maxent 模型的阈值
Maxent模型复杂度对物种潜在分布区预测的影响
生物多样性 2016, 24 (10): 1189–1196 doi: 10.17520/biods.2016265 Biodiversity Science http: //·方法·Maxent模型复杂度对物种潜在分布区预测的影响朱耿平1*乔慧捷21 (天津市动植物抗性重点实验室, 天津师范大学生命科学学院, 天津 300387)2 (中国科学院动物研究所, 北京 100101)摘要: 生态位模型在入侵生物学和保护生物学中具有广泛的应用, 其中Maxent模型最为流行, 被越来越多地应用在预测物种的现实分布和潜在分布的研究中。
在Maxent模型中, 多数研究者采用默认参数来构建模型, 这些默认参数源自早期对266个物种的测试, 以预测物种的现实分布为目的。
近期研究发现, Maxent模型采用复杂机械学习算法, 对采样偏差敏感, 易产生过度拟合, 模型转移能力仅在低阈值情况下较好。
基于默认参数的Maxent模型不仅预测结果不可靠, 而且有时很难解释。
在本研究中, 作者以入侵害虫茶翅蝽(Halyomorpha halys)为例, 采用经典模型构建方案(即构建本土模型然后将其转移至入侵地来评估), 利用ENMeval数据包来调整本土Maxent模型调控倍频和特征组合参数, 分析各种参数条件下模型的复杂度, 然后选取最低复杂度的模型参数(即为最优模型), 综合比较默认参数和调整参数后Maxent模型的响应曲线和预测结果, 探讨Maxent模型复杂度对预测结果的影响及Maxent模型构建时所需注意事项, 以期对物种潜在分布进行合理的预测, 促进Maxent模型在我国的合理运用和发展。
作者认为, 环境变量的选择至关重要, 需要综合分析其对所模拟物种分布的限制作用和环境变量之间的空间相关性。
构建Maxent模型前需对物种分布采样偏差及模型的构建区域进行合理地判断, 模型构建时需要比较不同参数下模型的预测结果和响应曲线, 选取复杂度较低的模型参数来最终建模。
最大熵模型 拉格朗日乘子法
最大熵模型（Maximum Entropy Model，简称MaxEnt模型）是一种用于分类和建模的概率模型。
它的基本思想是在给定一些约束条件下，选择一个概率分布，使得该分布在不违反已知信息的前提下熵最大。
拉格朗日乘子法用于求解最大熵模型的参数。
以下是最大熵模型的基本形式：设X是输入变量，Y是输出变量，P(Y|X)是条件概率分布。
最大熵模型的条件概率分布P(Y|X)表示为：P(Y|X)=1Z(X)exp(∑λini=1f i(X,Y))其中：▪Z(X)是规范化因子，保证概率分布的和为1。
▪f i(X,Y)是特征函数，描述输入变量和输出变量之间的某种关系。
▪λi是拉格朗日乘子，用于满足给定的约束条件。
为了求解这个模型的参数λi，我们需要最大化似然函数，即观测数据的对数似然。
通过引入拉格朗日乘子，将问题转化为约束最优化问题。
具体步骤如下：1.定义拉格朗日函数：将最大熵模型的似然函数和约束条件引入拉格朗日函数：L(P,λ)=∑P(X,Y)(Y|X)logP(Y|X)−∑λini=1(∑P(X,Y)(Y|X)f i(X,Y)−E[f i(X,Y)])其中，E[f i(X,Y)]是在训练数据上特征函数f i(X,Y)的期望。
2.对拉格朗日函数求偏导数：对拉格朗日函数分别对参数λi和P(Y|X)求偏导数，令其等于零。
∂L ∂λi =∑P(X,Y)(Y|X)f i(X,Y)−E[f i(X,Y)]=0∂L∂P(Y|X)=logP(Y|X)+1−∑λini=1f i(X,Y)=03.解方程得到参数：通过求解上述方程组，得到拉格朗日乘子λi和最大熵模型的参数。
λi=1N ∑P(X,Y)(Y|X)f i(X,Y)4.模型预测：得到参数后，可以使用最大熵模型进行分类或其他任务的预测。
最大熵模型的训练过程涉及到数值优化方法，通常采用迭代的方法求解参数。
以上是基于拉格朗日乘子法的最大熵模型的训练过程的简要描述。
maxent 最大熵模型 正则化系数
maxent 最大熵模型正则化系数最大熵模型是一种常用的概率模型，它在自然语言处理、信息检索、机器学习等领域有着广泛的应用。
在最大熵模型中，正则化系数起到了重要的作用，它用于平衡模型的拟合程度和复杂度，以提高模型的泛化能力。
我们来了解一下最大熵模型的基本概念。
最大熵模型是一种基于最大熵原理的统计模型，它假设模型的不确定性应该最大化，即模型应该在满足已知约束的情况下，尽可能均匀地分布概率。
最大熵模型的训练目标是使模型的熵达到最大，即最大化模型的不确定性。
为了解决模型的过拟合问题，最大熵模型引入了正则化项，正则化系数就是用来控制正则化项的权重。
正则化项通常是模型参数的范数，它可以限制模型的复杂度，防止模型对训练数据过度拟合。
正则化系数越大，正则化项的影响就越大，模型的拟合程度就越低；反之，正则化系数越小，模型的拟合程度就越高。
在最大熵模型中，正则化系数的选择是一个关键问题。
如果正则化系数选择过大，模型的拟合程度会过低，导致模型的预测能力弱；如果正则化系数选择过小，模型的拟合程度会过高，导致模型对训练数据过拟合，泛化能力较差。
因此，正则化系数的选择需要根据具体问题和数据集来进行调整。
在实际应用中，有多种方法可以确定正则化系数的取值。
一种常用的方法是使用交叉验证，将数据集划分为训练集和验证集，通过在不同的正则化系数上训练模型并在验证集上评估性能，选择使性能最优的正则化系数。
另一种常用的方法是使用正则化路径，即在一系列正则化系数上训练模型，并观察模型参数的变化情况，选择适合的正则化系数。
除了选择正则化系数，最大熵模型还有一些其他的优化方法可以提高模型的性能。
例如，可以使用不同的特征函数来表示模型的约束条件，通过增加更多的特征函数来提高模型的拟合能力。
此外，还可以使用不同的优化算法来训练模型，如改进的迭代尺度法、拟牛顿法等。
最大熵模型的正则化系数是调整模型拟合程度和复杂度的重要参数。
合理选择正则化系数可以提高模型的泛化能力，避免过拟合和欠拟合问题。
基于ＭａｘＥｎｔ 模型的四川察青松多白唇鹿国家级自然保护区马麝栖息地适宜性评价
ｄｏｉ:１０ １１９２０/ｘｎｍｄｚｋ ２０２１ ０６ ００１基于ＭａｘＥｎｔ模型的四川察青松多白唇鹿国家级自然保护区马麝栖息地适宜性评价油志远１ꎬ鲁碧耕１ꎬ骆念龙２ꎬ谢㊀凡１ꎬ杨㊀孔１ꎬ杨㊀楠１(１.西南民族大学青藏高原研究院ꎬ四川成都㊀６１００４１ꎻ２.四川省甘孜藏族自治州白玉县林业和草原局ꎬ四川白玉㊀６２７１５０)摘㊀要:马麝是国家一级重点保护动物ꎬ曾经广泛分布于青藏高原及周边地区.本研究通过样线法和红外相机法对２０１８~２０２０年间的马麝活动地点进行记录ꎬ结合对马麝生境选择起关键作用的９种环境因子构建ＭａｘＥｎｔ模型ꎬ对察青松多白唇鹿国家级自然保护区马麝栖息地适宜性进行评价.研究共获得３０个马麝有效记录点ꎬ其适宜栖息地分布受地形因子影响较大ꎬ其中海拔是影响保护区马麝分布格局最主要的环境因子ꎬ马麝倾向于选择海拔低于４３００ｍꎬ距最近河流距离少于５０００ｍꎬ降水季节性变化值小于９８ｍｍꎬ人类活动强度较弱的地带.保护区马麝适宜栖息地总面积约为２０４.１７ｋｍ２ꎬ约占察青松多保护区面积的１４.２１％ꎻ主要分为若当沟㊁麻阔和察青松多地区三个区域ꎬ其中若当沟和察青松多区域马麝栖息地适宜值较高ꎬ分布面积较大ꎬ而麻绒沟马麝适生区域内存在较强的人为干扰ꎬ已成为限制马麝栖息地分布的主要因素.关键词:马麝ꎻ栖息地评价ꎻＭａｘＥｎｔ模型ꎻ察青松多国家级自然保护区中图分类号:Ｘ１７６ꎻＳ８６３㊀㊀㊀㊀㊀㊀㊀文献标志码:Ａ㊀㊀㊀㊀㊀㊀㊀㊀㊀文章编号:２０９５￣４２７１(２０２１)０６￣０５５５￣０７收稿日期:２０２１￣０８￣３１通信作者:杨楠(１９８２－)ꎬ男ꎬ蒙古族ꎬ内蒙古通辽人ꎬ助理研究员ꎬ博士ꎬ研究方向:动物行为生态学㊁野生动植物资源管理㊁生物多样性保护.Ｅ－ｍａｉｌ:ｙａｎｇｎａｎ０２０４＠１２６.ｃｏｍ基金项目:中央财政林业保护补助资金项目(四川察青松多白唇鹿国家级自然保护区２０１８年)ꎻ研究生创新型科研项目硕士重点项目(ＣＸ２０２０ＳＺ２４)ＨａｂｉｔａｔｓｕｉｔａｂｉｌｉｔｙａｓｓｅｓｓｍｅｎｔｏｆＭｏｓｃｈｕｓｓｉｆａｎｉｃｕｓｂａｓｅｄｏｎＭａｘＥｎｔｍｏｄｅｌｉｎｇｉｎＣｈａｑｉｎｇｓｏｎｇｄｕｏＮａｔｉｏｎａｌＮａｔｕｒｅＲｅｓｅｒｖｅＳｉｃｈｕａｎＰｒｏｖｉｎｃｅＹＯＵＺｈｉ－ｙｕａｎ１ꎬＬＵＢｉ－ｇｅｎｇ１ꎬＬＵＯＮｉａｎ－ｌｏｎｇ２ꎬＸＩＥＦａｎ１ꎬＹＡＮＧＫｏｎｇ１ꎬＹＡＮＧＮａｎ１(１.ＩｎｓｔｉｔｕｔｅｏｆＱｉｎｇｈａｉ－ＴｉｂｅｔａｎＰｌａｔｅａｕꎬＳｏｕｔｈｗｅｓｔＭｉｎｚｕＵｎｉｖｅｒｓｉｔｙꎬＣｈｅｎｇｄｕ６１００４１ꎬＣｈｉｎａꎻ２.ＦｏｒｅｓｔｒｙａｎｄＧｒａｓｓｌａｎｄＢｕｒｅａｕｏｆＢａｉｙｕＣｏｕｎｔｙꎬＧａｎｚｉＴｉｂｅｔａｎＡｕｔｏｎｏｍｏｕｓＰｒｅｆｅｃｔｕｒｅꎬＢａｉｙｕ６２７１５０ꎬＣｈｉｎａ)Ａｂｓｔｒａｃｔ:Ｍｏｓｃｈｕｓｓｉｆａｎｉｃｕｓｉｓａｎａｔｉｏｎａｌｆｉｒｓｔ－ｃｌａｓｓｋｅｙｐｒｏｔｅｃｔｅｄａｎｉｍａｌꎬｗｈｉｃｈｉｓｗｉｄｅｌｙｄｉｓｔｒｉｂｕｔｅｄｉｎｔｈｅＱｉｎｇｈａｉ－ＴｉｂｅｔＰｌａｔｅａｕａｎｄｓｕｒｒｏｕｎｄｉｎｇａｒｅａｓ.Ｉｎｔｈｉｓｓｔｕｄｙꎬｔｈｅｌｉｎｅｔｒａｎｓｅｃｔａｎｄｉｎｆｒａｒｅｄｃａｍｅｒａｐｈａｓｅｍｅｔｈｏｄｓｗｅｒｅｕｓｅｄｔｏｒｅｃｏｒｄｔｈｅａｃｔｉｖ￣ｉｔｙｌｏｃａｔｉｏｎｏｆＭｏｓｃｈｕｓｓｉｆａｎｉｃｕｓｄｕｒｉｎｇ２０１８ｔｏ２０２０ꎬａｎｄｔｈｅＭａｘＥｎｔｍｏｄｅｌｗａｓｃｏｎｓｔｒｕｃｔｅｄｔｏｅｖａｌｕａｔｅｔｈｅｓｕｉｔａｂｉｌｉｔｙｏｆＭｏｓ￣ｃｈｕｓｓｉｆａｎｉｃｕｓｈａｂｉｔａｔｉｎＣｈａｑｉｎｇｓｏｎｇｄｕｏＮａｔｉｏｎａｌＮａｔｕｒｅＲｅｓｅｒｖｅｂａｓｅｄｏｎｔｈｅｎｉｎｅｅｎｖｉｒｏｎｍｅｎｔａｌｆａｃｔｏｒｓ.３０ＭｏｓｃｈｕｓｓｉｆａｎｉｃｕｓｅｆｆｅｃｔｉｖｅｒｅｃｏｒｄｅｄｐｏｉｎｔｓｗｅｒｅｏｂｔａｉｎｅｄꎬａｎｄｍｏｄｅｌｒｅｓｕｌｔｓｓｈｏｗｅｄｔｈａｔｔｈｅｔｅｒｒａｉｎｆａｃｔｏｒｓｗｅｒｅｔｈｅｍａｊｏｒｆａｃｔｏｒｓｔｈａｔａｆｆｅｃｔｅｄｔｈｅｄｉｓｔｒｉｂｕｔｉｏｎｏｆｓｕｉｔａｂｌｅｈａｂｉｔａｔｓｆｏｒＭｏｓｃｈｕｓｓｉｆａｎｉｃｕｓꎬｗｉｔｈｔｈｅａｌｔｉｔｕｄｅｂｅｉｎｇｔｈｅｍｏｓｔｉｍｐｏｒｔａｎｔ.Ｍｏｓｃｈｕｓｓｉｆａｎｉｃｕｓｐｒｅｆｅｒｒｅｄｔｏｃｈｏｏｓｅａｒｅａｓｗｉｔｈａｌｔｉｔｕｄｅｂｅｌｏｗ４３００ｍꎬｄｉｓｔａｎｃｅｆｒｏｍｔｈｅｎｅａｒｅｓｔｒｉｖｅｒｌｅｓｓｔｈａｎ５０００ｍꎬｓｅａｓｏｎａｌｖａｒｉａｔｉｏｎｏｆｐｒｅｃｉｐｉｔａｔｉｏｎｌｅｓｓｔｈａｎ９８ｍｍａｎｄｗｅａｋｈｕｍａｎａｃｔｉｖｉｔｙｉｎｔｅｎｓｉｔｙ.ＦｕｒｔｈｅｒｍｏｒｅꎬｔｈｅｒｅｓｕｌｔｓｓｈｏｗｅｄｔｈｅｔｏｔａｌａｒｅａｏｆＭｏｓｃｈｕｓｓｉｆａｎｉｃｕｓｓｕｉｔａｂｌｅｈａｂｉｔａｔｗａｓ２０４.１７ｋｍ２ꎬａｃｃｏｕｎｔｉｎｇｆｏｒ１４.２１％ｏｆｔｈｅｔｏｔａｌａｒｅａｏｆＣｈａｑｉｎｇｓｏｎｇｄｕｏｎａｔｕｒｅｒｅｓｅｒｖｅꎬｗｈｉｃｈｃａｎｂｅｄｉｖｉｄｅｄｉｎｔｏｔｈｒｅｅａｒｅａｓ:ＲｕｏｄａｎｇｇｏｕａｒｅａꎬＭａｋｕｏａｒｅａꎬａｎｄＣｈａｑｉｎｇｓｏｎｇｄｕｏａｒｅａ.ＡｍｏｎｇｔｈｅｍꎬＲｕｏｄａｎｇｇｏｕａｒｅａａｎｄＣｈａｑｉｎｇｓｏｎｇｄｕｏａｒｅａｈａｄｈｉｇｈｅｒｓｕｉｔａｂｌｅｖａｌｕｅａｎｄｌａｒｇｅｒｄｉｓｔｒｉｂｕｔｉｏｎａｒｅａｏｆＭｏｓｃｈｕｓｓｉｆａｎｉｃｕｓｈａｂｉｔａｔ.ＨｏｗｅｖｅｒꎬｓｔｒｏｎｇｈｕｍａｎｄｉｓｔｕｒｂａｎｃｅｉｎＭａｒｏｎｇｇｏｕａｒｅａｈａｓｂｅｃｏｍｅｔｈｅｍａｉｎｆａｃｔｏｒｌｉｍｉｔｉｎｇｔｈｅｄｉｓｔｒｉｂｕｔｉｏｎｏｆｓｕｉｔａｂｌｅｈａｂｉｔａｔ.Ｋｅｙｗｏｒｄｓ:ＭｏｓｃｈｕｓｓｉｆａｎｉｃｕｓꎻｈａｂｉｔａｔａｓｓｅｓｓｍｅｎｔꎻＭａｘＥｎｔｍｏｄｅｌｉｎｇꎻＣｈａｑｉｎｇｓｏｎｇｄｕｏＮａｔｉｏｎａｌＮａｔｕｒｅＲｅｓｅｒｖｅ西南民族大学学报(自然科学版)第４７卷㊀㊀全球气候变暖和人类活动干扰强度的增强ꎬ使全球大部分地区的生物多样性不断降低[１－２].濒危野生动物的保护不仅要维持野外种群数量ꎬ更要保护适宜其生存的环境[３].栖息地的不断减少和破碎化是造成物种灭绝的重要原因[４]ꎬ了解物种的适宜生境现状并预测其潜在地理分布ꎬ是有效开展野生动物管理和保护工作的基础[５－６].近年来ꎬ借助物种分布模型对物种栖息地进行研究已得到了广泛的应用[７].物种分布模型可以利用已知的物种分布点和环境条件对栖息地进行适宜性评价并预测物种潜在的分布区域[８]ꎬ主要有遗传算法模型[９](ＧＡＲＰ)㊁生物气候模型[１０](Ｂｉｏｃｌｉｍ)㊁区域环境模型[１１](Ｄｏｍａｉｎ)㊁生态位因子分析模型[１２](ＥｎＦＡ)和最大熵模型(ＭａｘＥｎｔ)等.其中ꎬ最大熵模型被证明是可预测面积最大ꎬ与实际最符合的一种算法模型[１３]ꎬ且该模型在获取物种分布点较少的条件下也具有较好预测结果[１４]ꎬ并可对其预测结果进行检验[１５].马麝(Ｍｏｓｃｈｕｓｓｉｆａｎｉｃｕｓ)属高地型麝种ꎬ在我国主要分布于青海省㊁甘肃的兴隆山和祁连山㊁西藏东南部㊁云南北部的高山地区以及四川西部的针叶林和高山灌丛[１６－１７]ꎬ是我国Ⅰ级重点保护野生动物.近年来诸多学者对不同地区马麝的生境选择开展了各种生态学研究ꎬ孟秀祥等[１８]㊁王静等[１９]及杨萃等[２０]在甘肃地区对影响兴隆山自然保护区马麝生境选择的因素进行了探讨ꎬ提出了保护该地区野生马麝种群的措施ꎻ张洪峰等[２１]评价了三江源自然保护区马麝不同栖息地等级和其空间分布特征ꎻ孙嘉等[２２]㊁陈俊达等[２３]㊁赵唱等[２４]研究了影响贺兰山马麝在不同季节生境选择的因素ꎬ刘志宵等[２５]评估了甘肃寿鹿山保护区内马麝的数量与分布ꎬ分析了导致保护区马麝资源减少的原因.相较于中国西北和青藏高原东北部ꎬ目前关于马麝在青藏高原东南缘和川西北地区栖息地的研究较少ꎬ限制了该地区马麝保护工作的开展.