基于GARP的大薸潛在適生區(qū)預(yù)測(cè)

陳 璐， 孫希華， 林澤民

(山東師范大學(xué)人口·資源與環(huán)境學(xué)院，山東濟(jì)南 250014)

?

基于GARP的大薸潛在適生區(qū)預(yù)測(cè)

陳 璐， 孫希華， 林澤民

(山東師范大學(xué)人口·資源與環(huán)境學(xué)院，山東濟(jì)南 250014)

大薸(PistiastratiotesL.)原產(chǎn)熱帶和亞熱帶的小溪或淡水湖中，是入侵風(fēng)險(xiǎn)較高的水生植物之一。利用現(xiàn)有的大薸分布點(diǎn)數(shù)據(jù),基于GARP模型采用刀切法選取最優(yōu)環(huán)境因子集合，對(duì)其在我國(guó)的潛在分布區(qū)進(jìn)行預(yù)測(cè)，并使用ROC曲線(xiàn)對(duì)其預(yù)測(cè)結(jié)果進(jìn)行精度檢驗(yàn)。結(jié)果表明，坡度、年平均氣溫、最冷月氣溫、多年平均降水量等對(duì)其適生區(qū)分布影響顯著。現(xiàn)有數(shù)據(jù)表明，預(yù)防生物入侵往往比入侵后控制更為經(jīng)濟(jì)有效。該研究的目的就是預(yù)測(cè)大薸的適生區(qū)，從而尋找更經(jīng)濟(jì)有效的方法阻止它的入侵。

GARP；大薸；適生區(qū)；預(yù)測(cè)

大薸，俗名水白菜，為多年生浮水草本植物，原產(chǎn)于熱帶和亞熱帶的小溪或淡水湖中，在南亞、東南亞、南美及非洲都有分布[1]。喜高溫濕潤(rùn)氣候，耐寒性差。一般在溫度15～45 ℃之間生活,10 ℃以下常常發(fā)生爛根掉葉，低于5 ℃時(shí)則會(huì)枯萎死亡。適宜生長(zhǎng)發(fā)育的溫度在23～35 ℃之間，夏季一個(gè)月內(nèi)每株可繁殖50～60株。大薸在自然條件下主要靠無(wú)性繁殖。初引入時(shí)在我國(guó)珠江三角洲一帶野生較多，由于它生長(zhǎng)快、產(chǎn)量高，因此南方各省都引入放養(yǎng)[2]。后逐漸從珠江流域擴(kuò)散到長(zhǎng)江流域，湖南、湖北、四川、福建、江蘇、浙江、安徽等省均有分布。20世紀(jì)70年代又北移過(guò)了黃河，但由于北方地區(qū)冬季氣溫低，大漂的生長(zhǎng)期短，產(chǎn)量不高，并沒(méi)有推廣開(kāi)來(lái)。近年來(lái)隨著水質(zhì)的惡化，水體中氮磷營(yíng)養(yǎng)物質(zhì)富集。由于大薸較強(qiáng)的適應(yīng)性，入侵的風(fēng)險(xiǎn)變大，應(yīng)引起重視。

GARP作為一種基于遺傳算法的規(guī)則集預(yù)測(cè)，全稱(chēng)為the Genetic Algorithm for Rule-set Prediction，是一種常用的生態(tài)位模型?；痉椒ㄊ鞘褂眠z傳算法通過(guò)計(jì)算機(jī)自動(dòng)檢索與選擇影響物種分布的環(huán)境因子，隨后將選擇出的因子組合映射到特定的區(qū)域并通過(guò)一定方式進(jìn)行疊加，分析物種在原分布區(qū)的環(huán)境特征與未知區(qū)域存在的非隨機(jī)關(guān)系。通過(guò)反復(fù)運(yùn)行規(guī)定次數(shù)(可以是成百上千次)或到符合結(jié)果收斂的要求時(shí)停止運(yùn)算，可以得到由多個(gè)規(guī)則構(gòu)成的規(guī)則集模型，多次運(yùn)算選擇最優(yōu)模型，并將運(yùn)算結(jié)果投影到數(shù)字地圖上，形成所需要的預(yù)測(cè)結(jié)果。目前，隨著全球化進(jìn)程的加快，各國(guó)間物質(zhì)文化交流愈加頻繁，生物入侵的風(fēng)險(xiǎn)也隨之增強(qiáng)。基于預(yù)防比治理更有效的論點(diǎn)，各國(guó)紛紛采用各種方法預(yù)測(cè)外來(lái)生物在本國(guó)適生區(qū)。GARP作為一種實(shí)用性較高的數(shù)學(xué)生態(tài)位模型，多次被運(yùn)用到預(yù)測(cè)物種分布中。2002年P(guān)eterson和Anderson利用GARP模型預(yù)測(cè)了兩種動(dòng)物的分布，并將結(jié)果進(jìn)行了對(duì)比；2007年王運(yùn)生等論述了使用GARP方法進(jìn)行的相似穿孔線(xiàn)蟲(chóng)在中國(guó)區(qū)分布預(yù)測(cè)的具體方法[3]；2009年余巖等利用GARP模型對(duì)中國(guó)地區(qū)入侵之物加拿大一枝黃花的分布進(jìn)行了預(yù)測(cè)，得到了精度較高的分布預(yù)測(cè)結(jié)果[4]；2010年David Stockwell綜合論述了利用GARP模型進(jìn)行空間預(yù)測(cè)分析中遇到的主要問(wèn)題和解決方法，提高了該方法的普及程度。

