基于maxent和arcgis对于稀土矿区黑莎草的分布预测毕业论文(编辑修改稿)

基于maxent和arcgis对于稀土矿区黑莎草的分布预测毕业论文(编辑修改稿)内容摘要：

16 什么因素会影响物种分布模拟 16 3. 2 环境因子与 MAXENT 模型的作用关系 17 3. 3 关于植物地理分布预测的方法 18 参考文献（ References） 19 致谢 20绪论 1 绪论 黑莎草 属在全世界有 50 余种，其中多产于亚洲、澳洲等热带地区，我国有 2种，主要分布于华南各省。 黑莎草主产于南半球，我国有黑莎草 G. tristis Nees（种子可榨油供皂用）和爪哇黑莎草 G. javanica Moritizi 等 3 种，产华南地区和西南地区的干燥草山上。 该属物种为多年生 的粗壮 草本 植物。 [1] 黑莎草在国内产于 福建 、江西、 海南岛 、 广东 、 广西 和 湖南 等地；生长于干燥的荒山坡或者山脚灌木丛中，海拔一般在 130730 米。 国外分布于日本 琉球群岛 地带。 全株植物在产地用作于小茅屋顶的盖草以及墙壁材料等，小坚果可用以榨油或 供皂用。 [2] 黑莎草是一种 草本植物。 有须根，秆为圆柱状，果实为倒卵状呈长圆形。 丛生，须根粗，具根状茎。 秆粗壮，高 米，圆柱状，坚实，空心，有节。 叶子有基生和秆生，具鞘，鞘一般呈红棕色，长约 1020 厘米，叶片狭长，极硬，常态为硬纸质或几革质，长约 4060 厘米，宽 厘米，叶子从下而上渐狭，顶部成钻形，边缘通常状态为内卷，边缘和背面具有刺状细齿。 苞片叶状，具长鞘， 愈往上则鞘愈短，边缘以及背面亦具刺状细齿；圆锥花序会紧缩成穗状，长度约 1435 厘米，由 715 个卵形或矩形的穗状枝花序组成，下面的穗状枝花序则较长，彼此相距较远，渐上则渐短而且相距逐渐紧密；小苞片鳞片状，卵状披针形小穗，其排列紧密，纺锤形，具 8 片鳞片，罕有 10 鳞片；鳞片呈螺旋状排列，基部的 6 片鳞片中空无花，初期呈黄棕色，后期为暗褐色，卵状披针形，具1 条脉，质坚硬，最上方的 2 片鳞片最小，宽卵形，顶端微凹，微具缘毛，其中上面的 1 片具两性花，下面的 1 片具雄蕊或无花；无下位刚毛；雄蕊 3，花丝细长，花药线状一般呈长 圆形或线形，药隔顶端且突出于药外；花柱细长，柱头 3，细长。 小坚果为倒卵状长圆形，三稜形，长约 4 毫米，平滑，具光泽，骨质，未成熟时呈白色或淡棕色，成熟时为黑色。 花果期 312 月。 [3] 但是，由于黑莎草研究队伍的人员较少，野外的采集工作相对于其他植物类群而言，开展较少，使得现在缺少黑莎草区系的资料，因此，需要确定黑莎草物种的地理分布是更加复杂而艰巨一个任务。 所以说，如果能够在开展野外调查之前就对目标植物进行分布概率的预测，那么对于开展这些野外调查工作将变得极有价值。 其中，可以收集一些黑莎草目前的分布数据，用 MaxEnt 来进行数据处理和分析。 MaxEnt 模型利用最大熵原理来预测物种地理分布，这个方法被认为是目前预测效果最好的方法之一。 Maxent 主要根据物种实际的分布点和现实的分布地区的环境变量，经过运算得出预测模型，再通过此模型模拟我们所需要预测的绪论 2 物种在目标地区的将可能发生分布情况，该模型目前已成功地应用于很多生物类群的潜在地理分布范围预测。 [4] 在生态学和物种保护研究领域当中，物种分布模型模拟和预测是一种很常见，而且非常适用和重要的工具，对研究物种的分布分别在环境和气候不同时期变化下的空间分布具有重 要的意义。 物种的分布与地理环境因子之间始终存在着密切关系，以地理环境因子作为预测该物种模型变量的潜在分布模型，在物种的保护管理和监测以及各种气候变化下物种分布的变化领域中得到了广泛应用。 目前通过这样的模式，已经产生了多种物种潜在分布区的预测模型，并得到了广泛应用。 代表性的常见模型还有广义线性模型 （ GLM） 、广义加法模型 （ GAM）、分类回归树 （ CART） 等（雷军成，徐海根， 20xx）。 