为准确掌握马麝在该地区的分布格局ꎬ本研究选用位于该区域核心地带的察青松多国家级自然保护区为研究地点ꎬ对保护区内马麝栖息地进行适宜性评价ꎬ以期为该区域马麝的保护和管理提供科学依据.１㊀保护区概况察青松多国家级自然保护区(９９ʎ１１ᶄ~９９ʎ４２ᶄＥꎬ３０ʎ３３ᶄ－３１ʎ０６ᶄＮ)位于四川省甘孜藏族自治州白玉县境内东南部ꎬ面积１４３６.８３ｋｍ２ꎬ保护区全域属大陆型季风高原气候ꎬ日夜温差大ꎬ干燥㊁寒冷㊁日照充足.年降雨量５００~７００ｍｍꎬ主要集中于５~１０月份.保护区地形复杂多样ꎬ加上位于西藏高原向四川盆地和云贵高原的过渡地带[２６]ꎬ从而形成复杂的地貌㊁多种多样的气候类型以及明显的植被垂直带谱和类型多样性的生态系统(森林㊁高原草甸㊁灌丛㊁流石滩等)[２７].保护区内野生动物资源非常丰富ꎬ除白唇鹿(Ｇｅｒｖｕｓａｌｂｉｒｏｓｔｒｉｓ)外ꎬ还分布有水鹿(Ｃｅｒｖｕｓｕｎｉｃｏｌ￣ｏｒ)㊁岩羊(Ｐｓｅｕｄｏｉｓｎａｙａｕｒ)㊁棕熊(Ｕｒｓｕｓａｒｃｔｏｓ)㊁斑羚(Ｎａｅｍｏｒｈｅｄｕｓｇｏｒａｌ)㊁藏原羚(Ｐｒｏｃａｐｒａｐｉｃｔｉｃａｕｄａｔａ)㊁林麝(Ｍｏｓｃｈｕｓｂｅｒｅｚｏｖｓｋｉｉ)㊁马鹿(Ｃｅｒｖｕｓｅｌａｐｈｕｓ)㊁猞猁(Ｌｙｎｘｌｙｎｘ)㊁雪豹(Ｐａｎｔｈｅｒａｕｎｃｉａ)和石貂(Ｍａｒｔｅｓｆｏｉ￣ｎａ)等１７种国家级保护兽类.[２８]２㊀研究方法２.１㊀物种分布点的筛选通过样线法和红外相机法对２０１８~２０２０年间的马麝活动地点进行记录ꎬ共获得５７个马麝分布位点.考虑到马麝家域范围约为３０ｈｍ２[２９]ꎬ为避免模型的过度拟合ꎬ以３００ｍ为阈值对分布点进行筛选ꎬ当多个分布点距离少于３００ｍ时ꎬ随机保留一个.最终共选取３０个有效马麝分布点用于模型计算(图１).图１㊀察青松多国家级自然保护区地形及马麝记录点示意图Ｆｉｇ.１㊀ＯｃｃｕｒｒｅｎｃｅｐｏｉｎｔｓｏｆＭｏｓｃｈｕｓｓｉｆａｎｉｃｕｓｒｅｃｏｒｄｅｄｉｎＣｈａｑｉｎｇｓｏｎｇｄｕｏＮａｔｉｏｎａｌＮａｔｕｒｅＲｅｓｅｒｖｅ２.２㊀环境变量数据参考同属物种研究结果和马麝的生态习性[３０]ꎬ选择地形㊁植被㊁气候㊁人为干扰４类共２９个潜在影响马麝栖息地适宜性的环境因子作为代入ＭａｘＥｎｔ模６５５第６期油志远ꎬ等:基于ＭａｘＥｎｔ模型的四川察青松多白唇鹿国家级自然保护区马麝栖息地适宜性评价㊀型运算的备选变量.从Ｗｏｒｌｄｃｌｉｍ数据库下载得到Ｗｏｒｌｄｃｌｉｍ２.０的１９个空间分辨率为１ｋｍ的生物气候变量.数字高程图层(３０ｍ分辨率)来源于中国地理空间数据云平台ꎬ并通过ＡｒｃＧＩＳ１０.６提取坡向和坡度图层.从ＯＳＭ数据平台(ｈｔｔｐｓ://ｗｗｗ.ｏｐｅｎｓｔｒｅｅｔ￣ｍａｐ.ｏｒｇ/)下载得到保护区河流和道路的矢量数据ꎬ并使用ＡｒｃＧＩＳ１０.６生成欧式距离图层ꎬ以计算各栅格距离其最近河流和道路的距离.植被类型图层来源于中国科学院资源环境科学与数据中心平台ꎬ并根据保护区的实际植被类型分为山地针叶林㊁落叶阔叶林㊁落叶阔叶灌丛㊁常绿阔叶灌丛㊁高寒草甸㊁高山稀疏植被和其他等７类.在ＡｒｃＧＩＳ１０.６中ꎬ将所得的２９个环境图层的坐标系设定为ＷＧＳ－１９８４并统一边界ꎬ栅格大小重采样为(３０ｍˑ３０ｍ)ꎬ然后将所有环境变量图层转化为ＭａｘＥｎｔ模型可以识别的ＡＳＣ文件格式.为降低环境变量间的空间共线性ꎬ避免模型过度拟合ꎬ对所有环境变量进行Ｐｅａｒｓｏｎ相关性分析ꎬ删除相关性较高且与马麝生境选择影响较弱的环境变量ꎬ只保留与马麝生境选择直接相关且生态学意义最明确的环境变量进入模型运算.最终ꎬ共有４个气候变量ꎬ３个地形变量ꎬ１个人为变量和植被类型变量被保留参与模型构建.２.３㊀模型过程将筛选后的３０个马麝分布点和９个环境变量导入ＭａｘＥｎｔ模型软件ꎬ设置７５％马麝记录点数据作为训练集来建立模型ꎬ剩下的２５％作为验证集来检验模型ꎬ其余参数均保持模型默认ꎬ因为此设置足以保证准确的预测效果[１４].为保证模型稳定性ꎬ选择交叉验证运算１０次ꎬ并将１０次重复的平均值在ＡｒｃＧＩＳ软件以栅格数据输出ꎬ栅格数值代表预测物种在该区域的存在概率ꎬ值域为[０ꎬ１].以模型内置的变量响应曲线ꎬ贡献分析以及刀切法(Ｊａｃｋｋｎｉｆｅ)反应各环境变量对模型构建的相对重要性及其对马麝生境适宜性评价的影响.以ＲＯＣ(Ｒｅｃｅｉｖｅｒｏｐｅｒａｔｉｎｇｃｈａｒａｃｔｅｒｉｓｔｉｃ)受试者工作特征的ＡＵＣ(Ａｒｅａｕｎｄｅｒｃｕｒｖｅ)曲线下面积评判模型预测ꎬ其值为０~１ꎬ其中０.５~０.６为失败ꎻ０.６~０.７为较差ꎻ０.７~０.８为一般ꎻ０.８~０.９为好ꎻ０.９~１为非常好[３１].２.４㊀栖息地评价将模型生成的ＡＳＣ格式的物种分布预测图导入ＡｒｃＧＩＳ中进行重分类ꎬ采用自然间断点分级法(Ｊｅｎ￣ｋｓ)将栖息地适宜性划分为３个等级:阈值０~０.１５为非适生区㊁０.１５~０.５２中适生区㊁０.５２~１为高适生区[３２].从而获得察青松多保护区马麝的栖息地适宜性图.３㊀结果与分析３.１㊀模型验证结果模型的ＲＯＣ曲线验证结果分析显示ꎬ１０次交叉检验的平均训练数据的ＡＵＣ值为０.９０２ꎬ标准偏差为０.０５７.表明本次研究选用的环境变量与物种记录点具有较强的相关性ꎬ模型结果具有较好的预测效果和较高的稳定性ꎬ马麝生境适宜性评价结果可信度较高.３.２㊀栖息地影响因子模型对马麝栖息地适宜性评价结果显示ꎬ海拔㊁距最近河流距离㊁距最近道路距离㊁坡向㊁降水季节性变化(ｂｉｏ１５)和植被类型是对ＭａｘＥｎｔ模型贡献率最高的６个环境变量ꎬ其中海拔提供了最大的增益ꎬ表明与其他环境因子相比ꎬ海拔与马麝适宜生境分布格局的耦合性更高ꎬ对马麝栖息地的选择影响作用最大.而ＡＵＣ值的Ｊａｃｋｋｎｉｆｅ检验表明ꎬ在单独使用各环境变量构建模型时ꎬ海拔㊁距最近河流距离和降水季节性变化具有最高的ＡＵＣ值ꎬ表明对马麝栖息地适宜性预测时ꎬ这些变量含有较多其他变量所不具有的特有信息(表１).环境变量的Ｊａｃｋｋｎｉｆｅ检验结果与贡献率基本一致.单因子对栖息地适宜性的响应变化分析显示:适宜性随着海拔的升高而逐渐下降ꎬ马麝对海拔低于４１００ｍ处的栖息地选择性较高ꎬ当高于４２００ｍ时其适宜性值迅速降低ꎬ高于４８００ｍ处的地带则不再适宜马麝生存ꎻ马麝栖息地适宜值与距最近道路的距离呈正相关关系ꎬ距离道路越远其适宜值指就越高ꎬ超过１２００ｍ外对其栖息地的选择产生的干扰大幅度减少ꎻ马麝栖息地适宜值随降水季节性变化的增加而减少ꎬ并在降水季节性变化达到１００ｍｍ处适宜值降到最低ꎻ马麝偏好选择南坡㊁东南坡和西南坡的地带ꎬ并随着坡向由南转向北其栖息地适宜值逐渐降低.马麝对山地针叶林㊁落叶阔叶灌丛和常绿阔叶灌丛等林地区域选择性较高ꎬ而回避草甸等生境类型(图２).７５５西南民族大学学报(自然科学版)第４７卷表１㊀马麝栖息地适宜性影响因子重要性分析Ｔａｂｌｅ１㊀ＤｉｓｔｒｉｂｕｔｉｏｎａｎａｌｙｓｉｓｏｆｅｎｖｉｒｏｎｍｅｎｔａｌｖａｒｉａｂｌｅｓｔｏｈａｂｉｔａｔｓｕｉｔａｂｉｌｉｔｙｏｆＭｏｓｃｈｕｓｓｉｆａｎｉｃｕｓ环境变量Ｅｎｖｉｒｏｎｍｅｎｔａｌｖａｒｉａｂｌｅ贡献率/％１Ｐｅｒｃｅｎｔｃｏｎｔｒｉｂｕｔｉｏｎ累计贡献率/％Ｃｕｍｕｌａｔｉｖｅｃｏｎｔｒｉｂｕｔｉｏｎｒａｔｅ刀切法检验(ＡＵＣ)２ＪａｃｋｋｎｉｆｅｔｅｓｔｏｆＡＵＣ海拔Ｅｌｅｖａｔｉｏｎ５３.７５３.７０.８７３距最近河流距离Ｄｉｓｔａｎｃｅｔｏｔｈｅｎｅａｒｅｓｔｒｉｖｅｒ１３.３６７０.７９３距最近道路距离Ｄｉｓｔａｎｃｅｔｏｔｈｅｎｅａｒｅｓｔｒｏａｄ７.１７４.１０.５７９坡向Ａｓｐｅｃｔ６.７８０.８０.６１２降水季节性变化Ｐｒｅｃｉｐｉｔａｔｉｏｎｓｅａｓｏｎａｌｉｔｙ６.１８６.９０.７６０植被类型Ｖｅｇｅｔａｔｉｏｎｔｙｐｅ５.２９２.１０.７１０气温季节性变化Ｔｅｍｐｅｒａｔｕｒｅｓｅａｓｏｎａｌｉｔｙ４.３９６.４０.７４４最干月降水量Ｐｒｅｃｉｐｉｔａｔｉｏｎｏｆｔｈｅｄｒｉｅｓｔｍｏｎｔｈ１.９９８.３０.６５０气温年较差Ｔｅｍｐｅｒａｔｕｒｅｏｆａｎｎｕａｌｒａｎｇｅ１.７１０００.６１７㊀㊀１贡献率:ＭａｘＥｎｔ模型运算中ꎬ不同环境变量对马鸡属栖息地适宜性的影响程度ꎬ以１０次重复模拟的平均值展示ꎻ２刀切法检验:即单独使用各环境模拟时的ＡＵＣ值ꎬ以１０次重复模拟的平均值展示㊀㊀图２㊀影响马麝栖息地适宜性的重要环境变量响应图Ｆｉｇ.２㊀ＲｅｓｐｏｎｓｅｄｉａｇｒａｍｏｆｈａｂｉｔｓｕｉｔａｂｉｌｉｔｙｏｆＭｏｓｃｈｕｓｓｉｆａｎｉｃｕｓｔｏｉｍｐｏｒｔａｎｔｅｎｖｉｒｏｎｍｅｎｔｖａｒｉａｂｌｅ㊀㊀对限制因子分析表明ꎬ地形是影响马麝栖息地适宜性的决定性环境因子.参与模型构建的地形因子(海拔㊁距最近河流距离和坡向)贡献率均超过了５％ꎬ累计贡献率超过７０％.海拔是决定马麝地理分布８５５第６期油志远ꎬ等:基于ＭａｘＥｎｔ模型的四川察青松多白唇鹿国家级自然保护区马麝栖息地适宜性评价㊀格局主要的地形因子ꎬ在适生区外的大部分区域因海拔高于马麝的选择范围从而限制了其分布.水份因子是影响马麝栖息地选择的次要环境因子ꎬ在适生区外的局部区域因距离河流较远且降水季节性变化较高ꎬ无法满足其对水分的生态要求而不适宜于马麝的生存(图３).图３㊀察青松多国家级自然保护区马麝限制因子分布图Ｆｉｇ.３㊀ＤｉｓｔｒｉｂｕｔｉｏｎｏｆＭｏｓｃｈｕｓｓｉｆａｎｉｃｕｓｌｉｍｉｔｉｎｇｆａｃｔｏｒｓｉｎＣｈａｑｉｎｇｓｏｎｇｄｕｏＮａｔｉｏｎａｌＮａｔｕｒｅＲｅｓｅｒｖｅ３.３㊀栖息地适宜性评价图４㊀察青松多国家级自然保护区马麝适生区分布图Ｆｉｇ.４㊀ＤｉｓｔｒｉｂｕｔｉｏｎｏｆＭｏｓｃｈｕｓｓｉｆａｎｉｃｕｓｈａｂｉｔａｔｉｎＣｈａｑｉｎｇｓｏｎｇｄｕｏＮａｔｉｏｎａｌＮａｔｕｒｅＲｅｓｅｒｖｅ模型结果表明ꎬ马麝适生区主要分布于保护区的中西部和西北部ꎬ集中分布于海拔相对较低㊁距河流较近的若当沟㊁麻阔和察青松多地区.根据各适生等级所占的比例ꎬ计算得出马麝适生区的总面积为２０４.１７ｋｍ２ꎬ约占察青松多保护区面积的１４.２１％ꎬ其中高适生区面积为６１.１９ｋｍ２ꎬ占适生区面积的２９.９７％ꎬ表明保护区内马麝可利用适宜生境的比例较低(图４).４㊀讨论一个地区野生动物是否分布是多种因素综合作用的结果ꎬ一个适宜的生境不仅包括生存所必需的食物和水资源ꎬ也需要提供满足生物繁殖和隐蔽等条件[３３].在长期的自然进化中ꎬ不同的物种占据了不同的生态位ꎬ对栖息地形成了特殊的生态适应[３４].马麝在进化过程中ꎬ逐渐被其他麝类排挤到了高山高原区域ꎬ地理分布为高地型[３５].本研究结果显示ꎬ马麝的适生区和非适生区生境面积分别约为２０４.１７ｋｍ２和１２３２.６６ｋｍ２ꎬ分别约占保护区面积的１４.２１％和８５.７９％ꎬ适宜生境所占比例较小.有研究表明ꎬＭａｘ￣Ｅｎｔ模型预测的物种分布面积可能较实际偏大[３６]ꎬ这说明马麝的实际分布面积可能比预测结果小.另外ꎬ马麝的最适生境的环境变量组合为降水季节性变化少于９８ｍｍ㊁距离最近道路１２００ｍ以外㊁距最近河流５０００ｍ以内㊁海拔低于４３００ｍ的阳坡ꎬ进一步证明了其适生区面积狭小和其对环境条件强依赖性.物种对生境的利用由遗传性和适应性共同决定ꎬ动物在长期的自然进化中形成了其独特的生态位[３４].Ｙａｎｇ等[３７]研究结果表明ꎬ马麝常分布于疏林灌木和灌木类植被生境中ꎬ此类生境既能提供较好的隐蔽条件ꎬ又不至于影响其快速奔跑.王静[１９]等研究认为马麝在小尺度上的分布格局是隐蔽条件㊁植被类型和人为干扰等环境因子综合作用的结果ꎬ马麝通常会选择食物资源相对较少而隐蔽条件较高和干扰强度较低的生境.贡献率和Ｊａｃｋｋｎｉｆｅ检验结果表明ꎬ相较于水分因子ꎬ温度因子对马麝栖息地选择具有较小的相关性ꎬ这可能与马麝长期生活高寒环境ꎬ已进化出有效抵御寒冷环境的生理机制有关[３８].海拔是影响马麝在保护区分布的最主要的环境因子ꎬ察青松多保护区马麝栖息地集中分布４６００ｍ以下的地带ꎬ与张洪茂等[３９]得出马麝主要出现于４０００~４５００ｍ海拔范围内的研究结果基本一致ꎬ保护区内大部分区域海拔由于高于马麝的选择范围从而限制了马麝栖息９５５西南民族大学学报(自然科学版)第４７卷地的分布.水源是马麝生存必需环境要素ꎬ其每天傍晚需到水源处饮水.保护区虽地处于西南水汽通道之上ꎬ但由于横断山脉的阻挡ꎬ降水时空差距巨大ꎬ干季降水不足年降水的１５％[４０]ꎬ这也是影响马麝栖息地适宜性的一个重要环境因素.本研究结果表明多种生态因子的综合作用促成了察青松多保护区当前马麝的分布格局.本研究显示ꎬ察青松多自然保护区马麝适宜栖息地可划分为若当沟㊁麻阔和察青松多地区三个区域ꎬ预测结果与实际观测值高度吻合.若当沟区域既是马麝的主要栖息地ꎬ也是白唇鹿㊁岩羊㊁猕猴(Ｍａｃａｃａｍｕｌａｔｔａ)㊁水鹿和马熊等野生保护兽类的主要活动区域ʌ２８ɔꎬ是保护区内生物多样性最高的区域之一.麻绒沟内分布有马门㊁然本㊁血家和麻孜４个较大的藏族自然村ꎬ因当地牧民具有不杀生的传统信仰ꎬ使得该地区的野生动物得到了较好的保护.但是ꎬ放牧牦牛仍是其主要生产方式ꎬ且近年来放牧数量和范围呈增加的趋势ꎬ不但直接侵占了马麝等野生动物的生存空间ꎬ牦牛过度啃食和践踏林下植被也会导致野生动物适宜栖息地的退化.每年４~５月当地牧民都会在保护区内ꎬ包括麻绒沟和若当沟高海拔区域发起大规模的挖虫草活动ꎬ使得马麝等野生动物的适宜栖息地面积被极大的压缩.近年来保护区为开发生态旅游修建了多条水泥硬化道路ꎬ带来了高强度的持续性人为干扰ꎬ极大改变了保护区内原有的生态结构ꎬ包括马麝在内的一部分野生濒危动物种群可能不适应环境的快速改变ꎬ面临着更大的灭绝风险.基于本次研究结果ꎬ为该马麝适宜栖息地的保护提供以下几点建议: (１)建立环境监测系统以明确生态旅游开发对保护区内各种生态因子的影响机制ꎬ减少人为活动对自然环境的影响和冲击ꎬ为马麝等野生动物留有足够的生存空间.(２)若当沟马麝适宜栖息地面积较大ꎬ人为干扰较少ꎬ可作为保护区制定马麝保护策略ꎬ评判保护效果的参考依据.(３)减少麻绒沟区域的放牧强度或选择其他放牧区域ꎬ加强牧民保护野生动物生存环境的思想教育ꎬ建立生态补偿机制ꎬ探求发展与保护的平衡点.致谢:特别感谢西南民族大学青藏高原研究院王会老师在英文摘要和论文结构方面的指导.参考文献[１]ＬＩＵＪＪꎬＷＩＬＳＯＮＭꎬＨＵＧꎬｅｔａｌ.Ｈｏｗｄｏｅｓｈａｂｉｔａｔｆｒａｇｍｅｎｔａｔｉｏｎａｆ￣ｆｅｃｔｔｈｅｂｉｏｄｉｖｅｒｓｉｔｙａｎｄｅｃｏｓｙｓｔｅｍｆｕｎｃｔｉｏｎｉｎｇｒｅｌａｔｉｏｎｓｈｉｐ?