L'intégration de la télédétection avec des espèces distribution modèles; Cartographie Tamaris Invasions Utilisation du logiciel pour Assisted Habitat Modeling (SAHM)
Summary
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.
Abstract
La détection précoce des espèces végétales envahissantes est vital pour la gestion des ressources naturelles et la protection des processus écosystémiques. L'utilisation de la détection par satellite à distance pour cartographier la distribution des plantes envahissantes est de plus en plus fréquent, les méthodes de logiciels d'imagerie et de classification mais classiques se sont avérés ne pas être fiables. Dans cette étude, nous testons et évaluons l'utilisation de cinq espèces techniques du modèle de distribution ajustement satellite avec les données de télédétection pour cartographier tamaris invasive (Tamarix spp.) Le long de la rivière Arkansas dans le sud du Colorado. Les modèles testés comprenaient stimulé les arbres de régression (BRT), Forêt aléatoire (RF), splines de régression multivariée adaptatifs (MARS), modèle linéaire généralisé (GLM), et Maxent. Ces analyses ont été effectuées en utilisant un logiciel nouvellement développé appelé le Logiciel pour Assisted Habitat Modeling (SAHM). Tous les modèles ont été formés avec 499 points de présence, 10.000 points pseudo-absence, et les variables prédictives ACQUIRED du capteur Landsat 5 Thematic Mapper (TM) sur une période de huit mois pour distinguer tamaris de la végétation riveraine native utilisant la détection des différences phénologiques. Des scènes Landsat, nous avons utilisé des bandes individuelles et calculées indice de végétation normalisé (NDVI), Sol-Ajusté Indice de Végétation (SAVI), et les transformations plafonnés Tasseled. Les cinq modèles identifiés distribution de tamaris actuelle sur le paysage basé avec succès sur le seuil indépendant et paramètres d'évaluation dépendant de seuil avec les données de localisation indépendantes. Pour tenir compte des différences spécifiques au modèle, nous avons produit un ensemble de cinq modèles avec carte de sortie mettant en évidence les points d'accord et les zones d'incertitude. Nos résultats démontrent l'utilité des modèles de répartition des espèces dans l'analyse des données de télédétection et l'utilité de la cartographie ensemble, et de présenter la capacité de SAHM en pré-traitement et l'exécution de plusieurs modèles complexes.
Introduction
Les écosystèmes riverains et des zones humides à travers le sud – ouest des États-Unis sont menacés par l'invasion de tamaris (Tamarix spp.), Un arbuste ligneuse non natif introduit d'Eurasie dans les années 1800 1. Tamaris possède de nombreux mécanismes physiologiques qui permettent le genre d'exploiter les ressources en eau, hors-compétition des espèces indigènes, et de modifier l' écosystème traite 1-2. distributions Cartographie de tamaris pour évaluer les impacts environnementaux et la formulation de stratégies de contrôle efficaces sont des priorités pour les gestionnaires des ressources. Bien que les enquêtes au sol restent régulièrement utilisés, ils ne sont pas pratiques pour les très grandes surfaces en raison des coûts associés du travail, le temps et la logistique.
