JoVE Logo
Authors
Contact Us

Sign In

In This Article

  • Summary
  • Abstract
  • Introduction
  • Protocol
  • תוצאות
  • Discussion
  • Disclosures
  • Acknowledgements
  • Materials
  • References
  • Reprints and Permissions

Summary

We demonstrate the utility of remotely sensed data and the newly developed Software for Assisted Habitat Modeling (SAHM) in predicting invasive species occurrence on the landscape. An ensemble of predictive models produced highly accurate maps of tamarisk (Tamarix spp.) invasion in Southeastern Colorado, USA when assessed with subsequent field validations.

Abstract

גילוי מוקדם של מיני צמחים פולשניים חיוני לניהול משאבי טבע והגנה על תהליכי המערכת האקולוגית. שימוש חישה מרחוק באמצעות לויין למיפוי ההפצה של צמחים פולשניים הופך נפוץ יותר, הדמיה קונבנציונלית אולם שיטות תוכנה וסיווג הוכחו כבלתי אמין. במחקר זה, אנו לבחון ולהעריך את השימוש בטכניקות מודל ההפצה חמישה מינים בכושר עם נתוני חישה מרחוק באמצעות לויין למפה אשל פולשנית (spp Tamarix.) לאורך נהר ארקנסו בדרום מזרח קולורדו. המודלים שנבחנו כללו בין היתר שפרו עצי רגרסיה (BRT), יער אקראי (RF), splines רגרסיה מרובה משתנה אדפטיבית (MARS), מודל ליניארי כללי (GLM), ו Maxent. ניתוחים אלו בוצעו באמצעות חבילת תוכנה חדשה שפותחה שנקראת התוכנה עבור דוגמנות Habitat Assisted (SAHM). כל הדגמים אומנו עם 499 נקודות נוכחות, 10,000 נקודות פסאודו-היעדרות, מנבא משתנה acquIRED מחיישן Landsat 5 Mapper נושאיות (TM) על פני תקופה של שמונה חודשים להבחין אשל ובין צמחי riparian ילידים באמצעות זיהוי הבדלי phenological. מתוך סצנות Landsat, השתמשנו להקות בודדות ואת הבדל מנורמל מחושב מדד צמחייה (NDVI), מדד צמחייה מותאם קרקע (SAVI), גדילים טרנספורמציות כתרים. כל חמישה הדגמים מזוהים הפצת אשל נוכחית בנוף מבוסס בהצלחה על סף עצמאי ומדדי הערכה תלויים סף עם נתוני מיקום עצמאיים. כדי להסביר את ההבדלים ספציפיים מודל, שהפקנו אנסמבל של כל חמשת דגמים עם פלט המפה מדגיש אזורי הסכמה באזורים של חוסר ודאות. התוצאות שלנו מראות את התועלת של דגמי הפצת מינים בניתוח נתונים חשים מרחוק ואת השירות של מיפוי הרכב, ולהציג את היכולת של SAHM ב טרום עיבוד וביצוע מודלים מורכבים מרובים.

Introduction

מערכות אקולוגיות riparian ובביצות ברחבי מערב ארצות הברית מאוימות על ידי הפלישה של אשל (spp Tamarix.), שיח מעוצה שאינם ילידי הציג אירואסיה 1800 1. יש אשל מנגנונים פיסיולוגיים רבים המאפשרים הסוג לנצל מקורות מים, מחוץ להתחרות מינים מקומיים, ולשנות תהליכים אקולוגיים 1-2. הפצות מיפוי אשל להערכת השפעות סביבתיות וגיבוש אסטרטגיות שליטה אפקטיביות הן סדרי עדיפויות גבוהות למנהלי משאבים. למרות סקרי קרקע נשארים משתמשים בקביעות, הם מעשיים עבור שטחים גדולים מאוד בשל העלויות הכרוכות עבודה, זמן, ולוגיסטיקה.

