楊會楓，鄭江華,2，吳秀蘭，穆 晨，林 俊，許仲林，2

(1.新疆大學資源與環(huán)境科學學院，烏魯木齊 830046；2.新疆大學智慧城市與環(huán)境建模普通高校重點實驗室，烏魯木齊 830046；3.新疆維吾爾自治區(qū)治蝗滅鼠指揮部辦公室，烏魯木齊 83000l)

基于MaxEnt模型的西伯利亞蝗蟲在新疆潛在分布預測研究

楊會楓1，鄭江華1,2，吳秀蘭1，穆 晨3，林 俊3，許仲林1，2

(1.新疆大學資源與環(huán)境科學學院，烏魯木齊 830046；2.新疆大學智慧城市與環(huán)境建模普通高校重點實驗室，烏魯木齊 830046；3.新疆維吾爾自治區(qū)治蝗滅鼠指揮部辦公室，烏魯木齊 83000l)

【目的】利用MaxEnt模型，預測西伯利亞蝗蟲(Gomphocerussibiric)在新疆的潛在分布區(qū)?！痉椒ā炕?9個環(huán)境因子和197個西伯利亞蝗蟲在新疆地理分布點，結(jié)合MaxEnt模型與ArcGIS軟件，預測西伯利亞蝗蟲在新疆的潛在分布區(qū)，劃分風險等級，采用接受者操作特征曲線(ROC)的分析方法對預測結(jié)果進行驗證?！窘Y(jié)果】訓練數(shù)據(jù)集(Training data)和驗證數(shù)據(jù)集(Testing data)的AUC值分別為0.992、0.990，預測結(jié)果與實際擬合度很高。西伯利亞蝗蟲在新疆分布的適生區(qū)和高危區(qū)分布在塔城、阿勒泰、博州、伊犁、烏魯木齊、昌吉?！窘Y(jié)論】根據(jù)AUC值的評價指標，研究對西伯利亞蝗蟲的預測結(jié)果是比較準確的。西伯利亞蝗蟲在新疆分布的適生區(qū)和高危區(qū)主要集中于北疆及天山北坡一帶，且適生區(qū)及高危區(qū)占研究區(qū)總面積的14.11%。最冷季平均溫(bio11)、最冷季的平均降水量(bio19)、最干季平均溫(bio9)、溫度變化的方差(bio4)、年均降雨量(bio12)、最濕季平均溫(bio8)和降雨量變化的方差(bio15)是影響西伯利亞蝗蟲潛在分布的主要環(huán)境因子。

