دمج الاستشعار عن بعد مع الأنواع نماذج التوزيع. رسم الخرائط الطرفاء الغزوات باستخدام برمجيات بمساعدة الموئل النمذجة (SAHM)

الكشف عن الأنواع النباتية الغازية أمرا حيويا لإدارة الموارد الطبيعية وحماية النظام البيئي. في هذه الدراسة ، نوضح فائدة بيانات الاستشعار عن بعد ، في البرنامج المطور حديثا لنمذجة الموائل المساعدة ، والتنبؤ بحدوث الأنواع الغازية على المناظر الطبيعية. مرحبا ، أنا توم ستولغرين ، عالم أول في مختبر بيئة الموارد الطبيعية ، بجامعة ولاية كولورادو.

هذا هو tamarisk. إنه موطنه الأصلي جنوب إفريقيا وآسيا وأوروبا وأجزاء من الشرق الأوسط ، لكنه ليس من هنا. أي أنها ليست نوعا محليا في الجزء الجنوبي الغربي من الولايات المتحدة ، أو بالقرب من لاجونا ، كولورادو ، حيث نحن اليوم.

Tamarisk غير عادي ، من حيث أنه نبات فريتوفيتي اختياري ، مما يعني أنه يمكن أن يعيش بعيدا عن الخور ، أو على طول الخور مباشرة. لها جذر رئيسي ينخفض ، أعلى من 30 مترا. لذا تخيل أنك تسير 30 خطوة من هنا ، وهذا هو المدى الذي يمكن أن ينخفض إليه هذا الجذر.

لذلك يمكنها تحمل ظروف الجفاف بشكل أفضل قليلا من بعض الأنواع المحلية في المنطقة. بدون التاماريسك ، سيكون هناك مساحة أكبر للأنواع المحلية ، التي تجذب الفراشات والملقحات المحلية ، كما نرى هنا ، على فرشاة الأرانب. هنا لدينا شجيرات tamarisk ، تتنافس بشكل مباشر مع النباتات المحلية.

في هذه الحالة ، خشب قطن أصلي. خلفي ، لدينا منصة كثيفة للغاية ، منصة كبيرة جدا. ربما كيلومتر مربع لا شيء سوى tamarisk.

عن طريق إسقاط الأوراق ، ومع الأغصان الميتة والمحتضرة ، يعد هذا خطرا حقيقيا على الحريق. على الجانب الآخر من الشارع ، لدينا Salix ، لدينا الصفصاف ، وهو أخضر جدا ورطب ، وأقل عرضة للحريق من tamarisk على هذا الجانب. نحن هنا في موقع يغزو فيه tamarisk أرض المراعي.

الآن ، هذا مهم لأنه في الواقع يقلل من مساحة المراعي التي يمكن أن ترعى عليها تلك الأبقار. يظهر Tamarisk ، مثل العديد من النباتات الغازية ، تباينا فينولوجيا طوال موسم النمو ، والذي يختلف عن فينولوجيا الأنواع الأصلية على ضفاف النهر. في بعض المناطق ، على سبيل المثال ، تكون أوراق tamarisk قبل بعض النباتات النهرية المحلية ، حيث تحتفظ tamarisk بأوراقها لفترة أطول من الأنواع المحلية الأخرى.

باستخدام سلسلة زمنية من بيانات الأقمار الصناعية طوال موسم النمو ، يمكننا استخدام هذه الاختلافات الفينولوجية للمساعدة في التمييز بين النباتات المحلية والنباتات المحلية. تدور أقمار Landsat حول الأرض منذ عام 1972 ، وهي المصدر المثالي للصور للكشف عن توزيع tamarisk ، والفينولوجيا على المناظر الطبيعية. مع دقة مكانية تبلغ 30 مترا ، ونتيجة زمنية تبلغ 16 يوما ، فإن Landsat هو برنامج مشترك بين وكالة ناسا وهيئة المسح الجيولوجي الأمريكية.

كانت أهدافنا في هذه الدراسة هي اختبار وتقييم خمسة نماذج مختلفة لتوزيع الأنواع ، في برنامج نمذجة الموائل المساعدة ، باستخدام صور Landsat 5 ونقاط وجود tamarisk ، التي تم الحصول عليها من حملة رسم خرائط ميدانية مكثفة أجراها تحالف Tamarisk ، على طول نهر أركنساس ، في كولورادو. وإنشاء خريطة دقيقة لتوزيع التماثل في منطقة الدراسة ، بناء على مخرجات النموذج. يقدم هذا الرسم البياني المفاهيمي نظرة عامة على منهجيتنا في هذه الدراسة.

تم اشتقاق البيانات الميدانية للتاماريسك من مجموعة بيانات مضلع متجهات ، جمعها تحالف Tamarisk ، في عامي 2005 و 2006. تم الحصول على بيانات Landsat 5 Thematic Mapper من Earth Explorer ، للسنوات المقابلة للبيانات الميدانية tamarisk. تم جمع مشهد واحد على الأقل من كل شهر من موسم النمو.

