一种多源物种分布数据处理方法及装置

技术领域

本发明涉及生物地理研究技术领域，尤其涉及一种多源物种分布数据处理方法及装置。

背景技术

单个物种的濒危状况往往与其空间分布大小直接相关，一个区域的物种丰富度状况需要依赖区域内众多物种的空间分布数据，因此，生态学和保护生物学的一个关键问题是确定物种在空间中是如何分布的(Yoan F,2014)，这是进一步评估物种生存状况，规划物种保护措施的基础。但是，物种空间分布数据的野外调查工作技术要求高，且时间、财力的耗费巨大。因此，人们对地球上的生命的地理分布的了解仍然非常有限(Jetz,W et al,2012)，除了受到特别关注的明星物种得到系统性的调查外，绝大多数的物种的空间分布数据十分匮乏。

为了解决物种分布数据匮乏而野外调查工作量巨大的问题，中外学者们提出利用物种分布模型(Species DistributionModel，SDMs)来模拟物种分布的方法，希望在缺乏系统调查数据的情况下，通过物种少数的分布点，推断物种的空间分布，其原理是通过建立物种分布样本信息和对应的环境变量信息之间的关联关系，并将这种关系投射于所研究的地理空间，对目标物种的空间分布进行估计。物种分布模型在过去的30多年里得到了持续关注，提出的模型数量超过40种(刘晓彤，2019)，但是在发展的过程中，人们也渐渐发现，物种分布模型受到抽样偏差(Merow et al,2016)、小样本限制(Merow et al,2016)和非环境因素考虑不足(Greg J et al,2012)等因素影响，模拟结果的可靠性受到质疑。物种分布模型的预测结果受到质疑的本质原因是物种空间分布现状的形成过程是物种与环境以及物种之间相互影响的极其复杂和微妙的过程，无论物种分布模型的算法如何复杂，也只是对该过程的简化，其计算结果只能反映影响物种分布的某些方面。因此，要获取尽可能准确的物种分布，仅仅依赖算法的进步是不够的，况且，最近的工作表明，几种最流行的仅使用存在数据的物种分布建模方法是等价或近似等价的(William Fithian,2015)。我们认为，解决传统的物种分布模型中抽样偏差、小样本、非环境因素考虑不足等带来的可靠性问题，仅仅依靠改进模型算法不足以有效解决，合理的解决方案应该是整合物种分布相关数据，用一种数据类型的优势来克服另一种数据类型的劣势，用集合数据的优势克服单一数据的劣势，让数据之间互相补充，利用最大数量的可用信息，得出每个物种出现的最佳概率估计。

物种分布模型在数据、阈值确定、模型检验等方面都有缺陷，针对这些缺陷，不少研究者从不同角度提出解决方案，但大多不系统。申请号201711463990.2的发明专利，提出一种数据处理方法及装置，其基本内容是根据收集的物种记录以及环境数据运行物种分布模型，以获得物种分布概率图；然后对物种分布概率图进行栅格化处理，获得物种分布阈值；之后对所述物种分布概率图进行二值化处理，以获得物种分布图层；最后根据物种栖息地类型对所述物种分布图层进行裁剪处理，以获得物种栖息地分布图。然而，该发明专利存在以下缺陷：一是物种分布阈值的确定方法缺乏依据，无法验证，没有体现多源数据的互补作用；二是仅仅根据物种栖息地类型对物种分布图进行裁剪处理，缺乏普适性，对缺乏物种栖息地类型数据的物种，则无法利用该方法进行分布预测。

