基于MaxEnt模型的天山雪蓮適宜分布區預測及影響因素分析

中圖分類號：Q948.112 文獻標識碼：A 文章編號：1007-0435（2025）05-1544-13

Abstract：Exploring the impact of climate change on the potential distribution of Saussurea inuolucrata and pre dicting future scenarios is crucial for developing efective conservation strategies.This study used the MaxEnt model to predict suitable habitats of Saussurea inuolucrata in Xinjiang through 28 environmental variables and 39 occurrence points. Predictions covered the present （1970—2O00） and future periods （2041-2070 and 2071—21OO），and simulated under three greenhouse gas emission scenarios （SSPl26，SSP370，and SSP585）.The results indicated that，under current climate condition，the total suitable habitat area of Saussurea involucrata was 107100km² ，mainly distributing across the Altai Mountains，Tianshan，Bogda Peak， and Tomurti Peak.Suitable growth conditions included an average monthly precipitation of 15O-2OO mm during the warmest season，thin-layered soil，glacial soil， leached soils，an elevation range of 2800-3800m ，an NDVI of 0.03-0.7 ，and a slope of 50^°-73^° . These five factors were key constraints influencing its distribution. In future scenario，the suitable habitat areaof Saussurea inoolucrata showed adeclining trend，especiallyunder the SSP585 scenario，where the high-suitable area shrinked from 21 to 16600km² . However， the primary distribution areas remained unchange. To protect Saussurea involucrata，continuous monitoring of habitat changes and addressing potential future risks were essential.

Key words：Saussurea inuolucrata;MaxEnt Model; Environmental variables;Potential distribution

天山雪蓮（Saussureainvolucrata）是高山生態系統中的關鍵物種之一，具有重要的藥用和經濟價值。由于生境破壞、非法采摘和氣候變化等因素的影響，天山雪蓮于1996年被列為國家二級保護植物，三級瀕危物種。2007年《新疆維吾爾自治區重點保護野生植物名錄（第一批）》將天山雪蓮列為一級重點保護野生植物。研究天山雪蓮的潛在分布區和環境因子的影響，有助于雪蓮保護區的建立和管理，并為人工栽培適宜區的選擇提供依據。

物種分布模型（Speciesdistribution models，SDMs）是模擬不同氣候情景下物種潛在適生區分布的主要工具，通過分析物種分布與環境之間的關系，以概率的形式表達物種對環境的喜好程度[1-2]。目前，越來越多的研究利用物種分布模型預測物種分布動態[3-4]，SDMs可以利用物種樣本和預測變量來擬合氣候變化下的物種的潛在分布5-6。隨著計算機技術和生態建模方法的發展，多種物種分布模型被開發和應用于不同的研究場景中，如Rangebagging模型、廣義線性模型（Generalizedlinearmodels，GLM），隨機森林模型（Randomforest，RF）以及最大熵模型（Maximum entropy model，MaxEnt）等。每種模型在數據處理、模型復雜度及適用性上均有其優勢與局限，Rangebagging模型通過隨機采樣和多模型集成來減少過擬合，提高模型穩定性，適用于處理復雜的非線性數據，但其計算復雜度高和模型解釋性有限。GLM假設變量之間的線性關系，具有較強的解釋力和高效的計算速度，但難以應對復雜的非線性生態系統[8]。RF通過集成學習方法來處理高維數據，能夠有效應對數據噪聲和復雜性，但其結果的可解釋性較弱[9]。MaxEnt模型由Phillips等于2OO6年構建[1o]，基于最大熵理論，能夠靈活處理復雜的非線性關系，特別適合處理僅有物種存在數據的場景，這使其成為生態學中常用的物種分布模型[11-13]。此外，MaxEnt在多項研究中表現出良好的適應性和穩定性，是目前預測效果最好、應用最廣的物種分布模型[14-16]。

