¿Podemos predecir la calidad del hábitat desde el espacio? Una evaluación del indicador múltiple basado en un sistema

del conocimiento automatizado

RESUMEN

Existe una creciente necesidad de sistemas eficaces de vigilancia para la evaluación de la calidad del hábitat. Los métodos basados en la teledetección (RS) características, tales como los índices de vegetación, se han propuesto como enfoques prometedores, los métodos basados en los datos categóricos para apoyar la toma de decisiones que complementa.Aquí, evaluamos la capacidad de observación de la Tierra (EO) de datos, basado en un sistema nuevo automatizado, el conocimiento impulsado, para predecir varios indicadores de la calidad del hábitat de bosque de roble en un sitio portugués Natura 2000.Se recogieron datos en el campo de los indicadores de calidad de hábitat en cinco parcelas de vegetación de los hábitats forestales de un paisaje de someterse abandono agrícola. Se calcularon Cuarenta y tres predictores, y se aplicó un marco modelo de inferencia múltiple para evaluar la fuerza de predicción de cada conjunto de los varios indicadores de calidad de datos.Tres indicadores se explican principalmente por factores predictivos relacionados con el paisaje y tura barrio estructura. En general, los modelos de la competencia sobre la base de los productos del sistema basada en el conocimiento automatizado tuvieron el mejor desempeño de explicar los indicadores de calidad, en comparación con los modelos basados en los datos de cobertura del suelo clasificados manualmente.Las salidas del sistema en términos de ambas clases de cobertura de la tierra y los índices espectrales / paisaje se consideraron en el estudio, que destaca las ventajas de combinar los datos de observación de la Tierra con RS técnicas y un mejor modelado basado en hipótesis ecológicas de sonido. Nuestros hallazgos sugieren que algunas características de la calidad del hábitat, como la estructura y composición del hábitat, se pueden supervisar con eficacia a partir de datos EO combinada con campañas en el terreno como parte de un marco de seguimiento integral para la evaluación del estado del hábitat.

INTRODUCCIONLa evaluación de la calidad del hábitat , es decir, la capacidad de recuperación del hábitat y la capacidad de soportar la biodiversidad y los servicios ecosistémicos ( Buffa y Villani , 2012 ) , es crucial para la conservación de los bosques nativos europeos ( Brumelis et al , 2011 ; . Jamoneau et al., 2011 ), que son espera ampliar en el futuro ( Navarro y Pereira , 2012) . La evaluación de la calidad de bosque se ha centrado en la composición del hábitat ( Buffa y Villani , 2012 ) , la estructura ( Liira y Sepp , 2009 ) o la función (Thompson et al. , 2013 ) , dependiendo de la extensión de observación. En pequeñas extensiones espaciales, indicadores ( . SensuThompson et al , 2013) medidos en el campo incluyen características estructurales y de composición y los efectos de perturbación ( Alessandro y Marta , 2012 ; Winter , 2012). En las extensiones más grandes, la aplicabilidad de los índices de patrones de paisaje ( LPI ) se basa en el supuesto de que disminuye la calidad del hábitat son capturados por cambios en la configuración del paisaje y del bosque ( Forman y Godron , 1986; Guirado et al., 2008 ) .LPI y la calidad del hábitat puede estar relacionado basan en los datos de cobertura del suelo categórica (LC) (Yamaura et al, 2008;. Nagendra et al, 2015)., Que a menudo no refleja adecuadamente los atributos estructurales detallados, como la densidad del dosel, o dinámica funcional , tales como la intercepción de luz (Cord et al., 2014). Esta información se puede obtener en un nivel pre-categorial de observación de la Tierra de datos (EO), como los índices espectrales, capturado de técnicas distintas (Cord et al, 2014;. Frazier et al, 2013).. Por ejemplo, Light Detection and Ranging (LiDAR) proporciona información sobre los bosques

estructura tridimensional y sensores hiperespectrales dan ideas sobre la composición de especies y vegetación que funcionan (Dubayah y Drake, 2000), aunque los datos de los dos sensores es caro de adquirir y de repetición a menudo no se logra la cobertura (Nagendra et al., 2013). Aunque es costoso adquirir si se utiliza de manera rutinaria, los datos multiespectrales de muy alta resolución (VHR) sensores espaciales (por ejemplo, WorldView-2) muestra una mayor disponibilidad, independencia campaña cartografía y cobertura regular, especialmente cuando se adquieren en las diferentes estaciones de acuerdo a la fenología de la planta (Cord et al., 2014; Nagendra et al, 2013).