باستخدام أداة اشتقاق مؤشرات الاستشعار عن بعد ، اشتقنا المؤشرات الطيفية من صور Landsat ، لتمييز التوقيع الطيفي للتاماريسك عن الأنواع الأخرى في المناظر الطبيعية. كانت هذه المؤشرات ، والبيانات الميدانية tamarisk ، عبارة عن مدخلات ، في خمسة نماذج لتوزيع الأنواع ، ضمن برنامج نمذجة الموائل المساعدة. تم اختبار مخرجات النموذج باستخدام مجموعة بيانات مستقلة ، وتم استخدام نهج جماعي لإنشاء خرائط توزيع الأنواع للتاماريسك في منطقة الدراسة.

لرسم خريطة لحامل كبير من tamarisk ، سيكون لدي موقع بداية ، أقرب شجيرة على الحدود ، وبعد ذلك سأستمر في اختيار مواقعي حول الرقعة بأكملها ، مثل ذلك. كانت هذه هي المنهجية التي استخدمها تحالف Tamrarisk لجمع مواقع xy في tamaraisk. باستخدام نظام تحديد المواقع العالمي (GPS)، حدد "علامة"، ثم مرر لأعلى لتسمية النقطة.

سترى خطوط الطول والعرض للنقطة على الشاشة. حدد تم، عند الانتهاء. قمنا بتنزيل مشاهد Landsat 5 Thematic Mapper ، من earthexplorer.usgs.gov.

إذا كان لديك حساب بالفعل ، فقم بتسجيل الدخول. بخلاف ذلك، قم بالتسجيل للحصول على حساب لتنزيل البيانات. أولا ، اكتب مشهد المسار والصف في Landsat ، بما في ذلك منطقة الدراسة.

استخدمت دراستنا المسار 32 ، الصف 34. حدد النطاق الزمني المقابل للمشاهد التي تبحث عنها. اخترنا أبريل 2005 ، حتى نوفمبر 2006 ، عندما تم جمع بيانات tamarisk.

ثم حدد مجموعات البيانات، وقم بالتمرير لأسفل إلى أرشيف لاندسات. حدد منتج انعكاس سطح Landsat. قم بالتمرير لأسفل، وحدد معايير إضافية.

حدد أقل من 10٪ Cloud Cover ، لضمان أفضل جودة للصور. عند تحديد النتائج، ستظهر قائمة بمشاهد لاندسات المتاحة للتنزيل. لاشتقاق المؤشرات من صور الاستشعار عن بعد لاندسات، قمنا بتنزيل أداة اشتقاق مؤشرات الاستشعار عن بعد من github.com.

قمنا بتشغيل البرنامج النصي Python ، وحددنا مستشعر القمر الصناعي المناسب ، والمؤشرات المطلوبة ، وقمنا بتعيين ملف صورة الإدخال ، في مجلد الإخراج للملفات المراد تخزينها. في دراستنا ، قمنا بتصدير النطاقات الفردية ، واستخدمنا مؤشرات سطوع NDVI و SAVI و Tas-Sha Cap والأخضر والرطوبة. لتطوير نماذج توزيع أنواع Tamarisk ، استخدمنا حزمة برامج SAHM التي استخدمناها داخل برنامج VisTrails.

بالنسبة لدراستنا، فتحنا ملف SAMH التعليمي 2.0 VT، الذي جاء مع تنزيل الحزمة، وحددنا مثال سير عمل المواقع المستقلة، ضمن طريقة عرض المحفوظات في هذا البرنامج التعليمي. تتوفر أمثلة أخرى أيضا في هذا البرنامج التعليمي. ثم انتقلنا إلى طريقة عرض خط الأنابيب، لإعداد النماذج.

أولا ، اخترنا الحزم ، لتغيير مجلد الجلسة. بعد ذلك ، حددنا وحدة طبقة القالب ، وانتقلنا إلى طبقة القالب ، والتي من شأنها تحديد الإسقاط وحجم الخلية ومدى الدراسة. بعد ذلك ، حددنا وحدة البيانات الميدانية ، وانتقلنا إلى ملف CSV ، الذي يحتوي على إحداثيات xy للترويض ، التي تم جمعها.

بعد ذلك ، حددنا ملف قائمة التنبؤات ، وانتقلنا إلى ملف CSV الذي يحتوي على قائمة التنبؤات الخاصة بنا لهذه الدراسة. بعد ذلك، حددنا استعلام بيانات الحقل لتحديد عمود الاستجابة والعمود x والعمود y داخل ملف CSV للبيانات الميدانية. بعد ذلك ، اخترنا وحدة MDS Builder ، وحددنا عدد نقاط الخلفية على أنه 10 ، 000.

