基于MaxEnt模型预测未来气候下月见草在黑龙江省的潜在适生区

doi:10.11924/j.issn.1000-6850.casb2024-0110

摘要/Abstract

摘要：

预测月见草(Oenothera biennis)在黑龙江省的潜在适生区及未来气候条件下的变化规律，以期为进一步监测和防治提供依据。运用MaxEnt模型、ArcGIS软件等软件预测当前及未来2个时期（2021—2040、2041—2060年）3种碳排放(ssp126、ssp370、ssp585)气候情景下月见草分布的变化规律，分析影响黑龙江省月见草分布的主导环境因子及扩张趋势。结果表明：（1）Maxent模型预测的AUC值达0.864，预测结果准确。（2）对月见草生境影响较大的环境因子为年平均降水量(26.5%)、最冷月最低温度(21.3%)、年平均温度(16.9%)。（3）月见草在黑龙江省的适生面积达23.16×10⁴km²。其中高适生区面积占全省的9.11%。（4）在未来气候21世纪40年代变化情景下，月见草适生区在ssp126、ssp370、ssp585气候条件下分别增加了5.78%、5.16%、8.52%，21世纪60年代变化情景下，月见草适生区在3种气候条件下分别增加了7.51%、8.95%、8.66%。未来气候变化下，入侵植物月见草适生区呈现由中心向四周扩散趋势，年平均降水是影响月见草分布的主要影响因子。

关键词: 月见草, MaxEnt模型, 适生区, 分布格局, 气候

Abstract:

This study predicts the potential suitable areas for Oenothera biennis in Heilongjiang Province and its changing patterns under future climate conditions, providing a basis for further monitoring and control efforts. This study focused on the invasive plant O. biennis and used software such as MaxEnt and ArcGIS to predict the changes in its distribution under three carbon emission scenarios (ssp126, ssp370, ssp585) for the present and two future periods (2021-2040, 2041-2060). The study also analyzed the dominant environmental factors and expansion trends that affected the distribution of O. biennis in Heilongjiang Province. The results showed that: (1) the MaxEnt model predicted an AUC value of 0.864, indicating accurate predictions. (2) The environmental factors with the greatest impact on the habitat of O. biennis were annual average precipitation (26.5%), coldest month minimum temperature (21.3%), and annual average temperature (16.9%). (3) The suitable area for O. biennis in Heilongjiang Province was 231600 km², with high suitability accounting for 9.11% of the province. (4) Under the future climate change scenario of the 2040s, the suitable area for O. biennis increased by 5.78%, 5.16%, and 8.52% under the ssp126, ssp370, and ssp585 climate conditions, respectively. Under the 2060s scenario, the suitable area increased by 7.51%, 8.95%, and 8.66% under the three climate conditions. Under future climate change, the suitable area for the invasive plant O. biennis showed a trend of spreading from the center to the periphery, with average annual rainfall being the main influencing factors for its distribution.

Key words: Oenothera biennis, MaxEnt model, suitable area, distribution pattern, climate

刘旭, 付胜杰, 穆立蔷. 基于MaxEnt模型预测未来气候下月见草在黑龙江省的潜在适生区[J]. 中国农学通报, 2024, 40(31): 97-104.

LIU Xu, FU Shengjie, MU Liqiang. Prediction of Potential Suitable Areas for Oenothera biennis Under Future Climate in Heilongjiang Province Based on MaxEnt Model[J]. Chinese Agricultural Science Bulletin, 2024, 40(31): 97-104.

