地理生态模型集合啦（精编教程版）

点击上方「蓝字」关注我们

在当今科研领域，地理生态模型已成为理解地球复杂过程和生态系统动态的核心工具。这些模型为科学家们提供了一个强大的平台，以量化和预测气候变化、生物多样性损失和人类活动对自然环境的影响。在本期的微信公众号推文中，我们特别引入了一系列深入的模型教程，旨在帮助研究者、学者乃至对地理生态科学有深入兴趣的读者掌握构建和应用这些模型的方法。加入我们，一起探索地理生态模型的科研之旅，揭开自然界的复杂面纱，为未来的可持续发展贡献力量吧。

InVEST模型（19种生态系统服务）

InVEST模型—生态系统服务和权衡的综合评估模型（Integrated Valuation of Ecosystem Services and Trade-offs）是美国斯坦福大学、大自然保护协会（TNC）与世界自然基金会（WWF）联合开发的，旨在通过模拟不同土地覆被情景下生态服务系统物质量和价值量的变化，用于生态系统服务功能评估的模型。该模型较以往生态系统服务功能评估方法的最大优点是评估结果的可视化表达，解决了以往生态系统服务功能评估用文字抽象表述而不够直观的问题。

本文介绍了InVEST模型的产水量、碳储存、沿海蓝碳、海岸脆弱性模型、粮食产量、森林碳边缘效应、生境质量、生境风险评估、养分输送比（NDR）、海上风能生产、作物授粉（授粉者丰度）、土壤保持：SDR: 泥沙输移比例模型、季节性产水量、景区质量、城市降温模型、城市洪水风险缓解模型、城市暴雨滞留模型、参观: 休闲和旅游业、波浪能生产等19个关键生态服务。

官网文档教程：

https://storage.googleapis.com/releases.naturalcapitalproject.org/invest-userguide/latest/zh/index.html#

具体实验操作文档与实验操作视频：

生态模型教程大合集—InVEST模型（19种生态系统服务）点击即可获取

Lotka-Volterra模型

Lotka-Volterra模型最初在20世纪40年代被人提出，为生物学领域种群间的竞合动态关系模拟研究奠定了理论基础，并对现代生态学理论的发展产生重大影响，被运用与于林业生态安全、生态经济协调性的研究中。

1. 哔哩哔哩学习视频

https://www.bilibili.com/video/BV1JZ4y1j7RY/?spm_id_from=333.337.search-card.all.click&vd_source=4eeb64404afeb18b498fe489caad2181

https://www.bilibili.com/video/BV1oi4y1x7LQ/?spm_id_from=333.337.search-card.all.click&vd_source=4eeb64404afeb18b498fe489caad2181

2. 相关推荐学习论文

Rubin, I. N., Ispolatov, Y., & Doebeli, M. (2023). Maximal ecological diversity exceeds evolutionary diversity in model ecosystems. Ecology Letters, 26(3), 384-397.

Wang, S., Isbell, F., Deng, W., Hong, P., Dee, L. E., Thompson, P., & Loreau, M. (2021). How complementarity and selection affect the relationship between ecosystem functioning and stability. Ecology, 102(6), e03347.

Hagan, J. G., Vanschoenwinkel, B., & Gamfeldt, L. (2021). We should not necessarily expect positive relationships between biodiversity and ecosystem functioning in observational field data. Ecology Letters, 24(12), 2537-2548.

Lotka(1925)和Volterra(1926)奠定了种间竞争关系的理论基础，所提出的种间竞争方程对现代生态学理论的发展有着重大影响。

点击下方链接可以链接到更加具体的介绍中，包括操作文档获取与实验操作视频：

生态模型教程大合集-Lotka-Volterra模型

RUSLE模型

RUSLE模型—修正的土壤流失模型 (Revised Universal Soil Loss Equation)，是一种广泛应用于评估土壤侵蚀程度的经验估算模型。该模型基于地形、土壤、植被覆盖、降雨等多个因素，被用于预测水动力侵蚀的潜在程度。但受到计算复杂，参数不易获取等限制，模型的受用性受到很大影响。随着“3S”技术逐渐成熟。

