Abstract
الكشف المبكر عن أنواع النباتات الغازية أمر حيوي لإدارة الموارد الطبيعية وحماية عمليات النظم الإيكولوجية. استخدام الاستشعار عن بعد بواسطة السواتل لرسم خرائط توزيع النباتات الغازية أصبح أكثر شيوعا، وقد ثبت أن أساليب التصوير البرمجيات وتصنيفها ولكن التقليدية لا يمكن الاعتماد عليها. في هذه الدراسة، ونحن اختبار وتقييم استخدام خمسة أنواع التقنيات نموذج التوزيع تناسب مع الأقمار الصناعية بيانات الاستشعار عن بعد لرسم خريطة الطرفاء الغازية (أثل النيابة.) على طول نهر أركنساس في جنوب شرق ولاية كولورادو. وتضمنت نماذج اختبار عزز أشجار الانحدار (BRT)، عشوائية غابة (RF)، متعدد المتغيرات المفاتيح الانحدار التكيفية (MARS)، تعميم النموذج الخطي (GLM)، وMaxent. تم إجراء هذه التحاليل باستخدام مجموعة من البرامج التي تم تطويرها حديثا تسمى برمجيات بمساعدة الموئل النمذجة (SAHM). تم تدريب جميع الموديلات مع 499 نقطة جود، 10،000 نقطة شبه غياب، والمتغيرات توقع acquIRED من أجهزة الاستشعار لاندسات 5 ورسم الخرائط الموضوعية (TM) على مدى فترة ثمانية أشهر للتمييز الطرفاء من النباتات النهرية الأصلي باستخدام الكشف عن الاختلافات الفيزيولوجية. من الكواليس لاندسات، كنا الأشرطة الفردية وتحسب الفرق تطبيع مؤشر الغطاء النباتي (NDVI)، المعدلة التربة مؤشر الغطاء النباتي (سافي)، والتحولات توج تقليدية مزينة. جميع النماذج الخمسة المحددة توزيع الطرفاء الحالي على الساحة مقرها بنجاح على عتبة مستقلة وعتبة مقاييس التقييم التي تعتمد مع بيانات الموقع مستقلة. لمراعاة الفروق محددة نموذج، أنتجنا فرقة من جميع النماذج الخمسة مع خريطة الانتاج تسليط الضوء على مجالات الاتفاق ومجالات عدم اليقين. نتائجنا تظهر فائدة نماذج توزيع الأنواع في تحليل بيانات الاستشعار عن بعد وفائدة الخرائط الفرقة، وتسليط الضوء على قدرة SAHM في مرحلة ما قبل المعالجة وتنفيذ نماذج معقدة متعددة.
Introduction
والنظم الإيكولوجية النهرية والأراضي الرطبة في جميع أنحاء جنوب غرب الولايات المتحدة يتعرض للتهديد من قبل غزو الطرفاء (أثل النيابة.)، شجيرة الخشبية غير الأصلية قدم من أوراسيا في 1800s 1. الطرفاء لديها العديد من الآليات الفسيولوجية التي تسمح للجنس لاستغلال الموارد المائية، خارج تنافس الأنواع المحلية، ويغير النظام البيئي عمليات 1-2. توزيعات رسم الخرائط الطرفاء لتقييم الآثار البيئية وصياغة استراتيجيات المكافحة الفعالة هي أهم الأولويات لمديري الموارد. على الرغم من أن تبقى المسوحات الأرضية تستخدم بانتظام، فهي غير عملي لمساحات واسعة للغاية وذلك بسبب التكاليف المرتبطة العمل، والوقت، والخدمات اللوجستية.
