扩展功能
文章信息
- 魏淑婷, 李涛, 林玉成
- WEI Shuting, LI Tao, LIN Yucheng
- 基于MaxEnt模型预测四川省松材线虫的潜在适生区
- Prediction of the Potential Distribution of Bursaphelenchus xylophilus in Sichuan Province Using MaxEnt Model
- 四川动物, 2019, 38(1): 37-46
- Sichuan Journal of Zoology, 2019, 38(1): 37-46
- 10.11984/j.issn.1000-7083.20180218
-
文章历史
- 收稿日期: 2018-07-25
- 接受日期: 2018-10-30
2. 四川省森林病虫防治检疫总站, 成都 610081
2. General Station of Forest Plant Quarantine and Pest Control of Sichuan Province, Chengdu 610081, China
松材线虫Bursaphelenchus xylophilus (Steiner & Buhrer) Nickle隶属于线虫门Nematoda侧尾腺纲Secernentea滑刃目Aphelenchida滑刃科Aphelenchoididae伞滑刃属Bursaphelenchus Fuchs,1937(谢辉,2005),2010年被我国列入外来入侵物种名单,是我国林业检疫性有害生物。主要通过松墨天牛Monochamus alternatus等媒介昆虫在松树体内传播,引发一种极具侵入性和破坏性的松树病害——松材线虫病,这种病害可对36种松属Pinus树种和8种非松属树种造成危害(陈守常,2010)。因发病迅速、死亡率高等特点,这种病也被称为松树“癌症”和“没有硝烟的森林火灾”(柴希民,蒋平,2003)。该病最先出现在北美洲的美国、加拿大和墨西哥等地,后扩散到亚洲的日本、韩国和中国,以及欧洲的葡萄牙和西班牙等地,目前已有40多个国家立法将其列为重要检疫害虫(Čerevková et al., 2014)。1979年,日本大量松树死亡,枯死木高达243万m3(Kishi,1995)。1982年我国首次发现松材线虫病侵染南京中山陵的黑松Pinus thunbergii(陈凤毛等,2005)。30多年来,我国因松材线虫侵染而枯死的松树累计高达4 882.81万株,皆伐和择伐的染病松林面积超过500万亩,直接经济损失18.09亿元,森林生态服务价值损失60.22亿元(宋玉双,2013),给我国森林资源造成了巨大经济损失,也给我国的生态安全带来了极大不利影响。四川是我国西部林业大省,松材线虫病自2004年首次发现以来,先后扩散至10个市(州)、20个县级行政区。根据当前四川省松材线虫病的发生现状及《植物检疫条例》和《全国林业检疫性有害生物疫区管理办法》(林造发[2013]17号)的有关规定,国家林业部门已将四川省雅安市名山县,达州市通川区、达川区,宜宾市高县、宜宾县、翠屏区,广安市邻水县及自贡市富顺县等地划定为松材线虫病疫区(国家林业局,2018)。
为了有效评估四川省松材线虫病的危害程度及现状,基于2009—2018年四川省林业有害生物普查数据中已记录的松材线虫病及其媒介昆虫——松墨天牛的分布位点数据和相关环境变量资料,采用MaxEnt模型及ArcGIS对四川省松材线虫的潜在适生区进行模拟预测,并阐明可能引起该病害发生的环境影响因子,以期引起林业管理部门的重视,为研究有效的检疫防控方法提供理论参考,为制定科学的防治对策提供新思路。
1 数据来源 1.1 松材线虫病分布点数据通过“四川省林业有害生物普查平台http://sc.30120.org/pc/surveyweb/login.html”(以下简称“省林害普查平台”)、国家林业和草原局(原国家林业局)官网发布的“国家林业局2018年第1号公告”(国家林业局,2018)获得松材线虫病在四川省的分布点,利用Google Earth获取部分分布点遗漏的经纬度,将物种名、分布点的经纬度录入Excel,共得到有效数据208条(图 1),根据MaxEnt模型的格式要求,将分布点数据以“*.CSV”格式文件储存。
1.2 松墨天牛的分布点数据通过“省林害普查平台”获取松墨天牛在四川省分布点的经纬度数据,共得到有效数据803条,以“*.TXT”格式文件储存;打开ArcGIS加载此文件,经过数据转换处理,得到松墨天牛在四川省的空间分布图层(图 2),将其作为分析松材线虫潜在适生区的自然传播媒介因素。
1.3 环境变量数据研究发现,松材线虫病的发生与温度、土壤水分有密切关系(Mamiya & Enda,1972)。本研究所用的当前环境变量(分辨率为1 km)(表 1)来源于WORLDCLIM网站(www.worldclim.org)。
