在国土空间规划、生态保护修复等工作中，生态安全格局的构建与识别是核心环节。然而，对于许多刚接触该领域的同学来说，面对ArcGIS Pro复杂的界面、Python脚本的编写以及InVEST模型庞杂的参数，常常感到无从下手，网上资料也多是零散的片段，难以形成完整的操作闭环。本文将为你彻底解决这一痛点，手把手带你走通从数据准备、模型运行到结果制图的全流程。无论你是地理信息、生态学专业的学生，还是相关领域的从业者，都能通过本文的详细步骤和完整代码，独立完成一次专业的生态安全格局分析。

1. 生态安全格局与InVEST模型核心概念

在开始实战之前，我们有必要厘清几个核心概念，这能帮助你更好地理解每一步操作背后的意义，而不仅仅是机械地点击按钮。

1.1 什么是生态安全格局？

生态安全格局是指能够维持生态系统结构完整、功能稳定，并保障区域生态安全的关键性空间格局。你可以把它想象成区域的“生态骨架”或“生命线”。它通常由一些重要的生态要素构成：

• 生态源地：指那些对维持生态系统健康与安全具有关键作用、生态功能强大的区域，如大型自然保护区、水源涵养林、生物多样性热点区域等。它们是生态过程的“起点”或“核心”。
• 生态廊道：连接各个生态源地之间的带状或线状区域，用于促进物种迁徙、基因交流、能量流动等生态过程。如同连接城市之间的“高速公路”，但服务于野生动物和生态流。
• 生态节点：通常指廊道上的一些关键点，如廊道狭窄处、交汇处或生态脆弱点，这些位置对维护廊道连通性至关重要。

构建生态安全格局的目的，就是识别出这些源地、廊道和节点，从而为国土空间开发保护、生态修复工程布局提供科学的“一张图”依据。

1.2 InVEST模型简介与Habitat Quality模块

InVEST（Integrated Valuation of Ecosystem Services and Tradeoffs）模型是由美国斯坦福大学、大自然保护协会等机构开发的一套用于生态系统服务评估与权衡的开源工具集。它基于栅格数据运行，通过模拟土地利用/覆被变化与生态系统过程之间的关系，来量化多种生态系统服务（如水源涵养、碳储存、生境质量等）。

本文聚焦于其“生境质量”（Habitat Quality）模块。该模块的核心功能是评估景观的生境退化程度和质量，进而识别出生境质量高、受威胁小的区域，这些区域往往就是潜在的生态源地。模型原理主要考虑四个因素：

1. 土地利用/覆被类型：每种地类对特定物种或生物多样性的适宜性（生境适宜性）。
2. 威胁源：如建设用地、农田、道路等，这些人类活动会对周围生境产生负面影响。
3. 威胁源的强度与权重：不同威胁源的破坏力大小。
4. 威胁源的衰减距离：威胁源的影响随距离增加而衰减的规律。

模型通过计算每个栅格单元所受的累积威胁程度，得到生境退化度，再结合生境适宜性，最终输出生境质量图。高生境质量的区域，即为生态源地的重要候选。

1.3 为什么需要ArcGIS Pro和Python？

• ArcGIS Pro：作为强大的桌面GIS平台，它负责所有空间数据的预处理、可视化、分析和最终成图。InVEST模型本身也提供了ArcGIS工具箱，方便在Pro中直接调用。
• Python：在本流程中扮演着“自动化引擎”和“粘合剂”的角色。具体包括：
  • 批量数据处理：例如，批量裁剪、重投影、重分类多个栅格数据。
  • 驱动InVEST模型：通过pyinvest库或调用命令行，实现模型的自动化运行，避免在图形界面中反复设置参数。
  • 结果后处理：自动提取源地、计算景观连通性指数、识别廊道等。
  • 流程整合：将ArcGIS Pro的操作与InVEST模型运行串联成一个完整的脚本，实现一键化或半自动化分析。