[Ｊ].ＬａｎｄｓｃａｐｅＥｃｏｌｏｇｙꎬ２０１８ꎬ３３(３):３４１－３５２.[２]徐炜ꎬ马志远ꎬ井新ꎬ贺金生.生物多样性与生态系统多功能性:进展与展望[Ｊ].生物多样性ꎬ２０１６ꎬ２４(０１):５５－７１. [３]ＷＩＩＳＯＮＪＷꎬＳＥＸＴＯＮＪＯꎬＪＯＢＥＲＴꎬｅｔａｌ.Ｔｈｅｒｅｌａｔｉｖｅｃｏｎｔｒｉ￣ｂｕｔｉｏｎｏｆｔｅｒｒａｉｎꎬｌａｎｄｃｏｖｅｒꎬａｎｄｖｅｇｅｔａｔｉｏｎｓｔｒｕｃｔｕｒｅｉｎｄｉｃｅｓｔｏｓｐｅｃｉｅｓｄｉｓｔｒｉｂｕｔｉｏｎｍｏｄｅｌｓ[Ｊ].ＢｉｏｌｏｇｉｃａｌＣｏｎｓｅｒｖａｔｉｏｎꎬ２０１３ꎬ１６４(８):１７０－１７６.[４]刘会玉ꎬ林振山ꎬ孙燕ꎬ等.破碎栖息地中物种灭绝机制[Ｊ].生态学报ꎬ２００８(０８):３６６８－３６７４.[５]杨蕾ꎬ杨立ꎬ李婧昕ꎬ等.东北地区５个物种潜在栖息地变化与优化保护规划[Ｊ].生态学报ꎬ２０１９ꎬ３９(０３):１０８２－１０９４. [６]阎济华.中国野生动物栖息地破碎化严重[Ｊ].生态经济ꎬ２０１５ꎬ３１(１０):１０－１３.[７]刘涛ꎬ刘玉萍ꎬ吕婷ꎬ等.基于Ｂｉｏｍｏｄ２组合模型预测青藏高原特有属扇穗茅属物种的潜在分布[Ｊ].草地学报ꎬ２０２０ꎬ２８(０６):１６５０－１６５６.[８]郭彦龙ꎬ赵泽芳ꎬ乔慧捷ꎬ等.物种分布模型面临的挑战与发展趋势[Ｊ].地球科学进展ꎬ２０２０ꎬ３５(１２):１２９２－１３０５. [９]ＡＮＤＥＲＳＯＮＲＰꎬＬＥＷＤꎬＰＥＴＥＲＳＯＮＡＴ.Ｅｖａｌｕａｔｉｎｇｐｒｅｄｉｃｔｉｖｅｍｏｄｅｌｓｏｆｓｐｅｃｉｅｓ'ｄｉｓｔｒｉｂｕｔｉｏｎｓ:Ｃｒｉｔｅｒｉａｆｏｒｓｅｌｅｃｔｉｎｇｏｐｔｉｍａｌｍｏｄｅｌｓ[Ｊ].ＥｃｏｌｏｇｉｃａｌＭｏｄｅｌｌｉｎｇꎬ２００３ꎬ１６２(３):２１１－２３２.[１０]ＨＯＮＩＮＧＭＡꎬＣＯＷＬＩＮＧＲＭꎬＲＩＣＨＡＲＤＳＯＮＤＭ.ＴｈｅｉｎｖａｓｉｖｅｐｏｔｅｎｔｉａｌｏｆＡｕｓｔｒａｌｉａｎＢａｎｋｓｉａｓｉｎＳｏｕｔｈＡｆｒｉｃａｎｆｙｎｂｏｓ:Ａｃｏｍｐａｒｉ￣ｓｏｎｏｆｔｈｅｒｅｐｒｏｄｕｃｔｉｖｅｐｏｔｅｎｔｉａｌｏｆＢａｎｋｓｉａｅｒｉｃｉｆｏｌｉａａｎｄＬｅｕｃａｄｅｎ￣ｄｒｏｎｌａｕｒｅｏｌｕｍ[Ｊ].ＡｕｓｔｒａｌｉａｎＪｏｕｒｎａｌｏｆＥｃｏｌｏｇｙꎬ１９９２ꎬ１７(３):３０５－３１４.[１１]ＣＡＲＰＥＮＴＥＲＧꎬＧＩＬＬＩＳＯＮＡＮꎬＷＩＮＴＥＲＪ.ＤＯＭＡＩＮ:Ａｆｌｅｘｉｂｌｅｍｏｄｅｌｌｉｎｇｐｒｏｃｅｄｕｒｅｆｏｒｍａｐｐｉｎｇｐｏｔｅｎｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｓｏｆｐｌａｎｔｓａｎｄａｎｉｍａｌｓ[Ｊ].ＢｉｏｄｉｖｅｒｓｉｔｙａｎｄＣｏｎｓｅｒｖａｔｉｏｎꎬ１９９３ꎬ２(６):６６７－６８０. [１２]ＥＮＧＬＥＲＲꎬＧＵＩＳＡＮＡꎬＲＥＣＨＳＴＥＩＮＥＲＬ.Ａｎｉｍｐｒｏｖｅｄａｐｐｒｏａｃｈｆｏｒｐｒｅｄｉｃｔｉｎｇｔｈｅｄｉｓｔｒｉｂｕｔｉｏｎｏｆｒａｒｅａｎｄｅｎｄａｎｇｅｒｅｄｓｐｅｃｉｅｓｆｒｏｍｏｃ￣ｃｕｒｒｅｎｃｅａｎｄｐｓｅｕｄｏ－ａｂｓｅｎｃｅｄａｔａ[Ｊ].ＪｏｕｒｎａｌｏｆＡｐｐｌｉｅｄＥｃｏｌｏｇｙꎬ２００４ꎬ４１(２):２６３－２７４.[１３]李响ꎬ张成福ꎬ贺帅ꎬ等.ＭａｘＥｎｔ模型综合应用研究进展分析[Ｊ].绿色科技ꎬ２０２０(１４):１４－１７.[１４]ＰＨＩＬＬＩＰＳＳＪꎬＡＮＤＥＲＳＯＮＲＰꎬＳＣＨＡＰＩＲＥＲＥ.Ｍａｘｉｍｕｍｅｎｔｒｏ￣ｐｙｍｏｄｅｌｉｎｇｏｆｓｐｅｃｉｅｓｇｅｏｇｒａｐｈｉｃｄｉｓｔｒｉｂｕｔｉｏｎｓ[Ｊ].ＥｃｏｌｏｇｉｃａｌＭｏｄｅｌ￣ｌｉｎｇꎬ２００６ꎬ１９０(３－４):２６１－２５９.[１５]ＥＳＴＥＳＬＤꎬＢＲＡＤＬＥＹＢＡꎬＨＯＬＥＨꎬｅｔａｌ.Ｃｏｍｐａｒｉｎｇｍｅｃｈａｎｉｓ￣ｔｉｃａｎｄｅｍｐｉｒｉｃａｌｍｏｄｅｌｐｒｏｊｅｃｔｉｏｎｓｏｆｃｒｏｐｓｕｉｔａｂｉｌｉｔｙａｎｄｐｒｏｄｕｃｔｉｖｉ￣ｔｙ:Ｉｍｐｌｉｃａｔｉｏｎｓｆｏｒｅｃｏｌｏｇｉｃａｌｆｏｒｅｃａｓｔｉｎｇ[Ｊ].ＧｌｏｂａｌＥｃｏｌｏｇｙａｎｄＢｉ￣ｏｇｅｏｇｒａｐｈｙꎬ２０１３ꎬ２２(８):１００７－１０１８.[１６]ＭＥＮＧＸＸꎬＹＡＮＧＱＳꎬＸＩＡＬꎬｅｔａｌ.Ｔｈｅｔｅｍｐｏｒａｌｅｓｔｒｏｕｓｐａｔｔｅｒｎｓｏｆｆｅｍａｌｅａｌｐｉｎｅｍｕｓｋｄｅｅｒｉｎｃａｐｔｉｖｉｔｙ[Ｊ].ＡｐｐｌｉｅｄＡｎｉｍａｌＢｅｈａｖｉｏｒＳｃｉｅｎｃｅꎬ２００３ꎬ８２(１):７５－８５.[１７]吴家炎ꎬ王伟.中国麝类[Ｍ].北京:中国林业出版社ꎬ２００６:３０－３３.０６５第６期油志远ꎬ等:基于ＭａｘＥｎｔ模型的四川察青松多白唇鹿国家级自然保护区马麝栖息地适宜性评价㊀[１８]孟秀祥ꎬ潘世秀ꎬ栾晓峰ꎬ等.兴隆山自然保护区马麝春季生境选择[Ｊ].生态学报ꎬ２０１０ꎬ３０(２０):５５０９－５５１７.[１９]王静ꎬ孙军平ꎬ徐涛ꎬ等.甘肃兴隆山保护区野生马麝分布㊁数量特征及影响因素[Ｊ].生态学报ꎬ２０２０ꎬ４０(２１):７９９７－８００４. [２０]杨萃ꎬ潘世秀ꎬ安谈红ꎬ等.甘肃兴隆山自然保护区马麝冬季生境喜好初步研究[Ｊ].四川动物ꎬ２０１１ꎬ３０(０３):４８１－４８７. [２１]张洪峰ꎬ胡罕ꎬ苏丽娜ꎬ等.青海三江源自然保护区马麝栖息地适宜性评价[Ｊ].西北农业学报ꎬ２０１７ꎬ２６(０８):１１４１－１１４７. [２２]孙嘉ꎬ赵唱ꎬ孟德怀ꎬ等.贺兰山马麝冬季生境选择[Ｊ].野生动物学报ꎬ２０２０ꎬ４１(０３):５７３－５７９.[２３]陈俊达ꎬ丁彦珂ꎬ李宗智ꎬ等.贺兰山马麝春季生境选择[Ｊ].野生动物学报ꎬ２０２０ꎬ４１(０２):３０３－３０８.[２４]赵唱ꎬ刘尊显ꎬ滕丽微ꎬ等.贺兰山马麝夏季营养采食策略[Ｊ].野生动物学报ꎬ２０１８ꎬ３９(０２):２１５－２２３.[２５]刘志霄ꎬ雷光炳ꎬ盛和林.甘肃寿鹿山马麝隔离小种群的资源现状与保护[Ｊ].吉首大学学报(自然科学版)ꎬ２００２(０４):５４－５８. [２６]杨楠ꎬ李波ꎬ黄薇ꎬ等.四川察青松多白唇鹿国家级自然保护区鸟类多样性和区系分析[Ｊ].四川动物ꎬ２０２０ꎬ３９(０４):４６５－４８０.[２７]何操ꎬ刘志斌ꎬ帅伟ꎬ等.四川察青松多白唇鹿国家级自然保护区草本植物资源[Ｊ].四川林业科技ꎬ２０１５ꎬ３６(０４):１１６－１１９. [２８]隆廷伦ꎬ刘少英ꎬ周权才ꎬ等.察青松多竹巴龙贡嘎山生物多样性调查报告[Ｍ].成都:四川出版集团 四川科学技术出版社ꎬ２０１０:９６－１０１.[２９]杨奇森ꎬ冯祚建ꎬ王祖望ꎬ等.西藏东南部地区马麝家域的研究[Ｊ].兽类学报ꎬ１９９８(０２):８－１０＋１２－１５.[３０]ＺＨＯＵＹＪꎬＭＥＮＧＸＸꎬＦＥＮＧＪＣꎬｅｔａｌ.ＲｅｖｉｅｗｏｆｔｈｅｄｉｓｔｒｉｂｕｔｉｏｎꎬｓｔａｔｕｓａｎｄｃｏｎｓｅｒｖａｔｉｏｎｏｆｍｕｓｋｄｅｅｒｉｎＣｈｉｎａ[Ｊ].ＦｏｌｉａＺｏｏｌｏｇｉｃａꎬ２００４ꎬ５３(２):１２９－１４０.[３１]ＥＲＡＳＭＵＳＢＦＮꎬＶＡＮＪＡＡＲＳＶＥＬＤＡＳꎬＣＨＯＷＮＳＬꎬｅｔａｌ.Ｖｕｌ￣ｎｅｒａｂｉｌｉｔｙｏｆＳｏｕｔｈＡｆｒｉｃａｎａｎｉｍａｌｔａｘａｔｏｃｌｉｍａｔｅｃｈａｎｇｅ[Ｊ].ＧｌｏｂａｌＣｈａｎｇｅＢｉｏｌｏｇｙꎬ２００２ꎬ８(７):６７９－６９３.[３２]史超逸ꎬ朱媛君ꎬ萨拉ꎬ等.中国三种常见蒿属植物潜在地理分布及其主导气候因子[Ｊ].生态学杂志ꎬ２０２１ꎬ４０(０２):５１２－５２４.[３３]王征ꎬ张旭晖.野生动物觅食地选择的研究进展[Ｊ].生态学杂志ꎬ２０１４ꎬ３３(１１):３１５０－３１５６.[３４]颜忠诚ꎬ陈永林.动物的生境选择[Ｊ].生态学杂志ꎬ１９９８(０２):４３－４９.[３５]章敬旗ꎬ周友兵ꎬ徐伟霞ꎬ等.几种麝分类地位的探讨[Ｊ].西华师范大学学报(自然科学版)ꎬ２００４(０３):２５１－２５５.[３６]ＳＷＥＴＳＪＡ.Ｍｅａｓｕｒｉｎｇｔｈｅａｃｃｕｒａｃｙｏｆｄｉａｇｎｏｓｔｉｃｓｙｓｔｅｍｓ[Ｊ].Ｓｃｉ￣ｅｎｃｅꎬ１９８８ꎬ２４０(４８５７):１２８５－１２９３.[３７]ＹＡＮＧＱＳꎬＭＥＮＧＸＸꎬＸＩＡＬꎬｅｔａｌ.Ｃｏｎｓｅｒｖａｔｉｏｎｓｔａｔｕｓａｎｄｃａｕ￣ｓｅｓｏｆｄｅｃｌｉｎｅｏｆｍｕｓｋｄｅｅｒ(Ｍｏｓｃｈｕｓｓｐｐ.)ｉｎＣｈｉｎａ[Ｊ].ＢｉｏｌｏｇｉｃａｌＣｏｎｓｅｒｖａｔｉｏｎꎬ２００３ꎬ１０９(３):３３３－３４２.[３８]程志斌ꎬ张林源ꎬ张伟ꎬ等.鹿类动物被毛形态学研究进展[Ｊ].四川动物ꎬ２０１３ꎬ３２(０５):７９３－７９９.[３９]张洪茂ꎬ胡锦矗.川西北高原马麝(横断山亚种)的夏季生境选择[Ｊ].四川动物ꎬ２００４(０２):９８－１０３.[４０]段玮ꎬ段旭ꎬ樊风ꎬ等.青藏高原东南侧干湿季气候特征与成因[Ｊ].干旱气象ꎬ２０１５ꎬ３３(０４):５４６－５５４.(责任编辑:和力新ꎬ付强ꎬ李建忠ꎬ张阳ꎬ罗敏ꎻ英文编辑:周序林ꎬ郑玉才)１６５。
maxent参数
maxent参数MaxEnt参数是一种在自然语言处理中常用的机器学习算法，它可以用来进行文本分类、信息抽取、命名实体识别等任务。
本文将以人类的视角，从情感和个人经历的角度出发，介绍MaxEnt参数的应用和相关经验。
1. 引言在我曾经的一次工作经历中，我有幸接触到了MaxEnt参数，并亲自应用它来解决一个重要的文本分类问题。
在这篇文章中，我将分享我的经验和感受，希望能给读者带来一些启示和帮助。
2. MaxEnt参数的背景和原理MaxEnt参数是一种概率模型，它通过最大熵原理来选择最符合实际情况的概率分布。
在文本分类中，我们可以将每个文本看作是一个特征向量，而每个特征表示文本中的某个属性或关键词。
通过训练数据，MaxEnt参数可以学习到一个概率模型，用来预测新的文本的分类。
3. MaxEnt参数在情感分析中的应用情感分析是一种常见的自然语言处理任务，它可以判断文本中的情感倾向，比如积极、消极或中性。
我曾经使用MaxEnt参数来进行情感分析，通过训练数据，模型可以学习到不同情感类别的特征，从而对新的文本进行情感判断。
4. MaxEnt参数在个人经历中的应用除了情感分析，MaxEnt参数还可以应用于个人经历的分析。
我曾经使用MaxEnt参数来分析一组人的个人经历文本，通过训练数据，模型可以学习到不同经历之间的共性和差异，从而为每个人的个人经历做出预测和分析。
5. MaxEnt参数的优缺点和改进方向虽然MaxEnt参数在文本分类和分析中有着广泛的应用，但它也存在一些不足之处。
比如，它在处理大规模数据时可能会遇到计算和存储的问题。
此外，MaxEnt参数在训练过程中也需要大量的标注数据，这对于某些特定领域的任务可能会有一定限制。
为了解决这些问题，研究人员一直在努力改进MaxEnt参数，并提出了一些新的模型和算法。
6. 总结和展望通过我的工作经历和实践，我深刻体会到MaxEnt参数在文本分类和分析中的重要性和价值。
阈值面板数据模型的理论及应用
时变阈值
现有的模型通常假设阈值是固定的，但在实际应用中，阈值可能会随时间变化。因此，研究时变阈值的面板数据模型 将更具现实意义。
多阈值模型
在某些情况下，单一阈值可能无法充分捕捉数据的特征，需要引入多阈值模型。这方面的理论研究相对 较少，是一个值得探索的方向。
阈值效应的定义与性质
阈值效应
阈值效应（Threshold Effect）是 指某一变量达到一定阈值后，另 一变量的性质或行为发生显著变 化的现象。
非线性关系
阈值效应体现了变量之间的非线性 关系，这种关系在传统线性模型中 往往难以捕捉。
阈值的确定
确定阈值是阈值效应研究的关键问 题，常用的方法包括格子搜索、交 叉验证等。
阈值面板数据模型的建模方法
• 模型设定：在面板数据模型中引入阈值效应，需要设定适当的阈值函数，将面 板数据模型的参数与阈值相联系。
• 参数估计：阈值面板数据模型的参数估计通常采用最大似然估计（MLE）、 广义最小二乘（GLS）等方法。在估计过程中，需要考虑阈值的识别与估计。
• 模型检验：对于阈值面板数据模型的检验，主要包括阈值效应的存在性检验、 阈值估计的准确性检验等。这些检验有助于评估模型的适用性和预测能力。
最大似然估计法（MLE）
基于似然函数最大化来估计参数，适用于误差项分布已知或可以假 设的情况，具有较好的统计性质。
工具变量法（IV）
用于解决内生性问题，通过寻找与解释变量相关但与误差项无关的 工具变量来进行参数估计。
阈值效应的检验与识别
1 2 3
阈值存在性检验
Maxent模型Help文档中文版
Maxent模型由史蒂芬·菲利普斯、米罗·杜迪克和罗布·夏皮尔在普林斯顿大学美国艺术与技术与技术研究所实验室研究部和美国自然历史博物馆生物多样性与保护中心的支持下编写的物种地理分布最大熵建模项目。
感谢以下自由软件包的作者，我们在这里使用：ptolemy/plot, gui/layouts, gnu/getopt and com/mindprod/ledatastream.此页包含MaxEnt 程序的参考信息。
有关该方法的背景信息，请参阅以下两篇论文：Steven J. Phillips, Robert P. Anderson, Robert E. Schapire. Maximum entropy modeling of species geographic distributions. Ecological Modelling, V ol 190/3-4 pp 231-259, 2006.Steven J. Phillips, Miroslav Dudik. Modeling of species distributions with Maxent: new extensions and a comprehensive evaluation. Ecography, V ol 31 pp 161-175, 2008.物种的模型由一组环境或气候层（或"覆盖"）确定，该层为景观中的一组网格细胞，以及一组已观测到该物种的样本位置。
该模型将每个网格单元的适用性表示为该网格单元环境变量的函数。
特定网格单元中函数的高值表示网格单元预测具有该物种的合适条件。
计算模型是所有网格单元格的概率分布。
选择的分布是受某些约束影响的最大熵分布：它必须对每个要素（从环境图层派生）具有与样本位置平均值相同的期望值。
