-
林木良种是有适宜生态区域要求的,如果自然条件不适宜,再好的良种也达不到丰产、稳产。因林木良种不适应引种区自然条件而造成巨大损失的教训是深刻的:20世纪70年代,各地在油茶(Camellia oleifera Abel.)生产发展过程中调购种子比较随意,较多地方因为超地理区域引种造林,引种前没有进行科学预判,盲目性的引种,导致幼林生长不良、成林产量很低,在人力、物力等方面都造成了较大的损失[1]。
传统的林木良种引种适宜生态区凭主观经验判断较多,如,宜林范围内每个按水平分布的气候带和垂直气候带都分布着特有类型的森林植被。经纬度由北向南,由西向东调运范围大于相反方向的范围,海拔高度不超过300~500 m,但是,1958年,湖北引种广东、福建马尾松(Pinus massoniana Lamb.)种子成功,用事实改变了过去专家认为“马尾松南种北移的幅度不能超过2~3°”的定论[2]。1979年李传志论证马尾松一次北移6~7°育苗是可以成功的[2]。所以,温度、降水、土壤等主要环境因子相似,即为林木良种同一适宜引种生态区。
杉木(Cunninghamia lanceolata)是湖北省主要造林树种之一。传统的杉木良种引种适宜生态区也是凭主观经验判断较多。杉木良种数量较多,且生长周期长,像农作物良种一样,对所有杉木良种都进行引种试验的可行性不大。基于MaxEnt和ARCGIS分析杉木良种同一适宜引种生态区[3,4,5],对四川省盆周山区杉木产区现有审定杉木良种,以100 m×100 m(即1 hm2)为单元,用34个环境因子划分四川省盆周山区杉木良种在湖北省同一适宜引种生态区,提高预测精度,为湖北省杉木良种造林工作能够“适地适树”,经营管理上“经济、合理”,杉木生产达到“速生、丰产、优质”奠定基础。
-
四川省林木良种审定委员会审定通过了5个无性系种子园良种。这些良种具有生长速度快、抗性强等优点。四川省盆周山区审定杉木良种信息来源于湖北省林业局林木种苗管理总站(见表1)。
34个环境因子数据获取于中国气象科学数据共享服务网、中国科学院资源环境科学数据中心、国家青藏高原科学数据中心、中国西部环境与生态科学数据中心(见表2)。
表 1 四川省盆周山区杉木产区审定杉木良种
Table 1. Approved superior Cunninghamia lanceolata varieties selected form Cunninghamia lanceolata production area in the mountainous regions surrounding Sichuan basin
良种名称Name of superior varieties 良种编号
Number of superior varieties选育单位
Breeding unit适宜栽培范围
Suitable cultivation range洪雅杉木第一代无性系种子园 川S-CSO(1)-CLA-002-2010 四川省洪雅林场 四川省盆周山区 洪雅杉木第一代改良无性系种子园 川S-CSO(1.5)-CLA-003-2010 四川省洪雅林场 四川省盆周山区 筠连杉木第一代改良无性系种子园 川S-CSO(1.5)-CLA-004-2010 筠连县林木种子园 四川省盆周山区 高县杉木第一代改良无性系种子园 川S-CSO(1.5)-CLA-006-2010 高县月江森林经营所 四川省盆周山区 沐川杉木第一代无性系种子园 川S-CSO(1)-CLA-001-2011 沐川县森林经营所 四川省盆周山区 表 2 四川省盆周山区杉木良种在湖北省同一适宜引种生态区环境因子
Table 2. Environmental factors of the identical suitable introduction ecological distribution of the superior Cunninghamia lanceolata varieties in Hubei province introduced from the mountainous region surrounding Sichuan basin
环境因子变量
Environmental factor variable代码
Code来源
Sources of data累年年日照时数 Bio1 中国气象科学数据共享服务网 太阳辐射日均值 Bio2 国家青藏高原科学数据中心 累年年平均气温 Bio3 中国气象科学数据共享服务网 累年年极端最低气温 Bio4 中国气象科学数据共享服务网 累年年极端最高气温 Bio5 中国气象科学数据共享服务网 累年最寒冷月(1月)平均气温 Bio6 中国气象科学数据共享服务网 累年最热月(7月)平均气温 Bio7 中国气象科学数据共享服务网 累年年日最低气温≤0.0℃平均日数日 Bio8 中国气象科学数据共享服务网 累年年日最高气温≥35.0℃平均日数日 Bio9 中国气象科学数据共享服务网 累年年平均气温日较差 Bio10 中国气象科学数据共享服务网 ≥0℃积温(经DEM校正) Bio11 中国科学院资源环境科学数据中心 ≥10℃积温(经DEM校正) Bio12 中国科学院资源环境科学数据中心 累年年平均 5cm 地温 Bio13 中国气象科学数据共享服务网 累年平均年降水量 Bio14 中国气象科学数据共享服务网 累年年最多降水量 Bio15 中国气象科学数据共享服务网 累年年最少降水量 Bio16 中国气象科学数据共享服务网 累年月最长连续无降水日数 Bio17 中国气象科学数据共享服务网 累年月最长连续降水日数 Bio18 中国气象科学数据共享服务网 累年月最长连续降水量 Bio19 中国气象科学数据共享服务网 累年年最大日降水量 Bio20 中国气象科学数据共享服务网 累年年平均相对湿度 Bio21 中国气象科学数据共享服务网 湿润指数 Bio22 中国科学院资源环境科学数据中心 干燥度 Bio23 中国科学院资源环境科学数据中心 累年年平均风速 Bio24 中国气象科学数据共享服务网 累年年极大风速 Bio25 中国气象科学数据共享服务网 累年年日最大风速≥5.0m/s日数 Bio26 中国气象科学数据共享服务网 累年年日最大风速≥10.0m/s日数 Bio27 中国气象科学数据共享服务网 土壤类型 Bio28 中国西部环境与生态科学数据中心 土壤酸碱度 Bio29 中国西部环境与生态科学数据中心 土壤的阳离子交换能力 Bio30 中国西部环境与生态科学数据中心 土壤深度 Bio31 中国西部环境与生态科学数据中心 土壤有机碳含量 Bio32 中国西部环境与生态科学数据中心 土壤沙含量 Bio33 中国西部环境与生态科学数据中心 土壤有效水含量 Bio34 中国西部环境与生态科学数据中心 中国行政区划数据、中国海拔高度(DEM)数据获取于中国科学院资源环境科学数据中心和湖北省林业调查规划院。