物种分布阈值的确定是获得物种分布数据的关键。常用的确定方法有随机选定、根据经验选定等方法。申请号201711463990.2的发明专利提出的是对选中的N类最常用且最合适的物种分布阈值进行测试验证，例如，用200种濒危鸟类作为测试数据，对每一种鸟类的物种分布概率图分别用N类阈值进行二值化处理，选取能够包括已知所有该鸟类分布记录点且范围最小的测试结果对应的阈值为最佳阈值；这种方法，首先工作量极大，如可能要测试完200多种濒危鸟类的分布阈值才能获得一个相对合适的阈值。另外，由于每个物种的分布率(prevalence)不同，利用多种相近类群物种的阈值获取最佳阈值的依据不充分。根据物种对栖息地的偏好选择，从二值分布图裁剪获得物种分布图，可以进一步提高物种分布范围准确性。物种分布多源数据中，有描述物种年均温限制、最高温限制、最低温限制或者海拔限制等分布限制数据，或者关于物种栖息地类型、土壤类型、水源条件等分布偏好数据。但由于物种的基础研究工作深度不同，不同的物种所能获得相关生境限制或偏好数据不一。申请号201711463990.2的发明专利仅仅利用生境类型进行限制，局限性很高，一方面导致没有该生境选择数据的物种无法利用该方法进行裁剪，另一方面没有使用其他环境限制或环境选择数据，无法进一步提高分布图的准确性，没有充分发挥多源数据的优势。

发明内容

本发明的目的在于解决上述现有技术存在的缺陷，提供一种基于多源数据提高物种分布预测可靠性的方法和装置。

一种多源物种分布数据处理方法，包括以下步骤：

步骤1：收集物种分布区环境数据，根据物种生存所需条件确定每个物种对应的环境数据图层；

所述环境数据包括气候、地形、地表覆盖、人为活动四大类数据；

步骤2：收集物种多源分布数据；该物种多源分布数据包括：物种面状数据、物种点状数据、物种描述性数据；

所述物种面状数据包括：专家分布图、局部分布图；所述物种点状数据包括：物种发生数据、物种不发生数据；所述物种描述性数据包括：生态限制数据、生境偏好数据；

步骤3：根据所述物种面状数据、物种点状数据、物种描述性数据生成物种的先验分布范围图、分布限制区图和分布偏好区图；

步骤4：以所述物种点状数据和环境数据图层分别作为物种分布模型的输入数据，进行分布模型的计算，获得物种概率分布图；

步骤5：根据所述先验分布范围图、已知物种发生点和物种概率分布图，确定物种分布阈值，生成物种二值分布图；

步骤6：根据所述先验分布范围图、分布限制区图和分布偏好区图对所述二值分布图进行裁剪或擦除，获得物种分布图。

进一步地，如上所述的多源物种分布数据处理方法，所述先验分布范围图的生成方法为：对物种发生点状数据以最小凸包算法求出一个面积最小的凸多边形，使得这个多边形包含所有已知物种发生点，将物种面状数据和发生点的最小凸多边形进行合并，形成物种的先验分布范围图。

进一步地，如上所述的多源物种分布数据处理方法，所述分布限制区图的生成方法为：将所述生态限制数据转换为相对应的空间数据，从而形成分布限制区图。

进一步地，如上所述的多源物种分布数据处理方法，所述分布偏好区图的生成方法为：将所述生境偏好数据转换为相对应的空间数据，形成分布偏好区图。

进一步地，如上所述的多源物种分布数据处理方法，步骤6中所述物种分布图的获取包括：

首先，利用先验分布范围图对二值分布图进行裁剪；

其次，利用物种分布限制区图对裁剪后的二值分布图进行擦除；

最后，利用物种分布偏好区图对擦除后的二值分布图进行裁剪，最终获得物种的分布图。

一种多源物种分布数据处理装置，包括：

数据预处理模块，用于收集物种分布区环境数据，根据物种生存所需条件确定每个物种对应的环境数据图层；

所述环境数据包括气候、地形、地表覆盖、人为活动四大类数据；

数据收集模块，用于收集物种多源分布数据；该物种多源分布数据包括：物种面状数据、物种点状数据、物种描述性数据；

所述物种面状数据包括：专家分布图、局部分布图；所述物种点状数据包括：物种发生数据、物种不发生数据；所述物种描述性数据包括：生态限制数据、生境偏好数据；

数据处理模块，用于根据所述物种面状数据、物种点状数据、物种描述性数据生成物种的先验分布范围图、分布限制区图和分布偏好区图；

模型调用模块，用于以所述物种点状数据和环境数据图层分别作为物种分布模型的输入数据，进行分布模型的计算，获得物种概率分布图；

阈值确定模块，用于根据所述先验分布范围图、已知物种发生点和物种概率分布图，确定物种分布阈值，生成物种二值分布图；

裁剪模块，用于根据所述先验分布范围图、分布限制区图和分布偏好区图对所述二值分布图进行裁剪或擦除，获得物种分布图。

进一步地，如上所述的多源物种分布数据处理装置，所述先验分布范围图的生成方法为：对物种发生点状数据以最小凸包算法求出一个面积最小的凸多边形，使得这个多边形包含所有已知物种发生点，将物种面状数据和发生点的最小凸多边形进行合并，形成物种的先验分布范围图。

