Author Produced

종 분포 모델과 원격 탐사 통합; 보조 서식지 모델링을위한 소프트웨어를 사용하여 매핑 위성 류 침략 (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

침입 식물 종의 조기 발견은 천연 자원과 생태계 과정의 보호 관리에 매우 중요합니다. 침입 식물의 분포를 매핑하는 원격 감지 위성의 사용이 보편화되어 있지만, 종래의 이미징 소프트웨어 및 분류 방법은 신뢰할 수없는 것으로 나타났다. 본 연구에서는 테스트 및 남동 콜로라도의 아칸소 강을 따라 침입 위성 류 (Tamarix 종을.) 매핑 위성 원격 탐사 데이터를 맞는 다섯 종 분포 모델 기술의 사용을 평가. 테스트 모델은 회귀 나무 (BRT), 임의 숲 (RF), 다 변수 적응 회귀 스플라인 (MARS), 일반화 선형 모델 (GLM) 및 Maxent을 밀어 포함되어 있습니다. 이러한 분석은 보조 서식지 모델링 (SAHM)에 대한 소프트웨어라는 새로 개발 된 소프트웨어 패키지를 사용하여 수행 하였다. 모든 모델은 499 존재 포인트 만 의사가없는 점, 그리고 예측 변수 acqu와 함께 훈련했다8 개월에 걸쳐 탐사 위성 5 주제 매퍼 (TM) 센서 IRED는 생물 계절 차이의 검출을 사용하여 기본 수변 식물에서 위성 류를 구별합니다. 탐사 위성 장면에서, 우리는 각각의 밴드와 계산 정규화 차이 식물 지수 (NDVI), 토양 조정 식생 지수 (SAVI), 및 tasseled 출장 변환을 사용했다. 풍경에 현재 위성 류 분포를 확인 다섯 모델이 성공적으로 독립적 인 위치 데이터와 임계 독립적이고 임계 의존하는 평가 지표에 따라. 모델 별 차이점을 설명하기 위해, 우리는지도 출력이 계약의 영역과 불확실성의 영역을 강조하여 다섯 모델의 앙상블을 생산했다. 우리의 결과는 원격 감지 된 데이터 앙상블 맵핑의 유용성을 분석하는 종 분포 모델의 유용성을 입증하고 전처리에 SAHM 능력을 보여주는 여러 복잡한 모델을 실행.

Introduction

남서부 미국 전역 강기슭 및 습지 생태계는 위성 류의 침입에 의해 위협 받고있다 (Tamarix 종.), 1800 년대 1 유라시아에서 소개 된 비 네이티브 나무가 우거진 관목. 위성 류는 속가, 수자원을 이용 토착 종을-경쟁, 생태계 1-2를 처리 변경할 수있는 여러 생리 학적 메커니즘을 가지고있다. 효과적인 통제 전략 환경 영향을 평가하고 수립을위한지도 위성 류 분포는 자원 관리자에 대한 높은 우선 순위이다. 지상 설문 조사가 정기적으로 사용 남아 있지만, 그들은 인해 노동, 시간 및 물류 관련 비용에 매우 큰 영역에 대한 비현실적이다.

