EN中文

Journal of Geo-information Science >

2016 , Vol. 18 >Issue 6: 767 - 778

DOI: https://doi.org/10.3724/SP.J.1047.2016.00767

Orginal Article

Suitability Assessment and Validation of Giant Panda Habitat Based on Geographical Detector

  • LIAO Ying , 1, 2 ,
  • WANG Xinyuan , 1, * ,
  • ZHOU Junming 3
Expand
  • 1. Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100094, China
  • 2. University of Chinese Academy of Sciences, Beijing 100049, China
  • 3. TH-Satellite Center, Beijing 102102, China
*Corresponding author: WANG Xinyuan, E-mail:

Received date: 2015-09-08

  Request revised date: 2015-12-09

  Online published: 2016-06-10

Copyright

《地球信息科学学报》编辑部 所有
Fold

Abstract

The suitability assessment of wildlife habitat is very important for wildlife management and protection. Niche model is the most commonly used presence-only based habitat suitability model, which cannot explicitly express the quantitative relationship between the suitability of wildlife habitat and the environmental factors, and would be insufficient to express the ecological effects of environmental factors on wildlife habitat use. In this study, a new giant panda (Ailuropoda melanoleuca) habitat assessment method based on geographical detector (Geogdetector) is proposed. A total of 8 environmental factors were selected for the suitability assessment of giant panda habitat, including the elevation, slope, aspect, topographic position index, distance from drainage system, vegetation type, staple food sources of bamboo, and distance from human settlements. Based on the initial habitat suitability index (HSI) input data calculated by Analytic Hierarchy Process (AHP) and MAXENT model respectively, we used four geographical detectors (the risk detector, factor detector, ecological detector, and interaction detector) to assess the relationship between the suitability of giant panda habitat and their environmental risk factors. Results show that the suitability assessment of giant panda habitat based on the geographical detector has relatively favorable precision and feasibility. (1) The MAXENT-Geogdetector model has higher level of performance on accuracy than the other three methods. The overall accuracy of the prediction results based on AHP, AHP-Geogdetector, MAXENT and MAXENT-Geogdetector are 85.6%、86.5%、91.3% and 94.2% respectively. The kappa coefficients are 0.699, 0.718, 0.821 and 0.882 respectively. The AUC values are 0.902, 0.928, 0.949 and 0.966 respectively. And the overlap ratios of the predicted distribution area to the actual distribution area are 63.66%, 61.30%, 76.70% and 90.10% respectively. (2) The proposed Geogdetector-based method well captures the ecological effects of environmental factors on the wildlife habitat use by indicating the quantitative relationship between the suitability of wildlife habitat and the environmental factors.

Key words： giant panda; geographical detector; analytic hierarchy process; MAXENT; habitat suitability assessment

Cite this article

LIAO Ying , WANG Xinyuan , ZHOU Junming . Suitability Assessment and Validation of Giant Panda Habitat Based on Geographical Detector[J]. Journal of Geo-information Science, 2016 , 18(6) : 767 -778 . DOI: 10.3724/SP.J.1047.2016.00767

1 引言

动物生境是动物生存与繁衍的重要场所,其质量的优劣对于生物多样性及物种的延续至关重要[1]。生境适宜度（Habitat Suitability Index,HSI）是衡量生境质量的重要指标,是分析物种种群减少及致危原因的重要手段,可为野生动物管理与保护提供决策依据,并被广泛应用于动物生境质量的研究中[2-4]。
随着计算机技术、3S技术以及统计学的发展,关于HSI建模的方法层出不穷。根据模型所需物种活动痕迹点的不同,HSI模型主要分为3类[5]：机理模型[6-9]（AHP法等）、回归模型（广义线性回归模型[10]、Logistic回归模型[11]、人工神经网络模型[4]等）以及生态位模型（生态位因子分析模型[5]、信息熵模型[12]等）。机理模型不需要目标物种活动点和非活动点数据,但依赖于专家经验知识,且因没有物种活动点数据,往往无法对模型结果进行校验。回归模型需要目标物种活动点和非活动点数据,但因物种非活动点数据的可靠性难以保证,因而模型结果可能会出现偏差。生态位模型只需要物种活动点数据。已有研究表明,生态位模型是目前应用较广的生境适宜度模型,而MAXENT是该类模型中预测结果相对准确的一种方法[13]。MAXENT模型能很好地表达生境适宜度与环境因子间的数量关系,但通常这种数量关系及其生态学意义都是隐含的,导致模型的可解释性较差,不利于对大熊猫生境进行保护和规划。地理探测器模型是由王劲峰等开发的一种新型空间分析模型,用以探测某地理属性与其解释因子之间的关系[14]。该方法基于空间分异理论,以“因子力（Power of Determinant）”作为度量指标,结合GIS空间叠加技术和集合论,探测属性y与其解释因子之间关系,形成“地理探测器”模型,从而可以有效地识别因子变量与结果变量间的相关关系[18]。该方法最大的优势在于没有过多的假设条件与约束,具有普适性,能有效地克服传统统计分析方法处理类别变量的局限性[15],并能快速、经济、有效、客观地探测出要素间的关系,已被应用于医学[14]、地质灾害[15]、植被种植[16]、考古学[17]、经济[18]等诸多领域。但地理探测器在建模之前需要对连续型环境因子进行离散化处理,不同的离散化处理方法会对建模结果产生不同的影响。目前,关于Geogdetector在动物生境评价中的应用尚未见报道。
考虑各类模型的优缺点,综合利用不同模型,能有效利用不同模型的优势,从而得出更为可靠的动物生境适宜度评价结果。因此,为探寻更准确的预测结果以及更接近现实的生态学解释,本文以四川省雅安地区为研究区,提出一种新的大熊猫（Ailuropoda melanoleuca）生境适宜度评价方法,即基于地理探测器（Geographical detector,Geogdetector）来构建HSI模型。选取海拔、坡度、坡向、地形指数、距水源距离、植被类型、主食竹及距公路距离8个环境因子,分别在基于MAXENT模型和AHP法所获取的大熊猫生境适宜度指数基础上,通过风险探测器、因子探测器、生态探测器和交互作用探测器4个探测器,探测出大熊猫生境的影响因素、其相应的影响力以及具体的影响机理,并将最终获取的生境适宜度评价结果与单一MAXENT、AHP预测结果进行对比分析,以期为动物生境评价方法提供一种新的思路。

2 研究区概况

雅安是大熊猫的发现地,是“熊猫首都”,也是全世界大熊猫栖息地的核心地带。据第四次大熊猫调查,雅安市境内野生大熊猫共340只,占四川省野生大熊猫总数的24.51%,在各市（州）中排名第三。全市大熊猫栖息地面积为54.8万hm2,是全国和全省大熊猫栖息地面积最大的市。此外,雅安市全部县区都发现有野生大熊猫[19],但因第四次大熊猫调查统计数据截至2013年,目前统计有大熊猫分布数据的县区主要有宝兴县、天全县、荥经县、芦山县和石棉县。为更有效地评估大熊猫栖息地质量,本文重点关注雅安市分布有野生大熊猫的完整区域,包括宝兴县、天全县、荥经县、芦山县4个县。
本研究区（102°15′~103°23′E,29°28′~30°56′N）位于四川盆地西缘,邛崃山系东麓,雅安市北部（图1）。这里水源丰富,气候适宜,地形呈北、西、南地势高,东部地势较低的地理格局,并分布有4个重要的大熊猫自然保护区,即蜂桶寨国家级自然保护区、喇叭河省级自然保护区、大相岭省级自然保护区以及大川河自然保护区。根据全国第四次大熊猫调查显示,该地区分布有野生大熊猫315只,其中,宝兴县181只,天全县78只,荥经县28只,芦山县28只[19]。
Fig.1 Location of Ya′an prefecture

