气候变化对马尾松潜在分布影响预估的多模型比较

 物种分布模型被广泛应用于评估气候变化对物种分布的影响。随着计算机和统计学的发展, 模拟物种分布的模型层出不穷, 但对这些模型的相对表现知之甚少, 因此需要对其进行对比分析, 以便更可靠地评估气候变化的影响。该文采用3个比较新颖的组合集成学习(ensemble learning)模型(随机森林(random forest, RF)、广义助推法和NeuralEnsembles)、3个常规模型(广义线性模型、广义加法模型和分类回归树)、3个大气环流模型(global circulation model, GCM) (MIROC32_medres, JP; CCCMA_CGCM3, CA; BCCR-BCM2.0, NW)和一个气体排放情景(SRES_A2), 模拟分析了马尾松(Pinus massoniana)历史基准气候(1961–1990)和未来3个不同时期(2010–2039, 2020s; 2040–2069, 2050s; 2070–2099, 2080s)的潜在分布。基于环境阈值方法选择物种不发生区, 依据ClimateChina软件进行当前和未来气候数据的降尺度处理, 采用接收机工作特征曲线(receiver operator characteristic, ROC)下的面积(area under the curve, AUC)、Kappa值和真实技巧统计法(true skill statistic, TSS)以及马尾松种子区划范围来评价模型的预测精度。结果表明: 6个物种分布模型都具有较高的预测精度, 但组合集成学习模型的预测精度稍高于其他常规模型, 其中RF的预测精度最高。3个GCM和6个模型模拟条件下, 马尾松对气候变化的响应格局既有一致性也有异同性。一致性表现在: 随着时间的推移, 马尾松分布区将逐渐向北迁移, 未来潜在分布区的面积将逐渐增加; 异同性表现在: 在不同模型和不同气候情景下, 马尾松潜在分布区的迁移距离和面积变化幅度不同, 其中NW模式下预测的变化幅度小于CA和JP模式; RF模型预测的分布区迁移距离和面积变化幅度最大。随着时间的推移, 未来马尾松的18个潜在分布空间预测图(6个模型 × 3 GCM)之间的差异也逐渐增大, 其中空间不一致性地区主要集中发生在马尾松潜在分布区的北部和西部边缘地带。模型本身不同的构建原理以及GCM之间的差异是导致预测结果存在差异的主要原因。     

随机森林算法基本思想及其在生态学中的应用——以云南松分布模拟为例

通常来讲,生态学者对于解释生态关系、描述格局和过程、进行空间或时间预测比较感兴趣。这些工作可以通过模拟输出值(响应)与一些特征值(即解释变量)的关系来实现。然而,生态数据模拟遇到了挑战,这是因为响应变量和预测变量可能是连续变量或离散变量。需要解释的生态关系通常是非线性的,并且解释变量之间具有复杂的相互作用关系。响应变量和解释变量存在缺失值并不是不常有的现象,奇异值也经常出现在生态数据中。此外,生态学者通常希望生态模型即要易于建立又易要于解释。通常是利用多种统计方法来分析处理各种各样情景中出现的独特的生态问题,这些模型包括(多元)逻辑回归、线性模型、生存模型、方差分析等等。随机森林是一个可以处理所有这些问题的有效方法。随机森林可以用来做分类、聚类、回归和生存分析、评估变量的重要性、检测数据中的奇异值、对缺失数据进行插补等。鉴于随机森林本身在算法上的优势,将就随机森林在生态学中的应用进行总结,对建模过程进行概述,并以云南松分布模拟研究为例,对其主要功能特点进行案例展示。通过对随机森林的一般术语、概念和建模思想进行介绍,有利于读者掌握本方法的应用本质,可以预见随机森林在生态学研究中将得到更多的应用和发展。     

气候变化对物种分布影响模拟中的不确定性组分分割与制图——以油松为例

物种分布模型是预测评估气候变化对物种分布影响的主要工具。为了降低物种分布模型在预测过程中的不确定性,近期有学者提出了采用组合预测的新方法,即采用多套建模数据、模型技术,模型参数,以及环境情景数据对物种分布进行预测,构成物种分布预测集合。但是,组合预测中各组分对变异的贡献还知之甚少,因此有必要把变异组分来源进行分割,以更有效地利用组合预测方法来降低模型预测中的不确定性。以油松为例,采用8个生态位模型,9套模型训练数据,3个GCM模型和一个SRES(A2)排放情景,模型分析了油松当前(1961-1990年)和未来气候条件下3个时间段(2010-2039年,2040-2069年,2070-2099年)的潜在分布。共计得到当前分布预测数据72套,未来每个时间段分布数据216套。采用开发的ClimateChina软件进行当前和未来气候数据的降尺度处理。采用Kappa、真实技巧统计方法(TSS)和接收机工作特征曲线下的面积(AUC)对模型预测能力进行评估。结果表明,随机森林(RF)、广义线性模型(GLM),广义加法模型(GAM)、多元自适应样条函数(MARS)以及助推法(GBM)预测效果较好,几乎不受建模数据之间差异的影响。混合判别分析模型(MDA)对建模数据之间的差异非常敏感,甚至出现建模失败现象。采用三因素方差分析方法对组合预测中的不确定性来源进行变异分割,结果表明,模型之间的差异对模拟预测结果不确定性的贡献最大且所占比例极高,而建模数据之间的差异贡献最小,GCM贡献居中。研究将有助于加深对物种分布模拟预测中不确定性的认识。