西伯利亞蝗蟲；MaxEnt模型；潛在分布；預測

0 引 言

【研究意義】全世界約有12 000種蝗蟲，新疆大約有171種[1]。西伯利亞蝗蟲(Gomphocerussibiric)隸屬昆蟲綱，直翅目，是新疆草原蝗災的主要種之一。新疆草資源豐富，幅員遼闊，草原不僅在發(fā)展新疆國民經(jīng)濟、調(diào)節(jié)氣候、涵養(yǎng)水源、美化環(huán)境等方面有著重要的作用，同時也是我國陸地生態(tài)安全重要的綠色屏障[2]。然而，作為新疆草原害蟲之一的草原蝗蟲，其不僅對草場植被破壞極為嚴重，同時也對生態(tài)系統(tǒng)構(gòu)成威脅[3,4]。物種分布模型(Species Distribution Models, SDMs)是在一定的算法基礎上，結(jié)合環(huán)境數(shù)據(jù)及物種實際地理分布數(shù)據(jù)，以概率的形式計算出物種的生態(tài)位，并用此結(jié)果反映物種對生境的偏好[5]?！厩叭搜芯窟M展】1991年第一個物種分布模型—BIOCLIM模型首次出現(xiàn)[6]，隨后的20多年中涌現(xiàn)出13種物種分布模型，MaxEnt模型就是其中一種。在常見的物種分布模型中，MaxEnt和GARP具有較高的有效性，與GARP相比，MaxEnt不僅運行時間短，易于操作，且運行結(jié)果更穩(wěn)定[7]，從而得到了廣泛的應用。MaxEnt模型運行的基本原理是：研究物種潛在分布時，可以把環(huán)境因子與物種的實際地理分布空間作為一個系統(tǒng)，當該系統(tǒng)運行所得的狀態(tài)參數(shù)獲得最大熵時，說明物種的實際地理分布和物種所處的環(huán)境因子具備穩(wěn)定的狀態(tài)，從而確定物種的潛在地理分布。Phillips等[8]結(jié)合物種分布模型的原理，利用JAVA語言編寫了MaxEnt模型軟件，同時運用ROC(Receiver Operating Characteristic,ROC)曲線對模型精度進行驗證，且采用線性回歸的方法對影響植物分布的主導環(huán)境因子進行分析[9]。Elith 等[10]研究了分布全球6個不同地區(qū)226種植物的空間分布，并運用實測樣本數(shù)據(jù)進行了驗證，所得結(jié)果證明了MaxEnt 模型性能較好。運用MaxEnt模型做入侵物種的潛在分布、保護區(qū)規(guī)劃及全球氣候變化對物種分布影響的相關(guān)研究已超過2000多次，這也從另一個側(cè)面說明了MaxEnt的優(yōu)越性[5]。近年來，國內(nèi)學者利用MaxEnt模型對瀕危物種[11-14]、珍稀藥用植物[15，16]、病蟲害[17-19]、入侵物種[20]、經(jīng)濟作物[21]等的分布做了相關(guān)研究?！颈狙芯壳腥朦c】在前人研究的基礎上，根據(jù)實地調(diào)查的197個西伯利亞蝗蟲分布點和分辨率為2.5 arcmin的19個環(huán)境變量，基于MaxEnt模型，結(jié)合ArcGIS空間分析技術(shù)，研究西伯利亞蝗蟲分布區(qū)與環(huán)境因子之間的關(guān)系，并分析影響西伯利亞蝗蟲在新疆潛在分布的主要環(huán)境因子和潛在分布區(qū)?！緮M解決的關(guān)鍵問題】分析西伯利亞蝗蟲在新疆的分布范圍,及其在各地州中不同風險等級所占研究區(qū)總面積的比例，確定影響西伯利亞蝗蟲分布的主導環(huán)境因子及主導環(huán)境因子的貢獻大小。

圖1 西伯利亞蝗蟲點分布

Fig. 1 Piont distribution ofGomphocerussibiric

1 材料與方法

1.1 材 料

1.1.1 西伯利亞蝗蟲的分布數(shù)據(jù)與處理

2013年，自治區(qū)畜牧廳治蝗滅鼠指揮部對各地州西伯利亞蝗蟲的分布進行野外隨機采樣與調(diào)查，并利用GPS記錄其分布的地理坐標點，根據(jù)MaxEnt模型的要求，將收集到的197個分布點保存為CSV格式的文件，且按照物種名、分布點的經(jīng)度、緯度順序保存。圖1

1.1.2 環(huán)境變量

環(huán)境數(shù)據(jù)采用WORLDCLIM(http：//www.worldclim.org/)下載的當前氣候(1950～2000年)數(shù)據(jù)，共19個氣候變量，其空間分辨率為2.5 arcmin。

1.1.3 軟件及地圖數(shù)據(jù)

研究所使用的MaxEnt軟件版本為3.3.3版，獲取地址在MAXENT主頁上(http：//www.cs.princeton.edu～schapire/MaxEnt)。采用美國環(huán)境系統(tǒng)研究所公司研發(fā)的ArcGIS。中國矢量地圖比例尺為1∶400萬，從國家基礎地理信息系統(tǒng)(http://nfgis.nsdi.gov.cn/)免費下載。

1.2 方 法

將197個西伯利亞蝗蟲分布點和19個環(huán)境變量導入MaxEnt軟件中，且在197個西伯利亞蝗蟲分布點中隨機選取75%作為訓練數(shù)據(jù)集，25%作為驗證數(shù)據(jù)集，選擇刀切法(Jackknife)，模型中的其它參數(shù)為默認參數(shù)，運行該模型，運行原理為：模型開始運行時，每一個物種都是均勻分布的，并進行依次迭代，每一個物種的每次迭代將增加樣本在該地的分布概率(即gain值)，gain的值隨著樣本點的迭代而增加(gain值的初始默認值為0)，當gain的值從開始的一次迭代到下一次迭代中的增加值小于收斂, 或者使得該值達到最大重復次數(shù)時程序終止[15]。模型運行終止后，所得結(jié)果是連續(xù)柵格數(shù)據(jù)，數(shù)值在0～1，輸出ASCⅡ格式的文件，將此文件導入ArcGIS軟件并轉(zhuǎn)換成raster格式，用新疆地州矢量圖為底圖掩膜抽提，并采用Natural Breaks重分類，最后得到西伯利亞蝗蟲在新疆的潛在分布區(qū)。

