摘 要：【目的】預(yù)測(cè)思茅松在云南省的潛在分布區(qū)，探討影響思茅松潛在分布的主導(dǎo)環(huán)境變量，為思茅松適地適樹(shù)、科學(xué)經(jīng)營(yíng)提供依據(jù)?！痉椒ā炕诙啻稳珖?guó)森林資源清查云南省固定樣地?cái)?shù)據(jù)確定思茅松現(xiàn)實(shí)分布點(diǎn)，選取影響林分生長(zhǎng)的19個(gè)生物氣候變量、3個(gè)地形變量和11個(gè)土壤變量，采用最大熵模型模擬思茅松在云南的潛在分布區(qū)，通過(guò)受試者工作特征曲線下面積AUC評(píng)價(jià)模型精度，使用刀切法分析環(huán)境變量對(duì)思茅松潛在分布區(qū)影響的重要程度，最后通過(guò)思茅松存在概率邏輯值采用相等間隔法對(duì)思茅松潛在分布區(qū)進(jìn)行分類。【結(jié)果】思茅松Maxent模型預(yù)測(cè)結(jié)果準(zhǔn)確性極好，10折交叉驗(yàn)證AUC的均值為0.921。根據(jù)模型各因子的最終貢獻(xiàn)率，影響思茅松潛在分布的主要環(huán)境變量為溫度和降水，其次是土壤、地形因子；刀切法檢驗(yàn)結(jié)果顯示，影響思茅松潛在分布區(qū)排名前五的主導(dǎo)環(huán)境變量為最干季平均溫度（Bio9）、等溫性（Bio3）、最濕月降水量（Bio13）、最濕季平均溫度（Bio8）和降水量的季節(jié)性（Bio15）。思茅松的核心適宜區(qū)主要分布在普洱市，其次是臨滄市和西雙版納州，玉溪市和紅河州有少量分布?！窘Y(jié)論】最大熵模型能夠很好的預(yù)測(cè)云南省思茅松的潛在分布區(qū)，篩選出影響思茅松潛在分布區(qū)的主導(dǎo)環(huán)境變量及其閾值合理，形成的思茅松潛在分布適宜性等級(jí)圖可為思茅松適地適樹(shù)、科學(xué)經(jīng)營(yíng)提供依據(jù)。

關(guān)鍵詞：環(huán)境變量；最大熵模型；思茅松；潛在分布區(qū)

中圖分類號(hào)：S791.259 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1673-923X（2024）11-0098-11

基金項(xiàng)目：國(guó)家自然科學(xué)基金項(xiàng)目（32371879）。

Potential distribution of Pinus kesiya var. langbianensis in Yunnan province based on maximum entropy model

QIN Yangping1，2， LI Hua1， LEI Xiangdong2， LUO Chunlin1， CHEN Qi1

（1. Southwest Survey and Planning Institute， National Forestry and Grassland Administration， Kunming 650031， Yunnan， China； 2. Institute of Forest Resource Information Techniques， Chinese Academy of Forestry， Beijing 100091， China）

Abstract：【Objective】To predict the potential distribution area of Simao pine （Pinus kesiya var. langbianensis） in Yunnan province and to explore the dominant environmental variables affecting the potential distribution， so as to provide the basis for the matching the site with trees and scientific management of Simao pine.【Method】The actual distribution of Simao pine was determined using National Forest Inventory data from permanent sample plots in Yunnan province. A total of 19 bioclimatic variables， 3 topographic variables and 11 soil variables affecting stand growth were selected to simulate the potential distribution area of Simao pine in Yunnan using the maximum entropy model （Maxent）. The accuracy of the model was evaluated by the area under the curve （AUC）， and the jackknife method was used to analyse the importance of the influence of environmental variables on the potential distribution area of Simao pine. Finally， the potential distribution area of the Simao pine was classified using the equal interval method based on the logical value of the probability of existence （P）.【Result】The Simao pine Maxent model has excellent prediction accuracy， with an average AUC of 0.921 over 10-fold cross-validation. According to the final contribution rate of each variable in the model， the main environmental variables affecting the potential distribution of Simao pine were temperature and precipitation， followed by soil and topographic variables. The jackknife test results showed that the top five dominant environmental variables affecting the potential distribution of Simao pine were mean temperature of driest quarter （Bio9）， isothermality （Bio3）， precipitation of wettest month （Bio13）， mean temperature of wettest quarter （Bio8） and precipitation seasonality （Bio15）. The core suitable area of Simao pine was mainly distributed in Puer city， followed by Lincang city and Xishuangbanna Prefecture， and a small amount was distributed in Yuxi city and Honghe Prefecture.【Conclusion】The maximum entropy model could well predict the potential distribution area of Simao pine in Yunnan province， and the selected dominant environmental variables affecting the potential distribution area of Simao pine and their thresholds were reasonable. The formed suitability grade diagram of potential distribution of Simao pine could provide a basis for matching site with trees and scientific management.

Keywords： environment variables； maximum entropy model； Pinus kesiya var. langbianensis； potential distribution