图1 雅安研究区地理位置示意图

3 方法和数据

3.1 研究方法

3.1.1 层次分析法
层次分析法（AHP法）,是20世纪70年代由T. L. Saaty提出的一种决策方法。该方法将一个复杂问题分解成多个因素,按照各因素的相互作用关系形成一定的层次结构,通过层析划分找出各要素之间的逻辑关系,以此判断各因子的重要性,并根据重要性赋予各因子相应的权重值,再通过叠加分析来预测物种的生境分布情况[20]。其基本步骤为：
（1）构建层次结构模型。将各个因素分解成若干层次,同一层的各因素既从属或影响上一层因素,又支配或影响下一层的因素。最上层为目标层,最下层为指标层,中间有一个至多个层次。
（2）构造判断矩阵。按照层次分析法的原理,利用根据Saaty提出的1-9比较标度法[21],两两比较确定指标的重要程度,确定各层的判断矩阵。
（3）计算权向量并做一致性检验。计算每一个判断矩阵最大特征根及对应特征向量,利用一致性指标、随机一致性指标和一致性比率做一致性检验。若检验通过,归一化后的特征向量即为权向量;若未通过,则需重新构建判断矩阵。
（4）计算权向量并做组合一致性检验。计算最下层对目标层的组合权向量,并进行组合一致性检验。若检验通过,则可按照组合权向量表示的结果进行决策,否则需要重新考虑模型或构造一致性比率较大的判断矩阵。
3.1.2 MAXENT模型
MAXENT模型源于1957年Jaynes提出的最大熵理论（Maximum Entropy,MAXENT）,是生态位模型中一种新型预测物种分布的方法。该方法将研究区内所有像元作为构成最大熵的可能分布空间,通过已知物种分布点的环境变量特征得出约束条件,来探寻此约束条件下最大熵的可能分布,从而预测物种在研究区的生境分布[22]。
3.1.3 地理探测器
地理探测器是由中国科学院地理科学与资源研究所王劲峰等开发的用以探寻地理空间分区因素对疾病风险影响机理的一种方法[14],主要由4个探测器组成：风险探测器、因子探测器、生态探测器和交互探测器。其中,风险探测器主要用于搜索生境适宜度的区域;因子探测器主要用于检验某种环境因子是否为形成生境适宜度空间分布格局的原因;生态探测器主要用来探究不同环境因子在影响生境适宜度空间分布方面的作用是否有显著的差异;交互作用探测器可以识别环境因子两两之间的交互作用[23]。
地理探测器假设地理事物总是存在于特定的空间位置,影响其变化的环境因子在空间上具有差异性,若某环境因子与地理事物的变化在空间上具有显著一致性,则该环境因子对地理事物的发生与发展具有决定意义[14]。
如图2所示,假设在研究区A中,生境适宜度是以B中的方格为单位统计的,各方格的生境适宜度指数记作 b 1 , b 2 , ⋯ , b n ;C、D是其中2个影响生境适宜度的因素, c 1 、 c 2 、 c 3 和 d 1 、 d 2 、 d 3 是因素C和因素D各自的空间类别分区。本研究中, c 1 、 c 2 、 c 3 和 d 1 、 d 2 、 d 3 是对各环境因子进行适宜度分类后所得到的因子变量（亦即连续地理数据的离散化结果）,不论是基于AHP生境适宜度指数的地理探测器还是基于MAXENT生境适宜度指数的地理探测器,一律采用AHP大熊猫生境适宜度影响因子评价准则进行环境因子适宜度分类。
Fig.2 Divisions of the study region and the overlaid layers[14]

图2 研究区的空间类别分区及叠加图层[14]

在空间变异分析（Spatial Variance Analysis,SVA）的基础上,地理探测器先将生境适宜度HSI图层与环境因子图层作空间叠加,再通过对环境因子的不同空间类别分区间进行生境适宜度均值差异的显著性检验,从而探测出环境因子间的相对重要性及其与生境适宜度之间的关系。各环境因子对生境适宜度的解释力（PD值）可用式（1）说明[23]。
P D , H = 1 - n c 1 Va r c 1 + n c 2 Va r c 2 + n c 3 Va r c 3 nVar = 1 - σ Ls 2 σ Lp 2 （1）
式中：D为影响因子;H为生境适宜度指数（HSI值）; P D , H 为D对H的解释力;为分区离散方差之和占研究区HSI值总体离散方差的比例。
分别计算PD（A）、PD（B）和PD（A∩B）,根据可能出现的5种情况（表1）,即可判断出环境因子之间的交互作用。
Tab.1 Redefined interaction relationships in a coordinate system

表1 因子交互关系的坐标轴表达

图示 表达式 交互关系
PD(x∩ y)<Min(PD(x),PD(y)) 非线性减弱
Min(PD(x), PD(y))<PD(x∩ y)< Max(PD(x),PD(y)) 单方减弱
PD(x∩ y)>Max(PD(x),PD(y)) 相互增强
PD(x∩ y)=PD(x)+PD(y) 相互独立
PD(x∩ y)>PD(x)+PD(y) 非线性增强
注：●表示Min(PD(x),PD(y));● 表示PD(x)+PD(y);●表示 Max(PD(x),PD(y));▼表示 PD(x∩ y)。引自http://www.sssampling.org/excel-Geodetector/
为实现基于地理探测器的大熊猫生境适宜度评价,本研究首先选取海拔、坡度、坡向、地形指数、距水源距离、植被类型、主食竹及距公路距离8个环境因子,并基于AHP评价准则对其进行离散化处理;然后确定生境适宜度HSI值和样本点;接着计算各环境因子的PD值,以此判断环境因子变量与之间的关联程度;最后对所PD值进行均一化,获得各环境因子适宜度得分的优化权重,再利用ArcGIS 10.0进行指标整合,即可得到基于地理探测器的HSI模型。为使地理探测器评价结果达到最佳,根据生境适宜度HSI值的不同来源,本文开展了2种地理探测器模型研究,即AHP-Geogdetector模型与MAXENT-Geogdetector模型。基于地理探测器的大熊猫生境适宜度评价模型的具体思路如图3所示。
Fig.3 The flowchart of assessing the habitat suitability for giant panda based on the geographical detector

