Podemos predecir la calidad del hbitat desde el espacio?

Una evaluacin del indicador mltiple basado en un sistema

del conocimiento automatizado
RESUMEN
Existe una creciente necesidad de sistemas eficaces de vigilancia para la evaluacin
de la calidad del hbitat. Los mtodos basados en la teledeteccin (RS)
caractersticas, tales como los ndices de vegetacin, se han propuesto como
enfoques prometedores, los mtodos basados en los datos categricos para apoyar
la toma de decisiones que complementa.
Aqu, evaluamos la capacidad de observacin de la Tierra (EO) de datos, basado en
un sistema nuevo automatizado, el conocimiento impulsado, para predecir varios
indicadores de la calidad del hbitat de bosque de roble en un sitio portugus
Natura 2000.
Se recogieron datos en el campo de los indicadores de calidad de hbitat en cinco
parcelas de vegetacin de los hbitats forestales de un paisaje de someterse
abandono agrcola. Se calcularon Cuarenta y tres predictores, y se aplic un marco
modelo de inferencia mltiple para evaluar la fuerza de prediccin 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 desempeo de explicar los indicadores de calidad, en
comparacin con los modelos basados en los datos de cobertura del suelo
clasificados manualmente.
Las salidas del sistema en trminos de ambas clases de cobertura de la tierra y los
ndices espectrales / paisaje se consideraron en el estudio, que destaca las ventajas
de combinar los datos de observacin de la Tierra con RS tcnicas y un mejor
modelado basado en hiptesis ecolgicas de sonido. Nuestros hallazgos sugieren
que algunas caractersticas de la calidad del hbitat, como la estructura y
composicin del hbitat, se pueden supervisar con eficacia a partir de datos EO
combinada con campaas en el terreno como parte de un marco de seguimiento
integral para la evaluacin del estado del hbitat.
INTRODUCCION
La evaluacin de la calidad del hbitat , es decir, la capacidad de recuperacin del
hbitat y la capacidad de soportar la biodiversidad y los servicios ecosistmicos
( Buffa y Villani , 2012 ) , es crucial para la conservacin 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 evaluacin de la calidad de bosque se ha
centrado en la composicin del hbitat ( Buffa y Villani , 2012 ) , la estructura ( Liira
y Sepp , 2009 ) o la funcin (Thompson et al. , 2013 ) , dependiendo de la extensin
de observacin. En pequeas extensiones espaciales, indicadores ( .
SensuThompson et al , 2013) medidos en el campo incluyen caractersticas
estructurales y de composicin y los efectos de perturbacin ( Alessandro y Marta ,
2012 ; Winter , 2012). En las extensiones ms grandes, la aplicabilidad de los
ndices de patrones de paisaje ( LPI ) se basa en el supuesto de que disminuye la
calidad del hbitat son capturados por cambios en la configuracin del paisaje y del
bosque ( Forman y Godron , 1986; Guirado et al., 2008 ) .
LPI y la calidad del hbitat puede estar relacionado basan en los datos de cobertura
del suelo categrica (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 dinmica funcional , tales como la intercepcin de luz (Cord et
al., 2014). Esta informacin se puede obtener en un nivel pre-categorial de
observacin de la Tierra de datos (EO), como los ndices espectrales, capturado de
tcnicas distintas (Cord et al, 2014;. Frazier et al, 2013).. Por ejemplo, Light
Detection and Ranging (LiDAR) proporciona informacin sobre los bosques

estructura tridimensional y sensores hiperespectrales dan ideas sobre la

composicin de especies y vegetacin que funcionan (Dubayah y Drake, 2000),
aunque los datos de los dos sensores es caro de adquirir y de repeticin 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 resolucin (VHR)
sensores espaciales (por ejemplo, WorldView-2) muestra una mayor disponibilidad,
independencia campaa cartografa y cobertura regular, especialmente cuando se
adquieren en las diferentes estaciones de acuerdo a la fenologa de la planta (Cord
et al., 2014; Nagendra et al, 2013).