El Sistema de Monitoreo de la Biodiversidad de múltiples fuentes : From Space proyecto Especies (BIO.SOS ) (financiado por el Séptimo Programa Marco de la Comunidad Europea) Para , abordado el uso integrado de EO (capacidad de observación de la Tierra) y datos en campo para desarrollar herramientas y modelos para coherente plurianual vigilancia de las áreas protegidas y sus alrededores. Dentro de este proyecto, los datos de observación de la Tierra para la Vigilancia de Hábitat sistema ( EODHaM ) fue desarrollado en base a técnicas de imágenes VHR y RS ( Lucas et al. , 2015 ) . Este estudio tiene como objetivo evaluar la capacidad de las técnicas de RS , y en particular de RS información y los índices , para inferir sobre (en campo ) observa los indicadores de la calidad del hábitat arbolado en extensiones espaciales pertinentes . La fuerza predictiva de varios predictores obtenidos por fuentes distintas (delimitación Manual y clasificación de fotografías aéreas frente a los sistemas automatizados, basados en reglas ) se analiza también para el monitoreo de bosques en un paisaje portugués Natura 2000 .

Mapa del Parque Nacional de Peneda - Geres y el área de estudio , con las celdas de la

cuadrícula muestra representados a lo largo de un gradiente de uso agrícola.

Métodos

Área de estudio y tipo de hábitat focalEl área de estudio ( 120 km2 ) es un paisaje rural tradicional situada en Peneda- Geres Parque Nacional , en el noroeste de Portugal ( 42 ° 1'39.04 " N, 8 ° 9'35.377 " W ; Fig. 1) . El clima es templado a sub - Mediterráneo y la precipitación anual media total es 2.000 mm . La elevación se extiende desde 524 hasta 1.332 m, y la geología está dominada por el granito (Honrado , 2003 ) . Bosques de robles corresponden al 9230 Anexo I el tipo de hábitat de la Directiva de Hábitats (Directiva 92 /43 / CEE) . En el área de estudio , hasta la década de 1960 , la explotación forestal para la agricultura y leña reduce bosques de robles a fragmentos dispersos . Actualmente, la población de la emigración y el abandono las tierras agrícolas ha estado promoviendo su expansión. En consecuencia, los bosques de robles dirigidos constituyen pequeños fragmentos en diferentes etapas de regeneración de las vías de sucesión secundaria, bajo ninguna gestión humana significativa ( Proença y Pereira , 2013) .

Estrategia de muestreo y flujo de trabajo

Un mapa 2009 LC pre - existente (escala 1: 25.000) fue dividida en celdas de la cuadrícula 1 km2 con más del 5% de la tierra cultivable (Fig. 1 ) . Dentro de estos, 25 parches de bosques (que corresponde a 47 % de todos los parches con tamaño entre 0,3 y 3,0 hectáreas; Lomba et al , 2011 ) fueron seleccionados . A 100 m2 de parcela de muestreo ( Chytrý y Otypková , 2003 ) se estableció en el centro de cada parche para minimizar los efectos de borde y la variabilidad dentro de parche ( Hao et al. , 2007) y para recopilar datos sobre indicadores de calidad de hábitat y las condiciones locales .Nuestra investigación flujo de trabajo está representado en la Fig . 2 e incluye cinco pasos principales: (1) la definición de la calidad del hábitat mediante la revisión de los indicadores y determinantes relacionados con nuestro tipo de hábitat y el estudio esfera de actividad ; ( 2 ) en el campo de recolección de indicadores y determinantes ; ( 3 ) tratamiento de la información espectral , mapeo LC y extracción de características del paisaje de los determinantes ; ( 4 ) variable de respuesta y el cálculo de predicción ; y ( 5 ) el desarrollo de varios modelos y pruebas de hipótesis.

Las variables de respuesta y los predictores de evaluación de la calidad del arbolado

Las variables de respuesta correspondieron a cinco indicadores de la calidad del hábitat de bosque de roble relacionados con composicionales atributos estructurales y funcionales que están asociados a la capacidad de recuperación del hábitat, la biodiversidad y los servicios ecosistémicos (Suplemento 1, Fig. 2). Los indicadores fueron: (1) el número de especies de plantas especialista en bosques de roble (que representa la composición taxonómica; Buffa y Villani, 2012); (2) la altura del árbol heterogeneidad, (3) hetero¬geneity diámetro del árbol, y (4) la heterogeneidad estratos de vegetación (que representa la estructura del bosque heterogeneidad vertical y horizontal; Liira y Sepp, 2009); y (5) la zona afectada por el fuego, pistas humanos / senderos, árboles cortados, basura y animales de pastoreo (Brumelis et al, 2011;. Invierno, 2012; Fig. 2). El número de especies de plantas especializadas se determina a partir de los sucesos en el terreno sobre la base de una lista pre-existente (Honrado, 2003). La altura del árbol y el diámetro se evaluaron siguiente Ferreira et al. (2005). Estratos de vegetación se definieron siguiente Bunce et al. (2008), y su abundancia se midió utilizando una escala Domin simplificado (Kent y Coker, 1992). La heterogeneidad de diámetro del árbol, la altura y la vegetación estratos se evaluó a través de Shan-índice no la diversidad, lo que permite a las pequeñas diferencias en la estructura de los diferentes ecosistemas forestales puedan ser identificados (Pommerening, 2002). El índice se aplica teniendo en cuenta el número o la cubierta porcentaje de individuos en cada clase de altura de los árboles o el diámetro, y cada estrato de vegetación (Lexerod y Eid, 2006). Las perturbaciones se evaluaron como la suma acumulada de los valores clasificados de parcela afectada por todo tipo de perturbación (Step_4, Fig.

