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.
Vroege opsporing van invasieve plantensoorten is van vitaal belang voor het beheer van natuurlijke hulpbronnen en de bescherming van het ecosysteem processen. Het gebruik van satelliet remote sensing voor het in kaart brengen van de verspreiding van invasieve planten wordt steeds vaker voor, hebben echter conventionele imaging software en classificatie methoden is aangetoond onbetrouwbaar. In deze studie hebben we testen en het gebruik van vijf soorten distributiemodel technieken fit met satelliet remote sensing data invasieve tamarisk (Tamarix spp.) In kaart langs de rivier de Arkansas in Southeastern Colorado evalueren. De geteste modellen opgenomen versterkt regressie bomen (BRT), Random Bos (RF), multivariate adaptieve regressie spieën (MARS), gegeneraliseerde lineaire model (GLM), en Maxent. Deze analyses werden uitgevoerd met behulp van een nieuw ontwikkelde software pakket genaamd de Software Assisted Habitat Modeling (SAHM). Alle modellen werden getraind met 499 aanwezigheid punten, 10.000 pseudo-afwezigheid punten, en voorspellende variabelen acquIRED uit de Landsat 5 Thematic Mapper (TM) sensor over een periode van acht maanden om tamarisk onderscheiden van inheemse oevervegetatie met behulp van detectie van fenologische verschillen. Vanuit de Landsat scènes, gebruikten we de individuele bands en berekende Normalized Difference Vegetation Index (NDVI), Grond-adjusted Vegetation Index (SAVI), en kwastjes afgedekt transformaties. Alle vijf modellen geïdentificeerd huidige tamarisk distributie op het landschap met succes op basis van drempel onafhankelijke en afhankelijke drempel evaluatie metrieken met onafhankelijke locatiegegevens. Om rekening te houden model specifieke verschillen, produceerden we een ensemble van vijf modellen met kaart uitgang benadrukken punten van overeenstemming en de gebieden van onzekerheid. Onze resultaten tonen het nut van de soorten distributie modellen in het analyseren van remote sensing data en het nut van ensemble in kaart brengen, en showcase van de mogelijkheden van SAHM in pre-processing en het uitvoeren van meerdere complexe modellen.
Oeverstaten en wetland-ecosystemen in de hele zuidwesten van de Verenigde Staten worden bedreigd door de invasie van tamarisk (Tamarix spp.), Een non-native houtige struik ingevoerd uit Eurazië in de jaren 1800 1. Tamarisk heeft vele fysiologische mechanismen die het mogelijk maken het geslacht om water te exploiteren, out-concurrentiebeding inheemse soorten en ecosystemen veranderen verwerkt 1-2. Mapping tamarisk distributies voor de beoordeling van de milieueffecten en het formuleren van een effectieve controle strategieën zijn hoge prioriteiten voor de resource managers. Hoewel terreinonderzoek blijven regelmatig gebruikt, ze zijn niet praktisch voor extreem grote gebieden als gevolg van de daarmee gepaard gaande kosten van arbeid, tijd en logistiek.
Satelliet remote sensing is een belangrijke, maar beperkte rol bij het opsporen en in kaart brengen van tamarisk besmettingen gespeeld. Conventionele classificatie analyses en remote sensing software marginaal succes 3-5 had. Verschillende recente studieshebben onderzocht niet-traditionele benaderingen van invasieve planten met behulp van remote sensing data 1,6 detecteren. Tamarisk, net als veel invasieve planten, vertoont fenologische variatie gedurende het groeiseizoen, dat verschilt van fenologie inheemse oeverstaten species '. In sommige gebieden, bijvoorbeeld tamarisk blad-out is voor sommige autochtone oeverstaten planten en tamarisk behoudt zijn bladeren langer dan andere inheemse soorten. Door het gebruik van spectrale banden en spectrale indices afgeleid van een tijdreeks van satellietgegevens gedurende het groeiseizoen, kunnen we tamarisk van inheemse planten op basis van deze fenologische verschillen 1,6 onderscheiden. Voortbouwend op het werk van Evangelista et al. 2009 1, in dit onderzoek opgenomen we individuele bands 1-7 uit een tijd-serie van 5 Landsat Thematic Mapper (TM) satellietbeelden en afgeleide genormaliseerde verschil vegetatie-index (NDVI), de bodem aangepast vegetatie-index (SAVI), en kwastjes cap transformaties van deze bands. genormaliseerde difference vegetatie-index (NDVI) is een van de meest gebruikte spectrale indexen voor het schatten vegetatie biomassa bedekkingsgraad en bladoppervlakte indices 8-9, en een niet-lineaire transformatie van de verhouding tussen het zichtbare (rood) en near- infraroodbanden 10. -Bodem aangepaste vegetatie-index (SAVI) een gemodificeerd NDVI gebruikt om de effecten van grondachtergrond vegetatie indices 11 minimaliseren. Tasseled cap transformaties worden gewogen composieten van de zes Landsat bands in drie orthogonale bands die de helderheid van de bodem (kwastjes cap, band 1), de vegetatie groenheid (kwastjes cap, band 2), en de bodem / vegetatie nattigheid (kwastjes cap, band 3) en meet worden vaak gebruikt om vegetatiesamenstelling, leeftijdsklasse onderscheiden en structureren 12-14. We gebruikten de coëfficiënten vermeld in Crist (1985) 15 voor kwastjes cap transformaties.
