苏南地区主要森林病虫害潜在生境预测——以句容市为例①

吴文浩，卢小燕，曹 兵

(1.句容市公益林管理中心，江苏 镇江 212400；2.句容市农业农村局，江苏 镇江 212400；3.句容市林场，江苏 镇江 212400)

我国是世界上森林病虫害发生最为严重的国家之一[1]。森林病虫害大规模爆发后，对森林生态系统物质生产、气候调节、营养物质储存与循环、土壤肥力更新与维持、减轻自然灾害等生态服务功能造成极大的损失[2]。及时高效地掌握森林虫害的疫情信息，早期测定森林病虫害的空间分布，是制定森林病虫害管理措施的前提[3]。

随着生物统计学、地理信息系统(GIS)技术的发展，国内外生态学家研发了多种生态位模型对森林病虫害潜在生境进行研究，如CLIMEX、生物气候封装模型(BIOCLIM)、基于规则遗传算法(GARP)等[4]。由于森林病虫害发生地空间分布数据的收集采用野外实地调查方式，成本高，劳动强度大，且一些森林病虫害的发生地系海拔高、坡度陡、步行较难到达区域，很多情况下基层林业技术人员能够获取的病虫害空间分布数据很少，导致常用的生态位建模方法变得困难。由于大多数物种分布建模方法对样本量很敏感，小样本数据可能导致模型无法准确预测森林病虫害的空间分布格局[5]。在众多的物种潜在生境预测模型中，只有少数预测模型被用于样本较少的物种生境建模。Richard 等[6]的研究表明，最大熵法(MaxEnt)模型在研究区域物种分布数据小样本的情况下性能优于GARP模型。在小样本数据物种生境建模方面，王运生等[7]应用 BIOCLIM、CLIMEX、DOMAIN、GARP、MaxEnt等5种生态位模型对相似穿孔线虫(Radopholussimilis)适生分布进行了模拟预测，发现MaxEnt模型的预测效果最好。国内的森林病虫害潜在生境研究大多针对单个森林病虫害，缺少针对某个区域多个有害物种的综合研究。此外，研究结果的空间分辨率较低，难以落实到山头地块，对生产实践的指导意义不强。

句容是江苏的重点林业市，由于交通发达、经济发展水平较高，人为干扰严重，森林面临着较大的病虫害爆发风险。20世纪80年代以来，相继发生松材线虫(Bursaphelenchusxylophilus)、松星天牛(Anoplophoraehinensis)、桑天牛(Aprionagermari)、竹蝗(Ceracrisnigricornis)、杨小舟蛾(Micromelalophatroglodyta)、樟巢螟(Orthagaachatina)等多种森林病虫害，对区域森林造成了毁灭性破坏，导致大片马尾松、杨树、毛竹、樟树死亡，严重降低了区域森林质量和生态功能[23]。选择句容市松材线虫、杨树桑天牛、竹蝗、樟巢螟4种主要森林病虫害为研究对象，在收集主要森林病虫害空间分布及危害资料基础上，采用最大熵法生态位模型，对主要森林病虫害的潜在生境进行预测，可为区域尺度森林病虫害潜在生境预测研究提供参考。

1 研究区域概况

句容市位于江苏省西南部，长江下游南岸，东临上海，西依南京，是南京的东南门户。全市总面积1 385 km2，人口约60万，辖14个乡镇、街道。属北亚热带季风气候，四季分明，气候温和，雨水充沛，年均降水量1 018.6 mm，年均温15.1 ℃。句容市丘陵和平原交错，素有“五山一水四分田”之说。

句容自然资源条件优越，植被覆盖良好。境内有宝华山国家森林公园和有“江南九寨沟”之称的瓦屋山。截至2014年底，全市林业用地31 656.17 hm2，乔木林蓄积量超50万m3，用材林主要有杉木(Cunninghamialanceolata)、马尾松(Pinusmassoniana)、毛竹(Phyllostachysheterocycla)；经济林有桑树(Morusalba)、油桐(Verniciafordii)、板栗(Castaneamollissima)、青梅(Dipterocarpaceae)等20多种，是江苏省林业生产重点市。由于造林树种单一、林木管理粗放，森林病虫害泛滥成灾，尤其是松材线虫病、杨树桑天牛、青脊竹蝗、樟巢螟对森林及森林景观造成严重破坏，森林病虫害防治压力较大。