2 結(jié)果與分析

2.1 模型精度評價

ROC曲線被用來評價MaxEnt模型的精度，ROC曲線與橫坐標圍成面積(AUC)的大小作為衡量模型預測準確度的指標，AUC的取值范圍為[0，1]，取值越大，表明預測效果越好，間接地反映了模型的預測能力。當AUC取1時，模型預測的分布區(qū)與物種實際分布區(qū)完全吻合，此時是理想狀況。ROC曲線的評估標準為：AUC的值為0.5～0.6，預測結(jié)果不可接受(fail)；AUC的值為0.6～0.7，預測結(jié)果可接受(poor)；AUC的值為0.7～0.8，預測結(jié)果一般(fair)；AUC的值為0.8～0.9，預測結(jié)果較為滿意(good)；AUC的值為0.9～1，預測結(jié)果非常滿意(excellent)。研究所得訓練數(shù)據(jù)集和驗證數(shù)據(jù)集的AUC值分別為0.992、0.990。表明預測結(jié)果非常滿意。

2.2 西伯利亞蝗蟲潛在分布區(qū)的預測結(jié)果

基于ArcGIS軟件，采用Natural Breaks對柵格數(shù)據(jù)重分類，將研究區(qū)西伯利亞蝗蟲的生境分為5類，即非適生區(qū)(0～0.06)、低適生區(qū)(0.06～0.16)、邊緣適生區(qū)(0.16～0.29)、適生區(qū)(0.29～0.40)、高危區(qū)(0.40～0.56)。采用ArcGIS軟件的空間分析功能，計算出不同風險等級西伯利亞蝗蟲的分布面積，最終得到該蝗蟲的潛在分布圖。圖2

圖2 西伯利亞蝗蟲潛在分布區(qū)預測

表1 不同適生區(qū)等級面積占新疆各地州面積百分比

西伯利亞蝗蟲的潛在分布區(qū)主要在北疆及天山北坡一帶。其中，高危區(qū)包括塔城的西南部及東北部的部分區(qū)域，阿勒泰的東南部及西北部，烏魯木齊，博州、伊犁中部以及哈密中部部分區(qū)域，吐魯番西北部部分區(qū)域，克州西北部及西南部部分區(qū)域，巴州北部部分區(qū)域，阿克蘇北部部分區(qū)域；適生區(qū)包括阿勒泰中部和北部部分區(qū)域，塔城中部部分區(qū)域，博州及伊犁中部、北部及南部部分區(qū)域，哈密中部部分區(qū)域，巴州北部部分區(qū)域，克州北部和南部部分區(qū)域，阿克蘇北部部分區(qū)域；邊緣適生區(qū)包括阿勒泰中部、北部及南部部分區(qū)域，塔城中部，昌吉中部，伊犁中部，哈密中部部分區(qū)域，吐魯番北部部分區(qū)域，巴州西北部部分區(qū)域，克州北部及南部部分區(qū)域，喀什南部部分區(qū)域，阿克蘇北部部分區(qū)域；低適生區(qū)包括阿勒泰西南部、東部及中部部分區(qū)域，塔城西部、西南部及東北部部分區(qū)域，昌吉中部部分區(qū)域，博州東部及西部部分區(qū)域，伊犁東部及西部部分區(qū)域，吐魯番北部部分區(qū)域，哈密中部部分區(qū)域，阿克蘇西部，巴州北部部分區(qū)域，克州南部部分區(qū)域，喀什南部，和田西南部部分區(qū)域。利用ArcGIS的空間分析方法統(tǒng)計各級適宜生境面積比例，得到西伯利亞蝗蟲的非適生區(qū)占新疆總面積的66.39%，低適生區(qū)占新疆總面積的7.88%，邊緣適生區(qū)占新疆總面積的5.91%，適生區(qū)占新疆總面積的8.20%，高危區(qū)占新疆總面積的11.61%。