在不同的地理和气候等条件下，不同区域各侵蚀因子计算方法和参数都不同，需要依据具体情况进行修正。为更好地理解RUSLE模型，小编在这里从基本概念和使用注意事项的角度为大家做简要介绍。

降雨侵蚀力因子 (R)

降雨侵蚀力R因子指降雨引起土壤侵蚀的潜在能力，与降雨总动能、降雨强度和雨量有关。受降雨量、地形地貌等因素以及经纬度和海拔等地理因子的影响，区域间降雨侵蚀力不尽相同，因此在选择计算模型时需要综合考虑研究区的地理与数据条件。

土壤可蚀性因子 (K)

是一项评价土壤被降雨侵蚀力分离、冲蚀和搬运难易程度的指标，是土壤抗侵蚀能力的综合体现，与降雨、径流、渗透的综合作用密切相关。当前普遍采用的方法认为土壤可蚀性因子与土壤的砂粒、粉粒、粘粒和有机质等有关。

坡度坡长因子 (LS)

表示因坡度和坡长对土壤侵蚀造成的影响，利用研究区数字高程（DEM）数据在能够提取区域坡度坡长因子提取工具中运行完成，得到区域地形因子 LS 值分布即可。

植被覆盖与管理因子 (C)

植被覆盖与管理C因子指在相同条件下，一定地表覆盖和管理措施下的土壤流失量与利用条件下的土地土壤流失量的比例，反映了不同植被覆盖对土壤侵蚀的影响。C因子越大，代表土壤受到侵蚀的可能性就越大。对我国来说，虽然确定了大部分作物的C值，构建了多种C因子与盖度关系式，但是标准小区不统一，使研究结论缺少可比性。

水土保持措施因子 (P)

水土保持措施P因子是指根据特定水土保持措施造成的土壤流失量与特定耕作措施下的耕地土壤流失量之比，值域为(0，1)，通常，无任何措施的土地取值为1，无侵蚀的土地取值为0。。P因子作为RUSLE模型中最不确定的因子，在估算过程中要注意区分P因子与C因子的关系，避免重复计算。

与传统的 USLE 相比 RUSLE 模型在许多方面得到改进，包括：重新对某些特殊情况下的降雨侵蚀力计算方法进行了订正；坡度和坡长因子采用新的公式计算；农地和草地保护措施的估算值等。

点击下方链接可以链接到更加具体的介绍中，包括操作文档获取与实验操作视频：

生态模型教程大合集—RUSLE模型

CASA模型

CASA(Carnegie–Ames–Stanford)模型是一个基于过程的遥感模型，用于研究陆地碳循环。该模型耦合了生态系统生产力和土壤碳、氮通量，由网格化的全球气候、辐射、土壤和遥感植被指数等数据集驱动。该模型是基于植被的生理过程而建立的植被NPP机理模型，并且在大尺度植被NPP研究和全球碳循环研究被广泛采用，是目前国际上最通用的NPP模型之一。

CASA模型使用数据

1. 气象数据

气象数据主要为逐日的平均温度、日照时数与降水量，可从中国气象数据网

（https://data.cma.cn/data/weatherBk.html）

2. 遥感影像数据

植被指数包括归一化植被指数NDVI、差值植被指数RVI等均需要采用遥感影像估算获取，数据可从地理空间数据云（http://www.gscloud.cn/）、中国科学院资源环境科学数据中心（http://www.resdc.cn）等平台获取。

3. 土地利用覆盖数据

生产力变化分析需要获取土地利用/覆盖数据为基础，针对不同植被类型，采用叠图法进行分析讨论。数据获取可参考小编往期推文——最新最全土地利用合集

4.相关补充

优点：CASA模型相对于其他模型所需要输入的参数少，避免了由于参数缺乏而人为简化或者估计产生的误差；CASA模型采用的遥感数据覆盖范围广，时间分辨率高，能够实现对区域和全球NPP的动态监测。

