Yöntem makalesi

Türler Dağıtım Modelleri ile Uzaktan Algılama bütünleştirilmesi; Destekli Habitat Modelleme için Yazılımı Kullanma Haritalama Ilgın İstilaları (SAHM)

DOI:

10.3791/54578

⸱

11 Ekim 2016

 ,  ,  ,  ,  ,  ,  ,  , 
1Natural Resource Ecology Laboratory, Colorado State University, 2U.S. Geological Survey, Fort Collins Science Center, 3U.S. Geological Survey - U.S. Department of the Interior, North Central Climate Science Center

Bu makalede

Özet

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Arazide istilacı türlerin oluşumunu tahmin etmede uzaktan algılanan verilerin ve yeni geliştirilen Destekli Habitat Modelleme Yazılımının (SAHM) faydasını gösteriyoruz. Tahmine dayalı modellerden oluşan bir topluluk, sonraki saha doğrulamalarıyla değerlendirildiğinde, ABD'nin Güneydoğu Colorado eyaletindeki ılgın (Tamarix spp.) istilasının son derece hassas haritalarını üretti.

Özet

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

istilacı bitki türlerinin erken teşhis doğal kaynaklar ve ekosistem süreçlerinin korunması yönetimi için hayati önem taşımaktadır. invaziv bitkilerin dağılımını haritalama için uydu uzaktan algılama kullanımı daha yaygın hale gelmektedir, ancak geleneksel görüntüleme yazılımı ve sınıflandırma yöntemleri güvenilmez olduğu gösterilmiştir. Bu çalışmada, biz test etmek ve Güneydoğu Colorado Arkansas Nehri boyunca istilacı ılgınlı (Tamarix spp.) Harita uydu uzaktan algılama verileri ile uyum beş tür dağıtım modeli tekniklerinin kullanımını değerlendirir. Test modeller regresyon ağaçları (BRT), Rastgele Orman (RF), çok değişkenli regresyon adaptif spline (MARS), genelleştirilmiş doğrusal model (GLM), ve MAXENT artırdı dahil. Bu analizler Destekli Habitat Modelleme (SAHM) Yazılım denilen yeni geliştirilmiş bir yazılım paketi kullanılarak yapılmıştır. Tüm modeller 499 varlığı noktaları, 10.000 sözde yokluğu noktaları ve tahmini değişkenleri acqu ile eğitilmiştirSekiz aylık dönemde Landsat 5 Tematik Mapper (TM) sensöründen gelen IRED fenolojik farklılıkların algılama kullanarak doğal kıyıdaş bitki örtüsünden ılgınlı ayırt etmek. Landsat sahneleri, bireysel bantları ve hesaplanan Normalize Fark Bitki Örtüsü İndeksi (NDVI), Toprak-Arındırılmış Vejetasyon İndeksi (SAVI) ve püsküllü şapkalı dönüşümler kullanılır. manzara mevcut ılgın dağılımını tespit Beş modeller başarıyla bağımsız konum verileri ile eşik bağımsız ve eşik bağımlı değerlendirme metriklerine dayalı. modeli belirli farklılıkları hesaba katmak için, harita çıktı anlaşmasının alanları ve belirsizlik alanları vurgulayarak tüm beş model bir topluluk üretti. Bizim sonuçlarımız uzaktan algılama veri ve topluluk haritalama programı analiz türlerin dağılım modelleri yararlılığını göstermek ve ön işleme SAHM yeteneği vitrin ve çoklu karmaşık modeller yürütülmesi.

Giriş

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Güneybatı Amerika Birleşik Devletleri boyunca kıyıdaş ve sulak alan ekosistemleri özellikle ılgın işgali ile tehdit ediliyor (Tamarix spp.), 1800'lerde 1 Avrasya'nın tanıttı olmayan doğal odunsu çalı. Ilgın cinsi, su kaynaklarını işletmek yerli türlerin dışı rekabet ve ekosistem 1-2 süreçleri değiştirmek için izin birçok fizyolojik mekanizmalara sahiptir. etkin kontrol stratejileri, çevresel etkilerin değerlendirilmesi ve formüle etmek için Haritalama ılgın dağılımları kaynakları yöneticileri için yüksek öncelikleri vardır. zemin etüdü düzenli kullanıldığı kalır rağmen nedeniyle emek, zaman ve lojistik ilgili maliyetleri çok büyük alanlar için pratik değildir.

