基于最大熵模型预测未来气候变化背景下连翘的潜在地理分布
2021-12-15万广珍申亮郭延秀晋玲陈娟
万广珍,申亮,郭延秀,晋玲,陈娟
资源调查
基于最大熵模型预测未来气候变化背景下连翘的潜在地理分布
万广珍1,申亮2,郭延秀3,晋玲3,陈娟1
1.兰州大学药学院,甘肃 兰州 730000;2.甘肃省药品检验研究院,甘肃 兰州 730070;3.甘肃中医药大学药学院,甘肃 兰州 730000
预测未来气候变化对我国连翘潜在地理分布的影响。基于最大熵(MaxEnt)模型与地理信息系统技术,结合3种环境因子的空间数据和连翘的实际地理分布信息,模拟当前及未来不同时段我国连翘潜在生境适宜性空间分布并进行等级划分;综合环境因子贡献率和刀切法检验,评估制约现代气候条件下连翘潜在地理分布的重要环境因子。MaxEnt模型的拟合效果较好,预测结果可信度高。当前气候条件下连翘的潜在适宜生境面积约为325.86×104km2,分布范围较为广泛,高适宜区主要位于我国中部和东部地区,面积约为66.53×104km2;中适宜区主要分布在山东、山西中部、云南西北部、陕西西北部、宁夏中部、甘肃中部、四川东北部等地,面积约为95.22×104km2;低适宜区主要位于云南中部、四川南部及东部、辽宁南部、河北北部、内蒙古东部及南部、甘肃中部以及山东西北部等地,面积约为164.11×104km2。影响连翘潜在地理分布的主要环境因子为最冷月份最低温度(52.4%)、最暖季度降水量(6.9%)、坡度(5.7%)和昼夜温差月均值(5.7%),累积贡献率达70.7%,其中,温度和降水量是影响连翘潜在地理分布的关键环境因子;在未来时段内,SSP1-2.6情景下连翘的总适宜生境面积有所减少,而SSP3-7.0和SSP5-8.5情景下总适宜生境面积呈增加趋势,说明气候变化有利于连翘生长。本研究结果可为连翘的资源保护和区划种植提供理论依据。
连翘;最大熵模型;地理信息系统;地理分布;气候变化
气候与土壤可直接或间接影响连翘的分布范围。据政府间气候变化专门委员会(Intergovernmental Panel on Climate Change,IPCC)第六次评估报告预测,21世纪全球气温将继续上升,北半球中高纬度的降水量将继续增加[1],这一变化或许对未来连翘在中国的分布范围产生明显影响。为此,笔者利用最大熵(MaxEnt)模型和ArcGIS软件空间分析功能对气候变化背景下连翘在中国潜在地理分布进行评估和预测,综合分析影响连翘生长的环境因子,为应对未来气候变化对连翘在中国潜在适宜区分布的影响提供理论支持,为连翘资源管理与生产区划提供科学依据。
1 资料与方法
1.1 数据来源
连翘地理分布数据来自全国第四次中药资源普查实地调查(2015-2019年)、中国数字植物标本馆(http://www.cvh.org.cn)、中国国家标本资源平台(http://www.nsii.org.cn/)、全球生物多样性信息网络(https://www.gbif.org/)及相关文献[2-3]。共收集到分布点180个,为避免集群效应所致模型过拟合,利用ArcGIS10.3将所收集数据以10 km设置缓冲区,去除叠置数据,最终得到156个有效分布点。见图1。
1.2 环境因子
本研究采用的环境因子主要包括生物气候变量、地形变量及土壤变量。生物气候变量数据来自世界气候数据库(WorldClim,Version 2.0,http://www. woldclim.org),包括当前(1970-2020年)及未来(2021-2080年),其中未来气候来自IPCC第六次评估报告,包括3个时段(2021-2040年、2041-2060年、2061-2080年),每个生物气候变量选择3个典型浓度路径——低排放情景(SSP1-2.6)、中等排放情景(SSP3-7.0)和高排放情景(SSP5-8.5)。地形变量数据来自世界气候数据库(http://www.worldclim.org/)分辨率为2.5 km的世界高程数据,基于ArcGIS10.3空间分析模块提取中国范围的海拔、坡度和坡向数据。土壤数据来自世界土壤数据库(http://www.fao.org/soils-portal/)。采用ArcGIS10.3软件将以上环境数据的空间分辨率统一为2.5 km,作为备选变量。
