一种以鸟类群落指示城市生境生态干扰度的方法

技术领域

本发明涉及一种以鸟类群落指示城市生境生态干扰度的方法。

背景技术

城市是以人为主体的复杂人工生态系统，包含社会、经济和自然因素，容易受到持续且高强度的人为干扰，导致城市内部及其周边区域的自然或近自然状态的生境被大量开发利用，物种生存环境受到威胁，生态系统服务丧失。随着我国城市生态修复和生物多样性保护工作的快速推进，亟需对城市生境的生态干扰度及其变化作出科学评估，有助于城市的近自然化治理和维护自然生态空间等。

生态干扰度(也称为人为干扰度)是反映全部人为干扰对当前生境的综合影响程度，已被广泛应用于森林、自然保护区、河流流域、河口等。早期国内外的研究通常以群落组成、植被结构、生长情况或群落中某一特定物种的丰度、生物量等生物指标的变化，反映物种对不同干扰水平的敏感性，表征生境的自然度或退化水平。随着研究区域尺度的扩大，多以植被覆盖状态作为反映生态干扰度的指标，当前植被偏离潜在自然植被的程度越高，其所受到的人为干扰程度越大，当前生境的自然度就越低。目前，缺乏对城市区域尺度的生态干扰度分级分类。

尽管生态干扰度的概念是由植物生态学发展衍生出来的，此概念也可用于其他生物物种。鸟类对栖息地的组成和环境变化非常敏感，也容易在城市内被观测和识别，被用于评估生态环境状态和生物多样性，但鲜少报道利用鸟类作为城市生境生态干扰度的指示物种。

发明内容

本发明所要解决的技术问题是，克服现有技术的缺点，提供一种以鸟类群落指示城市生境生态干扰度的方法，能够从城市鸟类群落特征层面指示城市生境生态干扰度，表明了鸟类群落沿不同生态干扰度梯度所受到的人为干扰水平。

为了解决以上技术问题，本发明提供一种以鸟类群落指示城市生境生态干扰度的方法，包括以下步骤：

步骤1、获取城市区域信息，基于城市区域信息构建城市区域地图模型，获取城市区域土地利用覆被，进行生境类型划分；转至步骤2或3；

步骤2、依据城市生境的分类情况，收集各个生境的植被分布和受人为干扰情况，选择参照系统，依据当前生境状态与参照系统状态之间的距离，对不同生境类型的生态干扰度等级和相对值进行分类，并描述各个生态干扰度等级所对应的生境类型特征；转至步骤4；

步骤3、设置鸟类监测样点，基于不同类型的生境以及在监测样点采集的遥感影像，生成抽样网格和备选样点，随机抽取监测样点，进行鸟类观测，收集各个监测样点所监测到的鸟类数据；转至步骤4；

步骤4、基于收集到的鸟类监测数据，确立与鸟类群落相关的生境干扰度数学模型，生境干扰度数学模型包括鸟类群落干扰度模型和鸟类群落生境干扰度多样性模型；转至及步骤5；

步骤5、根据鸟类群落生境干扰度、鸟类群落生境干扰度多样性，将不同生境中的鸟类群落生境干扰度和鸟类群落生境干扰度多样性数据进行置信区间估计；转至步骤6；

步骤6、结合不同生境中的鸟类群落生境干扰度、鸟类群落生境干扰度多样性，构建线性回归模型、对数回归模型和二次回归模型；转至步骤7；

步骤7、基于线性回归模型、对数回归模型和二次回归模型，通过AIC(赤池信息量准则)选择最佳回归模型，以最佳回归模型来判断鸟类群落生境干扰度与鸟类群落生境干扰度多样性的相关性。

本发明进一步优化的技术方案如下：

所述步骤1中，生境类型包括12种，分别为工业类用地、居民区、城市公园、人工防护林、单一人工林、都市农业园、果园、人工湖、次生林、大量自然植被的农田、天然林、天然湿地和海滩。

所述步骤2中，生态干扰度等级有七级，分别为几乎无人为干扰、低人为干扰、中度人为干扰、中强度人为干扰、强烈人为干扰、非常强烈人为干扰、极度强烈人为干扰。

对不同生境类型的生态干扰度等级赋予相对值，其数值是依据土地覆被特征、专家判别和问卷调查确定的，以主观评价为主，可自由定义分级，生态干扰度的值越低，所受到的人为干扰越少。

