基于SDMs-toolbox預測氣候變暖趨勢下遼寧省三裂葉豚草潛在入侵區域

王迪, 曲波, 周斌, 張依然, 劉智

基于SDMs-toolbox預測氣候變暖趨勢下遼寧省三裂葉豚草潛在入侵區域

王迪1,2, 曲波3,*, 周斌4, 張依然1, 劉智1

1. 沈陽環境科學研究院,遼寧省城市生態重點實驗室, 沈陽 110161 2. 中國科學院生態環境研究中心, 北京 100085 3. 沈陽農業大學生物科學技術學院, 遼寧省全球變化與生物入侵重點實驗室, 沈陽 110866 4. 遼寧省生態氣象和衛星遙感中心, 沈陽 110866

為明確氣候變暖對三裂葉豚草的潛在適生區域的影響并揭示三裂葉豚草潛在擴散路徑及規律, 文章選取遼寧省作為研究區域, 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), 三裂葉豚草擴散面積相比2019年增加了10919.9 km2, 其中中度和高度適生區分別增加了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面積相比2019年增加了6932.2 km2, 中度和高度適宜區面積分別增加了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張。高低溫室氣體排放量情況下, 擴張方向大致相同, 均表現為為西北和西南兩個方向。其一為以中部平原地區為中心向西北方向的錦州、阜新擴張, 由原來的低度適生區轉變為高度適生區, 西部沿大小凌河方向擴張; 其二為沿遼寧中部河流向西南方向擴張, 營口盤錦沿海地區擴散趨勢明顯。刀切法檢驗結果表明高程對三裂葉豚草生境適宜度的貢獻率最高, 占47.4%, 且高程處于0-200m的范圍內、坡度處于0度左右的區域三裂葉豚草適宜性指數較高, 說明三裂葉豚草適合分布在高程較低、坡度較緩的平原區域。該研究結果為三裂葉豚草在遼寧省乃至全國的入侵風險預警防治提供技術支撐。

入侵物種; 預測; SDMs-toolbox; MaxEnt模型; 風險評估

0 前言

三裂葉豚草()又名大破布草, 原產于北美洲, 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首次發現, 并以種子量大且較輕等生物學特征迅速在遼寧省各市擴散蔓延。遼寧省位于我國東部的季風區, 夏季以東南風為主、冬季以東北風為主, 以風媒傳播為主的三裂葉豚草隨著風向形成了吉林-黑龍江-內蒙古和河北-山西兩條擴散路徑, 成為三裂葉豚草在我國傳播和擴散的點源區域。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致牲畜不食, 以上兩點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, 易造成土壤干旱貧瘠, 嚴重影響作物的生長, 促使共生小麥、大麥、大豆等作物減產甚至絕收[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, 三裂葉豚草的發現、防控和清除等工作至關重要。

全球變暖的趨勢下, 可能會加速外來植物的侵入、定殖、建群和擴散, 促進外來入侵植物在侵入地定居[2], 進而影響植被群落生物多樣性、物種分布和棲息地環境。國內研究表明, 外來入侵植物互花米草()目前在我國的分布區域較小, 但在氣候變暖的條件下適生區域明顯增加, 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, 在我國的適生區域均明顯增加, 但擴張方向不同[4]。國外研究表明, 外來入侵植物普通豚草()對氣候變暖反應同樣敏感, 且RCP8.5情景下普通豚草在美國東部地區的適生范圍遠大于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域同樣明顯增加, 表現為向東部和北部擴張[6]。

氣候變暖條件下, 不同區域的不同外來入侵植物擴張的驅動因子不同。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、高海拔區域擴散, 緯度和海拔是其主要的驅動因子[4]。互花米草在RCP4.5和RCP8.5的情景下, 擴張方向均為高緯度和低海拔區域, 驅動因子同為緯度和海拔[3]。普通豚草在英國的南部的驅動因子為水分, 英國北部的驅動因子為日照時長[6]; 而在美國東部, 普通豚草的擴張受一月份最高氣溫影響最大[5]。

