基于分类回归树的气候变化—植被分布模型研究

2014-12-02尚卫超于大海翟永利王天元张玉娟

哈尔滨师范大学自然科学学报 2014年3期

尚卫超，于大海，翟永利，王天元，张玉娟

(黑龙江工程学院)

1 气候—植被之间的关系

植被与气候之间的关系表现在植被对气候要素的适应性，相应地，某一地理范围内的植被和植物分布也是某种特定的气候的标志．气候是决定地球宏观尺度上植被类型及植物分布的主要因素，因为热量是植物生命活动能量来源、水分是影响植物生理活动的因素和植物基本成分．气候变化对植物的生长发育、地理分布、多样性和丰富度都将产生极大的影响．

21世纪以来，随着全球对生物多样性保护适应气候变化问题的关注，植物及植被分布与气候变化之间的相互影响关系研究倍受重视．以前的研究大多只是定性的描述，没有一定的定量分析，就不能从深层次上解释植物及植被类型分布的原因和结果，从而限制了气候变化对于植被分布的预测能力．随着社会的发展，人类对自然认识的不断深入，研究方法和技术的不断提高．气候—植被关系及相关研究也在不断深入，并取得了迅速的发展．整体而言，气候—植被分类研究可大致分为三个阶段．第一个阶段是以现实自然植被类型与气候之间的相关性为特征．这一阶段还没有将对植物生理活动具有明显限制作用的气候因子作为植被分类的指标，是非机理性的;第二阶段是以对植物生理活动具有明显限制作用的气候因子为指标的气候—植被分类研究．这类模型又称为生物地理模(Biogeography model);第三阶段以综合反映植被的结构和功能变化的气候—植被分类研究为特征，将植物的结构和功能的变化在植被的分类上得到综合体现．但这些研究大都只模拟了植被类型与气候处于平衡状态时的状况，不能反应植被的动态变化．

2 植被分布的模型研究

2．1 基于统计模型技术的植被分布研究

近年来，随着统计技术不断提高以及地理信息系统(GIS)的不断发展，用于预测植被分布的统计模型技术也得到了迅猛的发展．依据观测的植被分布数据和环境因子之间的相关关系建立起来的模型称为相关性模型，而那些考虑物种的生态生理及生物因子的模型被称为机理性模型或者生态生理模犁．由于相关模型更容易建立，建立所需的时间也少，因此它的应用比机理性模型更加广泛．基于这些理论，大量的统计模型技术也不断应用到生态学中来，普通多元回归及其推广形式广义线性模型十分流行，经常被用来模拟物种的分布，其他统计模型技术包括典范对应分析、贝叶斯模型、广义加法模型、分类回归树、生态位因子分析、人工神经网络等，不同的统计模型技术已被广泛应用于生物地理分布、植物群落、植被类型、生物多样性和气候变化影响评估等方面．

2．2 分类回归树

CART(Breiman et al．，1984)是一种非参数化的分类及回归技术，它不需要预先假设因变量和自变量之间的关系，而是根据因变量状况，利用递归划分法，将由自变量定义的空间划分为尽可能同质的组别．CART算法是由树生长和树剪枝2 个步骤组成的(Vayssieres etal．，2000)．首先，将输入数据集分为训练数据集和测试数据集．树生长是通过将训练数据集划分为不相连的子集来完成．选择误差指标减少最大的分叉点，将数据集划分成2个子集，重复此过程，直到误差指标小于某个域值，树生长过程结束．分叉过程中由于噪声的影响，会产生对训练数据的过度拟合和泛化能力差等问题．树剪枝是种克服噪声的技术，方法是逐次寻找最弱的子树进行剪枝，同时用测试数据集进行树性能测试，得到最佳规模树．

3 基于分类回归树的气候变化—植被分布模型研究

3．1 树种分布数据

用于模型比较的6个树种为油松、辽东栎、红松、蒙古栎、白檀和黄连木．这些树种均具有较明显的分布区域，且分布在我国的南北各地，其中油松、辽东栎主要分布在我国暖温带落叶阔叶林区域;红松、蒙古栎主要分布在我国温带针阔混交林区域;白檀、黄连木则分布较广，在亚热带常绿阔叶林及暖温带落叶阔叶林区域均有分布．利用Arc GIS将每一树种的存在与不存在分布数据作为一项属性添加到数字化的中国县级行政区划图(中国科学院地理研究所资源与环境信息系统国家重点实验室制作，1996)属性表上，然后利用这一属性将数字化的中国县级行政区划图转化为3799个50 km ×50 km栅格单元(此图形未显示在文章中)．

3．2 气候数据

该文选取Kir a寒冷指数(coldness index，CI)和1月份最低温度表示冬季低温，用Kir a温暖指数(w armt h index，WI)和7月份最高温度表示热量需求，用徐文铎提出的湿润指数(humidit y index，HI)和年降水量表示湿度需求．该文所用的气候数据为1960～1990年全国647个气象台站的气象资料，由此得到Kira温暖指数、寒冷指数、徐文铎的湿润指数，1月份最低温度、7月份最高温度和年降水量等6个气候指标．为使气候资料与树种分布数据相统一，利用Kriging插值法将气候数据插值到3799个50 km×50 km栅格单元．未来中国的气候变化情景采用高学杰等利用区域气候模式(Reg ional Climate Model，RCM)嵌套全球气候模式获得的CO2浓度倍增下气候情景:年均温增加2．5℃，年降水增加12%．据此计算未来气候指标，以预测树种的未来分布．

3．3 结果分析

3．3．1 模型评估

将评估子集的数据代入训练后的模型中，用其所得结果给出相应的AUC和Kappa值(见表1)，以此来评估分类回归树对树种分布的模拟精度．由表1可知，CART 0．948，模型模拟精度达到非常好程度;Kappa平均值0．786，模拟精度非常好．分类回归树对蒙古栎、白檀、黄连木等树种的模拟均达到较高精度，AUC达到非常好的模拟效果;Kappa值亦达到好的效果．模拟中对黄连木分布的模拟效果最为突出，AUC和Kappa值最高，均达到非常好的模拟效果．

表1 分类回归树对6个树种分布模拟的AUC和Kappa值

3．3．2 树种现实分布模拟

通过选取最大化Kappa值将模型模拟的树种现实分布借助于地理信息系统软件以地图方式显示，CART对红松分布的模拟效果较好而对于油松分布的模拟效果不甚理想，模型模拟结果中，油松在我国新疆西北部、新疆与青海交界处及新疆与内蒙古交界处有大量分布，这显然与油松的实际分布不符，可能与油松分布区域狭长、零散，且为人工树种，受人为干扰较大有关．