CN117556586A - 生物多样性调查样点优化设置方法 - Google Patents
生物多样性调查样点优化设置方法 Download PDFInfo
- Publication number
- CN117556586A CN117556586A CN202311174290.7A CN202311174290A CN117556586A CN 117556586 A CN117556586 A CN 117556586A CN 202311174290 A CN202311174290 A CN 202311174290A CN 117556586 A CN117556586 A CN 117556586A
- Authority
- CN
- China
- Prior art keywords
- sampling
- marxan
- units
- investigation
- cost
- 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.)
- Pending
Links
- 238000005070 sampling Methods 0.000 title claims abstract description 201
- 238000000034 method Methods 0.000 title claims abstract description 85
- 238000011835 investigation Methods 0.000 title claims abstract description 32
- 238000011160 research Methods 0.000 claims abstract description 8
- 238000012800 visualization Methods 0.000 claims abstract description 6
- 230000007613 environmental effect Effects 0.000 claims description 55
- 238000009792 diffusion process Methods 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000004888 barrier function Effects 0.000 claims description 2
- 238000013461 design Methods 0.000 abstract description 28
- 241000894007 species Species 0.000 description 40
- 241000251468 Actinopterygii Species 0.000 description 16
- 238000009826 distribution Methods 0.000 description 14
- 239000013505 freshwater Substances 0.000 description 10
- 230000006872 improvement Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 5
- 241001465754 Metazoa Species 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 241000271566 Aves Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003181 biological factor Substances 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000004513 sizing Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种生物多样性调查样点优化设置方法,包括以下步骤:基于应用于保护规划的Marxan公式,搭建不考虑边界成本的框架;确定先决条件:首先确定目标类群、研究区域的空间范围和地理位置,然后确定采样单元和调查特征;在确定了采样单元的大小和调查特征数量之后,准备Marxan输入文件;输出可视化;本发明是一种高效且灵活的采样点设计方法。
Description
技术领域
本发明涉及生物多样性采样技术领域,特别是一种生物多样性调查样点优化设置方法。
背景技术
具有地理和环境代表性的生物多样性采样对于了解生物多样性格局和形成过程以及设计有效的生物多样性保护和管理策略至关重要。然而,在现有的采样点设计方法中,环境代表性通常被忽视,更没有方便基层调查人员使用的工具可以同时考虑地理和环境代表性、交通可达性以及资金阶段性发放的问题。