חישה מרחוק באמצעות לויין מילאה חשוב, אבל מוגבל, תפקיד זיהוי ומיפוי של מכת האשל. סיווג קונבנציונלי מנתח ותוכנת חישה מרחוק נחלו הצלחה שולית 3-5. כמה מחקרים שנערכו לאחרונהיש גישות לא מסורתיים בחנו לזהות צמחים פולשניים באמצעות 1,6 נתוני חישה מרחוק. אשל, כמו צמחים רבים פולשני, מפגין וריאצית phenological לאורך כל עונת הגידול שונה 'בפנולוגיה מיני riparian ילידים. באזורים מסוימים, למשל, אשל-אאוט עלה הוא לפני כמה צמחי riparian מקומיים, אשל שומר עלוותו יותר מינים מקומיים אחרים. באמצעות להקות רפאי מדדי ספקטרלי נגזרו זמן-סדרה של נתוני לווין לאורך כל עונת הגידול, אנו יכולים להבחין אשל מצמח מקומי על בסיס הבדלי phenological אלה 1,6. בנייה על העבודה ואח 'אוונג'ליסטה. 2009 1, במחקר זה שילבנו להקות בודדות 1-7 מתוך סדרה פעמי של 5 Landsat Mapper נושאיות (TM) צילומי לווין ונבע מדד צמחייה הבדל מנורמל (NDVI), אדמה במדד צמחייה (SAVI), וכובע עם גדילים טרנספורמציות מלהקות אלו. בידול מנורמלמדד ce צמחייה (NDVI) הוא אחד מהמדדים ספקטרלי הנפוץ ביותר עבור ביומסה צמחייה מעריך, כיסוי חופה, ואזור עלה מדדי 8-9, והוא שינוי שאינו ליניארי של היחס שבין הנראה (אדום) ו הכמעט מוחלטת 10 להקות אינפרא אדומות. מדד צמחייה קרקע-פורמה (SAVI) הוא NDVI שונה בהם כדי למזער את ההשפעות של רקע הקרקע על מדדי צמחייה 11. טרנספורמציות כובע גדילים משוקללות מרוכבים של שש להקות Landsat לשלוש להקות מאונכות המודדים בהירי אדמה (כובע עם גדילים, להקה 1), ה"ירוק צמחייה (כובע עם גדילים, להקה 2), ורטיבות אדמה / צמחייה (כובע עם גדילים, להקה 3) ו משמשים לעתים קרובות כדי להבחין רכב צמחייה, מעמד גיל ולבנות 12-14. השתמשנו המקדמים שדווחו Crist (1985) 15 עבור כל תמורות כובע הגדילים.

במחקר זה, אנו בוחנים מודלי הפצת חמישה מינים עם סדרות עתיות של להקות וירקות ספקטרלימדדי etation נגזר Landsat 5 TM למפה אשל לאורך נהר ארקנסו נמוך בדרום מזרח קולורדו, ארה"ב. נהר ארקנסו, פורש 2,364 ק"מ (1,469 ק"מ), הוא היובל השני בגודלו במערכת מיזורי-מיסיסיפי. קו פרשת המים שלה משתרע על 435,123 ק"מ 2 (168,002 מיל 2) עם מקורות בהרי הרוקי בקולורדו. מתוך נקודת המוצא שלה ב 2,965 מ ', ארקנסו טיפות ניכרת העלאה ואזנה את עצמו ליד פואבלו, קולורדו, ו המתפתל דרך אדמות חקלאיות ערבה קצר דשא. הנהר כפוף הצפה עונתית והיא הסתמכה על שימוש במים עירוני וחקלאי ב Rocky Ford, La Junta, ואת למאר, לפני שתמשיך לתוך קנזס, אוקלהומה, ארקנסו, שם הוא זורם לתוך נהר המיסיסיפי. אשל נצפתה לראשונה על נהר ארקנסו ידי ר 'Niedrach בשנת 1913 ליד העיירה ימינו של למאר 16. היום, זה כבר העריכו כי אשל מכסה יותר מ 100 ק"מ 2 בין פואבלו והמדינה קנזס ליןדואר, עם 60 ק"מ נוספים 2 לאורך יובלי נהר ארקנסו 17. אזור המחקר כולל תעלות השקיה, מקווי מים, קרקע חקלאית, ואת ההשפעות המתמזגות של כמה יובלים; כל בדרגות שונות של שריצת אשל. החקלאי והחקלאות הם העיקרי קרקע-משתמש סמוך במסדרונות riparian המורכבים בעיקר אספסת, חציר, תירס, חיטה לאחר חורף.

