王迪, 曲波, 周斌, 張依然, 劉智

基于SDMs-toolbox預(yù)測(cè)氣候變暖趨勢(shì)下遼寧省三裂葉豚草潛在入侵區(qū)域

王迪1,2, 曲波3,*, 周斌4, 張依然1, 劉智1

1. 沈陽環(huán)境科學(xué)研究院,遼寧省城市生態(tài)重點(diǎn)實(shí)驗(yàn)室, 沈陽 110161 2. 中國科學(xué)院生態(tài)環(huán)境研究中心, 北京 100085 3. 沈陽農(nóng)業(yè)大學(xué)生物科學(xué)技術(shù)學(xué)院, 遼寧省全球變化與生物入侵重點(diǎn)實(shí)驗(yàn)室, 沈陽 110866 4. 遼寧省生態(tài)氣象和衛(wèi)星遙感中心, 沈陽 110866

為明確氣候變暖對(duì)三裂葉豚草的潛在適生區(qū)域的影響并揭示三裂葉豚草潛在擴(kuò)散路徑及規(guī)律, 文章選取遼寧省作為研究區(qū)域, 模擬氣候變暖條件下三裂葉豚草在2050年潛在分布范圍。研究結(jié)果表明, 擬合溫室氣體排放量低的情況下(RCP4.5), 三裂葉豚草擴(kuò)散面積相比2019年增加了10919.9 km2, 其中中度和高度適生區(qū)分別增加了3137.32 km2和7782.58 km2, 面積占比分別增加了1.24%和3.07%; 擬合溫室氣體排放量高的情況下(RCP8.5), 三裂葉豚草中高度適宜區(qū)面積相比2019年增加了6932.2 km2, 中度和高度適宜區(qū)面積分別增加了2554.81 km2和4377.11 km2, 面積占比增加了1.01%和1.73%, 說明高溫室氣體排放量并沒有加速三裂葉豚草的快速擴(kuò)張。高低溫室氣體排放量情況下, 擴(kuò)張方向大致相同, 均表現(xiàn)為為西北和西南兩個(gè)方向。其一為以中部平原地區(qū)為中心向西北方向的錦州、阜新擴(kuò)張, 由原來的低度適生區(qū)轉(zhuǎn)變?yōu)楦叨冗m生區(qū), 西部沿大小凌河方向擴(kuò)張; 其二為沿遼寧中部河流向西南方向擴(kuò)張, 營口盤錦沿海地區(qū)擴(kuò)散趨勢(shì)明顯。刀切法檢驗(yàn)結(jié)果表明高程對(duì)三裂葉豚草生境適宜度的貢獻(xiàn)率最高, 占47.4%, 且高程處于0-200m的范圍內(nèi)、坡度處于0度左右的區(qū)域三裂葉豚草適宜性指數(shù)較高, 說明三裂葉豚草適合分布在高程較低、坡度較緩的平原區(qū)域。該研究結(jié)果為三裂葉豚草在遼寧省乃至全國的入侵風(fēng)險(xiǎn)預(yù)警防治提供技術(shù)支撐。

入侵物種; 預(yù)測(cè); SDMs-toolbox; MaxEnt模型; 風(fēng)險(xiǎn)評(píng)估

0 前言

三裂葉豚草()又名大破布草, 原產(chǎn)于北美洲, 一年生粗壯草本植物, 被列入中國第二批外來入侵物種名單。1930年, 在我國遼寧鐵嶺地區(qū)首次發(fā)現(xiàn), 并以種子量大且較輕等生物學(xué)特征迅速在遼寧省各市擴(kuò)散蔓延。遼寧省位于我國東部的季風(fēng)區(qū), 夏季以東南風(fēng)為主、冬季以東北風(fēng)為主, 以風(fēng)媒傳播為主的三裂葉豚草隨著風(fēng)向形成了吉林-黑龍江-內(nèi)蒙古和河北-山西兩條擴(kuò)散路徑, 成為三裂葉豚草在我國傳播和擴(kuò)散的點(diǎn)源區(qū)域。三裂葉豚草從北美洲入侵到我國遼寧等地, 逃避了原有生境天敵的制約, 又因其植株味苦且適口性差導(dǎo)致牲畜不食, 以上兩點(diǎn)因素很大程度上助長了其生長和蔓延。三裂葉豚草生長繁茂, 耗肥吸水能力強(qiáng), 易造成土壤干旱貧瘠, 嚴(yán)重影響作物的生長, 促使共生小麥、大麥、大豆等作物減產(chǎn)甚至絕收[1], 花粉也是引起人體過敏哮喘等癥狀的重要過敏源之一。因此, 三裂葉豚草的發(fā)現(xiàn)、防控和清除等工作至關(guān)重要。