图3 基于地理探测器的大熊猫生境适宜度评价流程图

3.2 数据来源与处理

3.2.1 指标选取
为了与选用的2001年6月13日获取的遥感影像相吻合,先后2次（2013年6月23日至7月5日、2014年6月7日至13日）对包含雅安研究区在内的大熊猫栖息地开展野外地面调查。地面调查主要对大熊猫栖息地的地理环境特征进行考察、对植被类型分类精度以及大熊猫生境适宜度评价结果进行验证,以及与当地相关研究部门进行资料与数据的交流共享。基于前期对研究区的实地考察,结合前人的研究成果[24-26],本研究选取的影响大熊猫生境的变量包括以下3类：与地形有关的变量（海拔、坡度、坡向、地形指数以及距水系的距离）、与生物物理有关的变量（植被类型、主食竹空间分布）、与人类活动相关的变量（距道路的距离）。
地形数据主要包括海拔、坡度、坡向、地形指数以及距水系的距离。海拔,即30 m精度的ASTER GDEM数据,m;坡度、坡向由DEM在ArcGIS 10.0中生成;地形指数是用来衡量一个研究点所处地形纵剖面的上下位置,对植被和水源有重要影响[27],该指数由基于ArcView 3.3开发的Jeff Jenness地形指数工具箱（topographic position index toolbox）工具箱生成;水系提取于研究区的遥感影像数据,即在ArcGIS 10.0中,通过计算每个像元点到离其最近的水系的欧式距离,即可获取距水系的距离。考虑到雅安市第三次大熊猫调查的时间跨度为2001年5月至11月,兼顾遥感影像的数据质量,最终选用2001年6月13日的Landsat ETM+数据作为本研究的底层遥感影像数据。
与生物物理有关的数据包括植被类型和主食竹空间分布。研究区的植被类型由遥感影像数据进行监督分类获取,主要类型包括针叶林、针阔混交林、阔叶林、灌丛与草甸以及其他。在四川省大熊猫栖息地,大约有70%以上的大熊猫活动在针叶林与针阔混交林,只有少于30%的大熊猫活动在阔叶林、灌丛及草甸中,而在其他土地覆盖类型中未见有大熊猫活动踪迹[28]。因此,本研究将针叶林和针阔混交林视为大熊猫活动适宜区域;阔叶林、灌丛与草甸视为大熊猫活动次适宜区域;而其他植被类型则被视为大熊猫活动不适宜区域。
主食竹空间分布图来源于全国第三次大熊猫调查。雅安地区的竹类主要有冷箭竹、短锥玉山竹、拐棍竹及其他竹类。在雅安研究区所处的邛崃山系,大熊猫对拐棍竹的取食率最大,其主食竹包括冷箭竹、短锥玉山竹和拐棍竹[28]。因此,本研究将分布有冷箭竹、短锥玉山竹、拐棍竹的区域视为大熊猫活动适宜区域;分布有其他竹类的区域视为大熊猫活动次适宜区域;没有竹类分布的区域视为大熊猫活动不适宜区域。
本研究中,与人类活动相关的数据主要是距道路的距离。目前,大熊猫受到的人类干扰因素较多,且各因素所起的作用比较复杂。居民日常活动、地质灾害、木材砍伐、交通、农业活动、林下资源采集等都是影响大熊猫生境质量的重要因素。雅安地区矿产与竹材资源丰富,因而在该地采矿、割竹与打笋情况较为严重,是雅安地区大熊猫栖息地的主要干扰因素之一,但该类数据不易获取,目前极少有研究将该类干扰因素加入到大熊猫生境适宜度评价中。此外,雅安地区居民大多生活在海拔相对较低的低山河谷地带,对大熊猫栖息地影响相对不大,且有全国第三次大熊猫调查结果表明,当前的耕种活动主要集中在低海拔的大熊猫栖息地边缘和居民点周围,耕种对大熊猫栖息地的总体影响不大[28]。实践证明,林区道路通向哪里,采伐、采药、开矿等人为干扰就到达哪里,它是造成大熊猫栖息地破碎化的重要根源之一,且交通主干道对大熊猫栖息地具有隔离作用,其影响往往是持久而不可逆转[28]。基于以上考虑,本次研究暂时只考虑道路的影响。道路数据主要来自国家基础地理信息系统数据,并辅以前期野外调查的记录数据作为补充。距道路的距离主要采用与获取距水系距离相同的方法来生成。在进行生境适宜度建模前,AHP模型、AHP-Geogdetector模型及MAXENT-Geogdetector模型均需对各环境因子数据按照AHP大熊猫生境适宜度影响因子评价准则表（表2）重分类,并进行适宜度赋值（MAXENT模型使用连续型变量,所有数据无需进行离散化处理）。最后,将所有变量数据统一边界和坐标系统,并重采样为30 m×30 m。考虑到第四次大熊猫调查数据目前尚属于保密数据,而本文旨在验证地理探测器方法的有效性与可行性,故本文采用第三次大熊猫调查的相关数据来构建HSI模型。
Tab.2 Assessment criteria for the affecting factors on giant panda's habitat in Ya'an prefecture

表2 雅安地区大熊猫生境适宜度影响因子评价准则

目标层 因素层 指标层 适宜 较适宜 不适宜
雅安地区大熊猫生境适宜性评A 地形因素B1 海拔C1/m 1800~3200 1200~1800,3200~3800 <1200,>3800
坡度C2/° 0~30 30~40 >40
坡向C3 南、东南、西南 东、东北、西 北、西北
地形指数C4 -5~5 -15~ -5,5~15 >15,<-15
距水源距离C5/m <2000 2000~4000 >4000
生物因素B2 植被类型C6 针叶林、针阔混交林 阔叶林、灌丛及草甸 其他
主食竹C7 冷箭竹、短锥玉山竹、拐棍竹 其他竹类 无竹区
干扰因素B3 距公路距离C8/m >1000 500~1000 <500
适宜度赋值 5 3 1

3.2.2 样本值与采样点

本研究分别以基于AHP法和MAXENT模型所得到的大熊猫生境适宜度指数HSI为样本值。
有效选择样本点对于地理探测器评估结果的精度具有较大的影响[14]。为提高生境适宜度评价精度,本文结合原始生境适宜度指数对样本点进行筛选,以保证网格点HSI值均匀分布为准则,最终选取417个有效样本点,并分别赋予相应的HSI值与各环境变量得分赋值作为样本属性。
采样点（共计417个）主要包括2部分：大熊猫活动点和非活动点。大熊猫活动点数据全部取自全国第三次大熊猫调查中研究区内的大熊猫分布点（183个）;非活动点数据（共234个）一部分来源于前期野外调查（35个）,另一部分主要通过ArcGIS 10.0中的随机选点功能获得。随机选点获取的非活动点实际上是一种伪非活动点。为提高非活动点数据的可靠性,减少非活动点落入适宜分布区的几率,采用MAXENT模型对随机产生的伪非活动点进行评估和筛选,最终选取199个点作为部分非活动点。研究表明,物种活动点数据的模型都可以用作评估伪非活动点的方法,来剔除落入被认为适宜分布区的随机非活动点,且这种方法比完全随机产生伪非活动点的预测结果更准确[29]。
在417个大熊猫样点数据中,随机选取75%的样点数据（313个）来构建地理探测器模型,另外25%的样点数据（104个）则用于后期的模型验证。

3.3 精度验证

根据模型是否受临界值约束,模型的准确性分析可分为受临界值约束的准确性分析和不受临界值约束的准确性分析。目前,关于模型精度的检验最常用的方法主要有受临界值约束的kappa系数法和预测值与观测值匹配系数法[11],以及不受临界值约束的ROC曲线法[30]。本文还引入了物种分布的历史记录来检验预测模型[29],通过计算目标物种实际适宜区与预测结果的重叠比来进行精度验证。

4 结果和分析

4.1 地理探测器空间分析结果

风险探测器揭示了各环境因子内部不同类别分区间的显著性差异。以MAXENT-Geogdetector模型为例,风险探测器发现从不适宜到适宜的大熊猫主食竹分区里大熊猫生境适宜度指数分别为0.101、0.475和0.563,且各区间适宜度的差异具有统计意义（表3）。由此说明,越适宜主食竹生长的区域越适宜大熊猫的生存。此外,大熊猫主食竹各类别分区彼此显著差异,说明各主食竹类别分区内的生境适宜度有较大区别,进而表明AHP法所构建的生境适宜度主食竹因子评价准则较为准确。对于其他环境因子,也可做类似分析。若环境因子不同类别分区彼此无显著差异,则需对前期构建的生境适宜度评价准则进行修正,直至该因子各类别分区彼此差异显著。AHP-Geogdetector模型与此类似。
因子探测器揭示了各环境因子对生境适宜度影响的大小,MAXENT-Geogdetector模型中,各因子的解释力（PD值）依次为：主食竹（0.6936）、海拔（0.2745）、植被类型（0.2705）、坡度（0.1887）、地形指数（0.0582）、距道路距离（0.0315）、距水源距离（0.0126）、坡向（0.0026）。
Tab.3 Statistically significant difference of the average habitat suitability index between three primary bamboo zones

