王亞領，李浩，楊旋，郭彥龍，李維德*

(1.蘭州大學數(shù)學與統(tǒng)計學院，甘肅 蘭州 730000; 2.中國科學院寒區(qū)旱區(qū)環(huán)境與工程研究所，甘肅 蘭州 730000)

?

基于MaxEnt模型和不同氣候變化情景的單葉蔓荊潛在地理分布預測

王亞領1，李浩1，楊旋1，郭彥龍2，李維德1*

(1.蘭州大學數(shù)學與統(tǒng)計學院，甘肅 蘭州 730000; 2.中國科學院寒區(qū)旱區(qū)環(huán)境與工程研究所，甘肅 蘭州 730000)

單葉蔓荊為我國常用中藥蔓荊子的來源之一，不僅具有良好的藥用價值，還具有很高的生態(tài)效益，能很好地防風固沙和保持水土。預測氣候變化對該物種分布范圍的影響可以為單葉蔓荊的可持續(xù)利用提供科學基礎和參考依據(jù)。本研究利用獲得的單葉蔓荊126個地理分布記錄和22個環(huán)境因子，利用MaxEnt模型分析了單葉蔓荊在我國全國范圍內(nèi)的潛在地理分布，并基于該模型預測了4種氣候情景下21世紀50和70年代單葉蔓荊分布范圍。結果表明，最大熵模型預測單葉蔓荊潛在生境分布的精度較高(接收者操作特征曲線下方的平均面積為0.988),海拔、平均氣溫日較差、最冷季度降水量和最干月份降水量是影響單葉蔓荊分布的主要氣候因子。由模型預測可知，在4種氣候情景下，單葉蔓荊在全國適宜生境和低適宜生境的數(shù)量均有不同幅度的增加，適宜生境增加較快，低適宜生境增加緩慢；到2050s階段，適宜生境比例由當前的5.03%分別上升到15.88%、17.00%、17.59%和23.11%；低適宜生境比例由當前的8.86%分別上升到11.09%、10.31%、11.53%和12.96%；到2070s階段，適宜生境比例分別上升到21.22%、22.21%、24.57%和30.66%；低適宜生境比例分別上升到11.85%、12.07%、13.99%和14.66%?？臻g分布上，單葉蔓荊的適宜生境和低適宜生境的范圍及幾何中心都由沿海地區(qū)向內(nèi)陸擴散；湖南和江西兩省的適宜生境比例增長較快，尤其在四川境內(nèi)，當前只有很小比例的低適宜生境，隨著氣候的變化，低適宜生境面積有所上升，并且適宜生境開始出現(xiàn)且增長速度較快。

單葉蔓荊；氣候變化；MaxEnt模型；潛在地理分布

環(huán)境因素是決定物種分布的最主要因素, 并且物種分布格局的變化對環(huán)境因素的變化最為敏感。氣候作為環(huán)境因素中最主要的因素之一，是我們重要的關注對象和研究方向。目前，準確確定氣候變化對瀕危物種分布的影響是有效保護物種的理論基礎,也是當前保護生物學家面臨的重要問題[1]。

物種分布模型(species distribution modeling, SDM)作為一種評估入侵物種潛在威脅的模型，越來越廣泛的應用于個體生態(tài)學研究[2]，此外，該類模型在預估環(huán)境因素變化對物種分布影響方面也日益發(fā)揮著重要的作用，在預測種群分布動態(tài)及區(qū)域物種多樣性變化領域已得到廣泛應用[3-4]。最大熵模型 (maximum entropy model，MaxEnt)是一種基于有限的已知信息推斷未知概率分布的數(shù)學方法，其理論起源于信息科學，是統(tǒng)計學研究的重要內(nèi)容，認為實現(xiàn)方式數(shù)量最大的可能性，就是實際觀察到的真實狀況[5-6]。MaxEnt模型作為一種預測物種未來地理潛在分布的定量化分析工具，已經(jīng)在很多領域得到了應用，包括藥材、珍稀樹木、哺乳動物等多種物種的分布預測[7-9]。MaxEnt對于物種分布數(shù)據(jù)不全的情況也有很好的分析結果，說明該模型具有很強的適用性[10]。

單葉蔓荊(Vitextrifoliavar.simplicifolia)屬于馬鞭草科，是一種灌木。開花后結的果實稱蔓荊子，蔓荊子是一種藥用價值很高的中藥材，不但可以清濕熱，還具有止血的作用。單葉蔓荊主要分布在我國山東、江西、湖南、安徽、浙江、海南等省，尤其在江西和山東兩省分布最廣泛[11]。單葉蔓荊是一種藥用價值和生態(tài)價值都很高的藥材，已被我國列入《國家重點保護野生藥材物種名錄》，但近年來由于人為活動的影響，再加上自然環(huán)境的劇烈變化，其野生數(shù)量和生長環(huán)境都遭到了嚴重的影響[11]。

