基于地理空間相似度的大別山紅楓空間分布研究

梁騰飛，梁棟棟，桂 翔，吳 旭，汪曉楚，彭 杰

(1.安徽師范大學地理與旅游學院，安徽蕪湖 241003；2.安徽師范大學地理大數據研究中心，安徽蕪湖 241003；3.安徽師范大學計算機與信息學院，安徽蕪湖 241003)

隨著人們生活水平的提高，旅游度假變得更加頻繁,越來越多的珍稀動植物在人類活動的持續干擾下陸續消失，因此，開展植物生境的保護研究十分必要。將地理信息科學與生態學研究相結合，不僅可以根據地理空間相似度理論為探索植物空間分布提供新方法，也為生態學中植物生境的探索提供有力工具，為探索珍稀植物的空間分布和保護培植提供新的方法和手段。

地理空間相似性本質是對地理空間數據特征進行分析提取和比較，通過研究空間關系，對空間特征進行描述，獲取空間數據之間的相似性關系[1]。郭仁忠[2]指出空間物體的相似關系具有空間形態上的相似和群組結構上的相似性；劉濤[3]以空間群(組)目標為研究對象,對空間群(組)目標之間的相似關系進行了描述并提出了相關的計算模型。

植物生境實際就是植物的生存環境，即某種生物個體、種群或者群落能夠進行生命活動的物質存在條件[4]。對于生物的空間分布和適宜性評價的研究方面，王志強等[5]采用HSI模型對扎龍國家級自然保護區丹頂鶴繁殖生境適宜性進行評價；劉振生等[6]在對賀蘭山巖羊生境適宜性評價時引入了最大熵模型。羅翀等[7]在對秦嶺山系的林麝生境進行預測時引入了生態位模型；蔡靜蕓等[8]采用生態位模型對物種的生境進行選擇；張海龍[9]采用GARP生態位模型的珍稀植物適宜區與生境進行分析；聶艷等[10]對柑橘生境適宜性進行研究時引入了生態位理論。 筆者從地理空間相似性的角度，通過構建生境相似度計算模型，對大別山紅楓已知位置的周邊地理空間信息與其他未探索地區的地理空間信息數據進行對比，以獲取大別山紅楓可能的空間分布。

1 研究區概況

鷂落坪國家級自然保護區建立于1991年，位于安徽省大別山中心地帶的安徽省岳西縣包家鄉境內，保護區總面積為123 km2。保護區總體地勢呈南邊地勢高北邊地勢低，最低處為海拔僅為500 m的鯉魚尾，最高山峰為1 721 m的多支尖。

保護區處于北亞熱帶季風氣候區，該地區土壤主要類型以山地自然土壤為主，土壤中含碳量和含氮量由于季節性的變動也呈秋、冬高，春、夏低的狀態。保護區植物區系主要屬于泛北極植物區，該地區植物種類豐富，具有極大的保護利用價值。

2 數據來源和預處理

2.1數據來源影響植物分布的因子主要分為5個方面：地形因子、土壤因子、氣候因子、自然資源因子和人為干擾因子。地形因素數據主要是以ASTER GDEM第二版本數據為數據源，來自于中國科學院數據云，下載后利用ArcGIS根據鷂落坪自然保護區地界進行裁剪，再對數據進行分析、篩選。土壤因素數據主要包括中國科學院南京土壤所2003年完成的中國1:100萬土壤數據庫和文獻《安徽大別山海拔梯度上森林土壤碳氮動態研究》上的數據搜集和分析。 氣象因素數據來自于鷂落坪自然保護區當地氣象站的日值氣象數據，通過對統計數據進行分析和研究獲取鷂落坪當地的最低溫度、最高溫度、平均溫度。土地利用數據主要是通過對高分辨的谷歌影像數據的數字化，遙感影像數據主要為0.5 m分辨率的無偏移的谷歌遙感影像數據。此外搜集與鷂落坪自然保護區相關的植物種類及其空間分布的文獻數據。

