大巴山地區崖柏分布格局驅動因子分析

韓昕培，謝 亮，張明鑫，唐伊霖，董欣然

（西南石油大學，四川 成都 610500）

崖柏主要集中生長在重慶市城口縣，位于大巴山南麓，屬北亞熱帶山地氣候，崖柏在城口縣的分布區域海拔為900～2 200 m，10 個樣地海拔介于980～1 910 m[2]，對崖柏保護方面和分布格局的研究幾近空白，而崖柏的自身繁殖能力非常低[3]，其種子生活力和發芽率低，球果出種量少的特點[4]以及生態環境進一步惡化的現狀，使得該植物的存活面臨巨大挑戰，因此對崖柏的生態環境進行評價以及對其分布格局的分析和預測進而提出科學有效的保護策略顯得猶為重要。

1 材料和方法

1.1 研究區

研究區域位于中國西南部的大巴山，大巴山是陜西、四川、湖北三省交界地區山地的總稱。

1.2 數據來源及預處理

外業調查數據：通過在大巴山的實地考察，得到崖柏的分布點數據94 個。本研究選取的崖柏野外分布點坐標來自成都理工大學野外GPS 實測點（四川省全國第二次珍稀植物資源調查）、重慶市藥用植物研究所野外GPS 實測點（重慶市全國第二次珍稀植物資源調查）、西北植物研究所野外GPS 實測點，主要分布區域為宣漢、開州、城口，數據采集的主要年份是2005 年、2009 年、2013 年和2014 年，將野外采集的GPS 實測分布點經緯度坐標轉換為十進制，并保存為CSV 格式。

本研究主要考慮氣候和地形對研究區崖柏潛在生境的影響。

在地理空間數據云（http://www.gscloud.cn）上下載了DEM數據，DEM 數據來源于ASTERGDEM30M 分辨率數字高程數據，坡度坡向數據均由DEM 數據通過arcgis10.7 空間分析工具生成，土壤質地類型數據來源于2009 年世界土壤數據庫（該數據由聯合國糧農組織維也納國際應用系統研宄所、荷蘭、中國科學院南京土壤研宄所、歐洲委員會聯合研宄中心共同構建）。使用ArcGIS 10.7進行拼接裁剪等系列處理。

氣象數據：氣候變量主要包括WorldClim 提供的19 個生物氣候變量（簡稱為bio1～bio19）、太陽輻射（solarradiation（kJm-2day-1））、水蒸氣壓力watervaporpressure（kPa）3 個數據 來源 于WorldClim，（https://www.worldclim.org/data/worldclim21.html），數據空間分辨率為30 s。

影響崖柏生長的氣候和地形數據有27 個，共27 個變量（見表1）。其中氣候變量主要包括WorldClim（https://www.worldclim.org/data/worldclim21.html）提供的19 個生物氣候變量（簡稱為bio1～bio19），反映崖柏生境平均溫度、降水量、年溫度范圍等限制性環境因素[8]；地形變量主要包括DEM、坡度、坡向，反應崖柏生境地形條件差異。采用主成分分析法、多重共線性、隨機森林進行特征重要性篩選。

但人們可能會為帕克太陽探測器擔心，在火熱的日冕區，它能經受住高溫的考驗嗎？科學家說它能：帕克太陽探測器穿著一件厚達十多厘米的碳復合外衣，能夠經受1400攝氏度的熾熱高溫。正是因為有著耐高溫的獨特本領，它才能夠成為太陽系內一只敢于撲火的飛蛾！

表1 可能影響崖柏生境的27個影響因子Tab.1 27 factors that may affect the habitat of Thuja sutchuenensis

1.3 生境分布預測方法

學者們對于崖柏的研究認為，植物群落物種多樣性變化特點與環境因子有顯著關系?？傮w而言，目前存活的崖柏群落生存環境條件較差，如潮濕的環境使得種子非常容易失去萌發力，由于崖柏是喜光植物，太陽輻射、降雨量、溫度等氣候因子對崖柏幼苗存活有較大影響。

主成分分析法（PCA）通常用于描述和跟蹤物理場的時空變異性，如沉積物、土壤、灰塵和水，PCA 的目標是識別數據變化最大的方向（或主成分），使用R 語言主成分分析算法將較多的數據用較少的新指標解釋，同時盡量多地保留原指標所反映的信息，因為各個主成分信息量是遞減的，需要選擇能代表模型結果主體方向的主成分參與后續實驗。主成分分析法通過降維降低了數據處理的復雜性，主成分個數的選擇需要參考隨機森林模型（RF）運行結果綜合考慮。