到目前為止，國內(nèi)外對單葉蔓荊的研究主要集中在生態(tài)特性、生理特性、藥理活性、群落特點以及化學成分[12-14]。目前國內(nèi)外在單葉蔓荊地理分布性預測方面尚屬空白，導致單葉蔓荊的分布范圍沒有得到詳細的記錄。眾所周知，環(huán)境因素的變化，尤其是氣候的變化必然會嚴重改變單葉蔓荊的生長環(huán)境，進而影響其地理分布，所以，預測不同氣候條件下該物種的潛在地理分布，對其保護和可持續(xù)利用以及評估都具有重要的意義。為此，本研究首先根據(jù)MaxEnt模型繪制了當前氣候情形下我國的單葉蔓荊潛在分布圖，在政府間氣候變化專門委員會(IPCC)發(fā)布的RCP2.6(最低溫室氣體排放情景)、RCP4.5(中等溫室氣體排放情景)、RCP6.0(較高溫室氣體排放情景)、RCP8.5(最高溫室氣體排放情景)4種氣候情景下，基于該模型對21世紀50和70年代單葉蔓荊的分布范圍進行了預測。此外，還闡述了單葉蔓荊的空間分布與環(huán)境因子的關系，為單葉蔓荊原生生境的保護和資源利用評估等研究提供理論依據(jù)。

圖1 已知單葉蔓荊分布點的地理位置Fig.1 The known geographic locations of V. trifolia var.simplicifolia

1 材料與方法

1.1 單葉蔓荊的空間分布位點數(shù)據(jù)

首先通過查閱標本和相關文獻確定已知的單葉蔓荊分布位點，由中國數(shù)字植物標本館(http://www.cvh.org.cn)得到44個單葉蔓荊分布點的信息，通過查閱文獻[11,15-16]得到82個單葉蔓荊分布點的信息，共獲得126個單葉蔓荊種群分布點的信息。根據(jù)單葉蔓荊已知分布位點的信息(圖1)，依據(jù)126個分布點的信息和空間分辨率為30″(1 km2)的數(shù)字高程模型(digital elevation model, DEM)，我們設定研究區(qū)為中國全境(圖1)，即預測單葉蔓荊在我國全國范圍內(nèi)的潛在分布情況。

1.2 數(shù)據(jù)搜集和預處理

通過訪問世界氣候數(shù)據(jù)庫(WORLDCLIM version 1.3, http://www.worldclim.org)可以得到氣候環(huán)境數(shù)據(jù)，該數(shù)據(jù)庫收集了1950-2000年世界各地的氣象站所記錄的詳細氣象信息，采用插值法生成空間分辨率為30″(1 km2)的全球氣候柵格數(shù)據(jù)[17]。本研究區(qū)涉及4個排放場景(RCP2.6、RCP4.5、RCP6.0和RCP8.5)。與前人研究經(jīng)常采用的排放情景(special report on emissions scenarios, SRES)相比[18-19]，RCPs情景更加詳細考慮了應對氣候變化的各種策略對未來溫室氣體排放的影響，更加科學地描述了未來氣候變化的預估結果[20]。本研究選取溫度、降水量等相關的22個對物種分布有重要影響的環(huán)境因子變量[21](表1)，進一步得到22個環(huán)境因子1950-2000年的年平均圖層數(shù)據(jù)。

1.3 模型的模擬

選用基于最大熵理論的MaxEnt模型來模擬氣候變化下單葉蔓荊潛在生境分布，試驗時間為2016年3月，實驗重復10次。MaxEnt模型具有較高的預測精度與良好的穩(wěn)定性,在物種分布模型中具有一定的競爭力[22]。

將單葉蔓荊分布數(shù)據(jù)和22個環(huán)境數(shù)據(jù)導入MaxEnt3.3.3，從已知的分布點隨機選取75%作為訓練集來訓練模型，25%的分布點作為驗證集來驗證。模型輸出數(shù)據(jù)格式為ASC圖層, 圖層中每個點的值代表單葉蔓荊在該區(qū)域?qū)Νh(huán)境的適生性, 取值范圍為[0.1], 然后利用ArcGIS 9.3軟件將ASC數(shù)據(jù)轉(zhuǎn)換成柵格格式。