-
为避免样点数据在某个地理空间上过度聚集,在四川省盆周山区杉木适生范围内,用Arcgis10的Create fishnet 工具生成空间为30行x30列的格网数据,以1个格网作为1个采样单元对杉木良种的分布数据进行采样(见图1)[6]。根据选育单位确定的杉木良种适宜的自然地理环境条件范围,如,适宜海拔范围为400~1500 m,在Excel表中,剔除高程小于400 m、高程大于1500 m、土壤厚度小于30 cm和异常值的采样点,全部采样分布记录共301条。按照MaxEnt软件的“Samples”的要求整理数据,将分布点以“物种+经度+纬度(西经、南纬的值为负,经纬度为十进制小数格式。)”另存为CSV格式文件。
-
地形因子(经度、纬度、高度)与环境因子有较好的回归关系,利用中国2160个基本、基准地面气象观测站的观测数据,推算模拟无测站区域的环境资源分布情况。建立Bio1~Bio10、Bio13~Bio21、Bio24~Bio27等23个环境因子的空间分布模型,其表达式为:
$$ Y = f\left( {\lambda ,\varphi ,h} \right) + \varepsilon $$ (1) 式中,Y为环境因子要素;λ为经度;φ为纬度;h为海拔高度(m);函数f(λ, φ, h)为气候学方程;ε为残差项,可视为小地形因子(坡度、坡向等)及下垫面对环境的影响。将f(λ,φ,h)展成三维二次趋势面方程[7]。
$$\begin{aligned} f\left( {\lambda ,\varphi ,h} \right) =& b_{0}+ b_{1}\lambda+ b_{2}\phi + b_{3}h + b_{4}\lambda \phi + b_{5}\phi h+\\ &b_{6}\lambda h+b_{7}\lambda^{2}+b_{8}\phi^{2}+b_{9}h^{2} \end{aligned}$$ (2) 式中,b0~b9为待定系数,利用SAS9.4建立逐步回归优化回归模型,模拟23个环境因子的宏观趋势项,分别建立23个环境因子的小网格推算模型(见表3)。
表 3 环境因子的小网格推算模型
Table 3. Small grid calculation model of regionalization indexes of environmental factors
代码 模型 Bio1 f(λ,φ,h)=1657.54551−12.97394λ+54.67389φ+0.39683h Bio2 f(λ,φ,h)=−336.95268+8.13548λ+0.27515φ+0.10552h−0.04139λφ+ 0.00008φh−0.00086λh−0.02906λ2+0.0748φ2 Bio3 f(λ,φ,h)=15.76845+0.26667λ+0.06554φ+0.00313h−0.00246λφ− 0.00007φh−0.00004λh−0.00129λ2−0.0058φ2 Bio4 f(λ,φ,h)=51.97112+0.04975λ−1.59158φ+0.00319h+0.01283λφ− 0.00009φh−0.00004λh−0.00345λ2−0.01934φ2 Bio5 f(λ,φ,h)=−5.49324+0.7591λ+0.63929φ−0.00227h−0.00085λφ+ 0.00004φh−0.00002λh−0.00391λ2−0.00625φ2 Bio6 f(λ,φ,h)=−25.15112+0.97693λ−0.14663φ+0.01252h−0.00339λφ− 0.00013φh−0.0001λh−0.00436λ2−0.00875φ2 Bio7 f(λ,φ,h)=−2.71393+0.38806λ+0.88003φ−0.00036h−0.00493λφ+ 0.00001φh−0.00004λh−0.00124λ2−0.00717φ2 Bio8 f(λ,φ,h)=−542.8135+6.3311λ+3.84034φ−0.03783h−0.01839λφ+ 0.00196φh−0.00006λh−0.0215λ2+0.09159φ2+0.00001h2 Bio9 f(λ,φ,h)=202.49821−2.98647λ+1.40932φ−0.08143h−0.01514λφ+0.00031φh+0.00048λh+0.01325λ2−0.00614φ2 Bio10 f(λ,φ,h)=−30.57987+0.58985λ+0.17632φ+0.00758h−0.00161λφ− 0.00002φh−0.00005λh−0.00241λ2+0.00367φ2 Bio13 f(λ,φ,h)=40.20716−0.01707λ−0.64466φ−0.0093h Bio14 f(λ,φ,h)=7193.99788−86.49361λ−94.53044φ−1.09821h−0.86004λφ+0.00582φh+0.00755λh+0.62224λ2+1.69362φ2+0.00003h2 Bio15 f(λ,φ,h)=7151.25014−79.48638λ−97.8266φ−1.3132h−1.32853λφ+0.00958φh+0.00715λh+0.70653λ2+2.15358φ2+0.00006h2 Bio16 f(λ,φ,h)=7720.97762−99.21175λ−90.24615φ−1.12906h−0.33884λφ+0.00553φh+0.00835λh+0.55806λ2+1.06451φ2+0.00003h2 