【導讀】師的指導下進行的研究工作及取得的成果。盡我所知，除文中特別加。而使用過的材料。均已在文中作了明確的說明并表示了謝意。除了文中特別加以標注引用的內(nèi)容外，本論文。不包含任何其他個人或集體已經(jīng)發(fā)表或撰寫的成果作品。究做出重要貢獻的個人和集體，均已在文中以明確方式標明。全意識到本聲明的法律后果由本人承擔。同意學校保留并向國家有關(guān)部門或機構(gòu)送交論文的復印件和電子版，允許論文被查閱和借閱。本人授權(quán)大學可以將本學位。印或掃描等復制手段保存和匯編本學位論文。涉密論文按學校規(guī)定處理。程序清單等），文科類論文正文字數(shù)不少于萬字。有圖紙應符合國家技術(shù)標準規(guī)范。圖表整潔，布局合理，文字注釋必須使用工程

　　

【正文】 它所占的貢獻率就已經(jīng)下降了（ 為 ）， 最熱季度平均溫度 Mean temperature of warmest quarter 在冰川時期進行黑莎草分布預測時貢獻值為 ，但是在2080 年進行預測是就變成了 ， 最濕季度濕度 Precipitation of wettest quarter在冰川時期進行黑莎草分布預測時，貢獻值只有 ，但是在現(xiàn)在和 2080 年進行預測時，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。 表 22 進行 黑莎草不同時期分布預測時各環(huán)境因子貢獻率的變化 Variables Description current 2080 Past Bio 1 年平均氣溫 Annual mean temperature Bio 10 最熱季度平均溫度 Mean temperature of warmest quarter Bio 11 最冷季度平均溫度 Mean temperature of coldest quarter Bio 12 年平均濕度 Annual precipitation Bio 13 最濕月份濕度 Precipitation of wettest month Bio 14 最干月份濕度 Precipitation of driest month Bio 15 濕度變化方差 Precipitation seasonality Bio 16 最濕季度濕度 Precipitation of wettest quarter Bio 17 最干季度濕度 Precipitation of driest quarter Bio 18 最暖季度平均雨量 Precipitation of warmest quarter Bio 19 最冷季度平均雨量 Precipitation of coldest quarter Bio 2 晝夜溫差月均值 Mean diurnal range Bio 3 晝夜溫差與年溫差比值 Isothermality 第二章 16 Bio 4 溫度變化方差 Temperature seasonality Bio 5 最熱月份最高溫 Max temperature of warmest month Bio 6 最冷月份最低溫 Min temperature of coldest month Bio 7 年溫度變化范圍 Temperature annual range Bio 8 最濕季度平均溫度 Mean temperature of wettest quarter Bio 9 最干季度平均溫度 Mean temperature of driest quarter 第三章 17 第三章 討論 什么因素會影響物種分布模擬 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(chǎn)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(shù)據(jù)在不同的時期所產(chǎn)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(chǎn)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(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(jié)果更加的精確可用，第一，獲取一定數(shù)量的精確且很有針對性的物種地理分布點數(shù)據(jù)；其次還需要選擇影響物種分布的關(guān)鍵環(huán)境變量來建立相對準確的模型，而其基礎(chǔ)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(jié)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(jié)果。 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。本文利用了當下的一部分地理分布數(shù)據(jù)，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 , 處理出來的數(shù)據(jù) AUC 值均大于 ，表明模型預測的結(jié)果非常好， 結(jié)果合理可信。 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。在諸多影響物種分布地域的生態(tài)因子中 , 只有較少數(shù)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(jié)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(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。 [13] 第三章 19 關(guān)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(guān)系。目前已有為數(shù)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(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)，預測的結(jié)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(shù)是進行整個分析的基礎(chǔ)。現(xiàn)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（ geic 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. 20xx）。 Steven Phillips 等人 （ 20xx） 基于 此原理用 JAVA 語言編寫了 MaxEnt 軟件，用于進行預測物種的潛在地理分布。 Elith 等（ 20xx）利用包括 MAXENT 在內(nèi)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(xiàn)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(jié)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(shù)據(jù)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(jié)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(jié)果。 [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，我的指導老師從選題指導、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，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。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。