森林經(jīng)營(yíng)是森林質(zhì)量提升的根本途徑，適地適樹(shù)是森林經(jīng)營(yíng)的基本原則，要實(shí)現(xiàn)樹(shù)種（森林類型）和立地的科學(xué)“配對(duì)”，發(fā)揮最大的潛在生產(chǎn)力，就需要知道樹(shù)種（森林類型）適合在什么環(huán)境下出現(xiàn)及其適宜分布區(qū)[1]。物種分布模型（species distribution model，SDM）是一種基于物種存在或豐富度數(shù)據(jù)以及環(huán)境因子數(shù)據(jù)的數(shù)學(xué)模型，該類模型在環(huán)境因子組成的多維生態(tài)空間中依據(jù)采樣點(diǎn)提供的統(tǒng)計(jì)信息估計(jì)物種的生態(tài)位需求，然后投射到選定的時(shí)空范圍內(nèi)，以概率的形式反映物種對(duì)生境的偏好程度[2-3]。作為生態(tài)學(xué)和生物地理學(xué)的重要工具，物種分布模型被廣泛應(yīng)用于珍稀瀕危動(dòng)植物保護(hù)[4-5]，入侵物種的潛在分布[6-7]，氣候變化對(duì)未來(lái)物種分布的影響[8-9]等領(lǐng)域?；诓煌乃惴ǎ壳俺Ｓ玫奈锓N分布模型有BIOMOD模型、GARP模型、GRASP模型、Biomapper模型、Maxent模型、ModEco模型等[1，10]。在眾多物種分布模型中，Maxent模型具有數(shù)學(xué)定義簡(jiǎn)潔、參數(shù)設(shè)置靈活、容易收斂和預(yù)測(cè)精度高等特征[11-12]而被廣泛應(yīng)用于預(yù)測(cè)物種潛在分布的研究中。厲靜文等[13]應(yīng)用Maxent模型預(yù)測(cè)胡楊的適生區(qū)，結(jié)果能為胡楊引種栽培提供科學(xué)依據(jù)；劉佳琪等[14]將限制因子空間疊加與Maxent法相結(jié)合對(duì)北方抗旱造林樹(shù)種適宜分區(qū)進(jìn)行研究，結(jié)果可為半干旱半濕潤(rùn)區(qū)綠化造林提供適地適樹(shù)的科學(xué)指導(dǎo)；劉斯垚等[15]利用Maxent模型分析預(yù)測(cè)珠海市紅樹(shù)林適生區(qū)范圍，結(jié)果對(duì)紅樹(shù)林保護(hù)修復(fù)具有指導(dǎo)作用；王博一等[16]對(duì)小興安嶺主要建群樹(shù)種的潛在分布進(jìn)行預(yù)測(cè)，以期為撫育更新樹(shù)種的選擇和森林質(zhì)量精準(zhǔn)提升提供科學(xué)依據(jù)。

思茅松Pinus kesiya var. langbianensis是卡西亞松的地理變種，是云南省重要的材脂兼用樹(shù)種，主要分布在云南省哀牢山以西的南亞熱帶山區(qū)，具有生長(zhǎng)快、耐貧瘠、材質(zhì)優(yōu)和產(chǎn)脂高等特點(diǎn)[17-19]。據(jù)《第九次全國(guó)森林資源清查云南省森林資源清查成果（2017）》，思茅松面積和蓄積分別占云南省森林面積和蓄積的3.01%和3.12%，具有重要的經(jīng)濟(jì)價(jià)值和生態(tài)價(jià)值[20-22]。但目前有關(guān)思茅松的研究主要集中在樹(shù)高[23-24]、生物量和碳儲(chǔ)量[21-22，25]、生態(tài)學(xué)[26-27]、產(chǎn)脂量[28-29]等方面的研究，尚未開(kāi)展?jié)撛诜植紖^(qū)和適應(yīng)性評(píng)價(jià)等相關(guān)研究。本研究基于432個(gè)思茅松分布點(diǎn)數(shù)據(jù)及氣候、土壤和地形等環(huán)境數(shù)據(jù)，應(yīng)用Maxent模型對(duì)思茅松潛在分布區(qū)開(kāi)展系統(tǒng)研究，以期確定思茅松在云南省的潛在分布區(qū)和主導(dǎo)環(huán)境變量，為思茅松適地適樹(shù)、科學(xué)經(jīng)營(yíng)提供依據(jù)。

1 材料與方法

1.1 思茅松分布數(shù)據(jù)

思茅松分布數(shù)據(jù)來(lái)源于云南省第六次（2002年）、第七次（2007年）、第八次（2012年）和第九次（2017年）全國(guó)森林資源清查固定樣地?cái)?shù)據(jù)，固定樣地間距6 km×8 km。全省共有固定樣地7 974個(gè)，樣地面積0.08 hm2，從7 974個(gè)固定樣地篩選出樣木檢尺記錄中有思茅松的樣地共432塊（圖1）。在ArcGIS軟件中計(jì)算所有樣地的經(jīng)緯度坐標(biāo)作為思茅松物種分布點(diǎn)坐標(biāo)，存為“.csv”文件用于建模。

1.2 環(huán)境變量

本研究共選取33個(gè)環(huán)境變量用于建立Maxent模型，包括19個(gè)生物氣候變量（Bio1-Bio19）、3個(gè)地形變量（Elev、Aspect和Slope）和11個(gè)土壤變量（Bdod、Cec、Cfvo、Clay、Nitrogen、Phh2o、Sand、Silt、Soc、Ocd、Ocs），詳見(jiàn)表1。19個(gè)生物氣候變量和海拔（Elev）來(lái)源于世界氣候數(shù)據(jù)庫(kù)WorldClim[30]，坡度（Slope）和坡向（Aspect）通過(guò)ArcGIS軟件的空間分析工具由海拔（Elev）數(shù)據(jù)獲得。土壤數(shù)據(jù)來(lái)源于SoilGrids250m系統(tǒng)[31]，每個(gè)土壤變量被劃分為六個(gè)剖面深度（0～5、5～15、15～30、30～60、60～100和100～200 cm），按土壤剖面深度進(jìn)行加權(quán)平均作為土壤變量最終值，不足200 cm的按實(shí)際層數(shù)加權(quán)。所有環(huán)境變量的空間分辨率最終均處理為30弧秒。

將33個(gè)環(huán)境變量用于初始建立Maxent模型，得到每個(gè)環(huán)境變量的初始貢獻(xiàn)率，剔除貢獻(xiàn)率為0的變量，詳見(jiàn)表1。由于環(huán)境變量之間存在相關(guān)性，為避免影響模型精度，需要對(duì)環(huán)境變量進(jìn)行相關(guān)性分析。利用Python對(duì)環(huán)境變量進(jìn)行皮爾遜相關(guān)性檢驗(yàn)，若2個(gè)環(huán)境變量之間相關(guān)系數(shù)絕對(duì)值|r|≥0.8，則保留初始貢獻(xiàn)率較高的變量，當(dāng)二者貢獻(xiàn)率相同時(shí)，選擇與其他環(huán)境變量共線性關(guān)系小的環(huán)境變量[32-33]。經(jīng)過(guò)篩選，最終用于建模的環(huán)境變量有溫度（Bio2、Bio3、Bio7、Bio8、Bio9），降水（Bio13、Bio14、Bio15、Bio17），土壤（Bdod、Clay、Nitrogen、Ocs、Sand、Silt）和地形（Slope、Aspect）4類17個(gè)環(huán)境因子。采用刀切法（Jackknife method）分析環(huán)境變量對(duì)思茅松潛在分布區(qū)影響的重要程度[34]。

