基于MaxEnt模型预测梅的潜在适生区分布.pdf

第 43 卷第 1 期2024 年 1 月中 国 野 生 植 物 资 源Chinese Wild Plant ResourcesVol.43 No.1Jan.2024基于MaxEnt模型预测梅的潜在适生区分布陈伊能1，刘志刚2，于婷1，廖海1*，周嘉裕1*（1.西南交通大学 生命科学与工程学院，四川 成都 610031；2.马边彝族自治县林业局，四川 乐山 614600）摘要 目的：确定影响梅分布的主要环境因子，并预测当前与未来条件下梅的适生区。方法：收集172份梅分布点的32个环境因子数据，构建MaxEnt模型，筛选影响梅生长的主导环境因子，结合地理信息系统（ArcGIS10.8）绘制梅目前与未来的适生区分布预测图。结果：影响梅分布的主要环境因子有5个（最冷月最低气温、年降水量、最暖季降水量、年温差与最干燥月降水量）；其中最冷月最低气温对梅生存概率影响最大，当最冷月最低气温约10.1时梅适生概率最大，达到71.47%。模拟当前气候环境下，梅的高适生区、中适生区和低适生区面积分别占全国总面积的 7.78%、17.01%与 7.73%。目前高适宜区主要分布在广东、广西、四川、云南、贵州、重庆、浙江与台湾等省，在SSP1-2.6与SSP5-8.5下，梅适宜面积（潜在高适生与中适生区）在2021至2060年期间，呈现波浪式增加和北移的趋势，分别为当前的101.85%和102.28%。结论：本研究结果可为梅资源的可持续利用，以及梅人工种植的合理布局与区划研究提供科学依据。关键词 梅；最大熵模型；环境因子；潜在分布；未来气候中图分类号：R282 文献标识码：A 文章编号：1006-9690（2024）01-0107-07Prediction of Potential Distribution of Prunus mume Based on MaxEnt ModelChen Yineng1，Liu Zhigang2，Yu Ting1，Liao Hai1*，Zhou Jiayu1*（1.School of Life Science and Engineering，Southwest Jiaotong University，Chengdu 610031，China；2.Forestry Bureau of Mabian Yi Autonomous County，Leshan 614600，China）Abstract Objective：To determine the dominant environmental factors shaping the distribution of Prunus mume.To predict the distribution areas of P.mume under current and future climatic environments.Methods：A total of 172 distribution points and corresponding 32 environmental factors of P.mume were collected，and the MaxEnt model was constructed accordingly.The dominant environmental factors affecting the growth were identified，and the current and future distribution map of P.mume was drawn by ArcGIS.Results：There were five main environmental as dominant factors affecting the distribution of P.mume：min temperature of coldest month（bio6），annual precipitation（bio12），precipitation of warmest quarter（bio18），annual temperature difference（bio7）and precipitation of driest Month（bio14），among which bio6 had the greatest effect on the survival probability.When the lowest temperature in the coldest month was 10.1，P.mume reached the highest living probability of 71.47%；Under the current climatic environment，the areas of high，medium and low suitable areas accounted for 7.78%，17.01%and 7.73%，respectively，in China.And the high suitable areas were mainly distributed in Guangdong，Guangxi，Sichuan，Guizhou，Yunnan，Chongqing，Zhejiang and Taiwan doi：10.3969/j.issn.1006-9690.2024.01.014收稿日期：2023-03-16，录用日期：2024-01-08基金项目：成都市科技局项目（2022-YF05-01357-SN）；中央高校医工结合项目（2682022ZTPY053）；四川省中医药管理局项目（2021MS116）。作者简介：陈伊能（1998-），女，四川成都人，研究生，研究方向为药用植物学。E-mail：C*通讯作者：廖海（1974-），男，四川遂宁人，博士，副教授，研究方向为生物化学和分子生物学。E-mail：*共同通讯作者：周嘉裕（1976-），女，四川宜宾人，博士，副教授，研究方向为植物学和分子生物学。E-mail： 107中 国 野 生 植 物 资 源第 43 卷provinces.Under SSP1-2.6 and SSP5-8.5，the suitable area of P.mume（potential high and medium suitable area）moved north and increased wavelike of 101.85%and 102.28%，respectively.Conclusion：The present result could provide basic data not only for the sustainable utilization of P.mume resources，but also for its rational distribution of artificial planting.Key words Prunus mume；Maximum model；Environmental factors；Potential distribution；Future climate梅（Prunus mume Sieb.et Zucc.）