MaxEnt模型常用于預測物種的潛在地理分布，識別物種的高適生區或高風險區，從而為管理物種提供一種有效的方法。例如，萬廣珍等通過MaxEnt模型對蒙古黃芪［Astragalusmembranaceus（Fisch.）Bge.var.mongholicus（Bge.）]在甘肅省的潛在適生區進行模擬研究發現，甘肅省蒙古黃芪的適生區面積均呈縮小趨勢，尤其是高適生區面積大幅度縮小，為保持蒙古黃芪資源連續性提供基礎[17]；王森源等對蒙古白麗蘑（Leucocalocybemongolica）的適生分布區進行研究發現蒙古白麗蘑最佳適生區和高適生區向高緯度轉移，為蒙古白麗蘑的野生資源保護提供理論依據[18]；王曉帆等采用優化后的MaxEnt模型預測高山櫟組（Quercussect.Heterobalanus）植物潛在適生區分布格局變化發現各個時期間高山櫟組植物的適生區面積差異較大，當代潛在適生區面積最小且破碎化最嚴重，為應對氣候變化背景下的植物保護策略提供了參考[19]。此外，利用MaxEnt模型模擬梅花草（Parnassiawightiana）[20]、麻風樹（Jatrophacurcas）[21]、爪哇荊棘（Polygonatum kingianum）[22]、黨參（Codonopsis pilo-sula）[23]、川貝母（Fritillaria cirrhosa D.Don）[24]、太白米（Notholirionbulbuliferum）[25]等物種的潛在適生區及質心變化也取得了較好的結果。這些研究不僅預測了未來氣候變化對物種適生區的影響，還探討了歷史氣候變化對分布的作用，進一步加深了對物種應對氣候變化機制的理解，為制定物種保護和管理策略提供了重要參考。MaxEnt模型基于已知的物種分布信息進行潛在適宜區域的預測，不僅可以最大化利用現有環境數據，還能在分布數據稀少的情況下提供可靠的預測結果[26-29]。

近年來，新疆通過設立保護區、加強生態監測和限制人類干擾等措施對天山雪蓮進行保護。然而，隨著氣候變化的加劇，天山雪蓮的生存環境面臨嚴峻挑戰。為此，本研究基于MaxEnt模型，對未來氣候變化情景下新疆天山雪蓮的生境適宜區分布及其主要影響因子進行研究，主要目標包括：（1）探測影響天山雪蓮分布的主要環境因子，明確影響其分布的關鍵環境因子，分析關鍵環境因子的適宜范圍；（2）分析氣候變化下天山雪蓮適生區的空間分布，為保護區建立和制定保護政策提供依據。

1 材料與方法

1.1天山雪蓮地理分布數據獲取

本研究使用三種方法獲取天山雪蓮的自然分布點數據。（1）物種數據庫。來源于全球生物多樣性信息網絡數據庫GBIF（GlobalBiodiversityInformation Facility：https：//www.gbif.org/）、中國數字植物標本館（CVH：https：//www.cvh.ac.cn）、植物信息與生態網絡BIEN（BotanicalInformation and Ecology Network：https：//bien. nceas.

ucsb.edu）。（2）科學文獻中精確分布的記錄。（3）現場調查。2022—2023年，在新疆維吾爾自治區巴音郭勒蒙古自治州和靜縣、博格達峰等地開展雪蓮的野外調查，并記錄每個樣點的經度、緯度和生境特征（如海拔、土壤、植被等）。最終得到39個天山雪蓮有效分布點位數據，分布在山谷，水邊或山坡的石縫中如表1、圖1所示。本研究使用的新疆地圖從中國行政區劃網（https：//xzqh.mca.gov.cn/map）下載的審圖號為GS（2022）1873號的標準地圖。

1.2天山雪蓮生長相關的環境變量

1.2.1環境變量的獲取結合天山雪蓮點位的生境特征，選取28個可能影響天山雪蓮分布的環境因子，其中包括19個歷史氣候因子數據和9個其他環境因子，歷史氣候因子數據：從Worldclim2.1（https：//worldclim.org/）中下載歷史時期（1970—2000年） 30^′′ （約1km）的數據，主要包括bio_1到bio_19（見表2）。其他環境因子：

（1）地形因子：地形數據從地理空間數據云獲得（https：//www. gscloud. cn/） ，高程數據分辨率為 90m 經過ArcGIS的處理獲取新疆的海拔、坡度和坡向數據。

（2）土壤因子：土壤pH值和土壤類型，來源于全球土壤pH值和中國1：400萬土壤類型圖。

（3）地貌：冰川、侵蝕、河谷和其他地貌、山地平原地貌。

（4）河流數據：距離河流的距離，以河道為中心，每 1km 做緩沖區。

（5）歸一化植被指數（Normalizeddifferencevegetationindex，NDVD：2000—2020年中國 30m 分辨率最大NDVI數據集是基于GoogleEarthEngine云計算平臺，利用全年所有Landsat5/7/8遙感數據，通過去云去陰影得到所有的Landsat有效觀測數據多年逐像元最大NDVI。

