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.
Раннее обнаружение инвазивных видов растений имеет жизненно важное значение для рационального использования природных ресурсов и охраны экосистемных процессов. Использование спутникового дистанционного зондирования для картирования распределения инвазивных растений становится все более распространенным, однако обычные программные обработки изображений и классификации методов было показано ненадежным. В этом исследовании мы проверить и оценить использование пяти видов методов модели распределения подходят со спутниковыми данными дистанционного зондирования для сопоставления инвазивной тамариск (Tamarix SPP.) Вдоль реки Арканзас на юго – востоке штата Колорадо. Модели испытанные включали увеличили регрессии деревья (BRT), Random Forest (РФ), многомерные адаптивные регрессионные сплайны (MARS), обобщенную линейную модель (GLM) и MaxEnt. Эти анализы были проведены с использованием недавно разработанный программный пакет под названием программного обеспечения для моделирования Assisted Хабитат (SAHM). Все модели были обучены с 499 присутствия точек, 10000 псевдо-отсутствие точек, и предикторов acquIRED от датчика Landsat 5 Тематическое Mapper (TM) в течение восьми месяцев, чтобы отличить тамариск от родной прибрежной растительности с использованием обнаружения фенологических различий. Из Landsat сцен, мы использовали отдельные полосы и рассчитанные стандартизированные индексы различий растительного (NDVI), почвенно-скорректированный индекс растительности (SAVI) и кисточками блокированные преобразования. Все пять моделей определили распределение тока тамариск на ландшафт успешно основан на пороге независимого и пороговых показателей оценки зависимых с независимыми данными о местоположении. Для учета модельных специфических различий, мы изготовили ансамбль из всех пяти моделей с вывода карты выделения областей соглашения и областей неопределенности. Наши результаты демонстрируют полезность моделей распределения видов при анализе данных дистанционного зондирования и полезность отображения ансамбля, а также продемонстрировать способность SAHM в предварительной обработки и выполнения нескольких сложных моделей.
Прибрежные и болотные экосистемы на всей территории юго – западной части Соединенных Штатов находятся под угрозой нашествия тамариском (тамарикса SPP.), Неродного древесный кустарник из Евразии введен в 1800 – х годов 1. Tamarisk имеет много физиологических механизмов , которые позволяют род использовать водные ресурсы, вне конкуренции местные виды, и изменить экосистему процессов 1-2. Mapping тамарисковые распределения для оценки воздействия на окружающую среду и разработки эффективных стратегий управления являются высокие приоритеты для менеджеров ресурсов. Хотя наземные обследования остаются регулярно используются, они непрактичны для очень больших площадей из-за связанных с ними затрат труда, времени и материально-технического обеспечения.
Спутниковое дистанционное зондирование играет важную, но ограниченную роль в выявлении и картирования тамарисковыми инвазий. Традиционная классификация анализирует и программное обеспечение удаленного зондирования имели незначительный успех 3-5. Несколько недавних исследованийисследовали нетрадиционные подходы к выявлению инвазивных растений с использованием дистанционного зондирования 1,6 данных. Тамариска, как и многие инвазивных растений, проявляет фенологические изменения на протяжении всего периода вегетации, который отличается от фенологии для коренного Прибрежные вида. В некоторых районах, например, тамариска лист ожидания является перед некоторыми родных прибрежных растений, и тамарикс сохраняет свою листву дольше, чем другие местные виды. При использовании спектральных полос и спектральных индексов , полученных из временных рядов спутниковых данных на протяжении всего периода вегетации, мы можем выделить тамариск из местных растений на основе этих фенологических различий 1,6. Основываясь на работе Евангелиста и др. 2009 1, в данном исследовании мы включили отдельные полосы 1-7 из временных рядов Landsat 5 Тематическое Mapper (TM) спутниковые снимки и производные стандартизированным индексом различий растительного покрова (NDVI), почвенно-скорректированный индекс растительности (SAVI) и кисточками колпачок преобразования из этих полос. Нормализованная диффереИндекс в.п. растительности (NDVI) является одним из наиболее часто используемых спектральных индексов для оценки биомассы растительности, полога и площади листьев индексов 8-9, и является нелинейное преобразование отношения между видимым (красным цветом) и ближнее инфракрасном диапазонах 10. Почвенно-скорректированный индекс растительности (SAVI) представляет собой модифицированный NDVI используется , чтобы минимизировать влияние фона почвы на вегетационных индексов 11. Кисточками преобразования крышки взвешиваются композиты из шести Landsat полос на три ортогональных полос, которые измеряют яркость почвы (кисточками колпачок, группа 1), растительность зелености (кисточками колпачок, группа 2) и почвы / растительности влажность (кисточками колпачок, группа 3) и часто используется , чтобы различать состав растительности, класс возраста, и структура 12-14. Мы использовали коэффициенты , представленные в Крист (1985) 15 для всех кисточками преобразований капитализацией.
