2020, Vol. 40
文章信息
- 陆双飞, 陈禹衡, 周斯怡, 殷晓洁
- LU Shuangfei, CHEN Yuheng, ZHOU Siyi, YIN Xiaojie
- 西南地区松属乔木对气候变化的响应
- Responses of Pinus species to climate change in southwestern China
- 森林与环境学报,2020, 40(5): 466-477.
- Journal of Forest and Environment,2020, 40(5): 466-477.
- http://dx.doi.org/10.13324/j.cnki.jfcf.2020.05.003
-
文章历史
- 收稿日期: 2020-05-10
- 修回日期: 2020-07-21
2. 南京林业大学生物与环境学院, 江苏 南京 210037
2. College of Biology and the Environment, Nanjing Forestry University, Nanjing, Jiangsu 210037, China
热量和水分是决定区域尺度上植物地理分布的主要环境因素[1]。以温暖化为主要特征的气候变化，将导致热量和水分在数量和空间上的变化，进而引起植物分布的变化。这一变化过程可能发生种群的局部灭绝或高度分散[2]。政府间气候变化专门委员会(Intergovernmental Panel on Climate Change，IPCC)第五次评估报告指出，相对于1986—2005年，2081—2100年的地球平均温度将升高0.3~4.8 ℃[3]。已有研究表明，未来气候下物种分布区可能发生不同程度的收缩或扩张[4-5]。
松属(Pinus)是松科(Pinaceae)中最大的属，全球100余种。我国松属资源丰富，自然分布22种10变种，引种栽培16种2变种[6]。松属植物具有极高的生态价值[7]、经济价值和医药价值[8]。中国西南是全球25个生物多样性热点地区之一[9]，也是中国裸子植物分布的中心[10]。然而，由于特殊的地理位置和地形地貌，使西南地区成为对气候变化最为敏感的地区之一[11]。因此，对该地区松属乔木对气候变化响应的研究意义重大。
采用最大熵模型(maximum entropy model，MaxEnt model)对西南地区12种松属乔木当前和未来气候情景下的潜在地理分布进行模拟，以期回答：①影响12种松属乔木分布的主导环境因子是什么？②当前和未来气候情景下12种松属乔木的潜在分布格局怎样？③潜在分布区的环境特征如何？在区域尺度上，为气候变化下西南地区松属乔木资源的保护和可持续经营提供理论参考。
1 材料与方法 1.1 研究区概况西南地区包括了以云贵高原为中心的云南省、贵州省、重庆市、四川省及西藏自治区的一部分，总面积113.74万km2，占我国国土面积的11.84%，境内海拔高差较大，地形复杂多样，因此有着极其丰富的针叶林资源[13]。该地区有着众多我国特有的松属乔木如云南松(Pinus yunnanensis Franch.)、细叶云南松(Pinus yunnanensis var.tenuifolia Cheng et Law)、思茅松[Pinus kesiya (A.Chev.) Gaussen.]、毛枝五针松(Pinus wangii Hu et Cheng)等树种，同时也有巴山松[Pinus tabuliformis var.henryi (Masters) C.T.Kuan]、华南五针松(Pinus kwangtungensis Chun ex Tsiang)、乔松(Pinus wallichiana A.B.Jackson)等南方特有树种及华山松(Pinus armandii Franch.)、白皮松(Pinus bungeana Zucc.et Endi)等全国广布树种。但由于对森林长期的过度采伐、不合理的耕作方式和矿产资源开发等导致该地区的森林资源破坏严重，大面积的以松属乔木为建群种的林分遭到了破坏[14]。因此确定西南地区松属物种的适宜区对当地的天然林保护工程建设有着重要意义。
1.2 松属物种分布数据松属树种的地理分布信息主要通过4个途经获取：①中国数字植物标本馆(http://www.cvh.ac.cn/)，②国家标本资源共享平台(http://www.nsii.org.cn/)，③全球生物多样性信息网络平台(http://www.gbif.org)，④中国期刊全文数据库(https://www.cnki.net/)。对于缺少准确坐标信息的分布记录，需精确到县级以下，通过百度坐标拾取系统(http://www.gpsspg.com/maps.htm)确定经纬度信息，并通过使用Google Earth (http://earth.google.com)卫星地图依据植物分布的具体生境来检验信息的准确性。每个1 km×1 km栅格中只随机保留1个分布点[12]。最终整理得到共计1 329条有效数据(图 1)，将其汇总保存为CSV格式用于MaxEnt进行物种分布模型的建立。
|
图 1 松属乔木的样点分布图 Fig. 1 Sample points distribution of Pinus species |
