生态学论文必备：手把手教你用rWCVP绘制专业级植物分布地图

生态学论文必备：手把手教你用rWCVP绘制专业级植物分布地图

当你在撰写一篇关于植物分布格局的生态学论文时，是否曾为寻找权威数据源和制作符合期刊要求的分布图而苦恼？传统方法往往需要手动整理零散的标本记录或依赖分辨率有限的公开数据集，这个过程既耗时又难以保证结果的科学性。现在，通过R语言中的rWCVP包，你可以直接调用世界维管植物名录(WCVP)的权威数据，快速生成精确到WGSRPD三级区域的物种分布图——这正是顶级期刊编辑和审稿人所期待的专业级数据可视化。

1. 科研级植物分布数据准备

在开始绘制地图前，我们需要搭建一个可重复的研究环境。rWCVP作为WCVP数据库的R语言接口，其数据质量直接决定了后续分析的可靠性。WCVP由英国皇家植物园邱园维护，包含超过34万种维管植物的标准化命名和全球分布记录，这些数据经过国际植物学家的持续校验，是植物地理学研究中最权威的参考源之一。

安装步骤看似简单，但有几个关键细节需要注意：

# 安装核心包（建议使用GitHub最新版） if (!require("devtools")) install.packages("devtools") devtools::install_github("matildabrown/rWCVP") # 安装空间数据包（必须项） devtools::install_github("matildabrown/rWCVPdata") # 加载示例数据集 library(rWCVP) data("wgsrpd3")

提示：如果遇到安装超时，建议设置RStudio的镜像源为欧洲节点，因为WCVP数据服务器位于英国。使用options(timeout = 600)延长下载时限。

与传统植物数据库相比，WCVP有三大科研优势：

1. 分类权威性：每个物种名称都标注了接受状态和异名关系
2. 空间精确度：分布数据精确到WGSRPD三级区域（相当于生态区尺度）
3. 状态标注：明确区分原生分布、引种区域和可疑记录

2. 单一物种分布图的完整绘制流程

以热带药用植物Myrcia guianensis为例，演示从数据提取到出版级地图的全过程。这种桃金娘科植物在亚马逊流域具有重要生态价值，其分布模式常被用作生物地理学研究的案例。

2.1 基础分布数据获取

# 获取物种分布数据 mguianensis_dist <- wcvp_distribution( taxon = "Myrcia guianensis", taxon_rank = "species", introduced = FALSE, # 排除引种地 extinct = FALSE, # 排除灭绝地区 doubtful = FALSE # 排除可疑记录 ) # 查看数据结构 str(mguianensis_dist)

输出结果包含多个关键字段：

• area_code_l3: WGSRPD三级区域代码
• introduced: 是否引种
• extinct: 是否区域灭绝
• location_doubtful: 记录是否存疑

2.2 基础地图绘制与区域聚焦

全球尺度地图虽能展示大格局，但论文中往往需要突出研究区域。rWCVP提供了智能裁剪功能：

library(ggplot2) # 全球分布图（基础版） global_map <- wcvp_distribution_map(mguianensis_dist) + ggtitle("Global distribution of Myrcia guianensis") + theme_minimal() # 南美区域聚焦（自动识别所属大洲） samerica_map <- wcvp_distribution_map( distribution = mguianensis_dist, crop_map = TRUE, # 启用智能裁剪 bounding_box = "South America" # 指定地理范围 ) + scale_fill_manual( values = c("Native" = "#1b9e77"), name = "Occurrence type" )

注意：当crop_map=TRUE时，函数会自动计算物种分布的外接矩形，也可以手动指定bounding_box参数为"Brazil"等具体国家。

3. 多物种比较与区域物种丰富度分析

生态学研究常需要比较多个物种的分布格局或计算特定区域的物种丰富度。rWCVP的批量处理功能可以高效完成这类任务。

3.1 构建物种清单与分布矩阵

假设我们需要比较Myrcia属三个近缘种的分布重叠情况：

# 定义目标物种列表 target_species <- c("Myrcia guianensis", "Myrcia splendens", "Myrcia tomentosa") # 批量获取分布数据 multi_dist <- lapply(target_species, function(sp) { wcvp_distribution(sp, taxon_rank = "species") }) # 生成分布矩阵 occ_matrix <- wcvp_occ_mat( taxon = target_species, taxon_rank = "species", area_codes = get_wgsrpd3_codes("Brazil") )