وقد لعبت الأقمار الصناعية والاستشعار عن بعد هام، ولكنه محدود، دور في كشف ورسم الخرائط من المناطق الموبوءة الطرفاء. وكان تصنيف التقليدي التحليلات والبرامج الاستشعار عن بعد نجاح هامشي 3-5. العديد من الدراسات الأخيرةلدينا استكشاف نهج غير تقليدية للكشف عن النباتات الغازية باستخدام 1،6 بيانات الاستشعار عن بعد. الطرفاء، مثل العديد من النباتات الغازية، يعرض الاختلاف الفيزيولوجية طوال موسم النمو يختلف من فينولوجية الأنواع النهرية الأم ". في بعض المناطق، على سبيل المثال، الطرفاء أوراق المغادرة قبل بعض النباتات النهرية الأم، والطرفاء يحتفظ أوراق الشجر لفترة أطول من الأنواع المحلية الأخرى. باستخدام نطاقات طيفية ومؤشرات الطيفية مستمدة من السلاسل الزمنية للبيانات الأقمار الصناعية طوال موسم النمو، يمكننا أن نميز الطرفاء من النباتات المحلية بناء على هذه الاختلافات الفيزيولوجية 1،6. بناء على العمل من إيفانجليستا وآخرون. 2009 1، في هذه الدراسة أننا أدرجت الأشرطة الفردية 1-7 من السلاسل الزمنية من لاندسات 5 ورسم الخرائط الموضوعية (TM) صور الأقمار الصناعية والمستمدة مؤشر تطبيع الفرق للغطاء النباتي (NDVI)، المعدلة التربة مؤشر الغطاء النباتي (سافي)، وغطاء تقليدية مزينة التحولات من هذه العصابات. مختلفا تطبيعمؤشر م النباتي (NDVI) هي واحدة من الأكثر استخداما مؤشرات طيفية لتقدير الكتلة الحيوية والغطاء المظلة، ومساحة الورقة مؤشرات 8-9، وهو تحول غير الخطية نسبة بين الظاهر (الحمراء)، والقريب العصابات الأشعة تحت الحمراء (10). مؤشر الغطاء النباتي تعديل التربة (سافي) هو NDVI تعديل المستخدمة للحد من آثار خلفية التربة على مؤشرات الغطاء النباتي 11. هي المرجحة التحولات غطاء تقليدية مزينة المركبة من العصابات لاندسات ستة إلى ثلاثة نطاقات المتعامدة التي تقيس سطوع التربة (غطاء تقليدية مزينة، والفرقة 1)، الاخضرار النباتي (غطاء تقليدية مزينة، والفرقة 2)، والرطوبة التربة / الغطاء النباتي (غطاء تقليدية مزينة، والفرقة 3) و وغالبا ما تستخدم للتمييز تكوين الغطاء النباتي، والفئة العمرية، وهيكلة 12-14. كنا معاملات ذكرت في كريست (1985) 15 لجميع التحولات غطاء تقليدية مزينة.
في هذه الدراسة، ونحن اختبار خمسة نماذج توزيع الأنواع مع السلاسل الزمنية من نطاقات طيفية والخضارمؤشرات etation مستمدة من لاندسات 5 TM لتعيين الطرفاء على طول نهر أركنساس أقل في جنوب شرق ولاية كولورادو، الولايات المتحدة الأمريكية. نهر أركنساس، والتي تمتد 2364 كيلومتر (1469 ميل)، هي ثاني أكبر روافد في النظام ميسوري ميسيسيبي. يغطي مستجمعات المياه في 435123 كم 2 (168002 ميل 2) مع منابع في جبال روكي كولورادو. من أصله في 2965 م، وأركنساس قطرات كبيرة في الارتفاع، بالتوقف بالقرب بويبلو، CO، والتعرجات من خلال الأراضي الزراعية والبراري القصير العشب. النهر يخضع للفيضانات الموسمية ويعتمد عليه للاستخدام المياه البلدية والزراعية في روكي فورد، لا المجلس العسكري، ولامار، قبل الاستمرار في كنساس وأوكلاهوما وأركنسو حيث يصب في نهر المسيسيبي. وقد لوحظ الطرفاء أولا على نهر أركنساس قبل ر Niedrach في عام 1913 بالقرب من بلدة الوقت الحاضر من لامار 16. وقد قدرت اليوم أن الطرفاء تغطي أكثر من 100 كم 2 بين الهنود الحمر والدولة كانساس لينه، مع 60 كيلومترا إضافية 2 على طول روافد نهر أركنساس 17. وتشمل منطقة الدراسة أقنية الري والأراضي الرطبة والأراضي الزراعية، وملتقيات عدة روافد. كل بدرجات متفاوتة من الإصابة الطرفاء. تربية المواشي والزراعة واستخدامات الأراضي، والابتدائية المجاورة للممرات النهرية تتكون في معظمها من البرسيم والتبن والذرة، والقمح الشتوي.
