衛星画像の統計的マルチエリューションテクスチャ分析による種の豊富さと売上高を推測する

背景：種の豊富さと種の転換の定量化は、生態系の効果的な監視に不可欠です。湿地生態系は、降雨、水管理、および水文学、土壌、種のパターンに影響を与えるその他の外部要因に対する感受性のために、特にそのような監視を必要としています。環境科学者にとっての重要な課題は、自然ストレッサーと人間のストレス要因の間のつながりと、空間と時間の種レベルでのその結合の効果を決定することです。種の豊富さを推定するためのピクセル強度ベースのシャノンエントロピーを提案し、統計的なウェーブレットマルチガラス溶液テクスチャ分析に基づいて方法を導入して、季節間および年々の種間回転率を定量的に評価します。 方法論/主要な調査結果：関心のある領域の衛星画像をテクスチャとしてモデル化します。画像内のテクスチャを空間ドメインとして定義します。空間ドメインでは、画像全体のピクセル強度の変動が確率的でマルチスケールの両方です。2つのテクスチャを定量的に比較するために、最初にそれぞれのマルチエリューションウェーブレット分解を取得します。各サブバンドの係数の適切な確率密度関数（PDF）モデルが選択され、そのパラメーターが推定されるか、ヒストグラムを使用したノンパラメトリックアプローチが採用されます。各サブバンドでのマルチレソリューション分解のウェーブレット係数が、一般化ガウスPDFのサンプルとしてモデル化される前者を選択します。次に、サブバンド全体の独立性を想定して、すべてのサブバンドの係数のジョイントPDFを取得します。テクスチャを統計的に区別する能力を犠牲にすることなく、計算負荷を大幅に簡素化する近似。Kullback-Leibler Divergence（KL）を介して、2つのテクスチャの代表的なPDFの違いを測定します。種の離職、または[式：テキストを参照]多様性は、このKLの発散とシャノンエントロピーの違いの両方を使用して推定されます。さらに、種の豊富さ、または[式：テキストを参照]の多様性を予測します。ピクセル強度のシャノンエントロピーに基づいています。私たちのアプローチをテストするために、フロリダエバーグレーズの水保護エリアにランドサット画像のグリーンバンドを使用します。私たちは、雨季と乾燥季節の両方で、28年間の種の発生のデータに対する予測を検証します。私たちの方法は、種の豊富さの73％を正しく予測しています。種代謝回転の場合、新たに提案されたKL発散予測パフォーマンスは100％正確です。これは、より従来のシャノンエントロピーの違いよりも大幅な改善を表しており、85％の精度を提供します。さらに、それぞれ赤と青の帯域のシャノンエントロピーの変動によって測定される土壌と水のパターンの変化は、植生の変化と正の相関があることがわかります。乾季に比べて、雨季には変動が小さくなります。 結論/有意性：テクスチャベースの統計的マルチアソリュー画像解析は、季節間の違いを定量化するための有望な方法であり、その結果、植生、土壌、水のパターンが変化する程度です。種の豊富さと売上高を定量化するための提案された自動化された方法は、高価な監視キャンペーンから現在取得できるよりも高い空間的および時間的解像度で分析を提供することもできます。さらに、統計的マルチアソリュー分析のマトリックスベースの視覚化が提示され、異常なデータの洞察と迅速な認識の両方を促進します。

BACKGROUND: The quantification of species-richness and species-turnover is essential to effective monitoring of ecosystems. Wetland ecosystems are particularly in need of such monitoring due to their sensitivity to rainfall, water management and other external factors that affect hydrology, soil, and species patterns. A key challenge for environmental scientists is determining the linkage between natural and human stressors, and the effect of that linkage at the species level in space and time. We propose pixel intensity based Shannon entropy for estimating species-richness, and introduce a method based on statistical wavelet multiresolution texture analysis to quantitatively assess interseasonal and interannual species turnover. METHODOLOGY/PRINCIPAL FINDINGS: We model satellite images of regions of interest as textures. We define a texture in an image as a spatial domain where the variations in pixel intensity across the image are both stochastic and multiscale. To compare two textures quantitatively, we first obtain a multiresolution wavelet decomposition of each. Either an appropriate probability density function (pdf) model for the coefficients at each subband is selected, and its parameters estimated, or, a non-parametric approach using histograms is adopted. We choose the former, where the wavelet coefficients of the multiresolution decomposition at each subband are modeled as samples from the generalized Gaussian pdf. We then obtain the joint pdf for the coefficients for all subbands, assuming independence across subbands; an approximation that simplifies the computational burden significantly without sacrificing the ability to statistically distinguish textures. We measure the difference between two textures' representative pdf's via the Kullback-Leibler divergence (KL). Species turnover, or [Formula: see text] diversity, is estimated using both this KL divergence and the difference in Shannon entropy. Additionally, we predict species richness, or [Formula: see text] diversity, based on the Shannon entropy of pixel intensity.To test our approach, we specifically use the green band of Landsat images for a water conservation area in the Florida Everglades. We validate our predictions against data of species occurrences for a twenty-eight years long period for both wet and dry seasons. Our method correctly predicts 73% of species richness. For species turnover, the newly proposed KL divergence prediction performance is near 100% accurate. This represents a significant improvement over the more conventional Shannon entropy difference, which provides 85% accuracy. Furthermore, we find that changes in soil and water patterns, as measured by fluctuations of the Shannon entropy for the red and blue bands respectively, are positively correlated with changes in vegetation. The fluctuations are smaller in the wet season when compared to the dry season. CONCLUSIONS/SIGNIFICANCE: Texture-based statistical multiresolution image analysis is a promising method for quantifying interseasonal differences and, consequently, the degree to which vegetation, soil, and water patterns vary. The proposed automated method for quantifying species richness and turnover can also provide analysis at higher spatial and temporal resolution than is currently obtainable from expensive monitoring campaigns, thus enabling more prompt, more cost effective inference and decision making support regarding anomalous variations in biodiversity. Additionally, a matrix-based visualization of the statistical multiresolution analysis is presented to facilitate both insight and quick recognition of anomalous data.