所述步骤3中，采用ArcGIS软件生成抽样网格和备选样点；监测到的鸟类数据包括鸟种及其个数。

所述步骤4中，生境干扰度数学模型的构建方法如下：

(1)对不同生境中出现的鸟种频率和生境生态度进行平均加权分析，获取每个鸟种在生境内所受到的人为干扰程度，即鸟种生态干扰度，鸟种生态干扰度的计算公式如下：

HS

式中，HS

(2)基于香浓维纳多样性指数模型，计算不同生境下每个鸟种的丰富度，进一步分析不同生境中鸟种的多样性程度，即鸟种生态干扰多样性，鸟种生态干扰多样性的计算公式如下：

H′H

式中，H

(3)基于鸟种生态干扰多样性，对不同生境中每个鸟种的相对出现频率和鸟种生态干扰度进行综合加权分析，建立鸟类群落生境干扰度数学模型，鸟类群落生境干扰度的计算公式如下：

HS

式中，F

(4)基于鸟种生态干扰多样性，对不同生境中每个鸟种的相对出现频率和鸟种生态干扰多样性指数通过综合加权分析，建立鸟类群落生境干扰度多样性数学模型，鸟类群落生境干扰度多样性的计算公式如下：

H′H

式中，F

所述步骤5中，判断鸟类群落生境干扰度和鸟类群落生境干扰度多样性数据的置信区间时，选取n-1个鸟类物种样本，通过100次重复抽样，每次抽样都构造一个置信区间，分别获取5％、95％置信区间，判断不同生境中鸟类群落生境干扰度、鸟类群落生境干扰度多样性数据的可信程度。

所述步骤6中，在直角坐标系中，以鸟类群落生境干扰度为X轴，以鸟类群落生境干扰度多样性为Y轴，分别绘制线性回归模型、对数回归模型和二次回归模型图像，显示鸟类群落生境干扰度、鸟类群落生境干扰度多样性沿从低到高的生态干扰度梯度的变化。

所述步骤3中，根据所述样点监测到的鸟种及其个数，分别计算不同类型的生境中每个鸟种出现的相对频率，其计算公式如下：

式中，fr

所述步骤6中，所述线性回归模型的公式如下：

y＝mx+n

式中，y为H’Htot值，x为HStot值，m为线性回归率，n为线性回归模型的截距；

所述对数回归模型的公式如下：

y＝m′lnx+n′

式中，y为H’Htot值，x为HStot值，m′为斜率，n′为对数回归模型的截距；

所述二次回归模型的公式如下：

y＝m″x

式中，y为H’Htot值，x为HStot值，m″为二次项系数，n″为一次项系数，c为二次回归模型的截距。

所述步骤7中，通过AIC选择最佳回归模型，选择AIC值最小的模型作为最佳模型，AIC的公式如下所示：

AIC＝2k-2lnL

式中，k是参数的数量，L是似然函数。

本发明根据人为干扰对这杯的洋相，结合遥感光谱数据对城市生境类型及其生态干扰等级进行分类，研究城市生境的当前状态；在此基础上，进一步从鸟类群落特征层面，构建鸟种生态干扰度和鸟种生态干扰度多样性数学模型，根据鸟种生态干扰度和鸟种生态干扰度多样性数学模型，进一步建立鸟类群落生境干扰度、鸟类群落生境干扰度多样性数学模型，分别采用线性回归模型、对数回归模型、二次回归模型研究不同生境中鸟类群落生境干扰度、鸟类群落生境干扰度多样性的变化；采用AIC选择最佳回归模型，选择最优模型表征生境中鸟类群落生境干扰度与鸟类群落生境干扰度多样性的关联性。

本发明将着眼点放在城市，研究城市生境当前的生态干扰度，为促进城市生境管理措施和生态恢复政策的制定提供了有力的技术支撑；从城市鸟类群落特征层面指示城市生境生态干扰度，表明了鸟类群落沿不同生态干扰度梯度所受到的认为干扰水平，可用于评估涉及保护问题或管理城市绿地的环境质量，主要优势是其易于使用，均是常见的鸟类物种，很容易检测与快速分析，能更好的指示生境的当前状态。