气候数据来源于世界气候数据库(http://www.worldclim.org)，空间分辨率为30″ (约1 km×1 km)。采用当前气候(1950—2000年)及未来气候情景2070年(2060—2080年)数据。未来气候数据由中国国家气候中心开发的BCC_ CSM1-1模型产生，其对温度和降水等各变量的预测有较高精度[15]。未来气候情景选择代表性浓度路径4.5 (representative concentration pathway 4.5，RCP4.5)，该模式情景与目前减排趋势相对应[16]。土壤数据来源于中国科学院寒区旱区科学数据中心(http://westdc.westgis.ac.cn)，其基于第二次全国土地调查南京土壤所提供的1 : 100万土壤数据制作，栅格大小约为1 km2。数字高程模型(digital elevation model，DEM)数据来源于中国科学院计算机网络信息中心国际科学数据镜像网站(http://www.gscloud.cn)，空间分辨率为90 m，利用ArcGIS的表面分析工具提取得到海拔、坡度、坡向数据。利用ArcGIS将环境因子数据的分辨率重采样为30"，数据格式转换为ASCII (表 1)。中国矢量地图来源于国家基础地理信息中心(http://www.ngcc.cn/ngcc/)的公益性地图。
| 类型Type | 环境因子描述Description of environmental factors |
| 温度Temperature | 年平均气温Annual mean temperature(BIO1) |
| 最暖月最高气温Maximum temperature of the warmest month(BIO5) | |
| 最冷月最低气温Minimum temperature of the coldest month(BIO6)* | |
| 最湿季平均气温Mean temperature of the wettest quarter(BIO8) | |
| 最干季平均气温Mean temperature of the driest quarter(BIO9) | |
| 最暖季平均气温Mean temperature of the warmest quarter(BIO10) | |
| 最冷季平均气温Mean temperature of the coldest quarter(BIO11) | |
| 温度变化Temperature variation | 气温日较差Mean temperature diurnal range(BIO2)* |
| 等温性Isothermality(BIO3)* | |
| 气温的季节性Temperature seasonality(BIO4)* | |
| 温度的年较差Temperature annual range(BIO7) | |
| 降水Precipitation | 年降水量Annual precipitation(BIO12)* |
| 最湿月降水量Precipitation of the wettest month (BIO13) | |
| 最干月降水量Precipitation of the driest month(BIO14) | |
| 最湿季降水量Precipitation of the wettest quarter(BIO16) | |
| 最干季降水量Precipitation of the driest quarter(BIO17) | |
| 最暖季降水量Precipitation of the warmest quarter(BIO18) | |
| 最冷季降水量Precipitation of the coldest quarter(BIO19) | |
| 降水变化Precipitation variation | 降水的季节性Precipitation seasonality(BIO15)* |
| 土壤Soil | 碎石体积百分比Volume percentage of the gravel in the topsoil(T_GRAVEL) |
| 沙含量Percentage of the sand in the topsoil(T_SAND) | |
| 淤泥含量Percentage of the silt in the topsoil(T_SILT) | |
| 黏土含量Percentage of the clay in the topsoil(T_CLAY)* | |
| 土壤质地Topsoil texture class name and code(T_USDA_TEX)* | |
| 土壤容重Topsoil reference bulk density(T_REF_BULK) | |
| 表层土壤有机碳含量Percentage of the organic carbon in the topsoil(T_OC) | |
| 土壤酸碱度Topsoil pH(T_pH_H2O)* | |
| 黏性层土壤阳离子交换能力Cation exchange capacity of the clay fraction in the topsoil(T_CEC_CLAY) | |
| 表层土壤的阳离子交换能力Cation exchange capacity in the topsoil(T_CEC_SOIL) | |
| 表层土壤基础饱和度Base saturation in the topsoil(T_BS) | |
| 表层土壤碳酸盐或石灰含量Calcium carbonate content in the topsoil(T_CACO3) | |
| 表层土壤中可交换的钠离子Exchangeable sodium percentage in the topsoil(T_ESP) | |
| 表层土壤电导率Electrical conductivity of the topsoil(T_ECE) | |
| 表层土壤交换性盐基总量Total exchangeable bases in the topsoil(T_TEB) | |