以上環境因子在模擬未來潛在分布時保持不變，以保持模式在時空序列上的可比性。

未來氣候因子數據：未來生物氣候變量數據來自CHELSACMIP6情景數據，該數據庫是地球陸地表面區域的高分辨率氣候數據庫（https：//chelsaclimate.org/）[30]。包含未來兩個不同時段（2041—2070年、2071一2100年）的氣候數據集，選用共享社會經濟路徑（SharedSocio-EconomicPathways，簡稱SSP）下三種氣候情景數據：SSP126，SSP370和SSP585。SSP126代表了溫室氣體排放水平低的可持續發展情景，到2100年其輻射強迫為 2.6W?m^-2 SSP370代表了未來排放和變暖的中高端水平，到2100年其輻射強迫為 7.0W?m^-2 ；SSP585代表了高溫室氣體排放和大規模使用化石燃料的情景，到2100年其輻射強迫為 8.5W?m^-2[31]

1.2.2環境變量的預處理及篩選利用ArcGIS對原始數據進行處理，包括去除無效數據，填補缺失值數據標準化處理由于不同環境變量之間存在相關性，在避免變量之間的相關性對預測結果的影響以及計算變量的貢獻度時，需要保證模型的精度和準確性。環境變量篩查過程分為兩步：（1）將28個環境變量和樣本點納人MaxEnt模型并運行，去除運行結果中貢獻率為0的環境變量；（2）利用GIS主成分分析工具對其余環境變量進行主成分分析，若兩個環境變量之間的相關系數絕對值大于0.8，則剔除貢獻率較小的環境變量。最終剩余14個環境因子（表3）。

1.3MaxEnt模型建立

最大熵模型是基于最大熵原理，由Phillips等人于2004年提出的一種評估和預測自標區物種可能分布的概率建模方法[10]。本研究設置 75% 的天山雪蓮分布點作為訓練集，另外 25% 作為測試集[32-33]。采用受試者工作特征曲線（Receiver operatingcharacteristiccurve，ROC）和曲線下面積（Areaunderthecurve，AUC）驗證模型的準確性。

將MaxEnt模型結果文件利用空間分析工具中的再分類工具，采用Jenks自然間斷點分類法對模型模擬結果進行分類[34-35]。Jenks 自然間斷點分類是一種對數據進行分類的方法，通常用于將一組數據分為不同的類別，并使每個類別內的差異盡可能小，類別間的差異盡可能大，統計每類中的柵格數量，計算不同氣候情景下適宜棲息地的面積。將模型模擬結果分為4類：非適生區 （0～0.08） 、低適生區 （0.08～ 0.26）、中適生區 （0，26～0.48） 和高適生區（ gt; 0.48），得到天山雪蓮在新疆可能的地理分布區域。

2 結果與分析

2.1MaxEnt模型精度驗證

14個環境變量之間的相關系數均小于0.8，滿足生境適宜性評價的精度要求。采用受試者工作特征曲線（ROC）的線下面積（AUC）來衡量模型的模擬精度。AUC值取值范圍為0到1，數值越接近1，說明預測越準確。AUC取值范圍對應如下：0.5～0.6 表示失敗， 0.6～0.7 表示較差， 0.7～0.8 表示一般， 0.8～0.9 表示較好， 0.9～1.0 表示優秀[36]。經過訓練集和測試集重復運算10次后的結果見圖2。在本研究中，MaxEnt軟件在模型檢驗過程中運行10次得到的AUC均值為0.958（±0.001） ，預測范圍符合實際分布，此外，對未來模擬的AUC值均大于0.979，表明該模型在預測結果良好準確，可用于天山雪蓮適生區分布的研究。

2.2天山雪蓮潛在地理分布的影響因素

2.2.1各變量對MaxEnt預測模型構建結果的影響通過MaxEnt模型的貢獻百分比、置換重要值和Jackknife檢驗來綜合評估環境因子的重要程度[2，其中貢獻百分比是MaxEnt模型在訓練過程中給出的各氣候因子對植被地理分布的貢獻值；置換重要性是將訓練樣點的氣候因子隨機替換后進行模型模擬結果得到的AUC值減少程度，減少值越大表明模型高度依賴該變量。由表5可知最暖季月平均降水量（bio_18）的百分貢獻率和置換重要性都占絕對優勢。