מודלים חלוקת המינים להסתמך על התרחשויות גיאו-הפניה (כלומר, רוחב, אורך) לזיהוי קשרים בין התרחשות מינים" וסביבתו 18. הנתונים הסביבתיים יכולים לכלול חישה מרחוק מרובה שכבות מרחבית אחרות. מודלי הפצת החמישה מינים שבדקנו כוללים עצי רגרסיה שפרו (BRT) 19, יערות אקראיות (RF) 20, splines רגרסיה מרובה משתנה אדפטיבית (MARS) 21, מודל ליניארי כללי (GLM) 22, ו Maxent 23. mod אלה חמישהאלגוריתמים אל הם בין המועסקים לרוב עבור מודלים ההפצה מינים, ומספר מחקרים הוכיחו יעילותם 24-25. השתמשנו בתוכנה עבור דוגמנות Habitat Assisted (SAHM) v. 2.0 מודולים לבצע חמשת המודלים, אשר כלולים להדמיה VisTrails v.2.2.2 26 ותוכנות עיבוד. ישנם מספר יתרונות לשימוש SAHM עבור מודלים השוואתיים. בנוסף פורמליזציה ההקלטה צייתנית של תהליכי דוגמנות, SAHM מאפשר למשתמשים לעבוד עם אלגוריתמי מודל הפצת מינים רבים כי, בנפרד, יש, ממשקים שונים תוכנה פירמוט 27. SAHM מייצרת סף תלוי-עצמאי סף ועקבי מדדי הערכה כדי להעריך את ביצועי מודל. אחד מהם הוא השטח מתחת לעקומת מאפיין מקלט ההפעלה (AUC), מדד עצמאי סף מעריך כי יכולת של מודל להיפלות נוכחות מרקע 28. AUC value של 0.5 או פחות מצביע תחזיות מודל אינן טובות או גרועות יותר אקראי; ערכים של 0.5 עד 0.70 מציינים ביצועים נמוכים; הערכים הגוברים מצד 0.70 כדי 1.0 מצביעים ביצועים גבוהים יותר בהדרגה. מדד נוסף הוא אחוז מסווג בצורה נכונה (PCC), מדד תלוי סף ששוקלים רגיש וסגולי על בסיס סף המוגדר על ידי משתמש מטרי; רגישות מודדת את אחוז נוכחויות הנצפות המסווגים מתאים וספציפי מודד את האחוז במקומות רקע המסווג לא מתאים. עם זאת מדד אחר היא סטטיסטיקת כשרון אמיתית (TSS = רגיש + ספציפית - 1), אשר מציב משקל רב יותר על רגישות מודל מ סגולי, עם ערכים הנעים בין 1- ל -1 איפה ערכים> 0 המצביעים על ביצועיה מודל טובים יותר מאשר סיכוי 29.

כדי למפות אשל באמצעות פלט מודל, בנינו סיווגים בינאריים באמצעות הסף, משווה רגישה וסגולי להגדיר את presence או עדר אשל. מפות נגזרו מודל פרט אלה סכמו אז כדי ליצור מפת האנסמבל 30. מפות אנסמבל לשלב את התחזיות של מודלי הפצת מינים בודדים לייצר מפה מסווגת המדרגת את ההסכם הקיבוצי של הדגמים שנבדקו. לדוגמא, ערך תא אנסמבל של אחד עולה כי רק דגם אחד מסווג תא כמו בית גידול מתאים, בעוד שווי של חמש מציין שכל חמשת הדגמים סיווגו את התא כמו בית הגידול מתאים. אחד היתרונות של גישה זו הוא כי מפות אנסמבל להניב שגיאה מתכוון נמוך יותר מכל מודל הפרט. זה גם מאפשר למשתמשים חזותיים להשוות את הביצועים של כל דגם הנבדק. המטרה הכללית שלנו הייתה לספק תיאור מפורט של שיטות אלה כי ניתן להתאים את מודל החלוקה העדתית של מינים על הנוף.

Protocol

1. איסוף נתוני שדות

  1. לגזור נתוני שדה האשל מתוך בסיס נתונים מצולע וקטור שנאסף על ידי קואליצית האשל בסקר ארצי ב -2005 וב -2006 17.
    הערה: הנתונים נאספו באמצעות סקר הקרקע נמרץ, שם טכנאי שטח מופו כל האשל עומד לאורך נהר ארקנסו באמצעות מערכות מיקום גלובלית (GPS) ותצלומי אוויר.
  2. בתוך מצולעים אלה, ליצור 499 נקודות אקראיות (כלומר, נוכחויות) לאמן את הדגמים. מניחים שני סטים של אילוצים על נקודות אקראיות: (1) כל נקודה נדרשת להיות> 30 מ 'מכל קצה מצולע כדי להבטיח שהוא בתוך האשל לעמוד ברזולוציה TM 5 Landsat; ו (2) כל נקודה נדרשה להיות ≥ 60 מטר מכל נקודת שכנות, כדי להבטיח חלוקה חזקה על פני המוסד בו נערך הניסוי ולמזער autocorrelation מרחבית.
  3. לקמפל נתוני שדה בקובץ אקסל MS בשלושה טורים, כאשר הכותרת שכותרתו "תגובה", "X", ו "Y", שבו הערכים בתגובה הם (1) עבור נוכחות, easting UTM עבור X, ו הצפנה UTM עבור י 'שמור קובץ זה בפורמט csv לשימוש SAHM (מודול FieldData).
  4. צור תוספת 100 נקודות אקראיות בתוך מצולעי האשל של קואליצית האשל עוד 100 נקודות אקראיות מחוץ פוליגונים כמו נתוני בדיקה עצמאיים להערכת תוצאות מודל. שמור את הקובץ הזה בתבנית csv לשימוש SAHM (מודול FieldData).

