Author Produced

Integration Remote Sensing med artsfordeling Modeller; Kortlægning Tamarisk invasioner Brug af softwaren for 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

Tidlig påvisning af invasive plantearter er afgørende for forvaltningen af ​​naturressourcerne og beskyttelse af økosystemets processer. Brugen af ​​satellit telemåling til kortlægning af fordelingen af ​​invasive planter bliver mere almindelige, har dog konventionelle billedbehandling software og klassificering metoder vist sig at være upålidelige. I denne undersøgelse tester vi og evaluere brugen af fem arter distributionsmodel teknikker passer med satellit telemålingsdata at kortlægge invasive tamarisk (Tamarix spp.) Langs Arkansas-floden i det sydøstlige Colorado. De testede modeller inkluderet boostet regression træer (BRT), Random Forest (RF), multivariat adaptive regression splines (MARS), generaliseret lineær model (GLM), og MAXENT. Disse analyser blev udført ved hjælp af en nyudviklet software pakke kaldet Softwaren til Assisted Habitat Modeling (SAHM). Alle modeller blev trænet med 499 tilstedeværelse point, 10.000 pseudo-fravær punkter og prediktorvariabler AnskaffelserIRED fra Landsat 5 tematiske Mapper (TM) sensor over en otte måneders periode at skelne tamarisk fra indfødte vandløbsnære vegetation hjælp påvisning af fænologiske forskelle. Fra Landsat scener, vi brugte individuelle bands og beregnet Normalized Difference Vegetation Index (NDVI), Jord-Justeret Vegetation Index (SAVI), og tasseled udjævnede transformationer. Alle fem modeller identificerede nuværende tamarisk fordeling på landskabet med succes baseret på tærsklen uafhængig og tærskel afhængige evaluering målinger med uafhængige lokaliseringsdata. For at tage højde for model specifikke forskelle, vi producerede et ensemble af alle fem modeller med kort output fremhæve områder af aftale og områder af usikkerhed. Vores resultater viser nytten af ​​distributions- arter modeller i at analysere fjernlæste data og nytten af ​​ensemble kortlægning, og fremvise evne SAHM i forbehandling og udføre flere komplekse modeller.

Introduction

Ripariske økosystemer og vådområder i hele det sydvestlige USA bliver truet af invasion af tamarisk (Tamarix spp.), En ikke-indfødt woody busk indført fra Eurasien i 1800-tallet en. Tamarisk har mange fysiologiske mekanismer, der tillader slægten til at udnytte vandressourcerne, udkonkurrere hjemmehørende arter, og ændre økosystem processer 1-2. Kortlægning tamarisk distributioner til at vurdere miljøpåvirkninger og formulere effektive kontrolstrategier er højt prioriterede ressource ledere. Selvom undersøgelser på stedet forbliver jævnligt brugt, de er upraktisk for ekstremt store områder på grund af de omkostninger, som arbejdskraft, tid og logistik.