運用軟件ArcGIS 9.3對柵格數(shù)據(jù)文件進行重分類，生境適應性取值范圍為0到1之間,根據(jù)適宜生境評價指數(shù)[23-25]進行評價，將研究區(qū)單葉蔓荊生境劃分為3類(圖2)，即不適宜生境(P<0.25)，低適宜生境(0.25≤P<0.50)，適宜生境(0.50≤P≤1.00)。利用ArcGIS 9.3軟件，可以得到研究區(qū)單葉蔓荊潛在空間分布具體結果(表2)。

基于MaxEnt3.3.3，利用22個環(huán)境因子對單葉蔓荊潛在分布建立模型。在環(huán)境參數(shù)設置中開啟刀切法(Jackknife)，MaxEnt模型會計算22個評價因子對預測的貢獻率。具體就是在模型建立過程中，首先依次將每一個環(huán)境變量分別去除，然后對剩余的21個環(huán)境變量建立模型，最后對所有的環(huán)境變量建立模型并進行計算，接下來分析被去除的環(huán)境變量與遺漏誤差(omission error)之間的相關性，如果被去除的環(huán)境變量導致遺漏誤差顯著提高，則表明該環(huán)境變量對模型的預測結果有顯著的影響[26]。

采用ROC(receiver operating characteristic curve)進行模型精度的驗證。ROC曲線的具體做法如下：以預測值作為可能的判斷閾值，然后計算靈敏度和特異度[27]，以1減去特異度的值(1-specificity)為橫坐標，以靈敏度(1-omission rate)為縱坐標，然后就可以繪制出ROC曲線，ROC曲線與橫坐標圍成的圖形的面積稱為AUC(area under ROC curve)，取值范圍為[0,1]。

表1 用于MaxEnt模型中的環(huán)境因子變量Table 1 The environment variables in MaxEnt

圖2 單葉蔓荊的當前地理分布情況Fig.2 The current geographic distribution of V. trifolia var.simplicifolia

地區(qū)Region面積百分比Percentageofarea(%)適宜生境Suitablehabitat低適宜生境Marginallysuitablehabitat不適宜生境Unsuitablehabitat面積Area(km2)適宜生境Suitablehabitat低適宜生境Marginallysuitablehabitat不適宜生境Unsuitablehabitat海南Hainan46.3132.9720.7315744.0011209.417046.59上海Shanghai0.0017.7482.260.001117.595182.41湖北Hubei2.1121.2276.663928.4639453.52142518.02臺灣Taiwan32.0119.0948.9011524.466871.8217603.72湖南Hunan8.6520.1371.2218324.1942642.36150833.45安徽Anhui3.3924.0072.614741.7933523.92101434.29福建Fujian8.844.7186.4510725.015716.81104858.18山東Shandong7.6210.3981.9911712.8315979.94126107.23遼寧Liaoning2.536.0291.453687.728781.64133430.64廣東Guangdong18.2822.4559.2732908.3840407.70106683.92廣西Guangxi3.0611.3285.627224.1426711.69202064.17江蘇Jiangsu5.9460.2733.796095.5661835.3634669.08江西Jiangxi7.4624.6367.9012466.1041139.26113394.64浙江Zhejiang7.0626.0766.877200.7626590.8468208.40

AUC可以反映模型的預測效果，其值越大表示模型預測精度越高，反之說明模型預測效果越差。由于AUC值不受診斷閾值影響，并且對物種不敏感,目前被公認為是最優(yōu)的模型預測指標[28]。ROC曲線的評估準則為：AUC處于0.5～0.6之間時，認為建立的模型失敗；AUC處于0.6～0.7之間時，認為建立的模型預測效果較差，勉強可以接受；AUC處于0.7～0.8之間時，認為模型一般，可以接受；AUC處于0.8～0.9之間時，認為建立的模型較好；AUC處于0.9～1.0之間時，可以認為建立的模型很好，預測效果是令人滿意的[28]。

2 結果與分析

2.1 單葉蔓荊當前潛在地理分布預測結果

由圖2和表2可知，單葉蔓荊在研究區(qū)的適生范圍主要集中在我國沿海以及內(nèi)陸的中部。適宜生境的沿海區(qū)域包括海南省四周、廣西壯族自治區(qū)的防城港東南部、北海市以及欽州市南部，廣東省的湛江市、茂名市南部、陽江市南部、江門市、中山市、深圳市南部、汕頭市、汕尾市海豐縣、揭陽市東南部、潮州市東部，福建省的漳州市東南部、廈門市、莆田市的東部和福州市的東部，臺灣西部沿海地區(qū)，浙江省的溫州市東部、臺州市東南部和寧波市東部部分地區(qū)，江蘇省的南通市和無錫市東北部，上海市的東部地區(qū)，山東省的威海市、青島市南部和日照市東部，遼寧省的大連市南部；內(nèi)陸包括湖南省的岳陽市、長沙市西部和湘潭市北部，湖北省的武漢市東北部，江西省的南昌市、臨川市北部和九江市東部，安徽省的貴池市西北部。

