【文章內(nèi)容簡介】 。 16 什么因素會影響物種分布模擬 16 3. 2 環(huán)境因子與 MAXENT 模型的作用關(guān)系 17 3. 3 關(guān)于植物地理分布預(yù)測的方法 18 參考文獻(xiàn)（ References） 19 致謝 20緒論 1 緒論 黑莎草 屬在全世界有 50 余種，其中多產(chǎn)于亞洲、澳洲等熱帶地區(qū)，我國有 2種，主要分布于華南各省。黑莎草主產(chǎn)于南半球，我國有黑莎草 G. tristis Nees（種子可榨油供皂用）和爪哇黑莎草 G. javanica Moritizi 等 3 種，產(chǎn)華南地區(qū)和西南地區(qū)的干燥草山上。該屬物種為多年生 的粗壯 草本 植物。 [1] 黑莎草在國內(nèi)產(chǎn)于 福建 、江西、 海南島 、 廣東 、 廣西 和 湖南 等地；生長于干燥的荒山坡或者山腳灌木叢中，海拔一般在 130730 米。國外分布于日本 琉球群島 地帶。全株植物在產(chǎn)地用作于小茅屋頂?shù)纳w草以及墻壁材料等，小堅果可用以榨油或 供皂用 。 [2] 黑莎草是一種 草本植物 。有須根，稈為圓柱狀，果實為倒卵狀呈長圓形。叢生，須根粗，具根狀莖。稈粗壯，高 米，圓柱狀，堅實，空心，有節(jié)。葉子有基生和稈生，具鞘，鞘一般呈紅棕色，長約 1020 厘米，葉片狹長，極硬，常態(tài)為硬紙質(zhì)或幾革質(zhì)，長約 4060 厘米，寬 厘米，葉子從下而上漸狹，頂部成鉆形，邊緣通常狀態(tài)為內(nèi)卷，邊緣和背面具有刺狀細(xì)齒。苞片葉狀，具長鞘， 愈往上則鞘愈短，邊緣以及背面亦具刺狀細(xì)齒；圓錐花序會緊縮成穗狀，長度約 1435 厘米，由 715 個卵形或矩形的穗狀枝花序組成，下面的穗狀枝花序則較長，彼此相距較遠(yuǎn)，漸上則漸短而且相距逐漸緊密；小苞片鱗片狀，卵狀披針形小穗，其排列緊密，紡錘形，具 8 片鱗片，罕有 10 鱗片；鱗片呈螺旋狀排列，基部的 6 片鱗片中空無花，初期呈黃棕色，后期為暗褐色，卵狀披針形，具1 條脈，質(zhì)堅硬，最上方的 2 片鱗片最小，寬卵形，頂端微凹，微具緣毛，其中上面的 1 片具兩性花，下面的 1 片具雄蕊或無花；無下位剛毛；雄蕊 3，花絲細(xì)長，花藥線狀一般呈長 圓形或線形，藥隔頂端且突出于藥外；花柱細(xì)長，柱頭 3，細(xì)長。小堅果為倒卵狀長圓形，三稜形，長約 4 毫米，平滑，具光澤，骨質(zhì)，未成熟時呈白色或淡棕色，成熟時為黑色?；ü?312 月。 [3] 但是，由于黑莎草研究隊伍的人員較少，野外的采集工作相對于其他植物類群而言，開展較少，使得現(xiàn)在缺少黑莎草區(qū)系的資料，因此，需要確定黑莎草物種的地理分布是更加復(fù)雜而艱巨一個任務(wù)。所以說，如果能夠在開展野外調(diào)查之前就對目標(biāo)植物進(jìn)行分布概率的預(yù)測，那么對于開展這些野外調(diào)查工作將變得極有價值。 其中，可以收集一些黑莎草目前的分布數(shù)據(jù)，用 MaxEnt 來進(jìn)行數(shù)據(jù)處理和分析。 MaxEnt 模型利用最大熵原理來預(yù)測物種地理分布，這個方法被認(rèn)為是目前預(yù)測效果最好的方法之一。 Maxent 主要根據(jù)物種實際的分布點和現(xiàn)實的分布地區(qū)的環(huán)境變量，經(jīng)過運算得出預(yù)測模型，再通過此模型模擬我們所需要預(yù)測的緒論 2 物種在目標(biāo)地區(qū)的將可能發(fā)生分布情況，該模型目前已成功地應(yīng)用于很多生物類群的潛在地理分布范圍預(yù)測。 [4] 在生態(tài)學(xué)和物種保護(hù)研究領(lǐng)域當(dāng)中，物種分布模型模擬和預(yù)測是一種很常見，而且非常適用和重要的工具，對研究物種的分布分別在環(huán)境和氣候不同時期變化下的空間分布具有重 要的意義 。物種的分布與地理環(huán)境因子之間始終存在著密切關(guān)系，以地理環(huán)境因子作為預(yù)測該物種模型變量的潛在分布模型，在物種的保護(hù)管理和監(jiān)測以及各種氣候變化下物種分布的變化領(lǐng)域中得到了廣泛應(yīng)用。目前通過這樣的模式，已經(jīng)產(chǎn)生了多種物種潛在分布區(qū)的預(yù)測模型，并得到了廣泛應(yīng)用。代表性的常見模型還有廣義線性模型 （ GLM） 、廣義加法模型 （ GAM）、分類回歸樹 （ CART） 等（雷軍成，徐海根， 20xx）。