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.
Tidig upptäckt av invasiva växtarter är av avgörande betydelse för förvaltning av naturresurser och skydd av ekosystemprocesser. Användningen av fjärranalys för att kartlägga fördelningen av invasiva växter blir allt vanligare, har emellertid konventionella metoder bildbehandling programvara och klassificerings visat sig vara opålitliga. I denna studie, vi testa och utvärdera användningen av fem arter distributionsmodell tekniker passar med satellit fjärranalysdata för att kartlägga invasiv tama (Tamarix spp.) Längs floden Arkansas i sydöstra Colorado. De testade modellerna ingår ökat regressionsträd (BRT), Random Forest (RF), multivariat adaptiva regressions räfflor (Mars), generaliserad linjär modell (GLM), och MAXENT. Dessa analyser genomfördes med hjälp av en nyutvecklad mjukvara som kallas programvara för Assisted Habitat Modeling (SAHM). Samtliga modeller tränade med 499 närvaropunkter, 10.000 pseudo-frånvaropunkter och prediktorvariabler Anskaffningired från Landsat 5 tematiska Mapper (TM) sensor under en åttamånadersperiod att skilja tama från infödda strandvegetation med hjälp av detektering av fenologiska skillnader. Från Landsat scener använde vi enskilda band och beräknas ndvi (NDVI), Jord-Justerat Vegetation Index (SAVI), och tasseled utjämnade transformationer. Alla fem modeller identifierade nuvarande tamafördelning på landskapet framgångsrikt baserat på tröskeln oberoende och tröskelberoende mått utvärderings med oberoende lokaliseringsuppgifter. Att redogöra för modellspecifika skillnader, producerade vi en ensemble av alla fem modeller med karta utgång belysa områden av avtal och osäkerhetsfaktorer. Våra resultat visar användbarheten av distributions arter modeller att analysera fjärranalysdata och användbarheten av ensemblen kartläggning, och visa upp förmåga SAHM i förbearbetning och exekvera flera komplexa modeller.
Strand och våtmarker i hela sydvästra USA hotas av invasionen av tama (Tamarix spp.), En icke-nativ woody buske infördes från Eurasien på 1800-talet ett. Tama har många fysiologiska mekanismer som gör det möjligt för släktet att utnyttja vattenresurser, konkurrera ut inhemska arter, och ändra ekosystemprocesser 1-2. Kartläggning tamariskfördelningar för att bedöma miljöpåverkan och formulera effektiva kontrollstrategier har hög prioritet för resurshanterare. Även om markundersökningar fortfarande används regelbundet, de är opraktiska för extremt stora områden på grund av de tillhörande kostnader för arbetskraft, tid och logistik.
Fjärranalys har spelat en viktig men begränsad roll i att upptäcka och kartläggning av tamariskangrepp. Konventionell klassificering analyserar och fjärranalys programvara har haft marginell framgång 3-5. Flera nya studierhar undersökt icke-traditionella metoder för att upptäcka invasiva växter med hjälp av fjärranalys uppgifter 1,6. Tama, liksom många invasiva växter uppvisar fenologiska variation under hela växtsäsongen som skiljer sig från inhemska strand arter fenologi. I vissa områden, till exempel, är tama leaf out innan vissa inhemska strandväxter, och tama behåller sin bladverk längre än andra inhemska arter. Genom att använda spektralband och spektrala index härrör från en tidsserie satellitdata under hela växtsäsongen, kan vi skilja tama från inhemska växter baserade på dessa fenologiska skillnader 1,6. Med utgångspunkt i det arbete som Evangelista et al. 2009 1, i denna studie har vi bildat enskilda band 1-7 från en tidsserie av Landsat 5 tematiska Mapper (TM) satellitbilder och härrör ndvi (NDVI), mark justerade vegetation index (SAVI), och tasseled mössa omvandlingar från dessa band. normaliserad difference vegetation index (NDVI) är en av de mest använda spektrala index för att uppskatta vegetation biomassa, krontäckning, och bladyta index 8-9, och är en icke-linjär förändring av förhållandet mellan det synliga (röda) och nära- infraröda band 10. Jord justerade vegetation index (SAVI) är en modifierad NDVI används för att minimera effekterna av jord bakgrund på vegetation index 11. Tasseled cap transformationer är viktade kompositer av de sex Landsat banden i tre ortogonala band som mäter mark ljusstyrka (tasseled cap, band 1), vegetation grönhet (tasseled cap, band 2), och jord / vegetation våthet (tasseled cap, band 3) och används ofta för att skilja växtlighet sammansättning, åldersklass, och strukturera 12-14. Vi använde de koefficienter redovisas i Crist (1985) 15 för alla tasseled cap transformationer.
