应用生态位模型研究地被植物棣棠的潜在分布区及对未来气候变化的响应

王文婷

摘要：通过最近邻体距离法和相关性分析法分别选取样本数据和环境变量，并应用最大熵方法（ Maxent）建立生态位模型，分析了影响棣棠潜在分布的主要环境因素，预测了棣棠在中国的潜在分布区域。结果表明：棣棠适应生长在温度、降雨适中，海拔较低的平原地带;目前，棣棠主要分布在中国东南部，介于22°N～36°N和98°E -122°E之间的区域;未来气候变化下，棣棠的潜在分布区向北移动，但高适生区和适生区范围减小，边缘适生区范围扩大。

关键词：生态位模型;棣棠;潜在分布区;最大熵模型

中图分类号：Q948.13

文献标识码：A

文章编号：1674-9944（2018）2-0001-03

1 引言

棣棠（Kerria Japonica）属蔷薇科棣棠属，原产于亚洲东部地区。中国野生棣棠多生于秦岭和长江流域的山涧、岩石旁或灌木从中，而栽培棣棠遍布全国大部分地区[1]。棣棠为落叶灌木，树高1.5～2.5 m，常年翠绿，夏季金花满株，秋季黑果累累，不仅具有较高的观赏价值[2，3]，还具有一定的滞尘效应[4]，被广泛应用在城市园林及道路绿化中。近年来，棣棠在引种培育方面得到了深入的研究，这对于城市绿化及生态恢复起到了重要的作用。但是，现阶段的研究仅限于棣棠生物特性的实验分析，并没有从大尺度上研究适应棣棠引种培育的地理区域。因此，分析预测棣棠的潜在分布区对于其引种栽培具有重要的意义。

气候对物种的分布范围具有深远的影响，是大尺度上决定物种分布的关键因素。以全球增温为主要特征的气候变化已成为一个不可争辩的事实，同时降水、辐射、潜在蒸散以及其它气候变量的季节变化也将随气候变暖而发生改变[5]。气候变化引起物种分布和丰度的众多改变，继而发生物种水平的灭绝，因此，研究地被植物棣棠与气候变化的关系，预测其在未来气候变化条件下的响应特征不仅具有重要的科学意义，而且还有一定的社会价值。

生态位模型是利用物种分布数据和相关环境变量，根据一定的算法可以预测物种的潜在分布区，已被广泛应用于保护生物学、进化生物学、全球气候变化对物种分布的影响等[6，7]。近年来，由于统计技术、机器学习技术和地理信息系统进一步强大，生态位模型的模拟方法层出不穷，其中最大熵（ Maxent）的方法在只有物种记录点，甚至样本很小的情况下也能较好的预测物种的潜在分布区[8]。笔者将采用最大熵方法，分析影响棣棠分布的主要环境变量，并预测其潜在分布区，最后探讨其潜在分布区对于未来气候变化的响应。

2 材料和方法

2.1 物种分布数据与环境变量

棣棠的29个分布记录来自于中国植物数字标本馆（CVH）（http：//www. cvh. org. cn/）。当前气候数据为1950～2000年的平均值，通过相关性分析，去除相关性大于0.8的环境变量，最后保留的Bio_05，Bio 06，Bio_16，Bio_17（表1）。未来气候考虑了全球气候模型（GCMs）、vn-ROC5和温室气体浓度轨迹（RCPs）、RCP2.6下2050年和2070年相应气候变量。以上所有气候数据都源于World-Clim环境数据库（http：//www. worldclim com/）。

三个地形变量是将从http：//www. gscloud. cn/获得的DEM数据和经纬度坐标导入ArcGIS 9.3中计算得到的，包括海拔、坡向和坡度（表1）。在本研究中使用的所有环境数据的空间分辨率为2.5分。

2.2 生态位模型

棣棠的生态位模型是通过其分布数据和环境变量导入Maxent 3.3.3e进行模拟，将随机分布数据点的25%作为测试集（testing data），剩余75%作为训练集（ training data），参数设置为软件默认值，重复模拟20次用于降低运算过程中随机性造成的影响。最后将20次结果的平均值以栅格文件通过ARCGIS9.3输出，每个栅格的值代表物种在该区域对环境的适应概率，值域为[0，1]。