يتوفر أيضا خيار "سطح احتمالية الخلفية" في هذا الموقع. استخدمنا سطح احتمالية الخلفية بقيم 100 ، ضمن 5 ، 000 متر من نهر أركنساس ، و 0 ، للمناطق خارج هذا المخزن المؤقت. استند هذا إلى المناطق التي تم أخذ عينات منها من قبل تحالف Tamerisk في دراستنا.

بعد ذلك ، أضفنا وحدة Maxent إلى سير العمل لدينا ، وربطناها بوحدة الارتباط والتحديد المتغير. كانت شجرة الانحدار المعززة والنموذج الخطي المعمم وشرائح الانحدار التكيفي متعدد المتغيرات ووحدات الغابات العشوائية موجودة بالفعل في سير العمل. بعد ذلك ، أضفنا وحدة عارض إخراج النموذج إلى سير العمل ، وقمنا بتغيير العمود والصف لمطابقة الوحدات النمطية الأخرى.

بعد ذلك ، اخترنا اسم إخراج فريد كاسم مجلد فرعي داخل سير العمل. بعد ذلك ، أضفنا وحدة Ensemble Builder إلى سير العمل ، وربطناها بجميع الطرز الخمسة. قمنا بتعيين مقياس العتبة وقيمة العتبة للمجموعة.

يمكن تغيير ذلك بناء على أهداف الدراسة. بعد ذلك ، انتقلنا إلى ملف CSV ، يحتوي على مجموعة بيانات الاختبار المستقلة الخاصة بنا من tamarisk. مرة أخرى ، مع تحديد وحدة استعلام بيانات الحقل ، نحدد أعمدة الاستجابة و x و y داخل الملف المستقل.

أضفنا تطبيق النموذج النمطي إلى سير العمل، وربطناها بوحدة منشئ MDS لمجموعة البيانات المستقلة، والوحدة النمطية Maxent. أضفنا أيضا عارض إخراج نموذج آخر ، وربطناه بوحدة نموذج الإمداد ، وقمنا بتغيير العمود والصف لمطابقة النماذج الأخرى. بعد ذلك ، اخترنا الحزم ، لتغيير وضع المعالجة إلى نموذج واحد بالتتابع ، مما يسمح باستخدام أكثر من نواة واحدة أثناء تنفيذ النموذج.

الشاشة الأولى التي تظهر هي عارض ارتباط متغير ، والذي يشير إلى الارتباط بين أي متغيرين. استندت أهداف دراستنا إلى إسقاط المتغيرات التي كانت شديدة الارتباط ، أو أكبر من النقطة السابعة ، بناء على نموذج مضاف معمم. استخدمنا النسبة المئوية للانحراف الموضحة لكل متغير ، لتحديد المتغير الذي يجب الاحتفاظ به ، في حالة وجود متغيرين مرتبطين ارتباطا كبيرا.

عندما اتخذنا قرارا بشأن عدد المتغيرات المشتركة التي يجب الاحتفاظ بها ، اخترنا موافق. بعد اكتمال النماذج، سيظهر جدول بيانات VisTrail. يمكن استخدام جدول البيانات هذا لمقارنة نتائج النموذج، بما في ذلك مخططات AUC ومخرجات النص ومنحنيات الاستجابة ومخططات المعايرة ومصفوفات الارتباك والمخططات المتبقية. بالنسبة لنتائجنا، كان هناك فرق ضئيل جدا بين النماذج الخمسة، استنادا إلى مقاييس التقييم المستقلة عن العتبة، ومقاييس التقييم المعتمدة على العتبة.

بناء على هذه المقاييس ، وبعد مقارنة الأسطح الاحتمالية التي ينتجها كل نموذج ، قررنا أن مجموعة من النماذج الخمسة كانت نهجا مناسبا لهذه البيانات. يهدف رسم الخرائط الجماعية إلى الجمع بين نقاط القوة في العديد من الأساليب المترابطة ، مع تقليل نقاط الضعف في أي نموذج واحد. ومع ذلك ، نحذر من أن النماذج التي لا تؤدي إلى ضعف النتائج الإجمالية.

توضح نتائجنا ملاءمة شجرة الانحدار المعزز ، والنموذج الخطي المعمم ، وخطوط الانحدار التكيفي متعددة المتغيرات ، والغابة العشوائية ، و Maxent ، مع نقاط وجود للتاماريسك ، وسلسلة زمنية ، لصور الأقمار الصناعية لاندسات المستشعرة عن بعد ، يمكن أن تميز تاماريسك على المناظر الطبيعية ، وهي بديل فعال لطرق تصنيف المشهد الفردي التقليدية. وستوفر الخرائط المستمدة من هذه النماذج أداة إدارية هامة لجهود مكافحة التربيس المستهدفة في منطقة الدراسة.