Bio17 f(λ,φ,h)=−687.35803+10.1539λ+11.68127φ+0.24181h−0.01193λφ− 0.00002φh−0.00208λh−0.04825λ2−0.10321φ2−0.00001h2 Bio18 f(λ,φ,h)=232.4859−2.67681λ−3.66311φ−0.01128h+0.00936λφ−0.0002φh+0.00019λh+0.01093λ2+0.02698φ2 Bio19 f(λ,φ,h)=127.01265+16.46271λ−53.94528φ+0.17506h−0.14495λφ− 0.00154φh−0.00129λh−0.03293λ2+0.851φ2 Bio20 f(λ,φ,h)=−287.76652+13.53065λ−10.8604φ−0.08777h+0.02005λφ+ 0.00116φh−0.00037λh−0.06146λ2+0.03945φ2+0.00001h2 Bio21 f(λ,φ,h)=409.22655−4.72918λ−3.05601φ−0.05713h+0.02024λφ−0.0001φh+0.00049λh+0.01796λ2−0.00621φ2 Bio24 f(λ,φ,h)=−14.33028+0.15696λ+0.20816φ+0.00247h−0.00304λφ− 0.00001φh−0.00002λh+0.00001λ2+0.0025φ2 Bio25 f(λ,φ,h)=−103.65452+1.1795λ+2.33329φ+0.00947h−0.03488λφ−0.00008φh−0.00005λh+0.00165λ2+0.02331φ2 Bio26 f(λ,φ,h)=−1899.89075+23.36367λ+16.81273φ+0.3808h−0.28339λφ− 0.00219φh−0.00218λh−0.03323λ2+0.28658φ2−0.00001h2 Bio27 f(λ,φ,h)=95.27993−3.19066λ+2.06246φ−0.06993h−0.04559λφ+0.00031φh+0.0006λh+0.02443λ2+0.05825φ2+0.00001h2 在中国海拔高度(DEM)数据支持下,在ArcGIS10里,用23个环境因子的小网格推算模型,将环境因子Bio1~Bio10、Bio13~Bio21、Bio24~Bio27分别插值为100 m×100 m 网格的基础数据[8,9]。用IDW法分别插值其残差项为100 m×100 m 网格的修正数据。用Spatial Analyst工具→数学→逻辑→加,将每个环境因子的基础数据和修正数据叠加相加为环境因子栅格数据。23个环境因子栅格数据用投影栅格工具统一为地理坐标系D_WGS_1984。以湖北省和四川省矢量边界为掩膜,裁剪出这23个环境因子栅格数据图层。最后,用栅格转ASCII工具将这23个环境因子栅格数据转换保存为MaxEnt所需要的ASCII格式文件。
在ArcGIS10里,将下载的Bio11、Bio12、Bio22、Bio23、Bio28~Bio34等11个环境因子数据通过重采样工具使其像元大小与Bio1~Bio10、Bio13~Bio21、Bio24~Bio27等23个环境因子一致[10]。11个环境因子数据统一为地理坐标系D_WGS_1984。以湖北省和四川省矢量边界为掩膜,裁剪出这11个环境因子栅格数据图层。最后,用栅格转ASCII工具将这11个环境因子栅格数据转换保存为MaxEnt所需要的ASCII格式文件。
-
(1)物种数据:将之前导出的杉木良种分布数据(csv格式)的文件,通过Browse加载到MaxEnt软件“Samples”模块。
(2)环境数据:把ASCII格式文件的34个环境数据加载到MaxEnt软件“Environmental layers”模块。
(3)参数设置:使用auto features 选项,根据自动特征规则进行计算,所有的要素类型都将用到。结果以comulative类型和ASCII格式输出,并定义其输出位置。设置界面的选择 settings里‘Random test percentage’设置为25,随机选取75%的样本点数据作为训练数据[11],settings中replicates本试验选择3次重复作为平行试验,最大迭代次数设为500次,收敛阈值设为0.00001,取值范围0-100[12]。选择‘Do jackknife to measure variable importance ’衡量所有变量的重要性,MaxEnt软件分别对每一个环境影响因子进行刀切图绘出。
-
绘制响应曲线(Response curves)评价模型精度。ROC 曲线以真阳性率为纵坐标(敏感性,实际存在且被预测为存在的比率),以假阳性率(1-特异性,实际不存在但被预测为存在的比率)为横坐标,AUC值指 ROC 曲线与横坐标围成的面积值,值域为0~1。AUC值越大表示与随机分布相距越远,环境因子变量与预测的杉木良种同一适宜引种生态区之间的相关性越大,即模型预测效果越好,反之说明模型预测效果越差。AUC值在 0.5~0.6,0.6~0.7,0.7~0.8,0.8~0.9,0.9~1 分别表示模拟效果失败、较差、一般、好、非常好[4,8]。34个环境因子预测模型的训练样本和测试样本的AUC值达到0.921和0.902(见图2),AUC均值在0.9~1之间,说明模型预测效果非常好。
-
在使用MaxEnt模型进行较大空间范围的杉木良种同一适宜引种生态区预测时,如果环境因子变量过多、变量空间共线性过强,将导致模型的复杂性增加,随机误差增大。所以,过多低贡献率的环境因子变量会导致模型运行结果的准确性降低。因此,需要对环境因子进行筛选或降维[13]。
-
在34个环境因子中,对于杉木良种同一适宜引种生态区分布贡献较大的环境因子变量有:Bio2、Bio7、Bio8、Bio12~Bio14、Bio18、Bio25、Bio27、Bio28,累计贡献率为95.8%。Bio1、Bio3~Bio6、Bio9~Bio11、Bio15~Bio17、Bio19~Bio24、Bio26、Bio29~Bio34等24个环境变量的贡献率都小于1%(见表4),对杉木的种植分布影响有限,对这24个环境因子变量进行剔除[14]。
