Page 8 - 《广西植物》2025年第11期
P. 8
１ ９ ５ ２ 广 西 植 物 ４５ 卷
表 １ 模型采用的环境变量
Ｔａｂｌｅ １ Ｅｎｖｉｒｏｎｍｅｎｔａｌ ｖａｒｉａｂｌｅｓ ｕｓｅｄ ｉｎ ｔｈｅ ｍｏｄｅｌ
环境变量 描述 代号
Ｅｎｖｉｒｏｎｍｅｎｔａｌ ｖａｒｉａｂｌｅ Ｄｅｓｃｒｉｐｔｉｏｎ Ｃｏｄｅ
气候变量 平均气温日较差 Ｍｅａｎ ｄｉｕｒｎａｌ ｒａｎｇｅ (℃ ) ｂｉｏ２
Ｃｌｉｍａｔｅ ｖａｒｉａｂｌｅ
最暖月最高温度 Ｍａｘｉｍｕｍ ｔｅｍｐｅｒａｔｕｒｅ ｉｎ ｔｈｅ ｗａｒｍｅｓｔ ｍｏｎｔｈ (℃ ) ｂｉｏ５
年均温变化范围 Ａｎｎｕａｌ ｍｅａｎ ｔｅｍｐｅｒａｔｕｒｅ ｒａｎｇｅ (℃ ) ｂｉｏ７
最暖季度降水量 Ｐｒｅｃｉｐｉｔａｔｉｏｎ ｏｆ ｔｈｅ ｗａｒｍｅｓｔ ｑｕａｒｔｅｒ (ｍｍ) ｂｉｏ１８
土壤变量 沙含量 Ｓａｎｄ ｃｏｎｔｅｎｔ (％ ｗｅｉｇｈｔ) ｓａｎｄ
Ｓｏｉｌ ｖａｒｉａｂｌｅ
土壤酸碱度 Ｓｏｉｌ ｐＨ ｐｈ＿ｗａｔｅｒ
土壤碳氮比 Ｓｏｉｌ Ｃ / Ｎ ｒａｔｉｏ ｃｎ＿ｒａｔｉｏ
地形变量 海拔 Ａｌｔｉｔｕｄｅ (ｍ) ａｌｔｉｔｕｄｅ
Ｔｅｒｒａｉｎ ｖａｒｉａｂｌｅ
坡向 Ａｓｐｅｃｔ (°) ａｓｐｅｃｔ
其他变量 地表太阳辐射量 Ｓｕｒｆａｃｅ ｓｏｌａｒ ｒａｄｉａｔｉｏｎ (ＭＪｍ ) ｓｒａｄ
￣２
Ｏｔｈｅｒ ｖａｒｉａｂｌｅ
植被归一化指数 Ｎｏｒｍａｌｉｚｅｄ ｄｉｆｆｅｒｅｎｃｅ ｖｅｇｅｔａｔｉｏｎ ｉｎｄｅｘ ｎｄｖｉ
１.３ 模型筛选 适宜ꎮ 中、高、非常适宜 ３ 个等级之和为总适生
利用 Ｒ 语言“ ｂｉｏｍｏｄ２” 程序包的 ９ 个模型进 区ꎮ 使用 ＳＤＭ Ｔｏｏｌｂｏｘ 计算不同时期各适生区面
行单个模型建模ꎮ 首先ꎬ使用 ９ 个模型进行单个 积变化 和 总 适 生 区 质 心 变 化 情 况ꎬ 通 过 ＡｒｃＧＩＳ
模型建模ꎬ设置 ７５％ 的分布点ꎬ数据进行模型训 １０.８ 对结果进行可视化表达(陈勤等ꎬ２０２２)ꎮ
练ꎬ２５％分布数据进行模型验证ꎬ随机生成 １ ０００
个 伪 分 布 点ꎬ 重 复 运 行 模 型 ５ 次 ( Ｚｈａｏ ｅｔ ａｌ.ꎬ ２ 结果与分析
２０２１)ꎬ并使用真实技巧统计值( ｔｒｕｅ ｓｋｉｌｌ ｓｔａｔｉｓｔｉｃꎬ
ＴＳＳ) 指 标 评 估 模 型 的 准 确 性 ( Ｐｈｉｌｌｉｐｓ ｅｔ ａｌ.ꎬ ２.１ 环境变量和模型筛选及重要性评估
２００６)ꎮ 其次ꎬ通过 ＴＳＳ 值利用分布点和伪分布点 基于环境因子相关性分析和预实验中各个环
计算模型的净预测成功率ꎬＴＳＳ 在 [ －１ꎬ １] 区间取 境变量对模型的贡献率ꎬ最终保留 １１ 种环境变量
值ꎬ当值越接近 １ 时表示模型的预测精度越高ꎬ越 参与最终模型运行(图 ２:Ａ)ꎮ 对运行成功的 ９ 种
接近－１ 时表示模型趋于随机模型(Ａｌｌｏｕｃｈｅ ｅｔ ａｌ.ꎬ 模型筛选 ＴＳＳ 值高于 ０.８ 的模型进行组合( 图 ２:
２００６)ꎮ 根据单一模型建模结果筛选 ＴＳＳ 值高于 Ｂ)ꎬ最终喜旱莲子草组合模型的 ＴＳＳ 值为 ０.９９６ꎬ
０.８ 的优质模型作为基础模型ꎬ借助“ ｂｉｏｍｏｄ２” 程 ＡＵＣ 值为 ０.９９８ꎬ均达到优秀标准且高于所有单一
序包进行组合构建组合模型框架( Ｈｕａｎｇ ｅｔ ａｌ.ꎬ 模型ꎬ表明组合模型对预测喜旱莲子草在海南热
２０２３)ꎮ 最后ꎬ运用最优的组合模型算法ꎬ针对当 带雨林国家公园的潜在分布结果更为准确和可
前与未来不同气候情景ꎬ分别预测喜旱莲子草的 信ꎮ 利用 Ｒ 语言“ｂｉｏｍｏｄ２”程序包运行后ꎬ最优组
集合模型分布结果ꎮ 合模型中环境因子的综合贡献率结果( 图 ２:Ｃ) 显
１.４ 可视化分析 示ꎬ影响喜旱莲子草地理分布最主要的环境变量
将各时期下创建的基于 Ｂｉｏｍｏｄ２ 模型投影结 为气候因子ꎬ综合贡献率最高的环境因子是年均
果作为喜旱莲子草在海南热带雨林国家公园的适 温变化范围(ｂｉｏ７)ꎬ其综合贡献率为２７.５％ꎮ 其次
生区分布图ꎮ 将预测的适生区划分为 ０ ~ １.０ 的形 是最 暖 季 度 降 水 量 ( ｂｉｏ１８)、 植 被 归 一 化 指 数
式ꎬ将物种适生的适宜程度划分为 ４ 个适生等级ꎬ (ｎｄｖｉ)和最暖月最高温度(ｂｉｏ５)ꎮ
结果如下:(０ ~ ０.２] 为低度适宜ꎻ(０.２ ~ ０.４] 为中 环境因子响应曲线能够反映环境变量对生境
度适宜ꎻ(０.４ ~ ０.６]为高度适宜ꎻ(０.６ ~ １.０]为非常 适宜度的影响(方铧等ꎬ２０２３)ꎬ当变量范围对应适
