CN111125285A - 一种基于物种空间分布关系的动物地理区划方法 - Google Patents

Abstract

本发明涉及一种基于物种空间分布关系的动物地理区划方法，实现了依据空间分布范围重叠面积占比建立物种关系网络，以此识别相似物种群并形成物种地理区划图。该方法根据任意两个物种的分布范围及其重叠范围，采用叠置分析确定重叠面积占比，建立反映空间分布相似度的指标，并以此建立物种相关性矩阵。在图模型上根据物种相关性矩阵生成物种关系网络图，并在关系网络图上应用社团检测方法，检测得若干联系紧密的物种聚类社团。最后根据出图精度统计图像像元所属社团，得到物种地理区划图。该方法将物种空间分布范围量化为物种关系并以此得到物种区划图，与以往主要依靠专家知识经验的区划方法相比存在合理性，同时能较好地识别出小范围聚集的物种群。

Description

一种基于物种空间分布关系的动物地理区划方法

技术领域

本发明涉及基于物种空间分布关系的动物地理区划方法。

背景技术

地理学区域学派创始人赫特纳(Hettner.A)指出,区域就其概念而言是整体的一种分割，一种地理区划就是不断的分解为它的部分。自然地域系统研究是从区域角度出发，观察和研究地表自然综合体，揭示地域分异规律，探讨不同尺度自然地域单元的形成发展、分异组合、划分合并和相互联系的科学

由于人类经济活动对生态环境不合理干扰程度的增强，全球与区域生态环境日益恶化，资源过度消耗、环境污染、生态破坏等一系列环境问题严重威胁到人类的生存和发展。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，它不仅是获取地理知识的重要途径，而且可为拟定和实施社会经济发展规划以及保护、改良和合理利用生态与环境提供必要的科学依据。

物种地理区划表明了物种分布的区域差异，对物种地理区划的研究有助于理解不同物种群之间的起源和关系，分析物种在时间和空间上的分布。同时，物种地理区划的研究是生物多样性研究的空间分异基础，也为其他领域提供了丰富的地理基础数据支持。

我国早期的物种地理区划研究主要依靠专家知识和经验，对数理特征的定量分析较少。过往国内外相关研究主要集中探究物种丰富度与环境因子间相互关系及其成因，多以行政区划为基础研究单元，基础单元粒度较粗，难以从物种的自身分布特征探究其分布规律。此外，研究方法多以统计分析为主，较少引入空间结构模式进行定量分析。

本文针对特定类群，充分依据物种空间分布矢量数据，根据任意两个物种的分布范围及其重叠范围，采用叠置分析确定重叠面积占比，建立反映空间分布相似度的指标，并以此建立物种相关性矩阵。在图模型上根据物种相关性矩阵生成物种关系网络图，并在关系网络图上应用社团检测方法，检测得若干联系紧密的物种聚类社团。最后根据出图精度统计图像像元所属社团，得到物种地理区划图。本文物种地理区划方法强调物种间的相互关系，并且能较好地识别出小范围聚集的物种群。

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，利用物种间空间分布关系相似度进行物种地理区划。利用物种的空间分布重叠面积占比定义空间分布相似度指标，以此建立相关性矩阵并构建物种关系网络图，在网络图中检测紧密联系的物种社团，最后将多个社团进行地图映射得到物种地理区划。

为了解决以上技术问题，本发明提供的基于物种空间分布关系的动物地理区划方法，包括以下步骤：

第一步、获取两两物种相关性——以物种空间分布多边形的交并比作为物种相似度，两物种间的相关性P＝S1/S2，S1为两物种分布范围的多边形重叠面积，S2为两物种分布范围的多边形合并面积；

第二步、建立物种相关性矩阵——物种个数为N，相关性矩阵大小为N×N，矩阵(i，j)位置处的元素值为物种i和物种j的相关性；

第三步、建立关系网络——通过物种相关性矩阵建立物种关系网络，关系网络用图模型G表达，图模型G是由顶点集V和边集E构成，物种关系网络图模型的顶点为物种，相关性大于0的两物种的顶点之间建立一条边，边的权重为对应两顶点物种的相关性；

第四步、社团划分——基于顶点间的相关性利用信息流编码压缩法对顶点进行分类，划分入同一个类的顶点所对应的物种归为一个社团；

第五步、面积加权地理区划——根据出图精度确定像元中心，统计所需出图精度下每个像元中心点上物种多边形的社团类别，每类社团所对应多边形进行面积倒数加权求和，将权重最大的社团类别作为当前像元的所属社团，得到物种区划图。

