Türler Dağıtım Modelleri ile Uzaktan Algılama bütünleştirilmesi; Destekli Habitat Modelleme için Yazılımı Kullanma Haritalama Ilgın İstilaları (SAHM)
11 Ekim 2016
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.
İstilacı bitki türlerinin tespiti, doğal kaynakların yönetimi ve ekosistemin korunması için hayati önem taşımaktadır. Bu çalışmada, yeni geliştirilen Yardımlı Habitat Modelleme Yazılımında uzaktan algılanan verilerin faydasını ve arazide istilacı türlerin oluşumunu tahmin etmeyi gösteriyoruz. Merhaba, ben Tom Stohlgren, Colorado Eyalet Üniversitesi'ndeki Doğal Kaynak Ekolojisi Laboratuvarı'nda kıdemli bir bilim adamıyım.
Bu ılgın. Güney Afrika, Asya, Avrupa ve Orta Doğu'nun bazı bölgelerinin yerlisi, ama buralardan değil. Yani, Amerika Birleşik Devletleri'nin güneybatı kesiminde veya bugün bulunduğumuz LaJuna, Colorado yakınlarında yerli bir tür değil.
Tamarisk olağandışıdır, çünkü fakültatif bir phreatophyte'dir, yani bir dereden uzakta veya bir dere boyunca yaşayabilir. 30 metreye kadar aşağı inen bir kazık kökü vardır. Buradan 30 adım attığınızı hayal edin ve bu kazık kök ne kadar aşağı inebilir.
Bu nedenle, kuraklık koşullarına, bölgedeki bazı yerli türlerden biraz daha iyi dayanabilir. Ilgın olmasaydı, burada tavşan fırçasında gördüğümüz gibi, yerli kelebekleri ve tozlayıcıları çeken yerli türler için çok daha fazla yer olurdu. Burada, doğrudan yerli bitki örtüsü ile rekabet eden ılgın çalıları var.
Bu durumda, yerli bir Cottonwood. Arkamda çok yoğun bir standımız var, çok büyük bir stand. Belki de ılgın olmaktan başka bir şey olmayan bir kilometrekare.
Yaprakları düşürerek ve ölü ve ölmekte olan dallarla, bu gerçek bir yangın tehlikesidir. Caddenin diğer tarafında Salix var, çok yeşil ve nemli olan ve bu taraftaki ılgından çok daha az yangına meyilli olan bir Söğüt var. Tamarisk'in mera arazisini istila ettiği bir bölgedeyiz.
Şimdi, bu önemli çünkü aslında bu otlayabileceği mera alanını azaltıyor. Tamarisk, birçok istilacı bitki gibi, büyüme mevsimi boyunca, yerli Nehir kenarı türlerinin fenolojisinden farklı olarak fenolojik çeşitlilik gösterir. Bazı bölgelerde, örneğin, ılgın yaprağı, bazı yerli Nehir Kenarı bitkilerinden öncedir, çünkü ılgın yapraklarını diğer yerli türlerden daha uzun süre korur.
Büyüme mevsimi boyunca bir dizi uydu verisi kullanarak, ılgın riskini yerli bitkilerden ayırt etmeye yardımcı olmak için bu fenolojik farklılıkları kullanabiliriz. Landsat uyduları 1972'den beri dünyanın yörüngesinde dolaşıyor ve ılgın dağılımı ve manzaradaki fenolojiyi tespit etmek için ideal bir görüntü kaynağı. 30 metrelik mekansal çözünürlüğe ve 16 günlük zamansal bir sonuca sahip olan Landsat, NASA ve USGS'nin ortak bir programıdır.
Bu çalışmadaki amaçlarımız, Colorado'daki Arkansas Nehri boyunca Tamarisk Koalisyonu tarafından yürütülen yoğun bir saha haritalama kampanyasından elde edilen Landsat 5 görüntülerini ve ılgın varlık noktalarını kullanarak, Yardımlı Habitat Modelleme Yazılımında beş farklı tür dağılım modelini test etmek ve değerlendirmekti. Ve model çıktılarına dayalı olarak çalışma alanındaki ılgın dağılımının doğru bir haritasını oluşturmak. Bu kavramsal diyagram, bu çalışmadaki metodolojimize genel bir bakış sunmaktadır.
Tamarisk için saha verileri, 2005 ve 2006 yıllarında Tamarisk Koalisyonu tarafından toplanan bir vektör poligon veri setinden türetilmiştir. Landsat 5 Tematik Haritacı verileri, tamarisk alan verilerine karşılık gelen yıllar için Earth Explorer'dan elde edildi. Büyüme mevsiminin her ayından en az bir sahne toplandı.
