Abstract
La détection précoce des espèces végétales envahissantes est vital pour la gestion des ressources naturelles et la protection des processus écosystémiques. L'utilisation de la détection par satellite à distance pour cartographier la distribution des plantes envahissantes est de plus en plus fréquent, les méthodes de logiciels d'imagerie et de classification mais classiques se sont avérés ne pas être fiables. Dans cette étude, nous testons et évaluons l'utilisation de cinq espèces techniques du modèle de distribution ajustement satellite avec les données de télédétection pour cartographier tamaris invasive (Tamarix spp.) Le long de la rivière Arkansas dans le sud du Colorado. Les modèles testés comprenaient stimulé les arbres de régression (BRT), Forêt aléatoire (RF), splines de régression multivariée adaptatifs (MARS), modèle linéaire généralisé (GLM), et Maxent. Ces analyses ont été effectuées en utilisant un logiciel nouvellement développé appelé le Logiciel pour Assisted Habitat Modeling (SAHM). Tous les modèles ont été formés avec 499 points de présence, 10.000 points pseudo-absence, et les variables prédictives ACQUIRED du capteur Landsat 5 Thematic Mapper (TM) sur une période de huit mois pour distinguer tamaris de la végétation riveraine native utilisant la détection des différences phénologiques. Des scènes Landsat, nous avons utilisé des bandes individuelles et calculées indice de végétation normalisé (NDVI), Sol-Ajusté Indice de Végétation (SAVI), et les transformations plafonnés Tasseled. Les cinq modèles identifiés distribution de tamaris actuelle sur le paysage basé avec succès sur le seuil indépendant et paramètres d'évaluation dépendant de seuil avec les données de localisation indépendantes. Pour tenir compte des différences spécifiques au modèle, nous avons produit un ensemble de cinq modèles avec carte de sortie mettant en évidence les points d'accord et les zones d'incertitude. Nos résultats démontrent l'utilité des modèles de répartition des espèces dans l'analyse des données de télédétection et l'utilité de la cartographie ensemble, et de présenter la capacité de SAHM en pré-traitement et l'exécution de plusieurs modèles complexes.
Introduction
Les écosystèmes riverains et des zones humides à travers le sud - ouest des États-Unis sont menacés par l'invasion de tamaris (Tamarix spp.), Un arbuste ligneuse non natif introduit d'Eurasie dans les années 1800 1. Tamaris possède de nombreux mécanismes physiologiques qui permettent le genre d'exploiter les ressources en eau, hors-compétition des espèces indigènes, et de modifier l' écosystème traite 1-2. distributions Cartographie de tamaris pour évaluer les impacts environnementaux et la formulation de stratégies de contrôle efficaces sont des priorités pour les gestionnaires des ressources. Bien que les enquêtes au sol restent régulièrement utilisés, ils ne sont pas pratiques pour les très grandes surfaces en raison des coûts associés du travail, le temps et la logistique.
La télédétection par satellite a joué un rôle important, mais limité, rôle dans la détection et la cartographie des infestations de tamaris. Classification conventionnelle des analyses et des logiciels de télédétection ont eu un succès marginal 3-5. Plusieurs études récentesont des approches non traditionnelles explorées pour détecter les plantes envahissantes en utilisant la télédétection 1,6 des données. Tamaris, comme beaucoup de plantes envahissantes, présente une variation phénologique tout au long de la saison de croissance qui diffère de la phénologie des espèces riveraines indigènes. Dans certaines régions, par exemple, des tamaris leaf-out avant certaines plantes riveraines indigènes, et tamaris conserve son feuillage plus longtemps que d'autres espèces indigènes. En utilisant des bandes spectrales et indices spectraux dérivés d'une série temporelle des données satellitaires pendant toute la saison de croissance, on peut distinguer tamaris à partir de plantes indigènes sur la base de ces différences phénologiques 1,6. Construire sur les travaux de Evangelista et al. 2009 1, dans cette étude , nous avons incorporé des bandes individuelles 1-7 à partir d' une série chronologique de Landsat 5 Thematic Mapper (TM) l' imagerie par satellite et dérivé normalisé indice de végétation de différence (NDVI), le sol ajusté indice de végétation (SAVI), et le bouchon tasseled transformations de ces bandes. différen Normalizedindice de végétation ce (NDVI) est l' un des indices de spectre les plus couramment utilisés pour l' estimation de la biomasse de la végétation, le couvert forestier, et la surface foliaire indices 8-9 et est une transformation non-linéaire du rapport entre le visible (rouge) et quasi 10 bandes infrarouges. Soil ajusté indice de végétation (SAVI) est un NDVI modifié utilisé pour minimiser les effets de fond du sol sur les indices de végétation 11. transformations de capitalisation Tasseled sont pondérés composites des six bandes Landsat en trois bandes orthogonales qui mesurent la luminosité du sol (cap tasseled, bande 1), la végétation verdeur (cap tasseled, bande 2), et le sol / végétation moiteur (cap tasseled, bande 3) et sont souvent utilisés pour distinguer la composition de la végétation, classe d'âge, et structurer 12-14. Nous avons utilisé les coefficients rapportés dans Crist (1985) 15 pour toutes les transformations de chapeau à pompons.
