王文婷

摘要：通過最近鄰體距離法和相關性分析法分別選取樣本數(shù)據(jù)和環(huán)境變量，并應用最大熵方法（ Maxent）建立生態(tài)位模型，分析了影響棣棠潛在分布的主要環(huán)境因素，預測了棣棠在中國的潛在分布區(qū)域。結果表明：棣棠適應生長在溫度、降雨適中，海拔較低的平原地帶;目前，棣棠主要分布在中國東南部，介于22°N～36°N和98°E -122°E之間的區(qū)域;未來氣候變化下，棣棠的潛在分布區(qū)向北移動，但高適生區(qū)和適生區(qū)范圍減小，邊緣適生區(qū)范圍擴大。

關鍵詞：生態(tài)位模型;棣棠;潛在分布區(qū);最大熵模型

中圖分類號：Q948.13

文獻標識碼：A

文章編號：1674-9944（2018）2-0001-03

1 引言

棣棠（Kerria Japonica）屬薔薇科棣棠屬，原產于亞洲東部地區(qū)。中國野生棣棠多生于秦嶺和長江流域的山澗、巖石旁或灌木從中，而栽培棣棠遍布全國大部分地區(qū)[1]。棣棠為落葉灌木，樹高1.5～2.5 m，常年翠綠，夏季金花滿株，秋季黑果累累，不僅具有較高的觀賞價值[2，3]，還具有一定的滯塵效應[4]，被廣泛應用在城市園林及道路綠化中。近年來，棣棠在引種培育方面得到了深入的研究，這對于城市綠化及生態(tài)恢復起到了重要的作用。但是，現(xiàn)階段的研究僅限于棣棠生物特性的實驗分析，并沒有從大尺度上研究適應棣棠引種培育的地理區(qū)域。因此，分析預測棣棠的潛在分布區(qū)對于其引種栽培具有重要的意義。

氣候對物種的分布范圍具有深遠的影響，是大尺度上決定物種分布的關鍵因素。以全球增溫為主要特征的氣候變化已成為一個不可爭辯的事實，同時降水、輻射、潛在蒸散以及其它氣候變量的季節(jié)變化也將隨氣候變暖而發(fā)生改變[5]。氣候變化引起物種分布和豐度的眾多改變，繼而發(fā)生物種水平的滅絕，因此，研究地被植物棣棠與氣候變化的關系，預測其在未來氣候變化條件下的響應特征不僅具有重要的科學意義，而且還有一定的社會價值。

生態(tài)位模型是利用物種分布數(shù)據(jù)和相關環(huán)境變量，根據(jù)一定的算法可以預測物種的潛在分布區(qū)，已被廣泛應用于保護生物學、進化生物學、全球氣候變化對物種分布的影響等[6，7]。近年來，由于統(tǒng)計技術、機器學習技術和地理信息系統(tǒng)進一步強大，生態(tài)位模型的模擬方法層出不窮，其中最大熵（ Maxent）的方法在只有物種記錄點，甚至樣本很小的情況下也能較好的預測物種的潛在分布區(qū)[8]。筆者將采用最大熵方法，分析影響棣棠分布的主要環(huán)境變量，并預測其潛在分布區(qū)，最后探討其潛在分布區(qū)對于未來氣候變化的響應。

2 材料和方法

2.1 物種分布數(shù)據(jù)與環(huán)境變量

棣棠的29個分布記錄來自于中國植物數(shù)字標本館（CVH）（http：//www. cvh. org. cn/）。當前氣候數(shù)據(jù)為1950～2000年的平均值，通過相關性分析，去除相關性大于0.8的環(huán)境變量，最后保留的Bio_05，Bio 06，Bio_16，Bio_17（表1）。未來氣候考慮了全球氣候模型（GCMs）、vn-ROC5和溫室氣體濃度軌跡（RCPs）、RCP2.6下2050年和2070年相應氣候變量。以上所有氣候數(shù)據(jù)都源于World-Clim環(huán)境數(shù)據(jù)庫（http：//www. worldclim com/）。