Satellit telemåling har spillet en vigtig, men begrænset, rolle i påvisning og kortlægning af tamarisktræer skadedyrsangreb. Konventionel klassifikation analyser og telemåling software har haft marginal succes 3-5. Adskillige nyere undersøgelserhar udforsket utraditionelle tilgange til at opdage invasive planter ved hjælp af telemåling data 1,6. Tamarisk, ligesom mange invasive planter, udviser fænologiske variation i hele vækstsæsonen, der adskiller sig fra native vandløbsnære arter 'fænologi. På nogle områder, for eksempel, tamarisk blad-out er før nogle indfødte vandløbsnære planter, og tamarisk bevarer sin løv længere end andre hjemmehørende arter. Ved at bruge spektrale bånd og spektrale indeks afledt af en tidsserie af satellitdata i hele vækstsæsonen, kan vi skelne tamarisk fra indfødte planter på grundlag af disse fænologiske forskelle 1,6. Med udgangspunkt i det arbejde, Evangelista et al. 2009 1, i denne undersøgelse, vi indarbejdet individuelle bånd 1-7 fra en tidsserie af Landsat 5 Tematisk Mapper (TM) satellitbilleder og afledte normaliseret forskel vegetation indeks (NDVI), jord-justeret vegetation indeks (SAVI), og tasseled cap transformationer fra disse bands. normaliseret difference vegetation indeks (NDVI) er en af de mest almindeligt anvendte spektrale indeks for estimering vegetation biomasse, kronedækningsgrad, og bladareal indekser 8-9, og er en ikke-lineær transformation af forholdet mellem det synlige (rød) og nær- infrarøde bånd 10. Jord-justeret vegetation indeks (SAVI) er en modificeret NDVI bruges til at minimere virkningerne jord baggrund for plantevækst indeks 11. Tasseled cap transformationer vægtes kompositter af de seks Landsat bands i tre ortogonale bands, der måler jordens lysstyrke (tasseled cap, band 1), vegetation greenness (tasseled cap, bånd 2), og jord / vegetation fugtighed (tasseled cap, bånd 3), og bruges ofte til at skelne vegetation sammensætning, aldersklasse og strukturere 12-14. Vi brugte de koefficienter rapporteret i Crist (1985) 15 for alle tasseled cap transformationer.

I denne undersøgelse tester vi fem distributionsomkostninger arter modeller med en tidsserie af spektrale bånd og vegetation indekser afledt af Landsat 5 TM til at kortlægge tamarisk langs den nederste Arkansas-floden i det sydøstlige Colorado, USA. Den Arkansas-floden, der spænder over 2364 km (1469 mi), er den næststørste biflod i Missouri-Mississippi-system. Dens vandskel dækker 435.123 km 2 (168.002 mi 2) med udspring i Colorado Rocky Mountains. Fra sin oprindelse på 2965 m, Arkansas falder betydeligt i elevation, nivellering ud nær Pueblo, CO, og bugtende gennem lander landbrugs- og korte græs prærie. Floden er underlagt sæsonbestemte oversvømmelse og påberåbt for kommunalt og landbruget vandforbrug i Rocky Ford, La Junta, og Lamar, før du fortsætter ind i Kansas, Oklahoma og Arkansas, hvor den løber ud i Mississippi-floden. Tamarisk blev først observeret på Arkansas-floden ved R. Niedrach i 1913 nær den nuværende by Lamar 16. I dag er det blevet anslået, at tamarisk dækker mere end 100 km 2 mellem Pueblo og Kansas State line, med yderligere 60 km 2 langs bifloder til Arkansas-floden 17. Undersøgelsen Området omfatter kunstvanding grøfter, vådområder, landbrugsjord, og Confluences i flere bifloder; alle med varierende grader af tamarisk angreb. Ranching og landbrug er den primære jord-bruger støder op til de vandløbsnære korridorer består hovedsagelig af lucerne, hø, majs, og vinterhvede.