Uydu uzaktan algılama ılgın istilası tespiti ve haritalama önemli, ancak sınırlı, rol oynamıştır. Geleneksel sınıflandırma analizleri ve uzaktan algılama yazılımı marjinal başarı 3-5 oldu. Çeşitli son çalışmalaruzaktan algılama veri 1,6 kullanarak invaziv bitkiler tespit etmek için araştırdı geleneksel olmayan yaklaşımlar var. Ilgın, birçok istilacı bitkiler gibi, yerli kıyıdaş türlerin fenolojisi farklıdır büyüme mevsimi boyunca fenolojik varyasyon sergiler. Bazı bölgelerde, örneğin, ılgın yaprak dışında bazı yerli kıyıdaş bitkilerin öncedir ve ılgın artık diğer yerli türlere göre onun yaprakları korur. Spektral bantları ve büyüme mevsimi boyunca uydu verilerinin bir zaman serisi elde edilen spektral endeksleri kullanarak, bu fenolojik farklılıklara 1,6 dayanan yerli bitkilerden ılgınlı ayırt edebilirsiniz. Evangelista ve ark çalışmaları üzerine inşa. 2009 1, bu çalışmada biz Landsat 5 Tematik Mapper (TM) uydu görüntülerinin bir zaman serisi bireysel bantlarının 1-7 anonim ve normalize fark bitki örtüsü indeksi (NDVI), toprak ayarlı bitki indeksi (SAVI) ve püsküllü kap türetilmiş bu bantlardan dönüşümler. normalize ayırıcıce vejetasyon indeksi (NDVI) tahmin bitki biyokütle, gölgelik kapağı ve yaprak alanı endeksleri 8-9 için en sık kullanılan spektral indekslerin biridir ve (kırmızı) görünür ve sıfıra yaklaşır arasındaki oranın doğrusal olmayan bir dönüşümdür kızılötesi bantları 10. Toprak düzeltilmiş bitki indeksi (SAVI) bitki örtüsü indeksleri 11 toprak kökenli etkilerini en aza indirmek için kullanılan modifiye NDVI olduğunu. Püsküllü kap dönüşümleri toprak parlaklık (püsküllü bir takke, bant 1), vejetasyon yeşillik (püsküllü bir takke, bant 2), ve toprak / bitki ıslaklık (püsküllü bir takke, bant 3) ve ölçmek üç ortogonal bantları içine altı Landsat bantları kompozit ağırlıklı olan genellikle bitki örtüsü kompozisyonu, yaş sınıfı ayırt ve 12-14 yapılandırılmasında kullanılır. Hepimiz püsküllü kap dönüşümleri için Crist (1985) 15 rapor katsayıları kullanılır.

Bu çalışmada, biz spektral bantları ve sebze bir zaman serisi ile beş tür dağıtım modellerini testLandsat 5 TM türetilmiş etation endeksleri, güneydoğu Colorado ABD düşük Arkansas Nehri boyunca ılgınlı harita. Arkansas Nehri, 2364 km (1469 mil) kapsayan, Missouri-Mississippi sisteminde ikinci büyük koludur. Onun havza Colorado Rocky Dağları ırmak ile 435.123 km 2 (168002 mil 2) kapsar. 2965 m kökeninden, Arkansas Pueblo, CO yakınlarındaki dışarı tesviye ve tarım arazileri ve kısa çim kır kıvrımlı, yükseklik önemli ölçüde düşer. Nehir mevsimsel sel tabidir ve Mississippi Nehri akar nerede Kansas, Oklahoma ve Arkansas içine devam etmeden önce, Rocky Ford, La Junta ve Lamar belediye ve tarımsal su kullanımı için dayanıyordu edilir. Ilgın ilk Lamar 16 günümüz kenti yakınlarında 1913 yılında R. Niedrach tarafından Arkansas Nehri üzerinde gözlenmiştir. Bugün, ılgın Pueblo ve Kansas devlet lin arasında 100'den fazla km 2 kapsadığını tahmin edilmektedirArkansas Nehri 17 kolları boyunca ek bir 60 km 2 ile e. Çalışma alanı sulama hendekleri, sulak tarım arazisi ve çeşitli kollarından Confluences kapsar; tüm ılgın istila değişen derecelerde. Çiftçiliği ve tarım birincil büyük ölçüde yonca, saman, mısır ve kışlık buğday oluşan kıyıdaş koridorlarında bitişik arazi kullanır vardır.

