基于MaxEnt 和GIS 預(yù)測四川省杉木良種在湖北省同一適宜引種生態(tài)區(qū)

胡超 ,于靜

1.湖北省林業(yè)局林木種苗管理總站，湖北 武漢 430079；2.嶺南生態(tài)文旅股份有限公司，湖北 武漢 430062

林木良種是有適宜生態(tài)區(qū)域要求的，如果自然條件不適宜，再好的良種也達不到豐產(chǎn)、穩(wěn)產(chǎn)。因林木良種不適應(yīng)引種區(qū)自然條件而造成巨大損失的教訓(xùn)是深刻的：20 世紀70 年代，各地在油茶（Camellia oleiferaAbel.）生產(chǎn)發(fā)展過程中調(diào)購種子比較隨意，較多地方因為超地理區(qū)域引種造林，引種前沒有進行科學(xué)預(yù)判，盲目性的引種，導(dǎo)致幼林生長不良、成林產(chǎn)量很低，在人力、物力等方面都造成了較大的損失[1]。

傳統(tǒng)的林木良種引種適宜生態(tài)區(qū)憑主觀經(jīng)驗判斷較多，如，宜林范圍內(nèi)每個按水平分布的氣候帶和垂直氣候帶都分布著特有類型的森林植被。經(jīng)緯度由北向南，由西向東調(diào)運范圍大于相反方向的范圍，海拔高度不超過300～500 m，但是，1958 年，湖北引種廣東、福建馬尾松（Pinus massonianaLamb.）種子成功，用事實改變了過去專家認為“馬尾松南種北移的幅度不能超過2～3°”的定論[2]。1979 年李傳志論證馬尾松一次北移6～7°育苗是可以成功的[2]。所以，溫度、降水、土壤等主要環(huán)境因子相似，即為林木良種同一適宜引種生態(tài)區(qū)。

杉木（Cunninghamia lanceolata）是湖北省主要造林樹種之一。傳統(tǒng)的杉木良種引種適宜生態(tài)區(qū)也是憑主觀經(jīng)驗判斷較多。杉木良種數(shù)量較多，且生長周期長，像農(nóng)作物良種一樣，對所有杉木良種都進行引種試驗的可行性不大?；贛axEnt 和ARCGIS 分析杉木良種同一適宜引種生態(tài)區(qū)[3,4,5]，對四川省盆周山區(qū)杉木產(chǎn)區(qū)現(xiàn)有審定杉木良種，以100 m×100 m（即1 hm2）為單元，用34 個環(huán)境因子劃分四川省盆周山區(qū)杉木良種在湖北省同一適宜引種生態(tài)區(qū)，提高預(yù)測精度，為湖北省杉木良種造林工作能夠“適地適樹”，經(jīng)營管理上“經(jīng)濟、合理”，杉木生產(chǎn)達到“速生、豐產(chǎn)、優(yōu)質(zhì)”奠定基礎(chǔ)。

1 數(shù)據(jù)與方法

1.1 基本信息來源

四川省林木良種審定委員會審定通過了5 個無性系種子園良種。這些良種具有生長速度快、抗性強等優(yōu)點。四川省盆周山區(qū)審定杉木良種信息來源于湖北省林業(yè)局林木種苗管理總站（見表1）。

表1 四川省盆周山區(qū)杉木產(chǎn)區(qū)審定杉木良種Tab.1 Approved superior Cunninghamia lanceolata varieties selected form Cunninghamia lanceolata production area in the mountainous regions surrounding Sichuan basin

34 個環(huán)境因子數(shù)據(jù)獲取于中國氣象科學(xué)數(shù)據(jù)共享服務(wù)網(wǎng)、中國科學(xué)院資源環(huán)境科學(xué)數(shù)據(jù)中心、國家青藏高原科學(xué)數(shù)據(jù)中心、中國西部環(huán)境與生態(tài)科學(xué)數(shù)據(jù)中心（見表2）。

表2 四川省盆周山區(qū)杉木良種在湖北省同一適宜引種生態(tài)區(qū)環(huán)境因子Tab.2 Environmental factors of the identical suitable introduction ecological distribution of the superior Cunninghamia lanceolata varieties in Hubei province introduced from the mountainous region surrounding Sichuan basin