使用比較廣泛的預(yù)測物種分布的生態(tài)位模型主要有 Bioclim， Climex， Domain， Garp（ geicalgorithm forrulesetproduction）和 MaxEnt（ maximumentropy species prediction model）（ Elithetal． 20xx） 。 第一章 3 第一章 數(shù)據(jù)與方法 1 .1 數(shù)據(jù)來源 通過中國數(shù)字植物標(biāo)本館 （ CVH） [5]、中國植物志圖集 [6]、中國植物頭像庫（ PPBC） [7]、中國百科網(wǎng) [8]、中國自然標(biāo)本館 [9]、中國高等植物圖鑒 [10]等網(wǎng)址查詢，野外調(diào)查并借助 Google Earth 查找經(jīng)緯度，從所得近百個數(shù) 據(jù)數(shù)據(jù)中，剔除重復(fù)的以及一些無效數(shù)據(jù)后共獲取到 56 個黑莎草在中國的點位分布信息。按 MaxEnt 模型的軟件運行要求，黑莎草分布記錄數(shù)據(jù)包括物種名、分布點經(jīng)度和緯度，形成 * ． csv 格式文件，其中東經(jīng)和北緯標(biāo)為正值，西經(jīng)和南緯標(biāo)為負(fù)值。從 WorldClim 數(shù)據(jù)庫中下載模擬所需要的末次冰期 （ LGM）、 當(dāng)前以及2080 年 3 個時期的氣候變量數(shù)據(jù)。將黑莎草分布點位數(shù)據(jù)和氣候數(shù)據(jù)輸入MaxEnt 模型中進(jìn)行分布模擬及驗證。 第一章 4 1. 2 使用軟件 Maxent 是 由 美國普林斯頓大學(xué) （ princeton university） 的 研究室研發(fā)，可以對物種的分類和分布進(jìn)行預(yù)測，其中分類模型包括 線性回歸 、 基因算法 、人工智能方法以及支持 向量積 （ support vector machines， SVM） 等，并且研究室還提供多種方法進(jìn)行物種分類結(jié)果的檢驗。 利用最大熵算法來分析不同的環(huán)境因子，如溫度，降水和海拔的值，在物種發(fā)生（收集記錄）的現(xiàn)有已知位置來估計物種的現(xiàn)在或者不同時期可能的地理區(qū)域范圍。 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(biāo)物種在研究區(qū)的生境分布 (Phillips et al., 20xx)。該模型采用 Jackknife 檢驗對環(huán)境因子的重要性進(jìn)行了分析 ,并用 ROC 曲線 (受試者工作特征曲線 )的下面積(areaunder curve, AUC)對于 MAXENT 模型的精度進(jìn)行了評 價。 其中， AUC 值越大 , 則表示環(huán)境變量與預(yù)測物種的地理分布模型之間的相關(guān)性也就越大 , 越能將該物種在這一地區(qū)有分布和無分布的判別開 , 預(yù)測效果也就越好。規(guī)定的評價標(biāo)準(zhǔn)為 : AUC 值為 –, 失敗 (fail)。 –, 較差 (poor)。–, 一般 (fair)。 –, 好 (good)。 –,非常好 (excellent) (Swets, 1988。 Arajo et al., 20xx)[11] 第一章 5 1. 3 運算方法 分別將黑莎草地理分布數(shù)據(jù)和 19 個環(huán)境變量（表 11）導(dǎo)入 MaxEnt 通過運算輸出圖層 ( * ． asc) ，得到物種在中國各地區(qū)的適生性概率 p，取值范圍在 0～1 之間 。 應(yīng)用 ArcGis 將 MaxEnt 生成的． asc 格式文件轉(zhuǎn)換成 RASTER 文件，并執(zhí)行重分類程序進(jìn)行風(fēng)險等級分類，分別輸出黑莎草在中國范圍內(nèi)的分布區(qū)預(yù)測，為了直觀展示預(yù)測結(jié)果，在預(yù)測分布圖中顯示了實際分布點。 [12] 表 11 模型中應(yīng)用到的 19 個生物氣候因子 變量 Variables 描述 Description Bio 1 年平均氣溫 Annual mean temperature Bio 2 晝夜溫差月均值 Mean diurnal range