Türler dağıtım modelleri türün ortaya çıkması ve çevre 18 arasındaki ilişkileri tanımlamak için jeo-referanslı olaylar (yani, enlem, boylam) güveniyor. Çevresel verileri birden çok uzaktan algılama ve diğer mekansal katmanları içerebilir. Test beş türün dağılım modelleri artırdı regresyon ağaçları (BRT) 19, rastgele ormanlar (RF) 20, çok değişkenli regresyon adaptif spline include (MARS) 21, genelleştirilmiş lineer model (GLM) 22 ve MAXENT 23. Bu beş modEl algoritmaları en yaygın tür dağıtım modelleme için kullanılan arasındadır ve bir dizi çalışma etkinliğini 24-25 göstermiştir. Biz Destekli Habitat Modelleme (SAHM) v Yazılımı kullanılmaktadır. 2.0 modülleri VisTrails v.2.2.2 26 görselleştirme ve işleme yazılımı içerdiği beş model, yürütmek için. karşılaştırmalı modelleme SAHM kullanarak çeşitli avantajları vardır. Resmileştirilmesi ve modelleme süreçleri uysal kayıt ek olarak, SAHM kullanıcıları, ayrı ayrı, 27 biçimlendirme farklı arayüzler, yazılım ve dosya birden türlerin dağılım modeli algoritmaları ile çalışma olanağı sağlar. SAHM modeli performansını değerlendirmek için tutarlı eşik bağımsız ve eşik bağımlı değerlendirme ölçümlerini üretir. Bunlardan biri Ulukavak Eğri Altındaki Alan (EAA), arka plan 28'den varlığını ayırt etmek bir model yeteneğini değerlendiren bir eşik bağımsız bir ölçümdür. Bir AUC val0.5 ya da daha az vi model tahminleri rastgele değil daha iyi ya da kötü olduğunu gösterir; 0.5 ve 0.70 arasında değerler kötü performans gösterir; ve 0.70 ile 1.0 artan değerler giderek daha yüksek performans gösteriyor. Başka bir metrik doğru (PCC), metrik kullanıcı tanımlı bir eşik dayalı duyarlılık ve özgüllük ağırlığında bir eşik bağımlı metrik sınıflandırılmış yüzde; duyarlılık uygun ve özgüllük olarak sınıflandırılan gözlenen varlıkları yüzdesi uygun olarak sınıflandırılan arka plan yerleri yüzdesini ölçer ölçer. Yine başka bir metrik Gerçek Yetenek İstatistik (TSS = duyarlılık + özgüllük - 1) 'dir, değişen değerlerle, seçicilik daha modeli duyarlılığı daha fazla ağırlık vermektedir hangi -1 ve değerler 0 şans 29 daha iyi bir model performansı gösterir> 1 arasında.

Model çıkışını kullanarak ılgınlı haritasını çıkarmak için, biz p tanımlamak için duyarlılık ve özgüllük eşitleyen eşik kullanarak ikili sınıflandırmalar inşaresence ya ılgın olmaması. Bu bireysel bir model türetilmiş haritalar daha sonra bir topluluk harita 30 oluşturmak için toplandı. Ensemble haritaları test modelleri toplu sözleşme sırada bir sınıflandırılmış harita üretmek için bireysel türlerin dağılım modelleri tahminler birleştirir. Örneğin, tek bir topluluk hücre değeri beşin değeri beş modeller uygun yaşam alanı olarak hücreyi sınıflandırılmış olduğunu gösterir ise sadece bir model, uygun yaşam alanı olarak bu hücreyi sınıflandırılmış olduğunu gösterir. Bu yaklaşımın bir avantajı topluluk haritalar herhangi bir bireysel modele göre daha düşük bir ortalama hatası verim olmasıdır. Ayrıca kullanıcıların görsel test edilen her modelin performansını karşılaştırmak için izin verir. Bizim genel amacı manzara türlerin akım dağılımı modellemek için uygun olabilir bu yöntemlerin ayrıntılı bir açıklamasını sağlamaktır.

Protokol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. Saha Veri Toplama

  1. 2005 ve 2006 17 eyalet çapında bir ankete Ilgın Koalisyonu tarafından toplanan bir vektör poligon veri kümesinden ılgın için alan veri elde.
    NOT: Veri alanı teknisyenleri tüm ılgın Küresel Konumlandırma Sistemi (GPS) ve hava fotoğrafları kullanılarak Arkansas Nehri boyunca standları eşlenen yoğun bir zemin etüdü yoluyla elde edilmiştir.
  2. Bu poligon içinde, modeller eğitmek için 499 rastgele noktaları (örneğin, varlıkları) oluşturur. rastgele noktalara kısıtlamalar iki takım yerleştirin: (1) her nokta bir Landsat 5 TM çözünürlükte durmak ılgın içinde olduğundan emin olmak için herhangi bir poligon kenarından> 30 m olması gereklidir; ve (2) her nokta çalışması site genelinde sağlam bir dağılımını sağlayacak ve mekansal otokorelasyon en aza indirmek için, herhangi bir komşu noktasından 60 metre ≥ edilmesi gerekmektedir.
  3. üç sütun bir MS Excel dosyası alan verileri derlemek başlıklar etiketli ile "yanıtı""X" ve "Y", tepki değerleri nerede (1) Y. Kaydet Sahm kullanılmak üzere .csv formatında bu dosya (FieldData modülü) için varlığı, X için UTM easting ve UTM yukarı için.
  4. Model sonuçlarını değerlendirmek için bağımsız test verisi olarak poligon dışında Ilgın Koalisyon'un ılgın çokgenler içinde ek bir 100 rasgele sayı ve başka 100 rastgele noktaları oluşturmak. SAHM kullanılmak üzere .csv formatında bu dosyayı (FieldData modülü) kaydedin.

