2020时段3种气候模式下灰飞虱对我国风险分析

王茹琳，王闫利，姜 淦，沈沾红，林 姗

（1.四川省农村经济综合信息中心，四川 成都 610072；2.高原与盆地暴雨旱涝灾害四川省重点实验室，四川 成都 610072）



2020时段3种气候模式下灰飞虱对我国风险分析

王茹琳1，2，王闫利1，姜 淦1，沈沾红1，林 姗1

（1.四川省农村经济综合信息中心，四川 成都 610072；2.高原与盆地暴雨旱涝灾害四川省重点实验室，四川 成都 610072）

摘 要：利用普利斯顿大学开发的最大熵生态位模型（MaxEnt）软件分析并预测灰飞虱在我国的风险区变化。结果表明，在当前气候条件下，灰飞虱在中国极高风险区为上海、江苏、天津、山东大部、安徽东部、四川东部等地，高风险区为湖北、湖南、江西、浙江、广西、贵州、重庆和河南等地。在温室气体A1b排放情景下，灰飞虱在2020年的适生区域区划图显示极高风险区在中国总面积略有增加，高风险区面积显著减少；A2a排放情景下，高风险区面积显著减少，主要分布在长江流域以南地区。说明气候变化对灰飞虱在我国的分布有较大影响，该研究有助于增进灰飞虱发生发展与气候因子关系的理解，对于科学预测预报及制定相应的防控措施具有重要意义。

关键词：灰飞虱；MaxEnt；风险分析；预测

灰飞虱（Laodelphax striatellus）是水稻的毁灭性害虫之一，隶属于昆虫纲（Isecta）同翅目（Homoptera）飞虱科（Delphacidae）［1］。灰飞虱广泛分布于东亚、东南亚、欧洲和北非等国家和地区［2］。在我国该虫主要危害华北稻区和长江中下游地区［3］。灰飞虱作为重要的传毒媒介，可传播水稻条纹叶枯病、黑条矮缩病等重要病毒病，20世纪60年代曾在江浙一带造成严重的经济损失，近年来，灰飞虱再次多次爆发成灾，给水稻生产造成严重威胁［4-5］。

生态位模型的工作原理是：利用物种的地理分布数据（分布点经、纬度信息）和环境数据，以不同生物所需的特殊生存环境（生态位要求）为依据，利用特定数学算法，模拟或归纳特定物种的生态位需求，将其投射到目标地区，因此而获得的结果即为目标物种的丰富度、出现概率或生境适宜度［6］。近年来，多种生态位模型（MaxEnt、GARP、Bioclim、ENFA和Domain等）在物种潜在地理分布预测方面取得良好的效果，同时在生态学、考古学、生物地理学、进化和保护生物学等领域得到广泛应用［7-8］。MaxEnt模型是一种基于最大熵原理，在模拟计算过程中，结合只出现型数据模型和生态位原理的对物种地理分布进行预测的方案，是目前预测物种潜在分布的最新生态位模型［9-12］。MaxEnt模型同其他生态位模型相比具有仅需少量数据即可进行预测且较其他方法更精确的优点［13-17］。

近年来，随着全球气候变暖的不断加剧，出现了病虫害繁殖代数增多、越冬死亡率降低和发生期提前等一系列问题，因此有必要采取不同的研究方法评估气候变化对病虫害未来分布的影响。预测气候变化背景下病虫害适生区的变化，对及时掌握病虫害的发生发展规律、建立健全病虫害防控机制具有重要参考意义。本研究以水稻的重要害虫灰飞虱为研究对象，借助 MaxEnt模型和ArcGIS评估灰飞虱“当前时段”的分布状态和“2020时段”的变化，得到不同时期灰飞虱种群分布面积的变化，以此揭示气候变化对该虫害带来的深刻影响，以期为制定合理的管理和保护策略提供科学的理论依据。