各環境變量對MaxEnt模型的貢獻（圖3）表明，最暖季月平均降水是天山雪蓮潛在分布的主要限制因素，單因素貢獻率為 58.5% 。其次是土壤類型、最冷季月平均降水量、植被指數和坡度，前5個環境因子的貢獻率為91. 4% 。置換重要性值是對每個環境因素在背景訓練存在數據上的值的隨機替換，值越大表示對該特定變量的依賴程度越高。在置換重要性方面，最暖季月平均降水、土壤類型、最干旱季度的月平均溫度、河流和最冷季降水量是5個最重要的環境變量。

2.2.2各變量對天山雪蓮分布的重要性一刀切法的檢驗結果Jackknife方法類似于交叉驗證，每次先排除一個或者多個樣本點，然后用剩下的樣本點求一個相應的統計量；分析單個變量在建立分布模型時的重要性，圖4給出了Jackknife法分析單個變量在建立模型時的重要性：對每個變量而言，紅色條帶表示所有氣候因子對雪蓮屬進行模擬時的得分值；深藍色條帶表示只用某一個氣候因子對天山雪蓮分布進行模擬時的得分值，得分值越高表明該氣候因子越重要；綠色條帶表明去除該氣候因子時，用其他氣候因子對天山雪蓮地理分布進行模擬時的得分值[35]。

Jackknife刀切法交叉驗證實驗結果（圖4）表明，單獨使用時增益最大的環境變量為最暖季月平均降水量、海拔、最干旱季度的月平均溫度、土壤類型和坡度，說明這些環境因子包含了一些其他環境因子所不包含的信息。此外，最暖季月平均降水量的正則化訓練增益值、測試增益值和AUC值最高，其正則化訓練增益大于2.1，測試增益大于2.3，受試者工作特征曲線下的面積大于0.95，得分最高，因此最暖季月平均降水量被認為是預測天山雪蓮分布的主要氣候限制條件，其次為海拔，最干旱季度的平均溫度、土壤類型和坡度，對物種分布影響較大。相反，坡向得分顯著低于其他變量，表明它在預測過程中含有較多的特殊環境信息。綜上，刀切法的分析結果表明，最暖季月平均降水量、海拔、最干旱季度的月平均溫度、土壤類型和坡度是影響天山雪蓮分布的關鍵生物氣候變量。

2.2.3各主導因子響應曲線通過繪制響應曲線，可以更好的了解天山雪蓮的分布。綜合考慮百分貢獻率、置換重要性和刀切法檢驗結果，最暖季月平均降水量、土壤類型、海拔、植被指數和坡度是影響天山雪蓮分布的最重要因子。各主導環境因子與分布概率之間的響應曲線如圖5所示，根據環境因子變量響應曲線來判斷天山雪蓮的存在概率與環境因子之間的關系，當天山雪蓮存在概率大于

0.5時，認為所對應的環境因子的值有利于天山雪蓮的生長。

天山雪蓮分布概率隨最暖季度月平均降水量增加而表現出先增大后減小的趨勢，最暖季月平均降水量在 150～200mm 左右有利于天山雪蓮的生存，降水量在 165mm 左右時分布概率達到最大值，此時分布概率為 65% ，降水量超過 165mm 左右時，分布概率逐漸下降。從土壤類型響應曲線上看，薄層土、冰川、淋溶土更適合天山雪蓮的生長，土壤類型為薄層土時分布概率最大為 53% 。NDVI響應曲線看，NDVI值大于0.03時，利于天山雪蓮生長，NDVI值在0.08左右時，分布概率達到最大，為 72% 左右，之后分布概率逐漸減小，與調查的大部分區域相符，天山雪蓮主要生長在流石灘與石縫裂隙，植被生長稀疏。但也有石質基底的高寒草甸長有雪蓮，同時植被指數較高，此外，海拔和坡度指標分布概率隨坡度增大表現出先增大后減小的趨勢，海拔范圍在 2800～3800m 時適宜天山雪蓮的生長， 3000m 左右時分布概率達到最大為 65% ，坡度范圍在 50^°～73^° 左右時利于天山雪蓮生長，在 20^°～66^° 左右分布概率隨坡度增加而增大，最大概率達到 70% ，坡度超過 66^° 時，分布概率急劇下降。綜合上述分析表明，夏季水分和土壤類型是天山雪蓮在新疆分布主要限制因子。同時，最干旱季度的月平均溫度、坡度、植被指數和海拔等環境因子也對其空間分布具有顯著影響。

