Author Produced

प्रजाति वितरण मॉडल के साथ रिमोट सेंसिंग घालमेल; मानचित्रण झाऊ आक्रमणों असिस्टेड हैबिटेट मॉडलिंग के लिए सॉफ्टवेयर का उपयोग करना (SAHM)

Environment
 

Cite this Article

Copy Citation | Download Citations

West, A. M., Evangelista, P. H., Jarnevich, C. S., Young, N. E., Stohlgren, T. J., Talbert, C., Talbert, M., Morisette, J., Anderson, R. Integrating Remote Sensing with Species Distribution Models; Mapping Tamarisk Invasions Using the Software for Assisted Habitat Modeling (SAHM). J. Vis. Exp. (116), e54578, doi:10.3791/54578 (2016).

Please note that all translations are automatically generated.

Click here for the english version. For other languages click here.

Abstract

आक्रामक प्रजातियों के पौधे की जल्दी पता लगाने के प्राकृतिक संसाधनों और पारिस्थितिकी तंत्र प्रक्रियाओं के संरक्षण के प्रबंधन के लिए महत्वपूर्ण है। इनवेसिव पौधों के वितरण के मानचित्रण के लिए उपग्रह रिमोट सेंसिंग का उपयोग अधिक आम होता जा रहा है, लेकिन पारंपरिक इमेजिंग सॉफ्टवेयर और वर्गीकरण के तरीकों अविश्वसनीय होना दिखाया गया है। इस अध्ययन में, हम परीक्षण और पांच प्रजातियों वितरण मॉडल तकनीक उपग्रह रिमोट सेंसिंग डेटा के साथ फिट आक्रामक झाऊ (झाऊ एसपीपी।) नक्शा करने के लिए दक्षिण कोलोराडो में अरकंसास नदी के किनारे के उपयोग का मूल्यांकन। मॉडल का परीक्षण किया प्रतिगमन पेड़ (बीआरटी), रैंडम वन (आरएफ), बहुभिन्नरूपी अनुकूली प्रतिगमन splines (मार्स), सामान्यीकृत रेखीय मॉडल (GLM), और Maxent बढ़ाया शामिल थे। ये विश्लेषण एक नव विकसित सॉफ्टवेयर पैकेज असिस्टेड हैबिटेट मॉडलिंग (SAHM) के लिए सॉफ्टवेयर कहा जाता है का उपयोग किया गया। सभी मॉडलों 499 अंक उपस्थिति, 10,000 छद्म अभाव अंक, और acqu भविष्यवक्ता चर के साथ प्रशिक्षित किया गयाएक आठ महीने की अवधि में लैंडसैट 5 विषयगत मैपर (टीएम) सेंसर से iRed मूल निवासी नदी तट वनस्पति phenological मतभेदों का पता लगाने का उपयोग करने से झाऊ भेद करने के लिए। लैंडसैट दृश्यों से, हम अलग-अलग बैंड और गणना की सामान्यीकृत अंतर वनस्पति सूचकांक (NDVI), मिट्टी से समायोजित वनस्पति सूचकांक (SAVI), और tasseled छाया हुआ परिवर्तनों का इस्तेमाल किया। परिदृश्य पर मौजूदा झाऊ वितरण की पहचान की सभी पांच मॉडल को सफलतापूर्वक सीमा स्वतंत्र और स्वतंत्र स्थान डेटा के साथ सीमा निर्भर मूल्यांकन मैट्रिक्स पर आधारित है। मॉडल विशिष्ट मतभेद के लिए खाते में करने के लिए, हम नक्शे के उत्पादन पर प्रकाश डाला और समझौते के क्षेत्रों अनिश्चितता के क्षेत्रों के साथ सभी पांच मॉडलों में से एक जोड़ा उत्पादन किया। हमारे परिणाम दूर से महसूस डेटा और पहनावा मानचित्रण की उपयोगिता का विश्लेषण करने में प्रजातियों वितरण मॉडल की उपयोगिता का प्रदर्शन, और पूर्व प्रसंस्करण में SAHM की क्षमता का प्रदर्शन करने और कई जटिल मॉडल को क्रियान्वित।

Introduction

पश्चिमी संयुक्त राज्य भर में नदी तट और आर्द्रभूमि पारिस्थितिक तंत्र झाऊ के आक्रमण ने धमकी दी जा रही हैं (झाऊ एसपीपी।), एक गैर देशी वुडी झाड़ी 1800 1 में यूरेशिया से शुरुआत की। झाऊ कई शारीरिक तंत्र है कि जीनस, जल संसाधनों का दोहन देशी प्रजातियों के बाहर प्रतिस्पर्धा, और बदल पारिस्थितिकी तंत्र प्रक्रियाओं 1-2 करने की अनुमति है। पर्यावरण के प्रभावों का आकलन करने और प्रभावी नियंत्रण रणनीति तैयार करने के लिए मानचित्रण झाऊ वितरण संसाधन प्रबंधकों के लिए उच्च प्राथमिकता पर हैं। हालांकि जमीन सर्वेक्षण नियमित रूप से इस्तेमाल किया रहते हैं, वे श्रम, समय, और रसद के जुड़े लागत की वजह से बहुत बड़े क्षेत्रों के लिए अव्यावहारिक है।