进一步地，如上所述的多源物种分布数据处理装置，所述分布限制区图的生成方法为：将所述生态限制数据转换为相对应的空间数据，从而形成分布限制区图。

进一步地，如上所述的多源物种分布数据处理装置，所述分布偏好区图的生成方法为：将所述生境偏好数据转换为相对应的空间数据，形成分布偏好区图。

进一步地，如上所述的多源物种分布数据处理装置，所述裁剪模块包括：

第一裁剪单元，用于利用先验分布范围图对二值分布图进行裁剪；

擦除单元，用于利用物种分布限制区图对裁剪后的二值分布图进行擦除；

第二裁剪单元，用于利用物种分布偏好区图对擦除后的二值分布图进行裁剪，最终获得物种的分布图。

有益效果：

(1)本发明提供的基于多源物种分布数据间的互补优势的物种分布阈值确定方法，解决了物种概率图向物种分布二值图转变的难题。该方法利用单一物种的先验分布范围数据，对物种分布模型计算得到的物种分布概率图进行二值化分析，在保证预测的物种分布范围75％以上位于先验分布区并包含物种90％以上已知分布点两个前提下，总面积最小，以此时对应的阈值作为物种二值化分布的阈值。方法具有普适性，并具有相应的生物学意义。

(2)本发明提供的方法，解决了物种分布二值图向物种分布图转变的难题。现实中，不同物种的基础研究深度不一，所具有的关于物种分布限制或偏好的数据也不一，本发明提供的方法，提高了方法的普适性，使得更多的物种可以进行分布预测计算。

附图说明

图1为本发明多源物种分布数据处理方法流程图；

图2为本发明多源物种分布数据处理装置结构示意图；

图3为气候类(BIO1-BIO19)环境背景数据图；

图4为地形、地表覆盖、人为活动类环境背景数据图；其中，1为海拔环境背景数据图、2为坡度环境背景数据图、3为坡向环境背景数据图、4为地貌类型环境背景数据图、5为地形起伏度环境背景数据图、6为地形粗糙度环境背景数据图、7为人类活动足迹指数环境背景数据图、8为土地覆盖类型环境背景数据图、9为土地利用类型环境背景数据图；

图5为滇金丝猴分布相关数据图；其中，1为滇金丝猴专家分布图；2为滇金丝猴局部(保护区)分布图；3为滇金丝猴物种分布点图；

图6为滇金丝猴分布数据整合图；其中，1为滇金丝猴先验分布区图；2为滇金丝猴海拔分布限制区图；3为滇金丝猴偏好的和拒绝的栖息地类型图；

图7为滇金丝猴分布概率图；

图8-1为滇金丝猴不同概率阈值下的二值分布图；

图8-2为阈值与先验区内外物种分布面积比；

图8-3为以最佳阈值0.65所获二值分布图；

图9-1为先验分布区裁剪后的分布区；

图9-2为先验分布区及海拔限制区裁剪后的分布区；

图9-3为先验分布区、海拔限制区及栖息地类型裁剪后的分布区；

图10为预测的物种分布区与TNC野外调查分布区叠加图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明提供一种多源物种分布数据处理方法，该方法包括以下步骤：