2. Predictor Değişkenler

  1. ABD Jeolojik Survey Küresel Görselleştirme Viewer / EarthExplorer den (Path 32, Satır 34) Landsat 5 yüzey yansıtma L4-5 TM görüntüleri indirmek (http://earthexplorer.usgs.gov/). Sahneleri 2005 ve 2006 17 Colorado Ilgın Koalisyonu tarafından örneklenen kapsamalıdır. Modellerinde kullanılan ay, büyük ölçüde bulut serbest seçme sahneler (yani <% 10 bulut örtüsü) ve representativ belirlemek içinayırt ılgın phenology olduğu düşünülen ay e; Bu Ekim 2004, Nisan 2005, Mayıs 2005, Haziran 2005, Temmuz 2005, Eylül 2005, Nisan 2006, Mayıs 2006, Haziran 2006, Temmuz 2006, Ağustos 2006, Eylül 2006 ve Kasım 2006 idi.
  2. dan Uzaktan Algılama Endeksleri Derivasyon Aracı indirin
    https://github.com/rander38/Remote-Sensing-Indices-Derivation-Tool.
  3. , GDAL veya Arcpy sürümünü ya aracında Python komut dosyasını çalıştırın; GDAL önerilir.
  4. Uygun uydu sensörü, istenilen endeksleri seçin ve giriş görüntü dosyasını ve dosyalarının depolanacağı çıkış klasörü (Şekil 1) olarak ayarlayın. Biz bireysel bantları ihraç ve Landsat TM sahneleri her türetilmiş NDVI, SAVI ve Püsküllü Cap parlaklık, yeşillik ve ıslaklık endeksleri kullanılmıştır. Herhangi bir endeksler değiştirilebilir veya Sensors_Formulas_RSIDT.ini dosyasını değiştirerek eklenebilir unutmayın.

figure-protocol-1 1. Uzaktan Algılama Endeksleri Derivasyon Aracı GUI Şekil.

  1. aracını çalıştırın ve ArcMap v görsel çıktı dosyaları doğrulamak. 10.0 (ESRI, Redlands, CA) veya başka bir coğrafi bilgi sistemi yazılımı.

Destekli Habitat Modelleme (SAHM) (Şekil 2) 3. Yazılım

figure-protocol-2
Şekil 2. tüm SAHM iş akışı giriş verileri, preprocessing, ön model analizi ve karar, bağıntılı modelleri ve çıkış rutinleri içerir.

