Author Produced

Integrering Remote Sensing med Arter distribusjon modeller; Kartlegging Tamarisk invasjon Bruke programvaren for pasning 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 av invasive plantearter er viktig for forvaltningen av naturressurser og vern av økosystemprosesser. Bruk av satellitt fjernmåling for å kartlegge fordelingen av invasive planter blir stadig mer vanlig, har imidlertid vanlige bildebehandlingsprogrammer og klassifiseringsmetoder har vist seg å være upålitelig. I denne studien, tester vi og vurdere bruken av fem arter distribusjonsmodeller passer med satellittfjernmålingsdata for å kartlegge invasiv tamarisken (Tamarix spp.) Langs Arkansas-elven i Sørøst Colorado. De testede modeller inkludert styrket regresjon trær (BRT), Random Forest (RF), multivariate adaptive regresjon splines (Mars), generalisert lineær modell (GLM), og Maxent. Disse analysene ble utført ved hjelp av en nyutviklet programvarepakke kalt Programvare for pasning Habitat Modeling (SAHM). Alle modellene ble trent med 499 tilstedeværelse poeng, 10.000 pseudo-fravær poeng, og Predictor variablene acquIRED fra Landsat 5 Thematic Mapper (TM) sensor over en åtte måneders periode for å skille tamarisken fra opprinnelig elvebreddebufferen vegetasjon hjelp påvisning av fenologiske forskjeller. Fra Landsat scener, brukte vi enkelte band og beregnet Normalisert Difference Vegetasjon Index (NDVI), Jord-Justert Vegetasjon Index (SAVI), og tasseled avkortet transformasjoner. Alle fem modeller identifiserte nåværende tamarisken fordeling i landskapet vellykket basert på terskelen selvstendig og terskel avhengige evaluering beregninger med uavhengige posisjonsdata. Å gjøre rede for modellspesifikke forskjeller, produserte vi et ensemble av alle fem modeller med kart utgang fremheve deler av avtalen og områder av usikkerhet. Våre resultater viser nytten av arter distribusjonsmodeller i å analysere fjernavføles data og nytten av ensemblet kartlegging, og vise evnen til SAHM i pre-prosessering og gjennomføring av flere komplekse modeller.

Introduction

Elvebreddebufferen og våtmarks økosystemer over hele det sørvestlige USA blir truet av invasjon av tamarisk (Tamarix spp.), En ikke-innfødte treaktig busk innført fra Eurasia på 1800-tallet en. Tamarisk har mange fysiologiske mekanismer som gjør at slekten til å utnytte vannressursene, utkonkurrere lokale arter, og endre økosystemprosesser 1-2. Kartlegging tamarisktrær distribusjoner for å vurdere miljøkonsekvenser og formulere effektive kontrollstrategier er høyt prioritert ressurs ledere. Selv om grunnundersøkelser forblir regelmessig brukt, de er upraktisk for svært store områder på grunn av de tilhørende kostnadene av arbeidskraft, tid og logistikk.