步骤1：收集物种分布区环境数据，根据物种生存所需条件确定每个物种对应的环境数据图层；所述环境数据包括气候、地形、地表覆盖、人为活动四大类数据。

具体地，获取研究区的环境背景数据，包括气候(BIO1–BIO19的相关温度数据来源于Worldclim-Global Climate data(http://www.worldclim.org/))、地形(海拔、地貌类型、地形粗糙度)、地表覆盖(地表覆盖类型)、人类活动(人类活动强度)四大类数据。其中，每个不同的物种，其对应的环境背景数据在所述四大类数据中挑选组合而成的，而挑选的依据就是根据该物种的特性在四大类数据中进行挑选组合。具体地，每个物种对应的环境图层可根据该物种生存所需条件确定，例如，两栖类物种A的生存对温度和湿度要求比较高，那么物种A对应的环境图层应包括温度图层和湿度图层，同时，每个物种对应的环境图层还可以包括其它任何环境图层，例如海拔图层、地形地貌图层、土地利用类型图层、人类活动强度图层等等，而不局限于该物种生存所需的参考条件，本发明对此不作限定。绝大多数物种所用的环境图层相同，然而仍然有少数物种对某些生存条件有特殊需求的时候，因此，本发明考虑了包含该特殊环境图层。

步骤2：收集物种多源分布数据；该物种多源分布数据包括：物种面状数据、物种点状数据、物种描述性数据。

具体地，获取物种分布的相关数据，并分门别类进行存储。所述物种面状数据，包括专家范围图(expert range map)、局部范围图(local range map)；所述物种点状数据，包括物种发生数据(occurence data)、物种不发生数据(absence data)；所述物种描述性数据，包括限制性因子(restrictive factor)、偏好性因子(preference factor)。

物种多源数据的来源包括：野外调查所获物种分布信息；物种数据库中发布或更新的信息；网站中发布或更新的信息；文献中发布或更新的信息；标本馆物种分布信息；生物爱好者个人主页中发布或更新的信息。

步骤3：多源物种分布数据整合。根据所述物种面状数据、物种点状数据、物种描述性数据生成物种的先验分布范围图、分布限制区图和分布偏好区图。

具体地，对物种发生点状数据以最小凸包算法求出一个面积最小的凸多边形，使得这个多边形包含所有已知物种发生点。将物种面状数据(即专家范围、局部范围)和发生点的最小凸多边形进行合并，形成物种的先验分布范围图；

将物种描述性数据中的分布限制数据转换为相对应的空间数据，形成分布限制区图(如对海拔分布范围的限制，则从数字高程模型中筛选指定海拔区域的空间范围数据)；

将物种描述数据中的分布偏好数据转换为相对应的空间数据，形成分布偏好区图(如对栖息地类型的选择偏好，则从栖息地类型数据中筛选指定栖息地类型的空间范围数据)。

步骤4：以所述物种点状数据和环境数据图层分别作为物种分布模型的输入数据，进行分布模型的计算，获得物种概率分布图。

具体地，物种分布点记录数据以及环境数据图层分别作为物种分布模型的输入数据，进行分布模型的计算，获得物种概率分布图；

常用的物种分布模型算法有最大熵模型(Maximum Entropy,MaxEnt)、随机森林(RandomForest,RF)、广义线性模型(Generalized LinearModel,GLM)等，根据相关研究，这些不同模型输入数据相同(物种发生点数据+环境背景数据图层)，但算法没有本质上的差别。因此，本发明对物种分布模拟所使用的物种分布模型算法不作限定。

物种概率分布图以概率的形式反映物种对生境的偏好程度，结果可以解释为物种出现的概率或生境适宜度等，保存为ASC格式。

步骤5：根据所述先验分布范围图、已知物种发生点和物种概率分布图，确定物种分布阈值，生成物种二值分布图。

具体地，假设物种分布阈值为N，N取值0到1，步长0.01，分别计算每个N值下所生成的二值分布图中先验分布范围内的取值为1的像元数量和先验分布区外取值为1的像元数量，同时统计已知物种发生点所在像元取值为1的点的数量。(像元值为1表示该像元的分布概率值大于当前分布阈值N，该像元被视为存在物种分布)

设置先验分布范围内的取值为1的像元数量是先验分布范围外取值为1的像元数量的3倍以上(即75％以上的取值为1的二值分布区位于先验分布区内)，并且已知物种发生点的90％位于取值为1的二值分布区内时所对应的分布概率阈值为该物种最佳分布概率阈值。如果不能同时满足这两个条件的模型，被认为模型精度不足，预测失败。

