【正文】 狀調(diào)查與評價、生態(tài)保護重要性評價、生態(tài)功能紅線劃定方案等。附錄A生態(tài)系統(tǒng)凈初級生產(chǎn)力（NPP）遙感光能利用率模型 生態(tài)系統(tǒng)凈初級生產(chǎn)力（NPP）可基于CASA光能利用率模型計算。CASA模型認為NPP是由植物光合作用與其對光能利用率的大小共同決定的。所以，CASA模型中NPP的估算可以由植物的光合有效輻射（APAR）和實際光能利用率（ε）兩個因子來表示，其估算公式如下：式中，APAR(x,t)表示像元x在t月吸收的光合有效輻射（g Cm2month1），ε(x,t)表示像元x在t月的實際光能利用率（g CMJ1）。APAR的估算：APAR的值由植被所能吸收的太陽有效輻射和植被對入射光合有效輻射的吸收比例來確定。式中：SOL(x,t)表示t月在像元x處的太陽總輻射量，F(xiàn)PAR(x,t)植被層對入射光合有效輻射的吸收比例。FPAR的估算：由于在一定范圍內(nèi)，F(xiàn)PAR與NDVI之間存在著線性關系，這一關系可以根據(jù)某一植被類型NDVI的最大值和最小值以及所對應的FPAR最大值和最小值來確定。式中：NDVIi,max和NDVIi,min分別對應第i種植被類型的NDVI最大和最小值。FPAR與比值植被指數(shù)（SR）也存在著較好的線性關系，可由以下公式表示：式中，F(xiàn)PARmin和FPARmax的取值與植被類型無關，； SRi,max和SRi,min分別對應第i種植被類型NDVI的95%和5%下側百分位數(shù)， SR(x,t)由以下公式表示：通過對FPARNDVI和FPARSR所估算結果的比較發(fā)現(xiàn)，由NDVI所估算的FPAR比實測值高，而由SR所估算的FPAR則低于實測值，但其誤差小于直接由NDVI所估算的結果，因此我們可以將二者結合起來，取其加權平均或平均值作為估算FPAR的估算值：光能利用率的估算：光能利用率是在一定時期單位面積上生產(chǎn)的干物質(zhì)中所包含的化學潛能與同一時間投射到該面積上的光合有效輻射能之比。環(huán)境因子如氣溫、土壤水分狀況以及大氣水汽壓差等會通過影響植物的光合能力從而調(diào)節(jié)植被的NPP。式中：Tε1(x,t)和Tε2(x,t)表示低溫和高溫對光能利用率的脅迫作用；Wε(x,t)為水分脅迫影響系數(shù)，反映水分條件的影響；εmax是理想條件下的最大光能利用率（g C/MJ）。溫度脅迫因子的估算：Tε1(x, t)的估算：其反映在低溫和高溫時植物內(nèi)在的生化作用對光合的限制而降低第一性生產(chǎn)力。式中：Topt(x)為植物生長的最適溫度，定義為某一區(qū)域一年內(nèi)NDVI值達到最高時的當月平均氣溫（℃）；當某一月平均溫度小于或等于10℃時，其值取0。 Tε2(x, t)的估算：表示環(huán)境溫度從最適溫度Topt(x)向高溫或低溫變化時植物光能利用率逐漸變小的趨勢，這是因為低溫和高溫時高的呼吸消耗必將會降低光能利用率，生長在偏離最適溫度的條件下，其光能利用率也一定會降低。當某一月平均溫度T(x, t)比最適溫度Topt(x)高10℃或低13℃時，該月的Tε2(x, t)值等于月平均溫度T(x, t)為最適溫度Topt(x)時Tε2(x, t)值的一半。水分脅迫因子的估算：水分脅迫影響系數(shù)Wε(x,t)反映了植物所能利用的有效水分條件對光能利用率的影響，隨著環(huán)境中有效水分的增加，Wε(x,t)逐漸增大,(在極端干旱條件下)到1(非常濕潤條件下)。