1 數(shù)據(jù)收集和處理

從國(guó)家基礎(chǔ)地理信息系統(tǒng)網(wǎng)站下載比例尺為1∶4 000 000的數(shù)字地圖，作為進(jìn)行空間預(yù)測(cè)的地圖層。從國(guó)家自然科技資源平臺(tái)教學(xué)標(biāo)本資源共享平臺(tái)(34所)、中國(guó)數(shù)字植物標(biāo)本館、國(guó)內(nèi)外已發(fā)表論文中關(guān)于大薸在我國(guó)分布的具體描述、實(shí)地調(diào)研中發(fā)現(xiàn)的大薸分布數(shù)據(jù)，選擇野生分布點(diǎn)，并剔除重復(fù)點(diǎn)，最終獲取該研究所使用的大薸的分布數(shù)據(jù)，共84個(gè)。使用國(guó)家測(cè)繪局地名比例尺為1∶1 000 000萬(wàn)的地名庫(kù)，確定分布點(diǎn)的具體經(jīng)緯度。從圖1大體可看出大薸在我國(guó)分布的現(xiàn)狀。

Stockwell研究表明，使用以月為單位的環(huán)境數(shù)據(jù)比使用以年為單位的環(huán)境數(shù)據(jù)在物種的適生區(qū)預(yù)測(cè)過(guò)程中更為精確[5]。筆者所研究的對(duì)象大薸屬于生長(zhǎng)周期較短的水生植物，由于我國(guó)大部分地區(qū)的年氣候參數(shù)平均值相似度較高，而月平均值較大，因而短期的生態(tài)環(huán)境狀況更能影響大薸的分布?；诖?，考慮到入侵植物大薸的生態(tài)學(xué)特征，初步選擇的影響大薸生存和發(fā)展的主要環(huán)境因子有溫度、太陽(yáng)輻射、降雨量、海拔、匯流累積量、太陽(yáng)輻射等11個(gè)因子。在Berkeley大學(xué)worldclim下載中心可下載有關(guān)溫度、降雨量的數(shù)據(jù)，所得數(shù)據(jù)是1950～2000年間精度為30 rad/s的全球環(huán)境月值數(shù)據(jù)。在該下載中心下載的全球環(huán)境數(shù)據(jù)，應(yīng)通過(guò)ArcGIS中的柵格裁剪工具按國(guó)家基礎(chǔ)地理信息系統(tǒng)網(wǎng)的中國(guó)邊界將下載得到的有關(guān)溫度、降雨全球環(huán)境數(shù)據(jù)進(jìn)行批量裁剪，得到我國(guó)的環(huán)境圖層數(shù)據(jù)。太陽(yáng)輻射圖使用中國(guó)地理圖集中王靜愛(ài)和左偉所繪制的太陽(yáng)總輻射量分布圖，經(jīng)掃描、數(shù)字化處理后采用。將地形高程數(shù)據(jù)利用ArcGIS的水文分析功能進(jìn)行處理，可生成匯流累積量數(shù)據(jù)圖層。進(jìn)行環(huán)境數(shù)據(jù)的處理，另一個(gè)主要工作是將柵格格式的環(huán)境變量進(jìn)行數(shù)據(jù)轉(zhuǎn)換，將數(shù)據(jù)轉(zhuǎn)換為Desktop Garp軟件所支持的格式，即.asc文件，才可在Desktop Garp中運(yùn)算。該步驟可以通過(guò)ARCGIS當(dāng)中的Toolbox進(jìn)行轉(zhuǎn)換，也可在arcview中調(diào)用Desktop Garp官方提供的轉(zhuǎn)換插件進(jìn)行。

