【双评价学习笔记】生态—生物多样性维护：物种层次Maxent模型预测（1）—环境变量的准备
总觉得春天在进入夏天时都会打个弯，留下一个小尾巴等待人们挽留一下下~可是今年基本宅在家里，对于北京春天的感觉也就只剩下了漫天的杨絮。这种时候，就特别需要，再琢磨琢磨双评价中的生物多样性维护啦~
==emmmmm,好像哪里不对？
正经开场：要怎么做物种层面的评价呢？
参考《生态红线划定指南》和《双评价指南7月版》，全面收集区域动植物多样性和环境资源数据，建立物种分布数据库。根据关键物种分布点的环境信息和背景信息，应用物种分布模型（SpeciesDistribution Models，SDMs）量化物种对环境的依赖关系，从而预测任何一点某物种分布的概率。常用的物种分布模型包括回归模型、分类树和混合大量简单模型的神经网络、随机森林等。在单个物种分布范围的基础上，叠加得到多个物种的空间分布图，根据物种的保护价值和集中程度确定生物多样性维护功能的重要性。
《生态红线划定指南》中也提到了具体的物种分布模型：MaxEnt和GARP。我这边尝试使用Maxent。
MaxEnt (最大熵，MaximumEntropy) 模型是一种基于最大熵理论的物种分布模型，通过训练物种分布点数据，结合物种所在区域的环境数据，可预测整个区域中每个点的生境适宜度。近几年MaxEnt模型以其模拟准确度较高、计算效率高和简单易用，被广泛应用于物种潜在适宜生境预测。
《生态红线划定指南》中给出了一些常用的环境变量。
地形地貌变量：海拔、坡度、坡向；
地表类型变量：土地覆被类型、植被类型、土壤类型；
气候变量：年均温、年均降水量的季节变异、1 月最低温、1 月均温、1 月降水量、7 月最高温、7 月均温、7 月降水量、年均温度变化范围、干燥度、辐射强度；
生态指标：植被净初级生产力、NDVI、土层厚度、土壤氮含量、土壤碳含量等;
人文指标：GDP、人口密度、道路密度、乡镇密度、河流密度等。
环境变量可结合实际需要增减，考虑到数据的可获取程度和精度，我这边选取土地覆被类型、干燥度、湿润指数、年平均气温、平均月温度范围、等温性、温度的季节差异、最暖月的最高温度、最冷月的最低温度、年温度变化范围、最潮湿季度的平均温度、最干燥季度的平均温度、最暖季度的平均温度、最冷的季度平均温度、年降水量、最潮湿月的降水、最干燥月的降水、降水量的季节差异、最潮湿季度的降水、最干燥的季度降水、最暖季度降水量、最冷季度降水量、植被净初级生产力（NPP）、NDVI、GDP、人口密度、与道路的距离、与河流的距离、与湖泊的距离、与居民点的距离、与农田的距离、与森林的距离、高程、坡度。
利用已有数据，以及网络数据资源，使用【重采样】、【按掩膜提取】等操作得到研究区的环境数据。
土地覆被类型：
我这边采用GLC30的数据，精度为30米，使用【重采样】将精度统一为90米。“重采样技术”选取“MAJORITY”（ MAJORITY—基于3x 3 窗口中出现频率最高的值来确定每个像素的值。适用于离散数据。）注：地表覆盖数据网上有很多，可参考水源涵养功能重要性评价中的内容，我这边选取GLC30，不代表就必须用这个
数据来源：全国地理信息资源目录服务系统的30米全球地表覆盖数据GlobeLand30。
网址为：http://www.webmap.cn/commres.do?method=globeIndex
干燥度、湿润指数:
直接采用中国科学院资源环境数据中心的“中国气象背景数据集”进行重采样后作为环境数据。
数据引用：徐新良,张亚庆.中国气象背景数据集.中国科学院资源环境科学数据中心数据注册与出版系统(http://www.resdc.cn/DOI),2017.DOI:10.12078/2017121301
值得注意的是，下载的数据有不同的扩大倍数，并且为整型数据，使用的时候可以通过【栅格计算器】利用FLOAT函数以及代数运算，生成研究区环境数据。此外，在【重采样】时，可以选择“BILINEAR”或者“CUBIC”的重采样技术。（BILINEAR—可采用平均化（距离权重）周围4个像素的值计算每个像素的值。适用于连续数据。CUBIC—通过根据周围的16像素拟合平滑曲线来计算每个像素的值。生成平滑影像，但可创建位于源数据中超出范围外的值。适用于连续数据。）
气候变量：
年平均气温、平均月温度范围、等温性、温度的季节差异、最暖月的最高温度、最冷月的最低温度、年温度变化范围、最潮湿季度的平均温度、最干燥季度的平均温度、最暖季度的平均温度、最冷的季度平均温度、年降水量、最潮湿月的降水、最干燥月的降水、降水量的季节差异、最潮湿季度的降水、最干燥的季度降水、最暖季度降水量、最冷季度降水量：我这边采用的是WorldClim的数据，选择精度为30s的下载。【重采样】，采用“BILINEAR”或者“CUBIC”的重采样技术。
关于WorldClim的数据，可以参考之前的推文：
植被净初级生产力（NPP）：
采用全球变化科学研究数据出版系统下载的“北纬18°以北中国陆地生态系统逐月净初级生产力1公里栅格数据集（1985-2015）”，数据从1985年到2015年共分成6个压缩包，这次仅下载了2011-2015的部分。
数据引用：陈鹏飞.北纬18°以北中国陆地生态系统逐月净初级生产力1公里栅格数据集（1985-2015）[DB/OL].全球变化科学研究数据出版系统,2019.DOI:10.3974/geodb.2019.03.02.V1.