Dans cette étude, nous testons cinq modèles de distribution d'espèces avec un temps-série de bandes spectrales et légumesindices de etation dérivés de Landsat 5 TM à la carte tamaris le long du bas de la rivière Arkansas, dans le sud du Colorado, Etats-Unis. La rivière Arkansas, couvrant 2364 km (1469 mi), est le deuxième plus grand affluent dans le système Missouri-Mississippi. Son bassin versant couvre 435.123 km 2 (168,002 mi 2) avec source dans les montagnes Rocheuses du Colorado. De son origine à 2965 m, l'Arkansas chute considérablement en élévation, nivellement près de Pueblo, CO, et serpentant à travers les terres agricoles et prairies à graminées courtes. La rivière est sujette à des inondations saisonnières et est invoqué pour l'utilisation de l'eau municipale et agricole à Rocky Ford, La Junta, et Lamar, avant de continuer dans le Kansas, l'Oklahoma et l'Arkansas où elle se jette dans le fleuve Mississippi. Tamaris a été observé sur la rivière Arkansas par R. Niedrach en 1913 près de la ville actuelle de Lamar 16. Aujourd'hui, il a été estimé que tamaris couvre plus de 100 km 2 entre Pueblo et l'état du Kansas line, avec un supplément de 60 km 2 le long des affluents de la rivière Arkansas 17. La zone d'étude comprend des canaux d'irrigation, les zones humides, les terres agricoles et les confluences de plusieurs affluents; tous avec des degrés divers de tamaris infestation. Ranching et l'agriculture sont la principale terre utilise à côté des corridors riverains constitués en grande partie de la luzerne, du foin, du maïs et du blé d'hiver.
Modèles de distribution d'espèces comptent sur les événements géo-référencées (ie, latitude, longitude) pour identifier les relations entre l'occurrence d'une espèce et son environnement 18. Les données environnementales peuvent inclure la télédétection multiple et d'autres couches spatiales. Les cinq modèles de distribution des espèces testées comprennent les arbres boostés de régression (BRT) 19, les forêts aléatoires (RF) 20, splines de régression multivariée adaptatifs (MARS) 21, un modèle linéaire généralisé (GLM) 22, et Maxent 23. Ces cinq modalgorithmes el sont parmi les plus couramment utilisés pour la modélisation de la répartition des espèces, et un certain nombre d'études ont démontré leur efficacité 24-25. Nous avons utilisé le logiciel pour Assisted Habitat Modeling (SAHM) v. 2.0 modules pour exécuter les cinq modèles, qui sont contenus dans VisTrails V.2.2.2 26 logiciels de visualisation et de traitement. Il y a plusieurs avantages à l'utilisation SAHM pour la modélisation comparative. En plus de la formalisation et l' enregistrement traitable des processus de modélisation, SAHM permet aux utilisateurs de travailler avec plusieurs algorithmes du modèle de distribution d'espèces qui, individuellement, ont des interfaces disparates, des logiciels et des fichiers de mise en 27. SAHM produit cohérentes métriques d'évaluation seuil indépendants et de seuil dépendant d'évaluer la performance du modèle. L' un d'eux est aire sous la courbe caractéristique Receiver Operating (AUC), une mesure indépendante de seuil qui permet d' évaluer la capacité d'un modèle à discriminer la présence du fond 28. Une AUC value de 0,5 ou moins indique les prévisions du modèle ne sont pas mieux ou pire que aléatoire; des valeurs comprises entre 0,5 et 0,70 indiquent la mauvaise performance; et les valeurs croissantes de 0,70 à 1,0 indiquent la performance progressivement plus élevé. Une autre mesure est pour cent correctement classé (PCC), une mesure dépendante de seuil qui pèse sensibilité et la spécificité basée sur un seuil métrique définie par l'utilisateur; sensibilité mesure le pourcentage de présences observées classé comme approprié et la spécificité mesure le pourcentage d'emplacements de fond classés comme impropres. Pourtant , une autre métrique est vrai statistique de Skill (TSS = sensibilité + spécificité - 1), qui met plus de poids sur la sensibilité du modèle que la spécificité, avec des valeurs comprises entre -1 et 1 où les valeurs> 0 indiquent une meilleure performance du modèle que le hasard 29.
