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

İstilacı bitki türlerinin saptanması, doğal kaynakların yönetimi ve ekosistem koruması için hayati önem taşımaktadır. Bu çalışmada, yeni geliştirilen Habitat Modelleme Destek Yazılımı'ndaki uzaktan algılamalı verilerin kullanımını ve peyzaj üzerinde istilacı türlerin görülme olasılığının tahmin edilmesini gösteriyoruz. Merhaba, ben Colorado State University, Doğal Kaynak Ekolojisi Laboratuvarı'nda Kıdemli Bilim İnsanı Tom Stohlgren.

Bu bir tamarisk. Güney Afrika, Asya, Avrupa ve Orta Doğu'nun bazı bölgelerine özgüdür ancak buralara ait değildir. Yani, bugün bulunduğumuz yer olan Colorado'daki LaJuna civarına veya Amerika Birleşik Devletleri'nin Güneybatı kısmına özgü bir tür değildir.

Tamarisk, fakültatif bir freatofit olması bakımından sıra dışıdır; yani bir dereye çok uzak bir noktada veya tam dere kenarında yaşayabilir. 30 metreyi aşan derinliklere inen bir kazık köke sahiptir. Bu yüzden, buradan 30 adım attığınızı hayal edin; işte bu kazık kök bu kadar derine kadar inebilir.

Bu nedenle, bölgedeki bazı yerli türlere göre kuraklık koşullarına biraz daha dayanıklıdır. Tamarisk olmasaydı, burada rabbitbrush üzerinde gördüğümüz gibi, yerli kelebekleri ve polen taşıyıcılarını çeken yerli türler için çok daha fazla alan olurdu. Burada, yerli bitki örtüsüyle doğrudan rekabet halindeki tamarisk çalılarını görüyoruz.

Bu örnekte, yerli bir Pamuk Ağacı söz konusu. Arkamda, çok yoğun bir grup, çok geniş bir alan var. Belki de sadece tamrisklerden oluşan bir kilometrekarelik bir alan.

Yaprak dökerek, ölü ve kurumaya yüz tutmuş dallarıyla burası gerçek bir yangın tehlikesi oluşturmaktadır. Caddenin diğer tarafında, çok daha yeşil ve nemli olan ve bu taraftaki tamariskten çok daha az yanıcı olan bir Söğüt, yani Salix türü bulunmaktadır. Şu anda tamarisklerin mera arazilerini istila ettiği bir bölgedeyiz.

Bu durum önemlidir çünkü ineklerin otlayabileceği mera alanını aslında daraltmaktadır. Tamarisk, birçok istilacı bitki gibi, yerli kıyı türlerinin fenolojisinden farklı olarak büyüme mevsimi boyunca fenolojik varyasyon sergiler. Örneğin bazı bölgelerde, tamarisk yapraklanması bazı yerli kıyı bitkilerinden daha önce gerçekleşir, çünkü tamarisk yapraklarını diğer yerli türlerden daha uzun süre muhafaza eder.

Büyüme sezonu boyunca alınan bir uydu veri zaman serisi kullanılarak, bu fenolojik farklılıklardan tamarisk ile yerli bitkileri ayırt etmek için yararlanılabilir. 1972 yılından beri dünyanın yörüngesinde bulunan Landsat uyduları, tamarisk dağılımını ve peyzaj üzerindeki fenolojisini belirlemek için ideal görüntü kaynağıdır. 30 metrelik mekansal çözünürlüğe ve 16 günlük zamansal çözünürlüğe sahip olan Landsat, NASA ve USGS'nin ortak bir programıdır.

Bu çalışmadaki amaçlarımız, Tamarisk Koalisyonu tarafından Colorado'da, Arkansas Nehri boyunca yürütülen yoğun bir saha haritalama kampanyasından elde edilen Landsat 5 görüntüleri ve tamarisk varlık noktalarını kullanarak, Yardımcı Habitat Modelleme Yazılımı'ndaki (Software for Assisted Habitat Modeling) beş farklı tür dağılım modelini test etmek ve değerlendirmekti. Ayrıca, model çıktılarına dayanarak çalışma alanındaki tamarisk dağılımının doğru bir haritasını oluşturmaktı. Bu kavramsal diyagram, bu çalışmadaki metodolojimizin genel bir özetini sunmaktadır.

Tamarisk için saha verileri, Tamarisk Koalisyonu tarafından 2005 ve 2006 yıllarında toplanan bir vektör poligon veri setinden elde edilmiştir. Landsat 5 Thematic Mapper verileri, tamarisk saha verilerine karşılık gelen yıllar için Earth Explorer'dan temin edilmiştir. Büyüme mevsiminin her ayı için en az bir görüntü toplanmıştır.