步骤6：根据所述先验分布范围图、分布限制区图和分布偏好区图对所述二值分布图进行裁剪或擦除，获得物种分布图。

具体地，首先，利用先验分布区对物种二值分布区进行裁剪。其次，利用物种分布限制范围图层进行擦除。最后，利用物种生境偏好区域进行裁剪，最终获得物种的分布图。

如图2所示，本发明还提供一种多源物种分布数据处理装置，该装置包括：

数据预处理模块，用于收集物种分布区环境数据，根据物种生存所需条件确定每个物种对应的环境数据图层；

所述环境数据包括气候、地形、地表覆盖、人为活动四大类数据；

数据收集模块，用于收集物种多源分布数据；该物种多源分布数据包括：物种面状数据、物种点状数据、物种描述性数据；

所述物种面状数据包括：专家分布图、局部分布图；所述物种点状数据包括：物种发生数据、物种不发生数据；所述物种描述性数据包括：生态限制数据、生境偏好数据；

数据处理模块，用于根据所述物种面状数据、物种点状数据、物种描述性数据生成物种的先验分布范围图、分布限制区图和分布偏好区图；

模型调用模块，用于以所述物种点状数据和环境数据图层分别作为物种分布模型的输入数据，进行分布模型的计算，获得物种概率分布图；

阈值确定模块，用于根据所述先验分布范围图、已知物种发生点和物种概率分布图，确定物种分布阈值，生成物种二值分布图；

裁剪模块，用于根据所述先验分布范围图、分布限制区图和分布偏好区图对所述二值分布图进行裁剪或擦除，获得物种分布图。

进一步地，如上所述的裁剪模块包括：

第一裁剪单元，用于利用先验分布范围图对二值分布图进行裁剪；

擦除单元，用于利用物种分布限制区图对裁剪后的二值分布图进行擦除；

第二裁剪单元，用于利用物种分布偏好区图对擦除后的二值分布图进行裁剪，最终获得物种的分布图。

实施例：

以云南省为研究区，滇金丝猴(Rhinopithecus bieti)的空间分布预测为例说明本发明的内容。

(1)收集物种分布区环境数据，包括气候、地形、地表覆盖、人为活动四大类数据。

收集云南省的气候、地形、地表覆盖、人为活动四方面的空间数据。如图3所示为BIO1–BIO19的相关温度数据(Worldclim-Global Climate data(http://www.worldclim.org/))；图4中，1-9分别为海拔、坡度、坡向、地貌类型、地形起伏度、地形粗糙度、人类活动足迹指数、土地覆盖类型、土地利用类型。

所有数据转换为.asc文件格式，并用云南省省界进行裁切以统一空间范围，各数据统一采用CGCS2000_3_Degree_GK_CM_99E投影坐标系，空间分辨率为1km，数据放置于同一文件夹下。

(2)收集物种多源分布数据，包括物种有/无发生点、专家分布图、局部分布图、生态限制数据、生境偏好数据。

收集滇金丝猴分布相关数据，如图5中，1-3分别为滇金丝猴专家分布图(数据来自世界自然保护联盟，International Union for Conservation ofNature，IUCN)、局部分布图(为滇金丝猴主要分布区：白马雪山国家级自然保护区)和物种分布点数据(数据来自生物多样性信息机构，Global Biodiversity Information Facility，GBIF)；另外，滇金丝猴在海拔选择(2500-5000m)和栖息地类型选择(远离人类干扰大的农地、建设用地)的描述性数据来自相关文献资料。

将滇金丝猴分布点整理成适应物种分布模型调用的数据格式，建立一EXCLE数据文件(CSV格式，以下简称“CSV文件”)，CSV文件中的第一行作为表头，接下来的每一行作为一条物种分布点记录，每条物种分布点记录按照“物种名称-经度-纬度”三个列的格式进行记录。

(3)多源物种分布数据整合。根据多源数据生成物种的先验分布范围图、分布限制区图和分布偏好区图。

将物种分布点作为输入，利用最小凸包算法，获得一个包含所有已知物种发生点的面积最小的凸多边形。将该凸多边形与滇金丝猴专家分布图、局部分布图进行图层合并，获得物种的先验分布区(即根据多源数据，滇金丝猴分布于该范围内)，如图6中1所示。