低適宜生境的沿海附近包括海南省的內(nèi)陸部分地區(qū)，廣西壯族自治區(qū)欽州市中部和北部、南寧市、貴港市和合山市，廣東省的茂名市北部、佛山市、廣州市、東莞市、惠州市、深圳市北部和揭陽市北部,浙江省的紹興市南部、寧波市南部、嘉興市和湖州市，江蘇省的蘇州市、常州市、無錫市西南部、鎮(zhèn)江市、泰州市、揚州市、淮陰市和鹽城市北部，山東省的青島市北部，湖南省的衡陽市和株洲市南部；內(nèi)陸包括湖北省的仙桃市和孝感市南部，安徽省的馬鞍山市和巢湖市，江西省的吉安市和宜春市東部。

分別對三級適宜生境的面積進行計算和統(tǒng)計，可知單葉蔓荊的適宜生境面積、低適宜生境面積和不適宜生境面積分別占研究區(qū)總面積的5.03%、8.86%和86.11%。通過分析結果可知，在所研究的區(qū)域內(nèi)，單葉蔓荊的適宜生境比例偏小，可見單葉蔓荊的生長區(qū)域狹窄。

2.2 氣候因素分析

研究結果表明，在所選擇的22個環(huán)境因子中，主要因子的貢獻率為：海拔最高為41.3%，平均氣溫日較差、最冷季度降水量和最干月份降水量貢獻率分別為24.8%、10.1%和8.5%，年平均氣溫和年溫年較差貢獻率分別為4.1%和3.0%。只列出了貢獻率最高的前6個因子，它們的累積貢獻率就高達91.8%。為了進一步分析氣候因子對單葉蔓荊分布的影響，將上述影響最大的6個因子分別導入到MaxEn模型中，建立單因子模型，同時繪制出單變量響應曲線，即單葉蔓荊地理分布概率與主導氣候因子的關系(圖3)，然后分別計算各主導氣候因子的閾值(存在概率>0.3)：BIO(海拔)小于30 m，BIO2(平均氣溫日較差)小于0.75 ℃，BIO19(最冷季度降水量)大于50 mm，BIO14(最干月份降水量)大于10 mm，BIO1(年平均氣溫)大于16 ℃，BIO7(年溫年較差)小于3.2 ℃。

圖3 6個主導氣候因子與單葉蔓荊生存概率的關系Fig.3 Probability of survival between six dominant climate factors and V. trifolia var.simplicifolia

2.3 氣候變化對單葉蔓荊分布范圍影響的預測

在不同的氣候環(huán)境下，利用MaxEnt模型模擬了單葉蔓荊的未來潛在地理分布。將研究區(qū)單葉蔓荊未來氣候條件下生境適宜性分為3類，可以得到研究區(qū)單葉蔓荊潛在空間分布(圖4)和不同氣候變化情景下研究區(qū)單葉蔓荊適宜生境和低適宜面積百分比(圖5)。

圖4 不同氣候變化情景下單葉蔓荊生境適應性分布Fig.4 Distribution of habitat suitability for V. trifolia var.simplicifolia under different climate change scenarios A和B、C和D、E和F及G和H分別表示在RCP2.6、RCP4.5、RCP6.0和RCP8.5氣候情景下21世紀50和70年代。A and B, C and D, E and F, G and H represent the RCP2.6, RCP4.5, RCP6.0 and RCP8.5 climate scenario in 2050s and 2070s respectively.

