湿地生态系统是世界上生物多样性最丰富、单位生产力最高的自然生态系统，具有丰富的陆生与水生动植物资源^[1]。湿地水鸟是湿地生态系统重要组成部分，与湿地相伴相生，在生态系统的能量流动和物质平衡等维持生态系统稳定性方面起着举足轻重的作用^[2]。前人研究多以单独的样点来研究水鸟的分布状态和行为特征，对于一个区域水鸟的连续分布状态较难掌握^[3]，随着近年来GIS和RS地理空间技术的发展，获取区域环境因子，选取恰当数理模型，再探测物种与地理环境变化关系领域得到了较好的应用。传统的SDMs模型用于预测物种的分布状态及与环境之间的响应关系，主要研究的是环境变化的情况下，物种的分布变化，在实际应用上将遥感影像与野外实测的景观及生境调查数据所提供的信息相结合，结合数理及生态模型等手段，更全面、更科学地预测出鸟类丰度与分布的信息，取得了较好的研究成果^[4-5]。逻辑回归模型模拟了全球受威胁水鸟的分布特征。其中总结出了秧鸡科水鸟喜好的栖息地景观和适合孵化场所，选取条件混合分布模型预测台北市内和近郊水鸟的分布状况，随后的生态位模型GARP和MaXent物种的预测分布研究中得到较好效果^[6-7]。以上研究都对水鸟空间分布格局进行模拟和分析，获得水鸟与地理环境变量作用规律方面都取得了较好的研究成果。因此，在前人对水鸟分布预测的基础上，利用BP神经网络算法，试图提高水鸟空间分布样本的选取精度，利用GARP生态位分布模型进行水鸟空间分布的模拟^[8]，进而探讨水鸟与地理环境之间的空间变化及作用关系。

1   材料与方法

1.1   水鸟数据采集区域

米埔-后海湾湿地(Maipo)位于香港新界西北端的米埔湿地，与深圳隔河相望。过去因为地点偏远和行政区划的敏感而避免了过度开发，无大量人为干扰，几十年来一直是水鸟重要栖息地^[9]，同时由于特殊的地理位置，是水鸟南迁和北迁途中停歇的重要居留地，见图 1。自1979年开始，香港观鸟协会每年都会按湿地国际标准，根据不同种鸟类栖息环境，采用1 km²网格，配以植被图和最佳调查水鸟栖息的时间，对米埔内后海湾拉姆萨尔湿地的15个区鸟类进行分区调查^[10]。稳定和持续的水鸟调查数据为本研究提供水鸟数据支持。湿地依赖性水鸟是一种对湿地环境的变化较为敏感的特殊的水鸟中的一类，具有研究的代表性，所以本文选取湿地依赖性水鸟作为研究对象。主要包括鹗、黑翅鸢、普通鵟、东方月鹞、红嘴蓝鹊等13种鸟类^[11]。

图  1  研究区及水鸟调查数据分布

Fig.  1  Study area and actual measurement data of waterbirds

下载: 全尺寸图片 幻灯片

1.2   环境变量选取

利用2009年1月米埔湿地Quickbird和LandsatTM遥感影像数据、气候数据及地形数据获取影响湿地依赖性水鸟的地理环境因子选取评价因子时必须遵循以下原则:首先，稳定性原则，选取那些较长期影响水鸟分布的环境因子。如气候、地貌等；其次，主导性原则，选取那些对水鸟起重要作用的因子作为评价因子；最后，综合性原则。当主导因子被克服后，次要因子可能上升为主要因子，且各种因子都在一定程度上影响着水鸟的分布。水鸟空间分布环境变量及计算方法如下：

(1) 由Kriging插值获取温度、湿度和降水量因子。

Z(s)=μ(s)+ξ(s)

式中：μ(s)为确定趋势项; ξ(s)为空间相关随机误差项。对误差项的假设：期望值为0，并且ξ(s)和ξ(s+h)之间的自相关不取决于S点的位置，而取决于位移量h^[12]，获得温度、湿度和降水量环境变量因子的空间分布图。原始数据和变异函数的结构特点, 对未知样点进行线性无偏、最优估计。温度、湿度和降水都能不同程度反映水鸟栖息地的气候环境特征。