西伯利亞蝗蟲的適生區(qū)及高危區(qū)占研究區(qū)總面積的14.11%，該蝗蟲分布面積比較廣泛，且在北疆及天山北坡一帶分布的較為集中。圖2,表1

注：Bio1，年平均溫；Bio2，晝夜溫差月均值；Bio3，等溫性(Bio2/Bio7×100)；Bio4，溫度季節(jié)變化的標準差；Bio5，最熱月的高溫；Bio6，最冷月的低溫；Bio7，年溫的變化范圍；Bio8，最濕季平均溫；Bio9，最干季平均溫；Bio10，最暖季平均溫；Bio11，最冷季平均溫；Bio12，年均降雨量；Bio13，最濕月降雨量；Bio14，最干月降雨量；Bio15，降雨量變化的方差；Bio16，最濕季的降雨量；Bio17，最干季的降雨量；Bio18，最暖季的降雨量；Bio19，最冷季的降雨量

2.3 影響西伯利亞蝗蟲潛在分布區(qū)的主導環(huán)境因子

MaxEnt模型迭代運行，最終計算出19個環(huán)境因子對西伯利亞蝗蟲潛在分布的貢獻，結(jié)果表明：最冷季平均溫(bio11)、最冷季的降水量(bio19)的貢獻分別為27.3%、24.9%，最干季平均溫(bio9)、溫度變化的方差(bio4)的貢獻率分別為18%、10.3%，年均降雨量(bio12)、最濕季平均溫(bio8)和降雨量變化的標準差(bio15)的貢獻分別為3.6%、3.1%、2.7%。這7個環(huán)境因子的貢獻高達89.9%，說明影響西伯利亞蝗蟲分布的主要環(huán)境因子是最冷季平均溫(bio11)、最冷季的降水量(bio19)、最干季平均溫(bio9)、溫度變化的方差(bio4)、年均降雨量(bio12)、最濕季平均溫(bio8)和降雨量變化的標準差(bio15)。圖3

3 討 論

MaxEnt模型是近年來開發(fā)的物種分布模型，ROC曲線與橫坐標圍成的面積AUC對預測結(jié)果分析后表明，該模型較其它物種分布模型有較高的精度，且在物種分布數(shù)據(jù)不全的情況下，MaxEnt也能得到滿意的結(jié)果[22]。目前國內(nèi)應用MaxEnt模型的報道多集中在物種入侵的研究[20，23-24]，將該模型用于草原蝗蟲潛在分布的研究報道卻不多見。基于MaxEnt模型，研究在當前氣候條件下，識別了西伯利亞蝗蟲在新疆所有潛在分布區(qū)及潛在分布的程度，揭示出該蝗蟲的潛在分布區(qū)主要集中在北疆、天山北坡一帶，即塔城、阿勒泰、博州、伊犁、烏魯木齊、昌吉。上述區(qū)域地理上分布著新疆的多數(shù)草原(那拉提草原、托乎拉蘇草原、巴里坤草原等)，西伯利亞蝗蟲屬于草原蝗蟲，且對草原造成嚴重的危害。

刀切法不僅可以分析各個環(huán)境因子對物種分布的影響程度，也可以用來判斷哪個環(huán)境因子影響物種分布的貢獻較大[25-26]。此次刀切法分析的結(jié)果表明：最冷季平均溫(bio11)、最冷季的平均降水量(bio19)、最干季平均溫(bio9)、溫度變化的方差(bio4)、年均降雨量(bio12)、最濕季平均溫(bio8)和降雨量變化的方差(bio15)對西伯利亞蝗蟲的潛在分布影響較大。有研究結(jié)果表明：蝗災發(fā)生嚴重的年份氣溫偏高、降水量小，且產(chǎn)卵期氣溫越高、降水量越少，更利于蝗災的發(fā)生[4]。因此，應該在蝗蟲產(chǎn)卵的季節(jié)進行防治，以免造成更大的災害。

受試者工作特征曲線(receiver operating characteristic curve, ROC曲線)是以假陽性率為橫坐標，真陽性率為縱坐標繪制而成的曲線。ROC曲線與橫坐標圍成的面積即AUC的值，AUC的值不受閾值影響，因而被認為是診斷試驗最佳評價指標[27]，并且得到了廣泛的應用。運用MaxEnt模型直接繪制出的ROC曲線，并利用直接給出的AUC值來評價預測結(jié)果，結(jié)果表明模型模擬效果非常好，能夠較準確預測西伯利亞蝗蟲在新疆的潛在分布。

