Author Produced

L'integrazione di Remote Sensing con specie modelli di distribuzione; Mappatura Tamerici invasioni Utilizzo del software per 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

La diagnosi precoce di specie vegetali invasive è di vitale importanza per la gestione delle risorse naturali e la protezione dei processi degli ecosistemi. L'uso di telerilevamento satellitare per la mappatura della distribuzione delle piante invasive è sempre più comune, metodi software imaging e classificazione tuttavia convenzionali hanno dimostrato di essere inaffidabile. In questo studio, ci prova e valutare l'uso di cinque specie di distribuzione tecniche di adattamento del modello con i dati satellitari di telerilevamento per mappare tamerice invasiva (Tamarix spp.) Lungo il fiume Arkansas nel sud-est del Colorado. I modelli testati inclusi potenziato alberi di regressione (BRT), a caso forestali (RF), multivariata di regressione spline adattivi (Marte), generalizzata modello lineare (GLM), e Maxent. Queste analisi sono state condotte utilizzando un pacchetto software di nuova concezione chiamato il Software per Assisted Habitat Modeling (SAHM). Tutti i modelli sono stati addestrati con 499 punti di presenza, 10.000 punti pseudo-assenza, e le variabili predittive acquired dal sensore Landsat 5 Thematic Mapper (TM) per un periodo di otto mesi di distinguere tamerici da vegetazione nativa ripariale utilizzando il rilevamento delle differenze fenologiche. Dalle scene Landsat, abbiamo usato singole bande e calcolato Normalized Difference Vegetation Index (NDVI), suolo-Adjusted Vegetation Index (SAVI), e le trasformazioni ricoperti nappa. Tutti i cinque modelli identificati distribuzione tamerici corrente sul paesaggio basano con successo su soglie indipendenti e soglie metriche di valutazione dipendenti con dati di localizzazione indipendenti. Per tenere conto di differenze specifiche del modello, abbiamo prodotto un insieme di tutti e cinque i modelli con il programma di uscita evidenziando le aree di accordo e di aree di incertezza. I nostri risultati dimostrano l'utilità dei modelli di distribuzione delle specie in analisi di dati telerilevati e l'utilità della mappatura insieme, e mostrare la capacità di SAHM in pre-elaborazione e l'esecuzione di molteplici modelli complessi.

Introduction

Ecosistemi ripariali e delle zone umide in tutto il sud-ovest degli Stati Uniti sono minacciati dall'invasione di tamerici (Tamarix spp.), Un arbusto legnoso non indigene introdotte dal dell'Eurasia nel 1800 1. Tamerici ha molti meccanismi fisiologici che consentono al genere di sfruttare le risorse idriche, la concorrenza specie autoctone, e altera l'ecosistema elabora 1-2. distribuzioni Mapping tamerici per valutare l'impatto ambientale e la formulazione di strategie di controllo efficaci sono di alta priorità per i responsabili delle risorse. Sebbene indagini sul campo rimangono usati regolarmente, sono impraticabili per estremamente ampie aree a causa dei costi associati di lavoro, tempo, e la logistica.