三個地形變量是將從http：//www. gscloud. cn/獲得的DEM數(shù)據(jù)和經緯度坐標導入ArcGIS 9.3中計算得到的，包括海拔、坡向和坡度（表1）。在本研究中使用的所有環(huán)境數(shù)據(jù)的空間分辨率為2.5分。

2.2 生態(tài)位模型

棣棠的生態(tài)位模型是通過其分布數(shù)據(jù)和環(huán)境變量導入Maxent 3.3.3e進行模擬，將隨機分布數(shù)據(jù)點的25%作為測試集（testing data），剩余75%作為訓練集（ training data），參數(shù)設置為軟件默認值，重復模擬20次用于降低運算過程中隨機性造成的影響。最后將20次結果的平均值以柵格文件通過ARCGIS9.3輸出，每個柵格的值代表物種在該區(qū)域對環(huán)境的適應概率，值域為[0，1]。

2.3 模型的精度驗證

通過AUC值對模型精度進行檢驗，即接受者操作特性曲線（ROC曲線）與橫坐標所圍成的面積的值，值域為[0.5，1]。ROC曲線是以預測中且實際存在的比率（真陽性率）為縱坐標，只存在于預測中而實際上不存在的比率（假陽性率）為橫坐標。所以AUC的值越大，表示其與隨機分布相距越遠，環(huán)境變量與預測的物種地理分布之間相關性越大，即模型的模擬效果越好;反之說明模型預測的效果越差。如果AUC值在0.5～0.6之間，表明模型模擬失敗了;在0.6～0.7之間表示模擬效果較差;在0.7～0.8之間表示效果一般;在0.8～0.9之間表示效果較好;在0.9～1之間表示效果非常好[9，10]。

3 結果與分析

3.1 影響棣棠分布的環(huán)境變量分析

生態(tài)位模型模擬結果顯示，隨著最冷月最低溫（ Bio 06）、最濕季的降水量（Bio_16）和海拔（A1t.）的增高，棣棠的潛在分布概率先增大然后減小（圖lb，c，e）。最暖月最高溫（Bio_05）超過33℃時，棣棠的分布概率急劇下降（圖la）。隨著最干季降水量（Bio_17）的增高，棣棠的潛在分布概率首先急速下降，然后反彈，隨之增長速率減緩（圖ld）。然而，坡度（Slop.）變化對醉馬草的潛在分布概率的影響與最干季降水量影響相反（圖lf）。坡向（Asp.）的增大同樣可使得棣棠的潛在分布概率首先急速下降，隨之趨于穩(wěn)定（圖lg）。

3.2 棣棠的潛在分布區(qū)的預測

使用中國矢量地圖作底圖，采用ArcGIS對棣棠的分布區(qū)進行掩膜提取，然后利用Spatial Analyst模塊的Reclassify功能，基于Natural Breaks分級的方法，按照適生指數(shù)值從低到高將棣棠分布區(qū)依次分為5個等級，分別是非適生區(qū)（0.0～0.2）、邊緣適生區(qū)（0.2～0.4）、低適生區(qū)（0.4～0.6）、適生區(qū)（0.6～0.8）和高適生區(qū)（0.8～1.0）。由圖2可以看出棣棠目前的潛在分布區(qū)基本分布在22°N～36°N和98°E～122°E之間的區(qū)域。其中高適生區(qū)和適生區(qū)主要分布在湖南省和浙江省，四川東部和江西省也有零星分布。低適生區(qū)主要介于24.5°N～33°N之間。

