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.
La detección precoz de las especies de plantas invasoras es vital para la gestión de los recursos naturales y la protección del ecosistema. El uso de la teledetección por satélite para el mapeo de la distribución de las plantas invasoras es cada vez más común, los métodos de clasificación de software de imagen y sin embargo convencionales han demostrado ser poco fiables. En este estudio, probar y evaluar el uso de cinco especies de distribución técnicas de ajuste del modelo con los datos de teledetección por satélite para trazar tamariscos invasivos (Tamarix spp.) A lo largo del río Arkansas en el sureste de Colorado. Los modelos probados incluyeron impulsado árboles de regresión (BRT), Random Forest (RF), multivariado de regresión adaptativa estrías (MARS), modelo lineal generalizado (GLM), y Maxent. Estos análisis se realizaron utilizando un paquete de software de nuevo desarrollo llamado el Software Asistida Hábitat Modeling (SAHM). Todos los modelos fueron entrenados con 499 puntos de presencia, 10.000 puntos de pseudo-ausencia, y las variables predictoras acquired del sensor Landsat 5 Thematic Mapper (TM) durante un período de ocho meses para distinguir tamariscos de la vegetación riparia nativa utilizando la detección de diferencias fenológicas. De las escenas Landsat, se utilizó bandas individuales y se calcula Índice de Vegetación Normalizado (NDVI), Índice de suelo-vegetación Ajustado (SAVI), y transformaciones rematados con borlas. Los cinco modelos identificados distribución tamariscos actual sobre el paisaje basan en el umbral de éxito independiente y métricas de evaluación dependientes de umbral con los datos de localización independientes. Para dar cuenta de las diferencias específicas modelo, produjimos un conjunto de los cinco modelos con salida de mapa de áreas de acuerdo y áreas de incertidumbre destacando. Nuestros resultados demuestran la utilidad de los modelos de distribución de especies en el análisis de los datos obtenidos por teledetección y la utilidad de la cartografía del conjunto, y muestran la capacidad de Sahm en el pre-procesamiento y ejecución de múltiples modelos complejos.
Los ecosistemas ribereños y de humedales en todo el suroeste de los Estados Unidos están siendo amenazadas por la invasión de tamariscos (Tamarix spp.), Un arbusto leñoso no nativa introducida de Eurasia en la década de 1800 1. Tamariscos tiene muchos mecanismos fisiológicos que permiten que el género para explotar los recursos de agua, fuera de competencia a las especies nativas, y alterar los procesos del ecosistema 1-2. distribuciones de mapeo de tamariscos para evaluar los impactos ambientales y la formulación de estrategias eficaces de control son de alta prioridad para los gerentes de recursos. Aunque estudios sobre el terreno siguen siendo utilizados regularmente, no son prácticos para las áreas extremadamente grandes debido a los costes asociados a la mano de obra, tiempo y logística.
teledetección por satélite ha desempeñado un papel importante, pero limitado, papel en la detección y mapeo de las infestaciones de tamariscos. Clasificación convencional y análisis de teledetección han tenido un éxito marginal 3-5. Varios estudios recienteshan explorado enfoques no tradicionales para detectar las plantas invasoras utilizando datos de teledetección 1,6. Tamariscos, al igual que muchas plantas invasoras, exhibe variación fenológica durante todo el período de crecimiento que se diferencia de la fenología de las especies nativas de ribera. En algunas áreas, por ejemplo, tamariscos hoja debe realizarse antes de algunas plantas nativas de ribera, y tamariscos conserva su follaje más tiempo que otras especies nativas. Mediante el uso de bandas espectrales e índices espectrales derivados de una serie temporal de datos de satélite a lo largo de la temporada de crecimiento, podemos distinguir tamariscos de plantas nativas en base a estas diferencias fenológicas 1,6. Sobre la base de la obra de Evangelista et al. 2009 1, en este estudio hemos incorporado 1-7 bandas individuales a partir de una serie de tiempo de Landsat 5 Thematic Mapper (TM) imágenes de satélite y derivados índice normalizado de diferencia de vegetación (NDVI), el suelo ajustada al índice de vegetación (SAVI), y la gorra con borla transformaciones de una de estas bandas. diferen normalizadoce índice de vegetación (NDVI) es uno de los índices espectrales más comúnmente utilizados para estimar la biomasa de la vegetación, la cubierta de copas, y los índices de área foliar 8-9, y es una transformación no lineal de la relación entre lo visible (rojo) y cercano 10 bandas de infrarrojo. Índice de vegetación del suelo ajustados (SAVI) es un NDVI modificado utilizado para minimizar los efectos de fondo del suelo en los índices de vegetación 11. transformaciones tapa con borlas se ponderan los compuestos de las seis bandas Landsat en tres bandas ortogonales que miden el brillo del suelo (tapón con borlas, banda 1), verdor de la vegetación (tapa con borlas, banda 2), y la humedad del suelo / vegetación (tapa con borlas, banda 3) y a menudo se utilizan para distinguir composición de la vegetación, clase de edad y estructurar 12-14. Se utilizaron los coeficientes reportados en Crist (1985) 15 para todas las transformaciones de tapa con borlas.
