應用生態位模型研究地被植物棣棠的潛在分布區及對未來氣候變化的響應

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據和環境變量，并應用最大熵方法（ Maxent）建立生態位模型，分析了影響棣棠潛在分布的主要環境因素，預測了棣棠在中國的潛在分布區域。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之間的區域;未來氣候變化下，棣棠的潛在分布區向北移動，但高適生區和適生區范圍減小，邊緣適生區范圍擴大。

關鍵詞：生態位模型;棣棠;潛在分布區;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。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[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恢復起到了重要的作用。但是，現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域。因此，分析預測棣棠的潛在分布區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變化也將隨氣候變暖而發生改變[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。

生態位模型是利用物種分布數據和相關環境變量，根據一定的算法可以預測物種的潛在分布區，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，由于統計技術、機器學習技術和地理信息系統進一步強大，生態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[8]。筆者將采用最大熵方法，分析影響棣棠分布的主要環境變量，并預測其潛在分布區，最后探討其潛在分布區對于未來氣候變化的響應。

2 材料和方法

2.1 物種分布數據與環境變量

棣棠的29個分布記錄來自于中國植物數字標本館（CVH）（http：//www. cvh. org. cn/）。當前氣候數據為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。以上所有氣候數據都源于World-Clim環境數據庫（http：//www. worldclim com/）。

三個地形變量是將從http：//www. gscloud. cn/獲得的DEM數據和經緯度坐標導入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境數據的空間分辨率為2.5分。

2.2 生態位模型

棣棠的生態位模型是通過其分布數據和環境變量導入Maxent 3.3.3e進行模擬，將隨機分布數據點的25%作為測試集（testing data），剩余75%作為訓練集（ training data），參數設置為軟件默認值，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域對環境的適應概率，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 影響棣棠分布的環境變量分析

生態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，隨之趨于穩定（圖lg）。

3.2 棣棠的潛在分布區的預測

使用中國矢量地圖作底圖，采用ArcGIS對棣棠的分布區進行掩膜提取，然后利用Spatial Analyst模塊的Reclassify功能，基于Natural Breaks分級的方法，按照適生指數值從低到高將棣棠分布區依次分為5個等級，分別是非適生區（0.0～0.2）、邊緣適生區（0.2～0.4）、低適生區（0.4～0.6）、適生區（0.6～0.8）和高適生區（0.8～1.0）。由圖2可以看出棣棠目前的潛在分布區基本分布在22°N～36°N和98°E～122°E之間的區域。其中高適生區和適生區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明顯向北移動，高適生區和適生區范圍減小，邊緣適生區范圍擴大。其中，新疆西南地區邊緣適生區顯著增大（圖3.a，b）。

3.4 精度測評

生態位模型模擬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的預測效果較好。

4 討論和總結

本文對棣棠的潛在分布區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。棣棠的潛在分布區域主要集中在我國東南地區，未來氣候變化下棣棠的潛在分布區向北移動，但高適生區和適生區范圍減小，邊緣適生區范圍擴大。今后棣棠在園林綠化中的應用及引種栽培時，首先根據其在氣候變化下的潛在分布區進行評估，然后根據評估結果再考慮棣棠是否適應引種栽培區域的氣候，從而提高其成活率。

本研究沒有研究區域土壤類型和植被分布等因素對棣棠分布的影響。此外，棣棠樣本記錄數據只是單一地從CVH上獲取，數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據，生態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域的預測中所產生的各種數據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.基于最大熵生態位元模型的入侵雜草春飛蓬在中國潛在分布區的預測[J].應用生態學報，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].中南林業科技大學學報，2009，29（4）：16～20.