🟢🟠先看：【maxENT】最大熵模型（Maximum Entropy Model）介紹與使用（maxENT軟件）

ASCII文件太大，使用R語言直接輸入環境的柵格文件。

一、相關package介紹

1.1 dismo 包

專門用于物種分布建模（Species Distribution Modeling, SDM），提供與MaxEnt模型的接口，支持數據預處理、模型訓練、預測及評估。

核心函數詳解
1. maxent()
功能: 訓練MaxEnt模型（基于Java實現）。
參數:

maxent(x, p, removeDuplicates=TRUE, path, args, ...)

• x

  • 類型: RasterStack 或 RasterBrick
  • 作用: 包含環境變量（如溫度、海拔）的多層柵格數據，作為模型輸入。

• p

  • 類型: 兩列數據框（data.frame）
  • 作用: 物種存在點的坐標，列名需為 x（經度）和 y（緯度）。
  • 示例:

    presence_points <- data.frame(x = c(100, 101), y = c(30, 31))
    

• removeDuplicates

  • 類型: 邏輯值（TRUE/FALSE）
  • 默認: TRUE
  • 作用: 是否移除重復坐標點，避免過擬合。

• path

  • 類型: 字符串
  • 作用: 保存MaxEnt輸出文件的目錄路徑（包括HTML報告、模型參數、預測結果圖）。
  • 示例: path = "G:/sdm_output"

• args

  • 類型: 字符向量
  • 作用: 控制MaxEnt模型行為的命令行參數，常用選項：
    • betamultiplier: 正則化系數（默認1），增大可簡化模型（防過擬合）。
    • linear/quadratic/product/hinge/threshold: 啟用（TRUE）或禁用（FALSE）特定特征類型。
      • linear: 線性特征（適合單調響應）
      • hinge: 鉸鏈特征（適合非線性響應）
    • threads: 使用的CPU線程數（加速計算，如 threads=12）。
    • responsecurves: 是否生成響應曲線（TRUE/FALSE）。
  • 示例:

    args = c("betamultiplier=2", "hinge=FALSE", "threads=8")
    

---

2. predict()
功能: 應用訓練好的模型預測物種分布概率。
參數:

predict(object, x, ext=NULL, filename="", progress='text', ...)

• object

  • 類型: MaxEnt 模型對象
  • 作用: 訓練好的MaxEnt模型。

• x

  • 類型: RasterStack
  • 作用: 輸入的環境變量柵格數據（需與訓練數據層數、名稱一致）。

• filename

  • 類型: 字符串
  • 作用: 直接保存預測結果到指定路徑（支持.tif、.grd格式）。
  • 示例: filename = "G:/prediction.tif"

• progress

  • 類型: 字符串
  • 作用: 顯示進度條（'text' 或 'window'）。

---

1.2 raster包

處理柵格數據（如地理空間柵格圖像），支持數據讀寫、裁剪、計算、統計及可視化。

核心函數詳解
1. rasterOptions()
功能: 全局配置柵格數據處理參數。
常用參數:

rasterOptions(maxmemory=1e+09, tmpdir="path/to/temp", chunksize=1e+08)

• maxmemory

  • 類型: 數值
  • 作用: 設置R可使用的最大內存量（單位：字節）。
  • 示例: maxmemory=10e9 表示分配10GB內存。

• tmpdir

  • 類型: 字符串
  • 作用: 指定臨時文件存儲目錄（需位于高速存儲設備以提升性能）。
  • 示例: tmpdir = "G:/temp"

• chunksize

  • 類型: 數值
  • 作用: 定義分塊處理數據的大小，優化大文件處理速度。

---

2. stack()
功能: 將多個柵格文件合并為RasterStack對象（多層柵格）。
參數:

stack(..., bands=NULL, quick=FALSE)

• ...

