שילוב חישה מרחוק עם מודלי הפצת מינים; פלישות מיפוי אשל בעזרת התוכנה עבור דוגמנות Habitat Assisted (SAHM)

איתור מיני צמחים פולשים חיוני לניהול משאבי הטבע ולהגנה על המערכת האקולוגית. במחקר זה, אנו מדגימים את התועלת של נתוני חישה מרחוק, בתוכנה שפותחה לאחרונה למידול בתי גידול בסיוע, וחיזוי הופעת מינים פולשים בנוף. היי, אני טום סטולגרן, מדען בכיר במעבדה לאקולוגיה של משאבי טבע באוניברסיטת קולורדו.

זה טמריסק. הוא יליד דרום אפריקה, אסיה, אירופה וחלקים מהמזרח התיכון, אבל הוא לא מכאן. כלומר, זה לא מין מקומי בחלק הדרום-מערבי של ארצות הברית, או ליד לה ג'ונה, קולורדו, שם אנחנו נמצאים היום.

טמריסק הוא יוצא דופן, בכך שהוא פריאטופיט פקולטטיבי, מה שאומר שהוא יכול לחיות רחוק מנחל, או ממש לאורך נחל. יש לו שורש שיורד למטה, למעלה מ-30 מטר. אז דמיינו שאתם הולכים 30 צעדים מכאן, וזה עד כמה השורש הזה יכול לרדת.

כך שהוא יכול לעמוד בתנאי בצורת קצת יותר טוב מכמה מהמינים המקומיים באזור. ללא הטמריסק, היה הרבה יותר מקום למינים מקומיים, המושכים פרפרים ומאביקים מקומיים, כפי שאנו רואים כאן, על מברשת הארנב. כאן יש לנו את שיחי הטמריסק, המתחרים ישירות עם הצמחייה המקומית.

במקרה זה, יליד קוטונווד. מאחוריי, יש לנו יציע צפוף מאוד, יציע גדול מאוד. אולי קילומטר רבוע של שום דבר מלבד טמריסק.

על ידי נשירת עלים, ועם ענפים מתים וגוססים, זו סכנת שריפה אמיתית. בצד השני של הרחוב, יש לנו את סאליקס, יש לנו ערבה, שהיא ירוקה ולחה מאוד, והרבה פחות נוטה לאש מאשר הטמריסק בצד הזה. אנחנו כאן באתר שבו טמריסק פולש לאדמת מרעה.

עכשיו, זה חשוב כי זה למעשה מצמצם את שטח המרעה שהפרות האלה יכולות לרעות עליו. טמריסק, כמו צמחים פולשים רבים, מציג שונות פנולוגית לאורך עונת הגידול, השונה מהפנולוגיה של מינים מקומיים על גדות הנהר. באזורים מסוימים, למשל, עלה טמריסק החוצה, נמצא לפני כמה צמחי גדות מקומיים, מכיוון שהטמריסק שומר על העלווה שלו זמן רב יותר ממינים מקומיים אחרים.

על ידי שימוש בסדרת זמן של נתוני לוויין לאורך עונת הגידול, אנו יכולים להשתמש בהבדלים הפנולוגיים האלה כדי לסייע להבחין בין טמריסק לצמחים מקומיים. לווייני Landsat מקיפים את כדור הארץ מאז 1972, והם מקור התמונה האידיאלי לגילוי תפוצת טמריסק ופנולוגיה בנוף. עם רזולוציה מרחבית של 30 מטרים, ותוצאה זמנית של 16 ימים, לנדסט היא תוכנית משותפת של נאס"א ו-USGS.

מטרותינו במחקר זה היו לבחון ולהעריך חמישה מודלים שונים של התפלגות מינים, בתוכנה למודלים של בתי גידול מסייעים, תוך שימוש בתמונות Landsat 5 ונקודות נוכחות של טמריסק, שנרכשו מקמפיין מיפוי שדה אינטנסיבי שנערך על ידי קואליציית Tamarisk, לאורך נהר ארקנסו, בקולורדו. וליצור מפה מדויקת של התפלגות ה-tamarisk באזור המחקר, על סמך תפוקות המודל. תרשים מושגי זה מספק סקירה כללית של המתודולוגיה שלנו במחקר זה.

נתוני השדה של טמריסק נגזרו ממערך נתונים של מצולע וקטורי, שנאסף על ידי קואליציית טמריסק, בשנים 2005 ו-2006. נתוני Landsat 5 Thematic Mapper נרכשו מ-Earth Explorer, עבור השנים התואמות לנתוני שדה הטמריסק. לפחות סצנה אחת מכל חודש בעונת הגידול נאספה.