Uzaktan Algılama İndeksleri Türetme Aracını kullanarak, ılgın işaretinin spektral imzasını arazideki diğer türlerden ayırt etmek için Landsat görüntülerinden Spektral İndeksler elde ettik. Bu İndeksler ve ılgın alan verileri, Yardımlı Habitat Modelleme Yazılımı içindeki beş Tür Dağılım Modelinde girdilerdi. Model çıktıları bağımsız bir veri seti ile test edilmiş ve çalışma alanındaki ılgın türlerinin Dağılım Haritalarını oluşturmak için bir topluluk yaklaşımı kullanılmıştır.
Büyük bir ılgın meşceresinin haritasını çıkarmak için, sınırdaki çalıya en yakın bir başlangıç konumum olacak ve sonra tüm yama boyunca konumlarımı seçmeye devam edeceğim, bu şekilde. Bu, Tamrarisk Koalisyonu tarafından tamaraisk'in xy lokasyonlarını toplamak için kullanılan metodolojiydi. GPS'i kullanarak İşaretle'yi seçin, ardından noktayı adlandırmak için yukarı kaydırın.
Ekranda noktanın enlem ve boylamını göreceksiniz. İşiniz bittiğinde Bitti'yi seçin. earthexplorer.usgs.gov'dan Landsat 5 Thematic Mapper sahnelerini indirdik.
Zaten bir hesabınız varsa, giriş yapın. Aksi takdirde, verileri indirmek için bir hesap açın. İlk olarak, çalışma alanını kapsayan Landsat sahnesinin Yolu ve Satırını yazın.
Çalışmamızda Yol 32, Satır 34 kullanılmıştır. Aradığınız sahnelere karşılık gelen Tarih Aralığı'nı seçin. Tamarisk verilerinin toplandığı Nisan 2005'ten Kasım 2006'ya kadar olan süreyi seçtik.
Ardından Veri Kümeleri'ni seçin ve Landsat Arşivi'ne gidin. Landsat Yüzey Yansıtma ürününü seçin. Aşağı kaydırın ve Ek Ölçütler'i seçin.
En iyi görüntü kalitesini elde etmek için %10'dan AzBulut Örtüsü'nü seçin. Sonuçlar'ı seçtiğinizde, indirilmek üzere mevcut Landsat sahnelerinin bir listesi görünecektir. Landsat'ın uzaktan algılanan görüntülerinden Endeksler türetmek için github.com'dan Uzaktan Algılama Endeksleri Türetme Aracını indirdik.
Python betiğini çalıştırdık ve uygun uydu sensörünü, istenen İndeksleri seçtik ve saklanacak dosyalar için çıkış klasöründe giriş görüntü dosyasını ayarladık. Çalışmamızda, tek tek bantları dışa aktardık ve NDVI, SAVI ve Püsküllü Kapak Parlaklık, Yeşillik ve Islaklık İndekslerini kullandık. Tamarisk Tür Dağılım Modellerini geliştirmek için VisTrails programı içerisinde yer alan SAHM yazılım paketini kullandık.
Çalışmamız için, paket indirmesiyle birlikte gelen SAMH öğreticisi 2.0 VT dosyasını açtık ve bu öğreticinin Geçmiş görünümünde Bağımsız konumlar iş akışı örneğini seçtik. Bu öğreticide başka örnekler de mevcuttur. Daha sonra modelleri ayarlamak için Pipeline görünümüne gittik.
İlk olarak, oturum klasörünü değiştirmek için Paketler'i seçtik. Ardından, Şablon Katmanı Modülünü seçtik ve etüdün projeksiyonunu, hücre boyutunu ve kapsamını tanımlayacak olan Şablon Katmanına gittik. Ardından, Alan Verileri Modülünü seçtik ve toplanan evcilleştirme için xy koordinatlarını içeren CSV dosyasına gittik.
Ardından, Tahmin Listesi dosyasını seçtik ve bu çalışma için tahmin listemizi içeren CSV dosyasına gittik. Ardından, Alan Verileri CSV dosyamızdaki Yanıt sütununu, x sütununu ve y sütununu tanımlamak için Alan Verileri Sorgusu'nu seçtik. Ardından, MDS Oluşturucu Modülünü seçtik ve arka plan noktası sayısını 10.000 olarak tanımladık.
Bu konumda bir Arka Plan Olasılık Yüzeyi seçeneği de mevcuttur. Arkansas Nehri'nin 5.000 metrelik bir tamponu içinde 100 ve bu tamponun dışındaki alanlar için 0 değerlerine sahip bir Arka Plan Olasılık Yüzeyi kullandık. Bu, çalışmamızda Tamerisk Koalisyonu tarafından örneklenen alanlara dayanıyordu.