La télédétection par satellite a joué un rôle important, mais limité, rôle dans la détection et la cartographie des infestations de tamaris. Classification conventionnelle des analyses et des logiciels de télédétection ont eu un succès marginal 3-5. Plusieurs études récentesont des approches non traditionnelles explorées pour détecter les plantes envahissantes en utilisant la télédétection 1,6 des données. Tamaris, comme beaucoup de plantes envahissantes, présente une variation phénologique tout au long de la saison de croissance qui diffère de la phénologie des espèces riveraines indigènes. Dans certaines régions, par exemple, des tamaris leaf-out avant certaines plantes riveraines indigènes, et tamaris conserve son feuillage plus longtemps que d'autres espèces indigènes. En utilisant des bandes spectrales et indices spectraux dérivés d'une série temporelle des données satellitaires pendant toute la saison de croissance, on peut distinguer tamaris à partir de plantes indigènes sur la base de ces différences phénologiques 1,6. Construire sur les travaux de Evangelista et al. 2009 1, dans cette étude , nous avons incorporé des bandes individuelles 1-7 à partir d' une série chronologique de Landsat 5 Thematic Mapper (TM) l' imagerie par satellite et dérivé normalisé indice de végétation de différence (NDVI), le sol ajusté indice de végétation (SAVI), et le bouchon tasseled transformations de ces bandes. différen Normalizedindice de végétation ce (NDVI) est l' un des indices de spectre les plus couramment utilisés pour l' estimation de la biomasse de la végétation, le couvert forestier, et la surface foliaire indices 8-9 et est une transformation non-linéaire du rapport entre le visible (rouge) et quasi 10 bandes infrarouges. Soil ajusté indice de végétation (SAVI) est un NDVI modifié utilisé pour minimiser les effets de fond du sol sur les indices de végétation 11. transformations de capitalisation Tasseled sont pondérés composites des six bandes Landsat en trois bandes orthogonales qui mesurent la luminosité du sol (cap tasseled, bande 1), la végétation verdeur (cap tasseled, bande 2), et le sol / végétation moiteur (cap tasseled, bande 3) et sont souvent utilisés pour distinguer la composition de la végétation, classe d'âge, et structurer 12-14. Nous avons utilisé les coefficients rapportés dans Crist (1985) 15 pour toutes les transformations de chapeau à pompons.
Dans cette étude, nous testons cinq modèles de distribution d'espèces avec un temps-série de bandes spectrales et légumesindices de etation dérivés de Landsat 5 TM à la carte tamaris le long du bas de la rivière Arkansas, dans le sud du Colorado, Etats-Unis. La rivière Arkansas, couvrant 2364 km (1469 mi), est le deuxième plus grand affluent dans le système Missouri-Mississippi. Son bassin versant couvre 435.123 km 2 (168,002 mi 2) avec source dans les montagnes Rocheuses du Colorado. De son origine à 2965 m, l'Arkansas chute considérablement en élévation, nivellement près de Pueblo, CO, et serpentant à travers les terres agricoles et prairies à graminées courtes. La rivière est sujette à des inondations saisonnières et est invoqué pour l'utilisation de l'eau municipale et agricole à Rocky Ford, La Junta, et Lamar, avant de continuer dans le Kansas, l'Oklahoma et l'Arkansas où elle se jette dans le fleuve Mississippi. Tamaris a été observé sur la rivière Arkansas par R. Niedrach en 1913 près de la ville actuelle de Lamar 16. Aujourd'hui, il a été estimé que tamaris couvre plus de 100 km 2 entre Pueblo et l'état du Kansas line, avec un supplément de 60 km 2 le long des affluents de la rivière Arkansas 17. La zone d'étude comprend des canaux d'irrigation, les zones humides, les terres agricoles et les confluences de plusieurs affluents; tous avec des degrés divers de tamaris infestation. Ranching et l'agriculture sont la principale terre utilise à côté des corridors riverains constitués en grande partie de la luzerne, du foin, du maïs et du blé d'hiver.
