陳思斯, 劉想, 童鑫玥, 管畢財(cái)

基于多模型集合預(yù)測(cè)尖萼紅山茶物種分布

陳思斯, 劉想, 童鑫玥, 管畢財(cái)*

南昌大學(xué)生命科學(xué)學(xué)院, 南昌 330031

氣候是影響生物多樣性和物種分布的一個(gè)重要因素, 近年來由于溫室氣體的大規(guī)模排放, 氣候正在快速的發(fā)生變化, 對(duì)植物的分布影響巨大。研究采用山茶科山茶屬尖萼紅山茶(Hance.)作為研究對(duì)象, 通過實(shí)地考察和網(wǎng)上查閱獲取其分布數(shù)據(jù), 從世界氣候網(wǎng)站和蘭州寒區(qū)旱區(qū)科學(xué)數(shù)據(jù)中心獲取環(huán)境變量, 結(jié)合R語言、Erdas和ArcGIS等軟件對(duì)其當(dāng)前和將來(2070)的分布區(qū)進(jìn)行模擬并得出置信度和計(jì)算其面積變化和質(zhì)心變化。研究結(jié)果表明, AUC值均大于0.9, 屬于非常好的預(yù)測(cè), 影響其分布的主要因子是Bio01(年平均溫度)、Bio04(溫度季節(jié)變化)、Bio15(降水量變異系數(shù))和Bio03(晝夜溫差與年溫差比值)。在四種二氧化碳排放情景下(RCP2.6、RCP4.5、RCP6.0及RCP8.5)所進(jìn)行的預(yù)測(cè)均表明尖萼紅山茶的分布面積均有收縮, 且收縮面積隨著碳排放程度的加劇而增加, 且最大收縮面積占總面積的80%。通過對(duì)該物種質(zhì)心變化的預(yù)測(cè)中發(fā)現(xiàn), 其總體呈現(xiàn)向北部遷移的趨勢(shì)。通過本次的預(yù)測(cè)發(fā)現(xiàn)氣候變化在未來可能對(duì)尖萼紅山茶的生存威脅很大。

尖萼紅山茶; biomod2; 物種分布模型; 面積變化; 質(zhì)心變化

0 前言

氣候和環(huán)境對(duì)生物的影響非常顯著[1], 目前關(guān)于氣候和環(huán)境對(duì)物種分布格局的定量研究已經(jīng)成為了研究熱點(diǎn)之一[2-3]。當(dāng)前, 氣候正快速的發(fā)生變化, Dawson 等人研究認(rèn)為氣候變化是威脅21世紀(jì)生物多樣性的重要因素之一[4]。Coetzee等的研究表明極端天氣事件頻率增加, 會(huì)影響本土和入侵物種的分布[5], Wilson等的研究表明全球呈現(xiàn)總體變暖的趨勢(shì), 這將影響一些物種的北部棲息地范圍[6]。近年來, 考慮氣候變化對(duì)物種分布和生態(tài)位轉(zhuǎn)移的潛在危害已成為生物多樣性保護(hù)主義者的主要課題之一[7].

得益于近些年氣候變化情景的深入研究和地理信息系統(tǒng)(GIS)的飛速發(fā)展, 我們可以利用物種分布模型來預(yù)測(cè)不同物種在氣候變化下的適宜生境變化來解決景觀生態(tài)學(xué)和保護(hù)生態(tài)學(xué)相關(guān)的熱點(diǎn)問題[8]。物種分布模型(SDMs)是通過關(guān)聯(lián)物種的分布記錄生物氣候變量研究物種與環(huán)境之間的關(guān)系, 并將這些關(guān)系投影到不同的空間和(或)時(shí)間預(yù)測(cè)目標(biāo)物種適合的棲息地和潛在分布范圍的模型[9], 目前該模型廣泛應(yīng)用于各種氣候變化情景下不同物種的生境預(yù)測(cè)研究。主要包括MaxEnt、GRASP、GARP、Diva-GIS、Biomapper和SAM等模型, 但是使用單一的物種分布模型受限于模型算法的精確度, 物種和環(huán)境之間的不確定性等各種原因, 降低了單一模型的準(zhǔn)確性[10], 所以多模型集合預(yù)測(cè)方法的使用就可以大大的提高預(yù)測(cè)精度, Biomod2[11]是R語言中的程序包, 其利用組合模型在構(gòu)建物種分布模型中被廣泛使用。雷軍成等利用Biomod2通過模擬黑麂在氣候變化情景下適宜生境的可能變化, 發(fā)現(xiàn)氣候變化將導(dǎo)致黑麂適宜生境面積大幅度減少[12]。Sergio Noce等人通過使用Biomod2軟件包研究南歐氣候變化對(duì)南歐的森林物種的適宜性分布和多樣性的變化可能性, 結(jié)果表明, 隨著氣候的變化, 大部分地區(qū)的物種多樣性將減少, 而阿爾卑斯地區(qū)存在成為物種遷移避難所的潛力[13]。