2. משתנים מנבאים

  1. הורד ההחזרה השטח Landsat 5 תמונות L4-5 TM (נתיב 32, שורה 34) מהצופה ויזואליזציה העולמי של המכון הגיאולוגי האמריקאי / EarthExplorer (http://earthexplorer.usgs.gov/). הסצנות כוללות את המידה שנדגמו על ידי קואליצית קולורדו אשל ב -2005 וב -2006 17. כדי לקבוע את החודשים המשמשים מודלים, סצנות בוחרים כי הם בעיקר ענן חינם (כלומר, <10% כיסוי עננים) ו representativדואר של חודשים חשבו שיש בפנולוגיה אשל להבחין; אלה היו אוקטובר 2004, אפריל 2005, מאי 2005, יוני 2005 יולי 2005 ספטמבר 2005 אפריל 2006 מאי 2006 יוני 2006 יולי 2006 אוגוסט 2006 ספטמבר 2006 ונובמבר 2006.
  2. הורד את כלי הגזירה מרחוק מדדי חישה מ
    https://github.com/rander38/Remote-Sensing-Indices-Derivation-Tool.
  3. הפעל את סקריפט פייתון בכלי, או ב- GDAL או גרסה Arcpy; ב- GDAL מומלץ.
  4. בחר את חיישן הלווין המתאים, מדדים רצויים, והחזרת את תיק תמונת קלט את תיקיית הפלט שבו קבצים יישמרו (איור 1). אנחנו לייצא להקות הבודדות והשתמשנו NDVI, SAVI, הגדילים שווים הבהירות, צבע ירוקים, מדדי רטיבות נגזרת כל אחת מסצנות Landsat TM. שים לב מדדים כל ניתן לשנות או להוסיף על ידי שינוי קובץ Sensors_Formulas_RSIDT.ini.

figure-protocol-2959
איור 1. GUI כלי חישה מרחוק מדדי גזירה.

  1. הפעל את הכלי ולאמת את קבצי הפלט חזותי נ ArcMap. 10.0 (ESRI, רדלנדס, קליפורניה) או אחר תוכנת מערכת מידע גיאוגרפית.

3. תוכנה עבור דוגמנות Habitat Assisted (SAHM) (איור 2)

figure-protocol-3542
איור 2. זרימת עבודת SAHM כולו כולל נתוני קלט, עיבוד מקדים, ניתוח מודל ראשונים החלטה, מודלים גומלים, ושגר פלט.