위성 원격 감지 위성 류의 침략의 검출 및 매핑에 중요한,하지만 제한된 역할을하고있다. 기존의 분류 분석 및 원격 감지 소프트웨어는 한계 성공 3-5 있었다. 여러 최근 연구원격 감지 데이터 1,6를 사용하여 침입 식물을 감지하는 탐구 비 전통적인 접근 방식을 가지고있다. 위성 류는 많은 침입 식물처럼, 기본 강기슭 종의 생물 계절과 다른 성장시기에 걸쳐 생물 계절 변화를 나타낸다. 일부 지역에서는, 예를 들어, 위성 류 잎 아웃은 몇 가지 기본 수변 식물 전에, 그리고 위성 류는 더 이상 다른 토착 종보다 그 단풍을 유지합니다. 스펙트럼 밴드 재배 기간에 걸쳐 위성 데이터의 시계열로부터 유도 분광 인덱스를 사용하여, 우리는 이러한 생물 계절 1,6- 차이에 기초하여 네이티브 식물 에셀를 구별 할 수있다. 에반젤리스타 등의 작업에 구축. 2009 1은이 연구에서 우리는 탐사 위성 5 주제 매퍼 (TM) 위성 이미지의 시계열에서 개별 밴드에게 1-7 통합 및 표준화 차이 식생 지수 (NDVI), 토양 조정 식생 지수 (SAVI), 및 tasseled 캡을 유도 이 주파수 대역에서 변환. 정규화 differenCE 식생 지수 (NDVI)는 추정 식물 생물량, 캐노피 커버 리프 영역 인덱스 8-9을 위해 가장 일반적으로 사용되는 스펙트럼 지표 중 하나이며, (적색) 가시 근 사이의 비율의 비 - 선형 변환이고 적외선 밴드 10. 토양, 식물 조정 지수 (SAVI)는 식생 지수 11 토양 배경의 영향을 최소화하기 위해 사용되는 변성 NDVI이다. Tasseled 캡 변환은 토양의 밝기 (tasseled 모자, 밴드 1), 식물의 초록색 (tasseled 모자, 밴드 2), 토양 / 식물 습기 (tasseled 모자, 밴드 3)을 측정하는 세 개의 직교 밴드로 여섯 탐사 밴드의 합성을 가중 종종 식물 성분, 연령 클래스를 구분하고, 12 ~ 14을 구성하는 데 사용됩니다. 우리는 tasseled 캡 변환을 위해 크리스트 (1985) 15에보고 된 계수를 사용했다.

본 연구에서 우리는 스펙트럼 대역 및 채식의 시계열 다섯 종 분포 모델을 테스트탐사 위성 5 TM에서 파생 된 etation 지수는 남동 콜로라도 미국을 낮은 아칸소 강을 따라 위성 류를 매핑합니다. 아칸소 강은 2,364km (1,469 마일)에 걸쳐, 미주리 - 미시시피 시스템에서 두 번째로 큰 지류이다. 그 유역은 콜로라도 록키 산맥의 상류와 435,123km 2 (168,002 마일 2)를 포함한다. 2,965m에서 그 기원에서, 아칸소은 푸에블로, CO 근처 아웃 시키자 농업 토지와 짧은 잔디 프레리을 통해 사행, 권한 상승에 상당히 떨어진다. 강은 계절 홍수 될 수 있으며,이 미시시피 강으로 유입 곳 캔자스, 오클라호마, 아칸소에 계속하기 전에, 록 포드, 라 의회, 그리고 라마의 도시 농업 물 사용에 의존한다. 위성 류 먼저 라마 (16)의 현재의 마을 근처에 1913 년 R. Niedrach에 의해 아칸소 강에서 관찰되었다. 오늘, 위성 류는 푸에블로와 캔자스 상태 린 사이에 100 개 이상의 킬로미터를 커버 것으로 추정하고있다아칸소 강 (17)의 지류를 따라 추가로 60km 2 전자,. 연구 지역은 관개 수로, 습지, 농경지, 여러 지류의 합류점을 포함한다; 모든 위성 류 감염의 학위를 변화와 함께. 목장과 농업은 기본 크게 알팔파 건초, 옥수수, 겨울 밀 이루어진 수변 복도에 인접한 토지-사용합니다.

종 분포 모델은 종의 발생과 환경 (18) 사이의 관계를 식별하기 위해 위치 정보를 참조 발생 (즉, 위도, 경도)에 의존한다. 환경 데이터는 여러 원격 감지 및 다른 공간 층을 포함 할 수있다. 우리가 테스트 다섯 종 분포 모델은 밀어 회귀 나무 (BRT) (19), 임의 숲 (RF) (20), 다 변수 적응 회귀 스플라인을 포함 (MARS) (21), 일반화 선형 모형 (GLM) (22), 및 Maxent 23. 이 다섯 가지 모드EL 알고리즘은 가장 일반적으로 종 분포 모델링 채용 사이이며, 다수의 연구는 효능 24-25을 보여왔다. 우리는 보조 서식지 모델링 (SAHM) V의 소프트웨어를 사용했다. 2.0 모듈을 VisTrails의 v.2.2.2 (26) 시각화 및 처리 소프트웨어에 포함 된 다섯 모델을 실행합니다. 비교 모델링 SAHM을 사용하여 여러 가지 이점이있다. 공식화 모델링 프로세스 취급 용이 기록 외에도 SAHM 사용자가 개별적으로, 27 서식 상이한 인터페이스, 소프트웨어, 파일이 여러 종 분포 모델 알고리즘으로 작동 할 수있다. SAHM 모델의 성능을 평가하기 위해 일관성있는 임계 값을 독립적 및 임계 값에 의존하는 평가 지표를 생성합니다. 이 중 하나는 수신기 작동 특성 곡선 아래 면적 (AUC), 배경 (28)의 존재를 식별 할 수있는 모델의 능력을 평가하는 임계 값에 독립적 인 통계입니다. AUC 발0.5 이하의 단말은 모델의 예측이 임의보다 더 좋거나 더 나쁜 나타냅니다; 0.5과 0.70 사이의 값은 성능 저하를 나타냅니다; 0.70에서 1.0로 증가 값은 점진적으로 더 높은 성능을 나타냅니다. 또 다른 통계가 제대로 (PCC), 메트릭 사용자 정의 임계 값을 기준으로 민감도와 특이도는 무게 임계 값에 의존 통계 분류 퍼센트; 민감도와 특이 적합한 분류 관측 프리젠 스의 비율이 부적절한 것으로 분류 배경 장소의 비율을 측정하여 측정한다. 또 다른 메트릭은 참 스킬 통계 (TSS = 민감도 + 특이도는 - 1)이고, 범위의 값으로, 특이보다 모델의 민감도에 더 무게를 두는 -1 값이 0이 기회 (29)보다 더 나은 모델의 성능을 나타냅니다> 1 사이.

