陜西省設施農林用地適宜性潛力預測研究①

孫 昕，于東升*，潘 月，徐志超，黃 標，李明陽

?

陜西省設施農林用地適宜性潛力預測研究①

孫 昕1,2，于東升2,3*，潘 月2,3，徐志超2,3，黃 標2,3，李明陽1

(1 南京林業大學林學院，南京 210037；2 土壤與農業可持續發展國家重點實驗室(中國科學院南京土壤研究所)，南京 210008；3 中國科學院大學，北京 100049)

設施農林業是建設現代高效農林業的重點。掌握設施農林用地的潛力分布對高效農林業科學規劃和合理布局具有指導意義。本研究以陜西省220個設施農林用地的地理分布點數據，結合10個生態環境因子，通過Maxent最大熵模型和ArcGIS軟件的空間分析功能，對陜西省設施農林用地的適宜性潛力分布進行了預測，并分析了適宜性主導的環境因子。結果表明：①Maxent最大熵模型的預測精度較高，夜間燈光亮度、海拔、坡度、年平均降水量和年平均氣溫5個因子是影響設施農林適宜性潛力分布的主要環境因子；②陜西省設施農林用地的發展潛力由大到小的城市依次為渭南市、西安市、咸陽市、榆林市、漢中市、延安市、安康市、商洛市、寶雞市、銅川市，位于關中地區的渭南市，發展潛力最大面積可達4.77×104hm2，占該市常用耕地總面積的9.4%。

設施農林業；適宜性概率；潛力分布；最大熵模型；陜西省

設施農林業通過建造人工設施(主要包括溫室和大棚)，為種植業、林業、養殖業調節溫濕度以及產品的儲藏保鮮等提供適當的環境條件，以獲得速生、高產、優質的農產品[1]，已成為我國可持續發展總體戰略的重要組成和優先領域[2]。掌握設施農林業可發展潛力，對區域生產布局和可持續發展具有重要意義。

為揭示設施農林業區域空間分布特征，學者們開展了大量研究工作。李靜等人[3]利用TM影像，在對地物光譜特征深入分析的基礎上成功提取了大棚菜地的信息；鄒利東等人[4]利用面向對象和基于支持向量機的分類方法對設施農林業空間分布實現信息自動提取；羅軍等人[5-6]開發了基于高分辨率遙感影像的設施農林業信息采集系統，并利用掌上電腦結合便攜式GPS的方式對設施農林業進行野外移動測量，解決了傳統信息采集方式在設施農林業信息采集中存在的低效和低精度問題。Aguera等人[7]在最大似然分類法的基礎上加入紋理特征，分別利用QuickBird和IKONOS影像對設施農林用地進行了分類。這些研究工作主要回答設施農林業用地區域發展現狀問題，但對設施農林用地發展潛力和適宜性分布研究還是盲點。

近年來，多種模型被研發用于適宜性分布預測，如生態位模型(BIOCLIM、BLOMAPPER、DIVA、DOMAIN)、動態模擬模型(CLIMEX)、廣義相加模型GAM(generalized additive model)、廣義線性模型GLM(generalized linear model)、基于檢驗假設的分布預測模型GARP(the genetic algorithm for rule-set prediction)以及最大熵模型(Maxent)等[8-10]。其中，Maxent模型被證實具有最佳的預測能力和精度[11-14]。Maxent 模型[15-16]是基于最大熵理論的一種生態位模型，它根據某一事物已知的現有實際分布點數據，模擬其在自然環境中的基礎生態位需求，預測該事物在所研究區域的適宜分布范圍[17]。該模型進行適宜性分布區預測時，只需要輸入實際“存在”的數據，即使在實際“存在”數據較少的情況下，Maxent模型也具有較高的預測能力[18]。該模型在瀕危物種、外來入侵物種的潛在分布預測[19-23]，不同地區小麥、玉米、水稻等作物的適宜性分布及其氣候特征的研究[24-27]等方面，都得到了成功應用。能否借用該模型對區域設施農林業用地適宜性潛力分布開展預測研究，是本文擬研究回答的關鍵問題。