Pour mapper tamaris en utilisant la sortie du modèle, nous avons construit des classifications binaires en utilisant le seuil qui égalise la sensibilité et la spécificité de définir la presence ou l'absence de tamaris. Ces cartes modèle individuel dérivées ont été ensuite additionnées pour créer une carte d' ensemble 30. Ensemble cartes combinent les prédictions des modèles individuels de distribution d'espèces pour produire une carte classée qui classe la convention collective des modèles testés. Par exemple, une valeur de la cellule ensemble d'un indique qu'un seul modèle classé cette cellule comme un habitat convenable, alors qu'une valeur de cinq indique que tous les cinq modèles classés la cellule comme un habitat convenable. Un avantage de cette approche est que les cartes d'ensemble donnent une erreur moyenne inférieure à un modèle individuel. Il permet également aux utilisateurs de comparer visuellement la performance de chaque modèle testé. Notre objectif global était de fournir une description détaillée de ces méthodes qui peuvent être adaptées pour modéliser la répartition actuelle des espèces dans le paysage.
Protocol
1. Collecte des données de terrain
- Derive données de terrain pour tamaris à partir d' un ensemble de données vecteur polygone recueilli par la Coalition Tamaris dans une enquête à l' échelle de l' État en 2005 et 2006 17.
NOTE: Les données ont été obtenues grâce à une enquête de terrain intensive, où les techniciens de terrain mappés tous les tamaris se le long de la rivière Arkansas en utilisant des systèmes de positionnement global (GPS) et des photographies aériennes. - Au sein de ces polygones, de générer 499 points aléatoires ( par exemple, présences) pour former les modèles. Placez deux ensembles de contraintes sur les points aléatoires: (1) chaque point est nécessaire pour être> 30 m de toute arête de polygone pour assurer qu'il est dans le tamaris se tenir à une résolution Landsat 5 TM; et (2) chaque point doit être ≥ 60 m de tout point voisin, afin d'assurer une distribution solide à travers le site d'étude et de minimiser l'autocorrélation spatiale.
- Compiler les données de terrain dans un fichier MS Excel en trois colonnes avec les titres étiquetés "réponse", "X" et "Y", où les valeurs de réponse sont (1) la présence, UTM abscisse pour X, et UTM northing pour Y. Enregistrez ce fichier au format .csv pour une utilisation dans SAHM (module FieldData).
- Générer un 100 points aléatoires supplémentaires dans les polygones de tamaris du Tamaris Coalition et 100 autres points aléatoires en dehors des polygones en tant que données d'essais indépendants pour évaluer les résultats du modèle. Enregistrez ce fichier au format .csv pour une utilisation dans SAHM (module FieldData).
2. Les variables prédictives
- Télécharger des images Landsat 5 surface réflectance L4-5 TM (Chemin 32, Rangée 34) de Global Visualization Viewer / EarthExplorer de l'US Geological Survey (http://earthexplorer.usgs.gov/). Les scènes incluent la mesure échantillonnée par la Coalition du Colorado Tamaris en 2005 et 2006 17. Pour déterminer les mois utilisés pour les modèles, sélectionnez des scènes qui sont en grande partie sans nuage (ie, <10% de la couverture nuageuse) et representative mois d'avoir pensé à distinguer tamaris phénologie; ceux-ci ont été Octobre 2004, Avril 2005, mai 2005, Juin 2005, Juillet 2005, Septembre 2005, Avril 2006, mai 2006, Juin 2006, Juillet 2006, Août 2006 Septembre 2006 et Novembre 2006.
