扩展功能
文章信息
- 林源, 徐雪怡, 伊剑锋, 陆舟
- LIN Yuan, XU Xueyi, YI Jianfeng, LU Zhou
- 基于MaxEnt模型的广西黑颈长尾雉潜在栖息地预测与保护空缺分析
- Potential Prediction and Conservation Vacancy Analysis of Syrmaticus humiae in Guangxi Based on MaxEnt Model
- 四川动物, 2017, 36(3): 328-333
- Sichuan Journal of Zoology, 2017, 36(3): 328-333
- 10.11984/j.issn.1000-7083.20170017
-
文章历史
- 收稿日期: 2017-01-15
- 接受日期: 2017-02-22
栖息地是动物进行生存和繁殖等活动必需的生物和非生物因素的综合,良好的栖息地对于动物种群生存极为重要(蒋爱伍等,2012b)。不同因素对动物在栖息地选择的影响不同(O'Connor,1985),对其潜在的栖息地分布进行预测以及对影响其栖息地分布的主要因素进行分析,从而为其保护和管理提供理论依据(杨勇等,2011)。
黑颈长尾雉Syrmaticus humiae作为在广西分布的雉类之一(周放,2011),是国家Ⅰ级重点保护野生动物,被世界自然保护联盟(IUCN)红色名录列为近危种(IUCN,2016)。近年的人口增长、城市扩张以及原生林面积减少,对黑颈长尾雉的生存造成更大的压力,亟待加强保护(廖晓雯,2014)。
有学者对黑颈长尾雉的繁殖行为、栖息地选择、分布等方面做了不少研究(陈伟才等,2006;贝永建等,2008;刘钊等,2008;常丽娜等,2011;蒋爱伍等,2012a)。其中姚小刚等(2012)利用谢尔福德限制性定律对黑颈长尾雉在云南哀牢山国家级自然保护区和刘慧明等(2016)采用自构建模型对广西金钟山国家级自然保护区范围内的黑颈长尾雉进行了生境适宜性评价;但关于整个广西境内的生境评价尚未见报道。
随着卫星系统和3S技术的发展,以遥感图像为基础,在大尺度下对野生动物栖息地适宜性评价成为热点(高瑞莲,吴健平,2000)。而最大熵模型(maximum entropy model,MaxEnt)作为近年来对野生动物栖息地适宜性分析的新技术,对哺乳类、鱼类等都有使用(刘振生等,2013;张熙骜等,2014;刘芳,2016)。在对鸟类栖息地适宜性分析中,Moreno等(2011)利用MaxEnt对智利南部的黑喉隐窜鸟Pteroptochos tarnii和赭胁窜鸟Eugralla paradoxa所处的温带森林中的微生境预测;Hu和Liu(2014)利用预测的环境因子对海南
广西壮族自治区是全球25个生物多样性关键地区之一,地理坐标104°26′~112°04′E,20°54′~26°24′N,位于亚热带、南亚热带以及北热带3个亚气候带,其陆地面积2.367×105 km2。年均温17.2~23.1 ℃,年降水量1 080~2 760 mm。植被类型为典型常绿阔叶林、季风常绿阔叶林和季雨林。
1.2 模型介绍MaxEnt最先在信息科学中提出,在生态位运算中,首先以现有的物种分布点作为样点,分析该点的环境变量如植被覆盖度、海拔等得出分布的约束条件,然后以该条件作为最大熵的约束条件探索及预测出类似的生境分布,并通过AUC曲线和Jackknife对模型的精度评价及分析各个环境因子的重要性。预测出物种分布的概率值为0~1,值越高表示其分布的概率越高(Haegeman & Etienne,2010;邢丁亮,郝占庆,2011)。本文采用广泛使用于物种生境适宜性预测与评价的由Phillips等(2006)开发出的MaxEnt对黑颈长尾雉进行分析。