| 地形Terrain | 海拔Altitude(ALT)* |
| 坡度Slope(SLO)* | |
| 坡向Aspect(ASP)* | |
| 注：*表示经筛选后参与MaxEnt建模的环境因子。Note：*shows environmental factors involved in MaxEnt modeling after filtering. | |
为避免模型的过度拟合，提高模拟精度和实际生产中的可用性，需对环境因子按类别(温度、温度变化、降水、降水变化、地形和土壤6类)进行筛选，将贡献率低和性质相近的环境因子剔除[12]。首先利用37个环境因子和8个松属乔木地理分布数据，通过MaxEnt模型进行初步模拟，筛选出贡献率大于1.0%的因子；利用ArcGIS的波段集统计(band collection statistics)工具，对环境变量进行Pearson相关检验分析(图 2) [17]。若同类环境影响因子中有2个或以上的环境影响因子相关性系数| r| ≥0.8，则保留贡献率最高的因子参与最终模拟，筛选结果如表 1所示。
|
图 2 环境因子相关性系数矩阵 Fig. 2 Pearson correlation coefficients (r) among environmental factors |
最大熵模型以最大熵理论为基础[18]，该理论可解释为，一个物种在没有约束的情况下，会尽最大可能扩散，接近均匀分布[19]。物种分布点所蕴含的气候、海拔和土壤等约束信息降低了熵，最大熵模型选取熵最大的分布作为最优分布[20]。在众多物种分布模型算法中，MaxEnt因其相对于其他建模方法具有预测精度高，在物种分布点较少的情况下仍能得到较准确的结果等优点而被广泛应用于入侵生物管理、造林区规划、生物多样性保护等研究[21-22]。研究表明，对于只有物种“存在”数据的情况下，MaxEnt模型的预测能力优于GARP、ENFA、Bioclim等其他物种分布模型[23-24]。因此采用MaxEnt模型进行西南地区松属乔木地理分布模拟。
将12个松属物种的分布样点数据与筛选出的12个环境影响因子数据导入MaxEnt模型进行物种地理分布模拟。随机选择75%的分布数据作为训练集，剩余25%的分布数据作为测试集，重复运算10次取平均值。若为未来气候下的潜在分布预测，需在“Projection layers directory/file”中添加未来某时段相对应的环境因子数据，以获得构建的当前关系模型在未来气候情景下的投影结果，即未来地理分布。使用受试者工作特征曲线(receiver operating characteristics curve，ROC curve)下的面积(the area under the ROC curve，AUC)进行模型的模拟精度检验[25]。AUC值的范围为[0.5，1]，其值越大表示模型准确性越高，当AUC值大于0.8时，表明模型的预测精度“很准确”[26]。根据MaxEnt模型输出的环境因子百分比贡献率评价各环境因子对模型的相对贡献，筛选影响松属乔木地理分布的主导环境因子。将累积贡献率超过90%的参与累积的因子作为主导因子，通过主导因子的响应曲线分析西南地区松属乔木潜在分布区的环境特征。
最大熵模型以ASCII格式输出物种在每个栅格内的存在概率(P)，取值范围为[0, 1]。采用最大的训练敏感性和特异性(maximum training sensitivity plus specificity，MaxSS)方法确定阈值(y)，当植物在某一地区的存在概率P < y时，定义为非适宜区[27]。在此基础上，参考IPCC关于评估可能性的划分标准[28]，将研究区松属乔木的适生等级划分为3类：P＜y为非适宜区；y≤P＜0.66为低适宜区；P≥0.66为高适宜区。
2 结果与分析 2.1 模型准确性评价西南地区12种松属乔木的地理分布模拟结果AUC均值如表 2所示。AUC均值最大的是思茅松(0.987，标准误差为0.003)，最小的是油松(0.896，标准误差为0.023)。模型的AUC均值都大于0.8，模拟精度均达到“很准确”的水平，且标准误差值较低，反映出模型在不同重复之间具有较好的稳定性。因此，MaxEnt模型可用于12种松属乔木物种的潜在分布预测研究。
| 代码 Code |
物种名 Species name |
AUC值 AUC value |
阈值 Threshold |
质心移动距离Migration distance with centroids/km | |
| 高适宜区 Highly suitable region |
低适宜区 Low suitable region |
||||
| HS | 华山松Pinus armandii | 0.924±0.024 | 0.254±0.077 | 77 | 665 |
| BP | 白皮松Pinus bungeana | 0.947±0.009 | 0.237±0.044 | 241 | 184 |
| GS | 高山松Pinus densata | 0.963±0.019 | 0.101±0.055 | 156 | 9 |
| SM | 思茅松Pinus kesiya | 0.987±0.003 | 0.110±0.063 | 128 | 323 |
| HN | 华南五针松Pinus kwangtungensis | 0.961±0.009 | 0.206±0.029 | 733 | 392 |
| MW | 马尾松Pinus massoniana | 0.914±0.004 | 0.283±0.036 | 498 | 16 |
| YS | 油松Pinus tabuliformis | 0.896±0.023 | 0.291±0.055 | 578 | 10 |