نماذج توزيع الأنواع تعتمد على الوقائع الجغرافية المرجعية (أي خطوط الطول والعرض) لتحديد العلاقات بين حدوث نوع "وبيئتها 18. ويمكن أن تشمل البيانات البيئية الاستشعار عن بعد متعددة وطبقات أخرى المكانية. نماذج توزيع الأنواع الخمسة اختبرنا تشمل أشجار عزز الانحدار (BRT) 19 والغابات العشوائي (RF) 20، متعدد المتغيرات المفاتيح الانحدار التكيفية (MARS) 21، وهذا نموذج معمم الخطي (GLM) 22، وMaxent 23. هؤلاء الخمسة وزارة الدفاعشرم الخوارزميات هي من بين الأكثر استخداما للنمذجة توزيع الأنواع، ولقد أثبتت العديد من الدراسات فعاليتها 24-25. استخدمنا برنامج لبمساعدة الموئل النمذجة (SAHM) الإصدار 2.0 وحدات لتنفيذ النماذج الخمسة، والتي ترد في VisTrails v.2.2.2 26 التصور وبرامج معالجة. وهناك العديد من المزايا لاستخدام SAHM لنمذجة المقارن. بالإضافة إلى إضفاء الطابع الرسمي وتسجيل لين العريكة من عمليات النمذجة، SAHM يتيح للمستخدمين العمل مع العديد من خوارزميات نموذج توزيع الأنواع التي، بشكل فردي، لديها واجهات المتباينة والبرمجيات وملف تنسيق 27. SAHM تنتج مقاييس تقييم متسقة مستقلة العتبة والتي تعتمد على عتبة لتقييم أداء نموذج. واحد من هذه المساحة تحت المنحنى المميزة استقبال التشغيل (AUC)، مقياس عتبة المستقل الذي يقيم قدرة نموذج للتمييز وجود من الخلفية 28. والجامعة الأمريكية بالقاهرة فالرق من 0.5 أو أقل يشير تنبؤات النماذج ليست أفضل أو أسوأ من عشوائي. القيم بين 0.5 و 0.70 تشير إلى أداء الفقراء؛ والقيم زيادة ،70-1،0 تشير العالي تدريجيا الأداء. متري آخر هو في المئة تصنف بشكل صحيح (PCC)، مقياس يعتمد الحد الذي يزن حساسية وخصوصية بناء على عتبة المعرفة متري. يقيس حساسية نسبة الوجود المرصودة تصنف على أنها مناسبة وخصوصية يقيس نسبة من المواقع الخلفية تصنف على أنها غير صالحة. بعد بمقياس آخر غير صحيح المهارات الإحصائية (TSS = حساسية + خصوصية - 1)، والتي تضع ثقلا اكبر على حساسية نموذج من خصوصية، مع قيم تتراوح بين -1 و 1 حيث القيم> 0 يشير إلى أداء أفضل نموذج من فرصة 29.
لتعيين الطرفاء باستخدام مخرجات النموذج، بنينا التصنيفات الثنائية باستخدام العتبة التي equalizes حساسية وخصوصية لتحديد صresence أو عدم وجود الطرفاء. ثم تم تلخيص هذه الخرائط نموذج الفردية المستمدة لإنشاء مخطط الفرقة 30. خرائط فرقة تجمع بين التنبؤات من نماذج توزيع الأنواع الفردية لإنتاج خريطة المصنفة التي تحتل المرتبة اتفاق جماعي من النماذج التي تم اختبارها. على سبيل المثال، قيمة الخلية فرقة واحدة تشير إلى أن نموذج واحد فقط تصنف تلك الخلية كما بيئة مناسبة، في حين أن قيمة خمسة يشير إلى أن جميع النماذج الخمسة المصنفة الخلية كما الموائل المناسبة. ميزة واحدة لهذا النهج هو أن خرائط الفرقة تسفر عن يعني أقل خطأ من أي نموذج فردي. كما يسمح للمستخدمين لمقارنة بصريا أداء كل نموذج اختبار. كان هدفنا العام هو تقديم وصف مفصل لهذه الأساليب التي يمكن أن تكون مصممة لنموذج التوزيع الحالي من الأنواع على المناظر الطبيعية.
Protocol
1. جمع البيانات ميدانيا
- استخلاص البيانات الميدانية لالطرفاء من مجموعة بيانات ناقلات مضلع التي تم جمعها من قبل الائتلاف الطرفاء في استطلاع على مستوى الولاية في عام 2005 و 2006 17.
ملاحظة: تم الحصول على البيانات من خلال مسح الأرض المكثف، حيث تعيين الفنيين الميدانيين كل الطرفاء يقف على طول نهر أركنساس باستخدام النظم العالمية لتحديد المواقع (GPS) والصور الجوية. - ضمن هذه المضلعات، وتوليد 499 نقطة عشوائية (أي الوجود) لتدريب النماذج. وضع مجموعتين من القيود على نقاط عشوائية: (1) يجب على كل نقطة ليكون> 30 متر من أي حافة مضلع لضمان وجوده ضمن الطرفاء نقف عند قرار TM اندسات 5؛ و (2) يطلب من كل جهة أن ≥ 60 متر من أي نقطة المجاورة، لضمان توزيع قوية عبر موقع الدراسة وتقليل الارتباط الذاتي المكاني.