全球變暖的趨勢(shì)下, 可能會(huì)加速外來植物的侵入、定殖、建群和擴(kuò)散, 促進(jìn)外來入侵植物在侵入地定居[2], 進(jìn)而影響植被群落生物多樣性、物種分布和棲息地環(huán)境。國內(nèi)研究表明, 外來入侵植物互花米草()目前在我國的分布區(qū)域較小, 但在氣候變暖的條件下適生區(qū)域明顯增加, 且適生面積在RCP4.5情景下大于RCP8.5[3]。唐瑤等研究結(jié)果表明, 外來入侵植物刺萼龍葵()、腺龍葵()、北美刺龍葵()和銀毛龍葵()在氣候變暖的情況下, 在我國的適生區(qū)域均明顯增加, 但擴(kuò)張方向不同[4]。國外研究表明, 外來入侵植物普通豚草()對(duì)氣候變暖反應(yīng)同樣敏感, 且RCP8.5情景下普通豚草在美國東部地區(qū)的適生范圍遠(yuǎn)大于RCP4.5情景下[5]。在英國, HadCM3 (A1B)氣候變暖情景下, 普通豚草在英國的適生區(qū)域同樣明顯增加, 表現(xiàn)為向東部和北部擴(kuò)張[6]。

氣候變暖條件下, 不同區(qū)域的不同外來入侵植物擴(kuò)張的驅(qū)動(dòng)因子不同。研究表明, 外來入侵植物刺萼龍葵、腺龍葵、北美刺龍葵和銀毛龍葵向高緯度、高海拔區(qū)域擴(kuò)散, 緯度和海拔是其主要的驅(qū)動(dòng)因子[4]。互花米草在RCP4.5和RCP8.5的情景下, 擴(kuò)張方向均為高緯度和低海拔區(qū)域, 驅(qū)動(dòng)因子同為緯度和海拔[3]。普通豚草在英國的南部的驅(qū)動(dòng)因子為水分, 英國北部的驅(qū)動(dòng)因子為日照時(shí)長[6]; 而在美國東部, 普通豚草的擴(kuò)張受一月份最高氣溫影響最大[5]。

目前, 應(yīng)用較廣的物種預(yù)測(cè)模型包括BIOCLIM[7]、BIOMAPPER[8]、BRT[9]、CLIMEX[10]、DOMAIN[11]、GAM[12]、GRAP[13]、和MAXENT[14]。王運(yùn)生等利用ROC曲線的AUC值檢驗(yàn)各預(yù)測(cè)模型預(yù)測(cè)準(zhǔn)確率結(jié)果表明, MAXENT模型的準(zhǔn)確率最高, AUC值達(dá)到0.95[15]。MAXENT模型原理為默認(rèn)入侵物種在擴(kuò)散過程中生態(tài)位是保守的, 將物種已知分布點(diǎn)的氣候環(huán)境變量特征提取出來, 并將這些特征應(yīng)用到未來氣候環(huán)境特征中, 從而預(yù)測(cè)氣候變暖趨勢(shì)下外來入侵物種的潛在分布區(qū)域。Brown等開發(fā)的SDMs-toolbox工具正是融合了MAXENT模型的運(yùn)算方法, 利用了地理信息系統(tǒng)的可視化和柵格數(shù)據(jù)的空間分析功能, 提取主要環(huán)境變量進(jìn)行預(yù)測(cè), 并對(duì)各環(huán)境變量的解釋率進(jìn)行計(jì)算和描述, 簡化了物種潛在分布區(qū)域預(yù)測(cè)步驟[16]。

本研究選取遼寧省為“氣候變暖條件下三裂葉豚草潛在分布區(qū)域預(yù)測(cè)”研究區(qū)域, 其原因?yàn)檫|寧省是三裂葉豚草最早入侵我國的省份, 入侵時(shí)長近90年, 已在省內(nèi)定殖、建群和擴(kuò)散, 為研究三裂葉豚草潛在入侵分布區(qū)域提供充足的樣本量。本研究基于SDMs-toolbox工具的最大熵算法, 結(jié)合遼寧省內(nèi)三裂葉豚草分布點(diǎn)位、World Clim-Global數(shù)據(jù)庫提供的氣象預(yù)測(cè)數(shù)據(jù)和地形地勢(shì)數(shù)據(jù), 模擬分析氣候變暖條件下三裂葉豚草在遼寧省潛在適生區(qū)域。其結(jié)果有助于理解水熱條件對(duì)三裂葉豚草侵入、分布與擴(kuò)散的影響, 為其他省份研究氣候變暖條件下三裂葉豚草的潛在適生區(qū)域與危害范圍提供參考。另外, 預(yù)測(cè)外來入侵植物的潛在分布, 阻止其進(jìn)入適合生存的地區(qū), 是預(yù)防和控制外來入侵植物擴(kuò)張的重要舉措。同時(shí), 模擬氣候變暖對(duì)外來入侵種潛在分布區(qū)域的影響有助于外來入侵物種的風(fēng)險(xiǎn)預(yù)警, 為外來入侵植物的防治提供技術(shù)支撐[17-20]。

