資料來源

一、地形變數

本研究使用臺灣30 公尺數值地形模型資料第二版(圖 3)，是 2009 年 6 月底，

美國太空總署和日本經濟產業省合作的ASTER 衛星拍攝所得影像計算，在網路上 免費釋出的全球數值地形模型資料。為了方便使用，中研院 GIS 中心將 ASTER GDEM 資料中涵蓋臺灣本島及澎湖的區域下載拼接成單一圖幅。

地形變數包括高程、坡向、坡度三項參數。高程在生物分布是重要的限制因 子，一般而言，高海拔的溫度會比較低，進而限制生物的分布。坡向對於光線、

溫度、濕度等微氣候有顯著的影響，可能在向陽面與背陽面形成不同的生物相。

坡度限制生物在坡面上的活動、攀附或生長。

ASTER GDEM 資料解析度為 1 弧秒(arc second)，約等於 30 公尺，高程解析 度一公尺。坡向、坡度分別使用ArcGIS 的 aspect、slope 模組計算網格值。

圖 3 研究區 DEM

二、WorldClim 氣候資料

WorldClim 第二版發布於 2016 年 6 月，收集了 1970 到 2000 全世界的每月溫 度與降水資料，並依年度、季度、平均與極端狀態，整理成19 項氣候變數集(表 3)，

而且有多種空間解析度可供選擇下載。本研究使用 30 弧秒空間解析度 (約等於 1 公里)。

表 3 WorldClim 第二版變數代碼說明

代碼 變數名稱 變數說明

Bio1 年均溫 每日平均溫度總和／當年天數

Bio2 月平均氣溫日較差 每月最高溫度減去該月最低溫度之差數平均

Bio3 等溫性 月平均氣溫日較差／年溫差 × 100

Bio4 氣溫季節性 年均溫的標準差 × 100

Bio5 最暖月最高溫 最暖月的最高日均溫

Bio6 最冷月最低溫 最冷月的最低日均溫

Bio7 年溫差 最暖月最高溫－最冷月最低溫

Bio8 雨季均溫 降水量最高的三個月之月均溫平均

Bio9 乾季均溫 降水量最低的三個月之月均溫平均

Bio10 最暖季均溫 最暖的三個月之月均溫平均

Bio11 最冷季均溫 最冷的三個月之月均溫平均

Bio12 年降水量 當年度降水總和

Bio13 最濕月降水量 當年最高月降水量

Bio14 最乾月降水量 當年最低月降水量

Bio15 降水季節性 年降水量的標準差

Bio16 濕季降水量 當年降水量最高的三個月平均降水量

Bio17 乾季降水量 當年降水量最低的三個月平均降水量

Bio18 最暖季降水量 當年溫度最高的三個月平均降水量

Bio19 最冷季降水量 當年溫度最低的三個月平均降水量

三、Landsat 8 衛星影像

選用衛星影像的原則為低雲遮覆蓋，因為雲會直接遮蔽影像或產生雲影，而 低估地物的光譜反應。本研究使用的Landsat 8 影像(圖 4)，拍攝日期在 2017 年 4 月 2 號，是 2017 年 1 月到 2018 年 4 月間，最不受雲遮影響(低於 10%)的影像。

Band 9 卷雲 (Cirrus) 1.363 - 1.384 30 Band 10 熱紅外光 1 (Thermal

Infrared 1 , TIRS 1)

10.60 - 11.19 100 * (30)

Band 11 熱紅外光 2 (Thermal Infrared 2 , TIRS 2)

11.50 - 12.51 100 * (30)

*衛星以100 公尺解析度收集 TIRS 波段，但在資料中重新採樣至 30 公尺

圖 4 Landsat 8 2017/04/02 影像

影像分類方法使用 ERDAS Imagine 中的非監督式分類法 ISODATA (Iterative Self-Organizing Data Analysis Technique)。ISODATA 法的以最小光譜距離做分類依 據，先以使用者指定分類的小類別數目，迭代合併至目標類別數目，組內差異最 小且組間差異最大為止，好處是在每一次迭代中，分類項目與統計數據都會重新

計算，因此不會偏向分類資料的高值。在經過嘗試錯誤法後，設定預分類 30 類，

再整合分類為 6 類土地覆蓋圖層做後續使用。圖 5 為分類結果，圖 6－圖 10 為 土地覆蓋類別現地調查照片。土地覆蓋類別分別為森林、農地、水體、道路、果 園苗圃、建物裸地，並分別編碼1 到 6，以第二次國土利用調查資料驗證土地覆蓋 的準確性(圖 11)，整體精度 0.495、kappa 值 0.334；另外，調查沙氏變色蜥所得的 100 個樣點，也記錄了土地覆蓋的真實狀況，驗證結果整體精度 0.700、kappa 值 0.601(圖 12)。