Arter distributionsmodeller afhængige geospecifikke hændelser (dvs. breddegrad, længdegrad) for at identificere sammenhænge mellem en arts forekomst og dens omgivelser 18. Miljødata kan omfatte flere telemåling og andre rumlige lag. De fem distributionscentre arter modeller vi testede omfatter boostede regression træer (BRT) 19, tilfældige skove (RF) 20, multivariat adaptive regression splines (MARS) 21, en generaliseret lineær model (GLM) 22, og MAXENT 23. Disse fem model algoritmer er blandt de mest almindeligt anvendte til distribution arter modellering, og en række undersøgelser har vist deres effektivitet 24-25. Vi brugte Softwaren til Assisted Habitat Modeling (SAHM) v. 2.0 moduler til at udføre de fem modeller, som er indeholdt i VisTrails v.2.2.2 26 visualisering og behandling software. Der er flere fordele ved at bruge SAHM til sammenlignende modellering. Ud over den formalisering og medgørlig registrering af modellering processer, SAHM giver brugerne mulighed for at arbejde med flere fordeling arter model algoritmer, individuelt, har forskellige grænseflader, software og fil formatering 27. SAHM producerer konsistente tærskel-uafhængige og tærskel-afhængige evaluering målinger til at vurdere model ydeevne. En af disse er Area Under Receiver Operating Karakteristisk Curve (AUC), en tærskel uafhængig metrik, der evaluerer evne af en model til at skelne tilstedeværelse fra baggrund 28. En AUC value på 0,5 eller derunder indikerer model forudsigelser er ikke bedre eller værre end tilfældig; værdier mellem 0,5 og 0,70 indikerer dårlige resultater; og værdier stigende 0,70-1,0 indikerer progressivt højere ydelse. En anden metrik er procent korrekt klassificeret (PCC), en tærskel afhængig metrik, der vejer sensitivitet og specificitet baseret på en brugerdefineret tærskel metriske; følsomhed måler andelen af ​​observerede tilstedeværelse klassificeret som egnet og specificitet måler andelen af ​​baggrundslokaliteter klassificeret som uegnet. Endnu en metrik er True Skill Statistik (TSS = sensitivitet + specificitet - 1), hvilket placerer mere vægt på model følsomhed end specificitet, med værdier på mellem -1 og 1, hvor værdier> 0 indikerer bedre model ydelse end chance 29.

At kortlægge tamarisk hjælp model output, konstruerede vi binære klassificeringer ved hjælp af tærskel, udligner sensitivitet og specificitet at definere presence eller fravær af tamarisk. Disse enkelte model afledte kort blev derefter summeres for at skabe et ensemble kort 30. Ensemble kort kombinerer forudsigelser enkelte distributionsomkostninger arter modeller til at producere et klassificeret kort, der rangerer den kollektive overenskomst af de testede modeller. For eksempel, et ensemble celle værdien af ​​en viser, at kun én model klassificeret denne celle som passende habitat, mens en værdi på fem indikerer, at alle fem modeller klassificeret cellen som passende habitat. En fordel ved denne fremgangsmåde er, at ensemble kort giver en lavere betyde fejl end nogen enkelt model. Det giver også brugerne mulighed for at visuelt sammenligne effektiviteten af ​​hver testet model. Vores overordnede mål var at give en detaljeret beskrivelse af disse metoder, som kan skræddersys til at modellere den nuværende fordeling af arter i landskabet.

Protocol

1. Felt Dataindsamling

  1. Udlede feltdata for tamarisk fra en vektor polygon datasæt indsamlet af Tamarisk Coalition i en landsdækkende undersøgelse i 2005 og 2006 17.
    BEMÆRK: Dataene blev opnået gennem en intensiv jorden undersøgelse, hvor teknikere kortlagt alle tamarisk står langs Arkansas River ved hjælp Global Positioning Systems (GPS) og luftfotos.
  2. Inden for disse polygoner, generere 499 tilfældige punkter (dvs. tilstedeværelser) at træne modellerne. Placer to sæt begrænsninger på tilfældige punkter: (1) Der kræves hvert punkt at være> 30 m fra enhver polygon kant for at sikre, det er inden for tamarisk stå ved en Landsat 5 TM beslutning; og (2) er påkrævet hvert punkt at være ≥ 60 m fra ethvert tilstødende punkt, for at sikre en robust fordeling på tværs af studiet webstedet og minimere rumlig autokorrelation.
  3. Compile markdata i en MS Excel-fil i tre kolonner med overskrifterne mærket "svar", "X", og "Y", hvor respons værdier er (1) for tilstedeværelse, UTM easting for X, og UTM nordlig for Y. Gem filen i .csv-format til brug i SAHM (feltdata modul).
  4. Generer yderligere 100 tilfældige punkter i Tamarisk koalitionens tamarisk polygoner og yderligere 100 tilfældige punkter uden for polygoner som selvstændige testdata til evaluering modelresultater. Gem filen i .csv format til brug i SAHM (feltdata modul).