Daha sonra Maxent Modülünü iş akışımıza ekledik ve Ortak Değişken Korelasyon ve Seçim Modülüne bağladık. Artırılmış Regresyon Ağacı, Genelleştirilmiş Doğrusal Model, Çok Değişkenli Uyarlamalı Regresyon Spline'ları ve Rastgele Orman Modülleri iş akışında zaten bulunuyordu. Ardından, iş akışına bir Model Çıktı Görüntüleyici Modülü ekledik ve Sütun ve Satır'ı diğer Modüllerle eşleşecek şekilde değiştirdik.
Ardından, iş akışı içinde alt klasör adı olarak benzersiz bir çıktı adı seçtik. Ardından, iş akışına bir Topluluk Oluşturucu Modülü ekledik ve bunu beş modelin tümüne bağladık. Topluluk için Eşik Metriğimizi ve Eşik Değerimizi belirledik.
Bu, çalışma hedeflerine göre değiştirilebilir. Ardından, tamarisk bağımsız test veri setimizi içeren bir CSV dosyasına gittik. Bir kez daha, Alan Verileri Sorgu Modülü seçiliyken, bağımsız dosya içinde Yanıt, x ve y sütunlarını tanımlarız.
İş akışına bir Model Uygula Modülü ekledik ve bunu bağımsız veri kümesi için MDS Oluşturucu Modülüne ve Maxent Modülüne bağladık. Ayrıca başka bir Model Çıktı Görüntüleyicisi ekledik ve bunu Tedarik Modeli Modülüne bağlayarak Sütun ve Satır'ı diğer modellerle eşleşecek şekilde değiştirdik. Ardından, İşleme Modunu sırayla tek model olarak değiştirmek ve model yürütme sırasında birden fazla çekirdeğin kullanılmasına izin vermek için Paketler'i seçtik.
Görüntülenen ilk ekran, herhangi iki değişken arasındaki korelasyonu gösteren bir Ortak Değişken Korelasyon Görüntüleyicisidir. Çalışma hedeflerimiz, genelleştirilmiş bir katkı modeline dayalı olarak, yüksek oranda ilişkili veya yedinci noktadan daha büyük olan değişkenlerin düşürülmesine dayanıyordu. İki değişkenin yüksek oranda ilişkili olduğu durumda, hangi değişkeni tutacağımıza karar vermek için her değişken için açıklanan yüzde sapmaları kullandık.
Tutulacak kovaryant sayısına karar verdiğimizde, Tamam'ı seçtik. Modeller tamamlandıktan sonra bir VisTrail elektronik tablosu görünecektir. Bu elektronik tablo, AUC Grafikleri, Metin Çıktıları, Yanıt Eğrileri, Kalibrasyon Grafikleri, Karışıklık Matrisleri ve Artık Grafikler dahil olmak üzere model sonuçlarını karşılaştırmak için kullanılabilir. Sonuçlarımız için, eşikten bağımsız ve eşiğe bağlı değerlendirme metriklerine dayanan 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. Ensemble Mapping, herhangi bir modelin zayıf yönlerini en aza indirirken, çeşitli bağıntılı yöntemlerin güçlü yönlerini birleştirmeyi amaçlar. Bununla birlikte, düşük performans gösteren modellerin genel sonuçları zayıflatabileceği konusunda uyarıyoruz.
Sonuçlarımız, ılgınlar için varlık noktaları ve uzaktan algılanan Landsat uydu görüntülerinden oluşan bir zaman serisi ile Artırılmış Regresyon Ağacı, Genelleştirilmiş Doğrusal Model, Çok Değişkenli Uyarlanabilir Regresyon Spline'ları, Rastgele Orman ve Maxent'in uygun olduğunu göstermektedir, manzaradaki ılgın riskini ayırt edebilir ve geleneksel, tek sahne sınıflandırma yöntemlerine etkili bir alternatiftir. Bu modellerden üretilen haritalar, çalışma alanındaki hedefli ılgın kontrol çalışmaları için önemli bir yönetim aracı sağlayacaktır.
Genel Bakış
Bu çalışma, uzaktan algılama verilerini ve Destekli Habitat Modelleme Yazılımı'nı (SAHM) Güneydoğu Colorado'da özellikle tamarisk (Tamarix spp.) istilacı türlerin oluşumunu tahmin etmek için kullanımını gösterir. Oluşturulan tahmine dayalı modeller, saha değerlendirmeleriyle doğrulanan tamarisk istilası için doğru haritalar oluşturdu.
Çalışmanın Temel Bileşenleri
Bilim Alanı
- Ekoloji
- Uzaktan Algılama
- Istilacı Türler Yönetimi
Arka Plan
- Tamarisk, Amerika Birleşik Devletleri'nin Güneybatısı'na özgü olmayan bir istilacı türdür.
- Yerel bitki örtüsüyle rekabet eder ve yerel ekosistemleri etkiler.