1 材料與方法

1.1 研究區(qū)域

遼寧省位于我國東北地區(qū)的南部(38.43°43′ 3.181″—43°26′18.984″N, 118°53′22.765″—125°46′ 11.759″E, 圖 1), 地處歐亞大陸東岸, 南瀕黃海和渤海。遼寧省境內(nèi)氣候特征為溫帶大陸性季風(fēng)氣候, 雨熱同期, 四季分明, 月平均溫度和降雨量分別為6.4 ℃和642 mm。遼寧省兩側(cè)(遼東遼西)地形地貌為山地和丘陵, 平均海拔為800 m和500 m; 中部地區(qū)為平原地貌, 平均海拔為200 m。遼寧省境內(nèi)河網(wǎng)密布交錯(cuò), 大小河流共計(jì)300余條, 主要河流包括遼河、渾河、大凌河、太子河、饒陽河和鴨綠江等。

1.2 研究方法

1.2.1 模型介紹

本研究選取的MaxEnt模型是一種基于最大熵原理來選擇或構(gòu)建最佳分類器的模型。通過已有的物種分布數(shù)據(jù)和物種所在區(qū)域的環(huán)境數(shù)據(jù), 對(duì)指定區(qū)域內(nèi)該物種的生境適宜度進(jìn)行評(píng)估[21-22]。SDM toolbox 2.0是基于一系列python語言腳本開發(fā)的物種分布模型工具, 它集成了ArcGIS軟件特有的數(shù)據(jù)預(yù)處理、環(huán)境變量空間自相關(guān)分析和空間數(shù)據(jù)主成分分析等功能, 可以剔除高度自相關(guān)的環(huán)境變量且簡化操作流程, 提高M(jìn)axEnt模型的應(yīng)用效率[16]。

1.2.2 數(shù)據(jù)來源與處理

(1)物種分布數(shù)據(jù)(Occurrence data)

物種分布點(diǎn)位數(shù)據(jù)來源于本團(tuán)隊(duì)2010年-2019年外來生物監(jiān)測(cè)數(shù)據(jù), 包含143個(gè)具有準(zhǔn)確經(jīng)緯度的三裂葉豚草()分布現(xiàn)狀點(diǎn)位, 利用SDM工具箱中的Spatially Rarefy Occurrence Data剔除掉空間自相關(guān)的點(diǎn)位, 最終保留84個(gè)三裂葉豚草點(diǎn)位數(shù)據(jù)。

圖1 研究區(qū)域

Figure 1 Location of study areas

(2)氣象數(shù)據(jù)(Climate data)

氣象數(shù)據(jù)來源于World Clim - Global數(shù)據(jù)庫(www. worldclim.org)(version 1.6和version 2.1)提供的2000年和2050年兩個(gè)時(shí)期的氣象因子, 本研究選取年平均氣溫(bio-01)、年平均氣溫日較差(bio-02)、等溫性(bio-03)、氣溫季節(jié)性變動(dòng)系數(shù)(bio-04)、最熱月份的最高溫度(bio_05)、最冷月份的最低溫度(bio-06)、年溫年較差(bio-07)、最濕季度平均溫度(bio-08)、最干季度平均溫度(bio-09)、最熱季度的平均溫度(bio-10)、最冷地區(qū)的平均溫度(bio-11)、年降水量(bio-12)、最濕月份的降雨量(bio-13)、最干月份的降雨量(bio-14)、降水量季節(jié)性變化(bio-15)、最濕季度的降雨量(bio-16)、最干季度的降雨量(bio-17)、最溫暖季度的降雨量(bio-18)、最冷季度的降雨量(bio-19)共19個(gè)氣象因子作為氣象因子候選指標(biāo), 分辨率為30 s。其中, 2050年的氣象數(shù)據(jù)包括溫室氣體高濃度(Representative Concentration Pathways, RCPs 8.5)和低濃度(Representative Concentration Pathways, RCPs 4.5)兩種排放情景。

(3)地形數(shù)據(jù)(Terrain data)

地形數(shù)據(jù)指標(biāo)包括數(shù)字高程數(shù)據(jù)(Digital Elevation Model, DEM)、坡度和坡向3個(gè)變量。數(shù)字高程數(shù)據(jù)來源于中國科學(xué)研究院地理空間數(shù)據(jù)云(http://www.gscloud.cn/), 分辨率為30 m。以DEM數(shù)據(jù)為基礎(chǔ), 利用Arcgis的表面分析工具生成坡度和坡向數(shù)據(jù), 分辨率均為30 m。為了保證氣象數(shù)據(jù)與地形數(shù)據(jù)的分辨率一致, 利用SDMs-toolbox中的重采樣工具將地形數(shù)據(jù)分辨率處理至1 km。

1.2.3 建立模型

(1)環(huán)境變量篩選

數(shù)據(jù)準(zhǔn)備就緒后, 開始進(jìn)行模型的的建立。利用SDMs-toolbox工具箱中的Remove Highly Correlated Variables工具對(duì)各環(huán)境因子進(jìn)行空間自相關(guān)篩選, 若2個(gè)變量間相關(guān)性的絕對(duì)值大于0. 8, 那么只有1個(gè)變量選入模型。

通過對(duì)22個(gè)環(huán)境變量進(jìn)行Person相關(guān)得出各指標(biāo)間的相關(guān)關(guān)系, 最終保留相關(guān)系數(shù)絕對(duì)值小于0.8的10個(gè)環(huán)境變量。分別為bio-1年平均氣溫(℃)、bio-3等溫性、bio-5最熱月份的最高溫度(℃)、bio-7年溫較差(℃)、bio-12年降雨量(mm)、bio-14最干月份的降雨量(mm)、bio-15降水量季節(jié)性變化(mm)、DEM、坡度和坡向。