2. prediktorvariabler

  1. Hent Landsat 5 overflade reflektans L4-5 TM billeder (Path 32, Row 34) fra US Geological Survey Global Visualization Viewer / EarthExplorer (http://earthexplorer.usgs.gov/). Scenerne omfatter omfanget samplet af Colorado Tamarisk Coalition i 2005 og 2006 17. For at bestemme de måneder, der bruges til modellerne vælge scener, der er stort set cloud-fri (dvs. <10% skydække) og representative måneder menes at have skelnes tamarisk fænologi; disse var oktober 2004 april 2005 maj 2005 juni 2005 juli 2005 september 2005 april 2006 maj 2006 juni 2006 juli 2006 august 2006 september 2006 og november 2006.
  2. Hent Remote Sensing Indices Derivation Tool fra
    https://github.com/rander38/Remote-Sensing-Indices-Derivation-Tool.
  3. Kør Python script i værktøjet, enten GDAL eller Arcpy udgave; GDAL anbefales.
  4. Vælg den relevante satellit sensor, ønskede indeks og indstille input billedfilen og output mappe, hvor filerne skal gemmes (figur 1). Vi eksporterede de enkelte bands og brugte NDVI, SAVI, og tasseled Cap lysstyrke, greenness, og fugtighed indeks stammer fra hver af Landsat TM scener. Bemærk, at alle indeks kan ændres eller tilføjes ved at ændre Sensors_Formulas_RSIDT.ini filen.

figur 1 Figur 1. Telemåling Indices Derivation Tool GUI.

  1. Kør værktøjet og kontrollere output-filer visuelt i ArcMap v. 10.0 (ESRI, Redlands, CA) eller en anden geografisk informationssystem software.

3. Software til Assisted Habitat Modeling (SAHM) (figur 2)

figur 1
Figur 2. Hele SAHM workflow omfatter input data, forbehandling, foreløbig model analyse og beslutningstagning, korrelationsmaalinger modeller og output rutiner.