सैटेलाइट रिमोट सेंसिंग एक महत्वपूर्ण है, लेकिन सीमित है, का पता लगाने और झाऊ infestations के मानचित्रण में भूमिका निभाई है। पारंपरिक वर्गीकरण का विश्लेषण करती है और रिमोट सेंसिंग सॉफ्टवेयर सीमांत सफलता 3-5 पड़ा है। हाल ही में कई अध्ययनोंरिमोट सेंसिंग डेटा का उपयोग कर 1,6 इनवेसिव पौधों का पता लगाने के लिए पता लगाया गैर परंपरागत दृष्टिकोण है। झाऊ, कई इनवेसिव पौधों की तरह है, बढ़ती मौसम कि देशी नदी तट 'प्रजाति फ़ीनोलॉजी से अलग भर phenological बदलाव को दर्शाती है। कुछ क्षेत्रों में, उदाहरण के लिए, झाऊ पत्ती के बाहर कुछ देशी पौधों नदी तट से पहले है, और झाऊ अपने पत्ते अन्य देशी प्रजातियों की तुलना में लंबे समय तक बरकरार रखती है। वर्णक्रमीय बैंड और बढ़ती मौसम के दौरान उपग्रह डाटा का एक समय श्रृंखला से निकाली गई वर्णक्रम सूचकांकों का उपयोग करके, हम देशी इन phenological मतभेद 1,6 पर आधारित संयंत्रों से झाऊ भेद कर सकते हैं। Evangelista एट अल के काम पर बिल्डिंग। 2009 1, इस अध्ययन में हम लैंडसैट 5 विषयगत मैपर (टीएम) उपग्रह चित्रण की एक समय-श्रृंखला से अलग-अलग बैंड शामिल 1-7 और सामान्यीकृत अंतर वनस्पति सूचकांक (NDVI), मिट्टी से समायोजित वनस्पति सूचकांक (SAVI), और tasseled टोपी निकाली गई इन बैंड से परिवर्तनों। सामान्यीकृत एडवेंचर्ससीई वनस्पति सूचकांक (NDVI) का आकलन वनस्पति बायोमास, चंदवा कवर, और पत्ती क्षेत्र के सूचकांकों में 8-9 के लिए सबसे अधिक इस्तेमाल किया वर्णक्रम सूचकांकों में से एक है, और दृश्य (लाल) और निकट के बीच अनुपात के एक गैर रेखीय परिवर्तन है अवरक्त बैंड 10। मिट्टी से समायोजित वनस्पति सूचकांक (SAVI) वनस्पति सूचकांक 11 पर मिट्टी पृष्ठभूमि के प्रभाव को कम करने के लिए इस्तेमाल एक संशोधित NDVI है। Tasseled टोपी परिवर्तनों तीन orthogonal बैंड है कि मिट्टी चमक (tasseled टोपी, बैंड 1), वनस्पति हरापन (tasseled टोपी, बैंड 2), और मिट्टी / वनस्पति नमी (tasseled टोपी, बैंड 3) और उपाय में छह लैंडसैट बैंड के कंपोजिट भारित कर रहे हैं अक्सर वनस्पति रचना, आयु वर्ग भेद, और संरचना 12-14 करने के लिए इस्तेमाल कर रहे हैं। हम गुणांक सभी tasseled टोपी परिवर्तनों के लिए क्रिस्ट (1985) 15 में सूचना का इस्तेमाल किया।

इस अध्ययन में, हम वर्णक्रमीय बैंड और शाकाहारी के लिए एक समय-श्रृंखला के साथ पांच प्रजातियों वितरण मॉडल का परीक्षणetation लैंडसैट 5 टीएम से निकाली गई सूचकांकों दक्षिणी कोलोराडो में कम अरकंसास नदी के साथ झाऊ नक्शा करने के लिए, संयुक्त राज्य अमेरिका। अरकंसास नदी, 2364 किलोमीटर (1,469 मील) में फैले, मिसूरी मिसिसिपी प्रणाली में दूसरा सबसे बड़ा सहायक है। इसके जलग्रहण कोलोराडो रॉकी पर्वत में headwaters साथ 435,123 किमी 2 (168,002 मील 2) शामिल हैं। 2,965 मीटर की ऊंचाई पर अपने मूल से, अरकंसास ऊंचाई में काफी बूँदें, देहात, सीओ के पास बाहर समतल करने, और कृषि भूमि और छोटी घास प्रेयरी के माध्यम से meandering। नदी मौसमी बाढ़ के अधीन है और रॉकी फोर्ड, La Junta, और लैमर में नगर निगम और कृषि जल उपयोग के लिए पर भरोसा किया है, कान्सास, ओकलाहोमा, और अरकंसास में जारी है, जहां यह मिसिसिपी नदी में बहती है पहले। झाऊ पहले लैमर 16 वर्ष की वर्तमान दिन शहर के पास 1913 में अरकंसास नदी आर Niedrach द्वारा पर मनाया गया। आज, यह अनुमान लगाया गया है कि झाऊ देहात और कन्सास स्टेट लिन के बीच 100 किमी से अधिक 2 को शामिल कियाई, एक अतिरिक्त 60 किमी 2 अरकंसास नदी 17 की सहायक नदियों के साथ साथ। अध्ययन के क्षेत्र में सिंचाई खाइयों, झीलों, कृषि भूमि, और कई सहायक नदियों के संगम भी शामिल है; सभी झाऊ प्रकोप की डिग्री के साथ अलग। पशुपालन और कृषि प्राथमिक नदी तट अल्फला, घास, मक्का, और सर्दियों गेहूं का काफी हद तक मिलकर गलियारों से सटे भूमि-उपयोग करता है।