生物多样性在维持生态系统的结构和功能方面发挥着至关重要的作用,而生态系统的结构和功能又是维持人类发展的关键。然而,大量人为活动引起的生物入侵、栖息地退化和气候变化等,导致生物多样性迅速丧失,对自然生态系统和人类社会造成了严重的威胁。因此,全面了解生物多样性的分布格局及其内在机制,对于设计有效的保护策略和确定优先保护区域至关重要,而这些又依赖于在不同地理和环境代表性条件下进行的大量生物多样性调查数据。然而,由于调查时间和地区、交通条件以及生物区系的差异,目前对物种分布格局的了解存在偏差。例如,在分辨率为5千米的全球地图上,仅有6.74%的区域进行过采样。因此,在预算有限的情况下,高效地对广阔地域进行生物多样性编目工作,并为其制定样点设置方案,是一个具有挑战性的任务。
物种分布格局不仅受到生物因素(如扩散能力、种间竞争和捕食)的影响,还受到两个关键非生物因素(地理距离和环境条件)的影响。这就要求同时考虑采样点的地理和环境代表性,以设计出高效的样点设置方法,从而获得具有地理和环境代表性的生物多样性数据。然而,大多数研究都只考虑了物种分布的地理代表性,而忽略了这些物种发生位置的环境异质性,这主要是由于环境条件的空间异质性非常复杂,而且难以测量与量化。有研究表示,同时考虑地理和环境因子的方法可以提高采样点选择的合理性,提高生物多样性编目工作的效率。
然而,同时考虑地理和环境代表性的现有采样点设计方法在实施过程中普遍忽视了一些实际困难。首先,往往没有考虑到采样点的交通可达性和成本。在实际情况中,调查人员往往会选择靠近公路的地区,而不是交通不便的区域,以提高采样的可行性和资金的使用效率。其次,生物多样性调查的资金通常是有限的,而且是分阶段提供的,因此需要设计可调整和分阶段的采样策略,以纳入或排除已有或计划中的采样点。虽然分阶段供资增加了采样和生物多样性监测计划成功与否的不确定性,但也能增加对生物多样性的调查效率。最后,现有的生物多样性调查方法通常基于复杂的编程语言,这对于技术专业知识有限的基层调查人员来说具有挑战性。因此,有必要设计出更具成本效益、可灵活设置阶段性采样策略且易于基层调查人员使用的方法,以优化生物多样性采样点的地理和环境代表性。
发明内容
为解决现有技术中存在的问题,本发明的目的是提供一种生物多样性调查样点优化设置方法,本发明是一种高效且灵活的采样点设计方法。
为实现上述目的,本发明采用的技术方案是:一种生物多样性调查样点优化设置方法,将有限的资源最大化地用于值得调查的区域,具体包括以下步骤:
步骤1、基于应用于保护规划的Marxan公式,按需修改Marxan在保护规划中的应用,搭建不考虑边界成本的框架;
步骤2、确定先决条件:首先确定目标类群、研究区域的空间范围和地理位置,然后确定采样单元和确定能够代表研究区域地理和环境条件的调查特征;
步骤3、在确定了采样单元的大小和调查特征数量之后,准备Marxan输入文件;
步骤4、输出可视化。
作为本发明的进一步改进,在步骤1中,所述应用于保护规划的Marxan公式如下:
详细表述为:
按需修改Marxan在保护规划中的应用,搭建不考虑边界成本的框架如下:
详细表述为:
其中,Ns代表保护规划/采样单元的数量,Nf代表保护/调查特征的数量;是保护/采样所需的总成本,其中xi=1表示选中i单元,0表示未选中i单元,ci是i单元的保护/交通成本;/>是边界成本;/>是惩罚值计算公式;
搭建的不考虑边界成本的框架包括两部分:所选采样单元的成本,以及因未达到调查特征采样目标而产生的惩罚。
作为本发明的进一步改进,在步骤2中,所述目标类群为一个特定的分类群或多个分类群。
作为本发明的进一步改进,在步骤2中,采样单元的大小和总数根据分类群的扩散距离估计值来确定;其大小应小于或等于按扩散距离排序的最低四分位数或最低十分位数物种组的平均扩散距离;每个物种的扩散距离根据专家经验或经验模型估算。
作为本发明的进一步改进,步骤2中,调查特征的采样目标在设定为100%,即在每个地理单元和环境聚类内至少选择一个或一定数量的采样单元;调查特征中,地理单元的数量根据其平均大小和研究区域的空间范围来确定,地理单元的大小和数量可以直接参考现有数据库或根据目标物种的扩散距离确定;环境聚类的数量通过分析所有采样单元的环境数据来确定。
作为本发明的进一步改进,在步骤4中,执行Marxan标准步骤获得最佳采样方案,具体如下:
输入文件通过Marxan的Inedit.exe程序从先前准备好的Marxan输入文件中创建,并使用该文件生成采样方案;在确定Marxan分数最低值的基础上,从多次重复运行中选出最佳采样方案;最佳采样方案包含每个采样单元的选择状态,并以纯文本文件.txt的形式导出,并将选中的采样单元在ArcMap中可视化。
本发明的有益效果是:
本发明利用Marxan开发了一种新的样点设置方法,只需修改Marxan工具的默认输入数据集,即将地理和环境数据以及交通可达性数据纳入其中即可。本发明的方法非常灵活,可根据调查特征(即地理单元和环境聚类)的数量确定最佳采样单元的数量,并根据调整采样单元的状态输出和可视化可适应分阶段供资的采样策略。与随机方法相比,Marxan方法选择的采样单元的平均物种丰富度约增加了一倍,采样有效性提高了81.18%(±0.83%),成本效益提高了81.75%(±0.02%),具有很高的地理和环境代表性。同时,它便于基层调查人员使用,适用于各种类群、生态系统和地区,因此有可能为生物多样性调查和保护工作做出重大贡献。