因此本研究通過結合主成分分析模型和隨機森林模型對地形和氣候因子進行特征篩選，綜合選擇出合適的數據，將獲得的數據導入maxent，預測崖柏的潛在性分布。

1.3.1 篩選變量

（1）主成分分析模型。采用主成分分析（PCA）算法進行降維，保留原始信息[13]；按主成分貢獻率提取少數幾個主成分，并進一步將其綜合成為一個綜合指標，然后再對綜合指標里的各個數據進行排序比較[14]；第一主成分反映的信息量最大，第二主成分次之，最后一個主成分反映的信息量最小。

（2）隨機森林模型。隨機森林（RandomForest,RF）模型是決策樹的一種集成方法。隨機森林中每棵決策樹都取決于導入的數據值，采用RF 模型進行計算時須先將其轉換成數值形式，決策樹的主要工作就是選取特征對數據集進行劃分，最后把數據貼上兩類不同的標簽，隨機森林的隨機體現在兩個方面，一是隨機取特征，二是隨機取樣本，讓森林中的每棵樹既有相似性又有差異性。

1.3.2 預測潛在分布區

MaxEnt 模型主要采用ROC 曲線下的面積（AUC 值）判定模型預測的優劣。實驗結果顯示AUC 值為0.960，證明模型預測較為準確，可信度強。

隨機選取75%的分布點用于構建模型，剩余的25%用于模型的驗證與測試，在模型參數設置中，選擇重復迭代運算10 次，選擇刀切法（Jackknife）進一步分析了單一變量對崖柏分布結果的影響率，可以看出在9 個生境因子變量中水蒸氣壓力對崖柏的分布影響最大。

1.4 崖柏生境質量評估

參考生態學中的“活力-組織力-生態服務能力”邏輯架構，提出“生態服務能力-生態敏感性-生態組織結構”指標體系，構建生態安全評價指標體系。生態安全評價指標體系構建過程如下：首先分指標計算得到14 個C 級指標層，進一步分層計算活力、服務、社會經濟壓力、自然生態、景觀破碎度、景觀連通度等6 個B 級準則層，計算6 個景觀指數是在Fragstats 中，導入土地利用類型數據，數據下載自中國科學院資源環境科學與數據中心（resdc.cn），使用8 單元鄰域規則、2 000 方形的移動窗口工具，計算斑塊密度（C9）、邊緣密度（C10）、面積加權平均形狀指數（C11）、香農多樣性指數（C12）、斑塊平均距離（C13）、斑塊連接度（C14）等6個景觀指數。然后在B 級指標的基礎上計算得到生態服務能力、生態敏感性、生態組織結構等3 個A 級目標層，最后由A 級指標計算出總目標層即生態安全指數。

2 結果

2.1 崖柏潛在分布區預測

2.1.1 主成分分析模型

在代碼中加載主成分分析數據包的函數，在軟件中搭建PCA 處理環境，先將數據進行預處理為矩陣，隨后計算特征值，進行特征篩選。使用R 代碼獲得對主成分的總貢獻，見圖1，虛線代表平均貢獻，高于平均值的可以被認為算是重要變量。如果變量的貢獻是均勻的，則預期值將是1/長度（變量）=1/10=10%。對于給定的組件，貢獻大于此截止值的變量可以被認為對組件的貢獻很重要。

圖1 主成分分析模型貢獻率排序圖Fig.1 Ranking diagram of contribution rate of principal component analysis model

2.1.2 隨機森林模型

本研究將27 個影響崖柏的指標因素導入模型中，得到MeanDecreaseAccuracy和MeanDecreaseGini評價指標結果，圖1 表示把一個變量的取值變為隨機數，表示隨機森林預測準確性的降低程度，該值越大表示該變量重要性越大，圖2表示計算每個變量對分類樹每個節點上觀測值的異質性影響，從而比較變量的重要性，該值越大，表示變量重要性越大。

圖2 隨機森林模型MeanDecreaseAccuracy和MeanDecreaseGini評價指標Fig.2 Evaluation indexes of random forest model of MeanDecreaseAccuracy and MeanDecreaseGini

圖4 崖柏潛在分布區適宜等級圖Fig.4 Suitable grade map of potential distribution area of Thuja sutchuenensis