Modèles de distribution d'espèces comptent sur les événements géo-référencées (ie, latitude, longitude) pour identifier les relations entre l'occurrence d'une espèce et son environnement 18. Les données environnementales peuvent inclure la télédétection multiple et d'autres couches spatiales. Les cinq modèles de distribution des espèces testées comprennent les arbres boostés de régression (BRT) 19, les forêts aléatoires (RF) 20, splines de régression multivariée adaptatifs (MARS) 21, un modèle linéaire généralisé (GLM) 22, et Maxent 23. Ces cinq modalgorithmes el sont parmi les plus couramment utilisés pour la modélisation de la répartition des espèces, et un certain nombre d'études ont démontré leur efficacité 24-25. Nous avons utilisé le logiciel pour Assisted Habitat Modeling (SAHM) v. 2.0 modules pour exécuter les cinq modèles, qui sont contenus dans VisTrails V.2.2.2 26 logiciels de visualisation et de traitement. Il y a plusieurs avantages à l'utilisation SAHM pour la modélisation comparative. En plus de la formalisation et l' enregistrement traitable des processus de modélisation, SAHM permet aux utilisateurs de travailler avec plusieurs algorithmes du modèle de distribution d'espèces qui, individuellement, ont des interfaces disparates, des logiciels et des fichiers de mise en 27. SAHM produit cohérentes métriques d'évaluation seuil indépendants et de seuil dépendant d'évaluer la performance du modèle. L' un d'eux est aire sous la courbe caractéristique Receiver Operating (AUC), une mesure indépendante de seuil qui permet d' évaluer la capacité d'un modèle à discriminer la présence du fond 28. Une AUC value de 0,5 ou moins indique les prévisions du modèle ne sont pas mieux ou pire que aléatoire; des valeurs comprises entre 0,5 et 0,70 indiquent la mauvaise performance; et les valeurs croissantes de 0,70 à 1,0 indiquent la performance progressivement plus élevé. Une autre mesure est pour cent correctement classé (PCC), une mesure dépendante de seuil qui pèse sensibilité et la spécificité basée sur un seuil métrique définie par l'utilisateur; sensibilité mesure le pourcentage de présences observées classé comme approprié et la spécificité mesure le pourcentage d'emplacements de fond classés comme impropres. Pourtant , une autre métrique est vrai statistique de Skill (TSS = sensibilité + spécificité – 1), qui met plus de poids sur la sensibilité du modèle que la spécificité, avec des valeurs comprises entre -1 et 1 où les valeurs> 0 indiquent une meilleure performance du modèle que le hasard 29.
Pour mapper tamaris en utilisant la sortie du modèle, nous avons construit des classifications binaires en utilisant le seuil qui égalise la sensibilité et la spécificité de définir la presence ou l'absence de tamaris. Ces cartes modèle individuel dérivées ont été ensuite additionnées pour créer une carte d' ensemble 30. Ensemble cartes combinent les prédictions des modèles individuels de distribution d'espèces pour produire une carte classée qui classe la convention collective des modèles testés. Par exemple, une valeur de la cellule ensemble d'un indique qu'un seul modèle classé cette cellule comme un habitat convenable, alors qu'une valeur de cinq indique que tous les cinq modèles classés la cellule comme un habitat convenable. Un avantage de cette approche est que les cartes d'ensemble donnent une erreur moyenne inférieure à un modèle individuel. Il permet également aux utilisateurs de comparer visuellement la performance de chaque modèle testé. Notre objectif global était de fournir une description détaillée de ces méthodes qui peuvent être adaptées pour modéliser la répartition actuelle des espèces dans le paysage.
Protocol
Representative Results
Discussion
Nos résultats démontrent BRT ferrure, RF, MARS, GLM et Maxent avec des points de présence pour tamaris et une série temporelle des données d'imagerie par satellite Landsat télédétection peut distinguer tamaris sur le paysage et est une alternative efficace aux méthodes traditionnelles de classification unique scène. Il ressort de nos résultats que Juin est un moment particulièrement important pour détecter tamaris au sein de notre zone d'étude; cela concorde avec Evangelista et al. 2009 1 qui indiquait Juin Wetness était le facteur prédictif le plus important pour les tamaris occurrence dans ce domaine sur la base d' un ajustement du modèle Maxent avec une série chronologique des images Landsat.
Les autres indices et bandes spectrales qui ont été inclus dans le BRT, RF, MARS, et les modèles Maxent peuvent en outre distinguer tamaris du substrat du sol, d' autres arbres à feuilles caduques , y compris le peuplier (Populus spp.) Et le saule (Salix spp.), Ou l' agriculture irriguée qui est commun dans la partie inférieurebassin de la rivière Arkansas. D'autres couches SIG, telles que la topographie, les types de sol, ou les données climatiques pourraient également être considérés comme des covariables et inclus dans ces modèles, mais nous recommandons de garder ces à un minimum si l'objectif est de détecter la distribution des espèces en cours sur le paysage plutôt que de prédire le potentiel occurrence ou habitat convenable.