| BS | 巴山松Pinus tabuliformis var.henryi | 0.970±0.019 | 0.316±0.047 | 201 | 527 |
| QS | 乔松Pinus wallichiana | 0.984±0.003 | 0.110±0.071 | 823 | 962 |
| MZ | 毛枝五针松Pinus wangii | 0.968±0.017 | 0.143±0.052 | 759 | 665 |
| YN | 云南松Pinus yunnanensis | 0.953±0.011 | 0.203±0.038 | 113 | 238 |
| XY | 细叶云南松Pinus yunnanensis var.tenuifolia | 0.985±0.011 | 0.190±0.075 | 48 | 175 |
模型计算的西南地区12种松属乔木的MaxSS逻辑阈值如表 2所示，利用ArcGIS重分类工具根据适宜区划分标准进行潜在分布的可视化，得到当前(2000)和未来(2070 RCP4.5)松属乔木在中国境内的适生性分区(图 3~图 5)。
|
注：A表示当前气候情景，B表示2070 RCP4.5气候情景，C表示适宜区质心变化，S1表示低适宜区面积(104 km2)，S2表示高适宜区面积(104 km2)。 Note:A refers to current climate scenario, B to the 2070 RCP4.5 climate scenario, C to the changes of centroids of suitable regions, S1 to the area of low suitable regions (104 km2), and S2 to the area of highly suitable regions (104 km2). 图 3 细叶云南松等4种松属乔木的潜在适宜区及其质心 Fig. 3 Potential suitable regions and centroids of 4 Pinus species including Pinus yunnanensis var.tenuifolia |
|
注：A表示当前气候情景，B表示2070 RCP4.5气候情景，C表示适宜区质心变化，S1表示低适宜区面积(104 km2)，S2表示高适宜区面积(104 km2)。 Note:A refers to current climate scenario, B to the 2070 RCP4.5 climate scenario, C to the changes of centroids of suitable regions, S1 to the area of low suitable regions (104 km2), and S2 to the area of highly suitable regions (104 km2). 图 4 巴山松等4种松属乔木的潜在适宜区及其质心 Fig. 4 Potential suitable regions and centroids of 4 Pinus species including Pinus tabuliformis var.henryi |
|
注：A表示当前气候情景，B表示2070 RCP4.5气候情景，C表示适宜区质心变化，S1表示低适宜区面积(104 km2)，S2表示高适宜区面积(104 km2)。 Note:A refers to current climate scenario, B to the 2070 RCP4.5 climate scenario, C to the changes of centroids of suitable regions, S1 to the area of low suitable regions (104 km2), and S2 to the area of highly suitable regions (104 km2). 图 5 华南五针松等4种松属乔木的潜在适宜区及其质心 Fig. 5 Potential suitable regions and centroids of 4 Pinus species including Pinus kwangtungensis |
当前气候下的潜在地理分布范围方面。细叶云南松的分布范围最窄，主要集中在云南、贵州和广西3省交界地区。其低适宜区面积为15.73×104 km2，高适宜区面积为2.56×104 km2 (图 3)。马尾松的分布范围最广，分布于秦岭-淮河以南的四川东部、贵州、重庆、广西、湖南、湖北、广东、江西、安徽、福建及浙江等地。其低适宜区面积为138.45×104 km2，高适宜区位于重庆东部、湖北西部和贵州东北部地区，面积为9.07×104 km2 (图 5)。思茅松适宜区主要集中于除滇西北、滇东北以外的云南大部和海南省，高适宜区仅云南普洱和西双版纳地区(图 3)。乔松主要分布于西藏南部、云南西北部以及四川西部和南部地区(图 3)。云南松、高山松和华山松适宜区范围较为相似，主要分布于四川盆地周边以及云南大部，西藏东南部也有分布(图 3和图 4)。巴山松主要分布于大巴山东段和巫山地区，高适宜区集中于重庆、湖北和贵州交界地区(图 4)。毛枝五针松分布于云南南部和东南部、贵州南部以及南岭山脉以南和武夷山以东地区，高适宜区集中于云南东南部的文山州，仅占总适宜区面积的4% (图 4)。华南五针松潜在地理分布范围包括重庆、贵州、江西、福建、江苏、华南3省以及湖南西部和南部地区，高适宜区位于广西和广东两省北部。白皮松和油松的潜在分布区纬度较高，呈西南-东北走向，沿四川东北部、重庆、贵州北部、甘肃南部、陕西、山西和河北北部一直延伸辽宁南部，其中油松分布较广，在西藏东南部等地也有分布(图 5)。