输入、输出和参数输入文件、输出目录和算法参数可以通过用户界面或在命令行上指定。
基于MaxEnt模型的卧龙国家级自然保护区雪豹(Panthera uncia)适宜栖息地预测
基于MaxEnt模型的卧龙国家级自然保护区雪豹(Pantherauncia)适宜栖息地预测乔麦菊;唐卓;施小刚;程跃红;胡强;李文静;张和民【摘要】2013年11月到2016年3月,在卧龙自然保护区27个位点布设了红外相机,其中10个位点成功拍摄到雪豹影像,基于MaxEnt模型预测雪豹在卧龙的适宜栖息地.结果显示:雪豹的适宜栖息地面积为345 km2,占总面积的12％.其中,279 km2(81％)位于核心区,49 km2位于缓冲区,17 km2位于实验区.植被类型、年均温度和坡向是影响雪豹栖息地选择的主要环境因子.雪豹主要选择年均温度为-8 ～0℃的阳坡,最偏好的植被类型为草句.【期刊名称】《四川林业科技》【年(卷),期】2017(038)006【总页数】5页(P1-4,16)【关键词】雪豹;卧龙国家级自然保护区;适宜栖息地;MaxEnt模型【作者】乔麦菊;唐卓;施小刚;程跃红;胡强;李文静;张和民【作者单位】中国大熊猫保护研究中心,都江堰611830;四川卧龙国家级自然保护区管理局,汶川623000;四川卧龙国家级自然保护区管理局,汶川623000;四川卧龙国家级自然保护区管理局,汶川623000;四川卧龙国家级自然保护区管理局,汶川623000;四川卧龙国家级自然保护区管理局,汶川623000;中国大熊猫保护研究中心,都江堰611830【正文语种】中文【中图分类】S862;Q959.838雪豹(Panthera uncia)是全球濒危的大型猫科动物，仅分布于中国、俄罗斯、尼泊尔、蒙古等12个国家地处中亚的高山地区[1]。
雪豹占据食物链的顶端，其生存状况是整个山地生态系统健康状况的良好反映[2]。
栖息地是物种生存栖息的空间，是可以提供食物、庇护所和繁殖机会的场所。
保护物种的最好方法之一就是保护它们的栖息地[3]。
中国是世界上雪豹分布面积最大的国家，全球约60%的雪豹栖息地位于中国，总面积约44万km2[4, 5]。
Maxent简要使用教程
Maxent简要使用教程在AT＆T Labs-Research、普林斯顿大学、生物多样性和生物技术研究中心以及美国自然历史博物馆的支持下，本教程由Steven Phillips，Miro Dudik和Rob Schapire撰写，基本介绍了如何使用MaxEnt程序对物种的地理分布进行最大熵建模。
有关最大熵建模背后的理论以及此处使用的数据和统计分析的主要类型的详细说明，请参见Steven J. Phillips, Robert P. Anderson and Robert E. Schapire, Maximum entropy modeling of species geographicdistributions. Ecological Modelling, V ol 190/3-4 pp 231-259, 2006.Two additional papers describing more recently-added features of the Maxent software are:Steven J. Phillips and Miroslav Dudik, Modeling of species distributions with Maxent: new extensions and acomprehensive evaluation. Ecography, V ol 31, pp 161-175, 2008.Steven J. Phillips, et al. Opening the black box: an open-source release of Maxent. Ecography, In press, 2017 .我们使用的环境数据包括南美的气候和海拔数据以及潜在的植被层。
我们的物种样本是褐喉三趾树懒（Bradypus variegatus）。
这些数据来自2001年的Anderson＆Handley分类法修订版（/reference/84876），和Phillips 的2006年论文中。
maxent tss评价标准
MaxEnt TSS评价标准一、对MaxEnt TSS的基本介绍1. MaxEnt TSS是一种基于最大熵理论的时间序列预测模型，主要用于处理非平稳、非线性、非高斯的时间序列预测问题。
MaxEnt TSS采用了最大熵原理，利用了完备的历史信息和自适应学习能力，能够有效地处理各种复杂的时间序列数据。
2. MaxEnt TSS在预测精度和鲁棒性方面具有明显优势，特别适用于金融、气象、环境、生态等领域的时间序列预测。
3. 评价MaxEnt TSS的标准主要包括预测精度、鲁棒性、模型解释性和计算效率等方面。
二、预测精度1. 预测精度是评价MaxEnt TSS的重要指标之一，通常通过均方误差（MSE）、平均绝对误差（MAE）、平均绝对百分比误差（MAPE）等指标来衡量。
2. 在实际应用中，需要对比MaxEnt TSS与其他常见时间序列预测模型（如ARIMA、GARCH等）在同一数据集上的预测结果，以评估其预测精度是否具有显著优势。
3. 还可以通过交叉验证、滚动预测等方法来验证MaxEnt TSS在不同数据集上的预测精度，以消除因数据特性而引起的误差。
三、鲁棒性1. 鲁棒性指模型对数据噪声、异常值等干扰的抵抗能力，是评价MaxEnt TSS的另一个重要指标。
2. 在评价鲁棒性时，需要考虑模型对于不同程度、不同类型干扰的稳定性，以及对数据特征的适应能力。
3. 通过在不同数据集、不同时间段、不同外部环境下的实验验证，可以综合评估MaxEnt TSS的鲁棒性表现。
四、模型解释性1. 模型解释性是评价MaxEnt TSS的另一个重要标准，即模型是否能够提供可解释的预测结果和预测过程。
2. MaxEnt TSS采用了最大熵原理，其预测结果来源于完备的历史信息，因此在解释性方面具有一定优势。
3. 通过分析MaxEnt TSS的预测过程和关键因素，可以评估其模型解释性的优劣，并与其他时间序列预测模型进行对比。
五、计算效率1. 计算效率是评价MaxEnt TSS的另一个重要指标，即模型在预测过程中的计算速度和资源消耗情况。
maxent模型的原理
maxent模型的原理宝子，今天咱来唠唠这个Maxent模型的原理呀。
Maxent模型呢，就像是一个超级聪明的小侦探，在找东西的时候可有一套了。
你可以把它想象成是在一个超级大的迷宫里找宝藏。
这个宝藏呢，就是我们想要预测的物种分布或者其他一些现象的分布情况。
那这个迷宫是啥呢？其实就是各种各样的环境变量啦，就像迷宫里的一道道墙、一个个岔路口一样。
比如说气温呀，降水呀，海拔高度呀，这些都是环境变量。
Maxent模型就把这些环境变量当作是自己探索的线索。
这个模型呀，它有个很有趣的想法。
它觉得呢，在所有可能的情况里，有一种情况是最有可能发生的，就像在一堆沙子里找一颗最特别的小石子一样。
它是基于最大熵原理来工作的。
熵呢，简单说就是一种混乱度或者不确定性的度量。
Maxent模型想要在满足我们已知的一些条件下，让这个系统的熵最大。
比如说，我们知道某个物种在一些地方出现了，这些地方的环境变量的值我们也知道，就像我们知道宝藏在迷宫里的某几个小角落周围一样。
Maxent模型就会根据这些已知的信息，然后在整个大的环境变量空间里，找到一种分布情况，这种分布情况是最不确定的，但又能符合我们已知的那些物种出现的地方的条件。
这就好比是，我们知道宝藏在某几个角落附近，那模型就会在整个迷宫里推测出一个最有可能藏着宝藏的大的区域，这个区域的推测是在满足我们已知线索的情况下，最宽泛、最不确定，但又最合理的。
而且哦，Maxent模型还很会利用这些环境变量之间的关系呢。
它不会孤立地看待每个环境变量，就像我们看一个人的时候，不会只看他的一个特点，而是把他的性格、外貌、行为等各个方面综合起来看一样。
它会考虑到气温和降水之间可能有联系，海拔高度和植被类型之间也有联系，然后把这些关系都融合到自己对物种分布或者现象分布的推测当中。
再说说这个模型的训练过程吧。
就像是一个小徒弟在跟着师傅学习怎么找宝藏。
我们给它很多已知的例子，就是那些物种出现的地点和对应的环境变量的值。
MaxEnt模型参数设置对其所模拟物种地理分布和生态位的影响——以茶翅蝽为例
MaxEnt模型参数设置对其所模拟物种地理分布和生态位的影响——以茶翅蝽为例朱耿平;原雪姣;范靖宇;王梦琳【摘要】[目的]生态位模型被广泛应用于入侵生物学和保护生物学研究,现有建模工具中,MaxEnt是最流行和运用最广泛的生态位模型.然而最近研究表明,基于MaxEnt模型的默认参数构建模型时,模型倾向于过度拟合,并非一定为最佳模型,尤其是在处理一些分布点较少的物种.[方法]以茶翅蝽为例,通过设置不同的特征参数、调控倍频以及背景拟不存在点数分别构建茶翅蝽的本土模型,然后将其转入入侵地来验证和比较模型,通过检测模型预测的物种对环境因子的响应曲线、潜在分布在生态空间中的生态位映射以及潜在分布的空间差异性,探讨3种参数设置对MaxEnt模型模拟物种分布和生态位的影响.[结果]在茶翅蝽的案例分析中,特征参数的设置对MaxEnt模型所模拟的潜在分布和生态位的影响最大,调控倍频的影响次之,背景拟不存在点数的影响最小.与其他特征相比,基于特征H和T的模型其响应曲线较为曲折;随着调控倍频的增加,响应曲线变得圆滑.[结论]在构建MaxEnt模型时,需要从生态空间中考虑物种的生态需求,分析模型参数对预测物种分布和生态位可能造成的影响.【期刊名称】《生物安全学报》【年(卷),期】2018(027)002【总页数】6页(P118-123)【关键词】生态位模型;MaxEnt模型;特征参数;调控倍频;背景拟不存在点数【作者】朱耿平;原雪姣;范靖宇;王梦琳【作者单位】天津师范大学生命科学学院,天津市动植物抗性重点实验室,天津300387;天津师范大学生命科学学院,天津市动植物抗性重点实验室,天津300387;天津师范大学生命科学学院,天津市动植物抗性重点实验室,天津300387;天津师范大学生命科学学院,天津市动植物抗性重点实验室,天津300387【正文语种】中文近年来，生态位模型被广泛应用于入侵生物学、保护生物学、全球气候变化对物种分布的影响，谱系生物地理学及传染病空间传播研究等多个领域(朱耿平等，2013)。
最大熵阈值法和大津阈值法的区别
最大熵阈值法和大津阈值法的区别最大熵阈值法和大津阈值法的区别一、简介最大熵阈值法（MaxEnt Threshold）和大津阈值法（OTSU Threshold）是常用的图像二值化（image binarization）算法，两者虽然都是用于图像二值化的算法，但它们的原理和实现方式有所不同，这就对图像二值化的效果产生了一定的影响。
二、原理比较1、最大熵阈值法最大熵阈值法的基本思想是把像素的分布经过计算，使得图像熵最大，以此为分割阈值。
最大熵阈值法分割图像的基本步骤如下：（1）确定灰度级数L；（2）计算灰度级为0到L-1的像素点的概率分布函数p(i)；（3）计算灰度分布的熵函数H；（4）确定最大熵函数对应的阈值t。
2、大津阈值法大津阈值法是以类间方差最大化来实现图像二值化的。
大津阈值法的原理是：给定一幅灰度图像，通过比较不同阈值下的类间方差，找到最大的类间方差对应的阈值，作为最佳分割阈值。
大津阈值法的基本步骤如下：（1）确定灰度级数L；（2）计算灰度级为0到L-1的像素点的概率分布函数p(i)；（3）计算类间方差S；（4）确定最大类间方差S对应的阈值t。
三、比较1、原理上最大熵阈值法是把图像的熵最大化，以此来确定最佳分割阈值；而大津阈值法的基本思想是把类间方差最大化，以此来确定最佳分割阈值。
从数学原理上看，最大熵阈值法考虑图像的概率分布函数，而大津阈值法考虑图像的类间方差，二者的本质目的都是为了最大化灰度的区分度。
2、效果上从图像效果来看，大津阈值法的效果要比最大熵阈值法的效果要更好。
最大熵阈值法的缺点在于：如果分割阈值设置过大或过小的话，会造成图像二值化后的效果不好，大津阈值法不存在这样的问题。
基于MaxEnt模型预测极北海带在我国黄渤海的适生情况
第40卷 第5期 渔 业 科 学 进 展Vol.40, No.5 2019年10月Oct., 2019*中国水产科学研究院基本科研业务费(2016HY-JC0301)、青岛市民生科技计划项目(17-3-3-65-nsh)和现代农业产业技术体系专项(CARS-50)共同资助 [This work was supported by Special Scientific Research Funds for Central Non-Profit Institutes, Chinese Academy of Fishery Sciences (2016HY-JC0301), Qingdao Science and Technology Project of People´s Livelihood (17-3-3-65-nsh), and China Agriculture Research System (CARS-50)]. 孙 昕,E-mail:****************① 通讯作者：刘福利，副研究员，E-mail:**************.cn 收稿日期: 2018-05-24, 收修改稿日期: 2018-08-07DOI: 10.19663/j.issn2095-9869.20180524001 /孙昕, 刘福利, 梁洲瑞, 汪文俊, 孙修涛. 基于MaxEnt 模型预测极北海带在我国黄渤海的适生情况. 渔业科学进展, 2019, 40(5): 71–77Sun X, Liu FL, Liang ZR, Wang WJ, Sun XT. Potential geographic distribution of Laminaria hyperborea in the Bohai and Huanghai Seas of China based on MaxEnt model. Progress in Fishery Sciences, 2019, 40(5): 71–77基于MaxEnt 模型预测极北海带 在我国黄渤海的适生情况*孙 昕 刘福利①梁洲瑞 汪文俊 孙修涛(中国水产科学研究院黄海水产研究所 农业农村部海洋渔业可持续发展重点实验室 青岛 266071)摘要 我国黄渤海区域的自然藻场存在不同程度的退化，建立人工藻场是制止海底荒漠化、恢复海底植被和建设海洋牧场的重要手段。