1　材料与方法

1.1 灰飞虱地理分布信息的获取

实地调查、国内外发表论文、查询数据库及标本馆记录为获取物种地理分布数据的4种主要途径［18-19］。本研究中，通过全球物种多样性信息库（GBIF，http：//www.gbif.org/）、高校教学标本资源共享平台（http：//mnh.scu.edu.cn/）和检索国内外公开发表的有关灰飞虱的论文［20-40］，共获得灰飞虱在全球的分布点276个。276个分布点中，有准确经纬度信息的直接使用；对于只有地名的分布点，通过地名查询系统GeoName（http：//www.geonames.org/）查询具体经纬度。MaxEnt软件运行时，灰飞虱的地理信息数据需保存为“*.CSV”格式文件，保存顺序为：物种名（species）、经度（dd long）和纬度（dd lat）［41-42］。

1.2 环境层数据和地图数据的获取与处理

1.2.1 环境层数据的获取与处理 环境数据包括年平均气温、最暖月最高温度、最湿月降水量等19个全球环境生物气候变量，变量代码、描述以及指标代表的意义见表1，数据空间分辨率为5arcmin，“当前时段”（1950—2000年）气候数据可在WORLDCLIM网站（http：//www.worldclim.org/）查询并提供免费下载服务［43］。IPCC AR4针对未来的气候变化，提供了多种气候模式，本文选择3种具有代表性的气候模式，分别为A1b模式（能源需求平衡）、A2a（能源需求较高）和B2a（能源需求较低），时间区间选择为2020 s（2011—2020年），该时段上述3种气候模式数据可从国际热带农业中心网站的未来气候数据库免费下载。

表1　物种分布模拟的 19个生物气象因子

1.2.2 ArcGIS所需地图数据的获取与处理 MaxEnt软件输出的结果需借助ArcGIS进行分级显示，本研究中中国分析的底图（1∶400万）下载自国家基础地理信息系统官方网站，世界行政区划图下载自Blue Marble Geographics［44］。

1.3 MaxEnt模型预测与检验 参照程军等［45-47］研究方法，从全球238个灰飞虱分布点中随机选取25%作为MaxEnt模拟的测试集数据，剩余的75%分布点则作为训练集，输出格式为“ASCII”文件，其他设定均选择“默认”。

研究证实［48-50］，ROC接受曲线是目前应用最为广泛、针对物种分布模拟结果准确性验证最为有效的指标。ROC曲线以1-特异度（假阳性率）为横坐标，1-遗漏率（真阳性率）为纵坐标绘制而成，通过计算曲线下方面积（area under curve，AUC）而获得评价指标。评价标准为：AUC＞0.9为“极好”，0.8＜AUC＜0.9时为“好”，0.7 ＜AUC＜0.8时为“一般”，0.5＜AUC＜0.7时为“较差”。

参照孙兵等［51］的研究方法，灰飞虱在各省（市、自治区）的气候风险综合指数（CRRI）按如下公式计算：

式中，Bi为i等级的气候风险指数，APi是Bi地区对应的气候风险指数等级所对应的的面积百分比。

2　结果与分析

2.1 MaxEnt模拟结果验证

表2为“当前时段”和“2020时段”MaxEnt模型预测的AUC值，“当前时段”模型AUC值为0.979，预测效果为“极好”，说明模拟结果可用于灰飞虱风险等级预测。“2020时段”3种情景下，AUC值均大于0.972，预测效果均为“极好”，表明3种模拟结果均适用于本研究。

表2　灰飞虱风险等级预测模型的AUC值

2.2 灰飞虱在中国的风险等级分析

根据灰飞虱在全球的分布记录数据，利用MaxEnt生态位模型和Arc-Gis软件，灰飞虱在中国的风险等级区划结果见图1。采用“均分等级法”对预测结果进行重分类，按风险等级从低到高顺序依次分为5个等级。在当前气候条件下，灰飞虱在中国的适宜生长区（极高风险区）为上海、江苏、天津、山东大部、安徽东部、四川东部等地，总面积约59.08万km2。高风险区为湖北、湖南、江西、浙江、广西、贵州、重庆和河南等地，总面积约126.65万km2。