编码Code | 变量Variable |
bio-1 | 年均温 |
bio-2 | 平均日较差 |
bio-3 | 等温性 |
bio-4 | 温度季节性变异系数 |
bio-5 | 最暖月最高温 |
bio-6 | 最冷月最低温 |
bio-7 | 年温差 |
bio-8 | 最湿季均温 |
bio-9 | 最干季均温 |
bio-10 | 最暖季均温 |
bio-11 | 最冷季均温 |
bio-12 | 年降水量 |
bio-13 | 最湿月降水量 |
bio-14 | 最干月降水量 |
bio-15 | 季节性降水变异系数 |
bio-16 | 最湿季降水量 |
bio-17 | 最干季降水量 |
bio-18 | 最暖季降水量 |
bio-19 | 最冷季降水量 |
将环境变量图层导入ArcGIS,利用裁剪工具从全球数据中截取研究区所在的矩形区域内的数据,供进一步处理和分析;利用投影工具对环境变量进行坐标系变换,统一为WGS_1984_UTM_Zone_48N;利用重采样工具将环境变量子图层栅格大小统一定为1 000 m×1 000 m;以四川省界图层为模板,截取相应区域内的环境变量图层,统一边界;利用栅格转ASCⅡ工具将处理后的环境变量图层转化为“*.ASC”格式文件储存。
1.4 海拔变量数据在地理空间数据云(http://www.gscloud.cn/)下载分辨率为1.0 km变量(数字高程模型),在ArcGIS中经提取、坐标转换、重采样、统一边界等操作,得到研究区海拔分布图层。
1.5 基础地理数据从国家基础地理数据库(http://nfgis.nsdi.gov.cn)中下载的1: 400万中国矢量地图中提取出四川省作为分析底图。
2 研究方法 2.1 环境变量数据预处理为避免模型过度拟合、提高模型模拟精度,分析19个环境变量之间的相关性,去掉高度相关但对MaxEnt模型预测结果贡献不大的变量(Li,2015)。利用19个环境变量和松材线虫的地理分布数据初建模型,用刀切法(Jackknife)检验各自环境变量对松材线虫潜在适生区的预测贡献;利用ArcGIS中的波段集统计(band collection statistics)工具,对19个环境变量进行相关性检验分析。在|相关系数|> 0.8的2个环境变量中剔除贡献较小的变量(Lemke et al., 2011;Yang et al., 2013)。
2.2 MaxEnt模型的应用操作与评估 2.2.1 模型应用操作将松材线虫病分布点数据(“*·CSV”格式文件)和7个变量(“*·ASC”格式文件)分别导入MaxEnt模型中的Sample和Environmental layer模块,模型训练方法设定为auto features,选中create response curves、make picture of predictions、do jackknife to measure variable importance选项,output format设为logistics,output file type设为bil;参照Phillips等(2006)的参数选择,随机选取75%分布点数据作为训练集建立模型,其余25%的数据为测试集来验证结果;Replicated run type设为Bootstrap;模型重复运算15次,以确保模型预测结果的稳定性,其他参数值为模型默认值。
2.2.2 模型评估采用ROC(receiver operating characteristic)曲线分析法对风险预测结果进行精度评价(Li et al., 2009)。ROC曲线又称感受性曲线,以真阳性率为纵坐标,假阳性率为横坐标绘制而成(王运生等,2007)。ROC曲线与横坐标围成的面积值即为AUC值,取值范围为[0,1],值越大表示与随机分布相距越远,变量与预测的物种地理分布模型之间相关性越大,即模型预测精度越高(Swets,1988;王茹琳等,2017)。常以AUC值评价模型的精度,具体评价标准见表 2。
AUC取值范围 Range of AUC values |
评价标准 Evaluation criterion |
0.5≤AUC<0.6 | 失败 |
0.6≤AUC<0.7 | 较差 |
0.7≤AUC<0.8 | 一般 |
0.8≤AUC<0.9 | 好 |
0.9≤AUC≤1.0 | 极好 |
通过MaxEnt自身提供的模块,即刀切法测定不同环境变量对松材线虫潜在适生区预测的贡献。该方法分别计算“仅此变量”“除此变量”和“所有变量”模拟时的训练得分情况,判定标准为:“仅此变量”时得分较高,说明该因子具有较高的预测能力,对物种分布贡献较大;“除此变量”时得分降低较多时,说明该变量具有较多的独特信息,对物种分布较为重要(王茹琳等,2017)。
2.3 松材线虫适生等级分区将MaxEnt模型输出的Bursaphelenchus_xylophilus_avg.bil文件加载到ArcGIS中,其模拟输出的数值为0~1,值越接近1表示物种越可能存在。采用最大约登指数(Jiménez-Valverde & Lobo,2007)作为阈值对松材线虫在四川省潜在适生分布区进行重新分类,得到3个等级区:0~0.032 4为非适生区,0.032 4~0.237 3为次适生区,0.237 3~1.000 0为最佳适生区。
3 结果与分析 3.1 关键环境变量数据刀切法检验结果显示(图 3),对松材线虫分布贡献较大的环境变量有:最干季均温(bio-9)、最冷季均温(bio-11)、季节性降水变异系数(bio-15)、最湿季降水量(bio-16)、最冷季降水量(bio-19)、最冷月最低温(bio-6)、平均日较差(bio-2)等;19个环境变量相关性检验结果如表 3所示。据二者结果,最终筛选出的6个关键环境变量为:最冷月最低温(bio-6)、年温差(bio-7)、最干季均温(bio-9)、年降水量(bio-12)、季节性降水变异系数(bio-15)、最干季降水量(bio-17)。
环境变量 | bio-1 | bio-2 | bio-3 | bio-4 | bio-5 | bio-6 | bio-7 | bio-8 | bio-9 | bio-10 | bio-11 | bio-12 | bio-13 | bio-14 | bio-15 | bio-16 | bio-17 | bio-18 | bio-19 |
bio-1 | 1.000 | ||||||||||||||||||
bio-2 | 0.984 | 1.000 | |||||||||||||||||
bio-3 | 0.993 | 0.990 | 1.000 | ||||||||||||||||
bio-4 | 0.225 | 0.225 | 0.229 | 1.000 | |||||||||||||||
bio-5 | 0.216 | 0.204 | 0.219 | 0.983 | 1.000 | ||||||||||||||
bio-6 | 0.473 | 0.499 | 0.473 | 0.833 | 0.769 | 1.000 | |||||||||||||
bio-7 | -0.376 | -0.446 | -0.387 | -0.143 | 0.019 | -0.512 | 1.000 | ||||||||||||
bio-8 | 0.197 | 0.186 | 0.199 | 0.990 | 0.998 | 0.775 | -0.006 | 1.000 | |||||||||||
bio-9 | 0.432 | 0.459 | 0.434 | 0.872 | 0.812 | 0.993 | -0.484 | 0.818 | 1.000 | ||||||||||
bio-10 | 0.180 | 0.166 | 0.183 | 0.987 | 0.997 | 0.768 | 0.011 | 0.999 | 0.812 | 1.000 | |||||||||
bio-11 | 0.428 | 0.454 | 0.429 | 0.873 | 0.814 | 0.993 | -0.480 | 0.819 | 1.000 | 0.814 | 1.000 | ||||||||
bio-12 | -0.827 | -0.861 | -0.830 | -0.252 | -0.223 | -0.584 | 0.527 | -0.205 | -0.542 | -0.183 | -0.538 | 1.000 | |||||||
bio-13 | -0.639 | -0.723 | -0.640 | -0.196 | -0.136 | -0.572 | 0.649 | -0.125 | -0.536 | -0.099 | -0.533 | 0.906 | 1.000 | ||||||
bio-14 | 0.004 | 0.026 | 0.003 | 0.930 | 0.907 | 0.732 | -0.079 | 0.920 | 0.777 | 0.917 | 0.780 | -0.054 | -0.114 | 1.000 | |||||
bio-15 | 0.937 | 0.978 | 0.942 | 0.205 | 0.164 | 0.515 | -0.541 | 0.150 | 0.475 | 0.126 | 0.471 | -0.851 | -0.799 | 0.058 | 1.000 | ||||
bio-16 | 0.983 | 0.991 | 0.988 | 0.239 | 0.221 | 0.520 | -0.442 | 0.202 | 0.478 | 0.183 | 0.473 | -0.903 | -0.738 | 0.020 | 0.956 | 1.000 | |||
bio-17 | -0.126 | -0.117 | -0.127 | 0.895 | 0.878 | 0.632 | 0.017 | 0.894 | 0.684 | 0.896 | 0.689 | 0.119 | 0.063 | 0.983 | -0.093 | -0.128 | 1.000 | ||
bio-18 | 0.962 | 0.992 | 0.967 | 0.219 | 0.189 | 0.523 | -0.497 | 0.172 | 0.481 | 0.150 | 0.476 | -0.881 | -0.788 | 0.045 | 0.993 | 0.981 | -0.107 | 1.000 | |
bio-19 | 0.963 | 0.984 | 0.956 | 0.219 | 0.189 | 0.522 | -0.504 | 0.172 | 0.480 | 0.148 | 0.476 | -0.885 | -0.800 | 0.049 | 0.988 | 0.974 | -0.105 | 0.993 | 1.000 |
结合海拔和关键环境变量,共7个变量用于本研究最终模型的构建、计算和分析。
3.2 MaxEnt模型预测能力的验证ROC曲线图表明(图 4):模型分析所得平均测试AUC值为0.960,依据AUC值评价标准,本次模型预测的准确性达到“极好”的标准,即MaxEnt模型对松材线虫在四川省潜在适生区的模拟预测结果可靠。
3.3 松材线虫在四川省的潜在适生区在MaxEnt模型预测结果的基础上,结合松墨天牛的空间分布,按照最佳适生区、次适生区和非适生区3个等级划分,得到基于MaxEnt模型和传播媒介分布的松材线虫在四川省的潜在适生区(图 5)。由该图可知:松材线虫在四川省当代环境条件下的最佳适生区主要分布在宜宾、广安、达州、自贡、乐山和眉山的交汇处以及凉山彝族自治州的中部地区;次适生区主要分布在内江、资阳、遂宁、泸州、巴中、广元、绵阳、德阳、成都、雅安、攀枝花及凉山彝族自治州的部分地区。总体来看,松材线虫的适生区主要分布在四川省的东部以及中部部分地区,总面积为125 275 km2,占四川省总面积的25.81%,其中,最佳适生区面积为36 541 km2,次适生区面积为88 734 km2,分别占适生区总面积的29.17%和70.83%。
3.4 松材线虫地理分布与环境变量的关系利用刀切法检测7个变量对松材线虫潜在适生区贡献大小结果见图 6。最干季均温(bio-9)和季节性降水变异系数(bio-15)是影响松材线虫适生区分布的关键变量,二者训练增益值均超过1.4;其次分别为最冷月最低温(bio-6)、海拔、年温差(bio-7)和年降水量(bio-12),训练增益值均为1.0~1.4,是较为重要的变量;最干季降水(bio-17)的贡献不明显。
由图 7可知,松材线虫适生的最干季均温适值范围在1.5~8.0 ℃,最适值为6.4 ℃ (图 7:A);季节性降水变异系数适值范围在22.5%~34.0%,最适值为34.0% (图 7:B);最冷月最低温范围在0.4~2.5 ℃,最适值为1.9 ℃ (图 7:C);适生海拔范围在250~5 500 m,最适值为450 m (图 7:D);年温差的适值范围在5.9~9.1 ℃,最适值为5.9 ℃(图 7:E);年降水量的适值范围在64~135 mm,最适值为68 mm (图 7:F)。
4 讨论本研究预测结果表明,松材线虫在四川省的适生区主要分布在东部及中部部分地区,这与于治军等(2018)的研究结果一致。在松材线虫的适生区,且已发生严重该病害的地区,如广安市邻水县、达州市通川区、自贡市富顺县、宜宾市宜宾县和翠屏区等,可采用理化和生防等方法,结合当地实际情况,制定出科学合理、切实有效的措施以控制松材线虫,并及时清除侵染病害的疫木,防止向其他地区扩散蔓延;对于潜在适生但还未发生该病害的地区,如资阳市、内江市和遂宁市等,必须建立完善的检查机制,全面监测、及时发现、及早消除(黄麟等,2009);对于非适生区,在保持警惕的同时,可通过选育对松材线虫抵抗力较强的松树品种和改善单一的松林结构等方法加强松树自身对该虫的抗性,以减少被侵染的概率。
松墨天牛成虫是松材线虫的主要自然传播媒介,研究表明其体内平均携线虫量约18 000条(Mamiya,1983),最多可达289 000条(Linit,1988),主要通过补充营养将感病松树体内的松材线虫传递到健康松树,使之染病(杨希,2009)。杨宝君(1995)研究认为,媒介天牛的自然传播距离、方向、范围、携虫能力及在林地中的分布代表了松材线虫的自然扩散规律,这与本文基于MaxEnt模型和自然传播媒介的分析结果一致,即松材线虫在四川省的潜在适生区与松墨天牛的分布区基本吻合。基于此,对有松墨天牛分布但暂无松材线虫病害发生的地区,如凉山彝族自治州的西部、东部,甘孜藏族自治州的东部,阿坝藏族羌族自治州的南部等,应做好监测工作,防止松材线虫通过松墨天牛传入扩散,引发松材线虫病。
基于刀切法检验结果,影响松材线虫发生的主要变量为最干季均温、季节性降水变异系数、最冷月最低温、海拔、年温差和年降水量等。在四川省发生松材线虫病的树种主要是喜阳耐干旱瘠薄的马尾松Pinus massoniana和云南松Pinus yunnanensis,过多的降水和过低的温度都会使其长势衰弱(张田,2010),抵抗力下降,一旦松材线虫传入,易被侵染,发生病害;孔维娜等(2006)研究发现,湿度影响松墨天牛的羽化率,即湿度越高,羽化率越大,推测松墨天牛数量的增加会在一定程度上加大对松材线虫的自然传播概率;刘会香等(2012)认为400 m以下的低海拔地区为松材线虫入侵和定殖的高风险区,与本研究所得出的松材线虫最适海拔450 m的结果基本一致。
松材线虫病的发生是多重因素互作的结果,除了本研究中提到环境、地形、传播媒介等因子外,还有其他因子,如土壤、树种、林木类型、人为干扰等。本文预测的适生区主要指现今环境和媒介因子条件下适于松材线虫发生的地区。限于收集的数据和资料,本研究未考虑其他影响因子。
致谢: 本研究得到四川省森林病虫防治检疫总站大力支持,经其同意并授权使用四川省林业有害生物普查平台的有关松材线虫病的调查数据。所有参与四川省林业有害生物普查工作的各市(州)县的单位、组织和个人,在此一并致谢。柴希民, 蒋平. 2003. 松材线虫病的发生和防治[M]. 北京: 中国农业出版社. |
陈凤毛, 汤坚, 叶建仁. 2005. 松材线虫病鉴定方法与评价[J]. 安徽农业大学学报, 32(1): 22–25. DOI:10.3969/j.issn.1672-352X.2005.01.007 |
陈守常. 2010. 松材线虫病病原与致病机理研究进展[J]. 四川林业科技, 31(1): 18–25. DOI:10.3969/j.issn.1003-5508.2010.01.004 |
国家林业局. 2018.国家林业局公告(2018年第1号)[EB/OL]. [2018-02-07]. http://www.forestry.gov.cn/portal/main/s/4461/content-1074329.html. |
黄麟, 叶建仁, 刘雪莲. 2009. 松材线虫病病原种群分化研究现状[J]. 南京林业大学学报(自然科学版), 33(4): 135–139. DOI:10.3969/j.issn.1000-2006.2009.04.030 |
孔维娜, 王慧, 李捷, 等. 2006. 温湿度对松墨天牛越冬幼虫寿命的影响[J]. 山西农业大学学报(自然科学版), 26(3): 294–295. DOI:10.3969/j.issn.1671-8151.2006.03.027 |
刘会香, 吕全, 马跃, 等. 2012.山东省松材线虫病的发生和研究进展[C].南京: 中国林业青年学术论坛. |
宋玉双. 2013. 中国松材线虫防控[M]. 哈尔滨: 东北林业大学出版社. |
王茹琳, 李庆, 封传红, 等. 2017. 基于MaxEnt的西藏飞蝗在中国的适生区预测[J]. 生态学报, 37(24): 8556–8566. |
王运生, 谢丙炎, 万方浩, 等. 2007. ROC曲线分析在评价入侵物种分布模型中的应用[J]. 生物多样性, 15(4): 365–372. DOI:10.3321/j.issn:1005-0094.2007.04.005 |
谢辉. 2005. 植物线虫分类学[M]. 北京: 高等教育出版社. |
杨宝君. 1995. 中国松材线虫病的流行与治理[M]. 北京: 中国林业出版社. |
杨希. 2009. 利用松墨天牛早期监测松材线虫病的研究[J]. 武夷科学, 25(1): 36–43. |
于治军, 李硕, 周艳涛, 等. 2018. 不同增温模式下我国松材线虫适生分布模拟与预测[J]. 东北林业大学学报, 46(1): 85–91. DOI:10.3969/j.issn.1000-5382.2018.01.017 |
张田. 2010.福建省三明市松材线虫病遥感监测预测研究[D].北京: 北京林业大学. |
