Author Produced

Integratie van Remote Sensing met Species Distribution Models; Mapping Tamarisk Invasions De software gebruiken voor Assisted Habitat Modeling (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

Vroege opsporing van invasieve plantensoorten is van vitaal belang voor het beheer van natuurlijke hulpbronnen en de bescherming van het ecosysteem processen. Het gebruik van satelliet remote sensing voor het in kaart brengen van de verspreiding van invasieve planten wordt steeds vaker voor, hebben echter conventionele imaging software en classificatie methoden is aangetoond onbetrouwbaar. In deze studie hebben we testen en het gebruik van vijf soorten distributiemodel technieken fit met satelliet remote sensing data invasieve tamarisk (Tamarix spp.) In kaart langs de rivier de Arkansas in Southeastern Colorado evalueren. De geteste modellen opgenomen versterkt regressie bomen (BRT), Random Bos (RF), multivariate adaptieve regressie spieën (MARS), gegeneraliseerde lineaire model (GLM), en Maxent. Deze analyses werden uitgevoerd met behulp van een nieuw ontwikkelde software pakket genaamd de Software Assisted Habitat Modeling (SAHM). Alle modellen werden getraind met 499 aanwezigheid punten, 10.000 pseudo-afwezigheid punten, en voorspellende variabelen acquIRED uit de Landsat 5 Thematic Mapper (TM) sensor over een periode van acht maanden om tamarisk onderscheiden van inheemse oevervegetatie met behulp van detectie van fenologische verschillen. Vanuit de Landsat scènes, gebruikten we de individuele bands en berekende Normalized Difference Vegetation Index (NDVI), Grond-adjusted Vegetation Index (SAVI), en kwastjes afgedekt transformaties. Alle vijf modellen geïdentificeerd huidige tamarisk distributie op het landschap met succes op basis van drempel onafhankelijke en afhankelijke drempel evaluatie metrieken met onafhankelijke locatiegegevens. Om rekening te houden model specifieke verschillen, produceerden we een ensemble van vijf modellen met kaart uitgang benadrukken punten van overeenstemming en de gebieden van onzekerheid. Onze resultaten tonen het nut van de soorten distributie modellen in het analyseren van remote sensing data en het nut van ensemble in kaart brengen, en showcase van de mogelijkheden van SAHM in pre-processing en het uitvoeren van meerdere complexe modellen.

Introduction

Oeverstaten en wetland-ecosystemen in de hele zuidwesten van de Verenigde Staten worden bedreigd door de invasie van tamarisk (Tamarix spp.), Een non-native houtige struik ingevoerd uit Eurazië in de jaren 1800 1. Tamarisk heeft vele fysiologische mechanismen die het mogelijk maken het geslacht om water te exploiteren, out-concurrentiebeding inheemse soorten en ecosystemen veranderen verwerkt 1-2. Mapping tamarisk distributies voor de beoordeling van de milieueffecten en het formuleren van een effectieve controle strategieën zijn hoge prioriteiten voor de resource managers. Hoewel terreinonderzoek blijven regelmatig gebruikt, ze zijn niet praktisch voor extreem grote gebieden als gevolg van de daarmee gepaard gaande kosten van arbeid, tijd en logistiek.