附图说明
图1为本发明实施例中使用Marxan准备数据和选择采样点的工作流程图;
图2中(a)为怒江-萨尔温江水系及已有数据点分布图;(b)为采样点数量频率分布图,发生数据点的数量随时间的推移而增加;(c-d)为经验验证分析结果,分析导致怒江-萨尔温江淡水鱼类采样偏差的偏差因子;(e-f)为2010年前和2010年后(包括2010年)发生数据点的分布和数量,2010年前有675个不重复的数据点,2010年后有716个不重复的数据点。
图3为本发明实施例中确定采样策略的先决条件示意图,其中,(a)为怒江-萨尔温江淡水鱼类扩散距离的频率分布直方图,以及最低四分位数物种组的平均扩散距离(即d);(b)为不同HydroBASIN级别的子流域数量和平均面积,以及第7级最低四分位数组的平均面积(即πd2);(c)为环境聚类数量与所捕获的环境变异性之间的关系;
图4为本发明实施例中Marxan方法所选采样单元分布图;(a)单阶段采样点设计的最佳采样方案;两阶段采样点设计的第一阶段(b)和第二阶段(c)的最佳采样方案;
图5为本发明实施例中Marxan方法与随机方法之间物种丰富度覆盖、采样效率和成本效益的比较图;两种方法选择的(a)平均物种丰富度,(b)物种丰富度的简单加和,(c)采样单元物种覆盖百分比,(d)Marxan方法的最佳策略与随机选择方法之间的成本效益比较。随机方法的成本设置为100%,百分比代表Marxan方法相对随机方法的成本总节省率(采样成本贡献,交通成本贡献)。
具体实施方式
下面结合附图对本发明的实施例进行详细说明。
实施例
一种生物多样性调查样点优化设置方法,包括:
框架设计:
用于保护规划的Marxan的基本原则是将有限的资源最大化地用于值得保护的区域,以实现多种保护特征的目标,这一原则同样适用于利用有限的采样点优化生物多样性调查的地理和环境代表性。因此,为了获得采样设计的最小Marxan分数(即最佳采样方案),本实施例修改了应用于保护规划的Marxan公式(公式1),在本方法中并未考虑边界成本(公式2)。这是因为根据地理学第一定律("所有事物都与其他事物相关,但是近处的事物比远处的事物更相关"),所以紧凑的采样点反而并不能满足地理代表性。相应地,修改后的等式包含两个部分:所选采样单元的成本,以及因未达到采样调查特征(如地理单元和环境聚类)目标而产生的惩罚。
上述两个公式的详细表述:
其中,Ns代表保护规划/采样单元的数量,Nf代表保护/调查特征的数量。是保护/采样所需的总成本,其中xi=1表示选中i单元,0表示未选中i单元,ci是i单元的保护/交通成本。/>是边界成本,只应用于系统保护规划。是惩罚值计算公式,参见Marxan用户手册按需求修改。
工作流程:
如图1所示,本实施例的工作流程包括三个步骤:(1)确定先决条件;(2)准备Marxan输入文件并设置参数;(3)输出可视化。
(1)确定先决条件:
这一步首先需要确定目标类群、研究区域的空间范围和地理位置,然后确定采样单元和调查特征。目标类群可以是一个特定的分类群(如鱼类),也可以是多个分类群(如所有动物和植物)。采样单元(即采样栅格)的大小和总数可根据分类群的扩散距离估计值来确定。本实施例建议采样单元的大小应小于或等于按扩散距离排序的最低四分位数(或最低十分位数)物种组的平均扩散距离(即d;因此采样单元的大小为d2),以便采样时能有效区分存在扩散能力较差物种的相邻单元。每个物种的扩散距离可根据专家经验或经验模型(如鱼类的Fishmove、鸟类的avianhand-wing index)估算。
为确保生物多样性采样点的地理和环境代表性,因此需要确定设计的采样网络的调查特征。地理单元的数量可根据其平均大小和研究区域的空间范围来确定。地理单元的大小和分类可直接参考ecoregions和HydroBASIN等现有数据库,或根据目标分类群的扩散距离确定(即与πd2相当)。环境聚类的数量则可通过分析所有采样单元的环境数据来确定。为全面了解生物多样性格局,应考虑可能影响其分布的所有关键环境因素,将环境数据进行聚类,根据其相似性对所有采样单元进行分组,环境聚类的数量可通过捕捉一定程度(如60%-95%)的环境变异性来确定。调查特征的采样目标在一般情况下应设定为100%(即在每个地理单元和环境聚类内至少选择一个或一定数量的采样单元)。
在生物多样性采样中,总成本包括总采样成本(即每个采样单元的成本×所选采样单元总数)和总交通成本(即所有选中采样单元的交通成本总和),其中交通成本一般与采样点到最近的道路和/或城市之间的距离成正比,在选择采样单元时应考虑到这一点。通常情况下,一些采样单元在过去可能已被采样,因此,将这些单元的状态标记为“已采样”(即类似于系统保护规划中的“受保护”状态),这有助于提高有限资金的使用效率。此外,调查人员还可以根据实际需要,指定一些单元的状态为必需或非必需采样。
(2)准备Marxan输入文件并设置参数:
在确定了采样单元的大小和调查特征数量之后,即可准备Marxan输入文件,其中包括“spec.dat”、“pu.dat”和“puvspr.dat”。文件准备和相关参数设置遵循Marxan用户手册。
(3)输出可视化:
输入文件(input.dat)可通过Marxan的Inedit.exe程序从先前准备好的Marxan输入文件中创建,并使用该文件生成采样方案,再从多次重复运行(如100-10,000次)中选出Marxan分数最低值的最佳采样方案。最佳采样方案包含每个采样单元的选择状态,并以纯文本文件(.txt)的形式导出,并在ArcMap中可视化,这极大地方便了基层调查人员的实地工作。
下面通过案例对本实施例作进一步说明:
首先介绍Marxan方法在优化怒江-萨尔温江淡水鱼类采样点设置的地理和环境代表性方面的作用。然后,本实施例根据现有的高分辨率怒江鱼类分布图,比较了本实施例的方法和随机方法所选采样单元的物种丰富度覆盖率(即平均物种丰富度、物种丰富度简单加和以及物种覆盖率百分比)。最后,在对整个流域的地理和环境代表性要求相同的情况下,通过与随机方法的比较,评估了Marxna采样方法的采样效率和成本效益。
研究区域和数据准备:
怒江-萨尔温江是一条流经东南亚的重要国际河流,横跨中国、缅甸和泰国三个国家,如图2中的(a)所示。就淡水鱼类而言,该流域是一个调查极为不足的地区,然而全面的鱼类发生数据库对于使用Marxan设计采样策略(如确定采样单元和地理单元的大小)和评估采样效率至关重要。因此,本实施例从长期的野外采样记录和所有可能的文献来源中汇编和整理了怒江-萨尔温江淡水鱼类的发生数据,所有数据均按照标准流程进行了清理和检查。采样单元和地理单元的大小(基于HydroBASIN)、包含的环境变量和环境聚类(捕获80%的环境变异性)均按工作流程的先决条件确定。
使用R软件包sampbias确定影响现有采样单元选择的主要偏差因素,这些因素作为Marxan目标函数中的成本。将2010年之前的采样数据排除考虑,并将2010年代之后(包括2010年)的采样单元状态设置为"2",因此这些采样单元将被锁定在Marxan的最终解决方案中。根据工作流程,在单阶段采样点设计中,本实施例将所有调查特征的目标值设为1,以生成Marxan输入文件。为了进一步探索多阶段采样点设计方法,本实施例测试了两阶段采样设计,将第一阶段随机抽取的一半调查特征的目标值设为1。其余一半的调查特征在第二阶段完全覆盖,每个阶段所选采样单元的状态均设置为"2"。重复运行两阶段采样设计方法10次。
物种丰富度覆盖率、采样效率和成本效益评估:
为了比较Marxan方法和随机方法在实际情况下的物种丰富度覆盖率,使用了怒江现有的高分辨率鱼类分布图。随机选择了与该流域最佳Marxan方案相同数量的采样单元,统计并比较了两种方法的平均物种丰富度、物种丰富度简单加和以及所选采样单元的物种覆盖率。重复运行随机方法100次。
为了评估Marxan方法的采样效率和成本效益,因此采用随机采样方法作为对比。随机采样方法的代表性目标与Marxan方法一致,确保每个调查特征至少被选中一次。运行随机方法100次。再使用"采样有效性指数(Sampling Effectiveness ImprovementIndex)"(SEII,公式5)计算了使用Marxan方法与随机方法相比所节省的采样单元百分比:
Sampling Effectiveness Improvement Index=(NR-NM)/NR×100%(5)
其中,NR和NM分别是使用随机方法和使用Marxan最佳采样方案所选择的采样单元数量。
本实施例还使用"成本效益指数(Cost Efficiency Improvement Index)"(CEII,公式6)来评估这两种方法的成本效益。
其中,NR和NM的定义见公式5;Cs是每个采样单元的采样成本,并统一所有采样单元的采样成本;Cti和Ctj是采样单元i和j的交通成本;xi和xj分别代表随机方法和Marxan方法对所有采样单元的选择情况。SEII和CEII的值的范围在-100%到100%之间,其正值越大,表明Marxan方法的有效性和成本效益越高。另外,为每个采样单元分配了多个采样成本,范围在20到100个单位之间,间隔为20。这基于以下假设,即每个采样点的淡水鱼类采样成本将在该地区20至100公里的成本范围内。
发生数据库及采样偏差:
最终的发生数据库包括怒江-萨尔温江中323个物种(13目43科134属)的4553个发生数据点。其中,65个物种的362个数据点来自本实施例的长期采样,304个物种的4,191个数据点来自166篇参考文献。发生数据点主要分布在中国云南(3,038个,占68%)和位于泰国的支流Moei河(91个,占2%)(图2中的(a))。数据覆盖的时间范围从1933年到2022年,其中约一半(2,157个,48%)的发生数据点是在2010年之前采集的(图2中的(b))。发生数据点显示出高度的时空异质性,源头区域和缅甸河段内的调查明显不足。采样偏差分析表明,根据本实施例在怒江-萨尔温江地区编制的数据库,道路和城市(不包括河流)是影响现有采样点选择的主要偏差因素(图2中的(c)、(d))。因此,在公式6中使用采样单元与最近的道路和城市之间的距离之和来权衡交通成本。