- Télécharger le Télédétection Indices Dérivation outil de
https://github.com/rander38/Remote-Sensing-Indices-Derivation-Tool. - Exécutez le script Python dans l'outil, soit GDAL ou une version ArcPy; GDAL est recommandé.
- Sélectionnez le capteur approprié de satellite, les indices souhaités, et définir le fichier d'image d'entrée et le dossier de sortie où les fichiers seront stockés (figure 1). Nous avons exporté les bandes individuelles et utilisé la luminosité NDVI, SAVI et Tasseled Cap, verdeur, et les indices de mouillure provenant de chacune des scènes Landsat TM. Notez que tous les indices peuvent être modifiés ou ajoutés en modifiant le fichier Sensors_Formulas_RSIDT.ini.
Figure 1. Télédétection Indices Dérivation outil GUI.
- Exécutez l'outil et vérifier les fichiers de sortie visuellement dans ArcMap v. 10.0 (ESRI, Redlands, CA) ou un autre système d'information géographique logiciel.
3. Logiciels pour Assisted Habitat Modeling (SAHM) (Figure 2)
Figure 2. L'ensemble du flux de travail SAHM comprend des données d' entrée, le prétraitement, l' analyse préliminaire du modèle et de la décision, les modèles corrélatifs, et les routines de sortie.
- Pour exécuter SAHM, premiers fichiers de téléchargement (y compris VisTrails) à partir du site US Geological Survey à https://my.usgs.gov/catalog/RAM/SAHM. Reportez-vous au Guide de l'utilisateur sur le même site pour obtenir des instructions détaillées sur le téléchargement et l'installation de SAHM. Notez que le site dispose également d'un Tutoria SAHMl et des données pour obtenir des instructions supplémentaires.
- Pour développer les modèles de distribution d'espèces de tamaris, utilisez le fichier SAHM_tutorial_2.0.vt qui vient avec le téléchargement du package (dans le dossier exemples SAHM). Dans la vue de l' historique, sélectionnez le flux de travail des emplacements indépendants. Les autres exemples de flux de travail peuvent être sélectionnés et dépendent des objectifs de l'étude; descriptions sont fournies avec chaque. Sélectionnez Pipeline.
- Définissez le dossier de sortie, en allant à Packages puis SAHM> Modifier session dossier. Tout au long du processus de développement de flux de travail, des descriptions détaillées de chaque étape et les options peuvent être trouvées en sélectionnant l'onglet Documentation situé sur le côté droit de l'écran de visualisation SAHM. Tous les modules listés dans les méthodes suivantes peuvent être trouvées sur le côté gauche de la fenêtre SAHM sous l'onglet SAHM.
- Ensuite, SAHM directe aux données de terrain qui serautilisé pour former les modèles de distribution des espèces.
- Cliquez sur le module TemplateLayer. Parcourir à la trame qui sera utilisé en tant que masque, et de définir la projection, la taille des cellules et l'étendue des analyses.
- Cliquez sur le module FieldData dans le côté gauche du flux de travail. Parcourir .csv (ie, training.csv) Fichier de données de terrain (points de présence ou de points de présence et d' absence) dans le module de données sur le terrain.
- Cliquez sur le module PredictorListFile et accédez à la liste des fichiers .csv (par exemple, un fichier contenant le chemin d' accès complet à tous les prédicteurs à utiliser dans la modélisation se référer à l' utilisateur guide).
- Ensuite, effectuer des étapes de prétraitement.
- Cliquez sur le module FieldDataQuery et remplir la colonne de réponse avec en- tête de colonne pour la réponse (ie, les noms de colonnes dans la FieldData.csv), les colonnes X et Y.
- Cliquez sur le module MDSBuilder. Réglez le backgroundPointField à 10.000.
