Abstract
Раннее обнаружение инвазивных видов растений имеет жизненно важное значение для рационального использования природных ресурсов и охраны экосистемных процессов. Использование спутникового дистанционного зондирования для картирования распределения инвазивных растений становится все более распространенным, однако обычные программные обработки изображений и классификации методов было показано ненадежным. В этом исследовании мы проверить и оценить использование пяти видов методов модели распределения подходят со спутниковыми данными дистанционного зондирования для сопоставления инвазивной тамариск (Tamarix SPP.) Вдоль реки Арканзас на юго - востоке штата Колорадо. Модели испытанные включали увеличили регрессии деревья (BRT), Random Forest (РФ), многомерные адаптивные регрессионные сплайны (MARS), обобщенную линейную модель (GLM) и MaxEnt. Эти анализы были проведены с использованием недавно разработанный программный пакет под названием программного обеспечения для моделирования Assisted Хабитат (SAHM). Все модели были обучены с 499 присутствия точек, 10000 псевдо-отсутствие точек, и предикторов acquIRED от датчика Landsat 5 Тематическое Mapper (TM) в течение восьми месяцев, чтобы отличить тамариск от родной прибрежной растительности с использованием обнаружения фенологических различий. Из Landsat сцен, мы использовали отдельные полосы и рассчитанные стандартизированные индексы различий растительного (NDVI), почвенно-скорректированный индекс растительности (SAVI) и кисточками блокированные преобразования. Все пять моделей определили распределение тока тамариск на ландшафт успешно основан на пороге независимого и пороговых показателей оценки зависимых с независимыми данными о местоположении. Для учета модельных специфических различий, мы изготовили ансамбль из всех пяти моделей с вывода карты выделения областей соглашения и областей неопределенности. Наши результаты демонстрируют полезность моделей распределения видов при анализе данных дистанционного зондирования и полезность отображения ансамбля, а также продемонстрировать способность SAHM в предварительной обработки и выполнения нескольких сложных моделей.
Introduction
Прибрежные и болотные экосистемы на всей территории юго - западной части Соединенных Штатов находятся под угрозой нашествия тамариском (тамарикса SPP.), Неродного древесный кустарник из Евразии введен в 1800 - х годов 1. Tamarisk имеет много физиологических механизмов , которые позволяют род использовать водные ресурсы, вне конкуренции местные виды, и изменить экосистему процессов 1-2. Mapping тамарисковые распределения для оценки воздействия на окружающую среду и разработки эффективных стратегий управления являются высокие приоритеты для менеджеров ресурсов. Хотя наземные обследования остаются регулярно используются, они непрактичны для очень больших площадей из-за связанных с ними затрат труда, времени и материально-технического обеспечения.
Спутниковое дистанционное зондирование играет важную, но ограниченную роль в выявлении и картирования тамарисковыми инвазий. Традиционная классификация анализирует и программное обеспечение удаленного зондирования имели незначительный успех 3-5. Несколько недавних исследованийисследовали нетрадиционные подходы к выявлению инвазивных растений с использованием дистанционного зондирования 1,6 данных. Тамариска, как и многие инвазивных растений, проявляет фенологические изменения на протяжении всего периода вегетации, который отличается от фенологии для коренного Прибрежные вида. В некоторых районах, например, тамариска лист ожидания является перед некоторыми родных прибрежных растений, и тамарикс сохраняет свою листву дольше, чем другие местные виды. При использовании спектральных полос и спектральных индексов , полученных из временных рядов спутниковых данных на протяжении всего периода вегетации, мы можем выделить тамариск из местных растений на основе этих фенологических различий 1,6. Основываясь на работе Евангелиста и др. 2009 1, в данном исследовании мы включили отдельные полосы 1-7 из временных рядов Landsat 5 Тематическое Mapper (TM) спутниковые снимки и производные стандартизированным индексом различий растительного покрова (NDVI), почвенно-скорректированный индекс растительности (SAVI) и кисточками колпачок преобразования из этих полос. Нормализованная диффереИндекс в.п. растительности (NDVI) является одним из наиболее часто используемых спектральных индексов для оценки биомассы растительности, полога и площади листьев индексов 8-9, и является нелинейное преобразование отношения между видимым (красным цветом) и ближнее инфракрасном диапазонах 10. Почвенно-скорректированный индекс растительности (SAVI) представляет собой модифицированный NDVI используется , чтобы минимизировать влияние фона почвы на вегетационных индексов 11. Кисточками преобразования крышки взвешиваются композиты из шести Landsat полос на три ортогональных полос, которые измеряют яркость почвы (кисточками колпачок, группа 1), растительность зелености (кисточками колпачок, группа 2) и почвы / растительности влажность (кисточками колпачок, группа 3) и часто используется , чтобы различать состав растительности, класс возраста, и структура 12-14. Мы использовали коэффициенты , представленные в Крист (1985) 15 для всех кисточками преобразований капитализацией.