2.3天山雪蓮在當前氣候條件下的適生區

將天山雪蓮的潛在分布區劃分為多個區域，得到天山雪蓮潛在分布區如圖6所示。在當前氣候情景下，新疆天山雪蓮總適生區面積達 10.71×10⁴ km² ，占新疆總面積的 6.55% ，其中高適生區面積為2.12×10⁴km² ，占新疆總面積的 1.29% ，主要分布在新疆北部阿爾泰山山區、新疆中部天山山區、天山北部博格達峰、東天山的托木爾峰。

利用ArcGIS軟件對天山雪蓮在新疆的潛在分布區進行行政區劃，得到天山雪蓮適生區排名前11潛在分布區。結合圖7可以看出，巴音郭楞蒙古自治州天山雪蓮適生區面積最大，為 3.76× 10⁴km² ，可作為雪蓮保育基地。其次是伊犁哈薩克自治州 1.86×10⁴km²， 阿勒泰地區 1.29× 10⁴km² 、阿克蘇地區 1.05×10⁴km² 和塔城地區0.89×10⁴km² 。相比之下，克拉瑪依市、和田地區、喀什地區等則不適宜天山雪蓮的存活和分布，幾乎沒有天山雪蓮。

2.4未來氣候變化情景下天山雪蓮的潛在分布變化

本研究利用MaxEnt模型，根據IPCC（SSP1-RCP2.6，SSP3-RCP7.0，SSP5-RCP8.5）中提出的三種常見的社會經濟路徑，基于3種未來氣候變化情景，預測了2041—2070和2071—2100兩個不同時段天山雪蓮的地理分布如圖8。結合圖6和圖8可以看出，未來天山雪蓮潛在適宜區減少，空間分布格局與當前時期較為一致。

同時，綜合表4可以看出，在SSP126情景下，2041一2070年的雪蓮屬潛在總適生區面積為8.45×10⁴km² ，比當前氣候條件下面積下降了21. 16% ，2071—2100年潛在適生區面積為 8.89× 10⁴km² ，比當前氣候條件下下降了 17.01% ；在SSP370情境下，2041—2070年的雪蓮屬潛在總適生區面積為 8.59×10⁴km² ，比當前氣候條件下面積下降了 19.85% ，2071—2100年潛在適生區面積為8.86×10⁴km² ，比當前氣候條件下下降了 17.32% 在SSP585情境下，2041—2070年的雪蓮屬潛在總適生區面積為 8.77×10⁴km² ，比當前氣候條件下面積下降了 18.09% ，2071—2100年潛在適生區面積為 8.91×10⁴km² ，比當前氣候條件下下降了16.86% 。綜上，未來3種排放情境下，天山雪蓮的總適生區面積均略有減少，下降幅度在 16% 至 21% 之間。

3討論

3.1 模型評價

MaxEnt模型被用于預測天山雪蓮的適生區，這與預測新疆有毒雜草分布[37]和雪嶺云杉潛在分布的研究38相類似。MaxEnt模型的優勢在于它能夠處理高維度數據，且在數據不完整的情況下仍具備較高的預測精度。本研究使用的MaxEnt模型模擬結果的AUC值均在0.9以上，顯示了很高的準確度。同時，研究考慮了28個環境因子，經過篩選后最終選取了對模型貢獻率較高的14個關鍵因子。通過精細化處理環境因子的組合，不僅提升了模型的空間精度，也增強了模型的適用性和預測結果的準確性。相比之下，廖劍鋒等[39]的研究中所使用的關鍵因子較少，主要側重于溫度和降水的影響，而本研究不僅涵蓋了這些氣候因子，還綜合考慮了土壤類型、植被和地形等雪蓮生境多種因素，這使得模型更加全面，預測結果也更加精確。此外，李曉辰等[38雖然也考慮了不同的氣候情景（如RCP2.6和RCP6.O），但其時間范圍僅延伸到2080年。本研究則通過納入更多的氣候情景（如SSP126，SSP370，SSP585和更長的時間跨度（至2100年），深入展示了氣候變化對天山雪蓮未來分布的深遠影響。這種細致化的處理不僅提高了模型的空間精度，還在時間維度上進一步展現了氣候變化對物種長期生存的影響，保證了研究分析的全面性和客觀性。雪蓮生長環境苛刻，分布在高山懸崖峭壁或流石灘上，觀測點道路崎嶇，數據難以獲取，雪蓮潛在分布預測研究結果顯示，未來氣候變化將顯著影響雪蓮的適生區面積，在各種情境下，適生區破碎化嚴重，并呈現減少趨勢，本研究與先前的研究結果一致4%。然而，對于分布點較少的珍稀物種，Rangebagging模型逐漸成為一種更為有效的替代方法，未來研究中，將考慮Rangebagging等模型與MaxEnt模型相結合，以進一步提高模擬的準確性和可靠性。