Telerilevamento satellitare ha svolto un importante, ma limitato, ruolo nel rilevamento e mappatura delle infestazioni tamerici. Classificazione convenzionale analisi e software di telerilevamento hanno avuto successo marginali 3-5. Diversi studi recentiavere approcci non tradizionali esplorati per rilevare le piante invasive che utilizzano telerilevamento 1,6 dati. Tamerici, come molte piante invasive, presenta variazioni fenologiche per tutta la stagione di crescita che si differenzia da fenologia delle specie riparie autoctone. In alcune zone, per esempio, tamerici foglia out entro alcune piante autoctone ripariali e tamerici mantiene il suo fogliame più di altre specie autoctone. Utilizzando bande spettrali e indici spettrali derivati da una serie temporale dei dati satellitari per tutta la stagione di crescita, possiamo distinguere tamerici da piante autoctone sulla base di queste differenze fenologiche 1,6. Basandosi sul lavoro di Evangelista et al. 2009 1, in questo studio abbiamo incorporato singole bande 1-7 da una serie temporale di Landsat 5 Thematic Mapper (TM) immagini satellitari e derivati normalizzato indice di differenza di vegetazione (NDVI), il suolo aggiustato indice di vegetazione (SAVI), e il cappuccio tasseled trasformazioni da queste bande. differen normalizzatoIndice ce vegetazione (NDVI) è uno degli indici più comunemente utilizzati spettrali per la stima della biomassa vegetazione, copertura della volta, e area fogliare indici 8-9, ed è una trasformazione non lineare del rapporto tra visibile (rosso) e Vicino- bande infrarosse 10. Terreno aggiustato indice di vegetazione (SAVI) è un NDVI modificato utilizzato per ridurre al minimo gli effetti di sfondo del suolo su indici di vegetazione 11. trasformazioni cap nappa sono ponderati compositi delle sei bande Landsat in tre fasce ortogonali che misurano la luminosità del suolo (cap tasseled, Band 1), la vegetazione verde (cap tasseled, banda 2), e nel suolo / vegetazione umidità (cap tasseled, banda 3) e sono spesso utilizzati per distinguere la composizione della vegetazione, classe di età, e strutturare 12-14. Abbiamo usato i coefficienti riportati in Crist (1985) 15 per tutte le trasformazioni cap nappa.

In questo studio, ci prova cinque modelli di distribuzione delle specie con un tempo-serie di bande spettrali e verduraindici etation derivate da Landsat 5 TM per mappare tamerici lungo il fiume Arkansas in basso nel sud-est del Colorado, Stati Uniti d'America. Il fiume Arkansas, che copre 2.364 km (1.469 mi), è il secondo più grande affluente del sistema Missouri-Mississippi. Il suo bacino si estende su 435,123 mila km 2 (168.002 mi 2) con sorgenti nelle Montagne Rocciose del Colorado. Dalla sua origine a 2.965 m, l'Arkansas scende notevolmente in elevazione, livellamento nei pressi di Pueblo, CO, e serpeggia attraverso terreni agricoli e di breve erba della prateria. Il fiume è soggetta a inondazioni stagionali ed è invocata per l'uso dell'acqua municipale e agricolo in Rocky Ford, La Junta, e Lamar, prima di continuare in Kansas, Oklahoma e Arkansas dove sfocia il fiume Mississippi. Tamerici è stata osservata la prima volta sul fiume Arkansas da R. Niedrach nel 1913 vicino alla città odierna di Lamar 16. Oggi, è stato stimato che tamerici copre più di 100 km 2 tra il Pueblo e lo stato del Kansas line, con un ulteriore 60 km 2 lungo gli affluenti del fiume Arkansas 17. L'area di studio comprende rogge, le zone umide, i terreni agricoli e le confluenze di numerosi affluenti; tutti con vari gradi di tamerici infestazione. Ranching e l'agricoltura sono il primario del territorio utilizza adiacente ai corridoi rivieraschi che consistono in gran parte di erba medica, fieno, mais e frumento invernale.