모델의 출력을 사용하여 위성 류를 매핑하기 위해, 우리는 페이지를 정의하는 민감도와 특이도를 균등화 임계 값을 사용하여 이진 분류를 구성resence 또는 위성 류의 부재. 이러한 개별 모델 도출 된 맵은 다음 앙상블지도 (30)을 만들 합산 하였다. 앙상블지도는 테스트 모델의 단체 협약 위를 기록하고 분류 된지도를 생성하는 개별 종 분포 모델의 예측을 결합합니다. 예를 들어, 하나의 앙상블 셀 값은 다섯 값 다섯 모델 적당한 서식처로 세포 분류 것을 나타내는 반면, 하나의 모델이 적합한 서식지 그 셀 분류 것을 나타낸다. 이 방법의 장점은 앙상블지도는 개별 모델보다 낮은 평균 오류를 얻을 수 있다는 것입니다. 또한 사용자가 시각적으로 시험 각 모델의 성능을 비교할 수 있습니다. 전반적인 목표는 프리 종의 전류 분포를 모델링 맞출 수있는 이들 방법에 대한 상세한 설명을 제공하는 것이다.

Protocol

1. 필드 데이터 수집

  1. 2005 년과 2006 년 17 국가 차원의 조사에서 위성 류 연합에 의해 수집 벡터 다각형 데이터 세트에서 위성 류에 대한 필드 데이터를 파생.
    주 : 데이터는 현장 기술자가 모든 위성 류는 위성 위치 확인 시스템 (GPS) 및 항공 사진을 이용하여 아칸소 강을 따라 서 매핑 집중 지상 설문 조사를 통해 얻어졌다.
  2. 이 다각형 내에서 모델을 훈련하는 499 임의의 점 (즉, 현존)을 생성합니다. 임의의 점에 대한 제한의 두 세트를 배치 (1) 각 지점은이 탐사 위성 5 TM 해상도 스탠드 위성 류 조건을 보장하기 위해 모든 다각형 가장자리에서> 30m 할 필요가있다; 및 (2) 각각의 점은 조사 지점에 걸쳐 강력한 분포를 확인하고 자기 상관 공간을 최소화하기 위해, 임의의 인접한 지점에서 60m ≥를 할 필요가있다.
  3. 세 개의 열에서 MS Excel 파일에 필드 데이터를 컴파일 제목이 표시와 함께 "응답""X"및 "Y", 응답 값은 경우 (1) Y. 저장 SAHM에 사용 .csv 형식이 파일 (FieldData 모듈)에 대한 존재, X에 대한 UTM의 Y 좌표 및 UTM의 X 좌표합니다.
  4. 모델 결과를 평가하기 위해 독립적 인 테스트 데이터와 폴리곤 외부 위성 류 연합의 위성 류 다각형에서 추가로 100 임의의 점과 다른 100 임의의 점을 생성합니다. SAHM에 사용 .csv 형식이 파일 (FieldData 모듈)을 저장합니다.