本发明的创新点在于充分利用物种的空间分布关系，独创性地使用关系网络表示不同物种之间的关联关系，用社团检测方法模拟物种间的信息传递，并识别出交流频繁的紧密联系物种社团。以物种为分析单元代替以行政区划为基础研究单元，充分利用各物种空间分布的差异进行定量分析，从而得到全国物种区划图。

附图说明

下面结合附图对本发明的基于物种空间分布关系的动物地理区划方法作进一步的说明。

图1是物种相关性IoU指标的计算示意图。

图2是建立的关系网络示意图。

图3是社团划分后的关系网络示意图。

图4是像元中心及多边形所属社团示意图。

图5是像元中心所属社团示意图。

图6是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。

本实施例基于物种空间分布关系的动物地理区划方法，包括以下步骤：

第一步、获取两两物种的相关性。在本文中两个物种间的相关性强弱用物种分布的面积交并比：IoU指标刻画。IoU指标计算如图1所示，进行相关性计算的两个物种的分布范围为A和B，对两个物种分布范围的多边形应用叠置分析，计算物种重叠区域范围为O，则A与B的IoU指标由式(1)计算得到。

area(A∩B)为两物种分布范围的多边形合并面积，area(A∪B)为两物种分布范围的多边形重叠面积，area(A)是图1中范围A的面积、area(B)是图1中范围B的面积、area(O)是图1中范围O的面积。

第二步、建立物种相关性矩阵。相关性矩阵描述了所有物种两两之间的相关性。本实例采用2015年出版的《中国哺乳动物多样性及地理分布》中记录的最新中国哺乳动物种类及分布范围作为实例。建立关系网络之前先根据步骤一介绍的IoU指标计算两两物种之间的相关性，将两两物种间相关性值填入相关性矩阵中。书中共记录了624个物种(陆生哺乳动物)，则相关性矩阵大小为624×624。相关性矩阵第i行j列的元素值为物种i与物种j之间的IoU指标。

第三步、建立关系网络。物种的关系网络用图模型组织联系了所有物种间的相关性，以此可分析物种整体的群聚现象，并分析出单个物种在聚类形成中的作用以及聚类之间的关系。关系网络用图模型G表达，图模型G是由顶点集V和边集E构成，物种关系网络图模型的顶点为物种，相关性大于0的两物种的顶点之间建立一条边，边的权重为对应两顶点物种的相关性。本实施例建立物种关系网络时，将624个物种定义为网络图节点，图的边由上文624种物种间的物种相关性矩阵所记录的值确定。物种i和物种j在相关性矩阵对应处的值为matrix[i][j]，且matrix[i][j]≠0，则为物种节点i和物种节点j建立一条边，边的权重为matrix[i][j]。必要时可设置权重阈值用以过滤相关性较小的物种关系，此例中选取的权重阈值为0.15。最终建立的物种关系网络图节点较多，为了方便成图，本文选取了其中几个物种节点绘制示意图如图2。

第四步、社团划分。基于顶点间的相关性利用信息流编码压缩法对顶点进行分类，划分入同一个类的顶点所对应的物种归为一个社团。

本实施例中采用信息流编码压缩法实现社团划分，将信息交互更快、传递更便捷的节点聚合成一个社团，以此找到关系密切的物种集合。信息流编码压缩法见论文"Rosvall M,Bergstrom C T.Maps of random walks on complex networks revealcommunity structure[J].Proceedings of the National Academy of Sciences,2008,105(4):1118-1123."。

信息流编码压缩法利用在关系网络上随机游走的概率流表示网络内顶点间的信息交流，概率流编码表达后根据编码理论可得平均码字长度，通过顶点的合并及二级编码实现码字长度的压缩，最终最小码字长度对应的顶点集合即为划分得的社团。

对本例中的哺乳类物种关系网络进行信息流编码压缩法社团发现，最终将624个物种划分成21个社团。为简化表示，选取其中几个物种节点绘制社团划分示意图如图3所示。

第五步、面积加权地理区划。为了将社团划分结果映射到研究范围内形成物种地理区划，本例根据出图精度确定像元大小为5千米，在成图范围内根据5千米间隔距离确定像元中心。记录每个像元中心点上的物种多边形的社团类别，并对每个社团类别进行所属多边形面积倒数加权，将权重最大的社团类别作为当前像元的所属社团。面积倒数加权是因为小范围集聚的社团各物种分布面积较小，倒数加权后所属社团的权重变大，在社团划分时得以凸显。同时本例设置面积倒数权重最小值阈值为1/5000，防止面积过大物种作用过小。最终分布范围面积为a的物种j对所属社团的影响权重w为式(2)：