附图说明

图1为本发明的流程示意图。

具体实施方式

实施例1

本实施例提供一种以鸟类群落指示城市生境生态干扰度的方法，如图1所示，包括以下步骤：

步骤1、获取城市区域信息，基于城市区域信息构建城市区域地图模型，将遥感影像经过辐射校正和几何粗校正预处理，利用面向对象分类，获取城市区域土地利用类型，即城市区域土地利用覆被，进行生境类型划分。将生境类型划分为12种，包括工业类用地P1、居民区P2、城市公园P3、人工防护林P4、单一人工林P5、都市农业园P6、果园P7、人工湖P8、次生林P9、大量自然植被的农田P10、天然林P11、天然湿地和海滩P12。

针对上述生境类型分类，在实际应用过程中，则要依据土地利用状况，以遥感技术为支撑，首先需要遥感影像数据，进行辐射校正和几何粗校正预处理，以达到较高的空间分辨率和纹理特性。在eCognition软件平台下，通过人工解译的方式生成工业类用地P1、居民区P2、城市公园P3、人工防护林P4、单一人工林P5、都市农业园P6、果园P7、人工湖P8、次生林P9、大量自然植被的农田P10、天然林P11、天然湿地和海滩P12。

步骤2、依据城市生境的分类情况，收集各个生境的植被分布情况和受人为干扰情况，选择参照系统(参照系统是指在未受或少受人为活动干扰下的生境，即确定理想状态下的生态系统)，依据当前生境状态与参照系统状态之间的距离，对不同生境类型的生态干扰度等级和生态干扰度相对值进行分类，并描述各个生态干扰度等级所对应的生境类型特征。

对不同生境类型的生态干扰度等级赋予相对值，其数值是依据土地覆被特征、专家判别和问卷调查确定的，以主观评价为主，可自由定义分级，生态干扰度的值越低，所受到的人为干扰越少。

城市区域包含不同人为干扰程度的生境类型，影响着鸟类的食物和生存空间。该步骤2中的生态干扰度分类是基于Walz等人的研究。本发明中生态干扰度等级有七级，包括几乎无人为干扰、低人为干扰、中度人为干扰、中强度人为干扰、强烈人为干扰、非常强烈人为干扰、极度强烈人为干扰。具体的生态干扰度等级划分和特征描述见表1。

表1基于土地利用类型的生态干扰度(或自然度)阈值及等级分类

步骤3、设置鸟类监测样点，首先基于12种不同类型的生境以及在监测样点采集的遥感影像，利用ArcGIS软件生成抽样网格和备选样点，随机抽取监测样点，进行鸟类观测，收集各个监测样点所监测到的鸟类数据，监测到的鸟类数据包括鸟种及其个数。

监测样点的布置可利用ArcGIS软件中的创建随机点工具，设置样点的数量和样点之间的距离，可进行多轮随机抽样，直到各个类型的生境中均分布样点；在所述样点，分别在春季(3-5月)、夏季(6-8月)、秋季(9-11月)、冬季(12-2月)，每月进行监测鸟类，一天中以日出后2小时和日落前2小时为观测时间点，记录以样点为中心的50m为半径内听到和看到的鸟种及其个数；

根据所述样点监测到的鸟种及其个数，分别计算12种不同类型的生境中每个鸟种出现的相对频率，计算公式如下：

式中，fr

步骤4、基于收集到的鸟类监测数据，确立与鸟类群落相关的生境干扰度数学模型。生境干扰度数学模型包括鸟类群落干扰度模型和鸟类群落生境干扰度多样性模型。

(1)在植物学中，依据物种对不同人为干扰强度的敏感性，将生态干扰度相对值分配给单个植物物种或群落，并以加权平均或者简单算术平均值表征生境的自然度或退化水平。将该方法运用到鸟类群落，对每个类型生境中出现的鸟种频率和生境自然度进行平均加权分析，获取每个鸟种在生境内所受到的人为干扰程度，即鸟种生态干扰度(A hemerobyscore of each bird species:HS

(2)基于香浓维纳多样性指数模型，计算不同生境下每个鸟种的丰富度(即数量的多少)，在此基础上，进一步分析不同生境中鸟种的多样性程度，即鸟种生态干扰多样性(Ahemerobiotic diversity score of each bird species:H’H

(3)基于鸟种生态干扰多样性，对各个生境类型中每个鸟种的相对出现频率和鸟种生态干扰度进行综合加权分析，建立鸟类群落生境干扰度(The total hemeroby scoresof each bird species:HS