表3 大熊猫主食竹不同类别分区生境适宜度的统计显著性差异

主食竹显著差异 不适宜 较适宜 适宜
不适宜
较适宜 Y
适宜 Y Y

注：Y表示2个主食竹类别分区对大熊猫生境的影响具有显著性差异（置信度为95%）

生态探测器反应各环境因子对生境适宜度的影响是否显著差异。MAXENT-Geogdetector模型预测结果表明（表4）,海拔、坡度、植被类型和主食竹对大熊猫生境适宜度的影响无显著差异;海拔与坡向、地形指数、距水源距离和距道路距离中任何一个因子对大熊猫生境适宜度的影响都具有显著差异;坡度、植被类型和主食竹均具有与海拔类似的特征;而坡向、地形指数、距水源距离和距道路距离对大熊猫生境适宜度的影响没有显著差异。从聚类的角度来看,可将海拔、坡度、植被类型、主食竹划分为对大熊猫生境影响显著的一类,而剩下的因子划分为对大熊猫生境影响不大的一类。结合因子探测器的结果,可以得出,海拔、坡度、植被类型、主食竹对生境适宜度影响相对较大,而其余因子影响相对较小。
Tab.4 Statistically significant difference of the impacts for different risk factors on habitat suitability index

表4 不同环境因子对生境适宜度影响的统计显著性差异

显著差异 海拔 坡度 坡向 地形指数 距水源距离 植被类型 主食竹 距道路距离
海拔
坡度 N
坡向 Y Y
地形指数 Y Y N
距水源距离 Y Y N N
植被类型 N N Y Y Y
主食竹 N N Y Y Y N
距道路距离 Y Y N N N Y Y
注：Y表示2个环境因子对大熊猫生境的影响具有显著性差异（置信度为95%）;N表示无显著性差异
交互作用探测器用来检验2种环境因自身独立起作用还是相互作用,若为相互作用,作用是增强还是减弱。MAXENT-Geogdetector模型结果（表5）表明,海拔与坡向、海拔与距道路距离、坡度与距道路距离、坡向与地形指数、坡向与植被类型、坡向与距道路距离、地形指数与距道路距离、距水源距离与距道路距离、以及植被类型与距道路距离分别为非线性增强;而其余因子间为相互增强。总体而言,各环境因子间的交互作用都大于各单因子对生境适宜度的影响。对各环境因子的PD值进行均一化,即可得到各环境因子适宜度的权重系数。
Tab.5 Interactive impact of each paired factors on the habitat of giant panda

表5 2种环境因子（PD值）对大熊猫生境影响的交互作用

0.2745 0.1887 0.0026 0.0582 0.0126 0.2705 0.6936 0.0315
海拔 坡度 坡向 地形指数 距水源距离 植被类型 主食竹 距道路距离
0.2745 海拔
0.1887 坡度 0.362
0.0026 坡向 0.292 0.191
0.0582 地形指数 0.291 0.238 0.067
0.0126 距水源距离 0.279 0.200 0.013 0.068
0.2705 植被类型 0.432 0.380 0.281 0.323 0.275
0.6936 主食竹 0.719 0.721 0.695 0.707 0.694 0.757
0.0315 距道路距离 0.365 0.228 0.037 0.096 0.048 0.320 0.709

4.2 大熊猫生境适宜度评价结果

分别基于AHP-Geogdetector模型和MAXENT-Geogdetector模型对雅安地区大熊猫生境进行预测,以Nature break（Jean）法将大熊猫生境评价结果分级显示,分为适宜生境、次适宜生境、不适宜生境3类,并与单一AHP及MAXENT评价结果进行对比分析（图4）。
Fig.4 Distribution of giant pandas' habitats in Ya′an prefecture

图4 雅安地区大熊猫生境分布

从空间分布来看（图4（a）-（e））,雅安地区大熊猫痕迹点主要分布于适宜与较适宜生境。对于适宜生境,4种方法的预测结果较为一致,从行政区划上来看,大熊猫主要分布在宝兴县、天全县西部以及芦山县北部。
对于较适宜生境,AHP预测结果最大,MAXENT模型预测结果最小。为对较适宜生境做进一步分析,将预测结果与雅安邻近区域大熊猫栖息地分布相叠加（由于篇幅关系,本文只列出AHP-Geogdetector和MAXENT-Geogdetector叠加分析结果图）。大熊猫栖息地数据由全国第三次大熊猫调查所得（包括调查中的栖息地及潜在栖息地）,根据调查过程中大熊猫栖息地与潜在栖息地的确定方法,大熊猫栖息地必须有大熊猫分布且必须有适于大熊猫生息繁衍的生境条件,潜在栖息地是指与大熊猫栖息地相连、有适于或较适于大熊猫生息繁衍的生境条件、此次调查未发现大熊猫实体或其他活动痕迹,但未来很可能扩散过来的区域[34]。因此,这里所指的大熊猫栖息地理论上应与预测结果中的适宜与较适宜生境对应。
据全国第三次大熊猫调查,雅安地区大熊猫栖息地及潜在栖息地面积共计4385.02 km2,基于AHP、AHP-Geogdetector、MAXENT和MAXENT-Geogdetector模型所预测的适宜与较适宜区域与实际分布区（含大熊猫栖息地及潜在栖息地）重叠比分别为63.66%、61.30%、76.70%和90.10%。通过叠加分析（图4（c）、（f））,结合实地考察,单一AHP法和AHP-Geogdetector有较大范围较适宜生境预测结果（芦山县南部、天全县东部及荥经县东北部）属于居民聚居区（分别对应于芦山县县城、飞仙关镇、宝峰彝族乡等）,MAXENT-Geogdetector模型预测结果与全国第三次调查中栖息地及潜在栖息地吻合度最好。

4.3 精度验证

（1）预测值与观测值匹配系数
利用剩余25%的样点数据（104个）对大熊猫生境适宜度评价结果进行验证。
首先,利用快速聚类法分别将基于4种方法获取的大熊猫生境适宜度图的结果转为二态值,其中大熊猫出现概率较大的一类设为1,即活动栅格（大熊猫适宜生境）,反之则设为0,即非活动栅格。然后利用预测值与实际观测值的匹配系数分别对2种方法的评价结果进行验证,结果表明（表6）,AHP法活动栅格、非活动栅格及模型总体精度分别为69.6%、98.3%和85.6%,AHP-Geogdetector法活动栅格、非活动栅格及模型总体精度分别为69.6%、100%和86.5%,MAXENT模型活动栅格、非活动栅格及模型总体精度分别为80.4%、100%和91.3%,MAXENT-Geogdetector法活动栅格、非活动栅格及模型总体精度分别为89.1%、98.3%和94.2%。
Tab.6 Classification accuracy of the four models