प्रजाति वितरण मॉडल भू संदर्भित घटनाओं (यानी, अक्षांश, देशांतर) पर भरोसा करते हैं एक प्रजाति 'घटना और उसके पर्यावरण के 18 के बीच रिश्तों की पहचान करने के लिए। पर्यावरण डेटा कई सुदूर संवेदन और अन्य स्थानिक परतों शामिल कर सकते हैं। पांच प्रजातियों वितरण मॉडल हम परीक्षण बढ़ाया प्रतिगमन पेड़ (बीआरटी) 19, यादृच्छिक जंगलों (आरएफ) 20, बहुभिन्नरूपी अनुकूली प्रतिगमन splines शामिल हैं (मार्स), 21, एक सामान्यीकृत रेखीय मॉडल (GLM), 22, और 23 Maxent। इन पांच आधुनिकएल एल्गोरिदम के बीच सबसे अधिक प्रजातियों वितरण मॉडलिंग के लिए कार्यरत हैं, और अध्ययन के एक नंबर उनकी प्रभावकारिता 24-25 का प्रदर्शन किया है। हम पाँच मॉडल, जिसमें VisTrails v.2.2.2 26 दृश्य और संसाधन सॉफ्टवेयर समाहित कर रहे हैं निष्पादित करने के लिए असिस्टेड हैबिटेट मॉडलिंग (SAHM) वी के लिए सॉफ्टवेयर का इस्तेमाल किया। 2.0 मॉड्यूल। वहाँ तुलनात्मक मॉडलिंग के लिए SAHM उपयोग करने के कई फायदे हैं। औपचारिक और मॉडलिंग प्रक्रियाओं के विनयशील रिकॉर्डिंग के अलावा, SAHM उन कई प्रजातियों वितरण मॉडल एल्गोरिदम कि, व्यक्तिगत रूप से, असमान इंटरफेस, सॉफ्टवेयर और 27 स्वरूपण फ़ाइल के साथ काम करने के लिए अनुमति देता है। SAHM मॉडल प्रदर्शन का मूल्यांकन करने के लिए लगातार सीमा स्वतंत्र और सीमा पर निर्भर मूल्यांकन मैट्रिक्स पैदा करता है। इनमें से एक रिसीवर परिचालन विशेषता वक्र के तहत क्षेत्र (नीलामी), एक सीमा से स्वतंत्र मीट्रिक कि पृष्ठभूमि 28 से उपस्थिति भेदभाव करने के लिए एक मॉडल की क्षमता का मूल्यांकन करता है। एक नीलामी वैल0.5 या उससे कम की UE इंगित करता है मॉडल भविष्यवाणियों बेहतर नहीं या यादृच्छिक से भी बदतर हैं; 0.5 और 0.70 के बीच मूल्यों खराब प्रदर्शन से संकेत मिलता है; और 0.70 से 1.0 बढ़ रही मूल्यों उत्तरोत्तर अधिक प्रदर्शन से संकेत मिलता है। एक अन्य मीट्रिक सही ढंग से वर्गीकृत (पीसीसी), एक सीमा निर्भर मीट्रिक कि संवेदनशीलता और विशिष्टता एक उपयोगकर्ता द्वारा निर्धारित सीमा मीट्रिक के आधार पर वजन प्रतिशत है; संवेदनशीलता उपयुक्त और विशिष्टता के रूप में वर्गीकृत मनाया मौजूदगी का प्रतिशत अनुपयुक्त के रूप में वर्गीकृत पृष्ठभूमि स्थानों के प्रतिशत के उपाय के उपाय। अभी तक एक और मीट्रिक सच कौशल आँकड़ा (टीएसएस = संवेदनशीलता + विशिष्टता - 1) है, जो विशिष्टता से मॉडल संवेदनशीलता के बारे में अधिक वजन रखता है, लेकर मूल्यों के साथ -1 और 1 जहां मूल्यों> 0 से संकेत मिलता है मौका 29 की तुलना में बेहतर मॉडल प्रदर्शन के बीच।

मॉडल उत्पादन का उपयोग झाऊ मैप करने के लिए, हम द्विआधारी वर्गीकरण दहलीज कि संवेदनशीलता और विशिष्टता equalizes पी परिभाषित करने के लिए प्रयोग का निर्माणresence या झाऊ का अभाव। ये अलग-अलग मॉडल निकाली गई नक्शे तो एक जोड़ा नक्शा बनाने के लिए 30 अभिव्यक्त कर रहे थे। पहनावा नक्शे व्यक्तिगत प्रजातियों वितरण मॉडल की भविष्यवाणियों गठबंधन एक वर्गीकृत नक्शा है कि परीक्षण किया मॉडल का सामूहिक समझौते रैंकों के उत्पादन के लिए। उदाहरण के लिए, एक का एक जोड़ा सेल मूल्य है कि केवल एक मॉडल उपयुक्त निवास स्थान के रूप में वर्गीकृत किया है कि सेल, जबकि पांच में से एक मान इंगित करता है कि सभी पांच मॉडल के रूप में उपयुक्त निवास स्थान सेल वर्गीकृत इंगित करता है। इस दृष्टिकोण के लिए एक लाभ यह है कि कलाकारों की टुकड़ी नक्शे किसी भी व्यक्ति के मॉडल की तुलना में कम मतलब त्रुटि उपज है। यह भी उपयोगकर्ताओं नेत्रहीन प्रत्येक मॉडल का परीक्षण के प्रदर्शन की तुलना करने के लिए अनुमति देता है। हमारे समग्र लक्ष्य के लिए इन तरीकों कि परिदृश्य पर प्रजातियों की वर्तमान वितरण मॉडल के अनुरूप किया जा सकता है की एक विस्तृत विवरण प्रदान करने के लिए किया गया था।

