尹秀 王愛萍 鄒澤傲 李云龍 王雅婷 高新征

摘要 我國南藥之一、藥食兩用的熱帶植物檳榔，其藥理作用豐富，臨床應用廣泛。根據(jù)檳榔現(xiàn)有的分布記錄及氣象數(shù)據(jù)，利用最大熵模型MaxEnt和ArcGIS預測氣候變化背景下的檳榔在我國適宜性生長區(qū)域，為其種植栽培和開發(fā)利用提供理論依據(jù)。3個時期（1970—2000年、2040—2060年、2061—2080年）不同碳排放情景下（RCP2.6、RCP8.5）的模擬預測結果精度均值都達到了0.990，結果可信度極高。檳榔適生區(qū)總面積在RCP2.6情境下呈下降趨勢，在RCP8.5情境下呈上升趨勢;貢獻率和影響力最大的氣候因子為最熱季降雨量，符合檳榔的生態(tài)習性;集中分布區(qū)域主要在瓊、粵、桂、滇南、臺等地區(qū)。

關鍵詞 檳榔;地理分布;適生區(qū)變化;最大熵模型

中圖分類號 Q 948文獻標識碼 A文章編號 0517-6611（2022）04-0221-04

doi：10.3969/j.issn.0517-6611.2022.04.057

開放科學（資源服務）標識碼（OSID）：

Prediction of Suitable Growing Areas of Areca catechu in Different Periods under Climate Changes

YIN Xiu1， WANG Ai-ping1， ZOU Ze-ao2 et al

（1.College of Pharmacy， Hainan Medical University， Haikou， Hainan 571199;2.College of Biomedical Information and Engineering， Hainan Medical University， Haikou， Hainan 571199）

Abstract Areca catechu， the first tropical plant in South China， has abundant pharmacological effects and wide clinical application. Under the background of climate change， according to the existing distribution records and meteorological data of Areca catechu， we used MaxEnt and ArcGIS to predict and analyze the suitable growth area of Areca catechu in China，to provide the theoretical basis for its cultivation and development.In the three periods （1970-2000，2040-2060，2061-2080） with different carbon emission scenarios，the average accuracy of simulation prediction results reached 0.990， and the results were highly reliable. In RCP2.6， the total area of suitable area of Areca catechu decreased， while in RCP8.5， it increased. The climate factor with the largest contribution rate and influence was the precipitation in the hottest season， which was in line with the ecological habits of Areca catechu. It is mainly distributed in Hainan， Guangdong， Guangxi， southern Yunnan and Taiwan.

Key words Areca catechu;Geographical distribution;Suitable area change;Maximum entropy

基金項目 海南醫(yī)學院2021學年大學生創(chuàng)新創(chuàng)業(yè)訓練計劃項目（X202111810115，X202111810126）。

作者簡介 尹秀（1997—），女，湖北孝感人，從事藥學研究。*通信作者，副教授，碩士，從事黎藥研究。

收稿日期 2021-06-01;修回日期 2021-07-02

檳榔（Areca catechu L.）又名仁頻、賓門及賓門藥餞等，是單子葉植物綱、初生目、棕櫚科、檳榔屬常綠喬木。檳榔含有生物堿、黃酮、鞣質(zhì)、脂肪酸、萜類和甾體等多種化學成分，主要的活性成分是以檳榔堿為首的生物堿 [1-2]，具有殺蟲、抗抑郁、促消化等多方面的藥理活性[3] 。檳榔及其提取物還有鎮(zhèn)痛、消炎、抗氧化 [4]、降血糖及調(diào)節(jié)血脂[4]等其他生物學效用[6-7]。

近年來，全球氣候呈變暖的趨勢愈加明顯，研究表明，大量陸地、淡水和海洋物種的棲息地范圍、季節(jié)活動、遷移路線、物種豐度和種間作用都隨著氣候變化而發(fā)生改變[8]，這些變化可能會造成區(qū)域物種多樣性減少，使物種滅絕風險增加[9]。