Satelliet remote sensing is een belangrijke, maar beperkte rol bij het opsporen en in kaart brengen van tamarisk besmettingen gespeeld. Conventionele classificatie analyses en remote sensing software marginaal succes 3-5 had. Verschillende recente studieshebben onderzocht niet-traditionele benaderingen van invasieve planten met behulp van remote sensing data 1,6 detecteren. Tamarisk, net als veel invasieve planten, vertoont fenologische variatie gedurende het groeiseizoen, dat verschilt van fenologie inheemse oeverstaten species '. In sommige gebieden, bijvoorbeeld tamarisk blad-out is voor sommige autochtone oeverstaten planten en tamarisk behoudt zijn bladeren langer dan andere inheemse soorten. Door het gebruik van spectrale banden en spectrale indices afgeleid van een tijdreeks van satellietgegevens gedurende het groeiseizoen, kunnen we tamarisk van inheemse planten op basis van deze fenologische verschillen 1,6 onderscheiden. Voortbouwend op het werk van Evangelista et al. 2009 1, in dit onderzoek opgenomen we individuele bands 1-7 uit een tijd-serie van 5 Landsat Thematic Mapper (TM) satellietbeelden en afgeleide genormaliseerde verschil vegetatie-index (NDVI), de bodem aangepast vegetatie-index (SAVI), en kwastjes cap transformaties van deze bands. genormaliseerde difference vegetatie-index (NDVI) is een van de meest gebruikte spectrale indexen voor het schatten vegetatie biomassa bedekkingsgraad en bladoppervlakte indices 8-9, en een niet-lineaire transformatie van de verhouding tussen het zichtbare (rood) en near- infraroodbanden 10. -Bodem aangepaste vegetatie-index (SAVI) een gemodificeerd NDVI gebruikt om de effecten van grondachtergrond vegetatie indices 11 minimaliseren. Tasseled cap transformaties worden gewogen composieten van de zes Landsat bands in drie orthogonale bands die de helderheid van de bodem (kwastjes cap, band 1), de vegetatie groenheid (kwastjes cap, band 2), en de bodem / vegetatie nattigheid (kwastjes cap, band 3) en meet worden vaak gebruikt om vegetatiesamenstelling, leeftijdsklasse onderscheiden en structureren 12-14. We gebruikten de coëfficiënten vermeld in Crist (1985) 15 voor kwastjes cap transformaties.

In deze studie testen we vijf soorten distributiemodellen met een tijd-serie spectrale banden en vegetation indices afkomstig van Landsat 5 TM tamarisk langs de onderste Arkansas River in kaart in het zuidoosten van Colorado, USA. De Arkansas River, verspreid over 2364 km (1469 mi), is de tweede grootste zijrivier van de Missouri-Mississippi-systeem. De waterscheiding beslaat 435.123 km 2 (168.002 mi 2) met de bovenloop in de Colorado Rocky Mountains. Vanuit haar oorsprong in 2965 m, daalt de Arkansas aanzienlijk in opstand, nivellering in de buurt van Pueblo, CO, en kronkelend door landbouwgronden en korte-grass prairie. De rivier is onderhevig aan seizoensgebonden overstromingen en wordt gebruikt voor de gemeentelijke en de landbouw watergebruik in Rocky Ford, La Junta, en Lamar, voordat u verder in Kansas, Oklahoma en Arkansas, waar het in de Mississippi rivier stroomt. Tamarisk werd voor het eerst waargenomen op de rivier de Arkansas door R. Niedrach in 1913 in de buurt van de huidige stad van Lamar 16. Vandaag is geschat dat tamarisk omvat meer dan 100 km 2 tussen Pueblo en de staat Kansas line, met een extra 60 km 2 langs de zijrivieren van de Arkansas River 17. Het studiegebied omvat irrigatiekanalen, wetlands, landbouwgrond, en de samenvloeiing van een aantal zijrivieren; Alle met wisselend kustgordel besmetting. Veeteelt en landbouw zijn de primaire land-gebruikt grenzend aan de oeverstaten gangen bestaat grotendeels uit luzerne, hooi, maïs en wintertarwe.