物種分布模型模擬的是物種的基礎生態(tài)位，然而物種的生態(tài)位會發(fā)生遷移。由于不同的時空尺度受到多種因素、不同強度的控制，使得基于物種生態(tài)與進化歷史復雜表達形式的物種分布區(qū)有所差異[28]。模型預測的結(jié)果只作為一種推測，并不能代表實地調(diào)查和普查，且每種模型都有一定的限制，根據(jù)不同的物種，如何選擇合適的模型，應該根據(jù)物種的生物學特性以及研究者對模型的理解能力及綜合使用能力[22]。研究只考慮了溫度和降水對西伯利亞蝗蟲的影響，如能綜合考慮地形、土壤、生物、物種的擴散能力以及物種進化能力等因素[29-30]，預測結(jié)果將會更準確。

4 結(jié) 論

西伯利亞蝗蟲在北疆及天山北坡一帶分布的較為集中，且分布面積比較廣泛。利用ArcGIS的空間分析方法統(tǒng)計各級適宜生境面積比例，得到西伯利亞蝗蟲的非適生區(qū)占新疆總面積的66.39%，低適生區(qū)占新疆總面積的7.88%，邊緣適生區(qū)占新疆總面積的5.91%，適生區(qū)占新疆總面積的8.20%，高危區(qū)占新疆總面積的11.61%。

采用ROC曲線下的面積(即AUC值)進行MaxEnt模型模擬精度的驗證。研究模擬的訓練數(shù)據(jù)集和驗證數(shù)據(jù)集的AUC值分別為0.992、0.990。表明預測結(jié)果非常滿意。

影響西伯利亞蝗蟲潛在分布的主導環(huán)境因子有：最冷季平均溫(bio11)、最冷季的降水量(bio19)、最干季平均溫(bio9)、溫度變化的方差(bio4)、年均降雨量(bio12)、

最濕季平均溫(bio8)和降雨量變化的標準差(bio15)。

致謝：感謝新疆維吾爾自治區(qū)治蝗滅鼠指揮部為本文提供數(shù)據(jù)。

References)

[1] 趙玲,王登元, 趙莉, 等. 新疆蝗蟲的研究進展[J]. 新疆農(nóng)業(yè)科學, 2012, 29(7): 1 212-1 223.

ZHAO Ling, WANG Deng-yuan, ZHAO LI, et al. (2012). Research Progress of Grasshoppers in Xinjiang [J].XinjiangAgriculturalSciences, 49 (7): 1,212-1,223. (in Chinese)

[2] 孫濤, 趙景學, 田莉華, 等. 草地蝗蟲發(fā)生原因及可持續(xù)管理對策[J]. 草業(yè)學報, 2010,19(3): 220-227.

SUN Tao, ZHAO Jing-xue, TIAN Li-hua, et al. (2010).Reasonsforanoutbreakofgrasslandgrasshoppers and sustainable management strategies for them [J].ActaPrataculturaeSinica, 19 (3): 220-227. (in Chinese)

[3] 傅瑋東, 姚艷麗, 李新建, 等. 新疆草原蝗蟲發(fā)生面積與大氣環(huán)流特征量指數(shù)模型的研究[J]. 草業(yè)科學,2004，26 (12): 124-130.

FU Wei-dong, YAO Yan-li, LI Xin-jian, et al. (2004). Study On the model between the area of grasshopper occurrence and indexes of atmospheric circulation [J].PrataculturalScience, 26 (12): 124-130.(in Chinese)

[4] 楊洪升. 基于MODIS-NDVI的新疆典型蝗區(qū)植被動態(tài)及蝗蟲發(fā)生的氣候背景研究[D]. 烏魯木齊：新疆農(nóng)業(yè)大學碩士論文, 2007.

YANG Hong-sheng. (2007).StudyontheclimatebackgroundofXinjiangtypicalvegetationdynamicsandlocustlocustareabasedonMODIS-NDVI[D]. Master Dissertation. Xinjiang Agricultural University, Urumqi. (in Chinese)

[5] 許仲林, 彭煥華, 彭守璋. 物種分布模型的發(fā)展及評價方法[J]. 生態(tài)學報, 2015, 32 (5): 557-567.