  1. https://my.usgs.gov/catalog/RAM/SAHM at SAHM, US Geological Survey web sitesinden (VisTrails dahil) ilk dosya indirme çalıştırmak için. indirirken ve SAHM kurulumu hakkında ayrıntılı talimatlar için aynı web sitesinde Kullanıcı Kılavuzu'na bakın. Web sitesi bir SAHM Tutoria olduğunu notl ve ek talimatlar için veri.
  2. Ilgın türleri dağıtım modelleri geliştirmek için, (SAHM örnekler klasöründe) paket indirmesiyle birlikte gelen SAHM_tutorial_2.0.vt dosyasını kullanın. Geçmiş görünümü içinde, Bağımsız yerleri iş akışını seçin. Diğer iş akışı örnekleri seçilir ve çalışma hedefleri bağlıdır olabilir; Tanımlar her biri verilmiştir. Boru Hattı seçin.
  3. Daha sonra SAHM> Değiştir Oturum Klasör Paketleri gidip tarafından, çıkış klasörü ayarlamak. Iş akışı geliştirme süreci boyunca, her adımda ve seçeneklerin ayrıntılı açıklamaları SAHM izleyici ekranın sağ tarafında bulunan Belgeler sekmesini seçerek bulunabilir. Aşağıdaki yöntemlerden listelenen tüm modüller SAHM sekmesi altında SAHM penceresinin sol tarafında bulunabilir.
  4. olacak alan verilerine yanında, direkt SAHMtürlerin dağılım modelleri eğitmek için kullanılır.
    1. TemplateLayer modülünde tıklayın. Bir maske olarak kullanılacak ve analizlerin projeksiyon, hücre boyutu ve kapsamını tanımlamak için raster göz atın.
    2. Iş akışı sol tarafında FieldData modülü tıklayın. .csv Göz atın (yani, training.csv) alan veri modülü içinde saha verileri (varlığı noktaları veya varlığı ve yokluğu noktalarının) dosya.
    3. Dosya listesini PredictorListFile modülü tıklayın ve .csv göz (örneğin, bütün prediktörlerin tam yolunu içeren dosya kullanım kılavuzuna başvurun modeli- kullanmak için).
  5. Sonra, ön işlem adımları yürütmek.
    1. FieldDataQuery modülü tıklayın ve yanıt sütun başlığının ile yanıt sütununda doldurmak (yani, FieldData.csv sütun adları), X ve Y sütunlar.
    2. MDSBuilder modülü tıklayın. backgroundPoi Set10,000 ntField.
      NOT: modellenen türler için varlığı ve yokluğu verileri kullanılarak iseniz, backgroundPointField değiştirmeniz gerekmez; Field data.csv bir yanıt (0) ile bu konumları içerir. (Bu değerler rasgele oluşturulmuş bir nokta, bir dahilinde olmalıdır muhafaza edilecektir olasılığını temsil eden 0 ile 100 arasında değişen değerlerle raster yüzeye işaret ederek bir alanda arka plan noktası seçimi sınırlamak istiyorsanız backgroundProbSurf ayarlamak için isteğe bağlıdır özel bir hücre). Bu çalışma için, (ılgın koalisyonu tarafından örneklenen toplam alana göre) bu tampon dışındaki alanlar için 5000 m Arkansas Nehri tampon ve 0 içinde 100 değerleri ile backgroundProbSurf kullanın.
  6. Sonraki belirtin türlerin dağılımı modelleme algoritmaları kullanılacak.
    1. Not BoostedRegressionTree, GLM, MARS, ve RandomForest modülleri zaten Bağımsız yerleri iş akışında ayarlanır. Tüm beş model test iş akışına MAXENT modül ekleyin. CovariateCorrelationAndSelection modülüne bağlayın.
      NOT: Tüm modeller için varsayılan ayarları ile başlayın; Bu çalışma hedefleri (daha fazla ayrıntı için örnek belgelerine bakın) dayalı değiştirilebilir.
    2. Bir ModelOutputViewer modülü ilave edin ve MAXENT modülüne bağlayın; 5 sütun değiştirmek ve 1 kürek ModelOutputViewer modeli sonuç karşılaştırmalar için kullanılabilecek bir e-tablo oluşturur.
    3. OutputName modülü üzerine tıklayın ve bir alt klasör adını yazın.
  7. Sonraki model çıktılarının bir topluluk oluşturan bir modül ekleyin. Bu modül iki çıkış haritalar üretir; tüm dahil çıkışların ortalama sürekli olasılık ve pozitif bin modellerin sayısı sayısı ile ikinci bir ile birli olasılık.
    1. Iş akışına bir EnsembleBuilder modül ekleyin. Bir Eşik ayarlamak için Metrik isteğe bağlıdır; Bu çalışma için, AUC seçin ve 0.75 varsayılan değer Eşik Değeri bırakın. Bu veya 0,75 eşit topluluk harita çıkışları dahil edilir daha büyük bir AUC değeri o yalnızca belirli modellerde sağlayacaktır. EnsembleBuilder için BoostedRegressionTree, GLM, MARS, RandomForest ve MAXENT modülleri bağlayın.
  8. Sonraki, bağımsız test verilerine modelleri yönlendirir.
    1. Diğer FieldData modülü (iş akışı sağ tarafı) tıklayın ve model doğrulama verilerini içeren .csv dosyasına göz atın. Bunlar PROTOKOL adım 1.4 oluşturulan 200 varlığı ve yokluğu noktalarıdır.
    2. FieldDataQuery modülü tıklayın ve emin cevap, x yapmak, ve y sütunları i maçn alan veri .csv.
    3. Bir ApplyModel modülü ilave edin ve MAXENT modülüne bağlayın. Bir ModelOutputViewer modülü ilave edin ve bu ApplyModel modülüne bağlayın; Menüde 1'e 5 sütun ve satır değiştirmek seçin Paketleri -> SAHM -> Değiştir İşleme Modu. (- 1 çekirdeği her n) Eğer birden fazla modeli çalıştırmak tek modeller sırayla seçmek istediğiniz beri. Bu, birden çok bilgisayar çekirdek yararlanarak modellerin yürütme süresini hızlandırmak olacaktır.
  9. Sonraki, türlerin dağılım modelleri yürütmek.
    1. Dosya .vt kaydedin ve sonra Çalıştır tıklayın.
    2. R | CovariateCorrelationAndSelection eklendi (Şekil 3) göründüğünde, korelasyon katsayısı değişkenler her ilişki çiftinin birini seçimini | ≥ 0.7 (% Sapma dayalı bir tek değişkenli genel dan Açıklaması Bu widget (Şekil 3) ve bilgilendirilmiş ekolojik kararların sol tarafında görülen katkı modeli ized; Bu çalışmada) ılgın fenolojik varyasyonu yakalamak için her ay için, en az bir alt değer seçimi öncelik. Görüntüleme penceresinde Alanların Sayısı bir sayı girerek (varsayılan 8) ve Update tıklayarak değiştirilebilir.
    3. Öndeğişken seçim sonuçlandırılması sonra, CovariateCorrelationAndSelection widget'ı (Şekil 3) alt kısmında Tamam seçeneğini seçin. Bu çalışma için, aşağıdaki 9 değişkenler muhafaza edildi: 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 ve Nov_19_2006_SAVI. türlerin dağılım modelleri Tamam seçtikten sonra yürütülür.