En este estudio, evaluamos cinco modelos de distribución de especies con una serie temporal de bandas espectrales y verdurasvegeta- índices derivados de Landsat 5 TM para trazar un mapa de tamariscos a lo largo de la parte baja del río Arkansas en el sureste de Colorado, EE.UU.. El río Arkansas, que abarca 2.364 kilometros (1.469 millas), es el segundo afluente más importante en el sistema de Missouri-Mississippi. Su cuenca abarca 435.123 kilometros 2 (168.002 millas 2) con cabeceras en las Montañas Rocosas de Colorado. Desde su origen en 2965 m, el Arkansas desciende considerablemente en la elevación, la nivelación de cerca de Pueblo, CO, y serpentea a través de las tierras agrícolas y las praderas de pasto corto. El río está sujeta a inundaciones estacionales y es invocado por el uso del agua municipal y agrícola en Rocky Ford, La Junta, y Lamar, antes de continuar en Kansas, Oklahoma y Arkansas donde desemboca en el río Mississippi. Tamariscos fue observada por primera vez en el río Arkansas por R. Niedrach en 1913 cerca de la actual ciudad de Lamar 16. Hoy en día, se ha estimado que tamariscos cubre más de 100 km 2 entre Pueblo y el Estado de Kansas linE, con otros 60 kilómetros adicionales 2 a lo largo de los afluentes del río Arkansas 17. El área de estudio comprende acequias, pantanos, tierras agrícolas, y las confluencias de varios afluentes; todos con diferentes grados de infestación de tamariscos. La ganadería y la agricultura son la principal tierra-usa junto a los corredores ribereños que consisten en gran medida de la alfalfa, heno, maíz y trigo de invierno.
Los modelos de distribución de especies dependen de ocurrencias georreferenciados (es decir, latitud y longitud) para identificar las relaciones entre la aparición de una especie y su entorno 18. Los datos ambientales pueden incluir la teledetección múltiple y otras capas espaciales. Los cinco modelos de distribución de las especies analizadas incluyen árboles de regresión impulsadas (BRT) 19, bosques aleatorios (RF) 20, multivariante de regresión adaptativa estrías (MARS) 21, un modelo lineal generalizado (GLM) 22, y Maxent 23. Estos cinco modEL algoritmos están entre los más comúnmente empleado para el modelado de distribución de las especies, y una serie de estudios han demostrado su eficacia 24-25. Se utilizó el software para Asistida v Hábitat Modeling (SAHM). 2.0 módulos para ejecutar los cinco modelos, que están contenidos en VisTrails v.2.2.2 26 de visualización y software de procesamiento. Hay varias ventajas de utilizar Sahm para el modelado comparativo. Además de la formalización y el registro de los procesos de modelado manejable, Sahm permite a los usuarios trabajar con múltiples algoritmos de modelo de distribución de especies que, de forma individual, tienen interfaces dispares, software y archivos de formato 27. Sahm produce métricas de evaluación coherentes umbral independientes y de umbral dependiente de evaluar el rendimiento del modelo. Una de ellas es el área bajo la curva característica de funcionamiento del receptor (AUC), una métrica independiente umbral que evalúa la capacidad de un modelo para discriminar la presencia de fondo 28. Un val AUCue de 0,5 o menos indica predicciones del modelo no son mejores o peores que al azar; valores entre 0,5 y 0,70 indican el mal funcionamiento; y los valores que aumentaron de 0,70 a 1,0 significan a la vez más alto rendimiento. Otra métrica es el porcentaje correctamente clasificada (PCC), una métrica depende umbral que pesa sensibilidad y especificidad sobre la base de un umbral definido por el usuario métrica; sensibilidad mide el porcentaje de presencias observadas clasificado como adecuado y especificidad mide el porcentaje de ubicaciones de fondo clasifican como no aptos. Sin embargo, otro indicador es Estadística Habilidad True (TSS = sensibilidad especificidad + – 1), que pone más peso sobre la sensibilidad del modelo de especificidad, con valores que oscilan entre -1 y 1, donde los valores> 0 indican un mejor desempeño de los modelos de probabilidad 29.