圖 5 ISODATA 土地覆蓋分類結果

圖 6 土地覆蓋類型 1：森林

圖 7 土地覆蓋類型 2：稻田

圖 8 土地覆蓋類型 4：道路

圖 9 土地覆蓋類型 5：果園、苗圃

圖 10 土地覆蓋類型 6：裸地

圖 11 以國土利用調查資料驗證土地覆蓋類型的混淆矩陣

圖 12 以現地調查樣點驗證土地覆蓋類型的混淆矩陣

森林 農地 水體 道路 果園苗圃 裸地建物 總計 使用者精度

森林 164894 64597 3559 1955 51422 296 286723 0.58

農地 69029 97237 1537 766 70194 176 238939 0.41

水體 655 1007 39623 691 3567 35 45578 0.87

道路 10083 12645 16438 8569 39946 1747 89428 0.10

果園

苗圃 38328 30246 4511 3594 199149 7094 282922 0.70

裸地

建物 3848 5857 674 299 84285 10022 104985 0.10

總計 286837 211589 66342 15874 448563 19370 1048575

生 產 者

精度 0.57 0.46 0.60 0.54 0.44 0.52

整體

精度 0.495 kappa 0.334

國土利用調查分類資料

使用MTL 文件中的熱常數，可以將熱紅外光波段的波譜值(DN)轉換成光譜輻 射率，再轉換為大氣層頂亮度溫度(top of atmosphere brightness temperature)，大氣 層頂亮度溫度與地面溫度具有相關，可藉由此溫度來推估地面溫度(Good, 2016)。

土 地 覆 蓋 指 標 用 了 三 種 指 標 分 別 是 ： 常 態 化 差 異 植 生 指 標 (normalized difference vegetation index, NDVI)、常態化差異濕度指標 (normalized difference moisture index, NDMI)、土壤調整植被指數 (soil-adjusted vegetation index, SAVI)。

公式如下：

可以反應植生的生長狀況與覆蓋程度。NDMI(Gao, 1996; Wilson & Sader, 2002)主要 反映土壤濕度，常用於強化NDVI 的分析結果。SAVI 考慮到裸露土壤的影響，透 過調整LS值校正之NDVI 值。其中 LS為0.25 表示密集植被，中密度為 0.5，低密 度植被為1，當 LS等於0 時，SAVI 值等於 NDVI。因此，最常見的 L s 值為 0.5(Huete, 1988)。NDVI、NDMI 使用 ERDAS Imagine 中的模組計算。SAVI 依照前面分類完 成的6 類土地覆蓋設定 LS值，森林與農地設為0.25，果園苗圃設為 0.5，其他類別

最後，在本研究所採集到的出現記錄，常是果園苗圃或是週邊有果園苗圃的 土地覆蓋類型。因此為了測試沙氏變色蜥是否對於周圍有果園苗圃的土地覆蓋具 有偏好，先將土地覆蓋圖層轉換為代表是否為果園苗圃的0/1 資料，再利用 ArcGIS 中Filter 模組的 High pass filter 作邊緣增強(edge enhancement)。邊緣增強的中心網 格值權重為6.8，鄰邊網格權重為－1，鄰角網格權重為－0.7。

四、沙氏變色蜥調查樣點

土地覆蓋類型可能是影響沙氏變色蜥能否分布的重要因素，因此利用依照 Landsat 8 衛星影像分類出的 6 種土地覆蓋類型，作分層隨機抽樣。

分層隨機抽樣(stratified random sampling)是依照不同屬性，將抽樣母體分為若 干組，每一組為一個層(strata)，不同層之間的變異越大越好，同一層之間的變異越 小越好，再從各層之中隨機抽出樣本。

本研究以 6 類土地覆蓋所占研究區面積的比例，隨機在樣區中 6 類土地覆蓋 產生100 個網格點(圖 13)，各類土地覆蓋的樣點數如表 5 所示。

圖 13 空間分層隨機抽樣的 100 個樣點 表 5 6 類土地覆蓋的樣點數

土地覆蓋類別 網格數 百分比 樣區取樣數

森林 315693 25.56 % 37

農地 250313 20.27 % 17

水體 98269 7.95 % 0

道路 112918 9.14 % 9

果園苗圃 335458 27.16 % 25

裸地建物 122146 9.89 % 12

總和 1234797 100 % 100

調查方法為目視遇測法，目視遇測法是指調查人員在一定的時間內，有系統 的走過一特定段落，將看到的物種與數目記錄下來，為了便於比較調查結果，用 單位時間內的數量表示(鄭錫奇, 2009)。

每次調查盡可能選在晴朗的日間進行調查，調查時間為早上 10 點到 12 點，

盡可能調查在 3×3 網格範圍內的所有棲地類型。記錄的項目包括時間、地點、數

量、GPS 點位資料。有記錄到沙氏變色蜥的的樣點再轉為出現記錄，最後共收集 20 筆出現記錄(圖 14)。

圖 14 20 筆出現記錄(綠色三角)與 109 筆 GBIF 出現記錄(黃色三角)

另外，從全球生物多樣性資訊機構 (Global Biodiversity Information Facility, GBIF)的資料庫下載 445 筆資料。篩選出研究區中的出現記錄，並把落在相同網格 中的出現記錄合併為一筆，並以該網格的中心座標表示。最後共109 筆出現記錄(圖

14)，作為樣區的測試用資料。

五、軟體與設備

使 用 的 軟 體 版 本 為 MaxEnt 3.4.0 ( 來 源 網 址 ： https://biodiversityinformatics.amnh.org/open_source/maxent/)，可於美國自然歷史博 物館American Museum of Natural History, AMNH)下載 MaxEnt 的開源版本。

表 6 為所使用的 28 個變數的代碼與變數名稱。

Bio8 雨季均溫