叶大戟的远程映射(大戟属植物esula,l .)在科罗拉多州的西北部

1介绍

叶大戟(大戟属植物esulal。)是一种多年生外来杂草丛生的物种,已成功建立在一个广泛的生态系统和毒草指示美国22个州(古德温et al ., 2001)。叶大戟很难根除,尽管大量使用除草剂,有针对性的放牧,和各种生物防治剂(古德温et al ., 2001)。叶大戟是适应范围广泛的生长条件,包括干扰区域,牧场,牧场,河的底部(安诚et al ., 2008)。

线性叶子,茎蓝绿色,绿色的小花儿,明亮的黄色苞片,成熟叶大戟很容易识别。个人茎可以每年生产超过200个种子,成熟时,可以从植物驱逐了15英尺(圣约翰Tilley, 2014)。种子小而活跃,容易通过水路输送到下游地区。组织包含一个包含ingenol乳白色的汁液,受伤时释放植物(拉里•Leistritz 2004)。一旦摄入,叶大戟可以对家畜有毒,马和野生动物,导致重大经济损失生产者和其他土地使用者(古德温et al ., 2001)。

叶大戟遥感映射进行了自1995年以来,当叶大戟与真正的彩色航空图像映射西奥多·罗斯福国家公园,发现与高接近水道(r²= .98)(安德森et al ., 1996)。多光谱传感器,记录反射在3 - 10在可见光谱谱带,已经使用在北达科他州mixed-grass草原(Casady et al ., 2006叶大戟是映射有67%的准确度,降低分类精度与草本植物生长时(Casady et al ., 2006)。

成功的远程检测叶大戟取决于捕捉光谱差异叶大戟和其他土地覆盖,与有限的光谱波段可以识别和图像叶大戟挑战(亨特andParker威廉姆斯,2006)。在异构景观魔鬼塔附近的国家纪念碑骗子县,怀俄明州,高光谱(遥感图像组成的,成千上万的光谱波长)分类中表现最好的草原植被,在洼地比高地,是由茂密的叶大戟在河岸地区和更长的盛开在潮湿的栖息地(威廉姆斯和雷蒙德,2002年)。在一项研究帕克和打猎。(2004),叶大戟与近红外(NIR)反射率更高,这也是已知与茂密的植被。叶大戟检测准确率达到了95%,和分类在mixed-prairie表现良好,比在森林地区河岸植被(威廉姆斯和雷蒙德,2002年)。艾草(艾tridentata无性系种群。tridentata)草原天鹅河谷,爱达荷州-94%的准确率为84% (格伦et al ., 2005)和-99.5%的准确率96% mixed-grass草原西奥多·罗斯福国家公园(奥尼尔et al ., 2000)。

叶大戟已经蔓延Yampa河沿岸的主要通道和建造灌溉沟渠40多年(Yampa河叶大戟协会,2018;2021年前,)。河250英里的Yampa河流•莫法特和Routt县、美国科罗拉多。增加叶大戟的存在在这个领域可以表明干扰和大洪水事件(Yampa河叶大戟科的项目,2018;古德温et al ., 2001)。Yampa去年自由流动的河流之一在美国西部,暂时季节性洪水淹没沙洲和梯田远离活动河道(梅里特和库珀,2000)。理解当前的叶大戟入侵程度高的空间分辨率是至关重要的,它的存在已经被观察到在河岸和泛滥平原之外,如丘陵草地,山坡,山的山脊。高空间分辨率是一个优先级,为小卫星群叶大戟远离主要入侵更有可能有效地管理和传播新领域(韦斯特布鲁克,2004)。这个项目的目的是:1)制作详细的地图当前叶大戟的侵扰Yampa河畔走廊与现货7卫星遥感和2),参观地点和验证叶大戟科的存在与否来描述分类性能。

2材料和方法

2.1研究区

航母的Yampa河流荒野的融合与绿河深处恐龙国家纪念碑。的Yampa河在调查中流经莫法特和Routt县、海顿、科罗拉多和恐龙之间国家纪念碑(图1)。那里,叶大戟已经入侵河岸等领域河岸和岛屿,目前推进juniper覆盖的高地森林,艾草灌丛带,草原和农田。图2。