Uzaktan Algılama İndisleri Türetme Aracı'nı kullanarak, tamariskle peyzajdaki diğer türlerin spektral imzalarını ayırt etmek amacıyla Landsat görüntülerinden Spektral İndisler türettik. Bu indisler ve tamarisk saha verileri, Destekli Habitat Modelleme Yazılımı kapsamındaki beş farklı Tür Dağılım Modeli'ne girdi olarak kullanılmıştır. Model çıktıları bağımsız bir veri seti ile test edilmiş ve çalışma alanındaki tamarisk Tür Dağılım Haritaları'nı oluşturmak için bir topluluk (ensemble) yaklaşımı uygulanmıştır.

Geniş bir tamarisk topluluğunu haritalamak için, sınırda yer alan çalılığa en yakın noktadan başlayarak bir başlangıç konumu belirleyeceğim ve ardından tüm yamayı çevreleyecek şekilde konumlar seçmeye devam edeceğim. Bu yöntem, Tamarisk Koalisyonu tarafından tamarisklerin xy konumlarını toplamak için kullanılmıştır. GPS kullanarak Mark seçeneğini belirleyin, ardından noktaya isim vermek için yukarı kaydırın.

Ekran üzerinde noktanın enlemini ve boylamını göreceksiniz. İşlem tamamlandığında Bitti'yi seçin. Landsat 5 Thematic Mapper sahnelerini earthexplorer.usgs.gov adresinden indirdik.

Halihazırda bir hesabınız varsa giriş yapın. Aksi takdirde, verileri indirmek için bir hesap oluşturun. İlk olarak, çalışma alanını kapsayan Landsat görüntüsünün Yol (Path) ve Satır (Row) bilgilerini girin.

Çalışmamızda Yol 32, Satır 34 kullanılmıştır. Aradığınız sahnelere karşılık gelen Tarih Aralığını seçin. Biz, ılgın verilerinin toplandığı dönem olan Nisan 2005 ile Kasım 2006 arasını seçtik.

Ardından, Veri Setlerini seçin ve Landsat Arşivi'ne kadar aşağı kaydırın. Landsat Yüzey Yansıma Ürününü seçin. Aşağı kaydırın ve Ek Kriterleri seçin.

En iyi kalite görüntüleri elde etmek için %10'dan az bulut örtüsü (Cloud Cover) seçeneğini belirleyin. Sonuçlar (Results) kısmını seçtiğinizde, indirilebilir mevcut Landsat sahnelerinin bir listesi görünecektir. Landsat uzaktan algılama görüntülerinden indeksleri türetmek için github.com adresinden Remote Sensing Indices Derivation Tool aracını indirdik.

Python betiğini çalıştırdık; uygun uydu sensörünü ve istenen indeksleri seçtik, girdi görüntü dosyasını belirledik ve dosyaların kaydedileceği çıktı klasörünü ayarladık. Çalışmamızda, bireysel bantları dışa aktardık ve NDVI, SAVI ile Tasseled Cap Parlaklık, Yeşillik ve Islaklık indekslerini kullandık. Tamarisk Türü Dağılım Modellerini geliştirmek için VisTrails programı dahilindeki SAHM yazılım paketini kullandık.

Çalışmamız için, paket indirmesiyle birlikte gelen SAMH tutorial 2.0 VT dosyasını açtık ve bu eğitim setinin Geçmiş (History) görünümü altındaki Bağımsız konumlar (Independent locations) iş akışı örneğini seçtik. Bu eğitim setinde diğer örneklere de yer verilmiştir. Ardından modelleri kurmak için Pipeline görünümüne geçtik.

Öncelikle, oturum klasörünü değiştirmek için Paketler'i (Packages) seçtik. Ardından, Şablon Katman Modülü'nü (Template Layer Module) seçerek, çalışmanın projeksiyonunu, hücre boyutunu ve kapsamını tanımlayacak olan Şablon Katman'a (Template Layer) gittik. Sonrasında, Alan Verileri Modülü'nü (Field Data Module) seçtik ve toplanan tamerisk xy koordinatlarını içeren CSV dosyasına gittik.

Ardından, Predictor List dosyasını seçtik ve bu çalışma için tahminci listemizi içeren CSV dosyasına gittik. Sonrasında, Field Data CSV dosyamızdaki Yanıt sütununu, x sütununu ve y sütununu tanımlamak için Field Data Query'yi seçtik. Daha sonra MDS Builder Modülünü seçtik ve arka plan nokta sayımızı 10,000 olarak belirledik.