Satellitt fjernmåling har spilt en viktig, men begrenset, rolle i deteksjon og kartlegging av tamarisktrær angrep. Konvensjonell klassifisering analyser og fjernmåling programvare har hatt marginal suksess 3-5. Flere nyere studierhar utforsket utradisjonelle metoder for å oppdage invasive planter ved hjelp av fjernmåling data 1,6. Tamarisk, som mange invasive planter, viser fenologiske variasjon gjennom hele vekstsesongen som avviker fra innfødte elvebreddebufferen arters fenologi. I enkelte områder, for eksempel, er tamarisk blad-out før noen innfødte elvebreddebufferen planter, og tamarisk beholder sin løvverk lenger enn andre lokale arter. Ved å bruke spektrale band og spektral indekser som stammer fra en tidsserie av satellittdata gjennom hele vekstsesongen, kan vi skille tamarisken fra lokale planter basert på følgende fenologiske forskjeller 1,6. Bygge på arbeidet til Evangelista et al. 2009 1, i denne studien innlemmet vi enkelte band 1-7 fra en tidsserie av Landsat 5 Tematisk Mapper (TM) satellittbilder og avledet normalisert forskjell vegetasjon indeks (NDVI), jord justert vegetasjon indeks (SAVI), og tasseled cap transformasjoner fra disse bandene. normalisert difference vegetasjon indeks (NDVI) er en av de mest brukte spektral indekser for beregning av vegetasjon biomasse, canopy cover, og bladareal indekser 8-9, og er en ikke-lineær transformasjon av forholdet mellom det synlige (rød) og nær- infrarøde band 10. Jordjustert vegetasjon indeks (SAVI) er en modifisert NDVI brukes til å minimalisere virkningene av jord bakgrunn på vegetasjonsindekser 11. Tasseled cap transformasjoner vektes kompositter av de seks Landsat bandene inn i tre ortogonale band som måler lysstyrke jord (tasseled cap, bånd 1), vegetasjon Grønne (tasseled cap, bandet 2), og jord / vegetasjon fuktighet (tasseled cap, bånd 3) og blir ofte brukt for å skille vegetasjon preparat, alder klasse, og strukturere 12-14. Vi brukte koeffisientene rapportert i Crist (1985) 15 for alle tasseled cap transformasjoner.

I denne studien, tester vi fem arter distribusjonsmodeller med en tidsserie av spektrale band og vegvegetasjonsindekser avledet fra Landsat 5 TM å kartlegge tamarisk langs nedre Arkansas River i det sørøstlige Colorado, USA. Arkansas River, som strekker seg over 2364 km (1469 miles), er den nest største sideelv i Missouri-Mississippi system. Dens vannskille dekker 435 123 km 2 (168002 mi 2) med utspring i Colorado Rocky Mountains. Fra sin opprinnelse på 2965 m, synker Arkansas betydelig i høyde og kvitterte ut i nærheten av Pueblo, CO, og meandrerende gjennom jordbruksområder og kort gress prærien. Elva er gjenstand for sesongmessige flom og er avhengig av for kommunal og landbruks bruk av vann i Rocky Ford, La Junta, og Lamar, før du fortsetter i Kansas, Oklahoma, og Arkansas hvor det renner ut i Mississippi-elven. Tamarisk ble først observert på Arkansas River av R. Niedrach i 1913 nær dagens byen Lamar 16. I dag har det vært anslått at tamarisken dekker mer enn 100 km 2 mellom Pueblo og Kansas State line, med ytterligere 60 km 2 langs sideelvene til Arkansas River 17. Studien Området omfatter vanning grøfter, våtmarker, jordbruksland, og Confluences av flere sideelver; alle med varierende grad av tamarisken angrep. Havbeite og jordbruk er den viktigste land bruker ved siden av elvebreddebufferen korridorer består i stor grad av alfalfa, høy, korn og høsthvete.

