Method Article
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.
침입 식물 종의 조기 발견은 천연 자원과 생태계 과정의 보호 관리에 매우 중요합니다. 침입 식물의 분포를 매핑하는 원격 감지 위성의 사용이 보편화되어 있지만, 종래의 이미징 소프트웨어 및 분류 방법은 신뢰할 수없는 것으로 나타났다. 본 연구에서는 테스트 및 남동 콜로라도의 아칸소 강을 따라 침입 위성 류 (Tamarix 종을.) 매핑 위성 원격 탐사 데이터를 맞는 다섯 종 분포 모델 기술의 사용을 평가. 테스트 모델은 회귀 나무 (BRT), 임의 숲 (RF), 다 변수 적응 회귀 스플라인 (MARS), 일반화 선형 모델 (GLM) 및 Maxent을 밀어 포함되어 있습니다. 이러한 분석은 보조 서식지 모델링 (SAHM)에 대한 소프트웨어라는 새로 개발 된 소프트웨어 패키지를 사용하여 수행 하였다. 모든 모델은 499 존재 포인트 만 의사가없는 점, 그리고 예측 변수 acqu와 함께 훈련했다8 개월에 걸쳐 탐사 위성 5 주제 매퍼 (TM) 센서 IRED는 생물 계절 차이의 검출을 사용하여 기본 수변 식물에서 위성 류를 구별합니다. 탐사 위성 장면에서, 우리는 각각의 밴드와 계산 정규화 차이 식물 지수 (NDVI), 토양 조정 식생 지수 (SAVI), 및 tasseled 출장 변환을 사용했다. 풍경에 현재 위성 류 분포를 확인 다섯 모델이 성공적으로 독립적 인 위치 데이터와 임계 독립적이고 임계 의존하는 평가 지표에 따라. 모델 별 차이점을 설명하기 위해, 우리는지도 출력이 계약의 영역과 불확실성의 영역을 강조하여 다섯 모델의 앙상블을 생산했다. 우리의 결과는 원격 감지 된 데이터 앙상블 맵핑의 유용성을 분석하는 종 분포 모델의 유용성을 입증하고 전처리에 SAHM 능력을 보여주는 여러 복잡한 모델을 실행.
남서부 미국 전역 강기슭 및 습지 생태계는 위성 류의 침입에 의해 위협 받고있다 (Tamarix 종.), 1800 년대 1 유라시아에서 소개 된 비 네이티브 나무가 우거진 관목. 위성 류는 속가, 수자원을 이용 토착 종을-경쟁, 생태계 1-2를 처리 변경할 수있는 여러 생리 학적 메커니즘을 가지고있다. 효과적인 통제 전략 환경 영향을 평가하고 수립을위한지도 위성 류 분포는 자원 관리자에 대한 높은 우선 순위이다. 지상 설문 조사가 정기적으로 사용 남아 있지만, 그들은 인해 노동, 시간 및 물류 관련 비용에 매우 큰 영역에 대한 비현실적이다.
위성 원격 감지 위성 류의 침략의 검출 및 매핑에 중요한,하지만 제한된 역할을하고있다. 기존의 분류 분석 및 원격 감지 소프트웨어는 한계 성공 3-5 있었다. 여러 최근 연구원격 감지 데이터 1,6를 사용하여 침입 식물을 감지하는 탐구 비 전통적인 접근 방식을 가지고있다. 위성 류는 많은 침입 식물처럼, 기본 강기슭 종의 생물 계절과 다른 성장시기에 걸쳐 생물 계절 변화를 나타낸다. 일부 지역에서는, 예를 들어, 위성 류 잎 아웃은 몇 가지 기본 수변 식물 전에, 그리고 위성 류는 더 이상 다른 토착 종보다 그 단풍을 유지합니다. 스펙트럼 밴드 재배 기간에 걸쳐 위성 데이터의 시계열로부터 유도 분광 인덱스를 사용하여, 우리는 이러한 생물 계절 1,6- 차이에 기초하여 네이티브 식물 에셀를 구별 할 수있다. 에반젤리스타 등의 작업에 구축. 2009 1은이 연구에서 우리는 탐사 위성 5 주제 매퍼 (TM) 위성 이미지의 시계열에서 개별 밴드에게 1-7 통합 및 표준화 차이 식생 지수 (NDVI), 토양 조정 식생 지수 (SAVI), 및 tasseled 캡을 유도 이 주파수 대역에서 변환. 정규화 differenCE 식생 지수 (NDVI)는 추정 식물 생물량, 캐노피 커버 리프 영역 인덱스 8-9을 위해 가장 일반적으로 사용되는 스펙트럼 지표 중 하나이며, (적색) 가시 근 사이의 비율의 비 - 선형 변환이고 적외선 밴드 10. 토양, 식물 조정 지수 (SAVI)는 식생 지수 11 토양 배경의 영향을 최소화하기 위해 사용되는 변성 NDVI이다. Tasseled 캡 변환은 토양의 밝기 (tasseled 모자, 밴드 1), 식물의 초록색 (tasseled 모자, 밴드 2), 토양 / 식물 습기 (tasseled 모자, 밴드 3)을 측정하는 세 개의 직교 밴드로 여섯 탐사 밴드의 합성을 가중 종종 식물 성분, 연령 클래스를 구분하고, 12 ~ 14을 구성하는 데 사용됩니다. 우리는 tasseled 캡 변환을 위해 크리스트 (1985) 15에보고 된 계수를 사용했다.