- جمع البيانات الميدانية في ملف MS Excel في ثلاثة أعمدة مع العناوين المسمى "استجابة"، "X"، و "Y"، حيث هي القيم استجابة (1) لحضور، بإتجاه الشرق UTM لX، والاتجاه الشمالي UTM لY. حفظ هذا الملف بتنسيق .csv للاستخدام في SAHM (وحدة FieldData).
- توليد 100 نقطة عشوائية إضافية داخل المضلعات الأثل والطرفاء التحالف لو 100 نقطة عشوائية أخرى خارج المضلعات عن بيانات اختبار مستقلة لتقييم نتائج النموذج. حفظ هذا الملف في تنسيق ملف بتنسيق csv للاستخدام في SAHM (وحدة FieldData).
2. المتغيرات توقع
- تحميل صور لاندسات 5 سطح الانعكاس L4-5 TM (مسار 32، الصف 34) من هيئة المسح الجيولوجي الأمريكية العالمية التصور عارض / EarthExplorer (http://earthexplorer.usgs.gov/). وتشمل مشاهد مدى عينات من الائتلاف كولورادو الطرفاء في عامي 2005 و 2006 (17). لتحديد الأشهر تستخدم في نماذج، حدد المشاهد التي هي إلى حد كبير الخالية من السحب (أي، <10٪ الغطاء السحابي) وrepresentativ(ه) من أشهر يعتقد أن لديهم مميز فينولوجية الطرفاء. كانت هذه أكتوبر 2004، نيسان 2005، مايو 2005، يونيو 2005، يوليو 2005، سبتمبر 2005، أبريل 2006، مايو 2006، يونيو 2006، يوليو 2006، أغسطس 2006، سبتمبر 2006، ونوفمبر عام 2006.
- تحميل الاستشعار عن مؤشرات أداة اشتقاق عن بعد من
https://github.com/rander38/Remote-Sensing-Indices-Derivation-Tool. - تشغيل البرنامج النصي بيثون في الأداة، إما GDAL أو إصدار Arcpy. ينصح GDAL.
- حدد استشعار الأقمار الصناعية المناسبة والمؤشرات المطلوبة، وضبط الإدخال ملف الصورة والمجلد الإخراج حيث سيتم تخزين الملفات (الشكل 1). نحن تصدير العصابات الفردية واستخدام سطوع NDVI، سافي، وتقليدية مزينة كاب، الاخضرار، ومؤشرات البلل المستمدة من كل من الكواليس لاندسات TM. لاحظ أن أي مؤشرات يمكن تعديلها أو إضافتها عن طريق تغيير ملف Sensors_Formulas_RSIDT.ini.
الشكل 1. الاستشعار عن بعد مؤشرات اشتقاق أداة واجهة المستخدم الرسومية.
- تشغيل الأداة والتحقق من ملفات الإخراج بصريا في ArcMap ضد 10.0 (ESRI، ريدلاندز، CA) أو نظام معلومات جغرافي آخر البرامج.
3. برمجيات بمساعدة الموئل النمذجة (SAHM) (الشكل 2)
ويشمل الرقم 2. كامل SAHM سير العمل إدخال البيانات، وتجهيزها، وتحليل نموذج أولي والقرار، ونماذج المترابطة، والروتين الانتاج.
- لتشغيل SAHM، الأولى تحميل الملفات (بما في ذلك VisTrails) من موقع المسح الجيولوجي الامريكية في https://my.usgs.gov/catalog/RAM/SAHM. الرجوع إلى دليل المستخدم في نفس الموقع للحصول على تعليمات مفصلة عن تحميل وتثبيت SAHM. لاحظ أن الموقع يحتوي أيضا tutoria SAHMلتر والبيانات للحصول على تعليمات إضافية.
- لتطوير نماذج توزيع الأنواع الطرفاء، استخدم ملف SAHM_tutorial_2.0.vt التي تأتي مع حزمة التنزيل (في المجلد أمثلة SAHM). ضمن عرض التاريخ، حدد سير العمل مواقع مستقلة. يمكن تحديد أمثلة سير العمل الأخرى ويعتمد على أهداف الدراسة؛ وتقدم وصفا مع بعضها. اختر خط أنابيب.
- تعيين المجلد الإخراج، من خلال الذهاب الى الحزم ثم SAHM> تغيير مجلد الدورة. في جميع مراحل عملية تطوير سير العمل، ويمكن الاطلاع على وصف مفصل لكل خطوة والخيارات عن طريق تحديد علامة التبويب التوثيق الموجود على الجانب الأيمن من الشاشة المشاهد SAHM. جميع الوحدات المدرجة في الطرق التالية يمكن العثور عليها على الجانب الأيسر من النافذة SAHM تحت علامة التبويب SAHM.
