生态位模拟——草稿笔记

已于 2024-03-24 18:41:56 修改
阅读量2.9k 收藏 54
点赞数 58
分类专栏： 生物技术笔记 文章标签： 笔记
于 2024-02-08 12:03:04 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2301_78630677/article/details/135968489
版权

文章目录

前言

软件、代码、地图：
链接：https://pan.baidu.com/s/1eqT7axtpTVc2I4wAwOjYvA?pwd=1wht
提取码：1wht
–来自百度网盘超级会员V4的分享

视频： https://www.bilibili.com/video/BV1TA4m1N7q1/?spm_id_from=333.999.0.0

ENM初识

文章：

https://blog.csdn.net/2301_78630677/article/details/135963229

一、所需软件安装

1.1. 下载ArcGIS软件：

推荐文章：https://zhuanlan.zhihu.com/p/670775519

在这里插入图片描述

1.2. 下载 MaxEnt软件：

http://lucky-boy.ysepan.com/（这个网站有许多生物信息学相关资源。强烈推荐）

推荐文章：
https://blog.csdn.net/weixin_42191203/article/details/108759365

在这里插入图片描述

使用前需要先配置java环境
在这里插入图片描述

1.3. 下载ENMtools：

参考视频：
https://www.bilibili.com/video/BV1Sa4y1w7SP/?spm_id_from=333.337.search-card.all.click

二、数据准备与处理

2.1. 物种分布数据

从GBIF网站https://www.gbif.org/zh/下载

在这里插入图片描述
或者其它途径（如采样、文献等）

2.2. 环境因子数据

从https://bio-oracle.org/downloads-to-email.php下载的。

参考文献：
在这里插入图片描述

在这里插入图片描述

我下载了present和 Future (2040-2050)：RCP26 、RCP45 、 RCP85 的Surface layers的 ASCII Grid file (.asc)的所有文件

在这里插入图片描述

发送到自己的邮箱后，可以点击下载：

在这里插入图片描述

由于要一个一个点击下载压缩包，再解压，干脆用代码自动实现一下

#下面的html代码都是来自于页面的下载链接部分的html部分代码

import os
import requests
from bs4 import BeautifulSoup
from zipfile import ZipFile


def download_and_extract_zip(url, save_dir, extract_dir):
    # 确保保存目录存在
    os.makedirs(save_dir, exist_ok=True)
    os.makedirs(extract_dir, exist_ok=True)

    # 文件名从URL最后一部分获取
    local_filename = url.split('/')[-1]
    save_path = os.path.join(save_dir, local_filename)

    # 下载文件
    with requests.get(url, stream=True) as r:
        r.raise_for_status()  # 确保请求成功
        with open(save_path, 'wb') as f:
            for chunk in r.iter_content(chunk_size=8192):
                f.write(chunk)
    print(f"文件已下载到: {save_path}")

    # 解压文件到指定目录
    with ZipFile(save_path, 'r') as zip_ref:
        zip_ref.extractall(extract_dir)
    print(f"文件已解压到: {extract_dir}")

#
#使用BeautifulSoup解析HTML
soup = BeautifulSoup(html_present, 'html.parser')   #当前的
#
# # 查找所有<a>标签，提取以.zip结尾的href属性
links = [a['href'] for a in soup.find_all('a', href=True) if a['href'].endswith('.zip')]
print(links)
print(len(links))
# # 示例使用
save_directory = r"D:\tangzicai_project\huanjing_yinzi\Bio-OIRCLE"  # zip文件的保存目录
#
extract_directory = r'D:\tangzicai_project\huanjing_yinzi\Bio'  # zip文件的解压目录
#
for link in links:
    try:
        download_and_extract_zip(link, save_directory, extract_directory)

    except Exception as e:
        print(f"下载并解压{link}时发生错误: {e}")

        continue



print("=============================================")