Arter distribusjonsmodeller stole på georefererte forekomster (dvs. breddegrad, lengdegrad) for å identifisere relasjoner mellom en arts forekomst og dets omgivelser 18. De miljødata kan omfatte flere fjernmåling og andre romlige lag. De fem arter distribusjonsmodeller vi testet inkluderer styrket regresjon trær (BRT) 19, tilfeldige skoger (RF) 20, multivariate adaptive regresjon splines (MARS) 21, en generalisert lineær modell (GLM) 22, og Maxent 23. Disse fem model algoritmer er blant de mest vanlig ansatt for arter distribusjon modellering, og en rekke studier har vist sin effekt 24-25. Vi brukte programvaren for pasning Habitat Modeling (SAHM) v. 2.0 moduler for å gjennomføre de fem modellene, som finnes i VisTrails v.2.2.2 26 visualisering og prosessering programvare. Det er flere fordeler med å bruke SAHM for komparativ modellering. I tillegg til formalisering og medgjørlig opptak av modelleringsprosesser, tillater SAHM brukerne å arbeide med flere arter distribusjon modell algoritmer som enkeltvis, har ulike grensesnitt, programvare og filformate 27. SAHM produserer konsistente terskel-uavhengige og terskelavhengige evaluering beregninger for å evaluere modellen ytelse. En av disse er arealet under Receiver Operating Karakteristisk kurve (AUC), en terskel uavhengig beregning som vurderer muligheten for en modell for å diskriminere tilstedeværelse fra bakgrunnen 28. En AUC value på 0,5 eller mindre indikerer modellprediksjoner er ikke bedre eller verre enn tilfeldig; verdier mellom 0,5 og 0,70 indikerer dårlig ytelse; og verdiene øker 0,70 til 1,0 indikere gradvis høyere ytelse. En annen beregning er prosent korrekt klassifisert (PCC), en terskel avhengig beregning som veier sensitivitet og spesifisitet basert på en brukerdefinert terskel metrisk; følsomhet måler den prosentvise av observerte nærvær klassifisert som egnet og spesifisitet måler den prosentvise bakgrunns steder klassifisert som uegnet. Enda en beregning er True Skill statistikk (TSS = følsomhet + spesifisitet - 1), som legger mer vekt på modellen sensitivitet enn spesifisitet, med verdier som varierer mellom -1 og 1, hvor verdier> 0 indikerer bedre modell ytelse enn sjansen 29.

For å kartlegge tamarisken hjelp modell utgang, bygget vi binære klassifikasjoner hjelp av terskel som utjevner sensitivitet og spesifisitet for å definere presence eller fravær av tamarisken. Disse enkelt modell avledet kartene ble deretter summert for å skape et ensemble kartet 30. Ensemble kart kombinere spådommer om enkelte arter distribusjonsmodeller for å produsere en klassifisert kart som rangerer tariffavtalen av modellene som ble testet. For eksempel, et ensemble celleverdien av en indikerer at bare en modell klassifisert som celle som er egnet habitat, mens en verdi på fem angir at alle fem modellene klassifisert i cellen som egnet habitat. En fordel for denne tilnærmingen er at ensemblet maps gi en lavere gjennomsnittlig feil enn noen enkelt modell. Den lar også brukere til å visuelt sammenligne resultatene av hver modell testet. Vårt overordnede mål var å gi en detaljert beskrivelse av disse metodene som kan skreddersys for å modellere dagens fordeling av arter i landskapet.

Protocol

1. Feltet datainnsamling

  1. Utlede feltdata for tamarisken fra en vektor polygon datasett samlet inn av Tamarisk Coalition i en state-wide undersøkelse i 2005 og 2006 17.
    MERK: Dataene ble innhentet gjennom en intensiv bakken undersøkelse, hvor felt teknikere kartlagt alle tamarisken står langs Arkansas River ved å hjelp Global Positioning Systems (GPS) og flyfoto.
  2. Innenfor disse polygoner, generere 499 tilfeldige punkter (dvs. tilstedeværelse) for å trene modellene. Plasser to sett med begrensninger på tilfeldige punkter: (1) hvert punkt er nødvendig for å være> 30 m fra en polygon kanten for å sikre at det er innenfor tamarisken stå på en Landsat 5 TM oppløsning; og (2) hvert punkt er nødvendig for å være ≥ 60 m fra alle nabopunkt, for å sikre en robust fordeling over studiested og minimere romlig autokorrelasjon.
  3. Kompilere feltdata i et MS Excel-fil i tre kolonner med overskriftene merket "svar", "X", og "Y", der responsverdiene er (1) for tilstedeværelse, UTM easting for X, og UTM northing for Y. Lagre denne filen i .csv-format for bruk i SAHM (feltdataene modul).
  4. Generere ytterligere 100 tilfeldige punkter i Tamarisk koalisjonens tamarisktrær polygoner og ytterligere 100 tilfeldige punkter utenfor polygoner som uavhengige testdata for å vurdere modellresultater. Lagre denne filen i .csv-format for bruk i SAHM (feltdataene modul).