图/表 11

参考文献 50

[1]	徐海根, 强胜, 韩正敏, 等. 中国外来入侵物种的分布与传入路径分析[J]. 生物多样性, 2004(6):626-638.
[2]	高增祥, 季荣, 徐汝梅, 等. 外来种入侵的过程、机理和预测[J]. 生态学报, 2003(3):559-570.
[3]	万方浩, 郭建英, 王德辉. 中国外来入侵生物的危害与管理对策[J]. 生物多样性, 2002(1):119-125. doi: 10.17520/biods.2002014
[4]	余细红, 李韶山. 我国生物入侵现状与防制分析[J]. 生物学教学, 2022, 47(2):95-96.
[5]	丁晖, 徐海根, 强胜, 等. 中国生物入侵的现状与趋势[J]. 生态与农村环境学报, 2011, 27(3):35-41.
[6]	徐永清, 李海燕, 胡宝忠. 月见草属(Oenothera L.)植物研究进展[J]. 东北农业大学学报, 2006(1):111-114.
[7]	柯雯欣. 国内月见草属植物研究现状综述[J]. 现代园艺, 2022, 45(15):18-20.
[8]	林培群, 余雪标. 生物入侵的现状及其危害与防治[J]. 华南热带农业大学学报, 2006(2):61-65.
[9]	易照勤, 王洪峰, 穆立蔷. 帽儿山国家森林公园路域生态系统外来植物危害风险评估[J]. 生态与农村环境学报, 2018, 34(3):216-223.
[10]	张丽微, 董清山, 范书华, 等. 寒地月见草高产栽培技术[J]. 黑龙江农业科学, 2023(7):137-140.
[11]	韩晓婷, 于霞, 董来慧, 等. 月见草油对肥胖型不孕女性代谢及肠道菌群的影响[J]. 山东大学学报(医学版), 2021, 59(2):48-54.
[12]	伍俊衡, 彭志豪, 祝浩翔, 等. 月见草茎提取物对2型糖尿病小鼠的治疗作用[J]. 特产研究, 2023, 45(2):90-94.
[13]	杨恩琪. 精炼月见草油品质特征的研究与鉴别[D]. 长春: 吉林大学, 2023.
[14]	张钦钦, 刘娟娟, 吕雅鑫, 等. 月见草提取物对脂多糖所致大鼠急性肺损伤的作用及其机制研究[J]. 中国药学杂志, 2023, 58(1):41-47.
[15]	罗贵聪, 任建伟, 林奋杰, 等. 月见草油对蛛网膜下腔出血大鼠EGFR/STAT3通路及运动功能的影响[J]. 中西医结合心脑血管病杂志, 2022, 20(18):3318-3322.
[16]	李光华, 周晶. 月见草药用成分研究概述[J]. 辽宁中医学院学报, 2004(5):420.
[17]	王冲, 周惜时, 夏妍, 等. 铜胁迫下黄花月见草根系蛋白质组学分析[J]. 南京农业大学学报, 2016, 39(5):754-762.
[18]	姜云天, 孙涛, 白芙嘉. 长白山区月见草种子萌发期耐盐性研究[J]. 北方园艺, 2022(18):60-66.
[19]	周启仙, 刘忠颖. 月见草经济价值及栽培技术探讨[J]. 绿色科技, 2019(21):119-120.
[20]	张平平, 李艳红, 朱文博, 等. 气候变化背景下青檀的潜在地理分布[J]. 河南大学学报(自然科学版), 2023, 53(5):537-550.
[21]	王春晓, 刘阳, 钟址非, 等. 气候变化下2种银胶菊属入侵植物在中国的潜在适生区分析[J]. 亚热带植物科学, 2023, 52(2):125-134.
[22]	王子文, 尹进, 王星, 等. 辽宁省入侵植物曼陀罗的生境适宜性评价——基于Biomod2组合模型[J]. 应用生态学报, 2023, 34(5):1272-1280. doi: 10.13287/j.1001-9332.202305.017
[23]	HALVORSEN R, MAZZONI S, BRYN A, et al. Opportunities for improved distribution modelling practice via a strict maximum likelihood interpretation of MaxEnt[J]. Ecography, 2015, 38(2):172-183.
[24]	WILSON C D, ROBERTS D, REID N J. Applying species distribution modelling to identify areas of high conservation value for endangered species: A case study using Margaritifera margaritifera (L.)[J]. Biological conservation, 2011, 144(2):821-829.
[25]	DRAKE J M, RANDIN C, GUISAN A J. Modelling ecological niches with support vector machines[J]. Journal of applied ecology, 2006, 43(3):424-432.
[26]	TSOAR A, ALLOUCHE O, STEINITZ O, et al. A comparative evaluation of presence-only methods for modelling species distribution[J]. Diversity & distributions, 2010, 13(4):397-405.