1.3 数据来源及预处理黑颈长尾雉的分布点来自广西大学鸟类学研究团队长期的调研结果(周放,2011)以及相关文献(吴名川,1984;李汉华等,1998;贝永建等,2005;刘慧明等,2016),排除重复的点,最后共选出58个(图 1)。环境变量包括地形、人为干扰、水源、植被4个部分。地形、NDVI指数、居民点、道路与河流数据来源于中国科学院计算机网络信息中心地理空间数据云平台(http://www.gscloud.cn)。其中2009年ASTER GDEMV2的30 m分辨率海拔数据下载后,在ENVI 5.2中进行几何校正及镶嵌后用ArcGIS 10.3进行表面分析,提取坡度和坡向信息。NDVI指数为2015年MYD13Q1的16天合成产品。地表覆盖类型数据来源于ISCGM(https://www.iscgm.org)全球地表覆盖类型GLCNMO version 3,其将地表类型分成常绿阔叶林、混交林、农田、水体等20个类别。居民点、道路与河流在ArcGIS中通过欧式距离分析距离范围得到栅格文件。数据经过ArcGIS使用研究区域矢量文件进行裁剪提取统一成WGS1984坐标系,经重采样统一栅格分辨率为90 m×90 m,最后转化成MaxEnt所使用的ASCII格式文件。
1.4 分析方法使用MaxEnt 3.3.3k导入黑颈长尾雉的分布点及环境变量数据,采用25%的分布点用于模型验证,剩余的75%的分布点用以建立模型。最后的结果以Logistic输出表示,模型的准确度验证采用软件自带的AUC曲线来鉴别,其值在0~1,其中0.5~0.6,不合格;0.6~0.7,差;0.7~0.8,普通;0.8~0.9,良;0.9~1.0,优秀(Swets,1988)。
2 结果与分析 2.1 分布与环境因子的关系模型结果的训练集和验证集的AUC值分别为0.966和0.927,预测结果达到了优秀水平。其中,海拔的贡献率最大,占总贡献率的61.92%,其次是NDVI指数、居民区距离、坡向、水体距离、坡度、地表覆盖类型,依次为:23.84%、7.81%、3.14%、1.94%、0.98%、0.37%。
2.2 生境适宜性分布与保护空缺分析利用MaxEnt分析生成的ASCII文件在ArcGIS打开转化成栅格数据,得到黑颈长尾雉在广西境内的生境适宜图(图 2)。
通过ArcGIS中的重分类将黑颈长尾雉的适宜性分布图重新分为3个部分:0~0.5为不适宜,0.5~0.7为较适宜,0.7~1为最适宜。将现有保护区图层与最适宜生境叠加进行对比(图 3),结果表明已建立的保护区仅覆盖了16.72%的最适宜生境,尚有4 985.86 km2的最适宜生境在保护区外。
3 讨论MaxEnt是基于最大熵原理的预测模型,根据已知物种分布点的环境因子数据找出物种分布的最大熵值,从而预测其潜在的栖息地。现已广泛用于预测物种的潜在栖息地,本文通过MaxEnt对广西境内的黑颈长尾雉进行潜在栖息地的分析,预测结果表明黑颈长尾雉潜在栖息地多集中在广西西北部,这与相关研究(吴名川,1984;贝永建等,2005;陈伟才等,2006;蒋爱伍等,2006;姚小刚等,2012)的分布区相近,适宜的分布区相对狭窄,且多呈破碎化。适宜栖息地多分布在高海拔山区,中南部多为低海拔的丘陵和平地,除了西北地区,其他地区的山体中有较少面积的零星分布,而高海拔山地中的栖息地条件与丘陵和平地有差异,这也可能是黑颈长尾雉对其栖息地的一种适应。适宜分布区与现已发表文献的分布区有较大部分一致外,广西百色、那坡、靖西一带还具有一定面积的最适宜生境,同时资源、龙胜和广西十万大山等地区也具有一定面积的最适宜生境,但面积相对较小,在地图中多为点状的零星分布。根据目前的文献及野外记录资料,以上这些区域尚未发现黑颈长尾雉的分布。对于分析结果中的百色、那坡、靖西一带的适宜分布区,考虑到模型分析中的因子为地表覆盖类型、海拔、坡度等因子,除此之外该地区的其他影响因子(如植被的群落结构等)并不能完全反映出来,对于这些地区黑颈长尾雉的存在与否仍需要进行下一步的野外工作。而资源、龙胜和十万大山等区域相对百色、那坡、靖西一带来说其最适宜生境面积较小,适宜栖息地多破碎化。而栖息地的破碎化对种群来说往往是不利的(邓文洪,2009),有些对边缘敏感的鸟类在面积较大的斑块中的出现概率较小面积的高(Deng & Zheng,2004)。面积大的斑块相对面积小的,其核心区域较大,栖息地类型更为丰富,边缘的影响范围有限。小面积的斑块受外部的影响较大,如森林边缘区域人类活动的干扰(农田种植、伐木、修建道路等)对物种的生存形成更大的威胁和捕食风险。另一方面,不同斑块之间的距离也影响物种的分布,斑块的距离较远意味着物种需要穿过更长距离的非适宜生境,通透性较低。这些都会对斑块内鸟类的生存造成不利影响。资源、龙胜和十万大山等区域的适宜栖息地面积小、分布间隔大,所以可能没有黑颈长尾雉的分布。本文的预测结果未对给予的相应因子进行分析得到的地理投影,后续工作还需对预测结果的适宜栖息地的大小、斑块性程度以及物种的扩散能力等进行考虑。