soup = BeautifulSoup(html_futurre_RCP26, 'html.parser')  #未来的 RCP26

# 查找所有<a>标签，提取以.zip结尾的href属性
links = [a['href'] for a in soup.find_all('a', href=True) if a['href'].endswith('.zip')]
print(links)
print(len(links))
# 示例使用
save_directory = r"D:\tangzicai_project\huanjing_yinzi\Bio_future_RCP26"  # zip文件的保存目录

extract_directory = r'D:\tangzicai_project\huanjing_yinzi\future_RCP26'  # zip文件的解压目录


for link in links:
    try:
        download_and_extract_zip(link, save_directory, extract_directory)

    except Exception as e:
        print(f"下载并解压{link}时发生错误: {e}")

        continue

print("=============================================")


soup = BeautifulSoup(html_futurre_RCP45, 'html.parser')  #未来的 RCP45
# 查找所有<a>标签，提取以.zip结尾的href属性
links = [a['href'] for a in soup.find_all('a', href=True) if a['href'].endswith('.zip')]
print(links)
print(len(links))

# 示例使用
save_directory = r"D:\tangzicai_project\huanjing_yinzi\Bio_future_RCP45"  # zip文件的保存目录

extract_directory = r'D:\tangzicai_project\huanjing_yinzi\future_RCP45'  # zip文件的解压目录


for link in links:
    try:
        download_and_extract_zip(link, save_directory, extract_directory)

    except Exception as e:
        print(f"下载并解压{link}时发生错误: {e}")

        continue



print("==============================================")

soup = BeautifulSoup(html_futurre_RCP85, 'html.parser')  #未来的 RCP85
# 查找所有<a>标签，提取以.zip结尾的href属性
links = [a['href'] for a in soup.find_all('a', href=True) if a['href'].endswith('.zip')]
print(links)
print(len(links))
# 示例使用
save_directory = r"D:\tangzicai_project\huanjing_yinzi\Bio_future_RCP85"  # zip文件的保存目录

extract_directory = r'D:\tangzicai_project\huanjing_yinzi\future_RCP85'  # zip文件的解压目录




for link in links:
    try:
        download_and_extract_zip(link, save_directory, extract_directory)

    except Exception as e:
        print(f"下载并解压{link}时发生错误: {e}")

        continue

2.3. 地图数据

从中国科学院资源环境科学数据中心https://www.resdc.cn/Default.aspx下载的中国省级行政区划边界地图等

在这里插入图片描述

2.4. 物种分布点去冗余

2.4.1. 使用spThin包中的thin函数

在R软件中使用spThin包中的thin函数可以实现排除物种分布原始数据中距离小于5公里的记录

在这里插入图片描述

# 安装spThin包
install.packages("spThin")

# 加载spThin包
library(spThin)

# 读取原始数据
raw_GBIF_data <- read.csv("D:/tangzicai_project/Porphyra_fenbuxinxi1.csv", header = TRUE)
summary(raw_GBIF_data)

# 使用thin函数排除距离小于5公里的记录
filtered_data <- thin(loc.data=raw_GBIF_data,lat.col = 'Latitude', long.col = 'Longtitude',spec.col = 'species',thin.par = 5,reps = 5,out.dir ="D:/tangzicai_project/" )

最后就会得到reps次随机稀疏化模拟后的csv文件，任选其一即可

在这里插入图片描述

在这里插入图片描述

2.4.2. 或者使用 ENMTools 去除冗余位点

参考视频：

https://www.bilibili.com/video/BV1M84y187ms/?spm_id_from=333.337.search-card.all.click

2.4.3. 或者使用 arcgis 去除

参考：

https://www.zhihu.com/question/555446760/answer/2699062065

2.5. 环境因子的进一步筛选

使用ENMtools中的相关性分析以及贡献度对环境因子进一步筛选

在这里插入图片描述

点击 Settings:

在这里插入图片描述

在这里插入图片描述

设置好后，点击 Run，以运行

在这里插入图片描述

额外补充：（Maxent error: Error projecting, two layers have different geographic dimensions）解决方法：