(2)數(shù)據(jù)運(yùn)行參數(shù)

模型中將篩選后保留的三裂葉豚草生長點(diǎn)的75%用于與環(huán)境變量建模, 其余25%用于驗(yàn)證。設(shè)置模型運(yùn)行次數(shù)為10次, 取10次模型模擬結(jié)果平均值作為最終的模擬結(jié)果。選擇對(duì)每個(gè)環(huán)境變量創(chuàng)建響應(yīng)曲線, 評(píng)價(jià)每個(gè)環(huán)境變量對(duì)模型的貢獻(xiàn)率, 采用Jackknife刀切法檢驗(yàn)對(duì)環(huán)境因子的重要性進(jìn)行分析, 并采用受試者工作特征曲線(Receiver Operating Characteristic Curve, ROC)下面積即AUC(area under curve)對(duì)模型的精度進(jìn)行評(píng)價(jià)。

(3)遺漏率計(jì)算

模型隨機(jī)選取10%的三裂葉豚草生長點(diǎn)位進(jìn)行遺漏率的評(píng)估, 獲取各模型下的遺漏率(Omission Rates, OR), 遺漏率越低, 表示模型模擬的越好。

表1 環(huán)境變量Person相關(guān)分析結(jié)果

注: bio-1年平均氣溫; bio-3等溫性; bio-5最熱月份的最高溫度; bio_7年溫較差; bio-12年降雨量; bio-14最干月份的降雨量; bio-15降水量季節(jié)性變化。

(4)AUC值計(jì)算

ROC曲線是以靈敏度為縱坐標(biāo)、以特異度為橫坐標(biāo)來表現(xiàn)一系列不同的分類閾值的曲線。本研究中的靈敏度為能正確預(yù)測(cè)適宜三裂葉豚草分布點(diǎn)位個(gè)數(shù)與三裂葉豚草實(shí)際存在的所有點(diǎn)位個(gè)數(shù)的比值; 特異度為能正確預(yù)測(cè)非適宜三裂葉豚草分布的點(diǎn)位個(gè)數(shù)據(jù)與實(shí)際所有非適宜三裂葉豚草分布的點(diǎn)位個(gè)數(shù)的比值。

AUC值為ROC曲線所覆蓋的區(qū)域面積, AUC值越大, 分類器分類效果越好。當(dāng)0.9＜AUC≤1, 表明預(yù)測(cè)結(jié)果為“好”; 當(dāng)0.8＜AUC≤0.9, 表明預(yù)測(cè)結(jié)果為“較好”; 當(dāng)0.7＜AUC≤0.8, 表明預(yù)測(cè)結(jié)果為“一般”; 當(dāng)0.6＜AUC≤0.7, 表明預(yù)測(cè)結(jié)果為“較差”; 當(dāng)0.5＜AUC≤0.6, 表明預(yù)測(cè)結(jié)果為“失敗”[27]。

(5)模型驗(yàn)證

三裂葉豚草的生長點(diǎn)位與環(huán)境變量之間符合哪一種預(yù)測(cè)模型, 主要由OR值、AUC值和模型的復(fù)雜性來決定。最理想的模型應(yīng)依次滿足“低OR值”、“高AUC值”和特征類參數(shù)最簡三個(gè)特性(1線性; 2線性/二次; 3鉸鏈; 4線性, 二次, 鉸鏈; 5線性, 二次, 鉸鏈, 乘積, 閾值)[27]。

由表2可知, 在各類預(yù)測(cè)模型的AUC和OR檢驗(yàn)結(jié)果中, 第五種組合(Line-quadratic-hinge- threshold-product)的Train-AUC值最高, OR值最低, 因此確定預(yù)測(cè)模型為閾值特征預(yù)測(cè)模型。由圖2可知, 在閾值模型預(yù)測(cè)下, 三裂葉豚草分布預(yù)測(cè)模型的Training-AUC值為0.902, 模型預(yù)測(cè)結(jié)果表現(xiàn)為“好”。

2 結(jié)果與分析

2.1 環(huán)境變量對(duì)三裂葉豚草分布影響

刀切法檢驗(yàn)各環(huán)境變量對(duì)模型的貢獻(xiàn)率的結(jié)果表明(表3), 高程對(duì)模型的貢獻(xiàn)率最高, 為47.4%, 其次為坡度13.3%, 等溫性對(duì)模型的貢獻(xiàn)率為11.4%, 降水量季節(jié)性變化為9.9%。以上四個(gè)指標(biāo)對(duì)模型的累計(jì)貢獻(xiàn)率為82%, 說明以上四個(gè)指標(biāo)基本解釋了三裂葉豚草生境適宜性。坡向、年平均氣溫、年溫較差、最熱月份的最高溫度、降雨量和最干月份的降雨量對(duì)三裂葉豚草生境適宜性影響較小。各環(huán)境變量對(duì)模型的重要性與貢獻(xiàn)率的排序有所不同, 但高程對(duì)模型的重要性仍然排在第一位, 重要性值為58%。