尖萼紅山茶(Camellia edithae Hance.), 屬山茶科(Theaceae)山茶屬(Camellia)灌木或者小喬木, 是中國(guó)的特有種, 該物種主要分布于廣東省東部、江西省南部和福建省等南嶺以南大部地區(qū), 這些地區(qū)氣候均溫暖濕潤(rùn), 但目前對(duì)尖萼紅山茶的適應(yīng)生境研究很少, 已發(fā)現(xiàn)的尖萼紅山茶的分布點(diǎn)也極為稀少, 本研究希望通過運(yùn)用組合模型的預(yù)測(cè)方式, 來初步探索尖萼紅山茶可能的分布范圍以及適宜其生存的環(huán)境情況, 并希望通過組合模型預(yù)測(cè)基于未來環(huán)境變化情景下尖萼紅山茶的分布變化情況, 希望能為該物種的保護(hù)起到預(yù)警的作用。

1 材料與方法

1.1 物種分布數(shù)據(jù)

尖萼紅山茶的主要分布信息來源于中國(guó)數(shù)字植物標(biāo)本館(CVH, http: //www.cvh.ac.cn/)、中國(guó)植物志(FRPS, http://www.frps.eflora.cn/)和野外調(diào)查。對(duì)于有詳細(xì)地址和經(jīng)緯度的標(biāo)本記錄, 我們使用Google earth進(jìn)行校對(duì), 采用準(zhǔn)確無誤的標(biāo)本分布信息, 此外, 對(duì)于有詳細(xì)位置但未記錄經(jīng)緯度的地點(diǎn), 也使用Google earth進(jìn)行定位并記錄使用, 對(duì)于年代久遠(yuǎn)且地址不詳細(xì)的分布點(diǎn)進(jìn)行剔除, 此外, 為減少標(biāo)本之間存在空間自相關(guān), 使用ArcMap剔除部分距離過近和重復(fù)采樣標(biāo)本, 最終獲得尖萼紅山茶的分布數(shù)據(jù)共40個(gè)。圖1即為尖萼紅山茶的分布點(diǎn)示意圖。

圖1 尖萼紅山茶分布點(diǎn)示意圖

Figure 1 Distribution of Camellia edithae

1.2 環(huán)境數(shù)據(jù)

環(huán)境數(shù)據(jù)包含生物氣候因子和數(shù)字高程模型數(shù)據(jù)。生物氣候因子下載自世界氣候數(shù)據(jù)庫(kù)(www.worldclim.org), 選擇當(dāng)前(Current)和2070年兩個(gè)時(shí)期的氣候數(shù)據(jù)。氣候數(shù)據(jù)來自于2014年第五次IPCC評(píng)估的氣候模型。因?yàn)椴煌臍夂蚰Ｐ偷奈磥眍A(yù)測(cè)存在一些區(qū)別[14], 所以2070年的氣候數(shù)據(jù)選擇了對(duì)我國(guó)氣候模擬時(shí)比較有優(yōu)勢(shì)的通用氣候系統(tǒng)模型CCSM4[15], 每個(gè)氣候模型選擇RCP (Repre-sentative concentration pathways)2.6, RCP4.5, RCP6.0, RCP8.5四種二氧化碳排放情景。其中RCP2.6表示人類采用更加積極的方式應(yīng)對(duì)氣候變化, 使得溫室氣體排放下降并在本世紀(jì)末將其降為負(fù)值, 到本世紀(jì)中葉(2046—2065年), 全球平均地表氣溫上升0.4—1.6°C; RCP8.5表示假定能源消費(fèi)結(jié)構(gòu)改善比較緩慢, 溫室氣體保持較高速率的排放。在此情景下, 到本世紀(jì)中葉, 全球平均地表氣溫升高1.4—2.6°C。而RCP4.5和RCP6.0則介于二者之間, 到本世紀(jì)中葉, 全球平均地表氣溫分別升高0.9—2.0°C和0.8—1.8°C[16]。在所選的所有情景中, 為避免氣候因子相關(guān)性較高導(dǎo)致共線性, 對(duì)其進(jìn)行相關(guān)性分析(correlation coefficient), 排除相關(guān)性大于0.8的氣候因子, 最終選擇Bio01: 年平均溫度、Bio02: 平均溫差、Bio03: 晝夜平均溫差/年溫差、Bio04: 季節(jié)性溫度、Bio13: 最濕月降水量、Bio14: 最干月降水量和Bio15: 季節(jié)性降水共7個(gè)生物氣候因子參與建模。數(shù)字高程模型數(shù)據(jù)下載自蘭州寒區(qū)旱區(qū)科學(xué)數(shù)據(jù)中心(http://westdc.westgis.ac.cn/)。所有環(huán)境數(shù)據(jù)均處理為2.5arc-min, 單個(gè)柵格面積大小約為22 km2, 分析底圖采用1:400萬中國(guó)行政區(qū)劃圖, 下載自國(guó)家基礎(chǔ)地理信息系統(tǒng)網(wǎng)站(NGCC, http://ngcc.sbsm.gov.cn/), 地理坐標(biāo)系為WGS1984。