图1　基于MaxeEnt的灰飞虱在中国的适生区域区划

图2　2020年灰飞虱在中国的适生区域区划

2.3 2020时段和2050时段3种情景下灰飞虱在中国的风险等级分析

在温室气体A1b排放情景下，灰飞虱在2020年的适生区域区划图显示极高风险区在中国总面积略有增加，约72.75万km2，增加区域为山东北部、四川和重庆地区。高风险区面积显著减少，总面积约89万km2；A2a排放情景下极高风险区总面积为66.94万km2，面积增幅不大，高风险区面积显著减少，主要分布在长江流域以南地区，总面积约97.88万km2；B2a排放情景下风险区变化情况与A2a情景类似，湖北、湖南和山东等地极高风险区面积增加明显，总面积约为77.34万km2。

2.4 灰飞虱在我各省区的气候风险综合指数分析

表3为灰飞虱在中国各省区的气候风险等级综合指数（CRRI），结果表明：“当前时段”气候条件下，在我国范围内，从气候适应性综合指数分析，灰飞虱在上海、江苏、天津、山东、安徽、浙江、河南和北京等省市区风险等级较高，气候风险综合指数为50.86～72.94。灰飞虱在黑龙江、内蒙古、新疆、西藏和青海的风险等级较低，综合指数为2.86～7.73。

2020年，A1b情景下，江苏、山东、上海、天津、安徽、重庆和浙江等地风险等级较高，气候风险综合指数为60.95～76.41。内蒙古、西藏、新疆、青海和黑龙江等地风险等级较低，综合指数低于6.0。

A2a情景下，气候风险综合指数为自高而低前5位为江苏、天津、上海、山东、安徽，综合指数均高于60。西藏、黑龙江、内蒙古、新疆和青海等地风险等级较低，综合指数低为4.82～5.9。

B2a情景下，气候风险综合指数为自高而低前5位为江苏、天津、山东、安徽和上海，综合指数均高于70。内蒙古、西藏、黑龙江、青海和新疆宁夏和等地风险等级较低，综合指数低为5.06～6.74。

2.6 主导气候因子筛选及其与存在概率关系

表4为影响灰飞虱在中国分布的前5个主要气候因子贡献率和累计贡献率。按照贡献率由大到小排序依次为：最暖季度降水量BIO18 （33.2%）、等温性BIO3（25.2%）、年平均气温BIO1（9.8%）、最冷季度平均温度BIO11（6.2%）和平均日较差BIO2（5.1%）。这5个气候因子的累积贡献率达到79.5%，可以认为这5个气候因子是当前气候条件下影响灰飞虱分布的关键主导因子。

表3　灰飞虱在中国的气候风险等级综合指数

表4　影响灰飞虱分布的气候因子贡献率和累积贡献率

2020时段3种情景下，生物气候因子贡献率从大到小排序见表4。从表4可以看出，3种情景下BIO18、BIO3、BIO1仍为贡献较大的3种气候因子，且大小顺序除2020A2a情景外都与当前气候条件相同。

3　结论与讨论

MaxEnt模型是目前国内外在物种适生区分析领域常用的一种预测软件，其基于机器学习和数学统计，相对于其他一些常用预测模型有其独特的优势。本研究所建立模型的AUC值均大于0.982，模型预测准确性标准为“极好”，结果适用于灰飞虱适生区预测的研究［52-54］。

本研究使用MaxEnt和Arc-Gis软件相结合的方法，分析了当前气候条件下灰飞虱在我国各省区的风险等级区划。结果表明，灰飞虱灰飞虱在当前气候条件下，灰飞虱在中国极高风险区为上海、江苏、天津、山东大部、安徽东部、四川东部等地，总面积约59.08万km2。高风险区为湖北、湖南、江西、浙江、广西、贵州、重庆和河南等地，总面积约126.65万km2。

通过研究2020时段三种排放情景下灰飞虱在我国的潜在地理分布，结果表明，在温室气体A1b排放情景下，灰飞虱在2020年的适生区域区划图显示极高风险区在中国总面积略有增加，约72.75 万km2。高风险区面积显著减少，总面积约89万km2；A2a排放情景下高风险区面积显著减少，主要分布在长江流域以南地区；B2a排放情景下极高风险区总面积约为77.34万km2。3种情景虽是在特殊情况下的气候模拟，但从一定程度上反映了在未来气候变化的发展趋势。