通過貢獻(xiàn)率最高的四個(gè)環(huán)境變量的響應(yīng)曲線可以看出(圖3), 高程處于0—200 m的范圍內(nèi)、坡度處于0度左右的區(qū)域三裂葉豚草適宜性指數(shù)較高, 并且呈現(xiàn)遞減趨勢(shì)。該結(jié)果說明三裂葉豚草適合分布在高程較低、坡度較緩的平原區(qū)域。該結(jié)果與實(shí)地調(diào)查結(jié)果相符, 三裂葉豚草在遼寧省的分布現(xiàn)狀表現(xiàn)為兩條主線路, 其一為以沈陽市為中心向西南和東北方向擴(kuò)散; 其二以丹東市為源頭, 沿海岸線向東南方向擴(kuò)散。以上兩條擴(kuò)散線路所在區(qū)域高程值均處于0—200 m范圍, 且第一條路線所經(jīng)區(qū)域?yàn)榈湫秃恿鳑_積平原地貌, 降雨量的季節(jié)性變化相對(duì)較低(圖4), 擴(kuò)散速度相對(duì)較快。

表2 預(yù)測(cè)模型AUC和OR檢驗(yàn)結(jié)果

圖2 三裂葉豚草分布預(yù)測(cè)模型AUC和點(diǎn)位遺漏率檢驗(yàn)結(jié)果

Figure 2 ROC curves and OR value of the distribution prediction model for

2.2 三裂葉豚草分布的預(yù)測(cè)結(jié)果

預(yù)測(cè)結(jié)果表明, 三裂葉豚草生境適宜性指數(shù)值域范圍為0—1。將預(yù)測(cè)結(jié)果導(dǎo)入Arcgis10.6.1, 利用重分類方法將0.131作為適生等級(jí)的下限(訓(xùn)練遺漏率、預(yù)測(cè)面積和閾值平衡的閾值), 適宜度指數(shù)小于該值被認(rèn)為三裂葉豚草暫無分布; 從該值至0.290(敏感度和特異性的和最大的閾值)作為低度適生區(qū); 從該值至0.402(敏感度和特異性相等的閾值)作為中度適生區(qū); 大于0.402作為高度適生區(qū)。

由表4可知, 預(yù)測(cè)結(jié)果表明三裂葉豚草2050年在遼寧省的分布范圍明顯增加。在高溫室氣體排放量擬合氣候變化的情景下, 三裂葉豚草的無分布地區(qū)和低度適生區(qū)面積明顯減少, 特別是低度適生區(qū), 分別減少了602.82 km2和6329.04 km2, 面積占比分別減少了0.24%和2.5%; 中度和高度適生區(qū)大幅度面積增加, 分別增加了2554.81 km2和4377.11km2, 面積占比增加了1.01%和1.73%。在低溫室氣體排放量擬合氣候變化的情景下, 三裂葉豚草適宜擴(kuò)散的面積較高溫室氣體排放量擬合氣候變化的情景下大。其中無分布區(qū)域和低度適生區(qū)域分別減小了3886.7 km2和7033.2 km2, 面積占比降低了1.53%和2.78%; 中度和高度適生區(qū)分別增加了3137.32 km2和7782.58 km2, 面積占比增加了1.24%和3.07%。

表3 各環(huán)境變量對(duì)三裂葉豚草分布貢獻(xiàn)率

圖3 三裂葉豚草適宜性對(duì)高程與坡度響應(yīng)回歸曲線

Figure 3 Suitability regression curve ofto elevation and slope

圖4 DEM和降雨量季節(jié)性變化分布圖

Figure 4 Distribution of DEM and seasonal variation in rainfall

表4 2000年-2050年三裂葉豚草生境適宜度面積變化

圖5 2050年三裂葉豚草潛在分布預(yù)測(cè)結(jié)果

Figure 5 Potential distribution areas ofin 2050

3 討論

3.1 三裂葉豚草潛在分布區(qū)域預(yù)測(cè)

本研究基于SDMs-toolbox工具M(jìn)axEnt模型, 預(yù)測(cè)了溫室氣體不同排放量影響的氣候條件下三裂葉豚草在遼寧省潛在分布區(qū)域。三裂葉豚草在遼寧省的分布現(xiàn)狀表明, 三裂葉豚草主要分布在遼寧中部地區(qū)河流沿岸、丹東和大連沿海沿岸, 遼西地區(qū)錦州和葫蘆島沿海地區(qū)分布明顯, 其他區(qū)域零星分布, 與遼寧省三裂葉豚草調(diào)查點(diǎn)位基本相符[23-24]。三裂葉豚草預(yù)測(cè)結(jié)果表明, 無論是在溫室氣體高或低濃度排放量的情景下, 2050年三裂葉豚草在遼寧省內(nèi)適生區(qū)范圍不斷擴(kuò)散, 面積增加。溫室氣體低濃度排放量的情景下(Representative Concentration Pathways, RCP 4.5), 中度和高度適生區(qū)分別增加了3137.32 km2和7782.58 km2, 面積占比增加了1.24%和3.07%。溫室氣體高濃度排放量的條件下, 三裂葉豚草的中度和高度適生區(qū)面積大幅度增加, 分別增加了2554.81 km2和4377.11 km2, 面積占比增加了1.01%和1.73%。在美國東部地區(qū), 已有氣候變暖促進(jìn)豚草屬植物普通豚草的適生區(qū)面積增加的類似結(jié)論, 同時(shí)證明2050年RCP4.5和RCP8.5兩種情景下普通豚草的適生區(qū)面積均增加[32], 與本研究結(jié)果區(qū)別在于Case等研究結(jié)果中RCP8.5的情境下普通豚草的擴(kuò)散面積高于RCP4.5, 其原因可能為普通豚草為喜濕怕旱植物, 對(duì)降水的敏感性更強(qiáng), 而降雨量與溫室氣體排放量呈正相關(guān)[5]。