XU Zhong-lin, PENG Huan-hua, PENG Shou-zhang. (2015). The development and evaluation of species distribution models [J].ActaEcologicaSinica, 32 (5): 557-567. (in Chinese)

[6] Busby, J. R. (1991). Bioclim - a bioclimate analysis and prediction system.PlantProtectionQuarterly.

[7] Ortega-Huerta, M. A., & Peterson, A. T. (2008). Modeling ecological niches and predicting geographic distributions: a test of six presence-only methods modelado de nichos ecológicos y predicción de distribuciones geográficas: comparación de seis métodos.RevistaMexicanaDeBiodiversidad，(1)：205-216.

[8] Phillips, S. J., Anderson, R. P., & Schapire, R. E. (2013). Maximum entropy modeling of species geographic distributions.EcologicalModelling, 190(3-4)：231-259.

[9] 胡秀, 吳福川, 郭微. 基于MaxEnt生態(tài)學模型的檀香在中國的潛在種植區(qū)預測[J]. 林業(yè)科學,2014,50(5)：27-33.

HU Xiu, WU Fuc-huan, GUO Wei. (2014). Identification of Potential Cultivation Region for Santalum album in China by the MaxEnt Ecologic Niche Model [J].ScientiaSilvaeSinicae, 50 (5): 27-33. (in Chinese)

[10] Elith, J., Graham, C., Anderson, R., Dudik, M., Ferrier, S., & Guisan, A., et al. (2006). Novel methods improve prediction of species' distributions from occurrence data.Ecography, 29(2)：129-151.

[11] 萬基中, 王春晶, 韓士杰, 等. 應用GIS和Maxent預測南方紅豆杉潛在地理分布及其保護建議[J]. 江蘇農(nóng)業(yè)科學, 2014, 42(7)：349-352.

WAN Ji-zhong, WANG Chun-jing, HAN Shi-jie, et al. (2014). Based on GIS and Maxent in predicting the potential geographic distribution and its protection suggestions of Taxus mairei SY Hu [J].JiangsuAgriculturalSciences, 42(7): 349-352. (in Chinese)

[12] 羅翀, 徐衛(wèi)華, 周志翔, 等. 基于生態(tài)位模型的秦嶺山系林麝生境預測[J]. 生態(tài)學報,2011, 31(5): 1 221-1 229.

LUO Chong, XU Wei-hua, ZHOU Zhi-xiang, et al. (2011). Habitat prediction for forest musk deer (Moschus berezovskii) in Qinling mountain range based on niche model [J].ActaEcologicaSinica, 31(5): 1,221-1,229. (in Chinese)

[13] 李明陽, 席慶, 徐海根. 基于WEB數(shù)據(jù)庫和Maxent模型的白頭葉猴潛在生境評價研究[J]. 林業(yè)資源管理, 2010,(4): 31-36, 57.

LI Ming-yang, XI Qing, XU Hai-gen. (2010). EValuation of PotentiaI Habitat for White-headed Langur Based on WEB Dataset and Maxent ModeI [J].ForestResourcesManagement, (4): 31-36, 57.(in Chinese)

[14] 馬松梅, 聶迎彬, 耿慶龍, 等. 氣候變化對蒙古扁桃適宜分布范圍和空間格局的影響[J].植物生態(tài)學報, 2014, 38(3): 262-269.

MA Song-Mei, NIE Ying-Bin, GENG Qing-Long, et al. (2014). Impact of climate change on suitable distribution range and spatial pattern in Amygdalus mongolica [J].ChineseJournalofPlantEcology, 38(3): 262-269. (in Chinese)

[15] 郭彥龍, 衛(wèi)海燕, 路春燕, 等. 氣候變化下桃兒七潛在地理分布預測[J]. 植物生態(tài)學報,2014, 38(3): 249-261.

GUO Yan-Long, WEI Hai-Yan, LU Chun-Yan, et al. (2014). Predictions of potential geographical distribution of Sinopodophyllum hexandrum under climate change [J].ChineseJournalofPlantEcology, 38(3): 249-261.(in Chinese)

[16] 何淑婷, 白碧玉, 但佳惠, 等. 基于MaxEnt的南丹參在中國的潛在分布區(qū)預測及適 生性分析[J]. 安徽農(nóng)業(yè)科學, 2014, 42(8): 2 311-2 314.