本例作图时采用的像元精度为5千米。以图4像元中心点M为例，具体计算步骤如下：

1)为每个栅格像元中心点建立字典记录表，字典的主码为社团检测得到的m个社团编号c_i(i＝1,2,3,...m)。M像元点的字典记录表主码为c_M(i＝1,2,3,...,21)；

2)遍历所有物种多边形，设当前物种所属的社团为c，多边形面积为a，空间查找包含在多边形内部的栅格像元中心点，为所有内部像元中心点的字典表在对应主码c处添加一条记录b，b由式(2)计算得。包含点M的物种多边形有4个，多边形集合为{A,B,C,D}，对应的面积为{S_A,S_B,S_C,S_D}。各物种多边形对应的社团有两个，社团集合为{1,2}，物种多边形与社团的对应关系为A-1、B-1、C-2、D-2。此时M点的字典记录表如下表所示：

3)遍历所有像元中心。统计每个像元中心的字典表，对每个像元各社团的权重记录序列进行求和，选取出权重和最大的社团C作为当前像元的所属社团。像元中心点M的记录序列和为X₁和X₂，由于X₁<X₂，则像元中心点M所属的社团为社团2，如图5所示。

面积加权地理区划法根据出图精度(5千米)进行每个像元的归属社团确定，得到全国哺乳类动物地理区划结果如图6所示，共划分得11个区划。

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)

1.一种基于物种空间分布关系的动物地理区划方法，包括以下步骤：

第一步、获取两两物种相关性——以物种空间分布多边形的交并比作为物种相似度，两物种间的相关性P＝S1/S2，S1为两物种分布范围的多边形重叠面积，S2为两物种分布范围的多边形合并面积；

第二步、建立物种相关性矩阵——物种个数为N，相关性矩阵大小为N×N，矩阵(i，j)位置处的元素值为物种i和物种j的相关性；

第三步、建立关系网络——通过物种相关性矩阵建立物种关系网络，关系网络用图模型G表达，图模型G是由顶点集V和边集E构成，物种关系网络图模型的顶点为物种，相关性大于0的两物种的顶点之间建立一条边，边的权重为对应两顶点物种的相关性；

第四步、社团划分——基于顶点间的相关性利用信息流编码压缩法对顶点进行分类，划分入同一个类的顶点所对应的物种归为一个社团；

第五步、面积加权地理区划——根据出图精度确定像元中心，统计所需出图精度下每个像元中心点上物种多边形的社团类别，每类社团所对应多边形进行面积倒数加权求和，将权重最大的社团类别作为当前像元的所属社团，得到物种区划图。

2.根据权利要求1所述的基于物种空间分布关系的动物地理区划方法，其特征在于：第一步中，相关性P为IoU指标，两物种的分布范围分别为A和B，则两物种的IoU指标为IoU(A,B)，

area(A∩B)为两物种分布范围的多边形合并面积，area(A∪B)为两物种分布范围的多边形重叠面积。

3.根据权利要求1所述的基于物种空间分布关系的动物地理区划方法，其特征在于：第三步中，设置权重阈值＝0.15，用以过滤相关性较小的物种关系，若两物种相关性小于0.15，则设置这两物种的相关性为0。

4.根据权利要求1所述的基于物种空间分布关系的动物地理区划方法，其特征在于：第五步中，设置面积倒数权重最小值阈值为1/5000，分布范围面积为a的物种j对所属社团的影响权重w由下式计算：

5.根据权利要求4所述的基于物种空间分布关系的动物地理区划方法，其特征在于：第五步的具体计算步骤如下：

1)、为每个栅格像元中心点建立字典记录表，字典的主码为所有社团编号c_i(i＝1,2,3,...m)；

2)、遍历所有物种多边形，设当前物种所属的社团为c，多边形面积为a，空间查找包含在多边形内部的栅格像元中心点，为所有内部像元中心点的字典表在对应主码c处添加一条记录b，b由式(2)计算得；

3)遍历所有像元中心，统计每个像元中心的字典表，对每个像元各社团的权重记录序列进行求和，选取出权重和最大的社团C作为当前像元的所属社团。

Images