表6 模型分类精度

AHP AHP-Geogdetector
实际类别 预测类别 实际类别 预测类别
活动栅格 非活动栅格 精度/（%） 活动栅格 非活动栅格 精度/（%）
活动栅格 32 14 69.6 活动栅格 32 14 69.6
非活动栅格 1 57 98.3 非活动栅格 0 58 100
85.6 86.5
MAXENT MAXENT-Geogdetector
实际类别 预测类别 实际类别 预测类别
活动栅格 非活动栅格 精度/（%） 活动栅格 非活动栅格 精度/（%）
活动栅格 37 9 80.4 活动栅格 41 5 89.1
非活动栅格 0 58 100 非活动栅格 1 57 98.3
91.3 94.2
（2）Kappa系数
Kappa系数分析表明,基于AHP、AHP-Geogdetector、MAXENT和MAXENT-Geogdetector模型的kappa系数分别为0.699、0.718、0.821和0.882。
（3）ROC曲线
分别将基于logistic模型和AHP法所获得的大熊猫适宜度预测值和相应的诊断值（大熊猫活动点与非活动点）赋值给这些验证数据,并导入SPSS19.0进行ROC曲线分析,即可分别得到2种方法的ROC曲线和相应的AUC值。统计结果显示,基于AHP、AHP-Geogdetector、MAXENT和MAXENT-Geogdetector模型的AUC值分别为0.902、0.928、0.949和0.966。
大熊猫生境适宜度评价结果的精度验证表明,无论是kappa系数法、预测值与实际观测值匹配系数法、ROC曲线法,还是大熊猫栖息地实际分布图与预测结果的叠加分析,都证明MAXENT-Geogdetector模型对大熊猫生境空间分布拟合度较高,具有较高准确性,其预测精度比其他3种方法更高。

5 结论

本文提出了一种基于地理探测器的大熊猫生境适宜度评价方法,分别在MAXENT和 AHP大熊猫生境适宜度的基础上,通过4个地理探测器来探寻环境因子与大熊猫生境适宜度之间的关系,同时建立空间数据模型,并与单一AHP法和MAXENT模型的评价结果进行了对比分析,得到如下结论：
（1）针对AHP法主观性较强,MAXENT模型评价精度较高但生态学可解释性较差的问题,基于地理探测器的大熊猫生境评价模型综合了2种方法的优势,使大熊猫生境适宜度评价结果兼具主观判断与客观优化,一方面具有较高的评价精度,另一方面能使空间数据更为直观表达出其潜在含义,并能改进地理空间事件的预测和控制能力[31]。无论是AHP-Geogdetector模型还是MAXENT-Geogdetector模型,模型精度都比相应的单一模型有所提高,且MAXENT-Geogdetector模型同时融合了AHP、MAXENT以及Geogdetector的优势,对大熊猫生境的预测结果精度最高,最接近实际情况。
（2）基于地理探测器的大熊猫生境适宜度评价模型能够完善专家知识库。通过风险探测器实现对传统机理模型的评价准则的检验与修正,再结合其他3个探测器,能深入探究各环境因子对大熊猫生境具体的影响机理,同时考虑各环境因子之间交互作用,可为后期大熊猫保护策略的制定提供直观的科学依据。
（3）地理探测器需要离散化数据,不同的离散方法会得到不同的PD值,即各环境因子生境适宜度的解释力。目前,本文采用的是地理探测器检验修正后的AHP环境因子评价准则,后续将进一步开展不同离散方法精度对比研究。
致谢:本文得到了中国科学院地理科学与资源研究所王劲峰、中国科学院植物研究所申国珍、中国科学院水利部成都山地灾害与环境研究所兰立波、中国科学院遥感与数字地球研究所赵颜创等在模型实现方面的技术支持,在此深表谢意！

The authors have declared that no competing interests exist.

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Reunanen P, Mönkkönen M, Nikula A.Habitat requirements of the Siberian flying squirrel in northern Finland: comparing field survey and remote sensing data[J]. Annales Zoologici Fennici, 2002,39(1):7-20.Reunanen, P., M02nkk02nen, M. & Nikula, A. 2002: Habitat requirements of the Siberian flying squirrel in northern Finland: comparing field survey and remote sensing data. — Ann. Zool. Fennici 39: 7–20. In this study, we surveyed habitat characteristics of the Siberian flying squirrel in northern Finland. Forest structure in currently occupied sites was compared with random forest sites within the same old-growth forest area. We also studied whether the same habitat selection patterns can be detected directly from satellite images at the home-range scale. For this purpose we analysed forest characteristics that were associated with habitat use of radio-tracked individuals. Field survey showed that sites used by flying squirrels were in mixed spruce dominated forests with a relatively large amount of mature deciduous trees (particularly aspen). Similarly, the preference to mature spruce and avoidance of pine within home-ranges were also detectable from satellite images but the importance of deciduous trees was not perceived in this analysis. This study suggests that satellite imagery data provide a tool for finding potential forest sites for the Siberian flying squirrel in northern Finnish forest landscapes. However, our results also emphasise the need to develop GIS techniques further to identify very small scale forest characteristics more accurately and reliably than is possible at present.

DOI

[2]
金龙如,孙克萍,贺红士,等.生境适宜度指数模型研究进展[J].生态学杂志,2008,27(5):841-846.lt;FONT face=Verdana>生境适宜度指数（habitat suitability index, HSI）模型作为一种生境评价方法<BR>，在土地管理规划和评估中得到大量应用。本文总结了HSI模型在野生动物生境评价中的开<BR>发及应用，重点介绍了利用3S技术进行HSI建模及与其他模型耦合进行生境评价的现状；阐<BR>述了利用多种统计方法对HSI模型的评估和验证；探讨了HSI模型在主观性和非通用性等方面<BR>存在的问题和局限性，最后，就HSI模型在野生动物生境评价中的发展前景进行了展望。<BR></FONT>

[ Jin L R, Sun K P, He H S, et al.Research advances in habitat suitability index model[J]. Chinese Journal of Ecology, 2008,27(5):841-846. ]

[3]
Lu C Y, Gu W, Dai A H, et al.Assessing habitat suitability based on geographic information system (GIS) and fuzzy: a case study of Schisandra sphenanthera Rehd. et Wils. In Qinling Mountains, China[J]. Ecological Modelling, 2012,242:105-115.

[4]
Song J W, Wang X Y, Liao Y, et al.An improved neural network for regional giant panda habitat suitability mapping: a case study in Ya'an prefecture[J]. Sustainability, 2014,6:4059-4076.

[5]
王学志,徐卫华,欧阳志云,等.生态位因子分析在大熊猫(Ailuropoda melanoleuca)生境评价中的应用[J].生态学报,2008,28(2):821-828.生态位因子分析是研究物种地理分布的一种多变量分析方法，其最大优点是模型计算只需物种“出现点”的数据，而不需要“非出现点”数据，在生境评价与生境预测中得到广泛应用。将该方法应用于大熊猫生境适宜性评价中，利用大熊猫活动痕迹点和遥感数据分析了平武县大熊猫生境分布现状，综合评价了该县自然保护区的分布状况和存在的保护空缺。研究结果表明，大熊猫偏好在中高海拔（&gt;2128&nbsp;m）的针叶林和针阔混交林中活动，而避免在落叶阔叶林和灌丛林中活动，避免在有人为干扰的地区活动，农田是对大熊猫活动影响强度最大的人为干扰因子。平武县大熊猫生境主要分布在该县西部和北部地区，总面积为234033&nbsp;hm2，其中适宜生境为106345&nbsp;hm2，次适宜生境为127688&nbsp;hm2。目前该县已建的3个大熊猫自然保护区使47.2%的大熊猫生境得到保护（包括49.2%的适宜生境和45.6%的次适宜生境），尽管如此，保护区之间连接性差，存在严重的保护空缺。该县北部的白马乡、木座乡是大熊猫的主要分布区，却没有得到保护区的有效保护，建议在该地区新建自然保护区。

DOI

[ Wang X Z, Xu W H, Ouyang Z Y, et al.The application of ecological-niche factor analysis in giant pandas (ailuropoda melanoleuca) habitat assessment[J]. Acta Ecologica Sinica, 2008,28(2):821-828. ]

[6]
Wang X Z, Xu W H, Ouyang Z Y.Integrating population size analysis into habitat suitability assessment: implications for giant panda conservation in the Minshan Mountains, China[J]. Ecological Research, 2009,7(7):353-358.