目前, 應用較廣的物種預測模型包括BIOCLIM[7]、BIOMAPPER[8]、BRT[9]、CLIMEX[10]、DOMAIN[11]、GAM[12]、GRAP[13]、和MAXENT[14]。王運生等利用ROC曲線的AUC值檢驗各預測模型預測準確率結果表明, MAXENT模型的準確率最高, AUC值達到0.95[15]。MAXENT模型原理為默認入侵物種在擴散過程中生態位是保守的, 將物種已知分布點的氣候環境變量特征提取出來, 并將這些特征應用到未來氣候環境特征中, 從而預測氣候變暖趨勢下外來入侵物種的潛在分布區域。Brown等開發的SDMs-toolbox工具正是融合了MAXENT模型的運算方法, 利用了地理信息系統的可視化和柵格數據的空間分析功能, 提取主要環境變量進行預測, 并對各環境變量的解釋率進行計算和描述, 簡化了物種潛在分布區域預測步驟[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域預測”研究區域, 其原因為遼寧省是三裂葉豚草最早入侵我國的省份, 入侵時長近90年, 已在省內定殖、建群和擴散, 為研究三裂葉豚草潛在入侵分布區域提供充足的樣本量。本研究基于SDMs-toolbox工具的最大熵算法, 結合遼寧省內三裂葉豚草分布點位、World Clim-Global數據庫提供的氣象預測數據和地形地勢數據, 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域。其結果有助于理解水熱條件對三裂葉豚草侵入、分布與擴散的影響, 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域與危害范圍提供參考。另外, 預測外來入侵植物的潛在分布, 阻止其進入適合生存的地區, 是預防和控制外來入侵植物擴張的重要舉措。同時, 模擬氣候變暖對外來入侵種潛在分布區域的影響有助于外來入侵物種的風險預警, 為外來入侵植物的防治提供技術支撐[17-20]。

1 材料與方法

1.1 研究區域

遼寧省位于我國東北地區的南部(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。遼寧省境內氣候特征為溫帶大陸性季風氣候, 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(遼東遼西)地形地貌為山地和丘陵, 平均海拔為800 m和500 m; 中部地區為平原地貌, 平均海拔為200 m。遼寧省境內河網密布交錯, 大小河流共計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建最佳分類器的模型。通過已有的物種分布數據和物種所在區域的環境數據, 對指定區域內該物種的生境適宜度進行評估[21-22]。SDM toolbox 2.0是基于一系列python語言腳本開發的物種分布模型工具, 它集成了ArcGIS軟件特有的數據預處理、環境變量空間自相關分析和空間數據主成分分析等功能, 可以剔除高度自相關的環境變量且簡化操作流程, 提高MaxEnt模型的應用效率[16]。

1.2.2 數據來源與處理

(1)物種分布數據(Occurrence data)

物種分布點位數據來源于本團隊2010年-2019年外來生物監測數據, 包含143個具有準確經緯度的三裂葉豚草()分布現狀點位, 利用SDM工具箱中的Spatially Rarefy Occurrence Data剔除掉空間自相關的點位, 最終保留84個三裂葉豚草點位數據。

圖1 研究區域

Figure 1 Location of study areas

(2)氣象數據(Climate data)

氣象數據來源于World Clim - Global數據庫(www. worldclim.org)(version 1.6和version 2.1)提供的2000年和2050年兩個時期的氣象因子, 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)、氣溫季節性變動系數(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個氣象因子作為氣象因子候選指標, 分辨率為30 s。其中, 2050年的氣象數據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)地形數據(Terrain data)

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

1.2.3 建立模型

(1)環境變量篩選

數據準備就緒后, 開始進行模型的的建立。利用SDMs-toolbox工具箱中的Remove Highly Correlated Variables工具對各環境因子進行空間自相關篩選, 若2個變量間相關性的絕對值大于0. 8, 那么只有1個變量選入模型。

通過對22個環境變量進行Person相關得出各指標間的相關關系, 最終保留相關系數絕對值小于0.8的10個環境變量。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降水量季節性變化(mm)、DEM、坡度和坡向。

(2)數據運行參數

模型中將篩選后保留的三裂葉豚草生長點的75%用于與環境變量建模, 其余25%用于驗證。設置模型運行次數為10次, 取10次模型模擬結果平均值作為最終的模擬結果。選擇對每個環境變量創建響應曲線, 評價每個環境變量對模型的貢獻率, 采用Jackknife刀切法檢驗對環境因子的重要性進行分析, 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)對模型的精度進行評價。

(3)遺漏率計算

模型隨機選取10%的三裂葉豚草生長點位進行遺漏率的評估, 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 環境變量Person相關分析結果