1.3 MaxEnt模型運(yùn)行與評(píng)價(jià)

最大熵模型是Phillips等2004年構(gòu)建[35]，本研究使用的Maxent版本是Version 3.4.4。將所有思茅松分布點(diǎn)數(shù)據(jù)和經(jīng)篩選后的環(huán)境變量輸入Maxent模型，對(duì)思茅松在云南省的潛在分布區(qū)進(jìn)行預(yù)測(cè)，得到思茅松存在概率邏輯值（P）。采用交叉驗(yàn)證的方式重復(fù)運(yùn)行10次。

本研究采用受試者工作特征曲線（receiver operating characteristic curve，ROC）評(píng)價(jià)模型預(yù)測(cè)效果[36]，該曲線以假陽(yáng)性率（1-特異性）為橫坐標(biāo)，真陽(yáng)性率（靈敏度）為縱坐標(biāo)繪制而成，ROC曲線下的面積為AUC（area under curve），范圍為[0， 1]。參考以前的研究，AUC值為0.5～0.7時(shí)表示模型預(yù)測(cè)能力一般，為0.7～0.9時(shí)表示模型預(yù)測(cè)能力較好，大于0.9時(shí)表示預(yù)測(cè)能力極好[37-38]。

1.4 思茅松適生區(qū)的劃分

使用ArcGIS軟件將Maxent模型預(yù)測(cè)結(jié)果中的“.asc文件”轉(zhuǎn)換為柵格數(shù)據(jù)，基于思茅松存在概率邏輯值（P）采用相等間隔法將思茅松潛在分布區(qū)分為四類：非適生區(qū)（P<0.2），低適生區(qū)（0.2≤P<0.4），中適生區(qū)（0.4≤P<0.6）和高適生區(qū)（P≥0.6）[39-40]。

2 結(jié)果與分析

2.1 Maxent模型預(yù)測(cè)精度

思茅松Maxent模型預(yù)測(cè)的受試者工作特征曲線如圖2所示，經(jīng)過(guò)Maxent模型對(duì)思茅松分布信息及環(huán)境因子交叉驗(yàn)證運(yùn)行10次且取其均值后，AUC值為0.921，表示模型預(yù)測(cè)能力極好，能夠準(zhǔn)確預(yù)測(cè)思茅松的潛在分布區(qū)。

2.2 環(huán)境變量的重要性

從表2可以看出，在最終的Maxent模型中，與溫度有關(guān)變量（Bio2、Bio3、Bio7、Bio8、Bio9）的累計(jì)貢獻(xiàn)率為43.7%，與降水有關(guān)變量（Bio13、Bio14、Bio15、Bio17）的累計(jì)貢獻(xiàn)率為44.9%，與土壤有關(guān)變量（Bdod、Clay、Nitrogen、Ocs、Sand、Silt）的累計(jì)貢獻(xiàn)率為10.8%，地形變量（Slope、Aspect）的貢獻(xiàn)率僅為0.6%。因此影響思茅松潛在分布的主要環(huán)境變量為溫度和降水，其次是土壤、地形變量。

利用刀切法對(duì)影響思茅松潛在分布的主導(dǎo)環(huán)境變量分析結(jié)果如圖3所示，正則化訓(xùn)練增益和測(cè)試增益排序前五的變量依次是Bio9、Bio3、Bio13、Bio8和Bio15，受試者工作特征曲線下面積（AUC）排序前五的變量依次是Bio9、Bio3、Bio8、Bio13和Bio15。綜上所述可知影響思茅松潛在分布的主導(dǎo)環(huán)境變量是Bio9、Bio3、Bio13、Bio8和Bio15。

圖4反映的是思茅松存在概率對(duì)主導(dǎo)環(huán)境變量的響應(yīng)曲線。根據(jù)前人研究，當(dāng)存在概率大于0.5時(shí)，認(rèn)為對(duì)應(yīng)的環(huán)境變量值更有利于植物的生長(zhǎng)[41-42]。思茅松的存在概率隨著最干季平均溫度（Bio9）的升高而升高，在16.7 ℃達(dá)到峰值，之后先持續(xù)下降后趨于平穩(wěn)；當(dāng)最干季平均溫度小于11.0 ℃或超過(guò)18.4 ℃時(shí)，思茅松存在概率小于0.5。等溫性（Bio3）的變化趨勢(shì)與最干季平均溫度基本一致，但等溫性的適宜范圍為42.6～52.7。思茅松存在概率隨最濕月降水量（Bio13）增加而增加，在Bio13達(dá)到141.2 mm時(shí)，存在概率大于0.5，在192.8 mm時(shí)思茅松存在概率達(dá)到峰值，之后存在概率逐漸降低，但都大于0.5。思茅松存在概率隨最濕季平均溫度（Bio8）增加而增加，在Bio8達(dá)到19.0℃時(shí)，存在概率大于0.5，在最濕季平均溫度達(dá)到28.2℃時(shí)思茅松存在概率達(dá)到峰值，之后存在概率保持不變。思茅松的存在概率隨著降水的季節(jié)性（Bio15）的升高而增加，在86.9%達(dá)到峰值，隨后持續(xù)下降，降水的季節(jié)性的適宜范圍是78.4%～92.4%。上述主導(dǎo)環(huán)境變量表明，思茅松要求有較高的平均氣溫、充沛的雨量等氣候條件。

2.3 思茅松潛在分布區(qū)

根據(jù)1.4思茅松適生區(qū)的劃分標(biāo)準(zhǔn)，得到思茅松的潛在分布圖（圖5），與思茅松實(shí)際采樣點(diǎn)的分布具有較高的一致性。高適生區(qū)面積14 002 km2，主要分布在普洱市，其面積占94%，臨滄市、西雙版納州、玉溪市和紅河州有少量分布，面積分別為382、333、70和8 km2；中適生區(qū)面積20 132 km2，主要分布在普洱市，其面積占71%，西雙版納州、臨滄市、玉溪市面積分別為2 590、1 934、720 km2，保山市、紅河州、楚雄州和大理州有少量分布，面積合計(jì)495 km2；低適生區(qū)面積28 521 km2，普洱市、臨滄市、西雙版納州、玉溪市、保山市和紅河州面積分別占33%、28%、15%、8%、5%和5%，楚雄州、德宏州和大理州面積合計(jì)占6%；其余均為非適生區(qū)。從圖5可以看出思茅松在云南主要分布哀牢山西坡以西的亞熱帶南部，這與《云南森林》中的描述一致[43]。