2. Predictor variabler

  1. Last ned Landsat 5 overflate refleksjon L4-5 TM bilder (bane 32, Row 34) fra US Geological Survey Global Visualisering Viewer / EarthExplorer (http://earthexplorer.usgs.gov/). Scenene inkluderer omfanget samplet ved Colorado Tamarisk Coalition i 2005 og 2006 17. For å bestemme måneder som brukes for modellene, velg scener som er stort sett skyfri (dvs. <10% skydekke) og representative månedene tenkt å ha skjelnes tamarisk fenologi; disse var oktober 2004 april 2005 mai 2005 juni 2005 juli 2005 september 2005 april 2006 mai 2006, juni 2006 juli 2006 August 2006, september 2006 og november 2006.
  2. Last ned Remote Sensing indekser Derivation Tool fra
    https://github.com/rander38/Remote-Sensing-Indices-Derivation-Tool.
  3. Kjør Python-skript i verktøyet, enten GDAL eller Arcpy versjon; GDAL anbefales.
  4. Velg riktig satellitt sensor, ønskede indekser, og still inn inngangen bildefil og output-mappen hvor filene skal lagres (figur 1). Vi eksporterte de enkelte band og brukte NDVI, SAVI, og tasseled Cap lysstyrke, greenness, og fuktighet indekser avledet fra hver av Landsat TM scener. Merk at eventuelle indekser kan endres eller legges til ved å endre Sensors_Formulas_RSIDT.ini filen.

Figur 1 Figur 1. Remote Sensing Indekser Derivation Tool GUI.

  1. Kjør verktøyet og verifisere utdatafiler visuelt i ArcMap v. 10,0 (ESRI, Redlands, CA) eller en annen geografisk informasjonssystem programvare.

3. Programvare for pasning Habitat Modeling (SAHM) (figur 2)

Figur 1
Figur 2. Hele SAHM arbeidsflyt inkluderer inngangsdata, forbehandling, foreløpige modellanalyse og beslutningsstøtte, trene seg modeller, og utgangs rutiner.