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降水量季節性變化。

(4)AUC值計算

ROC曲線是以靈敏度為縱坐標、以特異度為橫坐標來表現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測適宜三裂葉豚草分布點位個數與三裂葉豚草實際存在的所有點位個數的比值; 特異度為能正確預測非適宜三裂葉豚草分布的點位個數據與實際所有非適宜三裂葉豚草分布的點位個數的比值。

AUC值為ROC曲線所覆蓋的區域面積, AUC值越大, 分類器分類效果越好。當0.9＜AUC≤1, 表明預測結果為“好”; 當0.8＜AUC≤0.9, 表明預測結果為“較好”; 當0.7＜AUC≤0.8, 表明預測結果為“一般”; 當0.6＜AUC≤0.7, 表明預測結果為“較差”; 當0.5＜AUC≤0.6, 表明預測結果為“失敗”[27]。

(5)模型驗證

三裂葉豚草的生長點位與環境變量之間符合哪一種預測模型, 主要由OR值、AUC值和模型的復雜性來決定。最理想的模型應依次滿足“低OR值”、“高AUC值”和特征類參數最簡三個特性(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, 在各類預測模型的AUC和OR檢驗結果中, 第五種組合(Line-quadratic-hinge- threshold-product)的Train-AUC值最高, OR值最低, 因此確定預測模型為閾值特征預測模型。由圖2可知, 在閾值模型預測下, 三裂葉豚草分布預測模型的Training-AUC值為0.902, 模型預測結果表現為“好”。

2 結果與分析

2.1 環境變量對三裂葉豚草分布影響

刀切法檢驗各環境變量對模型的貢獻率的結果表明(表3), 高程對模型的貢獻率最高, 為47.4%, 其次為坡度13.3%, 等溫性對模型的貢獻率為11.4%, 降水量季節性變化為9.9%。以上四個指標對模型的累計貢獻率為82%, 說明以上四個指標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三裂葉豚草生境適宜性影響較小。各環境變量對模型的重要性與貢獻率的排序有所不同, 但高程對模型的重要性仍然排在第一位, 重要性值為58%。

通過貢獻率最高的四個環境變量的響應曲線可以看出(圖3), 高程處于0—200 m的范圍內、坡度處于0度左右的區域三裂葉豚草適宜性指數較高, 并且呈現遞減趨勢。該結果說明三裂葉豚草適合分布在高程較低、坡度較緩的平原區域。該結果與實地調查結果相符, 三裂葉豚草在遼寧省的分布現狀表現為兩條主線路, 其一為以沈陽市為中心向西南和東北方向擴散; 其二以丹東市為源頭, 沿海岸線向東南方向擴散。以上兩條擴散線路所在區域高程值均處于0—200 m范圍, 且第一條路線所經區域為典型河流沖積平原地貌, 降雨量的季節性變化相對較低(圖4), 擴散速度相對較快。

表2 預測模型AUC和OR檢驗結果

圖2 三裂葉豚草分布預測模型AUC和點位遺漏率檢驗結果

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

2.2 三裂葉豚草分布的預測結果

預測結果表明, 三裂葉豚草生境適宜性指數值域范圍為0—1。將預測結果導入Arcgis10.6.1, 利用重分類方法將0.131作為適生等級的下限(訓練遺漏率、預測面積和閾值平衡的閾值), 適宜度指數小于該值被認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; 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; 大于0.402作為高度適生區。

由表4可知, 預測結果表明三裂葉豚草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和低度適生區面積明顯減少, 特別是低度適生區, 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。其中無分布區域和低度適生區域分別減小了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 各環境變量對三裂葉豚草分布貢獻率

圖3 三裂葉豚草適宜性對高程與坡度響應回歸曲線

Figure 3 Suitability regression curve ofto elevation and slope

圖4 DEM和降雨量季節性變化分布圖

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測結果

Figure 5 Potential distribution areas ofin 2050

3 討論

3.1 三裂葉豚草潛在分布區域預測

本研究基于SDMs-toolbox工具MaxEnt模型, 預測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域。三裂葉豚草在遼寧省的分布現狀表明, 三裂葉豚草主要分布在遼寧中部地區河流沿岸、丹東和大連沿海沿岸, 遼西地區錦州和葫蘆島沿海地區分布明顯, 其他區域零星分布, 與遼寧省三裂葉豚草調查點位基本相符[23-24]。三裂葉豚草預測結果表明, 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適生區范圍不斷擴散, 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, 已有氣候變暖促進豚草屬植物普通豚草的適生區面積增加的類似結論, 同時證明2050年RCP4.5和RCP8.5兩種情景下普通豚草的適生區面積均增加[32], 與本研究結果區別在于Case等研究結果中RCP8.5的情境下普通豚草的擴散面積高于RCP4.5, 其原因可能為普通豚草為喜濕怕旱植物, 對降水的敏感性更強, 而降雨量與溫室氣體排放量呈正相關[5]。