  1. שברח SAHM, קבצים להורדה ראשונים (כולל VisTrails) מהאתר הגיאולוגי האמריקאי ב https://my.usgs.gov/catalog/RAM/SAHM. עיינו במדריך למשתמש של באותו אתר לקבלת הוראות מפורטות על הורדה והתקנה SAHM. ראוי לציין, כי באתר יש גם tutoria SAHMl ונתונים, לקבלת הוראות נוספות.
  2. כדי לפתח את מודלי הפצת מיני אשל, להשתמש בקובץ SAHM_tutorial_2.0.vt שמגיע עם הורדת החבילה (בתיקיית דוגמאות SAHM). בתוך נוף ההיסטוריה, בחר את זרימת העבודה במקומות העצמאית. דוגמאות העבודה האחרות ניתן לבחור ותלויות מטרות מחקר; תיאורים מסופקים עם כל. בחר צינור.
  3. הגדר את תיקיית הפלט, על ידי לחיצה על חבילות ולאחר מכן SAHM> Folder מושב שינוי. לאורך כל תהליך פיתוח העבודה, תיאורים מפורטים של כל שלב ואפשרויות ניתן למצוא על ידי בחירת כרטיסיית התיעוד הממוקמת בצד ימין של המסך הצופה SAHM. כל המודולים הרשומים מהשיטות הבאות ניתן למצוא בצד שמאל של החלון SAHM תחת הלשונית SAHM.
  4. הבא, ישיר SAHM לנתוני השדה זה יהיהנהג להתאמן דגמי הפצת מינים.
    1. הקישו על מודול TemplateLayer. דפדף אל רסטר אשר ישמש כמסיכה וכדי להגדיר את גודל ההקרנה, תא והיקף של הניתוחים.
    2. הקישו על מודול FieldData בצד השמאלי של זרימת העבודה. דפדף אל CSV (כלומר, training.csv) קובץ של נתוני שדה (נקודות נוכחות או נקודות נוכחות והיעדרות) בתוך מודול נתוני שדה.
    3. הקש על מודול PredictorListFile ולעיין ל- csv רשימת קבצים (למשל, קובץ המכיל את הנתיב המלא לכל המנבאים להשתמש ב דגמי עיין במדריך למשתמש).
  5. לאחר מכן, לנהל צעדים מקדימים.
    1. הקישו על מודול FieldDataQuery ולמלא בטור תגובה עם כותרת העמודה לתגובה (כלומר, שמות העמודות FieldData.csv), עמודות X ו- Y.
    2. הקישו על מודול MDSBuilder. הגדר את backgroundPointField 10,000.
      הערה: אם אתה משתמש נוכחות ונתונים בהעדר עבור המינים להיות מודל, אתה לא צריך לשנות את backgroundPointField; תכלול מיקומים אלה עם תגובה (0) בתחום Data.csv. זה לא חובה להגדיר backgroundProbSurf אם אתה רוצה להגביל את בחירת נקודת רקע בתוך שטח על ידי הצבעה על משטח סריקה עם ערכים בטווח שבין 0 ל 100 (ערכים אלה מייצגים את ההסתברות כי נקודה באופן אקראי תישמר זה צריך לנפול בתוך תא מסוים). לצורך המחקר, השתמשו backgroundProbSurf עם ערכים של 100 בתוך חיץ 5,000 מ 'של נהר ארקנסו 0 לאזורים מחוץ חיץ זה (מבוסס על שטח כולל שנדגמו על ידי הקואליציה האשל).
  6. לאחר מכן, ציינו את אלגוריתמי דוגמנות הפצת המינים לשמש.
    1. ראוי לציין, כי BoostedRegressionTree, GLM, MARS, ו ראמודולים ndomForest מוגדרים כבר בתהליך העבודה במקומות העצמאי. מוסיפים את מודול MAXENT אל העבודה כדי לבדוק את כל חמישה דגמים. חבר אותו מודול CovariateCorrelationAndSelection.
      הערה: התחל עם הגדרות ברירת מחדל עבור כל הדגמים; אלו ניתן לשנות מבוססים על מטרות מחקר (ראה תיעוד מודל לפרטים נוספים).
    2. הוספת מודול ModelOutputViewer ולחבר אותו למודול MAXENT; לשנות עמודה 5 ובשורה ל- 1. ModelOutputViewer מייצרת גיליון אלקטרוני, שניתן להשתמש בהם עבור השוואות תוצאה מודל.
    3. הקישו על מודול OutputName והקלד שם תיקיית משנה.
  7. לאחר מכן, להוסיף מודול שיוצר אנסמבל של תפוקות המודל. מודול זה מייצר שתי מפות פלט; אחד עם ההסתברות רציפה הממוצע של כל פלטי הכלולים ושניים עם הספירה של מספר דגמים עם בן חיוביהסתברות האר"י.
    1. הוספת מודול EnsembleBuilder אל העבודה. זה לא חובה לקבוע רף מטרי; למחקר זה, לבחור AUC ולהשאיר את ערך הסף את ערך ברירת המחדל של 0.75. פעולה זו תבטיח כי רק דגמים עם ערך AUC גדול או שווה ל -0.75 הכלולים ב- פלטי המפה האנסמבל. חבר את BoostedRegressionTree, GLM, MARS, RandomForest, ומודולים MAXENT אל EnsembleBuilder.
  8. בשלב הבא, לכוון את מודלי נתוני הבדיקה העצמאיים.
    1. הקש על מודול FieldData האחר (בצד ימין של העבודה) ואתר את קובץ ה- csv המכיל נתוני תיקוף מודלים. אלו הם 200 נקודות נוכחות והיעדרות שנוצרו בשלב 1.4 של הפרוטוקול.
    2. הקישו על מודול FieldDataQuery ולוודא התגובה, x, y ועמודות להתאים את העמודות in נתוני השטח csv.
    3. הוספת מודול ApplyModel ולחבר אותו למודול MAXENT. הוספת מודול ModelOutputViewer ולחבר אותו מודול ApplyModel זה; לשנות את העמודה עד 5 בשורה ל -1 בתפריט, חבילות בוחרים -> SAHM -> Mode עיבוד השינוי. מכיוון שאתה רוצה לרוץ יותר מודל אחד, בחר ברצף מודלים יחיד (n - 1 ליבות כל אחד). זה יזרז את זמן ביצוע של המודלים על ידי ניצול של ליבות מחשב מרובות.
  9. לאחר מכן, לבצע את דגמי הפצת מינים.
    1. שמור את הקובץ .vt ולאחר מכן לחץ על ביצוע.
    2. כאשר הווידג'ט CovariateCorrelationAndSelection (איור 3) מופיע, דה-לבחור אחד מכל זוג בקורלציה של משתנים שבו מקדם המתאם הוא | r | 0.7 ≥ (מבוסס על סטיית% להסבירה באמצעות גנרל משתנה אחד ized כתוסף מודל לראות בצד שמאל של יישומון זה (איור 3) והחלטות אקולוגי מדעת; במחקר זה לתעדף את הבחירה של covariate לפחות אחד עבור כל חודש כדי ללכוד וריאציה phenological ב האשל). המספר של מגרשי חלון הצפייה ניתן לשנות על ידי הקלדת מספר (ברירת המחדל הוא 8) ולחיצה על עדכון.
    3. החל ממועד השלמת מבחר covariate, בחר אישור בתחתית יישומון CovariateCorrelationAndSelection (איור 3). לצורך המחקר, 9 המשתנים הבאים נשמרו: 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, ו Nov_19_2006_SAVI. מודלי הפצת מינים יבצעו לאחר בחירת אישור.