[27]	周礼茂, 吴海洋, 田斌. 基于MaxEnt优化模型对不同时期金银忍冬潜在适生区动态模拟分析[J]. 西南林业大学学报(自然科学), 2024, 44(3):43-51.
[28]	何莉莉, 刘金昌, 栾云松. 两种入侵植物在辽宁省的分布格局与早期监测预警[J]. 辽宁农业科学, 2022(6):13-18.
[29]	荣文文, 黄祥, 牛攀新, 等. 基于最大熵模型的中药材木贼麻黄潜在适生区[J]. 生态学报, 2023, 43(20):8631-8646.
[30]	宦智群, 耿兴敏, 徐小蓉, 等. 基于MaxEnt模型分析不同气候变化情景下的黄心夜合(Michelia martinii)潜在地理分布[J]. 生态与农村环境学报, 2023, 39(10):1277-1287.
[31]	闫子怡, 崔亚琴, 游崇娟. 气候变化下栎枯萎病菌在中国的潜在适生区预测[J]. 植物保护学报, 2023, 50(6):1528-1539.
[32]	杜素洁, 郭建洋, 赵浩翔, 等. 近十年我国入侵生物预防与监控研究[J]. 植物保护, 2023, 49(5):410-418.
[33]	梁键明, 蒋庆莲, 姜垒, 等. 基于MaxEnt模型预测气候变化下厚叶木莲在中国的潜在地理分布[J]. 广西科学, 2023(6):30.
[34]	YANG X Q, KUSHWAHA S P S, SARAN S, et al. Maxent modeling for predicting the potential distribution of medicinal plant, Justicia adhatoda L. in Lesser Himalayan foothills[J]. Ecological engineering, 2013,51:83-87.
[35]	喻三鹏, 田茂娟, 张念念, 等. 入侵植物紫茎泽兰在贵州的适生区预测[J]. 中国森林病虫, 2022, 41(1):1-7.
[36]	HANLEY J A, MCNEIL B J J R. The meaning and use of the area under a receiver operating characteristic (ROC) curve[J]. Radiology, 1982, 143(1):29. doi: 10.1148/radiology.143.1.7063747 pmid: 7063747
[37]	GAO H M J. Spatial distribution and risk areas of foot and mouth disease in mainland China[J]. Preventive veterinary medicine, 2021, 189(1).
[38]	HERNÁNDEZ-BAZ F, ROMO H, GONZÁLEZ J M, et al. Maximum entropy niche-based modeling (Maxent) of potential geographical distribution of Coreura albicosta (Lepidoptera: Erebidae: Ctenuchina) in Mexico[J]. Florida entomologist, 2016, 99(3):376-380.
[39]	杨善云, 安明态, 刘锋, 等. 基于MaxEnt模型的贵州省楠木潜在适生区预测[J]. 广西植物, 2023, 43(5):846-857.
[40]	杨冬琼, 陈可薇, 刘明, 等. 气候变化对全球马缨丹分布影响的空间模拟[J]. 生物安全学报, 2023, 32(4):362-373.
[41]	徐慧, 佟珂珂, 姚霞珍, 等. 基于MaxEnt模型的濒危植物大花黄牡丹潜在适生区预测[J]. 高原农业, 2023, 7(3):278-290.
[42]	侯沁文, 边高鹏, 白海艳, 等. 气候变化背景下瘤坚大球蚧在中国的适生区预测[J]. 植物检疫, 2023, 37(4):53-61.
[43]	郑枭, 王通, 庞春梅, 等. 气候变化背景下天目山落叶阔叶林乔木层1996—2017年动态研究[J]. 浙江农林大学学报, 2023, 40(6):1250-1260.
[44]	孙晨, 赵越, 邹颖超, 等. 探析雨水花园在校园中的应用——以华中科技大学雨韵园为例[J]. 中国园艺文摘, 2017, 33(2):119-121.
[45]	曲良谱, 李翔. 泰州市彩叶地被植物应用现状[J]. 黑龙江农业科学, 2018(7):96-100.
[46]	易照勤. 黑龙江省林区外来植物的入侵风险评估[D]. 哈尔滨: 东北林业大学, 2018.
[47]	于海鑫. 4种小型入侵害虫适生性分析与3种入侵生物LAMP快速检测技术研究[D]. 塔里木: 塔里木大学, 2023.
[48]	杜志喧, 苏启陶, 周兵, 等. 不同气候变化情景下入侵植物大狼把草在中国的潜在分布[J]. 生态学杂志, 2021, 40(8):2575-2582.
[49]	韦美玉, 陈世军, 刘丽萍. 外来入侵植物粉花月见草的繁殖生物学特性[J]. 广西植物, 2009, 29(2):227-230.
[50]	南康武, 吴庆玲, 胡仁勇, 等. 温州裂叶月见草入侵群落和土壤种子库种类组成的季节动态[J]. 热带亚热带植物学报, 2009, 17(6):535-542.