打开 asc文件，查看文件的行数和列数以及单元格大小是否相同。如果不一致，则复制标题的那几行使之一样。

参考https://blog.csdn.net/qq_32678749/article/details/124081821
在这里插入图片描述

打开结果页面

在这里插入图片描述
环境因子的贡献度排列如下：
在这里插入图片描述

去掉贡献率为 0 的环境因素，

将剩余因素使用ENMtools的correlation功能完成相关性分析

先设置输出路径：
在这里插入图片描述

回到correlation功能模块：
在这里插入图片描述
点击“GO”
在这里插入图片描述

补充，如果不想一个一个从中挑选，可以选择使用代码获取文件名：

import pandas as pd

# 读取表格文件
df = pd.read_excel(r"D:\ceshi_huangjing.xlsx")
# 获取第一列数据
data_column = df.iloc[:, 0]

# 将第一列的每五行合并为一行
combined_rows = []
for i in range(0, len(data_column), 4):
    combined_row = ""
    for j in range(4):
        if i + j < len(data_column):
            combined_row += f'"{data_column[i + j]}.asc" '  # 假设每个值后面需要加上".asc"
    combined_rows.append(combined_row)

# 输出结果
for row in combined_rows:
    print(row)

环境变量的相关系数|r|˃0.8 定义为高度相关 ，从中筛选贡献率最高的用于后续建模

在这里插入图片描述

在这里插入图片描述

经过筛选后剩余：

在这里插入图片描述

三、MaxEnt建模

打开maxent软件，与前面差不太多，只是环境因子变为了筛选后的，

在这里插入图片描述

在这里插入图片描述

四、MaxEnt 参数优化

利用R语言的ENMeval包来进行maxent的参数优化，选取最佳参数后再在maxent软件中运行maxent模型。

参考视频：https://www.bilibili.com/video/BV1Cu41147zD/?spm_id_from=333.337.search-card.all.click

library(dismo)
install.packages("ENMeval")
library(ENMeval)
library(raster)
library(sp)
library(sf)
library(dplyr)
occs <- read.csv("D:/tangzicai_project/thinned_data_thin.csv") #排除空间自相关之后的经纬度数据，列名依次是：species-Lon-Lat（如果经纬度顺序反了请调整过来）
occs <- occs[,2:3] #提取第二第三列（Lon，Lat）
colnames(occs) <- c("x", "y") #更改列名，为了和背景点（bg）保持一致
setwd("D:/tangzicai_project/huanjing_yinzi/pre")
files=dir(pattern = "*.asc") #指定列出文件中所有asc格式文件（可以是tiff文件）
length(files)


clim=list() #生成一个空list
for (i in 1:length(files)) {
  t_texture <- raster::stack(files[i]) #asc文件导入
  clim[i] <- t_texture
} #循环，所有asc文件生成一个list（clim）
bg <- dismo::randomPoints(clim[[1]], n = 10000) %>% as.data.frame() #生成背景点，背景点数量默认10000
result <- ENMevaluate(occs = occs[,1:2], #经纬度数据
                      envs = clim, #环境图层
                      bg = bg[,1:2], #背景点 
                      partitions = 'jackknife', #五种可用"randomkfold"，"jackknife"，"block", "checkerboard1", and "checkerboard2"
                      #tune.args = list(fc="L", rm = 1:2),  
                      tune.args = list(fc=c("L", "LQ", "H", "LQH", "LQHP", "LQHPT"), rm = c(0.1, seq(0.5, 6, 0.5))),  #调控倍频(regularization multiplier, RM)和特征组合(feature combination, FC)   文献常用参数的类型
                      algorithm = 'maxent.jar') 
delta_AICc3 <- evalplot.stats(e = result,
                              stats = c("delta.AICc"),
                              color = "fc",
                              x.var = "rm",
                              error.bars = FALSE) #绘制delta_AICc曲线
pdf('delta_AICc3.pdf', width = 5, height = 4) #生成pdf
print(delta_AICc3) #打印pdf
dev.off() #保存pdf文件