入侵物種潛在分布范圍預測結果可用于土地管理規劃中[25-26]。本研究結果表明, 截止于2050年, 遼寧省內三裂葉豚草擴散主要表現為兩個方向, 其一為以中部平原地區為中心向西北方向的錦州、阜新沿大凌河與小凌河方向擴張, 由原來的低度適生區轉變為高度適生區, 驗證了三裂葉豚草喜濕的生物學特征[35]; 其二為沿遼寧中部河流向西南方向擴張, 營口和大連沿海地區擴散嚴重。除遼寧省東北部鐵嶺、撫順和本溪三個以山地為主的城市, 其他各市適生區均有明顯增加。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三裂葉豚草的擴散。

3.2 影響生境適宜性主要環境變量

Jackknife檢驗環境變量對生境適宜性預測的重要性分析結果表明, 高程對模型的貢獻率最高, 為47.4%, 其次為坡度13.3%, 等溫性對模型的貢獻率為11.4%, 降水量季節性變化為9.9%。其中高程的貢獻率起到主要作用, 并且高程和坡度單因素變量影響下的ROC 曲線結果表明, 高程處于0-200m的范圍內、坡度處于0度左右的區域三裂葉豚草適宜性指數較高。三裂葉豚草適合分布在高程較低、坡度較緩的平原區域。分析其原因可能為遼寧省的中部平原地區為河流沖積平原, 河網密布, 外加北方多發多年一遇洪水, 河流兩岸植被以草本植被群落和農田為主, 群落環境開放, 適合喜陽喜濕的三裂葉豚草生存該結論與王蘇銘等和邵云玲等研究結果一致, 指出普通豚草在東三省內三江平原、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、長白山等高海拔區域分布較少[27-28]。柳曉燕等對我國普通豚草適生區預測結果顯示, 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面積變化的主要環境變量的結果不同, 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域的因素比較復。另外, 本研究中Jackknife檢驗結果顯示年均降雨量與年平均氣溫對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, 故以上兩個氣象因子貢獻率不高的原因。

4 結論

研究結果表明, 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散, 擴散方向表現為以遼寧中部區域為中心, 沿大小凌河向西北方向擴散和沿遼河向西南方向擴散。因此, 對于遼寧省內河流生態系統的三裂葉豚草防治工作需要引起相關部門的重視, 做到早發現、早清除, 防止三裂葉豚草生長形成優勢群落。

[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[J]. 牡丹江師范學院學報(自然科學版), 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. 氣候變化對外來入侵植物互花米草潛在分布區的影響[D]. 南京: 南京師范大學, 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測分析[D]. 安徽: 安徽農業大學, 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] 王運生, 謝丙炎, 萬方浩, 等. ROC曲線分析在評價入侵物種分布模型中的應用[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預測蘚類植物的地理分布范圍——以廣西花坪自然保護區為列[D]. 上海:上海師范大學, 2013.

[23] 劉旭昕, 方芳. 阜新外來入侵有害生物——雜草調查及防控建議[J].內蒙古林業調查設計, 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—— 雜草調查[J]. 沈陽農業大學學報, 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. 北京地區外來入侵植物分布特征及其影響因素[J]. 生態學報, 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預測[J].干旱區資源與環境, 2017, 31(7): 172–176.

[29] 柳曉燕, 李俊生, 趙彩云, 等. 基于MAXENT模型和ArcGIS預測豚草在中國的潛在適生區[J].植物保護學報, 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

國家重點研發計劃(2017YFC1200100); 遼寧省科技廳農業攻關及產業化指導計劃(2019JH8/10200017); 國家自然科學基金(31901209); 中國 博士后科學基金(2018M641492); 遼寧省自然科學基金(20180551024); 沈陽市科學事業費科技項目(sysy2018-041)

王迪(1990—), 女, 遼寧沈陽人, 博士, 主要從事生態環境修復與生物多樣性研究, 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理研究, E-mail: syau_qb@163.com

王迪, 曲波, 周斌, 等. 基于SDMs-toolbox預測氣候變暖趨勢下遼寧省三裂葉豚草潛在入侵區域[J]. 生態科學, 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.