图1 连翘样本分布
1.3 地图数据
中国行政区划数据来源于国家基础地理信息系统网站(http://nfgis.nsdi.gov.cn),分辨率为1∶400万。
1.4 最大熵模型构建与评估
将连翘的地理分布数据和筛选的环境因子导入MaxEnt3.3.3k软件进行建模运算,随机选取75%数据作为训练集用于模型预测,其余25%作为测试集用于验证模型精度,最大迭代次数设置为10 000,调控倍频设置为2,为降低模型随机性和模拟结果不确定性,模型重复运行10次,其他参数为默认。
通过计算受试者工作特征(ROC)曲线下面积(AUC)量化模型预测的准确性,取值范围为[0.5,1],值越大表示模型预测精度越高[4]。一般而言,当AUC≤0.6时认为模型预测结果失败;0.6<AUC≤0.7时,模型预测结果较差;0.7<AUC≤0.8时,模型的预测结果一般;0.8<AUC≤0.9时,模型预测结果良好;0.9<AUC≤1.0时,模型预测结果优秀[5]。
1.5 适宜区划分
使用ArcGIS10.3软件ArcToolbox的“Reclassify”,根据存在概率值将连翘的生境适宜分布区划分为4个等级:<0.1为不适宜区;0.1≤<0.3为低适宜区;0.3≤≤0.5为中适宜区;>0.5为高适宜区[6]。
2 结果与分析
2.1 环境因子筛选
由于本研究所选环境因子较多,而环境因子之间具有较强的相关性,一定程度上会使分布预测过度拟合,导致模型预测不准确,因此,笔者参照张亮等[7]筛选变量方法,首先将19个生物气候变量、3个地形变量及17个土壤变量导入MaxEnt3.3.3k软件,模型重复运行5次,得到环境因子的贡献率,其次利用ArcGIS10.3软件多值提取模块,将环境因子信息提取至样点,最后利用SPSS26.0进行Pearson相关分析(见图2)。
结合环境因子贡献率,保留相关系数≤0.8的环境因子,对相关系数>0.8者则保留贡献率相对较高且能反映连翘生长环境的变量,最终确定21个环境因子参与建模(见表1)。
2.2 模型预测评价
基于MaxEnt模型建模并重复运行10次后得出的AUC值进行模型精度检验。结果表明,当前气候条件下连翘潜在地理分布模型的训练集AUC均大于0.926,平均值为0.929,测试集AUC均大于0.831,平均值为0.871。未来不同气候情景下,训练集和测试集AUC均大于0.861,根据AUC的评估标准,模型预测的准确性达到“良好”及以上标准,表明模型能很好拟合连翘物种分布数据,其预测结果可信度高。
图2 影响连翘地理分布的环境因子相关性分析
表1 影响连翘地理分布的环境因子及其贡献率
简称环境因子贡献率/%累积贡献率/% bio6最冷月份最低温度/℃52.452.4 bio18最暖季度降水量/mm6.959.3 Slope坡度/°5.765.0 bio2昼夜温差月均值/℃5.770.7 bio3等温性3.474.1 bio4温度季节性变化标准差3.377.4 bio7年均温变化范围/℃2.980.3 T_CACO3碳酸盐或石灰含量(m/m)/%2.883.1 T_PH_H2O土壤酸碱度/-log[H+]2.385.4 Elev海拔/m2.387.7 bio14最干月份降水量/mm2.289.9 bio10最暖季度平均温度/℃1.991.8 bio15降水量季变异系数1.893.6 bio8最湿季度平均温度/℃1.695.2 T_SILT淤泥含量(m/m)/%1.396.5 T_CEC_CLAY黏性层土壤阳离子交换能力0.997.4 T_SAND沙含量(m/m)/%0.798.1 T_TEB交换性盐基/(cmol/kg)0.698.7 T_CLAY黏土含量(m/m)/%0.599.2 Aspect坡向0.599.7 AWC_CLASS土壤有效水含量/Code0.3100.0
2.3 影响连翘地理分布的主要环境因子
本研究采用刀切法判断参与建模的环境因子对物种分布的影响程度。根据MaxEnt模型绘制的刀切图(见图3)可知,影响连翘分布的主要环境因子有4个,按其贡献率由高到低依次为最冷月份最低温度(bio6,52.4%)、最暖季度降水量(bio18,6.9%)、坡度(Slope,5.7%)和昼夜温差月均值(bio2,5.7%),以上变量累积贡献率达70.7%。其中,温度和降水量是影响连翘生长最重要的环境因子,这与相关研究[8-9]相符。