(2) 由欧式距离计算的居民区和道路距离和密度图。

根据每一栅格相距其最邻近要素(也称为“源”)的距离来进行分析，从而反映出每一栅格与其最邻近源的相互关系^[13]。

式中：X、Y代表点空间位置坐标，主要用来计算居民区距离和密度图，道路的距离图。居民度距离和密度图能直接反映人为要素的干扰程度，道路距离图能反映道路的噪声对水鸟环境的破坏。

(3) GIS生成数据的基本方法获得的DEM、坡度和坡向图

根据GIS集成工具箱的TIN数据结构生成DEM数据。坡度是指过地表一点的切平面与水平面的夹角，描述地表面在该点的倾斜程度。坡向是指地表面上一点的切平面的法线在水平面的投影与该点的正北方向的夹角获得的坡向图。

DEM数据、坡度和坡向能够反映研究区地形因素对水鸟的影响，比如，水鸟对于阴坡和阳坡的喜好，对于水深水浅的喜好等等。

选取反映研究区地形的DEM、坡度、坡向图；反映研究区气候状态的气温、大气相对湿度、降水量；以及反映研究区人为干扰状况的道路密度网、居民区密度及距离图9种环境变量进行深入分析。

1.3   生态位模型

生态位模型是基于生态位理论进行的建模，试图运用数学模型来描述物种的生态位需求，主要根据物种的分布数据与限制该物种分布的环境变量进行统计上的关联，建立分布与环境变量的关系，进而拟合或模拟物种的潜在地理分布，并根据目标地区的各种环境条件进行生态位空间投影分析其适生性，有研究表明基于描述的模拟预测能力较差，而基于规则集遗传算法模型具有较好的预测能力，而且GARP也非常适合模拟具有较少分布数据的稀有或濒危物种^[14]，因此本文采用GARP模型对湿地依赖性水鸟进行模拟。

1.4   BP神经网络

BP神经网络算法是一种具有三层或三层以上的神经网络，其中包括输入层，隐含层和输出层，输入层一般含有多个节点，隐含层的个数为1个或几个，而每个隐含层一般由多个节点构成，输出层一般包含一个或多个输出神经元^[15]组成。BP网络的重要组成部分是传递函数。BP神经网络采用Sigmoid型或线性传输函数，使用Sigmond传输函数，其输出值将会限制在一个较小的范围内(0，1)，而使用线性传输函数则可以取任意值。由于其结构简单、可塑性强，尤其是其数学意义明确、步骤分明，所以本文选取BP算法来改进水鸟数据精度，进而提高GARP模型模拟精度^[9]。

1.5   ROC曲线和AUC值

ROC曲线，使用待估试剂或试验的方法对标准样本进行测试，并通过改变诊断阈值得到一系列的灵敏度和特异度，从而获得多对真(假)阳性率值。以假阳性率为横坐标，真阳性率为纵坐标，绘制而成的曲线。

AUC值，是指ROC曲线下的面积，用来评价模型的测试能力。AUC因不受患病率和诊断界值的影响，可对两个诊断试验的准确度进行综合比较，因而成为目前公认的诊断试验最佳评价指标^[16]。一般认为，AUC的值在0.5~1.0之间，AUC值为0.5~0.7时诊断价值较低，值为0.7~0.9时诊断价值中等，大于0.9时诊断价值较高，物种分布模型预测为“试验诊断”，这样就可以借用试验诊断评价的方法来评价物种分布模型。