根据滇金丝猴物种基础研究的描述性数据，滇金丝猴分布于2500-5000m海拔区间。利用研究区数字高程模型(DEM)，筛选出该区域海拔数据如图6中2所示(黑色区域为2500-5000m海拔区间)。根据滇金丝猴物种基础研究的描述性数据，滇金丝猴倾向于选择远离农地、建设用地等人类活动干扰强度高的土地利用类型。利用研究区土地利用类型数据，筛选出滇金丝猴倾向的和拒绝的栖息地类型，如图6中3所示。(黑色区域为倾向选择的栖息地，灰色区域为拒绝选择的区域)

(4)基于步骤(1)和步骤(2)的数据，应用物种分布模型进行分布模拟，获得物种概率分布图。

利用步骤(1)所获环境背景数据集和步骤(2)所生成物种分布点CSV文件，调用物种分布模型进行分布预测，获得滇金丝猴概率分布图，如图7所示。从白色到黑色，分布概率取值从0-1.

(5)根据步骤(3)所获物种先验分布范围图、已知物种发生点和步骤(4)所得物种概率分布图，确定物种分布阈值，生成物种二值分布图。

假设物种分布阈值为N，N取值0到1，步长0.01，分别计算每个N值下所生成的二值分布图中先验分布范围内的取值为1的像元数量和先验分布区外取值为1的像元数量，同时统计已知物种发生点所在像元取值为1的点的数量。(像元值为1表示该像元的分布概率值大于当前分布阈值N，该像元被视为存在物种分布)。以不同阈值举例所获二值分布图如图8-1所示。

设置先验分布范围内的取值为1的像元数量是先验分布范围外取值为1的像元数量的3倍以上(即75％以上的取值为1的二值分布区位于先验分布区内)，并且已知物种发生点的90％位于取值为1的二值分布区内时所对应的分布概率阈值为该物种最佳分布概率阈值。如图8-2所示。

根据同时满足“先验分布区内外取值为1的二值分布区面积比≥3”并且“已知物种发生点的90％位于取值为1的二值分布区内”两个条件，确定滇金丝猴分布阈值为0.65，即获得二值分布图如图8-3所示。

(6)根据步骤3所获先验分布图、物种分布限制范围和分布偏好范围图，对步骤5所获二值分布图进行裁剪或擦除，获得物种分布图。

首先，利用先验分布区对物种二值分布区进行裁剪，如图9-1所示，裁剪后的预测分布区总面积为4474km

实验结果与分布真值对比

以大自然保护协会(The Nature Conservancy，TNC)于2004年所做滇金丝猴分布区野外调查数据为真值，将该分布真值与本方案预测的滇金丝猴分布区进行叠加分析，如图10所示，显示本方案预测结果与TNC野外调查所获滇金丝猴分布总体上一致。

主要参数：

TNC2004年调查分布区面积：867.15km

本方案预测分布区面积：3955km

真阳率(调查分布区被正确预测率)：78％

实验结果分析

对本发明实验结果进行分析。结果显示：(1)本发明提出的阈值确定办法，为单一物种的分布阈值确定提供了有生物学意义的新方案，通过这个方法能筛选出75％以上的分布区位于先验分布区，90％以上的已知物种发生点位于分布区内的预测结果。(2)本方案提出的多源数据处理方法，利用数据间的互补优势，提高了物种分布的准确性。首先，利用先验分布区对物种二值分布区进行裁剪，使得预测的滇金丝猴分布区严格限制在澜沧江和金沙江之间的狭长地带，完全符合目前人们对滇金丝猴分布区的认识，而传统的物种分布模型，因为对物种的迁徙能力等生物因素考虑不足而无法达到该预测效果。其次，利用滇金丝猴分布的海拔限制(2500-5000m)知识，生境选择上的偏好，擦除该海拔区间以外以及农田、建设用地、大的水体等土地类型区域，进一步提高物种分布预测的准确性。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。