В данном исследовании мы тестируем пять моделей распределения видов с временных рядов спектральных диапазонов и овощеИндексы etation, полученные из Landsat 5 ТМ к карте тамариска вдоль нижнего течения реки Арканзас на юго-востоке штата Колорадо, США. Река Арканзас, охватывающий 2364 км (1469 миль), является вторым по величине притоком в системе Миссури-Миссисипи. Его водораздел охватывает 435,123 км2 (168002 миль 2) с верховьев в Колорадо Скалистых гор. С момента своего происхождения в 2,965 м, Арканзас значительно падает в высоту, выравнивание вблизи Пуэбло, CO и извилистые через сельскохозяйственные угодья и короткими прерий. Река подвержена сезонным наводнениям и полагались на муниципальных и сельскохозяйственного использования воды в Rocky Ford, Ла-Хунта, и Ламар, прежде чем продолжить в Канзас, Оклахома и Арканзас, где она впадает в реку Миссисипи. Tamarisk впервые был обнаружен на реке Арканзас Р. Niedrach в 1913 году недалеко от современного города Lamar 16. На сегодняшний день, было подсчитано , что тамарикс охватывает более 100 км 2 между Пуэбло и государством Канзас - лине, с дополнительным 60 км 2 вдоль притоков реки Арканзас 17. Область исследования включает в себя арыки, заболоченные, сельскохозяйственные земли, и слияниях нескольких притоков; все с разной степенью тамариска инвазии. Фермерское хозяйство и сельское хозяйство являются основными сферами землепользования, прилегающих к прибрежным коридоров, состоящих в основном из люцерны, сена, кукурузы и озимой пшеницы.
Модели распределения видов полагаются на геореференцных вхождений (т.е., широта, долгота) , чтобы определить взаимосвязь между возникновением вида , а также на его окружающую среду 18. Экологические данные могут включать в себя несколько дистанционного зондирования и других пространственных слоев. Пять моделей распределения видов протестированных нами включают форсированных регрессии деревья (BRT) 19, случайные леса (РЧ) 20, многомерные адаптивные регрессионные сплайны (МАРС) 21, обобщенная линейная модель (GLM) 22 и MaxEnt 23. Эти пять модэль алгоритмы являются одними из наиболее часто используются для моделирования распределения видов, а также целый ряд исследований продемонстрировали свою эффективность 24-25. Мы использовали программное обеспечение для моделирования Assisted Хабитат (SAHM) V. Модули 2.0 выполнить пять моделей, которые содержатся в VisTrails v.2.2.2 26 визуализации и программного обеспечения для обработки. Есть несколько преимуществ использования SAHM для сравнительного моделирования. В дополнение к формализации и податливым записи моделирования процессов, SAHM позволяет пользователям работать с несколькими алгоритмами модели распределения видов , которые, по отдельности, имеют несопоставимые интерфейсы, программное обеспечение и файл форматирования 27. SAHM производит последовательные порогового независимых и пороговых зависящих от показателей оценки для оценки эффективности модели. Одним из них является площадь под характеристической кривой приемника Рабочая (ППК), порог независимой показатель , который оценивает способность модели различать присутствие от фона 28. АУК Вэлуе 0,5 или менее указывает на модели предсказания не лучше или хуже, чем случайное; значения в диапазоне от 0,5 до 0,70 указывают на плохую работу; и значения возрастает от 0,70 до 1,0 указывают на прогрессивно более высокую производительность. Другая метрика процент правильно классифицированы (ОКК), порог зависит показатель, который весит чувствительность и специфичность на основании определенного пользователем порогового значения метрики; Чувствительность измеряет процент наблюдаемых присутствий классифицируются как подходящие и специфичности измеряет процент фоновых местах классифицируется как непригодной. Еще одна метрика Правда навык статистики (TSS = чувствительность + специфичность - 1), что придает больший вес , чем чувствительность модели специфичности, со значениями в диапазоне от -1 до 1 , где значения> 0 указывают на более высокую производительность модели , чем шанс 29.