2 研究材料与方法

2.1 数据来源

研究所需的数据源主要有：(1)2014年收集的句容市松材线虫、杨树桑天牛、竹蝗、樟巢螟带有地理坐标的空间分布数据，4种森林病虫害的空间分布点数量分别为32、31、30、30；(2)2014年句容市林地变更调查空间数据库，包括地类、立地条件、林分生长状况等60多个森林调查因子，还包括居民点、国道与省道等交通干线矢量文件；(3)根据句容市1∶500 00地形图制作的数字高程模型(DEM)，空间分辨率为5 m×5 m；(4)源自美国地质调查局(USGS)2014年8月7日的研究区Landsat 8 OLI数据，轨道号为120/038，多光谱波段空间分辨率为30 m×30 m，全色波段空间分辨率为15 m×15 m，数据级别为L1T；(5)来自于美国国防气象卫星计划项目的研究区域2014年DMSP/OLS夜间灯光数据(以下简称灯光亮度数据)。研究表明，灯光亮度与区域人口密度、经济发展水平正相关，可以用来反映区域人类干扰强度[8]。

2.2 数据预处理

森林病虫害的发生与林分生长状况、土壤状况、地形特征有关，并受人口密度、经济发展水平、与交通干线距离等人类干扰因子的影响[9]。根据这一研究成果，生成影响森林病虫害发生的4大类13个生态环境因子(表1)。

表1 句容市主要森林病虫害生态环境因子Tab.1 Ecological environmental factors of forest diseases and pests in Jurong City

1)在遥感图像几何精校正、辐射校正、地形校正的基础上，生成归一化植被指数(NDVI)。

2)采用李苗苗[10]的方法 ，生成植被覆盖度；借鉴Masek等[11]的方法，生成森林干扰指数；通过缨帽变换，生成绿色植被指数(greeness)、土壤亮度指数(brightness)、土壤湿度指数(wetness)。

3)采用温小荣等[12]的方法将2104年句容市林地变更调查的14 047块森林小班的单位面积蓄积量转换为森林地上部分生物量(以下简称生物量)，单位为t/hm2。

4)利用ArcGIS平台上空间分析工具Spatial Analyst，根据DEM生成坡度、坡向2个地形栅格图层，根据居民点、交通干线(国道、省道)2个矢量文件，生成距居民点距离、距交通干线距离2个栅格图层。在生成以上栅格文件基础上，将13个生态环境因子栅格图层坐标系通过重新投影，调整到UTM WGS 1984 50N，空间分辨率通过数据重采样调整为15 m×15 m。

2.3 研究方法

最大熵原理最早由著名数学家、物理学家Jaynes基于Shannon的信息熵概念提出[13]。其基本思想为：当需要对一个随机事件的概率分布进行预测时，在满足全部已知条件的情况下，概率分布的信息熵最大，预测的风险最小[14]。最大熵模型一个最显著的优点是其不要求变量之间相互独立，因此研究人员可以相对随意地加入对最终预测有用的环境变量，将其应用于生态位空间建模领域。

在生态位模型建模中，通常采用ROC分析法对模型的预测精度进行评价。ROC曲线以预测结果的每一个值作为可能的判断阈值,从而计算得到相应的灵敏度和特异度。以特异性为横坐标，灵敏度为纵坐标可以生成ROC曲线，曲线下面积(AUC)的大小则可作为模型预测准确度的衡量指标，其取值范围为[0,1]。一般认为AUC值为0.5～0.7时诊断价值较低，为0.7～0.9时诊断价值中等，大于0.9时诊断价值较高[15]。

3 结果与分析

3.1 不同森林病虫害生态环境因子分析

在对4种森林病虫害空间分布点生态环境因子进行Pearson相关分析的基础上，运行MaxEnt模型，计算出各个环境变量对每种森林病虫害潜在生境预测概率的贡献率。在相互关联的多个变量中，选取对预测概率贡献最大的变量作为建模变量。经过筛选，每种森林病虫害选取累计贡献率85%以上的4个主要生态环境因子参与生态位建模，每种森林病虫害的主要生态环境因子及其贡献率见表2。

表2 主要森林病虫害生态环境因子及其贡献率Tab.2 Contribution of ecological environmental factors of forest diseases and pests

从表2可以看出，影响句容市4种森林病虫害的生态环境因子主要是自然及人为干扰因子、地形因子，这与研究区地形地貌特征、森林资源分布特点、社会经济发展状况密切相关。句容市北部与金坛交界的东南部边缘地区系低山丘陵地区，马尾松、黑松等天然次生林主要分布在海拔较高、坡度较陡的低山丘陵区，受林地变更、乱砍滥伐影响较大。中部、南部主要为海拔较低、坡度较平缓的平原农区，是杨树等四旁树的主要分布区，距离道路、居民点较近。作为一种珍贵绿化树种，樟树以片林、行道树两种形式存在，主要分布在经济较为发达、坡度平缓、便于经营管理的地段。考虑到立地条件、经营管理、灌溉抚育、产品运输方便，毛竹主要分布在海拔适中、距离居民点及道路较近的地区。

3.2 MaxEnt模型精度验证

采用MaxEnt 3.1.0软件提供的受试者工作特征曲线(receiver operating characteristic curve,ROC曲线)自动生成功能，进行模型的预测精度验证(表3)。

