基于GIS和MaxEnt模型的合江方竹中国潜在分布区预测

探索合江方竹在我国的潜在适生分布区,了解影响其地理分布的主要环境因子,可为开展合江方竹种植区划及引种栽培提供参考。采用最大熵模型（MaxEnt）与地理信息系统（GIS）相结合,基于43个合江方竹地理分布记录和20项环境因子,通过相关分析、刀切法检验、创建分布预测图及因子响应曲线,预测合江方竹的潜在适生区及其适生等级,确定主导环境因子及其阈值,并采用受试者工作特征曲线（ROC）对预测结果进行验证。合江方竹在我国潜在适生区面积约1.88×10⁵ km²,主要分布在川、滇、黔、渝4个省（区）,湛江、海口和漳州临海地区有零星低适生区分布,四川盆地与云贵高原过渡的大娄山地带是合江方竹的高适生区。最干月降水量（bio14）、温差月均值（bio2）、海拔（alt）和年均降水量（bio12）是影响合江方竹分布最主要的环境因子,累计贡献率超过85%,各因子的阈值分别为：18~25 mm、60~72℃、550~1 350 m、1 030~1 160 mm。ROC下的面积（AUC值）达0.996,模拟预测准确性高,结果可信。结果表明,合江方竹具有进一步拓展的空间和可能,其分布主要受降水和温度的影响,适宜生长在温暖湿润且有一定温差的中高山地区。     

基于MaxEnt模型的松针红斑病在中国的潜在分布区及适生性预测分析

【目的】依据气候变化,探究气候变化对松针红斑病分布的影响,预测中国松针红斑病的潜在分布区。【方法】根据松针红斑病已知分布区域和相关气候数据,结合政府间气候变化专门委员会(IPCC)针对未来气候变化情景发布的CCSM4气候模式数据,采用最大熵模型(MaxEnt)预测松针红斑病的潜在分布区。【结果】松针红斑病最适宜分布区为黑龙江、吉林、辽宁、内蒙古东北部和云南省。经刀切法分析(Jackknife)表明,6月降水量、11月平均最高温度和最冷季度降水量等主要影响松针红斑病的潜在分布区。在未来不同气候变化情景下,总适宜区面积呈上升趋势,增加幅度为15. 66%～18. 29%。山东北部、河北、山西的大部分地区、陕西中部和南部、甘肃东南部、四川北部和南部、辽宁西部和内蒙古东部的各等级适宜区面积增加,适宜等级上升。【结论】MaxEnt模型预测结果与实际调查结果具有很高的一致性,能够反映松针红斑病在中国的分布情况。随着未来气候变化,云南、四川交界地区,东北三省和内蒙古东北部最适宜分布区呈现破碎化的趋势。松针红斑病适生区质心有由东北向华北、西北扩散的趋势。     

气候变化背景下我国扁蓿豆潜在适生区预测

扁蓿豆（Medicago ruthenica）是我国北方地区重要的豆科饲草资源,在草地改良、人工草地建设及生态修复等方面起重要作用,研究气候变化背景下我国扁蓿豆潜在适生区分布对其种植区划及种质资源保护具有重要意义。本研究采用最大熵模型（MaxEnt）预测了气候变化背景下扁蓿豆的适宜性生境分布区域及影响其分布的主导气候因子。结果表明,当前气候背景下我国扁蓿豆的适生区主要集中在内蒙古、黑龙江、新疆、甘肃、四川、西藏、吉林、陕西、云南、河北、青海中东部、山西、辽宁、山东东部、河南西北部、宁夏等地区;影响当代扁蓿豆适生区分布的主导因子是最干旱月降水量（bio14）、最冷季度降水量（bio19）、最湿润月降水量（bio13）、最热季度平均温度（bio10）;间冰期我国扁蓿豆的适生区较大,分布范围较广,而最佳适生区较小,仅占4.79%,从末次冰期冰盛期开始到未来CCSM4-rps26-2070等5个气候情景下我国扁蓿豆的适生区总面积较间冰期变小,而最佳适生区面积增加,5个气候情景的适生区面积和范围变化较小,受气候变化影响相对较弱。     

金荞麦的潜在分布区及生态特征

为了解我国金荞麦Fagopyrum dibtrys(D.Don)Hara的潜在分布区及生态特征,基于38个环境因子以及金荞麦在我国的153个地理分布记录,应用最大熵模型(MaxEnt)与地理信息系统(GIS)对金荞麦进行生态适宜性区划,并采用自然间断法对金荞麦的潜在区域进行划分。结果显示,金荞麦的潜在分布区主要位于我国西南地区东部、华中地区、华东地区和华南地区(22 N°~35N°),总面积约为250.99×10~4km~2;将金荞麦的潜在分布区划分为适生区、低适生区与边缘适生区,其中适生区主要集中在长江流域,总面积为88.00×10~4km~2。影响金荞麦地理分布的主要生态因子有最冷月最低温、最暖季降水量、高程、最干季降水量等9个因子,其中气候因子对金荞麦的地理分布影响最大。表明金荞麦应在云南、贵州、四川等省扩大种植面积,陕西、山西等省可考虑引种。     