图3 连翘地理分布预测模型刀切图
2.4 潜在地理分布及适宜区评价
利用ArcGIS10.3对模型预测结果进行重分类,按照存在概率值从低到高将连翘的生境适宜分布区划分为不适宜区、低适宜区、中适宜区和高适宜区4个等级(见图4),分别绘制连翘在不同时期、不同情景下的分布区划结果。
2.4.1 当前气候条件下连翘潜在地理分布
当前气候条件下,连翘生境适宜性分布见图4。其适宜生境面积较广,总适宜区面积约为325.86×104km2,主要以陕西、河南、甘肃与湖北四省为核心,向外呈发散状分布,高适宜区与中适宜区相连,低适宜区是高、中适宜区的延伸。其中,高适宜区主要集中在我国中部及东部地区,涵盖陕西关中大部、山西南部、河北西南部、河南中西部、湖北北部及甘肃东南部等地区,面积约为66.53×104km2,占国土面积的6.93%;中适宜区主要分布在山东、山西中部、云南西北部、陕西西北部、宁夏中部、甘肃中部、四川东北部,以及浙江、湖南、广西、贵州、福建的一些地区,面积约为95.22×104km2,占国土面积的9.92%;低适宜区主要位于云南中部、四川南部及东部、辽宁南部、河北北部、内蒙东部及南部、甘肃中部以及山东西北部等地区,面积约为164.11×104km2,占国土面积17.09%。与张海龙等[8]的研究结果相比,本研究预测的高适宜区分布范围缩小,这可能由不同的连翘分布数据与环境因子所致。值得注意的是,本研究连翘地理分布数据虽无位于新疆的分布点,但根据模型预测结果可以看出,新疆边缘地带小部分区域也适合连翘生长。
图4 当前连翘潜在地理分布
2.4.2 未来气候不同情景下连翘的潜在地理分布
本研究基于未来时段(2021-2080年)3种气候情景模式(SSP1-2.6、SSP3-7.0和SSP5-8.5)对连翘在不同时段的分布范围和面积进行预测,结果连翘在SSP1-2.6情景下总适宜区面积与当前相比减少3.32%~7.02%,而在SSP3-7.0和SSP5-8.5情景下的总适宜区面积均呈增加趋势,其幅度为0.40%~38.18%。详见图5~图7、表2。
SSP1-2.6情景下,2021-2040年连翘总适宜区面积约315.05×104km2,较当前分布面积减少3.32%,其中,高适宜区面积减少14.73%,中适宜区面积增加42.34%,低适宜区面积减少25.18%;2041-2060年连翘总适宜区面积约310.63×104km2,较当前分布面积减少4.67%,其中高适宜区面积减少29.10%、中适宜区面积增加27.38%,低适宜区面积减少13.37%;2061-2080年连翘总适宜区面积约303.00×104km2,较当前分布面积减少7.02%,其中高适宜区面积减少39.37%,中适宜区面积增加17.38%、低适宜区面积减少8.06%。
SSP3-7.0情景下,2021-2040年连翘总适宜区面积约327.15×104km2,较当前分布面积增加0.40%,其中高适宜区面积减少17.83%,中适宜区面积增加14.63%,低适宜区面积减少0.48%;2041-2060年连翘总适宜区面积约328.84×104km2,较当前分布面积增加0.91%,其中高适宜区面积减少21.98%,中适宜区面积增加11.93%,低适宜区面积增加3.80%;2061-2080年连翘总适宜区面积约371.26×104km2,较当前分布面积增加13.93%,其中高适宜区面积减少22.46%、中适宜区面积增加12.67%、低适宜区面积增加29.42%。
图5 2021-2080年SSP1-2.6气候情景下连翘潜在地理分布预测
图6 2021-2080年SSP3-7.0气候情景下连翘潜在地理分布预测
图7 2021-2080年SSP5-8.5气候情景下连翘潜在地理分布预测