将下载的数据按每年的最大值合并生成年度NPP数据集。将五年的数据集按平均值合并为年均NPP。（可使用工具【镶嵌至新栅格】，镶嵌运算符分别选用MAXIMUM和MEAN。由于原数据精度为1000米，建议在计算年均NPP后【重采样】，采用BILINEAR技术。
NDVI：
选用的数据是中国科学院资源环境科学数据中心下载的“中国年度植被指数（NDVI）空间分布数据集”。
数据引用：徐新良.中国年度植被指数（NDVI）空间分布数据集.中国科学院资源环境科学数据中心数据注册与出版系统(http://www.resdc.cn/DOI),2018.DOI:10.12078/2018060601
GDP和人口密度：
采用全球变化科学研究数据出版系统下载的“中国公里网格GDP分布数据集”和“中国公里网格人口分布数据集”，数据有2005年和2010年两期。
数据引用：
黄耀欢,江东,付晶莹.中国公里网格GDP分布数据集[DB/OL].全球变化科学研究数据出版系统,2014.DOI:10.3974/geodb.2014.01.07.V1.
黄耀欢, 江东, 付晶莹. 中国公里网格GDP分布数据集.地理学报.2014, 69(增刊):45-48.
付晶莹,江东,黄耀欢.中国公里网格人口分布数据集[DB/OL].全球变化科学研究数据出版系统,2014.DOI:10.3974/geodb.2014.01.06.V1.
付晶莹, 江东, 黄耀欢. 中国公里网格人口分布数据集.地理学报.2014, 69(增刊):41-44.
与河流的距离、与湖泊的距离：
采用OpenStreetMap下载的数据，其中water要素分为线和面两类，虽然不够精细，暂且把线要素作为河流、面要素作为湖泊。使用【欧氏距离】工具计算距离栅格。
关于OpenStreetMap下载数据，可参考之前的推文：
与道路的距离：
依然采用OpenStreetMap下载的数据。使用【按属性选择】，将“fclass”中的motorway、primary、secondary、tertiary、trunk选出来。然后使用【欧氏距离】计算得到与道路的距离的栅格。这边之所以选择这些，其实没经过深入研究，只是凭经验把主要的道路给筛选了出来，那些山间小路之类的就不参与计算了。
与居民点的距离：
采用的数据是清华大学30米精度不透水面数据（2017年）；将不透水表面作为居民点数据。下载下来的数据0代表非不透水表面，34-1代表1978至2017年数据，具体对应关系请参考数据说明文件。
网址：http://data.ess.tsinghua.edu.cn/urbanChina.html
数据引用：GongP, Li X C, Zhang W. 40-Year(1978-2017) human settlement changes in Chinareflected by impervious surfaces from satellite remote sensing. ScienceBulletin, 2019, 64,https://doi.org/10.1016/j.scib.2019.04.024 .
与农田的距离、与森林的距离：
采用的GlobeLand30的数据。
数据来源：全国地理信息资源目录服务系统的30米全球地表覆盖数据GlobeLand30。
网址为：http://www.webmap.cn/commres.do?method=globeIndex
直接用之前【重采样】后的90米精度的地表覆盖数据，利用【重分类】工具，分别得到森林和农田的栅格数据集。我的思路是，将别的value重分类为Nodata，分别把森林的20和农田的10设为1。
高程、坡度：
高程数据来自于地理空间数据云的“SRTMDEMUTM90M 分辨率数字高程数据产品”，坡度可以通过高程数据使用【坡度】工具计算得到。
网址：http://www.gscloud.cn/
到这里，参与模型计算的环境变量都准备好了。如何使用Maxent模型计算生物多样性维护功能重要性就等之后再写啦~（==也不知道又是啥时候了）
那今天就到这里结束啦，顺便说一句，文中的图片未经许可不要随便“引用”，我会生气的！哼！数据来源我都全部分享出来了！我多不容易啊！
如果可以的话，希望能够转发分享，点个在看，给个赞赏~~也欢迎规范转载~
END>
如需全文转载文章、投稿或者合作
可添加微信：xkheng92
(回复超慢！！！)
（不要添加我问各种问题，我大概率不会的==）
使用关键词搜索历史文章请点击【阅读原文】