檳榔作為藥食兩用且發(fā)展前景良好的南藥之一，探究其在全球氣候變化總體趨暖的背景下，適宜生長區(qū)的時空變化規(guī)律對我國區(qū)域內(nèi)物種可持續(xù)發(fā)展具有重要意義。鑒于此，筆者根據(jù)檳榔現(xiàn)有的分布記錄及氣象數(shù)據(jù)，利用最大熵模型MaxEnt和ArcGIS預測氣候變化背景下的檳榔在我國適宜性生長區(qū)域，為其種植栽培和開發(fā)利用提供理論依據(jù)。

1 材料與方法

1.1 數(shù)據(jù)收集

1.1.1 檳榔地理信息的采集與整理。

通過查閱中國數(shù)字植物標本館（http//www.cvh.org.cn/）、教學標本標準化整理整合與資源共享平臺（http//mnh.scu.edu.cn/）、中國自然保護區(qū)資源平臺（http//www.papc.cn/bhqzy.aspx）及GBIF網(wǎng)站（https：//www.gbif.org/），結合實地考察，查閱公開發(fā)表的相關文獻及形色APP等互聯(lián)網(wǎng)平臺的方法，去除模糊以及重復采集地信息，共收集109條標本分布信息。為防止地理信息過近導致結果過度擬合，利用ArcGIS對其進行篩選，以6 km為半徑設置緩沖區(qū)，去除相交重合標本點，最終得到98條檳榔地理分布信息。結合谷歌地圖提取檳榔標本分布點的經(jīng)緯度。將其按照學名、經(jīng)度、緯度的順序錄入表格，并存為csv格式，作為MaxEnt模型的樣本輸入文件。

1.1.2 氣候數(shù)據(jù)的收集與處理。

在國家基礎地理信息系統(tǒng)網(wǎng)站（http：//nfgis.nsdi.gov.cn）下載中國省級行政區(qū)劃矢量地圖。氣候數(shù)據(jù)均來源于世界氣候數(shù)據(jù)庫（http：//www.worldcilm.org/），考慮對比性研究需單一變量性，該研究所需氣候數(shù)據(jù)均為19個生物氣候變量因子，包括1970—2000年、2040—2060年（2050s）和2061—2080年（2070s），3個時期選用基于CCSM4.0中的RCP2.6、RCP8.5（RCP2.6和RCP8.5分別代表最低和最高溫室氣體排放情景）排放路徑下的氣候因子[10]。由于環(huán)境因子相關性過高會造成結果過度擬合，故利用SPSS 20對19個環(huán)境因子進行相關性分析，當雙變量的相關系數(shù)≥0.8時，選擇貢獻率高的環(huán)境因子。去除貢獻率為0的環(huán)境因子，最終得到11個生物氣候因子（bio-2、bio-3、bio-4、bio-6、bio-8、bio-10、bio-12、bio-14、bio-15、bio-17、bio-18）通過 ArcGIS 10.2 中 ArcToolbox 的轉(zhuǎn)換工具由柵格轉(zhuǎn)化為 ASC Ⅱ 格式。

1.2 研究方法

1.2.1 最大熵模型。

最大熵模型（Maximum entropy，Maxent）是根據(jù)物種現(xiàn)實分布點和現(xiàn)實分布地區(qū)的環(huán)境變量運算得出預測模型，再利用該模型模擬目標物種在目標地區(qū)的可能分布情況[11]。它是生態(tài)位模型中一種比較新的用于預測物種分布的技術方法，自帶檢驗預測結果的功能。在物種分布數(shù)據(jù)不全的情況下，MaxEnt仍然能得到較為滿意的結果[12-14]。