2 最優(yōu)環(huán)境圖層集選擇與計(jì)算

多種環(huán)境因素會(huì)影響到植物的生長(zhǎng)，單一環(huán)境因子并不能決定植物生長(zhǎng)，應(yīng)以環(huán)境因子集的形式進(jìn)行預(yù)測(cè)。由于一個(gè)地區(qū)的環(huán)境因子很多，基于成本效益的考量，不能將所有環(huán)境因子考慮在內(nèi)。納入計(jì)算的環(huán)境變量每增加一個(gè)，會(huì)造成運(yùn)算量成倍增加和分析問(wèn)題的復(fù)雜度。同時(shí)有些變量之間本身存在相關(guān)性或因果關(guān)系，考慮過(guò)多不會(huì)提高結(jié)果的精確度，甚至有時(shí)會(huì)相互干擾，影響試驗(yàn)結(jié)果。由于環(huán)境因子間存在著互相影響的關(guān)系，可以使用刀切法進(jìn)行，比較分析后選擇模擬效果最好的環(huán)境圖層集合，即最優(yōu)環(huán)境因子集[6]。

2.1 環(huán)境因子的選擇

(1)將選擇出的全部11個(gè)環(huán)境因子與大薸的分布數(shù)據(jù)導(dǎo)入模型，設(shè)置為運(yùn)算1 000次或結(jié)果收斂時(shí)停止。將模型運(yùn)算所得的遺漏誤差取平均值，可作為基礎(chǔ)遺漏誤差。

(2)根據(jù)刀切法原理，依次切除11個(gè)環(huán)境因子集的單個(gè)環(huán)境因子，共得到11個(gè)環(huán)境因子組。將每個(gè)因子組運(yùn)行模型運(yùn)算200次，并對(duì)遺漏誤差分別取平均值，即可得到每個(gè)環(huán)境因子的遺漏誤差。

(3)單一環(huán)境因子的缺失與基礎(chǔ)遺漏誤差的95%相比，遺漏誤差較高，證明其對(duì)大薸生長(zhǎng)影響較大。反之，明顯低于基礎(chǔ)遺漏誤差，則證明其對(duì)大薸生長(zhǎng)影響不顯著，在最終分析中將該因子剔除。經(jīng)過(guò)挑選剔除，最終選定表1所示的8個(gè)環(huán)境因子組成最佳環(huán)境因子集。

利用選出的最優(yōu)環(huán)境因子圖層集進(jìn)行GARP模型的最終分析，重復(fù)創(chuàng)建200次模型或者按照結(jié)果收斂的情況終止。結(jié)果表明，利用最優(yōu)因子集的遺漏誤差為6.47%，顯著低于基礎(chǔ)遺漏誤差；并且卡方檢驗(yàn)的結(jié)果顯示，P值遠(yuǎn)<0.01，模型的預(yù)測(cè)能力好于隨機(jī)模型。

表1 因子選擇

2.2 預(yù)測(cè)結(jié)果將上述模型運(yùn)算結(jié)果按下列原則，挑選出其中最佳的10個(gè)圖層：①在200個(gè)圖層中選擇comission值處于中間的50個(gè)圖層;②在50個(gè)選擇出的圖層中選取10個(gè)遺漏誤差最小的圖層;③運(yùn)用ArcGIS軟件中的空間分析模塊，將所選擇的10個(gè)預(yù)測(cè)圖層進(jìn)行地圖代數(shù)運(yùn)算，完成圖層疊加。疊加完成后，每個(gè)柵格的值都在0～10之間，代表每個(gè)柵格在10個(gè)最佳預(yù)測(cè)模型中適合大薸生長(zhǎng)的模型數(shù)量，一般將該數(shù)值稱(chēng)為重疊值(OV)。因此，每個(gè)柵格的重疊值的大小代表著該柵格是否適合入侵植物的生存，重疊值越大，越適合入侵物種生存[3]。根據(jù)重疊值的大小劃分大薸的入侵風(fēng)險(xiǎn)等級(jí)，可將預(yù)測(cè)區(qū)域劃分為下列4個(gè)等級(jí)(表2)。根據(jù)表2劃分的風(fēng)險(xiǎn)等級(jí)，經(jīng)圖層疊加、數(shù)據(jù)重分類(lèi)分析，并按照輪廓進(jìn)行裁剪,最終得到大薸的潛在風(fēng)險(xiǎn)等級(jí)分布圖(圖2)。