3 討 論

3.1 思茅松潛在分布區(qū)預(yù)測(cè)的可靠性

本研究基于Maxent模型對(duì)思茅松在云南省的潛在分布區(qū)進(jìn)行預(yù)測(cè)，經(jīng)過(guò)Maxent模型對(duì)思茅松分布信息及環(huán)境因子交叉驗(yàn)證運(yùn)行10次且取其均值后，AUC值為0.921，表示模型預(yù)測(cè)能力極好，能夠準(zhǔn)確預(yù)測(cè)思茅松的潛在分布區(qū)。根據(jù)模型預(yù)測(cè)結(jié)果（圖5），思茅松的潛在分布區(qū)主要集中普洱市、臨滄市、西雙版納州，此外玉溪市、保山市、紅河州有部分分布，楚雄州、德宏州和大理州有少量分布，這與思茅松文獻(xiàn)記載分布保持高度一致[17，26，43-44]。

物種分布數(shù)據(jù)和環(huán)境變量的不確定性是物種分布模型不確定性來(lái)源的主要方面[3]。在以往的研究中，物種分布數(shù)據(jù)來(lái)源于實(shí)地調(diào)查、文獻(xiàn)和標(biāo)本館記錄等方式[41， 45-46]，物種分布點(diǎn)位置的不確定性會(huì)導(dǎo)致物種-環(huán)境關(guān)系不確定性估計(jì)，進(jìn)而增加模型結(jié)果的不確定性[3]。而本研究思茅松分布數(shù)據(jù)來(lái)源于云南省四次全國(guó)森林資源清查固定樣地?cái)?shù)據(jù)，思茅松分布點(diǎn)坐標(biāo)均為實(shí)測(cè)；同時(shí)森林資源清查固定樣地以省為單位，采用系統(tǒng)抽樣的方法進(jìn)行布設(shè)，能夠覆蓋思茅松的主要分布區(qū)域，避免了不完全抽樣對(duì)物種分布模擬的偏差。國(guó)內(nèi)外其他學(xué)者也有類似的研究，如Dolos等[47]基于德國(guó)歷次森林資源清查數(shù)據(jù)，使用廣義加性模型（GAMs）預(yù)測(cè)歐洲山毛櫸Fagus sylvatica等4個(gè)樹(shù)種的潛在分布，劉丹等[34]使用吉林省第八次森林資源連續(xù)清查固定樣地?cái)?shù)據(jù)，采用Maxent模型預(yù)測(cè)吉林省11個(gè)主要天然林類型的潛在分布區(qū)，都取得了較好的結(jié)果。

環(huán)境變量的不確定性主要是由環(huán)境變量的共線性和環(huán)境變量的空間分辨率兩者決定[3]。諸多環(huán)境變量存在較強(qiáng)的共線性，建模時(shí)會(huì)造成統(tǒng)計(jì)信息冗余，對(duì)最終的建模結(jié)果產(chǎn)生不利影響[3， 48]。本研究采用相關(guān)系數(shù)結(jié)合Maxent模型初始運(yùn)行時(shí)各個(gè)變量貢獻(xiàn)率的方法確定最終用于建模的環(huán)境變量。在環(huán)境變量的準(zhǔn)備過(guò)程中，除了使用相關(guān)系數(shù)，還可以使用主成分分析[49-50]、方差膨脹因子[51]等方法對(duì)環(huán)境變量進(jìn)行降維。本研究環(huán)境變量的空間分辨率均采用30弧秒，能夠滿足區(qū)域尺度上物種分布的預(yù)測(cè)[3， 52]。綜上所述，基于云南省四次全國(guó)森林資源清查固定樣地?cái)?shù)據(jù)中的思茅松分布點(diǎn)，建立Maxent模型預(yù)測(cè)思茅松潛在分布區(qū)，在物種分布數(shù)據(jù)來(lái)源方面大大降低了不確定性；同時(shí)較高分辨率環(huán)境數(shù)據(jù)的使用，采用相關(guān)性分析對(duì)環(huán)境變量進(jìn)行降維能夠大幅降低環(huán)境變量的不確定性，進(jìn)而提高思茅松Maxent模型預(yù)測(cè)的可靠性。

3.2 影響思茅松潛在分布的環(huán)境變量

從Maxent模型結(jié)果可以看出，溫度和降水是影響思茅松潛在分布的主要環(huán)境變量，溫度貢獻(xiàn)率為43.7%，降水貢獻(xiàn)率為44.9%，而土壤貢獻(xiàn)率為10.8%，地形變量貢獻(xiàn)率僅為0.6%。由刀切法對(duì)環(huán)境變量分析的結(jié)果可知，影響思茅松潛在分布區(qū)排名前五的主導(dǎo)環(huán)境變量為最干季平均溫度（Bio9）、等溫性（Bio3）、最濕月降水量（Bio13）、最濕季平均溫度（Bio8）和降水的季節(jié)性（Bio15），與溫度有關(guān)的變量占3個(gè)，與降水有關(guān)的變量占2個(gè)。不同的學(xué)者在研究其他針葉樹(shù)種潛在分布時(shí)也得到類似的結(jié)果。李單琦等[53]在使用氣候因子和地形因子預(yù)測(cè)福建柏Fokienia hodginsii適生區(qū)發(fā)現(xiàn)，在最終用于建模的11個(gè)變量中，除海拔外均是與溫度和降水相關(guān)的氣候因子。陳禹光等[54]在探究氣候因子和地形因子對(duì)杉木Cunninghamia lanceolata潛在地理分布時(shí)發(fā)現(xiàn)，年降水量、最干季降水量、最冷月最低溫度和晝夜溫差月均值四者的累計(jì)貢獻(xiàn)率達(dá)88.8%，是影響杉木潛在分布的主導(dǎo)環(huán)境變量。宋慧芳等[32]在研究樟子松Pinus sylvestris var. mongolica在內(nèi)蒙古的潛在分布時(shí)發(fā)現(xiàn)，影響樟子松潛在分布的主要因子是降水和溫度，其次是土壤和地形因子。思茅松要求較高的水熱條件，其分布區(qū)具有平均溫度較高、年溫差小、雨量較充沛的特點(diǎn)[43]，這與圖4反映的主要環(huán)境變量響應(yīng)曲線的結(jié)果一致。