Modelli di distribuzione delle specie si basano sugli eventi georeferenziati (cioè, latitudine, longitudine) per identificare le relazioni tra presenza di una specie e l'ambiente 18. I dati ambientali può includere più telerilevamento e altri strati spaziali. I modelli di distribuzione delle specie che abbiamo testato cinque includono alberi boosted di regressione (BRT) 19, foreste casuali (RF) 20, multivariata di regressione spline adattivi (MARS) 21, un modello generalizzato lineare (GLM) 22, e Maxent 23. Questi cinque model algoritmi sono tra i più comunemente impiegato per la modellazione distribuzione delle specie, e un certo numero di studi hanno dimostrato la loro efficacia 24-25. Abbiamo usato il software per Assisted Habitat Modeling (SAHM) v. 2.0 moduli per eseguire i cinque modelli, che sono contenute in VisTrails v.2.2.2 26 visualizzazione e software di elaborazione. Ci sono molti vantaggi di utilizzare SAHM per la modellazione comparativa. Oltre alla formalizzazione e la registrazione trattabili dei processi di modellazione, SAHM permette agli utenti di lavorare con più algoritmi modello di distribuzione delle specie che, individualmente, hanno interfacce disparate, software e file di formattazione 27. SAHM produce consistenti metriche di valutazione della soglia-indipendenti e soglia-dipendente per valutare le prestazioni del modello. Uno di questi è Area sotto la curva caratteristica Receiver Operating (AUC), una metrica indipendente soglia che valuta la capacità di un modello di discriminare presenza dallo sfondo 28. Un AUC value di 0,5 o inferiore indica i modelli di previsione non sono meglio o peggio di casuale; valori compresi tra 0,5 e 0,70 indicano scarso rendimento; e valori crescenti 0,70-1,0 indicano prestazioni progressivamente più alta. Un altro parametro è cento correttamente classificata (PCC), una soglia metrica dipendente che pesa sensibilità e specificità sulla base di una soglia definita dall'utente metrica; sensibilità misura la percentuale di presenze osservati classificati e specificità misura la percentuale di siti di fondo classificati come inadatti. Un altro parametro è True Skill Statistica (TSS = sensibilità + specificità - 1), che pone più peso sulla sensibilità del modello di specificità, con valori compresi tra -1 e 1 in cui i valori> 0 indicano prestazioni migliori modello di possibilità 29.

Per mappare tamerici utilizzando l'uscita del modello, abbiamo costruito classificazioni binari utilizzando la soglia che rende uguali sensibilità e specificità per definire la pRESENZA o l'assenza di tamerici. Queste mappe singolo modello derivati sono stati poi sommati per creare una mappa ensemble di 30. mappe Ensemble combinano le previsioni dei modelli di distribuzione delle singole specie per produrre una mappa classificata che classifica il contratto collettivo dei modelli testati. Ad esempio, un valore di cella insieme di uno indica che solo un modello classificati quella cella come habitat adeguato, mentre un valore di cinque indica che tutti e cinque i modelli classificati cella come habitat adatto. Un vantaggio di questo approccio è che le mappe d'insieme producono un errore inferiore dire di qualsiasi singolo modello. Esso permette inoltre agli utenti di confrontare visivamente le prestazioni di ogni modello testato. Il nostro obiettivo generale era quello di fornire una descrizione dettagliata di questi metodi che possono essere adattati per modellare l'attuale distribuzione delle specie sul paesaggio.

Protocol

1. raccolta dati sul campo

  1. Ricavare i dati del campo per tamerici da un set di dati vettore poligono raccolte dal Tamarisk Coalizione in un sondaggio a livello statale nel 2005 e nel 2006 17.
    NOTA: I dati sono stati ottenuti attraverso un sondaggio terra intensiva, dove i tecnici di campo mappati tutti tamerici sorge lungo il fiume Arkansas con i sistemi di posizionamento globale (GPS) e fotografie aeree.
  2. All'interno di questi poligoni, generare 499 punti casuali (cioè presenze) per la formazione dei modelli. Inserite due serie di vincoli sui punti casuali: (1) ogni punto è richiesto di essere> 30 m da ogni bordo del poligono per assicurarsi che sia all'interno del tamerici stare alla risoluzione Landsat 5 TM; e (2) ciascun punto deve essere ≥ 60 m da qualsiasi punto vicina, per assicurare una distribuzione solida attraverso il sito di studio e minimizzare autocorrelazione spaziale.
  3. Compilare i dati dei campi in un file di MS Excel in tre colonne con le intestazioni etichettati "risposta", "X" e "Y", dove i valori di risposta sono (1) la presenza, easting UTM per X, e UTM northing per Y. Salvare il file in formato .csv per l'uso in SAHM (modulo FieldData).
  4. Genera un aumento di 100 punti casuali all'interno di poligoni tamerici del Tamerici coalizione e altri 100 punti casuali al di fuori dei poligoni come dati di test indipendenti per valutare i risultati del modello. Salvare il file in formato .csv per l'uso in SAHM (modulo FieldData).