jpg "/>
Şekil 3. Eşdeğişkene korelasyon ve seçeneklerini SAHM arabirimi.

  1. Sonuçlar çıktı.
    NOT: Modeller tamamladıktan sonra, bir VisTrails elektronik tablo modeli karşılaştırma için görüntülenir (Şekil 4)
    1. modeller arasında EAA araziler, metin çıktılarını, yanıt eğrileri, kalibrasyon, kafa karışıklığı matrisi, artıklar ve cevap eğrileri karşılaştırın.
      NOT: SAHM modelleri Çıktı artık bir CovariateCorrelationOutputMDS, karışıklık matrisi, artık arsa, kalibrasyon arsa, model değerlendirme arsa, değişken önemi arsa, bir yanıt eğrileri klasörünü genişletilmiş bir çıkış klasörünü, bin haritası, karışıklık haritası, MSB haritası, prob harita içerir harita ve bir output.txt; Daha fazla bilgi için SAHM Kullanıcı Kılavuzu'na bakın.

figure-protocol-3
Şekil 4. VisTrails-tabloları Model çıktısı değerlendirmek için de kullanılabilir. Bueğitim verileri için AUC modeli karşılaştırması; modeller sırasıyla BRT, GLM, MARS, RF ve MAXENT vardır soldan sağa doğru.

Sonuçlar

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

bağımsız test veri kümesi dayalı BRT, RF, MARS, GLM ve MAXENT İstatistiksel değerlendirmeler beş modeller ılgınlı tespit nispeten iyi bir performans gösterdi; modeller arasında eşik bağımsız ve eşik bağımlı değerlendirme metrikleri arasında çok az bir fark yoktu. AUC değerleri> 0.88 idi, yüzde doğru sınıflandırılmış değerler>% 77, duyarlılık ve özgüllükleri> 0.77 idi, ve AKM> 0.54 (Tablo 1). İkili modeli çıkışların bir topluluk Arkansas Nehri (Şekil 5) boyunca alanlarda çok modeli anlaşması ortaya çıkardı. MESS (değişkenli çevre benzerlik yüzey) her model için harita çıkışları çalışma alanının mevcut ortamı belirtilen iyi daha topluluğu yaklaşımı olan güvenimizi artırır (Şekil 6) örnekleri alındı.

yolları "> model AUC PCC Duyarlılık Özgünlük TSS BRT 0.91 85 0.85 0.85 0.70 RF 0.92 85 0.85 0.85 0.70 MARS 0.90 82 0.82 0.82 0.64 GLM 0.88 77 0.77 0.77 0.54 MAXENT 0.92 84 0.83 0.84 0.67

Tablo 1. Eşik bağımsız (AUC) ve bağımlı eşik (PCC, Duyarlılık, Özgünlük ve TSS) BRT, RF, MARS, GLM için değerlendirme ölçütleri ve MAXENT modeller, bağımsız bir test uygun ılgın varlığı ve yokluğu kümesi.

figure-results-1
Şekil ArcGIS BRT, GLM, MARS, RF ve MAXENT dijital çıkış haritaları birleştirerek 5. Ensemble sonuçları. Alanları 5 (kırmızı) 0 (hiçbir renk) için, anlaşmada modellerin sayısına göre renklidir. tahmin kuzeybatı köşesinde renkli bölgeyi unutmayın; Bu hat Landsat görüntüleri bir eserdir; Bu nedenle model sonuçları bu bölgede dikkatli alınmalıdır. Bu rakamın büyük halini görmek için lütfen buraya tıklayınız.

figure-results-2
Şekil 6. Çok değişkenli çevre benzerlik yüzeyi (MESS) çıktı.target = "_ blank"> bu rakamın daha büyük bir versiyonunu görmek için lütfen buraya tıklayınız.

