Mapping the distribution of whitebark pine (<i>Pinus albicaulis</i>) in Waterton Lakes National Park using logistic regression and classification tree analysis

Abstract

AbstractAccurate spatial information on the distribution of whitebark pine, a keystone species in alpine environments across western Canada, is critical for the planning of conservation activities designed to ameliorate the damaging effects of blister rust, mountain pine beetle, and interspecific competition. We compared classification tree analysis and logistic regression analysis to explore their relative abilities to model whitebark pine presence and absence with medium-spatial-resolution satellite and topographic variables across a complex study site in Waterton Lakes National Park, Alberta. Both techniques were found to be effective, generating map products of roughly equal thematic quality (91% overall accuracy; kappa = 0.76). However, the logistic model was valuable in its ability to predict ratio-level probability surfaces, whereas the classification tree approach was simpler, faster, and found to generate a slightly more balanced model from an individual class accuracy perspective. End users selecting between the two techniques should make choices that balance flexibility with simplicity while always taking care to exercise sound modeling practices.L'information exacte dans l'espace sur la distribution du pin à écorce blanche, une espèce clef dans les régions alpines de l'ouest Canadien, est essentielle pour les activités de conservation qui ont pour but d'améliorer les effets nocifs provoqués par la rouille vésiculeuse du pin blanc, le dendroctone du pin ponderosa, et la compétition interspécifique. Nous avons comparé l'analyse basée sur un arbre de décision avec l'analyse basée sur la r ression logistique de façon à définir la capacité de chaque méthode à schématiser la présence ou l'absence du pin à écorce blanche à résolution spatiale moyenne, et avec des variables topographiques dans la région du Parc National des Lacs-Waterton. Les deux méthodes se sont avérées efficaces, permettant de créer des cartes de distribution d'une qualité thématique similaire (avec une précision globale de 91 % et un coefficient kappa de 0,76). Par contre, le modèle basé sur la régression logistique était int essante de par sa capacité à générer des surfaces de probabilités à une echelle de mesure de type rapport, tandis que l'analyse basée sur un arbre de décision était plus simple, plus rapide, et permettait de créer un modèle de classification plus équilibré au niveau de l'exactitude de la catégorisation de chaque classe. Finalement les utilisateurs qui ont le choix entre ces deux techniques doivent choisir la plus simple et la plus flexible, tout en exerçant de bonnes méthodes de schématisation.