1.2.2 ArcGIS。

ArcGIS 平臺由美國 Esri 公司發(fā)布，是測繪地理信息技術服務，尤其是地理信息系統(tǒng)（GIS）輔助決策的最具代表性的門戶系統(tǒng)，具有信息輸入與轉(zhuǎn)換、數(shù)據(jù)采集與編輯、數(shù)據(jù)存儲與管理、數(shù)據(jù)查詢與分析（柵格數(shù)據(jù)分析、矢量數(shù)據(jù)分析、三維分析、網(wǎng)絡分析）、空間統(tǒng)計與可視化、成果表達與輸出、二次開發(fā)與編程等先進的技術集成優(yōu)勢[15]。將最大熵模型預測結果與ArcGIS相結合，可得到較為清楚直觀的適生區(qū)分布圖[16-17]。

1.3 參數(shù)設置及模型精度分析

下載并安裝MaxEnt 3.4.1及ArcGIS 10.2軟件。將已經(jīng)轉(zhuǎn)化為合適格式的檳榔分布點數(shù)據(jù)和環(huán)境變量數(shù)據(jù)導入到MaxEnt軟件中，進行建模運算，測試集設置為 25%，采用刀切法檢驗權重，設置受試者工作曲線（ROC），輸出格式和輸出類型分別為 asc 和 Logistic，重復運行6次，得到環(huán)境因子的響應曲線、基本預測圖以及環(huán)境因子貢獻率等結果。

1.4 檳榔的適生區(qū)等級劃分

利用ArcGIS 10.2對MaxEnt模型計算結果進行美化分析。先將asc 格式的文件加載到 ArcGIS 中，按掩膜提取出中國區(qū)域，繪制出基于11個氣候數(shù)據(jù)下的檳榔適生區(qū)域地圖，然后點擊Spacial anayst工具里的Reclassification進行操作，在分類方法中采用自然斷點法，將其劃分為4個適生等級：非適生區(qū)、低適生區(qū)、中適生區(qū)、高適生區(qū)。

2 結果與分析

2.1 預測模型精度測評

按照上述方法，重復運行6次之后得到3個時期的ROC曲線圖，預測結果可以分為 5 個等級：預測失?。ˋUC=0.5～0.6）、較差（AUC=0.6～0.7）、一般（AUC=0.7～0.8）、較好（AUC=0.8～0.9）、極好（AUC=0.9～1.0）。構建的五次模型ROC曲線的AUC均值都達到了0.990以上（圖1），說明預測結果可信度非常高。

2.2 檳榔當前分布區(qū)預測結果

在當前氣候條件下（圖2），檳榔分布區(qū)總面積（表1）為155.26萬km2，占我國國土面積的16.12%。分布區(qū)域主要集中在瓊、粵、桂、滇、閩、臺等地區(qū)，其中瓊、粵、桂、臺灣西部及四川眉山樂山一帶為高適生區(qū)，占地35.58萬km2。中適生區(qū)占總適生區(qū)的4.20%，主要分布在云南南部、川渝交界、福建中部及南部。

低適生區(qū)分布區(qū)域最廣，占地79.18萬km2，分布在中高適生區(qū)周圍省份，但低適宜性生長區(qū)的適生指數(shù)較低，僅在自然條件下是較難生長的。現(xiàn)代檳榔地理分布結果與檳榔標本采集地理信息也相吻合。

2.3 氣候變化條件下檳榔適生區(qū)預測結果

以檳榔現(xiàn)有的檳榔分布記錄與未來氣候數(shù)據(jù)為媒介，利用Maxent對2040—2060年、2061—2080年2種不同排放路徑氣候下的檳榔適生區(qū)進行預測（圖3）。

結果發(fā)現(xiàn)在RCP8.5情境下，檳榔的適生區(qū)總面積總體上呈增加的趨勢，2040—2060年適生區(qū)總面積與當前相差不大，波動小于1.5萬km2，2061—2080年適生區(qū)總面積上升幅度較大，上升了27.42萬km2，增幅達到2.84%，分布區(qū)域向西南偏移。而RCP2.6情境下適生區(qū)面積總體呈降低趨勢：2040—2060年適生區(qū)總面積降低了1.26%，2061—2080年相較于當前降幅為0.95%。