不足：该模型最初建立是针对北美地区所有植被建立的，世界上其他区域差异较大，模型参数修改较为困难。国内现在常用的NPP计算方法是在朱文权老师改进后的模型；模型在估算水分胁迫因子用到了土壤水分子模型，过程比较复杂，其中涉及到大量的产参数，包括降水量、田间持水量、萎蒿含水量、土壤粘粒和砂粒的百分比、土壤深度、土壤体积含水量等，数据较难获取，且通常土壤参数是由土壤分类图来确定的，其精度难以保证。

点击下方链接可以链接到更加具体的介绍中，包括操作文档获取与实验操作视频：

生态模型大合集——CASA模型

RSEI模型

遥感生态评价指数（Remote Sensing Ecological Index，RSEI）是基于生态环境状况指数EI（Ecological Index，EI）所改进的。EI以生物丰度指数、植被覆盖指数、水网密度指数、土地胁迫指数、污染负荷指数、环境限制指数6项指标的加权和作为计算公式。

通过综合分析，徐涵秋（2013）从遥感的角度出发，采用与人类活动有关密切联系的绿度，湿度，地表温度，干燥度为基本指标构建了遥感生态评价指数（Remote Sensing Ecological Index，RSEI）。

主要实验步骤：

1. 在envi中对landsat数据：辐射定标+大气校正(新产品中无须定标和矫正)

2. 选NDVI代表绿度指标，

3. 计算湿度指标

4. 计算热度指标：

5. 计算干度指标

6. 数据标准化。首先，对各指标进行标准化处理，将各指标的取值映射到区间[0，1]。(徐老师曾提到标准化还是正规化有一定争议)

7. 采用熵权法或主成分分析取贡献率较大的主成分

实验经验

1. 比较贡献百分比，当第一成分的百分比大于80%(在徐老师论文中是85%)时，则将第一成分作为RSEI0；若第一成分小于80%，则看第二主成分是否大于80%，若大于，则将这两个主成分利用Band Math进行加权平均计算，得到RSEI0，若小于，则继续看第三主成分，以此类推，得到RSEI0。

2. 查看得到的RSEI0的值，如果在RSEI0的影像中，植被的值比建筑用地的值大，则此时的RSEI0影像可以作为RSEI；如果在RSEI0的影像中，植被的值比建筑的值要小，则要用1减去该RSEI0的影像，从而作为RSEI生态指数结果图。

3. 般情况下绿度指标越大，说明植被覆盖度越高；湿度指标越大，说明土壤和地表植被湿度越大，生态环境越好。热度指标和干度指标越大，说明地表温度越高，土壤和建筑用地等硬化越严重，生态环境越差。

点击下方链接可以链接到更加具体的介绍中，包括操作文档获取与实验操作视频：

生态模型教程大合集—RSEI模型

i-Tree 模型

i-Tree 模型是由美国农业部林业局（USDA.Forest Service）开发并于 2006 年出的一套“提供都市及小区林业分析与生态效益价值定量评估”的软件套件。该模型以实地调查为基础,既可通过取样实现对较大范围研究区的城市森林的效益评估,也可采用全部调査法实现对小区域树木的效益评估,所得结果准确度较高，自从发布以来已经被国外大量的社区、非营利组织、志愿者和学生等用于研究个体树木、街道、城市甚至整个国家的森林树木状况。

i-Tree 模型共包含 i-Tree Eco、i-Tree Streets、i-Tree Hydro、i-Tree Vue、i-Tree Species Selector、i-Tree Storm、i-Tree Design 和 i-Tree Canopy 这 8 个模块，每个模块针对不同的研究对象进行相对应的生态服务功能研究。

官方下载网址：

https://www.itreetools.org/tools

视频教程：

https://www.itreetools.org/support/resources-overview/video-learning

点击下方链接可以链接到更加具体的介绍中，包括操作文档获取与实验操作视频：

生态模型教程大合集—i-Tree 模型

MCR模型

最小累计阻力模型(Minimal Cumulative Resistance, MCR) 是由荷兰生态学家Knappen提出的，最早应用于对物种扩散过程的研究，后被广泛应用于物种保护和景观格局分析等生态领域。