2.2數據預處理

2.2.1地形數據。地形因子的提取主要基于DEM數據進行相關的數據分析，采用0.5 km×0.5 km格網計算的形式對數據進行采集分析。通過ArcGIS對DEM數據進行鑲嵌合并，再利用鷂落坪當地的邊界數據進行裁剪獲得鷂落坪自然保護區30 m分辨率的DEM數據，然后進行各項地形因子的提取。

2.2.2土壤數據。土壤理化性質主要包括土壤中的氮含量、磷含量、容重、濕度、pH、鉀含量、有機碳含量等。通過ArcGIS的操作，將采集的土壤屬性數據與鷂落坪自然保護區地形數據進行結合轉化為柵格數據。

2.2.3氣候數據。由于氣溫隨著海拔變化，每升高1 000 m會有6°的降溫，鷂落坪氣象站的海拔為913 m，因此結合溫度變化進行計算得到鷂落坪溫度分布圖。

2.2.4自然資源數據。自然資源數據主要包含2個方面：植物覆蓋度和生物豐度指數。植被指數常用于植被覆蓋度的計算，該指數可以反映植物生長狀況，即為鷂落坪自然保護區歸一化植被指數。生物豐度指數是根據國家環保部2006年公布施行的《生態環境狀況評價技術規范(試行)》所提供的對生物豐度指數公式進行計算。

2.2.5人類活動及土地利用數據。采用Landsat 8遙感影像，采用432波段進行非監督解譯分類，然后利用無偏移的谷歌0.5 m分辨率遙感影像進行修正, 并通過矢量化最終獲得鷂落坪土地利用數據。

3 模型構建及結果

3.1生境相似度計算模型植物空間分布的評價用相似度計算模型的基本原理：設格網單元指標因子集為Xij(i=1，2，…，n；j=1，2，…，m)，是第i個格網單元中第j個指標的觀測數據。參照格網單元指標因子集為Xkh(k=1，2，…，n；h=1，2，…，m)。當某格網單元指標j與參照對象h指標之間的差異性越大，表明該項指標之間的相似度越低。從而獲取Xi格網(i=1，2，…，n)單元的相似度集。通過合并格網單元相似度集形成相似度數據集庫。因此網格對象Xij的第j指標相似值定義為Bj={x|d(x，oi) ，j=1，2，3，…}，格網單元集合O={Oi|i=1，2，…，n}，獲取各個格網單元的指標相似度并集。

(1)

式中，B為所有格網單元的指標相似度值集，Bi為各個格網單元指標相似度值集，其中各相似度值是根據數據類型進行分類相似度計算獲取。

3.2指標因子的篩選通過偏最小乘法對核心影響因子進行篩選，通過軟件SIMCA-P 11.5對植物生長因子建立偏最小二乘法模型，得出該模型對植物生長具有近85.7%的描述預測能力。然后對所有因子進行主成分分析(圖1)，其中橢圓圈內的為置信度95%的指標因子，可以此篩選出較低描述能力的因子，并給出指標因子對植物生長環境影響力的正負相關性(圖2)以及程度(圖3)。

圖1植被影響因子95%置信度 Fig.1 95% confidence of vegetation impact factor

圖2 植被影響因子正負相關性 Fig.2 Positive and negative correlation of vegetation impact factors

圖3 植被影響因子Fig.3 Vegetation impact factors

從圖1～3可以看出，對植物生長影響力較大的因子分別是地形指標中的坡向、高程、高程系數、坡度、地表粗糙度、地形復雜度、地表切割度、山脊線方向、山脊線密度、山谷線密度、山谷線方向等指標因子；土壤指標因子中的氮含量、磷含量、鉀含量、有機質含量、土壤容重、土壤濕度等；氣候指標中的最高溫度、最低溫度、平均溫度、濕度、太陽輻射等；人為干擾因素中的居民密度、交通線密度、居民點群方向；自然資源指標中的植物覆蓋度、生物豐富度等指標因子，利用上述指標因子建立模型較為可靠和可信。

3.3指標因子權重的確定以某一存在在大別山紅楓的格網單元為例，以該格網單元為參照對象，通過逸代法將其與其他格網單元集進行相似度計算，獲取其相似度值數據庫，再通過變異系數法進行確定權重，各指標因子所獲的權重值見表1。