表 4 各环境因子变量的贡献率
Table 4. Contribution rate of each environmental factor variable
变量 贡献率 置换重要性 bio12 25.3 2.3 bio2 21.5 44 bio13 20.8 3.7 bio25 12.8 5.1 bio28 6.4 1.8 bio7 2.5 11.6 bio27 2.4 0.7 bio14 1.6 1.7 bio18 1.5 1.7 bio8 1 7.6 bio5 0.8 0.2 bio23 0.5 3.6 bio31 0.5 4.3 bio29 0.4 0.6 bio24 0.4 0.2 bio10 0.3 1.7 bio21 0.3 0.6 bio11 0.2 1.5 bio4 0.2 0.2 bio22 0.1 0.7 bio26 0.1 0.8 bio33 0.1 0.2 bio20 0.1 0.7 bio19 0.1 1 bio6 0.1 1 bio30 0 0.4 bio17 0 0.8 bio9 0 0.5 bio32 0 0 bio15 0 0 bio16 0 0 bio34 0 0 bio1 0 0.5 bio3 0 0 -
刀切法(jackknife test)测定各环境因子变量权重。刀切法就是每次都忽略一个环境因子变量,然后基于剩下的环境因子变量来对杉木良种同一适宜引种生态区进行预测,然后MaxEnt软件自带程序画出柱形图作为依据评估环境因子变量的重要性。红色条带代表所有变量的贡献;深蓝色的条带越长,说明该变量越重要;浅蓝色的条带长度代表除该变量以外,其他所有变量组合的贡献。Bio2、Bio7、Bio8、Bio12~Bio14、Bio18、Bio25、Bio27、Bio28对应的深蓝色条带都大于0.1(见图3),说明它们本身的增益值较大,表明它们对预测杉木良种同一适宜引种生态区是重要环境因子变量,所以,保留这10个环境因子变量。
-
用GIS软件的值提取至点工具提取有效分布点的环境因子变量数值,用SPSS软件对贡献较大的Bio2、Bio7、Bio8、Bio12~Bio14、Bio18、Bio25、Bio27、Bio28等10个主导环境因子进行Spearman相关分析(见表5),检验环境因子变量之间的多重共线性。Bio2分别与Bio7、Bio8、Bio13的相关系数|r|≥0.8,对比初始模型中二者的贡献率,Bio7、Bio8、Bio13贡献率较小,所以,剔除贡献率较小的变量Bio7、Bio8、Bio13,提高模型模拟的精度 [14]。
表 5 关键环境因子变量的相关系数
Table 5. Correlation coefficient of key environmental factor variables
bio2 bio7 bio8 bio12 bio13 bio14 bio18 bio25 bio27 bio28 bio2 1.000 bio7 −0.805** 1.000 bio8 0.841** −0.776** 1.000 bio12 −0.788** 0.727** −0.729** 1.000 bio13 −0.895** 0.948** −0.848** 0.775** 1.000 bio14 0.260** −0.045 0.062 −0.054 −0.158** 1.000 bio18 0.576** −0.649** 0.510** −0.395** −0.681** 0.393** 1.000 bio25 0.070 −0.157** 0.195** −0.009 −0.193** 0.112 0.564** 1.000 bio27 0.376** −0.430** 0.565** −0.228** −0.418** −0.284** 0.464** 0.493** 1.000 bio28 −0.235** 0.142* −0.243** 0.107 0.201** −0.126* −0.160** −0.170** −0.149* 1.000 -
用剩余的Bio2、Bio12、Bio14、Bio18、Bio25、Bio27、Bio28等7个主导环境因子变量重新建模,重建模型的训练样本和测试样本的AUC值达到0.902和0.890(见图4),AUC均值在0.8~0.9之间,表明重建模型适用性及模拟精度均好,与主导环境因子变量之间的相关性大,预测同一适宜引种生态区的结果好,可以据此进行引种推广。
-
MaxEnt进行3次重复试验,选取重复试验中,AUC值最高的图层导人ArcGIS软件进行适宜等级划分和可视化表达(见图5)。MaxEnt模型输出的数据为ASCⅡ格式,用ArcGIS的ASCII to Raster功能,输出数据类型选FLOAT,使该结果可在 ArcGIS中显示[14]。利用“Reclassify”功能, 划分分布值等级及相应分布范围, 并使用不同颜色表示,划分标准为: 存在概率<0.05 为不适生区;0.05≤存在概率<0.33为低适生区;0.33≤存在概率<0.66为中适生区;存在概率≥0.66为高适生区[4,8]。整体来看,四川省盆周山区杉木产区的杉木良种在湖北省的低适生区面积为5204295 hm2,主要分布在:鄂中的随县、东宝区、掇刀区、沙洋县、荆州区、沙市区、江陵县、松滋市、公安县和石首市;鄂西的宜昌市、恩施市、襄阳市、十堰市和神农架。低适宜区域在引种杉木良种时,需要选择适宜的小生境。
-
用刀切法(Jackknife Test)检测7个主导环境因子变量对于分布增益的贡献,结果(见表6)表明:太阳辐射日均值(Bio2)对杉木分布的增益最大,当太阳辐射日均值为115~119 w·m−2,分布值随太阳辐射日均值的升高而增大;当太阳辐射日均值为119~170 w·m−2,分布值随太阳辐射日均值的升高而减小(见图6)。≥10℃积温(Bio25)也对杉木分布的影响较大,当≥10℃积温为0~50000℃,分布值随≥10℃积温的升高而减小(见图7)。