表2 中國(guó)區(qū)大薸入侵風(fēng)險(xiǎn)等級(jí)

3 模型檢驗(yàn)

不同物種分布模式不一樣, 對(duì)環(huán)境變量的響應(yīng)也不一樣, 所以應(yīng)用不同物種、不同的環(huán)境變量,其預(yù)測(cè)結(jié)可能不一樣，但用ROC曲線(xiàn)分析進(jìn)行模型評(píng)價(jià)的方法是可以通用的[3]。ROC曲線(xiàn)是以假陽(yáng)性率(實(shí)際不存在，預(yù)測(cè)存在)為橫坐標(biāo)，以真陽(yáng)性率(實(shí)際存在，預(yù)測(cè)也存在)為縱坐標(biāo)繪制成的曲線(xiàn)，ROC曲線(xiàn)與橫軸間的面積值即為AUC值。AUC值一般在0～1之間，可用來(lái)衡量模型預(yù)測(cè)的精度[7]。理想狀態(tài)AUC值=1，模型預(yù)測(cè)結(jié)果完全準(zhǔn)確，即模型預(yù)測(cè)區(qū)域完全與實(shí)際分布相同。通常認(rèn)為，AUC在0.7～0.9時(shí)模型準(zhǔn)確性較好，可以采用。利用SPSS軟件可以繪制并得到ROC曲線(xiàn)(圖3)，同時(shí)可自行計(jì)算出GARP預(yù)測(cè)結(jié)果的AUC值。計(jì)算得到的AUC值為0.856，在0.7～0.9，證明模型預(yù)測(cè)結(jié)果是可信的，可以較準(zhǔn)確地模擬大薸的分布范圍。

4 結(jié)論

筆者使用了大薸在我國(guó)的分布點(diǎn)對(duì)其潛在分布區(qū)進(jìn)行了GARP預(yù)測(cè)。由圖2可知，大薸在我國(guó)的適生區(qū)比較廣泛,目前實(shí)際分布范圍小于所預(yù)測(cè)的非安全區(qū)(OV>4)，故有擴(kuò)散的可能。該預(yù)測(cè)結(jié)果符合大薸適宜生長(zhǎng)的環(huán)境。從圖2可知，除了西藏、陜西、河南3個(gè)入侵省份外，其余省份均有高威脅區(qū)域(OV≥9)的存在。長(zhǎng)江以南的地區(qū)幾乎全部屬于高威脅區(qū)和中威脅區(qū)，長(zhǎng)江流域的四川東部、重慶、湖北、湖南、安徽、浙江、上海和江西的大部分地區(qū)以高威脅區(qū)為主,是治理大薸入侵的重點(diǎn)區(qū)域。由大薸的生態(tài)特性可知，其受溫度的制約最為明顯，因此在0 ℃等溫線(xiàn)以北均為安全區(qū)(OV≤4)。不存在中高威脅區(qū)的省份, 即使偶有零星的植株出現(xiàn)，也難以形成大規(guī)模入侵。四川、重慶、湖北、安徽、江蘇屬于大薸從高威脅區(qū)到安全區(qū)的過(guò)渡區(qū),應(yīng)有意識(shí)地予以關(guān)注，加強(qiáng)管理，防止大薸在這些區(qū)域大規(guī)模擴(kuò)散。

根據(jù)美國(guó)、日本等發(fā)達(dá)國(guó)家的經(jīng)驗(yàn)，對(duì)待生物入侵應(yīng)設(shè)立專(zhuān)門(mén)的機(jī)構(gòu)。由于我國(guó)幅員遼闊、省份眾多，設(shè)置全國(guó)統(tǒng)一的垂直領(lǐng)導(dǎo)機(jī)構(gòu)顯然不可行，太小尺度上如以地級(jí)市為單位，又存在機(jī)構(gòu)冗余、資源浪費(fèi)的情況。因此在省的尺度上進(jìn)行管理防治措施是最合理有效的。因此根據(jù)得到的各省份大薸入侵風(fēng)險(xiǎn)圖，可為各省份根據(jù)自身所處的區(qū)域，進(jìn)行不同的或防，或治，或防治結(jié)合的措施提供決策依據(jù)。我國(guó)大薸的潛在風(fēng)險(xiǎn)等級(jí)分布圖可以作為政府進(jìn)行大薸防治工作的參考，針對(duì)處于大薸擴(kuò)散的中高威脅區(qū)進(jìn)行分布普查，應(yīng)對(duì)已存在的入侵植物泛濫的地區(qū)進(jìn)行河網(wǎng)封鎖，防治擴(kuò)散。對(duì)處于非安全的地區(qū)加強(qiáng)大薸危害宣傳，提高居民防范意識(shí)，一旦形成入侵做到及時(shí)治理。