未来气候下潜在地理分布面积变化。2070 RCP4.5气候情景下，乔松、思茅松、细叶云南松3个树种的适宜区面积增加最大，分别增加了87.06%、54.23%、47.18% (图 3)。其中，思茅松的高适宜区面积(S2)增长比例较大，增长了137.32%。特别地，细叶云南松虽然适宜区总体呈现扩张趋势，但高适宜区却呈现收缩趋势，由当前的2.56×104 km2减少为2070 RCP4.5气候情景下的2.04×104 km2，减少了20.31%。云南松、高山松和华山松3个树种的适宜区面积增加也较大，分别增加了29.50%、26.21%和14.25% (图 3和图 4)。其中，云南松的高适宜区面积增加最大，由当前的5.84×104 km2增加至2070 RCP4.5气候情景下的16.46×104 km2，增加了181.85% (图 3)。油松的适宜区扩张范围最小，适宜区总面积增加了1.27%，但高适宜区面积减少了6.54%。2070 RCP4.5气候情景下，马尾松、华南五针松、白皮松、毛枝五针松和巴山松5个树种的适宜区出现了收缩(图 4和图 5)。其中，巴山松的适宜区范围收缩最大，低适宜区和高适宜区面积分别减少了59.36%和67.47% (图 4)。马尾松的低适宜区面积增加了1.83%，但高适宜区面积却下降了86%，而白皮松低适宜区面积减少了26.14%，但高适宜区面积增加了48.95 % (图 5)。
未来气候下潜在地理分布空间变化。2070 RCP4.5气候情景下，西南地区12种松属乔木不同等级适宜区的质心沿不同方向发生变化，且移动距离差异较大(图 3~图 5)。除思茅松和毛枝五针松外，整体上呈现出向西偏北或东偏北的高海拔高纬度地区移动。思茅松的高适宜区质心由于2070 RCP4.5气候情景下高适宜区面积的增加而向西移动128 km (表 2，图 3)，毛枝五针松的高适宜区质心则由于云南境内适宜区的锐减而向东南方向移动759 km (表 2，图 4)。
2.3 松属乔木潜在分布区的环境特征MaxEnt模型输出的各环境因子对西南地区12种松属乔木潜在分布的百分比贡献率(percent contribution，PC)如图 6所示。年降水量(BIO12，PC=27.61%)＞最冷月最低气温(BIO6，PC=18.42%)＞气温的季节性(BIO4，PC=14.81%)＞海拔(ALT，PC=8.26%)＞等温性(BIO3，PC=7.20%)＞土壤质地(T_ USDA_ TEX，PC=5.64%)＞气温日较差(BIO2，PC=4.38%)＞降水的季节性(BIO15，PC=4.09%) 8个环境因子的平均百分比贡献率之和为90.41%，为影响西南地区12种松属乔木潜在地理分布的主导环境因子。
不同物种对环境因子的要求存在差异，根据环境因子与物种存在概率的关系，得到主导环境因子在松属乔木适宜区的变化范围如表 3所示。影响西南地区12个松属乔木分布的主导环境因子年降水量(BIO12)在适宜区的平均变化范围为647~2 600 mm，最冷月最低气温(BIO6)平均变化范围为-8~10 ℃，气温的季节性(BIO4)的范围为358~756，海拔(ALT)平均变化范围为281~3 054 m，等温性(BIO3)平均变化范围为25~45，气温日较差(BIO2)平均变化范围为6~11 ℃，降水的季节性(BIO15)平均变化范围为43~99。其中，分类型环境因子土壤质地(T_ USDA_ TEX)主要为3 (轻黏土)、7 (粉壤土)、10 (砂黏壤土)。
| 物种代码 Species code |
环境因子在适宜区的变化范围Variation range of environmental factors in the suitable regions | |||||||
| BIO2/℃ | BIO3 | BIO4 | BIO6/℃ | BIO12/mm | BIO15 | ALT/m | T_USDA_TEX | |
| GS | 6~15 | 28~53 | 300~800 | -15~5 | 550~1 300 | 42~118 | 1 400~4 500 | 3、7、9、12 |
| HS | 5~12 | 23~53 | 280~840 | -12~9 | 600~1 800 | 55~95 | 800~1 100 | 3、9、10、12 |
| MW | 5~10 | 22~35 | 460~920 | -7~11 | 800~2 500 | 45~75 | 0~1 900 | 3、4、7、9、10、12 |
| YS | 5~10 | 19~34 | 300~1 300 | -17~2 | 450~1 700 | 29~69 | 0~4 000 | 3、7、9、10、12 |
| YN | 6~12 | 33~51 | 300~680 | -11~15 | 650~2 400 | 59~100 | 800~3 900 | 2~5、7、9~13 |
| XY | 5~10 | 27~51 | 390~650 | 1~18 | 1 000~1 650 | 60~98 | 100~2 500 | 3、7 |
| SM | 6~11 | 38~51 | 300~500 | 2~18 | 800~3 500 | 60~100 | 50~3 600 | 3、7、10 |
| BS | 5~9 | 17~34 | 300~940 | -8~3 | 800~2 100 | 29~76 | 0~2 900 | 9、10 |
| QS | 8~17 | 33~51 | 330~720 | -16~6 | 250~4 350 | 50~120 | 120~5 000 | 2~5、7、9~13 |