先决条件确定:
在334个物种中,估计了292个物种的扩散距离,范围从0.1到100千米不等(平均值为23.5千米;图3中的(a))。最低四分位数内的鱼类组的平均扩散距离(即d)为8千米,因此采样单元大小为8×8千米,采样单元总数为4,596个。最终的地理单元数为117个(图3中的(b)),每个地理单元平均有37个(±41;标准差SD)采样单元。
在环境聚类方面,最终的环境变量包括海拔、河流坡度、径流量、河流面积、河流等级和土地覆盖等级,以及七个相关性较低的生物气候变量。所有采样单元在捕获80%的环境变异性时被聚类为668个聚类(图3中的(c))。有425个采样单元(占采样单元总数的9%)涵盖了历史发生数据点,其中287个采样单元在2010年代之前采样,299个采样单元在2010年代之后采样。
Marxan最佳采样策略及评估:
为了充分代表地理和环境条件,调查特征涵盖了117个地理单元和668个环境聚类,Marxan最佳采样方案在单阶段采样点设计中选择了804个采样单元。该方案为节省资金并考虑采样点的有效性,则仅纳入了近期的采样记录点,保留2010年代后采样的单元,因此,仍需对575个单元进行采样,以全面覆盖所有调查特征。新指定的采样单元主要集中在西藏的河流源头区域和缅甸北部的河段,是已有调查明显不足的两个区域(如图4所示)。与Marxan最佳方案相比,随机方法平均选取了4,280个(±187)采样单元,才实现了相同的地理和环境代表性。2010年代后与随机方法重叠的采样单元数量为276个(92%)。在两阶段采样设计中,共确定了557个采样单元,包括299个已有单元和258个新增单元,以实现50%的调查特征目标。第二阶段又选取了253个单元,以实现100%的调查特征目标。两阶段设计所选单元总数略高于单阶段设计(即811±1.79和804)。有一半以上的采样单元(即456±85.15)在两种采样设计中都被选中。选中采样单元在不同采样设计方法中的差异可能是由于不同的交通成本造成的。
Marxan方法的平均物种丰富度(14.94±24.11)和物种丰富度的简单加和(12,010)明显高于随机方法(8.21±0.72,6,604.71±43.83)(图5中的(a)-(b))。这两种方法显示出类似的物种覆盖百分比,Marxan方法为89.34%(总共122种中的109种),而随机方法为90.16%(110种)(图5中的(c))。
Marxan方法在SEII方面明显优于随机方法,为81.18(±0.83)%,而CEII为81.75(±0.02)%。值得注意的是,采样和交通的相对成本对CEII产生了重要影响,平均成本节省率为80.9%。尤其是在每个采样单元的采样成本高于交通成本时,Marxan方法的成本节省效益更大,且主要是由于采样成本的节省效益(图5中的(d))。此外,与随机方法相比,两阶段采样设计与单阶段采样点设计在采样效率(SEII=81.02±0.84%)和成本效益(CEII=81.71±0.02%)方面相比差异都很小。
确保生物多样性调查的采样点具备充分的地理和环境代表性,对于获得目标物种全面且无偏差的分布数据库至关重要。这些数据库不仅对于理解生物多样性的分布格局以及形成和维持机制至关重要,而且是设计有效的保护策略和确定优先保护区的必要前提。然而,现有的样点设置方法通常忽视环境代表性,并未考虑研究人员所遇到的实际困难,例如采样点可达性、资金阶段性和编码专业知识。为了应对这些实际困难,本实施例开发了一种灵活且高效的方法,利用了在系统保护规划领域中广泛应用的工具Marxan。与传统的随机采样方法相比,本实施例的方法在案例研究中显著提高了采样效率和成本效益。这种方法易于用户使用,具有很强的灵活性,不受阶段性限制且无需编码,能够适用于不同的生态系统、分类群和地区。
尽管Marxan最初是用于系统保护规划,但现在正逐步扩展到其他领域,包括生物多样性调查。Marxan的算法能够选出最佳采样方案,以选择尽量少的采样单元来实现所需的地理和环境代表性。因此,本实施例考虑了实际存在的困难,使用Marxan开发了一个标准化的工作流程,以确定关键的先决条件和算法参数,其中最重要的先决条件是确定采样单元的大小、地理单元和环境聚类的数量。基于目标物种的扩散距离确定适当的采样单元大小,既可以确保较高的物种捕获效率,又可以避免浪费资金。本实施例的方法还适应于多个分类群(如植物和/或动物),并考虑了物种的扩散距离、生态系统(如水生和陆生)以及区域(如干旱和季风区域)。例如,水生植物依赖水流传播种子,而一些陆生植物的种子可能主要是通过风传播。地理单元的数量和边界,应该根据研究区域的地理特征和采样要求来确定,可以从广泛的生态区域或生态系统类型到更细的单元,如栖息地。然而,在研究具有多样分布格局和多种驱动因素的目标类群时,可能需要使用不同的地理单元。例如,考虑到大型河流的隔离效应,一个区域可以划分为不同的单元,以适应小型陆生动物或植物,但对鱼类可能并不适用。类似地,环境因子也应根据分类群和生态系统进行调整,例如,水对于确定陆地生物的分布可能不是关键因素,但对淡水生物而言则是关键因素。在资金有限的生物多样性调查工作中,可以通过考虑最重要的环境因素,并减少捕获的环境变异性(例如,从95%降至60%)以解决预算限制问题。