入侵物種潛在分布范圍預(yù)測(cè)結(jié)果可用于土地管理規(guī)劃中[25-26]。本研究結(jié)果表明, 截止于2050年, 遼寧省內(nèi)三裂葉豚草擴(kuò)散主要表現(xiàn)為兩個(gè)方向, 其一為以中部平原地區(qū)為中心向西北方向的錦州、阜新沿大凌河與小凌河方向擴(kuò)張, 由原來的低度適生區(qū)轉(zhuǎn)變?yōu)楦叨冗m生區(qū), 驗(yàn)證了三裂葉豚草喜濕的生物學(xué)特征[35]; 其二為沿遼寧中部河流向西南方向擴(kuò)張, 營口和大連沿海地區(qū)擴(kuò)散嚴(yán)重。除遼寧省東北部鐵嶺、撫順和本溪三個(gè)以山地為主的城市, 其他各市適生區(qū)均有明顯增加。溫室氣體高濃度排放量和低濃度排放量情景下, 擴(kuò)散方向大致相同, 但溫室氣體高濃度排放量情景下西北方向擴(kuò)散面積明顯小于低濃度排放量的情景, 其原因可能為高濃度排放量模擬條件下溫度高于低濃度排放量模擬的情況, 而三裂葉豚草為喜濕、喜冷植物, 因此溫度的快速增加并沒有促進(jìn)三裂葉豚草的擴(kuò)散。

3.2 影響生境適宜性主要環(huán)境變量

Jackknife檢驗(yàn)環(huán)境變量對(duì)生境適宜性預(yù)測(cè)的重要性分析結(jié)果表明, 高程對(duì)模型的貢獻(xiàn)率最高, 為47.4%, 其次為坡度13.3%, 等溫性對(duì)模型的貢獻(xiàn)率為11.4%, 降水量季節(jié)性變化為9.9%。其中高程的貢獻(xiàn)率起到主要作用, 并且高程和坡度單因素變量影響下的ROC 曲線結(jié)果表明, 高程處于0-200m的范圍內(nèi)、坡度處于0度左右的區(qū)域三裂葉豚草適宜性指數(shù)較高。三裂葉豚草適合分布在高程較低、坡度較緩的平原區(qū)域。分析其原因可能為遼寧省的中部平原地區(qū)為河流沖積平原, 河網(wǎng)密布, 外加北方多發(fā)多年一遇洪水, 河流兩岸植被以草本植被群落和農(nóng)田為主, 群落環(huán)境開放, 適合喜陽喜濕的三裂葉豚草生存該結(jié)論與王蘇銘等和邵云玲等研究結(jié)果一致, 指出普通豚草在東三省內(nèi)三江平原、松嫩平原、遼河平原和遼東半島分布較多, 在大興安嶺、小興安嶺、長白山等高海拔區(qū)域分布較少[27-28]。柳曉燕等對(duì)我國普通豚草適生區(qū)預(yù)測(cè)結(jié)果顯示, 最冷季度平均濕度和最濕季度濕度是影響普通豚草分布的主要環(huán)境變量[29], 與本研究得出的DEM為主要影響三裂葉豚草適生區(qū)面積變化的主要環(huán)境變量的結(jié)果不同, 其原因可能為研究的尺度不同, 與遼寧省尺度相比, 全國尺度上影響三裂葉豚草潛在適生區(qū)域的因素比較復(fù)。另外, 本研究中Jackknife檢驗(yàn)結(jié)果顯示年均降雨量與年平均氣溫對(duì)三裂葉豚草的生境適宜性影響較小, 其原因可能為遼寧省范圍相對(duì)較小且緯度跨度小, 因此降雨量和平均氣溫差異較小, 故以上兩個(gè)氣象因子貢獻(xiàn)率不高的原因。

4 結(jié)論

研究結(jié)果表明, 2050年高、低溫室氣體濃度排放量影響的氣候條件下三裂葉豚草在遼寧省的分布范圍均有所擴(kuò)散, 擴(kuò)散方向表現(xiàn)為以遼寧中部區(qū)域?yàn)橹行? 沿大小凌河向西北方向擴(kuò)散和沿遼河向西南方向擴(kuò)散。因此, 對(duì)于遼寧省內(nèi)河流生態(tài)系統(tǒng)的三裂葉豚草防治工作需要引起相關(guān)部門的重視, 做到早發(fā)現(xiàn)、早清除, 防止三裂葉豚草生長形成優(yōu)勢(shì)群落。

[1] 姜傳明, 曲秀春, 劉祥君. 三裂葉豚草的分布、危害和傳播特點(diǎn)[J]. 牡丹江師范學(xué)院學(xué)報(bào)(自然科學(xué)版), 1999, 2(1): 26–27.