盐爪爪属5种植物的潜在分布及其适生性分析

本研究基于盐爪爪属(Kalidium)?5种植物共503个地理分布点和29个环境变量,运用ArcGIS和最大熵模型(MaxEnt),分析了其在基准和未来时段不同气候情景下的潜在适生区、驱动因子及其生态位参数,并利用土地利用数据与基准时段下盐爪爪属5种植物的高适生区进行叠加分析.结果表明:1)盐爪爪属5种植物适生区分布的...     

基于ArcGIS和MaxEnt的槐气候适宜性和潜在分布研究

利用地理信息系统软件ArcGIS和最大熵模型MaxEnt,依据收集到的槐分布数据,结合环境因子,对影响槐的关键气候因子及适生等级进行分析。结果表明,影响槐分布的关键气候因子分别是最冷月最低温(Bio6)、年降水量(Bio12)、4月最低温(T_min4);最适宜槐生长的基本生态位参数为最冷月最低温在-11.1～12.7℃,年降水量在480.0～2 455.0 mm, 4月最低温在4.3～21.1℃。槐在全国范围内的中适生及以上区域主要集中在华东、华中全境以及东北、华北、西北、西南和华南的部分区域。本研究预测的结果与槐实际资源分布区域基本吻合,可为槐种质资源收集与种植规划布局提供参考依据。     

气候变化对中国梅花鹿潜在栖息地影响

研究表明,气候变化将会使生物多样性降低甚至是物种灭绝。研究气候变化对物种栖息地的影响,对未来研究物种多样性和保护生态系统功能完整性提供实践意义。以梅花鹿(Cervus nippon)为研究对象,将23个环境因子通过去相关性后得到8个环境因子,利用最大熵(MaxEnt)模型模拟了梅花鹿基准气候条件下在中国潜在生境分布,并预测了ssp245和ssp585两种气候变化情景下2021—2040年(2030s)、2041—2060年(2050s)、2061—2080年(2070s)梅花鹿潜在分布。23个环境因子中,对3个不同的梅花鹿亚种,降水季节性、海拔、最干月降水量这3个因子是影响梅花鹿生境分布的主要因子。基准气候条件下,梅花鹿的潜在生境面积占总研究区域总面积的3.72%。随着时间的推移,研究区内梅花鹿东北亚种当前潜在生境面积明显增加,其中ssp585情景增加程度大于ssp245情景。在ssp585情景2050s阶段,总潜在生境面积将增加524.79%;梅花鹿华南亚种当前潜在生境面积明显减少,在ssp585情景下,梅花鹿适宜生境面积减小幅度将大于ssp245情景下梅花鹿适宜生境面积减小幅度,其在相应阶段分别减少77.61%、96.29%和93.62%。适宜生境逐渐消失。梅花鹿四川亚种在ssp245、ssp585两种情景下,适宜生境面积变动较小,并且都有5%—10%的新增适宜生境。     

运用最大熵模型和随机森林模型对东北红松分布的模拟

利用东北三省气候、土壤和地形等数据和红松分布样点,分别在MaxEnt软件和R语言中输出建模精度、因子重要性和分布范围,对比最大熵模型和随机森林模型对预测物种潜在分布结果的差异。结果表明:(1)最大熵模型训练数据AUC为0.927,检测数据AUC为0.865,随机森林模型的AUC为0.902,两个模型精度接近;(2)两个模型的输出结果有所差异,最大熵模型结果显示影响红松潜在分布的主要因子顺序是气候、地形和土壤,随机森林模型显示的结果是土壤、气候和地形;(3)两个模型模拟的红松潜在分布结果有着很大的重合度,主要集中于东北地区的中东部,说明东北地区的中东部最适合红松的生长。最大熵模型和随机森林模型精度相似,但是输出结果具有一定差异,原因是输入的训练样本不同,在构建物种分布模型时,需要考虑输入样本的合理性,分析样本对预测物种分布造成的影响。     

Predicting soil micro-variables and the distribution of an endogeic earthworm species through a model based on large-scale variables

Studies on spatial patterns of distributions of soil dwelling animals have usually relied on soil micro-variables or statistical analyses based on presence/absence data. Geographic Information Systems (GIS) allow easy access to large-scale variables to build species distribution models. In this study, we used MaxEnt to model the distribution of the endogeic earthworm Hormogaster elisae. Significant differences were found between the predicted suitability values of localities where the species was present and those where it was absent, validating the predictive model. Most of the large-scale training variables showed significant correlation with soil micro-variables known to influence the biology of the species, proving the ability of the model to predict (to an extent) soil variables from environmental ones. The methodology could be extended to other soil fauna.