CN110991562B - 一种基于物种构成特征的动物类群地理区划方法 - Google Patents
一种基于物种构成特征的动物类群地理区划方法 Download PDFInfo
- Publication number
- CN110991562B CN110991562B CN201911333365.5A CN201911333365A CN110991562B CN 110991562 B CN110991562 B CN 110991562B CN 201911333365 A CN201911333365 A CN 201911333365A CN 110991562 B CN110991562 B CN 110991562B
- Authority
- CN
- China
- Prior art keywords
- species
- grid
- grids
- distribution
- target area
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 241000894007 species Species 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 30
- 241001465754 Metazoa Species 0.000 title claims abstract description 20
- 238000013316 zoning Methods 0.000 claims abstract description 9
- 238000010586 diagram Methods 0.000 claims abstract description 8
- 238000007621 cluster analysis Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 abstract description 7
- 230000007613 environmental effect Effects 0.000 abstract description 4
- 235000019580 granularity Nutrition 0.000 abstract description 2
- 238000005259 measurement Methods 0.000 abstract description 2
- 238000001228 spectrum Methods 0.000 abstract 1
- 235000012571 Ficus glomerata Nutrition 0.000 description 2
- 244000153665 Ficus glomerata Species 0.000 description 2
- 241000124008 Mammalia Species 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Remote Sensing (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于物种构成特征的动物类群地理区划方法,利用物种自身分布格局进行地理区划。该方法基于精细栅格网,利用物种分布数据建立各物种在目标区域内的空间分布二值栅格图像。将各二值图像作为单个波段数据进行融合,得到目标区域物种分布多光谱数据。建立物种构成相异度指标,作为栅格间物种差异性度量单位进行聚类分组,得到各栅格单元所属类别。最后制订合适的制图综合规则对分组后栅格进行矢量化显示,得到基于矢量的动物类群地理区划结果图。该方法直接利用物种自身分布数据进行地理区划,与以往主要利用环境因子进行区划的方法相比更好地反映了物种构成的实际地理分异,同时为进行不同层次、不同粒度的地理区划提供基础。
Description
技术领域
本发明涉及基于物种构成特征的动物类群地理区划方法。
背景技术
生态地理区划是根据一定区域内生态系统结构、功能和动态的空间分异性划分为具有相对一致生态因素综合特征与潜在生产力的地块,从而为自然资源合理开发、利用与保护,以及综合农业规划布局与可持续发展提供数据支持。
随着人类社会经济活动规模的不断扩大,持续增长的资源需求与生态环境保护间的深层次矛盾日益突出。资源过度开采、生态破坏、环境污染等一系列环境问题成为了制约人类社会可持续性发展的关键。因此,对全球与区域进行生态地理区划具有重要的现实意义。
物种地理区划是生态地理区划研究的重要内容之一,其目的是根据不同动物种类的分布规律,将某一地理范围划分成若干区域,以体现不同区域间在动物区系上的差异性,并为研究物种的起源、演化和分布的历史过程提供依据。合适的区系划分方法有助于学者探究物种多样性与环境因子间的内在联系,以期为物种多样性保护提供重要的参考依据和理论意义。
现有地理区划方法主要以环境因子分布或行政单元为判断依据进行区系划分,对物种自身的分布情况关注较少,区划系统所应具有的生态学意义也未能给予充分的考虑。少数基于物种分布数据的区划方法往往根据物种的分类集合等极为简单的资料进行主观划分,缺少相关空间定位数据的支持,得到的结果在科学性与准确性方面存在局限性,无法满足现有地理区划研究的需要。
本发明基于精细栅格网,利用物种分布数据为各物种建立其在目标区域内的空间分布二值栅格。将单个栅格图像看作高光谱遥感图像中的一个波段,得到目标区域内物种分布多光谱数据。建立物种构成相异度指标,作为栅格间物种差异性度量单位进行空间单元聚类,得到各栅格单元的类别分组。最后制订合适的制图综合规则对分组后的栅格单元进行矢量化显示,得到基于矢量的动物类群地理区划结果图。
发明内容
本发明要解决的技术问题是:克服现有技术的上述不足,提供一种基于物种构成特征的动物类群地理区划方法,以栅格像元为基本单元,基于栅格内物种组成的相似性对目标区域进行地理区划。