In deze studie testen we vijf soorten distributiemodellen met een tijd-serie spectrale banden en vegetation indices afkomstig van Landsat 5 TM tamarisk langs de onderste Arkansas River in kaart in het zuidoosten van Colorado, USA. De Arkansas River, verspreid over 2364 km (1469 mi), is de tweede grootste zijrivier van de Missouri-Mississippi-systeem. De waterscheiding beslaat 435.123 km 2 (168.002 mi 2) met de bovenloop in de Colorado Rocky Mountains. Vanuit haar oorsprong in 2965 m, daalt de Arkansas aanzienlijk in opstand, nivellering in de buurt van Pueblo, CO, en kronkelend door landbouwgronden en korte-grass prairie. De rivier is onderhevig aan seizoensgebonden overstromingen en wordt gebruikt voor de gemeentelijke en de landbouw watergebruik in Rocky Ford, La Junta, en Lamar, voordat u verder in Kansas, Oklahoma en Arkansas, waar het in de Mississippi rivier stroomt. Tamarisk werd voor het eerst waargenomen op de rivier de Arkansas door R. Niedrach in 1913 in de buurt van de huidige stad van Lamar 16. Vandaag is geschat dat tamarisk omvat meer dan 100 km 2 tussen Pueblo en de staat Kansas line, met een extra 60 km 2 langs de zijrivieren van de Arkansas River 17. Het studiegebied omvat irrigatiekanalen, wetlands, landbouwgrond, en de samenvloeiing van een aantal zijrivieren; Alle met wisselend kustgordel besmetting. Veeteelt en landbouw zijn de primaire land-gebruikt grenzend aan de oeverstaten gangen bestaat grotendeels uit luzerne, hooi, maïs en wintertarwe.
Soort distributiemodellen rekenen op een geografisch referentiekader voorvallen (dat wil zeggen, breedte, lengte) om de relaties tussen het optreden van een soort 'en haar omgeving 18 te identificeren. De milieu-data kunnen bestaan uit meerdere remote sensing en andere ruimtelijke lagen. De vijf soorten distributie modellen die we getest onder impuls regressie bomen (BRT) 19, willekeurige bossen (RF) 20, multivariate adaptieve regressie spieën (MARS) 21, een algemeen lineair model (GLM) 22, en Maxent 23. Deze vijf model algoritmes behoren tot de meest algemeen gebruikte soort voor distributie modelleren en een aantal studies hebben aangetoond hun doeltreffendheid 24-25. We gebruikten de software voor Assisted Habitat Modeling (SAHM) v. 2.0 modules op de vijf modellen, die zijn opgenomen in VisTrails v.2.2.2 26 visualisatie en processing software uit te voeren. Er zijn verscheidene voordelen aan het gebruik Sahm vergelijkende modellering. Naast het formaliseren en handelbaar registratie van modelleringsprocessen, Sahm kunnen gebruikers met meerdere soorten distributiemodel algoritmen die individueel zijn inconsistent interfaces, software en bestandsindeling 27. SAHM produceert consistente drempel-onafhankelijke en drempelwaarde-afhankelijke evaluatie statistieken om model te evalueren. Een daarvan is oppervlak onder de Receiver Operating Characteristic curve (AUC), een drempel onafhankelijk statistiek die vermogen van een model om de aanwezigheid te onderscheiden van de achtergrond 28 evalueert. Een AUC valUE van 0,5 of minder aangeeft model voorspellingen zijn niet beter of slechter dan willekeurig; waarden tussen 0,5 en 0,70 aangeven slechte prestaties; en waarden toenemende 0,70-1,0 geven steeds hogere prestaties. Een andere metriek procent correct ingedeeld (PCC), een drempel afhankelijk metric die de gevoeligheid en specificiteit op basis van een door de gebruiker gedefinieerde drempel metrische weegt; gevoeligheid meet het percentage van de waargenomen aanwezigheden geclassificeerd als geschikt en specificiteit meet het percentage van de achtergrond locaties geclassificeerd als ongeschikt. Nog een andere metriek True Skill Statistiek (TSS = sensitiviteit specificiteit + – 1), die meer gewicht legt op model sensitiviteit dan specificiteit, met waarden variërend tussen -1 en 1, waar waarden> 0 te geven beter model prestaties dan de kans 29.