1.3 模型的建立與評(píng)估

物種分布模型的建立需要物種的分布數(shù)據(jù)和缺失數(shù)據(jù), 但由于并不能夠獲取到準(zhǔn)確的物種的缺失數(shù)據(jù), 故通常使用假缺失來代替物種真實(shí)缺失的數(shù)據(jù)[17-18]。我們采用Biomod2軟件包進(jìn)行不同模型的組合預(yù)測(cè)[19]。表2是Biomod2程序包中的十種不同算法。

表1 19個(gè)環(huán)境變量

表2 參與模擬的10種算法

利用Biomod2中的十種算法, 使用已知物種分布數(shù)據(jù)的80%用于建模, 20%用于模型驗(yàn)證, 每個(gè)模型運(yùn)行三次重復(fù)[30]。本研究選擇Biomod2內(nèi)嵌的兩種模型評(píng)價(jià)指標(biāo)來進(jìn)行擬合精度的評(píng)價(jià)。即TSS和AUC。TSS是真實(shí)技巧統(tǒng)計(jì)法(True skill statistic), 綜合了敏感度和特異度兩個(gè)指標(biāo), 考慮了疏忽和替代性的錯(cuò)誤。其取值范圍在-1到1之間, 介于0.8到1之間表示擬合效果極好, 取值介于0.6到0.8之間表示擬合效果好, 取值介于0.4到0.6之間代表擬合效果一般[31-32]。AUC是指接收曲線ROC(Receiver operating chara-cteristic)與橫坐標(biāo)圍成的面積值, AUC值介于0.5—1之間, 當(dāng)結(jié)果大于0.7時(shí)表示預(yù)測(cè)結(jié)果一般, 當(dāng)結(jié)果大于0.8時(shí)表明結(jié)果滿意, 當(dāng)結(jié)果大于0.9時(shí)代表預(yù)測(cè)結(jié)果非常好。在物種分布模型的評(píng)價(jià)中, AUC得到了廣泛的應(yīng)用[33]。在運(yùn)算過程中, 自動(dòng)挑選TSS值大于0.7的算法進(jìn)行構(gòu)建組合模型運(yùn)算, 最終使用AUC值作為預(yù)測(cè)結(jié)果的評(píng)價(jià)標(biāo)準(zhǔn), 將預(yù)測(cè)結(jié)果的組合模型分別導(dǎo)入Erdas進(jìn)行轉(zhuǎn)換為Tiff格式, 使用Georeferen-cing工具對(duì)Erdas輸出的不含坐標(biāo)的文件進(jìn)行地理配準(zhǔn)。最后根據(jù)適宜度高低來進(jìn)行可視化表達(dá)。

1.4 潛在分布范圍及其變化的預(yù)測(cè)

將組合模型結(jié)果通過ArcMap轉(zhuǎn)化為二進(jìn)制SDM圖層, 在轉(zhuǎn)化過程中選擇固定閾值法, 將大于0.5的棲息地劃分為適宜生境, 反之則為不適宜生境。定義投影坐標(biāo)系為WGS1984。在ArcMap中使用插件SDM tools中的Distribution change between binary SDMs工具進(jìn)行不同時(shí)期生態(tài)位面積變化計(jì)算; 使用Centroid changes計(jì)算其質(zhì)心變化, 并加入比例尺和指北針后導(dǎo)出。其中, 面積變化主要采用相減方式得出, 當(dāng)前到未來由未來減去當(dāng)前分布得出, 再通過ArcMap將結(jié)果可視化表達(dá)。

2 結(jié)果與分析

2.1 模型預(yù)測(cè)精度

通過對(duì)尖萼紅山茶分布格局的模擬, 通過對(duì)單一模型與組合模型的AUC值可以看出(表3, 表4), 其單一模型的AUC值大都低于組合模型, 故得益于組合模型的使用, 不同時(shí)期的模型AUC值均高于0.998, 屬于非常好的預(yù)測(cè), 表明預(yù)測(cè)結(jié)果能夠非常好的反映尖萼紅山茶的當(dāng)前及2070年的分布。不同時(shí)期AUC值見表3。