三者结合，构成了一个高效、可重复、可扩展的生态安全格局分析技术栈。

2. 环境准备与软件安装

工欲善其事，必先利其器。下面将详细列出所需的软件环境及其安装配置要点。请务必按照顺序操作，避免因依赖缺失导致后续步骤失败。

2.1 基础软件安装

1. ArcGIS Pro (版本 2.8 或以上，建议3.0+)

   • 获取：通过正规机构授权获取安装包。安装过程需要Esri账号。
   • 注意：安装时确保勾选“Python”相关选项，ArcGIS Pro会自带一个名为arcgispro-py3的Python环境。安装后可能会提示安装“Microsoft Edge WebView2 Runtime”，按提示安装即可，这是其界面渲染所必需的组件。
   • 验证：安装成功后，打开ArcGIS Pro，能正常创建工程即可。

2. Python环境管理（推荐使用ArcGIS Pro自带环境）

   • 为了最大程度保证与ArcGIS Pro的兼容性，强烈建议直接使用ArcGIS Pro自带的Python环境。其路径通常为：C:\Program Files\ArcGIS\Pro\bin\Python\envs\arcgispro-py3。
   • 你可以通过ArcGIS Pro的“Python”菜单下的“Python终端”直接访问该环境。

2.2 关键Python库安装

我们需要在ArcGIS Pro的Python环境中安装运行InVEST模型和分析所需的库。请以管理员身份打开“ArcGIS Pro自带的Python命令提示符”（开始菜单中搜索“Python命令提示符(ArcGIS Pro)”）。

依次执行以下安装命令：

# 升级pip至最新版本，确保安装顺利 python -m pip install --upgrade pip # 安装InVEST模型的核心Python库。这是最关键的一步。 pip install natcap.invest # 安装用于科学计算和数据处理的核心库 pip install numpy pandas scipy # 安装用于读写地理空间栅格/矢量数据的库，后续脚本处理会用到 pip install rasterio geopandas # 安装用于景观生态学指数计算的库（如MSPA、连通性分析等） pip install pysal landscape-connectivity

安装常见问题排查：

• pip安装超时或失败：可以使用国内镜像源加速，例如：pip install natcap.invest -i https://pypi.tuna.tsinghua.edu.cn/simple
• GDAL等C库编译错误：rasterio和geopandas依赖GDAL。如果安装失败，一个更简单的方法是使用conda安装。你可以先安装Miniconda，然后创建一个新环境来安装这些库。但对于本教程，优先尝试在ArcGIS Pro环境中安装，若失败可考虑备用方案。
• 权限错误：确保使用管理员身份运行命令提示符。

2.3 数据准备清单

在开始分析前，请准备好以下数据，并统一存放在一个清晰的文件夹中（如D:\EcoSecurity_Project）：

• 研究区边界矢量文件：study_area.shp。用于后续所有数据的裁剪。
• 土地利用/土地覆盖数据：LandUse_2020.tif。建议为GeoTIFF格式，坐标系与研究区一致。这是InVEST模型最主要的输入。
• 威胁源数据：通常从土地利用数据中提取。例如，将建设用地、主要道路、农田等视为威胁源。你需要准备多个栅格文件（如threat_urban.tif,threat_road.tif），每个文件二值化表示（1代表威胁，0或无数据代表非威胁）。
• 生境适宜性表：一个CSV或Excel文件，定义每种土地利用类型对目标生物类群（或泛指生物多样性）的适宜性得分（0-1之间）。
• 威胁源参数表：一个CSV或Excel文件，定义每个威胁源的最大影响距离、权重、衰减类型（线性或指数）等。

3. 数据预处理与参数表制作

数据质量决定模型结果的可靠性。这一步在ArcGIS Pro中完成。

3.1 数据标准化预处理

1. 坐标系统一：将所有数据（栅格、矢量）通过“投影”工具，统一到同一个投影坐标系下（如Albers等积投影），以保证面积计算准确。绝对不要使用地理坐标系（WGS84）进行分析。
2. 范围与分辨率统一：
   • 以study_area.shp为掩膜，使用“按掩膜提取”工具，批量裁剪所有栅格数据（土地利用、威胁源），使它们具有完全相同的空间范围。
   • 使用“重采样”工具，将所有栅格数据的空间分辨率设置为一致（如30米）。建议与土地利用数据分辨率保持一致。
   • 关键步骤：使用“创建渔网”工具生成一个与研究区范围、目标分辨率一致的空白栅格模板，然后使用“栅格计算器”或“重采样”工具将所有数据对齐到此模板。这是保证后续栅格计算无误的基础。
3. 威胁源栅格创建：在ArcGIS Pro中，使用“栅格计算器”或“重分类”工具，从土地利用数据中提取特定类型，并二值化。