本研究在預(yù)測(cè)思茅松潛在分布區(qū)時(shí)，所用的環(huán)境變量包括溫度、降水、土壤和地形，但樹(shù)種的地理分布也受光照、種內(nèi)種間關(guān)系、人為干擾、極端氣候等其他因素的影響[16，32，55]，在未來(lái)的研究中需要收集更多類型的環(huán)境數(shù)據(jù)來(lái)強(qiáng)化模型預(yù)測(cè)的適用性。另外本研究主要基于當(dāng)前氣候數(shù)據(jù)預(yù)測(cè)思茅松的潛在分布，但全球氣候變化會(huì)影響樹(shù)種的未來(lái)分布[16]，因此需要進(jìn)一步研究不同氣候情景下思茅松的潛在分布及變化趨勢(shì)。

4 結(jié) 論

研究了影響云南省思茅松分布的主導(dǎo)環(huán)境變量，并基于這些環(huán)境變量應(yīng)用Maxent模型預(yù)測(cè)思茅松在云南省的潛在分布區(qū)，研究結(jié)果可為思茅松適地適樹(shù)、科學(xué)經(jīng)營(yíng)提供重要的理論支撐。主要的結(jié)果如下：思茅松的潛在分布區(qū)主要集中普洱市、臨滄市、西雙版納州，此外玉溪市、保山市、紅河州有部分分布，楚雄州、德宏州和大理州有少量分布，這些地區(qū)擁有適宜思茅松生長(zhǎng)的氣候與土壤條件，適宜對(duì)其進(jìn)行栽培和推廣。本研究通過(guò)最大熵模型分析表明溫度和降水是影響思茅松潛在分布的主導(dǎo)環(huán)境變量，并確定了思茅松潛在分布區(qū)各主導(dǎo)環(huán)境變量的適宜范圍。其中，分布區(qū)最干季平均溫度11.0～18.4 ℃，等溫性42.6～52.7，最濕月降水量大于141.2 mm，最濕季平均溫度大于19.0 ℃，降水量的季節(jié)性78.4%～92.4%。

參考文獻(xiàn)：

[1] 雷相東，唐守正，符利勇.森林立地質(zhì)量定量評(píng)價(jià)：理論方法應(yīng)用[M].北京：中國(guó)林業(yè)出版社，2020：88-90. LEI X D， TANG S Z， FU L Y. Quantitative evaluation of forest site quality： theoretical methods application[M]. Beijing： China Forestry Publishing House，2020：88-90.

[2] ELITH J， LEATHWICK J R. Species distribution models： ecological explanation and prediction across space and time[J]. Annual Review of Ecology， Evolution， and Systematics，2009， 40（1）：677-697.

[3] 郭彥龍，趙澤芳，喬慧捷，等.物種分布模型面臨的挑戰(zhàn)與發(fā)展趨勢(shì)[J].地球科學(xué)進(jìn)展，2020，35（12）：1292-1305. GUO Y L， ZHAO Z F， QIAO H J， et al. Challenges and development trend of species distribution model[J]. Advances in Earth Science，2020，35（12）：1292-1305.

[4] 油志遠(yuǎn)，王茗，魯碧耕，等.基于MaxEnt模型預(yù)測(cè)藍(lán)馬雞的潛在分布區(qū)[J].生態(tài)學(xué)雜志，2022，41（11）：2271-2277. YOU Z Y， WANG M， LU B G， et al. Predicting the potential distribution of Crossoptilon auritum based on MaxEnt model[J]. Chinese Journal of Ecology，2022，41（11）：2271-2277.

[5] 王雨生，王召海，邢漢發(fā)，等.基于MaxEnt模型的珙桐在中國(guó)潛在適生區(qū)預(yù)測(cè)[J].生態(tài)學(xué)雜志，2019，38（4）：1230-1237. WANG Y S， WANG Z H， XING H F， et al. Prediction of potential suitable distribution of Davidia involucrata in China based on MaxEnt[J]. Chinese Journal of Ecology，2019，38（4）：1230-1237.

[6] 張丹華，胡遠(yuǎn)滿，劉淼.基于Maxent生態(tài)位模型的互花米草在我國(guó)沿海的潛在分布[J].應(yīng)用生態(tài)學(xué)報(bào)，2019，30（7）：2329-2337. ZHANG D H， HU Y M， LIU M. Potential distribution of Spartinal alterniflora in China coastal areas based on Maxent niche model[J]. Chinese Journal of Applied Ecology，2019， 30（7）：2329-2337.

[7] 張穎，李君，林蔚，等.基于最大熵生態(tài)位元模型的入侵雜草春飛蓬在中國(guó)潛在分布區(qū)的預(yù)測(cè)[J].應(yīng)用生態(tài)學(xué)報(bào)，2011， 22（11）：2970-2976. ZHANG Y， LI J， LIN W， et al. Prediction of potential distribution area of Erigeron philadelphicus in China based on MaxEnt model[J].Chinese Journal of Applied Ecology，2011， 22（11）：2970-2976.

[8] 應(yīng)凌霄，劉曄，陳紹田，等.氣候變化情景下基于最大熵模型的中國(guó)西南地區(qū)清香木潛在分布格局模擬[J].生物多樣性， 2016，24（4）：453-461. YING L X， LIU Y， CHEN S T， et al. Simulation of the potential range of Pistacia weinmannifolia in southwest China with climate change based on the maximum-entropy （MaxEnt） model[J]. Biodiversity Science，2016，24（4）：453-461.

[9] 楊啟杰.基于MaxEnt模型的孑遺植物桫欏在不同時(shí)期的潛在適生區(qū)研究[D].杭州：浙江大學(xué)，2021. YANG Q J. Simulating the potential suitable habitats of the relict plant Alsophila spinulosa in different periods based on MaxEnt model[D]. Hangzhou： Zhejiang University，2021.