Protocol

1. क्षेत्र डेटा संग्रह

  1. एक वेक्टर बहुभुज 2005 और 2006 17 में एक राज्य के व्यापक सर्वेक्षण में झाऊ गठबंधन द्वारा एकत्र डाटासेट से झाऊ के लिए मैदान डेटा निकाले जाते हैं।
    नोट: डेटा एक गहन सर्वेक्षण जमीन है, जहां क्षेत्र तकनीशियनों मैप किया सभी झाऊ ग्लोबल पोजिशनिंग सिस्टम (जीपीएस) और हवाई तस्वीरों का उपयोग अरकंसास नदी के किनारे खड़ा के माध्यम से प्राप्त किया गया।
  2. इन बहुभुज के भीतर, 499 यादृच्छिक अंक (यानी, मौजूदगी) मॉडल प्रशिक्षित करने के लिए उत्पन्न करते हैं। यादृच्छिक अंक पर बाधाओं के दो सेट की जगह: (1) प्रत्येक बिंदु> 30 मीटर किसी भी बहुभुज किनारे यह एक लैंडसैट 5 टीएम संकल्प पर खड़े झाऊ के भीतर है सुनिश्चित करने के लिए से होना आवश्यक है; और (2) प्रत्येक बिंदु अध्ययन साइट भर में एक मजबूत वितरण सुनिश्चित करने और स्थानिक autocorrelation कम करने के लिए किसी भी पड़ोसी बिंदु से 60 मीटर ≥ किया जाना आवश्यक है।
  3. तीन स्तंभों में एक एमएस एक्सेल फाइल में क्षेत्र डेटा संकलन के साथ शीर्षकों लेबल "प्रतिक्रिया""एक्स", और "वाई", जहां प्रतिक्रिया मान रहे हैं (1) उपस्थिति, एक्स के लिए यूटीएम पूरब की ओर गमन, और वाई बचाना SAHM में उपयोग के लिए .csv प्रारूप में इस फ़ाइल (FieldData मॉड्यूल) के लिए यूटीएम नाथिंग के लिए।
  4. मॉडल परिणामों का मूल्यांकन करने के लिए स्वतंत्र परीक्षण के आंकड़ों के रूप में बहुभुज के बाहर झाऊ गठबंधन झाऊ बहुभुज के भीतर एक अतिरिक्त 100 यादृच्छिक अंक और एक अन्य 100 अंक यादृच्छिक उत्पन्न करता है। SAHM में उपयोग के लिए .csv प्रारूप में इस फ़ाइल (FieldData मॉड्यूल) को बचाओ।

2. भविष्यवक्ता चर

  1. डाउनलोड लैंडसैट 5 सतह reflectance L4-5 टीएम छवियों अमेरिकी भूवैज्ञानिक सर्वेक्षण के वैश्विक दृश्य दर्शक / EarthExplorer से (पथ 32, पंक्ति 34) (http://earthexplorer.usgs.gov/)। दृश्यों हद तक 2005 और 2006 में 17 कोलोराडो झाऊ गठबंधन द्वारा जांचा शामिल हैं।, का चयन दृश्य है कि मोटे तौर पर बादल से मुक्त कर रहे हैं (यानी, <10% बादल कवर) महीने और representativ मॉडल के लिए इस्तेमाल किया निर्धारित करने के लिएमहीनों से अलग पहचाना झाऊ फ़ीनोलॉजी है सोचा की ई; इन अक्टूबर 2004, अप्रैल 2005, मई 2005, जून 2005, जुलाई 2005 में सितम्बर 2005, अप्रैल 2006, मई 2006 जून 2006, जुलाई 2006 अगस्त 2006, सितंबर 2006 में, और नवंबर 2006 में थे।
  2. डाउनलोड से रिमोट सेंसिंग सूचकांकों व्युत्पत्ति उपकरण
    https://github.com/rander38/Remote-Sensing-Indices-Derivation-Tool।
  3. , या तो GDAL या Arcpy संस्करण उपकरण में अजगर स्क्रिप्ट चलाएँ; GDAL की सिफारिश की है।
  4. उचित उपग्रह सेंसर, वांछित सूचकांकों का चयन करें, और इनपुट छवि फ़ाइल और जहाँ फ़ाइलें संग्रहीत किया जाएगा उत्पादन फ़ोल्डर (चित्रा 1) की स्थापना की। हम अलग-अलग बैंड का निर्यात किया और NDVI, SAVI, और tasseled कैप चमक, हरापन, और नमी सूचकांकों लैंडसैट टीएम दृश्यों में से प्रत्येक से निकाली गई इस्तेमाल किया। ध्यान दें कि किसी भी सूचकांक संशोधित या Sensors_Formulas_RSIDT.ini फ़ाइल को बदलकर जोड़ा जा सकता है।

आकृति 1 चित्रा 1. रिमोट सेंसिंग सूचकांकों व्युत्पत्ति उपकरण जीयूआई।

  1. उपकरण चलाने और ArcMap वी में नेत्रहीन सत्यापित करें आउटपुट फाइल। 10.0 (ESRI, Redlands, सीए) या किसी अन्य के भौगोलिक सूचना प्रणाली सॉफ्टवेयर।