באמצעות כלי גזירת מדדי החישה מרחוק, הפקנו מדדים ספקטרליים מתמונות Landsat, כדי להבחין בין החתימה הספקטרלית של טמריסק לבין מינים אחרים בנוף. מדדים אלה, ונתוני שדה הטמריסק, היו תשומות, בחמישה מודלים של התפלגות מינים, בתוך התוכנה למידול בתי גידול בסיוע. תפוקות המודל נבדקו עם מערך נתונים עצמאי, ונעשה שימוש בגישת אנסמבל ליצירת מפות תפוצת מינים של טמריסק באזור המחקר.

כדי למפות דוכן גדול של טמריסק, יהיה לי מיקום התחלה, הקרוב ביותר לשיח על הגבול, ואז אמשיך לבחור את המיקומים שלי סביב כל החלקה, ככה. זו הייתה המתודולוגיה, שהופעלה על ידי קואליציית טמראיסק כדי לאסוף מיקומים xy של טמראיסק. באמצעות GPS, בחר/י ״סמן״ וגלול/י מעלה כדי לתת שם לנקודה.

תראה את קו הרוחב והאורך של הנקודה על המסך. בחר סיום, בסיום. הורדנו את סצנות המיפוי הנושאי של Landsat 5, מ-earthexplorer.usgs.gov.

אם כבר יש לכם חשבון, התחברו. אחרת, הירשם לחשבון להורדת נתונים. ראשית, הקלד את הנתיב והשורה של סצנת Landsat, המקיפה את אזור המחקר.

המחקר שלנו השתמש בנתיב 32, שורה 34. בחר את טווח התאריכים המתאים לסצנות שאתה מחפש. בחרנו את אפריל 2005, עד נובמבר 2006, כאשר נאספו נתוני הטמריסק.

לאחר מכן, בחר מערכי נתונים וגלול מטה אל ארכיון Landsat. בחר את מוצר השתקפות פני השטח של Landsat. גלול מטה ובחר קריטריונים נוספים.

בחר פחות מ-10% כיסוי ענן, כדי להבטיח את התמונות האיכותיות ביותר. כאשר תבחר תוצאות, תופיע רשימה של סצנות Landsat זמינות להורדה. כדי לגזור מדדים מתמונות החישה מרחוק של Landsat, הורדנו את כלי גזירת מדדי החישה מרחוק מ-github.com.

הרצנו את סקריפט Python, ובחרנו את חיישן הלוויין המתאים, את האינדקסים הרצויים, והגדרנו את קובץ תמונת הקלט, בתיקיית הפלט לקבצים לאחסון. במחקר שלנו, ייצאנו את הרצועות הבודדות, והשתמשנו במדדי בהירות, ירוקות ורטיבות של NDVI, SAVI ו-Tasseled Cap. כדי לפתח את מודלי התפלגות המינים של Tamarisk, השתמשנו בחבילת התוכנה SAHM שהשתמשנו בה במסגרת תוכנית VisTrails.

לצורך המחקר שלנו, פתחנו את קובץ SAMH tutorial 2.0 VT, שהגיע עם הורדת החבילה, ובחרנו את הדוגמה של זרימת העבודה של מיקומים עצמאיים, בתצוגת ההיסטוריה של ערכת לימוד זו. דוגמאות אחרות זמינות גם במדריך זה. לאחר מכן עברנו לתצוגת Pipeline, כדי להגדיר את המודלים.

תחילה, בחרנו חבילות, כדי לשנות את תיקיית ההפעלה. לאחר מכן, בחרנו את מודול שכבת התבנית, וניווטנו לשכבת התבנית, שתגדיר את ההקרנה, גודל התא והיקף המחקר. לאחר מכן, בחרנו את מודול נתוני השדה, וניווטנו לקובץ ה-CSV, המכיל קואורדינטות xy עבור tamerisk, שנאספו.

לאחר מכן, בחרנו את קובץ רשימת החיזוי וניווטנו לקובץ ה-CSV המכיל את רשימת המנבאים שלנו למחקר זה. לאחר מכן, בחרנו את שאילתת נתוני השדה כדי להגדיר את העמודה תגובה, עמודת x ועמודה y בתוך קובץ ה- CSV של נתוני שדה שלנו. לאחר מכן, בחרנו את מודול MDS Builder, והגדרנו את ספירת נקודות הרקע כ-10,000.