由圖4和圖5可知，在未來RCP8.5、RCP6.0、RCP4.5和RCP2.6四種情景下，單葉蔓荊在研究區(qū)的適宜生境(評價指數(shù)0.50～1.00)增加程度都不相同。當前氣候環(huán)境下單葉蔓荊的適宜生境比例為5.03%，由模型預測結果可以看出，在RCP2.6、RCP4.5、RCP6.0和RCP8.5四種情景下至21世紀50年代，預測的適宜生境面積分別占研究區(qū)總面積的15.88%、17.00%、17.59%和23.11%。到21世紀70年代這4種情景下，研究區(qū)單葉蔓荊適宜生境也均有一定幅度的增加，并且在每種氣候下增加的幅度都要大于21世紀50年代，分別占研究區(qū)總面積的21.22%、22.21%、24.57%和30.66%。當前氣候環(huán)境下單葉蔓荊的低適宜生境比例(評價指數(shù)0.25～0.50)為8.86%，由模型預測結果可知，在未來4種氣候條件下單葉蔓荊的低適宜生境比例變化范圍為10.31%～14.66%，相對變化較小，并且在RCP2.6、RCP4.5、RCP6.0和RCP8.5情景下到21世紀50和70年代，該類生境的面積比例也都有一定程度的增加，其中50年代分別占研究區(qū)總面積的11.09%、10.31%、11.53%和12.96%，在70年代分別占研究區(qū)總面積的11.85%、12.07%、13.99%和14.66%。在空間分布上，由圖4及圖5可以看出，在不同氣候變化條件下，單葉蔓荊的適宜生境和低適宜生境的范圍及幾何中心均由沿海地區(qū)向內(nèi)陸擴散；內(nèi)陸地區(qū)湖南和江西兩省的適宜生境比例增長較快，尤其在四川境內(nèi)，當前只有很小比例的低適宜生境，隨著氣候的變化，低適宜生境面積有所上升，并且適宜生境開始出現(xiàn)且增長速度較快。

圖5 不同氣候變化情景下研究區(qū)單葉蔓荊各種適生區(qū)面積百分比Fig.5 Percentage of areas of varying habitat suitability of V. trifolia var.simplicifolia under different climate change scenarios in the study area

2.4 模型的驗證

圖6 ROC分析法檢驗MaxEnt預測的結果 所得到的AUC值Fig.6 The AUC by using ROC methods to test the results of MaxEnt

圖6為本研究根據(jù)建立的模型所得到的ROC曲線。由圖可以看出，訓練數(shù)據(jù)和測試數(shù)據(jù)的ROC曲線均遠離隨機分布模型的ROC曲線，并且均靠向左上方，表明曲線下的面積值較大接近1，即AUC值較大。訓練數(shù)據(jù)和測試數(shù)據(jù)的AUC值非常接近，分別為0.984和0.992，它們都顯著大于隨機分布模型的AUC值(0.5)。 通過AUC分析可知，MaxEnt模型對于單葉蔓荊潛在分布范圍的預測具有較高的準確性。

3 討論

本研究利用MaxEnt模型對單葉蔓荊在當前氣候條件下的適生區(qū)進行了研究，但僅探討了氣候因素對單葉蔓荊分布格局的影響，由于物種生長分布受諸多因素限制，土壤環(huán)境、生物間的相互作用等都與物種分布有關，進一步的研究可考慮土壤條件、局地生境對單葉蔓荊分布范圍的影響。

3.1 氣候變化下單葉蔓荊空間分布的變化

本研究利用MaxEnt模型定量展示了在未來RCP2.6、RCP4.5、RCP6.0和RCP8.5四種情景下研究區(qū)單葉蔓荊潛在的分布區(qū)域。研究結果表明，在不同的氣候條件下單葉蔓荊的適宜生境面積都將有所擴大，同時在研究區(qū)涉及的各省、市中，沿海岸以及內(nèi)陸江西、湖南、安徽等省為單葉蔓荊未來主要的潛在適生區(qū)域，單葉蔓荊的適宜生境和低適宜生境的范圍及幾何中心均由沿海地區(qū)向內(nèi)陸擴散；內(nèi)陸地區(qū)湖南和江西兩省的適宜生境比例增長較快。研究還發(fā)現(xiàn)，在四川境內(nèi)，當前只有很小比例的低適宜生境，并沒有適宜生境，但是隨著氣候的變化，低適宜生境面積有所上升，并且適宜生境開始出現(xiàn)且增長速度較快，四川也逐漸成為單葉蔓荊未來主要潛在的適宜生長區(qū)域。

3.2 單葉蔓荊與環(huán)境因子關系

根據(jù)評價因子貢獻率的結果，BIO(海拔)這一評價因子貢獻率就高達41.3%，說明海拔是影響單葉蔓荊適生區(qū)分布的決定性因子，梁芳等[11]也提到，單葉蔓荊主要分布在海拔為2～21 m(只有少數(shù)的在2000 m以上)地區(qū)，對海拔要求極為苛刻，本研究也證實了這一點，單葉蔓荊適宜生存的海拔范圍小于30 m，與實際比較吻合。本研究還顯示，氣溫差評價因子的累計貢獻率未起到最重要的作用，說明氣溫差不是制約單葉蔓荊分布的關鍵因子。BIO19與BIO14兩個評價因子的貢獻率之和為19.6%，它們都是與降水量相關的因子，這說明了降水量也是影響單葉蔓荊適生區(qū)分布的一個重要的因子。