表3 不同森林病虫害MaxEnt模型预测精度Tab.3 Prediction accuracy of MaxEnt model for different forest diseases and pests

从表3可以看出，无论是拟合精度还是预测精度，研究区4种森林病虫害的MaxEnt模型的诊断价值均达到中等或较高水平。采用拟合精度、预测精度的AUC平均值对4种森林病虫害MaxEnt模型诊断价值排序，杨树桑天牛的诊断价值最高，竹蝗次之，樟巢螟、松材线虫较低。MaxEnt模型诊断在不同森林病虫害潜在生境预测价值产生差异的原因与手持GPS定位精度、病虫害发生点数量、空间分布有关。杨树、毛竹林相对单一，主要分布在交通便利、坡度平缓的丘陵、平原农区，基层林业人员进行病虫害空间分布信息野外采集劳动强度小，GPS信号强、定位精度高，因此，模型诊断价值高。马尾松、黑松主要分布在海拔较高、坡度较陡的北部丘陵山区，森林结构复杂，可进入性较差，病虫害发生地空间坐标定位精度低、空间分布点间隔距离较近，导致病虫害生境预测模型诊断价值低。樟巢螟生态位预测模型诊断价值较低的原因则与病虫害发生点数据较少有关。

3.3 森林病虫害发生面积预测

按照统计学原理，在森林病虫害潜在生境适宜概率空间分布栅格图像中，将适宜概率大于0.90的像素点作为病虫害发生点，设置像素值为1，小于0.90的像素点值为0。在ArcGIS平台上，借助空间分析工具箱中的栅格转矢量工具，将像素值为1的象元转换为多边形矢量文件，制作基于MaxEnt模型的森林病虫害空间分布预测图(图1)。

加载句容市乡镇(场)行政区划矢量图层，通过Zonal Statistic运算，计算出各乡镇(场)森林病虫害的平均发生概率面积，按照森林病虫害潜在生境适宜概率从大到小排序，制作基于MaxEnt模型的森林病虫害预测表(表4)。

从图1、表4可以看出，在空间分布上，4种森林病虫害的发生地与寄主植物的空间分布呈现高度的一致性。松材线虫主要分布在研究区北部及东南部的方山茶场、东进林场、磨盘山林场、南京林业大学下蜀林场4个国有林(茶)场。杨树桑天牛主要分布在研究区中部的白兔镇、浮山果园、华阳镇、边城镇4个乡镇(场)。竹蝗则分布在研究区北部及东南部的南京林业大学下蜀林场、磨盘山林场、句容林场、浮山果园。樟巢螟主要分布在方山茶场、磨盘山林场、东进林场、南京林业大学下蜀林场。

图1 基于MaxEnt模型的森林病虫害空间分布预测Fig.1 Spatial distribution prediction of forest diseases and pests based on MaxEnt model

表4 基于MaxEnt模型的森林病虫害预测Tab.4 Prediction of forest diseases and pests based on MaxEnt model

4种森林病虫害的潜在发生面积比例均在15%以上，说明句容市森林病虫害防治形势比较严峻。按照发生面积百分比从高到低排序，樟巢螟发生面积比例最高，达42.599%；杨树桑天牛、竹蝗居中，分别为18.499%、17.090%；松材线虫最低，为15.833%。研究区森林病虫害泛滥成灾的原因，与句容市长期造林树种单一、森林经营管理粗放有关。松材线虫、杨树桑天牛、竹蝗3种病虫害的潜在发生面积比例相差不大。比较而言，樟巢螟的潜在发生面积比例远远高于其他3种病虫害。樟树系南方亚热带的主要建群树种，句容市是樟树的主要分布区，但国道、省道等交通干线两侧及城市建成区土壤中建筑垃圾较多，有机质含量低、土壤瘠薄、立地条件差，作为行道树及园林绿化主要树种的樟树生长不良，导致其容易感染病虫害。

4 讨论与结论

在影响研究区森林病虫害潜在生境的生态环境因子中，森林干扰指数、距道路及居民点距离、灯光亮度等自然及人为干扰因子，海拔、坡度及坡向等地形因子，在4种森林病虫害潜在生境适宜概率的贡献率均超过了85%。

采用拟合精度、预测精度的AUC平均值对4种森林病虫害MaxEnt模型诊断价值进行评价，4种模型诊断价值均达到中等或较高水平。其中，杨树桑天牛的诊断价值最高，竹蝗次之，松材线虫、樟巢螟较低。模型诊断价值的高低与病虫害空间分布信息的数量、定位精度存在密切联系。

4种森林病虫害的潜在生境适宜概率与寄主植物的空间分布呈现高度的一致性。每种森林病虫害的潜在发生面积比例均在15%以上，说明句容市森林病虫害防治形势比较严峻。加大科技和资金投入力度，调整森林林种、树种结构，加强中幼林抚育，精准提高森林经营水平，是遏制研究区森林病虫害泛滥成灾的主要经营对策。