Soort distributiemodellen rekenen op een geografisch referentiekader voorvallen (dat wil zeggen, breedte, lengte) om de relaties tussen het optreden van een soort 'en haar omgeving 18 te identificeren. De milieu-data kunnen bestaan ​​uit meerdere remote sensing en andere ruimtelijke lagen. De vijf soorten distributie modellen die we getest onder impuls regressie bomen (BRT) 19, willekeurige bossen (RF) 20, multivariate adaptieve regressie spieën (MARS) 21, een algemeen lineair model (GLM) 22, en Maxent 23. Deze vijf model algoritmes behoren tot de meest algemeen gebruikte soort voor distributie modelleren en een aantal studies hebben aangetoond hun doeltreffendheid 24-25. We gebruikten de software voor Assisted Habitat Modeling (SAHM) v. 2.0 modules op de vijf modellen, die zijn opgenomen in VisTrails v.2.2.2 26 visualisatie en processing software uit te voeren. Er zijn verscheidene voordelen aan het gebruik Sahm vergelijkende modellering. Naast het formaliseren en handelbaar registratie van modelleringsprocessen, Sahm kunnen gebruikers met meerdere soorten distributiemodel algoritmen die individueel zijn inconsistent interfaces, software en bestandsindeling 27. SAHM produceert consistente drempel-onafhankelijke en drempelwaarde-afhankelijke evaluatie statistieken om model te evalueren. Een daarvan is oppervlak onder de Receiver Operating Characteristic curve (AUC), een drempel onafhankelijk statistiek die vermogen van een model om de aanwezigheid te onderscheiden van de achtergrond 28 evalueert. Een AUC valUE van 0,5 of minder aangeeft model voorspellingen zijn niet beter of slechter dan willekeurig; waarden tussen 0,5 en 0,70 aangeven slechte prestaties; en waarden toenemende 0,70-1,0 geven steeds hogere prestaties. Een andere metriek procent correct ingedeeld (PCC), een drempel afhankelijk metric die de gevoeligheid en specificiteit op basis van een door de gebruiker gedefinieerde drempel metrische weegt; gevoeligheid meet het percentage van de waargenomen aanwezigheden geclassificeerd als geschikt en specificiteit meet het percentage van de achtergrond locaties geclassificeerd als ongeschikt. Nog een andere metriek True Skill Statistiek (TSS = sensitiviteit specificiteit + - 1), die meer gewicht legt op model sensitiviteit dan specificiteit, met waarden variërend tussen -1 en 1, waar waarden> 0 te geven beter model prestaties dan de kans 29.

Om tamarisk in kaart met behulp van model output, we geconstrueerd binaire indelingen aan de hand van de drempel die sensitiviteit en specificiteit egaliseert de p definiërenresence of afwezigheid van tamarisk. Deze individuele model afgeleid kaarten werden vervolgens opgeteld tot een ensemble kaart 30 te creëren. Ensemble kaarten combineren de voorspellingen van de individuele soorten distributiemodellen een ingedeeld plan dat de collectieve arbeidsovereenkomst van de geteste modellen rangen te produceren. Bijvoorbeeld een ensemble cel waarde van één geeft aan dat slechts één model ingedeeld die cel als geschikte habitat, terwijl een waarde van vijf geeft aan dat alle vijf de cel welke geheim als geschikte habitat. Een voordeel van deze aanpak is dat ensemble kaarten leveren een lagere gemiddelde fout dan elk individueel model. Het stelt gebruikers ook visueel te vergelijken met de prestaties van elke geteste model. Onze algemene doel was tot een gedetailleerde beschrijving van deze werkwijzen die kunnen worden aangepast aan de huidige verdeling van soorten op de landschapsmodel verschaffen.

Protocol

1. Gebied Data Collection

  1. Leid veldgegevens voor tamarisk uit een vector veelhoek dataset door de Tamarisk Coalition opgevangen in een state-breed onderzoek in 2005 en 2006 17.
    LET OP: De gegevens werden verkregen door middel van een intensief bodemonderzoek, waarbij technici toegewezen alle tamarisk bevindt zich langs de rivier de Arkansas met behulp van Global Positioning Systems (GPS) en luchtfoto's.
  2. Binnen deze polygonen, het genereren van 499 willekeurige punten (dat wil zeggen, aanwezigheden) om de modellen te trainen. Plaats twee reeksen beperkingen van de willekeurige punten: (1) elk punt vereist> 30 m van elke veelhoek rand teneinde verzekerd te zijn binnen de tamarisk stand op een TM resolutie Landsat 5 is; en (2) elk punt moet worden ≥ 60 m van enige naburige punt om een ​​robuuste verdeling over de meetlocatie waarborgen en ruimtelijke autocorrelatie minimaliseren.
  3. Compileren veldgegevens in een MS Excel-bestand in drie kolommen met de rubrieken label "response", "X" en "Y", waar de respons waarden (1) voor aanwezigheid, UTM easting voor X, en UTM northing voor Y. Sla dit bestand in CSV-formaat voor gebruik in SAHM (veld data module).
  4. Genereer een extra 100 willekeurige punten binnen de Tamarisk Coalitie tamarisk polygonen en nog eens 100 willekeurige punten buiten de veelhoeken als onafhankelijke testgegevens om model resultaten te evalueren. Sla dit bestand in CSV-formaat voor gebruik in SAHM (veld data module).