关于案例研究,本实施例在怒江-萨尔温江流域整理的淡水鱼类发生数据库呈现出显著的时空异质性(图2中的(a)-(b))。因此,本实施例采用了基于Marxan的采样设计方法,有效地弥补了怒江-萨尔温江采样单元在空间上的偏差,新增的采样单元主要集中在西藏的源头区域以及缅甸北部。道路和城市是导致怒江-萨尔温江淡水鱼类采样偏差的主要因素,因此在进行采样设计之前,应该首先对研究区域的采样偏差因素进行初步评估,因为这些偏差因素可能在分类群、生态系统和区域中可能不同。根据CEII,在不考虑每个采样单元的采样成本与交通成本相对变化的大小的情况下,本实施例最佳的Marxan解决方案相对随机方案可以节省相当数量的交通成本(图5中的(d)),这进一步证明了本实施例的方法在实现地理和环境代表性时考虑了交通成本。尽管在本研究的案例中,所选的采样单元能够完全代表调查特征,但仍约有10%的物种可能会被遗漏(图5中的(c))。这表明,使用有限的一组变量和/或调查特征无法完全捕捉环境变异性,因此不能被视为完美的生物多样性替代特征。
本实施例的研究介绍了一种使用Marxan工具以优化地理和环境代表性的生物多样性样点设置方法。本实施例考虑了多个实际困难,如样点可达性、资金阶段性和基层调查人员的专业知识。本实施例的方法非常灵活,通过遵循标准化工作流程来应用于各种分类群、生态系统和区域,以确定关键的先决条件和参数。为了展示本实施例Marxan方法的优势,本实施例以怒江-萨尔温江淡水鱼类的采样点设计为案例进行了研究。方法具有选择更高物种丰富度覆盖率的采样单元的能力,同时与随机采样方法相比,Marxan方法显示出更高的采样效率和成本效益,减少了81.18%(±0.83%)的采样单元选择数量和81.75%(±0.02%)的资金需求。因此,如果得到广泛应用,本实施例的方法有望通过优化采样点的代表性并节省资源,显著促进生物多样性编目和保护工作的开展。此外,本实施例的方法是基于Marxan设计的,为扩展Marxan应用提供了创新的思路和方向。
以上所述实施例仅表达了本发明的具体实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (6)
1.一种生物多样性调查样点优化设置方法,其特征在于,将有限的资源最大化地用于值得调查的区域,具体包括以下步骤:
步骤1、基于应用于保护规划的Marxan公式,按需修改Marxan在保护规划中的应用,搭建不考虑边界成本的框架;
步骤2、确定先决条件:首先确定目标类群、研究区域的空间范围和地理位置,然后确定采样单元和确定能够代表研究区域地理和环境条件的调查特征;
步骤3、在确定了采样单元的大小和调查特征数量之后,准备Marxan输入文件;
步骤4、输出可视化。
2.根据权利要求1所述的生物多样性调查样点优化设置方法,其特征在于,在步骤1中,所述应用于保护规划的Marxan公式如下:
详细表述为:
按需修改Marxan在保护规划中的应用,搭建不考虑边界成本的框架如下:
详细表述为:
其中,Ns代表保护规划/采样单元的数量,Nf代表保护/调查特征的数量;是保护/采样所需的总成本,其中xi=1表示选中i单元,0表示未选中i单元,ci是i单元的保护/交通成本;/>是边界成本;/>是惩罚值计算公式;
搭建的不考虑边界成本的框架包括两部分:所选采样单元的成本,以及因未达到调查特征采样目标而产生的惩罚。
3.根据权利要求1所述的生物多样性调查样点优化设置方法,其特征在于,在步骤2中,所述目标类群为一个特定的分类群或多个分类群。
4.根据权利要求3所述的生物多样性调查样点优化设置方法,其特征在于,在步骤2中,采样单元的大小和总数根据分类群的扩散距离估计值来确定;其大小应小于或等于按扩散距离排序的最低四分位数或最低十分位数物种组的平均扩散距离;每个物种的扩散距离根据专家经验或经验模型估算。
5.根据权利要求1或4所述的生物多样性调查样点优化设置方法,其特征在于,步骤2中,调查特征的采样目标在设定为100%,即在每个地理单元和环境聚类内至少选择一个或一定数量的采样单元;调查特征中,地理单元的数量根据其平均大小和研究区域的空间范围来确定,地理单元的大小和数量可以直接参考现有数据库或根据目标分类群的扩散距离确定;环境聚类的数量通过分析所有采样单元的环境数据来确定。
6.根据权利要求1所述的生物多样性调查样点优化设置方法,其特征在于,在步骤4中,执行Marxan标准步骤获得最佳采样方案,具体如下:
输入文件通过Marxan的Inedit.exe程序从先前准备好的Marxan输入文件中创建,并使用该文件生成采样方案;在确定Marxan分数最低值的基础上,从多次重复运行中选出最佳采样方案;最佳采样方案包含每个采样单元的选择状态,并以纯文本文件.txt的形式导出,并将选中的采样单元在ArcMap中可视化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311174290.7A CN117556586A (zh) | 2023-09-12 | 2023-09-12 | 生物多样性调查样点优化设置方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311174290.7A CN117556586A (zh) | 2023-09-12 | 2023-09-12 | 生物多样性调查样点优化设置方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117556586A true CN117556586A (zh) | 2024-02-13 |
Family
ID=89817353
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311174290.7A Pending CN117556586A (zh) | 2023-09-12 | 2023-09-12 | 生物多样性调查样点优化设置方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117556586A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140278323A1 (en) * | 2013-03-14 | 2014-09-18 | Wayne S. Wright | System and Method for Ecosystem Habitat Optimization |
CN111815102A (zh) * | 2020-04-15 | 2020-10-23 | 中国环境科学研究院 | 一种基于空间技术的生物多样性综合调查抽样方法 |
CN116050935A (zh) * | 2023-02-24 | 2023-05-02 | 北京师范大学 | 一种确定生物多样性优先保护地信息的方法及装置 |
-
2023
- 2023-09-12 CN CN202311174290.7A patent/CN117556586A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140278323A1 (en) * | 2013-03-14 | 2014-09-18 | Wayne S. Wright | System and Method for Ecosystem Habitat Optimization |
CN111815102A (zh) * | 2020-04-15 | 2020-10-23 | 中国环境科学研究院 | 一种基于空间技术的生物多样性综合调查抽样方法 |
CN116050935A (zh) * | 2023-02-24 | 2023-05-02 | 北京师范大学 | 一种确定生物多样性优先保护地信息的方法及装置 |
Non-Patent Citations (2)
Title |
---|
武建勇;薛达元;王爱华;赵富伟;: "生物多样性重要区域识别――国外案例、国内研究进展", 生态学报, no. 10, 23 May 2016 (2016-05-23) * |
谭雯文: "普洱"茶马古道"生物文化多样性保护空间格局构建研究", 《中国优秀硕士学位论文全文数据库》, 15 July 2019 (2019-07-15), pages 4 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Khawaldah et al. | Simulation and prediction of land use and land cover change using GIS, remote sensing and CA-Markov model. | |
Cao et al. | Multi-scenario simulation of landscape ecological risk probability to facilitate different decision-making preferences | |
McMahon et al. | Quantifying urban intensity in drainage basins for assessing stream ecological conditions 1 | |
Liu et al. | Effect of climate change on the vulnerability of a socio-ecological system in an arid area | |
Hashimoto et al. | Scenario analysis of land-use and ecosystem services of social-ecological landscapes: implications of alternative development pathways under declining population in the Noto Peninsula, Japan | |