[7]
Viña A, Tuanmu M N, Xu W H, et al.Range-wide analysis of wildlife habitat: implications for conservation[J]. Biological Conservation, 2010,143(9):1960-1969.The range-wide habitat status of many endangered species is unclear. We evaluated the status and spatial distribution of the habitat of the endangered () across its entire geographic range (i.e., six mountain regions located in Sichuan, Shaanxi and Gansu provinces, China) by integrating field and remotely sensed data to develop a habitat distribution model. Results suggest that current suitable habitat corresponds to ca. 1/4 of the habitat baseline (i.e., maximum amount of habitat possible). The highest proportion of suitable habitat relative to the baseline is in the Qinling mountain region. Overall, around 40% of the suitable habitat is inside nature reserves, but the proportion of habitat inside them varied among different mountain regions, ranging from ca. 17% (Lesser Xiangling) to ca. 66% (Qinling). The habitat model also predicted the occurrence of potentially suitable habitat outside the currently accepted geographic range of the species, which should be further evaluated as potential reintroduction sites. Our approach is valuable for assessing the conservation status of the entire habitat of the species, for identifying areas with significant ecological roles (e.g., corridors), for identifying areas suitable for reintroductions, and for establishing specific conservation strategies in different parts of the geographic range. It might also prove useful for range-wide habitat analyses of many other endangered species around the world.

DOI

[8]
孙贤斌,刘红玉.江苏盐城海滨区域丹顶鹤适宜越冬生境变化[J].生态学杂志,2011,30(4):694-699.lt;p>以3期盐城海滨湿地景观分布图为基础，在GIS技术支持下，以食物丰富度、水源、隐蔽条件、人类活动、最小斑块面积和日常活动距离为生境适宜性评价因子,采用生境评价模型,分析了丹顶鹤(<em>Grus japonensis</em>)适宜越冬生境的变化。结果表明：1987&mdash;2007年，丹顶鹤生境类型发生显著变化，盐城海滨区域自然湿地面积减少27.6%，丹顶鹤条件适宜生境总面积迅速减少；丹顶鹤条件适宜生境面积和比例发生显著变化，面积由2354.36 km<sup>2</sup>减为1100.13 km<sup>2</sup>，比例由1987年的51.6%减为2007年的24.1%；随着自然湿地景观破碎化和人类干扰逐渐加剧，盐城海滨区域丹顶鹤适宜生境的比例由1987年的28.2%减为2007年的13.5%，面积由1286.05 km<sup>2</sup>减为614.95 km<sup>2</sup>。</p>

[ Sun X B, Liu H Y.Temporal changes of Grus japonensis suitable wintering habitat in coastal zone of Yancheng, Jiangsu[J]. Chinese Journal of Ecology, 2011,30(4):694-699. ]

[9]
戎战磊,张晋东,洪明生,等.蜂桶寨自然保护区大熊猫生境适宜性评价与保护管理对策[J].生态学杂志,2015,34(3):621-625.lt;div style="line-height: 150%">对濒危野生动物而言，开展生境质量评价是完善就地保护措施、提高自然保护成效的基础。蜂桶寨自然保护区位于邛崃山系中段，是大熊猫模式标本的采集地。而此前有关该保护区大熊猫生境的研究主要集中在生境的选择上，生境适宜性评价方面的研究尚未开展。本文以海拔、坡度、植被类型、食物来源等4个生态因子为指标，通过构建景观连接度模型对保护区内大熊猫生境适宜性进行评价。结果表明，保护区内大熊猫不适宜生境面积、较适宜生境面积及最适宜生境面积分别为223.26、133.67和33.46 km<sup>2</sup>，分别占保护区总面积的57%、34%和9%。从空间分布来看，最适宜生境和较适宜生境在保护区内的分布较为破碎分散，大熊猫活动痕迹点更多地集中在生境适宜程度较高的区域。为加强该区大熊猫种群的科学保护，应控制敏感区域的人为活动，确保保护区内大熊猫个体在不同生境斑块之间迁移扩散。日常保护管理工作中应重点关注与黄水河自然保护区相连区域，并可适度扩大蜂桶寨自然保护区的管护范围。</div><div style="line-height: 150%"></br>&nbsp;</div>

[ Rong Z L, Zhang J D, Hong M S, et al.Habitat suitability assessment and conservation strategies for giant pandas in Fengtongzhai Nature Reserve, China[J]. Chinese Journal of Ecology, 2015,34(3):621-625. ]

[10]
Brotons L, Thuiller W, Araújo M B, et al.Presence-absence versus presence-only modelling methods for predicting bird habitat suitability[J]. Ecography, 2004,27(4):437-448.Habitat suitability models can be generated using methods requiring information on species presence or species presence and absence. Knowledge of the predictive performance of such methods becomes a critical issue to establish their optimal scope of application for mapping current species distributions under different constraints. Here, we use breeding bird atlas data in Catalonia as a working example and attempt to analyse the relative performance of two methods: the Ecological Niche factor Analysis (ENFA) using presence data only and Generalised Linear Models (GLM) using presence/absence data. Models were run on a set of forest species with similar habitat requirements, but with varying occurrence rates (prevalence) and niche positions (marginality). Our results support the idea that GLM predictions are more accurate than those obtained with ENFA. This was particularly true when species were using available habitats proportionally to their suitability, making absence data reliable and useful to enhance model calibration. Species marginality in niche space was also correlated to predictive accuracy, i.e. species with less restricted ecological requirements were modelled less accurately than species with more restricted requirements. This pattern was irrespective of the method employed. Models for wide-ranging and tolerant species were more sensitive to absence data, suggesting that presence/absence methods may be particularly important for predicting distributions of this type of species. We conclude that modellers should consider that species ecological characteristics are critical in determining the accuracy of models and that it is difficult to predict generalist species distributions accurately and this is independent of the method used. Being based on distinct approaches regarding adjustment to data and data quality, habitat distribution modelling methods cover different application areas, making it difficult to identify one that should be universally applicable. Our results suggest however, that if absence data is available, methods using this information should be preferably used in most situations.