表3 不同時(shí)期的不同模型的AUC值

表4 不同時(shí)期的單一模型的AUC值

圖2是十種算法在當(dāng)前氣候環(huán)境下的各個(gè)變量重要性, 從圖中可以看出, 在八種環(huán)境圖層中, 對(duì)尖萼紅山茶物種分布模型影響比較大的是: Bio01 (年平均溫度)、Bio04(溫度季節(jié)變化)、Bio15(降水量變異系數(shù))和Bio03(晝夜溫差與年溫差比值)。從圖中可以發(fā)現(xiàn)結(jié)果的標(biāo)準(zhǔn)差均大于0.3, 造成這種結(jié)果的原因可能是因?yàn)椴煌沫h(huán)境因子對(duì)不同的算法影響是不一致的[34]。

2.2 尖萼紅山茶的分布格局模擬

通過ArcGIS對(duì)尖萼紅山茶的棲息地適宜度進(jìn)行可視化表達(dá), 投影坐標(biāo)系選擇的是WGS1984, 圖3為尖萼紅山茶當(dāng)前時(shí)期的棲息地適宜度, 顏色由藍(lán)到紅依次代表適宜度由低到高, 由圖中可以看出最適合其生存的地區(qū)包括云南省東部, 廣東和福建交接處。當(dāng)前的氣候模型條件下, 適宜分布區(qū)面積為436154km2(圖3)。

2.3 尖萼紅山茶的分布格局變化范圍

本研究探討了在未來(2070)的四種不同的溫室氣體排放情景下的尖萼紅山茶分布格局的變化, 圖4中A、B、C和D分別表示RCP2.6、RCP4.5、RCP6.0和RCP8.5的分布分局與當(dāng)前分布格局之差, 即變化情況, 其中-1(紫色區(qū)域)代表擴(kuò)張范圍, 0(藍(lán)色區(qū)域)代表現(xiàn)在和將來都不會(huì)分布的范圍, 1(黃色區(qū)域)代表當(dāng)前和將來都存在的范圍, 2(紅色區(qū)域)代表分布收縮的范圍。

由圖4中可以直觀的看出, 尖萼紅山茶在不同的溫室氣體排放情景下的分布范圍均呈現(xiàn)收縮的趨勢(shì), 但是不同的情景區(qū)別較大, 具體表現(xiàn)為溫室氣體排放的越大, 則對(duì)其生存越不利。在RCP2.6情景下, 面積凈收縮67738 km2; RCP4.5情景下, 面積凈收縮123356 km2; RCP6.0情景下, 面積凈收縮293133 km2; 而在RCP8.5情景下, 面積凈收縮達(dá)到了350341 km2, 占到當(dāng)前分布面積的80.33%。

2.4 尖萼紅山茶質(zhì)心變化

根據(jù)ArcGIS 10.2中SDM工具包中Centroid changes工具對(duì)不同溫室氣體排放情景下尖萼紅山茶的分布質(zhì)心變化進(jìn)行分析, 底圖利用中國(guó)地圖進(jìn)行導(dǎo)出, 結(jié)果見圖4。

由圖4中可以看出, 不同的溫室氣體排放情景下, 尖萼紅山茶的質(zhì)心變化大體趨同, 都向東北方向移動(dòng),但是隨著碳排放的變化, 又各有不同, 具體表現(xiàn)為碳排放的程度越激烈, 則質(zhì)心變化越大, 主要是從廣東省向江西和湖南方向移動(dòng)。而紅色越深的區(qū)域表明核心分布范圍內(nèi)的高重疊區(qū)域隨著時(shí)間的變化, 而推移。

3 討論

3.1 影響尖萼紅山茶分布的主要因子

本研究采用的環(huán)境變量為從世界氣候網(wǎng)站下載的19個(gè)不同氣候因子, 為了排除共線性影響后選取其中7個(gè)氣候因子和數(shù)字高程模型, 模擬結(jié)果的環(huán)境因子相對(duì)貢獻(xiàn)度顯示, 海拔作為篩選后的八個(gè)環(huán)境因子之一, 是對(duì)尖萼紅山茶的分布影響最小的一個(gè)因子。在對(duì)其分布影響排名中, 位居前四的是Bio01(年平均溫度)、Bio04(溫度季節(jié)變化)、Bio15(降水量變異系數(shù))和Bio03(晝夜溫差與年溫差比值), 這四個(gè)環(huán)境因子均為溫度和降水量, 結(jié)合其分布的環(huán)境可以發(fā)現(xiàn)是該物種分布在我國(guó)南部亞熱帶區(qū)域的原因, 這也符合我們之前所提到的溫度和降水量對(duì)其影響最大的猜測(cè)。本研究基本與尖萼紅山茶的實(shí)際分布吻合且符合氣候因子對(duì)其生境影響的預(yù)期, 但是僅使用海拔和氣候作為環(huán)境因子略有不足, 以后的研究中應(yīng)該使用更多的環(huán)境因子參與計(jì)算, 例如有研究使用土壤作為影響因子之一參與模擬, 用以推測(cè)野生油茶()的潛在分布[35]。也有研究使用土壤pH作為影響因子參與模擬, 用以推測(cè)熱帶稀樹草原樹的分布受氣候變化的影響[36]。還有研究使用坡度和太陽(yáng)輻射等信息作為影響因子, 用以推測(cè)環(huán)境變化對(duì)狐猴科種群范圍變化和保護(hù)的挑戰(zhàn)[37]。因此結(jié)合這些文獻(xiàn)我們選取了上述的8個(gè)環(huán)境因子來進(jìn)行模擬, 這也是在以后的研究中要必須考慮到的。