（續(xù)表 2）

中國行政區(qū)劃數(shù)據(jù)、中國海拔高度（DEM）數(shù)據(jù)獲取于中國科學(xué)院資源環(huán)境科學(xué)數(shù)據(jù)中心和湖北省林業(yè)調(diào)查規(guī)劃院。

1.2 信息數(shù)據(jù)處理

1.2.1 分布數(shù)據(jù)處理

為避免樣點數(shù)據(jù)在某個地理空間上過度聚集，在四川省盆周山區(qū)杉木適生范圍內(nèi)，用Arcgis10 的Create fishnet 工具生成空間為30 行x30 列的格網(wǎng)數(shù)據(jù)，以1 個格網(wǎng)作為1 個采樣單元對杉木良種的分布數(shù)據(jù)進行采樣（見圖1）[6]。根據(jù)選育單位確定的杉木良種適宜的自然地理環(huán)境條件范圍，如，適宜海拔范圍為400～1500 m，在Excel 表中，剔除高程小于400 m、高程大于1500 m、土壤厚度小于30 cm和異常值的采樣點，全部采樣分布記錄共301 條。按照MaxEnt 軟件的“Samples”的要求整理數(shù)據(jù)，將分布點以“物種+經(jīng)度+緯度（西經(jīng)、南緯的值為負，經(jīng)緯度為十進制小數(shù)格式。）”另存為CSV 格式文件。

圖1 四川省盆周山區(qū)杉木產(chǎn)區(qū)采樣點分布示意圖Fig.1 Distribution of sampling points in Cunninghamia lanceolata production areas of the mountainous region surrounding Sichuan basin

1.2.2 環(huán)境因子處理

地形因子(經(jīng)度、緯度、高度)與環(huán)境因子有較好的回歸關(guān)系，利用中國2 160 個基本、基準地面氣象觀測站的觀測數(shù)據(jù)，推算模擬無測站區(qū)域的環(huán)境資源分布情況。建立Bio1～Bio10、Bio13～Bio21、Bio24～Bio27 等23 個環(huán)境因子的空間分布模型，其表達式為:

式中，Y為環(huán)境因子要素；λ為經(jīng)度；φ為緯度；h為海拔高度(m)；函數(shù)f(λ,φ,h)為氣候?qū)W方程；ε為殘差項，可視為小地形因子(坡度、坡向等)及下墊面對環(huán)境的影響。將f(λ,φ,h)展成三維二次趨勢面方程[7]。

式中，b0～b9為待定系數(shù)，利用SAS9.4 建立逐步回歸優(yōu)化回歸模型，模擬23 個環(huán)境因子的宏觀趨勢項，分別建立23 個環(huán)境因子的小網(wǎng)格推算模型（見表3）。

表3 環(huán)境因子的小網(wǎng)格推算模型Tab.3 Small grid calculation model of regionalization indexes of environmental factors

在中國海拔高度（DEM）數(shù)據(jù)支持下，在ArcGIS10 里，用23 個環(huán)境因子的小網(wǎng)格推算模型，將環(huán)境因子Bio1～Bio10、Bio13～Bio21、Bio24～Bio27分別插值為100 m×100 m 網(wǎng)格的基礎(chǔ)數(shù)據(jù)[8,9]。用IDW 法分別插值其殘差項為100 m×100 m 網(wǎng)格的修正數(shù)據(jù)。用Spatial Analyst 工具→數(shù)學(xué)→邏輯→加，將每個環(huán)境因子的基礎(chǔ)數(shù)據(jù)和修正數(shù)據(jù)疊加相加為環(huán)境因子?xùn)鸥駭?shù)據(jù)。23 個環(huán)境因子?xùn)鸥駭?shù)據(jù)用投影柵格工具統(tǒng)一為地理坐標系D_WGS_1984。以湖北省和四川省矢量邊界為掩膜，裁剪出這23 個環(huán)境因子?xùn)鸥駭?shù)據(jù)圖層。最后，用柵格轉(zhuǎn)ASCII 工具將這23 個環(huán)境因子?xùn)鸥駭?shù)據(jù)轉(zhuǎn)換保存為MaxEnt 所需要的ASCII 格式文件。