2. Predictor variabelen

  1. Download Landsat 5 oppervlak reflectie L4-5 TM beelden (Path 32, rij 34) van de US Geological Survey Global Visualization Viewer / EarthExplorer (http://earthexplorer.usgs.gov/). De scènes zijn onder andere de mate bemonsterd door de Colorado Tamarisk Coalitie in 2005 en 2006 17. Om de maanden voor de modellen, selecteert u scènes die zijn grotendeels cloud-vrij (dat wil zeggen, <10% bewolking) en representativ bepalene maanden dacht te onderscheiden tamarisk fenologie hebben; deze waren oktober 2004, april 2005, mei 2005, juni 2005, juli 2005, september 2005, april 2006, mei 2006, juni 2006, juli 2006, augustus 2006, september 2006 en november 2006.
  2. Download de Remote Sensing Indices Afleiding Tool uit
    https://github.com/rander38/Remote-Sensing-Indices-Derivation-Tool.
  3. Voer het Python-script van de tool, ofwel GDAL of Arcpy versie; GDAL wordt aanbevolen.
  4. Selecteert u de juiste satelliet sensor, gewenste indices, en stel de input beeldbestand en de output map waar bestanden worden opgeslagen (figuur 1). Wij voerden de individuele bands en gebruikten de NDVI, SAVI en Tasseled Cap helderheid, groenheid, en nattigheid indices afgeleid van elk van de Landsat TM-scenes. Merk op dat alle indices kunnen worden gewijzigd of toegevoegd door het veranderen van de Sensors_Formulas_RSIDT.ini bestand.

Figuur 1 Figuur 1. Remote Sensing Indices Afleiding Tool GUI.

  1. Start het gereedschap en controleer de output bestanden visueel in ArcMap v. 10.0 (ESRI, Redlands, CA) of een ander geografisch informatiesysteem software.

3. Software voor Assisted Habitat Modeling (SAHM) (figuur 2)

Figuur 1
Figuur 2. De gehele SAHM workflow omvat invoergegevens, voorbewerken, voorlopige model analyse en besluitvorming, correlatieve modellen, en output routines.

