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 ZipFile


def 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}")

        continue



print("=============================================")

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}")

        continue

print("=============================================")


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}")

        continue



print("==============================================")

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

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

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：

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”

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

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

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