将遥感技术与物种分布模型相结合：利用栖息地建模辅助软件（SAHM）绘制柽柳入侵分布图

检测入侵植物物种对于自然资源管理和生态系统保护至关重要。在本研究中，我们展示了利用新开发的“栖息地建模辅助软件”处理遥感数据，以预测景观尺度上入侵物种分布的有效性。大家好，我是汤姆·斯托尔格伦（Tom Stohlgren），科罗拉多州立大学自然资源生态实验室的高级科学家。

这是柽柳。它原产于南非、亚洲、欧洲以及中东部分地区，但并不产于本地。也就是说，它并非美国西南部或我们今天所在的科罗拉多州拉琼纳附近的原生物种。

柽柳比较特殊，它是一种兼性旱生植物，这意味着它既可以远离溪流生长，也可以紧靠溪流生长。它具有主根，可向下延伸超过30米。试想从这里向前走30步，这就是其主根能够达到的深度。

因此，它比该地区的一些本土物种更能耐受干旱条件。如果没有柽柳，本土物种将有更多生长空间，从而吸引更多的本土蝴蝶和传粉昆虫，正如我们在此处的兔耳草上所见到的那样。此处的柽柳灌木正直接与本土植被竞争。

在这种情况下，是原生的棉白杨。在我身后，我们有一片非常茂密、面积广阔的树林，可能有一平方公里全是柽柳。

由于落叶以及枯死的枝条，这里存在真正的火灾隐患。在街道的另一侧，我们看到的是柳属（Salix）植物，即柳树，其叶片非常青翠且湿润，比这一侧的柽柳更不易引发火灾。我们所在的这片区域，正是柽柳入侵牧场的地点。

这一点非常重要，因为它实际上减少了这些牛可以放牧的草原面积。柽柳与许多入侵植物一样，在整个生长季节表现出与本地河岸物种物候不同的物候变化。例如，在某些地区，柽柳的展叶期早于一些本地河岸植物，并且其叶片保留时间比其他本地物种更长。

通过利用整个生长季的卫星数据时间序列，我们可以利用这些物候差异来帮助区分柽柳与本土植物。自1972年以来，Landsat卫星一直在地球轨道上运行，是检测景观尺度上柽柳分布及其物候特征的理想影像来源。Landsat是NASA与美国地质调查局（USGS）的联合项目，空间分辨率为30米，时间分辨率为16天。

本研究的目标是在栖息地建模辅助软件中，利用从科罗拉多州阿肯色河流域由柽柳联盟开展的野外详细测绘工作中获取的Landsat 5影像和柽柳分布点数据，对五种不同的物种分布模型进行测试与评估；并基于模型输出结果，绘制研究区域内柽柳分布的精确分布图。该概念图展示了本研究方法的整体概览。

柽柳的野外数据源自柽柳联盟在2005年和2006年收集的矢量多边形数据集。陆地卫星5号专题制图仪（Landsat 5 Thematic Mapper）数据从地球探索者（Earth Explorer）获取，覆盖与柽柳野外数据相对应年份的时段。生长季的每个月至少获取了一个影像场景。

利用遥感指数推导工具，我们从陆地卫星影像中推导出光谱指数，以区分景观上柽柳与其他物种的光谱特征。这些指数以及柽柳的野外调查数据被作为输入，用于软件辅助生境模型中的五种物种分布模型。模型输出结果通过独立数据集进行验证，并采用集成方法生成研究区域内柽柳的物种分布图。

为了绘制一片大面积柽柳群落的分布图，我将选择一个起始位置，靠近边界处的灌木，然后围绕整个区域依次选取多个位置，如此进行。该方法曾由柽柳防治联盟采用，用于采集柽柳的xy坐标位置。使用GPS设备，选择“标记”，然后向上滚动以命名该点。

您将看到屏幕上该点的纬度和经度。完成后，选择“完成”。我们从 earthexplorer.usgs.gov 下载了 Landsat 5 专题制图仪（Thematic Mapper）影像。