即选取图中使AlCC值最小的点代表的参数，根据最佳的参数带入maxent软件中再次运行。

五、使用Arcgis裁剪（补充）

参考文章：

https://blog.csdn.net/2301_78630677/article/details/136067779

六、适生区划分

1. 重分类

打开arcgis的 "ArcToolbox—— Spatial Analyst工具 —— 重分类—— 重分类”

在这里插入图片描述

输入代表当前的栅格数据，然后再点击“分类”

在这里插入图片描述
设置类别数和中断值
在这里插入图片描述

修改图层属性，划分适生区

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

2. 适生区图绘制

绘制比例尺

1.打开“ 布局视图”
2. 坐标系选为 “WGS 1984"
3. “显示” 为 “千米”
4. 参考比例为 “当前比例”
5. 确定后，点击 ” 插入——比例尺——黑白相间比例尺“
6. 右键点击比例尺，选择”属性“,修改”主刻度单位”为“千米“ 等
在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

插入图例和指北针

  1. 点击”插入——图例“
  2. 选择图例项，设置图例
  3. 点击”插入——指北针“

在这里插入图片描述

插入经纬度框

  1. 同样右键点击”属性“，选择”格网“，新建格网
    在这里插入图片描述

  2. 之后就是按照自己的要求去设置

右下角的小框

点击” 插入——数据框“，这样变新建了一个数据框
之后，将原来内容列表中的数据复制到此新建数据框中，选中调整大小和位置。

最终展示：

在这里插入图片描述

七、适生区面积统计

面积计算公式为：像元个数*像元面积

推荐文章：https://zhuanlan.zhihu.com/p/484912410

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

八、适生区收缩扩张以及稳定区分析

到这里要用到未来的maxent建模结果和现在的结果

  1. 以现在的和未来的RCP26为例，导入数据

在这里插入图片描述

  1. 同样进行”重分类“ （只不过类别设为1）

在这里插入图片描述

  1. 在“工具栏中点击”转换工具——由栅格转出——栅格转面“

在这里插入图片描述

在这里插入图片描述

  1. 在“工具栏中点击”转换工具——分析工具——叠加分析——相交“

在这里插入图片描述

在这里插入图片描述

  1. 在“工具栏中点击”转换工具——转为栅格——面转栅格“

在这里插入图片描述

在这里插入图片描述

  1. 将序号4代表的非适生区去除，剩下的划分为稳定区、收缩区、增长区
    在这里插入图片描述

  2. 最终结果展示：
    在这里插入图片描述

九、适生区质心迁移分析

同样先进行重分类

之后：
在这里插入图片描述

栅格转面

在这里插入图片描述

在“工具栏中点击”空间统计工具——度量地理分布——平均中心“

在这里插入图片描述

点击菜单栏的”地理处理——合并“

在这里插入图片描述

点击工具栏的”数据管理工具——要素——点集转线“

在这里插入图片描述
。。。。

在这里插入图片描述

在这里插入图片描述

小结：

前文粗略的了解了一下使用maxent模型的生态位模拟的大概流程，虽然在实际再正式细致的操作中可能会有一些报错和其余问题，但是大体框架就这样，至于更细致的问题，之后具体问题具体分析吧。

