Author Produced

種の分布モデルとリモートセンシングを統合します。支援ハビタット・モデリングのためのソフトウェアを使用したマッピングタマリスク侵略(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

侵襲的な植物種の早期検出は、天然資源と生態系プロセスの保護を管理するための不可欠です。侵襲性植物の分布をマッピングするための衛星リモートセンシングの使用がより一般的になってきている、しかし従来のイメージングソフトウェアおよび分類の方法は信頼性が低いことが示されています。本研究では、5種の分布モデル技術の使用をテストし、評価する侵襲タマリスク( タマリクス属 。)南東コロラド州のアーカンソー川沿いをマッピングするために、衛星リモートセンシングデータに合います。テストしたモデルは、回帰ツリー(BRT)、ランダムフォレスト(RF)、多変量適応回帰スプライン(MARS)、一般化線形モデル(GLM)、およびMAXENTを後押し含まれています。これらの分析は、支援ハビタットモデリング(SAHM)用ソフトウェアと呼ばれる新たに開発されたソフトウェアパッケージを用いて行きました。すべてのモデルは、499の存在点、万擬似不在ポイント、および予測変数acquで訓練しました生物季節の違いの検出を使用して、ネイティブ河岸植生からタマリスクを区別するための8カ月間のランドサット5テーマ別マッパー(TM)センサーからIRED。ランドサットのシーンから、我々は個々のバンドを使用し、正規化差植生指数(NDVI)を算出し、土壌調整植生指数(SAVI)、およびキャップされた変換を房。すべての5つのモデルが正常に独立した位置データとしきい値独立したしきい値依存の評価指標に基づいて、景観上の現在のタマリスク分布を同定しました。モデル固有の違いを説明するために、我々は、マップの出力は契約の領域と不確実性の領域を強調表示して、すべての5つのモデルのアンサンブルを作り出しました。我々の結果は、リモートセンシングデータの分析に種の分布モデルの有用性とアンサンブルマッピングの有用性を実証し、前処理でSAHMの能力を披露し、複数の複雑なモデルを実行します。

Introduction

米国南西部全域川岸や湿地の生態系は、( タマリクス属 。)タマリスクの侵入によって脅かされている、1800年代1にユーラシアから導入された非ネイティブの木質低木。ギョリュウ属は、水資源を利用する在来種をアウト競合し、生態系が1-2を処理する変更することができ、多くの生理学的メカニズムを持っています。環境への影響を評価し、効果的な制御戦略を策定するためのマッピングタマリスク分布は、リソース・マネージャのための高い優先順位です。地上調査は定期的に使用残っているが、彼らは労働力、時間、および物流の関連するコストのために非常に大きなエリアには実用的でありません。

衛星リモートセンシングは、タマリスクの蔓延の検出とマッピングで重要な、限られた、役割を果たしてきました。従来の分類分析し、リモートセンシング・ソフトウェアは限界成功3-5を持っていました。いくつかの最近の研究リモートセンシングデータの1,6を使用して侵襲的な植物を検出するために、非伝統的なアプローチを模索しています。タマリスクは、多くの侵襲的な植物のように、ネイティブの河岸種の生物季節とは異なる成長シーズンを通して生物季節変動を示します。一部の地域では、例えば、タマリスクの葉アウトは、いくつかのネイティブ水辺の植物の前で、ギョリュウは長く、他の在来種よりもその葉を保持します。スペクトルバンド、成長シーズンを通して衛星データの時系列由来のスペクトルインデックスを使用することにより、我々は、これらの生物季節の違い1,6に基づいて、ネイティブの植物からタマリスクを区別することができます。エヴァンジェリスタの仕事に構築。 2009 図1は 、本研究では、ランドサット5テーマ別マッパー(TM)衛星画像の時系列から個々のバンドに1-7組み込まれ、正規化差植生指数(NDVI)、土壌調整植生指数(SAVI)、および房のキャップを導出しましたこれらのバンドからの変換。正規化されたdifferenCEの植生指数(NDVI)は植生バイオマス、キャノピーカバー、および葉面積指数8-9を推定するため最も一般的に使用されるスペクトル指標の一つであり、可視光(赤)との間の比率の非線形変換であり、近赤外線バンド10。土壌調整植生指数(SAVI)植生指標11上の土壌の背景の影響を最小限にするために使用される改変されたNDVIです。房キャップ変換は、土壌の明るさ(房キャップ、バンド1)、植生緑(房キャップ、バンド2)、および土壌/植生湿り(房キャップ、バンド3)とを測定する三つの直交バンドに6ランドサットバンドの複合体を重み付けされています多くの場合、植物組成物、齢級、および構造12-14を区別するために使用されます。我々は、すべての房キャップ変換にクリスト(1985)15に報告された係数を使用していました。