在未來氣候變化下，高適宜性生長區(qū)都是呈下降趨勢，其中RCP2.6情景下降幅度最大：從1970—2000年的35.58萬km2下降到2040—2060年的25.09萬km2再到2061—2080年的20.02萬km2，分布區(qū)域變化主要是當前的一些高適生區(qū)轉(zhuǎn)換成了中低適生區(qū)，例如海南、臺灣，兩廣地區(qū)的大部分高適生區(qū)在2040—2060年轉(zhuǎn)換成中適生區(qū)，在2061—2080年甚至轉(zhuǎn)換成了低適生區(qū)。

在 RCP8.5情景下，高適生區(qū)是呈現(xiàn)降低再升高的趨勢，區(qū)域變化主要是由集中轉(zhuǎn)為分散，雖然南部地區(qū)的適生等級依舊下降了，但相對地也增加了一些區(qū)域：川渝交界、云貴川交界等。

中、低適生區(qū)變化范圍在2個時期不同情境下變化趨勢較大。中適生區(qū)在RCP8.5模式下呈線性增加趨勢，在RCP2.6情境下呈先增后減的趨勢，最終面積與當前相差不大;低適生區(qū)呈先下降后上升趨勢。分布區(qū)域主要是向西南區(qū)域偏移增加的區(qū)域，或者是不同適生指數(shù)的適生區(qū)域相互轉(zhuǎn)換。

2.4 環(huán)境因子貢獻率

由圖4可知，軟件的刀切法分別對每一個環(huán)境影響因子進行分析，以柱狀圖的形式表現(xiàn)了單個變量的貢獻程度。

由圖4可知，對檳榔適生區(qū)影響較大的環(huán)境因子是bio-18最熱季降雨量，結合通過模型計算得到不同氣候因子對檳榔適生區(qū)影響的貢獻率結果，發(fā)現(xiàn)不同時期的高貢獻率的環(huán)境因子大致相同，bio-18、bio-12、bio-10這3個氣候因子在不同時期不同排放路徑的權重都很高。

從表2可以看出，構建的5個不同預測模型的輸出結果中，最熱季降雨量（bio-18）、溫度季節(jié)性變化（bio-4）、年平均降雨量（bio-12）、降雨季節(jié)性變化（bio-15）、最干月份降雨量（bio-14）、最冷月份最低溫（bio-6）6個環(huán)境變量的貢獻率和影響力都靠前。累計貢獻率達90%，其中比重最大的為bio-18，貢獻率在50%以上，其他降水量相關因子的貢獻率也很高，說明檳榔在我國的適生區(qū)分布主要由這6個氣候因子變量主導，最重要的環(huán)境變量系降雨量，其次為溫度，這也符合檳榔的生態(tài)生長習性。

3 結論

該研究以熱帶植物檳榔為研究對象，通過最大熵模型MaxEnt和ArcGIS研究3個時期（1970—2000年、2040—2060年、2061—2080年）不同RCP模式下的檳榔適生區(qū)變化。通過對預測結果進行分析，發(fā)現(xiàn)氣候變暖在一定程度上對檳榔的生長是有益的。不管是當前還是未來，檳榔的核心分布區(qū)較為穩(wěn)定，主要是瓊、粵、桂、滇南、閩、臺及川渝交界等一些受熱帶或亞熱帶季風氣候影響的地區(qū)，增加的分布區(qū)域較為分散，如川渝、湖南的張家界、湖北的恩施等地，屬盆地或者多山地區(qū)，降雨量比較充足。在氣候變化背景下，RCP2.6情境對檳榔的適生區(qū)呈負影響，RCP8.5情境下呈正影響，可能是溫室氣體高排放量會使氣候趨暖幅度變大，使我國西南、東南地區(qū)的溫度增加，在降雨量也充足的情況下，檳榔分布率會增加。結合當前的一些氣候研究報告來看，氣候變化雖總體趨暖，但氣溫也并不是直線上升的，例如2020年的溫度驟降、寒潮頻發(fā)現(xiàn)象。由此可見，檳榔的適生區(qū)域變化也是和氣候變化規(guī)律息息相關的。