2. 예측 변수

  1. 미국 지질 조사국의 글로벌 시각화 뷰어 / EarthExplorer에서 (경로 32, 행 34) 탐사 위성 5 표면 반사율 4-5 번간 TM 이미지를 다운로드 (http://earthexplorer.usgs.gov/). 장면은 2005 년과 2006 년 17 콜로라도 위성 류 연합에 의해 샘플링 범위를 포함한다. 상기 모델에 사용 개월, 대부분 클라우드 무료 선택 장면 (즉, <10 % 클라우드 커버) 및 representativ을 확인하려면구별 위성 류의 생물 계절을 생각 개월의 전자; 이 2004 년 10 월 2005 년 4 월 2005 년 5 월 2005 년 6 월 2005 년 7 월 2005 년 9 월 2006 년 4 월 2006 년 5 월 2006 년 6 월 2006 년 7 월 2006 년 8 월 2006 년 9 월, 2006 년 11 월이었다.
  2. 에서 원격 탐사 지수 유도 도구를 다운로드
    https://github.com/rander38/Remote-Sensing-Indices-Derivation-Tool.
  3. , GDAL 또는 Arcpy 버전 중 하나를 도구에서 파이썬 스크립트를 실행; GDAL을 권장합니다.
  4. 적절한 위성 센서, 소정의 인덱스를 선택하고, 입력 화상 파일을 파일이 저장 될 폴더의 출력 (도 1)를 설정한다. 우리는 각각의 대역을 수출하고 탐사 TM 장면의 각에서 파생 된 NDVI, SAVI 및 Tasseled 모자 밝기, 초록색 및 습윤 지수를 사용했다. 어떤 지수 수정 또는 Sensors_Formulas_RSIDT.ini 파일을 변경하여 추가 할 수 있습니다.

그림 1 1. 원격 탐사 지수 유도 도구 GUI 그림.

  1. 이 도구를 실행하고 ArcMap의의 절에서 시각적으로 출력 파일을 확인합니다. 10.0 (ESRI, 레드 랜드, CA) 또는 다른 지리 정보 시스템 소프트웨어를.

보조 서식지 모델링 (SAHM) (그림 2) 3. 소프트웨어

그림 1
그림 2. 전체 SAHM 워크 플로우는 입력 데이터 전처리, 예비 모델 분석 및 의사 결정, 상호 모델 및 출력 루틴이 포함되어 있습니다.