본 연구에서 우리는 스펙트럼 대역 및 채식의 시계열 다섯 종 분포 모델을 테스트탐사 위성 5 TM에서 파생 된 etation 지수는 남동 콜로라도 미국을 낮은 아칸소 강을 따라 위성 류를 매핑합니다. 아칸소 강은 2,364km (1,469 마일)에 걸쳐, 미주리 - 미시시피 시스템에서 두 번째로 큰 지류이다. 그 유역은 콜로라도 록키 산맥의 상류와 435,123km 2 (168,002 마일 2)를 포함한다. 2,965m에서 그 기원에서, 아칸소은 푸에블로, CO 근처 아웃 시키자 농업 토지와 짧은 잔디 프레리을 통해 사행, 권한 상승에 상당히 떨어진다. 강은 계절 홍수 될 수 있으며,이 미시시피 강으로 유입 곳 캔자스, 오클라호마, 아칸소에 계속하기 전에, 록 포드, 라 의회, 그리고 라마의 도시 농업 물 사용에 의존한다. 위성 류 먼저 라마 (16)의 현재의 마을 근처에 1913 년 R. Niedrach에 의해 아칸소 강에서 관찰되었다. 오늘, 위성 류는 푸에블로와 캔자스 상태 린 사이에 100 개 이상의 킬로미터를 커버 것으로 추정하고있다아칸소 강 (17)의 지류를 따라 추가로 60km 2 전자,. 연구 지역은 관개 수로, 습지, 농경지, 여러 지류의 합류점을 포함한다; 모든 위성 류 감염의 학위를 변화와 함께. 목장과 농업은 기본 크게 알팔파 건초, 옥수수, 겨울 밀 이루어진 수변 복도에 인접한 토지-사용합니다.
종 분포 모델은 종의 발생과 환경 (18) 사이의 관계를 식별하기 위해 위치 정보를 참조 발생 (즉, 위도, 경도)에 의존한다. 환경 데이터는 여러 원격 감지 및 다른 공간 층을 포함 할 수있다. 우리가 테스트 다섯 종 분포 모델은 밀어 회귀 나무 (BRT) (19), 임의 숲 (RF) (20), 다 변수 적응 회귀 스플라인을 포함 (MARS) (21), 일반화 선형 모형 (GLM) (22), 및 Maxent 23. 이 다섯 가지 모드EL 알고리즘은 가장 일반적으로 종 분포 모델링 채용 사이이며, 다수의 연구는 효능 24-25을 보여왔다. 우리는 보조 서식지 모델링 (SAHM) V의 소프트웨어를 사용했다. 2.0 모듈을 VisTrails의 v.2.2.2 (26) 시각화 및 처리 소프트웨어에 포함 된 다섯 모델을 실행합니다. 비교 모델링 SAHM을 사용하여 여러 가지 이점이있다. 공식화 모델링 프로세스 취급 용이 기록 외에도 SAHM 사용자가 개별적으로, 27 서식 상이한 인터페이스, 소프트웨어, 파일이 여러 종 분포 모델 알고리즘으로 작동 할 수있다. SAHM 모델의 성능을 평가하기 위해 일관성있는 임계 값을 독립적 및 임계 값에 의존하는 평가 지표를 생성합니다. 이 중 하나는 수신기 작동 특성 곡선 아래 면적 (AUC), 배경 (28)의 존재를 식별 할 수있는 모델의 능력을 평가하는 임계 값에 독립적 인 통계입니다. AUC 발0.5 이하의 단말은 모델의 예측이 임의보다 더 좋거나 더 나쁜 나타냅니다; 0.5과 0.70 사이의 값은 성능 저하를 나타냅니다; 0.70에서 1.0로 증가 값은 점진적으로 더 높은 성능을 나타냅니다. 또 다른 통계가 제대로 (PCC), 메트릭 사용자 정의 임계 값을 기준으로 민감도와 특이도는 무게 임계 값에 의존 통계 분류 퍼센트; 민감도와 특이 적합한 분류 관측 프리젠 스의 비율이 부적절한 것으로 분류 배경 장소의 비율을 측정하여 측정한다. 또 다른 메트릭은 참 스킬 통계 (TSS = 민감도 + 특이도는 - 1)이고, 범위의 값으로, 특이보다 모델의 민감도에 더 무게를 두는 -1 값이 0이 기회 (29)보다 더 나은 모델의 성능을 나타냅니다> 1 사이.