本研究では、スペクトルバンドと野菜の時系列と5種の分布モデルをテストetation指数は南東コロラド州、アメリカの下アーカンソー川沿いタマリスクをマッピングするためにランドサット5 TM由来します。アーカンソー川は、2364キロ(1469マイル)をまたがる、ミズーリ、ミシシッピシステムで二番目に大きい支流です。その流域は、コロラド州のロッキー山脈の源流と435123キロ2(168002マイル2)を覆っいます。 2965メートルで、その起源から、アーカンソー州プエブロ、COの近くに平準化し、農地やショート草の草原を通って蛇行、標高がかなり低下します。川は、季節の洪水の対象であり、それはミシシッピ川に流れ込むカンザス州、オクラホマ州、アーカンソーに続行する前に、ロッキーフォード、ラハンタ、およびラマーにおける自治体や農業用水の使用のために依拠されます。タマリスクは最初ラマー16の現代の町の近くに1913年にR. Niedrachによりアーカンソー川に観察されました。今日では、ギョリュウは、プエブロ、カンザス状態LIN間以上の100キロ2をカバーていると推定されていますアーカンソー川17の支流に沿って追加の60キロ2と電子、。調査地域は、灌漑水路、湿地、農地、およびいくつかの支流の合流点を含んでいます。すべてのタマリスクの侵入の程度が異なります。ランチングと農業が主要な大部分はアルファルファ、干し草、トウモロコシ、冬小麦からなる水辺の回廊に隣接する土地は、使用されています。

種の分布モデルは、種の発生とその環境18の間の関係を識別するために、地理参照の発生( すなわち、緯度、経度)に依存しています。環境データは、複数のリモートセンシングや他の空間層を含むことができます。我々がテストした5種の分布モデルはブースト回帰ツリー(BRT)19、ランダムフォレスト(RF)20、多変量適応回帰スプライン(MARS)21、一般化線形モデル(GLM)22、及びMAXENT 23が含まれます。これらの5つのmodエル・アルゴリズムは、最も一般的に種の分布をモデル化するために用いられる一つである、と多くの研究は、それらの有効性24-25を実証しています。私たちは支援ハビタットモデリング(SAHM)Vのためのソフトウェアを使用する。2.0モジュールをVistrailsののv.2.2.2 26視覚化と処理ソフトウェアに含まれている5つのモデルを、実行します。比較モデリングのためのSAHMを使用することにはいくつかの利点があります。モデリングプロセスの形式化と扱いやすい記録に加えて、SAHMは、ユーザーが個別に、27のフォーマットの異なるインタフェース、ソフトウェアやファイルを持って、複数種の分布モデルアルゴリズムで動作することができます。 SAHMはモデルの性能を評価するために、一貫性のしきい値に依存しないとしきい値依存評価指標を生成します。これらの一つは、受信者動作特性曲線下面積(AUC)、背景28から存在を識別するためのモデルの能力を評価するしきい値独立した指標です。 AUCヴァル0.5以下のUEは、モデル予測がランダムよりも良くも悪くもされていないことを示します。 0.5と0.70の間の値は、パフォーマンスの低下を示しています。 0.70から1.0に増加する値は次第に高い性能を示しています。別のメトリックは、パーセント正しく分類(PCC)、ユーザー定義のしきい値メトリックに基づいて、感度と特異性の重さの閾値に依存メトリックです。感度は、適切かつ特異性が不適当と分類背景の場所の割合を測定として分類観測されたプレゼンスの割合を測定します。さらに別のメトリックは、真のスキル統計(TSS =感度+特異度- 1)され、間に-1と1ここで、値> 0の範囲の値で、特異性よりも、モデルの感度に重きを置いチャンス29よりも優れたモデルのパフォーマンスを示しています。