Les modèles testés pour notre recherche fourni une capacité analytique solide et de multiples options pour l'évaluation des résultats. Ayant tous ces modèles corrélatifs dans un cadre unique, comme SAHM, permet la formalisation et l'enregistrement traitable du processus de modélisation. Pré et post-traitement des variables de réponse et prédictives sont normalisés en SAHM, ce qui permet une meilleure et efficace des comparaisons de modèles, tandis que les flux de travail enregistrent chaque étape des analyses facilitant la modification, l'itération et la réplication.
Ensemble cartographie vise à combiner les points forts de plusieurs modèles corrélatifs, tout en minimisant le poidsAIBLESSE d'un modèle quelconque 30. Nous croyons que ce fut le cas dans notre étude; cependant, nous mettons en garde que les modèles qui sous – performent (ie, sous-prédire ou surestimer) peuvent affaiblir les résultats globaux. L'utilisation limitée de cartographie ensemble dans la littérature a eu des résultats favorables, mais la plupart de ces approches ont tenté de «prédire» la présence des espèces plutôt que de «détecter». En outre, la cartographie d'ensemble permet une évaluation visuelle de l'incertitude parmi les différentes méthodes de modélisation, l'identification des niveaux de modèle d'accord. Le plus souvent , il est le choix de la méthode de modélisation (par exemple, GLM contre BRT) qui a un impact plus grand quantifiable sur les résultats du modèle plutôt que d' autres décisions dans le processus de modélisation tels que l' emplacement incertitude des données 31. Bien que nous croyons que notre meilleure carte de tamaris est l' endroit où tous les cinq modèles sont en accord, des tests supplémentaires et l' utilisation de différentes méthodes de cartographie ensemble est recommandée (par exemple, pondérée par l' ASC) 32 </ Sup>, et mieux validés par des observations de terrain indépendants. En résumé, ces méthodes peuvent être facilement adaptés pour modéliser la distribution d'autres espèces en utilisant des variables environnementales dérivées pour une région d'étude donnée dans SAHM.
Disclosures
The authors have nothing to disclose.
Acknowledgements
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.
Materials
| 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 |
References
- Evangelista, P. H., Stohlgren, T. J., Morisette, J. T., Kumar, S. Mapping invasive tamarisk (Tamarix): a comparison of single-scene and time-series analyses of remotely sensed data. Remote Sensing. 1, 519-533 (2009).
- DiTomaso, J. M. Impact, biology, and ecology of saltcedar (Tamarix spp.) in the southwestern United States. Weed Technology. 12, 326-336 (1998).
- Evangelista, P., Kumar, S., Stohlgren, T., Crall, A., Newman, G. Modeling above-ground biomass of Tamarisk ramosissima in the Arkansas River Basin of Southeastern Colorado, USA. Western North American Naturalist. 67 (4), 503-509 (2007).
- Hirano, A., Madden, M., Welch, R. Hyperspectral image data for mapping wetland vegetation. Wetlands. 23 (2), 436-448 (2003).
- Ge, S., Carruthers, R., Gong, P., Herrera, A. Texture analysis for mapping Tamarix pariviflora using aerial photographs along Cache Creek, California. Environmental Monitoring and Assessment. 114, 65-83 (2006).
- Hamada, Y., Stow, D. A., Coulter, L. L., Jafolla, J. C., Hendricks, L. W. Detecting tamarisk species (Tamarisk spp.) in riparian habitats of Southern California using high spatial resolution hyperspectral imagery. Remote Sensing of Environment. 109, 237-248 (2007).
- York, P., Evangelista, P., Kumar, S., Graham, J., Flather, C., Stohlgren, T. A Habitat Overlap Analysis derived from Maxent for Tamarisk and the Southwestern Willow Flycatcher. Frontiers of Earth Science. 5 (2), 120-129 (2011).
- Myneni, R. B., Ramakrishna, R., Nemani, R., Running, S. W. Estimation of global leaf area index and absorbed par using radiative transfer models. Geoscience and Remote Sensing. 35 (6), 1380-1393 (1997).
- Todd, S. W., Hoffer, R. M., Milchunas, D. G. Biomass estimation on grazed and ungrazed rangelands using spectral indices. International Journal of Remote Sensing. 19 (3), 427-438 (1998).