在ArcGIS10 里，將下載的Bio11、Bio12、Bio22、Bio23、Bio28～Bio34 等11 個環(huán)境因子數(shù)據(jù)通過重采樣工具使其像元大小與Bio1～Bio10、Bio13～Bio21、Bio24～Bio27 等23 個環(huán)境因子一致[10]。11 個環(huán)境因子數(shù)據(jù)統(tǒng)一為地理坐標系D_WGS_1984。以湖北省和四川省矢量邊界為掩膜，裁剪出這11 個環(huán)境因子?xùn)鸥駭?shù)據(jù)圖層。最后，用柵格轉(zhuǎn)ASCII 工具將這11 個環(huán)境因子?xùn)鸥駭?shù)據(jù)轉(zhuǎn)換保存為MaxEnt 所需要的ASCII 格式文件。

1.3 模型構(gòu)建

1.3.1 MaxEnt 軟件建模

（1）物種數(shù)據(jù)：將之前導(dǎo)出的杉木良種分布數(shù)據(jù)(csv 格式)的文件，通過Browse 加載到MaxEnt軟件“Samples”模塊。

（2）環(huán)境數(shù)據(jù)：把ASCII 格式文件的34 個環(huán)境數(shù)據(jù)加載到MaxEnt 軟件“Environmental layers”模塊。

（3）參數(shù)設(shè)置：使用auto features 選項，根據(jù)自動特征規(guī)則進行計算，所有的要素類型都將用到。結(jié)果以comulative 類型和ASCII 格式輸出，并定義其輸出位置。設(shè)置界面的選擇 settings 里‘Random test percentage’設(shè)置為25，隨機選取75%的樣本點數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)[11]，settings 中replicates 本試驗選擇3 次重復(fù)作為平行試驗，最大迭代次數(shù)設(shè)為500 次，收斂閾值設(shè)為0.000 01，取值范圍0-100[12]。選擇‘Do jackknife to measure variable importance ’衡量所有變量的重要性，MaxEnt 軟件分別對每一個環(huán)境影響因子進行刀切圖繪出。

1.3.2 ROC 曲線繪制

繪制響應(yīng)曲線（Response curves）評價模型精度。ROC 曲線以真陽性率為縱坐標（敏感性，實際存在且被預(yù)測為存在的比率），以假陽性率（1-特異性，實際不存在但被預(yù)測為存在的比率）為橫坐標，AUC 值指 ROC 曲線與橫坐標圍成的面積值，值域為0～1。AUC 值越大表示與隨機分布相距越遠，環(huán)境因子變量與預(yù)測的杉木良種同一適宜引種生態(tài)區(qū)之間的相關(guān)性越大，即模型預(yù)測效果越好，反之說明模型預(yù)測效果越差。AUC 值在 0.5～0.6，0.6～0.7，0.7～0.8，0.8～0.9，0.9～1 分別表示模擬效果失敗、較差、一般、好、非常好[4,8]。34 個環(huán)境因子預(yù)測模型的訓(xùn)練樣本和測試樣本的AUC 值達到0.921 和0.902（見圖2），AUC 均值在0.9～1 之間，說明模型預(yù)測效果非常好。

圖2 初始模型的ROC 曲線分析及AUC 值Fig.2 ROC curve analysis and AUC value for the initial model

1.4 模型優(yōu)化

在使用MaxEnt 模型進行較大空間范圍的杉木良種同一適宜引種生態(tài)區(qū)預(yù)測時，如果環(huán)境因子變量過多、變量空間共線性過強，將導(dǎo)致模型的復(fù)雜性增加，隨機誤差增大。所以，過多低貢獻率的環(huán)境因子變量會導(dǎo)致模型運行結(jié)果的準確性降低。因此，需要對環(huán)境因子進行篩選或降維[13]。

1.4.1 篩選貢獻率高的環(huán)境因子變量

在34 個環(huán)境因子中，對于杉木良種同一適宜引種生態(tài)區(qū)分布貢獻較大的環(huán)境因子變量有：Bio2、Bio7、Bio8、Bio12～Bio14、Bio18、Bio25、Bio27、Bio28，累計貢獻率為95.8%。Bio1、Bio3～Bio6、Bio9～Bio11、Bio15～Bio17、Bio19～Bio24、Bio26、Bio29～Bio34 等24 個環(huán)境變量的貢獻率都小于1%（見表4），對杉木的種植分布影響有限，對這24 個環(huán)境因子變量進行剔除[14]。