本研究通過陜西省220個設施農林用地樣點數據，結合樣點環境因子信息，采用最大熵法(Maxent)生態位模型，預測陜西省設施農林用地的適宜潛力分布，并對適宜發展設施農林用地的生態環境因子進行分析，以為陜西省設施農林業發展和規劃提供科學依據。

1 材料與方法

1.1 研究區概況

陜西省位于中國內陸腹地，地處105°29′ ~ 111°15′ E，31°42′ ~ 39°35′ N，總面積為20.58 × 104km2，呈現南北高、中部低的地勢特點，北為黃土高原，南為秦巴山地，中為關中平原，呈“兩山夾一川”的大地貌結構。年降水量的分布是南多北少，由南向北遞減，年平均降水量為576.9 mm[28]。溫度由南向北逐漸降低，年平均氣溫在7 ~ 16℃，其中陜北7 ~ 12℃、關中12 ~ 14℃[29]。自20世紀80年代中期，陜西省逐步出現了一些以竹木結構為大棚主體的簡易型設施農林業。2009年陜西省實施百萬畝設施蔬菜工程以來，設施農林業用地面積增長很快。據2015年年底的統計結果，全省常用耕地面積為290 × 104hm2，全省設施農林業面積達6×104hm2，占常用耕地面積的2.1%[30]。

1.2 數據采集及預處理

2015年12月至2016年9月分別在陜南、關中、陜北地區開展野外樣點調查。每個樣點調查內容主要包括設施農林業類型、種植年限、種植作物、海拔等，并用GPS記錄地理坐標、行政區地址等。共調查獲得174個設施農林業用地樣點數據(圖1A)，其中蔬菜大棚樣點153個，果樹大棚樣點21個，種植年限1 ~ 15 a不等。

圖1 研究區樣點分布圖

以174個調查樣點數據為標準建立解譯標志，在ArcGIS10.2中利用谷歌影像地圖插片用追蹤的方法手工提取陜西省設施農林用地情況，獲得2016年的設施農林總面積6.03萬hm2(圖1B)，其中榆林市0.27萬hm2，延安市0.29萬hm2，銅川市0.02萬hm2，咸陽市0.79萬hm2，寶雞市0.39萬hm2，渭南市2.82萬hm2，西安市0.86萬hm2，商洛市0.08萬hm2，安康市0.06萬hm2，漢中市0.45萬hm2。在ArcGIS10.2用feature to point工具將設施農林矢量圖轉化成點，共獲得5 700個點。為提高計算效率，本研究隨機抽取220個設施農林作為樣點數據。

選取與設施農林業密切相關的經濟及生態環境因子用來Maxent建模。其中，5個為氣候因子，2個為地形因子，2個為土壤因子，1個為社會經濟條件因子，共有10個因子(表1)。使用的經濟及生態環境因子空間分布數據有：①氣候因子，包括年平均降水、年平均溫度、年平均蒸發量、年月均溫度、年日照時數等(http://www.geodata.cn/)，空間分辨率為1 km；②數字地形模型(DEM)及海拔、坡度等地形因子，空間分辨率為90 m(http://www.gscloud.cn/)；③土壤因子，包括有機質、機械組成、田間持水量等(http://www. geodata.cn/)；④美國國防氣象衛星(DMSP/OLS)獲取的夜間燈光(light)數據(https://ngdc.noaa.gov/eog/)，用于反映區域人口密度及經濟繁華度[31]。

將調查樣點經緯度坐標信息按Maxent模型的識別格式*csv錄入到Excel電子表格。以ArcGIS為平臺，采用WGS1984 UTM 49N坐標系統，統一各環境因子圖層的坐標系統、柵格大小和邊界，并利用經緯度坐標信息自動讀取調查樣點的環境因子信息。各圖層用于模擬分析研究柵格大小統一為150 m×150 m，并轉化成Maxent軟件所要求的ASCII格式的文件。

