生态位模拟——草稿笔记

文章目录

  • 前言
  • ENM初识
  • 一、所需软件安装
    • 1.1. 下载ArcGIS软件：
    • 1.2. 下载 MaxEnt软件：
    • 1.3. 下载ENMtools：
  • 二、数据准备与处理
    • 2.1. 物种分布数据
    • 2.2. 环境因子数据
    • 2.3. 地图数据
    • 2.4. 物种分布点去冗余
      • 2.4.1. 使用spThin包中的thin函数
      • 2.4.2. 或者使用 ENMTools 去除冗余位点
      • 2.4.3. 或者使用 arcgis 去除
    • 2.5. 环境因子的进一步筛选
  • 三、MaxEnt建模
  • 四、MaxEnt 参数优化
  • 五、使用Arcgis裁剪（补充）
  • 六、适生区划分
    • 1. 重分类
    • 2. 适生区图绘制
  • 七、适生区面积统计
  • 八、适生区收缩扩张以及稳定区分析
  • 九、适生区质心迁移分析
  • 小结：
  • 十、 基于rbcL序列的系统发育和单倍型分布分析
  • 十一、后续补充与问题解决
  • 总结

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

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 ZipFiledef 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}")continueprint("=============================================")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}")continueprint("=============================================")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}")continueprint("==============================================")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

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、 基于rbcL序列的系统发育和单倍型分布分析

。。。。。。。。。。

十一、后续补充与问题解决

总结

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.hqwc.cn/news/466203.html

如若内容造成侵权/违法违规/事实不符，请联系编程知识网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

利用Python和pandas库进行股票技术分析：移动平均线和MACD指标

利用Python和pandas库进行股票技术分析：移动平均线和MACD指标

利用Python和pandas库进行股票技术分析&#xff1a;移动平均线和MACD指标 介绍准备工作数据准备计算移动平均线计算MACD指标结果展示完整代码演示 介绍 在股票市场中&#xff0c;技术分析是一种常用的方法&#xff0c;它通过对股票价格和交易量等历史数据的分析&#xff0c;来…
阅读更多...
FANUC机器人如何清除示教器右上角的白色感叹号？

FANUC机器人如何清除示教器右上角的白色感叹号？

FANUC机器人如何清除示教器右上角的白色感叹号&#xff1f; 如下图所示&#xff0c;示教器上显示白色的感叹号&#xff0c;如何清除呢&#xff1f; 具体可参考以下步骤&#xff1a; 按下示教器上白色的“i”键&#xff0c;如下图所示&#xff0c; 如下图所示&#xff0c;按…
阅读更多...
配置DNS正反向解析服务！！！！

配置DNS正反向解析服务！！！！

一.准备工作 #关闭防火墙和selinux,或者允许服务通过 [rootnode ~]# nmcli c mod ens32 ipv4.method manual ipv4.address 192.168.32.133/24 ipv4.gateway 192.168.32.2 ipv4.dns 192.168.32.132 [rootnode ~]# nmcli c reload [rootnode ~]# nmcli c up ens32[rootnode ~]# …
阅读更多...
【计算几何】确定两条连续线段向左转还是向右转

【计算几何】确定两条连续线段向左转还是向右转

确定两条连续线段向左转还是向右转 目录 一、说明二、算法2.1 两点的叉积2.2 两个段的叉积 三、旋转方向判别3.1 左转3.2 右转3.3 共线判别 一、说明 如果是作图&#xff0c;或者是判别小车轨迹。为了直观地了解&#xff0c;从当前点到下一个点过程中&#xff0c;什么是左转、…
阅读更多...
【芯片设计- RTL 数字逻辑设计入门 12 -- verilog 有符号数加减法】

【芯片设计- RTL 数字逻辑设计入门 12 -- verilog 有符号数加减法】

文章目录 多功能数据处理器描述verilog 无符号数与有符号数8d100 8d1558d100 8d1568d100 8d157verilog 代码实现TestBench 代码VCS 仿真结果 多功能数据处理器描述 根据指示信号select的不同&#xff0c;对输入信号a,b实现不同的运算。输入信号a,b为8bit有符号数&#xff1…
阅读更多...
STM32CubeMx+MATLAB Simulink串口输出实验，UART/USART串口测试实验

STM32CubeMx+MATLAB Simulink串口输出实验，UART/USART串口测试实验

STM32CubeMxMATLAB Simulink串口输出实验
阅读更多...
【后端高频面试题--Linux篇】

【后端高频面试题--Linux篇】

&#x1f680; 作者 &#xff1a;“码上有前” &#x1f680; 文章简介 &#xff1a;后端高频面试题 &#x1f680; 欢迎小伙伴们 点赞&#x1f44d;、收藏⭐、留言&#x1f4ac; 后端高频面试题--Linux篇 Windows和Linux的区别&#xff1f;Unix和Linux有什么区别&#xff1f…
阅读更多...
[Python进阶] 制作动态二维码

[Python进阶] 制作动态二维码

11.1 制作动态二维码 二维码&#xff08;QR code&#xff09;是一种二维条形码&#xff08;bar code&#xff09;&#xff0c;它的起源可以追溯到20世纪90年代初。当时&#xff0c;日本的汽车工业开始使用一种被称为QR码的二维条码来追踪汽车零部件的信息。 QR码是Quick Respo…
阅读更多...
i.MX6ULL 嵌入式学习(一)

i.MX6ULL 嵌入式学习(一)

i.MX6ULL 嵌入式学习(一) i.MX6ULL理论知识 i.MX6ULL 嵌入式学习(一)进程psipc 进程间通信管道信号(类似中断)system-V 消息队列system-V 信号量system-V 共享内存 进程 创建进程(复制)&#xff0c;同程序 fork #include<unistd.h> a. 返回值 成功 0 或 非负非零整数( 父…
阅读更多...
红队打靶练习:DEVGURU: 1

红队打靶练习:DEVGURU: 1

目录 信息收集 1、arp 2、nmap 3、dirsearch WEB web信息收集 8585端口 漏洞利用 提权 系统信息收集 横向渗透 get flag 信息收集 1、arp ┌──(root㉿ru)-[~/kali] └─# arp-scan -l Interface: eth0, type: EN10MB, MAC: 00:50:56:20:80:1b, IPv4: 192.168.10…
阅读更多...
【Linux学习】线程详解

【Linux学习】线程详解

目录 十八.多线程 18.1 线程与进程 18.2 内核视角看待创建线程与进程 18.3 线程优缺点总结 线程的优点&#xff1a; 线程的缺点&#xff1a; 线程的用途&#xff1a; 18.4 线程与进程的联系 十九.线程控制 19.1 POSIX线程库 19.2 线程创建 19.3 线程等待 19.4 线程终止 19.5 线…
阅读更多...
python -m SimpleHTTPServer mac报错

python -m SimpleHTTPServer mac报错

错误内容&#xff1a; Traceback (most recent call last):File "/System/Library/Frameworks/Python.framework/Versions/2.7/lib/python2.7/runpy.py", line 174, in _run_module_as_main"__main__", fname, loader, pkg_name)File "/System/Libra…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023