圖2 主要環(huán)境變量對(duì)預(yù)測(cè)尖萼紅山茶分布的相對(duì)貢獻(xiàn)率

Figure 2 Relative contributions of the main environmental variables to the model for

圖3 當(dāng)前時(shí)期尖萼紅山茶潛在分布圖(暖色顏色越深表示適宜程度越高, 紅色區(qū)域表明適宜程度最高, 深藍(lán)色區(qū)域表明適宜程度最低)

Figure 3 Camellia edithae potential distribution map in current (The warmer color means higher suitability, the red areas show the highest suitability and dark blue areas show the lowest)

圖4 不同情景下尖萼紅山茶的分布面積變化(-1表示適宜區(qū)域擴(kuò)張范圍, 0表示在和將來都不會(huì)分布的范圍, 1表示當(dāng)前和將來都存在的范圍, 2表示分布收縮的范圍)

Figure 4 Distribution change ofCamellia edithaein different scenarios (-1 means the expanding regions, 0 means no occupational place, 1 means the area with no change, 2 means the contractive place)

研究結(jié)果表明, 在云南省也有部分范圍適宜尖萼紅山茶的分布, 這與我們調(diào)查和收集到的實(shí)際分布點(diǎn)有些出入, 屬于預(yù)測(cè)適宜生境范圍大于已知分布范圍, 造成這一現(xiàn)象可能有以下幾點(diǎn)原因: 1、該地區(qū)確實(shí)有尖萼紅山茶分布, 但是受限于調(diào)查力度和收集資料有限的緣故, 這些種群尚未被發(fā)現(xiàn)或者記錄[38]; 2、地理壁壘導(dǎo)致尖萼紅山茶并沒有擴(kuò)散到所有的適宜分布區(qū)。

圖5 不同情景下尖萼紅山茶分布面積質(zhì)心變化圖 (圖例表示線的密度, 較暖顏色表示的線密度說明了核心范圍內(nèi)的高重疊區(qū)域隨著時(shí)間的推移而變化)

Figure 5 The variation of the centroid of the distribution area of Camellia edithae under different scenarios (The legend means line densities, the warmer colors illustrate areas of overlap in core range shifts through time)

3.2 尖萼紅山茶的未來分布

結(jié)合環(huán)境因子對(duì)尖萼紅山茶影響和未來的分布區(qū)域變化可以知道, 由于其受溫度影響較大, 在溫室氣體排放的大背景下, 全球氣溫的是升高是必然趨勢(shì), 尖萼紅山茶的適生區(qū)范圍大幅度縮小也是必然趨勢(shì), 并且縮小范圍會(huì)隨著碳排放的增多而增大, 最保守的碳排放RCP2.6是其適生區(qū)最樂觀的變化范圍, 即縮小范圍是67738 km2, 主要是南部區(qū)域適生區(qū)的減少, 同時(shí)北部也有少部分?jǐn)U張; 在RCP4.5情景下, 原本適合生存的廣東省大部分地區(qū)和云南省部分區(qū)域?qū)⒉辉龠m合其生存, 同時(shí)向北擴(kuò)張, 在湖南省、江西省和浙江省部分地區(qū)得到生存的適宜條件。而在碳排放最劇烈的RCP8.5情景下, 超過百分之八十的分布區(qū)域?qū)⑾Р灰? 僅剩下武夷山部分區(qū)域尚適合其生存, 可能因?yàn)槠涞湫蛠啛釒Ъ撅L(fēng)氣候而適合作為尖萼紅山茶的避難所。因此, 合理控制碳排放是利于尖萼紅山茶的生存與分布的。