SSP5-8.5情景下,2021-2040年连翘总适宜区面积约377.02×104km2,较当前分布面积增加15.70%,其中高适宜区面积减少34.98%,中适宜区面积增加29.09%,低适宜区面积增加28.47%;2041-2060年连翘总适宜区面积约353.39×104km2,较当前分布面积增加8.45%,其中高适宜区面积减少36.93%,中适宜区面积增加26.01%,低适宜区面积增加16.65%;2061-2080年连翘总适宜区面积约450.26×104km2,较当前分布面积增加38.18%,其中高适宜区面积减少21.19%,中适宜区面积增加28.88%,低适宜区面积增加67.64%。
表2 连翘不同时期气候情景下潜在适生区面积(×104 km2)
时期气候情景高适宜区中适宜区低适宜区总适宜区 当前 66.53 95.22164.11325.86 2021-2040年SSP1-2.656.73135.54122.78315.05 SSP3-7.054.67109.15163.33327.15 SSP5-8.543.26122.92210.84377.02 2041-2060年SSP1-2.647.17121.29142.17310.63 SSP3-7.051.91106.58170.35328.84 SSP5-8.541.96119.99191.44353.39 2061-2080年SSP1-2.640.34111.77150.89303.00 SSP3-7.051.59107.28212.39371.26 SSP5-8.552.43122.72275.11450.26
3 讨论
根据环境因子贡献率,对连翘生长影响最大的气候变量主要是温度和降水量,而温度的贡献大于降水量;地形变量主要是坡度;土壤变量主要是土壤碳酸盐含量和土壤酸碱度。对环境因子响应曲线进行分析,找到环境因子的适宜取值范围,一般认为,当曲线分布概率>0.5时,其对应的环境因子的值适合植物生长。因此,适宜连翘生长的环境因子取值范围为:最冷月份最低温度-12~3 ℃、最暖季度降水量200~700 mm、坡度2°~15°、昼夜温差月均值6~11 ℃、土壤碳酸盐含量3%~12%和土壤酸碱度pH 7~8。这与连翘喜温暖湿润气候、耐寒、耐旱、耐瘠的生物学特性[10]相符,且与连翘适合在中性偏碱的土壤中种植的研究结果[11]一致。在环境因子中,最冷月份最低温度贡献率极大,是影响连翘适宜生境的最重要环境因子,可能因为连翘是多年生灌木植物,苗期生长缓慢,低温可能导致连翘在冬季发生冻害,影响来年春天开花授粉及果实发育等。
通过对未来不同时段(2021-2080年)的不同情景研究发现,在CO2低排放情景下,随着时间推移,连翘适宜区面积呈逐渐减少趋势,而在CO2中等和高排放情景下,连翘适宜区面积呈增加趋势,说明气候变暖对连翘生长有一定正面影响,适当增温可促进连翘生长,这可能也与连翘喜温暖湿润气候的生物学特性有关。同时,气候变化对不同等级适宜区产生的影响也不同,随着时间推移,连翘在3种气候情景下的高适宜区面积均呈逐渐减少趋势,而中适宜区面积呈增加趋势,低适宜区面积只有SSP1-2.6呈减少趋势,在其他2种情景下均呈增加趋势。
4 小结
本研究基于MaxEnt模型探索气候变化背景下连翘在中国的潜在适生区及其变迁情况,通过模型的AUC值可以看出模型对连翘的预测结果是比较可靠的。本研究显示,最冷月份最低温度、最暖季度降水量、坡度和昼夜温差月均值是影响连翘地理分布的主要环境因子,当前气候条件下连翘适宜分布区总面积约为325.86×104km2,适宜生境较为广泛,在未来时段(2021-2080年),SSP1-2.6气候情景下连翘总适宜区面积呈减少趋势,SSP3-7.0和SSP5-8.5气候情景下总适宜区面积呈增加趋势。因迄今对未来气候变化背景下连翘潜在适生区的预测研究鲜有报道,因此,本研究结果将有助于了解未来全球气候变暖背景下连翘可能发生的分布变化,这对连翘资源可持续利用具有重要的现实意义。
[1] WU T, LU Y, FANG Y, et al. The Beijing Climate Center Climate System Model (BCC-CSM):the main progress from CMIP5 to CMIP6[J]. Geosci Model Dev,2019,12(4):1573-1600.
[2] 李璐,董诚明,朱畇昊,等.基于ISSR的连翘遗传多样性研究[J].中草药,2019,50(15):3673-3680.