为了解决以上技术问题,本发明提供的基于物种构成特征的动物类群地理区划方法,步骤如下:
第一步、建立分析所需空间划分单元——将目标区域投影并划分为若干个栅格单元作为分析统计的空间划分单元;
第二步、建立区域内物种分布多光谱数据——为各物种建立空间分布二值栅格图像,将各分布栅格图像作为单个波段的数据进行融合,获得目标区域内物种分布多光谱数据G={gi,j|i=0,…,N-1;j=0,…,M-1},其中,M为目标区域内栅格数量,N为目标区域内物种数量,gi,j表示物种i在栅格j处的数值;
第三步、计算栅格间物种构成相异度——基于第二步中获得的区域内物种分布多光谱数据,计算各栅格间的物种构成相异度;
栅格i和栅格j的物种构成相异度dij:
利用公式(1)得到各个栅格间物种构成相异度;
第四步:对栅格进行聚类分析——利用第三步中获得的栅格间物种构成相异度作为栅格间的距离,对栅格进行聚类分析,获得栅格聚类树状图;
第五步:对栅格类别进行分组——根据预设的所需划分的类别数或拟定的栅格间物种构成相异度阈值,确定栅格聚类树状图上各节点所属类别,从而获得各栅格单元的类别;
第六步:矢量化表达——对分组后的栅格单元进行矢量化,得到动物类群地理区划结果。
发明的创新点在于,在传统生境物种丰富度计算方法的基础上,以等面积地理单元为基本单位对区域物种多样性空间分布格局进行分析,实现了基于物种自身分布特征的地理区划方法,更好地反映了物种构成的实际地理分异。该方法可以通过控制栅格大小,结合研究的需要设置划分精度,为后续进行不同层次、不同粒度的地理区划提供基础。
附图说明
下面结合附图对基于物种构成特征的动物类群地理区划方法作进一步的说明。
图1是初始构建的栅格格网示意图。
图2是添加栅格中心点后的目标区域示意图。
图3是示例物种1对应的空间分布二值栅格图像。
图4是目标区域栅格内物种分布多光谱数据部分示意图。
图5是部分栅格间物种差异距离矩阵示意图。
图6是进行聚类分析后得到的聚类树示意图。
图7是目标栅格所属类别示意图。
图8是基于矢量的动物类群地理区划结果示意图。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述,以使本发明的优点和特征能更易于被本领域技术人员理解,从而对本发明的保护范围做出更为清楚明确的界定。
本实施例基于物种构成特征的动物类群地理区划方法,包括以下步骤:
第一步:建立分析所需空间划分单元。将目标区域内的物种分布数据由地理坐标系投影至投影坐标系中;根据投影后目标区域的坐标范围,选择适当的像元大小构建覆盖目标地域的栅格网,该栅格网即为分析所需空间划分单元。在实际应用时,往往选择研究区域面积的千分之一至万分之一作为栅格网的像元大小。
本实施例中,原始数据使用90~115°E,30~40°N地区共81种陆生哺乳动物分布矢量数据,各物种均具有对应的分布范围图层。根据目标地区的纬度,本实施例选择使用Albers投影对物种分布矢量数据进行等面积投影。
投影后的目标区域共计250.2万平方公里,选择1万平方公里作为栅格网的像元面积进行目标区域栅格网的构建。如图1所示,在投影后的目标区域最小外接矩形周围,建立312个像元边长100km的栅格数据A={ap|p=0,…,311},ap为第p个栅格。
第二步:建立区域内物种分布多光谱数据。
在目标区域内,共存在81个不同的物种。分别针对各个物种,建立对应的空间分布二值栅格图像。建立单个物种空间分布二值栅格图像的方法具体如下:
建立集合T={tj|j=0,…,M-1},M为目标区域内栅格数量,tj为栅格j的数值,对目标区域内栅格网,获得栅格j的像元中心点j’,判断其与目标物种分布区域之间的拓扑关系,若其拓扑关系为包含,则tj=1,否则tj=0;遍历全部目标栅格,得到该物种在目标区域内的空间分布二值集合T,从而获得该物种空间分布二值栅格图像。
以建立物种1的空间分布二值栅格图像为例。对全部栅格像元中心点(图2)与物种1分布范围间的拓扑关系进行判断,若其拓扑关系为包含,则将该中心点对应的栅格赋值为1;否则将对应栅格赋值为0。遍历目标区域内的全部栅格,得到物种1的空间分布二值栅格图像如图3所示。为其余80个物种分别建立对应的空间分布二值栅格图像,得到目标区域栅格内物种分布多光谱数据G={gi,j|i=0,…,80;j=0,…,311},如图4所示。
第三步:计算栅格间物种构成相异度。栅格i和栅格j的物种构成相异度dij根据下述公式计算获得:
利用公式(1)得到各个栅格间物种构成相异度。计算结果如图5所示。
第四步:对栅格进行聚类分析。
利用第三步中获得的栅格间物种构成相异度作为栅格间的距离,对格栅进行聚类分析,获得栅格聚类树状图。
本实施例使用层次聚类方法(见文献”Anil K.Jain,RichardC.Dubes.Algorithms for Clustering Data[J].Technometrics,1988,32(2):227-229.”)对栅格进行聚类分析。
其大致过程如下:首先将全部目标栅格分别视为一个独立的栅格类,得到312个独立的栅格类{A0,A1,…,A+11},栅格类间的距离即为栅格类内所有栅格与另一栅格类内所有栅格距离的最小值。其次遍历栅格类间的距离,找出全体栅格类中距离最小的栅格类对(A0,A1)。将栅格对(A0,A1)合并为新的栅格类A,得到311个独立的栅格类{A,A2,…,A311}。重复上述步骤,直到栅格类数量为1,即所有栅格均处于同一栅格类内,聚类分析完成。将聚类过程以树状图形式表示,得到的聚类树如图6所示。
第五步:对栅格类别进行分组。根据预设的所需划分的类别数或拟定的栅格间物种构成相异度阈值,确定栅格聚类树状图上各节点所属类别,从而获得各栅格单元的类别。