Чтобы отобразить тамариск, используя выход модели, мы построили бинарные классификации с использованием порога, который уравнивает чувствительность и специфичность для определения рresence или отсутствие тамариска. Эти отдельные модели , полученные карты были затем суммируются , чтобы создать ансамбль карту 30. Ансамбль карты сочетают предсказания отдельных моделей распределения видов, чтобы произвести объявление карту, которая занимает коллективный договор моделей тестируемых. Например, ансамбль значение ячейки одного указывает на то, что только одна модель классифицирован эту ячейку в качестве подходящей среды обитания, в то время как значение пяти указывает на то, что все пять моделей классифицировал клетку в качестве подходящей среды обитания. Одним из преимуществ такого подхода является то, что ансамбль карты дают более низкую среднюю ошибку, чем любой отдельной модели. Он также позволяет пользователям визуально сравнить производительность каждой тестируемой модели. Наша общая цель состояла в том, чтобы предоставить подробное описание этих методов, которые могут быть адаптированы для моделирования распределения тока видов на ландшафт.
Protocol
1. Область сбора данных
- Выведите полевые данные для тамариском из векторного многоугольника набора данных , собранных Tamarisk коалиции в государственном масштабе обследования в 2005 и 2006 годах 17.
Примечание: Данные были получены с помощью интенсивного наземного обследования, где полевые техники отображенной все тамарикс стоит вдоль реки Арканзас с помощью системы глобального позиционирования (GPS) и аэрофотоснимки. - В пределах этих полигонов, генерировать 499 случайных точек (т.е. присутствий) для подготовки моделей. Поместите два набора ограничений на случайных точек: (1) каждая точка обязана быть> 30 м от любого многоугольника, чтобы обеспечить оно находится в пределах тамариском стоять с разрешением ТМ Landsat 5; и (2) каждая точка требуется составлять не менее 60 м от любой соседней точки, чтобы обеспечить надежное распределение по всему сайту исследование и свести к минимуму пространственной автокорреляции.
- Обобщение данных поля в файле формата MS Excel в трех столбцах с заголовками с надписью "ответ", "X" и "Y", где значения отклика (1) на предмет наличия, UTM пищеблок для X и UTM Northing для Y. сохранить этот файл в формате .csv для использования в SAHM (модуль FieldData).
- Создавать дополнительные 100 случайных точек в пределах тамарисковыми полигонов тамариска Коалиции и еще 100 случайных точек за пределами полигонов в качестве независимых тестовых данных для оценки результатов моделирования. Сохраните этот файл в формате .csv для использования в SAHM (модуль FieldData).