2. variabili predittive

  1. Scarica immagini Landsat 5 superficie riflettente L4-5 TM (Percorso 32, Fila 34) dal di US Geological Survey globale spettatore visualizzazione / EarthExplorer (http://earthexplorer.usgs.gov/). Le scene sono la misura campionata dal Colorado Tamarisk Coalizione nel 2005 e nel 2006 17. Per determinare i mesi impiegati per i modelli, selezionare le scene che sono in gran parte privi di nuvola (vale a dire, <10% copertura nuvolosa) e rappresentante di mesi pensa di avere distinguibili fenologia tamerici; questi erano ottobre 2004 aprile 2005 maggio 2005 giugno 2005, luglio 2005, settembre 2005 aprile 2006, maggio 2006, giugno 2006 luglio 2006 agosto 2006, settembre 2006 e novembre 2006.
  2. Scarica il rilevamento Indici derivazione Remote Tool da
    https://github.com/rander38/Remote-Sensing-Indices-Derivation-Tool.
  3. Eseguire lo script Python nello strumento, sia GDAL o versione ArcPy; GDAL è raccomandato.
  4. Selezionare il sensore satellitare del caso, gli indici desiderati, e impostare il file di immagine in ingresso e la cartella di output in cui verranno memorizzati i file (Figura 1). Abbiamo esportato le singole bande e usato la luminosità NDVI, SAVI, e Tasseled Cap, verde, e gli indici bagnatura derivato da ciascuna delle scene Landsat TM. Si noti che tutti gli indici possono essere modificate o aggiunte da alterare il file Sensors_Formulas_RSIDT.ini.

Figura 1 Figura 1. telerilevamento Indici Derivazione strumento GUI.

  1. Eseguire lo strumento e verificare i file di output visivo in ArcMap v. 10.0 (ESRI, Redlands, CA) o un altro sistema di informazione geografica di software.

3. Software per Assisted Habitat Modeling (SAHM) (Figura 2)

Figura 1
Figura 2. L'intero flusso di lavoro SAHM comprende i dati di input, pre-elaborazione, analisi del modello preliminare e dalla decisione, modelli correlativi, e le routine di output.