生态位模型对物种生境选择的分析、预测物种潜在分布和物种在环境变化下的空间分布具有重要意义，目前已广泛应用于上述领域研究中。MaxEnt模型实质上是基于贝叶斯定理的一种推断方法，该模型的工作思路为：根据物种的分布数据（仅需分布区数据）和环境数据（包括气候、海拔、坡度和植被等），基于目标物种的生态位需求，以最大熵原料作为统计推断工具，研究目标物种在目标区域的分布几率及生物多样性，因此MaxEnt模型可应用于模拟重点监测、检疫和防控对象在大尺度下环境背景下的分布及其变化。MaxEnt模型同其他模型相比是一种较新的研究方法且具有以下优点：（1）对基础数据要求：MaxEnt模型运行仅需要分布区数据，而不需要非分布区数据，现实中非分布区数据往往获取难度更大；（2）国内外学者针对多种生态位模型的预测结果的比较分析表明，MaxEnt模型较其他一些模型（包括GARP，BIOCLIM，CLIMEX，DOMAIN等）的AUC值最大，预测效果最佳；（3）即使样本量较小，MaxEnt模型的规则化程序仍可阻止模拟过拟合，因此更适合模拟生态位较窄、分布数据有限的物种。基于以上几点原因，本研究选择MaxEnt作为分析软件对灰飞虱的适生性分布进行评估。

作为一种基于最大熵的生态位模型，MaxEnt模型有其优点，但同样尚有不甚满意的地方。首先，由于模型进行模拟时只使用了有限的“发生数据”，因此预测结果与病虫害实际的分布有一定偏差，仅代表与分布区相似的环境条件；其次，最大熵模型使用模拟时段的生态位参数的方式预测物种在未来的适生性，没能以约束形式考虑物种对气候变化的适应性，这可能导致预测结果不够客观甚至有些偏颇；再次，由于模型使用的环境变量时间跨度大，如本研究中“当前时段”跨度达50年，加之物种对环境的适应性和响应滞后的累积，则很有可能导致最初可被忽视的因素最后变为主要因素。针对以上几点，要求我们应用MaxEnt模型进行适生分布预测时，应充分学习并掌握目标物种的生物学和生态学特性，据此选择影响分布的关键环境因子和精确又有代表性的地理分布点数据，提高预测结果的准确性，建立相对准确的模型。本研究在分析灰飞虱对我国的风险时，选取的19个生物气候因子为与温度和湿度相关生物气候因子，没有考虑影响灰飞虱分布的其他环境因素，例如寄主范围、栽培类型、植被类型、天敌分布等，这必然会导致预测结果的偏差，在下一步的工作中，应综合考虑包括气候因素在内的多种复合环境因素对灰飞虱分布的影响，这样才有可能使预测结果更加准确。

影响病虫害生长及分布的主要生态因子有气候、生物、土壤等几大类，其中气候条件与病虫害生命活动关系密切，是决定病虫害分布的主要因素之一。气候变化可能对生态系统和经济生产产生不可逆转的影响，国内外研究证实，气候变化特别是气候变暖增加了各地的农业热量资源，提高了作物的复种指数，同时气候变暖亦可促使病虫害的发生发展、分布范围及危害程度亦发生显著变化［55-56］。年均气温的增高，延长了病虫害发育所需的可利用积温，造成害虫成虫发生期延长、发育代数增多，种群数量的大幅度上升［57］；气温上升还可导致病虫害分布区扩大［58-59］，促使害虫向北向西迁移，适宜害虫栖息的地理范围扩大［60-65］。

本研究结果表明“2020时段”3种情景下灰飞虱在我国的风险区面积有不同程度的增加或者减少，说明未来温室气体不同时段不同能源排放情景下，都有可能改变灰飞虱在我国的适生度，增加或减少该水稻害虫在我国的风险范围；未来两种时段，影响灰飞虱分布的主导气候因子与目前情景相比变化不大。未来工作中应重视气候变化和几种关键气候因子对灰飞虱分布的影响的研究与分析。

参考文献：

［1］ 高保立.灰飞虱抗药性及其机理研究［D］.南京：南京农业大学，2008.

［2］ 孙荆涛.二斑叶螨与灰飞虱的微卫星开发及种群遗传结构研究［D］.南京：南京农业大学，2012.