2. предикторов
- Скачать Landsat 5 поверхность отражательной L4-5 TM изображений (Path 32, строка 34) из Геологической службы США глобальной визуализации просмотра / EarthExplorer (http://earthexplorer.usgs.gov/). Сцены включают в себя степень оцифровываются Колорадо Tamarisk коалиции в 2005 и 2006 годах 17. Для того, чтобы определить , месяцы , используемые для моделей, выберите сцены, которые в значительной степени безоблачных (то есть, <10% облачности) и representativе месяцев, как полагают, различимый тамариск фенологию; это были октябрь 2004, апрель 2005, май 2005, июнь 2005, июль 2005, сентябрь 2005, апрель 2006, май 2006, июнь 2006, июль 2006, август 2006, сентябрь 2006 г., и в ноябре 2006 года.
- Загрузить дистанционного зондирования Индексы ДИФФЕРЕНЦ Tool от
https://github.com/rander38/Remote-Sensing-Indices-Derivation-Tool. - Запустите сценарий Python в инструменте, либо GDAL или Arcpy версии; GDAL рекомендуется.
- Выберите соответствующий спутник, датчик желаемых показателей, и установите файл изображения входной и выходной папку , в которой будут храниться файлы (Рисунок 1). Мы экспортировали отдельные полосы и использовали яркость NDVI, SAVI и кисточками Cap, зелености и показатели влажности, полученных от каждой из сцен Landsat TM. Обратите внимание, что любые индексы могут быть изменены или добавлены путем изменения файла Sensors_Formulas_RSIDT.ini.
Рисунок 1. Индексы дистанционного зондирования ДИФФЕРЕНЦ GUI Tool.
- Запустите программу и проверьте выходные файлы визуально в ArcMap ст. 10.0 (ESRI, Редлендс, CA) или другой географической информационной системы программного обеспечения.
3. Программное обеспечение для моделирования Assisted Хабитат (SAHM) (рисунок 2)
Рисунок 2. Весь рабочий процесс SAHM включает в себя входные данные, первичную обработку, предварительный анализ модели и решения, корреляционные модели, и выходные подпрограммы.
- Для запуска SAHM сначала следует загрузить файлы (включая VisTrails) с сайта Геологической службы США в https://my.usgs.gov/catalog/RAM/SAHM. Обратитесь к руководству пользователя на том же сайте подробные инструкции по загрузке и установке SAHM. Обратите внимание, что веб-сайт также имеет tutoria SAHMл и данные для получения дополнительных инструкций.
- Для разработки моделей распределения тамарикс видов, используйте файл SAHM_tutorial_2.0.vt , который поставляется с пакетом загрузки (в папке SAHM примеры). В представлении истории, выберите Независимый рабочий местах. Другие примеры рабочих процессов могут быть выбраны и зависит от целей исследования; Описания снабжены каждый. Выбор трубопровода.
- Установите выходную папку, перейдя в пакеты , а затем SAHM> Изменить папку Session. На протяжении всего процесса разработки рабочего процесса, подробное описание каждого шага и вариантов можно найти, выбрав вкладку документации , расположенную на правой стороне экрана просмотра SAHM. Все модули , перечисленные в следующих методов можно найти на левой стороне окна SAHM на вкладке SAHM.
- Далее, прямая SAHM к данным поля, которое будетиспользуется для обучения модели распределения видов.
- Нажмите на модуле TemplateLayer. Просмотр в растре, который будет использоваться в качестве маски, и для определения проекции, размер ячейки и степень анализов.
- Нажмите на модуле FieldData в левой части рабочего процесса. Перейдите к .csv (т.е. training.csv) файл данных на местах (точках присутствия или присутствия и отсутствия точек) в модуле данных поля.
- Нажмите на модуле PredictorListFile и перейдите к .csv список файлов (например, файл , содержащий полный путь ко всем предикторов для использования в модельно можно найти в руководстве пользователя).
- Затем проводят этапы предварительной обработки.
- Нажмите на модуле FieldDataQuery и заполнить в колонке ответа с заголовком столбца для ответа (то есть, имена столбцов в FieldData.csv), X и Y столбцов.
- Нажмите на модуле MDSBuilder. Установите backgroundPointField до 10000.