   # 示例：在ArcGIS Pro的Python窗口中或独立脚本中，使用arcpy创建建设用地威胁源 import arcpy from arcpy.sa import * arcpy.CheckOutExtension("Spatial") # 假设土地利用栅格中，代码‘10’代表城镇建设用地 lulc_raster = r"D:\EcoSecurity_Project\LandUse_2020.tif" out_threat_urban = r"D:\EcoSecurity_Project\threats\threat_urban.tif" # 使用Con函数进行条件赋值：是建设用地的赋值为1，否则为0 urban_threat = Con(Raster(lulc_raster) == 10, 1, 0) urban_threat.save(out_threat_urban) print("建设用地威胁源栅格已创建。")

3.2 制作InVEST模型输入参数表

这是模型运行的核心，需要仔细准备两个CSV文件。

1. 生境适宜性表 (habitat_table.csv)：

   lucode	lulc_desc	habitat	sensitivity_urban	sensitivity_road	...
   10	城镇建设用地	0	0	0	...
   21	有林地	0.9	0.8	0.6	...
   31	草地	0.7	0.7	0.5	...
   ...	...	...	...	...	...

   • lucode: 土地利用类型代码，必须与你的栅格值完全对应。
   • lulc_desc: 类型描述，可选。
   • habitat: 生境适宜性得分，0-1。0代表完全非生境（如建设用地），1代表最优生境。
   • sensitivity_[threat_name]: 该地类对特定威胁源的敏感度，0-1。例如，有林地对建设用地的敏感度(sensitivity_urban)很高（0.8），而对道路的敏感度(sensitivity_road)可能稍低（0.6）。注意：威胁源名称必须与威胁源栅格文件名（不含扩展名）或后续威胁表中的名称严格一致。

2. 威胁源数据表 (threats_table.csv)：

   THREAT	MAX_DIST	WEIGHT	DECAY	CUR_PATH
   urban	10	0.8	exponential	D:\EcoSecurity_Project\threats\threat_urban.tif
   road	2	0.6	linear	D:\EcoSecurity_Project\threats\threat_road.tif

   • THREAT: 威胁源名称，与适宜性表中的sensitivity_列名后缀对应。
   • MAX_DIST: 最大影响距离（单位：栅格像元数）。例如，建设用地的影响可能达10个像元（300米）。
   • WEIGHT: 该威胁源的全局权重，0-1。所有威胁源权重之和通常为1。
   • DECAY: 衰减函数，linear（线性）或exponential（指数）。
   • CUR_PATH:威胁源栅格文件的绝对路径。这是最容易出错的地方，路径中不要有中文或特殊字符。