| HN | 5~9 | 23~39 | 410~810 | -2~15 | 1 100~3 900 | 41~80 | 0~1 750 | 3、7、10 |
| MZ | 5~9 | 21~51 | 300~790 | -4~19 | 110~4 300 | 31~108 | 0~3 100 | 3、7、10 |
| BP | 5~13 | 20~34 | 620~119 | -14~1 | 650~1 700 | 19~150 | 100~2 400 | 2~5、7、9~13 |
| 均值Mean | 6~11 | 25~45 | 358~756 | -8~10 | 647~2 600 | 43~99 | 281~3 054 | |
| 注：土壤质地代码含义见表 4。Note：the meaning of the soil texture code is shown in Table 4. | ||||||||
| 代码 Code |
土壤质地描述 Soil texture description |
| 1 | 重黏土Clay (heavy) |
| 2 | 粉黏土Silty clay |
| 3 | 轻黏土Clay (light) |
| 4 | 粉黏壤土Silty clay loam |
| 5 | 黏壤土Clay loam |
| 6 | 粉土Silt |
| 7 | 粉壤土Silt loam |
| 8 | 砂黏土Sandy clay |
| 9 | 壤土Loam |
| 10 | 砂黏壤土Sandy clay loam |
| 11 | 砂壤土Sandy loam |
| 12 | 壤砂土Loamy sand |
| 13 | 砂土Sand |
将百分比贡献率最高的环境因子作为最主要环境因子，其与松属乔木存在概率之间的响应曲线如图 7所示。乔松的存在概率与等温性(BIO3)呈负偏态关系，峰值约为41；思茅松的存在概率与气温的季节性(BIO4)呈负相关关系，分布上限为300。而云南松的存在概率与气温的季节性则近似呈正偏态关系，峰值为450，上限为680。白皮松、马尾松和巴山松的存在概率与最冷月最低气温(BIO6)近似呈正态分布，峰值分别为-6、0和-4 ℃；年降水量(BIO12)与华山松、华南五针松、油松、油松、毛枝五针松和细叶云南松的存在概率近似呈现正偏态关系，峰值分别为900、1 600、510、1 400和1 250 mm；高山松的存在概率与海拔(ALT)近似呈正态分布关系，最适宜的海拔段为2 400~3 400 m。
|
图 7 西南地区松属乔木最主要环境因子的响应曲线 Fig. 7 Response curves of the most important environmental factors for the Pinus species in southwestern China |
采用最大熵模型对西南地区12种松属乔木当前和未来气候情景下的潜在地理分布进行模拟。研究结果表明，乔松、思茅松、细叶云南松、云南松、高山松、华山松和油松的适宜区总体呈现扩张趋势，而细叶云南松和油松高适宜区面积则有所减小；而巴山松、毛枝五针松、白皮松、华南五针松和马尾松的适宜区呈缩小趋势。除思茅松和毛枝五针松两个分布纬度较低的树种在未来气候下，适宜区质心分别向西南和东南方移动，其余树种的适宜区质心大致向东北或西北方向移动。西南松属植物适宜区年降水量的平均变化范围为647~2 600 mm，最冷月最低气温的范围为-8~10 ℃，气温的季节性为358~756，海拔均值为281~3 054 m，等温性范围为25~45，气温日较差范围为6~11 ℃，降水的季节性范围为43~99。土壤质地主要为轻黏土、粉壤土和砂黏壤土。该结果对松属植物资源的保护、造林区规划以及可持续经营等具有一定指导意义。
3.1 松属乔木潜在分布区变化的原因植物地理分布是多种因素综合作用的结果，各类环境因子对不同物种的作用不同，每一物种均有决定其物种分布范围的主导因子，随着主导因子的变化，物种的分布面积将会随之变化。确定主导环境因子有助于定量描述环境与目标物种地理分布之间的关系，在简化关系的同时不至于丢失过多有价值的信息[29]。本研究根据12个松属树种的平均百分比贡献率，筛选出8个主导环境因子，其中地形和土壤则被认为是影响物种丰富度小尺度分布格局的重要因子[30-31]。
气候被认为是影响植物分布大尺度格局的主要因素[32]。气候类因子对西南地区松属乔木潜在分布的累计贡献率最高，达76.51%，这与有关西南常见针叶树分布研究的结果相符[16]。气候变化对物种分布甚至存亡具有重要的影响，未来气候下物种分布范围的收缩和扩张已被大量研究证实[33]，关于针叶树种的研究显示物种分布范围变化方向和程度不尽相同[5-16]。随着全球气候变暖与环境更加湿润，所有物种的未来适宜区质心均有向北移动的趋势。巴山松、毛枝五针松、华南五针松和马尾松的适宜区与高适宜区面积的缩小可能与其对气温日较差较为敏感有关，未来气候情景中气温日较差的变化可能会通过改变植物内源激素的分泌从而影响植物繁殖，进而改变植物的适宜区[34]。乔松、思茅松、细叶云南松、云南松、高山松、华山松和油松的适宜区总体呈现扩张趋势则可能与它们在降水量季节变异系数与海拔上有着较强的适应能力有关，未来降水量的季节性变化可能会深刻改变各个地区的地下水径流与土壤含水量，进而对更为耐旱的针叶树种提供了机遇[35]。同时更大的海拔适宜范围意味着这些树种得以在云贵高原有着更大的发展空间。