由表1可知，地形環境因子對大別山紅楓生境相似度影響最大，達40.15%；排在第二的是土壤因子，達33.90%。氣候影響力與人為干擾影響力相近，其中居民點密度對植物生境相似度影響較大，自然資源因子影響較少。

3.4結果通過提取的指標因子以及權重值，運用加權平均綜合評價法計算出以該格網單元為參照對象下，每個格網單元的大別山紅楓生境相似度空間分布狀況，所獲取的相似度指數見圖4。通過0.5 km×0.5 km的格網化顯示所獲取的大別山紅楓生態環境相似性指數分布見圖5。紅楓所在相似度區間分布擬合圖見圖6。

由圖7可知，a與b在地形、地貌上具有較高相似性。 c在山脊線走向上差別較大，d與a具有明顯的差別。

通過將所有格網中存在大別山紅楓的格網所具有的相似度值進行統計分析，獲得圖6所示的對數方程。利用對數公式進行閾值分析，R2達0.839 9，通過統計學檢驗。以該格網單元為參照，相似度為45%以上的區域為植被分布的最佳區域。

表1 植物生境相似度指標權重

圖4 相似度指數數據庫Fig.4 Similarity index database

圖5 大別山紅楓生境相似性空間分布Fig.5 Spatial distribution of habitat similarity of red maple in Dabie Mountain

圖6 紅楓所在相似度區間分布擬合Fig.6 Similarity interval distribution fitting of red maple

3.5模型檢驗通過實際考察，并記錄大別山紅楓在大別山分布的經緯度，將提取出的用于試驗的大別山紅楓分布數據，通過ArcGIS將大別山紅楓經緯度數據轉化為空間分布數據，結果見圖8。根據以上方法，以存在大別山紅楓的格網單元為參照進行相似度計算，將相似度格網單元合并，構建相似度模型。此處設置閾值為80%，通過將存在大別山紅楓的格網單元為參照集，獲得該模型在相似度閾值為80%時的植物空間分布預測并集分析圖。

由圖9可知，在設置相似度值為80%時，通過不斷增加觀測到大別山紅楓位置的格網單元為參照對象，大別山紅楓的預測分布單元逐漸增加。從實測中選出34個觀測到位置的大別山紅楓數據，作為對模型可靠性的檢驗數據。在閾值為70%時，模型預測值與實際觀測比值82.35%；在80%閾值下模型預測值與實際觀測比值為82.35%；在90%相似度閾值下，預測值與實際觀測比值為73.52 %，顯示該模型在不同閾值下的預測能力差別較大，但總體可靠性較強。

圖7 不同相似度值下圖像對比Fig.7 Image comparison under different similarity values

圖8 實地采集的紅楓空間分布Fig.8 Spatial distribution of red maple trees collected on the spot

4 結論

該研究全面分析有關植物生境評價相關方法與技術的基礎上，以鷂落坪自然保護區為例，選取地形、土壤、氣候、人類活動、自然資源等共計29個指標因子構建珍稀植物七葉大別山紅楓的生境相似度計算模型。采用格網對指標數據進行格網化統計和表達。利用地理空間相似度的計算原理對指標因子進行相似度計算，將獲取的數據利用變異系數法進行權重計算，最后將指標相似度值進行加權運算，獲得鷂落坪地區七葉大別山紅楓的生境分布相似度數據及分析圖，以此為基礎獲取大別山紅楓生長的適宜條件信息。確定了影響大別山紅楓空間分布的核心影響因子，提取對大別山紅楓生長具有影響的各因子的適宜度。大別山紅楓在該模型下，顯示出該模型在不同閾值下的預測能力差別，但總體可靠性較強。因此該模型用于植物分布位置預測較為可靠，對野外珍稀植物的搜尋與保護較為有利。通過以某一存在大別山紅楓的格網單元為參照，對其生境相似度進行研究發現，地形因子、氣候因子、土壤因子、人類活動因子、自然資源因子對大別山紅楓生境相似度的影響分別為40.15%、9.06%、33.90%、13.21%、4.23%，可見地形與土壤對大別山紅楓生境的相似度影響較大。

圖9 各參照單元下并集分布預測Fig.9 Union set distribution prediction under each reference unit