Kullanılan dokuz öngördürücülerin, 30 Haziran 2006 Parlaklık beş modelleri (Tablo 2) için en önemli değişken oldu. Bu aşamalı Akaike bilgi ölçütü dayalı GLM tarafından tutulan tek değişken (AIC, bu SAHM GLM modeli seçimi için varsayılan), ancak bu model de bu değişkenin bir kare terim dahil dikkat etmek önemlidir. RF ve MAXENT varsayılan olarak tüm değişkenleri korurlar.

Predictor BRT RF MARS GLM MAXENT
30 Temmuz 2006 Parlaklık 41.60 34.11 76.78 100 67,27
31 Ağustos 2006 Band 4 6.35 5.87 5.16 0 2.82
9 Haziran 2005 SAVI 13.67 14.09 9.14 0 9.75
22 Nisan 2005 Parlaklık 6.29 6.30 0 0 0.43
28 Ekim 2004 NDVI 5.66 8.25 0 0 2.94

Tablo her modelde öngördürücülerin 2. Bağıl önemi.

Tartışma

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Elde ettiğimiz sonuçlar peyzaj ılgınlı ayırt edebilirsiniz ılgın için varlığı noktaları ve uzaktan algılanmış Landsat uydu görüntüleri verilerinin bir zaman serisi ile, RF, MARS, GLM ve MAXENT uydurma BRT göstermek ve geleneksel tek-sahne sınıflandırma yöntemleri etkili bir alternatiftir. O Haziran çalışmamız alanı içinde ılgınlı tespiti için özellikle önemli bir zaman olduğunu bizim sonuçlardan açıktır; Bu Haziran Islaklık Landsat görüntüleri bir zaman serisi ile bir MAXENT model uyum dayalı bu alanda ılgın oluşumu için en önemli belirleyicisi olduğunu belirtti Evangelista ve ark. 2009 1 katılıyor.

BRT, RF, MARS, ve MAXENT modellere dahil olduğu diğer spektral endeksleri ve bantlar daha (. Salix spp) Toprak substrat Kavağı dahil olmak üzere diğer yaprak döken ağaçlar (Populus spp.) Ve söğüt gelen ılgınlı ayırt veya tarım sulanan olabilir düşük yaygındırArkansas River havzası. Böyle topografya, toprak tipleri, ya da iklim verileri gibi diğer CBS katmanları, aynı zamanda ortak değişkenler olarak kabul edilir ve bu modellerde dahil, fakat gol manzara mevcut türlerin dağılımını tespit ziyade potansiyel tahmin etmek ise biz en az bu tutmanızı öneririz olabilir olay veya uygun yaşam.

Araştırmamız için test modelleri güçlü analitik kapasite ve sonuçların değerlendirilmesi için çok sayıda seçenek sağladı. Böyle SAHM olarak tek bir çerçeve içinde bu karşılıklı modellerin, hepsine sahip, kayıt altına almanın ve modelleme sürecinin uysal kaydedilmesini sağlar. iş akışları değişiklik, yineleme ve çoğaltma kolaylaştıran analiz her adımı kayıt sırasında öncesi ve tepki ve tahmini değişkenleri post-processing, daha iyi ve verimli bir model karşılaştırmaları izin SAHM içinde standardize edilmiştir.

Ensemble haritalama w en aza indirirken, birkaç bağıntılı modellerin güçlü birleştirmeyi amaçlamaktadırHerhangi bir model 30 eakness. Biz bu çalışmamızda durum olduğuna inanıyorum; Ancak, biz (yani, tahmin-veya fazla tahmin) underperform modelleri genel sonuçları zayıflatabilir konusunda uyarıyorlar. Literatürde topluluk haritalama sınırlı kullanım olumlu sonuçlar olmuştur, ancak bu yaklaşımların çoğu ziyade tür oluşumu "tahmin" çalıştılar "algılar." Ayrıca, topluluk haritalama model anlaşmaya düzeylerinin belirlenmesi, farklı modelleme yöntemleri arasında bir belirsizlik görsel değerlendirme sağlar. Çoğu zaman bu modelleme yönteminin seçimi (örneğin, BRT karşı GLM) yerine bu tür konum verileri belirsizliği 31 olarak modelleme sürecinde diğer kararlar daha modeli sonuçları üzerinde en ölçülebilir bir etkisi vardır. Hepimizin beş model anlaşma nerede bizim en iyi ılgın haritası (örneğin, AUC tarafından ağırlıklı) 32 tavsiye edilir ayrıca test ve topluluk haritalama çeşitli yöntemler kullanarak, olduğuna inanıyoruz rağmen </ Sup> ve en iyi bağımsız arazi gözlemleri ile doğrulanmıştır. Özetle, bu yöntemler kolayca SAHM belirli bir çalışma bölge için elde edilen çevresel değişkenleri kullanarak diğer türlerin dağılımını modellemek için uygun olabilir.