  1. For å kjøre SAHM, først laster ned filer (inkludert VisTrails) fra US Geological Survey hjemmeside https://my.usgs.gov/catalog/RAM/SAHM. Se brukerhåndboken på samme nettside for detaljerte instruksjoner om nedlasting og installering SAHM. Vær oppmerksom på at nettstedet har også en SAHM tutorial og data for flere instruksjoner.
  2. For å utvikle distribusjonsmodeller tamarisken arter, bruker SAHM_tutorial_2.0.vt filen som følger med pakken nedlasting (i eksemplene mappen SAHM). Innenfor History visningen velger den uavhengige steder arbeidsflyt. De andre arbeidsflyt eksempler kan velges og avhenger av studie målsettinger; beskrivelser følger med hver. Velg Pipeline.
  3. Sett output-mappen, ved å gå til pakker og deretter SAHM> Endre Session mappe. Gjennom hele arbeidsflyten utviklingsprosessen, kan detaljerte beskrivelser av hvert trinn og alternativer finnes ved å velge fanen Dokumentasjon ligger på høyre side av SAHM betrakteren skjermen. Alle modulene er oppført i følgende metoder kan finnes på venstre side av SAHM vinduet under fanen SAHM.
  4. Deretter direkte SAHM til feltet data som vil værebrukes til å trene arter distribusjonsmodeller.
    1. Klikk på TemplateLayer modulen. Bla til raster som vil bli brukt som en maske, og for å definere den projeksjon, cellestørrelsen og graden av analysene.
    2. Klikk på feltdataene modulen i venstre side av arbeidsflyten. Bla til .csv (dvs. training.csv) fil av feltdata (tilstedeværelse poeng eller nærvær og fravær poeng) innenfor feltdata modulen.
    3. Klikk på PredictorListFile modulen og bla til .csv fil-listen (f.eks fil som inneholder den fullstendige banen til alle prediktorer å bruke i modell- henvise til bruksanvisningen).
  5. Deretter foreta forbehandling trinn.
    1. Klikk på FieldDataQuery modulen og fyll inn svar kolonne med kolonneoverskriften for respons (dvs. kolonnenavnene i FieldData.csv de), X og Y kolonner.
    2. Klikk på MDSBuilder modulen. Sett backgroundPointField til 10.000.
      MERK: Hvis du bruker tilstedeværelse og fravær av data for de artene som blir modellert, trenger du ikke å endre backgroundPointField; du vil inkludere disse stedene med et svar (0) i feltet Data.csv. Det er valgfritt å angi en backgroundProbSurf hvis du ønsker å begrense bakgrunnspunktvalg innenfor et område ved å peke på en raster overflate med verdier fra 0 til 100 (disse verdiene representerer sannsynligheten for at en tilfeldig generert punktet vil bli beholdt bør det ligge innenfor en bestemt celle). For denne studien benytter en backgroundProbSurf med verdier på 100 i løpet av en 5000 m buffer av Arkansas-elven og 0 til områder utenfor dette buffer (basert på det totale arealet samplet av tamarisken samlings).
  6. Angi deretter artsfordeling modellering algoritmer som skal brukes.
    1. Merk at BoostedRegressionTree, GLM, MARS, og RandomForest moduler er allerede satt opp i den uavhengige steder arbeidsflyt. Legg MAXENT modulen til arbeidsflyt for å teste alle fem modeller. Koble den til CovariateCorrelationAndSelection modulen.
      MERK: Begynn med standardinnstillingene for alle modeller; disse kan endres basert på studie mål (se modelldokumentasjon for mer informasjon).
    2. Legg en ModelOutputViewer modul og koble den til MAXENT modul; bytte kolonne til 5 og rad til 1. ModelOutputViewer frembringer et regneark som kan brukes for modell resultat sammenligninger.
    3. Klikk på OutputName modul, og skriv en undermappe navn.
  7. Deretter legger du til en modul som skaper et ensemble av modell utganger. Denne modulen gir to utgangs kart; en med gjennomsnittlig kontinuerlig sannsynligheten for alle de inkluderte utganger, og en andre med den telling av antall modeller med en positiv binær sannsynlighet.
    1. Legg en EnsembleBuilder modul til arbeidsflyten. Det er valgfritt å sette en terskel Metric; for denne studien, velger AUC og la terskelverdien på standardverdien på 0,75. Dette vil sikre at bare modeller med en AUC-verdien er større enn eller lik 0,75 er inkludert i ensemblet kart utganger. Koble BoostedRegressionTree, GLM, MARS, RandomForest, og MAXENT moduler til EnsembleBuilder.
  8. Deretter direkte modellene til de uavhengige testdata.
    1. Klikk på den andre feltdataene modulen (høyre side av arbeidsflyten) og bla til CSV-filen som inneholder modellen validerings data. Dette er de 200 nærvær og fravær poeng generert i trinn 1.4 av protokollen.
    2. Klikk på FieldDataQuery modulen og pass på at responsen, x, og y kolonner matche kolonnene In feltdataene CSV.
    3. Legg en ApplyModel modul og koble den til MAXENT modulen. Legg en ModelOutputViewer modul og koble den til denne ApplyModel modul; endre kolonnen til 5 og rad til 1. I menyen velger du pakker -> SAHM -> Endre Processing Mode. Siden du ønsker å kjøre mer enn én modell, velge enkeltmodeller sekvensielt (n - 1 kjerner hver). Dette vil fremskynde gjennomføringen tid av modellene ved å utnytte flere PC kjerner.
  9. Neste, utføre arten distribusjonsmodeller.
    1. Lagre filen .vt og klikk deretter på Utfør.
    2. Når CovariateCorrelationAndSelection widget (figur 3) vises, fjerner du en av hver korrelert par av variabler der korrelasjonskoeffisient er | r | ≥ 0,7 (basert på% Deviance forklart fra en univariat generell tegnes additiv modell sett i på venstre side av denne widgeten (figur 3) og informerte økologiske beslutninger; i denne studien prioritere valg av minst ett kovariat for hver måned for å fange opp fenologiske variasjon i tamarisken). Den Antall Tomter i visningsvinduet kan endres ved å skrive inn et tall (standard er 8) og klikke på Update.
    3. Etter ferdiggjøring kovariat valget, velger du OK nederst på CovariateCorrelationAndSelection widget (figur 3). For denne studien, ble følgende 9 variabler beholdt: 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. Arten distribusjonsmodeller vil gjennomføre etter å ha valgt OK.