モデルの出力を使用してタマリスクをマッピングするために、我々は、pを定義するための感度および特異性を均等化閾値を使用してバイナリ分類を構築しましたタマリスクのresenceまたは不在。これらの個々のモデル派生マップは、次にアンサンブルマップ30を作成するために合計しました。アンサンブルマップは、試験モデルの労働協約をランク分類マップを生成するために、個々の種の分布モデルの予測を組み合わせます。例えば、1のアンサンブルセル値が5の値は、すべての5つのモデルは、適切な生息地として細胞を分類することを示しているのに対し、唯一のモデルは、適切な生息地としてそのセルを分類していることを示しています。このアプローチの一つの利点は、アンサンブルマップは、任意の個々のモデルよりも低い平均誤差を生じることがあります。また、ユーザーが視覚的に試験した各モデルの性能を比較することができます。私達の全体的な目標は、景観上の種の電流分布をモデル化するために調整することができ、これらの方法の詳細な説明を提供することでした。

Protocol

1.フィールドデータ収集

  1. 2005年と2006年17状態全体の調査でタマリスク連合によって収集されたベクトルポリゴンデータセットからタマリスクのフィールドデータを得ます。
    注:データは、現場の技術者は、すべてのタマリスクは全地球測位システム(GPS)と航空写真を使用して、アーカンソー川に沿って立っているマップされた集中的な地盤調査を通じて得られました。
  2. これらのポリゴンの中で、モデルを訓練するために499のランダムな点( すなわち 、プレゼンス)を生成します。ランダムな点で制約の二組を配置する:(1)各点は、それがタマリスク内ランドサット5 TM解像度で立っていることを確認するために、任意のポリゴンエッジから> 30メートルであることが必要です。 (2)各点は、試験サイトにわたってロバストな分布を確保し、空間的自己相関を最小にするために、任意の隣接する点60メートル≥する必要があります。
  3. 「レスポンス」と表示された見出しと3つの列で、MS Excelファイル内のフィールドのデータをコンパイルします、「X」、および応答値が存在、X用のUTM東距、およびYはSAHM(FieldDataモジュール )で使用するために.csv形式でこのファイルを保存するためのUTM北上のために(1)である「Y」、。
  4. モデルの結果を評価するために、独立したテストデータとしてポリゴン外タマリスク連合のタマリスクのポリゴン内に追加の100ランダムな点と別の100のランダムな点を生成します。 SAHM(FieldDataモジュール )で使用するための.csv形式でこのファイルを保存します。

2.予測変数

  1. 米国地質調査所のグローバル・ビジュアライゼーションビューア/ EarthExplorerから(パス32、行34)ランドサット5表面反射率L4-5 TM画像をダウンロードしてください(http://earthexplorer.usgs.gov/)。シーンは、2005年および2006年17でコロラドタマリスク連合によってサンプリングされた範囲が含まれる。モデルに使用ヶ月を決定するために、主にクラウド・フリー( すなわち 、<10%の雲量)とrepresentativある選択シーン識別可能なタマリスクの季節を有すると考えヶ月の電子;これらは2004年10月、2005年4月、2005年5月、2005年6月、2005年7月、2005年9月、2006年4月、2006年5月、2006年6月、2006年7月、2006年8月、2006年9月、および2006年11月でした。
  2. からのリモートセンシング指数導出ツールをダウンロード
    https://github.com/rander38/Remote-Sensing-Indices-Derivation-Tool。
  3. GDALまたはArcpyのバージョンのいずれか、ツールでPythonスクリプトを実行します。 GDALが推奨されます。
  4. 適切な衛星センサー、目的のインデックスを選択し、入力された画像ファイルとファイルが保存される出力フォルダ( 図1)を設定ます。私たちは、個々のバンドを輸出し、ランドサットTMシーンの各由来NDVI、SAVI、および房のキャップの明るさ、緑、および濡れ指数を使用しました。任意のインデックスがSensors_Formulas_RSIDT.iniファイルを変更することによって変更または追加することができることに注意してください。

図1 図1.リモートセンシング指数導出ツールGUI。

  1. ツールを実行し、ArcMapのVに視覚的に出力ファイルを確認してください。10.0(ESRI、レッドランズ、CA)または別の地理情報システム・ソフトウェア。

