基于MaxEnt模型和ArcGIS对木香花在中国的潜在地理分布预测与生境分析

 

摘要：采用143个木香花(RosabanksiaeAit.)自然分布点数据和19个气候变量数据，运用基于ArcGIS地理信息系统平台的最大熵MaxEnt(MaximumEntropyModel)生态位模型，对木香花在中国的适生区域进行模拟预测，并探讨影响木香花分布的主导气候因子。结果表明：

 

1)基于气候变量与木香花自然分布点的MaxEnt模型预测精度很高，可信度好，AUC值为0.909，大于0.9；

 

2)最冷月最低温、年降雨量、最冷季降雨量是限制木香花分布的主要气候变量；

 

3)当前中国木香花潜在地理分布高适生区面积为74.87万km2、中适生区面积为91.05万km2、低适生区面积113.51万km2，总适生区面积为279.43万km2，其中核心分布区主要集在中国亚热带包括云南、贵州、四川、重庆、湖北、江苏、陕西、安徽8省。以期对木香花进行仿自然群落、数字景观、定量化植物造景设计，科学调控其主导环境因子进行栽培、管理、养护，确保成活率，为园林绿地建设提供理论依据。

 

木香花(RosabanksiaeAit.)，别名“白刺花”“青木香”“七里香”，原产中国四川、云南，生长于海拔500~1300m的溪边、路旁或山坡、灌丛中。属蔷薇属攀缘小灌木，花期3—5月，高可达6m，是著名的芳香类藤蔓观赏植物，有“藤本花魁”之称[1]。其植株具有较高的观赏性，各器官富含丰富的营养元素和活性成分，具有较好的利用前景，是一类开发潜力较大的蔷薇属藤本植物[2]。

然而近年来，木香花人工引种栽培产地局限，只有公园、植物园、庭院或机关单位养护栽培居多，并未大量引种于园林景观、生态保护、工业推广等领域，导致以上现象的原因可能是未全面科学预测其分布、未全面掌握木香花的生态地理分布和主导影响因子[3]、为避免盲目引种，所以延缓推广应用。因此，科学预测木香花的潜在适生区，对其芳香油提取、选材产地、园林景观规划设计、生态复育、生物多样性保护与生态修复工程建设具有十分重要的理论意义和实践价值[4]。

 

当前，对木香花的研究主要集中于环境抗性抗病毒机理与品种选育[5]、自然挥发性香气精油成分分析鉴定与分子结构测定[6-7]、总黄酮含量测定[8]、庭院栽培与繁殖等方面的研究[9]，以及在云南、山东、华东地区对其生境、现状分布情况、种质资源、表现性状小尺度以及遗传微观层面的研究。而对中等尺度下整个中国境内木香花适生区的分布模拟研究还未涉及，因此，在当前全球气候变暖条件下，高效科学预测木香花的分布，掌握其生存、迁移、扩散以及避难机制亟待进一步研究。目前，有许多关于物种空间分布模拟和可视化的模型，如常用的生态位模型有规则集遗传算法模型(GeneticAlgorithmforRule-setProdiction，GARP)、最大熵模型(MaximumEntropyModel，MaxEnt)、生物气候模型(BiologicalClimaticModel，BIOCLIM)[10]、广义线性模型(GeneralizedLinearModel，GLM)、广义相加模型(GeneralizedAdditiveModel，GAM)以及随机森林模型(RandomForest，RF)等[11-12]。其中最大熵MaxEnt模型是目前广泛使用效果较好的生态位模型[13]，其基本原理：已有物种分布点的事实，即约束条件，根据约束条件相似性原理，将约束条件与参数输入概率模型函数中并投射到目标预测区域，在目标区域寻找此约束条件下的可能函数拟合的最大熵，选取熵值最大的模型为最好的模型，其满足约束条件的预测结果区域便是适生区[14-16]。

 

已有研究表明，将MaxEnt模型及ArcGIS空间分析技术手段广泛应用于观赏植物潜在分布区预测、外来物种分布区预测、外来昆虫与特定寄主植物分布预测、濒危植物保护与生物病虫害防治等领域，已获得了满意结果。如LiuH等应用该模型对中国东北地区杓兰(兰科)在人类压力和气候变化下栖息地可利用性和保护的研究[17]；入侵物种防疫领域如柳晓燕、李安等运用该模型研究外来入侵植物黄顶菊在中国潜在分布区与早期预警[18-19]、M.VictoriaLantschner等运用该模型预测农业、畜牧业和林业系统中有害物种及其天敌的分布[20]；濒危观赏植物保护领域如杨启杰等基于MaxEnt模型的孑遗植物桫椤在不同时期的潜在适生区以及关键生态因子的研究[21]、施晨阳等应用该模型预测水曲柳潜在适生区以及影响水曲柳适生区变化的主要环境因子，预测水曲柳过去和未来稳定的避难所的研究[22]。

 

运用MaxEnt模型的预测效果与其RM和FC参数密切相关，因此，模型参数的调整对研究结果准确性与可靠性影响较大[23]，只有对MaxEnt进行科学调参，才能实现模型最优参数组合筛选。迄今为止，中科院率先基于R语言的kuenm包对Maxent模型进行了相关参数调整测试研究[24]。

 

本研究利用最大熵MaxEnt模型预测并探讨木香花在中国地理分布格局与气候因子的定量关系，筛选主导气候变量，根据适生等级进行可视化处理，从而为木香花在物种多样性保护、生态修复工程以及花卉园林绿地建设中的合理选种、栽培与管理提供数据支撑和理论依据。