[10] 李國(guó)慶，劉長(zhǎng)成，劉玉國(guó)，等.物種分布模型理論研究進(jìn)展[J].生態(tài)學(xué)報(bào)，2013，33（16）：4827-4835. LI G Q， LIU C C， LIU Y G， et al. Advances in theoretical issues of species distribution models[J]. Acta Ecologica Sinica，2013，33（16）：4827-4835.

[11] 韓夢(mèng)麗，白史且，孫盛楠，等.基于MaxEnt模型青藏高原老芒麥適生區(qū)模擬預(yù)測(cè)[J].草地學(xué)報(bào)，2021，29（2）：374-382. HAN M L， BAI S Q， SUN S N， et al. Simulation of Elymus sibiricus distribution in Tibetan Plateau based on MaxEnt model[J]. Acta Agrestia Sinica，2021，29（2）：374-382.

[12] PHILLIPS S J， ANDERSON R P， SCHAPIRE R E. Maximum entropy modeling of species geographic distributions[J]. Ecological Modelling，2006，190（3/4）：231-259.

[13] 厲靜文，郭浩，王雨生，等.基于MaxEnt模型的胡楊潛在適生區(qū)預(yù)測(cè)[J].林業(yè)科學(xué)，2019，55（12）：133-139. LI J W， GUO H， WANG Y S， et al. Identification of potential distribution area for Populus euphratica by the MaxEnt ecologic niche model[J]. Scientia Silvae Sinicae，2019，55（12）：133-139.

[14] 劉佳琪，魏廣闊，史常青，等.基于MaxEnt模型的北方抗旱造林樹(shù)種適宜區(qū)分布[J].北京林業(yè)大學(xué)學(xué)報(bào)，2022，44（7）：63-77. LIU J Q， WEI G K， SHI C Q， et al. Suitable distribution area of drought-resistant afforestation tree species in north China based on MaxEnt model[J]. Journal of Beijing Forestry University， 2022，44（7）：63-77.

[15] 劉斯垚，周維，葉生晶，等.基于MaxEnt模型的珠海市紅樹(shù)林潛在適生區(qū)分析[J].中南林業(yè)科技大學(xué)學(xué)報(bào)，2023，43（12）： 35-43. LIU S Y， ZHOU W， YE S J， et al. Research on the potential suitable habitat of mangroves analysis in Zhuhai city based on MaxEnt modeling[J]. Journal of Central South University of Forestry Technology，2023，43（12）：35-43.

[16] 王博一，董靈波，劉兆剛.不同氣候情景下小興安嶺3個(gè)珍稀易危樹(shù)種的潛在分布預(yù)測(cè)[J].中南林業(yè)科技大學(xué)學(xué)報(bào)，2024， 44（2）：29-40. WANG B Y， DONG L B， LIU Z G. Prediction of potential distribution of three protective tree species in Xiaoxing’an mountain under different climatic scenarios[J]. Journal of Central South University of Forestry Technology，2024，44（2）：29-40.

[17] 付玉嬪，李思廣，許林紅，等.氣象因子和坡向?qū)λ济┧僧a(chǎn)脂量的影響[J].東北林業(yè)大學(xué)學(xué)報(bào)，2021，49（1）：29-32. FU Y P， LI S G， XU L H， et al. Effect of meteorological factors and aspect on the resin production of Simao pine[J]. Journal of Northeast Forestry University，2021，49（1）：29-32.

[18] 賈呈鑫卓，李帥鋒，蘇建榮.地形因子對(duì)思茅松人工林土壤有機(jī)碳儲(chǔ)量的影響[J].林業(yè)科學(xué)研究，2016，29（3）：424-429. JIA C X Z， LI S F， SU J R. Influence of terrain factors on soil organic carbon stock in Pinus kesiya var. langbianensis plantation[J]. Forest Research，2016，29（3）：424-429.

[19] 歐光龍，胥輝，王俊峰， 等.思茅松天然林林分生物量混合效應(yīng)模型構(gòu)建[J].北京林業(yè)大學(xué)學(xué)報(bào)，2015，37（3）：101-110. OU G L， XU H， WANG J F， et al. Building mixed effect models of stand biomass for Simao pine （Pinus kesiya var. langbianensis） natural forest[J]. Journal of Beijing Forestry University，2015，37（3）：101-110.

[20] 溫慶忠，趙元藩，陳曉鳴，等.中國(guó)思茅松林生態(tài)服務(wù)功能價(jià)值動(dòng)態(tài)研究[J].林業(yè)科學(xué)研究，2010，23（5）：671-677. WEN Q Z， ZHAO Y F， CHEN X M， et al. Dynamic study on the values for ecological service function of Pinus kesiya forest in China[J]. Forest Research，2010，23（5）：671-677.

[21] 李江.思茅松中幼齡人工林生物量和碳儲(chǔ)量動(dòng)態(tài)研究[D].北京：北京林業(yè)大學(xué)，2011. LI J. Dynamics of biomass and carbon stock for young and middle aged plantation of Simao pine （Pinus kesiya var. langbianensis）[D]. Beijing： Beijing Forestry University，2011.

[22] 歐光龍.氣候變化背景下思茅松天然林生物量模型構(gòu)建[D].哈爾濱：東北林業(yè)大學(xué)，2014. OU G L. Modeling biomass of Pinus kesiya var. langbianensis natural forest under the background of climate change[D]. Harbin： Northeast Forestry University，2014.

[23] 胥輝，全宏波，王斌.思茅松標(biāo)準(zhǔn)樹(shù)高曲線的研究[J].西南林學(xué)院學(xué)報(bào)，2000，20（2）：74-77. XU H， QUAN H B， WANG B. A study on the model of theoretical height-diameter curve of Pinus kesiya var. langbianensis[J]. Journal of Southwest Forestry University，2000，20（2）：74-77.

[24] 歐光龍，王俊峰，胥輝，等.思茅松天然林胸徑與樹(shù)高結(jié)構(gòu)的變化[J].中南林業(yè)科技大學(xué)學(xué)報(bào)，2014，34（1）：37-41. OU G L，WANG J F， XU H， et al. Changes of DBH and tree height structure of Pinus kesiya var. langbianensis natural forest[J]. Journal of Central South University of Forestry Technology， 2014，34（1）：37-41.