[3] 申鹏龙,董诚明,夏伟,等.不同产地连翘EST-SSR标记遗传多样性研究[J].北方园艺,2019(13):140-147.
[4] SHEN T, YU H, WANG Y Z. Assessing the impacts of climate change and habitat suitability on the distribution and quality of medicinal plant using multiple information integration:Takeas an example[J]. Ecol Indic,2021,123:107376- 107390.
[5] SWETS J A. Measuring the accuracy of diagnostic systems[J]. Science,1988,240(4857):1285-1293.
[6] ZHAO H, ZHANG H, XU C. Study on Taiwania cryptomerioides under climate change:MaxEnt modeling for predicting the potential geographical distribution[J]. Glob Ecol Conserv,2020,24:e01313- e01325.
[7] 张亮,魏彦强,王金牛,等.气候变化情景下黑果枸杞的潜在地理分布[J].应用与环境生物学报,2020,26(4):969-978.
[8] 张海龙,陈乐.基于生态位模型的连翘产地适宜性定量分析[J].山西农业科学,2017,45(8):1321-1324.
[9] 杨洋,卫海燕,王丹,等.连翘潜在地理分布预测模型的比较[J].生态学杂志,2016,35(9):2562-2568.
[10] 赵艳丽.连翘生长和结果习性浅析[J].园艺与种苗,2020,40(8):28- 29.
[11] 张姣,张晓虎,阎佩云.洛南县连翘种植区土壤养分状况及空间分布特征初步研究[J].中国农学通报,2020,36(10):95-101.
Potential Geographical Distribution of(Thunb.) Vahl under Climate Change Based on Maximum Entropy Model
WAN Guangzhen1, SHEN Liang2, GUO Yanxiu3, JIN Ling3, CHEN Juan1
To predict the impact of future climate change on the potential geographic distribution of(Thunb.) Vahl in China.Based on the MaxEnt model and GIS technology, combined with the spatial data of three environmental variables and the actual geographical distribution information of(Thunb.) Vahl, the spatial distribution of potential habitat suitability of(Thunb.) Vahl in China in different periods of time and future was simulated and classified into different levels. The important environmental factors restricting the potential geographical distribution of(Thunb.) Vahl under the modern climate conditions were evaluated by examining the contribution rate of environmental factors and the knife cutting method.The MaxEnt model had good fitting effect and high reliability of the prediction results. The potential suitable habitat area of(Thunb.) Vahl under the current climate conditions was about 325.86×104km2, which was widely distributed. The high suitable area was mainly located in the central and eastern regions of China, with an area of about 66.53×104km2. The middle suitable areas were mainly distributed in Shandong, the middle part of Shanxi, the northwest part of Yunnan, the northwest part of Shaanxi, the middle part of Ningxia, the middle part of Gansu, and the northeast part of Sichuan, with an area of about 95.22×104km2. The low suitable areas were mainly located in the part of central Yunnan, southern and eastern part of Sichuan, the southern part of Liaoning, the northern part of Hebei, the eastern and southern part of Inner Mongolia, the central part of Gansu and the northwestern part of Shandong, with an area of about 164.11×104km2. The main environmental factors affecting the potential geographical distribution of(Thunb.) Vahl were the minimum temperature of coldest month (52.4%), the precipitation of warmest quarter (6.9%), the slope (5.7%) and the mean diurnal temperature range (5.7%), with a cumulative contribution rate of 70.7%. Among them, temperature and precipitation were the key factors affecting the potential geographical distribution of(Thunb.) Vahl. In the future period, the total suitable habitat area of(Thunb.) Vahl under SSP1-2.6 scenarios decreased, while that under SSP3-7.0 and SSP5-8.5 scenarios showed an increasing trend. It showed that climate change was conducive to the growth of(Thunb.) Vahl.The research results would provide a theoretical basis for resource protection and regional planting of(Thunb.) Vahl.
(Thunb.) Vahl; MaxEnt model; Geographic Information System; geographical distribution; climate change
R282.5
A
1005-5304(2021)12-0001-06
10.19879/j.cnki.1005-5304.202105437
全国中药资源普查项目(GZY-KJS-2018-004、GZY-KJS-2019-001);中医药公共卫生服务补助专项(2018年)
陈娟,E-mail:chenjuan@lzu.edu.cn
(2021-05-26)
(修回日期:2021-07-29;编辑:梅智胜)