I denna studie, testar vi fem distributions arter modeller med en tidsserie av spektralband och grönttäcke nästan helt index härledda från Landsat 5 TM att karttama längs den nedre Arkansas River i sydöstra Colorado, USA. Floden Arkansas, som spänner över 2364 km (1469 mi), är den näst största biflod i Missouri-Mississippi systemet. Dess vattendelare täcker 435.123 km 2 (168.002 mi 2) med rinner i Colorado Rocky Mountains. Från sitt ursprung på 2965 m, Arkansas sjunker avsevärt i höjd, plana ut nära Pueblo, CO, och slingrande genom jordbruksmark och kort gräs prärien. Floden är föremål för säsongsmässiga översvämningar och lättnad på för kommunala och jordbruket vattenanvändning i Rocky Ford, La Junta, och Lamar, innan du fortsätter i Kansas, Oklahoma och Arkansas där den rinner ut i Mississippifloden. Tamaobserverades först på floden Arkansas av R. Niedrach 1913 nära dagens staden Lamar 16. Idag har det uppskattats att tama omfattar mer än 100 km 2 mellan Pueblo och Kansas statliga line, med ytterligare 60 km 2 längs bifloder floden Arkansas 17. Studien området finns bevattning diken, våtmarker, jordbruksmark, och confluences flera biflöden; alla med varierande grad av tama angrepp. Boskapsuppfödning och jordbruk är den primära land använder i anslutning till strand korridorer består till stor del av alfalfa, hö, majs och höstvete.
Arter distributionsmodeller är beroende av georefererade händelser (dvs latitud, longitud) för att identifiera relationer mellan en arts förekomst och dess omgivning 18. De miljödata kan innehålla flera fjärranalys och andra rumsliga lager. De fem distributions arter modeller vi testade inkluderar boostregressionsträd (BRT) 19, slump skogar (RF) 20, multivariata adaptiva regressions splines (MARS) 21, en generaliserad linjär modell (GLM) 22, och MAXENT 23. Dessa fem model algoritmer är bland de mest använda för modellering distributions arter, och ett antal studier har visat sin effektivitet 24-25. Vi använde programvara för Assisted Habitat Modeling (SAHM) v. 2.0 moduler för att utföra de fem modeller som återfinns i VisTrails v.2.2.2 26 visualisering och bearbetning programvara. Det finns flera fördelar med att använda SAHM för jämförande modellering. Förutom formaliseringen och foglig inspelning av modelleringsprocesser, tillåter SAHM användare att arbeta med flera distributions arter modell algoritmer som var för sig har skilda gränssnitt, programvara och filformat 27. SAHM ger konsekvent tröskel oberoende och tröskelberoende mått utvärderings utvärdera modellen fungerar. En av dessa är området under mottagaren kurvan (AUC), en tröskel oberoende mått som utvärderar förmågan hos en modell för att diskriminera närvaro från bakgrunds 28. AUC value av 0,5 eller mindre indikerar modellprediktioner är inte bättre eller sämre än slumpvis; värden mellan 0,5 och 0,70 indikerar dålig prestanda; och värden ökar 0,70-1,0 indikerar progressivt högre prestanda. En annan metriska är procent korrekt klassificerade (PCC), en tröskel beroende mått som väger känslighet och specificitet baserad på en användardefinierad tröskel metriska; känslighet mäter andelen observerade närvaro klassificeras som lämplig och specificitet mäter andelen bakgrundsplatser klassificeras som olämpliga. Ännu en metriska är sant Skill Statistik (TSS = känslighet + specificitet – 1), vilket ställer större vikt på modell känslighet än specificitet, med värden som varierar mellan -1 och 1, där värden> 0 indikerar bättre modell prestanda än en slump 29.