  1. For at køre SAHM, første download-filer (herunder VisTrails) fra US Geological Survey hjemmeside på https://my.usgs.gov/catalog/RAM/SAHM. Se brugervejledningen på samme hjemmeside for detaljerede instruktioner om download og installation SAHM. Bemærk, at hjemmesiden har også en SAHM tutorial og data for yderligere instruktioner.
  2. At udvikle tamarisk arter distributionsmodeller bruge SAHM_tutorial_2.0.vt fil, der følger med pakken download (i eksemplerne mappen SAHM). Inden for Historie, skal du vælge den uafhængige steder arbejdsgang. De andre workflow eksempler kan vælges og afhænger af målene undersøgelse; beskrivelser er forsynet med hver. Vælg Pipeline.
  3. Indstil output mappe, ved at gå til pakker og derefter SAHM> Skift Session mappe. Gennem hele arbejdsgangen udviklingsprocessen, kan detaljerede beskrivelser af hvert trin og optioner kan findes ved at vælge fanen Dokumentation placeret på højre side af seeren skærmen SAHM. Alle moduler, der er anført i de følgende metoder kan findes i venstre side af vinduet SAHM under fanen SAHM.
  4. Dernæst direkte SAHM til datafeltet, som vil værebruges til at træne distributionsomkostninger arter modeller.
    1. Klik på TemplateLayer modulet. Gå til den raster, der skal bruges som en maske og definere fremspringet, cellestørrelse og omfanget af analyserne.
    2. Klik på feltdata modulet i venstre side af arbejdsgangen. Gennemse til .csv (dvs. training.csv) fil af feltdata (tilstedeværelse point eller nærvær og fravær point) inden for feltdata modulet.
    3. Klik på PredictorListFile modulet og gennemse til .csv fil liste (f.eks fil, der indeholder den fulde sti til alle prædiktorer bruge i model- henvise til brugervejledningen).
  5. Dernæst foretage forbehandlingstrin.
    1. Klik på FieldDataQuery modulet og udfylde svar kolonne med kolonneoverskrift for respons (dvs. kolonnen navne i FieldData.csv), X og Y kolonner.
    2. Klik på MDSBuilder modulet. Indstil backgroundPointField til 10.000.
      BEMÆRK: Hvis du bruger tilstedeværelse og fravær af data for de arter, der modelleres, behøver du ikke at ændre backgroundPointField; du ville omfatte disse steder med et svar (0) i Field Data.csv. Det er valgfrit at angive en backgroundProbSurf hvis du ønsker at begrænse baggrund punktvalg i et område ved at pege på en raster overflade med værdier i intervallet fra 0 til 100 (disse værdier repræsenterer sandsynligheden for, at en tilfældigt genereret punkt vil blive bevaret, hvis det falder inden for en bestemt celle). For denne undersøgelse, så brug en backgroundProbSurf med værdier på 100 inden for en 5000 m buffer af Arkansas-floden og 0 for områder uden denne buffer (baseret på det samlede areal samplet af tamarisk koalitionen).
  6. Næste, angive arten fordeling modellering algoritmer, der skal anvendes.
    1. Bemærk, at BoostedRegressionTree, GLM, MARS, og RandomForest moduler er allerede oprettet i den uafhængige steder arbejdsgang. Tilsæt MAXENT modulet til arbejdsgangen at teste alle fem modeller. Tilslut den til CovariateCorrelationAndSelection modulet.
      BEMÆRK: Begynd med standardindstillingerne for alle modeller; disse kan ændres på grundlag af målene studie (se dokumentation model for flere detaljer).
    2. Tilføj en ModelOutputViewer modul og tilslut den til MAXENT modul; ændre kolonne til 5 og række til 1. ModelOutputViewer producerer et regneark, der kan bruges til model resultat sammenligninger.
    3. Klik på OutputName modul, og skriv en undermappe navn.
  7. Dernæst tilføje et modul, der skaber et ensemble af modeloutput. Dette modul producerer to output kort; en med den gennemsnitlige kontinuerlig sandsynlighed for alle de inkluderede udgange og en anden med optælling af antallet af modeller med en positiv binAry sandsynlighed.
    1. Tilføj en EnsembleBuilder modul til arbejdsgangen. Det er valgfrit at angive en Threshold Metric; for denne undersøgelse, vælge AUC og forlade tærskelværdien på standardværdien på 0,75. Dette vil sikre, at kun modeller med en AUC-værdi større end eller lig med 0,75 indgår i ensemblet kort udgange. Tilslut BoostedRegressionTree, GLM, MARS, RandomForest, og MAXENT moduler til EnsembleBuilder.
  8. Dernæst dirigere modellerne til de uafhængige testdata.
    1. Klik på den anden feltdata modul (højre side af arbejdsgang) og find den .csv fil, der indeholder model valideringsdata. Det er de 200 tilstedeværelse og fravær point genereret i trin 1.4 i protokollen.
    2. Klik på FieldDataQuery modulet og sørg svaret, x, og y søjler matcher kolonne In feltdata .csv.
    3. Tilføj en ApplyModel modul og tilslut den til MAXENT modulet. Tilføj en ModelOutputViewer modul og tilslutte den til denne ApplyModel modul; ændre kolonnen til 5 og række til 1. I menuen Vælg weekendophold -> SAHM -> Skift Processing Mode. Da du vil køre mere end én model, skal du vælge enkelt modeller sekventielt (n - 1 kerner hver). Dette vil fremskynde gennemførelsestid af modellerne ved at drage fordel af flere edb-kerner.
  9. Dernæst udføre distributionsselskaberne art modeller.
    1. Gem filen .vt og klik derefter på Udfør.
    2. Når CovariateCorrelationAndSelection widget (figur 3) vises, de-vælge en af hver korreleret par variabler, hvor korrelationskoefficienten er | r | ≥ 0,7 (baseret på% Deviance Forklaret fra en univariat generel liseret additive model set i på venstre side af denne widget (figur 3) og informerede økologiske beslutninger; i denne undersøgelse prioritere valget af mindst en kovariat for hver måned for at indfange fænologiske variation i tamarisk). The Number af Plots i tegnevinduet kan ændres ved at indtaste et nummer (standard er 8) og klikke på Opdater.
    3. Efter færdiggørelse kovariat udvælgelse Vælg OK i bunden af den CovariateCorrelationAndSelection widget (figur 3). Til denne undersøgelse blev følgende 9 variabler bevaret: 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, og Nov_19_2006_SAVI. Distributionsselskaberne arter modeller vil udføre efter valg OK.