  • 類型: 字符向量或柵格文件路徑
  • 作用: 輸入待合并的柵格文件列表。
  • 示例:

    stack("G:/climate/temp.tif", "G:/climate/precip.tif")
    

• bands

  • 類型: 整數
  • 作用: 選擇多波段文件中的特定波段（默認為所有波段）。

---

3. writeRaster()
功能: 將柵格數據寫入文件（如GeoTIFF）。
參數:

writeRaster(x, filename, format="GTiff", overwrite=FALSE, ...)

• x

  • 類型: RasterLayer 或 RasterStack
  • 作用: 待保存的柵格數據。

• filename

  • 類型: 字符串
  • 作用: 輸出文件路徑及名稱。
  • 示例: filename = "G:/output/prediction.tif"

• format

  • 類型: 字符串
  • 作用: 指定文件格式（如 "GTiff"、"HFA"（Erdas Imagine））。

• overwrite

  • 類型: 邏輯值
  • 作用: 是否覆蓋同名文件（默認FALSE）。

---

4. predict()
功能: 與dismo包中的predict()類似，但更通用，支持多種模型（如GLM、隨機森林）。
參數:

predict(object, newdata, filename="", ...)

• newdata
  • 類型: RasterStack
  • 作用: 輸入的環境變量柵格數據。

1.3 常見問題與解決

1. Java內存不足

   • 錯誤提示: Java.lang.OutOfMemoryError
   • 解決:

     options(java.parameters = "-Xmx20g")  # 分配更大內存
     

2. 臨時文件占用過大

   • 現象: 臨時目錄爆滿導致程序崩潰。
   • 解決:

     rasterOptions(tmpdir = "D:/fast_disk/temp")  # 指定大容量高速存儲
     

3. 預測結果全為NA

   • 原因: 環境變量柵格與存在點坐標的空間參考不一致。
   • 解決:

     crs(env_stack) <- crs(presence_points)  # 檢查并統一坐標系
     

二、代碼示例

只是示例，你自己問AI即可。

options(java.parameters = "-Xmx10g")  # 分配10GB內存給Javalibrary(dismo)
library(raster)rasterOptions(maxmemory = 10e9)  # 10GB內存
rasterOptions(tmpdir = "xxxxx")  # 設置高速存 儲上的臨時目錄# 讀取環境變量數據
env_files <- list.files(path = "xxx",pattern = ".tif$",full.names = TRUE
)
env_stack <- stack(env_files)# 讀取物種存在點
species_data <- read.csv("xxx點位_albers.csv")
presence_points <- species_data[, c("x", "y")]# 創建列表存儲每次的預測結果
prediction_list <- list()# 一次為例
for (i in 1:1) {# 設置不同的隨機種子確保數據分割不同set.seed(i)# 分割訓練集和測試集 (80/20)train_indices <- sample(1:nrow(presence_points), 0.8 * nrow(presence_points))train_points <- presence_points[train_indices, ]test_points <- presence_points[-train_indices, ]# 訓練MaxEnt模型maxent_model <- maxent(x = env_stack,p = train_points,removeDuplicates = TRUE,path = paste0("xxx/run_", i),  # 為每次運行創建獨立文件夾args = c("betamultiplier=1","linear=TRUE","quadratic=TRUE","product=TRUE","hinge=TRUE","threshold=FALSE","threads=12"))# 預測分布概率prediction_map <- predict(maxent_model,env_stack,progress = 'text',filename = paste0("xxx/predict_", i, ".tif")  # 保存預測結果)# 將預測結果存入列表prediction_list[[i]] <- prediction_map
}# # 合并所有預測結果并計算平均值
# prediction_stack <- stack(prediction_list)
# average_prediction <- mean(prediction_stack)
# 
# # 保存平均結果
# writeRaster(
#   average_prediction,
#   filename = "G:/人獸沖突/R_code/out/average_prediction.tif",
#   overwrite = TRUE
# )
# 
# # 可視化平均預測
# plot(average_prediction, main = "Average Species Distribution Probability")
# points(presence_points, pch = 19, cex = 0.5, col = "red")