2.2数据收集

2.2.1地面叶大戟的映射

地面映射的叶大戟发生在三个夏天从2019年到2021年,随着水位每年允许。映射是由利益相关者志愿者从Yampa河叶大戟科的项目(YRLSP)通过水沿着Yampa地图侵扰的程度的主要通道和河岸。覆盖广泛,与一个或多个观察者扫描叶大戟的主要通道的河岸木筏的周长入侵映射到全部或财产线,业主拒绝请求的映射。在每一站,位置和叶大戟的存在(密度、丰度和补丁大小),土地特征、植被类型和上层林冠覆盖记录地图上位置服务使平板电脑配备快(Agterra, 2017) (表1。)。所有信息导入到一个地理信息系统(GIS) (ArcMap 10.5 (ESRI 2018)和用于识别多叶大戟出现可见的图像。不直接使用这些映射的多边形作为分类训练样本,作为图像代表一个样本,叶大戟种植灌木和树下,和叶大戟的侵扰,太小了是由平板空间精度和图像的空间分辨率。

2.2.2卫星图像采集

YRLSP基金收购和预算购买一套现货7卫星图像从2019年7月初L3Harris地理空间(L3Harris地理空间,2019)。一开始在2019年夏天的凉爽和潮湿,所以这个抽样代表2019年的晚高峰开花。这个卫星图像的空间范围和结果分类涵盖了从海登,科罗拉多十字架山Yampa河道在1.5英里(图1)。图像由五个光谱波段,全色(1.5×1.5像素,450 - 745 nm)和四个多光谱:红色(625 - 695海里),绿色(530 - 590 nm),蓝色(450 - 520 nm),近红外(NIR), 760 - 890 nm) (6 m×6 m像素)。多光谱图像重新取样,大约4米×4米像素使用细分辨率全色波段ArcMap增加空间分辨率和识别最小的簇叶大戟科的植物可能用这个图像集。尽管这个像素的光谱图像的重采样,pan-sharpened图像显示谱模式,划定土地覆盖类,很难区分,就像是河岸干草草地,稀疏的草地植被和湿地。一旦pan-sharpened,乐队组合和代表性与突出对比试验地面映射叶大戟多边形和其他可辨认的土地覆盖类。

2.3数据分析

2.3.1训练和分类

一百零八培训多边形基于解释的清楚的叶大戟是数字化的YRLSP地面映射叶大戟在ArcMap的意象。志愿者地面测绘工作是必不可少的发展这些训练样本,覆盖位置的主要渠道全面和详细描述叶大戟的存在。此外,96个多边形为研究区域内的其他土地覆盖类开发(水、饲料领域,其他植被、道路结构、裸露的地面,等等)和组合来创建一个数据集“不是叶大戟”。这些训练多边形代表图像的叶大戟入侵,收集2019年7月,并导入程序R,现货7图像光谱反射值(红、绿、蓝、NIR)提取训练分类算法叶大戟和叶大戟。方法使用机器学习技术,即随机森林(Breiman和卡特勒,2001),从随机森林包程序R (Liaw维纳,2002)。对于这个分类,种植101棵树,和20%的训练样本是一个内部验证。两个分类地图发达与二进制分类“叶大戟”和“不叶大戟”类使用概率范围从0(最有可能不是叶大戟)1(最有可能是叶大戟)。

二进制叶大戟科的分类的精度评估是使用混淆矩阵进行分类和数字化训练数据,和用户的准确性、生产者的准确性和整体的精度。kappa系数分类精度进行了计算。调查不同的反射率为红、绿、蓝、和近红外波段,正确和错误分类映射叶大戟存在多边形选择分类图,提取和反射率值为每个类四个光谱波段。测试反射率的差异发现,错过了为每个光谱带叶大戟多边形,双向方差分析(方差分析)是在项目进行的R。

2.3.2验证

为了更好地理解分类性能,地面验证是由识别感兴趣的271点,尤其是疑似分类研究区域内的不匹配。这些区域被确定和讨论在2020年打开多个远程表与Yampa河讨论利益相关者了解该地区的YRLSP和地面进行映射的努力。这些位置选择覆盖广泛的栖息地类型和地区已知的叶大戟的侵扰。在这些地方,同一个类的四个或更多像素是广义多边形的同一个班。为了避免GPS定位不准确,验证点被放置在这些多边形的质心。2021年6月,这些验证点被浮动河和步行参观手持预排程序的GPS装置。选定的地点是散落在Yampa河国家野生动物区域,通过克雷格,科罗拉多州,小Yampa峡谷,通过轴向盆地。除了确认叶大戟存在缺失,二进制分类性能(正确或不正确的),地貌类型、植被类型、计数和鉴定的其他物种,洪水频率,叶大戟,树冠覆盖,裸露的地面记录(表1b)。