MCR模型反映从“源”出发经过不同阻力景观单元过程中，所克服阻力计算得到的最小累积阻力值，并生成最小累积阻力面，以此来表征研究区的物种迁移过程中克服不同景观斑块的难易程度。模型考虑源、空间距离及阻力基面三个方面因素。

推荐教程

1. 推荐实验操作视频教程

https://www.bilibili.com/video/BV1Ez4y1Q7zb?p=2&vd_source=5ebc1ae427594b1cb88151be6ff56ecf

https://www.bilibili.com/video/BV1cD4y137n7/?spm_id_from=333.337.search-card.all.click&vd_source=5ebc1ae427594b1cb88151be6ff56ecf

2. 推荐实验操作文档

https://blog.csdn.net/hu397313168/article/details/128406327

点击下方链接可以链接到更加具体的介绍中，包括操作文档获取与实验操作视频：

生态模型教程大合集—MCR模型

Maxent模型

MaxEnt模型是通过物种已知分布数据和相关环境变量来推算物种的生态需求，然后将运算结果投射至不同的空间和时间中以预测物种的潜在分布区。由于对样本需求量要求小、预测能力优等特点，已被广泛应用于物种潜在分布区预测、外来入侵物种风险评估及气候变化对生物多样性的影响等研究中。在知网上参看可以发现近年来相关文献非常多，涉及到农、林、生物等各方面领域，为我国的自然保护区优化、自然保护地体系构建和保护地社区精准脱贫致富等提供重要的决策依据。

模型安装及实践

官方软件下载地址：

https://biodiversityinformatics.amnh.org/open_source/maxent/

1、视频安装教程（超级详细、强力推荐！）

MaxEnt模型原理及实际操作详细教程（PPT+视频教程） (qq.com)点击即可获取

2、文档安装教程

MaxEnt软件的下载与安装 (qq.com) 点击即可获取

3、具体操作文档与实验操作视频获取如下，含详细参数调试：

生态模型大合集—Maxent模型点击即可获取

DEA数据包络分析

在对各种评价对象（如企业、项目、机构等）的效率进行评价时，一个直观且常用的方法是简单地采用产出与投入的比率。例如，一个公司可能会使用其总收入（产出）与其总成本（投入）之比来衡量其效率。然而，这种方法有一个明显的缺点：当我们面临多种输入和多种输出的情况时，如何为各个输入和输出分配恰当的权重成为了一个问题。此外，这种方法还无法处理非线性关系或受到外部因素影响的情况。面对这些挑战，学者们发明了数据包络分析（DEA）。

使用 DEA 方法进行应用评价时，通常须经过以下几个步骤：

（1）阶段一：问题界定

为了使DEA方法提供的信息更加准确科学，首先需要明确评价的目标，围绕该目标对决策单元进行分析，包括主目标、子目标和影响这些目标的因素，并建立层次结构。然后明确各种因素的性质，区分因素是否可变，是否可控，以及主次要关系等。接着考虑各因素之间的定量和定性关系。有时还需要区分决策单元是否有边界，明确决策单元的结构和层次。

（2）阶段二：建模计算

当评价问题确定后，需要确定可以反映评价目标的指标，并把指标间的定性关系反映到权重约束中，从而构建评价指标体系。然后选择决策单元，即确定参考集，所选参考集必须具有相同的目标、任务、外部环境和投入产出指标，且决策单元要具有一定代表性。接着收集整理指标数据，最后根据有效性分析的目的和实际问题背景选择适当的DEA模型进行计算分析。

（3）阶段三：结果分析

根据阶段二得到的计算结果进行分析和比较，找出无效单元的原因并给出改进意见。根据定性分析和预测结果评价结果的合理性，可采取几种DEA方案分别评价，综合分析评价结果，必要时也可结合其他方法或参考其他方法提供的信息进行综合分析。

与传统的效率评价方法相比，DEA的优势在于它可以处理多输入和多输出的情境，并自动为它们分配最优的权重，从而提供一个更全面、更准确的效率评价。

点击下方链接可以链接到更加具体的介绍中，包括操作文档获取与实验操作视频：

生态模型大合集—DEA模型