NOTE: Si vous utilisez la présence et les données d'absence pour les espèces en cours de modélisation, on n'a pas besoin de changer le backgroundPointField; vous devez inclure ces endroits avec une réponse (0) dans le data.csv Champ. Elle est facultative pour définir un backgroundProbSurf si vous voulez limiter fond sélection de points dans une zone en pointant sur une surface raster avec des valeurs allant de 0 à 100 (ces valeurs représentent la probabilité qu'un point aléatoire sera retenu devrait - il tomber dans un notamment la cellule). Pour cette étude, utiliser un backgroundProbSurf avec des valeurs de 100 dans un tampon de 5000 m de la rivière Arkansas et 0 pour les zones en dehors de ce tampon (sur la base de la superficie totale échantillonnée par la coalition de tamaris).
- Ensuite, spécifiez les algorithmes de modélisation de la distribution des espèces à utiliser.
- Notez que le BoostedRegressionTree, GLM, MARS, et Ramodules ndomForest sont déjà en place dans le flux de travail des emplacements indépendants. Ajouter le module MAXENT au flux de travail pour tester tous les cinq modèles. Connectez - le au module CovariateCorrelationAndSelection.
REMARQUE: Commencez avec les paramètres par défaut pour tous les modèles; ceux-ci peuvent être modifiés en fonction des objectifs de l'étude (voir la documentation de modèle pour plus de détails). - Ajouter un module de ModelOutputViewer et le connecter au module de MAXENT; changer la colonne 5 et ligne à 1. Le ModelOutputViewer produit une feuille de calcul qui peut être utilisé pour les comparaisons de résultats du modèle.
- Cliquez sur le module OutputName et tapez un nom de sous - dossier.
- Notez que le BoostedRegressionTree, GLM, MARS, et Ramodules ndomForest sont déjà en place dans le flux de travail des emplacements indépendants. Ajouter le module MAXENT au flux de travail pour tester tous les cinq modèles. Connectez - le au module CovariateCorrelationAndSelection.
- Ensuite, ajoutez un module qui crée un ensemble de sorties de modèles. Ce module produit deux cartes de sortie; une avec la probabilité continue moyenne de toutes les sorties comprises et une seconde avec le décompte du nombre de modèles avec un bac positifprobabilité ary.
- Ajouter un module EnsembleBuilder au workflow. Il est facultatif de fixer un seuil métrique; pour cette étude, choisissez l'ASC et de laisser de la valeur seuil à la valeur par défaut de 0,75. Cela permettra d'assurer que seuls les modèles avec une valeur AUC supérieure ou égale à 0,75 sont inclus dans la carte des sorties ensemble. Branchez le BoostedRegressionTree, GLM, MARS, forêt d'arbres décisionnels, et des modules de Maxent au EnsembleBuilder.
- Ensuite, diriger les modèles aux données de tests indépendants.
- Cliquez sur l'autre module FieldData (côté droit du workflow) et recherchez le fichier .csv qui contient des données de validation du modèle. Ce sont les points 200 de présence et d'absence générés à l'étape 1.4 du Protocole.
- Cliquez sur le module FieldDataQuery et assurez - vous que la réponse, x et y colonnes correspondent aux colonnes in les données de terrain .csv.
- Ajouter un module ApplyModel et le connecter au module de MAXENT. Ajouter un module de ModelOutputViewer et le connecter à ce module ApplyModel; changer la colonne 5 et la ligne à 1. Dans le menu, sélectionnez Packages -> SAHM -> Mode de traitement Change. Puisque vous voulez exécuter plus d'un modèle, certains modèles seul séquentiellement (n - 1 noyaux chacun). Cela permettra d'accélérer le temps d'exécution des modèles en tirant profit des noyaux multiples d'ordinateur.
- Ensuite, exécuter les modèles de distribution des espèces.
- Enregistrez le fichier .vt puis cliquez sur Exécuter.
- Lorsque le widget CovariateCorrelationAndSelection (figure 3) apparaît, de-sélectionner l' une de chaque paire de variables corrélées où le coefficient de corrélation est | r | ≥ 0,7 (basé sur% Déviance expliquée d'un général univariée ized modèle additif vu dans sur le côté gauche de ce widget (Figure 3) et des décisions écologiques éclairées; dans cette étude la priorité à la sélection d'au moins un covariable pour chaque mois pour capturer la variation phénologique de tamaris). Le nombre de parcelles dans la fenêtre de visualisation peut être modifié en tapant dans un certain nombre (la valeur par défaut est 8) et en cliquant sur Mettre à jour.
