【正文】 布預(yù)測時貢獻值為 ，但是在2080 年進行預(yù)測是就變成了 ， 最濕季度濕度 Precipitation of wettest quarter在冰川時期進行黑莎草分布預(yù)測時，貢獻值只有 ，但是在現(xiàn)在和 2080 年進行預(yù)測時，則變成了 和 ， 最熱月份最高溫 Max temperature of warmest month 在不同時期的預(yù)測時，所做出的貢獻值也有很大的變化， 但是，像是最冷 季 度 平 均 溫 度 Mean temperature of coldest quarter、 最冷季度平均雨量 Precipitation of coldest quarter、 最冷月份最低溫 Min temperature of coldest month、最干季度平均溫度 Mean temperature of driest quarter 在三個不同時期所做出的貢獻值幾乎沒有變化。 第三章 18 環(huán)境因子與 MAXENT 模型的作用關(guān)系 “物種 —— 環(huán)境”關(guān)系是目前生態(tài)學研究中一個重要的內(nèi)容 , 是研究物種分布區(qū)域與物種分類的重要方面。因此，在今后的物種分布預(yù)測的研究過程中還需進一步對物種痕跡點一些分布集中的數(shù)據(jù)作空間自相關(guān)分析 , 要參考空間自相關(guān)的檢測指數(shù)標準優(yōu)化的分布點數(shù)據(jù) , 對環(huán)境因子進行主成分的分析 , 選取具很有代表性的少量環(huán)境因子和適量的一些有影響力的環(huán)境因子進行 分析 , 以獲得更好的評價結(jié)果。進行生態(tài)位模型預(yù)測物種的地理分布一般需要兩種數(shù)據(jù)，一個為目標物種的現(xiàn)實地理分布數(shù)據(jù)，另一個為當下的環(huán)境數(shù)據(jù)，預(yù)測的結(jié)果可以直接導(dǎo)入地理信息系統(tǒng)軟件進行下一步的分析，直到得 到直觀的適生性地圖。 Steven Phillips 等人 （ 20xx） 基于 此原理用 JAVA 語言編寫了 MaxEnt 軟件，用于進行預(yù)測物種的潛在地理分布。 [12] 參考文獻 20 參考文獻 [1]中科院“中國植物志”編輯委員會 《中國植物志》 [DB] 科學出版社 （ 20xx） （第十一卷） [2]中科院植物所和中科院昆明植物所 《 熱帶亞熱帶植物基礎(chǔ)數(shù)據(jù)庫》 [DB] 中國科學院植物研究所 （ 20xx） [3] 中科院華南植物研究所 , 廣州植物志 [DB]科學出版社 (1956) 762. [4]A maximum entropy approach to natural language processing (Adam Berger)[D]（ 20xx） [5]方文培、胡又光《中國植物志》北京：科學出版社 （ 1999） 侯寬昭等 , 廣州植物志 (1956) 762. [6]吳征鎰、洪德元《中國植物志圖集》 [DB]科學出版社 （ 20xx） [7]中國科學院植物研究所《中國植物圖像庫》 （ PPBC）（ 20xx） [8]中國百 科網(wǎng) [DB]（ 20xx） [9]中國科學院植物研究所《中國自然標本植物館》（ CFH） [DB]（ 20xx） [10]《中國高等植物圖鑒》 （ PE） [DB]科學出版社（ 1983） [11]Learning to parse natural language with maximum entropy models (Adwait Ratnaparkhi)[D]（ 20xx） [12] 麻亞鴻 基于最大熵模型 （ MaxEnt） 和地理信息系統(tǒng) （ ArcGis） 預(yù)測蘚類植物的地理分布范圍 [D]上海師范大學，碩士學位論文 （ 20xx） [13]齊增湘 ,徐衛(wèi)華等，《生物多樣性》 [J]湖南農(nóng)業(yè)大學園藝園林學院 , 長沙 （ 20xx， 19）（ 3）： 343352 [14]Gahnia tristis Nees in Linnaea IX (1834) 301, nom. nud. et in Hook. etArn. Bot. Beech. Voy. (1836) 228: Benth. Fl. Hongk. (1861) 398: C. B. Clarkein Journ. Linn. Soc. Bot. XXXVI (1903) 263: Ohwi, Cyper. Jap. II (1944) 14: 致謝 21 致謝 在本次論文撰寫過程中，感謝我的學校，給了我學習的機會，在學習中，我的指導(dǎo)老師從選題指導(dǎo)、論文框架到數(shù)據(jù)輸出，再加上幫我進行大量的 分布數(shù)據(jù)處理以及各個結(jié)果樣圖的講解，老師都給予了我細致的指導(dǎo)，給我提出了很多寶貴的意見與建議，管老師以其嚴謹求實的治學態(tài)度、高度的敬業(yè)精神、兢兢業(yè)業(yè)、孜孜以求的工作作風和大膽創(chuàng)新的進取精神對我產(chǎn)生重要影響。 