  1. Per l'esecuzione di SAHM, prime file di download (compresi i VisTrails) dal sito US Geological Survey a https://my.usgs.gov/catalog/RAM/SAHM. Fare riferimento alla Guida per l'utente allo stesso sito web per le istruzioni dettagliate su come scaricare e installare SAHM. Si noti che il sito ha anche un Tutoria SAHMl ed i dati per ulteriori istruzioni.
  2. Per sviluppare i modelli di distribuzione delle specie tamerici, utilizzare il file SAHM_tutorial_2.0.vt che viene fornito con il pacchetto di download (nella cartella esempi SAHM). All'interno della vista Cronologia, selezionare il flusso di lavoro posizioni indipendente. Gli altri esempi di workflow possono essere selezionati e dipendono da obiettivi di studio; descrizioni sono forniti con ogni. Selezionare Pipeline.
  3. Impostare la cartella di output, andando a pacchetti e poi SAHM> Cambia cartella Session. Durante tutto il processo di sviluppo del flusso di lavoro, descrizioni dettagliate di ogni passo e le opzioni possono essere trovati selezionando la scheda della documentazione si trova sul lato destro dello schermo visore SAHM. Tutti i moduli di cui i seguenti metodi possono essere trovati nella parte sinistra della finestra SAHM nella scheda SAHM.
  4. Successivamente, SAHM diretto ai dati campo che saràutilizzato per addestrare i modelli di distribuzione delle specie.
    1. Fare clic sul modulo TemplateLayer. Individuare il raster che verrà utilizzato come maschera e definire la proiezione, dimensione della cella e l'estensione delle analisi.
    2. Istruzioni sul modulo FieldData nel lato sinistro del flusso di lavoro. Individuare .csv (vale a dire, training.csv) File di dati di campo (punti di presenza o punti di presenza e assenza) all'interno del modulo dati di campo.
    3. Fare clic sul modulo PredictorListFile e individuare .csv lista dei file (ad esempio, file contenente il percorso completo per tutti i predittori da utilizzare nella modellazione riferimento al manuale d'uso).
  5. Avanti, condurre operazioni di pre-elaborazione.
    1. Fare clic sul modulo FieldDataQuery e compilare la colonna di risposta con intestazione di colonna per la risposta (ad esempio, i nomi delle colonne nel FieldData.csv), X e Y colonne.
    2. Fare clic sul modulo MDSBuilder. Impostare il backgroundPointField a 10.000.
      NOTA: Se si utilizza la presenza e l'assenza di dati per la specie da modellare, non è necessario cambiare il backgroundPointField; si dovrebbe includere questi luoghi con una risposta (0) nel campo data.csv. È facoltativo impostare un backgroundProbSurf se si desidera vincolare selezione sfondo punto all'interno di un'area puntando ad una superficie raster con valori che vanno da 0 a 100 (questi valori rappresentano la probabilità che un punto generato casualmente sarà trattenuto in caso di caduta di un particolare delle cellule). Per questo studio, utilizzare un backgroundProbSurf con valori di 100 entro un buffer 5.000 m del fiume Arkansas e 0 per aree esterne questo buffer (in base all'area totale campionata dalla coalizione tamerici).
  6. Successiva, specificare gli algoritmi di modellazione distribuzione delle specie da utilizzare.
    1. Si noti che il BoostedRegressionTree, GLM, MARS, e RaI moduli ndomForest sono già impostati nel flusso di lavoro luoghi Independent. Aggiungere il modulo MAXENT per il flusso di lavoro per testare tutti i cinque modelli. Collegare al modulo CovariateCorrelationAndSelection.
      NOTA: Inizia con impostazioni predefinite per tutti i modelli; questi possono essere modificati sulla base di obiettivi di studio (si veda la documentazione del modello per maggiori dettagli).
    2. Aggiungere un modulo ModelOutputViewer e collegarlo al modulo MAXENT; cambiare colonna 5 e la riga a 1. Il ModelOutputViewer produce un foglio che può essere utilizzato per il confronto dei risultati del modello.
    3. Fare clic sul modulo OutputName e digitare un nome sottocartella.
  7. Successivamente, aggiungere un modulo che crea un insieme di uscite del modello. Questo modulo produce due mappe di uscita; uno con la probabilità media continua di tutte le uscite incluse e un secondo con il conteggio del numero di modelli con un bidone positivoary probabilità.
    1. Aggiungere un modulo EnsembleBuilder al flusso di lavoro. È facoltativo impostare una soglia metrica; per questo studio, scegliere AUC e lasciare il valore di soglia al valore predefinito di 0,75. Questo farà sì che solo i modelli con un valore AUC maggiore o uguale a 0.75 sono inclusi nelle uscite della mappa Ensemble. Collegare il BoostedRegressionTree, GLM, MARS, foresta casuale, e moduli MAXENT al EnsembleBuilder.
  8. Successivamente, dirigere i modelli per i dati di test indipendenti.
    1. Clicca su l'altro modulo FieldData (lato destro del flusso di lavoro) e individuare il file .csv che contiene i dati di validazione del modello. Questi sono i 200 punti di presenza e assenza generati nella fase 1.4 del protocollo.
    2. Fare clic sul modulo FieldDataQuery e assicurarsi che la risposta, x, y e le colonne corrispondono alle colonne In i dati del campo .csv.
    3. Aggiungere un modulo ApplyModel e collegarlo al modulo MAXENT. Aggiungere un modulo ModelOutputViewer e collegarlo a questo modulo ApplyModel; cambiare la colonna 5 e la riga a 1. Nel menu, selezionare i pacchetti -> SAHM -> modalità di elaborazione Cambia. Dal momento che si desidera eseguire più di un modello, selezionare singoli modelli in sequenza (n - 1 core ciascuno). Ciò accelerare il tempo di esecuzione dei modelli approfittando di più core di computer.
  9. Successivamente, eseguire i modelli di distribuzione delle specie.
    1. Salvare il file .vt e quindi fare clic su Esegui.
    2. Quando viene visualizzato il widget di CovariateCorrelationAndSelection (Figura 3), de-selezionare uno di ogni coppia di variabili correlate in cui il coefficiente di correlazione è | R | ≥ 0.7 (sulla base di devianza% Explained da un generale univariata ized additivo modello visto in sul lato sinistro di questo widget (Figura 3) e le decisioni ecologiche informate; in questo studio priorità alla selezione di almeno covariate per ogni mese di catturare variazione fenologica in tamerici). Il numero di posti nella finestra di visualizzazione può essere modificata digitando un numero (il valore predefinito è 8) e clic su Aggiorna.
    3. Dopo la finalizzazione selezione covariata, selezionare OK nella parte inferiore del widget CovariateCorrelationAndSelection (Figura 3). Per questo studio, i seguenti 9 variabili sono state mantenute: 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, e Nov_19_2006_SAVI. I modelli di distribuzione delle specie eseguiranno dopo aver selezionato OK.