3.3 未來氣候變化下棣棠的潛在分布變化

基于棣棠生態(tài)位模型，利用Maxent中Proj ection功能分別預測未來氣候（2050年和2070年）條件下棣棠的潛在分布概率。結果表明潛在分布區(qū)明顯向北移動，高適生區(qū)和適生區(qū)范圍減小，邊緣適生區(qū)范圍擴大。其中，新疆西南地區(qū)邊緣適生區(qū)顯著增大（圖3.a，b）。

3.4 精度測評

生態(tài)位模型模擬20次的AUC平均值為0.92，標準差為0.097，模型對棣棠在中國潛在分布區(qū)的預測效果較好。

4 討論和總結

本文對棣棠的潛在分布區(qū)域進行定量直觀地預測。結果的顯示棣棠適應生長在溫度、降雨適中，海拔較低的平原地帶。王瑞輝和馬履一在對北京15種園林樹木耗水性的比較研究中表明棣棠年均日耗水量500～1000 g/m2，屬于中等耗水樹種[11]，這與該模擬結果一致。棣棠的潛在分布區(qū)域主要集中在我國東南地區(qū)，未來氣候變化下棣棠的潛在分布區(qū)向北移動，但高適生區(qū)和適生區(qū)范圍減小，邊緣適生區(qū)范圍擴大。今后棣棠在園林綠化中的應用及引種栽培時，首先根據(jù)其在氣候變化下的潛在分布區(qū)進行評估，然后根據(jù)評估結果再考慮棣棠是否適應引種栽培區(qū)域的氣候，從而提高其成活率。

本研究沒有研究區(qū)域土壤類型和植被分布等因素對棣棠分布的影響。此外，棣棠樣本記錄數(shù)據(jù)只是單一地從CVH上獲取，數(shù)量較少且具有一定的局限性。如果能夠綜合所有對棣棠生存有影響的因素，并具有完備的樣本記錄數(shù)據(jù)，生態(tài)位模型模擬將會得到更加準確的預測結果。在上述關于棣棠潛在分布區(qū)域的預測中所產生的各種數(shù)據(jù)都只是一種模擬推測，并不是由實地考察產生的，但是本研究結果對棣棠栽培可提供一定的參考。

參考文獻：

[1]朱福勤，優(yōu)良地被植物——棣棠[J].北京園林，1999（2）：11.

[2]張洪軍.棣棠的生物學特性及在園林綠化中的應用[J].林業(yè)勘查設計，2016（3）：55～56.

[3]李海霞.棣棠栽培管理[J].中國花卉園藝，2015（10） ：48～49

[4]劉穎，李朝煒，邢文岳，等.魏景芳城市交通道路綠化植物滯塵效應研究[J].北方園藝，2015（3）：77～81.

[5]IPPC， 2013. Climate change 2013： The physical science basis.Contribution of Working Group I to the Fifth Assessment Reportof the Intergovernmental Panel on Climate Change. Cambridge，United Kingdom and New York， NY， USA： Cambridge University Press.

[6] Albright，T.P.，Chen， H.， Chen，L.，et al. The ecologicalniche and reciprocal prediction of the disjunct distribution of an invasive species： the example of Ailanthus altissima[J]. BiologicalInvasions， 2010（12）：2413～2427.

[7]Peterson， A.T..Predicting the geography of species'invasions viaecological niche modeling[J]. Quarterly Review of Biology， 2003（78） ：419～433.

[8]Phillips，S.J.，Anderson，R.P.，Schapire，R.E..Maximum entropy modeling of species geographic distributions[J]. EcologicalModelling， 2006（190）：231～259.

[9]Swets JA. Measuring the accuracy of diagnostic systems[J]. Science，1988（240）：1285～1293.

[10]張穎，李君，林蔚，等.基于最大熵生態(tài)位元模型的入侵雜草春飛蓬在中國潛在分布區(qū)的預測[J].應用生態(tài)學報，2011，22（11）：2970～2976.

[11]王瑞輝，馬履一.北京15種園林樹木耗水性的比較研究[J].中南林業(yè)科技大學學報，2009，29（4）：16～20.