  1. https://my.usgs.gov/catalog/RAM/SAHM에서 SAHM, 미국 지질 조사국 웹 사이트에서 (VisTrails 포함) 최초의 다운로드 파일을 실행하십시오. 다운로드 및 SAHM 설치에 대한 자세한 지침은 동일한 웹 사이트에서 사용 설명서를 참조하십시오. 웹 사이트는 또한 SAHM의 tutoria을 가지고 있습니다리터 및 추가 지침에 대한 데이터.
  2. 위성 류의 종 분포 모델을 개발하려면합니다 (SAHM 예 폴더) 패키지 다운로드와 함께 제공되는 SAHM_tutorial_2.0.vt 파일을 사용합니다. 기록보기 내에서 독립적 인 위치 워크 플로우를 선택합니다. 다른 워크 플로 예를 선택하여 학습 목표에 따라 할 수있다 설명은 각각 제공된다. 파이프 라인을 선택합니다.
  3. 다음 SAHM> 변경 세션 폴더를 패키지로 이동하여, 출력 폴더를 설정합니다. 워크 플로 개발 프로세스 전반에 걸쳐 각 단계와 옵션에 대한 자세한 설명은 SAHM 뷰어 화면의 오른쪽에있는 문서 탭을 선택하여 확인할 수 있습니다. 다음과 같은 방법에 나열된 모든 모듈은 SAHM 탭에서 SAHM 창 왼쪽에서 찾을 수 있습니다.
  4. 될 필드 데이터 옆에 직접 SAHM종 분포 모델을 훈련하는 데 사용됩니다.
    1. TemplateLayer 모듈을 클릭합니다. 마스크로서 사용되며, 분석의 돌기 세포의 크기와 정도를 정의하는 래스터 찾아.
    2. 워크 플로의 왼쪽에있는 FieldData 모듈을 클릭합니다. .csv로 찾아보기 (즉, training.csv) 필드 데이터 모듈 내의 필드 데이터 (존재 포인트 또는 유무 점)의 파일입니다.
    3. 파일 목록을 PredictorListFile 모듈을 클릭하고 .csv로하는 검색 (예를 들어, 모든 예측의 전체 경로를 포함하는 파일은 사용 설명서를 참조 모델 -에 사용).
  5. 다음에, 사전 처리 단계를 수행.
    1. FieldDataQuery 모듈을 클릭하고 응답을 열 머리글로 응답 란에 기입 (즉, FieldData.csv에서 열 이름), X 및 Y 열입니다.
    2. MDSBuilder 모듈을 클릭합니다. backgroundPoi 설정10,000 ntField.
      참고 : 모델링되는 종의 유무 데이터를 사용하는 경우, 당신은 backgroundPointField을 변경할 필요가 없습니다; 당신은 필드 Data.csv의 응답 (0) 이러한 위치를 포함한다. 당신이 (이 값은 임의로 생성 된 점은 그것이 내에 있어야 유지 될 확률을 나타내는 0에서 100까지의 값을 갖는 래스터 표면을 가리키는하여 지역 내 배경 포인트 선택을 제한하려는 경우 backgroundProbSurf를 설정하는 옵션입니다 특정 셀). 이 연구를 위해 (위성 류 연합에 의해 샘플링 총 면적 기준)이 버퍼 외부 지역에 대한 5,000m 아칸소 강의 버퍼와 0에서 100의 값으로 backgroundProbSurf를 사용합니다.
  6. 다음에, 지정한 종 분포 모델링 알고리즘을 사용한다.
    1. 참고 그 BoostedRegressionTree, GLM, MARS, 그리고 ndomForest 모듈은 이미 독립적 인 위치 워크 플로우에 설정됩니다. 다섯 모델을 테스트하기 위해 워크 플로에 MAXENT 모듈을 추가합니다. CovariateCorrelationAndSelection 모듈에 연결합니다.
      참고 : 모든 모델에 기본 설정으로 시작; 이들은 연구 목표 (자세한 내용은 모델 설명서를 참조)에 따라 변경 될 수 있습니다.
    2. ModelOutputViewer 모듈을 추가하고 MAXENT 모듈에 연결; (5)에 열을 변경하고 1로 행 ModelOutputViewer 모델 결과의 비교에 이용 될 수있는 스프레드 시트를 생성한다.
    3. OutputName 모듈을 클릭하고 하위 폴더 이름을 입력합니다.
  7. 다음으로, 모델 출력의 앙상블을 생성하는 모듈을 추가 할 수 있습니다. 이 모듈은 두 개의 출력 맵을 생성한다; 포함 된 모든 출력의 평균 연속 확률 포지티브 함과 모델의 수를 카운트 한 제진 확률.
    1. 워크 플로에 EnsembleBuilder 모듈을 추가합니다. 임계 값을 설정하는 메트릭 선택 사항입니다; 이 연구, AUC를 선택하고 0.75의 기본 값으로 임계 값을 둡니다. 이것은 또는 0.75 같이 앙상블지도 출력에 포함 된보다 큰 AUC 값으로 만 모델을 보장합니다. EnsembleBuilder에 BoostedRegressionTree, GLM, MARS, 랜덤 포레스트 및 MAXENT 모듈을 연결합니다.
  8. 다음으로, 독립 테스트 데이터 모델을 지시.
    1. 다른 FieldData 모듈 (워크 플로의 오른쪽)을 클릭하고 모델 검증 데이터를 포함하는 .csv 파일로 이동합니다. 이러한 프로토콜의 단계 1.4에서 생성 된 200 유무 포인트입니다.
    2. FieldDataQuery 모듈을 클릭하십시오 응답, 배를 만들고, Y 열은 열이 나는 일치N 필드 데이터 CSV 형식.
    3. ApplyModel 모듈을 추가하고 MAXENT 모듈에 연결합니다. ModelOutputViewer 모듈을 추가하고이 ApplyModel 모듈에 연결; 메뉴 1. 5에 열과 행을 변경, 선택 패키지 -> SAHM -> 변경 처리 모드. (- 1 코어 각각 N)를 둘 이상의 모델을 실행하는 하나의 모델을 순차적으로 선택하려는 때문에. 이는 다중 코어 컴퓨터를 활용하여 모델의 실행 시간을 촉진한다.
  9. 다음에, 종 분포 모델을 실행한다.
    1. 파일 .vt을 저장 한 다음 실행을 클릭합니다.
    2. R | CovariateCorrelationAndSelection 위젯 (그림 3)이 표시되면, 상관 계수는 각 변수의 상관 관계 쌍을 드-선택 | ≥ 0.7 (%의 일탈을 기준으로는 단 변량 일반에서 설명 이 위젯 (그림 3)과 정보에 생태 결정의 왼쪽 측면에서 볼 첨가제 모델을화된; 이 연구에서) 위성 류의 생물 계절 변화를 포착하기 위해 각 달에 적어도 하나의 공변량의 선택을 우선 순위. 시청 창에서 플롯의 수는 숫자를 입력 (기본값은 8) 및 업데이트를 클릭하여 변경할 수 있습니다.
    3. 공변량 선택을 마무리 한 후, CovariateCorrelationAndSelection 위젯 (그림 3) 하단의 확인을 선택합니다. 이 연구 내용은 다음 9 변수는 유지했다 : 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 및 Nov_19_2006_SAVI합니다. 종 분포 모델 확인을 선택한 후 실행됩니다.