3.2 影響天山雪蓮分布的主要環境因子

根據結果可以看到，最暖季月平均降水量（bio_18）、土壤類型（soil_symbol）、海拔（Elevation）、植被指數（NDVI）和坡度（Slope）對天山雪蓮的分布影響較為明顯。降水量是影響天山雪蓮分布的主要因素，天山雪蓮生長于海拔較高的巖石、山坡，降水量的變化會直接影響土壤濕度和植被生長狀況，根據響應曲線可知最暖季月平均降水量（bio_18）在150～200mm 。實際考察中發現，除氣候因子外，地形、地貌因子也對物種分布起作用，因此本研究加入了這些環境因子，進行模型構建。已有研究表明天山雪蓮的生長環境十分惡劣，處于海拔較高的高山冰、流石灘或石縫中，一般植物難以生長[41]，這與本研究結果中天山雪蓮在薄層土、冰川、淋溶土，海拔 3000m 左右時、坡度為 66^° 左右時和NDVI值為0.08左右時分布概率最高相契合。然而，太陽輻射、土壤養分（如有機質、總鹽）等因子的潛在影響不可忽視，未來研究可隨著數據的完善，將其納入進行深入分析。

3.3天山雪蓮潛在適生區的分布

天山雪蓮的適生區主要集中在高海拔地區，海拔范圍 2800m 至 3800m ，與實際收集到的分布點坐標和海拔基本一致，表明模型模擬效果良好。當前和未來氣候情景下，新疆天山雪蓮潛在適生區主要分布在巴音郭勒蒙古自治州和靜縣山區、伊犁哈薩克自治州新源縣山區、昌吉回族自治州的博格達峰、哈密市的托木爾峰，以及阿勒泰地區的阿爾泰山，這些地區天山雪蓮生長概率較高，本次預測結果與陳艷瑞等整理的天山雪蓮分布區基本一致[41]。本研究選擇了共享社會經濟路徑（SSP）下的三種氣候情景（SSP126，SSP370和SSP585）分析了未來氣候變化對天山雪蓮適生區的影響。結果顯示，在所有情景下，高適生區面積均顯著減少，尤其是在高排放情景（SSP585）下表現尤為明顯。當前高適生區面積為 2.12×10⁴km² ，未來氣候條件下該面積明顯縮小。在SSP126情景中，2041—2070年期間高適生區面積有所減少，但在2071—2100年略有回升至 1.74×10⁴km² ，而在SSP585情景下，高適生區面積進一步縮減至 1.66×10⁴km² ，表明高海拔和寒冷環境的適生條件受氣候變化的破壞最大。這樣的變化可能會加劇天山雪蓮的生存壓力，進一步降低其生境的適宜性。總體來看，天山雪蓮的潛在適生區面積從現在到未來呈現減少趨勢，可能與二氧化碳排放增加以及人類活動導致的生境破壞有關。在適生區分布上，Zhao等4的研究表明，雪蓮屬植物的適生區主要集中在青藏高原及其周邊高海拔地區，未來氣候情景下適生區面積也呈現減少趨勢。我們的研究結果與其基于MaxEnt模型的預測一致，均顯示氣候變化將顯著減少適生區面積。此外，本研究發現天山雪蓮的適生區主要集中在新疆天山山脈的高海拔地區，這與李曉辰等[38]關于新疆雪嶺云杉的分布預測一致，均表明高海拔地區植物的適生區受氣候變化影響較大，未來可能會出現分布區的減少或遷移。

本研究在新疆區域尺度上進行預估，如果從中國尺度或全球尺度結論會更加完善。張喜娟等在區域尺度上對興安落葉松（Larixgmelinii）在中國東北地區的分布進行預測，發現興安落葉松主要分布在大興安嶺國有林區和小興安嶺國有重點林區的東北部，并且在未來情境下適生區喪失較多[42]。楊志香等在全國尺度上對興安落葉松進行預測，得到興安落葉松主要分布于黑龍江大部分地區、內蒙古東北部和吉林北部[43]，這兩種尺度預測出的結果分布區相似，但適生區面積相差結果較大，進而影響預測結果，因此選擇合適的研究尺度對物種分布預測研究至關重要。