在本实施例中,将分组数目确定为8,即将去除无物种分布栅格后的全部栅格聚类为8个不同的类别,并分别以类别1-8表示,将无物种分布的栅格以类别0表示。当类内栅格间物种差异性小于0.6时,可将全部栅格分为8个栅格类。判断此时各栅格节点的所属类别,得到目标栅格所属类别情况如图7所示。
第六步:矢量化表达。
去除栅格类别数据中的孤立栅格(去除小面积图斑),将其合并至周围大块状栅格类群内,合并相邻的同类栅格(合并相邻同类图斑),并转换为矢量数据,得到基于矢量的动物类群地理区划结果,如图8所示。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (5)
1.一种基于物种构成特征的动物类群地理区划方法,步骤如下:
第一步、建立分析所需空间划分单元——将目标区域投影并划分为若干个栅格单元作为分析统计的空间划分单元;所述第一步中,将目标区域内的物种分布数据由地理坐标系投影至投影坐标系中;根据投影后目标区域的坐标范围,选择适当的像元大小构建覆盖目标地域的栅格网,该栅格网即为分析所需空间划分单元,所述适当的像元大小为研究区域面积的千分之一至万分之一作为栅格网的像元大小;
第二步、建立区域内物种分布多光谱数据——为各物种建立空间分布二值栅格图像,将各分布栅格图像作为单个波段的数据进行融合,获得目标区域内物种分布多光谱数据G={gi,j|i=0,…,N-1;j=0,…,M-1},其中,M为目标区域内栅格数量,N为目标区域内物种数量,gi,j表示物种i在栅格j处的数值;
第三步、计算栅格间物种构成相异度——基于第二步中获得的区域内物种分布多光谱数据,计算各栅格间的物种构成相异度;
栅格i和栅格j的物种构成相异度dij:
利用公式(1)得到各个栅格间物种构成相异度;
第四步:对栅格进行聚类分析——利用第三步中获得的栅格间物种构成相异度作为栅格间的距离,对栅格进行聚类分析,获得栅格聚类树状图;
第五步:对栅格类别进行分组——根据预设的所需划分的类别数或拟定的栅格间物种构成相异度阈值,确定栅格聚类树状图上各节点所属类别,从而获得各栅格单元的类别;
第六步:矢量化表达——对分组后的栅格单元进行矢量化,得到动物类群地理区划结果。
2.根据权利要求1所述的基于物种构成特征的动物类群地理区划方法,其特征在于:第二步中,建立单个物种空间分布二值栅格图像的方法具体如下:
建立集合T={tj|j=0,…,M-1},M为目标区域内栅格数量,tj为栅格j的数值,对目标区域内栅格网,获得栅格j的像元中心点j’,判断其与目标物种分布区域之间的拓扑关系,若其拓扑关系为包含,则tj=1,否则tj=0;遍历全部目标栅格,得到该物种在目标区域内的空间分布二值集合T,从而获得该物种空间分布二值栅格图像。
3.根据权利要求1所述的基于物种构成特征的动物类群地理区划方法,其特征在于:第五步中,栅格聚类树状图中纵坐标代表分组内栅格之间的平均差异性,划分阈值越大,则类别数量越少,组内栅格间物种差异性越大;反之,则类别数量越多,组内栅格间物种差异性越小。
4.根据权利要求1所述的基于物种构成特征的动物类群地理区划方法,其特征在于:第四步中,使用层次聚类法对栅格进行聚类分析。
5.根据权利要求1所述的基于物种构成特征的动物类群地理区划方法,其特征在于:所述第六步中,去除小面积图斑并合并相邻同类图斑后进行矢量化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911333365.5A CN110991562B (zh) | 2019-12-23 | 2019-12-23 | 一种基于物种构成特征的动物类群地理区划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911333365.5A CN110991562B (zh) | 2019-12-23 | 2019-12-23 | 一种基于物种构成特征的动物类群地理区划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110991562A CN110991562A (zh) | 2020-04-10 |
CN110991562B true CN110991562B (zh) | 2023-11-24 |
Family
ID=70073957
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911333365.5A Active CN110991562B (zh) | 2019-12-23 | 2019-12-23 | 一种基于物种构成特征的动物类群地理区划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110991562B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111858818A (zh) * | 2020-07-23 | 2020-10-30 | 生态环境部南京环境科学研究所 | 一种县域物种分布数据栅格化方法和系统 |
CN113220810B (zh) * | 2021-04-16 | 2022-02-18 | 昆明理工大学 | 一种多源物种分布数据处理方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930561A (zh) * | 2012-10-22 | 2013-02-13 | 南京大学 | 一种基于Delaunay三角网的栅格地图矢量化方法 |
WO2017114387A1 (zh) * | 2015-12-28 | 2017-07-06 | 南京农业大学 | 一种基于多旋翼无人机平台的作物生长监测方法及装置 |