4. 核心实战：运行InVEST生境质量模型

我们将采用Python脚本来驱动模型运行，这比图形界面操作更高效、可追溯。

4.1 编写Python驱动脚本

创建一个新的Python脚本文件，如run_habitat_quality.py。

# run_habitat_quality.py import sys import os from natcap.invest import habitat_quality def main(): # 1. 设置工作空间和路径 workspace_dir = r"D:\EcoSecurity_Project\outputs" os.makedirs(workspace_dir, exist_ok=True) # 2. 定义模型输入参数字典 args = { 'workspace_dir': workspace_dir, 'results_suffix': '_hq2020', # 输出结果文件后缀，用于区分不同次运行 'lulc_cur_path': r"D:\EcoSecurity_Project\LandUse_2020_aligned.tif", 'threats_table_path': r"D:\EcoSecurity_Project\threats_table.csv", 'habitat_table_path': r"D:\EcoSecurity_Project\habitat_table.csv", 'half_saturation_constant': 0.5, # 半饱和常数，通常使用默认值0.5 'accessibility_threshold': 0.0, # 可达性阈值，通常设为0（完全可达） 'n_workers': -1, # 使用所有可用的CPU核心并行计算，-1表示自动检测 } # 3. 执行模型 print("开始运行InVEST生境质量模型...") try: habitat_quality.execute(args) print("模型运行成功！") except Exception as e: print(f"模型运行失败，错误信息：{e}") sys.exit(1) # 4. 指定关键输出文件路径（模型会自动生成） habitat_quality_raster = os.path.join(workspace_dir, 'habitat_quality_cur_hq2020.tif') degradation_raster = os.path.join(workspace_dir, 'deg_sum_cur_hq2020.tif') print(f"生境质量结果：{habitat_quality_raster}") print(f"生境退化度结果：{degradation_raster}") if __name__ == '__main__': main()

4.2 运行脚本并验证结果

1. 运行脚本：在ArcGIS Pro的“Python”窗格中，点击“运行脚本”按钮，选择你刚创建的run_habitat_quality.py文件。或者在“Python终端”中导航到脚本目录，执行python run_habitat_quality.py。
2. 监控输出：控制台会显示运行进度。完成后，会在指定的workspace_dir中生成一系列文件。
3. 结果验证：
   • 在ArcGIS Pro中，将输出的habitat_quality_cur_hq2020.tif添加到地图。
   • 其像元值应在0-1之间，值越高代表生境质量越好。
   • 使用“分类”渲染或“拉伸”渲染来可视化结果。通常，我们将值大于0.6或0.7的区域初步判定为高质量生境斑块，这些是生态源地的重要候选。

5. 生态安全格局要素提取与构建

获得生境质量图后，我们需要从中提取具体的生态源地、廊道等要素。

5.1 识别生态源地

源地识别并非简单地将高值区全部选出，通常需要结合面积阈值和空间聚集性。

# extract_sources.py import arcpy from arcpy.sa import * import os arcpy.CheckOutExtension("Spatial") def extract_ecological_sources(habitat_quality_raster, output_sources_shp, quality_threshold=0.7, area_threshold_ha=10): """ 从生境质量栅格中提取生态源地。 参数： habitat_quality_raster: 输入生境质量栅格路径 output_sources_shp: 输出源地矢量面路径 quality_threshold: 生境质量阈值，大于此值的像元才被考虑 area_threshold_ha: 最小源地面积阈值（公顷） """ print("步骤1：按阈值提取高生境质量区域...") # 条件提取：质量 > threshold 的赋值为1，否则为NoData high_quality_raster = Con(Raster(habitat_quality_raster) > quality_threshold, 1) high_quality_raster_path = os.path.join(arcpy.env.scratchFolder, "high_quality.tif") high_quality_raster.save(high_quality_raster_path) print("步骤2：区域分组（识别独立斑块）...") # 使用RegionGroup识别连通的斑块，并为每个斑块分配唯一ID region_group_raster = RegionGroup(high_quality_raster_path, "FOUR", "WITHIN", "NO_LINK") region_group_raster_path = os.path.join(arcpy.env.scratchFolder, "region_group.tif") region_group_raster.save(region_group_raster_path) print("步骤3：计算每个斑块的面积...") # 获取栅格像元大小（单位：米） cell_size_x = arcpy.GetRasterProperties_management(habitat_quality_raster, "CELLSIZEX") cell_size = float(cell_size_x.getOutput(0)) cell_area_sq_m = cell_size * cell_size # 单个像元面积（平方米） # 将栅格转为矢量面 region_polygons = os.path.join(arcpy.env.scratchGDB, "region_polygons") arcpy.RasterToPolygon_conversion(region_group_raster_path, region_polygons, "NO_SIMPLIFY", "VALUE") # 添加面积字段并计算（公顷） arcpy.AddField_management(region_polygons, "Area_HA", "DOUBLE") arcpy.CalculateGeometryAttributes_management(region_polygons, [["Area_HA", "AREA_GEODESIC"]], area_unit="HECTARES") print(f"步骤4：筛选面积大于 {area_threshold_ha} 公顷的斑块作为源地...") # 使用选择工具筛选 sources_lyr = "sources_lyr" arcpy.MakeFeatureLayer_management(region_polygons, sources_lyr) arcpy.SelectLayerByAttribute_management(sources_lyr, "NEW_SELECTION", f"Area_HA >= {area_threshold_ha}") # 将筛选结果导出为最终源地Shapefile arcpy.CopyFeatures_management(sources_lyr, output_sources_shp) print(f"生态源地已提取并保存至：{output_sources_shp}") # 清理中间数据（可选） # arcpy.Delete_management(region_polygons) # ... if __name__ == '__main__': # 输入输出路径 hq_raster = r"D:\EcoSecurity_Project\outputs\habitat_quality_cur_hq2020.tif" output_shp = r"D:\EcoSecurity_Project\outputs\ecological_sources.shp" extract_ecological_sources(hq_raster, output_shp, quality_threshold=0.65, area_threshold_ha=20)