אפשרות משטח הסתברות רקע זמינה גם במיקום זה. השתמשנו במשטח הסתברות רקע עם ערכים של 100, בתוך חיץ של 5,000 מטר מנהר ארקנסו, ו-0, עבור אזורים מחוץ למאגר זה. זה התבסס על האזורים שנדגמו על ידי קואליציית Tamerisk במחקר שלנו.

לאחר מכן, הוספנו את מודול Maxent לזרימת העבודה שלנו, וחיברנו אותו למודול המתאם והבחירה של המשתנים. עץ הרגרסיה המוגבר, המודל הליניארי המוכלל, קווי הרגרסיה האדפטיבית הרב-משתנים ומודולי היער האקראיים, כבר היו ממוקמים בזרימת העבודה. לאחר מכן, הוספנו מודול מציג פלט מודל לזרימת העבודה, ושינינו את העמודה והשורה כך שיתאימו למודולים האחרים.

לאחר מכן, בחרנו שם פלט ייחודי כשם תיקיית משנה בתוך זרימת העבודה. לאחר מכן, הוספנו מודול Ensemble Builder לזרימת העבודה, וחיברנו אותו לכל חמשת הדגמים. קבענו את מדד הסף וערך הסף שלנו עבור ההרכב.

ניתן לשנות זאת בהתאם למטרות המחקר. לאחר מכן, ניווטנו לקובץ CSV, המכיל את מערך נתוני הבדיקה העצמאי שלנו של tamarisk. שוב, כאשר מודול שאילתת נתוני השדה נבחר, אנו מגדירים את העמודות תגובה, x ו- y בתוך הקובץ העצמאי.

הוספנו מודול החל מודל לזרימת העבודה, וחיברנו אותו למודול MDS Builder עבור מערך הנתונים העצמאי, ולמודול Maxent. הוספנו גם מציג פלט דגם נוסף, וחיברנו אותו למודול מודל האספקה, ושינינו את העמודה והשורה כך שיתאימו לדגמים האחרים. לאחר מכן, בחרנו חבילות, כדי לשנות את מצב העיבוד למודל יחיד ברצף, מה שמאפשר להשתמש ביותר מליבה אחת במהלך ביצוע המודל.

המסך הראשון שמופיע, הוא מציג מתאם משתנה, המציין את המתאם בין כל שני משתנים. מטרות המחקר שלנו התבססו על השמטת משתנים שהיו בקורלציה גבוהה, או גדולים מנקודה שבע, בהתבסס על מודל תוסף כללי. השתמשנו באחוזים המוסברים עבור כל משתנה, כדי להחליט איזה משתנה לשמור, במקרה ששני משתנים היו בקורלציה גבוהה.

לאחר שקיבלנו החלטה על מספר הווריאנטים שיש לשמור, בחרנו באישור. לאחר השלמת המודלים, יופיע גיליון אלקטרוני של VisTrail. ניתן להשתמש בגיליון אלקטרוני זה כדי להשוות את תוצאות המודל, כולל עלילות AUC, פלטי טקסט, עקומות תגובה, עלילות כיול, מטריצות בלבול ותרשימים שיוריים. עבור התוצאות שלנו, היה הבדל קטן מאוד בין חמשת המודלים, בהתבסס על מדדי הערכה בלתי תלויים בסף ומדדי הערכה תלויי סף.

בהתבסס על מדדים אלה, ולאחר השוואת משטחי הסתברות שנוצרו על ידי כל מודל, החלטנו שאנסמבל של חמשת המודלים הוא גישה מתאימה לנתונים אלה. Ensemble Mapping, שואף לשלב את החוזקות של מספר שיטות מתאם, תוך מזעור החולשות של כל מודל אחד. עם זאת, אנו מזהירים כי מודלים עם ביצועים נמוכים, עלולים להחליש את התוצאות הכוללות.

התוצאות שלנו מדגימות התאמה של עץ רגרסיה מוגברת, מודל ליניארי כללי, קווי רגרסיה אדפטיבית רב-משתנים, יער אקראי ומקסנט, עם נקודות נוכחות עבור טמריסקים, וסדרת זמן, של תמונות לוויין של Landsat בחישה מרחוק, יכולה להבחין בטמריסק בנוף, ומהווה אלטרנטיבה יעילה לשיטות סיווג סצנה בודדות מסורתיות. מפות המופקות ממודלים אלה, יספקו כלי ניהול חשוב למאמצי בקרת טמריסק ממוקדים באזור המחקר.