мы перешли к просмотру Pipeline, чтобы настроить модели.

Сначала мы выбрали Packages, чтобы изменить папку сессии. Затем мы выбрали модуль слоя шаблона и перешли к слою шаблона, который определял проекцию, размер ячейки и объем исследования. Затем мы выбрали модуль полевых данных и перешли к файлу CSV, содержащему координаты xy для tamerisk, которые были собраны.

Затем мы выбрали файл Predictor List и перешли к CSV-файлу, содержащему наш список предикторов для этого исследования. Затем мы выбрали Запрос данных поля, чтобы определить столбцы Ответ, x и y в CSV-файле Field Data. Затем мы выбрали модуль MDS Builder и определили количество фоновых точек как 10 000.

Опция Поверхность вероятности фона также доступна в этом месте. Мы использовали поверхность фоновой вероятности со значениями 100 в пределах буфера длиной 5 000 метров реки Арканзас и 0 для областей за пределами этого буфера. Это было основано на районах, отобранных коалицией Tamerisk в нашем исследовании.

Затем мы добавили модуль Maxent в наш рабочий процесс и подключили его к модулю ковариатной корреляции и выбора. Модули «Бустированное регрессионное дерево», «Обобщенная линейная модель», «Сплайны многомерной адаптивной регрессии» и «Случайный лес» уже были размещены в рабочем процессе. Затем мы добавили в рабочий процесс модуль просмотра выходных данных модели и изменили столбец и строку, чтобы они соответствовали другим модулям.

Затем мы выбрали уникальное выходное имя в качестве имени подпапки в рабочем процессе. Далее мы добавили модуль Ensemble Builder в рабочий процесс и подключили его ко всем пяти моделям. Мы устанавливаем метрику порога и пороговое значение для ансамбля.

Это может быть изменено в зависимости от целей исследования. Затем мы перешли к файлу CSV, содержащему наш независимый набор тестовых данных tamarisk. И снова, выбрав модуль запроса полевых данных, мы определяем столбцы Response, x и y в независимом файле.

Мы добавили модуль Apply Model в рабочий процесс и подключили его к модулю MDS Builder для независимого набора данных и модулю Maxent. Мы также добавили еще один просмотрщик выходных данных модели и подключили его к модулю Supply Model, изменив столбец и строку в соответствии с другими моделями. Затем мы выбрали Packages, чтобы последовательно изменить режим обработки на одну модель, что позволит использовать более одного ядра во время выполнения модели.

Первым появляется экран Covariate Correlation Viewer, который показывает корреляцию между любыми двумя переменными. Цели нашего исследования были основаны на отбрасывании переменных, которые были высоко коррелированы или превышали семь баллов, на основе обобщенной аддитивной модели. Мы использовали объяснение процентных отклонений для каждой переменной, чтобы решить, какую переменную следует оставить, в случае, если две переменные сильно коррелировали.

Когда мы приняли решение о количестве ковариантов, которые нужно оставить, мы выбрали OK. После того, как модели будут готовы, появится таблица VisTrail. Эту таблицу можно использовать для сравнения результатов модели, включая графики AUC, текстовые выводы, кривые отклика, калибровочные графики, матрицы неточностей и графики остаточных значений. Что касается наших результатов, то разница между пятью моделями была очень незначительной, основанной на независимых от пороговых значений и зависимых от пороговых показателей.

Основываясь на этих метриках и сравнив вероятностные поверхности, полученные каждой моделью, мы решили, что ансамбль из пяти моделей является подходящим подходом для этих данных. Ensemble Mapping, направлен на объединение сильных сторон нескольких коррелятивных методов, сводя к минимуму слабые стороны любой из них. Тем не менее, мы предупреждаем, что модели, которые недостаточно эффективны, могут ослабить общие результаты.

Наши результаты демонстрируют, что подходящие Boosted Regression Tree, Generalized Linear Model, Multivariate Adaptive Regression Splines, Random Forest и Maxent, с точками присутствия тамарисков и временными рядами спутниковых снимков дистанционного зондирования Landsat, могут различать тамариск на ландшафте и являются эффективной альтернативой традиционным методам классификации отдельных сцен. Карты, созданные на основе этих моделей, станут важным инструментом управления для целенаправленных усилий по борьбе с тамариском на исследуемой территории.