Anderson et al. | Occupancy modeling and estimation of the holiday darter species complex within the Etowah River system | |
CN106528788B (zh) | 基于gis技术分析地面雨径流污染空间分布特征的方法 | |
CN108846572B (zh) | 一种流域水生态功能分区与生态管理相耦合的细分方法 | |
Ai et al. | Analyzing the spatial patterns and drivers of ecosystem services in rapidly urbanizing Taihu Lake Basin of China | |
CN112434937A (zh) | 一种自然保护地保护空缺分析方法及系统 | |
CN117009887B (zh) | 流域水环境质量精细化估算及分析的方法及系统 | |
CN113240257A (zh) | 一种基于最小累积阻力模型的国土空间分区方法和装置 | |
CN113570104A (zh) | 一种流域水生态功能分区方法 | |
Shrestha et al. | Predicting the distribution of the air pollution sensitive lichen species Usnea hirta | |
Puangthongthub et al. | Modeling the space/time distribution of particulate matter in Thailand and optimizing its monitoring network | |
Stehman et al. | Designing a multi-objective, multi-support accuracy assessment of the 2001 National Land Cover Data (NLCD 2001) of the conterminous United States | |
Jordan et al. | Modelling of nitrate leaching on a regional scale using a GIS | |
CN117556586A (zh) | 生物多样性调查样点优化设置方法 | |
Dong et al. | Spatial decision analysis on wetlands restoration in the lower reaches of Songhua River (LRSR), Northeast China, based on remote sensing and GIS | |
Lu et al. | Integrating spatial carbon factors into ecological network construction in an energy-intensive megaregion toward multi-objective synergy in northern China | |
Mashagbah et al. | Spatial and temporal modeling of the urban growth and land cover changes using remote sensing, spatial indexes and GIS techniques in Irbid city, Jordan. | |
Hogan | Predictive Distributional Modeling of Rare and Uncommon Stoneflies (Insecta: Plecoptera) of the Central Appalachian Mountains Using Maximum Entropy | |
Mächler et al. | Water tracing with environmental DNA in a high-Alpine catchment | |
Bowes et al. | Climate change and eutrophication risk thresholds in English rivers | |
Hu et al. | Driving Mechanism of Habitat Quality at Different Grid-Scales in a Metropolitan City. Forests 2022, 13, 248 |
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 |