表 6 主导环境因子变量的贡献率
Table 6. Contribution rate of dominant environmental factor variables
变量 贡献率 置换重要性 bio2 46.4 73.7 bio12 17.4 1.8 bio25 10.1 12.6 bio14 8.2 2.1 bio28 7.9 2.3 bio18 7.2 3.8 bio27 2.8 3.8 -
基于MaxEnt生态位模型的同一适宜生态区研究中,环境因子数据常来自世界气候-全球气候数据库网站,仅19个环境因子,空间分辨率仅为5arc-min[5,6,10,14-17]。研究选取34个重要环境因子,用中国2160个基准地面气象观测站的观测数据,推算模拟无测站区域的环境资源分布情况,提高了四川省盆周山区杉木良种在湖北省同一适宜引种生态区预测精度。
传统的杉木良种引种同一适宜生态区以乡镇、县、市、省等行政单位为单元。然而,影响杉木成活生长的光、热、水、气等环境因子,受太阳辐射、大气环流的影响,在地面上呈地带性的分布。由于山体起伏,垂直森林地带在实际上并不都是连续的,而是由断断续续地呈孤岛状分布的地块组成。为了获得精准的引种效果,100 m×100 m为单元,进一步提高预测精度。
传统的林木引种是以单个树种划出同一适宜生态区。然而,随着自然条件演变和科学技术的发展,转抗性基因育种、种间和远缘杂交育种等遗传改良工作在广泛开展,每年都有新的林木良种通过审定。在相同的立地条件下,同一树种,不同良种之间的生长好坏是有显著差异的。为了获得精准的引种效果,本研究是以单个良种划出同一适宜生态区,精准预测四川省盆周山区杉木良种在湖北省同一适宜生态区。
通过运用MaxEnt生态位模型对四川省盆周山区杉木良种在湖北省同一适宜引种生态区进行分析,证明了MaxEnt模型在林木良种引种应用方面的可行性以及可信度,同时结合刀切法探讨对杉木良种生长影响最显著的环境因子,这对四川省盆周山区杉木良种适生性分析提供了更进一步的技术支撑。
Prediction of the Identical Ecological Distributions for Planting the Superior Varieties of Cunninghamia lanceolata in Hubei Province Introduced from Sichuan Province Based on MaxEnt Model and ArcGIS Analysis
More Information-
摘要: 通过运用MaxEnt模型和地理信息系统(ArcGIS)软件进行建模,对四川省盆周山区杉木良种在湖北省同一适宜引种生态区进行预测,同时分析确定影响该杉木良种生长的主导气候因子。结果表明:MaxEnt模型对该杉木良种同一适宜引种生态区的预测精度高,模型预测的训练样本和测试样本AUC均值大于0.8。四川省盆周山区杉木产区的杉木良种在湖北省的低适生区面积为5204295 hm2,主要分布在:鄂中的随县、东宝区、掇刀区、沙洋县、荆州区、沙市区、江陵县、松滋市、公安县和石首市;鄂西的宜昌市、恩施市、襄阳市、十堰市和神农架。太阳辐射日均值和≥10℃积温是影响四川省盆周山区杉木良种适生区分布的主导气候因子。Abstract: The identical ecological distributions suitable for the planting in Hubei Province of the superior varieties of Cunninghamia lanceolata introduced from the mountainous region surrounding Sichuan basin were predicted by using MaxEnt model and ArcGIS software, and the dominant climatic factors affecting the growth were analyzed and determined. The results showed that the MaxEnt model had a high prediction accuracy for the same ecological region suitable for introduction of the superior varieties of Cunninghamia lanceolata, and the mean AUC of the training samples and tested samples predicted by the model was greater than 0.8. The suitable regions for this species covered an area of 5204295 hectares, mainly distributed in Suixian, Dongbao, Duodao, Shayang, Jingzhou, Shashi, Jiangling, Songzi, Gongan and Shishou in central Hubei as well as Yichang, Enshi, Xiangyang, Shiyan and Shenlongjia in western Hubei. Daily average solar radiation and accumulated temperature ≥10℃ were the dominant climatic factors that affected the distribution of suitable planting areas for the superior varieties of Cunninghamia lanceolata introduced from the mountainous areas around the basin of Sichuan province.