[2] LI Xianping, LIU Xuan, KRAUS F, et al. Risk of biological invasions is concentrated in biodiversity hotspots[J]. Frontiers in Ecology and the Environment, 2016, 14(8): 411–417.

[3] 劉金雪. 氣候變化對(duì)外來入侵植物互花米草潛在分布區(qū)的影響[D]. 南京: 南京師范大學(xué), 2016.

[4] 唐瑤. 氣候變化條件下四種入侵植物在我國潛在分布預(yù)測(cè)分析[D]. 安徽: 安徽農(nóng)業(yè)大學(xué), 2018.

[5] CASE M J, STINSON K A. Climate change impacts on the distribution of the allergenic plant, common ragweed () in the eastern United States[J]. PLoS ONE, 2018, 13(10): e0205677.

[6] Storkey J, Stratonovitch P, Chapman D S, et al. A Process-Based Approach to predicting the effect of climate change on the distribution of an invasive allergenic plant in Europe[J]. PLoS ONE, 2014, 9(2): e88156.

[7] Csuti B, Margules C R, Austin M P. Nature Conservation: cost effective biological surveys and data analysis[J]. Journal of Wildlife Management, 1991, 56(3):621.

[8] HIRZEL A H, HAUSSER J, CHESSEL D, et al. Ecological-niche factor analysis:how to compute habitat- suitability maps without absence data[J]. Ecology, 2002, 83(7): 2027–2036.

[9] FRIEDMAN J H, HASTIE T, TIBSHIRANI R. Additive logistic regression: a statistical view of boosting[J]. Annals of Statistics, 2000, 28(2): 337–407.

[10] SUTHERST R W, MAYWALD G F, SKARRATT D B. Predicting insect distributions in a changed climate. In: Insects in Changing Environment (eds Harrington R, Stork NE)[M]. London: Academic Press, 1995: 59–91.

[11] CARPENTER G, GILLISON A N. WINTER J. DOMAIN: a flexible modelling procedure for mapping potential distributions of plants and animals[J]. Biodiversity and Conservation, 1993, 2(6): 667–680.

[12] YEE T W, MITCHELL N D. Generalized additive models in plant ecology[J]. Journal of Vegetation Science, 1991, 2(5): 587–602.

[13] STOCKWELL D, PETERS D. The GARP modelling system: problems and solutions to automated spatial prediction[J]. International Journal of Geographical Informa-tion Systems, 1999, 13(2): 143–158.

[14] PHILLIPS S J, ANDERSON R P, SCHAPIRE R E. Maximum entropy modeling of species geographic distributions[J]. Ecological Modelling, 2006, 190(3/4): 231–259.

[15] 王運(yùn)生, 謝丙炎, 萬方浩, 等. ROC曲線分析在評(píng)價(jià)入侵物種分布模型中的應(yīng)用[J]. 生物多樣性, 2007, 15(4): 365–372.

[16] Brown J L. SDM toolbox: a python-based GIS toolkit for landscape genetic, biogeographic and species distribution model analyses[J]. Methods in Ecology and Evolution, 2014, 5(7): 1–110.

[17] BYEON D H, JUNG S H, LEE W H. Review of CLIMEX and MaxEnt for studying species distribution in South Korea[J]. Journal of Asia-Pacific Biodiversity, 2018, 11(3): 325–333.

[18] CASE M J, STINSON K A. Climate change impacts on the distribution of the allergenic plant, common ragweed () in the eastern United States[J]. PLoS ONE, 2018, 13(10): e0205677.

[19] CHAPMAN D S, SCALONE R, STEFANIC E, et al. Mechanistic species distribution modeling reveals a niche shift during invasion[J]. Ecology, 2017, 98(6): 1671-1680.

[20] SKALOVA H, GUO Wenyong, WILD J, et al.in the Czech Republic: History of invasion, current distribution and prediction of future spread[J]. Preslia, 2017, 89(1): 1–16.

[21] LEI J C, XU H G. MaxEnt-based prediction of potential distribution ofin China[J]. Journal of Ecology and Rural Environment, 2010, 26 (2): 137–141.

[22] 麻亞鴻. 基于最大熵模型和地理信息系統(tǒng)預(yù)測(cè)蘚類植物的地理分布范圍——以廣西花坪自然保護(hù)區(qū)為列[D]. 上海:上海師范大學(xué), 2013.

[23] 劉旭昕, 方芳. 阜新外來入侵有害生物——雜草調(diào)查及防控建議[J].內(nèi)蒙古林業(yè)調(diào)查設(shè)計(jì), 2011, 34(1): 68–69+62.