1.3 Maxent模型及檢驗

最大熵原理(the principle of maximum entropy，簡稱Maxent)起源于信息科學，最早由著名數學家、物理學家E.T. Jaynes 基于Shannon的信息熵概念[32-35]提出。Shannon的信息熵是對信息的一種度量，信息的增加會導致熵的減少；在包含已有信息的前提下，熵最大的概率分布是包含未知信息最少的分布。Maxent模型應用于適宜性潛力分布預測時，將研究區域柵格圖像所覆蓋的空間范圍構成Maxent概率分布定義的總體；樣點數據集構成總體的一個抽樣樣本，每個樣點(樣本單元)的環境因子如氣候、海拔、坡度等，構成了樣本單元特征。Maxent模型并不要求變量之間相互獨立，可以相對任意地加入對最終分類有用的環境因子，而不需考慮它們之間的相互影響[36]。在掌握樣本單元特征信息知識后，選取符合這些知識但熵值最大的概率分布作為適宜性潛力分布。用代表可能發生的事件的集合，用代表事件發生的環境的集合，則模型擁有最大熵為：

其中，=(,),?,?, 且=×。

Maxent模型通過自動生成的ROC曲線(receiver operating characteristic curve)對模型進行模擬預測自檢，這種自檢驗功能在適宜性分布預測評價中已得到廣泛應用[37-40]。ROC曲線是以預測結果的每一個值作為可能的判斷閾值，由此計算得到相應的靈敏度和特異度。靈敏度是指實際有分布且被預測為存在的概率，反映了預測該事物分布的能力。特異度是指實際沒有分布且被預測為不存在的概率，反映了預測該事物沒有分布的能力。以特異度為橫坐標，靈敏度為縱坐標生成ROC曲線，利用曲線下面積(AUC)的大小作為模型預測準確度的衡量指標，其取值范圍為0.5 ~ 1，越接近1說明預測結果越好。一般認為，AUC值為0.5 ~ 0.6表明模擬失敗，0.6 ~ 0.7表明模擬較差，0.7 ~ 0.8 表明模擬一般，0.8 ~ 0.9 表明模擬好，0.9 ~ 1.0 表明模擬非常好[41]。

將設施農林用地220個樣點地理空間分布數據和環境因子數據導入Maxent3.2.1中，隨機選取80% 的樣點用于模型運行，將剩余20% 的樣點用于模型驗證。模型通過樣點的地理空間位置，從各環境因子圖層中自動獲取樣點環境因子數值，運算出約束條件，探尋此約束條件下最大熵的可能分布，生成設施農林用地潛在的適宜概率分布圖。

1.4 適宜設施農林用地主導因子分析

Maxent模型運算獲得最大熵值概率分布時，會給出每個環境因子相應的增益值(gain)，其占所有環境因子增益值總和的比重即為該環境因子的貢獻率[42]。依據環境因子貢獻率大小確定影響設施農林用地適宜分布的主導環境因子。

1.5 設施農林用地適宜性分區

將模型輸出的設施農林用地潛在適宜性概率分布值導入ArcGIS中生成ASCII圖，并轉成柵格圖層。按照專家經驗法[43]，依據概率分類閾值對適宜分布區進行類型分區。概率分類閾值根據設施農林業適宜分布區概率值(0 ~ 1)進行分割，分為最適宜分布區(0.76 ~ 1)、較適宜分布區(0.7 ~ 0.76)、低適宜分布區(0.6 ~ 0.7)和不適宜分布區(0 ~ 0.6)4類。其中，最適宜和較適宜地區認為都是潛在的適宜發展區域，因此，概率分類閾值>0.7的地區被認為是設施農林用地可發展的潛在適宜分布區。

將潛在適宜分布區柵格圖層與行政區劃矢量圖層疊加，通過Zonal Statistic計算出陜西省各地級市潛在適宜的設施農林用地面積。潛在面積與現有設施農林用地面積相減，可得到陜西省各地級市的設施農林用地發展潛力。