2). Los valores de las variables de respuesta se expresan como mediana ± rango intercuartílico.Diecisiete determinantes de indicadores fueron seleccionados en base a una revisión de la literatura y experto conocimiento específico del sitio (Suplemento 2). Estos se agrupan en función de su relevancia en diferentes extensiones espaciales. Se consideraron Paisaje estructura determinantes para el paisaje más amplio (500 m buffer) y el barrio (250 m buffer) que rodea a cada parcela. Funciones de los ecosistemas y las condiciones locales fueron considerados a nivel de parcelas individuales (100m2; Monteiro et al, 2013).. Más anchas y el vecindario paisaje determinantes de la estructura se obtuvieron de: preexistente mapa LC ("Carta de Ocupacao do Solo", COS), producido por la delimitación manual de los objetos y la clasificación visual de fotografías aéreas (LC_COS); y un mapa LC obtenido a partir de los pro- automatizados, orientada a objetos y basada en el conocimiento del sistema EODHaM ductos (LC_EODHaM), aplicado a dos imágenes 2013 WorldView-2 satélite, correspondiente a un período de tiempo antes (abril) y durante (junio) vegetación pico de productividad (200 m2 mínima unidad de mapeo). Una comparación detallada de los mapas de dos LC se presenta en el Suplemento 3. determinantes función del ecosistema fueron representados por RS derivados índices espectrales (RSI) relacionado con por ejemplo, productividad primaria, obtenida como del sistema EODHaM intermedio productos (RSLEODHaM), el uso de imágenes de WorldView-2 (Step_3, Fig. 2). Determinantes de condiciones locales fueron derivados de las encuestas en el campo, e incluyeron información sobre la topografía y bosques de dosel (Monteiro et al, 2013;. Step_2, Fig. 2). De este conjunto de factores determinantes, 43 predictores (Suplemento 2) fueron considerados por la informática estadística descriptiva pertinentes para cada determinante (Cabello et al, 2012;. Step_4, Fig. 2).

Los análisis estadísticos y la selección del modelo

El uso de predictores de un solo grupo o combinaciones de grupos (ver " Las variables de respuesta y los predictores de evaluación de la calidad del Bosque", de sección) , se consideraron nueve hipótesis en competencia ( H1-9 ) , hypothesising que la fuente de datos de predictores podría influir en el rendimiento predictivo sobre el hábitat indicadores de calidad . Las hipótesis se construyeron con predictores calculados a partir de LC.COS (H1 , H3, y H5) , LCEODHaM (H2 , H4 , H6 y H9 ) , RSLEODHaM (H7 y H9 ) , y / o en el campo atributos ( H8) . Las hipótesis se describen en la Fig . 2 (Step_5) . Para cada hipó- tesis , un modelo de la competencia corresponsal fue considerado ( M1-9 , Suplemento 4 ), utilizando múltiples modelos de inferencia ( MMI ; Burnham y Anderson , 2002) y procedimientos con un promedio basado en los criterios de información de Akaike ( AIC ; Burnham et al . , 2011 ).Implementamos modelos aditivos generalizados (MAG) para incluir las relaciones especies-ambiente asimétricos en el software R no lineal y (paquete mgcv; RDevelopment Core Team, 2012). Para evitar el exceso de ajuste y maximizar modelo capacidad predictiva, fijamos el máximo grado de suavidad igual a dos, y un número máximo de (el mejor) tres predictores (heurísticamente seleccionado entre el conjunto inicial) por modelo, permitiendo diferentes predictores para entrar mo- els contenida en la misma hipótesis en función de la variable de respuesta (Burnham y Anderson, 2002;. Guisan et al, 2002; suplementar 4).Los predictores de cada modelo se pusieron a prueba a través de pruebas de Pearson, y valores de correlación dentro de cada modelo por encima de 0.75 no se les permitió. Para cada modelo calibrado, un umbral ofVlF> 5 (factores de inflación de varianza gener¬alised - VIF; Fox y Weisberg, 2011) fue considerado como indicativo de alta multicolinealidad entre los predictores (Kutner et al., 2004).Para la comparación de modelos y clasificación, AIC con una corrección para finita tamaño de la muestra fue seleccionada (CIAC; Symonds y Moussalli, 2011). Los modelos con AALC <2 se consideraron debido a su alta est poder explicativo y apoyo (Anderson et al., 2001). Desviación (D2) y correlaciones de Pearson (COR) entre los valores predichos y observados fueron utilizados como la bondad de ajuste de medidas (Burnham et al., 2011).