我个人感觉的问题有：

之后要用到更多不同的环境因子，如海拔、太阳辐射等，可能会因为格式等问题引起报错；

环境因子的分辨率要统一，是选择10min 、5min 、2.5min、30s，这是个问题，并且可能要用到重采样

另外在maxent模型调优和后续图片的精美绘制时会耗费时间

最后，总之感觉有太多意外。。。。

十、后续补充

有关物种分布点的添加，以及如何获取更多arcgis自带的底图：

请参考文章 ： 生态位模拟——补充

总结

若我是火，我将是那炽热的存在。燃烧着无尽的激情与渴望；在深幽的宇宙中，跳跃、热烈而自由

–2024-3-23

星石传说
关注
  • 58
    点赞
  • 踩
  • 54
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 16
    评论
专栏目录
生态位模型原理及应用
07-03
生态位模型原理及应用，预测物种分布区适宜性及保护规划设计
Python——理论学习笔记
01-20
Python学习笔记第1章 程序设计基本方法第2章 Python语言基本语法元素第3章 基本数据类型第4章 程序的控制结构第5章 函数和代码复用第6章 组合数据类型第7章 文件和数据格式化第8章 Python计算生态第9章 Python标准库...
ENMTools教程-基于R语言对MaxEnt模型优化-MaxEnt调参教程介绍
生信小窝的博客
12-16 1905
MaxEnt3.4.4软件下载网盘： http://lucky-boy.ys168.com （如有侵权请联系删除） 055B-1 视频附带资料：软件-数据-文献下载-持续更新 055B-2 ENMTools软件下载安装 055B-3 R软件和工具包安装 055B-3 生物气候因子的精度说明与选择方法（理论课程） 055B-4 利用R批量将TIF栅格数据转为ASC数据 055B-5 基于ENMTools筛选分布数据（避免过拟合） 055B-6 基于ENMTools对气候因子的相关性分析 055B-7 MaxE
应对生态环境挑战：BIOMOD2模型、MaxEnt模型、物种分布模拟、生物多样性生境模拟与保护优先区甄选、自然保护区布局优化评估等
最新发布
weixin_46747075的博客
04-09 1303
最大熵模型（Maxent模型）利用物种的分布与环境数据，采用特定算法评估物种的生态位，并投射到景观中，可以直观的呈现物种出现的概率、生境适宜度或物种丰富度等，是目前应用最广泛、预测效果最好的物种分布模型。采用基于Maxent模型的生物多样性热点模拟与GAP分析，将为我国的自然保护区优化、自然保护地体系构建和保护地社区精准脱贫致富等提供重要的决策依据。
maxent最大熵生态位模拟
weixin_44618147的博客
11-04 2054
maxent生态位模拟 详细word版
为什么推荐 “ENMTools工具”筛选物种分 布数据而非“缓冲区法”筛选分布数据
生信小窝的博客
12-21 3257
缓冲圈法筛选数据原理： 设定缓冲区半径，以每个分布点为中心画圆，圆交叉的点作为冗余数据删除，如下图： 利用缓冲区方法将删除C点或D点，但是实际上C点和D点是处于不同的栅格，并非属于冗余数据；而A点和B点位于同一个栅格内却未被剔除，A点和B点的环境因子指标都是等值，即等于一个点用了两次。因此通过缓冲区法筛选会造成部分数据勿删，部分冗余数据删除不彻底。 ENMTools工具筛选数据原理： ENMTools工具可以自动匹配分析所用的环境因子栅格大小，可以删除同一栅格内的冗余数据，而不是基于距离法来删除数..
MaxENT生态位模型：建模、参数优化、个性化分析
hu397313168的博客
11-09 1万+
MaxEnt模型基于最大熵原理，即在满足已知约束的条件下，选择熵最大的模型，它利用物种的存在分布点和环境变量，来推算物种的生态需求和模拟物种的潜在分布。MaxEnt由于其简单直接的操作、简洁清晰的图形界面及参数自动配置的功能，被广大研究者特别是初学者所青睐。那如何使用MaxEnt模型？如何对物种适宜生境分布进行预测，并制作物种适宜生境分布图？如何对参数如何优化？如何利用MaxEnt模型发表高质量论文，创新点在哪里？数据文件准备和处理MaxEnt建模预测MaxEnt对海洋生物的模拟分析1.海洋生物经典案例文章
MaxEnt生态位模型课程大纲
生信小窝的博客
03-05 3221
