吉林省外来入侵植物豚草潜在适生区预测

杜凤国，兰雪涵

(1.北华大学林学院，吉林 吉林 132013；2.长白山特色森林资源保育与高效利用国家林业局重点实验室，吉林 吉林 132013)

豚草(AmbrosiaartemisiifoliaL.)隶属菊科(Asteraceae)豚草属(AmbrosiaL.)，为1 a生风媒草本植物，原产于美国和墨西哥等国家，是世界公认的广布型恶性入侵杂草[1].我国于2003 年将豚草列入“中国第一批外来入侵物种名单”，也是国家林业和草原局公布的10大外来入侵草本植物.吉林省是豚草在中国的主要入侵区域之一，并且有快速扩散的趋势.豚草可导致作物减产，使入侵地物种多样性锐减，同时，豚草花粉能够引起人过敏，严重危及生命健康，对豚草进行有效监测和防控已迫在眉睫.近年来，豚草研究主要集中在入侵及扩散特征[2]、生物量特征[3]、解剖结构[4]、繁殖特性[5]、种实及群落特征[6]、危害与防治[7-8]等方面.基于MaxEnt模型预测豚草分布区的研究多是从大尺度国家范围出发[9-10]，从省域内小尺度的预测研究较少，而豚草在吉林省域内的潜在适生区预测尚未见报道.

MaxEnt模型自2006年开发以来，已广泛应用于物种潜在适生区预测、未来气候变化下物种分布预测、入侵物种监控区确定等领域[11-13].该模型对样本量要求不苛，即使小样本也具有较高精度和稳定性.基于此，本研究将MaxEnt模型、ENM Tools、R语言和地理信息系统(ArcGis)相结合，预测吉林省外来入侵植物豚草的主要潜在适生区域，探索影响豚草分布的主导因子，为吉林省监测与防控豚草继续传播和扩散提供科学依据.

1 材料与方法

1.1 地理分布数据与处理

采用以下方法获取豚草的地理分布(经纬度)数据：1)对吉林省部分豚草分布地进行实地调查与测量，用GPS测量仪记录经纬度；2)通过中国植物数字标本馆(CVH，http：∥www.cvh.ac.cn)获得数据；3)检索与豚草相关的文献[4].通过以上方法获得豚草56个地理分布点.为了避免由于豚草分布点聚集导致的模型过度拟合，利用ENM Tools1.4.4软件的Trim duplicate occurrences功能筛选分布点数据，得到用于模拟豚草地理分布点的51个数据.

1.2 环境变量数据与处理

注：相关性大小用色带表示，蓝色表示正相关，红色表示负相关，颜色越深相关性越大.图1 31个环境变量相关性分析Fig.1Correlation analysis of 31 environmental variables

表1 豚草分布模拟的19个环境变量

1.3 MaxEnt模型优化

利用MaxEnt模型预测吉林省豚草的潜在适生区.将收集到的豚草地理分布点导入MaxEnt模型，其中，75%的地理分布点用于训练集构建，25%用于测试集验证.选择刀切法创建环境变量反馈曲线，设置训练模型所用的feature和β乘数.使用R语言的kuenm软件包[18]，从模型的40个β乘数水平(0.1～4)和29种选择特征组合[L、Q、P、T，H，LQ，LP，LT，LH，QP，QT，QH，PT，PH，TH，LQP，LQT，LQH，LPT，LPH，QPT，QPH，QTH，PTH，LQPT，LQPH，LQTH，LPTH，LQPTH]等参数设置的1 160种模型结果中进行筛选，选择AICc最小值作为最优设置并建立最终模型.

1.4 模型评价及适生区等级划分

通过ArcGIS 10.4中的Conversion Tools-ASCII to Raster将MaxEnt运行优化参数后所得模拟结果中的asc格式文件转化成栅格数据并划分适生区.参照邵云玲等[9]的方法，划分适生级别并标注存在概率的范围：存在概率<0.1，非适生区；0.1≤存在概率<0.35，低适生区；0.35≤存在概率<0.6，中适生区；存在概率≥0.6，高适生区.统计各适生区面积并进行比较.

本研究中MaxEnt模型使用AUC评分法(ROC曲线下面积值)评估所得模型的准确性.评估标准分为5个等级，分别为较差(AUC≤0.80)、一般(0.80

图2 MaxEnt模型的豚草预测结果ROC曲线验证Fig.2ROC curve verification of prediction for Ambro- sia artemisiifolia L.by MaxEnt model

2 结果与分析

2.1 模型准确性检验

基于吉林省豚草地理分布点数量和相应的环境因子预测潜在适生区.从1 160种模型结果中选择AICc值最小的组合：β乘数为3.8，feature为PH.使用组合设置使模型重复运行10次，得到重复运算AUC训练集平均值为0.938(见图2)，表明模型预测达到“较好”效果，说明预测结果有较高的精确度和可信度.