4結論

本研究基于39個天山雪蓮分布點，從28個環境因子中選取14個因子，通過MaxEnt模型對新疆天山雪蓮的適生區進行預測，發現天山雪蓮適生區主要分布在天山中部、西部、北部及阿爾泰山，高適生區為天山雪蓮保護關鍵區域。影響天山雪蓮分布的主要因子有最暖季月降水量、土壤類型、海拔、植被指數和坡度。未來情景下，天山雪蓮適生區呈分布破碎化和收縮的趨勢，尤其在SSP585情景下，高適生區面積顯著減少，合理的保護區設置和措施對野生天山雪蓮的保護和培育至關重要。

參考文獻

[1]YANGWJ，SUNSX，WANGNX，et al.Dynamics of thedistribution of invasivealien plants（Asteraceae）in Chinaunderclimatechange[J].Science of the Total Environment，2023，903：166260

[2]ZHAO YH，WEN YF，ZHANG WQ，et al.Distribution pat-tern and change prediction of Phellodendron habitat in Chinaunderclimatechange[J].Ecologyand Evolution，2O23，13（8）：e10374

[3]莫忠妹，康公平，于海英，等．未來氣候背景下的我國野生薤白潛在適生區預測[J].中藥材，2023，46（8）：1894-1900

[4]劉陽，苗晨，王鶴松.氣候變化對落葉松人工林在中國適生區分布的影響[J].生態學報，2023，43（23）：9686-9698

[5]張世林，高潤紅，高明龍，等．氣候變化背景下中國樟子松潛在分布預測[J].浙江農林大學學報，2023，40（3）：560-568

[6]賈翔，馬芳芳，周旺明，等．氣候變化對闊葉紅松林潛在地理分布區的影響[J].生態學報，2017，37（2）：464-473

[7]DRAKE JM. Range bagging： a new method for ecologicalniche modelling from presence-only data[J]．Journal of theRoyalSociety，Interface，2015，12（107）：20150086

[8]SMITH-RAMIREZ C， CASTILLO-MANDUJANOJ，BECERRA P，et al. Recovery of Chilean Mediterranean veg-etation after different frequencies offires[J].Forest Ecologyand Management，2021，485：118922

[9]GIGOVICL，POURGHASEMI H R，DROBNJAK S，et al.Testing a new ensemble model based on SVM and randomforest in forest fire susceptibility assessment and its mapping inSerbia'sTaraNationalPark[J].Forests，20l9，1O（5）：408

[10]PHILLIPSSJ，ANDERSONRP，SCHAPIRERE.Maxi-mum entropy modeling of species geographic distributions[J].Ecological Modelling，2006，190（3/4）：231-259

[11]應凌霄，劉曄，陳紹田，等．氣候變化情景下基于最大熵模型的中國西南地區清香木潛在分布格局模擬[J].生物多樣性，2016，24（4）：453-461

[12]邢丁亮，郝占慶.最大熵原理及其在生態學研究中的應用[J].生物多樣性，2011，19（3）：295-302

[13］孔維堯，李欣海，鄒紅菲．最大熵模型在物種分布預測中的優化[J].應用生態學報，2019，30（6）：2116-2128

[14]郭彥龍，趙澤芳，喬慧捷，等.物種分布模型面臨的挑戰與發展趨勢[J]．地球科學進展，2020，35（12）：1292-1305

[15］方鏵，陳星彤，劉明月，等．基于Maxent模型的互花米草潛在生境適宜性分析[J].草地學報，2023，31（11）：3514-3524

[16］宋晴，付鴻莉，王鐵梅，等．興安盟草原灌叢植被潛在適生區分布模擬分析[J].草地學報，2024，32（2）：579-587

[17］萬廣珍，羅永慧，張鼎新，等．基于最大熵模型的甘肅省蒙古黃芪潛在適生區預測及生態特征分析[J].中國中醫藥信息雜志，2024，31（1）：1-5

[18］王森源，寶秋利，包玉英，等.基于MaxEnt模型的蒙古白麗蘑適生區預測[J].菌物學報，2023，42（10）：2141-2151

[19］王曉帆，段雨萱，金露露，等．基于優化的最大熵模型預測中國高山櫟組植物的歷史、現狀與未來分布變化[J].生態學報，2023，43（16）：6590-6604

[20]DAIXS，WUW，JIL，etal.MaxEntmodel-based predictionofpotential distributions of Parnassiawightiana（Celastraceae）in China[J].Biodiversity Data Journal，2O22，1O：e81073