3.2 对后续研究的展望松属乔木潜在分布模拟的准确性受物种样点数据的采样精度和完整程度、环境变量的选取以及模型参数设置等因素的影响。研究所用物种的地理分布数据主要来源于数字标本馆，由于受到地形和交通等条件的限制，采样点多集中于交通便利的道路附近、自然保护区等特殊区域[29]。这些采样点通常不代表环境梯度的随机样本，导致许多物种的实际分布信息不完整，可能影响模拟结果[36]。巴山松的样点数最少(19个)，而AUC值达0.970，印证了MaxEnt模型受样本容量影响小，在分布点数据较少的情况下也能得到满意的预测结果[37]。马尾松的AUC值较低，为0.914，而其分布范围最广，这与YANG et al[38]的研究相符，说明对于分布较广的物种建立高精度关系模型比较困难。有研究表明土地利用类型对植物分布的影响也十分显著[19]，后续的研究可综合考虑此类对目标物种分布有影响的生物因素数据集，以期获得更加准确的预测结果，同时对于分布范围较广的物种，后续研究可以采用多模型混合应用的方式以提高预测准确度。
| [1] |
周广胜, 张新时. 全球变化的中国气候-植被分类研究[J]. 植物学报(英文版), 1996, 38(1): 8-17. |
| [2] |
REBELO H, TARROSO P, JONES G. Predicted impact of climate change on European bats in relation to their biogeographic patterns[J]. Global Change Biology, 2010, 16(2): 561-576. |
| [3] |
沈永平, 王国亚. IPCC第一工作组第五次评估报告对全球气候变化认知的最新科学要点[J]. 冰川冻土, 2013, 35(5): 1068-1076. |
| [4] |
SONG Y, JIN L, WANG H. Vegetation changes along the Qinghai-Tibet plateau engineering corridor since 2000 induced by climate change and human activities[J]. Remote Sensing, 2018, 10(2): 95. |
| [5] |
DAKHIL M A, XIONG Q, FARAHAT E A, et al. Past and future climatic indicators for distribution patterns and conservation planning of temperate coniferous forests in southwestern China[J]. Ecological Indicators, 2019, 107: e105559. DOI:10.1016/j.ecolind.2019.105559 |
| [6] |
黄健秋, 卫志明. 松属树种的组织培养和原生质体培养[J]. 植物学报, 1994, 11(1): 34-42. |
| [7] |
周跃, 张军, 林锦屏, 等. 西南地区松属侧根的强度特征对其防护林固土护坡作用的影响[J]. 生态学杂志, 2002, 21(6): 1-4. |
| [8] |
刘光明, 吕永俊, 周萍, 等. 松属植物的松塔、松子壳药用开发[J]. 大理学院学报, 2007, 6(12): 77-80. |
| [9] |
MYERS N, MITTERMEIER R A, MITTERMEIER C G, et al. Biodiversity hotspots for conservation priorities[J]. Nature, 2000, 403(24): 853-858. |
| [10] |
李果, 沈泽昊, 应俊生, 等. 中国裸子植物物种丰富度空间格局与多样性中心[J]. 生物多样性, 2009, 17(3): 272-279. |
| [11] |
沈涛, 张霁, 申仕康, 等. 西南地区红花龙胆分布格局模拟与气候变化影响评价[J]. 应用生态学报, 2017, 28(8): 2499-2508. |
| [12] |
武晓宇, 董世魁, 刘世梁, 等. 基于MaxEnt模型的三江源区草地濒危保护植物热点区识别[J]. 生物多样性, 2018, 26(2): 138-148. |
| [13] |
陈彬杭.西南地区森林生态脆弱性随演替和气候的变化[D].北京: 北京林业大学, 2019.
|
| [14] |
郭润小, 白新燕, 宝力道, 等. 中国西南天然林保护工程区森林资源动态变化趋势分析[J]. 中国林业经济, 2019, 4(1): 132-134. |
| [15] |
应凌霄, 刘晔, 陈绍田, 等. 气候变化情景下基于最大熵模型的中国西南地区清香木潜在分布格局模拟[J]. 生物多样性, 2016, 24(4): 453-461. |
| [16] |
陈禹衡, 吕一维, 殷晓洁. 气候变化下西南地区12种常见针叶树种适宜分布区预测[J]. 南京林业大学学报(自然科学版), 2019, 43(6): 113-120. |
| [17] |
陆双飞, 殷晓洁, 韦晴雯, 等. 气候变化下西南地区植物功能型的地理分布响应研究[J]. 生态学报, 2020, 40(1): 310-324. |
| [18] |
PHILLIPS S J, DUDÍK M, SCHAPIRE R E. A maximum entropy approach to species distribution modeling[C]. Banff: Machine Learning, Proceedings of the Twenty-first International Conference (ICML 2004), 2004.