2   结果与讨论

2.1   GARP生态位模型模拟结果

根据2009年1月的湿地依赖性水鸟在米埔湿地16个分布区内分布作为依据，按照水鸟采样点75%进行随机采样生成10组水鸟存在点，利用GIS将米埔-后海湾每个区域的图层依次提取，最后得到数据格式、像元大小、像元个数以及图幅范围均相同的影响因子栅格图。将训练样本点和9种影响因子导入到GARP模型中，开始对研究区水鸟的分布进行模拟。由GARP模型改变影响因子的权重，得到10个不同的结果，由于每10个模拟结果来自同一组训练样本，所以对栅格图像每10个进行叠加分析，按照训练样本点的1倍、2倍生成了三组检验样本点进行模型精度评估，利用ROC曲线的AUC值作为模型模拟评价的标准，获得1~10倍AUC值，如表 1。

表  1  10组训练样本GARP模型AUC值

Tab.  1  The AUC value of ten groups trainning data by GARP

下载: 导出CSV 

| 显示表格

从经过ROC曲线的AUC值检验的结果上看，且训练样本所对应GARP模型模拟结果的AUC值也相对较为不理想。总体AUC均值仅为0.762，最大值也仅为0.859。因此，模型模拟效果的不佳与训练样本选取没有考虑水鸟的不存在点数据有着密切的关系，为此选取BP神经网络来获取水鸟不存在点数据，来拟补和改进空间不连续数据分布状态模拟方法。

2.2   基于BP改进的水鸟分布模拟

利用BP神经网络算法，首先，对于水鸟基准样本点存在点和不存在点进行赋值，水鸟存在点赋值为1，水鸟不存在点赋值为0。其次，利用GIS空间分析工具分别功能对基准样本点和待筛选样本点进行9种影响因子的数值提取，生成矩阵作为神经网络的训练输入和预测输入。最后利用MATLAB神经网络工具箱进行神经网络运算，将训练输入矩阵和期望输出矩阵代入神经网络中进行训练，最后得到预测输出矩阵。最后对样本点的筛选，得到水鸟存在点和水鸟不存在点。水鸟存在点与不存在点分别代入模型中进行模拟，得到两个模拟结果，将两幅预测图进行栅格叠加，利用水鸟不存在的预测图减小模拟结果的误差，最后得到的经过BP神经网络改进的GARP模型模拟的水鸟分布模拟结果如图 2。

图  2  BP神经网络改进水鸟分布模拟对比

Fig.  2  Distributed simulation of GARP and improve by BP network

下载: 全尺寸图片 幻灯片

从模型模拟的实测结果来看，湿地依赖性水鸟主要分布在以下6个区域：SRA、TKC、LC、TSW、MPST、ST。大片的基塘是用来养殖虾、鱼、牡蛎等水产，同时也为水鸟提供了充足的食物来源。红树林是湿地生态系统的代表植物，其下有丰富的底栖无脊椎动物，并为水鸟提供了良好的筑巢和栖息场所。MPNR和NSW中也有部分区域可能为水鸟的分布。其他区域湿地依赖性水鸟的分布较为稀疏，城市用地和城市绿地逐渐破坏了水鸟生存的空间，使湿地依赖性水鸟数量日益减少，也较好的符合米埔湿地水鸟的实际分布状态。经ROC曲线改进后模型的模拟结果，改进后样本点的AUC均值为0.905，相比没有经过改进的GARP模拟的AUC均值0.762提高较多，比其中的最大值0.859也有有所提高。因此，经过BP神经网络模型改进的水鸟空间模拟精度得到了改善。

3   结论

BP神经网络改进的GARP模型模拟结果使研究区实际分布情况模拟结果有所改善。改进后水鸟空间分布模拟结经ROC检验AUC值为0.905，相对改进前AUC均值0.762提高较多。利用BP神经网络算法对水鸟的生态位模型模拟的改进使AUC的值大幅提高，提高了水鸟分布模拟的精度。同时，经过水鸟空间分布的模拟结果也说明了研究区湿地依赖性水鸟的分布特征，水鸟主要的栖息场所是潮间带、大片的基塘区域。另外，蕴藏丰富的底栖无脊椎动物的红树林为水鸟提供了良好的筑巢和栖息场所，适合水鸟栖息。而深水域、城市用地及城市绿地，湿地依赖性水鸟的分布较为稀疏，城市用地和城市绿地由于人类活动的频繁干扰了水鸟的栖息的场所。