- Dağılımını anlamak, etkili yönetim için kritik öneme sahiptir.
- Uzaktan algılama, istilacı türleri izlemek ve haritalandırmak için bir yöntem sunar.
Çalışmanın Amacı
- SAHM'in tamarisk dağılımını tahmin etme etkinliğini değerlendirmek.
- Uydu verilerini kullanarak tamarisk oluşumunun doğru haritalarını oluşturmak.
- Tamarisk'in yerel ekosistemlerdeki etkisini değerlendirmek.
Kullanılan Yöntemler
- Tamarisk varlığını toplamak için Landsat 5 görüntülerini kullandı.
- SAHM içinde beş tür dağılım modeli uyguladı.
- Model tahminlerini doğrulamak için saha haritalaması gerçekleştirdi.
- Tamarisk'i yerel türlerden ayırmak için spektral endeksler türetti.
Ana Sonuçlar
- Tamarisk istilasının son derece doğru haritalarını oluşturdu.
- Model çıktılarını bağımsız saha verileriyle doğruladı.
- Ekolojik çalışmalarda uzaktan algılamanın yararını gösterdi.
- Tamarisk'in yerel floraya karşı rekabetçi doğasını vurguladı.
Sonuçlar
- Uzaktan algılama ve SAHM, istilacı türlerin dağılımını tahmin etmek için etkili araçlardır.
- Doğru haritalama, istilacı türlerin yönetimine yardımcı olabilir.
- Ekosistem koruması için sürekli izleme gereklidir.
Sıkça Sorulan Sorular
Executive Industry Relevance
This study demonstrates how species distribution modeling with remote sensing data enables early detection of invasive species, supporting proactive ecosystem management. The ensemble approach using SAHM provides predictive confidence in spatial risk assessment, reducing uncertainty in resource allocation decisions. These methods offer translational value for biopharma R&D in environmental monitoring and ecological risk assessment workflows.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Enables hypothesis testing of species-environment relationships through statistical modeling of presence-pseudoabsence data.
- Operational Value: Standardizes workflow for integrating multi-source environmental predictors with field observations.
- Predictive Value: Ensemble mapping reduces model-specific bias, improving reliability of spatial predictions for go/no-go decisions in environmental risk assessment.
Screening & Assay Development
- Scientific Value: Derived spectral indices (NDVI, SAVI, tasseled cap) provide quantitative, reproducible biomarkers for distinguishing target from background signals.
- Operational Value: Automated preprocessing via Remote Sensing Indices Derivation Tool ensures consistent feature extraction across temporal datasets.
- Scalability: SAHM workflow supports batch processing of large satellite image time series for high-throughput environmental screening.
Translational & Preclinical Research
- Translational Continuity: Independent validation with field-collected presence data ensures model outputs reflect real-world distributions, supporting risk-adjusted advancement decisions.
- Mechanistic De-risking: Phenological difference detection exploits temporal biomarkers to distinguish invasive from native species, reducing false positives in monitoring programs.
- Predictive Confidence: Threshold-independent and threshold-dependent evaluation metrics (AUC, confusion matrices) quantify model performance for go/no-go mapping decisions.
Pipeline & Workflow Integration
The method fits within environmental risk assessment workflows, from early detection through validation and mapping, supporting data-driven decisions in natural resource management.
- Discovery Biology: Tests ecological hypotheses about invasive species niche modeling using satellite-derived environmental predictors.
- Screening: Produces ready-to-use habitat suitability maps with quantified uncertainty for targeted field validation.
- Analytics: Generates probability surfaces and ensemble outputs enabling comparison of model performance and spatial agreement.
- Translational Research: Independent test data validation ensures translational reliability of predicted distributions for field implementation.
- Enterprise Reuse: SAHM workflow is a reusable framework for modeling any species with presence data and environmental layers.
Operational & Enterprise Impact
- Scientific Value: Reduces mechanistic ambiguity in species distribution predictions through ensemble averaging of multiple algorithms.
- Operational Value: Standardized preprocessing and modeling steps ensure reproducibility across users and time points.
- Strategic Value: Enables proactive, risk-based resource allocation for invasive species management, reducing long-term ecological and economic impact.
- Portfolio Impact: Supports risk-adjusted prioritization of intervention areas based on predicted invasion probability and uncertainty mapping.
Implementation Considerations
- Requires expertise in ecology, remote sensing, and statistical modeling to select appropriate predictors and interpret outputs.
- Needs access to satellite imagery archives (e.g., Landsat) and computational resources for processing large temporal datasets.
- Demands standardization of field data collection protocols for presence/pseudoabsence points to ensure model compatibility.
- Requires adaptation of background point generation strategies when applying to different study systems or sampling designs.
- Limited by spatial resolution of input data (30m Landsat) and accuracy of georeferenced field validation points.