綜合隨機森林模型結果和主成分分析模型結果，發現前9個因素評價結果一致，取最重要的9個指標因子，即bio5（最熱月份最高溫）、bio10（最暖季度平均溫度）、vapr07（年最大水蒸氣壓力）、dem、bio9（最干季度平均溫度）、bio8（最濕季度平均溫度）、bio1（年平均氣溫）、bio11（最冷季度平均溫度）、vapr01（年最小水蒸氣壓力）。

2.1.3 MaxEnt模型預測潛在分布區

AUC值為0.960，說明MaxEnt預測結果可信度很高，已經達到較高水平，說明使用MaxEnt模型預測崖柏的生境適宜性有較高的科學性。

從環境變量對最大熵模型的貢獻率中可以看出，vapr01（1月水蒸氣壓力）、vapr07（7月水蒸氣壓力）、bio10（最暖季度平均溫度）這三種因子的貢獻率最高，累計貢獻率達86.2%，說明水蒸氣壓力與最暖季度平均溫度是相對重要的環境影響因子，而最冷季度平均溫度、海拔、最干季度平均溫度、年平均氣溫為相對次要的環境影響因子，最熱月份最高溫、最濕季度平均溫度分別占0.2%和0.1%，說明這兩種因子重要性較低，總體來看水蒸氣壓力對崖柏的生境有重要影響意義，環境變量對最大熵模型的貢獻率見表2。

表2 環境變量對最大熵模型的貢獻率Fig.2 Contribution rate of environment variable to maximum entropy model

崖柏的適宜生境條件為：最暖季度平均溫度為12℃～14℃，最冷季度平均溫度為-2℃～0℃，7 月水蒸氣壓力范圍1.7～1.9 kPa，以上幾個生境條件的組合為崖柏的最適生活條件，由溫度范圍可知，崖柏的生境要求較為苛刻，適宜生長的最高溫度與最低溫度相差不大，較適應于低溫環境生長。按照以下標準重分類：0～0.5 為不適宜；0.5～0.6 為較差適宜，0.6～0.7為一般適宜，0.7～0.8為較適宜，0.8～1為高適宜。根據重分類后的成果可得，崖柏分布可能性較高的地區位于研究區中部和南部。

2.2 崖柏生境質量評估

本項目采用突變模型集成生態安全指數，在Geo-ScenePro 中構建指標歸一化及突變模型主模型，從C 層由下往上計算，得到B級指標層運算結果，通過B級指標層計算出A級指標，最終得到生態安全指數。生態安全指數越大，代表該區域生態安全性越高，由圖5 可以看出研究區生態安全性整體較高，崖柏生境質量優良。

圖5 崖柏生境生態安全等級圖Fig.5 Habitat ecological security level map of Thuja sutchuenensis

圖6 崖柏生長適宜度Fig.6 Suitability of Thuja sutchuenensis growth

2.3 崖柏潛在分布區的生態環境現狀分析

崖柏潛在分布區與崖柏的生態安全指數數據疊加生成崖柏生長適宜度分布圖，按照適宜等級由低到高將其分類得到結果見表6，結果與預測的情況大致相似，崖柏潛在分布區適宜度較高的地方集中在研究區的中部和南部，由野外采集結果發現，目前在研究區南部未發現崖柏點，說明南部區域生境狀態較好，該結果可為之后的崖柏遷地保護提供科學依據。

3 討論

本研究分為兩個板塊:崖柏生境質量評估和崖柏潛在分布區預測，崖柏潛在分布區預測是首先通過主成分分析模型和隨機森林模型將貢獻率最高的影響因子篩選出來，由以上結果可得，影響崖柏分布的環境因子有9 個，其中有6 個為氣候因子，即將bio5（最熱月份最高溫）、bio10（最暖季度平均溫度）、bio9（最干季度平均溫度）、bio8（最濕季度平均溫度）、bio1（年平均氣溫）、bio11（最冷季度平均溫度）導入maxent 模型進行潛在分布區預測，得到預測區域成果圖、環境變量對最大熵模型的貢獻率以及單因子對崖柏的響應曲線圖，綜合分析可得到崖柏的潛在分布區域主要在研究區中部和南部，對崖柏生境影響較大的排名前三的影響因子有7月水蒸氣壓力、最暖季度平均溫度和最冷季度平均溫度。