모델의 출력을 사용하여 위성 류를 매핑하기 위해, 우리는 페이지를 정의하는 민감도와 특이도를 균등화 임계 값을 사용하여 이진 분류를 구성resence 또는 위성 류의 부재. 이러한 개별 모델 도출 된 맵은 다음 앙상블지도 (30)을 만들 합산 하였다. 앙상블지도는 테스트 모델의 단체 협약 위를 기록하고 분류 된지도를 생성하는 개별 종 분포 모델의 예측을 결합합니다. 예를 들어, 하나의 앙상블 셀 값은 다섯 값 다섯 모델 적당한 서식처로 세포 분류 것을 나타내는 반면, 하나의 모델이 적합한 서식지 그 셀 분류 것을 나타낸다. 이 방법의 장점은 앙상블지도는 개별 모델보다 낮은 평균 오류를 얻을 수 있다는 것입니다. 또한 사용자가 시각적으로 시험 각 모델의 성능을 비교할 수 있습니다. 전반적인 목표는 프리 종의 전류 분포를 모델링 맞출 수있는 이들 방법에 대한 상세한 설명을 제공하는 것이다.
1. 필드 데이터 수집
2. 예측 변수
1. 원격 탐사 지수 유도 도구 GUI 그림.
보조 서식지 모델링 (SAHM) (그림 2) 3. 소프트웨어
그림 2. 전체 SAHM 워크 플로우는 입력 데이터 전처리, 예비 모델 분석 및 의사 결정, 상호 모델 및 출력 루틴이 포함되어 있습니다.
JPG "/>
그림 3. 공변량 상관 관계 및 선택 SAHM 인터페이스를 제공합니다.
도 4 VisTrails 스프레드는 모델 출력을 평가하는 데 사용될 수있다. 이것은트레이닝 데이터의 AUC 모델 비교; 모델은 각각 BRT, GLM, MARS, RF 및 Maxent 있습니다 왼쪽에서 오른쪽으로.
독립적 인 테스트 데이터 집합을 기준으로 BRT, RF, MARS, GLM 및 Maxent의 통계 평가는 다섯 모델은 위성 류를 검출하기에 비교적 잘 수행 표시; 모델 사이의 임계 값 독립과 임계 따라 평가 지표 사이에 약간의 차이가 있었다. AUC 값> 0.88이었다 퍼센트 정확하게 분류 값은> 77 %, 민감도 및 특이도는> 0.77이었고, TSS는> 0.54 (표 1)이었다. 진 모델 출력의 앙상블은 아칸소 강 (그림 5)을 따라 지역의 많은 모델 계약을 밝혔다. 혼란 (다변량 환경 유사성면) 각 모델에 대한지도 출력은 연구 지역의 사용 가능한 환경을 표시 잘 더 앙상블 접근 방식에서 우리의 신뢰를 증가 (그림 6)를 샘플링했다.
방법 "> 모델 AUC PCC 감광도 특성 TSS BRT 0.91 (85) 0.85 0.85 0.70 RF 0.92 (85) 0.85 0.85 0.70 화성 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 0.67표 1. 임계 값 독립 (AUC)와 종속 임계 값 (PCC는 민감도, 특이도, TSS) BRT, RF, MARS, GLM에 대한 평가 지표 및 Maxent 모델은 독립적 인 테스트에 적합 위성 류의 유무의 데이터 세트.
그림는 ArcGIS에서 BRT, GLM, MARS, RF 및 Maxent 바이너리 출력 맵을 결합 5. 앙상블 결과. 지역 5 (적색) 0 (무색)에서, 계약에 모델 번호에 의해 착색된다. 예측의 북서쪽 모서리에있는 색의 영역을 참고; 이 라인은 탐사 이미지의 유물이다 따라서 모델 결과는이 지역주의를 기울여야한다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 6. 다변량 환경 유사성면 (MESS) 출력.대상 = "_ 빈">이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
사용되는 아홉 예측기 6 월 30 2,006 밝기 다섯 모델 (표 2)의 가장 중요한 변수이다. 이 단계적 아카 이케 정보 기준에 따라 GLM에 의해 유지하는 유일한 변수였다 (AIC, 이것은 SAHM에서 GLM 모델 선택의 기본이다), 그러나 그것은이 모델은 또한이 변수의 제곱 용어를 포함하는 것이 중요하다. RF 및 Maxent는 기본적으로 모든 변수를 유지합니다.