Para asignar tamariscos utilizando los resultados del modelo, se construyó clasificaciones binarias utilizando el umbral que iguala la sensibilidad y especificidad para definir el presencia o ausencia de tamariscos. Estos mapas derivados modelo individual se suman entonces para crear un mapa conjunto 30. Ensemble mapas combinan las predicciones de los modelos de distribución de especies individuales para producir un mapa que clasifica clasificado el convenio colectivo de los modelos probados. Por ejemplo, un valor de la celda conjunto de uno indica que sólo un modelo clasificado que la célula como un hábitat adecuado, mientras que un valor de cinco indica que todos los cinco modelos clasifican la célula como un hábitat adecuado. Una ventaja de este enfoque es que los mapas de conjunto producen un error significar más baja que cualquier modelo individual. También permite a los usuarios comparar visualmente el rendimiento de cada modelo probado. Nuestro objetivo general es proporcionar una descripción detallada de estos métodos que se pueden adaptar para modelar la distribución actual de las especies en el paisaje.
Nuestros resultados demuestran BRT apropiado, RF, MARS, GLM, y Maxent con puntos de presencia para tamariscos y una serie temporal de datos de imágenes de satélite Landsat de teledetección puede distinguir tamariscos en el paisaje y es una alternativa eficaz a los métodos tradicionales de clasificación de una sola escena. Está claro a partir de nuestros resultados que junio es un momento particularmente importante para la detección de tamariscos dentro de nuestra área de estudio; esto concuerda con Evangelista et al., 2009 1, que indica junio La humedad fue el predictor más importante para la ocurrencia de tamariscos en esta área en base a un modelo de ajuste Maxent con una serie temporal de imágenes Landsat.
Los otros índices y las bandas espectrales que se incluyeron en el BRT, RF, Marte y modelos Maxent pueden distinguir mejor tamariscos del sustrato de tierra, otros árboles de hoja caduca como los álamos (Populus spp.) Y el sauce (Salix spp.), O la agricultura de riego que es común en la parte inferiorcuenca del río Arkansas. Otras capas de SIG, como la topografía, tipos de suelo, o los datos climáticos también podrían ser considerados como covariables y se incluyen en estos modelos, pero se recomienda reducirlas al mínimo, si el objetivo es detectar la distribución de especies actual sobre el paisaje en lugar de predecir el potencial ocurrencia o un hábitat adecuado.
Los modelos probados para nuestra investigación proporcionan una fuerte capacidad analítica y múltiples opciones para la evaluación de los resultados. Tener todos estos modelos correlativos en un marco único, como Sahm, permite la formalización y el registro tratable del proceso de modelado. Pre- y post-procesamiento de las variables predictoras de respuesta y están estandarizados en Sahm, permitiendo mejores y eficientes comparaciones de modelos, mientras que los flujos de trabajo registran cada paso de los análisis que facilitan la modificación, la iteración y la replicación.
mapeo conjunto tiene como objetivo combinar los puntos fuertes de varios modelos correlativos, al tiempo que minimiza la weakness de ningún modelo 30. Creemos que este fue el caso de nuestro estudio; Sin embargo, advertimos que los modelos que una rentabilidad inferior (es decir, menores de predecir o exceso de predecir) pueden debilitar los resultados generales. El uso limitado de mapeo conjunto en la literatura ha tenido resultados favorables, pero la mayoría de estos enfoques han tratado de "predecir" la ocurrencia de especies en lugar de "detectar". Por otra parte, el mapeo conjunto permite realizar una evaluación visual de incertidumbre entre los diferentes métodos de modelado, la identificación de los niveles de acuerdo modelo. Lo más a menudo es la elección del método de modelado (por ejemplo, GLM frente BRT) que tiene mayor impacto cuantificable sobre los resultados del modelo en lugar de otras decisiones en el proceso de modelado, como la ubicación incertidumbre de los datos 31. Aunque creemos que nuestra mejor mapa tamariscos es donde los cinco modelos están de acuerdo, más pruebas y uso de diferentes métodos de mapeo conjunto se recomienda (por ejemplo, ponderado por el AUC) 32 </ Sup>, y lo mejor validada a través de las observaciones de campo independientes. En resumen, estos métodos pueden ser fácilmente adaptados para modelar la distribución de otras especies usando las variables ambientales derivados para una región dada en estudio 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 |