如果您已有账户，请登录。否则，请注册账户以下载数据。首先，输入 Landsat 影像场景的轨道号（Path）和行号（Row），以覆盖研究区域。

本研究使用了第32条路径、第34行。选择与您所查找影像相对应的日期范围。我们选择了2005年4月至2006年11月，该时间段与柽柳数据的采集时间一致。

然后，选择数据集，向下滚动至 Landsat 存档，选择 Landsat 表面反射率产品。继续向下滚动，选择附加条件。

选择云量低于10%的影像，以确保获得最佳质量的图像。当您选择“结果”后，将显示可供下载的Landsat影像列表。为了从Landsat遥感影像中提取指数，我们从github.com下载了遥感指数提取工具。

我们运行了 Python 脚本，并在输出文件夹中选择了合适的卫星传感器、所需的指数，并设置了输入图像文件以存储文件。在本研究中，我们导出了各个波段，并使用了归一化植被指数（NDVI）、土壤调节植被指数（SAVI）以及缨帽变换的亮度、绿度和湿度指数。为了构建柽柳物种分布模型，我们在 VisTrails 程序中使用了 SAHM 软件包。

在本研究中，我们打开了随软件包下载附带的 SAMH 教程 2.0 VT 文件，并在该教程的历史记录视图中选择了“独立位置”工作流示例。本教程中还提供了其他示例。随后，我们进入流程视图以设置模型。

首先，我们选择“包”以更改会话文件夹。接着，我们选择模板图层模块，并导航至模板图层，以定义研究的投影、像元大小和范围。然后，我们选择野外数据模块，并定位到包含所采集的柽柳 xy 坐标信息的 CSV 文件。

接下来，我们选择预测因子列表文件，并导航至包含本研究预测因子列表的 CSV 文件。然后，我们选择田间数据查询，以定义田间数据 CSV 文件中的响应列、x 列和 y 列。接着，我们选择 MDS 构建模块，并将背景点数量设定为 10,000。

此位置还提供背景概率面选项。我们使用了背景概率面，在阿肯色河5,000米缓冲区内的值设为100，缓冲区外的区域值设为0。该设置基于我们研究中Tamerisk联盟采样的区域。

接下来，我们将Maxent模块添加到工作流程中，并将其连接至协变量相关性与筛选模块。增强回归树、广义线性模型、多变量自适应回归样条以及随机森林模块此前已位于工作流程中。随后，我们在工作流程中添加了一个模型输出查看器模块，并调整其列和行设置，以与其他模块保持一致。

接下来，我们在工作流程中选择一个唯一的输出名称作为子文件夹名称。然后，我们将一个集成构建器模块添加到工作流程中，并将其连接到全部五个模型。我们为该集成模型设置了阈值指标和阈值。

可根据研究目标对此进行调整。接下来，我们导航至包含柽柳独立测试数据集的 CSV 文件。再次选择“实地数据查询模块”后，我们在该独立文件中定义响应变量、x 列和 y 列。

我们在工作流程中添加了一个应用模型模块，并将其连接到独立数据集的MDS构建器模块和Maxent模块。我们还添加了另一个模型输出查看器，并将其连接到供给模型模块，同时调整了行列数以与其他模型保持一致。接下来，我们选择了软件包，将处理模式更改为逐个顺序执行单个模型，从而在模型运行期间可使用多个核心。

首先出现的界面是协变量相关性查看器，用于显示任意两个变量之间的相关性。我们的研究目标基于广义可加模型，剔除高度相关（即相关系数大于0.7）的变量。当两个变量高度相关时，我们根据每个变量解释的离差百分比来决定保留哪一个变量。

确定需要保留的协变量数量后，我们选择“确定”。模型构建完成后，将出现一个 VisTrail 电子表格。该电子表格可用于比较不同模型的结果，包括 AUC 图、文本输出、响应曲线、校准图、混淆矩阵和残差图。根据阈值独立和阈值依赖的评估指标，我们的结果显示这五种模型之间的差异极小。

根据这些指标，并在比较了每个模型生成的概率曲面后，我们确定这五个模型的集成方法适用于这些数据。集成制图旨在结合多种相关性方法的优势，同时尽量减少任一单一模型的弱点。然而，我们提醒注意，表现不佳的模型可能会削弱整体结果。

我们的结果表明，利用柽柳的分布点数据和时间序列的遥感 Landsat 卫星影像，拟合提升回归树、广义线性模型、多元自适应回归样条、随机森林以及 Maxent 模型，能够有效区分景观上的柽柳分布，是传统单景分类方法的一种有效替代方案。由这些模型生成的地图将为研究区域内的柽柳靶向控制工作提供重要的管理工具。