5.2 构建生态廊道（最小成本路径法）

识别源地后，我们采用最小累积阻力模型（MCR）和最小成本路径方法来识别潜在廊道。这需要一张“阻力面”。

# build_corridors.py import arcpy from arcpy.sa import * import os arcpy.CheckOutExtension("Spatial") def create_resistance_surface(lulc_raster, resistance_dict): """ 根据土地利用类型创建阻力面。 参数： lulc_raster: 土地利用栅格 resistance_dict: 字典，键为土地利用代码，值为阻力值（1-100，值越大表示穿越阻力越大） """ print("创建阻力面...") # 使用重分类工具 remap_list = [] for code, resistance in resistance_dict.items(): remap_list.append([code, resistance]) # 格式：[原始值, 新值] # 执行重分类 out_reclass = Reclassify(lulc_raster, "Value", RemapValue(remap_list)) return out_reclass def calculate_corridors(sources_shp, resistance_raster, output_corridor_raster): """ 计算源地之间的最小成本路径（廊道）。 使用成本距离和成本路径工具。 这是一个简化示例，实际中可能需要计算所有源地两两之间的路径，或使用电路理论等方法。 """ print("计算成本距离...") # 成本距离：计算从每个源到空间中每一点的最小累积阻力 out_cost_distance = CostDistance(sources_shp, resistance_raster, "", "", "", "") out_cost_distance_path = os.path.join(arcpy.env.scratchFolder, "cost_distance.tif") out_cost_distance.save(out_cost_distance_path) print("计算成本回溯链接...") out_backlink = CostBackLink(sources_shp, resistance_raster, "", "") out_backlink_path = os.path.join(arcpy.env.scratchFolder, "cost_backlink.tif") out_backlink.save(out_backlink_path) print("生成最小成本路径（示例：从第一个源到第二个源）...") # 注意：这里需要你手动指定目标源（另一个源地）的位置。 # 更复杂的实现需要遍历所有源地对。这里仅为流程演示。 # 假设我们有两个源，获取它们的几何中心点 sources_desc = arcpy.Describe(sources_shp) if sources_desc.shapeType == "Polygon": # 将面源地转换为点（质心） source_points = os.path.join(arcpy.env.scratchGDB, "source_points") arcpy.FeatureToPoint_management(sources_shp, source_points, "INSIDE") # 这里简化处理，实际应选择特定的两个点进行计算 # 以下代码仅为示意，无法直接运行，需要你根据实际情况调整 # target_point_feature = ... # 你需要指定第二个源地的点要素 # corridor = CostPath(target_point_feature, out_cost_distance_path, out_backlink_path, "EACH_CELL") # corridor.save(output_corridor_raster) print("提示：此处需要具体指定目标源要素来计算路径。请手动在ArcGIS Pro中使用'成本路径'工具，或完善脚本逻辑。") else: print("输入源地数据不是面要素。") if __name__ == '__main__': # 定义阻力值字典（示例，需根据生态学知识设定） resistance_values = { 10: 100, # 城镇建设用地 - 阻力极大 21: 10, # 有林地 - 阻力小 31: 20, # 草地 - 阻力较小 43: 60, # 农田 - 阻力中等 # ... 补充所有地类 } lulc = r"D:\EcoSecurity_Project\LandUse_2020_aligned.tif" resistance_surface = create_resistance_surface(lulc, resistance_values) resistance_surface.save(r"D:\EcoSecurity_Project\outputs\resistance_surface.tif") sources = r"D:\EcoSecurity_Project\outputs\ecological_sources.shp" output_corridor = r"D:\EcoSecurity_Project\outputs\potential_corridors.tif" # calculate_corridors(sources, resistance_surface, output_corridor) # 需要完善目标点逻辑