jpg "/>
איור 3. מתאם ובחירת SAHM ממשק covariate.

  1. פלט תוצאות.
    הערה: לאחר המודלים סיימו, גיליון אלקטרוני VisTrails מופיע להשוואת מודל (איור 4)
    1. השוואת מגרשי AUC, פלטי טקסט, עקומות תגובה, כיול, מטריקס בלבול, שאריות, ועקומות בתגובה על פני מודלים.
      הערה: יציאה ממודלי SAHM כוללת מטריצת CovariateCorrelationOutputMDS, בלבול, עלילה שיורית, עלילת כיול, עלילת הערכת מודל, עלילת חשיבות משתנית, תיקיית עקומות תגובה, ספריית פלט מורחבת, מפה לפח, מפת הבלגן, מפת משרד הביטחון, מפת prob, שיורית המפה, וכן output.txt; עיין במדריך למשתמש של SAHM תיאור יותר.

figure-protocol-11838
גיליונות אלקטרוניים איור 4. VisTrails ניתן להשתמש כדי להעריך פלט המודל. זההשוואת מודל AUC עבור נתוני אימון; משמאל לימין המודלים BRT, GLM, MARS, RF, Maxent, בהתאמה.

תוצאות

הערכות סטטיסטיות של BRT, RF, MARS, GLM, ו Maxent מבוססות על בסיס הנתונים מבחן העצמאי הצביעו החמישה כל הדגמים בצעו טוב יחסית באיתור אשל; היה הבדל קטן בין ערכי הערכה תלויה עצמאיים סף סף בין דגמים. ערכי AUC היו> 0.88, אחוזי הערכים המסווגים כראוי היו> 77%, רגישויות ספציפיות היו> 0.77, ו TSS היה> 0.54 (טבלה 1). אנסמבל של פלטי מודל בינארי חשף הסכם מודל הרבה באזורים לאורך נהר ארקנסו (איור 5). הבלגן (משטח דמיון רב משתני הסביבה) פלטי המפה עבור כל דגם הצביעו על הסביבה הזמינה של אזור המחקר נדגמה היטב (איור 6), מה שמגביר את ביטחוננו הגישה האנסמבל.