jpg "/>
Figur 3. kovariat korrelasjon og utvalg SAHM grensesnitt.

  1. Resultater utgang.
    MERK: Etter at modellene har fullført, vises en VisTrails regneark for modell sammenligning (figur 4)
    1. Sammenligne AUC tomter, tekst utganger, responskurver, kalibrering, forvirring matrise, rester, og responskurver over modeller.
      MERK: Utgang fra Sahm modeller inkluderer en CovariateCorrelationOutputMDS, forvirring matrise, restplott, kalibrering plot, modell evaluering tomten, variabel betydning plot, en mappe responskurver, en utvidet utgang mappe, bin kartet, rot kartet, MoD kartet, prob kart, rest kart, og en output.txt; se SAHM brukerhåndboken for mer beskrivelse.

Figur 4
Figur 4. VisTrails regneark kan brukes til å evaluere modellen utgang. Dette erAUC modell sammenligning for treningsdata; Fra venstre til høyre modellene er BRT, GLM, MARS, RF, og Maxent hhv.

Representative Results

Statistiske evalueringer av BRT, RF, MARS, GLM, og Maxent basert på den uavhengige testdatasettet angitt alle fem modellene utført relativt godt i å oppdage tamarisk; det var liten forskjell mellom terskel uavhengige og avhengige terskelevalueringsverdier blant modeller. AUC-verdiene var> 0,88, prosent riktig klassifisert verdiene var> 77%, sensitivitet og spesifisitet var> 0,77, og TSS var> 0,54 (tabell 1). Et ensemble av binære modellutganger avslørt mye modellavtale i områder langs Arkansas River (figur 5). Den MESS (multivariate miljø likheten overflate) kart utganger for hver modell indikerte tilgjengelig miljø med studien var godt samplet (figur 6), som ytterligere øker vår tillit i ensemblet tilnærming.

måter "> Modell AUC PCC Følsomhet spesifisitet 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

Tabell 1. Threshold uavhengig (AUC) og terskel avhengig (PCC, følsomhet, spesifisitet, og TSS) evaluering beregninger for BRT, RF, MARS, GLM, og Maxent modellene passer til en uavhengig test datasett av tamarisk nærvær og fravær.

Figur 5
Figur 5. Ensemble resultater kombinerer BRT, GLM, MARS, RF, og Maxent binære utgangs kart i ArcGIS. Områder er farget av antall modeller i avtalen, fra 0 (ingen farge) til 5 (rød). Merk den fargede området i det nordvestlige hjørnet av prediksjon; denne linjen er en gjenstand av Landsat-bilder; derfor modellresultatene bør tas med forsiktighet i denne regionen. Klikk her for å se en større versjon av dette tallet.

Figur 6
Figur 6. Multivariate miljø likheten overflate (MESS) utgang.target = "_ blank"> Klikk her for å se en større versjon av dette tallet.