Примечание: Если вы используете присутствие и отсутствие данных для вида моделируемого, вам не нужно менять backgroundPointField; вы должны включить эти места с ответом (0) в поле data.csv. Это не является обязательным , чтобы установить backgroundProbSurf , если вы хотите , чтобы ограничить выбор фона точки в пределах области, указывая на растровой поверхности со значениями в диапазоне от 0 до 100 (эти значения представляют собой вероятность того, что генерируется случайным образом точка будет сохранена , если она упадет в пределах конкретной клетки). Для этого исследования используют backgroundProbSurf со значениями 100 в пределах 5000 м буфера реки Арканзас и 0 в районах вне этого буфера (на основе общей площади , отобранного с помощью тамариск коалиции).
- Далее, укажите алгоритмы моделирования распределения видов, которые будут использоваться.
- Обратите внимание , что BoostedRegressionTree, GLM, MARS, и РаМодули ndomForest уже созданы в независимых процесса местах. Добавьте модуль MaxEnt в рабочий процесс , чтобы протестировать все пять моделей. Подключите его к модулю CovariateCorrelationAndSelection.
ПРИМЕЧАНИЕ: Начните с настройками по умолчанию для всех моделей; они могут быть изменены на основе изучения целей (см модель документацию для получения более подробной информации). - Добавление модуля ModelOutputViewer и подключить его к модулю MaxEnt; изменить столбец 5 и строк до 1. ModelOutputViewer производит электронную таблицу , которая может быть использована для модели результата сравнения.
- Нажмите на модуле OutputName и введите имя подпапки.
- Обратите внимание , что BoostedRegressionTree, GLM, MARS, и РаМодули ndomForest уже созданы в независимых процесса местах. Добавьте модуль MaxEnt в рабочий процесс , чтобы протестировать все пять моделей. Подключите его к модулю CovariateCorrelationAndSelection.
- Затем добавьте модуль, который создает ансамбль модельных выходов. Этот модуль производит два выходных карт; один со средней непрерывной вероятности всех включенных выходов и второй с подсчетом количества моделей с положительным беничных вероятность.
- Добавить модуль EnsembleBuilder в рабочий процесс. Это не является обязательным для установки порогового значения Metric; для этого исследования, выберите АУК и оставить пороговое значение, при значении по умолчанию 0.75. Это будет гарантировать, что только модели с АУК значение больше или равно 0,75, включены в ансамбль карты выходов. Соедините BoostedRegressionTree, GLM, MARS, RandomForest и MaxEnt модули к EnsembleBuilder.
- Далее, прямые модели для независимых тестовых данных.
- Нажмите на другой FieldData модуля (правая сторона рабочего процесса) и перейдите к файлу .csv , который содержит данные валидации модели. Это 200 присутствия и отсутствия очков, сгенерированные на этапе 1.4 Протокола.
- Нажмите на модуле FieldDataQuery и убедитесь , что ответ, х и у столбцов совпадают столбцы яп данные поля .csv.
- Добавить модуль ApplyModel и подключить его к модулю MaxEnt. Добавление модуля ModelOutputViewer и подключить его к этому ApplyModel модуля; изменить столбец 5 и строку к 1. В меню выберите пакеты -> SAHM -> Режим обработки для изменения. Так как вы хотите запустить более одной модели, выберите последовательно одной модели (п - 1 ядер каждый). Это позволит ускорить время выполнения моделей путем использования нескольких компьютерных ядер.
- Затем выполнить модели распределения видов.
- Сохраните файл .vt и нажмите Выполнить.
- При появлении CovariateCorrelationAndSelection виджета (Рисунок 3), де-выбрать один из каждой пары коррелированных переменных , где коэффициент корреляции | г | ≥ 0,7 ( на основе% девиации Разъяснения от однофакторного вообще дартизованных аддитивную модель видны на левой стороне этого виджета (рисунок 3) и информированных экологических решений; в данном исследовании, приоритеты выбора по меньшей мере одного коварьировать для каждого месяца, чтобы захватить фенологические вариации в гребенщика). Количество участков в окне просмотра можно изменить, введя в ряде (по умолчанию 8) и нажав на кнопку Update.