使用比较广泛的预测物种分布的生态位模型主要有 Bioclim， Climex， Domain， Garp（ geicalgorithm forrulesetproduction）和 MaxEnt（ maximumentropy species prediction model）（ Elithetal． 20xx）。 第一章 3 第一章 数据与方法 1 .1 数据来源 通过中国数字植物标本馆 （ CVH） [5]、中国植物志图集 [6]、中国植物头像库（ PPBC） [7]、中国百科网 [8]、中国自然标本馆 [9]、中国高等植物图鉴 [10]等网址查询，野外调查并借助 Google Earth 查找经纬度，从所得近百个数 据数据中，剔除重复的以及一些无效数据后共获取到 56 个黑莎草在中国的点位分布信息。 按 MaxEnt 模型的软件运行要求，黑莎草分布记录数据包括物种名、分布点经度和纬度，形成 * ． csv 格式文件，其中东经和北纬标为正值，西经和南纬标为负值。 从 WorldClim 数据库中下载模拟所需要的末次冰期 （ LGM）、 当前以及2080 年 3 个时期的气候变量数据。 将黑莎草分布点位数据和气候数据输入MaxEnt 模型中进行分布模拟及验证。 第一章 4 1. 2 使用软件 Maxent 是 由 美国普林斯顿大学 （ princeton university） 的 研究室研发，可以对物种的分类和分布进行预测，其中分类模型包括 线性回归 、 基因算法 、人工智能方法以及支持 向量积 （ support vector machines， SVM） 等，并且研究室还提供多种方法进行物种分类结果的检验。 利用最大熵算法来分析不同的环境因子，如温度，降水和海拔的值，在物种发生（收集记录）的现有已知位置来估计物种的现在或者不同时期可能的地理区域范围。 MAXENT 模型是把研究区所有像元 作为构成最大熵的可能分布空间 , 将已知某些分布点的像元作为样点 , 根据样点像元的环境因子如气候变量、海拔、 年平均气温 、土壤类型、植被类型得出约束条件 , 探寻这些约束条件下的最大熵的可能分布情况 (即探寻与物种分布点的环境变量特征相同的像元 ), 据此来预测，目标物种在研究区的生境分布 (Phillips et al., 20xx)。 该模型采用 Jackknife 检验对环境因子的重要性进行了分析 ,并用 ROC 曲线 (受试者工作特征曲线 )的下面积(areaunder curve, AUC)对于 MAXENT 模型的精度进行了评 价。 其中， AUC 值越大 , 则表示环境变量与预测物种的地理分布模型之间的相关性也就越大 , 越能将该物种在这一地区有分布和无分布的判别开 , 预测效果也就越好。 规定的评价标准为 : AUC 值为 –, 失败 (fail)。 –, 较差 (poor)。 –, 一般 (fair)。 –, 好 (good)。 –,非常好 (excellent) (Swets, 1988。 Arajo et al., 20xx)[11] 第一章 5 1. 3 运算方法 分别将黑莎草地理分布数据和 19 个环境变量（表 11）导入 MaxEnt 通过运算输出图层 ( * ． asc) ，得到物种在中国各地区的适生性概率 p，取值范围在 0～1 之间。 应用 ArcGis 将 MaxEnt 生成的． asc 格式文件转换成 RASTER 文件，并执行重分类程序进行风险等级分类，分别输出黑莎草在中国范围内的分布区预测，为了直观展示预测结果，在预测分布图中显示了实际分布点。 [12] 表 11 模型中应用到的 19 个生物气候因子 变量 Variables 描述 Description Bio 1 年平均气温 Annual mean temperature Bio 2 昼夜温差月均值 Mean diurnal range。