4 討論

該研究旨在對檳榔當前潛在分布區(qū)和未來適生區(qū)進行預測，分析檳榔的適生區(qū)是否會在全球氣候趨暖的影響下發(fā)生改變，為其種植栽培和開發(fā)利用提供理論依據(jù)。但該研究利用的環(huán)境變量僅為生物氣候變量，忽略了地形、土壤、人為等因素的影響。雖然大量研究表明，在通過最大熵模型預測物種適生區(qū)范圍時僅使用氣候因子，也可以得到相對精確的預測結果。但是本著嚴謹且認真的研究態(tài)度，在接下來的研究中還需要考慮其他影響植物生長的環(huán)境變量，這對于更加精確地預測檳榔的適生區(qū)范圍具有重要意義。

參考文獻

[1] 張橡楠.檳榔化學成分和藥理作用研究進展[J].生物技術世界，2012，10（7）：9-10.

[2] 賈哲，韓婷，劉歡，等.基于多元統(tǒng)計分析的食用檳榔及藥用檳榔主要化學成分的含量對比研究[J].中華中醫(yī)藥雜志，2017，32（11）：5158-5161.

[3] 陳洪，羅光遠，陳夏雨，等.檳榔中檳榔堿的藥理研究進展[J].桂林師范高等?？茖W校學報，2017，31（2）：116-120.

[4] BHANDARE A M，KSHIRSAGAR A D，VYAWAHARE N S，et al.Potentialanalgesic，anti-inflammatory and antioxidant activities of hydroalcoholic extract of Areca catechu L.nut[J].Food Chem Toxicol，2010，48（12）：3412-3417.

[5] 姚起鑫，亓竹青，王光，等.檳榔堿改善 2 型糖尿病大鼠糖、脂代謝紊亂[J].中國藥理學通報，2009，25（11）：1477-1481.

[6] 蔣志，陳其城，曹立幸，等.檳榔及其活性物質(zhì)的研究進展[J].中國中藥雜志，2013，38（11）：1684-1687.

[7] 倪依東，王建華，王汝俊.檳榔水提液對胃腸運動的影響[J].中藥藥理與臨床，2003，19（5）：27-29.

[8] 李立峰.近期氣候變暖對全球生物代謝的影響[J].中國環(huán)境科學，2011，31（7）：1203.

[9] 禪鐸.全球變暖背景下地球表面溫度和氣候帶變化的檢測、歸因與預測[D].南京：南京大學，2015.

[10] BARROS V R，F(xiàn)IELD C B，DOKKEN D J，et al.Climate change 2014：Impacts，adaptation，and vulnerability[M].Cambridge：Cambridge University Press，2014.

[11] PHILLIPS S J，ANDERSON R P，SCHAPIRE R E.Maximum entropy modeling of species geographic distributions[J].Ecol Model，2006，190（3/4）：231-259.

[12] 孔曉泉.物種分布模型的穩(wěn)定性評估及應用軟件[D].安慶：安慶師范學院，2015.

[13] 趙澤芳.氣候變化下物種分布模型建構與模型比較[D].西安：陜西師范大學，2018.

[14] 馬松梅，張明理，張宏祥，等.利用最大熵模型和規(guī)則集遺傳算法模型預測孑遺植物裸果木的潛在地理分布及格局[J].植物生態(tài)學報，2010，34（11）：1327-1335.

[15] 張立剛.ArcGIS空間校正在矢量數(shù)據(jù)處理中的應用[J].黑龍江水利科技，2020，48（11）：183-185.

[16] 麻亞鴻.基于最大熵模型（MaxEnt）和地理信息系統(tǒng)（ArcGis）預測蘚類植物的地理分布范圍[D].上海：上海師范大學，2013.

[17] 郭杰，劉小平，張琴，等.基于Maxent模型的黨參全球潛在分布區(qū)預測[J].應用生態(tài)學報，2017，28（3）：992-1000.

3982500338296