3. असिस्टेड हैबिटेट मॉडलिंग (SAHM) (चित्रा 2) के लिए सॉफ्टवेयर

आकृति 1
चित्रा 2. पूरे SAHM कार्यप्रवाह इनपुट डेटा, preprocessing, प्रारंभिक मॉडल विश्लेषण और निर्णय, correlative मॉडल, और उत्पादन दिनचर्या में शामिल है।

  1. https://my.usgs.gov/catalog/RAM/SAHM पर SAHM, अमेरिकी भूवैज्ञानिक सर्वेक्षण वेबसाइट से (VisTrails सहित) पहले डाउनलोड फ़ाइलों को चलाने के लिए। डाउनलोड करने और SAHM स्थापित करने पर विस्तृत निर्देशों के लिए एक ही वेबसाइट पर उपयोगकर्ता के गाइड का संदर्भ लें। नोट वेबसाइट भी एक SAHM tutoria है किएल और अतिरिक्त निर्देश के लिए डेटा।
  2. झाऊ प्रजातियों वितरण मॉडल विकसित करने के लिए, SAHM_tutorial_2.0.vt फ़ाइल (SAHM उदाहरण फ़ोल्डर में) है कि पैकेज डाउनलोड के साथ आता है का उपयोग करें। इतिहास को देखने के भीतर, स्वतंत्र स्थानों कार्यप्रवाह का चयन करें। अन्य कार्यप्रवाह उदाहरण का चयन किया है और अध्ययन के उद्देश्यों पर निर्भर जा सकता है; विवरण प्रत्येक के साथ प्रदान की जाती हैं। पाइपलाइन का चयन करें।
  3. उत्पादन फ़ोल्डर सेट, संकुल करने के लिए जा रहा है और उसके बाद SAHM> बदलें सत्र फ़ोल्डर द्वारा। कार्यप्रवाह विकास की प्रक्रिया में, हर कदम और विकल्प का विस्तृत विवरण प्रलेखन SAHM दर्शक स्क्रीन के दाईं ओर स्थित टैब का चयन करके पाया जा सकता है। निम्न विधियों में सूचीबद्ध सभी मॉड्यूल SAHM टैब के अंतर्गत SAHM विंडो के बाईं ओर पर पाया जा सकता है।
  4. अगले, क्षेत्र डेटा कि हो जाएगा करने के लिए प्रत्यक्ष SAHMप्रजातियों वितरण मॉडल प्रशिक्षित करने के लिए इस्तेमाल किया।
    1. TemplateLayer मॉड्यूल पर क्लिक करें। रेखापुंज है कि एक मुखौटा के रूप में इस्तेमाल किया जाएगा और प्रक्षेपण, सेल आकार और विश्लेषण की हद को परिभाषित करने के लिए ब्राउज़ करें।
    2. कार्यप्रवाह के बाईं ओर में FieldData मॉड्यूल पर क्लिक करें। .csv में ब्राउज (यानी, training.csv) क्षेत्र डेटा (उपस्थिति अंक या उपस्थिति और अनुपस्थिति अंक) क्षेत्र डेटा मॉड्यूल के भीतर की फ़ाइल।
    3. (जैसे, सब भविष्यवक्ताओं के लिए पूरा पथ युक्त फ़ाइल में उपयोग करने के लिए उपयोगकर्ता गाइड का संदर्भ लें मॉडल) PredictorListFile मॉड्यूल पर क्लिक करें और फ़ाइल सूची .csv में ब्राउज़ करें।
  5. अगले, preprocessing कदम का संचालन।
    1. FieldDataQuery मॉड्यूल पर क्लिक करें और प्रतिक्रिया के लिए स्तंभ शीर्ष के साथ प्रतिक्रिया कॉलम को भरने में (यानी, FieldData.csv में स्तंभ नाम), एक्स और वाई कॉलम।
    2. MDSBuilder मॉड्यूल पर क्लिक करें। backgroundPoi सेट10,000 ntField।
      नोट: यदि आप प्रजातियों के लिए उपस्थिति और अनुपस्थिति डेटा का उपयोग कर रहे हैं, तो मॉडलिंग की जा रही है, तो आप backgroundPointField को बदलने की जरूरत नहीं है; आप फील्ड Data.csv में एक प्रतिक्रिया (0) के साथ इन स्थानों को शामिल किया जाएगा। यह एक backgroundProbSurf सेट करने के लिए अगर आप (इन मूल्यों संभावना है कि एक बेतरतीब ढंग से उत्पन्न बिंदु बनाए रखा जाएगा कि यह एक के भीतर गिर चाहिए प्रतिनिधित्व 0 से 100 से लेकर मूल्यों के साथ एक रेखापुंज सतह की ओर इशारा करते द्वारा एक क्षेत्र के भीतर पृष्ठभूमि बिंदु चयन विवश करना चाहते वैकल्पिक है विशेष सेल)। इस अध्ययन के लिए, एक 5000 मीटर इस बफर (कुल क्षेत्र झाऊ गठबंधन द्वारा नमूना के आधार पर) के बाहर अरकंसास नदी के बफर और 0 से क्षेत्रों के लिए भीतर 100 के मूल्यों के साथ एक backgroundProbSurf का उपयोग करें।
  6. अगले, निर्दिष्ट प्रजातियों वितरण मॉडलिंग एल्गोरिदम इस्तेमाल किया जाएगा।