- После завершения ковариата выбор, выберите OK в нижней части CovariateCorrelationAndSelection виджета (рисунок 3). Для этого исследования были сохранены следующие 9 переменных: 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 и Nov_19_2006_SAVI. Модели распределения видов будут выполняться после выбора OK.
JPG "/>
Рисунок 3. ковариата корреляции и выбор интерфейса SAHM.
- Результаты вывода.
Примечание: После того, как модели закончили, электронную таблицу VisTrails появляется для сравнения модели (рисунок 4)- Сравнить АУК участки, текстовые выходы, кривые отклика, калибровки, спутанность сознания матрицы, по остаточному принципу, и кривые отклика в различных моделях.
Примечание: Выход из моделей SAHM включают в себя CovariateCorrelationOutputMDS, спутанность матрицу, остаточный сюжет, калибровочный график, оценка модель участка, переменной значимости сюжет, папка кривых отклика, расширенную выходную папку, BIN карта, карта беспорядок, карта МО, PROB карту, остаточный карта, и output.txt; приведена в руководстве пользователя SAHM Более подробное описание.
- Сравнить АУК участки, текстовые выходы, кривые отклика, калибровки, спутанность сознания матрицы, по остаточному принципу, и кривые отклика в различных моделях.
Рисунок 4. VisTrails электронные таблицы могут быть использованы для оценки модели вывода. Этосравнение модели АУК для обучающих данных; слева направо модели являются BRT, GLM, MARS, РФ и MaxEnt, соответственно.
Representative Results
Статистические оценки БРТ, РФ, MARS, GLM и MaxEnt на основе независимой испытательной набора данных указаны все пять моделей выполнены относительно хорошо в обнаружении тамариск; была небольшая разница между пороговыми независимыми и пороговое значение зависимой оценки показателей среди моделей. АУК значения были> 0,88, процент правильно классифицированных значения были> 77%, чувствительность и специфичность были> 0,77, и TSS были> 0,54 (таблица 1). Ансамбль бинарных выходов модели показали много типового соглашения в районах , расположенных вдоль реки Арканзас (рисунок 5). Беспорядок (многомерный экологическое сходство поверхности) карты выходов для каждой модели указывает на доступную среду исследуемого района хорошо пробы (рисунок 6), дальнейшее увеличение нашей уверенности в ансамбле подхода.
пути ">Таблица 1. Порог независимой (AUC) и пороговое значение зависимой (PCC, чувствительность, специфичность и TSS) показатели оценки для БРТ, РФ, MARS, GLM и MaxEnt модели подходят для независимого теста Набор данных о присутствии тамариска и отсутствия.
Рисунок 5. Результаты Ensemble , сочетающие BRT, GLM, MARS, RF, и MaxEnt двоичных карт выходных в ArcGIS. Области окрашены по количеству моделей в согласии, от 0 (нет цвета) до 5 (красный). Обратите внимание на цветную область в северо-западном углу прогнозирования; эта линия представляет собой артефакт Landsat образов; Поэтому результаты моделирования следует принимать с осторожностью в этом регионе. Пожалуйста , нажмите здесь , чтобы посмотреть увеличенную версию этой фигуры.
Рисунок 6. Многомерный экологического сходства поверхности (MESS) выход.целевых = "_blank"> Пожалуйста, нажмите здесь, чтобы посмотреть увеличенную версию этой фигуры.
