【正文】 夜溫差與年溫差比值 IsothermalityBio 4溫度變化方差 Temperature seasonalityBio 5最熱月份最高溫 Max temperature of warmest monthBio 6最冷月份最低溫 Min temperature of coldest monthBio 7年溫度變化范圍 Temperature annual rangeBio 8最濕季度平均溫度 Mean temperature of wettest quarterBio 9最干季度平均溫度 Mean temperature of driest quarter第三章第三章 討論從上面的比較就可以看出，對于黑莎草三個不同時期的分布預測情況，其中高溫、高濕度這些環(huán)境因子會對其分布產生較大影響，低溫，溫差，低濕度以及降雨量較少的階段，對于黑莎草的分布預測影響相對較小，然而這些數據在不同的時期所產生的貢獻值不同，就說明了這個時期的氣候環(huán)境與另一個時期的氣候環(huán)境有差異，而且這個環(huán)境差異所帶來的變化，還會對于黑莎草的分布產生影響。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。為了使預測結果更加的精確可用，第一，獲取一定數量的精確且很有針對性的物種地理分布點數據；其次還需要選擇影響物種分布的關鍵環(huán)境變量來建立相對準確的模型，而其基礎就是要充分了解物種的生物學和生態(tài)學特性，最后可以采用多種模型結合的方法，綜合考慮其他因素，這樣才能得到相對準確的預測結果。 環(huán)境因子與MAXENT模型的作用關系“物種——環(huán)境”關系是目前生態(tài)學研究中一個重要的內容, 是研究物種分布區(qū)域與物種分類的重要方面。本文利用了當下的一部分地理分布數據，通過使用MAXENT模型對未來的2080年和冰川時期末冰川時代的黑莎草物種分布預測, ，表明模型預測的結果非常好，結果合理可信。用MAXENT模型根據當下物種痕跡點分布數據進行分布區(qū)域的預測時, 會因數據點分布距離較為集中而存在空間自相關而影響模型模擬的精度。在諸多影響物種分布地域的生態(tài)因子中, 只有較少數因子起著主導作用，如果簡單的將所有環(huán)境因子平等對待, 則容易弱化某些重要因子的作用, 而且很多環(huán)境因子之間的交互作用對模型的預測結果也存在著一定的影響。因此，在今后的物種分布預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據作空間自相關分析, 要參考空間自相關的檢測指數標準優(yōu)化的分布點數據, 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果。[13] 關于植物地理分布區(qū)預測的方法任何物種的分布都與地理環(huán)境因子之間存在密切的關系。目前已有為數不少的用地理環(huán)境因子進行預測模型變量的物種潛在分布模型，應用它們進行物種潛在分布區(qū)域的預測。這樣對于物種保護管理和監(jiān)測，以及不同時期氣候變化下物種分布的變化區(qū)域上有很重要的作用。進行生態(tài)位模型預測物種的地理分布一般需要兩種數據，一個為目標物種的現實地理分布數據，另一個為當下的環(huán)境數據，預測的結果可以直接導入地理信息系統(tǒng)軟件進行下一步的分析，直到得到直觀的適生性地圖。在這一工作中，選擇利用合適的模型來預測目標物種的適生指數是進行整個分析的基礎?，F階段使用得比較廣泛的預測物種分布的一些生態(tài)位模型主要有 Bioclim，Climex，Domain，Garp（ genetic algorithm for rule setproduction）和 MaxEnt。最大熵理論在生態(tài)學研究中可以表達為某個物種在沒有約束的情況下，存在盡最大可能的擴散蔓延，接近均勻分布（phillips et al. 2006）。Steven Phillips 等人（2004）基于此原理用JAVA 語言編寫了 MaxEnt 軟件，用于進行預測物種的潛在地理分布。Elith 等（2006）利用包括 MAXENT 在內的 16 種生態(tài)位模型對 226 個物種進行了地理分布預測，他們發(fā)現這些模型均能夠較好地預測目標物種的潛在分布區(qū)域。通過MaxEnt 模型預測物種的分布區(qū)域，結果要明顯優(yōu)于同類的其他預測模型，尤其是在物種分布數據不全的情況下，應用 MaxEnt 模型預測物種分布仍然能得到較為滿意的結果。本文基于生物氣候變量，應用 MaxEnt 預測了黑莎草的潛在分布區(qū)域，獲得反映黑莎草不同時期地理分布區(qū)域的 ASCII 柵格圖層，再通過 ArcGIS 軟件中的 Raster calculator 模塊等，獲得物種分布的潛在分布區(qū)域，并進行直觀的展示，獲得了理想的結果。[12]參考文獻參考文獻[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（2004）（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數據庫》[DB]中國科學院植物研究所（2009） [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]（2005）[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（2001）[7]中國科學院植物研究所《中國植物圖像庫》（PPBC）（2008）[8]中國百科網[DB]（2007）[9]中國科學院植物研究所《中國自然標本植物館》（CFH）[DB]（2009）[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]（2007）[12] 麻亞鴻 基于最大熵模型（MaxEnt）和地理信息系統(tǒng)（ArcGis）預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（2013）[13]齊增湘,徐衛(wèi)華等，《生物多樣性》[J]湖南農業(yè)大學園藝園林學院,長沙（2011，19）（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，我的指導老師從選題指導、論文框架到數據輸出，再加上幫我進行大量的分布數據處理以及各個結果樣圖的講解，老師都給予了我細致的指導，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生重要影響。他淵博的知識、開闊的視野和敏銳的思維給了我深深的啟迪。這篇論文是在老師的精心指導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。感恩之余，誠懇地請各位老師對我的論文多加批評指正，使我及時完善論文的不足之處。　　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。