［3］ 灰飞虱体内水稻条纹病毒（RSV）互作因子的筛选及其功能分析［D］.南京：南京农业大学，2012.

［4］ 刘文文.与传播水稻条纹病毒相关的灰飞虱蛋白质鉴定与功能研究［D］.北京：中国农业科学院，2013.

［5］ 施燕.灰飞虱种群消长规律及传毒特性研究［D］.扬州：扬州大学，2007.

［6］ Phillips Steven J，Dudík Miroslav，Schapire Robert E.A maximum entropy approach to species distribution modeling［A］.Proceedings of the Twenty-First International Conference on Machine Learning［C］.2004.

［7］ 孙敬松，周广胜.利用最大熵法（MaxEnt）模拟中国冬小麦分布区的年代际动态变化［J］.中国农业气象，2012，33（4）：481-487.

［8］ 何奇瑾.我国玉米种植分布与气候关系研究［D］.南京：南京信息工程大学，2012.

［9］ 朱耿平，刘晨，李敏，等.基于Maxent和GARP模型的日本双棘长蠹在中国的潜在地理分布分析［J］.昆虫学报，2014，57（5）：581-586.

［10］ Wilson A.Entropy in urban and regional modeling：retrospect and prospect［J］.Geographical Analysis，2010，42，364-394.

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

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

［13］ 李双成，高江波.基于GARP模型的紫茎泽兰空间分布预测—— 以云南纵向岭谷为例［J］.生态学杂志，2008，27（9）：1531-1536.

［14］ 杨瑞，张雅林，冯纪年.利用ENFA生态位模型分析玉带凤蝶和箭环蝶异地放飞的适生性［J］.昆虫学报，2008，51（3）：290-297.

［15］ Batty M.Space，scale，and scaling in entropy maximizing［J］.Geographical Analysis，2010，42，395-421.

［16］ 王运生，谢丙炎，万方浩，等.ROC曲线分析在评价入侵物种分布模型中的应用［J］.生物多样性，2007，15（4）：365-372.

［17］ 赵文娟，陈林，丁克坚，等.利用MaxEnt预测玉米霜霉病在中国的适生区［J］.植物保护，2009，35 （2）：32-38.

［18］ 房锋，张朝贤，黄红娟，等.基于Maxent的麦田恶性杂草节节麦的潜在分布区预测［J］.草业学报，2013，229（2）：62-70.

［19］ 王颖，章桂明，杨伟东，等.基于MaxEnt的大豆南北方茎溃疡病菌在中国适生区的预测［J］.植物检疫，2009，23（4）：14-17.

［20］ 刘向东，翟保平，刘慈明.灰飞虱种群暴发成灾原因剖析［J］.昆虫知识，2006，43（2）：141-146.

［21］ 朱金良，祝增荣，周瀛，等.水稻播种期对灰飞虱及其传播的条纹叶枯病发生流行的影响［J］.中国农业科学，2008，41（10）：3052-3059.

［22］ 王利华，方继朝，刘宝生.几类杀虫剂对灰飞虱的相对毒力及田间种群的抗药性现状［J］.昆虫学报，2008，51（9）：930-937.

［23］ 张爱民，刘向东，翟保平，等.温度对灰飞虱生物学特性的影响［J］.昆虫学报，2008，51（6）：640-645.

［24］ 张爱民，刘向东.室内饲养灰飞虱的一种简便方法［J］.昆虫知识，2008，45（2）：314-316，345.

［25］ 张开玉，熊如意，吴建祥，等.水稻条纹病毒编码蛋白在灰飞虱体内的检测及其与CP体外结合研究［J］.中国农业科学，2008，41（12）：4063-4068.

［26］ 王瑞，沈慧梅，胡高，等.灰飞虱的起飞和扩散行为［J］.昆虫知识，2008，45（1）：42-45.

［27］ 孙黛珍，江玲，刘世家，等.水稻条纹病毒和介体灰飞虱抗性的QTL分析（英文）［J］.作物学报，2006，32（6）：805-810.

［28］ 仲崇翔，陈建，乔静，等.灰飞虱体内沃尔巴克氏体生物学特性及其利用展望［J］.植物保护，2006，32 （3）：12-16.