    1. ध्यान दें कि BoostedRegressionTree, GLM, मंगल, और राndomForest मॉड्यूल पहले से ही स्वतंत्र स्थानों कार्यप्रवाह में स्थापित कर रहे हैं। सभी पांच मॉडल का परीक्षण करने के लिए कार्यप्रवाह करने के लिए MAXENT मॉड्यूल जोड़ें। यह CovariateCorrelationAndSelection मॉड्यूल से कनेक्ट करें।
      नोट: सभी मॉडलों के लिए डिफ़ॉल्ट सेटिंग्स के साथ शुरू; इन उद्देश्यों अध्ययन (अधिक जानकारी के लिए मॉडल के दस्तावेज़ देखें) पर आधारित संशोधित किया जा सकता है।
    2. एक ModelOutputViewer मॉड्यूल जोड़ें और यह MAXENT मॉड्यूल से कनेक्ट; 5 के लिए स्तंभ बदलने के लिए और करने के लिए 1. पंक्ति ModelOutputViewer एक स्प्रेडशीट कि मॉडल परिणाम की तुलना के लिए इस्तेमाल किया जा सकता पैदा करता है।
    3. OutputName मॉड्यूल पर क्लिक करें और एक सबफ़ोल्डर नाम लिखें।
  7. इसके बाद, एक मॉड्यूल है कि मॉडल outputs के एक जोड़ा बनाता है जोड़ें। इस मॉड्यूल दो उत्पादन नक्शे का उत्पादन; सभी शामिल उत्पादनों के औसत निरंतर संभावना है और एक सकारात्मक बिन के साथ मॉडलों की संख्या की गणना के साथ एक दूसरे के साथ एकआरे संभावना है।
    1. कार्यप्रवाह करने के लिए एक EnsembleBuilder मॉड्यूल जोड़ें। यह मीट्रिक एक सीमा निर्धारित करने के लिए वैकल्पिक है; इस अध्ययन के लिए, नीलामी चुनें और 0.75 के डिफ़ॉल्ट मूल्य पर सीमा मान छोड़ दें। यह अधिक से अधिक से अधिक या 0.75 के बराबर पहनावा नक्शा outputs में शामिल किए गए हैं एक नीलामी मूल्य के साथ कि केवल मॉडल सुनिश्चित करेगा। BoostedRegressionTree, GLM, मंगल, RandomForest, और MAXENT मॉड्यूल EnsembleBuilder से कनेक्ट करें।
  8. इसके बाद, स्वतंत्र परीक्षण के आंकड़ों को मॉडल प्रत्यक्ष।
    1. अन्य FieldData मॉड्यूल (कार्यप्रवाह के दाईं ओर) पर क्लिक करें और .csv फ़ाइल है कि मॉडल सत्यापन डेटा शामिल करने के लिए ब्राउज़ करें। ये प्रोटोकॉल के 1.4 कदम में उत्पन्न 200 उपस्थिति और अनुपस्थिति अंक हैं।
    2. FieldDataQuery मॉड्यूल पर क्लिक करें और सुनिश्चित करें कि प्रतिक्रिया, एक्स, वाई और कॉलम कॉलम मैं मैच केn क्षेत्र डेटा .csv।
    3. एक ApplyModel मॉड्यूल जोड़ें और यह MAXENT मॉड्यूल से कनेक्ट। एक ModelOutputViewer मॉड्यूल जोड़ें और यह इस ApplyModel मॉड्यूल से कनेक्ट; 1. करने के लिए 5 स्तंभ और पंक्ति बदलें मेनू में, का चयन संकुल -> SAHM -> बदलें प्रसंस्करण मोड। (- 1 प्रत्येक कोर एन) यदि आप एक से अधिक मॉडल चलाने मॉडल क्रमिक रूप से चयन करना चाहते हैं के बाद से। यह कई कंप्यूटर कोर का लाभ लेने के द्वारा मॉडल के निष्पादन के समय में तेजी लाने जाएगा।
  9. अगले, प्रजातियों वितरण मॉडल पर अमल।
    1. फ़ाइल .vt बचाने के लिए और उसके बाद निष्पादित पर क्लिक करें।
    2. जब CovariateCorrelationAndSelection विजेट (चित्रा 3) प्रकट होता है, de-चयन चर जहां सहसंबंध गुणांक है की प्रत्येक सहसंबद्ध जोड़ी में से एक | R | ≥ 0.7 (% विचलन के आधार पर एक univariate सामान्य से समझाया एडिटिव मॉडल इस विजेट (चित्रा 3) और सूचित पारिस्थितिक निर्णयों के बाईं ओर में देखा ized; इस अध्ययन में झाऊ में phenological भिन्नता पर कब्जा करने के लिए) एक महीने के लिए कम से कम एक covariate के चयन को प्राथमिकता। देखने खिड़की में प्लाटों की संख्या एक संख्या में टाइपिंग (डिफ़ॉल्ट 8) और अद्यतन पर क्लिक करके बदला जा सकता है।
    3. Covariate चयन को अंतिम रूप देने के बाद, CovariateCorrelationAndSelection विजेट (चित्रा 3) के तल पर ठीक चुनें। इस अध्ययन के लिए, निम्नलिखित 9 चर बरकरार रखा गया: 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, और Nov_19_2006_SAVI। प्रजातियों वितरण मॉडल ठीक चयन करने के बाद अमल करेंगे।