基于maxent_模型的迎春樱桃潜在适生区预测
第４７卷㊀第４期２０２３年７月南京林业大学学报（自然科学版）ＪｏｕｒｎａｌｏｆＮａｎｊｉｎｇＦｏｒｅｓｔｒｙＵｎｉｖｅｒｓｉｔｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅｓＥｄｉｔｉｏｎ）Ｖｏｌ．４７，Ｎｏ．４Ｊｕｌ．，２０２３㊀收稿日期Ｒｅｃｅｉｖｅｄ：２０２１⁃０８⁃０９㊀㊀㊀㊀修回日期Ａｃｃｅｐｔｅｄ：２０２２⁃０２⁃０６㊀基金项目：江苏省重点研发计划（现代农业）面上项目（ＥＢ２０２０３４３）；徐州市科技项目（ＫＣ２１３３６）㊂㊀第一作者：杨宏（１６２２８５１６４８＠ｑｑ．ｃｏｍ）㊂∗通信作者：伊贤贵（ｙｉｘｉａｎｇｕｉ＠ｎｊｆｕ．ｅｄｕ．ｃｎ），副教授，博士㊂㊀引文格式：杨宏，董京京，吴桐，等．基于ＭａｘＥｎｔ模型的迎春樱桃潜在适生区预测［Ｊ］．南京林业大学学报（自然科学版），２０２３，４７（４）：１３１－１３８．ＹＡＮＧＨ，ＤＯＮＧＪＪ，ＷＵＴ，ｅｔａｌ．ＰｒｅｄｉｃｔｉｏｎｏｆｐｏｔｅｎｔｉａｌｓｕｉｔａｂｌｅａｒｅａｓｏｆＣｅｒａｓｕｓｄｉｓｃｏｉｄｅａｉｎＣｈｉｎａｂａｓｅｄｏｎｔｈｅＭａｘＥｎｔｍｏｄｅｌ［Ｊ］．ＪｏｕｒｎａｌｏｆＮａｎｊｉｎｇＦｏｒｅｓｔｒｙＵｎｉｖｅｒｓｉｔｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅｓＥｄｉｔｉｏｎ），２０２３，４７（４）：１３１－１３８．ＤＯＩ：１０．１２３０２／ｊ．ｉｓｓｎ．１０００－２００６．２０２１０８０１４．基于ＭａｘＥｎｔ模型的迎春樱桃潜在适生区预测杨㊀宏，董京京，吴㊀桐，周华近，陈㊀洁，李㊀蒙，王贤荣，伊贤贵∗（南京林业大学，南方现代林业协同创新中心，南京林业大学生态与环境学院，南京林业大学樱花研究中心，江苏㊀南京㊀２１００３７）摘要：ʌ目的ɔ基于迎春樱桃（Ｃｅｒａｓｕｓｄｉｓｃｏｉｄｅａ）在当代（１９７０ ２０００年）及未来（２０５０ｓ，２０７０ｓ）气候变化下（ＲＣＰ２．６㊁ＲＣＰ４．５㊁ＲＣＰ８．５）适生区的面积变化研究，预测其潜在适生区为迎春樱桃的种质资源保护与利用提供参考依据㊂ʌ方法ɔ基于１９个气候变量和３个地形因子，结合迎春樱桃现有的５２条有效标本记录信息，利用最大熵ＭａｘＥｎｔ模型并结合地理信息系统软件（Ａｒｃ⁃ＧＩＳ），分析影响迎春樱桃分布的主要因素，预测迎春樱桃的潜在分布区㊂ʌ结果ɔ当前环境条件下迎春樱桃潜在适生区主要分布于长江中下游地区，影响物种分布的主要气候因子是最干季降水量（ｂｉｏ１７）㊁最冷月最低温（ｂｉｏ６）㊁季节性温度变化（ｂｉｏ４）和地形因子坡度（ｓｌｏ）㊂在未来气候（ＢＣＣ⁃ＣＳＭ１．１）条件下其适生区总面积呈减少趋势，但是在２０５０ｓ时期，温室气体中等浓度的排放条件下（ＲＣＰ４．５），物种总适生区面积出现最大值，为７．４９ˑ１０５ｋｍ２；而２０５０ｓ和２０７０ｓ时期低浓度（ＲＣＰ２．６）和中等浓度（ＲＣＰ４．５）温室气体的排放条件下，物种的中度适生区面积保持不变㊂ʌ结论ɔ迎春樱桃适生分布区主要分布于长江中下游地区，江西㊁安徽㊁湖北㊁江苏与浙江等低山地区为迎春樱桃种质资源分布的核心区域㊂关键词：迎春樱桃；适生区；ＭａｘＥｎｔ模型；种质资源中图分类号：Ｓ７１８㊀㊀㊀㊀㊀㊀㊀文献标志码：Ａ开放科学（资源服务）标识码（ＯＳＩＤ）：文章编号：１０００－２００６（２０２３）０４－０１３１－０８ＰｒｅｄｉｃｔｉｏｎｏｆｐｏｔｅｎｔｉａｌｓｕｉｔａｂｌｅａｒｅａｓｏｆＣｅｒａｓｕｓｄｉｓｃｏｉｄｅａｉｎＣｈｉｎａｂａｓｅｄｏｎｔｈｅＭａｘＥｎｔｍｏｄｅｌＹＡＮＧＨｏｎｇ，ＤＯＮＧＪｉｎｇｊｉｎｇ，ＷＵＴｏｎｇ，ＺＨＯＵＨｕａｊｉｎ，ＣＨＥＮＪｉｅ，ＬＩＭｅｎｇ，ＷＡＮＧＸｉａｎｒｏｎｇ，ＹＩＸｉａｎｇｕｉ∗（Ｃｏ⁃ＩｎｎｏｖａｔｉｏｎＣｅｎｔｅｒｆｏｒＳｕｓｔａｉｎａｂｌｅＦｏｒｅｓｔｒｙｉｎＳｏｕｔｈｅｒｎＣｈｉｎａ，ＣｏｌｌｅｇｅｏｆＢｉｏｌｏｇｙａｎｄｔｈｅＥｎｖｉｒｏｎｍｅｎｔ，ＣｅｒａｓｕｓＲｅｓｅａｒｃｈＣｅｎｔｅｒ，ＮａｎｊｉｎｇＦｏｒｅｓｔｒｙＵｎｉｖｅｒｓｉｔｙ，Ｎａｎｊｉｎｇ２１００３７，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：ʌＯｂｊｅｃｔｉｖｅɔＢａｓｅｄｏｎＣｅｒａｓｕｓｄｉｓｃｏｉｄｅａｏｆｃｏｎｔｅｍｐｏｒａｒｙ（１９７０－２０００）ｓｕｉｔａｂｌｅａｒｅａｓａｎｄｔｈｅａｄａｐｔｉｖｅｒｅｇｉｏｎｏｆｔｈｅｆｕｔｕｒｅ（２０５０ｓ，２０７０ｓ）ｕｎｄｅｒｃｌｉｍａｔｅｃｈａｎｇｅ（ＲＣＰ２．６，ＲＣＰ４．５ａｎｄＲＣＰ８．５），ｔｈｅｓｅｒｅｓｕｌｔｓｐｒｏｖｉｄｅｄａｒｅｆｅｒｅｎｃｅｆｏｒｔｈｅｐｒｏｔｅｃｔｉｏｎａｎｄｕｔｉｌｉｚａｔｉｏｎｏｆＣ．ｄｉｓｃｏｉｄｅａｇｅｒｍｐｌａｓｍｒｅｓｏｕｒｃｅｓ．ʌＭｅｔｈｏｄɔＢａｓｅｄｏｎ１９ｃｌｉｍａｔｅｖａｒｉａｂｌｅｓａｎｄｔｈｒｅｅｔｏｐｏｇｒａｐｈｉｃｆａｃｔｏｒｓ，ｃｏｍｂｉｎｅｄｗｉｔｈ５２ｖａｌｉｄｓｐｅｃｉｍｅｎｓ，ｔｈｅｍａｘｉｍｕｍｅｎｔｒｏｐｙ（ＭａｘＥｎｔ）ｍｏｄｅｌａｎｄＡｒｃ⁃ＧＩＳｓｏｆｔｗａｒｅｗｅｒｅｕｓｅｄｔｏａｎａｌｙｚｅａｎｄｐｒｅｄｉｃｔｔｈｅｍａｉｎｆａｃｔｏｒｓａｎｄｔｈｅｉｒｐｏｔｅｎｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎａｒｅａｓｏｆｔｈｉｓｓｐｅｃｉｅｓ．ʌＲｅｓｕｌｔɔＵｎｄｅｒｃｕｒｒｅｎｔｅｎｖｉｒｏｎｍｅｎｔａｌｃｏｎｄｉｔｉｏｎｓ，ｔｈｅｐｏｔｅｎｔｉａｌｌｙｓｕｉｔａｂｌｅａｒｅａｓｆｏｒＣ．ｄｉｓｃｏｉｄｅａａｒｅｍａｉｎｌｙｄｉｓｔｒｉｂｕｔｅｄｉｎｔｈｅｍｉｄｄｌｅａｎｄｌｏｗｅｒｒｅａｃｈｅｓｏｆｔｈｅＹａｎｇｔｚｅＲｉｖｅｒ．Ｔｈｅｍａｉｎｃｌｉｍａｔｉｃｆａｃｔｏｒｓａｆｆｅｃｔｉｎｇｉｔｓｄｉｓｔｒｉｂｕｔｉｏｎｗｅｒｅｐｒｅｃｉｐｉｔａｔｉｏｎｏｆｔｈｅｄｒｉｅｓｔｑｕａｒｔｅｒ（ｂｉｏ１７），ｍｉｎｉｍｕｍｔｅｍｐｅｒａｔｕｒｅｏｆｔｈｅｃｏｌｄｅｓｔｍｏｎｔｈ（ｂｉｏ６），ｔｅｍｐｅｒａｔｕｒｅｓｅａｓｏｎａｌｉｔｙ（ｂｉｏ４），ａｎｄｓｌｏｐｅ（ｓｌｏ）．Ｉｎｔｈｅｆｕｔｕｒｅｃｌｉｍａｔｅ（ＢＣＣ⁃ＣＳＭ１．１），ｔｈｅｔｏｔａｌｓｕｉｔａｂｌｅａｒｅａｏｆｓｐｅｃｉｅｓｗｉｌｌｄｅｃｒｅａｓｅｄ，ｈｏｗｅｖｅｒ，ｉｎｔｈｅ２０５０ｓ，ｕｎｄｅｒｍｏｄｅｒａｔｅｇｒｅｅｎｈｏｕｓｅｇａｓｅｍｉｓｓｉｏｎｃｏｎｄｉｔｉｏｎｓ（ＲＣＰ４．５），ｔｈｅｔｏｔａｌｓｕｉｔａｂｌｅａｒｅａｏｆｓｐｅｃｉｅｓｗｉｌｌｒｅａｃｈａｍａｘｉｍｕｍｏｆ７．４９ˑ１０５ｋｍ２．Ｈｏｗｅｖｅｒ，ｕｎｄｅｒｔｈｅｃｏｎｄｉｔｉｏｎｓｏｆｌｏｗ（ＲＣＰ２．６）ａｎｄｍｏｄｅｒａｔｅ（ＲＣＰ４．５）ｇｒｅｅｎｈｏｕｓｅｇａｓｅｍｉｓｓｉｏｎｓｉｎｔｈｅ２０５０ｓａｎｄｔｈｅ２０７０ｓ，ｔｈｅｍｏｄｅｒａｔｅｌｙｓｕｉｔａｂｌｅａｒｅａｓｒｅｍａｉｎｅｄｕｎｃｈａｎｇｅｄ．ʌＣｏｎｃｌｕｓｉｏｎɔＴｈｅｓｕｉｔａｂｌｅｄｉｓｔｒｉｂｕｔｉｏｎａｒｅａｏｆＣ．ｄｉｓｃｏｉｄｅａｉｓｍａｉｎｌｙｉｎｔｈｅｍｉｄｄｌｅａｎｄｌｏｗｅｒｒｅａｃｈｅｓｏｆｔｈｅＹａｎｇｔｚｅＲｉｖｅｒ，ａｎｄｔｈｅｌｏｗｍｏｕｎｔａｉｎｏｕｓａｒｅａｓｏｆＪｉａｎｇｘｉ，Ａｎｈｕｉ，Ｈｕｂｅｉ，ＪｉａｎｇｓｕａｎｄＺｈｅｊｉａｎｇＰｒｏｖｉｎｃｅｓａｒｅｔｈｅｃｏｒｅａｒｅａｓｏｆｔｈｉｓｇｅｒｍｐｌａｓｍｒｅｓｏｕｒｃｅｓｄｉｓｔｒｉｂｕｔｉｏｎ．南京林业大学学报（自然科学版）第４７卷Ｋｅｙｗｏｒｄｓ：Ｃｅｒａｓｕｓｄｉｓｃｏｉｄｅａ；ｓｕｉｔａｂｌｅａｒｅａ；ＭａｘＥｎｔｍｏｄｅｌ；ｇｅｒｍｐｌａｓｍｒｅｓｏｕｒｃｅｓ㊀㊀樱花为世界著名观赏花木，隶属于蔷薇科（Ｒｏｓａｃｅａｅ）樱属（Ｃｅｒａｓｕｓ），广泛分布于北半球的温带与亚热带地区㊂我国拥有世界最丰富的樱属种质资源，野生樱花资源约４５种［１］，但极少数被推广利用㊂迎春樱桃（Ｃｅｒａｓｕｓｄｉｓｃｏｉｄｅａ）为我国特有的樱属种质资源，其树形优美，枝条纤细，先花后叶，花粉白色且密集而整齐，花期早，具有极高的观赏价值，是国产樱属资源中最具应用价值的早春观花树种之一㊂迎春樱桃主要分布于安徽㊁浙江㊁江西等省份［２］，喜光且喜温暖湿润的环境，天然分布于海拔２００ １１００ｍ的山谷或溪边［３］㊂气候变化对植被［４］㊁生态系统功能［５］㊁生物多样性［６］㊁植物物候节律［７－８］等产生重大影响，了解未来气候变化对物种分布及适生区的潜在变化，对物种保护利用及对策制定具有重要意义㊂近些年来陆续有樱属植物适生区的研究，如：赖铭婕等［９］通过对６种原产我国的野生樱桃（Ｃｅｒａｓｕｓｓｐｐ．）在广东的适生区进行预测和分析，表明年均温是６个种共同的主导气候限制因子；李蒙等［１０］通过对山樱花（Ｃｅｒａｓｕｓｓｅｒｒｕｌａｔａ）地理分布与水热环境的因子关系分析表明，山樱花热量分布范围整体偏低，影响其分布的重要环境因子为年均温㊁纬度㊁极端低温㊁１月均温和海拔；朱弘等［１１］进行了浙闽樱桃（Ｃｅｒａｓｕｓｓｃｈｎｅｉｄｅｒｉａｎａ）地理分布模拟及气候限制因子分析，发现年降水量㊁最湿季节降雨量㊁最暖季降雨量㊁温度季节变化方差等水热条件是影响浙闽樱桃当下适生区的气候限制因子㊂有关迎春樱桃的研究主要集中在形态标记［１２］与遗传多样性分析［１３］等方面，对其在大尺度的潜在适生区及影响因子等研究鲜见报道㊂生态位理论的模型主要是利用已有的物种分布资料和环境数据产生以生态位为基础的物种生态需求［８］，目前常用于生态位研究的模型有ＧＡＲＰ㊁ＭａｘＥｎｔ㊁ＥＮＦＡ㊁Ｂｉｏｃｌｉｍ和Ｄｏｍａｉｎ等５种，相较而言，ＭａｘＥｎｔ模型具有更好的预测精度［１４］㊂在猕猴桃（Ａｃｔｉｎｉｄｉａａｒｇｕｔａ）［１５－１６］㊁金钱松（Ｐｓｅｕｄｏｌａｒｉｘａｍａｂｉｌｉｓ）［１７］㊁桫椤（Ａｌｓｏｐｈｉｌａｓｐｉｎｕ⁃ｌｏｓａ）［１８－１９］㊁青钱柳［２０］㊁珙桐（Ｄａｖｉｄｉａｉｎｖｏｌｕｃｒａ⁃ｔａ）［２１－２２］等中国特有物种的适生区研究中取得良好预测结果，为目标物种的保护与利用提供了科学依据㊂本研究以迎春樱桃的地理分布数据及当代（１９７０ ２０００年）和未来（２１世纪５０ ７０年代）气候数据为基础，利用ＭａｘＥｎｔ模型预测当代和未来气候环境下迎春樱桃的潜在分布区，分析影响迎春樱桃分布的主要因素，以期更好地了解迎春樱桃在未来气候变化下的分布范围，为其种质资源的保护与利用提供理论依据㊂１㊀材料与方法１．１㊀数据来源１）标本数据收集㊂为了获得迎春樱桃在我国的地理分布数据，借助中国数字植物标本馆（ｈｔ⁃ｔｐｓ：／／ｗｗｗ．ｃｖｈ．ａｃ．ｃｎ／）查阅公开发表的相关资料，并对迎春樱桃分布点进行统计，对于查阅到的标本只有分布点描述记录而没有经纬度记录时借助ｌｏ⁃ｃａｓｐａｃｅｖｉｅｒ网站（ｈｔｔｐ：／／ｗｗｗ．ｌｏｃａｓｐａｃｅ．ｃｎ／）进行解析并确定经纬度㊂将收集到的数据储存于Ｅｘｃｅｌ表格中，运用ＤＶＩ⁃Ａｒｃ⁃ＧＩＳ进行筛选并剔除重复数据，最终获得５２条分布数据用于模型的构建（分辨率１ｋｍ）㊂２）环境数据的收集㊂研究选择的当代（１９７０ ２０００年）１９个气候因子数据和３个地形因子数据（海拔㊁坡度㊁坡向），均来自世界气候数据库（ｈｔｔｐｓ：／／ｗｗｗ．ｗｏｒｌｄｃｌｉｍ．ｏｒｇ／）；未来２个时段（２１世纪５０年代和７０年代，简称２０５０ｓ㊁２０７０ｓ）的数据来自政府间气候变化委员会（ＩＰＣＣ）第５次气候评估报告中的ＢＣＣ⁃ＣＳＭ１．１大气环流模型［２３］，以及３种典型浓度途径（ｔｈｅｒｅｐｒｅｓｅｎｔａｔｉｖｅｃｏｎｃｅｎ⁃ｔｒａｔｉｏｎｐａｔｈｗａｙｓ，ＲＣＰ２．６㊁ＲＣＰ４．５和ＲＣＰ８．５），共４套气候模拟数据㊂根据ＩＰＣＣ第５次评估报告中的数据，ＲＣＰ２．６表示在严格减排下将全球气候变化控制在高于工业化之前温度２ħ以内的情景，ＲＣＰ４．５表示温室气体在中等浓度的情况，ＲＣＰ８．５代表温室气体在较高排放的情况㊂上述气候数据空间分辨率均为３０ｓ（分辨率１ｋｍ）㊂地图数据以国家基础地理信息中心（ｈｔｔｐ：／／ｗｗｗ．ｎｇｃｃ．ｃｎ／ｎｇｃｃ／）提供的１ʒ４００万中国行政地图为底图［底图审图号：ＧＳ（２０１９）１８２２］㊂１．２㊀气候数据的处理将迎春樱桃的地理信息在Ｅｘｃｅｌ表格中保存（．ｃｓｖ文件），在世界气候数据库中下载的栅格数据导入Ａｒｃ⁃ＧＩＳ中，利用ＳｐａｔｉａｌＡｎａｌｙｓｔ中的提取分析工具，掩膜提取中国行政区以内的１９个生物数据以及３个地形数据（海拔㊁坡度㊁坡向），将提取好的生物栅格数据转换为ＡＳＣ格式并保存㊂１．３㊀ＭａｘＥｎｔ模型建立将收集好的迎春樱桃地理分布数据㊁１９个气２３１㊀第４期杨㊀宏，等：基于ＭａｘＥｎｔ模型的迎春樱桃潜在适生区预测候因子变量以及３个地形因子数据（表１）导入ＭａｘＥｎｔ模型中，勾选ｃｒｅａｔｒｅｓｐｏｎｓｅｃｕｒｖｅｓ㊁ｄｏｊａｃｋ⁃ｋｎｉｉｆｅｔｏｍｅａｓｕｒｅｖａｒｉａｂｉｅｉｍｐｏｒｔａｎｃｅ㊁ｏｕｔｐｕｔｆｏｒｍａｔ为ｌｏｇｉｓｔｉｃ［２４］，随机选取２５％的分布数据作为检验数据，其他为训练数据［２５］，重复１０次运算以排除随机因素的影响，其余则使用模型的默认数值㊂将模型运算输出结果设为ＡＳＣ，输出即为分布概率㊂以０．５为阈值，删除相关系数大且贡献率小的变量，最终按贡献率选取５个气候因子和１个地形因子（ｂｉｏ１７㊁ｂｉｏ６㊁ｂｉｏ４㊁ｓｌｏ㊁ｂｉｏ１９㊁ｂｉｏ９）用于最终的模型构建㊂将选取的５个气候因子和１个地形因子以及地理分布数据导入ＭａｘＥｎｔ模型中再次运算１０次（其余不变）得到分布概率㊂表１㊀用于ＭａｘＥｎｔ模型构建筛选出的环境因子Ｔａｂｌｅ１㊀ＥｎｖｉｒｏｎｍｅｎｔａｌｆａｃｔｏｒｓｆｉｌｔｅｒｅｄｏｕｔｆｏｒＭａｘＥｎｔｍｏｄｅｌｃｏｎｓｔｒｕｃｔｉｏｎ１．