表4 各環(huán)境因子變量的貢獻率Tab.4 Contribution rate of each environmental factor variable

1.4.2 篩選正規(guī)化訓(xùn)練增益高的環(huán)境因子變量

刀切法(jackknife test)測定各環(huán)境因子變量權(quán)重。刀切法就是每次都忽略一個環(huán)境因子變量，然后基于剩下的環(huán)境因子變量來對杉木良種同一適宜引種生態(tài)區(qū)進行預(yù)測，然后MaxEnt 軟件自帶程序畫出柱形圖作為依據(jù)評估環(huán)境因子變量的重要性。紅色條帶代表所有變量的貢獻；深藍色的條帶越長，說明該變量越重要；淺藍色的條帶長度代表除該變量以外，其他所有變量組合的貢獻。Bio2、Bio7、Bio8、Bio12～ Bio14、Bio18、Bio25、Bio27、Bio28 對應(yīng)的深藍色條帶都大于0.1（見圖3），說明它們本身的增益值較大，表明它們對預(yù)測杉木良種同一適宜引種生態(tài)區(qū)是重要環(huán)境因子變量，所以，保留這10 個環(huán)境因子變量。

圖3 刀切法的環(huán)境因子變量重要性分析Fig.3 Importance analysis of the environmental factors variables in the Jackknife method

1.4.3 篩選多重共線的環(huán)境因子變量

用GIS 軟件的值提取至點工具提取有效分布點的環(huán)境因子變量數(shù)值，用SPSS 軟件對貢獻較大的Bio2、Bio7、Bio8、Bio12～Bio14、Bio18、Bio25、Bio27、Bio28 等10 個主導(dǎo)環(huán)境因子進行Spearman相關(guān)分析（見表5），檢驗環(huán)境因子變量之間的多重共線性。Bio2 分別與Bio7、Bio8、Bio13 的相關(guān)系數(shù)|r|≥0.8，對比初始模型中二者的貢獻率，Bio7、Bio8、Bio13 貢獻率較小，所以，剔除貢獻率較小的變量Bio7、Bio8、Bio13，提高模型模擬的精度[14]。

表5 關(guān)鍵環(huán)境因子變量的相關(guān)系數(shù)Tab.5 Correlation coefficient of key environmental factor variables

2 結(jié)果與分析

2.1 模型的有效性

用剩余的Bio2、Bio12、Bio14、Bio18、Bio25、Bio27、Bio28 等7 個主導(dǎo)環(huán)境因子變量重新建模，重建模型的訓(xùn)練樣本和測試樣本的AUC 值達到0.902 和0.890（見 圖4），AUC 均值在0.8～0.9 之間，表明重建模型適用性及模擬精度均好，與主導(dǎo)環(huán)境因子變量之間的相關(guān)性大，預(yù)測同一適宜引種生態(tài)區(qū)的結(jié)果好，可以據(jù)此進行引種推廣。

圖4 重建模型的ROC 曲線分析及AUC 值Fig.4 ROC curve analysis and AUC value of the reconstruction model

2.2 杉木良種同一適宜引種生態(tài)區(qū)預(yù)測及適生等級劃分

MaxEnt 進行3 次重復(fù)試驗，選取重復(fù)試驗中，AUC 值最高的圖層導(dǎo)人ArcGIS 軟件進行適宜等級劃分和可視化表達（見圖5）。MaxEnt 模型輸出的數(shù)據(jù)為ASCⅡ格式，用ArcGIS 的ASCII to Raster 功能，輸出數(shù)據(jù)類型選FLOAT，使該結(jié)果可在 ArcGIS中顯示[14]。利用“Reclassify”功能,劃分分布值等級及相應(yīng)分布范圍,并使用不同顏色表示，劃分標準為:存在概率＜0.05 為不適生區(qū)；0.05≤存在概率＜0.33 為低適生區(qū)；0.33≤存在概率＜0.66 為中適生區(qū)；存在概率≥0.66 為高適生區(qū)[4,8]。整體來看，四川省盆周山區(qū)杉木產(chǎn)區(qū)的杉木良種在湖北省的低適生區(qū)面積為5 204 295 hm2，主要分布在：鄂中的隨縣、東寶區(qū)、掇刀區(qū)、沙洋縣、荊州區(qū)、沙市區(qū)、江陵縣、松滋市、公安縣和石首市；鄂西的宜昌市、恩施市、襄陽市、十堰市和神農(nóng)架。低適宜區(qū)域在引種杉木良種時，需要選擇適宜的小生境。