[25] 閭妍宇，李超，歐光龍，等.基于地理加權(quán)回歸模型的思茅松生物量遙感估測(cè)[J].林業(yè)資源管理，2017（1）：82-90. LYU Y Y， LI C， OU G L， et al. Remote sensing estimation of biomass of Pinus kesiya var. langbianensis by geographically weighted regression models[J]. Forest Resources Management，2017（1）： 82-90.

[26] 李帥鋒，蘇建榮，劉萬(wàn)德，等.云南省思茅松林群落數(shù)量分類及物種多樣性與自然環(huán)境的關(guān)系[J].生態(tài)學(xué)雜志，2013， 32（12）：3152-3159. LI S F， SU J R， LIU W D， et al. Quantitative classification of Pinus kesiya var. langbianensis communities and their species richness in relation to the environmental factors in Yunnan province of southwest China[J]. Chinese Journal of Ecology，2013，32（12）：3152-3159.

[27] 黃小波，李帥鋒，蘇建榮，等.擇伐對(duì)思茅松自然種群結(jié)構(gòu)和空間分布格局的影響[J].生態(tài)學(xué)報(bào)，2015，35（24）：8241-8250. HUANG X B， LI S F， SU J R， et al. Influences of selective cutting on the structure and spatial distribution patterns of a natural population of Pinus kesiya var. langbianensis[J]. Acta Ecologica Sinica，2015，35（24）：8241-8250.

[28] 翁海龍，賈紅亮，陳宏偉，等.思茅松高產(chǎn)脂優(yōu)樹(shù)產(chǎn)脂量相關(guān)因子分析[J].東北林業(yè)大學(xué)學(xué)報(bào)，2008，36（11）：69-70. WENG H L， JIA H L， CHEN H W， et al. Factors influencing resin yield of high-yield Pinus kesiya var. langbianensis[J]. Journal of Northeast Forestry University，2008，36（11）：69-70.

[29] 陳偉，陳紹安，羅婷，等.思茅松產(chǎn)脂量相關(guān)生態(tài)因子的主成分分析[J].西部林業(yè)科學(xué)，2023，52（1）：27-33. CHEN W， CHEN S A， LUO T， et al. Principal component analysis of ecological factors related to resin yield in Pinus kesiya var. langbianensis[J]. Journal of West China Forestry Science，2023，52（1）：27-33.

[30] FICK S E， HIJMANS R J. WorldClim 2： new 1‐km spatial resolution climate surfaces for global land areas[J]. International Journal of Climatology，2017，37（12）：4302-4315.

[31] POGGIO L， DE SOUSA L M， BATJES N H， et al. SoilGrids 2.0： producing soil information for the globe with quantified spatial uncertainty[J]. Soil，2021，7（1）：217-240.

[32] 宋慧芳，黨曉宏，高永，等.基于MaxEnt模型的內(nèi)蒙古自治區(qū)樟子松潛在分布研究[J].四川農(nóng)業(yè)大學(xué)學(xué)報(bào)，2023，41（2）： 203-208，248. SONG H F， DANG X H， GAO Y， et al. Potential distribution of Pinus sylvestris in Inner Mongolia autonomous region based on MaxEnt model[J]. Journal of Sichuan Agricultural University， 2023，41（2）：203-208，248.

[33] 李建宇，陳燕婷，郭燕青，等.基于MaxEnt預(yù)測(cè)未來(lái)氣候條件下鉆葉紫菀在中國(guó)的潛在適生區(qū)[J].植物保護(hù)，2023， 49（2）：92-102. LI J Y， CHEN Y T， GUO Y Q， et al. Potential suitable areas of Symphyotrichum subulatum based on MaxEnt under future climate scenarios[J]. Plant Protection，2023，49（2）：92-102.

[34] 劉丹，李玉堂，洪玲霞，等.基于最大熵模型的吉林省主要天然林潛在分布適宜性[J].林業(yè)科學(xué)，2018，54（7）： 1-15. LIU D， LI Y T， HONG L X， et al. The suitability of potential geographic distribution of natural forest types in Jilin province based on maximum entropy models[J]. Scientia Silvae Sinicae，2018，54（7）：1-15.

[35] PHILLIPS S J， DUDíK M， SCHAPIRE R E. A maximum entropy approach to species distribution modeling[C]// Association for Computing Machinery. Proceedings of the 21 International Conference on Machine Learning. New York： Association for Computing Machinery，2004：655-662.

[36] 王運(yùn)生，謝丙炎，萬(wàn)方浩，等.ROC曲線分析在評(píng)價(jià)入侵物種分布模型中的應(yīng)用[J].生物多樣性，2007，15（4）：365-372. WANG Y S， XIE B Y， WAN F H， et al. Application of ROC curve analysis in evaluating the performance of alien species’potential distribution models[J]. Biodiversity Science，2007， 15（4）：365-372.

[37] SWETS J A. Measuring the accuracy of diagnostic systems[J]. Science，1988，240（4857）：1285-1293.

[38] 陳新美，雷淵才，張雄清，等.樣本量對(duì)MaxEnt模型預(yù)測(cè)物種分布精度和穩(wěn)定性的影響[J].林業(yè)科學(xué)，2012，48（1）：53-59. CHEN X M， LEI Y C， ZHANG X Q， et al. Effects of sample sizes on accuracy and stability of maximum entropy model in predicting species distribution[J]. Scientia Silvae Sinicae，2012，48（1）：53-59.

[39] 吳帆，朱沛煌，季孔庶.馬尾松分布格局對(duì)未來(lái)氣候變化的響應(yīng)[J].南京林業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，46（2）：196-204. WU F， ZHU P H， JI K S. Responses of masson pine （Pinus massoniana） distribution patterns to future climate change[J]. Journal of Nanjing Forestry University （Natural Sciences Edition），2022，46（2）：196-204.

[40] 陳劍，張珊珊，羅婷，等.云南松和地盤松適生區(qū)分布格局及關(guān)鍵生態(tài)因子[J].東北林業(yè)大學(xué)學(xué)報(bào)，2021，49（9）：8-14. CHEN J， ZHANG S S， LUO T， et al. Distribution pattern of Pinus yunnanensis and P. yunnanensis var. pygmaea and related key ecological factors[J]. Journal of Northeast Forestry University，2021，49（9）：8-14.