Из девяти предсказателей , используемых, 30 июня 2006 Яркость была наиболее важной переменной для всех пяти моделей (таблица 2). Это была единственная переменная удерживается GLM на основе ступенчато Akaike информационный критерий (АИК, это по умолчанию для выбора модели GLM в SAHM), однако важно отметить, эта модель также входит в квадрат член этой переменной. РФ и MaxEnt сохраняют все переменные по умолчанию.
| предсказатель | БРТ | РФ | МАРС | GLM | MaxEnt |
| 30 июля 2006 Яркость | 41.60 | 34.11 | 76.78 | 100 | 67.27 |
| 31 августа 2006 Группа 4 | 6,35 | 5,87 | 5,16 | 0 | 2,82 |
| 9 июня 2005 SAVI | 13.67 | 14.09 | 9,14 | 0 | 9,75 |
| 22 апреля 2005 Яркость | 6,29 | 6,30 | 0 | 0 | 0,43 |
| 28 октября 2004 НДВИ | 5,66 | 8,25 | 0 | 0 | 2,94 |
Таблица 2. Относительная значимость предсказателей в каждой модели.
Discussion
Наши результаты демонстрируют фитинга БРТ, РФ, MARS, GLM и MaxEnt с наличием точек для тамариска и временных рядов данных дистанционного зондирования спутниковых снимков Landsat можно выделить тамариск на ландшафт и является эффективной альтернативой традиционным методам классификации одной сцены. Как видно из результатов, что в июне является особенно важное время для выявления тамариска в пределах нашей области исследования; это согласуется с Евангелиста и др. 2009 1 июня в котором указывается Влага является наиболее важным прогностическим фактором для возникновения тамариска в этой области на основе MaxEnt соответствии модели с временными рядами Landsat снимков.
Другие спектральные индексы и полосы , которые были включены в БРТ, РФ, MARS и MaxEnt модели могут дополнительно выделить тамариск из почвенного субстрата, другие лиственные деревья , в том числе тополь (Populus SPP.) И ива (Salix SPP.), Или орошаемое земледелие , что Обычно в нижней частиРека Арканзас бассейна. Другие слои ГИС, такие как рельеф, типы почв, или климатические данные также могут рассматриваться в качестве регрессоров и включены в эти модели, но мы рекомендуем держать их к минимуму, если цель состоит в том, чтобы обнаружить распределение тока видов на ландшафт, а не предсказывают потенциал появление или подходящее место обитания.
Модели протестированы для нашего исследования при условии сильной аналитического потенциала и несколько вариантов для оценки результатов. Наличие всех этих коррелятивных моделей в рамках единой системы, такие как SAHM, позволяет формализовать и послушный запись процесса моделирования. До и после обработки переменных отклика и прогнозирующих стандартизированы в SAHM, что позволяет лучше и эффективные модели сравнения, в то время как рабочие процессы записи каждый этап анализа, способствующих модификации, итерации и репликации.
Ансамбль картирование стремится объединить сильные стороны нескольких корреляционных моделей, при этом сводя к минимуму шeakness какой - либо одной модели 30. Мы считаем, что это имело место в нашем исследовании; Тем не менее, мы предупреждаем , что модели , которые ниже рынка (т.е. в предсказуемые или более предсказуемые) может ослабить общие результаты. Ограниченное использование отображения ансамбля в литературе имел благоприятные результаты, но большинство из этих подходов попытались «предсказать» возникновение видов, а не «обнаружить». Кроме того, ансамбль отображение позволяет визуальной оценки неопределенности среди различных методов моделирования, определения уровней типового соглашения. Чаще всего это выбор метода моделирования (например, по сравнению с GLM РРТ) , который имеет наибольшее влияние на количественной оценке результатов моделирования , а не других решений в процессе моделирования , таких как неопределенность местоположения 31 данных. Хотя мы считаем , что наша лучшая карта тамарикс, где все пять моделей находятся в согласии, дальнейшее тестирование и с использованием различных методов картирования ансамбля рекомендуется (например, взвешенные по АУК) 32 </ SUP>, и лучше всего подтверждено с помощью независимых полевых наблюдений. Таким образом, эти методы могут быть легко адаптированы для моделирования распределения других видов, используя переменные окружения, полученные для данного исследования в области 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.
- Friedman, J. H.
- 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.
- 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).