3.2 区域物种丰富度热图

对于生物多样性热点区域分析，可以生成网格化的物种丰富度图：

# 获取巴西的WGSRPD三级区代码 br_codes <- get_wgsrpd3_codes("Brazil") # 计算各区域物种数 br_richness <- wcvp_summary( taxon = "Myrcia", taxon_rank = "genus", area_codes = br_codes ) # 转换为空间数据 library(sf) br_polygons <- wgsrpd3[wgsrpd3$LEVEL3_COD %in% br_codes, ] br_polygons <- merge(br_polygons, br_richness, by.x = "LEVEL3_COD", by.y = "area_code_l3") # 绘制热图 ggplot(br_polygons) + geom_sf(aes(fill = total), color = NA) + scale_fill_gradient( low = "#f7fcb9", high = "#006837", name = "Species count" ) + labs(title = "Myrcia species richness in Brazil") + theme_void()

4. 出版级地图的美化技巧

期刊对图表有严格格式要求，rWCVP与ggplot2的深度整合可以满足这些需求。以下是几个关键美化策略：

4.1 地图元素定制

# 高级地图模板 publication_ready_map <- wcvp_distribution_map(mguianensis_dist) + # 颜色方案 scale_fill_manual( values = c("Native" = "#4daf4a", "Introduced" = "#984ea3"), name = "Distribution type", breaks = c("Native", "Introduced") ) + # 地图元素 labs( title = "Global Distribution of Myrcia guianensis", subtitle = "Data from World Checklist of Vascular Plants (WCVP)", caption = "Map generated using rWCVP R package" ) + # 主题定制 theme( panel.background = element_rect(fill = "#f0f0f0"), legend.position = "bottom", plot.title = element_text(face = "bold", size = 14), plot.caption = element_text(color = "grey50") ) + # 指北针和比例尺 ggspatial::annotation_scale( location = "bl", width_hint = 0.2 ) + ggspatial::annotation_north_arrow( location = "tr", style = ggspatial::north_arrow_minimal() )

4.2 多图组合与输出

使用patchwork包组合多个分析结果：

library(patchwork) # 构建组合图 (final_plot <- global_map / samerica_map) + plot_annotation( title = "Comparative Distribution Analysis", tag_levels = "A" ) # 保存为期刊要求格式 ggsave("Figure1.tiff", plot = final_plot, device = "tiff", dpi = 600, width = 18, height = 20, units = "cm")

关键输出参数对照表：

5. 复杂分析案例：生态区特异性分布模式

进阶研究中，我们可能需要分析物种在不同生态区的分布特征。以下流程展示了如何结合WGSRPD分级系统进行深度分析：

# 获取亚马逊流域的三级区代码 amazon_codes <- get_wgsrpd3_codes("Amazon Basin") # 提取目标物种在亚马逊的分布 amazon_dist <- wcvp_distribution( taxon = "Myrcia guianensis", taxon_rank = "species", area_codes = amazon_codes ) # 按生态亚区分组统计 library(dplyr) amazon_stats <- amazon_dist %>% group_by(area_name_l2) %>% summarise( num_regions = n_distinct(area_code_l3), presence_percent = mean(!is.na(area_code_l3)) * 100 ) # 绘制生态区分布条形图 ggplot(amazon_stats, aes(x = reorder(area_name_l2, -num_regions), y = num_regions)) + geom_col(fill = "#66c2a5", alpha = 0.8) + labs( x = "Amazon Sub-regions", y = "Number of Occurrence Regions", title = "Myrcia guianensis Distribution Across Amazon Sub-basins" ) + coord_flip() + theme_minimal(base_size = 12) + theme(panel.grid.major.y = element_blank())

实际项目中，我发现当处理跨生态区的分布比较时，get_wgsrpd3_codes()的参数设置尤为关键。例如分析安第斯山脉东麓分布时，需要组合多个生态区代码：

andean_codes <- c( get_wgsrpd3_codes("Northern Andes"), get_wgsrpd3_codes("Central Andes"), get_wgsrpd3_codes("Southern Andes") )