-
表 1 四川省盆周山区杉木产区审定杉木良种
Tab. 1 Approved superior Cunninghamia lanceolata varieties selected form Cunninghamia lanceolata production area in the mountainous regions surrounding Sichuan basin
良种名称Name of superior varieties 良种编号
Number of superior varieties选育单位
Breeding unit适宜栽培范围
Suitable cultivation range洪雅杉木第一代无性系种子园 川S-CSO(1)-CLA-002-2010 四川省洪雅林场 四川省盆周山区 洪雅杉木第一代改良无性系种子园 川S-CSO(1.5)-CLA-003-2010 四川省洪雅林场 四川省盆周山区 筠连杉木第一代改良无性系种子园 川S-CSO(1.5)-CLA-004-2010 筠连县林木种子园 四川省盆周山区 高县杉木第一代改良无性系种子园 川S-CSO(1.5)-CLA-006-2010 高县月江森林经营所 四川省盆周山区 沐川杉木第一代无性系种子园 川S-CSO(1)-CLA-001-2011 沐川县森林经营所 四川省盆周山区 表 2 四川省盆周山区杉木良种在湖北省同一适宜引种生态区环境因子
Tab. 2 Environmental factors of the identical suitable introduction ecological distribution of the superior Cunninghamia lanceolata varieties in Hubei province introduced from the mountainous region surrounding Sichuan basin
环境因子变量
Environmental factor variable代码
Code来源
Sources of data累年年日照时数 Bio1 中国气象科学数据共享服务网 太阳辐射日均值 Bio2 国家青藏高原科学数据中心 累年年平均气温 Bio3 中国气象科学数据共享服务网 累年年极端最低气温 Bio4 中国气象科学数据共享服务网 累年年极端最高气温 Bio5 中国气象科学数据共享服务网 累年最寒冷月(1月)平均气温 Bio6 中国气象科学数据共享服务网 累年最热月(7月)平均气温 Bio7 中国气象科学数据共享服务网 累年年日最低气温≤0.0℃平均日数日 Bio8 中国气象科学数据共享服务网 累年年日最高气温≥35.0℃平均日数日 Bio9 中国气象科学数据共享服务网 累年年平均气温日较差 Bio10 中国气象科学数据共享服务网 ≥0℃积温(经DEM校正) Bio11 中国科学院资源环境科学数据中心 ≥10℃积温(经DEM校正) Bio12 中国科学院资源环境科学数据中心 累年年平均 5cm 地温 Bio13 中国气象科学数据共享服务网 累年平均年降水量 Bio14 中国气象科学数据共享服务网 累年年最多降水量 Bio15 中国气象科学数据共享服务网 累年年最少降水量 Bio16 中国气象科学数据共享服务网 累年月最长连续无降水日数 Bio17 中国气象科学数据共享服务网 累年月最长连续降水日数 Bio18 中国气象科学数据共享服务网 累年月最长连续降水量 Bio19 中国气象科学数据共享服务网 累年年最大日降水量 Bio20 中国气象科学数据共享服务网 累年年平均相对湿度 Bio21 中国气象科学数据共享服务网 湿润指数 Bio22 中国科学院资源环境科学数据中心 干燥度 Bio23 中国科学院资源环境科学数据中心 累年年平均风速 Bio24 中国气象科学数据共享服务网 累年年极大风速 Bio25 中国气象科学数据共享服务网 累年年日最大风速≥5.0m/s日数 Bio26 中国气象科学数据共享服务网 累年年日最大风速≥10.0m/s日数 Bio27 中国气象科学数据共享服务网 土壤类型 Bio28 中国西部环境与生态科学数据中心 土壤酸碱度 Bio29 中国西部环境与生态科学数据中心 土壤的阳离子交换能力 Bio30 中国西部环境与生态科学数据中心 土壤深度 Bio31 中国西部环境与生态科学数据中心 土壤有机碳含量 Bio32 中国西部环境与生态科学数据中心 土壤沙含量 Bio33 中国西部环境与生态科学数据中心 土壤有效水含量 Bio34 中国西部环境与生态科学数据中心 表 3 环境因子的小网格推算模型
Tab. 3 Small grid calculation model of regionalization indexes of environmental factors