jpg "/>
Figur 3. covariant korrelation og udvælgelse SAHM interface.

  1. Resultater output.
    BEMÆRK: Efter modellerne har fuldført, vises en VisTrails regneark til model sammenligning (figur 4)
    1. Sammenligne AUC plots, tekst udgange, respons-kurver, kalibrering, forvirring matrix, residualer og respons kurver tværs modeller.
      BEMÆRK: Output fra Sahm modeller omfatter en CovariateCorrelationOutputMDS, forvirring matrix, residual plot, kalibrering plot, evalueringsmodel plot, variabel betydning plot, en respons kurver mappe, en udvidet output mappe, bin kort, rod map, Forsvarsministeriet map, prob kort, residual kort, og en output.txt; se brugervejledningen SAHM for mere beskrivelse.

Figur 4
Figur 4. VisTrails regneark kan anvendes til at vurdere resultatet af modellen. Dette erAUC model sammenligning for uddannelsen data fra venstre til højre modellerne er BRT, GLM, MARS, RF, og MAXENT hhv.

Representative Results

Statistiske evalueringer af BRT, RF, MARS, GLM, og MAXENT baseret på uafhængige test datasættet angivet alle fem modeller klaret sig relativt godt i forbindelse med afsløring tamarisk; der var lidt forskel mellem tærskel uafhængige og tærskel afhængig evaluering målinger blandt modeller. AUC-værdier var> 0,88, procent korrekt klassificerede værdier var> 77%, følsomheder og særtræk var> 0,77, og TSS var> 0,54 (tabel 1). En ensemble af binære modeloutput afslørede meget aftalemodel i områder langs Arkansas River (figur 5). Den MESS (multivariat miljømæssig lighed overflade) kort udgange for hver model er angivet den tilgængelige miljø af undersøgelsesområdet var godt samplet (figur 6), yderligere at øge vores tillid ensemblet tilgang.

måder "> Model AUC PCC Følsomhed Specificitet 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 uafhængige (AUC) og tærskel afhængig (PCC, følsomhed, specificitet, og TSS) evaluering målinger for BRT, RF, MARS, GLM, og MAXENT modeller passer til en uafhængig test datasæt af tamarisk nærvær og fravær.

Figur 5
Figur 5. Ensemble resultater kombinerer BRT, GLM, MARS, RF, og MAXENT binære output kort i ArcGIS. Områder er farvet af antallet af modeller i aftale, fra 0 (ingen farve) til 5 (rød). Bemærk den farvede område i det nordvestlige hjørne af forudsigelsen; denne linje er en artefakt af Landsat billeder; derfor bør tages modelresultater med forsigtighed i denne region. Klik her for at se en større version af dette tal.

Figur 6
Figur 6. Multivariate miljømæssige lighed overflade (MESS) udgang.target = "_ blank"> Klik her for at se en større version af dette tal.