- المقبل، SAHM المباشر إلى البيانات الميدانية التي ستكونتستخدم لتدريب نماذج توزيع الأنواع.
- انقر على وحدة TemplateLayer. انتقل إلى النقطية التي سيتم استخدامها كقناع وتحديد التوقعات، حجم الخلية ومدى التحليلات.
- انقر على وحدة FieldData في الجانب الأيسر من سير العمل. تصفح إلى ملف .csv (أي training.csv) ملف البيانات الميدانية (نقطة جود أو حضور وغياب نقاط) ضمن وحدة البيانات الميدانية.
- انقر على وحدة PredictorListFile وتصفح إلى ملف .csv قائمة ملف (على سبيل المثال، الملف الذي يحتوي على المسار الكامل لجميع تنبؤ لاستخدامها في model- الرجوع إلى دليل المستخدم).
- بعد ذلك، إجراء خطوات تجهيزها.
- انقر على وحدة FieldDataQuery وملء في العمود استجابة مع عنوان العمود للرد (على سبيل المثال، أسماء الأعمدة في FieldData.csv)، X و Y الأعمدة.
- انقر على وحدة MDSBuilder. تعيين backgroundPointField إلى 10،000.
ملاحظة: إذا كنت تستخدم جود والبيانات غياب عن الأنواع التي يتم تصميمها، لا تحتاج إلى تغيير backgroundPointField. لك أن تشمل هذه المواقع مع استجابة (0) في Data.csv الميدان. وهو اختياري لتحديد backgroundProbSurf إذا كنت ترغب في تقييد خلفية اختيار نقطة داخل منطقة بالإشارة إلى سطح النقطية مع قيم تتراوح من 0 إلى 100 (تمثل هذه القيم احتمال أن نقطة بشكل عشوائي سيتم الاحتفاظ يجب أن تقع ضمن خلية معينة). لهذه الدراسة، استخدم backgroundProbSurf مع قيم 100 ضمن منطقة عازلة 5000 م من نهر أركنساس و0 للمناطق خارج هذا المخزن المؤقت (على أساس المساحة الكلية عينات من الائتلاف الطرفاء).
- المقبلة، تحديد أنواع الخوارزميات توزيع لاستخدامها.
- لاحظ أن BoostedRegressionTree، GLM، MARS، ورأسيتم تعيين وحدات ndomForest بالفعل في سير العمل مواقع مستقلة. إضافة وحدة MAXENT لسير العمل لاختبار جميع النماذج الخمسة. توصيله إلى وحدة CovariateCorrelationAndSelection.
ملاحظة: بدء مع الإعدادات الافتراضية لجميع الموديلات. يمكن تعديل هذه على أساس أهداف الدراسة (راجع وثائق نموذج لمزيد من التفاصيل). - إضافة وحدة نمطية ModelOutputViewer وتوصيله إلى وحدة MAXENT. تغيير العمود إلى 5 و صف إلى 1. ModelOutputViewer تنتج البيانات التي يمكن استخدامها لإجراء مقارنات نتيجة نموذج.
- انقر على وحدة OutputName واكتب اسم المجلد الفرعي.
- لاحظ أن BoostedRegressionTree، GLM، MARS، ورأسيتم تعيين وحدات ndomForest بالفعل في سير العمل مواقع مستقلة. إضافة وحدة MAXENT لسير العمل لاختبار جميع النماذج الخمسة. توصيله إلى وحدة CovariateCorrelationAndSelection.
- المقبل، إضافة وحدة نمطية أن يخلق الفرقة من مخرجات النموذج. هذه الوحدة تنتج خريطتين الإخراج. واحد مع متوسط احتمال المستمر لجميع النواتج وشملت الثانية مع عدد من عدد من النماذج مع بن إيجابياحتمال آرى.
- إضافة وحدة نمطية EnsembleBuilder لسير العمل. وهو اختياري لتحديد عتبة متري. لهذه الدراسة، واختيار الجامعة الأمريكية بالقاهرة وترك قيمة العتبة في القيمة الافتراضية 0.75. وهذا يضمن أن النماذج الوحيدة مع قيمة AUC أكبر من أو يساوي 0.75 تم تضمينها في مخرجات خريطة الفرقة. ربط BoostedRegressionTree، GLM، MARS، RandomForest، وحدات MAXENT إلى EnsembleBuilder.
- بعد ذلك، توجه نماذج لبيانات الاختبار المستقلة.
- انقر على وحدة FieldData أخرى (الجانب الأيمن من العمل) وانتقل إلى ملف .csv الذي يحتوي على بيانات التحقق من صحة النموذج. هذه هي وجود وعدم وجود نقاط 200 إنشاؤها في الخطوة 1.4 من البروتوكول.