[24] 曲波, 呂國忠, 楊紅, 等. 遼寧省外來入侵有害生物—— 雜草調(diào)查[J]. 沈陽農(nóng)業(yè)大學(xué)學(xué)報(bào), 2006, 37(4): 587–592.

[25] SCHWARTZ M W. Using niche models with climate projections to inform conservation management decisions[J]. Biological Conservation, 2012, 155(4): 149–56

[26] IVERSON L, MCKENZIE D. Tree-species range shifts in a changing climate: detecting, modeling, assisting[J]. Landscape and Ecological Engineering, 2013, 28(5): 879–89

[27] 王蘇銘, 張楠, 于琳倩, 等. 北京地區(qū)外來入侵植物分布特征及其影響因素[J]. 生態(tài)學(xué)報(bào), 2012, 32(15): 4618–4629.

[28] 邵云玲, 曹偉. 外來入侵植物豚草在中國東北潛在分布區(qū)預(yù)測(cè)[J].干旱區(qū)資源與環(huán)境, 2017, 31(7): 172–176.

[29] 柳曉燕, 李俊生, 趙彩云, 等. 基于MAXENT模型和ArcGIS預(yù)測(cè)豚草在中國的潛在適生區(qū)[J].植物保護(hù)學(xué)報(bào), 2016, 43(6): 1041–1048.

Prediction of potential invasive region forbased on SDMs-toolbox with climate warming in Liaoning Province

WANG Di1,2, QU Bo3,*, ZHOU Bin4, ZHANG Yiran1, LIU Zhi1

1. Shenyang Academy of Environmental Science,Liaoning Provincial Key Laboratory for Urban Ecology,Shenyang110161, China 2. Research Center for Eco-Environmental Sciences, Chinese Academy of Science, Beijing 100085, China 3. Biological science and Technology College of Shenyang Agricultural University,Liaoning Key Laboratory for Biological invasions and Global Changes,Shenyang110866,China 4. Liaoning Ecological Meteorological and Satellite Remote Sensing Center, Shenyang 110866, China

In order to clarify the effects of climate warming on the potential adaptive regionsand reveal the expansion direction of, Liaoning Province was selected as the sample region to simulate the potential distribution areas ofin 2050 under the condition of climate warming. Results showed that under the lower concentration emissions of greenhouse gas (RCP4.5), the area of 10919.9 km2increasecompared with 2019; the moderate and high adaptive areas were increased by 3137.32 km2(1.24%) and 7782.58 km2(3.07%), respectively. Under the higher concentration emissions of greenhouse gas (RCP8.5), the area was increased by 6932.2 km2compared with 2019; the moderate and high adaptive areas were increased by 2554.81 km2(1.01%) and 4377.11 km2(1.73%). The result showed that the higher concentration emissions of greenhouse gas did not accelerate the faster expansion of. Whatever the lower or higher concentration the greenhouse gas was, the spreading direction presented consistently, both southwest and northwest. The one of the spread direction was centered on central plain regions and spread to Jinzhou City and Fuxin City from northwestern, expanding along the Daling River and Xiaoling River; regional suitability changed from low-level to high-level. The other direction was along the Liaohe river to Yingkou City and Panjin City. The habitat suitability was most affected by elevation from the Jackknife test results, occupying 47.4%. ROC results showed suitability index ofwas higher in the area of 0-200 m above sea level with low gradient, which illustrated it was suitable for growing in plain regions. The results provide some supports for risk warning and prevention from invasive species ofin Liaoning Province and even China.

invasive species; prediction; SDMs-toolbox; MaxEnt model; risk assessment

10.14108/j.cnki.1008-8873.2022.02.008

Q14

A

1008-8873(2022)02-066-09

2020-05-24;

2020-06-22

國家重點(diǎn)研發(fā)計(jì)劃(2017YFC1200100); 遼寧省科技廳農(nóng)業(yè)攻關(guān)及產(chǎn)業(yè)化指導(dǎo)計(jì)劃(2019JH8/10200017); 國家自然科學(xué)基金(31901209); 中國 博士后科學(xué)基金(2018M641492); 遼寧省自然科學(xué)基金(20180551024); 沈陽市科學(xué)事業(yè)費(fèi)科技項(xiàng)目(sysy2018-041)

王迪(1990—), 女, 遼寧沈陽人, 博士, 主要從事生態(tài)環(huán)境修復(fù)與生物多樣性研究, E-mail: ecology_wd@163.com

通信作者:曲波, 女, 博士后, 教授, 主要從事生物多樣性與生物入侵機(jī)理研究, E-mail: syau_qb@163.com

王迪, 曲波, 周斌, 等. 基于SDMs-toolbox預(yù)測(cè)氣候變暖趨勢(shì)下遼寧省三裂葉豚草潛在入侵區(qū)域[J]. 生態(tài)科學(xué), 2022, 41(2): 66–74.

WANG Di, QU Bo, ZHOU Bin, et al. Prediction of potential invasive region forbased on SDMs-toolbox with climate warming: the case study of Liaoning province[J]. Ecological Science, 2022, 41(2): 66–74.