式中：EET為區(qū)域?qū)嶋H蒸散量（mm）； EPT為區(qū)域潛在蒸散量（mm）最大光能利用率的確定：月最大光能利用率εmax的取值因不同的植被類型而有所不同， g CMJ1。全國尺度上利用CASA模型計算NPP時主要采用MODIS250米每16天合成的NDVI數(shù)據(jù)產(chǎn)品和反射率數(shù)據(jù)產(chǎn)品，以及MODIS1千米每8天合成的陸地表面溫度(LST)數(shù)據(jù)產(chǎn)品，并利用氣象站點太陽輻射量數(shù)據(jù)作為遙感估測模型的補充，通過克里金插值得到250米分辨率日照時數(shù)數(shù)據(jù)，以實現(xiàn)NPP估算由點向面的推演和擴展。在數(shù)據(jù)條件允許的情況下，可使用更高時空分辨率數(shù)據(jù)進行計算。附錄B 修正通用水土流失方程（USLE）的土壤保持功能算法模型結構：Ac = Ap A r ＝ R K LS（1 C）式中： Ac為土壤保持量，Ap為潛在土壤侵蝕量，Ar為實際土壤侵蝕量，R為降水因子，K為土壤侵蝕因子，L、S為地形因子，C為植被覆蓋因子。R－降水因子式中：Pi為月均降水量，P為年均降水量, α= ，β= 。K－土壤侵蝕因子K = fcsand fclsi forgc fhisandfcsand = + exp [ ms (1msilt/100)]fclsi = [msilt/(mc + msilt)]forgc = 1 / [orgC + exp( orgC)]fhisand = (1ms/100)/{(1ms/100)+exp[+(1ms/100)]}式中：ms為土壤粗砂含量，msilt為土壤粉砂含量，mc為土壤粘粒含量，orgC為有機碳含量。L、S—地形因子L = (λ/)mS = + θ＜5176。 — 5176。≤ θ ＜10176。 — θ ≥ 10176。式中：λ為坡長（m），m為坡長指數(shù)，θ為坡度（176。）。附錄C物種分布數(shù)據(jù)庫與物種分布模型 物種分布數(shù)據(jù)庫物種分布數(shù)據(jù)庫是以物種名、經(jīng)緯度和調(diào)查時間為核心信息的數(shù)據(jù)庫。物種名分為中文名和拉丁名兩個字段。經(jīng)緯度字段以度為單位，保留小數(shù)點后5位數(shù)字。野外調(diào)查中通過GPS記錄的數(shù)據(jù)，其精度一般在十幾米。根據(jù)文獻中的地名信息（縣名、鄉(xiāng)鎮(zhèn)名、河流、山脈等）匹配的經(jīng)緯度，其精度一般在幾公里至幾十公里。對數(shù)據(jù)精確度的估計在精度字段中記錄。時間字段為年（如1998，2005等），另外一個時間字段為文本字段，記錄日期與時間、調(diào)查的時間階段等信息。另外，數(shù)據(jù)來源（調(diào)查人、文獻等）應記錄在數(shù)據(jù)庫中。最后應該建立一個備注字段（memo），記錄任何相關信息（該字段是不限長度的）。MS Access是比較好的數(shù)據(jù)庫軟件，應該避免使用MS Excel。 利用物種分布模型預測物種的分布建立物種分布的數(shù)據(jù)庫后，配合環(huán)境變量，就可以應用物種分布模型預測物種的分布。（1）環(huán)境變量每個環(huán)境變量以GIS圖層的形式儲存和管理，范圍覆蓋整個中國。對于空間范圍超過1000萬平方公里的分析，精度為1平方公里的柵格數(shù)據(jù)是最常用的。