2 結果與討論

2.1 調查樣點生態環境因子統計特征

Maxent模型應用于預測陜西省設施農林用地適宜性分布時，陜西省的柵格圖像所覆蓋的空間范圍構成了Maxent概率分布定義的總體，220個設施農林用地樣點數據構成了總體的抽樣樣本，而每個樣點的10個生態環境因子數據構成了樣本單元特征。表1分別統計了220個樣點數據和研究區的10個生態環境因子的取值范圍、平均值和標準差。

表1 區域總體和抽樣樣本的生態環境因子統計特征

2.2 Maxent模型檢驗及預測結果

對Maxent模型預測的設施農林用地潛在適宜性分布結果驗證表明，訓練數據的AUC為0.944，測試數據的AUC為0.867，顯著大于隨機分布模型的AUC (0.5)，說明Maxent模型的擬合結果達到好的標準(圖2)。

圖2 ROC曲線及AUC值

Maxent模型預測得到的陜西省設施農林用地的適宜概率如圖3所示。適宜概率值越大表示發展設施農林用地越適宜。圖3適宜概率分布表明，陜西省設施農林用地潛在適宜性發展地區主要位于關中、陜南地區，陜北地區分布較少。

圖3 陜西省設施農林用地的適宜概率分布

2.3 潛在適宜性設施農林用地的環境因子

Maxent模型分析結果表明，環境因子對最大熵模型的貢獻率由大到小的順序排列依次為：夜間燈光數據(28.8%)、海拔(24.8%)、坡度(18.5%)、年平均降雨量(10.1%)、年平均溫度(7.1%)、年平均蒸發量(4.2%)、土壤有機質(2.8%)、年日照時數(1.8%)、田間持水量(1.3%)、年月平均溫度(0.6%)。前5個環境因子的累積貢獻率高達90%，表明社會經濟條件、氣候和地形是影響設施農林用地潛在適宜性分布的主導環境因子。

從Maxent模型輸出的各生態環境因子對設施農林用地潛在適宜概率的反應曲線圖(圖4)可以看出，隨著夜間燈光指數的增加，適宜概率逐漸增高，表明設施農林用地需設在有人類活動的地方；但當夜間燈光指數達到一定值后，隨著它的增加，適宜概率呈下降趨勢，表明人口密度大到一定程度時不適宜；當夜間燈光指數在11 ~ 23范圍內時，設施農林用地的適宜概率最大，表明設施農林適宜建在有一定人口密度、經濟較繁華的地區，因為溫室大棚中多種植蔬菜瓜果等經濟作物，需要設在居民點附近，便于農民的管理與出售。

圖4 環境因子對設施農林用地適宜概率的反應曲線圖

隨著海拔坡度的增大，設施農林用地的適宜概率總體上呈現下降的趨勢，表明它適宜建在海拔較低、坡度較小的地區。當年降水量在500 ~ 600 mm和800 ~ 900 mm，年平均溫度為12 ~ 15℃，年月均溫度為13 ~ 15℃，年平均蒸發量為900 ~ 980 mm，年日照時數1 500 ~ 2 300 h時，適宜概率最高，表明設施農林用地的適宜性對氣候條件有一定的要求，設施農林宜建在有合適的氣溫與充沛的降水地區，其塑料薄膜利用太陽能具有保溫的性能，其雨水收集裝置可以進行雨水灌溉[44]。當土壤有機質約為2.5 g/kg，田間持水量約為0.38時，適宜概率最大，表明設施農林適宜用地對土壤也有較高要求(圖4)。

2.4 區域適宜性設施農林用地潛力分布

利用ArcGIS軟件按預設標準對適宜概率圖進行分類，得到陜西省設施農林用地潛在適宜性分區圖(圖5)，計算各適宜等級區面積。最適宜、較適宜、低適宜、不適宜區的面積分別為5.90×104、12.60×104、116.97×104、1 922.63×104hm2，可發展潛在適宜(適宜概率>0.7)分布區總面積達18.50×104hm2，主要集中在關中的渭南市、西安市和咸陽市(表2)。