(4)基于鸟种生态干扰多样性，对各个生境类型中每个鸟种的相对出现频率和鸟种生态干扰多样性指数通过综合加权分析，建立鸟类群落生境干扰度多样性(The totalhemerobiotic diversity scores of each bird species:H’H

基于12种不同类型的生境中每个鸟种出现的相对频率，鸟种生态干扰度、鸟种生态干扰多样性、鸟类群落生境干扰度、鸟类群落生境干扰度多样性的计算方法如下：

在不同生境中，鸟类所受的人为干扰程度不同。一般而言，生境的生态干扰度越高，该生境内的鸟种所受到的人为干扰程度越高。

鸟种生态干扰度(HS

HS

式中，HS

同样地，考虑到在不同生境中鸟种多样性也会受到影响，采用香浓纳威指数获取不同鸟种所受到的人为干扰多样性(H’H

H′H

式中，H

不同生境类型下，所监测到的鸟类群落生境干扰度(HS

HS

式中，F

不同生境类型下，所监测到的鸟类群落生境干扰度多样性(H’H

H′H

式中，F

步骤5、根据上述鸟类群落生境干扰度、鸟类群落生境干扰度多样性，将12种生境中的鸟类群落生境干扰度、鸟类群落生境干扰度多样性进行置信区间估计，选取n-1个鸟类物种样本，通过100次重复抽样，每次抽样都构造一个置信区间，分别获取5％、95％置信区间，判断不同生境中鸟类群落生境干扰度、鸟类群落生境干扰度多样性数据的可信程度。

所述鸟类群落生境干扰度数据、鸟类群落生境干扰度多样性数据的置信区间估计方法如下：

第一步，计算每种生境类型下的鸟类群落生境干扰度数据、鸟类群落生境干扰度多样性数据的平均数和标准误差。R软件包提供了lm()函数，用于在数据框架中拟合线性模型，计算平均数和标准误差；

第二步，使用R软件包中的confint()函数，分别计算12种生境类型下HS

若置信区间中包含零值，则表明显著性检验效果不明显，所测量的样本数据值并不精确，不足以进行数据分析。

步骤6、结合不同生境类型下的鸟类群落生境干扰度HS

所述一元线性回归模型、对数回归模型、二次线性回归模型均采用SPSS软件构建，方法如下：

一元线性回归模型建立：经检验后的数据代入线性回归方程式，采用最小二乘法对模型进行拟合，得到系数m和n，公式如下：

y＝mx+n

式中，y为H’H

对数回归模型建立：经检验后的数据代入对数回归方程式，采用最小二乘法对模型进行拟合，得到系数m′和n′，公式如下：

y＝m′lnx+n′

式中，y为H’H

二次线性回归模型建立：经检验后的数据代入二次回归方程式，采用曲线估计对模型进行拟合，得到系数m″、n″和c，公式如下：

y＝m″x

式中，y为H’H

在直角坐标系中绘制这三个方程式的图像，并根据12种生境的HS

步骤7、基于一元线性回归模型、对数回归模型和二次线性回归模型，通过AIC(赤池信息量准则)选择最佳回归模型，以最佳回归模型来判断鸟类群落生境干扰度与鸟类群落生境干扰度多样性的相关性。

所述AIC是评估统计模型的复杂度和衡量统计模型“拟合”资料之优良性(Goodness of fit)的一种标准，在一般情况下，AIC可表示为：

AIC＝2k-2lnL

式中，k是参数的数量，L是似然函数

一般而言，当模型复杂度提高(k增大)时，似然函数L也会增大，从而使AIC变小，但是k过大时，似然函数增速减缓，导致AIC增大，模型过于复杂容易造成过拟合现象。AIC不仅要提高模型拟合度(极大似然)，而且引入了惩罚项，使模型参数尽可能少，有助于降低过拟合的可能性。

本发明采用R软件包中的AIC()函数，简单例子如下：

fit1<-lm(H’Htot～mHS

fit2<-loglm(H’Htot～m′(lnHS

fit3<-lm(H’Htot～m″(HS

AIC(fit1，fit2，fit3)

若AIC值越小，模型越好，通常选择AIC值最小的模型。

根据AIC筛选出的最佳模型，判断HS

除上述实施例外，本发明还可以有其他实施方式。凡采用等同替换或等效变换形成的技术方案，均落在本发明要求的保护范围。