[41] 王東升，趙偉，程蓓蓓，等.基于MaxEnt模型的中國(guó)山楂潛在適生區(qū)[J].林業(yè)科學(xué)，2022，58（7）：43-50. WANG D S， ZHAO W， CHENG B B， et al. Potential suitable areas of Crataegus pinnatifida in China based on MaxEnt modeling[J]. Scientia Silvae Sinicae，2022，58（7）：43-50.

[42] 潘浪波，段偉，黃有軍.基于MaxEnt模型預(yù)測(cè)薄殼山核桃在中國(guó)的種植區(qū)[J].浙江農(nóng)林大學(xué)學(xué)報(bào)，2022，39（1）：76-83. PAN L B， DUAN W， HUANG Y J. Prediction on the potential planting area of Carya illinoinensis in China based on MaxEnt model[J]. Journal of Zhejiang A F University，2022，39（1）：76-83.

[43] 云南森林編寫(xiě)委員會(huì).云南森林[M].昆明：云南科技出版社， 1986. YUNNAN F P C. Yunnan forest[M]. Kunming： Yunnan Science and Technology Press，1986.

[44] 李思廣，付玉嬪，張快富，等.高產(chǎn)脂思茅松半同胞子代測(cè)定[J].浙江林學(xué)院學(xué)報(bào)，2008，25（2）：158-162. LI S G， FU Y P， ZHANG K F， et al. Half-sib progeny tests of high-resin-yielding Pinus kesiya var. langbianensis[J]. Journal of Zhejiang A F University，2008，25（2）：158-162.

[45] 唐燕，趙儒楠，任鋼，等.基于MaxEnt模型的中華枸杞潛在分布預(yù)測(cè)及其重要影響因子分析[J].北京林業(yè)大學(xué)學(xué)報(bào)，2021， 43（6）：23-32. TANG Y， ZHAO R N， REN G， et al. Prediction of potential distribution of Lycium chinense based on MaxEnt model and analysis of its important influencing factors[J]. Journal of Beijing Forestry University，2021，43（6）：23-32.

[46] 胡淑萍，何禮文.基于MaxEnt與ArcGIS對(duì)白水江國(guó)家級(jí)自然保護(hù)區(qū)缺苞箭竹適生區(qū)分析[J].生態(tài)學(xué)雜志，2020，39（6）： 2115-2122. HU S P， HE L W. Analysis of suitable distribution areas of Fargesia denudata in Baishuijiang national nature reserve using MaxEnt model and ArcGIS[J]. Chinese Journal of Ecology，2020，39（6）：2115-2122.

[47] DOLOS K， BAUER A， ALBRECHT S. Site suitability for tree species： is there a positive relation between a tree species’occurrence and its growth？[J]. European Journal of Forest Research，2015，134（4）：609-621.

[48] YANG X Q， KUSHWAHA S P S， SARAN S， et al. Maxent modeling for predicting the potential distribution of medicinal plant， Justicia adhatoda in Lesser Himalayan foothills[J]. Ecological Engineering，2013，51：83-87.

[49] 晁碧霄，胡文佳，陳彬，等.基于MaxEnt模型的廣東省紅樹(shù)林潛在適生區(qū)和保護(hù)空缺分析[J].生態(tài)學(xué)雜志，2020，39（11）： 3785-3794. CHAO B X， HU W J， CHEN B， et al. Potential suitable habitat of mangroves and conservation gap analysis in Guangdong province with MaxEnt modeling[J]. Chinese Journal of Ecology， 2020，39（11）：3785-3794.

[50] 董京京，陳潔，楊宏，等.華中櫻桃適生區(qū)模擬和生態(tài)特征分析[J].南京林業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，46（3）：213-221. DONG J J， CHEN J， YANG H， et al. Simulation and analyses of ecological characteristics of Cerasus conradinae adaptability area[J]. Journal of Nanjing Forestry University （Natural Sciences Edition），2022，46（3）：213-221.

[51] 郭杰，劉小平，張琴，等.基于Maxent模型的黨參全球潛在分布區(qū)預(yù)測(cè)[J].應(yīng)用生態(tài)學(xué)報(bào)，2017，28（3）：992-1000. GUO J， LIU X P， ZHANG Q， et al. Prediction for the potential distribution area of Codonopsis pilosula at global scale based on Maxent model[J]. Chinese Journal of Applied Ecology，2017，28（3）：992-1000.

[52] GUO Y L， LI X， ZHAO Z F， et al. Modeling the distribution of Populus euphratica in the Heihe river basin， an inland river basin in an arid region of China[J]. Science China Earth Sciences，2018，61（11）：1669-1684.

[53] 李單琦，胡菀，韓彩霞，等.基于MaxEnt模型的瀕危觀賞植物福建柏潛在適生區(qū)預(yù)測(cè)[J].植物科學(xué)學(xué)報(bào)，2020，38（6）： 743-750. LI D Q， HU W， HAN C X， et al. Prediction of potential suitable distribution of Fokienia hodginsii based on MaxEnt model[J]. Plant Science Journal，2020，38（6）：743-750.

[54] 陳禹光，樂(lè)新貴，陳宇涵，等.基于MaxEnt模型預(yù)測(cè)氣候變化下杉木在中國(guó)的潛在地理分布[J].應(yīng)用生態(tài)學(xué)報(bào)，2022，33（5）： 1207-1214. CHEN Y G， LE X G， CHEN Y H， et al. Identification of the potential distribution area of Cunninghamia lanceolata in China under climate change based on the MaxEnt model[J]. Chinese Journal of Applied Ecology，2022，33（5）：1207-1214.

[55] 樊信，盤金文，何嵩濤.氣候變化背景下基于MaxEnt模型的刺梨潛在適生區(qū)分布預(yù)測(cè)[J].西北植物學(xué)報(bào)，2021，41（1）： 159-167. FAN X， PAN J W， HE S T. Prediction of the potential distribution of Rosa roxburghii under the background of climate change based on MaxEnt model[J]. Acta Botanica Boreali-Occidentalia Sinica，2021，41（1）：159-167.

[本文編校：吳 毅]