代码 模型 Bio1 f(λ,φ,h)=1657.54551−12.97394λ+54.67389φ+0.39683h Bio2 f(λ,φ,h)=−336.95268+8.13548λ+0.27515φ+0.10552h−0.04139λφ+ 0.00008φh−0.00086λh−0.02906λ2+0.0748φ2 Bio3 f(λ,φ,h)=15.76845+0.26667λ+0.06554φ+0.00313h−0.00246λφ− 0.00007φh−0.00004λh−0.00129λ2−0.0058φ2 Bio4 f(λ,φ,h)=51.97112+0.04975λ−1.59158φ+0.00319h+0.01283λφ− 0.00009φh−0.00004λh−0.00345λ2−0.01934φ2 Bio5 f(λ,φ,h)=−5.49324+0.7591λ+0.63929φ−0.00227h−0.00085λφ+ 0.00004φh−0.00002λh−0.00391λ2−0.00625φ2 Bio6 f(λ,φ,h)=−25.15112+0.97693λ−0.14663φ+0.01252h−0.00339λφ− 0.00013φh−0.0001λh−0.00436λ2−0.00875φ2 Bio7 f(λ,φ,h)=−2.71393+0.38806λ+0.88003φ−0.00036h−0.00493λφ+ 0.00001φh−0.00004λh−0.00124λ2−0.00717φ2 Bio8 f(λ,φ,h)=−542.8135+6.3311λ+3.84034φ−0.03783h−0.01839λφ+ 0.00196φh−0.00006λh−0.0215λ2+0.09159φ2+0.00001h2 Bio9 f(λ,φ,h)=202.49821−2.98647λ+1.40932φ−0.08143h−0.01514λφ+0.00031φh+0.00048λh+0.01325λ2−0.00614φ2 Bio10 f(λ,φ,h)=−30.57987+0.58985λ+0.17632φ+0.00758h−0.00161λφ− 0.00002φh−0.00005λh−0.00241λ2+0.00367φ2 Bio13 f(λ,φ,h)=40.20716−0.01707λ−0.64466φ−0.0093h Bio14 f(λ,φ,h)=7193.99788−86.49361λ−94.53044φ−1.09821h−0.86004λφ+0.00582φh+0.00755λh+0.62224λ2+1.69362φ2+0.00003h2 Bio15 f(λ,φ,h)=7151.25014−79.48638λ−97.8266φ−1.3132h−1.32853λφ+0.00958φh+0.00715λh+0.70653λ2+2.15358φ2+0.00006h2 Bio16 f(λ,φ,h)=7720.97762−99.21175λ−90.24615φ−1.12906h−0.33884λφ+0.00553φh+0.00835λh+0.55806λ2+1.06451φ2+0.00003h2 Bio17 f(λ,φ,h)=−687.35803+10.1539λ+11.68127φ+0.24181h−0.01193λφ− 0.00002φh−0.00208λh−0.04825λ2−0.10321φ2−0.00001h2 Bio18 f(λ,φ,h)=232.4859−2.67681λ−3.66311φ−0.01128h+0.00936λφ−0.0002φh+0.00019λh+0.01093λ2+0.02698φ2 Bio19 f(λ,φ,h)=127.01265+16.46271λ−53.94528φ+0.17506h−0.14495λφ− 0.00154φh−0.00129λh−0.03293λ2+0.851φ2 Bio20 f(λ,φ,h)=−287.76652+13.53065λ−10.8604φ−0.08777h+0.02005λφ+ 0.00116φh−0.00037λh−0.06146λ2+0.03945φ2+0.00001h2 Bio21 f(λ,φ,h)=409.22655−4.72918λ−3.05601φ−0.05713h+0.02024λφ−0.0001φh+0.00049λh+0.01796λ2−0.00621φ2 Bio24 f(λ,φ,h)=−14.33028+0.15696λ+0.20816φ+0.00247h−0.00304λφ− 0.00001φh−0.00002λh+0.00001λ2+0.0025φ2 Bio25 f(λ,φ,h)=−103.65452+1.1795λ+2.33329φ+0.00947h−0.03488λφ−0.00008φh−0.00005λh+0.00165λ2+0.02331φ2 Bio26 f(λ,φ,h)=−1899.89075+23.36367λ+16.81273φ+0.3808h−0.28339λφ− 0.00219φh−0.00218λh−0.03323λ2+0.28658φ2−0.00001h2 Bio27 f(λ,φ,h)=95.27993−3.19066λ+2.06246φ−0.06993h−0.04559λφ+0.00031φh+0.0006λh+0.02443λ2+0.05825φ2+0.00001h2 表 4 各环境因子变量的贡献率
Tab. 4 Contribution rate of each environmental factor variable
变量 贡献率 置换重要性 bio12 25.3 2.3 bio2 21.5 44 bio13 20.8 3.7 bio25 12.8 5.1 bio28 6.4 1.8 bio7 2.5 11.6 bio27 2.4 0.7 bio14 1.6 1.7 bio18 1.5 1.7 bio8 1 7.6 bio5 0.8 0.2 bio23 0.5 3.6 bio31 0.5 4.3 bio29 0.4 0.6 bio24 0.4 0.2 bio10 0.3 1.7 bio21 0.3 0.6 bio11 0.2 1.5 bio4 0.2 0.2 bio22 0.1 0.7 bio26 0.1 0.8 bio33 0.1 0.2 bio20 0.1 0.7 bio19 0.1 1 bio6 0.1 1 bio30 0 0.4 bio17 0 0.8 bio9 0 0.5 bio32 0 0 bio15 0 0 bio16 0 0 bio34 0 0 bio1 0 0.5 bio3 0 0 表 5 关键环境因子变量的相关系数