  1. Voor het draaien van SAHM, eerste download bestanden (inclusief VisTrails) van de US Geological Survey website https://my.usgs.gov/catalog/RAM/SAHM. Raadpleeg de gebruikershandleiding op dezelfde website voor gedetailleerde instructies over het downloaden en installeren van SAHM. Merk op dat de website heeft ook een SAHM tutorial en gegevens voor aanvullende instructies.
  2. Om de tamarisk soorten distributie modellen te ontwikkelen, gebruik maken van de SAHM_tutorial_2.0.vt-bestand dat wordt geleverd met het pakket te downloaden (in de map SAHM voorbeelden). Binnen de geschiedenis en selecteert de Onafhankelijke locaties workflow. De workflow andere voorbeelden kunnen worden geselecteerd en afhankelijk onderzoeksdoelstellingen; beschrijvingen worden voorzien van elk. Selecteer Pipeline.
  3. Stel de output map, door te gaan naar pakketten en vervolgens SAHM> Verander Session Folder. Gehele workflow ontwikkelingsproces, kan gedetailleerde beschrijving van elke stap en opties te vinden door het tabblad Documentatie zich aan de rechterkant van het scherm SAHM viewer. Alle in de volgende manieren weergegeven modules is te vinden op de linkerkant van het venster SAHM onder het tabblad SAHM.
  4. Vervolgens direct SAHM de veldgegevens die zullen wordengebruikt om soorten distributiemodellen trainen.
    1. Klik op de TemplateLayer module. Ga naar de raster dat wordt gebruikt als een masker en de projectie, celgrootte en omvang van de analyses definiëren.
    2. Klik op het veld data module aan de linkerkant van de workflow. Blader naar .csv (dwz training.csv) bestand van veldgegevens (aanwezigheid punten of aan- en afwezigheid punten) in het veld data module.
    3. Klik op de PredictorListFile module en blader naar CSV-bestand lijst (bijvoorbeeld bestand met het volledige pad naar alle voorspellers te gebruiken in de model- verwijzen naar handleiding).
  5. Vervolgens voeren voorbewerking stappen.
    1. Klik op de FieldDataQuery module en in reactie kolom vullen met kolomkop voor respons (dat wil zeggen, de namen kolom in de FieldData.csv), X en Y kolommen.
    2. Klik op de MDSBuilder module. Stel de backgroundPointField tot 10.000.
      OPMERKING: Als u gebruik maakt van aan- en afwezigheid van gegevens voor de soort wordt gemodelleerd, hoeft u niet nodig om de backgroundPointField veranderen; je zou omvatten deze locaties met een responstijd (0) op het gebied data.csv. Het is optioneel om een backgroundProbSurf stellen als u wilt achtergrond punt selectie beperken binnen een gebied dat door te wijzen op een raster oppervlak met waarden variërend van 0 tot 100 (deze waarden vertegenwoordigen de kans dat een willekeurig gegenereerde punt zal worden behouden moet binnen vallen bepaalde cel). Voor deze studie gebruikt een backgroundProbSurf met waarden van 100 binnen 5000 meter van de buffer River Arkansas en 0 voor gebieden buiten deze buffer (gebaseerd op het totale oppervlak bemonsterd door de tamarisk coalitie).
  6. Vervolgens worden de diersoort verdeling modellering algoritmes te gebruiken.
    1. Merk op dat de BoostedRegressionTree, GLM, MARS, en RandomForest modules zijn al ingesteld in de Independent locaties workflow. Voeg de MAXENT module om de workflow voor alle vijf modellen te testen. Sluit hem aan op de CovariateCorrelationAndSelection module.
      OPMERKING: Begin met de standaardinstellingen voor alle modellen; deze kunnen worden aangepast op basis van onderzoek doelstellingen (zie model documentatie voor meer details).
    2. Voeg een ModelOutputViewer module en sluit deze aan op de MAXENT module; veranderen kolom en rij 5 tot 1. De ModelOutputViewer produceert een spreadsheet die kan worden gebruikt voor modelresultaat vergelijkingen.
    3. Klik op de OutputName module en typ een submap naam.
  7. Voeg vervolgens een module die een ensemble van modeloutputs creëert. Deze module produceert twee uitgang kaarten; een met de gemiddelde continue waarschijnlijkheid van alle opgenomen uitgangen en een tweede met de telling van het aantal modellen met een positieve binAry waarschijnlijkheid.
    1. Voeg een EnsembleBuilder module om de workflow. Het is optioneel om een ​​drempel te stellen Metric; voor deze studie te kiezen AUC en laat de drempelwaarde op de standaard waarde van 0,75. Dit wordt bereikt dat alleen modellen met een AUC waarde groter dan of gelijk aan 0,75 is opgenomen in het ensemble kaart uitgangen. Sluit de BoostedRegressionTree, GLM, MARS, RandomForest en MAXENT modules aan de EnsembleBuilder.
  8. Vervolgens richt de modellen om de onafhankelijke testgegevens.
    1. Klik op het andere veld data module (rechterzijde van de workflow) en blader naar het CSV-bestand dat modelvalidatie gegevens bevat. Dit zijn de 200 aan- en afwezigheid punten gegenereerd in stap 1.4 van het protocol.
    2. Klik op de FieldDataQuery module en zorg ervoor dat de reactie, x en y kolommen overeenkomen met de kolommen in het veld data .csv.
    3. Voeg een ApplyModel module en sluit deze aan op de MAXENT module. Voeg een ModelOutputViewer module en sluit deze aan op deze ApplyModel module; wijzigen de kolom 5 en de rij op 1. In het menu, selecteer pakketten -> SAHM -> Verander Processing Mode. Omdat u wilt meer dan één model wilt uitvoeren, selecteert enkele modellen sequentieel (n - 1 cores per stuk). Dit zal de uitvoeringstermijn van de modellen te versnellen door gebruik te maken van meerdere cores computer.
  9. Vervolgens voert u de soorten distributiemodellen.
    1. Sla het bestand op .vt en klik vervolgens op Uitvoeren.
    2. Wanneer de CovariateCorrelationAndSelection widget (figuur 3) verschijnt, de-selecteer een van elk gecorreleerde paar variabelen waar de correlatiecoëfficiënt | r | ≥ 0,7 (op basis van% Deviance verklaren uit een univariate algemene ized additief model gezien aan de linkerzijde van deze widget (figuur 3) en geïnformeerde ecologische beslissingen; in deze studie prioriteit de selectie van ten minste één covariaat per maand fenologisch variatie kustgordel vangen). Het aantal plaatsen in het kijkvenster kan worden veranderd door te typen in een nummer (de standaard is 8) en te klikken op Update.
    3. Na het afronden van covariaat selectie, selecteer OK op de bodem van de CovariateCorrelationAndSelection widget (figuur 3). Voor deze studie werden de volgende 9 variabelen behouden: 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 en Nov_19_2006_SAVI. De soort distributiemodellen zal uitvoeren na het selecteren van OK.