DOI

[11]
李文军,王子健.丹顶鹤越冬栖息地数学模型的建立[J].应用生态学报,2000,11(6):839-842.利用地理信息系统及遥感卫片通过建立数学模型的方法来模拟及预测盐城自然保护区丹顶鹤越冬栖息地的分布．经验证，模型的正确预测率为72．63％，认为模型基本上能够反映丹顶鹤栖息地的分布情况

[ Li W J, Wang Z J.A wintering habitat model for red crown crane[J]. Chinese Journal of Applied Ecology, 2000,11(6):839-842. ]

[12]
Steven J P, Robert P A, Robert E S.Maximum entropy modeling of species geographic distributions[J]. Ecological Modelling, 2006,190(3-4):231-259.The availability of detailed environmental data, together with inexpensive and powerful computers, has fueled a rapid increase in predictive modeling of species environmental requirements and geographic distributions. For some species, detailed presence/absence occurrence data are available, allowing the use of a variety of standard statistical techniques. However, absence data are not available for most species. In this paper, we introduce the use of the maximum entropy method (Maxent) for modeling species geographic distributions with presence-only data. Maxent is a general-purpose machine learning method with a simple and precise mathematical formulation, and it has a number of aspects that make it well-suited for species distribution modeling. In order to investigate the efficacy of the method, here we perform a continental-scale case study using two Neotropical mammals: a lowland species of sloth, Bradypus variegatus , and a small montane murid rodent, Microryzomys minutus . We compared Maxent predictions with those of a commonly used presence-only modeling method, the Genetic Algorithm for Rule-Set Prediction (GARP). We made predictions on 10 random subsets of the occurrence records for both species, and then used the remaining localities for testing. Both algorithms provided reasonable estimates of the species鈥 range, far superior to the shaded outline maps available in field guides. All models were significantly better than random in both binomial tests of omission and receiver operating characteristic (ROC) analyses. The area under the ROC curve (AUC) was almost always higher for Maxent, indicating better discrimination of suitable versus unsuitable areas for the species. The Maxent modeling approach can be used in its present form for many applications with presence-only datasets, and merits further research and development.

DOI

[13]
罗翀,徐卫华,周志翔,等.基于生态位模型的秦岭山系林麝生境预测[J].生态学报,2011,31(5):1221-1229.生境评价和预测是对物种进行有效保护的基础。利用林麝痕迹点、自然环境及人类干扰空间数据,分别用两种生态位模型MAXENT和ENFA,预测了秦岭山系林麝的生境分布,并对结果进行了阈值依赖和非阈值依赖比较。探讨了林麝生境选择与环境因子的关系。结果表明,两种生态位模型预测效果都较好,但MAXNET模型预测效果更为优秀。秦岭山系林麝生境主要集中在主峰太白山及周边地区中高海拔的森林中,共有生境面积10764.4km<sup>2</sup>现有的保护区保护了 3500.9km<sup>2</sup>的林麝生境,还有67.5%的林麝生境处于保护空缺状态。交通干道、农田和居民点是影响林麝生境选择的主要人类干扰因子。为更有效地保护该地区的林麝及其生境,有必要对现有保护区进行规划调整,使林麝生境集中分布区都得到有效保护,并恢复隔离的林麝生境之间的迁徙廊道。

[ Luo C, Xu W H, Zhou Z X, et al.Habitat prediction for forest musk deer (Moschus berezovskii) in Qinling mountain range based on niche model[J]. Acta Ecologica Sinica, 2011,31(5):1221-1229. ]

[14]
Wang J F, Li X H, Christakos G, et al.Geographical detectors-based health risk assessment and its application in the neural tube defects study of the Heshun region, China[J]. International Journal of Geographical Information Science, 2010,24(1):107-127.Physical environment, man-made pollution, nutrition and their mutual interactions can be major causes of human diseases. These disease determinants have distinct spatial distributions across geographical units, so that their adequate study involves the investigation of the associated geographical strata. We propose four geographical detectors based on spatial variation analysis of the geographical strata to assess the environmental risks of health: the risk detector indicates where the risk areas are; the factor detector identifies factors that are responsible for the risk; the ecological detector discl

DOI

[15]
Hu Y, Wang J F, Li X H, et al.Geographical detector-based risk assessment of the under-five mortality in the 2008 Wenchuan earthquake, China[J]. PLoS ONE, 2011,6(6):e21427.heterogeneity; injuries; error

DOI PMID

[16]
Li X W, Xie Y F, Wang J F, et al.Influence of planting patterns on Fluoroquinolone residues in the soil of an intensive vegetable cultivation area in north China[J]. Science of the Total Environment, 2013,458:63-69.

[17]
毕硕本,计晗,陈昌春,等.地理探测器在史前聚落人地关系研究中的应用与分析[J].地理科学进展. 2015,34(1):118-127.遗址—河流距离是史前聚落遗址人地关系研究的重要内容。本文以河南省卢氏县为例,引入地理探测器模型,采用基于<i>P</i><sub><i>D,H</i></sub> 值计算的连续性地理数据最优离散法,获取遗址—河流相关性定量数值,讨论和总结模型中等间距(EI)、百分位(QV)、自然断点(NB)、几何间隔(GI)4 种分类方法,分别在裴李岗时期、仰韶前期、仰韶后期、龙山时期所表现的性能及适用情况;并在此基础上揭示聚落的结构、发展规律、分布和范围规律。研究结果表明:①4个文化时期分别采用NB、QV、NB、GI及其分类数分别为8,8,8,6 时,为离水距离因子的最优离散。该因子对遗址密度分布的决定力分别为39.5%、70.8%、73.0%和59.8%;②洪水切割作用导致河岸两旁的阶地逐渐崩塌,阶地的面积越来越小,古人类为了赢得更多的生存空间,将遗址沿河散开呈条带装分布。当阶地面积小到一定程度,聚落沿河流长度扩展的成本过高,便开始向远离河流部分扩张,因此离河距离因子呈先升后降;③从Q 值提升强度看,NB/EI>GI>QV;从提升效率看,EI/GI>NB>QV;从决定力大小来看,GI>QV/NB>EI;④聚落结构由裴李岗时期的简单、稀疏和松散不断发展,分别在仰韶前、后期和龙山时期出现两极化、三段式,聚落发展影响因素由人口数量增长变为社会内部结构变化,聚落的分布和古人类活动范围距河流约正常人步行1~2.5 h 的距离,且不断扩大。

DOI

[ Bi S B, Ji H, Chen C C, et al.Application of geographical detector in human-environment relationship study of prehistoric settlements[J]. Progress in Geography, 2015,34(1):118-127. ]

[18]
朱鹤,刘家明,陶慧,等.北京城市休闲商务区的时空分布特征与成因[J].地理学报. 2015(8):1215-1228.

[ Zhu H, Liu J M, Tao H, et al.Temporal-spatial pattern and contributing factors of urban RBDs in Beijing[J]. Acta Geographica Sinica, 2015,8:1215-1228. ]

[19]
雅安市林业局.熊猫家源雅安大熊猫现状令人振奋——第四次大熊猫调查结果出炉[N/OL].雅安市人民政府官网[2015-3-31]. [2015-4-16]..

[ Ya 'an Forestry Bureau. The status of giant panda in Ya’an are giving us exciting insights-the fourth national survey results on giant panda in China[N/OL]. ]

[20]
张巍巍. 王朗自然保护区大熊猫生境质量评价[D].北京:北京林业大学,2014.

[ Zhang W W.The habitat quality evaluation of giant panda in Wanglang Nature Reserve[D]. Beijing: Beijing Forestry University, 2014. ]

[21]
曹长军,黄云.层次分析法在县域生态环境质量评价中的应用[J].安徽农业科学,2007,35(11):3344-3345.以四川井研县为例，结合正在进行的乐山市新一轮土地利用规划修编的部分基础资料，阐述了层次分析（AHP）法在县域生态环境质量评价中的应用。结果表明，AHP法可大大提高全值定量的理性成分，得到更加符合实际的成果。

DOI

[ Cao C J, Huang Y.Application of analytic hierarchy process in eco-environmental quality evaluation of county area[J]. Journal of Anhui Agricultural Sciences, 2007,35(11):3344-3345. ]

[22]
Phillips S J, Anderson R P, Schapire R E.Maxemum entropy modeling of species geographic distributions[J]. Ecological Modelling, 2006,190(3/4):231-259.

