基于模糊隶属度的贝叶斯网络模型（FBM）构建与物种生境适宜性分析 ——以当归为例

论文摘要

物种的分布受到其周围环境因素的影响,物种分布模型（SDMs）正是研究环境因素与物种生境适宜性关系的模型,随着SDMs的发展,其准确性及不确定性也越来越受到重视。本研究建立基于模糊隶属度的贝叶斯网络模型（FBM）,采用模糊数学和贝叶斯理论降低模型的不确定性,模拟环境变量之间的关系,探究环境变量与植物生长之间的联系,预测植物的生境适宜性,对当归潜在适宜性重新解读。本文运用已有文献和经验构建了 FBM的3种设计框架,以药用植物当归（Angelicasinensis）为例,从气候、土壤、地形等三方面选取29种环境变量,经过筛选后保留了 8种环境变量,包括Bio1（年平均气温）、Bio10（最热季平均温度）、Bio12（年降水量）、Bio15（降水量的季节性变化）、Bio18（最热季降水量）、SOM（土壤有机质）、Totalrad13（年太阳总辐射）和EL（海拔）参与建模,结合90个当归样本点数据,生成9种样本点序列,构建了当归FBM的3种模型框架A、B以及C,对50个预测点计算得出了 27种生境适宜性的预测结果序列。通过对27种预测结果序列、Log-likelihood与AIC指数分析模型的精确性和稳定性,比较FBM与FME（模糊物元模型）在10个检测点结果,验证FBM的可靠性,通过对模型网络节点敏感度分析,详细解释单个环境变量（SEVs）与整合环境变量（IEVs）对当归生境适宜性的影响程度。本文主要研究结论:1.构建的当归FBM网络中,模型C预测效果最优,其次模型B和模型A。当归FBM网络分为三层,外层为8种SEVs节点,中间层为3种IEVs节点,核心层为当归生境适宜性节点,模型C在模型A基础上,考虑了温度因素对降水的影响、温度和降水因素对土壤的影响,突出了海拔、年平均气温和年降水量对当归生长的重要性。2.模型检测指标显示,随着参与建模的样本点位增加,模型的稳定性和精确性在逐步趋于稳定,当归FBM模型的三种框架所需要的基础样本点数据量应在40个以上,当样本数据量达到70及以上,模型预测结果趋于稳定。3.当归生境适宜性最优预测为FBM模型C的序列9结果,可以看出,当归的高适宜生境点位主要分布于甘肃、陕西一带,这与当归的道地产区相符。4.应用当归FBM概率极限设置进行环境变量分析,从单个环境变量对当归高适宜生境影响结果显示,Bio1、Bio12以及SOM是影响当归生境适宜性的重要且敏感的环境因子。年平均气温在5.92℃-9.05℃,年降水量在568.79mm-791.33mm,土壤有机质含量在83.91‰-102.21‰时,对当归的生长具有很强的促进作用。5.当归FBM同FME模型预测结果比较显示,当归FBM保留了 FME模型的预测精度,同时对各级生境适宜性给出了精确的概率评价。本研究构建了一种新的预测物种分布模型FBM,该模型以模糊隶属函数为基础,结合最大熵原理、模糊数学综合评价以及贝叶斯网络框架,预测物种的生境适宜性。FBM结合了物种特征数据、环境数据和专家经验,从概率的角度观察每一级生境适宜性的发生,可以减少数据和系统误差,解决研究者缺乏大量物种实际发生样点的数据问题,并模拟物种生境中环境变量之间可能无法有效量化的关系与参数。网络图形的表达方式可以帮助研究者在探究概率传递的同时理清研究思路,具有广阔的应用前景。

论文目录

• 摘要
• Abstract
• 缩写表
• 第1章 绪论
•   1.1 选题背景
•   1.2 研究进展
•     1.2.1 物种分布模型
•     1.2.2 模糊物元理论及应用
•     1.2.3 贝叶斯理论及应用
•   1.3 药用植物——当归
•   1.4 研究内容和意义
• 第2章 基于模糊数学的贝叶斯网络模型设计
•   2.1 模糊数学公式
•     2.1.1 模糊物元
•     2.1.2 确定隶属规则
•     2.1.3 评价因子权重计算
•     2.1.4 适宜性评价指数的计算
•   2.2 贝叶斯公式及网络结构
•   2.3 基于模糊数学的贝叶斯网络模型框架设计
•     2.3.1 FBM三种框架设计共同点
•     2.3.2 FBM三种框架设计不同点
•   2.4 FBM网络节点状态分类
•   2.5 FBM网络条件概率分布表的确定
•   2.6 FBM检验
•     2.6.1 对数似然函数检验
•     2.6.2 AIC指数检验
•   2.7 FBM推理预测
• 第3章 当归生境适宜性FBM构建
•   3.1 研究区域概况
•   3.2 研究数据
•     3.2.1 当归分布点环境及其标记化合物数据的获取
•     3.2.2 研究区环境变量数据获取
•     3.2.3 当归生境适宜性评价因子筛选
•   3.3 当归FBM三种网络模型构建
•   3.4 当归FBM网络节点状态分类
•     3.4.1 当归FBM网络SEVs节点状态分类
•     3.4.2 当归FBM网络IEVs及生境适宜性节点状态分类
•   3.5 当归FBM学习数据
•   3.6 当归FBM条件概率分布表
• 第4章 当归生境适宜性FBM预测及分析
•   4.1 当归生境适宜性概率推理预测
•   4.2 当归FBM三种网络模型预测生境适宜性结果
•   4.3 当归FBM精度与稳定性
•     4.3.1 当归FBM精度
•     4.3.2 当归FBM网络推理稳定性
•     4.3.3 当归FBM评价指标稳定性
•     4.3.4 模型预测结果稳定性
•   4.4 当归FBM最优预测结果
•   4.5 当归FBM与FME预测结果比较
•   4.6 当归FBM数据分析
•   4.7 当归FBM生境适宜性等级环境因子分析
•     4.7.1 SEVs对当归FBM生境适宜性等级的影响
•     4.7.2 IEVs对当归FBM生境适宜性等级的影响
•     4.7.3 讨论
• 第5章 结论
•   5.1 结论
•   5.2 本文特色与创新之处
•   5.3 不足与展望
•     5.3.1 本研究的不足之处
•     5.3.2 展望
• 参考文献
• 附录
• 致谢
• 攻读学位期间研究成果

文章来源

类型: 硕士论文

作者: 张权中

导师: 卫海燕

关键词: 贝叶斯网络,模糊物元模型,物种生境适宜性,当归

来源: 陕西师范大学

年度: 2019

分类: 基础科学,农业科技

专业: 数学,农作物

单位: 陕西师范大学

分类号: S567.239;O159

DOI: 10.27292/d.cnki.gsxfu.2019.000248

总页数: 86

文件大小: 4744K

下载量: 25