Att kartlägga tama använder modellens resultat, konstruerade vi binära klassificeringar använder den tröskel som utjämnar sensitivitet och specificitet för att definiera presence eller frånvaro av tama. Dessa enskild modell härledda kartor sedan summeras för att skapa en ensemble kartan 30. Ensemble kartor kombinera förutsägelser om enskilda distributions arter modeller för att producera en annons karta som rankar kollektivavtalet av de testade modeller. Till exempel, en ensemble cell värde på ett indikerar att endast en modell som klassificeras den cellen som lämplig livsmiljö, medan ett värde av fem indikerar att alla fem modeller klassificeras cellen som lämplig livsmiljö. En fördel med detta tillvägagångssätt är att ensemble kartor ger en lägre medelfel än någon enskild modell. Det gör det också möjligt för användare att visuellt jämföra resultatet för varje testad modell. Vårt övergripande mål var att ge en detaljerad beskrivning av dessa metoder som kan skräddarsys för att modellera den nuvarande fördelningen av arter på landskapet.
Våra resultat visar passande BRT, RF, MARS, GLM, och MAXENT med närvaro poäng för tama och en tidsserie fjärravkända Landsat satellitbilder data kan skilja tama på landskapet och är ett effektivt alternativ till traditionella enda scen klassificeringsmetoder. Det framgår av våra resultat att juni är en särskilt viktig tid för att detektera tama inom vårt studieområde; Detta överensstämmer med Evangelista et al. 2009 1 vilket indikerade juni Väta var den viktigaste prediktorn för tama förekomst i detta område grundar sig på en MAXENT modell passar med en tidsserie för Landsat bildspråk.
Andra spektrala index och band som ingick i BRT, RF, MARS, och MAXENT modeller kan dessutom skilja tama från jord substrat, andra lövträd inklusive poppel (Populus spp.) Och vide (Salix spp.), Eller bevattnas jordbruk som är vanligt i den nedreArkansas avrinningsområde. Andra GIS skikt, såsom topografi, jordarter, eller klimatdata kan också betraktas som kovariater och ingår i dessa modeller, men vi rekommenderar att hålla dessa till ett minimum om målet är att upptäcka nuvarande fördelningen arter på landskapet snarare än att förutspå potentiella förekomst eller lämplig livsmiljö.
De testade för vår forskning modeller förutsatt stark analytisk förmåga och flera alternativ till att utvärdera resultaten. Med alla dessa korrelativa modeller inom en och samma ram, såsom SAHM tillåter formalisering och foglig inspelning av modelleringsprocessen. För- och efterbearbetning av respons och prediktorvariabler är standardiserade i SAHM, möjliggör bättre och effektivare modelljämförelser, medan arbetsflöden registrera varje steg av analyserna som underlättar modifiering, upprepning och replikering.
Ensemble kartläggning syftar till att kombinera styrkorna hos flera korrelativa modeller, och samtidigt minimera weakness enligt något modell 30. Vi tror att detta var fallet i vår studie, dock varna vi att modeller som sämre (dvs underförutsäga eller överskatta) kan försvaga de övergripande resultaten. Den begränsade användningen av ensemble kartläggning i litteraturen har haft goda resultat, men de flesta av dessa metoder har försökt att "förutse" art förekomst snarare än "upptäcka". Vidare medger ensemble kartläggning för en visuell bedömning av osäkerhet bland de olika modelleringsmetoder, identifiera nivåer av modellavtal. Oftast är valet av modelleringsmetod (t.ex. GLM kontra BRT) som har störst mätbar inverkan på modellresultat snarare än andra beslut i modelleringsprocessen såsom läge dataosäkerhet 31. Även om vi tror att vår bästa tama karta är där alla fem modeller är överens, krävs ytterligare testning och användning av olika metoder för ensemble kartläggning rekommenderas (t.ex. viktas med AUC) 32 </ Sup>, och bäst validerade genom oberoende fältobservationer. Sammanfattningsvis kan dessa metoder lätt skräddarsys för att modellera spridningen av andra arter med hjälp av miljövariabler som erhållits för en given studie region 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 |