支援ハビタットモデリング(SAHM)(図2)3.ソフトウェア

図1
図2.全体SAHMワークフローは、入力データ、前処理、予備的なモデル分析や意思決定、相関モデル、および出力ルーチンが含まれています。

  1. https://my.usgs.gov/catalog/RAM/SAHMでSAHM、米国地質調査所のWebサイトから(Vistrailsのを含む)最初のダウンロードファイルを実行するため。 SAHMのダウンロードおよびインストールに関する詳細な手順については、同じWebサイトでユーザガイドを参照してください。ウェブサイトはまたSAHM tutoriaを持っていることに注意してくださいリットルと追加の指示のためのデータ。
  2. タマリスクの種の分布モデルを開発するには、(SAHM例フォルダ内の)パッケージのダウンロードが付属していますSAHM_tutorial_2.0.vtファイルを使用します。 履歴ビュー内では、 独立した場所のワークフローを選択します。他のワークフローの例は、選択されたと研究の目的に依存することができます。説明は、それぞれに設けられています。 パイプラインを選択します
  3. その後、パッケージとSAHM> 変更[セッションのフォルダに行くことによって、出力フォルダを設定します。ワークフロー開発プロセス全体を通して、各ステップ及びオプションの詳細な説明はSAHMビューア画面の右側にあるドキュメントタブを選択することによって見出すことができます。以下の方法に記載されているすべてのモジュールは、SAHMタブの下SAHMウィンドウの左側に見つけることができます。
  4. なるフィールドデータの次に、直接SAHM種の分布モデルをトレーニングするために使用されます。
    1. TemplateLayerモジュールをクリックします。マスクとして使用され、分析の突起、セルサイズと範囲を定義するために、ラスタを参照。
    2. ワークフローの左側にFieldDataモジュールをクリックします。フィールドデータモジュール内のフィールドデータ(プレゼンスポイントまたは存在下および非存在下のポイント)の( すなわち 、training.csv)ファイルを.csvに閲覧できます。
    3. PredictorListFileモジュールをクリックし、ファイルリスト(ユーザガイドを参照してくださいモデル-で使用するすべての予測因子への完全なパスを含む例えば 、ファイル)を.csvに参照します。
  5. 次に、前処理工程を行っています。
    1. FieldDataQueryモジュールをクリックし、応答を列見出しに応答欄にご記入( すなわち 、FieldData.csvの列名)、XとYの列。
    2. MDSBuilderモジュールをクリックします。 backgroundPoiを設定します。万にntField。
      注:あなたは、モデル化される種について存在下および非存在下のデータを使用している場合は、backgroundPointFieldを変更する必要はありません。あなたはフィールドData.csvでの応答(0)で、これらの場所が含まれるであろう。あなたが(これらの値はランダムに生成されたポイントは、それが内に入るべきで保持される確率を表す0から100の範囲の値を持つラスタ面を指すことでエリア内の背景点の選択を制約する場合backgroundProbSurfを設定するオプションです。特定のセル)。この研究のために、(タマリスク連合によってサンプリングされた総面積に基づいて)このバッファ以外の地域のために5000メートルアーカンソー川のバッファと0内の100の値を持つbackgroundProbSurfを使用します
  6. 次に、使用する種の分布をモデル化アルゴリズムを指定します。
    1. なおBoostedRegressionTree、GLM、MARS、及びRandomForestモジュールはすでに独立した場所のワークフローで設定されています。すべての5つのモデルをテストするために、ワークフローにMAXENTモジュールを追加します。 CovariateCorrelationAndSelectionモジュールに接続してください。
      注:すべてのモデルのデフォルト設定で開始します。これらは、研究目的(詳細はモデルのドキュメントを参照してください)に基づいて修正することができます。
    2. ModelOutputViewerモジュールを追加し、MAXENTモジュールに接続します。 5に列を変更し、1に行ModelOutputViewerモデル結果の比較のために使用することができるスプレッドシートを生成します。
    3. OutputNameモジュールをクリックし、サブフォルダ名を入力します。
  7. 次に、モデル出力のアンサンブルを作成し、モジュールを追加します。このモジュールは、2出力のマップを生成します。すべて含ま出力の平均連続確率と正のビンを搭載したモデルの数のカウントと第二との1進の確率。
    1. ワークフローにEnsembleBuilderモジュールを追加します。しきい値メトリックを設定するオプションです。この研究のために、AUCを選択し、0.75のデフォルト値のしきい値を残します。これは、より大きいまたは0.75に等しいAUC値を持つ唯一のモデルはアンサンブルマップ出力に含まれていることを確認します。 EnsembleBuilderBoostedRegressionTree、GLM、MARS、RandomForest、 およびMAXENTモジュールを接続します。
  8. 次に、独立したテスト・データにモデルを向けます。
    1. 他のFieldDataモジュール(ワークフローの右側)をクリックし、モデルの検証データを含む.csvファイルを参照します。これらは、プロトコルのステップ1.4で生成された200の存在下および非存在下ポイントです。
    2. FieldDataQueryモジュールをクリックすると応答、xおよびyの列は、列Iに一致することを確認してくださいn個のフィールドデータを.csvファイル。
    3. ApplyModelモジュールを追加し、MAXENTモジュールに接続します。 ModelOutputViewerモジュールを追加し、このApplyModelモジュールに接続します。メニューでは1〜5の列と行を変更し、選択パッケージ - > SAHM - > 変更処理モード( - 1コアそれぞれのnを)あなたは、複数のモデルを実行する単一のモデルを順番に選択したいので。これは、複数のコンピュータのコアを利用してモデルの実行時間を早めるだろう。
  9. 次に、種の分布モデルを実行します。
    1. ファイルの.Vtを保存し、[ 実行 ]をクリックします。
    2. CovariateCorrelationAndSelectionウィジェット図3)が表示されたら、相関係数は、変数の各相関対の一方を選択解除| R | ≥0.7(%の逸脱に基づいて、単変量一般からの説明しましたこのウィジェットの左側にで見加法モデル( 図3)、情報に生態学的意思決定を化さ。本研究では)タマリスクで生物季節変動を捕捉するために、各月の少なくとも一つの共変量の選択に優先順位をつけます。表示ウィンドウ内のプロットの数は数(デフォルトは8です)を入力し、Updateをクリックすることで変更することができます。
    3. 共変量選択を確定した後、CovariateCorrelationAndSelectionウィジェット( 図3)の下部にある[OK]を選択します。この研究のために、以下の9変数が保持された: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、およびNov_19_2006_SAVIを。種の分布モデルは、[OK]を選択した後に実行されます。