［29］ 张爱民，刘向东.灰飞虱的种群特性及其与温度的关系［J］.昆虫知识，2010，47（2）：326-330.

［30］ 贺媛，朱宇波，侯洋旸，等.江浙麦区灰飞虱春季种群的发生消长和迁飞动态［J］.中国水稻科学，2012，26（1）：109-117.

［31］ 王彦华，吴长兴，赵学平，等.灰飞虱对杀虫剂抗药性的研究进展［J］.植物保护，2010，36（4）：29-35.

［32］ 陈洁，吴丽娟，周彤，等.江苏省主栽水稻品种对条纹叶枯病与灰飞虱的抗性评价［J］.南京农业大学学报，2010，33（4）：105-108.

［33］ 王耀洲，韩召军.灰飞虱对氟虫腈的抗性及其机制研究［J］.南京农业大学学报，2010，33（4）：49-54.

［34］ 白旭，董胜张，庞琨，等.灰飞虱体内一种酵母类共生菌的分子鉴定［J］.昆虫学报，2010，53（6）：640-646.

［35］ 周彤，吴丽娟，王英，等.灰飞虱从冷冻病叶获得水稻黑条矮缩病毒方法的研究初报［J］.中国水稻科学，2010，24（4）：425-428.

［36］ 张倩，鲁鼎浩，蒲建，等.灰飞虱海藻糖酶基因的克隆及RNA干扰效应［J］.昆虫学报，2012，55（8）：911-920.

［37］ 乔慧，刘芳，罗举，等.不同植物上灰飞虱适合度的研究［J］.中国水稻科学，2009，23（1）：71-78.

［38］ 吴维，毛倩卓，陈红燕，等.应用免疫荧光技术研究水稻条纹病毒（RSV）侵染介体灰飞虱卵巢的过程［J］.农业生物技术学报，2012，20（12）：1457-1462.

［39］ 李万昌，余娇娇，段灿星，等.灰飞虱胁迫下水稻防卫相关基因的表达［J］.作物学报，2012，38（9）：1625-1630.

［40］ 郑文静，刘志恒，张燕之，等.水稻的主要养分组成和显微结构对灰飞虱取食选择性的影响［J］.植物保护学报，2009，36（3）：200-206.

［41］ 卢辉，钟义海，陈青，等.基于MaxEnt模型的对粒材小蠹的适生性分析［J］.热带作物学报，2013，34 （11）：2239-2245.

［42］ 雷军成，徐海根.基于MaxEnt的加拿大一枝黄花在中国的潜在分布区预测［J］.生态与农村环境学报，2010，26（2）：137-141.

［43］ 齐国君，陈婷，高燕，等.基于Maxent的大洋臀纹粉蚧和南洋臀纹粉蚧在中国的适生区分析［J］.环境昆虫学报，2015，37（2）：219-223.

［44］ 赵力，朱耿平，李敏，等.入侵害虫西部喙缘蝽和红肩美姬缘蝽在中国的潜在分布［J］.天津师范大学学报（自然科学版），2015，35（1）：75-78.

［45］ 程军，沈阳，郭水良.气候变暖对花叶藓属植物在中国的潜在分布范围影响的预测［J］.生态科学，2015，34（1）：9-16.

［46］ 郭彦龙，卫海燕，路春燕，等.气候变化下桃儿七潜在地理分布的预测［J］.植物生态学报，2014，38 （3）：249-261.

［47］ 张熙骜，隋晓云，吕植，等.基于Maxent的两种入侵性鱼类（麦穗鱼和鲫）的全球适生区预测［J］.生物多样性，2014，22（2）：182-188.

［48］ 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.

［49］ 张晓峰，佟友贵，杨建东，等.基于Maxent生态位模型预测球果角胫象在云南的潜在地理分布［J］.环境昆虫学报，2013，35（1）：28-32.

［50］ 韩阳阳，王焱，项杨，等.基于Maxent生态位模型的松材线虫在中国的适生区预测分析［J］.南京林业大学学报（自然科学版），2015，39（1）：6-10.

［51］ 孙兵，娄玉霞，郭水良.野生蔬菜鸭儿芹在中国栽培的气候适应性研究［J］.上海农业学报，2014，30 （1）：85-89.