jpg "/>
Figuur 3. Covariate correlatie en selectie SAHM interface.

  1. Resultaten output.
    OPMERKING: Nadat de modellen zijn voltooid, verschijnt er een VisTrails Spreadsheet voor model vergelijking (figuur 4)
    1. Vergelijk AUC percelen, tekst uitgangen, respons curves, kalibratie, verwarring matrix, residuen, en de respons curves over modellen.
      LET OP: Uitvoer van SAHM modellen zijn voorzien van een CovariateCorrelationOutputMDS, verwarring matrix, residuplot, kalibratie plot, model evaluatie plot, variabele belang plot, een map respons curves, een uitgebreide output map, bin map, knoei kaart, MoD kaart, prob kaart, residuele kaart en een output.txt; Zie de SAHM gebruikershandleiding voor meer info.

figuur 4
Figuur 4. VisTrails spreadsheets kan worden gebruikt om modeluitkomsten te evalueren. Dit isde AUC model vergelijking voor de opleiding gegevens; Van links naar rechts de modellen zijn BRT, GLM, MARS, RF, en Maxent, respectievelijk.

Representative Results

Statistische evaluaties van BRT, RF, MARS, GLM, en Maxent op basis van de onafhankelijke testen dataset aangegeven alle vijf modellen relatief goed bij het opsporen van tamarisk; was er weinig verschil tussen de drempel onafhankelijke en afhankelijke drempel evaluatie metrics onder modellen. AUC-waarden waren> 0,88, procent correct geclassificeerd waarden waren> 77%, sensitiviteit en specificiteit waren> 0,77, en TSS waren> 0,54 (tabel 1). Een ensemble van binaire modeloutputs bleek veel modelovereenkomst in gebieden langs de rivier de Arkansas (Figuur 5). De MESS (multivariate milieu gelijkenis oppervlak) kaart uitgangen voor elk model gewezen op de beschikbare omgeving van de studie was goed bemonsterd (Figuur 6), ons vertrouwen in het ensemble aanpak verder te verhogen.

ways "> Model AUC PCC Gevoeligheid specificiteit 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

Tabel 1. Threshold onafhankelijke (AUC) en de drempel afhankelijke (PCC, gevoeligheid, specificiteit, en TSS) metrieken voor de BRT, RF, MARS, GLM, en Maxent modellen aan te passen aan een onafhankelijke toets dataset van tamarisk aan- en afwezigheid.

figuur 5
Figuur 5. Ensemble resultaten combineren BRT, GLM, MARS, RF, en Maxent binaire uitgang kaarten in ArcGIS. Gebieden worden gekleurd door het aantal modellen in de overeenkomst, van 0 (geen kleur) tot 5 (rood). Let op de gekleurde gebied in de noordwestelijke hoek van de voorspelling; deze lijn is een artefact van de Landsat-beelden; Daarom modelresultaten moeten worden genomen met de nodige voorzichtigheid in deze regio. Klik hier om een grotere versie van deze figuur te bekijken.

figuur 6
Figuur 6. Multivariate milieu gelijkenis oppervlak (MESS) uitgang.target = "_ blank"> Klik hier om een ​​grotere versie van deze figuur te bekijken.