דרכים "> דֶגֶם AUC PCC רְגִישׁוּת ספֵּצִיפִיוּת TSS BRT 0.91 85 0.85 0.85 0.70 RF 0.92 85 0.85 0.85 0.70 מַאְדִים 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

טבלת 1. סף עצמאי (AUC) וסף תלוי (PCC, רגישות, הסגולי, ו TSS) מדדי הערכה עבור BRT, RF, MARS, GLM, ומודלי Maxent להתאים במבחן עצמאי בסיס נתונים של נוכחות אשל היעדרות.

figure-results-1720
איור 5. תוצאות אנסמבל המשלב BRT, GLM, MARS, RF, ומפות פלט בינארי Maxent ב ArcGIS. תחומים נצבעים על ידי מספר המודלים בהסכמה, בין 0 (ללא צבע) עד 5 (אדום). הערה באזור בצבע בפינה הצפון מערבית של התחזית; קו זה הוא פועל יוצא של דימויי Landsat; ולכן תוצאות מודל צריכות להילקח בזהירות באזור זה. אנא לחץ כאן כדי לצפות בגרסה גדולה יותר של דמות זו.

figure-results-2340
פלט איור 6. דמיון משטח סביבתי רב משתנה (MESS).Target = "_ blank"> לחץ כאן כדי לצפות בגרסה גדולה יותר של דמות זו.

מבין תשעת מנבאים בשימוש, 30 ביוני 2006 בהירות היה המשתנה החשוב ביותר עבור כל חמישה דגמים (טבלה 2). זה היה המשתנה היחיד שמורה בידי GLM מבוסס על קריטריון המידע בשלבים Akaike (AIC; זוהי ברירת המחדל עבור בחירת המודל GLM ב SAHM), אך למרות זאת חשוב לציין מודל זה כלל גם מונח בריבוע של משתנה זה. RF ו Maxent בידיה את כל המשתנים כברירת מחדל.

מְנַבֵּא BRT RF מַאְדִים GLM Maxent
30 ביולי 2006 בהירות 41.60 34.11 76.78 100 67.27
הלהקה באוגוסט 31 2006 4 6.35 5.87 5.16 0 2.82
09 ביוני 2005 SAVI 13.67 14.09 9.14 0 9.75
22 באפריל 2005 בהירות 6.29 6.30 0 0 0.43
28 באוקטובר 2004 NDVI 5.66 8.25 0 0 2.94

טבלה 2. חשיבות יחסית של מנבאים בכל מודל.

Discussion

תוצאות מחקר מראות BRT ההולם, RF, MARS, GLM, ו Maxent עם נקודות נוכחות עבור אשל זמן-סדרה של נתוני תמונות לווין של Landsat חשים מרחוק ניתן להבחין אשל על הנוף היא חלופה יעילה שיטות סיווג יחיד סצנה מסורתיות. ברור מהתוצאות שלנו כי יוני הוא זמן חשוב במיוחד לגילוי אשל בתוך אזור המחקר שלנו; זה מסכים עם אוונג'ליסטה et al. 2009 1 אשר הצביעו יוני הרטיבות הייתה גורם המנבא החשוב ביותר להתרחשות אשל בתחום זה מבוסס על התאמת מודל Maxent עם סדרה עתית של דימויי Landsat.

המדדים ספקטרלי האחרים והלהקות שנכללו ה- BRT, RF, MARS, ומודלי Maxent יכולים עוד להבחין אשל מן מצע אדמה, עצים נשירים אחרים כוללים צפצפה (spp Populus.) וערבה (spp Salix.), או מושקי חקלאות נפוץ הנמוךאגן נהר ארקנסו. שכבות GIS אחרות, כגון טופוגרפיה, סוגי קרקעות, או נתוני אקלים יכולות גם להיחשב למשתנים ונכללו המודלים האלה, אבל אנחנו ממליצים לשמור על אלה עד למינימום אם המטרה היא לזהות הפצת מינים נוכחית על הנוף ולא לחזות פוטנציאל אירוע או בית גידול מתאים.

המודלים שנבדקו במחקר שלנו ספקו יכולת אנליטית חזקה אפשרויות מרובות הערכת תוצאות. לאחר כל דגמים הגומלים אלה תחת מסגרת אחת, כגון SAHM, מאפשרת פורמליזציה הקלטה צייתנית של תהליך הדוגמנות. טרום שלאחר עיבוד של משתנית תגובה מנבאת מתוקננים ב SAHM, המאפשרים השוואת מודל טובה יותר ויעילה, תוך תהליכי עבודה להקליט כל צעד של ניתוחי הקלת שינוי, איטרציה ושכפול.