Af de ni prædiktorer anvendte, den 30. juni 2006 Lysstyrke var den vigtigste variabel for alle fem modeller (tabel 2). Dette var den eneste variabel tilbageholdt af GLM baseret på trinvis Akaike information kriterium (AIC, hvilket er standard for GLM model valg i SAHM), men det er vigtigt at bemærke, denne model også en kvadreret udtryk for denne variabel. RF og MAXENT beholde alle variabler som standard.

Predictor BRT RF MARS GLM MAXENT
30 jul 2006 lysstyrke 41.60 34,11 76,78 100 67,27
31 August 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
April 22, 2005 Lysstyrke 6.29 6.30 0 0 0,43
28 oktober 2004 NDVI 5.66 8,25 0 0 2,94

Tabel 2. Relativ betydning af prædiktorer i hver model.

Discussion

Vores resultater viser montering BRT, RF, MARS, GLM, og MAXENT med tilstedeværelse point for tamarisk og en tidsserie af fjernlæste Landsat satellit billeddata kan skelne tamarisk på landskabet og er et effektivt alternativ til metoder traditionelle single-scene klassificering. Det fremgår af vores resultater, at Juni er en særlig vigtig tid til påvisning tamarisk inden for vores undersøgelse område; dette er enig med Evangelista et al. 2009 1, som angivet juni Fugtighed var den vigtigste prædiktor for tamarisk forekomst i dette område er baseret på en MAXENT model fit med en tidsserie af Landsat billedsprog.

De andre spektrale indekser og bands, der indgik i BRT, RF, MARS, og MAXENT modeller kan endvidere skelne tamarisk fra jord substrat, andre løvfældende træer, herunder Cottonwood (Populus spp.) Og pil (Salix spp.), Eller vandede landbrug, der er almindelig i den nedreArkansas River bækkenet. Andre GIS lag, såsom topografi, jordtyper, eller klimadata kunne også betragtes som kovariater og indgår i disse modeller, men vi anbefaler at holde disse til et minimum, hvis målet er at opdage nuværende fordeling arter på landskabet i stedet forudsige potentielle forekomst eller passende habitat.

De testede for vores forskning modeller leveres stærk analytisk kapacitet og flere muligheder for evaluering af resultater. Under alle disse korrelative modeller inden for en enkelt ramme, såsom SAHM, tillader formalisering og tractable registrering af modelleringsprocessen. Før og efter behandling af respons og prediktorvariabler er standardiseret i SAHM, så bedre og effektive model sammenligninger, mens arbejdsgange registrerer hvert trin af analyserne letter ændring, iteration og replikation.

Ensemble kortlægning har til formål at kombinere styrkerne i flere korrelative modeller, og samtidig minimere weakness ifølge ethvert model 30. Vi mener, at dette var tilfældet i vores undersøgelse; Men vi advare om, at modeller, der underpræsterer (dvs. under-forudsige eller over-forudsige) kan svække de samlede resultater. Den begrænsede brug af ensemble kortlægning i litteraturen har haft positive resultater, men de fleste af disse tilgange har forsøgt at "forudsige" arter forekomst snarere end "opdage". Desuden ensemble kortlægning giver mulighed for en visuel vurdering af usikkerhed blandt de forskellige modellering metoder, identificere niveauer af standardaftalen. Oftest er valget af modellering metode (f.eks GLM versus BRT), der har størst kvantificerbar effekt på modellens resultater snarere end andre beslutninger i modelleringsprocessen såsom lokaliseringsdata usikkerhed 31. Selvom vi mener, at vores bedste tamarisk kort er, hvor alle fem modeller er enige, yderligere testning og ved hjælp af forskellige metoder til ensemble kortlægning anbefales (f.eks, vægtet med AUC) 32 </ Sup>, og bedst validerede gennem uafhængige feltobservationer. Sammenfattende kan disse metoder let skræddersys til at modellere fordelingen af ​​andre arter ved hjælp miljømæssige variabler afledt for en given undersøgelse region i SAHM.

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