JPG "/>
그림 3. 공변량 상관 관계 및 선택 SAHM 인터페이스를 제공합니다.

  1. 결과 출력.
    참고 : 모델을 완료 한 후, VisTrails 스프레드 시트 모델 비교 나타납니다 (그림 4)
    1. 모델에 걸쳐 AUC 플롯 텍스트 출력 응답 곡선 교정 혼란 행렬, 잔차 및 응답 곡선을 비교한다.
      참고 : SAHM 모델의 출력은 잔류 CovariateCorrelationOutputMDS, 혼란 행렬, 잔여 플롯, 교정 음모, 모델 평가 음모, 변수 중요성 플롯, 응답 곡선 폴더를 확장 출력 폴더, 빈지도, 엉망지도, 국방부지도, PROB지도를 포함 지도 및 경우 output.txt; 자세한 설명은 SAHM 사용자 설명서를 참조하십시오.

그림 4
도 4 VisTrails 스프레드는 모델 출력을 평가하는 데 사용될 수있다. 이것은트레이닝 데이터의 AUC 모델 비교; 모델은 각각 BRT, GLM, MARS, RF 및 Maxent 있습니다 왼쪽에서 오른쪽으로.

Representative Results

독립적 인 테스트 데이터 집합을 기준으로 BRT, RF, MARS, GLM 및 Maxent의 통계 평가는 다섯 모델은 위성 류를 검출하기에 비교적 잘 수행 표시; 모델 사이의 임계 값 독립과 임계 따라 평가 지표 사이에 약간의 차이가 있었다. AUC 값> 0.88이었다 퍼센트 정확하게 분류 값은> 77 %, 민감도 및 특이도는> 0.77이었고, TSS는> 0.54 (표 1)이었다. 진 모델 출력의 앙상블은 아칸소 강 (그림 5)을 따라 지역의 많은 모델 계약을 밝혔다. 혼란 (다변량 환경 유사성면) 각 모델에 대한지도 출력은 연구 지역의 사용 가능한 환경을 표시 잘 더 앙상블 접근 방식에서 우리의 신뢰를 증가 (그림 6)를 샘플링했다.

방법 "> 모델 AUC PCC 감광도 특성 TSS BRT 0.91 (85) 0.85 0.85 0.70 RF 0.92 (85) 0.85 0.85 0.70 화성 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

표 1. 임계 값 독립 (AUC)와 종속 임계 값 (PCC는 민감도, 특이도, TSS) BRT, RF, MARS, GLM에 대한 평가 지표 및 Maxent 모델은 독립적 인 테스트에 적합 위성 류의 유무의 데이터 세트.

그림 5
그림는 ArcGIS에서 BRT, GLM, MARS, RF 및 Maxent 바이너리 출력 맵을 결합 5. 앙상블 결과. 지역 5 (적색) 0 (무색)에서, 계약에 모델 번호에 의해 착색된다. 예측의 북서쪽 모서리에있는 색의 영역을 참고; 이 라인은 탐사 이미지의 유물이다 따라서 모델 결과는이 지역주의를 기울여야한다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

그림 6
그림 6. 다변량 환경 유사성면 (MESS) 출력.대상 = "_ 빈">이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

사용되는 아홉 예측기 6 월 30 2,006 밝기 다섯 모델 (표 2)의 가장 중요한 변수이다. 이 단계적 아카 이케 정보 기준에 따라 GLM에 의해 유지하는 유일한 변수였다 (AIC, 이것은 SAHM에서 GLM 모델 선택의 기본이다), 그러나 그것은이 모델은 또한이 변수의 제곱 용어를 포함하는 것이 중요하다. RF 및 Maxent는 기본적으로 모든 변수를 유지합니다.