जेपीजी "/>
चित्रा 3. covariate सहसंबंध और चयन SAHM इंटरफेस।

  1. परिणाम उत्पादन।
    नोट: मॉडल पूरा कर लिया है के बाद, एक VisTrails स्प्रेडशीट मॉडल की तुलना के लिए प्रकट होता है (चित्रा 4)
    1. नीलामी भूखंडों, पाठ आउटपुट, प्रतिक्रिया घटता, कैलिब्रेशन, भ्रम मैट्रिक्स, बच, और प्रतिक्रिया घटता मॉडल के पार की तुलना करें।
      नोट: SAHM मॉडल से आउटपुट एक CovariateCorrelationOutputMDS, भ्रम मैट्रिक्स, अवशिष्ट साजिश, अंशांकन साजिश, मॉडल मूल्यांकन साजिश, चर महत्व साजिश, एक प्रतिक्रिया घटता फ़ोल्डर, एक विस्तारित उत्पादन फ़ोल्डर, बिन नक्शा, गंदगी नक्शा, रक्षा मंत्रालय नक्शा, समस्या नक्शा, अवशिष्ट शामिल नक्शा है, और एक output.txt; अधिक विवरण के लिए SAHM उपयोगकर्ता गाइड देखें।

चित्रा 4
चित्रा 4. VisTrails स्प्रेडशीट मॉडल उत्पादन का मूल्यांकन करने के लिए इस्तेमाल किया जा सकता है। ये हैप्रशिक्षण डेटा के लिए नीलामी मॉडल तुलना; मॉडल BRT, GLM, मंगल, आरएफ, और Maxent, क्रमशः बाएं से दाएं।

Representative Results

BRT, आरएफ, मंगल, GLM, और Maxent के सांख्यिकीय मूल्यांकन स्वतंत्र परीक्षण डाटासेट के आधार पर सभी पांच मॉडल झाऊ का पता लगाने में अपेक्षाकृत अच्छी तरह से प्रदर्शन का संकेत दिया; वहाँ मॉडलों के बीच सीमा स्वतंत्र और सीमा निर्भर मूल्यांकन मैट्रिक्स के बीच थोड़ा अंतर था। नीलामी मूल्यों> 0.88 थे, प्रतिशत सही ढंग से वर्गीकृत मूल्यों> 77%, संवेदनशीलता और विशिष्टताओं थे> 0.77 थे, और टीएसएस> 0.54 (तालिका 1) थे। बाइनरी मॉडल outputs के एक पहनावा अरकंसास नदी (चित्रा 5) के साथ क्षेत्रों में ज्यादा मॉडल समझौते का पता चला। मैस (बहुभिन्नरूपी पर्यावरण समानता सतह) एक मॉडल के लिए नक्शा outputs के अध्ययन के क्षेत्र के पर्यावरण उपलब्ध संकेत दिया खैर, नमूना था (चित्रा 6) आगे पहनावा दृष्टिकोण में हमारे विश्वास बढ़ रही है।

तरीके "> आदर्श नीलामी पीसीसी संवेदनशीलता विशेषता टीएसएस BRT 0.91 85 0.85 0.85 0.70 आरएफ 0.92 85 0.85 0.85 0.70 मार्स 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

तालिका 1। दहलीज स्वतंत्र (नीलामी) और सीमा पर निर्भर (पीसीसी, संवेदनशीलता, विशिष्टता, और टीएसएस) BRT, आरएफ, मंगल, GLM के लिए मूल्यांकन मैट्रिक्स, और Maxent मॉडल एक स्वतंत्र परीक्षण के लिए फिट झाऊ उपस्थिति और अनुपस्थिति की डाटासेट।

चित्रा 5
चित्रा 5. पहनावा ArcGIS में BRT, GLM, मंगल, आरएफ, और Maxent द्विआधारी उत्पादन नक्शे के संयोजन का परिणाम है। क्षेत्रों मॉडलों की संख्या से करने के लिए 5 (लाल) 0 (कोई रंग) से समझौते में रंग के होते हैं। भविष्यवाणी के उत्तर पश्चिमी कोने में रंगीन क्षेत्र नोट; इस लाइन लैंडसैट कल्पना का एक artifact है; इसलिए मॉडल परिणाम इस क्षेत्र में सावधानी के साथ लिया जाना चाहिए। यह आंकड़ा का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें।

चित्रा 6
चित्रा 6 बहुभिन्नरूपी पर्यावरण समानता सतह (गड़बड़) उत्पादन।लक्ष्य = "_blank"> यह आंकड़ा का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें।

इस्तेमाल किया नौ predictors में से 30 जून 2006 के चमक सभी पांच मॉडल (तालिका 2) के लिए सबसे महत्वपूर्ण चर रहा था। यह केवल चर चरणबद्ध Akaike जानकारी कसौटी के आधार पर GLM द्वारा बनाए रखा था (एआईसी, यह SAHM में GLM मॉडल के चयन के लिए डिफ़ॉल्ट है), लेकिन यह इस मॉडल को भी इस चर का एक चुकता अवधि शामिल नोट करना महत्वपूर्ण है। आरएफ और Maxent डिफ़ॉल्ट रूप से सभी चर बरकरार रहती है।

भविष्यवक्ता BRT आरएफ मार्स GLM MAXENT
जुलाई 30 2006 के चमक 41.60 34.11 76.78 100 67.27
31 अगस्त 2006 के बैंड 4 6.35 5.87 5.16 0 2.82
जून 2005 के 09 SAVI 13.67 14.09 9.14 0 9.75
अप्रैल 22 2005 के चमक 6.29 6.30 0 0 0.43
अक्टूबर 28 का वर्ष 2004 NDVI 5.66 8.25 0 0 2.94