|
| [19] |
PHILLIPS S J, ANDERSON R P, SCHAPIRE R E. Maximum entropy modeling of species geographic distributions[J]. Ecological Modelling, 2006, 190(3): 231-259. |
| [20] |
PHILLIPS S J, DUDÍK M. Modeling of species distributions with MaxEnt:new extensions and a comprehensive evaluation[J]. Ecography, 2008, 31(2): 161-175. DOI:10.1111/j.0906-7590.2008.5203.x |
| [21] |
杜超群, 袁慧, 单华平, 等. 湖北省日本落叶松栽培区划[J]. 森林与环境学报, 2019, 39(3): 273-279. |
| [22] |
林志玮, 涂伟豪, 洪宇, 等. 结合多空间特性的保护区功能分区最优化设计[J]. 森林与环境学报, 2019, 39(3): 248-255. |
| [23] |
曹向锋, 钱国良, 胡白石, 等. 采用生态位模型预测黄顶菊在中国的潜在适生区[J]. 应用生态学报, 2010, 21(12): 3063-3069. |
| [24] |
HERNANDEZ P A, GRAHAM C H, MASTE L L, et al. The effect of sample size and species characteristics on performance of different species distribution modeling methods[J]. Ecography, 2006, 29(5): 773-785. DOI:10.1111/j.0906-7590.2006.04700.x |
| [25] |
MOUTON A M, DE BAETS B, GOETHALS P L. Ecological relevance of performance criteria for species distribution models[J]. Ecological Modelling, 2010, 221(16): 1995-2002. DOI:10.1016/j.ecolmodel.2010.04.017 |
| [26] |
殷晓洁, 周广胜, 隋兴华, 等. 辽东栎林潜在地理分布及其主导因子[J]. 林业科学, 2013, 49(8): 10-14. |
| [27] |
LIU C, WHITE M, NEWELL G. Selecting thresholds for the prediction of species occurrence with presence-only data[J]. Journal of Biogeography, 2013, 40(4): 778-789. DOI:10.1111/jbi.12058 |
| [28] |
孙颖, 秦大河, 刘洪滨. IPCC第五次评估报告不确定性处理方法的介绍[J]. 气候变化研究进展, 2012, 8(2): 150-153. |
| [29] |
杨志香, 周广胜, 殷晓洁. 中国兴安落叶松天然林地理分布及其气候适宜性[J]. 生态学杂志, 2014, 33(6): 1429-1436. |
| [30] |
赵怀, 宝刘彤, 雷加强, 等. 古尔班通古特沙漠南部植物群落β多样性及其解释[J]. 草业学报, 2010, 19(3): 29-37. |
| [31] |
李巧燕, 王襄平. 长江三峡库区物种多样性的垂直分布格局:气候、几何限制、面积及地形异质性的影响[J]. 生物多样性, 2013, 21(2): 141-152. |
| [32] |
CAMILLE P, GARY Y. A globally coherent fingerprint of climate change impacts across natural systems[J]. Nature, 2003, 421(6918): 37-42. DOI:10.1038/nature01286 |
| [33] |
ZHANG K, YAO L, MENG J, et al. Maxent modeling for predicting the potential geographical distribution of two peony species under climate change[J]. Science of the Total Environment, 2018, 634: 1326-1334. DOI:10.1016/j.scitotenv.2018.04.112 |
| [34] |
HUANG Y, JIANG N, SHEN M, et al. Effect of preseason diurnal temperature range on the start of vegetation growing season in the Northern Hemisphere[J]. Ecological Indicators, 2020, 112: 1-9. |
| [35] |
RENNE R R, BRADFORD J B, BURKE I C, et al. Soil texture and precipitation seasonality influence plant community structure in North American temperate shrub steppe[J]. Ecology, 2019, 100(11): e02824. |
| [36] |
ZHANG M G, SLIK J W F, MA K P. Using species distribution modeling to delineate the botanical richness patterns and phytogeographical regions of China[J]. Scientific Reports, 2016, 6(1): e22400. DOI:10.1038/srep22400 |
| [37] |
陈新美, 雷渊才, 张雄清, 等. 样本量对MaxEnt模型预测物种分布精度和稳定性的影响[J]. 林业科学, 2012, 48(1): 53-59. |
| [38] |
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(1): 83-87. |