注意：完整的廊道网络分析（如使用Linkage Mapper工具、Circuitscape软件或landscape-connectivity库进行电路理论分析）更为复杂。上述脚本提供了创建阻力面和成本路径的基本框架。对于生产性工作，建议使用成熟的工具或编写更完善的脚本。

6. 结果可视化与制图

分析结果的最终呈现至关重要。

1. 符号化渲染：
   • 生境质量图：使用“拉伸”色彩渲染，从红色（低质量）到绿色（高质量）渐变。
   • 生态源地：使用鲜明的填充色（如深绿色）和轮廓。
   • 生态廊道：使用醒目的线型（如亮蓝色虚线或实线）表示。
2. 地图布局：在ArcGIS Pro的“布局”视图中，添加图名、图例、比例尺、指北针、数据来源说明等地图要素。
3. 导出成果：将布局导出为高分辨率图片（如PNG、PDF）或制作成网页地图。

7. 常见问题与解决方案

8. 最佳实践与工程化建议

1. 项目目录结构标准化：建立清晰的文件夹结构，例如/Data/Raw,/Data/Processed,/Scripts,/Models,/Outputs,/Docs。所有路径在脚本中使用绝对路径或相对于项目根目录的相对路径。
2. 参数配置文件化：将生境质量阈值、面积阈值、阻力值字典等关键参数写入一个单独的JSON或YAML配置文件（如config.yaml）。主脚本读取该配置文件，使得修改参数无需改动代码。

   # config.yaml habitat_quality: threshold: 0.65 min_source_area_ha: 20 resistance: values: 10: 100 21: 10 31: 20

3. 日志记录：在Python脚本中使用logging模块记录运行状态、警告和错误信息，便于调试和追溯。

   import logging logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(levelname)s - %(message)s', handlers=[logging.FileHandler('analysis.log'), logging.StreamHandler()])

4. 版本控制：使用Git管理你的脚本和配置文件。对于输入数据，至少记录其来源、版本和处理过程说明。
5. 敏感性分析：生态安全格局的识别受阈值影响很大。应进行敏感性分析，例如，尝试不同的生境质量阈值（0.6, 0.65, 0.7, 0.75）和面积阈值，观察源地数量和空间分布的稳定性，为决策提供区间参考。
6. 交叉验证：不要完全依赖单一模型（InVEST）的结果。可以结合其他方法（如形态学空间格局分析MSPA、电路理论）识别源地与廊道，进行交叉对比，提高结果的可信度。
7. 明确不确定性：在最终报告或图中，需要说明分析的不确定性来源，如数据精度、模型参数设定（威胁权重、衰减距离）、阈值选择的主观性等。

掌握从数据预处理、模型运行到结果提取与可视化的完整链条，你就能独立应对大多数区域的生态安全格局分析任务。核心在于理解每个步骤的地理意义和模型原理，而不仅仅是操作步骤。当遇到问题时，多检查数据本身（范围、值域、投影）、参数表的对应关系以及文件路径。尝试将整个流程脚本化，不仅能提升效率，更是对自身GIS分析与编程能力的极大锻炼。接下来，你可以进一步探索如何将识别出的生态安全格局与国土空间规划“三区三线”进行叠加分析，或评估不同发展情景下的生态安全格局变化，让分析成果真正服务于科学决策。