jpg "/>
Figura 3. correlazione Covariate e selezione dell'interfaccia SAHM.

  1. Risultati di uscita.
    NOTA: Dopo che i modelli hanno completato, un foglio di calcolo VisTrails appare per il confronto del modello (figura 4)
    1. Confronto trame AUC, uscite di testo, curve di risposta, la calibrazione, matrice di confusione, i residui e curve di risposta attraverso modelli.
      NOTA: l'uscita dai modelli Sahm includono un CovariateCorrelationOutputMDS, matrice di confusione, grafica dei residui, diagramma di taratura, la trama valutazione del modello, la trama importanza variabile, una cartella curve di risposta, una cartella di output espanso, carta bin, mappa disordine, MOD mappa, mappa prob, residuo mappa, e un output.txt; consultare la Guida dell'utente SAHM per più descrizione.

Figura 4
Figura 4. VisTrails fogli di calcolo possono essere utilizzati per valutare il risultato del modello. Questo èil confronto tra i modelli AUC per i dati di formazione; da sinistra a destra i modelli sono BRT, GLM, MARS, RF, e Maxent, rispettivamente.

Representative Results

valutazioni statistiche di BRT, RF, MARS, GLM, e Maxent in base al set di dati di test indipendenti hanno indicato tutti i cinque modelli eseguiti relativamente bene nel rilevare tamerici; c'era poca differenza tra la soglia metriche indipendenti e soglie di valutazione dipendente tra modelli. I valori di AUC erano> 0,88, valori percentuali correttamente classificati erano> 77%, sensibilità e specificità erano> 0,77, e TSS erano> 0.54 (Tabella 1). Un insieme di uscite modello binario rivelato modello di accordo molto nelle zone lungo il fiume Arkansas (Figura 5). Il MESS (multivariata superficie somiglianza ambientale) uscite della mappa per ogni modello ha indicato l'ambiente a disposizione dell'area di studio è stato ben campionata (Figura 6), aumentando ulteriormente la nostra fiducia nell'approccio insieme.

modi "> Modello AUC PCC sensibilità Specificità TSS BRT 0.91 85 0.85 0.85 0,70 RF 0.92 85 0.85 0.85 0,70 MARTE 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

Tabella 1. Soglia indipendente (AUC) e la soglia dipendente (PCC, sensibilità, specificità, e TSS) metriche di valutazione per BRT, RF, MARS, GLM, e modelli MAXENT si adattano ad un test indipendente set di dati di presenza tamerici e assenza.

Figura 5
Figura 5. Ensemble risultati che conciliano la BRT, GLM, MARS, RF, e le mappe di uscita binari Maxent in ArcGIS. Le aree sono colorati in base al numero di modelli d'accordo, da 0 (nessun colore) a 5 (rosso). Si noti l'area colorata nell'angolo nord-ovest della previsione; questa linea è un artefatto di immagini Landsat; pertanto i risultati del modello devono essere prese con cautela in questa regione. Cliccate qui per vedere una versione più grande di questa figura.

Figura 6
Figura 6. multivariata superficie somiglianza ambientale (MESS) uscita.target = "_ blank"> Clicca qui per vedere una versione più grande di questa figura.

Dei nove predittori utilizzati, il 30 giugno 2006 Luminosità era la variabile più importante per tutte e cinque modelli (Tabella 2). Questa è stata l'unica variabile trattenuto da GLM sulla base graduale informazioni Akaike criterio (AIC, questo è il valore predefinito per la selezione del modello GLM in SAHM), tuttavia è importante notare questo modello includeva anche un termine al quadrato di questa variabile. RF e Maxent mantengono tutte le variabili per impostazione predefinita.