 

1数据来源与研究方法

 

1.1数据来源

 

1.1.1木香花自然分布点数据

 

本研究对象为木香花原种，在中国范围内自然生长分布的种质资源(不包括变种)，杂交种质资源、温室培育的除外。

 

木香花地理分布样点数据均选取当前(1970—2000年)发生的样点信息，通过世界生物多样性信息机构网(GBIF，http://www.gbif.org/)，搜索下载木香花在中国范围内分布发生且带经纬度地理坐标的记录80个样点信息；在线查阅中国数字植物标本馆(https://www.cvh.ac.cn/)、植物科学数据中心(https://www.plantplus.cn/cn)、《中国植物志》等国内植物数据库获取木香花在我国大陆的分布数据的96个样点信息[25]；检索知网(CNKI，https://www.cnki.net/)42篇有关木香花的公开发表的学术论文[26]，

同时，结合地名数据库(GeographicNamesDatabase)查找相应的经纬度地理坐标信息[27]，获得木香花在我国大陆地区分布记录的30个可用的样点信息，最终总计出206个样点信息。

 

1.1.2气候数据

 

本研究所需气候数据来源于WorldClim网站(http://www.worldclim.org/)2020年1月最新更新的19个气候数据图层。核对模型预测结果的气候数据来源于中国气象局国家气候中心。

 

1.1.3地图数据

 

研究所使用的shp格式地图分别来源于DIVA-GIS网站(http://www.diva-gis.org/)的全球行政区划图、中华人民共和国自然资源部(http://bzdt.ch.mnr.gov.cn/)1:2000万全国标准地图服务系统中的中国行政区划图。

 

1.2数据处理

 

1.2.1分布点数据处理

 

对206个木香花分布点进行筛选，去除重复样点、标本图片模糊、记录不确定以及明确为栽培方式的样点[28]，最终获得木香花在中国范围内分布的143个自然分布样点信息(图1)，并用Excel2010保存为MaxEnt模型所需的格式文件(*.csv)[29-30]。

 

1.2.2气候变量数据处理

 

本研究选取19个气候变量分别是：年均温(bio01)、月均温度变幅(bio02)、等温性(bio03)、温度季节性变化标准差(bio04)、最暖月最高温(bio05)、最冷月最低温(bio06)、温度年变幅(bio07)、最湿季均温(bio08)、最干季均温(bio09)、最暖季均温(bio10)、最冷季均温(bio11)、年降雨量(bio12)、最湿月降雨量(bio13)、最干月降雨量(bio14)、降雨量季节性变化(bio15)、最湿季降雨量(bio16)、最干季降雨量(bio17)、最暖季降雨量(bio18)、最冷季降雨量(bio19)[31-33]。

 

上述气候变量图层均采用2.5minutes(5km)空间分辨率，利用ArcGIS-ArcMap10.4.1软件，对下载的全球气候数据图层分别裁剪出中国区域气候数据，并将其导出为MaxEnt所需要的ASCII格式文件(*.asc)[34]。

 

1.3相关软件

 

本研究使用MaxEnt生态位模型软件3.4.4版本(https://biodiversityinformatics.amnh.org/open_source/MaxEnt/)，与ArcGIS地理信息系统中ArcMap10.4.1版本软件相结合进行模型构建，主要使用ArcMap软件将环境数据(*.tif)格式转换成(*.asc)格式数据[35]，MaxEnt模型软件测试物种分布点与环境因子的关联性，以及受试者工作特征曲线(ROC)评价模型预测的准确性[36]。

 

1.4MaxEnt模型构建

 

1.4.1数据加载

 

将木香花分布记录文件(csv格式)，通过样本栏(samples)浏览按钮(browse)加载到MaxEnt软件中，把ASCII格式文件的环境数据(*.asc)通过环境层栏(environmentallayers)浏览按钮加载到MaxEnt软件中[37]。

 

1.4.2参数设置

 

MaxEnt3.4.4软件设置方法：将木香花中国区域分布点数据和气候变量数据导入MaxEnt软件中，程序运行时，选刀切法(dojackknifetomeasurevariableimportance)功能测定各气候变量重要性[38]，设置创建响应曲线(createresponsecurves)功能以获得分布概率与气候变量之间的逻辑斯蒂曲线，设置输出格式(outputformat)为逻辑数理格式(logistic)；设置受试者工作特征曲线(ROC)评价模型预测的准确性，在基本参数集(basic)选项随机测试集比例(randomtestpercentage)设置为25%，随机训练集比例(randomtrainingpercentage)为75%，迭代次数为10000，重复次数(replicates)设置为10，重复运行类型(replicatedruntype)选择二次抽样(subsample)使每次测试的验证样点重复抽样[39]；在高级设置集(advanced)写入绘图数据(writeplotdata)选项勾选，为二次绘制单因子环境响应曲线提供数据，剩余参数均设置为默认，并指定输出文件位置[40]。

 

1.4.3模型运行

 

分布数据加载与模型参数设置完成，点击按钮(run)运行模型，模拟结果使用ArcGIS10.4.1软件进行重分类、分布区分级显示、面积统计等后期处理。生成受试者工作ROC特征曲线下面积AUC(AreaUnderCurve)值(图2)[41]、环境因子贡献率和置换重要值(表2)、单因子响应曲线(图3)。