[21]LIU G L，MAI JF.Habitat shifts of Jatropha curcas L. in theAsia-Pacific region under climate change scenarios[J]. Energy，2022，251：123885

[22]GUOYX，ZHANGSY，TANGSC，et al.Analysisof theprediction ofthe suitable distributionof Polygonatum kingia-numunder different climatic conditions based on the MaxEntmodel[J]. Frontiers in Earth Science，2023，11：1111878

[23]郭杰，劉小平，張琴，等．基于Maxent模型的黨參全球潛在分布區預測[J].應用生態學報，2017，28（3）：992-1000

[24］王娟娟，曹博，白成科，等.基于Maxent和ArcGIS預測川貝母潛在分布及適宜性評價[J].植物研究，2014，34（5）：642-649

[25]車樂，曹博，白成科，等.基于MaxEnt和ArcGIS對太白米的潛在分布預測及適宜性評價[J].生態學雜志，2014，33（6）：1623-1628

[26］焦鑫宇，龍梅，劉志雄．應用最大熵模型預測我國野生蕙蘭潛在適生區分布及其影響因素[J.東北林業大學學報，2023，51（7）：96-101，122

[27］張雪梅，劉濤，任世杰，等.基于MaxEnt模型的3種野生牧草西藏地區潛在適生區分析[J].草地學報，2023，31（8）：2314-2322

[28」賈文茜，陳英英，陳正洪，等．基于MaxEnt模型的湖北煙區潛在適宜性分布及其環境特征分析[J].華中農業大學學報，2024，43（1）：100-107

[29］韓夢麗，白史且，孫盛楠，等．基于MaxEnt模型青藏高原老芒麥適生區模擬預測[J].草地學報，2021，29（2）：374-382

[30]KARGERDN，CONRADO，BOHNERJ，etal.Climatologies at high resolution for the earth’s land surface areas[J]. Sci-entificData，2017，4：170122

[31]李欣蕊，氣候變化對青藏高原哺乳動物分布影響研究[D].蘭州：蘭州大學，2023：83

[32]SUNRZ，TONG GJ，ZHANGQ，et al. A study on the suit-ableareas for growing apricot kernels in China based on theMaxEntModel[J].Sustainability，2023，15（12）：9635

[33]LI JY，CHANG H，LIU T，et al. The potential geographicaldistribution of Haloxylonacross Central Asia under climatechange in the 2lst century[J].Agricultural and Forest Meteo-rology，2019，275：243-254

[34]HEYL，MAJM，CHENG S.Potential geographical distribu-tion and its multi-factor analysis of Pinusmassoniana in Chinabased on the maxent model[J].Ecological Indicators，2023，154：110790

[35]ANQH，ZHENG JH，GUANJY，etal.Predicting the effectsoffuture climate change on the potential distribution of Eolagu-rus luteus in Xinjiang[J]. Sustainability，2023，15（1O）：7916

[36］姜穎倩，王霞，劉艷，等．基于MaxEnt模型的毛莢苜蓿在中國的潛在適生區預測[J].草原與草坪，2022，42（2）：67-73

[37］姚政宇，韓其飛，林彬.基于最大熵模型的新疆主要有毒雜草分布區預測[J]．生態學報，2023，43（12）：5096-5109

[38]李曉辰，貢璐，魏博，等．氣候變化對新疆雪嶺云杉潛在適宜分布及生態位分化的影響[J].生態學報，2022，42（10）：4091-4100

[39]廖劍鋒，易自力，李世成，等.基于Maxent模型的雙藥芒不同時期潛在分布研究[J].生態學報，2020，40（22）：8297-8305

[40]ZHAORF，WANG SJ，CHEN SY.Predicting the potentialhabitat suitability of Saussurea speciesin China under future cli-matescenarios using the optimized Maximum Entropy（MaxEnt）model［J].Journal of Cleaner Production，2024，474：143552

[41]陳艷瑞，王曉軍，劉敏，等．新疆雪蓮生境與有效成分的關系研究：中國，201110454465[P].2014-07-12

[42]張喜娟，陳琛，郜飛飛，等．中國東北興安落葉松林空間分布及其對氣候變化的響應[J].生態學雜志，2022，41（6）：1041-1049

[43］楊志香，周廣勝，殷曉潔，等．中國興安落葉松天然林地理分布及其氣候適宜性[J].生態學雜志，2014，33（6）：1429-1436

（責任編輯 閔芝智）