- انقر على وحدة FieldDataQuery وتأكد من استجابة، والعاشر، والأعمدة ص تطابق الأعمدة طن. CSV البيانات الميدانية.
- إضافة وحدة نمطية ApplyModel وتوصيله إلى وحدة MAXENT. إضافة وحدة نمطية ModelOutputViewer وذلك لربط هذه الوحدة ApplyModel. تغيير العمود إلى 5 والصف إلى 1. في القائمة، حدد الحزم -> SAHM -> تغيير وضع المعالجة. منذ كنت ترغب في تشغيل أكثر من نموذج واحد، حدد نماذج واحد بالتسلسل (ن - 1 النوى لكل منهما). وذلك أن يسرع وقت التنفيذ من النماذج من خلال الاستفادة من النوى الكمبيوتر متعددة.
- بعد ذلك، تنفيذ نماذج توزيع الأنواع.
- حفظ .vt ملف، ثم انقر على التنفيذ.
- عندما تظهر القطعة CovariateCorrelationAndSelection (الشكل 3)، دي-اختيار واحد من كل زوج المترابطة من المتغيرات حيث كان معامل الارتباط | ص | ≥ 0.7 (على أساس٪ الإنحراف وأوضح من جنرال وحيد المتغير أوتوماتيكية مضافة نموذج ينظر في على الجانب الأيسر من هذه القطعة (الشكل 3) والقرارات البيئية علم؛ في هذه الدراسة تحديد أولويات اختيار متغيرا واحدا على الأقل كل شهر لالتقاط تباين الفيزيولوجية في الطرفاء). عدد من المؤامرات في نافذة عرض يمكن تغيير عن طريق كتابة رقم (الافتراضي هو 8) والنقر على التحديث.
- بعد الانتهاء من اختيار متغيرا، اختر موافق في الجزء السفلي من القطعة CovariateCorrelationAndSelection (الشكل 3). لهذه الدراسة، تم الإبقاء متغيرات 9 التالية: 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، وNov_19_2006_SAVI. فإن نماذج توزيع الأنواع تنفيذ بعد اختيار موافق.
JPG "/>
الشكل 3. ارتباط متغيرا واختيار واجهة SAHM.
- إخراج النتائج.
ملاحظة: بعد أن اكتمل نماذج، يظهر جدول VisTrails للمقارنة نموذج (الشكل 4)- مقارنة المؤامرات AUC، مخرجات النص، منحنيات استجابة والمعايرة، مصفوفة الارتباك، والمخلفات، ومنحنيات استجابة عبر النماذج.
ملاحظة: الإخراج من نماذج SAHM تشمل CovariateCorrelationOutputMDS، خريطة بن خريطة الفوضى خريطة وزارة الدفاع مصفوفة الارتباك، والمؤامرة المتبقية، مؤامرة المعايرة، مؤامرة تقييم النموذج، متغير مؤامرة أهمية، مجلد منحنيات استجابة، وهو المجلد الإخراج الموسعة،،،، خريطة غالبا، المتبقية الخريطة، وoutput.txt. انظر دليل المستخدم SAHM لمزيد من الوصف.
- مقارنة المؤامرات AUC، مخرجات النص، منحنيات استجابة والمعايرة، مصفوفة الارتباك، والمخلفات، ومنحنيات استجابة عبر النماذج.
الشكل 4. VisTrails جداول البيانات يمكن استخدامها لتقييم مخرجات النموذج. هذا هوالمقارنة نموذج الجامعة الأمريكية بالقاهرة للبيانات التدريب؛ من اليسار إلى اليمين النماذج BRT، GLM، MARS، RF، وMaxent، على التوالي.
Representative Results
وأشارت التقييمات الإحصائية للBRT، RF، MARS، GLM، وMaxent على أساس بيانات اختبار مستقل عن النماذج الخمسة أداء جيدا نسبيا في الكشف عن الطرفاء. كان هناك فارق كبير بين عتبة مقاييس مستقلة وتقييم يعتمد عتبة بين النماذج. كانت قيم AUC> 0.88، وكانت في المئة القيم تصنف بشكل صحيح> 77٪، الحساسيات والخصوصيات كانت> 0.77، وكانت خدمات الدعم التقني> 0.54 (الجدول 1). كشفت فرقة من مخرجات نموذج ثنائي الكثير اتفاق نموذجي في المناطق الواقعة على طول نهر أركنساس (الشكل 5). الفوضى (متعدد المتغيرات سطح التشابه البيئي) أشارت مخرجات الخريطة للحصول على كل نموذج البيئة المتاحة لمنطقة الدراسة تم أخذ عينات بشكل جيد (الشكل 6)، مما يزيد من ثقتنا في نهج الفرقة.