CN107103378A (zh) * | 2016-02-23 | 2017-08-29 | 中国农业大学 | 一种玉米种植环境测试站点布局方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9858661B2 (en) * | 2013-06-13 | 2018-01-02 | The Charles Stark Draper Laboratory, Inc. | Detecting species diversity by image texture analysis |
-
2019
- 2019-12-23 CN CN201911333365.5A patent/CN110991562B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930561A (zh) * | 2012-10-22 | 2013-02-13 | 南京大学 | 一种基于Delaunay三角网的栅格地图矢量化方法 |
WO2017114387A1 (zh) * | 2015-12-28 | 2017-07-06 | 南京农业大学 | 一种基于多旋翼无人机平台的作物生长监测方法及装置 |
CN107103378A (zh) * | 2016-02-23 | 2017-08-29 | 中国农业大学 | 一种玉米种植环境测试站点布局方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110991562A (zh) | 2020-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109272170B (zh) | 一种基于Louvain算法的交通小区划分系统 | |
CN107563803B (zh) | 一种基于耗费距离栅格的商圈划分方法 | |
CN110991562B (zh) | 一种基于物种构成特征的动物类群地理区划方法 | |
CN107766471A (zh) | 一种多源数据的组织管理方法与装置 | |
CN113724279B (zh) | 路网自动划分交通小区的系统、方法、设备及存储介质 | |
CN103888541A (zh) | 一种融合拓扑势和谱聚类的社区发现方法及系统 | |
CN113487523B (zh) | 图形轮廓优化方法、装置、计算机设备和存储介质 | |
CN116796904A (zh) | 一种轨道交通新线客流预测方法、系统、电子设备及介质 | |
CN108898244A (zh) | 一种耦合多源要素的数字标牌位置推荐方法 | |
Zhou et al. | Green urban garden landscape simulation platform based on high-resolution image recognition technology and GIS | |
CN114205831A (zh) | 一种优化方案的确定方法、装置、存储介质及设备 | |
CN111914137A (zh) | 一种基于遥感数据和poi数据的gdp空间化方法 | |
Al-Hamami et al. | Optimal cell towers distribution by using spatial mining and geographic information system | |
CN115661670A (zh) | 一种城乡自然景观梯度上过渡区识别方法及装置 | |
Srinivasa Raju et al. | Classification of Indian meteorological stations using cluster and fuzzy cluster analysis, and Kohonen artificial neural networks | |
Clarke | A comparative analysis of polygon to raster interpolation methods | |
Kulikova et al. | Optimization algorithms to solve problems of comprehensive electrification based on renewable energy sources | |
CN112163330B (zh) | 一种配电网规划图形可视性优化方法 | |
Shrestha et al. | Application of AHP and GIS for optimal solar site identification in Madhesh Province, Nepal | |
CN113936213A (zh) | 一种基于modis数据的冰川及永久积雪宏观监测方法 | |
Quinta-Nova et al. | An integrated agroforestal suitability model using a GIS-based multicriteria analysis method: a case study of Portugal | |
CN113327032A (zh) | 基于陆海统筹的国土空间规划双评价人机交互调整方法 | |
Maleta et al. | Distance Based Synthetic Measure of Agricultural Parcel Locations | |
Putri et al. | Dynamic Spatial Modelling of Land Use Change in South Kuta, Bali | |
Fusco et al. | Spatial analysis of the Indian Subcontinent: The complexity investigated through neural networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |