基于MaxEnt模型預測近現代和未來草地早熟禾的適宜分布區

中圖分類號：S688.4 文獻標識碼：A 文章編號：1007-0435（2025）09-2992-11

doi：10.11733/j.issn.1007-0435.2025.09.023

Prediction of the Near-Modern and Future Potential Distribution of Poa pratensis L. in Response to Climate Change Based on the MaxEnt Model

ZHAO Jia-rui1，WANG Peng-sen1，GOU Yang1，ZENG Yuan1， JIN Xue-mei1， LIU Gang2，QIMEI Lamu1.3， ZHOU Ji-qiong1* （1.College of Pratacultural Science，Sichuan Agricultural University，Chengdu，Sichuan Province 6ll13o，China; 2.Chengdu Instituteof Biology，Chinese AcademyofSciences，Chengdu，Sichuan Province 61O041，China; 3.Agriculture and Rural Affairs Bureau of Qushui County，Lhasa，Xizang 85O6OO，China）

Abstract：Forecasting thepotentiallysuitabledistributionareas ofPoapratensis L.under current and future cli mate conditions across the country can laya theoretical foundation for the precise cultivation of Kentucky bluegrass（Poa pratensis L.）and ecological restoration of grassland，and reduce the economic and ecological losses caused by future climate warming. In this study，data of 23 ecological factors at 84 distribution points of P pratensiswere collected. Through the maximum entropy（MaxEnt）model and ArcGIS system，the main influencing factors of the suitable distribution of P ：pratensis .and its potential distribution pattern were analyzed. The results show that the four main ecological factors，including human disturbance index，altitude，precipitation in the coldest season，and precipitation in the wettest month affected the distribution of P ：pratensis.Under present climate conditions，the total suitable area of P pratensis.is 6.3036×10⁶km² ，and the highly suitable area is 1.0644×10⁶km² .It is mainly concentrated in Xizang，Sichuan，Qinghai，Yunnan，Gansu，and Shanxi. Under future climate scenarios，the total suitable area of P . pratensis . generally showed a decreasing trend. The suitable area in the SSP37O scenario decreased by 4.126×10⁵km² . This study can provide an objective theoretical reference basis for the rational planning and layout and sustainable utilization of P .pratensis. Key Words：MaxEnt model;Poa pratensis;Climate change;Potential distribution area

近年來，大量研究結果顯示，利用優質牧草建設人工或半人工草地修復高寒地區退化草地，可以提升飼草產量與品質，緩解天然草地的放牧壓力，加快退化草地生態恢復[1-2]。如今，在青藏高原等高寒地區能夠修復退化人工草地的優良草種較少，利用草地早熟禾（PoapratensisL.）建植禾本科牧草栽培草地是植被修復的重要措施之一[3-5]。草地早熟禾作為禾本科早熟禾屬多年生草本植物，具有發達的匍匐根莖，分蘗能力非常強，種植后形成草皮速度快，能夠有效地減少水土流失，增加植被蓋度[6-7]，可助于快速恢復退化草地，其耐寒、耐旱性強，喜溫暖濕潤環境，適應 500～4000m 的山地，在我國廣泛分布于東北地區、黃河流域以及湖北、安徽、江蘇、江西等地[8-9]。草地早熟禾營養豐富，質地細軟，綠期長，適口性好，馬、牛、羊等都喜食，具有典型的鄉土性、生態性、牧用性特征[10]，廣泛應用于飼料、退化草地綜合治理工程與人工草地建植等領域。

氣候變暖會對植被[11]、生態系統功能[12]、生物多樣性[13]、植物物候節律[14]等產生重大影響。聯合國政府間氣候變化專門委員會第5次評估報告（IPCCAR5）顯示，全球平均地表溫度于1880年至2012年間上升約 0.85^°C ，中國的氣候變暖率遠高于全球平均水平[15]，據此可知，氣候變暖對我國草地早熟禾地理分布格局的影響更加顯著。我國在引種、種子生產以及生態修復中常忽略氣候環境等關鍵因子，常由于種子田選址不合理等因素出現種子產量低、質量差、草地生態修復效果不佳等問題[16]，難以解決退化草地生態修復及草種生產等重大難題。因此，基于氣候變暖的背景對草地早熟禾開展生態環境適生區預測，明晰其主導氣候變量及潛在分布區的變化特征，對指導其合理種植和高效可持續利用在理論與現實層面均意義重大。

MaxEnt模型是一種基于物種已知分布點數據與相關環境變量運算進行某一特定區域內物種潛在分布范圍以及適生程度的物種分布預測的模型。因為其預測精確度高、參數少、便于操作的優勢受到了大量關注與應用，現已被應用于入侵植物潛在分布區預測[18]、瀕危動物保護[19]、農作物適宜種植區預測等多個研究領域中[20-21]，但對優質牧草適生區預測方面應用較少。王百竹等[22]利用MaxEnt分析了典型草原建群種長芒草（Stipabungeana）在中國的潛在分布范圍預測及主要影響因子；陳積山等[23]分析了我國羊草（Leymuschinensis）分布區的生物氣候特征；鄧飛等24評價了紫花苜蓿（Medi-cagosatiua）在錫林郭勒盟的分布主導因子及適宜性，而對草地早熟禾在全國潛在分布區的預測目前鮮見報道。因此，本研究基于草地早熟禾現有的地理分布信息，結合生物氣候變量、坡度、海拔、坡向等相關數據，通過MaxEnt模型與ArcGIS軟件估測及預測草地早熟禾在我國近現代（1970—2000）及未來（2021—2040）的潛在分布區，進而為退化草地修復、草地早熟禾種子田選址以及種植區合理規劃等提供科學的研究基礎。

1 材料與方法

1.1草地早熟禾分布點數據獲取與處理

通過查詢草地早熟禾關鍵詞，在中國數字植物標本館（ChineseVirtualHerbarium，http：//www.cvh.ac.cn/）、國家標本資源共享平臺（NationalSpecimen Information Infrastructure，http：//www.naii.org.cn）與全球生物多樣性信息網絡（GlobalBiodiversityInformationFacility，https：//www.gbif.org/搜索記錄草地早熟禾在中國境內的精確經緯度數以及本團隊的野外調查數據。共獲取草地早熟禾原始分布點數據307條，為避免空間關聯性較大造成過度擬合對結果產生不良影響，剔除經緯度信息重復以及模糊的分布點數據后，將剩下的分布點導入ArcGIS10.8軟件中去除自相關點，再用緩沖區分析法進行 20km 緩沖半徑的篩選，若同一緩沖區內存在多個采樣點，只隨機保留其中1個，最終得到有效分布數據84條，如圖1所示，并依據MaxEnt軟件的格式要求轉換采樣點數據為csv格式。

圖1當前氣候條件下草地早熟禾的潛在分布地區 Fig.1Potential distribution area under current climatic conditions of Poa pratensisL.

1.2環境數據獲取與處理

本研究應用3個地形因子、19個生物氣候因子和1個人為因子構建MaxEnt模型，如表1所示。近現代氣候數據（1970—2000）和未來氣候數據（2021—2040）下載于世界氣候數據庫（http：//www.world-clim.org），包括11個與溫度有關的氣候因子和8個與降雨有關的氣候因子，數據分辨率均為2.5arc-min。未來氣候數據依據第6次國際耦合模式比較計劃（Coupled model intercomparison project phase6，CMIP6）發布的國家（北京）氣候中心中等分辨率氣候系統模式（BeijingClimateCenter-ClimateSystem Model version 2-Medium Resolution，BBC-CSM2-MR）共享社會經濟路徑（SharedSocioeco-nomicPathways，SSPs）模型確定25]，包括全球可持續發展路徑SSP126、中等可持續發展路徑SSP245、地方可持續發展路徑SSP37O、常規發展路徑SSP585以及不平衡發展路徑。地形因子參考地理空間數據云高程數據（Digitalelevationmodel，DEM），下載于中國科學院資源環境科學與數據中心（Resource and Environment Science and DataCenter，https：//www.resdc.cn/），將高程數據導人ArcGIS10.8軟件，利用ArcToolbox的表面分析工具生成海拔、坡度和坡向數據。人為因子下載于哥倫比亞國際地球科學信息網絡中心（SocioeconomicDateAnd ApplicationsCenter，https：//sedac.ciesin.columbia.edu/）。

全球人為干擾數據綜合考慮了人口密度、土地利用、基礎設施和交通路線等因素來代表人類對環境的累計壓力[26]。利用ArcGIS1O.8的掩膜提取功能獲取所有環境因子的中國區域數據，并進行重采樣轉換成一致的空間分辨率，中國行政區劃圖下載于全國地理信息資源目錄服務系統（NationalPlat-form for Common Geospatial Information Services，www.webmap.cn）。

環境變量間的多重共線性會導致模型出現過度擬合現象，刪除相關性高的環境因子有利于提高模型預測的精準度[26-27]。因此，在正式建模之前，首先基于 MaxEnt3.4.4 對草地早熟禾的現有分布數據與23個環境變量開展預模擬，通過計算各因子對適生區預測的貢獻率并排序，剔除貢獻率為零的變量；隨后利用ArcGIS10.8提取保留變量的柵格值至物種分布點位，通過Spearman相關性檢驗識別相關系數 ?0.8 的高相關性因子組，針對相關性系數|rgt;0.8 的2個數據[28]，結合預模擬貢獻率排序結果，優先保留貢獻率較高的因子并剔除貢獻率較低者，最終篩選出10個對潛在生境分布影響顯著的環境因子用于構建模型（表1）。

1.3 模型參數優化

MaxEnt模型是機器學習中的復雜模型，其對采樣偏差敏感，且模型的復雜度與特征函數（Featurecombination，FC）：LQPTH（L為Linear、Q為Quadratic、P為Product、T為Threshold、H為Hinge）和倍頻（Regularization multiplier，RM）顯著相關[29]，直接使用該模型的默認參數進行模擬可能導致數據分析結果不準確，難以評價相應的物種分布，優化MaxEnt模型的參數可以避免過度擬合對模型遷移能力的影響，提升物種分布預測結果的精確度和可靠性。因此，本研究借助R語言ENMeval程序包優化MaxEnt模型[30]。在優化過程中，將RM設置為0.5至5的梯度變化序列，以0.5為步長遞增到5，共10個調控倍率。依次與L，LQ，H，LQH，LQHP和LQHPT的特征組合分別進行交叉組合驗證，利用Akaike信息標準的最低增量（LowestIncrementofAkaikeInformationCriterion，Delta.AICc），訓練和測試AUC之間的平均差值（AverageDifferencebetween Training and Testing AUC，Avg. diff.auc）和 10% 訓練遺漏率（1O-PercentTrainingOmissionRate，MeanOR1O），評估物種分布的模型擬合程度與復雜性，最終選擇具有顯著性，Delta.AICc為0，且Avg.diff.auc和MeanORlo都較小時的組合作為最優參數組合來運行最終的模型[31]

表1環境變量Table1Environmental variables

1.4MaxEnt模型建立

將篩選得到的84條草地早熟禾數據以及10個生態因子導人MaxEnt3.4.4中，訓練集來自隨機抽取 75% 的分布點數據，測試集來自剩下 25% 的分布點數據，將優化參數設置為3.5LQHP，其余參數默認設置，采用Jackknife法對所選變量進行構建模型貢獻率的檢測。重復運行10次，以這10次運行的平均值作為最終值，可以降低模型的隨機性和模擬結果的不準確性32]。依據受試者工作曲線（Receiveroperatingcharacteristiccurve，ROC曲線）下面積（Areaundercurve，AUC）評估模型預測精度，AUC的取值區間為0～1，其值越大表明預測結果的可信度越高[33]

將模型的輸出結果利用ArcGIS10.8軟件的重分類工具，利用自然間斷點分級法（Jenks'naturalbreaks）將草地早熟禾的適宜度分成4個等級，分別為非適生區 （Plt;0.25） 、低適生區 （0.25?Plt;0.45） 、中適生區 （0.45?Plt;0.67） 、高適生區 （P?0.67），P 表示適生指數，進而制作草地早熟禾潛在適宜生境的分布圖，并計算統計不同氣候情景下各適生區的面積。

2 結果與分析

2.1MaxEnt模型優化結果與精度分析

根據模型優化結果，FC與RM交叉驗證了60個模型參數組合。如表2所示，其中符合遺漏率標準且Delta.AICc為0模型參數組合共有1個，即FC選擇LQHP、RM為3.5，該參數組合與默認參數相比，Avg.diff.auc降低了 53.8% ，MeanOR1O降低了5% ，表明在此參數組合下，模型的過擬合程度較低，可信度均較好，可用于草地早熟禾近現代及未來的適生區預測。

表2模型優化結果 Table2Model optimization results

物種潛在分布預測模型的評價通常利用ROC曲線分析法，閾值不影響受試者工作特征曲線下的面積AUC值，其大小可作為模型預測準確度的衡量指標[33]。其評價標準為：不及格 （0.5 1.0）^[30] 。通過模型建模及10次重復運行后得出的AUC值檢驗精確程度，如表3所示，在近現代及未來氣候條件下，草地早熟禾適生區分布模型的平均訓練AUC值均大于0.8，這意味著預測結果具有較高可信度，能準確反映出草地早熟禾地理分布和環境因子間的關系。

表3MaxEnt模型中ROC預測結果 Table 3ROC prediction results in MaxEnt model

2.2主導生態因子篩選及貢獻率

根據刀切法的貢獻率、正則化訓練增益、單因子響應曲線和置換重要性能明晰各環境因子對草地早熟禾潛在分布適生區的影響程度大小以及與草地早熟禾生存概率之間的相關性，從而確定主要影響其生態地理分布的環境因子。如表4所示，貢獻率大于 5.0% 的環境因子有3個，分別是人為干擾指數（Human）、海拔（Asl）、最冷季節降水量（ bio₁₉ ，3個環境因子的總貢獻率達 81.2% 。置換重要性較高的環境因子有4個，分別是人為十擾指數、最冷季節降水量、最濕月降水量 （bio₁₃） 以及海拔，總置換重要性達 86.3% 。由刀切法檢驗結果（圖2）可知，當僅使用單一生態因子時，最冷季節降水量、最濕月降水量和人為干擾指數這3個生態因子對正規化訓練增益影響最大。由此可見，人為干擾、海拔、降水量（最冷季節降水量、最濕月降水量）是作用于草地早熟禾潛在地理分布的主要環境因子，且人為干擾的貢獻率與置換重要性均最高，表明人為干擾指數是影響草地早熟禾分布的重要因子。

表4環境因子貢獻率與重要性排序

Table 4 Contribution rate and importance ranking of environmental factors

如圖3所示，主導生態因子的響應曲線分析表明，各生態因子對草地早熟禾的影響程度各不相同，其中海拔、最冷季節降水量、最濕月降水量的響應曲線均呈先升后降的單峰態，而人為干擾生存概率隨指數增加而逐漸增大至穩定，且最冷季節降水量、最濕月降水量的存在概率在達到峰值后下降至趨于0，而海拔下降至趨于0.3。草地早熟禾在存在概率大于0.5時對應的環境變量區間生長良好，由圖3c可知，草地早熟禾適合生長的海拔范圍在252～5312m 之間，當其為 3845m 時，草地早熟未適生概率最大，達到81. 3% 。與降水量有關的氣候因子顯示（圖3a、圖3b），當最濕月降水量在 50～300mm 一最冷季節降水量在 1～66mm 之間時草地早熟禾生長良好，當其分別為 120mm 與 13mm 時，草地早熟禾可能為最佳生長狀態，說明在低溫高濕環境下，少量降水有利于草地早熟生長，而降水充裕不利于其生長。由圖3d可知，當人為干擾指數大于6時適宜草地早熟禾生長，其生存概率的峰值出現在人為干擾指數為58時，之后達到穩定，說明一定的人類干擾有利于草地早熟禾的生長。

圖2環境因子刀切法檢驗結果

2.3當前氣候下草地早熟禾的潛在適生區

按照4級分類，統計草地早熟禾在各省的潛在分布，如表5和圖1所示。在當前氣候條件下，草地早熟禾的潛在適生區主要分布在我國西部與東北地區，主要集中在、甘肅、青海、新疆、寧夏、云南、四川、貴州、重慶、陜西、河南、河北、北京、山西、內蒙古自治區、山東、遼寧、黑龍江、吉林等地區，另外在湖北、安徽、江蘇、海南、臺灣、廣西等區域也有分布。

適宜生境的總面積為 6.3036×10⁴km⁶. 占全國總面積的 65.65% ，其中高適生區面積為 1.0644×10⁶ km² ，中適生區面積為 2.6282×10⁶km² ，低適生區面積為 2.6110×10⁶km² 。草地早熟禾中-高適生區主要分布于山西、陜西、河北、北京、寧夏、青海省東部、甘肅省東部、自治區東南部、內蒙古自治區東南部、四川省西部、貴州省西部、云南省北部、山東省西部、新疆西部；低適生區主要分布在黑龍江、吉林、遼寧、新疆、重慶、青海省西部、湖北省西部、四川省東部、內蒙古自治區北部、貴州省中部、河南省中部，另外，在廣西、臺灣、海南有少量分布。

2.4未來不同時期草地早熟禾的潛在適生區

從現在到未來，除了在SSP245氣候情景下草地早熟禾的適生區面積有所增大外，其他氣候情景均呈下降趨勢。由表5與圖4可知，相比于現在，SSP245情景下有利于草地早熟禾地理分布擴張，適生區面積增加 2.752×10⁵km² ，收縮面積最少，僅1.5×10⁵km² ，擴張面積最大，達到 4.286×10⁵km² 而SSP585擴張面積最小，僅 8.87×10⁴km² SSP370情景下對草地早熟禾的影響顯著，其收縮面積最大，達到 5.277×10⁵km² ，總適生面積下降變化最為明顯，達到 4.126×10⁵km² ，下降變化最不明顯的是SSP126情景，總變化面積僅 4.01× 10⁴km² 。中適生區面積在不同氣候情景下均有所下降，主要在東北地區，包括內蒙古自治區、黑龍江、吉林、遼寧地區；高適生區面積總體呈增加趨勢，主要在云南、甘肅、陜西、山西區域，而在SSP245情景下有較小縮減；低適合生面積總體呈增加趨勢，主要在黑龍江、海南、廣西、廣東地區，而在SSP370情景下新疆、青海、甘肅、內蒙古自治區西部面積減少。總體看來，未來氣候情景下，草地早熟禾的潛在分布適生區集中性增強，新擴張區域多為低適生區和高適生區，隨著全球溫度增加，不利于草地早熟禾的生長。

圖3關鍵環境因子響應曲線

Fig.3Response curve of key environmental factors

表5不同氣候情景下草地早熟禾潛在分布面積變化

Table 5Potentialdistribution area changes of Poa pratensis L.under different climate scenarios

3討論

3.1MaxEnt模型模擬草地早熟禾分布結果的準確性

由于具有較強穩定性和擴展性，MaxEnt模型非常適用于物種分布建模，相較于其他生態位模型其預測結果也更加精確[34]。本研究選用MaxEnt模型并結合ArcGIS軟件的空間分析功能預測草地早熟禾在我國近現代及未來氣候情景下的生態適生區，通過實地調研與網絡共享平臺收集了較完整的草地早熟禾分布點信息，刪除了重復且精度較低的分布點，并設置緩沖過濾，在小樣本量條件下，采用MaxEnt模型進行物種分布區預測可避免過度擬合，降低樣本的空間自相關[35]，有利于提升MaxEnt模型預測的準確性。此外，我們還針對環境變量進行了相關性篩選和分析，篩選出主要環境變量，減少相關性較強的環境變量，降低機器學習模型的復雜性，確定未來氣候情境下對草地早熟禾地理分布變化的影響，充分保障了預測的可靠性。

同時，我們使用R語言ENMeval程序包對各參數組合下的Delta.AICc，Avg.diff.auc以及MeanOR10進行評估，選擇出最優參數組合，進一步提高模型精度。Morales等[36]對近年來已發表的MaxEnt模型相關文獻進行梳理與評價，結果表明大多缺少軟件最佳參數的優化過程，影響預測結果的準確性，因此，MaxEnt模型的校準至關重要。朱耿平等[29]、葉利奇等[37]、張明珠等[38]都利用R語言ENMeval程序包對MaxEnt模型參數進行了優化，與MaxEnt模型默認參數相比，采用調參后所構建的模型轉移能力較強且預測效果較好。根據本研究結果，當 2M=3.5，FC=LQHI 時，Delta.AICc為0，且優化后模型的AUC值均大于0.8，意味著預測結果趨近于草地早熟禾的客觀適生狀況，可較為準確地模擬其潛在適生區。但由于植物在地理空間上的分布受溫度、降水量、地形、土壤、人為干擾及種間競爭等多種因素影響[39]，這些因子需要一定的時間才能對植物的空間分布產生影響。因此，物種的實際分布點可能不同于氣候變化的速度，實際生境與預測適生區存在一定誤差。盡管本研究MaxEnt模型主要基于氣候與地形變量進行預測，未充分納入土壤理化性質、種間競爭關系等關鍵生態限制因子，模型對人為活動與植被長期演替的動態響應模擬仍存在局限性，但是現存草地早熟禾分布點均在模擬結果得出的適生區分布范圍內，表明模型預測的可信度較高。

圖4未來氣候條件下草地早熟禾的分布格局

Fig. 4Distribution pattern of grass under future climate conditions

3.2環境因子及人類活動對草地早熟禾分布的影響

預測結果表明，最大程度制約草地早熟禾分布的影響因子是人為干擾指數、海拔、最冷季節降水量、最濕月降水量。其中，人為干擾對草地早熟禾適生區的分布影響最大，這可能與草地早熟禾的利用方式密切相關。草地早熟禾耐牧、耐踐踏，是重要飼草資源，也是世界上廣泛應用的冷季型草坪草[40]。人類踐踏與家畜放牧過程中，種子被埋入土中，促進種子萌發，并刺激牧草分蘗和分枝；糞便可以為牧草提供大量所需的營養物質，改善草地質量，維持草地群落物種多樣性，提高草地群落穩定性與生產力[41]，進而推動草地植物的生長、再生和結構變化。因此，人為干擾對草地早熟禾適生區的分布具有顯著影響，是促進其萌發的重要因素。草地早熟禾適宜的海拔范圍較廣，在高海拔下更有利于生存。植物種群在空間分布上主要受氣候影響[42]，草坪草的生長對于水分的需求極其敏感，預計未來降水格局的變化會對草坪草的生長產生廣泛而深刻的影響[43]。在本研究中，最濕月降水量與最冷季節降水量反映極端水分條件，最濕月份一般為夏季，最冷季節為冬季，草地早熟禾最濕月最適降水量為 50～300mm ，最冷季節最適降水量為 1～ 66mm ，與王貞升提出的最適宜草地早熟禾生長的水分梯度相吻合[44]。草地早熟禾為冷季型草種，夏天強烈的陽光會導致土壤中的水分大量蒸發，植物需要足夠的水分來滿足蒸騰消耗并維持正常的生理機能，充足的水分能提高大氣濕度和土壤含水量，并防正溫度急劇變化對植物造成傷害，有利于其越夏。冬季一定的降水條件可以打破種子休眠，促進種子萌發，對草地早熟禾的生長十分有利，但過多的水分可能抑制其第二年的生長發育甚至死亡。

3.3未來氣候情景下草地早熟禾潛在適生區的變化

在SSP126，SSP245，SSP370，SSP585這4種氣候情景下，分別在1970—2000年和2021—2040年這2個時期對草地早熟禾進行適生區估測及預測分析。結果顯示，在未來20年期間，草地早熟禾的適宜生境面積呈現出先減后增又減的趨勢，僅在SSP245情景下適生區面積增大，表明一定的溫度增長對草地早熟禾地理分布擴張有利，而溫度過高不利于其生存。在SSP370情景下，草地早熟禾適生區面積的減少幅度最大，相較于現在減少了4.126×10⁵km² （表5、圖4），這表明該時期其種群面臨較高的退化風險。這與王思雨等45統計的長芒麥和青藏苔草適生區面積預測結果總體相似，二者的適生區面積均呈減少趨勢根據預測結果，其收縮面積主要集中青藏高原與黑龍江東部一帶，這可能源于溫度與降水的協同脅迫效應，與地區的地理位置有關。青藏高原地處于干旱、半干旱的高原區，生態系統極其脆弱，氣候變化敏感[46]，隨著全球氣候變暖與人為活動干擾加劇，青藏高原高寒草地退化沙化狀況不斷加劇，草地生產力持續下降，禾本科、莎草科等優勢植物在植物群落中所占比例變小，雜草、毒草類植物取代其優勢地位，促使草地早熟禾向雨量豐富、熱量充沛的西南亞熱帶地區移動。SSP370情景下RCP8.5對應的高溫增幅顯著改變了物種生理閾值，當年均溫突破 15^°C 臨界值時，其光合作用效率下降，生殖生長受阻。青藏高原地區升溫速率達全球平均的2倍，導致凍土消融加速，土壤水分虧缺率達 37% ，高寒草甸生態系統的水平衡被打破。黑龍江東部則因極端降水事件頻率增加 53% ，季節性漬澇造成根系缺氧死亡[47]。人類活動的疊加影響加劇生境破碎化，過度放牧使植被覆蓋度降低 12%～15% ，削弱了群落抗逆性[48]。氣候-人為雙重壓力下，種間競爭格局改變：耐旱的針茅屬植物生態位擴展 17% ，而草地早熟禾在資源競爭中處于劣勢，被迫向水熱條件更穩定的橫斷山脈區域退縮。這種適應性遷移受限于西南亞熱帶地區原有生態位的生物阻抗，最終導致整體適生區面積縮減。在SSP245情景下，草地早熟禾適生區擴增到高緯度高海拔地區，在SSP370氣候模式下，廣西、廣東與海南新增低-中適生區，到本世紀中葉，這些區域可能出現新的草地早熟禾種植區。王鵬森等49研究了垂穗披堿草在氣候變化情景下未來的分布，發現從現在到未來質心變化的方向大體是先向西南遷移，再向東北遷移，佐證了本研究中草地早熟禾在2個時期的分布格局的變化。

根據研究結果，建議重點圍繞草地早熟禾高適生區開展補播修復、草種生產和種質資源調查工作。針對SSP245氣候情景下適生區向青藏高原、內蒙古等高緯度地區擴展的特征，應在、青海、甘肅及川西地區通過生態修復工程擴大種植規模，同步建設耐寒品種試驗基地。南方新增適生區需在廣西、廣東、海南等地開展氣候適應性評估，規劃20年潛在種植區，重點研發抗高溫品種及節水技術。對于適生區顯著縮減的青藏高原東部和黑龍江等區域，需實施退化草地綜合治理，通過控制放牧強度與人工補播維持種群穩定。建議構建覆蓋全域的氣候響應監測網絡，定期更新適生區動態圖譜，推動跨省生態管理協作，形成分區分類保護策略。特別要強化高適生區種質資源庫建設，建立草種繁育基地，為不同氣候情景下的生態修復提供可持續種源保障。

4結論

氣候變暖對我國草地早熟禾地理分布格局的影響極其顯著，未來氣候變化下，草地早熟禾的適生區面積將縮小，高適生區主要聚集于云南、山西、四川西部、東部、青海東部與甘肅東部，有少部分高適生區出現于寧夏南部、河北北部、陜西北部與內蒙古東南部地區。本研究有助于政策制定者針對不同氣候情景實施差異化種植策略，同時，給出強化跨區域生態協作與動態監測的建議，對適應氣候變化、維持區域性生態系統穩定和促進草牧業的高質量發展具有戰略性意義。

參考文獻

[1]施建軍，洪紱曾，馬玉壽，等．人工調控對禾草混播草地群落特征的影響[J].草地學報，2009，17（6）：745-751

[2]馬玉壽，施建軍，董全民，等.適宜黑土灘栽培的牧草品種篩選研究[J].青海畜牧獸醫雜志，2011，41（4）：1-4

[3]孫華方，李希來，金立群，等．黃河源區人工草地植被群落和土壤養分變化[J].水土保持通報，2019，39（3）：25-30，38

[4]周華坤，趙新全，趙亮，等．高山草甸垂穗披堿草人工草地群落特征及穩定性研究[J].中國草地學報，2007，29（2）：13-25

[5]WANGCT，WANGGX，LIUW，etal.Effectsof establish-ingan artificial grassland on vegetation characteristicsand soilquality in a degraded meadow[J]. Israel Journal of Ecologyamp;Evolution，2013，59（3）：141-153

[6]伍磊，周青平，劉文輝，等．人工草地建植過程中青海扁莖早熟禾根系變化特征[J].草地學報，2011，19（2）：231-236

[7］楊林平，蘇寶蘭，楊文英．黃河首曲高寒草甸退化草地（黑土灘）恢復重建優良適宜牧草篩選試驗[J].甘肅畜牧獸醫，2016，46（11） ：96-98

[8]宋航，閆慶偉，巴雅爾圖，等．水氮交互對草地早熟禾葉綠素熒光和RuBisCO酶活力的影響[J].中國草地學報，2017，39（5）：31-38

[9]中國植物會.中國植物志第九卷第二分冊[M].北京：科學出版社，2002：91-226

[10］王柳英，畢玉芬，馬玉壽，等．耐寒新品種青海草地早熟禾的選育［J].中國草地學報，2010，32（6）：16-20

[11］李茂華，都金康，李皖彤，等.1982-2015年全球植被變化及其與溫度和降水的關系[J].地理科學，2020，40（5）：823-832

[12]傅伯杰，牛棟，趙士洞，全球變化與陸地生態系統研究：回顧與展望[J].地球科學進展，2005，20（5）：556-560

[13]何遠政，黃文達，趙昕，等．氣候變化對植物多樣性的影響研究綜述[J].中國沙漠，2021，41（1）：59-66

[14］付永碩，李昕熹，周軒成，等．全球變化背景下的植物物候模型研究進展與展望[J].中國科學：地球科學，2020，50（9）：1206-1218

[15］趙金鵬，王閆利，陸興利，等．軟棗獼猴桃在中國的適生區分析及對未來氣候變化的響應[J].中國生態農業學報，2020，28（10）：1523-1532

[16］毛培勝，孫銘，孫守江，等．披堿草屬禾草種子的應用與生產技術研究[J].草原與草業，2022，34（3）：1-4

[17］秦萌，何佳遙，趙守歧，等．基于Maxent模型的玉米褪綠斑駁病毒潛在地理分布研究[J].中國植保導刊，2017，37（11）：63-69

[18]舒駿生，彭璽，張曉晨，等．基于MaxEnt模型的油麥吊云杉潛在適生區預測[J]．西北林學院學報，2023（1）：66-72

[19］徐艷玲，秦譽嘉，張源，等．基于MaxEnt模型預測外來入侵植物刺果瓜在中國的潛在地理分布［J].植物保護學報，2022，49（05）：1440-1449

[20]劉振生，高惠，滕麗微，等.基于MaxEnt模型的賀蘭山巖羊生境適宜性評價[J].生態學報，2013，33（22）：7243-7249

[21]KHUBAIBN，ASADSA，KHALIL T，etal. Predictingareas suitable for wheat and maize cultivation under future cli-mate change scenarios in Pakistan[J]. Climate Research，2021，83：15-25

［22］王百竹，朱媛君，劉艷書，等．典型草原建群種長芒草（Stipa bun-geana）在中國的潛在分布范圍預測及主要影響因子分析[J].草業學報，2019，28（7）：3-13

[23］陳積山，劉杰淋，朱瑞芬，等．基于MaxEnt分析我國羊草分布區的生物氣候特征[J]．草地學報，2019，27（1）：35-42

[24］鄧飛，李曉兵，王宏，等．基于MaxEnt模型評價紫花苜蓿在錫林郭勒盟的分布適宜性及主導因子[J].草業科學，2014，31（10）：1840-1847

[25]DI MARCO M，VENTER O，POSSINGHAM H P，et al.Changes in human footprint drive changes in species extinctionrisk[J].Nature communications，2o18，9（1） ：4621

[26]PEARSON R G，RAXWORTHY C J，NAKAMURA M， etal. ORIGINAL ARTICLE：predicting species distributionsfrom small numbers of occurrence records： a test case usingcryptic geckosin Madagascar[J].Journal of Biogeography，2007，34（1）：102-117

[27］劉攀峰，王璐，杜慶鑫，等．杜仲在我國的潛在適生區估計及其生態特征分析[J].生態學報，2020，40（16）：5674-5684

[28]姚俊萌，劉丹，段里成，等.CMIP6氣候變化情景下中國區域柑橘木虱潛在影響范圍預估[J].中國農業氣象，2021，42（12）：1031-1041

[29］朱耿平，喬慧捷.MexEnt模型復雜度對物種潛在分布區預測的影響[J].生物多樣性，2016，24（10）：1189-1196

[30]AARTSG，FIEBERGJ，MATTHIOPOULOSJ.Compara-tive interpretation of count，presence-absence and point meth-ods for species distribution models[J].Methods in Ecology andEvolution，2012，3（1）：177-187

[31]CAVANAUGHJE，NEATH AA.The Akaike informationcriterion：Background，derivation，properties，aplication，interpretation，andrefinements[J].Wiley InterdisciplinaryReviews：Computational Statistics，2Ol9，1l（3）：e1460

[32]萬廣珍，申亮，郭延秀，等．基于最大熵模型預測未來氣候變化背景下連翹的潛在地理分布[J].中國中醫藥信息雜志，2021，28（12）：1-6

[33]干彥珺 蘇鑫宇 朱成豪 等基干MaxFnt模型與ArGIS的金槐生態適宜性區劃研究[J].中國中醫藥信息雜志，2023，11（84）：1-6

[34］張華，趙浩翔，王浩.基于MaxEnt模型的未來氣候變化情景下胡楊在中國的潛在地理分布[J].生態學報，2020，40（18）：6552-6563

[35]WU Z，ZHANGF，DID，etal.Study of spatial distributioncharacteristics of river eco-environmental values basedonemergy-GeoDa method[J].Science of the Total Environment，2022，80（2）：149679

[36]MORALESNS，FERNANDEZIC，BACA-GONZALEZV.MaxEnt’sparameter configuration and small samples：are wepaying attention to recommendations？ A systematic review[J].PeerJ，2017，5：3093

[37］葉利奇，張偉皓，葉興狀，等.基于MaxEnt模型的珙桐潛在分布預測及其重要影響因子分析[J].四川農業大學學報，2021，39（5）：604-612

[38］張明珠，葉興狀，劉益鵬，等．基于SSPs預測格木在中國的潛在地理分布[J].北京林業大學學報，2022，44（4）：54-65

[39］曹雪萍，王婧如，魯松松，等．氣候變化情景下基于最大熵模型的青海云杉潛在分布格局模擬[J].生態學報，2019，39（14）：5232-5240

[40］朱慧森，王保平，董曉燕，等．干旱及復水對山西野生草地早熟禾幼苗生長與生理特性的影響[J].草業學報，2015，24（7）：79-88

[41]WEN Y，JIANG H. Cutting effects on growth characteristics，yield composition，and population relationships of perennial ryegrassand whiteclover in mixed pasture[J].New Zealand Jour-nalofAgriculturalResearch，2005，48（3）：349-358

[42]洪楚楚，王百竹，白建華，等，氣候變化情景下中國荒漠錦雞兒潛在適生區的時空變化分析[J].西北植物學報，2023，43（5）：856-866

[43]ZHAIPM，ZHANGXB，WANH，etal.Trendsin total precipitation and frequency of dailyprecipitation extremes overChina[J].JournalofClimate，2005，18（7）：1096-1108

[44］王貞升，李彥雪，于成龍，等，不同模擬降水量下草地早熟禾根系形態與解剖結構的動態變化［J].草業學報，2020，29（10）：70-80

[45］王思雨，吳建國.未來氣候變化情景下中國植物物種地理分布變化趨勢研究進展[J].廣西植物，2025，45（3）：500-516

[46」王兮之，何巧如，李森，等.青藏高原土地退化類型及其退化程度評價[J].水土保持研究，2009，16（4）：14-18

[47]張林.全球變暖背景下青藏高原發生了哪些變化[EB/OL].htps：//www.cma.gov.cn/2011xwzx/2011xqxxw/2011xqxyw/202108/t20210824_583484.html，2021-08-24/2024-11-24

[48」崔寫，董燕，張露尹，等.基于SSP-RCP情景的黃土高原土地變化模擬及草原碳儲量[J].環境科學，2024，45（5）：2817-2827

[49］王鵬森，劉剛，李旭旭，等，未來氣候情景下垂穗披堿草在中國的潛在分布[J].生態學雜志，2025，44（2）：590-599

（責任編輯 閔芝智）