模型预测结果中,海拔和NDVI指数对于其分布贡献率较大,黑颈长尾雉的分布偏向于高海拔山区,且对坡向和植被的覆盖度具有一定的选择(常丽娜等,2011;蒋爱伍等,2012a)。黑颈长尾雉偏好具有高大乔木的地区,如落叶林、混交林等,这可能与其选择具有一定高度树木作为夜栖地有关(蒋爱伍等,2006)。目前人类活动对栖息地原有植被的干扰和破坏对黑颈长尾雉极其不利。模型中与居民点的距离越远,黑颈长尾雉的分布概率越高,表明黑颈长尾雉栖息地对隐蔽性具有一定的需求。黑颈长尾雉在冬季会从高海拔移至相近的低海拔地区,而不同季节的栖息地植被类型有差别(李伟等,2010)。本文将黑颈长尾雉不同季节的分布点归到一起,会对预测中植被覆盖类型的比重造成影响。物种在不同季节分布点所处的环境变量不同,对于有些鸟类的栖息地预测应考虑不同季节的差异性,需要分别对不同季节的栖息地进行分析以提高预测的精度。同时本文的分布点数量还有一定缺乏,在今后还需进行更多的工作补充。
广西生物资源丰富,有针对大鲵Andrias davidianus、白头叶猴Presbytis leucocephalus等国家重点保护物种建立的保护区。本研究结果显示,现有保护区对黑颈长尾雉的适宜生境并未覆盖完全,覆盖的面积较狭窄。建议考虑从黑颈长尾雉适宜生境、与其分布相关的植被覆盖条件以及人为干扰等因素进行综合性的系统保护规划,实现多物种的综合保护。
贝永建, 陈伟才, 李汉华, 等. 2008. 再引入黑颈长尾雉育雏行为和育雏地选择[J]. 四川动物, 27(1): 92–94. |
贝永建, 李汉华, 黄乘明, 等. 2005. 岑王老山再引进黑颈长尾雉(Syrmaticus humiae)种群扩散的研究[J]. 广西师范大学学报(自然科学版), 24(4): 85–88. |
常丽娜, 李明会, 周伟, 等. 2011. 云南大中山黑颈长尾雉活动区种群密度及空间分布[J]. 西南林业大学学报, 31(6): 45–48. |
陈伟才, 李汉华, 庾太林. 2006. 黑颈长尾雉的巢址选择[J]. 四川动物, 25(3): 584–588. |
邓文洪. 2009. 栖息地破碎化与鸟类生存[J]. 生态学报, 29(6): 3181–3187. |
段胜武. 2015. 基于Maxent模型的栗斑腹鹀分布研究及预估[D]. 长春: 东北师范大学. |
高瑞莲, 吴健平. 2000. 3S技术在生物多样性研究中的应用[J]. 遥感技术与应用, 15(3): 205–209. DOI:10.11873/j.issn.1004-0323.2000.3.205 |
蒋爱伍, 原宝东, 覃国乐, 等. 2012a. 黑颈长尾雉生物学研究进展[J]. 生物学教学, 37(11): 2–5. |
蒋爱伍, 周放, 陆舟, 等. 2006. 广西黑颈长尾雉对夜宿地的选择[J]. 动物学研究, 27(3): 249–254. |
蒋爱伍, 周放, 覃玥, 等. 2012b. 中国大陆鸟类栖息地选择研究十年[J]. 生态学报, 32(18): 5918–5923. |
李汉华, 庾太林, 申兰田. 1998. 广西的角雉属、长尾雉属鸟类及其地理分布[J]. 广西师范大学学报(自然科学版), 9(3): 78–82. |
李伟, 周伟, 刘钊, 等. 2010. 云南大中山黑颈长尾雉栖息地选择周年变化[J]. 动物学研究, 31(5): 499–508. |
廖晓雯. 2014. 广西陆生药用脊椎动物(两栖爬行及鸟类)资源调查和分析评价[D]. 南宁: 广西大学. |
刘芳. 2016. 吉林珲春野生东北虎栖息地生境评价与潜在廊道分析[D]. 北京: 北京林业大学. |
刘慧明, 刘晓曼, 王昌佐, 等. 2016. 金钟山国家级自然保护区黑颈长尾雉生境适宜性评价[J]. 地球信息科学学报, 18(4): 526–536. |
刘钊, 周伟, 张庆, 等. 2008. 哀牢山自然保护区南华片黑颈长尾雉春季觅食地植物群落特征与选择[J]. 动物学研究, 29(6): 646–652. |