去除現有設施農林用地面積，陜西省設施農林用地發展潛力總面積可12.47×104hm2，占常用耕地總面積的4.3%，約為已有設施農林用地面積的2倍，主要位于關中地區(9.71×104hm2)，陜南地區和陜北地區分布較少，面積分別為1.40×104、1.36×104hm2(表2)。設施農林用地的發展潛力由大到小的城市依次為渭南市、西安市、咸陽市、榆林市、漢中市、延安市、安康市、商洛市、寶雞市、銅川市，其中位于關中地區的渭南市的發展潛力最大，面積為4.77×104hm2(表2)，占該市耕地面積的9.4%。

圖5 陜西省設施農林用地潛在適宜分區

3 結論

本研究以陜西省220個設施農林用地的樣點數據，結合10個生態環境因子，通過Maxent最大熵模型成功預測了陜西省設施農林用地潛在適宜性分布，證明Maxent模型可應用于設施農林用地潛在適宜分布預測。

陜西省設施農林用地發展潛力地區主要位于陜南的渭南市、西安市和咸陽市，關中地區和陜北地區分布較少，潛力總面積可達到12.47×104hm2，占總耕地面積的4.3%，約為已有面積的2倍。影響陜西省設施農林用地潛在適宜性分布的主導環境因子有5個，即夜間燈光亮度、海拔、坡度、年平均降雨量和年平均溫度。設施農林用地的潛在適宜發展區主要位于社會經濟較發達、居民點附近、低海拔、坡度較小、有較充沛年降水量和較高年均溫度的地區。

當然，陜西省設施農林用地的潛在適宜發展區分布不僅取決于社會經濟條件、地形、氣候、土壤因子，還取決于社會需求、經濟效益、生產技術水平、水利條件、人文歷史等因素的綜合影響。在實際生產活動實踐中，設施農林業種植區選擇需要綜合考慮各種因素的作用。因此，未來類似研究還需要引入更多的生態環境因子進行全面和深入分析。

[1] 汪軍, 楊杉, 陳剛才, 等. 我國設施農業農膜使用的環境問題芻議[J]. 土壤, 2016, 48(5): 863–867

[2] 范慶鋒, 虞娜, 張玉玲, 等. 設施蔬菜栽培對土壤陽離子交換性能的影響[J]. 土壤學報, 2014(5): 1132–1137

[3] 李靜, 趙庚星, 李濤, 等. TM影像中大棚菜地信息提取技術研究[J]. 水土保持學報, 2004, 18(1): 126–129

[4] 鄒利東, 郭航, 朱秀芳, 等. 設施農業空間分布信息自動提取方法研究[J]. 遙感技術與應用, 2014, 29(4): 669– 674

[5] 羅軍, 潘瑜春, 王紀華, 等. 基于手持GPS的設施農業信息采集系統設計[J]. 微計算機信息, 2007, 23(32): 11– 13

[6] 羅軍, 潘瑜春, 王紀華, 等. 基于高分辨率遙感影像的設施農業資源信息采集技術研究[J]. 地理與地理信息科學, 2007, 23(3): 51–54.

[7] Agüera F, Aguilar F J, Aguilar M A. Using texture analysis to improve per-pixel classification of very high resolution images for mapping plastic greenhouses[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2008, 63(6): 635–646

[8] Peterson A T. Predicting the geography of species' invasions via ecological niche modeling[J]. Quarterly Review of Biology, 2003, 78(4): 419

[9] Kozak K H, Graham C H, Wiens J J. Integrating GIS-based environmental data into evolutionary biology[J]. Trends in Ecology & Evolution, 2008, 23(3): 141–148

[10] Cao M C, Zhou G S, Weng E S. Application and comparison of generalized models and classification and regression tree in simulating tree species distribution[J]. Acta Ecologica Sinica, 2005, 25(8): 2031–2040

[11] 王運生, 謝丙炎, 萬方浩, 等. 相似穿孔線蟲在中國的適生區預測[J]. 中國農業科學, 2007, 40(11): 2502–2506

[12] Giovanelli J G R, Haddad C F B, Alexandrino J. Predicting the potential distribution of the alien invasive American bullfrog, in Brazil[J]. Biological Invasions, 2008, 10(5): 585–590