Čerevková A, Mota M, Vieira P. 2014. Bursaphelenchus xylophilus (Steiner & Buhrer, 1934) Nickle 1970-pinewood nematode: a threat to European forests[J]. Forestry Journal, 60(2): 125–129. DOI:10.2478/forj-2014-0013 |
Jiménez-Valverde A, Lobo JM. 2007. Threshold criteria for conversion of probability of species presence to either-or presence-absence[J]. Acta Oecologica, 31(3): 361–369. DOI:10.1016/j.actao.2007.02.001 |
Kishi Y. 1995. The pine wood nematode and Japanese pine sawyer[M]. Tokyo: Forest Pests in Japan. |
Lemke D, Hulme PE, Brown JA, et al. 2011. Distribution modelling of Japanese honeysuckle (Lonicera japonica) invasion in the Cumberland Plateau and Mountain Region, USA[J]. Forest Ecology and Management, 262(2): 139–149. DOI:10.1016/j.foreco.2011.03.014 |
Li BN, Wei W, Ma J, et al. 2009. Maximum entropy niche-based modeling (Maxent) of potential geographical distributions of fruit flies Dacus bivittatus, D. vertebrates (Diptera: Tephritidae)[J]. Acta Entomologica Sinica, 52(10): 1122–1131. |
Li R, Xu M, Wong MHG, et al. 2015. Climate change threatens giant panda protection in the 21st century[J]. Biological Conservation, 182(182): 93–101. |
Linit MJ. 1988. Nemtaode-vector relationships in the pine wilt disease system[J]. Journal of Nematology, 20(2): 227–235. |
Mamiya Y, Enda N. 1972. Transmission of Bursaphelenchus lignicolus (Nematoda: Aphelenchoididae) by Monochamus alternatus (Coleoptera: Cerambycidae)[J]. Nematologica, 18(2): 159–162. DOI:10.1163/187529272X00395 |
Mamiya Y. 1983. Pathology of the pine wilt disease caused by Bursaphelenchus xylophilus[J]. Annual Review of Phytopathology, 21(21): 201–220. |
Phillips SJ, Anderson RP, Schapire RE. 2006. Maximum entropy modeling of species geographic distributions[J]. Ecological Modelling, 190(3): 231–259. |
Swets JA. 1988. Measuring the accuracy of diagnostic systems[J]. Science, 240(4857): 1285–1293. DOI:10.1126/science.3287615 |
Yang XQ, Kushwaha SPS, Saran S, et al. 2013. Maxent modeling for predicting the potential distribution of medicinal plant, Justicia adhatoda L. in Lesser Himalayan foothills[J]. Ecological Engineering, 51(1): 83–87. |