- Rouse, J. W., Haas, R. H., Schell, J. A., Deering, D. W. Monitoring vegetation systems in the Great Plains with ERTS. Proceedings of the Third Earth Resources Technology Satellite-1 Symposium. , (1974).
- Huete, A. R. A Soil-Adjusted Vegetation Index (SAVI). Remote Sensing of Environment. 25, 295-309 (1988).
- Kauth, R. J., Thomas, G. S. The tasselled cap – a graphic description of the spectral-temporal development of agricultural crops as seen in Landsat. Proceedings of the Symposium on Machine Processing of Remotely Sensed Data. , 41-51 (1976).
- Cohen, W. B., Spies, T. A., Fiorella, M. Estimating the age and structure of forests in a multi-ownership landscape of western Oregon, USA. International Journal of Remote Sensing. 16, 721-746 (1995).
- Jin, S., Sader, S. Comparison of time series tasselled cap wetness and the normalized difference moisture index in detecting forest disturbances. Remote Sensing of Environment. 94 (3), 364-372 (2005).
- Crist, E. P. A TM Tasseled Cap equivalent transformation for reflectance factor data. Remote Sensing of Environment. 17 (3), 301-306 (1985).
- Lindauer, I. E. A comparison of the plant communities of the South Platte and Arkansas River drainages in eastern Colorado. The Southwestern Naturalist. 28 (3), 249-259 (1983).
- Guisan, A., Zimmerman, N. Predictive habitat distribution models in ecology. Ecological Modeling. 135, 147-186 (2000).
- Friedman, J. H., Hastie, T., Tibshirani, R. Additive logistic regression: a statistical view of boosting. Annals of Statistics. 28 (2), 337-407 (2000).
- Breiman, L. Random forests. Machine Learning. 45 (1), 5-32 (2001).
- Friedman, J. H. Multivariate adaptive regression splines. Annals of Statistics. 19 (1), 1-141 (1991).
- McCullagh, P., Nelder, J. A. . Generalized Linear Models, 2nd ed. , (1989).
- Phillips, S. J., Anderson, R. P., Schapire, R. E. Maximum entropy modeling of species geographic distributions. Ecological Modelling. 190 (3-4), 231-259 (2006).
- Araujo, M. B., New, M. Ensemble forecasting of species distributions. Trends in Ecology and Evolution. 22, 42-47 (2007).
- Elith, J., Graham, C. H. Do they? How do they? Why do they differ? On finding reasons for differing performances of species distribution models. Ecography. 32, 66-77 (2009).
- Freire, J., Silva, C., Callahan, S., Santos, E., Schedegger, C., Moreau, L., Foster, I. Managing rapidly-evolving scientific workflows. International Provenance and Annotation Workshop (IPAW). , 10-18 (2006).
- Morisette, J. T., Jarnevich, C. S., Holcombe, T. R., Talbert, C. B., Ignizio, D., Talbert, M. K., et al. VisTrails SAHM: visualization and workflow management for species habitat modeling. Ecography. 36 (2), 129-135 (2013).
- Fielding, A. H., Bell, J. F. A review of methods for the assessment of prediction errors in conservation presence/absence models. Environmental Conservation. 24, 38-49 (1997).
- Allouche, O., Tsoar, A., Kadmon, R. Assessing the accuracy of species distribution models: prevalence, kappa and the true skill statistic (TSS). Journal of Applied Ecology. 43 (6), 1223-1232 (2006).
- Stohlgren, T. J., Ma, P., Kumar, S., Rocca, M., Morisette, J., Jarnevich, C. S. Ensemble habitat mapping of invasive plant species. Risk Analysis. 30, 224-235 (2010).
- Dormann, C. F., Purschke, O., Marquez, J. R. G., Lautenbach, S., Schrader, B. Components of uncertainty in species distribution analysis: A case study of the great grey shrike. Ecology. 89, 3371-3386 (2008).
- Marmion, M., Parviainen, M., Luoto, M., Heikkinen, R. K., Thuiller, W. Evaluation of consensus methods in predictive species distribution modelling. Diversity and Distributions. 15, 59-69 (2009).