隨著氣候變化, 基于全球氣溫升高的背景下, 尖萼紅山茶的分布區(qū)域總體向北方遷移的趨勢(shì), 尖萼紅山茶的質(zhì)心變化則具體表現(xiàn)為向江西省和湖南省方向移動(dòng), 甚至是即將到達(dá)了福建省范圍內(nèi)。這和許多同類研究結(jié)果非常相似。有使用Biomod2建模并使用三種不同的氣候模型研究氣候變化對(duì)印度水稻的分布結(jié)果表明, 氣候變化會(huì)導(dǎo)致水稻適生區(qū)范圍向北部擴(kuò)張[30]。有研究者使用MaxEnt建模探討氣候變化對(duì)中國(guó)八種入侵雜草的影響, 研究結(jié)果也表明, 我們需要采取適當(dāng)?shù)拇胧┤タ刂齐s草向北部擴(kuò)張的趨勢(shì)[39]。同時(shí), 在全球范圍內(nèi)的一項(xiàng)關(guān)于氣候變化對(duì)河蜆()的分布的研究中, 作者采用Biomod2建模探討不同時(shí)期的氣候變化對(duì)河蜆分布的影響結(jié)果也表明氣候的變化將導(dǎo)致河蜆的生態(tài)位有向北移動(dòng)的趨勢(shì)[34]。尖萼紅山茶與此類研究相似, 結(jié)果都表現(xiàn)出向北擴(kuò)張的趨勢(shì), 但是我們認(rèn)為這種趨勢(shì)是由于南部適生區(qū)大范圍收縮, 導(dǎo)致其分布質(zhì)心往北移動(dòng)的假象, 而非適生區(qū)往北擴(kuò)張的結(jié)果。

總的來說, 得益于組合模型的應(yīng)用, AUC值均大于0.95, 模擬精度較好; 對(duì)于尖萼紅山茶而言, Bio01(年平均溫度)、Bio04(溫度季節(jié)變化)、Bio15(降水量變異系數(shù))和Bio03(晝夜溫差與年溫差比值)這四個(gè)環(huán)境因子影響相對(duì)較大, 海拔因素對(duì)其影響則相對(duì)較小; 伴隨著環(huán)境因子的變化, 尖萼紅山茶的分布在未來的時(shí)間內(nèi)將面臨很大面積的收縮, 且總體向東北方向移動(dòng)。

4. 結(jié)論

通過山茶科山茶屬尖萼紅山茶(Camellia edithae Hance.)當(dāng)前和將來(2070)的潛在適宜分布區(qū)進(jìn)行模擬并得出置信度和計(jì)算其面積變化和質(zhì)心變化。研究結(jié)果表明, 可能影響其分布的主要因子是Bio01 (年平均溫度)、Bio04(溫度季節(jié)變化)、Bio15(降水量變異系數(shù))和Bio03(晝夜溫差與年溫差比值)。在未來四種二氧化碳排放情景下(RCP2.6、RCP4.5、RCP6.0及RCP8.5)所進(jìn)行的預(yù)測(cè)均表明尖萼紅山茶的分布面積有收縮, 且收縮面積隨著碳排放程度的加劇而增加。通過對(duì)該物種質(zhì)心變化的預(yù)測(cè)中發(fā)現(xiàn), 其總體呈現(xiàn)向北部遷移的趨勢(shì)。氣候變化在未來可能對(duì)尖萼紅山茶的生存存在很大威脅。

[1] WILLIS K J, BHAGWAT S A. Biodiversity and Climate Change[J]. Science, 2009, 326(5954): 806–807.

[2] FITZPATRICK M, GOVE A, SANDERS N, DUNN R. Climate change, plant migration, and range collapse in a global biodiversity hotspot: the Banksia (Proteaceae) of Western Australia[J]. Global Change Biology, 2010, 14(6): 1337–1352.

[3] SAX D F. Saving a Million Species: Extinction Risk from Climate Change[J]. Ecological Restoration, 2001, 31(1): 99–100.

[4] DAWSON T P, JACKSON S T, HOUSE J I, et al. Beyond predictions: biodiversity conservation in a changing climate[J]. Science, 2011, 332(6025): 53–58.

[5] COETZEE B W T, KREMEN C, CAMERON A, et al. Conservation with Caveats[J]. Science, 2008, 321(5887): 340–342.

[6] ROBERT J W, DAVID G, JAVIER G, et al. Changes to the elevational limits and extent of species ranges associated with climate change[J]. Ecology Letters, 2005, 8(11): 1138–1146.

[7] GAMA M, CRESPO D, DOLBETH M, ANASTáCIO P M. Ensemble forecasting ofworldwide distribution: Projections of the impact of climate change[J]. Aquatic Conservation: Marine and Freshwater Ecosystems, 2017, 27(3): 675–684

[8] WIENS J A, STRALBERG D, JONGSOMJIT D. Niches, models, and climate change: Assessing the assumptions and uncertainties[J]. Science, 2009, 106(17): 19729–19736.