Van de negen predictoren gebruikt, 30 juni 2006 Helderheid was de belangrijkste variabele voor alle vijf modellen (tabel 2). Dit was de enige variabele door GLM vastgehouden op basis van stapsgewijze Akaike informatie criterium (AIC, dit is de standaardinstelling voor GLM model selectie in SAHM), maar het is belangrijk op te merken dit model ook een vierkant looptijd van deze variabele. RF en Maxent behouden alle variabelen standaard.

predictor BRT RF MARS GLM Maxent
30 juli 2006 Helderheid 41.60 34.11 76,78 100 67,27
31 augustus 2006 Band 4 6.35 5.87 5.16 0 2.82
9 juni 2005 SAVI 13.67 14.09 9.14 0 9.75
22 april 2005 Helderheid 6.29 6.30 0 0 0.43
28 oktober 2004 NDVI 5.66 8.25 0 0 2.94

Tabel 2. Relatief belang van de voorspellers in elk model.

Discussion

Onze resultaten tonen aan montage BRT, RF, MARS, GLM, en Maxent met aanwezigheid punten voor tamarisk en een tijd-reeks van remote sensing Landsat satellietbeelden gegevens kunnen tamarisk onderscheiden op het landschap en is een effectief alternatief voor de traditionele single-scene classificatie methoden. Het is duidelijk uit onze resultaten dat Juni is een bijzonder belangrijk moment voor het opsporen van tamarisk binnen ons studiegebied; Dit komt overeen met Evangelista et al. 2009 1 waaruit bleek juni nattigheid was de belangrijkste voorspeller voor tamarisk optreden op dit gebied op basis van een Maxent model fit met een tijdreeks van Landsat beelden.

De andere spectrale indexen en bands die waren opgenomen in de BRT, RF, MARS en Maxent modellen kunnen verder te onderscheiden tamarisk uit de bodem substraat, andere loofbomen, waaronder populieren (Populus spp.) En wilg (Salix spp.), Of geïrrigeerde landbouw die is gebruikelijk in de ondersteArkansas River bekken. Andere GIS lagen, zoals topografie, grondsoorten of klimatologische gegevens kunnen ook als covariaten worden beschouwd en opgenomen in deze modellen, maar we raden poging deze tot een minimum als het doel is om de huidige soortendistributie detecteren op het landschap plaats voorspellen potentiële gebeurtenis of geschikt habitat.

De geteste voor ons onderzoek modellen voorzien sterk analytisch vermogen en meerdere opties voor het evalueren van de resultaten. Na al deze correlatieve modellen in één kader, zoals SAHM, maakt de formalisering en handelbaar opname van het modelleren proces. Pre- en post-processing van de respons en de voorspellende variabelen zijn gestandaardiseerd in SAHM, waardoor een betere en efficiënte model vergelijkingen, terwijl workflows elke stap van de analyses vergemakkelijken modificatie, herhaling en replicatie op te nemen.

Ensemble mapping is gericht op de sterke punten van diverse correlatieve modellen combineren, terwijl het minimaliseren van de weakness van elk model 30. Wij geloven dat dit het geval is in onze studie was; Maar, waarschuwen we dat modellen die presteren (dat wil zeggen, onder-te voorspellen of te voorspellen) de algemene resultaten kunnen verzwakken. Het beperkte gebruik van ensemble kartering in de literatuur gunstige resultaten gehad, maar de meeste van deze benaderingen hebben getracht soorten gebeurtenis "voorspellen" dan "detecteren". Bovendien ensemble mapping zorgt voor een visuele beoordeling van de onzekerheid over de verschillende modellen methoden, het identificeren van niveaus van modelovereenkomst. Meestal is het de keuze van modellen methode (bijvoorbeeld, GLM versus BRT), die de grootste impact hebben op kwantificeerbare model resultaten dan andere beslissingen in het modelleren proces, zoals locatiegegevens onzekerheid 31 heeft. Hoewel we geloven dat onze beste tamarisk kaart is waar alle vijf modellen zijn het erover eens, verdere tests en het gebruik van verschillende methoden van ensemble mapping wordt aanbevolen (bijvoorbeeld, gewogen op basis van de AUC) 32 </ Sup>, en het beste gevalideerd via onafhankelijke veldwaarnemingen. Samenvattend, kunnen deze werkwijzen gemakkelijk worden aangepast aan de verdeling van andere soorten gebruik omgevingsvariabelen die voor een bepaalde studie gebied SAHM model.

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