Tab. 5 Correlation coefficient of key environmental factor variables
bio2 bio7 bio8 bio12 bio13 bio14 bio18 bio25 bio27 bio28 bio2 1.000 bio7 −0.805** 1.000 bio8 0.841** −0.776** 1.000 bio12 −0.788** 0.727** −0.729** 1.000 bio13 −0.895** 0.948** −0.848** 0.775** 1.000 bio14 0.260** −0.045 0.062 −0.054 −0.158** 1.000 bio18 0.576** −0.649** 0.510** −0.395** −0.681** 0.393** 1.000 bio25 0.070 −0.157** 0.195** −0.009 −0.193** 0.112 0.564** 1.000 bio27 0.376** −0.430** 0.565** −0.228** −0.418** −0.284** 0.464** 0.493** 1.000 bio28 −0.235** 0.142* −0.243** 0.107 0.201** −0.126* −0.160** −0.170** −0.149* 1.000 表 6 主导环境因子变量的贡献率
Tab. 6 Contribution rate of dominant environmental factor variables
变量 贡献率 置换重要性 bio2 46.4 73.7 bio12 17.4 1.8 bio25 10.1 12.6 bio14 8.2 2.1 bio28 7.9 2.3 bio18 7.2 3.8 bio27 2.8 3.8 -
[1] 陈永忠. 《油茶优良种质资源》. [M]. 北京: 中国林业出版社, 2008. [2] 秦国锋, 周志春. 《中国马尾松优良种质资源》. [M]. 北京: 中国林业出版社, 2012. [3] 汤国安, 杨晞. ArcGIS地理信息系统空间分析实验教程. [M]. 北京: 科学出版社, 2010. [4] 段居琦,周广胜. 中国水稻潜在分布及其气候特征[J]. 生态学报,2011,31(22):6659−6668. [5] 高雅,秦华. MaxEnt生态位模型在红花槭引种区预测上的应用探讨[J]. 中国园林,2018,34(4):89−93. doi: 10.3969/j.issn.1000-6664.2018.04.016 [6] 雷军成,徐海根. 基于MaxEnt的加拿大一枝黄花在中国的潜在分布区预测[J]. 生态与农村环境学报,2010,26(2):137−141. doi: 10.3969/j.issn.1673-4831.2010.02.008 [7] 郭兆夏,梁轶,王景红,等. GIS技术支持下的陕西核桃精细化气候适宜性区划[J]. 干旱地区农业研究,2015,33(1):194−198. [8] 屈振江,周广胜. 中国富士苹果种植的气候适宜性研究[J]. 气象学报,2016,74(3):479−490. doi: 10.11676/qxxb2016.027 [9] 林正雨,陈强,邓良基,等. 四川柑橘适宜分布及其对气候变化的响应研究[J]. 中国生态农业学报(中英文),2019,27(6):845−859. [10] 刘倩,齐增湘,周永,等. 我国银杉潜在分布区预测及适宜性评价[J]. 安徽农学通报,2019,25(18):53−57. doi: 10.3969/j.issn.1007-7731.2019.18.024 [11] 魏淑婷,李涛,林玉成. 基于MaxEnt模型预测四川省松材线虫的潜在适生区[J]. 四川动物,2019,38(1):37−46. doi: 10.11984/j.issn.1000-7083.20180218 [12] 黄振,吴淇铭,黄可辉. 应用MaxEnt模型预测辣椒果实蝇在中国的潜在地理分布[J]. 武夷科学,2017,33(1):28−34. [13] 王翀,林慧龙,何兰,等. 紫茎泽兰潜在分布对气候变化响应的研究[J]. 草业学报,2014,23(4):20−30. doi: 10.11686/cyxb20140403 [14] 王茹琳,王明田,李庆,等. 基于MaxEnt模型的美味猕猴桃在中国气候适宜性分析[J]. 云南农业大学学报(自然科学版),2019,34(3):522−531. [15] 冯茜,胡强,施小刚,等. 卧龙国家级自然保护区红腹角雉适宜栖息地与活动节律研究[J]. 四川林业科技,2021,42(4):12−19. doi: 10.12172/202012080001 [16] 李灿,刘贤安,王娟,等. 基于MaxEnt的四川省红豆杉潜在分布区分析及适宜性评价[J]. 四川林业科技,2017,38(5):1−7. [17] 王茹琳,姜 淦,王闫利,等. 气候变暖情境下华山松大小蠹在中国的潜在分布区预测[J]. 四川林业科技,2015,36(1):73−78. doi: 10.3969/j.issn.1003-5508.2015.01.018 -