謹以此致謝最后，我要向百忙之中抽 時間對本文進行審閱的各位老師表示衷心的感謝。這篇論文是在老師的精心指導(dǎo)和大力支持下才完成的 感謝所有授我以業(yè)的老師，沒有這些年知識的積淀，我沒有這么大的動力和信心完成這篇論文。通過 MaxEnt 模型預(yù)測物種的分布區(qū)域，結(jié)果要明顯優(yōu)于同類的其他預(yù)測模型，尤其是在物種分布數(shù)據(jù)不全的情況下，應(yīng)用 MaxEnt 模型預(yù)測物種分布仍然能得到較為滿意的結(jié)果?，F(xiàn)階段使用得比較廣泛的預(yù)測物種分布的一些生態(tài)位模型主要有 Bioclim， Climex， Domain， Garp（ geic algorithm for rule setproduction）和 MaxEnt。目前已有為數(shù)不少的用地理環(huán)境因子進行預(yù)測模型變量的物種潛在分布模型，應(yīng)用它們進行物種潛在分布區(qū)域的預(yù)測。 用 MAXENT模型根據(jù)當下物種痕跡點分布數(shù)據(jù)進行分布區(qū)域的預(yù)測 時 , 會因數(shù)據(jù)點分布距離較為集中而存在空間自相關(guān)而影響模型模擬的精度。 所以這就造成了不同時期，隨著地球氣候的變化，黑莎草的分布區(qū)域也在發(fā)生變化，就比如由于冰川時期的氣候穩(wěn)定區(qū)域較少，不同區(qū)域溫差較大，所以當時的黑莎草分布面積較小，現(xiàn)在隨 著氣候的變化，以及全球氣候的全年逐漸穩(wěn)定和大部分區(qū)域溫度較高所產(chǎn)生的影響，使得黑莎草的分布區(qū)域變大了許多，而隨著這樣的氣候繼續(xù)變化，隨著全球氣候的變暖，黑莎草的分布區(qū)域也會越來越大，正如 2080 年的分布預(yù)測圖一樣，會隨著時間的推移，氣候的變化，黑莎草分布范圍會在 湖南北部和福建東部黑莎草的適宜性區(qū)域面積大面積的增加。從數(shù)據(jù)可以看出，隨著現(xiàn)在氣候的改變，在不久的將來，黑莎草的適宜性區(qū)域面積會增大。 可以從 (圖 23)的結(jié)果看出，黑莎草主要分布在廣東省的西北部 (廣州市白云山，陽江縣，陽山縣，南雄縣，從化縣，連平縣，和平縣等地 )和廣西壯族自治區(qū)的山林地帶（包括 蒼梧縣，梧州市 ,十萬大山，上林縣 ,陽江縣 ,武鳴縣 ,博白縣 ,懷集縣 ,金秀縣以及 防城各族自治縣 等地）和華南東部的江西、湖南和福建地帶（包括 資溪縣 ,南康縣 ,泰寧縣 ,廈門市 ,宜章縣 ,將樂縣 等地）。其中， 最干季度平均溫度 Mean temperature of driest quarter，年平均 氣溫 Annual mean temperature，最熱季度平均溫度 Mean temperature of warmest quarter 這三個環(huán)境因子對于冰川時期黑莎草的分布預(yù)測貢獻值最大。表明預(yù)測效果非常好。溫暖的色彩顯示更好的預(yù)測條件的地區(qū)，藍色的冷色調(diào)則顯示沒有分布黑莎草。需要特別注意的是 AUC 值（橫坐標與 ROC 曲線所圍成的面積值）， AUC 值可達到的最大值小于 1，其數(shù)值越大，表明預(yù)測的物種分布模型與環(huán)境變量之間的相關(guān)性越大，預(yù)測的效果則越好。溫暖的色彩 顯示更好的預(yù)測條件的地區(qū)，藍色的冷色調(diào)則顯示沒有分布黑莎草。 第二章 7 第二章 結(jié)果與分析 影響黑莎草分布預(yù)測的因素與變量 利用 19 個生物氣候指標作為黑莎草模擬分布的環(huán)境變量（表 21），運用MaxEnt 可以得出各個環(huán)境變量對黑莎草分布預(yù)測的貢獻百分比。 54ˊˊ ，東經(jīng) 117176。距南平武夷山市區(qū)約 40 公里，距離上饒鉛山縣約 60 公里。十萬大山主峰位于 上思 縣南部雞籠隘附近的 蒔良嶺 ，海拔 1462 米。橫跨廣西，廣東，福建，江西，湖南，海南，臺灣等地區(qū)，其中主要十萬大山山脈為中心地段，輻射到周邊區(qū)域。 Ara –, 較差 (poor)。 MAXENT 模型是把研究區(qū)所有像元 作為構(gòu)成最大熵的可能分布空間 , 將已知某些分布點的像元作為樣點 , 根據(jù)樣點像元的環(huán)境因子如氣候變量、海拔、 年平均氣溫 、土壤類型、植被類型得出約束條件 , 探尋這些約束條件下的最大熵的可能分布情況 (即探尋與物種分布點的環(huán)境變量特征相同的像元 ), 據(jù)此來預(yù)測，目標物種在研究區(qū)的生境分布 (Phillips et al., 20xx)。從 WorldClim 數(shù)據(jù)庫中下載模擬所需要的末次冰期 （ LGM）、 當前以及2080 年 3 個時期的氣候變量數(shù)據(jù)。代表性