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.
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。
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らの仕事に構築。 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を推定するための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)を覆っています。 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をカバーし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。
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。2009年1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。
The authors have nothing to disclose.
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.
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 |