[13] Saatchi S, Buermann W, Steege H T, et al. Modeling distribution of Amazonian tree species and diversity using remote sensing measurements[J]. Remote Sensing of Environment, 2008, 112(5): 2000–2017

[14] 曹向鋒, 錢國良, 胡白石, 等. 采用生態位模型預測黃頂菊在中國的潛在適生區[J]. 應用生態學報, 2010, 21(12): 3063–3069

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

[16] Phillips S J, Dudík M. Modeling of species distributions with Maxent: new extensions and a comprehensive evaluation[J]. Ecography, 2008, 31(2): 161–175

[17] Phillips S J, Dudík M, Schapire R E. A maximum entropy approach to species distribution modeling[C]//Proceedings of the twenty-first international conference on machine learning. ACM, 2004: 83

[18] Townsend Peterson A, Pape? M, Eaton M. Transferability and model evaluation in ecological niche modeling: A comparison of GARP and Maxent[J]. Ecography, 2007, 30(4): 550–560

[19] Adhikari D, Barik S K, Upadhaya K. Habitat distribution modelling for reintroduction of, Purk. a critically endangered tree species of northeastern India[J]. Ecological Engineering, 2012, 40(3): 37–43

[20] Evangelista P H, Kumar S, Stohlgren T J, et al. Modelling invasion for a habitat generalist and a specialist plant species[J]. Diversity & Distributions, 2008, 14(5): 808–817

[21] Wang J, Ni J. Modelling the distribution of fivespecies in temperate Northern China[J]. Chinese Journal of Plant Ecology, 2009:12–24

[22] Ming-Yang L I, Yun-Wei J U, Kumar S, et al. Modeling potential habitat for alien species ofin the continental USA[J]. Acta Ecologica Sinica, 2008, 28(9): 4253–4258

[23] Ward D F. Ward DF. Modeling the potential geographic distribution of invasive ant species in New Zealand[J]. Biological Invasions, 2006, 9(6): 723–735

[24] 段居琦, 周廣勝. 中國水稻潛在分布及其氣候特征[J]. 生態學報, 2011, 31(22): 6659–6668

[25] 何奇瑾, 周廣勝. 我國春玉米潛在種植分布區的氣候適宜性[J]. 生態學報, 2012, 32(12): 3931–3939

[26] 孫敬松, 周廣勝. 利用最大熵法(MaxEnt)模擬中國冬小麥分布區的年代際動態變化[J]. 中國農業氣象, 2012, 33(4): 481–487

[27] 謝佰承, 杜東升, 陸魁東, 等. 基于MaxEnt模型湖南雙季稻種植氣候適宜性分布研究[J]. 中國農學通報, 2015, 31(9): 247–251

[28] 單燕, 李茹, 石磊, 等. 陜西省玉米土壤肥力與施肥效應評估[J]. 土壤學報, 2015, 52(6): 1430–1437

[29] 安彬, 孫虎, 劉宇峰, 等. 陜西省氣候及其生產潛力時空變化特征[J]. 陜西師范大學學報(自科版), 2014(3): 103– 108

[30] 李鴻德, 任建利, 沈新元, 等. 陜西省設施農業發展現狀及建議[J]. 現代農業科技, 2011(9): 247–250

[31] 何春陽, 史培軍, 李景剛, 等. 基于DMSP/OLS夜間燈光數據和統計數據的中國大陸20世紀90年代城市化空間過程重建研究[J]. 科學通報, 2006, 51(7): 856–861

[32] Jaynes E T. Information theory and statistical mechanics[J]. Physical Review, 1957, 106(4): 620

[33] Jaynes E T. Information theory and statistical mechanics. II[J]. Physical Review, 1957, 108(2): 171

[34] Jaynes E T, Bretthorst G L. Probability theory: The logic of science. 2003[J]. Cambridge, UK: Cambridge University Press Google Scholar, 2009