單葉蔓荊主要分布于熱帶與亞熱帶地區(qū)，在粗沙地、石礫地和沙質(zhì)草地上均能生長，多生長于海濱、湖畔和沙灘等近水處及陽光充足地帶。該植物主要集中在沿海海濱沙地，對于沙質(zhì)較少的土壤適應能力不強[11]。本研究對單葉蔓荊未來的分布預測也與上述描述的單葉蔓荊的分布范圍相一致，說明氣候變化情景下仍然可靠。

3.3 建議

單葉蔓荊是一種藥用價值和生態(tài)價值都很高的藥材，預測其地理分布對于其資源調(diào)查、保護開發(fā)和資源可持續(xù)利用具有重要的意義。根據(jù)預測結果，應該有目的地選擇適宜生境和低適宜生境區(qū)域，對單葉蔓荊進行采樣開展野生資源調(diào)查研究。有效選取野生撫育GAP(good agricultural practice)基地地理位置，充分考慮其未來適宜生境的區(qū)域，尤其要重視未來單葉蔓荊潛在適宜分布的四川等地區(qū)，對當?shù)丶哟笮麄鞅Ｗo力度，展開相關措施，提倡野生撫育，加以有效的人工管理和合理的投資，擴大單葉蔓荊的種群數(shù)量，進而對其珍貴的價值進行可持續(xù)利用。

References：

[1] Thomas C D, Alison C, Green R E,etal. Extinction risk from climate change. Nature, 2004, 427: 145-148.

[2] Bertrand R, Perez V, Gégout J C. Disregarding the edaphic dimension in species distribution models leads to the omission of crucial spatial information under climate change: the case ofQuercuspubescensin France. Global Change Biology, 2012, 18: 2648-2660.

[3] Huntley B, Green R E, Collingham Y C,etal. The performance of models relating species geographical distributions to climate is independent of trophic level.Ecology Letters, 2004, 7(5): 417-426.

[4] Burns C E, Johnston K M, Schmitz O J. Global climate change and mammalian species diversity in U.S. national parks. Proceedings of the National Academy of Sciences of the United States of America, 2003, 100(20): 11474-11477.

[5] Phillips S J, Anderson R P, Schapire R E. Maximum entropy modeling of species geographic distributions. Ecological Modeling, 2006, 190(3/4): 231-259.

[6] Xing D L, Hao Z Q. The principle of maximum entropy and its applications in ecology. Biodiversity Science, 2011, 19(3): 295-302. 邢丁亮, 郝占慶. 最大熵原理及其在生態(tài)學研究中的應用. 生物多樣性, 2011, 19(3): 295-302.

[7] Guo Y L, Wei H Y, Lu C Y,etal.Predictions of potential geographical distribution ofSinopodophyllumhexandrumunder climate change. Chinese Journal of Plant Ecology, 2014, 38(3): 249-261. 郭彥龍, 衛(wèi)海燕, 路春燕, 等. 氣候變化下桃兒七潛在地理分布的預測. 植物生態(tài)學報, 2014, 38(3): 249-261.

[8] Gao B, Wei H Y, Guo Y L,etal. Using GIS and MaxEnt to analyze the potential distribution ofAbieschensiensis. Chinese Journal of Ecology, 2015, 34(3): 843-852. 高蓓, 衛(wèi)海燕, 郭彥龍, 等. 應用GIS和最大熵模型分析秦嶺冷杉潛在地理分布. 生態(tài)學雜志, 2015, 34(3): 843-852.

[9] Li M Y, Xi Q, Xu H G. Evaluation of potential habitat for white-headed Langur based on WEB dataset and Maxent model.Forest Resources Management, 2010, (4): 31-36. 李明陽, 席慶, 徐海根. 基于WEB數(shù)據(jù)庫和Maxent模型的白頭葉猴潛在生境評價研究. 林業(yè)資源管理, 2010, (4): 31-36.

[10] Feng Y L, Jiang S M, Shao X. The effect of root system temperature on growth and photosynthetic characteristics inAmaranthustricolor. Bulletin of Botanical Research, 2000, 20(2): 180-185. 馮玉龍, 姜淑梅, 邵俠. 根系溫度對莧菜生長及光合特性的影響. 植物研究, 2000, 20(2): 180-185.

[11] Liang F, Zhou X Z, Cao L. Investigation onVitextrifoliaL.var.simplicifoliaCham. medicinal plant resources in China.Journal of Anhui Agricultural Sciences, 2011, 39(35): 21638-21640. 梁芳, 周香珍, 曹嵐. 我國單葉蔓荊藥用植物資源調(diào)查. 安徽農(nóng)業(yè)科學, 2011, 39(35): 21638-21640.