４㊀分布图的制作及模型精度的验证将ＭａｘＥｎｔ输出的ＡＳＣ文件导入Ａｒｃ⁃ＧＩＳ转化为栅格文件后进行重分类，根据Ａｒｃ⁃ＧＩＳ中的自然断点法将迎春樱桃的潜在适生区划为４个等级，依次为非适生区㊁低度适生区㊁中度适生区和高度适生区㊂模型精度验证以软件内建的变量分析㊁响应曲线和刀切法验证模型中变量对迎春樱桃适应性的影响㊂以受试者工作特征（ＲＯＣ）曲线下面积（ＡＵＣ）的数值大小对模型精度做出评价，取值范围为［０，１］［２６］，数值越大模型精度越高，表明模型预测效果越好㊂２㊀结果与分析２．１㊀迎春樱桃当代分布图和标本记录点由ＭａｘＥｎｔ输出的ＲＯＣ曲线（图１）可知，该模型的ＡＵＣ均值为０．９８０，标准差为０．００９６［２７］，预测结果很好，且精度很高，因此此次建模结果适用于迎春樱桃在中国潜在适生区的预测㊂根据ＭａｘＥｎｔ模型预测以及Ａｒｃ⁃ＧＩＳ中自带的自然断点法将适生区划为４个等级，结果见图２㊂由图２可知，迎春樱桃主要分布在华中和华东地图１㊀ＭａｘＥｎｔ模型的ＲＯＣ曲线及ＡＵＣ面积Ｆｉｇ．１㊀ＲＯＣｃｕｒｖｅａｎｄＡＵＣａｒｅａｏｆＭａｘＥｎｔｍｏｄｅｌ区，其中：高度适生区主要分布于浙江北部㊁安徽南部和西部㊁江西北部和湖北东南部等地；中度适生区主要分布于江西西部㊁中部和西南部㊁湖南中部㊁浙江南部与江苏等地区；低度适生区主要分布在湖南北部和西部㊁福建北部㊁江西南部等地㊂在当前气候环境下迎春樱桃的适生区面积占中国陆地面积的７．７％，为７．４ˑ１０５ｋｍ２，其中：高度适生区面积为１．０６ˑ１０５ｋｍ２，占１．１％；中度适生区面积为２．２１ˑ１０５ｋｍ２，占２．３％；低度适生区面积为３３１南京林业大学学报（自然科学版）第４７卷底图审图号：ＧＳ（２０１９）１８２２㊂下同㊂Ｔｈｅｓａｍｅｂｅｌｏｗ．图２㊀迎春樱桃在中国的当代适生区和标本记录点Ｆｉｇ．２㊀ＣｏｎｔｅｍｐｏｒａｒｙｓｕｉｔａｂｌｅｇｒｏｗｉｎｇａｒｅａｓａｎｄｓｐｅｃｉｍｅｎｒｅｃｏｒｄｐｏｉｎｔｓｏｆＣｅｒａｓｕｓｄｉｓｃｏｉｄｅａｉｎＣｈｉｎａ４ １３ˑ１０５ｋｍ２，占４．３％㊂但是高度适生区面积占比较小，说明迎春樱桃的生长范围比较狭窄，如果受到人为因素的干扰，其栖息地更容易遭到破坏导致种群数量减少㊂ａ．最干季降水量响应曲线ｐｒｅｃｉｐｉｔａｔｉｏｎｉｎｔｈｅｄｒｉｅｓｔｓｅａｓｏｎｒｅｓｐｏｎｓｅｃｕｒｖｅ；ｂ．最冷月最低温响应曲线ｍｉｎｔｅｍｐｅｒａｔｕｒｅｏｆｔｈｅｃｏｌｄｅｓｔｍｏｎｔｈｒｅｓｐｏｎｓｅｃｕｒｖｅ；ｃ．季节性温度变化响应曲线ｓｅａｓｏｎａｌｃｈａｎｇｅｏｆｔｅｍｐｅｒａｔｕｒｅｒｅｓｐｏｎｓｅｃｕｒｖｅ；ｄ．坡度响应曲线ｓｌｏｐｅｒｅｓｐｏｎｓｅｃｕｒｖｅ㊂图４㊀主要环境因子响应曲线Ｆｉｇ．４㊀Ｒｅｓｐｏｎｓｅｃｕｒｖｅｓｏｆｍａｊｏｒｅｎｖｉｒｏｎｍｅｎｔａｌｆａｃｔｏｒｓ２．２㊀环境因子对迎春樱桃适生区的影响２．２．１㊀环境变量分析刀切法检验结果可以反映不同环境变量对迎春樱桃潜在分布的影响，根据输出的Ｊａｃｋｎｉｆｅ图（图３）横坐标表示每次规范训练的结果，条带数值越大说明环境对其影响越大㊂由图３可知，最干旱季度的降水（ｂｉｏ１７）和最冷季度的降水量（ｂｉｏ１９）两个环境变量对迎春樱桃的适生区分布影响最大也是最重要的㊂说明如果预测中不包含这两个环境变量将对迎春樱桃适生区的预测产生极大的影响㊂此外温度和坡度对迎春樱桃分布的影响较大［２８］，这也说明迎春樱桃适宜生活在降水量丰沛且温暖的地区㊂预测结果与物种分布地点相符㊂图３㊀基于刀切法的环境变量分析Ｆｉｇ．３㊀Ａｎａｌｙｓｉｓｏｆｅｎｖｉｒｏｎｍｅｎｔａｌｖａｒｉａｂｌｅｓｂａｓｅｄｏｎｋｎｉｆｅ⁃ｃｕｔｔｉｎｇｍｅｔｈｏｄ２．２．２㊀环境变量贡献率分析根据ＭａｘＥｎｔ模型预测结果可知，温度㊁降水和坡度都不同程度影响迎春樱桃的适生区分布㊂从贡献率来看ｂｉｏ１７最干季降水贡献率最高达到７３ ４％，其次为最冷月最低温度（ｂｉｏ６）㊁季节性温度变化（ｂｉｏ４）㊁坡度（ｓｌｏ），其贡献率分别为９ ４％㊁５ ７％㊁５ ３％㊂其中最干季降水（ｂｉｏ１７）和最冷月最低温度（ｂｉｏ６）的合计贡献率超过８０％，说明这两个因子对迎春樱桃的分布范围影响最大，其次为ｂｉｏ４和ｓｌｏ，两者占比超过１０％，且ｂｉｏ４和ｓｌｏ两个环境变量在模型中的贡献率要高于重要性，说明环境因子增加了模型的可信度［２９］㊂２．２．３㊀环境变量响应曲线分析根据迎春樱桃环境变量（ｂｉｏ１７㊁ｂｉｏ６㊁ｂｉｏ４㊁ｓｌｏ）与对应的物种存在概率，可获得迎春樱桃环境变量主要响应曲线（图４），以存在概率＞０．５为适宜范围［３０］，则迎春樱桃适宜生长的最干季降水量在１３０ １７０ｍｍ，其中最适宜的降水量为１５０ｍｍ；最冷月最低温在－４ ２ħ，最适宜的温度为０ħ上下；坡度在３ʎ ２７ʎ，其中４ʎ为最适宜的坡度㊂这也从侧面证实了迎春樱桃适宜生长在温暖㊁降水量适宜的缓坡地上㊂若最冷月温度过低或最干季降水量过少都将不利于迎春樱桃的生长㊂４３１㊀第４期杨㊀宏，等：基于ＭａｘＥｎｔ模型的迎春樱桃潜在适生区预测２．３㊀未来气候条件下迎春樱桃潜在的适生区根据ＭａｘＥｎｔ模型预测结果，在未来气候条件下迎春樱桃的适生区有向高纬度迁移的趋势，其中广东㊁福建的适生区面积呈减少趋势（图５）㊂由图５可知，未来迎春樱桃适生区面积总体上呈减少的态势，但是在２０５０ｓ⁃ＲＣＰ４ ５时总适生区面积达到最大值为７．４９ˑ１０５ｋｍ２，且高度适生区面积有所增加；而在ＲＣＰ２．６（低浓度）和ＲＣＰ４．５（中等浓度）温室气体排放条件下，迎春樱桃的中度适生区面积增加，但在（ＲＣＰ８．５）高浓度温室气体排放条件下中度适生区面积减少；同时在未来气候条件下低度适生区的总体面积也呈减少趋势（表２）㊂图５㊀迎春樱桃未来在中国的适生区Ｆｉｇ．５㊀ＴｈｅｆｕｔｕｒｅｓｕｉｔａｂｌｅｇｒｏｗｉｎｇａｒｅａｏｆＣ．ｄｉｓｃｏｉｄｅａｉｎＣｈｉｎａ表２㊀未来气候条件下迎春樱桃的潜在适生区面积及占当代适生区面积的比例Ｔａｂｌｅ２㊀ＴｈｅｐｏｔｅｎｔｉａｌｓｕｉｔａｂｌｅａｒｅａｏｆＣ．ｄｉｓｃｏｉｄｅａｉｎｔｈｅｆｕｔｕｒｅｃｌｉｍａｔｅａｎｄｉｔｓｐｒｏｐｏｒｔｉｏｎｔｏｔｈｅａｒｅａｏｆｃｏｎｔｅｍｐｏｒａｒｙｓｕｉｔａｂｌｅａｒｅａ情景及年代ｓｃｅｎａｒｉｏａｎｄｅｒａ总适生区ｔｏｔａｌｓｕｉｔａｂｌｅａｒｅａ高度适生区ｈｉｇｈｌｙｓｕｉｔａｂｌｅａｒｅａ中度适生区ｍｏｄｅｒａｔｅｓｕｉｔａｂｌｅａｒｅａ低度适生区ｌｏｗｓｕｉｔａｂｌｅａｒｅａ面积／ˑ１０５ｋｍ２ａｒｅａ占比／％ｐｅｒｃｅｎｔａｇｅ面积／ˑ１０５ｋｍ２ａｒｅａ占比／％ｐｅｒｃｅｎｔａｇｅ面积／ˑ１０５ｋｍ２ａｒｅａ占比／％ｐｅｒｃｅｎｔａｇｅ面积／ˑ１０５ｋｍ２ａｒｅａ占比／％ｐｅｒｃｅｎｔａｇｅ当代ｃｕｒｒｅｎｔ７．４０ １．０６ ２．２１ ４．１３ ＲＣＰ２．６２０５０ｓ７．０１９４．７３１．２５１１７．９２２．４０１０８．６０３．３６８１．３６２０７０ｓ７．２０９７．３０１．０６１００．００２．４０１０８．６０３．７４９０．５６ＲＣＰ４．５２０５０ｓ７．４９１０１．２２１．５４１４５．２８２．４０１０８．６０３．５５８５．６０２０７０ｓ７．３０９８．６５１．２５１１７．９２２．４０１０８．６０３．６５８８．３８ＲＣＰ８．５２０５０ｓ６．９１９３．３８１．２５１１７．９２２．１１９５．４８３．５５８５．６０２０７０ｓ６．９１９３．３８１．３４１２６．４２２．０２９１．４０３．５５８５．６０㊀㊀根据预测结果可知，迎春樱桃的总适生面积变化趋势主要取决于低度适生区面积的变化㊂在２０５０ｓ ２０７０ｓ时期的高强度温室气体排放条件下（ＲＣＰ８．５），迎春樱桃总适生区面积出现最小值为６．９１ˑ１０５ｋｍ２，占当代适生区面积的９３．３８％，而在（ＲＣＰ４．５）中等浓度温室气体排放条件下，２０５０ｓ时５３１南京林业大学学报（自然科学版）第４７卷期物种高度适生区面积达到最大值１．５４ˑ１０５ｋｍ２，为当代适生区面积的１４５．２８％；在低等浓度（ＲＣＰ２．６）和中等浓度温室气体排放条件下（ＲＣＰ４．５），同一时期物种的中度适生区面积都保持不变，为２．４０ˑ１０５ｋｍ２，占当代适生区面积的１０８ ６０％；在低等浓度温室气体排放条件下（ＲＣＰ２ ６）２０５０ｓ时期的低度适生区面积出现最小值，为３ ３６ˑ１０５ｋｍ２，占当代低度适生区面积的８１ ３６％㊂这也说明随着全球气候变暖，水热条件发生改变，使得一些地区不再适宜迎春樱桃的生长，适生区缩小，物种生存压力和种间竞争力加大，物种有趋向濒危的风险㊂３㊀讨㊀论迎春樱桃潜在适生区和高度适生区分别占全国陆地面积的７．７％和１．１％，主要分布于安徽㊁江苏㊁浙江和江西４省，且最干季降水量对迎春樱桃的潜在分布影响最大，其次为温度，该物种能忍受的最冷月温度为－４ ２ħ，低于－４ħ时不能正常生长㊂环境因子中，坡度对其影响较大，结合野外调查情况，表明此物种适宜生长在光照良好的低山丘陵山地㊂基于ＭａｘＥｎｔ模型，结合气候㊁地理因子与迎春樱桃分布数据计算其适生区面积，通过交叉验证等得出迎春樱桃的适生区主要集中于华中和华东地区，其中高度适生区主要分布于浙江北部㊁安徽南部和西部㊁江西北部和湖北东南部等地；中度适生区主要分布于江西西部㊁中部和西南部㊁湖南中部㊁浙江南部等地区；低度适生区主要分布在湖南北部和西部㊁福建北部㊁江西南部等地㊂当代适生区的分析与南程慧等［３１］㊁商韬等［１３］所记录的分布范围高度吻合，并与‘中国植物志“［２］关于这一物种分布地点的描述一致㊂武夷山地区樱属植物资源丰富，但在长期调查中未发现有迎春樱桃的分布，推测原因与武夷山低度适生区模拟结果及其小乔木树型的性状相关，在发育良好的常绿阔叶林地带性植被中该物种无竞争优势㊂‘中国植物志“［２］与‘江苏植物志“［３２］都未记录迎春樱桃在江苏地区的分布，但实地调查发现，在江苏南部的宜溧山区（１１９ʎ４１ᶄ３５．１２ᵡＥ，３１ʎ１３ᶄ０５．４２ᵡＮ；１１９ʎ３１ᶄ０２．９７ᵡＥ，３１ʎ１０ᶄ１９．０７ᵡＮ）及江苏北部的云台山地区（１１９ʎ２６ᶄ３６．３０ᵡＥ，３４ʎ４２ᶄ４９．８０ᵡＮ）有分布，这与江苏南部宜溧山区为迎春樱桃中度适生区模拟结果一致㊂湖北和湖南地区有着众多的野生樱属资源，但‘湖北植物志“［３３］中没有迎春樱桃分布的记录，推测可能在之前的调查中因交通不便或高山阻隔导致其未被发现㊂根据前人对迎春樱桃系统发育的研究［３４－３６］表明，其与尾叶樱桃㊁山樱花和浙闽樱桃具有较近的遗传关系，同时这些类群地理分布相似，均广泛分布于华中㊁华东一带㊂通过对山樱花㊁浙闽樱桃和尾叶樱桃的适生区研究发现，影响它们分布范围的限制条件为水热条件，这与本研究结果相一致㊂前人对尾叶樱桃的适生区模拟分析［３７－３８］发现其有向东扩展的趋势，而本研究显示迎春樱桃的适生区有向高纬度扩张的趋势，表明樱属植物对水分和热量条件的要求较宽泛；笔者推测迎春樱桃对江苏北部等暖温带地区的次生落叶阔叶林具有较强的竞争优势与适应性，这也是迎春樱桃未来高度适生区朝东北方向扩张的主要原因㊂本研究中选取了３个地形因子结合１９个气候因子数据，发现地形因子也是影响樱属植物的重要因素之一㊂安徽㊁江苏㊁浙江和江西位于中国东部季风区及长江中下游地区，迎春樱桃主要分布于该区的低山丘陵山地，良好的水热条件以及低山环境为迎春樱桃提供了良好的生存环境，模拟结果显示，该区域也是未来气候条件下迎春樱桃的高度适生区㊂在此次模拟中西藏部分地区出现了迎春樱桃的潜在适生区，而查阅当前资料和野外调查暂未发现该地区有天然分布，推测山脉的阻隔以及传播路径过长影响了迎春樱桃在此区域的群体扩张㊂近年来，ＭａｘＥｎｔ模型广泛应用于物种分布方面的预测，本研究利用该模型较好地预测了迎春樱桃在中国的潜在分布区，分析了未来气候条件下迎春樱桃适生区面积的变化趋势㊂迎春樱桃适生区面积总体呈减少趋势，而人为干扰与生境破碎化等问题导致迎春樱桃种群更新与扩张困难㊂随着全球温室效应的加剧以及树种所处生存群落的不断发育，迎春樱桃在群落中将丧失竞争优势，种群数量将不断减少并极易导致其退出现有分布区，未来应注重其种质资源收集㊁引种繁殖及推广利用等方面的研究㊂参考文献（ｒｅｆｅｒｅｎｃｅ）：［１］陈涛，胡国平，王燕，等．我国野生樱属植物种质资源调查㊁收集与保护［Ｊ］．植物遗传资源学报，２０２０，２１（３）：５３２－５４１．ＣＨＥＮＴ，ＨＵＧＰ，ＷＡＮＧＹ，ｅｔａｌ．Ｓｕｒｖｅｙ，ｃｏｌｌｅｃｔｉｏｎａｎｄｃｏｎｓｅｒ⁃ｖａｔｉｏｎｏｆｗｉｌｄＣｅｒａｓｕｓＭｉｌｌ．ｇｅｒｍｐｌａｓｍｒｅｓｏｕｒｃｅｓｉｎＣｈｉｎａ［Ｊ］．ＪＰｌａｎｔＧｅｎｅｔＲｅｓｏｕｒ，２０２０，２１（３）：５３２－５４１．ＤＯＩ：１０．１３４３０／ｊ．ｃｎｋｉ．ｊｐｇｒ．２０１９０７１６００１．［２］中国科学院中国植物志编辑委员会．中国植物志：第３８卷［Ｍ］．北京：科学出版社，１９８６：５２．ＥｄｉｔｏｒｉａｌＣｏｍｍｉｔｔｅｅｏｆＣｈｉｎｅｓｅＦｌｏｒａ，ＣｈｉｎｅｓｅＡｃａｄｅｍｙｏｆＳｃｉｅｎｃｅｓ．ＦｌｏｒａｏｆＣｈｉｎａ：６３１㊀第４期杨㊀宏，等：基于ＭａｘＥｎｔ模型的迎春樱桃潜在适生区预测Ｖｏｌｕｍｅ３８［Ｍ］．Ｂｅｉｊｉｎｇ：ＳｃｉｅｎｃｅＰｒｅｓｓ，１９８６：５２．［３］严春风，徐梁，赵绮，等．我国原生樱属植物资源的分类研究［Ｊ］．江苏林业科技，２０１７，４４（３）：３５－４０．ＹＡＮＣＦ，ＸＵＬ，ＺＨＡＯＱ，ｅｔａｌ．ＣｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｅａｒｃｈｏｆＣｈｉｎｅｓｅｎａｔｉｖｅＣｅｒａｓｕｓｒｅｓｏｕｒｃｅｓ［Ｊ］．ＪＪｉａｎｇｓｕＦｏｒＳｃｉＴｅｃｈｎｏｌ，２０１７，４４（３）：３５－４０．ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１００１－７３８０．２０１７．０３．００９．［４］李茂华，都金康，李皖彤，等．１９８２ ２０１５年全球植被变化及其与温度和降水的关系［Ｊ］．地理科学，２０２０，４０（５）：８２３－８３２．ＬＩＭＨ，ＤＵＪＫ，ＬＩＷＴ，ｅｔａｌ．ＧｌｏｂａｌｖｅｇｅｔａｔｉｏｎｃｈａｎｇｅａｎｄｉｔｓｒｅｌａｔｉｏｎｓｈｉｐｗｉｔｈｐｒｅｃｉｐｉｔａｔｉｏｎａｎｄｔｅｍｐｅｒａｔｕｒｅｂａｓｅｄｏｎＧＬＡＳＳ⁃ＬＡＩｉｎ１９８２－２０１５［Ｊ］．