Bu konumda bir Arka Plan Olasılık Yüzeyi seçeneği de mevcuttur. Biz, Arkansas Nehri'nin 5.000 metrelik tampon bölgesi içinde 100 ve bu tampon bölgenin dışındaki alanlar için 0 değerlerine sahip bir Arka Plan Olasılık Yüzeyi kullandık. Bu işlem, çalışmamızda Tamerisk Koalisyonu tarafından örneklenen alanlara dayandırılmıştır.

Ardından, Maxent Modülünü iş akışımıza ekledik ve bunu Kovaryat Korelasyonu ve Seçimi Modülüne bağladık. Boosted Regression Tree, Generalized Linear Model, Multivariate Adaptive Regression Splines ve Random Forest Modülleri halihazırda iş akışında yer alıyordu. Daha sonra, iş akışına bir Model Çıktı Görüntüleyici Modülü ekledik ve Sütun ile Satırı diğer Modüllerle uyumlu olacak şekilde değiştirdik.

Ardından, iş akışı içerisinde bir alt klasör adı olarak benzersiz bir çıktı adı seçtik. Sonrasında, iş akışına bir Ensemble Builder Modülü ekledik ve bunu beş modelin tamamına bağladık. Ensemble için Eşik Metriğimizi ve Eşik Değerimizi belirledik.

Bu, çalışma amaçlarına göre değiştirilebilir. Ardından, tamarisk ağacına ait bağımsız test veri setimizi içeren bir CSV dosyasına gittik. Field Data Query Modülü seçiliyken, bağımsız dosya içindeki Yanıt (Response), x ve y sütunlarını tanımladık.

İş akışına bir Apply Model Modülü ekledik ve bunu bağımsız veri seti için MDS Builder Modülü ile Maxent Modülü'ne bağladık. Ayrıca bir Model Output Viewer daha ekleyip bunu Supply Model Modülü'ne bağladık ve Sütun ve Satır ayarlarını diğer modellerle uyumlu olacak şekilde değiştirdik. Ardından, model yürütme sırasında birden fazla çekirdeğin kullanılmasına olanak tanımak için İşleme Modu'nu (Processing Mode) "single model sequentially" olarak değiştirmek üzere Paketler'i (Packages) seçtik.

Karşınıza çıkan ilk ekran, herhangi iki değişken arasındaki korelasyonu gösteren Kovaryant Korelasyon Görüntüleyicisi'dir. Çalışma amaçlarımız, genelleştirilmiş bir additive model dayanarak yüksek korelasyona sahip olan veya 0,7'den büyük olan değişkenlerin çıkarılmasına odaklanmıştır. İki değişkenin yüksek korelasyon gösterdiği durumlarda, hangi değişkenin tutulacağına karar vermek için her bir değişken için açıklanan sapma yüzdesini kullandık.

Tutulacak kovaryant sayısına karar verdiğimizde, OK seçeneğini tıkladık. Modeller tamamlandıktan sonra bir VisTrail hesap tablosu görünecektir. Bu hesap tablosu; AUC Grafikleri, Metin Çıktıları, Yanıt Eğrileri, Kalibrasyon Grafikleri, Karışıklık Matrisleri ve Artık Grafikleri dahil olmak üzere model sonuçlarını karşılaştırmak için kullanılabilir. Bizim sonuçlarımızda, eşik değerden bağımsız ve eşik değere bağımlı değerlendirme metriklerine dayanarak, beş model arasında çok az fark vardı.

Bu metriklere dayanarak ve her bir model tarafından üretilen olasılık yüzeylerini karşılaştırdıktan sonra, beş modelden oluşan bir topluluğun bu veriler için uygun bir yaklaşım olduğuna karar verdik. Topluluk Haritalama, herhangi bir modelin zayıf yönlerini minimize ederken, birkaç korelatif yöntemin güçlü yönlerini birleştirmeyi amaçlar. Bununla birlikte, düşük performans gösteren modellerin genel sonuçları zayıflatabileceği konusunda uyarıyoruz.

Sonuçlarımız; Boosted Regression Tree, Generalized Linear Model, Multivariate Adaptive Regression Splines, Random Forest ve Maxent modellerinin, tamarisklere ait mevcudiyet noktaları ve uzaktan algılamalı Landsat uydu görüntülerinden oluşan bir zaman serisi ile eğitilmesinin, peyzaj üzerindeki tamariski ayırt edebildiğini ve geleneksel tek sahne sınıflandırma yöntemlerine etkili bir alternatif olduğunu göstermektedir. Bu modellerden üretilen haritalar, çalışma alanındaki hedeflenmiş tamarisk kontrol çalışmaları için önemli bir yönetim aracı sağlayacaktır.