JPG "/>
図3.共変量相関及び選択SAHMインタフェース。

  1. 結果出力。
    注:モデルが完了した後、Vistrailsのスプレッドシートモデルの比較のために表示されます( 図4)
    1. モデル間でAUCプロット、テキスト出力、応答曲線、キャリブレーション、混同行列、残差、および応答曲線の比較。
      注:SAHMモデルからの出力はCovariateCorrelationOutputMDS、混同行列、残差プロット、較正プロット、モデル評価プロット、変数の重要度プロット、応答曲線フォルダ、拡大出力フォルダ、ビンマップ、混乱マップ、国防省マップ、PROBマップ、残留を含みますマップ、およびoutput.txtと;以上の説明のためのSAHMユーザーガイドを参照してください。

図4
図4 Vistrailsのスプレッドシートは、モデル出力を評価するために使用することができます。これはトレーニングデータのAUCのモデル比較。モデルはそれぞれ、BRT、GLM、MARS、RF、およびMAXENTある左から右へ。

Representative Results

独立したテストデータセットに基づいて、BRT、RF、MARS、GLM、及びMAXENTの統計的評価は、すべての5つのモデルがタマリスクを検出する際に、比較的好調示し;モデル間のしきい値独立したしきい値依存評価指標の間にはほとんど差がありました。 AUC値は> 0.88であった、パーセント正しく分類の値は0.77>> 77%、感度と特異性であった、とTSSた> 0.54(表1)。バイナリモデル出力のアンサンブルはアーカンソー川(図5)に沿って、地域に多くのモデル契約を明らかにしました。各モデルのMESS(多変量環境の類似面)マップ出力は、研究対象地域の利用可能な環境がよく、さらにアンサンブルアプローチで私たちの自信を高めること、(図6)をサンプリングしたことが示されました。

方法 "> モデル AUC PCC 感度特異性 TSS BRT 0.91 85 0.85 0.85 0.70 RF 0.92 85 0.85 0.85 0.70 火星 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

BRT、RF、MARS、GLM、及びMAXENTモデルの表1。しきい値の独立した(AUC)としきい値依存(PCC、感度、特異性、及びTSS)評価指標は、独立したテストにフィットタマリスクの存在下および非存在下のデータセット。

図5
BRT、GLM、MARS、RF、およびArcGISのMAXENTバイナリ出力マップを組み合わせる5.アンサンブル結果。領域は0(色なし)から5(赤)に、契約でモデルの数によって着色されています。予測の北西隅に着色された領域を注意してください。この行は、ランドサット画像のアーチファクトです。したがって、モデルの結果は、この領域に注意して取られるべきである。 この図の拡大版をご覧になるにはこちらをクリックしてください。