变量	描述	变量	描述	变量	描述	变量	描述	变量	描述
Bio1	年平均温度	Bio5	最暖月最高温度	Bio9	最干季度平均温度	Bio13	最湿月降水量	Bio17	最干季度降水量
Bio2	平均日较差	Bio6	最冷月最低温度	Bio10	最暖季度平均温度	Bio14	最干月降水量	Bio18	最暖季度降水量
Bio3	等温线	Bio7	温度年较差	Bio11	最冷季度平均温度	Bio15	降水量季节性变化	Bio19	最冷季度降水量
Bio4	温度季节性变化	Bio8	最湿季度平均温度	Bio12	年平均降水量	Bio16	最湿季度降水量

变量	描述	变量	描述	变量	描述	变量	描述	变量	描述
Bio1	年平均温度	Bio5	最暖月最高温度	Bio9	最干季度平均温度	Bio13	最湿月降水量	Bio17	最干季度降水量
Bio2	平均日较差	Bio6	最冷月最低温度	Bio10	最暖季度平均温度	Bio14	最干月降水量	Bio18	最暖季度降水量
Bio3	等温线	Bio7	温度年较差	Bio11	最冷季度平均温度	Bio15	降水量季节性变化	Bio19	最冷季度降水量
Bio4	温度季节性变化	Bio8	最湿季度平均温度	Bio12	年平均降水量	Bio16	最湿季度降水量

变量	描述	变量	描述
Bio1	年平均温度	Bio12	年平均降水量
Bio2	平均日较差	Bio13	最湿月降水量
Bio3	等温线	Bio14	最干月降水量
Bio5	最暖月最高温度	Bio16	最湿季度降水量
Bio6	最冷月最低温度	Bio18	最暖季度降水量
Bio8	最湿季度平均温度

变量	描述	变量	描述
Bio1	年平均温度	Bio12	年平均降水量
Bio2	平均日较差	Bio13	最湿月降水量
Bio3	等温线	Bio14	最干月降水量
Bio5	最暖月最高温度	Bio16	最湿季度降水量
Bio6	最冷月最低温度	Bio18	最暖季度降水量
Bio8	最湿季度平均温度

变量	描述	贡献率/%
Bio12	年平均降水量	26.5
Bio6	最冷月最低温度	21.3
Bio1	年平均温度	16.9
Bio18	最暖季度降水量	13.9