Predittore BRT RF MARTE GLM Maxent
30 LUG 2006 Luminosità 41.60 34.11 76.78 100 67.27
31 agosto 2006 Band 4 6.35 5.87 5.16 0 2.82
9 Giu 2005 SAVI 13.67 14.09 9.14 0 9.75
22 apr 2005 Luminosità 6.29 6.30 0 0 0.43
28 ottobre 2004 NDVI 5.66 8.25 0 0 2.94

Tabella 2. importanza relativa di predittori in ogni modello.

Discussion

I nostri risultati dimostrano BRT montaggio, RF, MARS, GLM, e Maxent con punti di presenza di tamerici e di una serie temporale di dati di immagini satellitari telerilevati Landsat in grado di distinguere tamerici sul paesaggio, ed è una valida alternativa ai tradizionali metodi di classificazione singola scena. E 'chiaro dai nostri risultati che di giugno è un momento particolarmente importante per la rilevazione di tamerici all'interno della nostra area di studio; Questo concorda con Evangelista et al., 2009 1 che ha indicato giugno bagnatura è stato il fattore predittivo più importante per tamerici verificarsi in questo settore sulla base di una misura modello Maxent con una serie temporale di immagini Landsat.

Gli altri indici spettrali e gruppi che sono stati inclusi nel BRT, RF, MARS, e modelli MAXENT possono distinguere ulteriormente tamerici dal substrato del suolo, altri alberi decidui tra cui pioppo (Populus spp.) E il salice (Salix spp.), O l'agricoltura irrigua che è comune nella bassabacino del fiume Arkansas. Altri strati GIS, quali la topografia, tipi di suolo, o dati climatici potrebbero anche essere considerati come covariate e inclusi in questi modelli, ma si consiglia di mantenere questi al minimo se l'obiettivo è quello di rilevare la distribuzione delle specie in corso sul paesaggio, piuttosto che prevedere il potenziale verificarsi o habitat adatto.

I modelli testati per la nostra ricerca a condizione forte capacità di analisi e di opzioni multiple per la valutazione dei risultati. Avendo tutti questi modelli correlativi in ​​un contesto unico, come SAHM, permette la formalizzazione e la registrazione trattabili del processo di modellazione. Pre e post-elaborazione di variabili di risposta e predittive sono standardizzati in SAHM, permettendo una migliore ed efficiente il confronto modello, mentre i flussi di lavoro registrano ogni fase delle analisi che facilitano la modificazione, la ripetizione e la replica.

mappatura Ensemble si propone di combinare i punti di forza dei diversi modelli correlativi, riducendo al minimo il weakness di un qualsiasi modello 30. Crediamo che questo era il caso nel nostro studio; tuttavia, si avverte che i modelli che Underperform (vale a dire, sotto-prevedere o over-predire) possono indebolire i risultati complessivi. L'uso limitato di mappatura insieme nella letteratura ha avuto risultati favorevoli, ma la maggior parte di questi approcci hanno cercato di "prevedere" specie avvenimento piuttosto che "rilevare". Inoltre, la mappatura insieme permette una valutazione visiva di incertezza tra i diversi metodi di modellazione, l'individuazione dei livelli di modello di accordo. La maggior parte delle volte è la scelta del metodo di modellazione (ad esempio, GLM contro BRT), che ha un impatto maggiore sui risultati quantificabili modello piuttosto che altre decisioni del processo di modellazione, quali posizione l'incertezza dei dati 31. Anche se crediamo che la nostra migliore carta tamerici è dove tutti i cinque modelli sono d'accordo, la sperimentazione e utilizzando vari metodi di mappatura insieme ulteriormente è raccomandato (ad esempio, ponderata per AUC) 32 </ Sup>, e meglio validati attraverso osservazioni sul campo indipendenti. In sintesi, questi metodi possono essere facilmente adattati per modellare la distribuzione delle altre specie utilizzando variabili ambientali derivati ​​per una data regione studio 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