طرق ">الجدول 1. عتبة المستقلة (AUC) وعتبة التابعة (PCC، الحساسية، والنوعية، وTSS) مقاييس التقييم لBRT، RF، MARS، GLM، ونماذج Maxent تناسب لاختبار مستقل بيانات من وجود الطرفاء والغياب.
الشكل 5. النتائج فرقة الجمع بين BRT، GLM، MARS، RF، وMaxent خرائط الانتاج ثنائية في نظام ArcGIS. يتم تلوين المناطق من حيث عدد النماذج في الاتفاق، من 0 (لا لون) إلى 5 (الحمراء). لاحظ المنطقة الملونة في الركن الشمالي الغربي من التنبؤ؛ هذا الخط هو قطعة أثرية من الصور لاندسات. ولذلك ينبغي أن تؤخذ نتائج النموذج مع الحذر في هذه المنطقة. الرجاء انقر هنا لعرض نسخة أكبر من هذا الرقم.
الشكل 6. متعدد المتغيرات التشابه البيئي السطحية (فوضى) الانتاج.الهدف = "_ فارغة"> الرجاء انقر هنا لعرض نسخة أكبر من هذا الرقم.
من تسعة تنبئ المستخدمة، 30 يونيو 2006 السطوع كان المتغير الأكثر أهمية لجميع الموديلات الخمس (الجدول 2). وكان هذا هو المتغير الوحيد التي يحتفظ بها GLM على أساس تدريجي معيار المعلومات Akaike (AIC، وهذا هو الافتراضي لGLM اختيار نموذج في SAHM)، لكن من المهم أن نلاحظ تضمن هذا النموذج أيضا مصطلح التربيعية هذا المتغير. الترددات اللاسلكية وMaxent الاحتفاظ بجميع المتغيرات افتراضيا.
| متنبئ | BRT | الترددات اللاسلكية | المريخ | GLM | Maxent |
| 30 يوليو 2006 السطوع | 41.60 | 34.11 | 76.78 | 100 | 67.27 |
| 31 أغسطس 2006 فرقة 4 | 6.35 | 5.87 | 5.16 | 0 | 2.82 |
| 9 يونيو 2005 سافي | 13.67 | 14.09 | 9.14 | 0 | 9.75 |
| 22 أبريل 2005 السطوع | 6.29 | 6.30 | 0 | 0 | 0.43 |
| 28 أكتوبر 2004 NDVI | 5.66 | 8.25 | 0 | 0 | 2.94 |
الجدول 2. الأهمية النسبية للتنبؤ في كل نموذج.
Discussion
نتائجنا تظهر BRT المناسب، RF، MARS، GLM، وMaxent مع نقاط التواجد لالطرفاء والسلاسل الزمنية للبيانات صور الأقمار الصناعية لاندسات الاستشعار عن بعد يمكن أن نميز الطرفاء على المناظر الطبيعية وهي بديل فعال للأساليب التقليدية التصنيف على مشهد واحد. ويتضح من نتائجنا أن يونيو هو وقت مهم بصفة خاصة للكشف عن الطرفاء داخل منطقة الدراسة لدينا، هذا يتفق مع إيفانجليستا وآخرون 2009 (1) الذي أشار يونيو الماضي البلل للتنبؤ الأهم لحدوث الطرفاء في هذا المجال على أساس نموذج يصلح Maxent مع سلسلة زمنية من الصور لاندسات.
المؤشرات ونطاقات طيفية أخرى التي تم تضمينها في BRT، RF، MARS، ونماذج Maxent قد يزيد من تميز الطرفاء من الركيزة التربة والأشجار المتساقطة الأخرى بما في ذلك القطني (حور النيابة.) والصفصاف (صفصاف النيابة.)، أو المروية الزراعة التي هو شائع في أسفلحوض نهر أركنساس. ويمكن أيضا اعتبار طبقات نظم المعلومات الجغرافية الأخرى، مثل التضاريس وأنواع التربة، أو البيانات المناخية كمتغيرات والمدرجة في هذه النماذج، لكننا ننصح حفظ هذه إلى الحد الأدنى إذا كان الهدف هو الكشف عن توزيع الأنواع الحالية على الساحة بدلا من التنبؤ إمكانات حدوث أو بيئة مناسبة.