ＳｃｉＧｅｏｇｒＳｉｎ，２０２０，４０（５）：８２３－８３２．ＤＯＩ：１０．１３２４９／ｊ．ｃｎｋｉ．ｓｇｓ．２０２０．０５．０１７．［５］傅伯杰，牛栋，赵士洞．全球变化与陆地生态系统研究：回顾与展望［Ｊ］．地球科学进展，２００５，２０（５）：５５６－５６０．ＦＵＢＪ，ＮＩＵＤ，ＺＨＡＯＳＤ．Ｓｔｕｄｙｏｎｇｌｏｂａｌｃｈａｎｇｅａｎｄｔｅｒｒｅｓｔｒｉａｌｅｃｏｓｙｓｔｅｍｓ：ｈｉｓｔｏｒｙａｎｄｐｒｏｓｐｅｃｔ［Ｊ］．ＡｄｖＥａｒｔｈＳｃｉ，２００５，２０（５）：５５６－５６０．ＤＯＩ：１０．３３２１／ｊ．ｉｓｓｎ：１００１－８１６６．２００５．０５．０１１．［６］何远政，黄文达，赵昕，等．气候变化对植物多样性的影响研究综述［Ｊ］．中国沙漠，２０２１，４１（１）：５９－６６．ＨＥＹＺ，ＨＵＡＮＧＷＤ，ＺＨＡＯＸ，ｅｔａｌ．Ｒｅｖｉｅｗｏｎｔｈｅｉｍｐａｃｔｏｆｃｌｉｍａｔｅｃｈａｎｇｅｏｎｐｌａｎｔｄｉｖｅｒｓｉｔｙ［Ｊ］．ＪＤｅｓｅｒｔＲｅｓ，２０２１，４１（１）：５９－６６．ＤＯＩ：１０．７５２２／ｊ．ｉｓｓｎ．１０００－６９４Ｘ．２０２０．００１０４．［７］付永硕，李昕熹，周轩成，等．全球变化背景下的植物物候模型研究进展与展望［Ｊ］．中国科学：地球科学，２０２０，５０（９）：１２０６－１２１８．ＦＵＹＳ，ＬＩＸＸ，ＺＨＯＵＸＣ，ｅｔａｌ．Ｐｒｏｇｒｅｓｓｉｎｐｌａｎｔｐｈｅｎｏｌｏｇｙｍｏｄｅｌｉｎｇｕｎｄｅｒｇｌｏｂａｌｃｌｉｍａｔｅｃｈａｎｇｅ［Ｊ］．ＳｃｉＳｉｎ（Ｔｅｒｒａｅ），２０２０，５０（９）：１２０６－１２１８．［８］张文秀，寇一翾，张丽，等．采用生态位模拟预测濒危植物白豆杉５个时期的适宜分布区［Ｊ］．生态学杂志，２０２０，３９（２）：６００－６１３．ＺＨＡＮＧＷＸ，ＫＯＵＹＸ，ＺＨＡＮＧＬ，ｅｔａｌ．Ｓｕｉｔａｂｌｅｄｉｓ⁃ｔｒｉｂｕｔｉｏｎｏｆｅｎｄａｎｇｅｒｅｄｓｐｅｃｉｅｓＰｓｅｕｄｏｔａｘｕｓｃｈｉｅｎｉｉ（Ｃｈｅｎｇ）Ｃｈｅｎｇ（Ｔａｘａｃｅａｅ）ｉｎｆｉｖｅｐｅｒｉｏｄｓｕｓｉｎｇｎｉｃｈｅｍｏｄｅｌｉｎｇ［Ｊ］．ＣｈｉｎＪＥｃｏｌ，２０２０，３９（２）：６００－６１３．ＤＯＩ：１０．１３２９２／ｊ．１０００－４８９０．２０２００２．０２８．［９］赖铭婕，吴保欢，崔大方．基于ＤＩＶＡ⁃ＧＩＳ的广东适生樱花预测分析［Ｊ］．广东园林，２０２０，４２（４）：３７－４１．ＬＡＩＭＪ，ＷＵＢＨ，ＣＵＩＤＦ．ＰｒｅｄｉｃｔｉｏｎａｎｄａｎａｌｙｓｉｓｏｆｓｕｉｔａｂｌｅＣｅｒａｓｕｓｓｐｐ．ｉｎＧｕａｎｇｄｏｎｇＰｒｏｖｉｎｃｅｂａｓｅｄｏｎＤＩＶＡ⁃ＧＩＳ［Ｊ］．ＧｕａｎｇｄｏｎｇＬａｎｄｓｃＡｒｃｈｉｔ，２０２０，４２（４）：３７－４１．［１０］李蒙，伊贤贵，王华辰，等．山樱花地理分布与水热环境因子的关系［Ｊ］．南京林业大学学报（自然科学版），２０１４，３８（增刊）：７４－８０．ＬＩＭ，ＹＩＸＧ，ＷＡＮＧＨＣ，ｅｔａｌ．ＳｔｕｄｉｅｓｏｎｔｈｅｒｅｌａｔｉｏｎｓｈｉｐｂｅｔｗｅｅｎＣｅｒａｓｕｓｓｅｒｒｕｌａｔａｄｉｓｔｒｉｂｕｔｉｏｎｒｅｇｉｏｎａｎｄｔｈｅｅｎｖｉｒｏｎｍｅｎｔａｌｆａｃｔｏｒｓ［Ｊ］．ＪＮａｎｊｉｎｇＦｏｒＵｎｉｖ（ＮａｔＳｃｉＥｄ），２０１４，３８（Ｓ１）：７４－８０．ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１０００－２００６．２０１４．Ｓ１．０１６．［１１］朱弘，尤禄祥，李涌福，等．浙闽樱桃地理分布模拟及气候限制因子分析［Ｊ］．热带亚热带植物学报，２０１７，２５（４）：３１５－３２２．ＺＨＵＨ，ＹＯＵＬＸ，ＬＩＹＦ，ｅｔａｌ．Ｍｏｄｅｌｉｎｇｔｈｅｇｅｏｇｒａｐｈｉｃａｌｄｉｓｔｒｉ⁃ｂｕｔｉｏｎｐａｔｔｅｒｎａｎｄｃｌｉｍａｔｉｃｌｉｍｉｔｅｄｆａｃｔｏｒｓｏｆＣｅｒａｓｕｓｓｃｈｎｅｉｄｅｒｉａｎａ［Ｊ］．ＪＴｒｏｐＳｕｂｔｒｏｐＢｏｔ，２０１７，２５（４）：３１５－３２２．ＤＯＩ：１０．１１９２６／ｊｔｓｂ．３７０２．［１２］南程慧．迎春樱居群变异与繁殖生物学研究［Ｄ］．南京：南京林业大学，２０１２．ＮＡＮＣＨ．Ｓｔｕｄｙｏｎｐｏｐｕｌａｔｉｏｎｖａｒｉａｔｉｏｎａｎｄｒｅ⁃ｐｒｏｄｕｃｔｉｖｅｂｉｏｌｏｇｙｏｆＣｅｒａｓｕｓｄｉｓｃｏｉｄｅａＹüｅｔＬｉ［Ｄ］．Ｎａｎｊｉｎｇ：ＮａｎｊｉｎｇＦｏｒｅｓｔｒｙＵｎｉｖｅｒｓｉｔｙ，２０１２．［１３］商韬，王贤荣，南程慧，等．基于ＳＳＲ标记的迎春樱自然居群遗传多样性分析［Ｊ］．甘肃农业大学学报，２０１３，４８（６）：１０４－１０９，１１５．ＳＨＡＮＧＴ，ＷＡＮＧＸＲ，ＮＡＮＣＨ，ｅｔａｌ．ＧｅｎｅｔｉｃｄｉｖｅｒｓｉｔｙｉｎｎａｔｕｒａｌｐｏｐｕｌａｔｉｏｎｓｏｆＣｅｒａｓｕｓｄｉｓｃｏｉｄｅａｂａｓｅｄｏｎＳＳＲｍａｒｋｅｒｓ［Ｊ］．ＪＧａｎｓｕＡｇｒｉｃＵｎｉｖ，２０１３，４８（６）：１０４－１０９，１１５．ＤＯＩ：１０．１３４３２／ｊ．ｃｎｋｉ．ｊｇｓａｕ．２０１３．０６．０２１．［１４］曹向锋，钱国良，胡白石，等．采用生态位模型预测黄顶菊在中国的潜在适生区［Ｊ］．应用生态学报，２０１０，２１（１２）：３０６３－３０６９．ＣＡＯＸＦ，ＱＩＡＮＧＬ，ＨＵＢＳ，ｅｔａｌ．ＰｒｅｄｉｃｔｉｏｎｏｆｐｏｔｅｎｔｉａｌｓｕｉｔａｂｌｅｄｉｓｔｒｉｂｕｔｉｏｎａｒｅａｏｆＦｌａｖｅｒｉａｂｉｄｅｎｔｉｓｉｎＣｈｉｎａｂａｓｅｄｏｎｎｉｃｈｅｍｏｄｅｌｓ［Ｊ］．ＣｈｉｎＪＡｐｐｌＥｃｏｌ，２０１０，２１（１２）：３０６３－３０６９．ＤＯＩ：１０．１３２８７／ｊ．１００１－９３３２．２０１０．０４３１．［１５］张童，黄治昊，彭杨靖，等．基于ＭａｘＥｎｔ模型的软枣猕猴桃在中国潜在适生区预测［Ｊ］．生态学报，２０２０，４０（１４）：４９２１－４９２８．ＺＨＡＮＧＴ，ＨＵＡＮＧＺＨ，ＰＥＮＧＹＪ，ｅｔａｌ．Ｐｒｅｄｉｃｔｉｏｎｏｆｐｏ⁃ｔｅｎｔｉａｌｓｕｉｔａｂｌｅａｒｅａｓｏｆＡｃｔｉｎｉｄｉａａｒｇｕｔａｉｎＣｈｉｎａｂａｓｅｄｏｎＭａｘＥｎｔｍｏｄｅｌ［Ｊ］．ＡｃｔａＥｃｏｌＳｉｎ，２０２０，４０（１４）：４９２１－４９２８．ＤＯＩ：１０．５８４６／ｓｔｘｂ２０１９０９１６１９２１．［１６］王茹琳，王明田，罗家栋，等．基于ＭａｘＥｎｔ模型的美味猕猴桃在中国气候适宜性分析［Ｊ］．云南农业大学学报（自然科学），２０１９，３４（３）：５２２－５３１．ＷＡＮＧＲＬ，ＷＡＮＧＭＴ，ＬＵＯＪＤ，ｅｔａｌ．ＴｈｅａｎａｌｙｓｉｓｏｆｃｌｉｍａｔｅｓｕｉｔａｂｉｌｉｔｙａｎｄｒｅｇｉｏｎａｌｉｚａｔｉｏｎｏｆＡｃｔｉｎｉｄｉａｄｅｌｉｃｉｏｓａｂｙｕｓｉｎｇＭａｘＥｎｔｍｏｄｅｌｉｎＣｈｉｎａ［Ｊ］．ＪＹｕｎｎａｎＡｇｒｉｃＵｎｉｖ（ＮａｔＳｃｉ），２０１９，３４（３）：５２２－５３１．ＤＯＩ：１０．１２１０１／ｊ．ｉｓｓｎ．１００４－３９０Ｘ（ｎ）．２０１７１１０３９．［１７］王国峥，耿其芳，肖孟阳，等．基于４种生态位模型的金钱松潜在适生区预测［Ｊ］．生态学报，２０２０，４０（１７）：６０９６－６１０４．ＷＡＮＧＧＺ，ＧＥＮＧＱＦ，ＸＩＡＯＭＹ，ｅｔａｌ．ＰｒｅｄｉｃｔｉｎｇＰｓｅｕｄｏｌａｒｉｘａｍａｂｉｌｉｓｐｏｔｅｎｔｉａｌｈａｂｉｔａｔｂａｓｅｄｏｎｆｏｕｒｎｉｃｈｅｍｏｄｅｌｓ［Ｊ］．ＡｃｔａＥｃｏｌＳｉｎ，２０２０，４０（１７）：６０９６－６１０４．ＤＯＩ：１０．５８４６／ｓｔｘｂ２０１９０７０２１３９０．［１８］杨启杰，李睿．桫椤的潜在适生区及其变化［Ｊ］．应用生态学报，２０２１，３２（２）：５３８－５４８．ＹＡＮＧＱＪ，ＬＩＲ．Ｐｒｅｄｉｃｔｉｎｇｔｈｅｐｏ⁃ｔｅｎｔｉａｌｓｕｉｔａｂｌｅｈａｂｉｔａｔｓｏｆＡｌｓｏｐｈｉｌａｓｐｉｎｕｌｏｓａａｎｄｔｈｅｉｒｃｈａｎｇｅｓ［Ｊ］．ＣｈｉｎＪＡｐｐｌＥｃｏｌ，２０２１，３２（２）：５３８－５４８．ＤＯＩ：１０．１３２８７／ｊ．１００１－９３３２．２０２１０２．０１５．［１９］许斌，朱文泉，李培先．不同气候条件下桫椤在中国的潜在适生区分布［Ｊ］．生态学报，２０２０，４０（１７）：６１０５－６１１７．ＸＵＢ，ＺＨＵＷＱ，ＬＩＰＸ．ＰｏｔｅｎｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｓｏｆＡｌｓｏｐｈｉｌａｓｐｉｎｕｌｏｓａｕｎｄｅｒｄｉｆｆｅｒｅｎｔｃｌｉｍａｔｅｓｉｎＣｈｉｎａ［Ｊ］．ＡｃｔａＥｃｏｌＳｉｎ，２０２０，４０（１７）：６１０５－６１１７．ＤＯＩ：１０．５８４６／ｓｔｘｂ２０１９０７２４１５６５．［２０］刘清亮，李垚，方升佐．基于ＭａｘＥｎｔ模型的青钱柳潜在适宜栽培区预测［Ｊ］．南京林业大学学报（自然科学版），２０１７，４１（４）：２５－２９．ＬＩＵＱＬ，ＬＩＹ，ＦＡＮＧＳＺ．ＭａｘＥｎｄｍｏｄｅｌ⁃ｂａｓｅｄｉｎｄｅｎｔｉｆｉｃａｔｉｏｎｏｆｐｏｔｅｎｔｉａｌＣｙｃｌｏｃａｒｙａｐａｌｉｕｒｕｓｃｕｌｔｉｖａｔｉｏｎｒｅｇｉｏｎｓ［Ｊ］．ＪＮａｎｊｉｎｇＦｏｒｅＵｎｉｖ（ＮａｔＳｃｉＥｄ），２０１７，４１（４）：２５－２９．ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１０００－２００６．２０１６０８０１０．［２１］王雨生，王召海，邢汉发，等．基于ＭａｘＥｎｔ模型的珙桐在中国潜在适生区预测［Ｊ］．生态学杂志，２０１９，３８（４）：１２３０－１２３７．ＷＡＮＧＹＳ，ＷＡＮＧＺＨ，ＸＩＮＧＨＦ，ｅｔａｌ．ＰｒｅｄｉｃｔｉｏｎｏｆｐｏｔｅｎｔｉａｌｓｕｉｔａｂｌｅｄｉｓｔｒｉｂｕｔｉｏｎｏｆＤａｖｉｄｉａｉｎｖｏｌｕｃｒａｔａＢａｉｌｌｉｎＣｈｉｎａｂａｓｅｄｏｎＭａｘＥｎｔ［Ｊ］．ＣｈｉｎＪＥｃｏｌ，２０１９，３８（４）：１２３０－１２３７．ＤＯＩ：１０．１３２９２／ｊ．１０００－４８９０．２０１９０４．０２４．［２２］陈俪心，和梅香，王彬，等．基于ＭａｘＥｎｔ模型的凉山山系珙桐种群适宜生境分布及其影响因素分析［Ｊ］．四川大学学报（自然科学版），２０１８，５５（４）：８７３－８８０．ＣＨＥＮＬＸ，ＨＥＭＸ，ＷＡＮＧＢ，ｅｔａｌ．Ａｎａｌｙｓｉｓｏｆｓｕｉｔａｂｌｅｈａｂｉｔａｔｄｉｓｔｒｉｂｕｔｉｏｎａｎｄｉｔｓｉｎ⁃ｆｌｕｅｎｃｅｆａｃｔｏｒｓｏｆＤａｖｉｄｉａｉｎｖｏｌｕｃｒａｔａｉｎＬｉａｎｇｓｈａｎＭｏｕｎｔａｉｎｓｂａｓｅｄｏｎＭａｘＥｎｔｍｏｄｅｌ［Ｊ］．ＪＳｉｃｈｕａｎＵｎｉｖ（ＮａｔＳｃｉＥｄ），２０１８，５５（４）：８７３－８８０．ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．０４９０－６７５６．２０１８．０４．０３５．７３１南京林业大学学报（自然科学版）第４７卷［２３］沈永平，王国亚．ＩＰＣＣ第一工作组第五次评估报告对全球气候变化认知的最新科学要点［Ｊ］．冰川冻土，２０１３，３５（５）：１０６８－１０７６．ＳＨＥＮＹＰ，ＷＡＮＧＧＹ．ＫｅｙｆｉｎｄｉｎｇｓａｎｄａｓｓｅｓｓｍｅｎｔｒｅｓｕｌｔｓｏｆＩＰＣＣＷＧＩｆｉｆｔｈａｓｓｅｓｓｍｅｎｔｒｅｐｏｒｔ［Ｊ］．ＪＧｌａｃｉｏｌＧｅｏｃｒｙｏｌ，２０１３，３５（５）：１０６８－１０７６．ＤＯＩ：１０．７５２２／ｊ．ｉｓｓｎ．１０００－０２４０．２０１３．０１２０．［２４］齐国君，陈婷，高燕，等．基于Ｍａｘｅｎｔ的大洋臀纹粉蚧和南洋臀纹粉蚧在中国的适生区分析［Ｊ］．环境昆虫学报，２０１５，３７（２）：２１９－２２３．ＱＩＧＪ，ＣＨＥＮＴ，ＧＡＯＹ，ｅｔａｌ．ＰｏｔｅｎｔｉａｌｇｅｏｇｒａｐｈｉｃｄｉｓｔｒｉｂｕｔｉｏｎｏｆＰｌａｎｏｃｏｃｃｕｓｍｉｎｏｒａｎｄＰ．ｌｉｌａｃｉｎｕｓｉｎＣｈｉｎａｂａｓｅｄｏｎＭａｘＥｎｔ［Ｊ］．ＪＥｎｖｉｒｏｎＥｎｔｏｍｏｌ，２０１５，３７（２）：２１９－２２３．ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１６７４－０８５８．２０１５．０２．１．［２５］邹天娇，倪畅，郑曦．基于ＭａｘＥｎｔ模型的北京浅山区珍稀植物适生区预测及管理［Ｊ］．中国城市林业，２０２０，１８（４）：１７－２２．ＺＯＵＴＪ，ＮＩＣ，ＺＨＥＮＧＸ．ＰｒｅｄｉｃｔｉｏｎａｎｄｍａｎａｇｅｍｅｎｔｏｆｒａｒｅｐｌａｎｔｓｕｉｔａｂｌｅａｒｅａｉｎｈｉｌｌｙａｒｅａｓｏｆＢｅｉｊｉｎｇｂａｓｅｄｏｎＭａｘＥｎｔｍｏｄｅｌ［Ｊ］．ＪＣｈｉｎＵｒｂａｎＦｏｒ，２０２０，１８（４）：１７－２２．ＤＯＩ：１０．１２１６９／ｚｇｃｓｌｙ．２０１９．０３．２７．０００１．［２６］柳晓燕，李俊生，赵彩云，等．基于ＭａｘＥｎｔ模型和ＡｒｃＧＩＳ预测豚草在中国的潜在适生区［Ｊ］．植物保护学报，２０１６，４３（６）：１０４１－１０４８．ＬＩＵＸＹ，ＬＩＪＳ，ＺＨＡＯＣＹ，ｅｔａｌ．Ｐｒｅｄｉｃｔｉｏｎｏｆｐｏ⁃ｔｅｎｔｉａｌｓｕｉｔａｂｌｅａｒｅａｏｆＡｍｂｒｏｓｉａａｒｔｅｍｉｓｉｉｆｏｌｉａＬ．ｉｎＣｈｉｎａｂａｓｅｄｏｎＭａｘＥｎｔａｎｄＡｒｃＧＩＳ［Ｊ］．ＪＰｌａｎｔＰｒｏｔ，２０１６，４３（６）：１０４１－１０４８．ＤＯＩ：１０．１３８０２／ｊ．ｃｎｋｉ．ｚｗｂｈｘｂ．２０１６．０６．０２３．［２７］孙蓉，刘影．基于ＭａｘＥｎｔ模型的江西省白桂木生境适宜性评价［Ｊ］．南方林业科学，２０２０，４８（２）：２３－２７．ＳＵＮＲ，ＬＩＵＹ．ＨａｂｉｔａｔｓｕｉｔａｂｉｌｉｔｙｅｖａｌｕａｔｉｏｎｏｆＡｒｔｏｃａｒｐｕｓｈｙｐａｒｇｙｒｅｕｓＨａｎｃｅｉｎＪｉａｎｇｘｉＰｒｏｖｉｎｃｅｂａｓｅｄｏｎＭａｘＥｎｔｍｏｄｅｌ［Ｊ］．ＳｏｕｔｈＣｈｉｎａＦｏｒＳｃｉ，２０２０，４８（２）：２３－２７．ＤＯＩ：１０．１６２５９／ｊ．ｃｎｋｉ．３６－１３４２／ｓ．２０２０．０２．００５．［２８］樊信，盘金文，何嵩涛．气候变化背景下基于ＭａｘＥｎｔ模型的刺梨潜在适生区分布预测［Ｊ］．西北植物学报，２０２１，４１（１）：１５９－１６７．ＦＡＮＸ，ＰＡＮＪＷ，ＨＥＳＴ．ＰｒｅｄｉｃｔｉｏｎｏｆｔｈｅｐｏｔｅｎｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｏｆＲｏｓａｒｏｘｂｕｒｇｈｉｉｕｎｄｅｒｔｈｅｂａｃｋｇｒｏｕｎｄｏｆｃｌｉｍａｔｅｃｈａｎｇｅｂａｓｅｄｏｎＭａｘＥｎｔｍｏｄｅｌ［Ｊ］．