तालिका 2 प्रत्येक मॉडल में भविष्यवक्ताओं के सापेक्ष महत्व।

Discussion

हमारे परिणाम झाऊ के लिए उपस्थिति अंक और दूर से महसूस किया लैंडसैट उपग्रह चित्रण डेटा की एक समय-श्रृंखला के साथ, फिटिंग BRT प्रदर्शित आरएफ, मंगल, GLM, और Maxent परिदृश्य पर झाऊ भेद कर सकते हैं और पारंपरिक एकल दृश्य वर्गीकरण के तरीकों के लिए एक कारगर विकल्प है। यह हमारे परिणाम है कि जून हमारे अध्ययन के क्षेत्र के भीतर झाऊ का पता लगाने के लिए एक विशेष रूप से महत्वपूर्ण समय है से स्पष्ट है; इस Evangelista एट अल। 2009 1 जो संकेत जून नमी सबसे महत्वपूर्ण लैंडसैट कल्पना की एक समय की श्रृंखला के साथ एक Maxent मॉडल फिट के आधार पर इस क्षेत्र में झाऊ घटना के लिए कारक था के साथ सहमत हैं।

अन्य वर्णक्रम सूचकांक और बैंड है कि BRT, आरएफ, मंगल, और Maxent मॉडल में शामिल किया गया था और आगे मिट्टी सब्सट्रेट, Cottonwood सहित अन्य पर्णपाती पेड़ (पोपुलस एसपीपी।) और विलो से झाऊ भेद सकता है (सेलिक्स एसपीपी।), या कृषि सिंचित कि निचले हिस्से में आम हैअरकंसास नदी बेसिन। अन्य जीआईएस परतों, इस तरह की स्थलाकृति, मिट्टी के प्रकार, या जलवायु डेटा के रूप में भी covariates के रूप में माना जा सकता है और इन मॉडलों में शामिल है, लेकिन हम एक न्यूनतम करने के लिए इन रखने की सलाह देते लक्ष्य के बजाय परिदृश्य पर मौजूदा प्रजातियों वितरण का पता लगाने के संभावित भविष्यवाणी करने के लिए है अगर घटना या उपयुक्त निवास स्थान।

मॉडल हमारे अनुसंधान के लिए परीक्षण मजबूत विश्लेषणात्मक क्षमता और परिणामों का मूल्यांकन के लिए कई विकल्प प्रदान की है। ऐसे SAHM के रूप में एक ढांचे के भीतर इन correlative मॉडल, सभी के बाद, औपचारिक और मॉडलिंग की प्रक्रिया के विनयशील रिकॉर्डिंग की अनुमति देता है। पूर्व और प्रतिक्रिया और भविष्यवक्ता चर के बाद के प्रसंस्करण SAHM में मानकीकृत कर रहे हैं, बेहतर और कुशल मॉडल तुलना की इजाजत दी, जबकि वर्कफ़्लोज़ विश्लेषण संशोधन, चलना और नकल की सुविधा के हर कदम का रिकॉर्ड है।

पहनावा मानचित्रण, जबकि w को कम करने, कई correlative मॉडल की ताकत गठबंधन करना हैकिसी भी एक मॉडल 30 eakness। हम मानते हैं कि यह हमारे अध्ययन में मामला था; हालांकि, हम चेतावनी देते हैं कि मॉडल है कि कमजोर प्रदर्शन (यानी, के तहत भविष्यवाणी या अधिक की भविष्यवाणी) समग्र परिणाम को कमजोर कर सकते हैं। साहित्य में पहनावा मानचित्रण का सीमित उपयोग अनुकूल परिणाम पड़ा है, लेकिन इन तरीकों में से सबसे अधिक प्रजातियों के बजाय घटना "भविष्यवाणी" का प्रयास किया है "का पता लगाने।" इसके अलावा, पहनावा मानचित्रण मॉडल समझौते के स्तरों की पहचान करने, विभिन्न मॉडलिंग तरीकों के बीच अनिश्चितता के एक दृश्य के आकलन के लिए अनुमति देता है। अधिकांश अक्सर यह मॉडलिंग विधि की पसंद है (जैसे, GLM BRT बनाम) के बजाय ऐसे स्थान डेटा अनिश्चितता 31 के रूप में मॉडलिंग की प्रक्रिया में अन्य फैसले से मॉडल परिणाम पर सबसे बड़ी मात्रात्मक प्रभाव पड़ता है। हालांकि हम मानते हैं कि हमारे सबसे अच्छा झाऊ नक्शा है, जहां सभी पांच मॉडल समझौते में हैं, आगे के परीक्षण और कलाकारों की टुकड़ी मानचित्रण के विभिन्न तरीकों का उपयोग की सिफारिश की है (उदाहरण के लिए, नीलामी के आधार पर भारित) 32 </ Sup>, और सबसे अच्छा स्वतंत्र क्षेत्र टिप्पणियों के माध्यम से मान्य। सारांश में, इन तरीकों को आसानी से पर्यावरण चर SAHM में एक भी अध्ययन क्षेत्र के लिए निकाली गई उपयोग अन्य प्रजातियों के वितरण मॉडल के अनुरूप किया जा सकता है।

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

DOWNLOAD MATERIALS LIST

References

  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).

Comments

0 Comments


    Post a Question / Comment / Request

    You must be signed in to post a comment. Please or create an account.

    Usage Statistics