В данном исследовании мы тестируем пять моделей распределения видов с временных рядов спектральных диапазонов и овощеИндексы etation, полученные из Landsat 5 ТМ к карте тамариска вдоль нижнего течения реки Арканзас на юго-востоке штата Колорадо, США. Река Арканзас, охватывающий 2364 км (1469 миль), является вторым по величине притоком в системе Миссури-Миссисипи. Его водораздел охватывает 435,123 км2 (168002 миль 2) с верховьев в Колорадо Скалистых гор. С момента своего происхождения в 2,965 м, Арканзас значительно падает в высоту, выравнивание вблизи Пуэбло, CO и извилистые через сельскохозяйственные угодья и короткими прерий. Река подвержена сезонным наводнениям и полагались на муниципальных и сельскохозяйственного использования воды в Rocky Ford, Ла-Хунта, и Ламар, прежде чем продолжить в Канзас, Оклахома и Арканзас, где она впадает в реку Миссисипи. Tamarisk впервые был обнаружен на реке Арканзас Р. Niedrach в 1913 году недалеко от современного города Lamar 16. На сегодняшний день, было подсчитано , что тамарикс охватывает более 100 км 2 между Пуэбло и государством Канзас – лине, с дополнительным 60 км 2 вдоль притоков реки Арканзас 17. Область исследования включает в себя арыки, заболоченные, сельскохозяйственные земли, и слияниях нескольких притоков; все с разной степенью тамариска инвазии. Фермерское хозяйство и сельское хозяйство являются основными сферами землепользования, прилегающих к прибрежным коридоров, состоящих в основном из люцерны, сена, кукурузы и озимой пшеницы.
Модели распределения видов полагаются на геореференцных вхождений (т.е., широта, долгота) , чтобы определить взаимосвязь между возникновением вида , а также на его окружающую среду 18. Экологические данные могут включать в себя несколько дистанционного зондирования и других пространственных слоев. Пять моделей распределения видов протестированных нами включают форсированных регрессии деревья (BRT) 19, случайные леса (РЧ) 20, многомерные адаптивные регрессионные сплайны (МАРС) 21, обобщенная линейная модель (GLM) 22 и MaxEnt 23. Эти пять модэль алгоритмы являются одними из наиболее часто используются для моделирования распределения видов, а также целый ряд исследований продемонстрировали свою эффективность 24-25. Мы использовали программное обеспечение для моделирования Assisted Хабитат (SAHM) V. Модули 2.0 выполнить пять моделей, которые содержатся в VisTrails v.2.2.2 26 визуализации и программного обеспечения для обработки. Есть несколько преимуществ использования SAHM для сравнительного моделирования. В дополнение к формализации и податливым записи моделирования процессов, SAHM позволяет пользователям работать с несколькими алгоритмами модели распределения видов , которые, по отдельности, имеют несопоставимые интерфейсы, программное обеспечение и файл форматирования 27. SAHM производит последовательные порогового независимых и пороговых зависящих от показателей оценки для оценки эффективности модели. Одним из них является площадь под характеристической кривой приемника Рабочая (ППК), порог независимой показатель , который оценивает способность модели различать присутствие от фона 28. АУК Вэлуе 0,5 или менее указывает на модели предсказания не лучше или хуже, чем случайное; значения в диапазоне от 0,5 до 0,70 указывают на плохую работу; и значения возрастает от 0,70 до 1,0 указывают на прогрессивно более высокую производительность. Другая метрика процент правильно классифицированы (ОКК), порог зависит показатель, который весит чувствительность и специфичность на основании определенного пользователем порогового значения метрики; Чувствительность измеряет процент наблюдаемых присутствий классифицируются как подходящие и специфичности измеряет процент фоновых местах классифицируется как непригодной. Еще одна метрика Правда навык статистики (TSS = чувствительность + специфичность – 1), что придает больший вес , чем чувствительность модели специфичности, со значениями в диапазоне от -1 до 1 , где значения> 0 указывают на более высокую производительность модели , чем шанс 29.