2.2 潜在适生区预测

将MaxEnt模型输出的结果导入ArcGis10.4中，利用吉林1∶100万市界数据集和吉林省铁路图矢量地图(以上两个矢量数据均来自国家科技基础条件平台——国家地球系统科学数据中心)叠加作为分析底图，生成吉林省豚草潜在适生分布图.预测结果显示：豚草的高适生区主要分布于吉林省的地级市、部分县级市范围内，以长春市为中心，呈“树状”向周边区域伸展，并沿铁路线所联通的各地级市呈放射状分布.涉及的地级市包括吉林市、四平市、辽源市、通化市、白山市、松原市和白城市以及一些县级市.长春市的高、中潜在适生区面积最大，达2 696.11 km2，占该市总面积的13.09%；四平市次之，其高、中潜在适生区总面积为847.75 km2，占四平市总面积的6.06%；通化市高、中潜在适生区总面积为555.64 km2，占通化市总面积的3.57%.中、低适生区沿高适生区周围或邻域附近分布.豚草在吉林省各地级行政区的适生区面积预测见表2.

表2 豚草在吉林省各地级行政区的适生区面积预测Tab.2 Prediction of suitable area of Ambrosia artemisiifolia L.in different prefecture-level districts of Jilin Province

2.3 主导环境变量确定

不同环境变量对豚草潜在分布的贡献率见表3.由表3可见：人类活动强度变量的贡献率最大，高达81.6%；昼夜温差月均值、最湿月降水量、降水量变异系数、最暖月最高温度、温度季节性变化标准差、等温性、土壤酸碱度和生态系统类型8个环境变量的累计贡献率合计为18.3%；土壤类型、土壤含沙量和坡向等其他环境变量对豚草潜在分布的贡献微乎其微.因此，人类活动强度环境变量在预测吉林省豚草地理分布中起着主导作用.

表3 MaxEnt 模型中各环境变量贡献率Tab.3 Contribution percent of each environmental variables in MaxEnt modeling

3 结论与讨论

3.1 模型精度

MaxEnt 模型属于高度复杂的机械学习式模型，在模型运行时，会造成过度拟合，直接影响物种的转移能力[20]，导致模型精度降低.有研究[21]表明，通过使用AICc参数和调整正规化参数β可以约束MaxEnt模型的复杂度.本研究使用R语言的kuenm软件包[18]从模型40个β乘数水平和29种选择特征组合等参数设置的1 160种模型结果中进行筛选，选取AICc值最小优化设置.在重新建模后，得到吉林省豚草潜在适生区预测结果，优于默认参数的预测结果.

3.2 潜在适生区

本研究预测的潜在高适生区多分布于吉林省的长春市、四平市和通化市等地级市、县级市中心.其中，长春市的高适生区面积最大，入侵风险也最高，这与邵云玲等[9]和柳晓燕等[10]预测的豚草在吉林省内潜在分布区的部分结论不同，原因可能是由于所研究的区域和所选用的环境变量不同所导致.本文的研究区域仅针对吉林省域内，同时尽可能选用更多的环境因子，如人类活动强度、土壤类型和生态系统等因子，所以预测结果更趋于实际地理分布.根据预测结果，建议长春市等高风险区采取有效措施，防控豚草进一步传播和扩散，减少豚草对吉林省城市森林生物多样性、经济发展和人们健康造成的危害.

3.3 主导环境变量

研究结果显示，影响吉林省豚草地理分布的主要环境变量是人类活动强度，说明人类活动指数越高，豚草入侵的概率越大；在铁路沿线附近的一些县级市有高适生区分布.有研究[22]表明，对于入侵植物来说，潜在入侵区除了受气候、土壤等直接环境因素影响外，在人类活动的参与下，大多数外来生物进入新生境的概率及入侵成功率大幅提升.豚草果实有刺，可以附着在人的外衣上，很容易随人类活动而传播扩散，因此，为防止豚草的进一步入侵和扩散，相关部门应严格审核跨省人员流动，对携带的物品、运输物品实施严格检疫，并加强入境货物的过程监管.

致谢：感谢“国家地球系统科学数据中心”(http：∥www.geodata.cn)和“东北亚资源环境大数据中心”(http：∥www.igadc.cn)提供数据支撑.