[12] Fang S M, Fan G W, Yao J L,etal. Research progress in study on chemical constituents and pharmacological effects ofViticisfructus. Chinese Traditional and Herbal Drugs, 2015, 46(24): 3757-3765. 房士明, 樊官偉, 姚進龍, 等. 蔓荊的化學成分及藥理活性研究進展. 中草藥, 2015, 46(24): 3757-3765.

[13] Rana V S, Dayal R. Chemical constituents ofVitexnegundobark. Journal of Medicinal & Aromatic Plant Sciences, 2006, 28(1): 43-44.

[14] Rodríguez-López V, Figueroa-Suárez M Z, Rodríguez T,etal. Insecticidal activity ofVitexmollis. Fitoterapia, 2007, 78(1): 37-39.

[15] Liu H Y. Determination of the content of flavin inVitextrifoliafrom different origins in Shandong HPLC. Journal of Traditional Chinese Medicine, 2010, (3): 198-199. 劉紅燕. HPLC測定山東不同產(chǎn)地單葉蔓荊子中蔓荊子黃素的含量. 山東中醫(yī)雜志, 2010, (3): 198-199.

[16] Liu X F, Yang C Z, Wang H S. Analysis of the volatile oil from the wildVitexviticisin Fujian by gas chromatography-mass spectrometry. Journal of Fujian College of Traditional Chinese Medicine, 2011, 21(3): 46-48. 劉小芬, 楊成梓, 王河山. 福建野生單葉蔓荊子揮發(fā)油的氣相-質(zhì)譜分析. 福建中醫(yī)藥大學學報, 2011, 21(3): 46-48.

[17] Hijmans R J, Cameron S E, Parra J L,etal. Very high resolution interpolated climate surfaces for global land areas. International Journal of Climatology, 2005, 25(15): 1965-1978.

[18] Wu J G, Lv J J. Potential effects of climate change on the distributions of giant panda (Ailuropodamelanoleuca) in China.Environmental Science & Technology, 2009, 32(12): 168-177. 吳建國, 呂佳佳. 氣候變化對大熊貓分布的潛在影響. 環(huán)境科學與技術, 2009, 32(12): 168-177.

[19] Zhai T Q, Li X H. Climate change induced potential range shift of theCrestedibisbased on ensemble models. Acta Ecologica Sinica, 2012, 32(8): 2361-2370. 翟天慶, 李欣海. 用組合模型綜合比較的方法分析氣候變化對朱鹮潛在生境的影響. 生態(tài)學報, 2012, 32(8): 2361-2370.

[20] Xin X G, Wu T W, Zhang J. Introduction of CMIP5 experiments carried out by BCC climate system model. Advances in Climate Change Research, 2012, 8(5): 378-382. 辛曉歌, 吳統(tǒng)文, 張潔. BCC氣候系統(tǒng)模式開展的CMIP5試驗介紹. 氣候變化研究進展, 2012, 8(5): 378-382.

[21] Kumar S K, Lee J H, Lahuerta J J,etal. Risk of progression and survival in multiple myeloma relapsing after therapy with IMiDs and bortezomib: a multicenter international myeloma working group study. Leukemia, 2012, 26(1): 149-157.

[22] Wisz M S, Hijmans R J, Li J,etal. Effects of sample size on the performance of species distribution models. Diversity & Distributions, 2008, 14(5): 763-773.

[23] Lu C Y, Gu W, Dai A H,etal. Assessing habitat suitability based on geographic information system (GIS) and fuzzy: A case study ofSchisandrasphenanthera, Rehd. et Wils. in Qinling Mountains, China. Ecological Modelling, 2012, 242(3): 105-115.

[24] Hu L L, Zhang H Y, Qin L,etal. Current distribution ofSchisandrachinensisin China and its predicted responses to climate change.Chinese Journal of Applied Ecology, 2012, 23(9): 2445-2450. 胡理樂, 張海英, 秦嶺, 等. 中國五味子分布范圍及氣候變化影響預測. 應用生態(tài)學報, 2012, 23(9): 2445-2450.

[25] Guo Y L, Gu W, Lu C Y,etal. Deoxyschizandrin and γ-schizandrin content in wildSchisandrasphenantherato determine potential distribution in Qinling. Bulletin of Botany, 2013, 48(4): 411-422. 郭彥龍, 顧蔚, 路春燕, 等. 基于五味子甲素與乙素的秦嶺地區(qū)野生華中五味子的潛在空間分布. 植物學報, 2013, 48(4): 411-422.