［52］ Brotons L，Thuiller W，Araujo M B，et a l.Presenceabsence versus presence-only modeling methods for predicting bird habitat suitability［J］.Ecography，2004，27（4）：437-448.

［53］ 徐烨，王金龙，刘雅婷，等.凤仙花坏死斑病毒在中国的适生性风险评估［J］.植物保护，2013，39（6）26-31.

［54］ 曲伟伟，李志红，黄贵修，等.利用MAXENT预测橡胶树棒孢霉落叶病在中国的适生区［J］.植物保护，2011，37（4）：52-57.

［55］ 赵宗慈.为IPCC第五次评估报告提供的全球气候模式预估［J］.气候变研究进展，2009，5（4）：241-243.

［56］ 张国庆.气候变化对生物灾害发生的影响及对策［J］.现代农业科技，2011（1）：318-321.

［57］ 李剑泉，李智勇，易浩若.森林与全球气候变化的关系［J］.灾害学，2011，26（2）：35-38.

［58］ 王鸿斌，张真，孔祥波，等.入侵害虫红脂大小蠹的适生区和适生寄主分析［J］.林业科学，2007，43 （10）：71-76.

［59］ 马菲，何友元，赵林忠，等.桃蛀螟在新疆的适生区预测［J］.植物保护，2012，38（2）136-138.

［60］ 王培新，杜薇薇，李孟楼.气候变暖与林木害虫的适应性变化［J］.西北林学院学报，2011，26（3）：124-128.

［61］ 吴志刚，曲伟伟，张泽华，等.基于CLIMEX的苜蓿籽象甲在中国的适生区分析［J］.植物保护，2012，38（3）：63-66.

［62］ 何善勇，温俊宝，骆有庆，等.气候变暖情境下松材线虫在我国适生区范围［J］.应用昆虫学报，2012 （1）：236-243.

［63］ 张立敏，陈斌，李正跃，杨仕生，孙文.气候变化对水稻三化螟物候及多度的影响（英文）［J］.西南农业学报，2012（3）：885-893.

［64］ 刘明春，蒋菊芳，郭小芹，等.气候变化背景下玉米棉铃虫消长动态预测及影响因素研究［J］.干旱地区农业研究，2014，32（2）：114-118，141.

［65］ 马春森，马罡，赵飞.气候变暖对麦蚜的影响［J］.应用昆虫学报，2014，51（6）：1435-1443.

（责任编辑白雪娜）

Effects of climate change on distribution of Laodelphax striatellus and the risk analysis

WANG Ru-lin1，2，WANG Yan-li1，JIANG Gan1，SHEN Zhan-hong1，LIN Shan1

（1.Sichuan Provincial Rural Economic Information Centre，Chengdu 610072，China；2.Heavy Rain and Drought-Flood Disasters in Plateau and Basin Key Laboratory of Sichuan Province，Chengdu 610072，China）

Key words：Laodelphax striatellus；MaxEnt；risk analysis；prediction

Abstract：The potential distribution of Laodelphax striatellus in China was predicted by using MaxEnt model，which was developed by Princeton University.The results showed that，Shanghai，Jiangsu，Tianjin，Shandong，east of Anhui，east of Sichuan are the extremely high risk areas for L.striatellus in China.The high risk areas are Hubei，Hunan，Jiangxi，Zhejiang，Guangxi，Guizhou，Chongqing and Henan.With greenhouse gases under the A1b emissions scenario by 2020，the areas of L.striatellus increased a little in both extremely high and the high risk areas，while under A2a emissions scenario，the areas would tend to decrease in high risk areas.The research not only helps explain the relationship between occurrence of L.striatellus and climate factors，but also has important significance about how to make scientific forecasting and corresponding prevention measures.

中图分类号：S431.9

文献标识码：A

文章编号：1004-874X（2016）01-0098-07

收稿日期：2015-08-19

基金项目：四川省农村经济综合信息中心业务技术攻关项目（201403）；中国气象局2012年业务专项经费

作者简介：王茹琳（1986-），男，硕士，工程师，E-mail：wrl_1986_1@163.com