[9] ELITH J, LEATHWICK J R. Species Distribution Models: Ecological Explanation and Prediction Across Space and Time[J]. Annual Review of Ecology, Evolution, and Systematics, 2009, 40(1):677–697.

[10] 張雷, 劉世榮, 孫鵬森, 等. 氣候變化對(duì)物種分布影響模擬中的不確定性組分分割與制圖——以油松為例[J]. 生態(tài)學(xué)報(bào), 2011, 31(19): 5749–5761.

[11] WILFRIED T. BIOMOD - optimizing predictions of species distributions and projecting potential future shifts under global change[J]. Global Change Biology, 2003(10): 1353–1362.

[12] 雷軍成, 王莎, 王軍圍, 等. 未來氣候變化對(duì)我國(guó)特有瀕危動(dòng)物黑麂適宜生境的潛在影響[J]. 生物多樣性, 2016(12): 1390–1399.

[13] NOCE S, COLLALTI A, SANTINI M. Likelihood of chan-ges in forest species suitability, distribution, and diversity under future climate: The case of Southern Europe[J]. Eco-logy & Evolution, 2017, 7(22): 9358–9375.

[14] JAYASANKAR C B, SURENDRAN S, RAJENDRAN K. Robust signals of future projections of Indian summer monsoon rainfall by IPCC AR5 climate models: Role of seasonal cycle and interannual variability[J]. Geophysical Research Letters, 2015, 42(9): 3513–3520.

[15] 田芝平, 姜大膀. 不同分辨率CCSM4對(duì)東亞和中國(guó)氣候模擬能力分析[J]. 大氣科學(xué), 2013, 37(1): 171–186.

[16] RIAHI K. Fifth Assessment Report[R]. IPCC, 2014.

[17] JIMéNEZ-VALVERDE A, HORTAL J. Challenging Species Distribution Models: The Case ofin the Iberian Peninsula[J]. Annales Zoologici Fen-nici, 2008, 45(3): 200–210.

[18] LIU Xuan, ROHR J R, LI Yiming. Climate, vegetation, introduced hosts and trade shape a global wildlife pandemic [J]. Proceedings Biological Sciences, 2011, 280(1753): 20122506.

[19] THUILLER W, LAFOURCADE B, ENGLER R, et al. BIOMOD-a platform for ensemble forecas-ting of species distributions[J]. Ecography, 2010, 32(3): 36 9–373.

[20] BUSBY J R. BIOCLIM: a bioclimate analysis and predi-ction system[J]. Plant Protection Quarterly, 1991: 6.

[21] NELDER J A, WEDDERBURN R W M. Generalized Linear Models[J]. Journal of the Royal Statistical Society, 1972, 135(3): 370–384.

[22] HASTIE T, TIBSHIRANI R, BUJA A. Flexible Discrimi-nant Analysis by Optimal Scoring[J]. Publications of the American Statistical Association, 1994, 89(428): 1255–1 270.

[23] LOH W. Classification and regression trees[J]. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 2011, 1(1): 14–23.

[24] BILLFULKERSON. Pattern Recognition and Neural Networks[J]. Technometrics, 1997, 39(2): 233–234.

[25] FRAYMAN Y, ROLFE B F, Webb G I. Solving Regression Problems Using Competitive Ensemble Models[J]. Springer Berlin Heidelberg, 2002: 511–522.

[26] BREIMAN L. Random Forests[J]. Machine Learning, 2001, 45(1): 5–32.

[27] HASTIE T, TIBSHIRANI R, BUJA A. Flexible Discri-minant Analysis by Optimal Scoring[J]. Publications of the American Statistical Association, 1994, 89(428): 1255–1 270.

[28] FRIEDMAN J H. Multivariate Adaptive Regression Splines[J]. The Annals of Statistics, 1991, 19(1): 1–67.

[29] PHILLIPS S J, ANDERSON R P, SCHAPIRE R E. Maximum entropy modeling of species geographic distrib-u-tions [J]. Ecological Modelling, 2006, 190(3): 231–259.

[30] SINGH K, MCCLEAN C J, BüKER P, et al. Mapping regional risks from climate change for rainfed rice cultivation in India[J]. Agricultural Systems, 2017, 156: 76–84.

[31] 褚建民, 李毅夫, 張雷, 等. 瀕危物種長(zhǎng)柄扁桃的潛在分布與保護(hù)策略[J]. 生物多樣性, 2017, 25(8): 799–806.

[32] ALLOUCHE O, TSOAR A, KADMON R. Assessing the accuracy of species distribution models: prevalence, kappa and the true skill statistic (TSS) [J]. Journal of Applied Ecology, 2006, 43(6): 1223–1232.