Açıklamalar

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Yazarların rekabet eden herhangi bir mali çıkarı veya çıkar çatışması yoktur.

Teşekkürler

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Yazarlar, ABD Jeolojik Araştırmaları'na, Colorado Eyalet Üniversitesi'ndeki Doğal Kaynak Ekolojisi Laboratuvarı'na, Colorado Eyalet Orman Servisi'ne ve Tamarisk Koalisyonu'na lojistik destek, veri, tesis kullanımı ve uzmanlık için teşekkür eder. Ek olarak, bu çalışmaya katkılarından dolayı Shelly Simmons, Lane Carter, John Moore ve Chandra Reed'e teşekkür ederiz. Thomas J. Stohlgren, Rockies Biyoenerji İttifakı Ağı (BANR), USDA UV-B İzleme ve Araştırma Programı ve USDA CSREES/NRI 2008-35615-04666 tarafından kısmen desteklenmiştir. Ticaret, ürün veya firma adlarının herhangi bir şekilde kullanılması yalnızca açıklama amaçlıdır ve ABD Hükümeti tarafından onaylandığı anlamına gelmez.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
Dünya GezginiUSGShttp://earthexplorer.usgs.govAçık Erişim: Evet
Uzaktan Algılama Endeksleri Türetme Aracıgithubhttps://github.com/rander38/Remote-Sensing-Indices-Derivation-ToolAçık Erişim: Evet
Destekli Habitat Modelleme YazılımıUSGShttps://my.usgs.gov/catalog/RAM/SAHMAçık Erişim: Evet
ArcGIS v.10.3 Esrihttps://www.arcgis.com/features/Açık Erişim: Hayır

Kaynaklar

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. 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).
  2. DiTomaso, J. M. Impact, biology, and ecology of saltcedar (Tamarix spp.) in the southwestern United States. Weed Technology. 12, 326-336 (1998).
  3. 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).
  4. Hirano, A., Madden, M., Welch, R. Hyperspectral image data for mapping wetland vegetation. Wetlands. 23 (2), 436-448 (2003).
  5. 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).
  6. 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).
  7. 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).
  8. 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).
  9. 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).
  10. 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).
  11. Huete, A. R. A Soil-Adjusted Vegetation Index (SAVI). Remote Sensing of Environment. 25, 295-309 (1988).
  12. 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).
  13. 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).
  14. 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).
  15. Crist, E. P. A TM Tasseled Cap equivalent transformation for reflectance factor data. Remote Sensing of Environment. 17 (3), 301-306 (1985).
  16. 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).
  17. Riparian Restoration: Assessment of alternative technologies for tamarisk control, biomass reduction and revegetation. , Tamarisk Coalition. Available from: http://www.tamariskcoalition.org (2008).
  18. Guisan, A., Zimmerman, N. Predictive habitat distribution models in ecology. Ecological Modeling. 135, 147-186 (2000).
  19. Friedman, J. H., Hastie, T., Tibshirani, R. Additive logistic regression: a statistical view of boosting. Annals of Statistics. 28 (2), 337-407 (2000).
  20. Breiman, L. Random forests. Machine Learning. 45 (1), 5-32 (2001).
  21. Friedman, J. H. Multivariate adaptive regression splines. Annals of Statistics. 19 (1), 1-141 (1991).
  22. McCullagh, P., Nelder, J. A. Generalized Linear Models, 2nd ed. , Chapman and Hall. London. (1989).
  23. Phillips, S. J., Anderson, R. P., Schapire, R. E. Maximum entropy modeling of species geographic distributions. Ecological Modelling. 190 (3-4), 231-259 (2006).
  24. Araujo, M. B., New, M. Ensemble forecasting of species distributions. Trends in Ecology and Evolution. 22, 42-47 (2007).
  25. 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).
  26. 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).
  27. 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).
  28. 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).
  29. 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).
  30. 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).
  31. 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).
  32. 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).

Yeniden basım ve izinler

Bu JoVE makalesinin metnini veya şekillerini yeniden kullanmak için izin iste

İzin iste

Etiketler

Tamarisk InvasionLandsat ImageryEnsemble MappingPhenological DifferencesBoosted Regression TreesRandom ForestMaxent

İlgili makaleler