[23]
王劲峰,廖一兰,刘鑫.空间数据分析教程[M].北京:科学出版社,2010.

[ Wang J F, Liao Y L, Liu X.Spatial data analysis tutorial[M]. Beijing: Science Press, 2010. ]

[24]
李军锋,李天文,金学林,等.基于层次分析法的秦岭地区大熊猫栖息地质量评价[J].山地学报,2005,23(6):694-701.栖息地是大熊猫存在与否的决定因素,栖息地保护的重要性远比对大 熊猫个体的保护更加重要,这是保护大熊猫必须采取的长远措施.以陕西省第三次大熊猫调查数据为基础,首先确立了影响大熊猫栖息地质量的7个指标:森林起 源,乔木郁闭度,灌木盖度,竹子生长状况,竹子盖度,坡度和坡向,然后采用层次分析法计算所确立的7个评价指标的权重,并结合GIS空间叠置分析方法对7 个评价指标进行叠加,获得了洋县大熊猫栖息地质量分级图.得到了以下结论:最适宜区和适宜区主要分布在调查区的东北部,不太适宜区和不适宜区分布在调查区 的西部,并且自东向西逐渐变差.整体而言,调查区内大熊猫栖息地质量状况良好,适宜大熊猫的生存与繁衍.

DOI

[ Li J F, Li T W, Jin X L, et al.The quality evaluation of giant panda's habitat based on analytic hierarchy process[J]. Journal of Mountain Science, 2005,23(6):694-701. ]

[25]
Linderman M, Bearer S, An L, et al.The effects of understory bamboo on broad-scale estimates of giant panda habitat[J]. Biological Conservation, 2005,121:383-390.Understory vegetation is an important habitat component for many wildlife species. Previous broad-scale studies on biodiversity and wildlife habitat have suffered from a lack of detailed information about understory distribution. Consequently, it is unclear how understory distribution influences the analysis of habitat quantity and spatial distribution. To address this problem, we compared estimates of giant panda ( Ailuropoda melanoleuca ) habitat with and without understory bamboo. The results show that the spatial distribution of bamboo has a substantial effect on the quantity and spatial arrangement of panda habitat. Total amount of estimated habitat decreased by 29鈥52% and decreased connectivity was notable after bamboo information was incorporated into the analyses. The decreases in the quantity and quality of panda habitat resulted in a decrease of 41% in the estimated carrying capacity. Our results suggest that it is necessary to incorporate understory vegetation into large-scale wildlife habitat research and management to avoid overestimation of habitat and improve broad-scale analyses of species distributions and biodiversity estimates in general.

DOI

[26]
欧阳志云,刘建国,肖寒,等.卧龙自然保护区大熊猫生境评价[J].生态学报,2001,21(11):1869-1874.生物的生境是指生物生活繁衍的场所 ,由生物与非生物环境构成。近几个世纪以来 ,物种绝灭的速度加快 ,生物多样性丧失最重要的原因是生物生境的人为破坏。对保护生物的生境评价 ,是分析这些物种种群减少、濒危原因的重要手段 ,还能为制定合理的保护对策提供依据。根据大熊猫生境分布特点提出了大熊猫生境结构理论模型 ,将影响卧龙大熊猫生境质量的因素分为物理环境因素、生物环境因素和人类活动因素 ,探讨了生境评价的程序与卧龙大熊猫生境评价准则 ,运用地理信息系统技术与空间模拟方法分析了卧龙大熊猫生境质量。在人类活动影响下 ,卧龙自然保护区内适宜大熊猫生存的生境面积有 5 75 97.3 hm2 ,其中最适生境面积为 62 5 6.1 hm2 ,主要分布在海拔 2 3 0 0～ 2 80 0 m的平缓山坡与台地。

DOI

[ Ouyang Z Y, Liu J G, Xiao H, et al.An assessment of giant panda habitat in Wolong Nature Reserve[J]. Acta Ecologica Sinica, 2001,21(11):1869-1874. ]

[27]
Deng X Z, Jiang Q O, Ge Q S, et al.Impacts of the Wenchuan Earthquake on the giant panda nature reserves in China[J]. Journal of Mountain Science, 2010,7(2):197-206.The Wenchuan Earthquake that occurred in May of 2008 caused damages to large areas of Sichuan, Gansu, and Shaanxi provinces in China. Reports from local governments and related management agencies show that the giant panda nature reserves in the earthquake-hit areas were heavily damaged. Our estimates in this paper of the impacts of the earthquake on the giant panda in the earthquake-hit areas were made based on the interpretation of remote sensing images and information collected by field survey. A rapid assessment method was designed to estimate the damages of the earthquake on giant panda habitats. By using visual interpretation methods, we decoded the remote sensing images of the disaster area in the 49 giant panda nature reserves. Research results showed that the Wenchuan Earthquake and the succeeding secondary geological disasters caused great damages to the giant panda nature reserves and disturbed the normal life of the giant pandas there (e. g., landscape fragmentation increased significantly). Undoubtedly, the life of the giant pandas there was affected. However, although the earthquake caused certain impacts on the giant pandas, it did not really threat their survival. Even so, we still strongly advocate for protection of the giant pandas, and have prioritized a couple of measures to be taken to restore the giant panda nature reserves in the earthquake-hit areas.

DOI

[28]
国家林业局.全国第三次大熊猫调查报告[M].北京:科学出版社,2006.

[ State Forestry Administration.The third national survey report on giant panda in China[M]. Beijing: Science Press, 2006. ]

[29]
林聪田,纪力强.PSDS2.0:一个基于GIS和多个模型的生物潜在分布地预测系统[J].生物多样性,2010,18(5):461-472.根据对生物分布地预测模型和软件发展现状的分析和总结, 本研究在PSDS 1.0的基础上提出并实现一个基于GIS且具有多个代表性模型的生物分布地预测系统(PSDS 2.0)。PSDS 2.0系统继承了1.0的环境包络和聚类包络模型, 进一步引入了限制因子包络、马氏距离、支持向量机等新模型, 并针对本领域中模型比较与选择的难点增加了迭代交叉验证的多模型选择功能。系统还实现了灵活定制和评估伪负样本的功能, 通过用只需要正样本的I类模型预测的结果对随机产生的伪负样本进行评估, 减小其落入适宜地区的概率, 进一步提高需要正负样本的II类模型的准确率。GIS功能在PSDS 2.0中也得到加强, 被应用于数据准备及结果分析等重要环节。文章最后以白冠长尾雉(<em>Syrmaticus reevesii</em>)为例, 运用PSDS 2.0系统预测其在中国范围内的潜在分布地, 并对各种模型的预测结果进行评估和比较。

[ Lin C T, Ji L Q.PSDS (predictive species distribution system) 2.0: a system based on GIS and multiple models for predicting potential distribution of species[J]. Biodiversity, 2010,18(5):461-472. ]

[30]
王小明. 基于信息技术的枫桥香榧生境特征分析与适宜性评价[D].杭州:浙江大学,2010.

[ Wang X M.Study on the habitat characteristics and suitability evaluation of Chinese torreva based on information technology[D]. Hangzhou: Zhejiang University, 2010. ]

[31]
胡文艺. 基于空间探测方法的珠峰景区旅游安全预警研究[D].成都:成都理工大学,2012.

[ Hu W Y.Research on early warning of tourism safety in Mount Everest Scenic Spot based on space exploration method[D]. Chengdu: Chengdu University of Technology, 2012. ]

Options
Outlines

/

〈 〉