HE Shu-ting, BAI Bi-yu, DAN Jia-hui, et al. (2014). Prediction of Potential Distribution Areas of Salvia bowleyana Dun．in China Based on MaxEnt and Suitability Analysis[J].JournalofAnhuiAgri.Sci， 42(8):2,311-2,314. (in Chinese)

[17] 房漢卿, 熊忠平, 潘涌智. 黃杉大痣小蜂Megastigmussp.的潛在分布區(qū)預測[J]. 動物學研究, 2011, 32(增刊): 174-179.

FANG Han-qing, XIONG Zhong-ping, PAN Yong-zhi. (2011). The Prediction of Potential Geographical Distribution of Seed ChalcidsMegastigmussp.[J].ZoologicalResearch, 32(suppl): 174-179. (in Chinese)

[18] 王穎, 章桂明, 楊偉東, 等. 基于MAXENT的大豆南北方莖潰瘍病菌在中國適生區(qū)的預測[J]. 植物檢疫, 2009, 23(4): 14-17.

WANG Ying, ZHANG Gui-ming, YANG Wei-dong, et al. (2009). Potential distribution ofDiaporthephaseolorumvar. Caulivora andDiaporthephaseolorumvar. Meridionalis in China predicted by MAXENT[J].PlantQuarantine, 23(4): 14-17. (in Chinese)

[19] 馮璐, 劉建宏, 李永和, 等. 基于Maxent模型的楚雄腮扁葉蜂潛在分布區(qū)預測[J]. 西部林業(yè)科學, 2013, 42(2): 49-55.

FENG Lu, LIU Jian-hong, LI Yong-he, et al. (2013). Prediction of Potential Distribution of Maxent Ecological Cephalcia chuxiongica Based on Niche Model [J].JournalofWestChinaForestryScience, 42 (2): 42-55. (in Chinese)

[20] 雷成軍, 徐海根. 基于MaxEnt的加拿大一枝黃花在中國的潛在分布區(qū)預測[J]. 生態(tài)與農(nóng)村環(huán)境學報, 2010, 26(2):137-141.

LEI Cheng-Jun, XU Hai-gen. (2010). MaxEnt -Based Prediction of Potential Distribution of Solidago canadensis in China [J].JournalofEcologyandRuralEnvironment, 42 (2): 137-141. (in Chinese)

[21] 何奇瑾, 周廣勝. 我國夏玉米潛在種植分布區(qū)的氣候適宜性研究[J]. 地理學報, 2011,66(11):1 443-1 450.

HE Qi-jin, ZHOU Guang-sheng. (2011). Climatic Suitability of Potential Summer Maize Planting Zones in China [J].ActaGeographicaSinica, 66 (11): 1,443-1,450. (in Chinese)

[22] 王運生, 謝丙炎, 萬方浩, 等. ROC曲線分析在評價入侵物種分布模型中的應用[J]. 生物多樣性, 2007, 15(4): 365-372．

WANG Yun-sheng, XIE Bing-yan, WAN Fang-hao, et al. (2007). Application of ROC curve analysis in evaluating the performance of alien species' potential distribution models [J].BiodiversityScience, 15 (2): 365-372. (in Chinese)

[23] 鐘艮平. 幾種外來入侵雜草在我國的潛在分布預測[D].重慶 西南大學碩士論文, 2008.

ZHONG Gen-ping. (2008).PredictionofPotentialDistributionofInvasiveAlienWeedsinChina[D]. Master Dissertation. Southwest University, Chongqing. (in Chinese)

[24]郭水良, 高平磊, 婁玉霞. 應用 MaxEnt模型預測檢疫性雜草毒萵苣在我國的潛分布范圍[J]. 上海交通大學學報(農(nóng)業(yè)科學版), 2011, 29(5):15-19.

GUO Shui-liang, GAO Ping-lei, LOU Yu-xia. (2011). Prediction of Potential Invasive Range of Quarantine Weed Lactuca serriola in China by MaxEnt Model [J].JournalofShanghaiJiaotongUniversity(Agricultural Science): 29 (5): 15-19. (in Chinese)

[25] Gibson, L., Barrett, B., & Burbidge, A. (2007). Dealing with uncertain absences in habitat modelling: a case study of a rare ground-dwelling parrot.Diversity&Distributions, 13(6)：704-713.