예언자 | BRT | RF | 화성 | GLM | Maxent |
2006년 7월 30일 밝기 | 41.60 | 34.11 | 76.78 | (100) | 67.27 |
2006년 8월 31일 밴드 4 | 6.35 | 5.87 | 5.16 | 0 | 2.82 |
2005년 6월 9일 SAVI | 13.67 | 14.09 | 9.14 | 0 | 9.75 |
2005년 4월 22일 밝기 | 6.29 | 6.30 | 0 | 0 | 0.43 |
2004년 10월 28일 NDVI | 5.66 | 8.25 | 0 | 0 | 2.94 |
표 각 모델에서 예측 2. 상대 중요성.
우리의 결과는 풍경에 위성 류를 구별 할 수 위성 류에 대한 존재 지점 및 원격 탐사 탐사 위성 영상 데이터의 시계열로, RF, MARS, GLM 및 Maxent을 피팅 BRT를 입증하고 기존의 단일 장면 분류 방법에 대한 효과적인 대안이다. 그것은 6 월 연구 지역에서 위성 류를 검출하는 특히 중요한 시간이다 우리의 결과에서 분명하다; 이 6 월의 습기가 탐사 위성 이미지의 시간 시리즈와 Maxent 모델에 맞는에 따라이 지역에서 위성 류 발생의 가장 중요한 예측 인자였다 표시 에반젤리스타 등. 2009 1 동의합니다.
BRT, RF, MARS 및 Maxent 모델에 포함 된 다른 스펙트럼 지수 밴드 더 (. Salix 종) 토양 기판, 미루를 포함하여 다른 낙엽 나무 (사시 나무속 종.)와 버드 나무에서 위성 류를 구별, 또는 농업 관개 수 아래에서 일반적입니다아칸소 강 유역. 이러한 지형, 토양 유형 또는 기후 데이터와 같은 다른 GIS 층도 공변량으로 고려하고 이러한 모델을 포함하지만, 목표는 풍경 전류 종 분포를 검출하는 대신 잠재적 예측하는 경우, 우리는 최소이 유지 권장 될 수있다 발생 또는 적합한 서식지.
우리의 연구를위한 테스트 모델은 강력한 분석 능력과 결과를 평가하기위한 여러 옵션을 제공했다. 이러한 SAHM 같은 단일 프레임 워크 내에서 이러한 상호 모델의 모든 데, 공식화 및 모델링 프로세스의 다루기 쉬운 녹음을 할 수 있습니다. 워크 플로우는 수정, 반복 복제를 용이하게 분석의 각 단계를 기록하면서 사전 및 응답과 예측 변수의 사후 처리는 더 효율적인 모델을 비교할 수 SAHM 표준화된다.
앙상블 매핑은 w를 최소화하면서, 여러 가지 상호 모델의 강점을 결합하는 것을 목표로어떤 하나의 모델 (30)의 eakness. 우리는이 연구에서 사건이었다 믿는다 그러나, 우리는 (즉, 예측-에서 또는 과다 예측) 수익률 모델은 전체 결과를 약화시킬 수 있음을 경고한다. 문헌에서 앙상블 매핑의 사용이 제한 유리한 결과를했다,하지만 이러한 방법의 대부분보다는 종의 발생을 "예측"을 시도했다 "감지합니다." 또한, 앙상블 매핑 모델 계약 수준을 식별, 다른 모델링 방법 중 불확실성의 시각적 평가를 할 수 있습니다. 대부분 종종 모델링 방법의 선택은 (예를 들어, BRT 대 GLM) 오히려 이러한 위치 데이터 불확실성 31 모델링 과정에서 다른 결정보다 모델 결과에 큰 영향을 정량화 할 수있다. 우리는 모두 다섯 모델 계약에 어디에 최선 에셀지도 (예, AUC에 의해 가중) (32) 추천 더 테스트하고 앙상블 매핑의 다양한 방법을 사용하여,라고 생각하지만 </ SUP>, 최고의 독립적 인 현장 관찰을 통해 검증. 요약하면,이 방법은 쉽게 SAHM 주어진 연구 영역에 대해 유도 환경 변수를 이용하여 다른 종의 분포를 모델링하도록 맞추어 질 수있다.
The authors have no competing financial interests or conflict of interest.
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.
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 |
JoVE'article의 텍스트 или 그림을 다시 사용하시려면 허가 살펴보기
허가 살펴보기This article has been published
Video Coming Soon
Copyright © 2025 MyJoVE Corporation. 판권 소유