二进制和连续分类地图出口回到ArcMap分类值的提取,叶大戟科的分类方法存在多边形从Yampa河叶大戟科的项目从2021年地面映射和验证点。比例的正确确定叶大戟多边形二进制分类计算为每个级别的侵扰特征(即跟踪、低风险、中度风险和高的上层林冠覆盖侵袭特性)。特征记录地貌特征、植被类型、叶大戟封面和密度;上层林冠覆盖和裸露的地面的存在(表1。)。二进制分类(叶大戟和叶大戟)是适合逻辑回归来确定感染对分类精度的影响从地面映射数据。同样的方法应用于2021年的验证点,使用正确比例分类记录为每个级别的侵扰和二进制分类特征。结果是安装在一个逻辑回归模型来确定哪些感染特点(地貌类型、植被类型、计算其他物种的存在,洪水频率、比例叶大戟,比例的树冠覆盖,和比例裸露的地面)影响分类精度验证数据集内(表1b)。

3的结果

3.1图像分类

叶大戟训练样本确定随机森林分类的多光谱卫星图像的总体准确率90.7%。相同的分类导致了类生产商95.4%的准确性和叶大戟类用户的准确性88%(正面)(表2)。最后的精度指标计算的遥感分类是一个协议,系数卡帕(范围从−1 - 1,值接近于0显示分类的表现并不比随机和一个描述数据完美)。k = 0.902,表明我们的遥感分类描述叶大戟人口样本。正确分类叶大戟光谱反射率没有明显不同于错过了叶大戟反射率的红色,绿色和蓝色的谱带,但明显高于近红外光谱谱带(p值= 0.031)(表3)。

在一系列的环境和感染的条件下,正确的数量在地上不同映射数据集映射的存在位置。预测正确分类的可能性,减少地面映射叶大戟多边形是单身叶大戟科的植物感染(p值= 0.011),叶大戟位于河岸(p值= 0.036),叶大戟与灌木(p值= 0.021)和叶大戟增长与微量的裸露的地面(表4)。

3.2分类验证

就像地面映射叶大戟科的数据集,271地面验证点选择和访问代表了广泛的环境和侵扰的条件。这些验证点分为叶大戟,102 190被正确分类(分类精度为54%叶大戟)。190 271分被归类为叶大戟(70%),81年被列为不叶大戟(30%),271年和159年的总验证点正确分类(总体分类准确率在59%)。成功验证位置不同的分类和预测的可能性增加验证领域被正确分类为叶大戟出没,有较高的叶大戟封面(百分比p值= 5.8 e-08)和感染有明显的界限,或者离散补丁(p值= 0.0480)(表5)。植物种类,并被错误地归类为叶大戟和成长与错过叶大戟是光滑的布罗姆(叶片草地),杨柳(柳树sp。)和蒲公英(蒲公英officinalel .) (图3),而桑德伯格蓝草(Poa secundaj . Presl),西方麦草(Pascopyrum smithiiRydb),贫困杂草(Iva axillarisPursh)、蒲公英、curlycup gumweed (Grindelia squarrosaPursh),柽柳(甘蒙柽柳ramosissimal .)和whitetop (Lepidium drabal .)并被错误地归类为叶大戟(图4)。

4讨论

标识的分类方法映射叶大戟训练样本训练准确率达到了95.4%和90.7%的总体分类精度。如果发生却又映射,卫星图像与其他波长的近红外光谱可能是有用的,近红外光谱图像点七只涵盖760 - 890 nm的光谱。近红外反射率是唯一的光谱带,正确识别和错过了叶大戟多边形之间的明显不同,所以更多的乐队不同波长的近红外的可能是有用的在叶大戟独特的光谱特征的区别。叶大戟似乎可怕地识别在电磁波谱的狭窄部分被多光谱卫星影像产品(米切尔和格伦,2009年)。叶大戟的检出率不同,感染,包括单个叶大戟科的植物,叶大戟与微量的裸露的地面生长,叶大戟树生长在银行,和叶大戟与河岸灌木植被类型更有可能被我们错过了随机森林意象分类。这可能是因为存在一个叶大戟人口很难检测1)有限空间分辨率(4 m×4 m像素),2)银行地貌变化引起的季节性洪水期间卫星图像收集和验证之间映射,和3),茂密的灌木覆盖模糊叶大戟下入侵他们的树冠。上层林冠覆盖,但是,并不是一个重要的叶大戟科的分类的准确性。