[26] Peterson, A. T., & Cohoon, K. P. (1999). Sensitivity of distributional prediction algorithms to geographic data completeness.EcologicalModelling, 117(99)：159-164.

[27] Vanagas, G. (2004). Receiver operating characteristic curves and comparison of cardiac surgery risk stratification systems.InteractiveCardiovascular&ThoracicSurgery, 3(2)：319-322.

[28] Jorge, B., & Soberon. (2011). Mapping species distributions: spatial inference and prediction.SystematicBotany,volume36(6)：818.

[29] Soberón, J. M. (2010). Niche and area of distribution modeling: a population ecology perspective.Ecography, 33(1)：159-167.

[30] Soberón, J., & Nakamura, M. (2009). Niches and distributional areas: concepts, methods, and assumptions.ProceedingsoftheNationalAcademyofSciencesoftheUnitedStatesofAmerica, 106 suppl 2(46)：19,644-19,650.

Fund project:Xinjiang grassland biological disaster monitoring using remote sensing (2013;2014-2015);High-level personnel training project sponsored by Xinjiang local goverment

Prediction of Potential Distribution AreaofGomphocerussibiricinChina Based on the MaxEnt Model

YANG Hui-feng1, ZHENG Jiang-hua1,2, WU Xiu-lan1, MU Chen3, LIN Jun3, XU Zhong-lin1,2

(1.CollegeofResources&EnvironmentScience,XinjiangUniversity,Urumqi830046,China; 2.KeyLaboratoryofSmartCityandEnvironmentModelingofOrdinaryCollegesandUniversitiesinXinjiangUniversity,Urumqi830046,China; 3.XinjiangAnimalHusbandryDepartment,Urumqi830001,China)

【Objective】 Based on the MaxEnt model, this paper aims to predict theGomphocerussibiricof the potential distribution area in Xinjiang. 【Method】A prediction ofGomphocerussibiricpotential distribution was conducted using MaxEnt model and ArcGIS software. In this prediction, 19 environmental variables and 197 occurrence data were used. When being modeled, the occurrence data and environmental variables were firstly imported into the MaxEnt, and 75% of the occurrence data to predict the risk (training data) and the other (testing data) to test the accuracy were used. The raster layer ofGomphocerussibiricwas gotten in the Xinjiang potential distribution in ASCII format, then was imported into ArcGIS for further analyses, and the potential suitable areas ofGomphocerussibiricin Xinjiang was gotten.【Result】Finally, the result was confirmed by the ROC (receiver operating characteristics) curve analytical method, and the AUC (area under the ROC curve) of the training data and testing data was as high as 0.992 and 0.990, respectively.Gomphocerussibiricof suitable area and high-risk area in Xinjiang were in Tacheng, Altay, Bortala, Ili, Urumqi and Changji.【Conclusion】According to the AUC value evaluation index, result is more accurate for the forecast ofGomphocerussibiricin this study.Gomphocerussibiricis mainly distributed in the northern Xinjiang and the northern slope of Tianshan Mountain. The suitable area and high-risk area is up to14.11%. Mean temperature and the average precipitation of the coldest quarter, mean temperature of the driest quarter, the standard deviation of temperature seasonal change, annual average precipitation, mean temperature of the wettest quarter and CV of precipitation were the main environmental variables that affected the distribution ofGomphocerussibiricin Xinjiang.

Gomphocerussibiric; Maximum Entropy Model; distribution; prediction

10.6048/j.issn.1001-4330.2016.01.006

2015-07-30

新疆維吾爾自治區(qū)治蝗滅鼠指揮辦公室委托項目(2013；2014-2015)；新疆維吾爾自治區(qū)高層次人才項目

楊會楓(1989-)，女，陜西渭南人，碩士研究生，研究方向為物種分布預測,(E-mail)984677057@qq.com

鄭江華(1973-)，男，新疆吐魯番人，教授，博士，研究方向為環(huán)境遙感與草原災害監(jiān)測,(E-mail)zheng_jianghua@126.com

Q948.13

A

1001-4330(2016)01-0043-08