[26] Cui J L, Wei H Y, Sang M J,etal. Prediction of potential distribution of blueberry based on maximum entropy model. Shandong Agricultural Sciences, 2015, (9): 36-41. 崔晉亮, 衛(wèi)海燕, 桑滿杰, 等. 基于最大熵模型的藍莓潛在分布區(qū)預測. 山東農(nóng)業(yè)科學, 2015, (9): 36-41.

[27] Wang Y S, Xie B Y, Wan F H,etal. Application of ROC curve analysis in evaluating the performance of alien species potential distribution models. Biodiversity Science, 2007, 15(4): 365-372. 王運生, 謝丙炎, 萬方浩, 等. ROC曲線分析在評價入侵物種分布模型中的應用. 生物多樣性, 2007, 15(4): 365-372.

[28] Fielding A H, Bell J F. A review of methods for the assessment of prediction errors in conservation presence/absence models. Environmental Conservation, 1997, 24(24): 38-49.

Prediction of geographical distribution ofVitextrifoliavar.simplicifoliaunder climate change based on the MaxEnt model

WANG Ya-Ling1, LI Hao1, YANG Xuan1, GUO Yan-Long2, LI Wei-De1*

1.SchoolofMathematicsandStatistics,LanzhouUniversity,Lanzhou730000,China; 2.ColdandAridRegionsEnvironmentsandEngineeringResearchInstitute,ChineseAcademyofSciences,Lanzhou730000,China

Vitextrifoliavar.simplicifolia(Viticisfructus) is not only valuable as a medicinal plant, but also ecologically important. It can function as a wind break, and it stabilizes sand and soil, and it conserves water. Predicting the impact of climate change on the spatial distribution ofV.trifoliavar.simplicifoliamay provide a scientific basis and reference for the sustainable use of this important plant. Using a Maximum Entropy (MaxEnt) model, we simulated the geographical distribution ofV.trifoliaunder the current climatic conditions in China based on species presence data at 126 locations and data for 22 environmental factors. Then, we

used the model to predict the future distributions ofV.trifoliain two periods (2050s and 2070s) under four different climate change scenarios. The results showed that the MaxEnt model was highly accurate (mean area under ROC curve, 0.988). The main climatic factors influencing the geographic distribution ofV.trifoliawere altitude, mean diurnal air temperature range, precipitation in the coldest quarter, and precipitation in the driest month. The model simulations indicated that, under the four scenarios,V.trifoliawill widen its distribution because of a rapid increase in suitable habitat areas and a slow increase in marginally suitable habitat areas. During the period of 2041-2060, the potential distribution area of suitable habitat would increase from the current ratio of 5.03% to 15.88%, 17.00%, 17.59%, and 23.11% under scenarios 1-4, respectively. The potential distribution area of marginally suitable habitat would increase from the current ratio of 8.86% to 11.09%, 10.31%, 11.53%, and 12.96% under scenarios 1-4, respectively. During the period of 2061-2080, the potential distribution area of suitable habitat would increase to 21.22%, 22.21%, 24.57%, and 30.66% under scenarios 1-4, respectively, and the potential distribution area of marginally suitable habitat would increase to 11.85%, 12.07%, 13.99%, and 14.66% under scenarios 1-4, respectively. In terms of the spatial distribution of the potential habitat area ofV.trifolia, both the distributional range and the center of distribution of suitable and marginally suitable habitat areas would shift from coastal areas to inland. The distribution of suitable habitat area in Hunan and Jiangxi provinces would increase rapidly. Especially in Sichuan Province, where there is only a small percentage of marginally suitable habitat area currently, the potential marginally suitable habitat area would increase, and the suitable habitat area would appear and increase rapidly under climate change.

Vitextrifoliavar.simplicifolia; climatic change; MaxEnt model; potential geographic distribution

10.11686/cyxb2016356

2016-09-21；改回日期：2016-11-03

國家自然科學基金項目(41571016)資助。

王亞領(1991-)，男，湖北黃岡人，在讀碩士。E-mail:wangyaling14@lzu.edu.cn

*通信作者Corresponding author. E-mail:weideli@lzu.edu.cn

http://cyxb.lzu.edu.cn

王亞領, 李浩, 楊旋, 郭彥龍, 李維德. 基于MaxEnt模型和不同氣候變化情景的單葉蔓荊潛在地理分布預測. 草業(yè)學報, 2017, 26(7): 1-10.

WANG Ya-Ling, LI Hao, YANG Xuan, GUO Yan-Long, LI Wei-De. Prediction of geographical distribution ofVitextrifoliavar.simplicifoliaunder climate change based on the MaxEnt model. Acta Prataculturae Sinica, 2017, 26(7): 1-10.