מיפוי אנסמבל שואף לשלב את היתרונות של מודלים גומלים מספר, תוך מזעור weakness של כל מודל אחד 30. אנו מאמינים כי זה היה המקרה במחקר שלנו; עם זאת, אנו מזהירים כי מודלים כי התשואה חסרה (כלומר, תחת-לחזות או לנבא יתר) יכולים להחליש את התוצאות הכוללות. השימוש מוגבל של מיפוי ההרכב בספרות הביאה לתוצאות חיוביות, אבל רוב הגישות הללו ניסו "לנבא" התרחשות מינים ולא "לזהות". יתר על כן, מיפוי הרכב מאפשר הערכה חזותית של חוסר ודאות בקרב שיטות דוגמנות השונות, זיהוי רמות של סכם מודל. לרוב זה הוא הבחירה של שיטת מידול (למשל, GLM לעומת BRT) שיש לו השפעה לכימות הגדולה ביותר על תוצאות מודל ולא החלטות אחרות בתהליך המודלים כגון חוסר ודאות נתוני מיקום 31. למרות שאנו סבורים מפת האשל הטובה ביותר שלנו היא המקום שבו כל חמשת הדגמים הם בהסכמה, עוד בדיקות בשיטות שונות של מיפוי הרכב מומלץ (למשל, משוקלל לפי AUC) 32 </ Sup>, ומאומתים הכי טוב באמצעות תצפיות שטח עצמאית. לסיכום, שיטות אלה ניתן להתאים בקלות לבנות מודל חלוקת מינים אחרים באמצעות משתנים סביבתיים נגזרו עבור אזור מחקר נתון SAHM.

Disclosures

The authors have no competing financial interests or conflict of interest.

Acknowledgements

The authors would like to thank the U.S. Geological Survey, Natural Resource Ecology Laboratory at Colorado State University, Colorado State Forest Service and the Tamarisk Coalition for logistical support, data, use of facilities and expertise. Additionally, we thank Shelly Simmons, Lane Carter, John Moore, and Chandra Reed for their contributions to this work. Thomas J. Stohlgren was partially supported by the Bioenergy Alliance Network of the Rockies (BANR), USDA UV-B Monitoring and Research Program and USDA CSREES/NRI 2008-35615-04666. Any use of trade, product, or firm names is for descriptive purposes only and does not imply endorsement by the U.S. Government.

Materials

NameCompanyCatalog NumberComments
Earth ExplorerUSGShttp://earthexplorer.usgs.govOpen Access: Yes
Remote Sensing Indices Derivation Toolgithubhttps://github.com/rander38/Remote-Sensing-Indices-Derivation-ToolOpen Access: Yes
Software for Assisted Habitat ModelingUSGShttps://my.usgs.gov/catalog/RAM/SAHMOpen Access: Yes
ArcGIS v.10.3 Esrihttps://www.arcgis.com/features/Open Access: No

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. , 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. Guisan, A., Zimmerman, N. Predictive habitat distribution models in ecology. Ecological Modeling. 135, 147-186 (2000).
  18. Friedman, J. H., Hastie, T., Tibshirani, R. Additive logistic regression: a statistical view of boosting. Annals of Statistics. 28 (2), 337-407 (2000).
  19. Breiman, L. Random forests. Machine Learning. 45 (1), 5-32 (2001).
  20. Friedman, J. H. Multivariate adaptive regression splines. Annals of Statistics. 19 (1), 1-141 (1991).
  21. McCullagh, P., Nelder, J. A. . Generalized Linear Models, 2nd ed. , (1989).
  22. Phillips, S. J., Anderson, R. P., Schapire, R. E. Maximum entropy modeling of species geographic distributions. Ecological Modelling. 190 (3-4), 231-259 (2006).
  23. Araujo, M. B., New, M. Ensemble forecasting of species distributions. Trends in Ecology and Evolution. 22, 42-47 (2007).
  24. 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).
  25. Freire, J., Silva, C., Callahan, S., Santos, E., Schedegger, C., Moreau, L., Foster, I. Managing rapidly-evolving scientific workflows. International Provenance and Annotation Workshop (IPAW). , 10-18 (2006).
  26. 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).
  27. 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).
  28. 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).
  29. 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).
  30. 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).
  31. 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).

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Explore More Articles

116LandsatHabitat Assisted SAHM

This article has been published

Video Coming Soon

JoVE Logo

Privacy

Terms of Use

Policies

Contact Us

Recommend to library

JoVE NEWSLETTERS

Research

Education

Authors

Librarians

ABOUT JoVE

Copyright © 2025 MyJoVE Corporation. All rights reserved