図6
図6.多変量環境類似性表面(MESS)出力。ターゲット= "_空白">この図の拡大版をご覧になるにはこちらをクリックしてください。

使用9予測因子のうち、2006年6月30日の明るさは、すべての5つのモデル(表2)のための最も重要な変数でした。これは、段階的赤池の情報量基準に基づいて、GLMが保持する唯一の変数であった(AIC;これはSAHMでGLMモデル選択のデフォルトです)、しかし、このモデルはまた、この変数の二乗項が含まれて注意することが重要です。 RFとMAXENTは、デフォルトではすべての変数を保持しています。

予測因子 BRT RF 火星 GLM MAXENT
2006年7月30日の明るさ 41.60 34.11 76.78 100 67.27
2006年8月31日バンド4 6.35 5.87 5.16 0 2.82
2005年6月9日SAVI 13.67 14.09 9.14 0 9.75
2005年4月22日の明るさ 6.29 6.30 0 0 0.43
2004年10月28日NDVI 5.66 8.25 0 0 2.94

各モデルで予測変数の表2相対的な重要性。

Discussion

我々の結果は、景観上タマリスクを区別できるタマリスクのプレゼンスポイントとリモートセンシングランドサット衛星画像データの時系列で、RF、MARS、GLM、及びMAXENTをフィッティングBRTを示し、従来のシングルのシーン分類方法の有効な代替です。これは、6月には我々の研究領域内タマリスクを検出するために特に重要な時期であることを我々の結果からも明らかです。これは6月濡れがランドサット画像の時系列でMAXENTモデルの適合に基づいて、この地域でタマリスクの発生のための最も重要な予測因子であることを示したエヴァンジェリスタら。20091と一致します。

BRT、RF、MARS、およびMAXENTモデルに含まれていた他のスペクトル指標とバンドはさらに土壌基質、ハコヤナギ( ポプラ属 )と柳( ヤナギ属 )を含む他の落葉樹、または灌漑農業からタマリスクを区別することができます下では一般的ですアーカンソー川流域。このような地形、土壌タイプ、または気候データとして他のGIS層は、また、共変量として考えると、これらのモデルに含めることができるが、目的は風景の現在種の分布を検出するのではなく潜在的に予測する場合、我々は最小限にこれらを保持するお勧め発生または適切な生息地。

私たちの研究のためにテストされたモデルは、優れた分析能力と成果を評価するための複数のオプションを提供しました。このようなSAHMなどの単一の枠組みの中で、これらの相関モデルのすべてを持つ、モデリングプロセスの形式化と扱いやすい記録を可能にします。ワークフローが変更、反復および複製を容易に分析の各ステップを記録しながら、前と応答と予測変数の後処理は、より良いと効率的なモデルの比較を可能にする、SAHMで標準化されています。

アンサンブルマッピングは、Wを最小化しながら、複数の相関モデルの長所を組み合わせることを目的といずれかのモデル30のeakness。私たちは、これが私たちの研究でそうであったと考えています。しかし、我々は( すなわち 、予測アンダーまたはオーバー予測)アンダーパフォームモデルは全体的な結果を弱めることができることを警告します。文献中のアンサンブルマッピングの制限された使用は、良好な結果があったが、これらの手法のほとんどは、のではなく、種の発生を「予測」することを試みている」を検出します。」さらに、アンサンブルのマッピングは、モデル契約のレベルを識別する、異なるモデリング手法のうち、不確実性を視覚的に評価することができます。ほとんどの場合、それはむしろ、そのような位置データの不確実性31としてモデリングプロセス内の他の決定よりもモデルの結果に最大の定量化可能な影響を与えているモデリング手法( 例えば 、BRT対GLM)の選択です。我々は、すべての5つのモデルが一致し、さらにテストとアンサンブルマッピングの様々な方法を用いてのどこにいる私たちの最高のタマリスクマップがあると信じていますが( 例えば 、AUCによって重み付け)が推奨される32 </ SUP>、そして最高の独立した野外観測によって検証。まとめると、これらの方法は、容易にSAHMにおける所定の試験領域について導出の環境変数を使用して、他の種の分布をモデル化するために調整することができます。

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