[35] Shannon C E. A mathematical theory of communication, Part I, Part II[J]. Bell Syst. Tech. J., 1948, 27: 623–656

[36] Wiley E O, Mcnyset K M, Peterson A T, et al. Niche modeling and geographic range predictions in the marine environment using a machine-learning algorithm[J]. Oceanography, 2003, 16(3): 120–127

[37] Manel, Stéphanie, Williams, H. Ceri, Ormerod, S.J. Evaluating presence–absence models in ecology: The need to account for prevalence[J]. Journal of Applied Ecology, 2001, 38

[38] Brotons L, Thuiller W, Araújo M B, et al. Presence- absence versus presence-only modelling methods for predicting bird habitat suitability[J]. Ecography, 2004, 27(4): 437–448

[39] Mcpherson J M, Jetz W, Rogers D J. The effects of species’ range sizes on the accuracy of distribution models: Ecological phenomenon or statistical artefact?[J]. Journal of Applied Ecology, 2004, 41(5): 811–823

[40] Elith J, Graham C H, Anderson R P, et al. Novel methods improve prediction of species’ distributions from occurrence data[J]. Ecography, 2006, 29(2): 129–151

[41] Swets J A. Measuring the accuracy of diagnostic systems[J]. Science, 1988, 240(4857): 1285

[42] Garcia K, Lasco R, Ines A, et al. Predicting geographic distribution and habitat suitability due to climate change of selected threatened forest tree species in the Philippines[J]. Applied Geography, 2013, 44(4):12–22.

[43] 席慶.基于 GIS 技術的白頭葉猴潛在分布研究[D]. 南京: 南京林業大學, 2009

[44] 李云光, 王振華, 張金珠, 等. 滴灌條件下液體地膜覆蓋土壤保溫保濕效應及棉花生長響應[J]. 土壤, 2015(6): 1170–1175

Prediction of Potential Suitability Distribution for Facility Agriculture and Forestry Land in Shaanxi Province

SUN Xin1,2, YU Dongsheng2,3*, PAN Yue2,3, XU Zhichao2,3, HUANG Biao2,3, LI Mingyang1

(1 College of Forestry, Nanjing Forestry University, Nanjing 210037, China; 2 State Key Laboratory of Soil and Sustainable Agriculture, Institute of Soil Science, Chinese Academy of Sciences, Nanjing 210008, China; 3 University of Chinese Academy of Sciences, Beijing 100049, China)

As the focus of the construction of modern high-efficient agriculture and forestry, the potential distribution of facility agriculture and forestry can be a guide for its scientific planning and rational layout. Based on 220 geographical distribution sites data of facility agriculture and forestry in Shaanxi Province, together with 10 environment factors and the maximum entropy (Maxent) model and the ArcGIS spatial analysis platform, the potential distribution of facility agriculture and forestry in Shaanxi Province and its dominant environment factors were studied in this paper. The results showed that the evaluation Precision of the model is high, the night lights brightness data, elevation, slope, the average annual precipitation and the annual average temperature are the main environmental factors to affect the potential distribution of facility agriculture and forestry. The development potential of facility agriculture and forestry in Shaanxi Province is in an order of Weinan>Xi’an> Xianyang>Yulin>Hanzhong>Yan’an>Ankang>Shangluo>Baoji>Tongchuan. Among them, Weinan located in central Shaanxi Province has the greatest potential with an area of 4.77×104hm2, accounting for 9.4% of the city’s total conventional arable land.

Facility agriculture and forestry; Suitability probability; Potential distribution; Maximum entropy model (Maxent); Shaanxi Province

陜西省科學院科技計劃項目(2016K-07)、2017 年度陜西省重點研發專項(2017ZDXM-NY-049)及中國科學院科技服務網絡計劃(STS計劃)項目(KFJ-STS-QYZD-074)資助。

(dshyu@issas.ac.cn)

孫昕(1992—)，女，遼寧丹東人，碩士研究生，主要從事遙感與GIS應用技術研究。E-mail: 3200849749@qq.com

10.13758/j.cnki.tr.2019.02.022

S315；S626.5；S628

A