常用的環(huán)境變量有：地形地貌變量：海拔、坡度、坡向、破碎度；地表類型變量：土地利用類型、植被、生態(tài)區(qū)、地質(zhì)類型、土壤類型、濕地類型；氣候變量：年均溫、年總降水、溫度的季節(jié)變異、降水的季節(jié)變異、最低溫、最高溫、1月的最低溫、1月的均溫、1月的總降水、7月的最高溫、7月的均溫、7月的總降水、年溫度變化范圍、干燥度、輻射強度；人文、生態(tài)等指標：初級生產(chǎn)力（NDVI）、生物量、GDP、人口密度、人類足跡指數(shù)、道路密度、鄉(xiāng)鎮(zhèn)密度、河流密度、土壤厚度、土壤N含量、土壤C含量，等等。（2）物種分布模型常用的物種分布模型有十幾種，包括回歸模型、分類樹和混合大量簡單模型的神經(jīng)網(wǎng)絡、隨機森林等。其中邏輯斯蒂回歸是最為簡單、應用最廣的模型。機器學習類復雜模型（如隨機森林、神經(jīng)網(wǎng)絡、Maxent等）的預測精度較高，在近年來應用得越來越多。下面簡單介紹邏輯斯蒂回歸和隨機森林模型。邏輯斯蒂回歸是廣義線性模型（Generalized Linear Models，簡稱GLM）的一種形式。廣義線性模型是一般線性模型的擴展，允許因變量為二項分布、泊松分布等離散型的分布；而一般線性模型要求因變量為連續(xù)變量，而且其殘差為正態(tài)分布。因此廣義線性模型比一般線性模型有更廣泛的應用(McCullagh amp。 Nelder 1989)。大多數(shù)統(tǒng)計軟件在運行廣義線性模型時，都可以應用逐步回歸，依據(jù)模型擬合優(yōu)度的統(tǒng)計量Akaike Information Criterioin (AIC)或Bayesian Information Criteria (BIC)去除冗余變量，減少共線性(Thuiller et al. 2009)。隨機森林（Random Forest, 簡稱RF）應用Breiman的隨機森林算法，通過對大量的分類樹的計算來進行分類和回歸(Breiman 2001)。隨機森林把一組解釋變量的值（一個向量）輸入森林中的每棵分類樹中，每棵樹都給出這個向量的分類結果（例如物種存在還是不存在）。隨機森林對所有的樹的分類結果進行打分，并選擇得分最高的分類樹。整個算法包括樹的生長階段和投票選擇階段。隨機森林在樹的構建過程中，隨機地從源數(shù)據(jù)集獲取訓練集，隨機地選擇訓練集的變量，因此和其它樹分類器的工作原理完全不同。隨機森林構建的組合樹的誤差率更加小且穩(wěn)定(Breiman 2001)。（3）預測分布范圍物種的每個分布點都對應著環(huán)境變量的信息，如海拔1500米，植被類型為灌叢，人口密度為5人/平方公里，等等。根據(jù)物種分布點的環(huán)境信息和背景信息（整個區(qū)域），物種分布模型可以量化物種對環(huán)境的依賴關系，從而預測任何一點（該點必須有環(huán)境變量的信息）物種分布的概率。一般而言，可以隨機選擇地點預測物種分布的概率，（如動物紅線劃分中選擇23953個），預測物種在這些預測點的分布概率。有兩種物種分布模型（即Maxent和GARP）直接調(diào)用環(huán)境變量的GIS圖層，并生成預測圖層，所以不需要選擇預測點。在生成23953點表示物種分布的概率后，可以通過幾個途徑劃出等值線。例如，GIS的空間插值法可以生成等值線圖，等值線取值范圍在01之間，代表了物種分布的概率，或者生境適宜度。抄 送：南京環(huán)境科學研究所，中國環(huán)境科學研究院，環(huán)境規(guī)劃院。環(huán)境保護部辦公廳 2014年1月17日印發(fā)