Om tamarisk in kaart met behulp van model output, we geconstrueerd binaire indelingen aan de hand van de drempel die sensitiviteit en specificiteit egaliseert de p definiërenresence of afwezigheid van tamarisk. Deze individuele model afgeleid kaarten werden vervolgens opgeteld tot een ensemble kaart 30 te creëren. Ensemble kaarten combineren de voorspellingen van de individuele soorten distributiemodellen een ingedeeld plan dat de collectieve arbeidsovereenkomst van de geteste modellen rangen te produceren. Bijvoorbeeld een ensemble cel waarde van één geeft aan dat slechts één model ingedeeld die cel als geschikte habitat, terwijl een waarde van vijf geeft aan dat alle vijf de cel welke geheim als geschikte habitat. Een voordeel van deze aanpak is dat ensemble kaarten leveren een lagere gemiddelde fout dan elk individueel model. Het stelt gebruikers ook visueel te vergelijken met de prestaties van elke geteste model. Onze algemene doel was tot een gedetailleerde beschrijving van deze werkwijzen die kunnen worden aangepast aan de huidige verdeling van soorten op de landschapsmodel verschaffen.
Onze resultaten tonen aan montage BRT, RF, MARS, GLM, en Maxent met aanwezigheid punten voor tamarisk en een tijd-reeks van remote sensing Landsat satellietbeelden gegevens kunnen tamarisk onderscheiden op het landschap en is een effectief alternatief voor de traditionele single-scene classificatie methoden. Het is duidelijk uit onze resultaten dat Juni is een bijzonder belangrijk moment voor het opsporen van tamarisk binnen ons studiegebied; Dit komt overeen met Evangelista et al. 2009 1 waaruit bleek juni nattigheid was de belangrijkste voorspeller voor tamarisk optreden op dit gebied op basis van een Maxent model fit met een tijdreeks van Landsat beelden.
De andere spectrale indexen en bands die waren opgenomen in de BRT, RF, MARS en Maxent modellen kunnen verder te onderscheiden tamarisk uit de bodem substraat, andere loofbomen, waaronder populieren (Populus spp.) En wilg (Salix spp.), Of geïrrigeerde landbouw die is gebruikelijk in de ondersteArkansas River bekken. Andere GIS lagen, zoals topografie, grondsoorten of klimatologische gegevens kunnen ook als covariaten worden beschouwd en opgenomen in deze modellen, maar we raden poging deze tot een minimum als het doel is om de huidige soortendistributie detecteren op het landschap plaats voorspellen potentiële gebeurtenis of geschikt habitat.
De geteste voor ons onderzoek modellen voorzien sterk analytisch vermogen en meerdere opties voor het evalueren van de resultaten. Na al deze correlatieve modellen in één kader, zoals SAHM, maakt de formalisering en handelbaar opname van het modelleren proces. Pre- en post-processing van de respons en de voorspellende variabelen zijn gestandaardiseerd in SAHM, waardoor een betere en efficiënte model vergelijkingen, terwijl workflows elke stap van de analyses vergemakkelijken modificatie, herhaling en replicatie op te nemen.
Ensemble mapping is gericht op de sterke punten van diverse correlatieve modellen combineren, terwijl het minimaliseren van de weakness van elk model 30. Wij geloven dat dit het geval is in onze studie was; Maar, waarschuwen we dat modellen die presteren (dat wil zeggen, onder-te voorspellen of te voorspellen) de algemene resultaten kunnen verzwakken. Het beperkte gebruik van ensemble kartering in de literatuur gunstige resultaten gehad, maar de meeste van deze benaderingen hebben getracht soorten gebeurtenis "voorspellen" dan "detecteren". Bovendien ensemble mapping zorgt voor een visuele beoordeling van de onzekerheid over de verschillende modellen methoden, het identificeren van niveaus van modelovereenkomst. Meestal is het de keuze van modellen methode (bijvoorbeeld, GLM versus BRT), die de grootste impact hebben op kwantificeerbare model resultaten dan andere beslissingen in het modelleren proces, zoals locatiegegevens onzekerheid 31 heeft. Hoewel we geloven dat onze beste tamarisk kaart is waar alle vijf modellen zijn het erover eens, verdere tests en het gebruik van verschillende methoden van ensemble mapping wordt aanbevolen (bijvoorbeeld, gewogen op basis van de AUC) 32 </ Sup>, en het beste gevalideerd via onafhankelijke veldwaarnemingen. Samenvattend, kunnen deze werkwijzen gemakkelijk worden aangepast aan de verdeling van andere soorten gebruik omgevingsvariabelen die voor een bepaalde studie gebied SAHM model.
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 |