Чтобы отобразить тамариск, используя выход модели, мы построили бинарные классификации с использованием порога, который уравнивает чувствительность и специфичность для определения рresence или отсутствие тамариска. Эти отдельные модели , полученные карты были затем суммируются , чтобы создать ансамбль карту 30. Ансамбль карты сочетают предсказания отдельных моделей распределения видов, чтобы произвести объявление карту, которая занимает коллективный договор моделей тестируемых. Например, ансамбль значение ячейки одного указывает на то, что только одна модель классифицирован эту ячейку в качестве подходящей среды обитания, в то время как значение пяти указывает на то, что все пять моделей классифицировал клетку в качестве подходящей среды обитания. Одним из преимуществ такого подхода является то, что ансамбль карты дают более низкую среднюю ошибку, чем любой отдельной модели. Он также позволяет пользователям визуально сравнить производительность каждой тестируемой модели. Наша общая цель состояла в том, чтобы предоставить подробное описание этих методов, которые могут быть адаптированы для моделирования распределения тока видов на ландшафт.
Наши результаты демонстрируют фитинга БРТ, РФ, MARS, GLM и MaxEnt с наличием точек для тамариска и временных рядов данных дистанционного зондирования спутниковых снимков Landsat можно выделить тамариск на ландшафт и является эффективной альтернативой традиционным методам классификации одной сцены. Как видно из результатов, что в июне является особенно важное время для выявления тамариска в пределах нашей области исследования; это согласуется с Евангелиста и др. 2009 1 июня в котором указывается Влага является наиболее важным прогностическим фактором для возникновения тамариска в этой области на основе MaxEnt соответствии модели с временными рядами Landsat снимков.
Другие спектральные индексы и полосы , которые были включены в БРТ, РФ, MARS и MaxEnt модели могут дополнительно выделить тамариск из почвенного субстрата, другие лиственные деревья , в том числе тополь (Populus SPP.) И ива (Salix SPP.), Или орошаемое земледелие , что Обычно в нижней частиРека Арканзас бассейна. Другие слои ГИС, такие как рельеф, типы почв, или климатические данные также могут рассматриваться в качестве регрессоров и включены в эти модели, но мы рекомендуем держать их к минимуму, если цель состоит в том, чтобы обнаружить распределение тока видов на ландшафт, а не предсказывают потенциал появление или подходящее место обитания.
Модели протестированы для нашего исследования при условии сильной аналитического потенциала и несколько вариантов для оценки результатов. Наличие всех этих коррелятивных моделей в рамках единой системы, такие как SAHM, позволяет формализовать и послушный запись процесса моделирования. До и после обработки переменных отклика и прогнозирующих стандартизированы в SAHM, что позволяет лучше и эффективные модели сравнения, в то время как рабочие процессы записи каждый этап анализа, способствующих модификации, итерации и репликации.
Ансамбль картирование стремится объединить сильные стороны нескольких корреляционных моделей, при этом сводя к минимуму шeakness какой – либо одной модели 30. Мы считаем, что это имело место в нашем исследовании; Тем не менее, мы предупреждаем , что модели , которые ниже рынка (т.е. в предсказуемые или более предсказуемые) может ослабить общие результаты. Ограниченное использование отображения ансамбля в литературе имел благоприятные результаты, но большинство из этих подходов попытались «предсказать» возникновение видов, а не «обнаружить». Кроме того, ансамбль отображение позволяет визуальной оценки неопределенности среди различных методов моделирования, определения уровней типового соглашения. Чаще всего это выбор метода моделирования (например, по сравнению с GLM РРТ) , который имеет наибольшее влияние на количественной оценке результатов моделирования , а не других решений в процессе моделирования , таких как неопределенность местоположения 31 данных. Хотя мы считаем , что наша лучшая карта тамарикс, где все пять моделей находятся в согласии, дальнейшее тестирование и с использованием различных методов картирования ансамбля рекомендуется (например, взвешенные по АУК) 32 </ SUP>, и лучше всего подтверждено с помощью независимых полевых наблюдений. Таким образом, эти методы могут быть легко адаптированы для моделирования распределения других видов, используя переменные окружения, полученные для данного исследования в области SAHM.
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 |