课程 主要内容 专题一：文章解读和MaxEnt模型介绍 2020-2021最新中文核心文章分析写作内容解读； MaxEnt生态位模型软件介绍； 专题二： 软件安装和参数配置 MaxEnt软件下载安装； ArcGIS软件安装和参数设置； ENMtool软件安装； R软件的安装； 专题三： 数据文件准备和处理 物种分布数据的获取途径和处理方法介绍； Wordclim网站环境数据介绍和下载方法； 常用生物环境变量数据的获取途径和处理方法介绍； 基础地图数据的获取途径介绍； 专题四： 基于MaxEnt建模预测
maxent分布预测如何选择环境气候数据
生信小窝的博客
11-02 3641
maxent分布预测如何选择环境气候数据 在做分布预测时，选择气候数据的类型会直接影响到预测结果的合理性和准确性，不同物种要选择不同的气候数据。 例如，我们做植物的分布预测，我们要选择与植物生境分布息息相关的气候因子，其中，降雨，温度，海拔坡度，最重要的还有土壤类型，如上面截图中的土壤属性，我们都知道基本多数植物只有在合适的土壤类型中才会生长，所以土壤数据对植物的分布预测至关重要。 例如，我们做的是海洋动物，因为海洋动物基本不受降雨，土壤类型的影响，所以这类数据是不需要的，我们要根据相关的文献资料参考选择合
生活_生态_生长——首届中国太阳能建筑设计竞赛一等奖作品介绍.pdf
07-13
生活_生态_生长——首届中国太阳能建筑设计竞赛一等奖作品介绍
全球植被覆盖率数据-maxent分布预测可用
12-17
全球植被覆盖率原始数据：arcgis加载后可以直接转格式使用。主页有ENMTools教程-基于R语言对MaxEnt模型优化-MaxEnt调参教程
中国陆地覆盖率-最新2020版
12-17
中国陆地覆盖率-最新2020版-grd格式，arcgis加载后可以直接转格式使用。主页有ENMTools教程-基于R语言对MaxEnt模型优化-MaxEnt调参教程
MaxEnt文本分类
12-10
根据李航的统计学习方法，实现了最大熵模型新闻文本分类，里面包含的数据集，数据预处理，MaxEnt模型实现代码，用于教学目的。
maxent tutorial slides
04-07
Maxent Models , Conditional Estimation, and Optimization Dan Klein and Chris Manning Stanford University http : //nlp.stanford.edu/ HLT-NAACL2003 and ACL2003 Tutorial Without Magic That is,With Math!
生态系统结构——上课版.ppt
09-16
生态系统结构——上课版.ppt
创新生态系统的影响和指标——分析框架（英）.pdf
04-06
创新生态系统的影响和指标——分析框架（英）.pdf
055B ENMTools教程-基于R语言对MaxEnt模型优化调参教程 2021.1.4更新
生信小窝的博客
01-04 1317
055B-2 ENMTools软件下载安装 055B-3 R软件和工具包安装 055B-4 生物气候因子的精度说明与选择方法（理论课程） 055B-5 利用R批量将TIF栅格数据转为ASC数据 055B-6 基于ENMTools筛选分布数据（避免过拟合） 055B-7 基于ENMTools对气候因子的相关性分析 055B-8 MaxEnt软件参数含义说明-参数优化内容（理论课程） 055B-9 基于R语言（脚本说明）拆分数据-准备工作实操 055B-10 MaxEnt模型优化R语言脚本说明 055B-11
VMware Tools安装教程
热门推荐
东路的博客
01-12 23万+
VMware tools安装教程
matlab生态系统模拟
05-28
Matlab生态系统模拟是指使用Matlab软件进行生态系统模拟的过程。在生态系统模拟中，模拟器通过模拟各种生态因素的交互，以预测生态系统的行为和响应。 Matlab软件提供了一些工具和函数，可以帮助生态系统模拟。其中包括： 1. 数据处理和可视化工具，如数据读取和绘图函数等。 2. 矩阵和向量运算，这些工具对于处理生态系统中的大量数据非常有用。 3. 模型构建和求解工具，如ODE求解器等。 4. 机器学习和人工智能算法，可以帮助预测生态系统的未来行为。 以上这些工具和函数可以帮助生态学家和生态系统模拟器预测生态系统的行为和响应，从而为生态系统管理和保护提供更准确的信息。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 16
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

星石传说

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值