قدمت نماذج اختبار لأبحاثنا قدرة تحليلية قوية وخيارات متعددة لتقييم النتائج. وجود جميع هذه النماذج المترابطة في إطار واحد، مثل SAHM، ويسمح بإضفاء الطابع الرسمي وتسجيل لين العريكة من عملية النمذجة. وموحدة قبل وبعد المعالجة من المتغيرات استجابة ومؤشرا في SAHM، مما يسمح للمقارنات أفضل وكفاءة النموذج، في حين سير العمل تسجل كل خطوة من التحليلات تسهيل التعديل، التكرار والتكرار.
ويهدف رسم الخرائط الفرقة إلى الجمع بين نقاط القوة في العديد من النماذج المترابطة، مع التقليل من ثeakness من أي نموذج واحد 30. ونحن نعتقد أن هذا هو الحال في دراستنا. ومع ذلك، فإننا نحذر من أن النماذج التي تجيء (أي، في إطار التنبؤ أو الإفراط في التنبؤ) يمكن أن يضعف النتائج الإجمالية. تمت زيارتها الاستخدام المحدود لرسم الخرائط الفرقة في الأدب نتائج إيجابية، ولكن حاولت معظم هذه الطرق ل"التنبؤ" حدوث الأنواع بدلا من "اكتشاف". وعلاوة على ذلك، ورسم خرائط الفرقة يسمح لتقييم بصري من عدم اليقين بين أساليب النمذجة المختلفة، وتحديد مستويات اتفاق نموذجي. في معظم الأحيان هو اختيار طريقة النمذجة (على سبيل المثال، GLM مقابل BRT) التي لديها تأثير أكبر للقياس على نتائج النموذج بدلا من قرارات أخرى في عملية النمذجة مثل الموقع عدم اليقين البيانات 31. على الرغم من أننا نعتقد أن لدينا أفضل خريطة الطرفاء هي فيها كل النماذج الخمسة هي في الاتفاق، ومواصلة اختبار واستخدام أساليب مختلفة من الخرائط فرقة ينصح (على سبيل المثال، مرجحة AUC) 32 </ سوب>، وأفضل التحقق من صحتها من خلال الملاحظات الميدانية مستقلة. وباختصار، يمكن بسهولة هذه الأساليب أن تكون مصممة لنموذج توزيع الأنواع الأخرى التي تستخدم المتغيرات البيئية المستمدة لمنطقة الدراسة بالنظر في SAHM.
Materials
| Name | Company | Catalog Number | Comments |
| Earth Explorer | USGS | http://earthexplorer.usgs.gov | Open Access: Yes |
| Remote Sensing Indices Derivation Tool | github | https://github.com/rander38/Remote-Sensing-Indices-Derivation-Tool | Open Access: Yes |
| Software for Assisted Habitat Modeling | USGS | https://my.usgs.gov/catalog/RAM/SAHM | Open Access: Yes |
| ArcGIS v.10.3 | Esri | https://www.arcgis.com/features/ | Open Access: No |
References
- 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).
- DiTomaso, J. M. Impact, biology, and ecology of saltcedar (Tamarix spp.) in the southwestern United States. Weed Technology. 12, 326-336 (1998).
- 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).
- Hirano, A., Madden, M., Welch, R. Hyperspectral image data for mapping wetland vegetation. Wetlands. 23 (2), 436-448 (2003).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- Huete, A. R. A Soil-Adjusted Vegetation Index (SAVI). Remote Sensing of Environment. 25, 295-309 (1988).
- 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).
- 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).
- 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).
- Crist, E. P. A TM Tasseled Cap equivalent transformation for reflectance factor data. Remote Sensing of Environment. 17 (3), 301-306 (1985).
- 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).
- Riparian Restoration: Assessment of alternative technologies for tamarisk control, biomass reduction and revegetation. , Tamarisk Coalition. Available from: http://www.tamariskcoalition.org (2008).
- Guisan, A., Zimmerman, N. Predictive habitat distribution models in ecology. Ecological Modeling. 135, 147-186 (2000).
- Friedman, J. H., Hastie, T., Tibshirani, R. Additive logistic regression: a statistical view of boosting. Annals of Statistics. 28 (2), 337-407 (2000).
- Breiman, L. Random forests. Machine Learning. 45 (1), 5-32 (2001).
- Friedman, J. H. Multivariate adaptive regression splines. Annals of Statistics. 19 (1), 1-141 (1991).
- McCullagh, P., Nelder, J. A. Generalized Linear Models, 2nd ed. , Chapman and Hall. London. (1989).
- Phillips, S. J., Anderson, R. P., Schapire, R. E. Maximum entropy modeling of species geographic distributions. Ecological Modelling. 190 (3-4), 231-259 (2006).
- Araujo, M. B., New, M. Ensemble forecasting of species distributions. Trends in Ecology and Evolution. 22, 42-47 (2007).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