Av de ni prediktorer brukt, 30 juni 2006 Lysstyrke var den viktigste variabelen for alle fem modeller (tabell 2). Dette var den eneste variabelen beholdes av GLM basert på trinnvis Akaike informasjon kriterium (AIC, dette er standard for GLM modell utvalg i SAHM), men det er viktig å være oppmerksom på denne modellen også inkludert en kvadratisk løpetid på denne variabelen. RF og Maxent beholde alle variablene som standard.

Predictor BRT RF MARS GLM Maxent
30 juli 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
09.06.2005 SAVI 13.67 14.09 9.14 0 9,75
22 april 2005 Lysstyrke 6,29 6,30 0 0 0,43
28 oktober 2004 NDVI 5,66 8,25 0 0 2,94

Tabell 2. Relativ betydning av prediktorer i hver modell.

Discussion

Våre resultater viser montering BRT, RF, MARS, GLM, og Maxent med tilstedeværelse poeng for tamarisken og en tidsserie av fjernavføles Landsat satellitt bildedata kan skille tamarisken på landskapet og er et effektivt alternativ til tradisjonelle single-scene klassifiseringsmetoder. Det er klart fra våre resultater at juni er en spesielt viktig tid for å oppdage tamarisken innenfor vårt studieområde; dette stemmer med Evange et al. 2009 en som indikerte juni fuktighet var den viktigste prediktor for tamarisken forekomst i dette området basert på en Maxent modell passform med en tidsserie av Landsat-bilder.

De andre spektrale indekser og band som var inkludert i BRT, RF, MARS, og Maxent modeller kan videre skille tamarisken fra jord underlag, andre lauvtrær inkludert Cottonwood (Populus spp.) Og vier (Salix spp.), Eller vannes jordbruk som er vanlig i den nedreArkansas River bassenget. Andre GIS lag, som topografi, jordsmonn, eller klimadata kan også betraktes som kovariater og inkludert i disse modellene, men vi anbefaler å holde disse til et minimum hvis målet er å oppdage dagens arter distribusjon på landskapet heller enn forutsi potensielle forekomst eller egnet habitat.

De testede for vår forskning modeller gitt sterk analytisk kapasitet og flere alternativer for å evaluere resultatene. Å ha alle disse samsvarende modeller innenfor et enkelt rammeverk som SAHM, gjør at formalisering og medgjørlig opptak av modelleringsprosessen. Før- og etterbehandling av respons og Predictor variablene er standardisert i SAHM, slik at bedre og effektiv modell sammenligninger, mens arbeidsflyter registrere hvert trinn av analysene tilrettelegging modifikasjon, gjentakelse og replikering.

Ensemble kartlegging mål å kombinere styrkene til flere samsvarende modeller, mens w minimereeakness ifølge hvilket som helst modell 30. Vi mener dette var tilfelle i vår studie; men advarer vi at modeller som dårligere (dvs. under forutse eller over forutsi) kan svekke det samlede resultatet. Begrenset bruk av ensemble kartlegging i litteraturen har hatt gode resultater, men de fleste av disse metodene har forsøkt å "spå" arter forekomst heller enn "oppdage". Videre gir ensemble kartlegging for en visuell vurdering av usikkerhet blant de ulike modelleringsmetoder, identifisere nivåer av modellavtalen. Oftest er det valget av modelleringsmetode (for eksempel GLM versus BRT) som har størst målbar effekt på modellresultater snarere enn andre avgjørelser i modellering prosessen som posisjonsdata usikkerhet 31. Selv om vi mener at vår beste tamarisken kartet er der alle de fem modellene er enige, ytterligere testing og bruk av ulike metoder for ensemble kartlegging anbefales (f.eks, vektet etter AUC) 32 </ Sup>, og best validert gjennom uavhengige feltobservasjoner. Oppsummert kan disse fremgangsmåter lett tilpasses for å modellere fordelingen av andre arter ved hjelp av miljømessige variabler avledet for en gitt studie 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