圖5 四川省盆周山區(qū)杉木良種在湖北省同一適宜引種生態(tài)區(qū)分布圖Fig.5 Distribution of the identical suitable introduction ecological distribution of superior Cunninghamia lanceolata varieties in Hubei province introduced from the mountainous regions surrounding Sichuan basin

2.3 杉木良種地理分布與生物氣候變量的關(guān)系

用刀切法（Jackknife Test）檢測7 個主導(dǎo)環(huán)境因子變量對于分布增益的貢獻，結(jié)果(見表6)表明：太陽輻射日均值（Bio2）對杉木分布的增益最大，當太陽輻射日均值為115～119 w·m-2，分布值隨太陽輻射日均值的升高而增大；當太陽輻射日均值為119～170 w·m-2，分布值隨太陽輻射日均值的升高而減?。ㄒ妶D6）?！?0℃積溫(Bio25)也對杉木分布的影響較大，當≥10℃積溫為0～50 000℃，分布值隨≥10℃積溫的升高而減小（見圖7）。

圖6 太陽輻射日均值(Bio2)反饋曲線Fig.6 Daily average solar radiation (Bio2) feedback curve

圖7 ≥10℃積溫(Bio12)反饋曲線Fig.7 Accumulated temperature ≥10℃ (Bio12) feedback curve

表6 主導(dǎo)環(huán)境因子變量的貢獻率Tab.6 Contribution rate of dominant environmental factor variables

3 討論

基于MaxEnt 生態(tài)位模型的同一適宜生態(tài)區(qū)研究中，環(huán)境因子數(shù)據(jù)常來自世界氣候-全球氣候數(shù)據(jù)庫網(wǎng)站，僅19 個環(huán)境因子，空間分辨率僅為5arcmin[5,6,10,14-17]。研究選取34 個重要環(huán)境因子，用中國2 160 個基準地面氣象觀測站的觀測數(shù)據(jù)，推算模擬無測站區(qū)域的環(huán)境資源分布情況，提高了四川省盆周山區(qū)杉木良種在湖北省同一適宜引種生態(tài)區(qū)預(yù)測精度。

傳統(tǒng)的杉木良種引種同一適宜生態(tài)區(qū)以鄉(xiāng)鎮(zhèn)、縣、市、省等行政單位為單元。然而，影響杉木成活生長的光、熱、水、氣等環(huán)境因子，受太陽輻射、大氣環(huán)流的影響，在地面上呈地帶性的分布。由于山體起伏，垂直森林地帶在實際上并不都是連續(xù)的，而是由斷斷續(xù)續(xù)地呈孤島狀分布的地塊組成。為了獲得精準的引種效果，100 m×100 m 為單元，進一步提高預(yù)測精度。

傳統(tǒng)的林木引種是以單個樹種劃出同一適宜生態(tài)區(qū)。然而，隨著自然條件演變和科學(xué)技術(shù)的發(fā)展，轉(zhuǎn)抗性基因育種、種間和遠緣雜交育種等遺傳

改良工作在廣泛開展，每年都有新的林木良種通過審定。在相同的立地條件下，同一樹種，不同良種之間的生長好壞是有顯著差異的。為了獲得精準的引種效果，本研究是以單個良種劃出同一適宜生態(tài)區(qū)，精準預(yù)測四川省盆周山區(qū)杉木良種在湖北省同一適宜生態(tài)區(qū)。

通過運用MaxEnt 生態(tài)位模型對四川省盆周山區(qū)杉木良種在湖北省同一適宜引種生態(tài)區(qū)進行分析，證明了MaxEnt 模型在林木良種引種應(yīng)用方面的可行性以及可信度，同時結(jié)合刀切法探討對杉木良種生長影響最顯著的環(huán)境因子，這對四川省盆周山區(qū)杉木良種適生性分析提供了更進一步的技術(shù)支撐。