[33] ANDERSON M J. Analysis of Ecological Communities[J]. Journal of Experimental Marine Biology & Ecology, 2003, 289.

[34] GAMA M, CRESPO D, DOLBETH M, ANASTáCIO P M. Ensemble forecasting ofworldwide distribution: Projections of the impact of climate change[J]. Aquatic Conservation Marine & Freshwater Ecosystems, 2017, 27.

[35] 崔相艷, 王文娟, 楊小強(qiáng), 李述, 秦聲遠(yuǎn), 戎俊. 基于生態(tài)位模型預(yù)測(cè)野生油茶的潛在分布[J]. 生物多樣性, 2016, 24(10): 1117–1128.

[36] LIMA J S, BALLESTEROS-MEJIA L, LIMA-RIBEIRO M S, COLLEVATTI R G. Climatic changes can drive the loss of genetic diversity in a Neotropical savanna tree species[J]. Global Change Biology, 2017, 23(11): 4639.

[37] BROWN J L, YODER A D. Shifting ranges and conservation challenges for lemurs in the face of climate change[J]. Ecology & Evolution, 2015, 5(6): 1131–1142.

[38] 張成安, 丁長(zhǎng)青. 中國(guó)雞形目鳥類的分布格局[J]. 動(dòng)物分類學(xué)報(bào), 2008, 33(2): 317–323.

[39] WAN Jizhong, WANG Chunjing, TAN Jingfang, YU Feihai. Climatic niche divergence and habitat suitability of eight alien invasive weeds in China under climate change[J]. Ecology & Evolution, 2017, 7(5): 1541–1552.

[40] YAN Yujing, LI Yi, WANG Wenjing, et al. Range shifts in response to climate change of,, a fungus endemic to the Tibetan Plateau[J]. Biological Conservation, 2017, 206:143–150.

[41] ZHOU Wenbin, JI Xiang, OBATA S, et al. Resolving relationships and phylogeographic history of the, Nyssa sylvatica, complex using data from RAD-seq and species distribution modeling[J]. Molecular Phylogenetics and Evolution, 201, 126: 1–16.

Prediction ofspecies distribution based on multi-model combination

CHEN Sisi, LIU Xiang, TONG Xinyue, GUAN Bicai*

College of Life Sciences, Nanchang University, Nanchang 330031, China

Climate is a major factor affecting biodiversity and species distribution. In recent years, due to the large-scale emission of greenhouse gases, the climate change has a great impact on the distribution of plants. In this study,was used as the research object. Thedata and access of this field were used to obtain the distribution data. The environmental variables were obtained from the World Climate Website and Cold and Arid Regions Science Data Center at Lanzhou. The software of R, erdas, and ArcGIS were used to simulate the current and future (2070) distributions and derive confidence and calculate their area and centroid changes. The results show that all of the AUC values are greater than 0.9, which is a very good prediction. The main factors affecting the distribution are Bio01 (Mean annual temperature), Bio04 (Temperature seasonality), Bio15 (Coefficient of variation of Precipitation seasonality) and Bio03 (Isothermality and annual temperature difference ratio). In four kind of different CO2emission scenarios(RCP2.6, RCP4.5, RCP6.0 and RCP8.5), the result suggest that the distribution area ofHance. has contracted, and the shrinkage area increases with the increase of carbon emission. The maximum shrinkage area accounts for 80% of the total area. The survival of tea may be very threatening. In addition, under the background of the shrinkage of the total area, its distribution also appears in a trend of moving toward the north as a whole.

;biomod2; species distribution model; area change; centroid changes

10.14108/j.cnki.1008-8873.2020.02.008

Q948.13

A

1008-8873(2020)02-058-9

2018-10-11;

2010-02-01

國(guó)家自然科學(xué)基金(31360045); 江西省青年科學(xué)基金(20161BAB214160); 江西省研究生創(chuàng)新專項(xiàng)資金項(xiàng)目(YC2017-S038)。

陳思斯(1994----—), 女, 碩士研究生, 研究方向?yàn)榫坝^遺傳學(xué), E-mail: 513653721@qq.com

管畢財(cái), 男, 博士, 副教授, 主要從事景觀遺傳學(xué)研究, E-mail:guanbicai12@163.com

陳思斯, 劉想, 童鑫玥, 等. 基于多模型集合預(yù)測(cè)尖萼紅山茶物種分布[J]. 生態(tài)科學(xué), 2020, 39(2): 58-66.

CHEN Sisi, LIU Xiang, TONG Xinyue, GUAN Bicai.Prediction ofspecies distribution based on multi-model combination[J]. Ecological Science, 2020, 39(2): 58-66.