El Sistema de Monitoreo de la Biodiversidad de mltiples fuentes : From Space

proyecto Especies (BIO.SOS ) (financiado por el Sptimo Programa Marco de la
Comunidad Europea) Para , abordado el uso integrado de EO (capacidad de
observacin de la Tierra) y datos en campo para desarrollar herramientas y modelos
para coherente plurianual vigilancia de las reas protegidas y sus alrededores.
Dentro de este proyecto, los datos de observacin de la Tierra para la Vigilancia de
Hbitat sistema ( EODHaM ) fue desarrollado en base a tcnicas de imgenes VHR y
RS ( Lucas et al. , 2015 ) . Este estudio tiene como objetivo evaluar la capacidad de
las tcnicas de RS , y en particular de RS informacin y los ndices , para inferir
sobre (en campo ) observa los indicadores de la calidad del hbitat arbolado en
extensiones espaciales pertinentes . La fuerza predictiva de varios predictores
obtenidos por fuentes distintas (delimitacin Manual y clasificacin de fotografas
areas frente a los sistemas automatizados, basados en reglas ) se analiza tambin
para el monitoreo de bosques en un paisaje portugus Natura 2000 .

Mapa del Parque Nacional de Peneda - Geres y el rea de estudio , con las celdas de
la cuadrcula muestra representados a lo largo de un gradiente de uso agrcola.
Mtodos
rea de estudio y tipo de hbitat focal
El rea de estudio ( 120 km2 ) es un paisaje rural tradicional situada en PenedaGeres 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 - Mediterrneo y la precipitacin anual
media total es 2.000 mm . La elevacin se extiende desde 524 hasta 1.332 m, y la
geologa
est
dominada
por
el
granito