ＡｃｔａＢｏｔＢｏｒｅａｌｉＯｃｃｉｄｅｎｔａｌｉａＳｉｎ，２０２１，４１（１）：１５９－１６７．ＤＯＩ：１０．７６０６／ｊ．ｉｓｓｎ．１０００－４０２５．２０２１．０１．０１５９．［２９］姚祺，李佶芸，赵垦田．基于ＭａｘＥｎｔ模型的巨柏青藏高原生态适宜性研究［Ｊ］．高原农业，２０２１，５（２）：１０９－１１４．ＹＡＯＱ，ＬＩＪＹ，ＺＨＡＯＫＴ．ＲｅｓｅａｒｃｈｏｎｅｃｏｌｏｇｉｃａｌｓｕｉｔａｂｉｌｉｔｙｏｆｇｉａｎｔｃｙｐｒｅｓｓｏｎＱｉｎｇｈａｉ⁃ＴｉｂｅｔＰｌａｔｅａｕｂａｓｅｄｏｎＭａｘＥｎｔｍｏｄｅｌ［Ｊ］．ＪＰｌａｔｅａｕＡｇｒｉｃ，２０２１，５（２）：１０９－１１４．ＤＯＩ：１０．１９７０７／ｊ．ｃｎｋｉ．ｊｐａ．２０２１．０２．００１．［３０］王广，张莹，张娇，等．基于ＭａｘＥｎｔ模型的半夏潜在适宜分布研究［Ｊ］．武汉轻工大学学报，２０１８，３７（６）：３５－４０．ＷＡＮＧＧ，ＺＨＡＮＧＹ，ＺＨＡＮＧＪ，ｅｔａｌ．ＰｏｔｅｎｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｏｆＰｉｎｅｌｌｉａｔｅｒｎａｔａｂａｓｅｄｏｎＭａｘＥｎｔｍｏｄｅｌ［Ｊ］．ＪＷｕｈａｎＰｏｌｙｔｅｃｈＵｎｉｖ，２０１８，３７（６）：３５－４０．ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．２０９５－７３８６．２０１８．０６．００５．［３１］南程慧，伊贤贵，王华辰，等．迎春樱群落主要种群生态位研究［Ｊ］．南京林业大学学报（自然科学版），２０１４，３８（增刊）：８９－９２．ＮＡＮＣＨ，ＹＩＸＧ，ＷＡＮＧＨＣ，ｅｔａｌ．ＳｔｕｄｙｏｎｔｈｅｎｉｃｈｅｏｆｔｈｅｍａｉｎｐｏｐｕｌａｉｔｉｏｎｉｎＣｅｒａｓｕｓｄｉｓｃｏｉｄｅａｃｏｍｍｕｎｉｔｙ［Ｊ］．ＪＮａｎｊｉｎｇＦｏｒＵｎｉｖ（ＮａｔＳｃｉＥｄ），２０１４，３８（Ｓ１）：８９－９２．ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１０００－２００６．２０１４．Ｓ１．０１８．［３２］江苏省植物研究所．江苏植物志：上册［Ｍ］．南京：江苏人民出版社，１９７７．ＪｉａｎｇｓｕＩｎｓｔｉｔｕｔｅｏｆＢｏｔａｎｙ．ＦｌｏｒａｏｆＪｉａｎｇｓｕ：Ｖｏｌｕｍｅ１［Ｍ］．Ｎａｎｊｉｎｇ：ＪｉａｎｇｓｕＰｅｏｐｌｅ ｓＰｕｂｌｉｓｈｉｎｇＨｏｕｓｅ，１９７７．［３３］傅书遐．湖北植物志［Ｍ］．武汉：湖北科技出版社，２００２．ＦＵＳＸ．ＦｌｏｒａＨｕｂｅｉｅｎｓｉｓ［Ｍ］．Ｗｕｈａｎ：ＨｕｂｅｉＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙＰｒｅｓｓ，２００２．［３４］ＬＩＭ，ＳＯＮＧＹＦ，ＳＹＬＶＥＳＴＥＲＳＰ，ｅｔａｌ．ＣｏｍｐａｒａｔｉｖｅａｎａｌｙｓｉｓｏｆｔｈｅｃｏｍｐｌｅｔｅｐｌａｓｔｉｄｇｅｎｏｍｅｓｉｎＰｒｕｎｕｓｓｕｂｇｅｎｕｓＣｅｒａｓｕｓ（Ｒｏｓａ⁃ｃｅａｅ）：ｍｏｌｅｃｕｌａｒｓｔｒｕｃｔｕｒｅｓａｎｄｐｈｙｌｏｇｅｎｅｔｉｃｒｅｌａｔｉｏｎｓｈｉｐｓ［Ｊ］．ＰＬｏＳＯｎｅ，２０２２，１７（４）：ｅ０２６６５３５．ＤＯＩ：１０．１３７１／ｊｏｕｒｎａｌ．ｐｏｎｅ．０２６６５３５．［３５］ＹＡＮＪＷ，ＬＩＪＨ，ＹＵＬ，ｅｔａｌ．ＣｏｍｐａｒａｔｉｖｅｃｈｌｏｒｏｐｌａｓｔｇｅｎｏｍｅｓｏｆＰｒｕｎｕｓｓｕｂｇｅｎｕｓＣｅｒａｓｕｓ（Ｒｏｓａｃｅａｅ）：ｉｎｓｉｇｈｔｓｉｎｔｏｓｅｑｕｅｎｃｅｖａｒｉａｔｉｏｎｓａｎｄｐｈｙｌｏｇｅｎｅｔｉｃｒｅｌａｔｉｏｎｓｈｉｐｓ［Ｊ］．ＴｒｅｅＧｅｎｅｔＧｅｎｏｍｅｓ，２０２１，１７（６）：５０．ＤＯＩ：１０．１００７／ｓ１１２９５－０２１－０１５３３－８．［３６］朱弘，伊贤贵，朱淑霞，等．基于叶绿体ＤＮＡａｔｐＢ⁃ｒｂｃＬ片段的典型樱亚属部分种的亲缘关系及分类地位探讨［Ｊ］．植物研究，２０１８，３８（６）：８２０－８２７．ＺＨＵＨ，ＹＩＸＧ，ＺＨＵＳＸ，ｅｔａｌ．ＡｎａｌｙｓｉｓｏｎｒｅｌａｔｉｏｎｓｈｉｐａｎｄｔａｘｏｎｏｍｉｃｓｔａｔｕｓｏｆｓｏｍｅｓｐｅｃｉｅｓｉｎＳｕｂｇ．ＣｅｒａｓｕｓＫｏｅｈｎｅｗｉｔｈｃｈｌｏｒｏｐｌａｓｔＤＮＡａｔｐＢ⁃ｒｂｃＬｆｒａｇｍｅｎｔ［Ｊ］．ＢｕｌｌＢｏｔＲｅｓ，２０１８，３８（６）：８２０－８２７．ＤＯＩ：１０．７５２５／ｊ．ｉｓｓｎ．１６７３－５１０２．２０１８．０６．００４．［３７］朱弘．尾叶樱桃（Ｃｅｒａｓｕｓｄｉｅｌｓｉａｎａ）系统分类地位与种群生物地理学研究［Ｄ］．南京：南京林业大学，２０２０．ＺＨＵＨ．ＰｈｙｌｏｇｅｎｅｔｉｃｐｏｓｉｔｉｏｎａｎｄｐｏｐｕｌａｔｉｏｎｂｉｏｇｅｏｇｒａｐｈｙｏｆＣｅｒａｓｕｓｄｉｅｌ⁃ｓｉａｎａ（Ｒｏｓａｃｅａｅ）［Ｄ］．Ｎａｎｊｉｎｇ：ＮａｎｊｉｎｇＦｏｒｅｓｔｒｙＵｎｉｖｅｒｓｉｔｙ，２０２０．［３８］朱弘，伊贤贵，朱淑霞，等．中国亚热带特有植物尾叶樱桃的研究进展［Ｊ］．中国野生植物资源，２０２０，３９（１）：３５－４０．ＺＨＵＨ，ＹＩＸＧ，ＺＨＵＳＸ，ｅｔａｌ．ＲｅｓｅａｒｃｈｐｒｏｇｒｅｓｓｏｆＣｅｒａｓｕｓｄｉｅｌｓｉａｎａ，ａｎｅｎｄｅｍｉｃｐｌａｎｔｓｆｒｏｍｓｕｂｔｒｏｐｉｃａｌＣｈｉｎａ［Ｊ］．ＣｈｉｎＷｉｌｄＰｌａｎｔＲｅ⁃ｓｏｕｒ，２０２０，３９（１）：３５－４０．ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１００６－９６９０．２０２０．０１．００９．（责任编辑㊀郑琰燚）８３１。
计量经济学阈值模型
计量经济学阈值模型计量经济学阈值模型指的是在经济学领域中用于分析阈值效应的一种统计模型。
阈值效应是指在一定的阈值点之下，相关变量之间存在着强烈的关联关系，而在阈值点之上，相关变量之间的关联关系则会显著减弱或消失。
阈值模型的核心思想是基于变量之间的非线性关系，假设有一个阈值点，当自变量的取值小于该阈值时，因变量与自变量之间存在着一个线性关系；而当自变量的取值超过该阈值时，因变量与自变量之间的关系就变得相对较弱或不存在。
在计量经济学中，阈值模型被广泛应用于多个领域，例如宏观经济学、金融经济学、环境经济学等。
它可以帮助研究人员更好地理解经济现象中的非线性关系，预测未来的趋势，优化政策制定以及制定风险管理策略。
阈值模型的基本形式可以表示为：Y = α + βX + γD + ε其中，Y表示因变量，X表示自变量，D表示阈值变量，α为截距项，β为X对Y的线性影响系数，γ为X对Y的非线性影响系数，ε为误差项。
接下来，我将以宏观经济学领域的案例来详细阐述阈值模型的应用和意义。
1. 深入理解阈值模型我们需要深入理解阈值模型的基本概念和原理。
在经济学中，很多现象都呈现出非线性的特征，例如经济增长、通货膨胀和财政政策等。
传统的线性模型难以捕捉到这种非线性关系，因此需要引入阈值模型来更准确地描述实际情况。
阈值模型的一个重要应用是对经济增长和经济衰退进行预测。
研究人员可以通过构建一个阈值模型来分析经济增长率与某个经济指标（例如投资、出口等）之间的关系。
通过确定阈值点，可以判断经济增长率是超过这一阈值还是低于这一阈值，从而预测经济的发展趋势。
2. 阈值模型的实证研究和案例分析在宏观经济学领域，许多研究人员利用阈值模型来研究经济的非线性关系。
研究人员可以构建一个阈值模型来分析通货膨胀对经济增长的影响。
他们可以根据历史数据，通过拟合阈值模型来确定通货膨胀的阈值点，进而分析经济增长与通货膨胀之间的关系。
这有助于制定货币政策和预测经济的走势。
基于MaxEnt 模型和未来气候条件预测太行花属植物的适生分布区
收 稿 日 期 :2020 - 09 - 17 基金项目:河北省研究生创新资助项目 ( CXZZSS2019074) ;河北省科技计划项目 (6226309D-3) 作者简介:李 安(1993-) ,男,河北承德人,在读硕士研究生,研究方向:植物多样性及濒危植物保护。
Abstract: In order to clarify the introduction and propagation range of Taihangia, and find the appropriate threshold of environment factors for Taihangia growth,this paper based on MaxEnt model and ArcGIS geographic information system simulated the distribution of Taihangia in the current and future climate conditions. The results showed that the suitable areas of Taihangia were roughtly E112. 8°— 115. 3°,N33. 2°—37. 8°,of which the high suitable area was 800 km2 ,mainly distributed at the border of three provinces of Hebei, Henan and Shanxi. Precipitation was the main factor that dominated the distribution of Taihangia. The model had an AUC value of 0. 996. The model fitted well and the prediction results had high credibility. We should pay close attention to high-suitability areas and carry out appropriate protection and breeding work based on this. In the future climate conditions,the suitable area of Taihangia will increase first and then decrease. It is suggested that relevant departments should take protective measures as soon as possible. Key words: Plant distribution; Taihangia; MaxEnt; ArcGIS; Suitable distribution area; Prediction
基于MaxEnt的云南省薇甘菊分布预测及评价
基于MaxEnt的云南省薇甘菊分布预测及评价付小勇;泽桑梓;周晓;季梅【摘要】利用MaxEnt生态位模型预测云南薇甘菊适生区分布,结果显示,ROC曲线的AUC值均在0.9以上,预测结果具有较高的可信度.影响薇甘菊分布的主要环境因子包括最湿季降雨量(贡献率28.8％)、海拔(贡献率22.1％)、土地覆盖现状(贡献率15.3％)、最湿季平均温、年均降水量、年平均温.从因子的响应曲线分析得出,云南薇甘菊最适环境参数为海拔1 100m,最湿季平均温为22℃,最湿季降雨量为760 mm,土地覆盖为未郁闭林地、灌木林地和荒地等.从样本点数量、环境因子选择及人为影响3个方面对MaxEnt模型预测的云南薇甘菊分布结果进行比较和评价.【期刊名称】《广东农业科学》【年(卷),期】2015(042)012【总页数】5页(P159-162,封2)【关键词】薇甘菊;MaxEnt模型;环境因子【作者】付小勇;泽桑梓;周晓;季梅【作者单位】西南林业大学计算机与信息学院,云南昆明650224;云南省林业科学院,云南昆明650201;云南林业职业技术学院,云南昆明650224;云南省林业科学院,云南昆明650201;云南省林业科学院,云南昆明650201【正文语种】中文【中图分类】S41-30付小勇1，泽桑梓2,3，周晓2，季梅2(1.西南林业大学计算机与信息学院，云南昆明650224；2.云南省林业科学院，云南昆明650201；3.云南林业职业技术学院，云南昆明650224）在云南西南片区的德宏州、保山市、临沧市、西双版纳州、普洱市5个州市都有薇甘菊被观察到[1]，将薇甘菊发生点用一对简单的经纬坐标记录下来，这种地理坐标的记录在我国广东、香港、澳门也有[2]。
此外，通过全球生物多样性信息交换所GBIF数据库，查询导出984个世界其他地方薇甘菊发生样点。
利用薇甘菊发生地提取物种环境需求，通过提取的环境描述薇甘菊适生环境。
本研究利用MaxEnt建模方法，结合样本点的环境变量预测出适合薇甘菊生长的潜在区域并评价其适生区特点。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
maxent 模型的阈值
MaxEnt模型（最大熵模型）是一种用于分类和建模的概率模型，它在自然语言处理、计算机视觉和其他领域都有广泛的应用。
在MaxEnt模型中，阈值通常指的是决定分类的概率阈值。
在训练MaxEnt模型时，我们可以通过调整阈值来平衡模型的精确度和召回率。
较高的阈值会增加精确度但降低召回率，而较低的阈值则会增
加召回率但降低精确度。
另一方面，阈值也可以指在模型预测中用于判断正类和负类的
概率阈值。
在二分类问题中，我们可以根据具体的应用需求来调整
阈值，例如在医疗诊断中，我们可能更关注召回率，因此会选择较
低的阈值，以确保尽可能多的病例被检测出来；而在垃圾邮件过滤中，我们可能更关注精确度，因此会选择较高的阈值，以确保尽可
能少的正常邮件被误分类为垃圾邮件。
此外，MaxEnt模型中的阈值还可以根据具体的数据分布和应用
场景进行调整，以达到最佳的分类效果。
在实际应用中，通常需要
通过交叉验证等方法来选择最佳的阈值，以使模型在不同情况下都
能取得较好的性能表现。
总之，MaxEnt模型的阈值在实际应用中具有重要意义，它可以影响模型的分类性能和应用效果，因此需要根据具体情况进行合理的调整和选择。