刘振生, 高惠, 滕丽微, 等. 2013. 基于MAXENT模型的贺兰山岩羊生境适宜性评价[J]. 生态学报, 33(22): 7243–7249. |
吴名川. 1984. 广西雉类的生态及分布[J]. 野生动物, 7(6): 12–14. |
吴庆明, 王磊, 朱瑞萍, 等. 2016. 基于MAXENT模型的丹顶鹤营巢生境适宜性分析——以扎龙保护区为例[J]. 生态学报, 36(12): 3758–3764. |
邢丁亮, 郝占庆. 2011. 最大熵原理及其在生态学研究中的应用[J]. 生物多样性, 19(3): 295–302. |
杨勇, 温俊宝, 胡德夫. 2011. 鸟类栖息地研究进展[J]. 林业科学, 47(11): 172–180. DOI:10.11707/j.1001-7488.20111128 |
姚小刚, 李明会, 周伟, 等. 2012. 哀牢山自然保护区南华片黑颈长尾雉生境适宜性评价[J]. 西南林业大学学报, 32(2): 68–72. |
张熙骜, 隋晓云, 吕植, 等. 2014. 基于Maxent的两种入侵性鱼类(麦穗鱼和鲫)的全球适生区预测[J]. 生物多样性, 31(2): 182–188. |
周放. 2011. 广西陆生脊椎动物分布名录[M]. 北京: 中国林业出版社: 65-68. |
Deng W, Zheng G. 2004. Landscape and habitat factors affecting cabot's tragopan Tragopan caboti occurrence in habitat fragments[J]. 117(1):25-32. |
Haegeman B, Etienne RS. 2010. Entropy maximization and the spatial distribution of species[J]. American Naturalist, 175(4): E74–E90. DOI:10.1086/650718 |
Hu J, Liu Y. 2014. Unveiling the conservation biogeography of a data-deficient endangered bird species under climate change[J]. PLoS ONE, 9(1): e84529. DOI:10.1371/journal.pone.0084529 |
IUCN. 2016.The IUCN red list of threatened species[EB/OL]. (2016-3)[2016-12-20]. http://www.iucnredlist.org/. |
Moreno R, Zamora R, Molina JR, et al. 2011. Predictive modelling of microhabitats for endemic birds in south Chilean temperate forests using maximum entropy (MaxEnt)[J]. Ecological Informatics, 6(6): 364. DOI:10.1016/j.ecoinf.2011.07.003 |
O'Connor RJ. 1985. Avian ecology:habitat selection in birds[J]. Science, 230(4728): 933. DOI:10.1126/science.230.4728.933 |
Phillips SJ, Anderson RP, Schapire RE. 2006. Maximum entropy modeling of species geographic distributions[J]. Ecological Modelling, 190(3): 231–259. |
Swets JA. 1988. Measuring the accuracy of diagnostic systems[J]. Science, 240(4857): 1285–1293. DOI:10.1126/science.3287615 |