近年來(lái)隨著各國(guó)對(duì)生物入侵問(wèn)題的重視度提高，各國(guó)均意識(shí)到對(duì)外來(lái)生物有必要進(jìn)行早期預(yù)警、風(fēng)險(xiǎn)評(píng)估，合理利用評(píng)估結(jié)果制定相應(yīng)對(duì)策。該研究應(yīng)用了GARP模型，該模型是較為成熟的基于生態(tài)位的模型，已多次成功應(yīng)用于物種的適生性分析預(yù)測(cè)。該研究預(yù)測(cè)了大薸在我國(guó)的潛在適生區(qū)分布,利用了可獲取的大薸分布資料和區(qū)域環(huán)境因子，對(duì)其可能的分布區(qū)進(jìn)行了預(yù)測(cè)。該次研究仍為初級(jí)預(yù)測(cè)，僅考慮了環(huán)境因素，并未考慮人類(lèi)干擾這種主要生物入侵模式帶來(lái)的影響。該研究是基于大范圍的預(yù)測(cè)結(jié)果，雖精度不高，但仍對(duì)大薸的潛在分布區(qū)進(jìn)行了有效的預(yù)測(cè)，可以作為目前大薸的防治工作的參考。

[1] 顏素珠.中國(guó)水生高等植物圖說(shuō)[M].北京:科學(xué)出版社, 1983.

[2] 華汝城.大薸-水浮蓮[J].生物學(xué)通報(bào)，1957(4)：35-40.

[3] 王運(yùn)生,謝丙炎,萬(wàn)方浩. ROC 曲線(xiàn)分析在評(píng)價(jià)入侵物種分布模型中的應(yīng)用[J].生物多樣性,2007,15(4): 65-372.

[4] 余 巖,陳立立,何興金.基于 GARP的加拿大一枝黃花在中國(guó)的分布區(qū)預(yù)測(cè)[J].云南植物研究,2009,31(1):57-62.

[5] 邵慧，田佳倩，郭柯，等.樣本容量和物種特征對(duì)BIOCLIM模型模擬物種分布準(zhǔn)確度的影響——以12個(gè)中國(guó)特種落葉櫟樹(shù)種為例[J].植物生態(tài)學(xué)報(bào),2009,33(5)：870-877.

[6] SUNNY MAK，BRIAN KLINKENBERG.Ecological Niche Modeling of Cryptococcus gattii in British Columbia, Canada[J].Environ Health Perspect，2010，118:653-658.

[7] SONG C Y,HUANG C,LIU H M.Predictive Vegetation Mapping Approach Based on Spectral Data,DEM and Generalized Additive Models[J].Chinese Geographical Science,2013(3):331-343.

GARP-based Prediction of Potential Distribution ofPistiastratiotesL. in China

CHEN Lu, SUN Xi-hua, LIN Ze-min

(College of Population, Resources and Environment, Shandong Normal University, Ji’nan, Shandong 250014)

PistiastratiotesL. originating in the stream or lake of the tropical and subtropical, it is one of the most harmful and widely distributed invasive aquatic species in China. Using the GARP model as the method, based on the existing distribution point data ofPistiastratiotesL. in China and suitable environment layers selected by jackknifing to predict its potential distribution area. The study indicated that layers such as slope, annual average temperature, the coldest temperature and annual average precipitation have great influence on the results. The existing data show that it is more efficient to prevent the biological invasion than to try to control it after invasion. The aim is to predict the potential distribution ofPistiastratiotesL., and support government to find a more effective way to prevent the invasion.

GARP;PistiastratiotesL.; Appropriate area; Prediction

陳璐(1990- )，女，山東昌邑人，碩士研究生，研究方向：遙感應(yīng)用。

2014-12-02

S 645.9

A

0517-6611(2015)02-243-03