2.3 模型的精度验证

通过AUC值对模型精度进行检验，即接受者操作特性曲线（ROC曲线）与横坐标所围成的面积的值，值域为[0.5，1]。ROC曲线是以预测中且实际存在的比率（真阳性率）为纵坐标，只存在于预测中而实际上不存在的比率（假阳性率）为横坐标。所以AUC的值越大，表示其与随机分布相距越远，环境变量与预测的物种地理分布之间相关性越大，即模型的模拟效果越好;反之说明模型预测的效果越差。如果AUC值在0.5～0.6之间，表明模型模拟失败了;在0.6～0.7之间表示模拟效果较差;在0.7～0.8之间表示效果一般;在0.8～0.9之间表示效果较好;在0.9～1之间表示效果非常好[9，10]。

3 结果与分析

3.1 影响棣棠分布的环境变量分析

生态位模型模拟结果显示，随着最冷月最低温（ Bio 06）、最湿季的降水量（Bio_16）和海拔（A1t.）的增高，棣棠的潜在分布概率先增大然后减小（图lb，c，e）。最暖月最高温（Bio_05）超过33℃时，棣棠的分布概率急剧下降（图la）。随着最干季降水量（Bio_17）的增高，棣棠的潛在分布概率首先急速下降，然后反弹，随之增长速率减缓（图ld）。然而，坡度（Slop.）变化对醉马草的潜在分布概率的影响与最干季降水量影响相反（图lf）。坡向（Asp.）的增大同样可使得棣棠的潜在分布概率首先急速下降，随之趋于稳定（图lg）。

3.2 棣棠的潜在分布区的预测

使用中国矢量地图作底图，采用ArcGIS对棣棠的分布区进行掩膜提取，然后利用Spatial Analyst模块的Reclassify功能，基于Natural Breaks分级的方法，按照适生指数值从低到高将棣棠分布区依次分为5个等级，分别是非适生区（0.0～0.2）、边缘适生区（0.2～0.4）、低适生区（0.4～0.6）、适生区（0.6～0.8）和高适生区（0.8～1.0）。由图2可以看出棣棠目前的潜在分布区基本分布在22°N～36°N和98°E～122°E之间的区域。其中高适生区和适生区主要分布在湖南省和浙江省，四川东部和江西省也有零星分布。低适生区主要介于24.5°N～33°N之间。

3.3 未来气候变化下棣棠的潜在分布变化

基于棣棠生态位模型，利用Maxent中Proj ection功能分别预测未来气候（2050年和2070年）条件下棣棠的潜在分布概率。结果表明潜在分布区明显向北移动，高适生区和适生区范围减小，边缘适生区范围扩大。其中，新疆西南地区边缘适生区显著增大（图3.a，b）。

3.4 精度测评

生态位模型模拟20次的AUC平均值为0.92，标准差为0.097，模型对棣棠在中国潜在分布区的预测效果较好。

4 讨论和总结

本文对棣棠的潜在分布区域进行定量直观地预测。结果的显示棣棠适应生长在温度、降雨适中，海拔较低的平原地带。王瑞辉和马履一在对北京15种园林树木耗水性的比较研究中表明棣棠年均日耗水量500～1000 g/m2，属于中等耗水树种[11]，這与该模拟结果一致。棣棠的潜在分布区域主要集中在我国东南地区，未来气候变化下棣棠的潜在分布区向北移动，但高适生区和适生区范围减小，边缘适生区范围扩大。今后棣棠在园林绿化中的应用及引种栽培时，首先根据其在气候变化下的潜在分布区进行评估，然后根据评估结果再考虑棣棠是否适应引种栽培区域的气候，从而提高其成活率。

本研究没有研究区域土壤类型和植被分布等因素对棣棠分布的影响。此外，棣棠样本记录数据只是单一地从CVH上获取，数量较少且具有一定的局限性。如果能够综合所有对棣棠生存有影响的因素，并具有完备的样本记录数据，生态位模型模拟将会得到更加准确的预测结果。在上述关于棣棠潜在分布区域的预测中所产生的各种数据都只是一种模拟推测，并不是由实地考察产生的，但是本研究结果对棣棠栽培可提供一定的参考。

参考文献：

[1]朱福勤，优良地被植物——棣棠[J].北京园林，1999（2）：11.

[2]张洪军.棣棠的生物学特性及在园林绿化中的应用[J].林业勘查设计，2016（3）：55～56.

[3]李海霞.棣棠栽培管理[J].中国花卉园艺，2015（10） ：48～49

[4]刘颖，李朝炜，邢文岳，等.魏景芳城市交通道路绿化植物滞尘效应研究[J].北方园艺，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]张颖，李君，林蔚，等.基于最大熵生态位元模型的入侵杂草春飞蓬在中国潜在分布区的预测[J].应用生态学报，2011，22（11）：2970～2976.

[11]王瑞辉，马履一.北京15种园林树木耗水性的比较研究[J].中南林业科技大学学报，2009，29（4）：16～20.