예언자 BRT RF 화성 GLM Maxent
2006년 7월 30일 밝기 41.60 34.11 76.78 (100) 67.27
2006년 8월 31일 밴드 4 6.35 5.87 5.16 0 2.82
2005년 6월 9일 SAVI 13.67 14.09 9.14 0 9.75
2005년 4월 22일 밝기 6.29 6.30 0 0 0.43
2004년 10월 28일 NDVI 5.66 8.25 0 0 2.94

각 모델에서 예측 2. 상대 중요성.

Discussion

우리의 결과는 풍경에 위성 류를 구별 할 수 위성 류에 대한 존재 지점 및 원격 탐사 탐사 위성 영상 데이터의 시계열로, RF, MARS, GLM 및 Maxent을 피팅 BRT를 입증하고 기존의 단일 장면 분류 방법에 대한 효과적인 대안이다. 그것은 6 월 연구 지역에서 위성 류를 검출하는 특히 중요한 시간이다 우리의 결과에서 분명하다; 이 6 월의 습기가 탐사 위성 이미지의 시간 시리즈와 Maxent 모델에 맞는에 따라이 지역에서 위성 류 발생의 가장 중요한 예측 인자였다 표시 에반젤리스타 등. 2009 1 동의합니다.

BRT, RF, MARS 및 Maxent 모델에 포함 된 다른 스펙트럼 지수 밴드 더 (. Salix 종) 토양 기판, 미루를 포함하여 다른 낙엽 나무 (사시 나무속 종.)와 버드 나무에서 위성 류를 구별, 또는 농업 관개 수 아래에서 일반적입니다아칸소 강 유역. 이러한 지형, 토양 유형 또는 기후 데이터와 같은 다른 GIS 층도 공변량으로 고려하고 이러한 모델을 포함하지만, 목표는 풍경 전류 종 분포를 검출하는 대신 잠재적 예측하는 경우, 우리는 최소이 유지 권장 될 수있다 발생 또는 적합한 서식지.

우리의 연구를위한 테스트 모델은 강력한 분석 능력과 결과를 평가하기위한 여러 옵션을 제공했다. 이러한 SAHM 같은 단일 프레임 워크 내에서 이러한 상호 모델의 모든 데, 공식화 및 모델링 프로세스의 다루기 쉬운 녹음을 할 수 있습니다. 워크 플로우는 수정, 반복 복제를 용이하게 분석의 각 단계를 기록하면서 사전 및 응답과 예측 변수의 사후 처리는 더 효율적인 모델을 비교할 수 SAHM 표준화된다.

앙상블 매핑은 w를 최소화하면서, 여러 가지 상호 모델의 강점을 결합하는 것을 목표로어떤 하나의 모델 (30)의 eakness. 우리는이 연구에서 사건이었다 믿는다 그러나, 우리는 (즉, 예측-에서 또는 과다 예측) 수익률 모델은 전체 결과를 약화시킬 수 있음을 경고한다. 문헌에서 앙상블 매핑의 사용이 제한 유리한 결과를했다,하지만 이러한 방법의 대부분보다는 종의 발생을 "예측"을 시도했다 "감지합니다." 또한, 앙상블 매핑 모델 계약 수준을 식별, 다른 모델링 방법 중 불확실성의 시각적 평가를 할 수 있습니다. 대부분 종종 모델링 방법의 선택은 (예를 들어, BRT 대 GLM) 오히려 이러한 위치 데이터 불확실성 31 모델링 과정에서 다른 결정보다 모델 결과에 큰 영향을 정량화 할 수있다. 우리는 모두 다섯 모델 계약에 어디에 최선 에셀지도 (예, AUC에 의해 가중) (32) 추천 더 테스트하고 앙상블 매핑의 다양한 방법을 사용하여,라고 생각하지만 </ SUP>, 최고의 독립적 인 현장 관찰을 통해 검증. 요약하면,이 방법은 쉽게 SAHM 주어진 연구 영역에 대해 유도 환경 변수를 이용하여 다른 종의 분포를 모델링하도록 맞추어 질 수있다.

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