- Après la finalisation sélection covariable, sélectionnez OK en bas du widget CovariateCorrelationAndSelection (Figure 3). Pour cette étude, les 9 variables suivantes ont été retenues: 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 et Nov_19_2006_SAVI. Les modèles de distribution d'espèces exécutera après avoir sélectionné OK.
jpg "/>
Figure 3. corrélation Covariable et la sélection d' interface SAHM.
- sortie des résultats.
NOTE: Après les modèles sont terminés, une feuille de calcul VisTrails apparaît pour la comparaison des modèles (Figure 4)- Comparer les parcelles AUC, sorties de texte, des courbes de réponse, étalonnage, matrice de confusion, les résidus et les courbes de réponse à travers les modèles.
NOTE: La sortie de modèles SAHM comprennent un CovariateCorrelationOutputMDS, matrice de confusion, parcelle résiduelle, courbe d'étalonnage, terrain d'évaluation du modèle, terrain importance variable, une dossier courbes de réponse, un dossier de sortie élargi, bin carte, désordre carte, carte MoD, carte prob, résiduelle carte, et une sortie.txt; voir le Guide de l'utilisateur SAHM pour une description plus détaillée.
- Comparer les parcelles AUC, sorties de texte, des courbes de réponse, étalonnage, matrice de confusion, les résidus et les courbes de réponse à travers les modèles.
Figure 4. VisTrails des feuilles de calcul peuvent être utilisés pour évaluer la sortie modèle. C'estla comparaison du modèle AUC pour les données de formation; de gauche à droite, les modèles sont BRT, GLM, MARS, RF et Maxent, respectivement.
Representative Results
Des évaluations statistiques de BRT, RF, MARS, GLM et Maxent sur la base du jeu de données de test indépendant indiqué tous les cinq modèles relativement bien dans la détection de tamaris; il y avait peu de différence entre seuils métriques indépendantes et d'évaluation dépend de seuil entre les modèles. Les valeurs d' AUC étaient> 0,88, pour cent des valeurs correctement classées étaient> 77%, sensibilités et spécificités étaient> 0,77 et TSS étaient> 0,54 (tableau 1). Un ensemble de sorties de modèles binaires a révélé beaucoup d' accord dans les zones le long de la rivière Arkansas (figure 5). Le MESS (surface de similitude environnementale multivariée) carte des sorties pour chaque modèle indiqué l'environnement disponible de la zone d'étude a été bien échantillonnée (Figure 6), augmentant encore notre confiance dans l'approche d' ensemble.
moyens ">Tableau 1. Seuil indépendant (AUC) et dépendant seuil (PCC, Sensibilité, Spécificité et TSS) Les paramètres d'évaluation pour BRT, RF, MARS, GLM, et les modèles Maxent correspondent à un test indépendant ensemble de données de la présence de tamaris et de l'absence.
Figure 5. Résultats Ensemble combinant BRT, GLM, MARS, RF, et des cartes de sortie binaires Maxent dans ArcGIS. Les zones sont colorées par nombre de modèles d'accord, de 0 (pas de couleur) à 5 (rouge). Notez la zone colorée dans le coin nord-ouest de la prédiction; cette ligne est un artefact de l'imagerie Landsat; donc les résultats du modèle devraient être prises avec prudence dans cette région. S'il vous plaît cliquer ici pour voir une version plus grande de cette figure.
Figure 6. multivariée surface de similitude environnementale (MESS) sortie.target = "_ blank"> S'il vous plaît cliquer ici pour voir une version plus grande de cette figure.