在其他研究项目,利用遥感地图叶大戟,叶大戟增长低于上层林冠覆盖率,叶大戟在陡峭的山坡上,稀疏的绿叶大戟的人群,和小的叶大戟是错过了(安德森et al ., 1996;帕克和亨特,2004;格伦et al ., 2005),将与我们单独检测精度降低叶大戟科的植物和叶大戟增长低于灌木和树树冠。相比我们的挑战映射叶大戟在Yampa河的沿岸地区,检测精度的叶大戟映射骗子县,怀俄明州时改善生长在沿岸地区(威廉姆斯和雷蒙德,2002年;帕克和亨特,2004)。添加辅助空间数据,如植被地图和距离水道可以提高遥感分类结果(亨特et al ., 2010;Dubovik et al ., 2021)。此外,密集的公民科学数据的合并,不晦涩的叶大戟从研究区域内存在收集和提交可以合并,增加训练样本,并获取样本远离Yampa河河岸区域(Vaz et al ., 2019),但增加了时间分辨率的图像乘以系列的多个图像场景通过叶大戟开花。

这个项目的一个主要限制条件是2021年6月之间的差异验证映射和卫星图像数据收集2019年7月。图像采购由YRLSP预算有限,和2021点7购买和卫星图像分类是有益的,因为叶大戟入侵可能先进。如果进一步的遥感对映射进行一般叶大戟入侵区域,免费粗分辨率的多光谱图像像Sentinel-2 (10 m×10 m像素)都可以使用。叶大戟是一种根深蒂固的常年和一个多产的种子生产者(圣约翰Tilley, 2014Yampa河谷),很大程度上不受控制,叶大戟人群远离动态河岸不大可能减少,除了极端的环境条件,如干旱。施用除草剂在实验的阴谋在2019年的秋天,治疗控制叶大戟繁殖离开伍迪茎中被识别的验证映射在2021年的夏天,所以一些过去的叶大戟的迹象可能会辨认即使植物从建立根不再生。另外,我们的训练样本是偏向密集,大,和清楚的叶大戟识别的多光谱图像集和可能无法充分代表的叶大戟侵扰丰富,大小,和栖息地类型。

虽然成功率验证映射的努力都普遍偏低(59%的验证位置正确分类),验证位置选择基于异常YRLSP成员领域的专家知识或分类预测的特性和感兴趣的领域。例如,一系列的验证点设置在一个季节性Yampa河支流,是否积极分类像素叶大戟是真的叶大戟的位置。叶大戟检测精度变化在190年叶大戟积极存在的位置在数据集内,随机森林分类更准确的识别叶大戟人口增长是离散的补丁,而不是分散的人群。离散的叶大戟和较高的侵扰,叶大戟覆盖百分比更有可能被随机森林意象分类正确分类。Casady et al。(2006)发现发现叶大戟补丁有更高的平均叶大戟封面和更高的平均百分比补丁的大小,与成片小于200米²和30%叶大戟盖不容易被识别(Casady et al ., 2006)。人口密集的地区高叶大戟覆盖可能比人口稀疏的辨认的光谱特征。离散的边界叶大戟补丁可能更可识别的,分散的人群可能会共享像素空间与其他土地覆盖类型,尽管其他物种的数量在验证位置没有显著影响分类精度的叶大戟。

5的结论

卫星遥感似乎是一个可行的选择,叶大戟映射Yampa河,但分类精度随叶大戟侵扰和环境特征。小和/或稀疏的侵扰,叶大戟可能未被发现,和检测率降低地区的灌木和上层林冠覆盖。识别时最精确的叶大戟是密集的报道。验证映射表明叶大戟是最好的发现当在离散补丁和叶大戟密度更高。

如果叶大戟映射在Yampa又进行了时间序列的图像表示赛季初,联赛将会用来试图区分从其他植物,叶大戟所显示等人在异构明尼苏达州景观湖(湖et al ., 2022)。如果非托管,叶大戟入侵者可能会变得更加普遍在莫法特和Routt县,生产更多的繁殖体通过Yampa传播,绿色和科罗拉多河。

数据可用性声明

原始数据支持了本文的结论将由作者提供,没有过度的预订。

作者的贡献

所有作者列出了一大笔,直接和知识贡献的工作,批准发布。

资金

赞助工作来自科罗拉多节水委员会供水储备基金的朋友Yampa和Y交叉农场养老。出版成本由怀俄明大学的农业试验站孵化基金。

的利益冲突

作者声明,这项研究是在没有进行任何商业或财务关系可能被视为一个潜在的利益冲突。

出版商的注意

本文表达的所有索赔仅代表作者,不一定代表的附属组织,或出版商、编辑和审稿人。任何产品,可以评估在这篇文章中,或声称,可能是由其制造商,不保证或认可的出版商。

引用