(Honrado , 2003 ) . Bosques de robles corresponden al 9230 Anexo I el tipo de

hbitat de la Directiva de Hbitats (Directiva 92 /43 / CEE) . En el rea de estudio ,
hasta la dcada de 1960 , la explotacin forestal para la agricultura y lea reduce
bosques de robles a fragmentos dispersos . Actualmente, la poblacin de la
emigracin y el abandono las tierras agrcolas ha estado promoviendo su expansin.
En consecuencia, los bosques de robles dirigidos constituyen pequeos fragmentos
en diferentes etapas de regeneracin de las vas de sucesin secundaria, bajo
ninguna gestin humana significativa ( Proena 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
cuadrcula 1 km2 con ms del 5% de la tierra cultivable (Fig. 1 ) . Dentro de estos,
25 parches de bosques (que corresponde a 47 % de todos los parches con tamao
entre 0,3 y 3,0 hectreas; Lomba et al , 2011 ) fueron seleccionados . A 100 m2 de
parcela de muestreo ( Chytr y Otypkov , 2003 ) se estableci 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 hbitat y las
condiciones locales .
Nuestra investigacin flujo de trabajo est representado en la Fig . 2 e incluye cinco
pasos principales: (1) la definicin de la calidad del hbitat mediante la revisin de
los indicadores y determinantes relacionados con nuestro tipo de hbitat y el
estudio esfera de actividad ; ( 2 ) en el campo de recoleccin de indicadores y
determinantes ; ( 3 ) tratamiento de la informacin espectral , mapeo LC y
extraccin de caractersticas del paisaje de los determinantes ; ( 4 ) variable de
respuesta y el clculo de prediccin ; y ( 5 ) el desarrollo de varios modelos y
pruebas de hiptesis.
Las variables de respuesta y los predictores de evaluacin de la calidad del
arbolado
Las variables de respuesta correspondieron a cinco indicadores de la calidad del
hbitat de bosque de roble relacionados con composicionales atributos
estructurales y funcionales que estn asociados a la capacidad de recuperacin del
hbitat, la biodiversidad y los servicios ecosistmicos (Suplemento 1, Fig. 2). Los
indicadores fueron: (1) el nmero de especies de plantas especialista en bosques de
roble (que representa la composicin taxonmica; Buffa y Villani, 2012); (2) la altura
del rbol heterogeneidad, (3) heterogeneity dimetro del rbol, y (4) la
heterogeneidad estratos de vegetacin (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, rboles cortados, basura y animales de
pastoreo (Brumelis et al, 2011;. Invierno, 2012; Fig. 2). El nmero 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 rbol y el dimetro se
evaluaron siguiente Ferreira et al. (2005). Estratos de vegetacin se definieron
siguiente Bunce et al. (2008), y su abundancia se midi utilizando una escala Domin
simplificado (Kent y Coker, 1992). La heterogeneidad de dimetro del rbol, la
altura y la vegetacin estratos se evalu a travs de Shan-ndice no la diversidad, lo
que permite a las pequeas diferencias en la estructura de los diferentes
ecosistemas forestales puedan ser identificados (Pommerening, 2002). El ndice se
aplica teniendo en cuenta el nmero o la cubierta porcentaje de individuos en cada
clase de altura de los rboles o el dimetro, y cada estrato de vegetacin (Lexerod y
Eid, 2006). Las perturbaciones se evaluaron como la suma acumulada de los valores
clasificados de parcela afectada por todo tipo de perturbacin (Step_4, Fig. 2). Los
valores de las variables de respuesta se expresan como mediana rango
intercuartlico.
Diecisiete determinantes de indicadores fueron seleccionados en base a una
revisin de la literatura y experto conocimiento especfico del sitio (Suplemento 2).
Estos se agrupan en funcin de su relevancia en diferentes extensiones espaciales.
Se consideraron Paisaje estructura determinantes para el paisaje ms 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).. Ms anchas y el vecindario paisaje
determinantes de la estructura se obtuvieron de: preexistente mapa LC ("Carta de
Ocupacao do Solo", COS), producido por la delimitacin manual de los objetos y la
clasificacin visual de fotografas areas (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 imgenes 2013 WorldView-2
satlite, correspondiente a un perodo de tiempo antes (abril) y durante (junio)
vegetacin pico de productividad (200 m2 mnima unidad de mapeo). Una
comparacin detallada de los mapas de dos LC se presenta en el Suplemento 3.
determinantes funcin del ecosistema fueron representados por RS derivados
ndices espectrales (RSI) relacionado con por ejemplo, productividad primaria,
obtenida como del sistema EODHaM intermedio productos (RSLEODHaM), el uso de
imgenes de WorldView-2 (Step_3, Fig. 2). Determinantes de condiciones locales
fueron derivados de las encuestas en el campo, e incluyeron informacin sobre la
topografa 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 informtica estadstica descriptiva pertinentes para cada
determinante (Cabello et al, 2012;. Step_4, Fig. 2).
Los anlisis estadsticos y la seleccin del modelo
El uso de predictores de un solo grupo o combinaciones de grupos (ver " Las
variables de respuesta y los predictores de evaluacin de la calidad del Bosque", de
seccin) , se consideraron nueve hiptesis en competencia ( H1-9 ) , hypothesising
que la fuente de datos de predictores podra influir en el rendimiento predictivo
sobre el hbitat indicadores de calidad . Las hiptesis 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 hiptesis se
describen en la Fig . 2 (Step_5) . Para cada hip- tesis , un modelo de la
competencia corresponsal fue considerado ( M1-9 , Suplemento 4 ), utilizando
mltiples modelos de inferencia ( MMI ; Burnham y Anderson , 2002) y
procedimientos con un promedio basado en los criterios de informacin de Akaike
( AIC ; Burnham et al . , 2011 ).
Implementamos modelos aditivos generalizados (MAG) para incluir las relaciones
especies-ambiente asimtricos 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 mximo grado de suavidad igual a dos, y un
nmero mximo de (el mejor) tres predictores (heursticamente seleccionado entre
el conjunto inicial) por modelo, permitiendo diferentes predictores para entrar moels contenida en la misma hiptesis en funcin 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 travs de pruebas de
Pearson, y valores de correlacin dentro de cada modelo por encima de 0.75 no se
les permiti. Para cada modelo calibrado, un umbral ofVlF> 5 (factores de inflacin
de varianza generalised - VIF; Fox y Weisberg, 2011) fue considerado como
indicativo de alta multicolinealidad entre los predictores (Kutner et al., 2004).
Para la comparacin de modelos y clasificacin, AIC con una correccin para finita
tamao 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). Desviacin (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).