Sur les neuf prédicteurs utilisés, le 30 Juin 2006 Luminosité était la variable la plus importante pour tous les cinq modèles (tableau 2). Ce fut la seule variable retenue par GLM sur la base progressive critère d'information Akaike (AIC, ce qui est la valeur par défaut pour la sélection du modèle GLM dans SAHM), mais il est important de noter que ce modèle comprend également un terme au carré de cette variable. RF et Maxent conservent toutes les variables par défaut.
| Predictor | BRT | RF | MARS | GLM | Maxent |
| 30 juillet 2006 Luminosité | 41.60 | 34.11 | 76.78 | 100 | 67.27 |
| 31 août 2006 Band 4 | 6.35 | 5.87 | 5.16 | 0 | 2.82 |
| 9 juin 2005 SAVI | 13,67 | 14.09 | 9.14 | 0 | 9,75 |
| 22 avril 2005 Luminosité | 6,29 | 6.30 | 0 | 0 | 0,43 |
| 28 octobre 2004 NDVI | 5,66 | 8.25 | 0 | 0 | 2.94 |
Tableau 2. Importance relative des prédicteurs dans chaque modèle.
Discussion
Nos résultats démontrent BRT ferrure, RF, MARS, GLM et Maxent avec des points de présence pour tamaris et une série temporelle des données d'imagerie par satellite Landsat télédétection peut distinguer tamaris sur le paysage et est une alternative efficace aux méthodes traditionnelles de classification unique scène. Il ressort de nos résultats que Juin est un moment particulièrement important pour détecter tamaris au sein de notre zone d'étude; cela concorde avec Evangelista et al. 2009 1 qui indiquait Juin Wetness était le facteur prédictif le plus important pour les tamaris occurrence dans ce domaine sur la base d' un ajustement du modèle Maxent avec une série chronologique des images Landsat.
Les autres indices et bandes spectrales qui ont été inclus dans le BRT, RF, MARS, et les modèles Maxent peuvent en outre distinguer tamaris du substrat du sol, d' autres arbres à feuilles caduques , y compris le peuplier (Populus spp.) Et le saule (Salix spp.), Ou l' agriculture irriguée qui est commun dans la partie inférieurebassin de la rivière Arkansas. D'autres couches SIG, telles que la topographie, les types de sol, ou les données climatiques pourraient également être considérés comme des covariables et inclus dans ces modèles, mais nous recommandons de garder ces à un minimum si l'objectif est de détecter la distribution des espèces en cours sur le paysage plutôt que de prédire le potentiel occurrence ou habitat convenable.
Les modèles testés pour notre recherche fourni une capacité analytique solide et de multiples options pour l'évaluation des résultats. Ayant tous ces modèles corrélatifs dans un cadre unique, comme SAHM, permet la formalisation et l'enregistrement traitable du processus de modélisation. Pré et post-traitement des variables de réponse et prédictives sont normalisés en SAHM, ce qui permet une meilleure et efficace des comparaisons de modèles, tandis que les flux de travail enregistrent chaque étape des analyses facilitant la modification, l'itération et la réplication.
Ensemble cartographie vise à combiner les points forts de plusieurs modèles corrélatifs, tout en minimisant le poidsAIBLESSE d'un modèle quelconque 30. Nous croyons que ce fut le cas dans notre étude; cependant, nous mettons en garde que les modèles qui sous - performent (ie, sous-prédire ou surestimer) peuvent affaiblir les résultats globaux. L'utilisation limitée de cartographie ensemble dans la littérature a eu des résultats favorables, mais la plupart de ces approches ont tenté de «prédire» la présence des espèces plutôt que de «détecter». En outre, la cartographie d'ensemble permet une évaluation visuelle de l'incertitude parmi les différentes méthodes de modélisation, l'identification des niveaux de modèle d'accord. Le plus souvent , il est le choix de la méthode de modélisation (par exemple, GLM contre BRT) qui a un impact plus grand quantifiable sur les résultats du modèle plutôt que d' autres décisions dans le processus de modélisation tels que l' emplacement incertitude des données 31. Bien que nous croyons que notre meilleure carte de tamaris est l' endroit où tous les cinq modèles sont en accord, des tests supplémentaires et l' utilisation de différentes méthodes de cartographie ensemble est recommandée (par exemple, pondérée par l' ASC) 32 </ Sup>, et mieux validés par des observations de terrain indépendants. En résumé, ces méthodes peuvent être facilement adaptés pour modéliser la distribution d'autres espèces en utilisant des variables environnementales dérivées pour une région d'étude donnée dans 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).