隶属于蔷薇科（Rosaceae）李属（Prunus L.），是传统中药乌梅的基原植物，以近成熟果实入药1。乌梅入药最初于 神农本草经 中有记载，其富含柠檬酸、维生素、黄酮类等化学成分，具有生津止渴、调节肠胃、增进食欲、治疗寒热、增强免疫力等功效2-3，广泛用于食品与医药领域。本草中记载的梅栽培地分布较为广泛，魏晋时期 名医别录 记录梅原产于湖北西北部，并引种至陕西南部，四川北部；晋代 蜀都赋 记述四川是梅的重要产地；宋代 本朝图经 及明代本草纲目 记载襄汉、川蜀、江淮、岭南等南方地区均为梅的分布产地1。梅产地的不断扩大能够满足临床需要，但若盲目进行引种和种植区扩大，将对梅生产的合理布局产生不利影响，甚至破坏梅的道地性而导致乌梅品质不佳。由此，对梅开展生态环境适应性研究，并以此指导其合理种植具有重大现实意义。以MaxEnt等为代表的生态位模型是利用物种现有分布点信息，对物种潜在分布区进行预测，从而能够更好地建立物种保护区以及进行合理的人工栽培地域规划，现已应用于多种植物的适生区分析与引种指导工作4-8。项目组于2020年6月开始进行了野外实地考察，在此期间进行文献查阅以及植物数据库查询，整理出梅在中国的现有分布信息资料，利用最大熵（MaxEnt 3.4.1）模型和地理信息系统ArcGIS 10.8软件确定影响梅地理分布的主导环境因子及其影响程度，以此为依据预测梅不同程度适生区，分析其潜在地理分布格局，并预测未来气候模式下梅适生区分布的变化，以期为梅资源的可持续利用提供参考。1数据来源与方法1.1梅分布数据梅的分布点数据分别来源于3个部分：实地考察梅生长地，通过经纬度查询-坐标拾取系统（https:/ PPBC 多平台（http:/ 2022年间348份原始分布数据（同时包含野生资源与人工种植分布数据），除去重复采样和采集地不详的标本信息（例如样本的位置信息为*省份），收集具体到县的地理信息，筛选得到172个具有明确经纬度信息的梅分布点，分布于22个不同省市自治区（表1）。1.2环境变量数据利用世界气象数据库WorldClim（https：/worldclim.org/）下载32个环境因子变量（表2）。选用 3个时期：当前（1970 2000年）及未来 2个时期（2021 2040年和2041 2060年）环境数据，分辨率均为 2.5。未来气候情景采用 CMIP6发布的 BCC-CSM2-MR 气候变化模型，其中 SSP1-2.6表1梅分布数据Tab.1Distribution occurrences of Prunus mume in China数据来源野外调查及标本文献数据数目9082分布地四川（马边县、北川县、怀远镇、岳池县、大邑县、平武县、宝兴县、巴中市、达州市、邛崃市）、重庆（江津区、綦江区、合川区、巫溪县、垫江县、沙坪镇）、云南（普洱市、腾冲市、曲靖市）、贵州（修文县、息烽县、威宁县、荔波县）、福建（邵安县、思明区）、江西（于都县、信丰县、武宁县、吉安市、赣州市）、河南（牧野区、浉河区）、浙江（临平区、江山市）、广西（崇左市、河池市、百色市、凭祥市、阳朔县）、广东（潮安区）、安徽（宁国市、休宁县）、上海（金山区）、辽宁（鞍山市）、北京（海淀区）、陕西（宁强县）、山东（烟台市、平度市）浙江（萧山区、奉化区、上虞区、长兴县、桐庐县、奉化市）、广东（陆河县、普宁市、云浮市、番禺区、增城区、惠州市、潮州市）、云南（洱源县、丽江市）、台湾（南投县、台东县、台中县）、广西（钟山县、宾阳县、玉林市、钦州市、梧州市、贺州市）、福建（永泰县、松溪县、上杭县、清流县、莆田市、建德市）、江苏（吴中区）、湖北（襄阳市、房县）、湖南（常德市、郴县、衡阳市）108第 1 期陈伊能，等：基于MaxEnt模型预测梅的潜在适生区分布（SSP126）代表低强迫情景，即2100年辐射强迫约稳定在 2.6 W m2；SSP5-8.5（SSP585）代表高强迫情景，即 2100年辐射强迫约稳定在 8.5 W m2。通常认为，较SSP126模式，SSP585模式下的温室气体浓度和排放量均较高，未来环境温度越高6；同时，SSP585 的碳排放强度也更强7。利用国家基础地理信息系统网站（http:/nfgis.ns-）下载1 100万全国矢量地图数据，描绘梅在中国境内的分布点，并进行当前与未来时期的适生区分析。1.3数据处理1.3.1经纬度信息数据处理将172个分布点的经纬度数据信息导入到ArcGIS中进行数据分析，首先删除重复的经纬度数据记录，随后用SDM Toolbox v2.5工具去除自相关点，再通过“缓冲区”工具进行空间过滤检验（缓冲半径为10 km）8，最终筛选确定154个梅分布点的经纬度数据信息。1.3.2环境因子优化由于环境因子的高相关性可能导致模型的过拟合现象，删除相关性高的环境因子有助于提高模型的准确性。通过对 154个分布点的 32种环境变量开展SPSS分析，参考邹萌等5的筛选方法，选用SPSS 20.0软件编制32种环境因子的相关矩阵，评价两两之间的 Spearman 系数，若 Spearman 系数 0.8，则视作环境因子之间具有高相关性。如果环境因子间的 Spearman系数 0.8，则保留贡献率更高的环境因子；同时，删除贡献率 0.3的环境因子（表2）。最终从中删除bio17、bio4与tmin1等23种环境变量，从而形成优化后的环境因子集合。最后，通过ArcGIS提取优化后的环境因子数据，以ASC格式储存，为后续导入MaxEnt中运算做准备。1.3.3MaxEnt模型预测优化后的环境因子数据添加于MaxEnt 3.4.1软件，采用不同的训练/测试集（80/20、75/25和70/30），运算次数为500次，输出格式为.asc，输出类型选择Logistic，重复运算10次，其余参数默认设置5，9-10。采用3种指标（AUC值、KAPPA值与TSS值）评估MaxEnt模型的准确性11。AUC值为受试者工作特 征 曲 线（Receiver operating characteristic curve，ROC）下包围的面积，范围为0 1，AUC值越大说明模型准确性越高，即所选取的环境因子与梅的地理分布呈高度正相关。AUC值分为5个等级：不合格（0 0.6）、较差（0.6 0.7）、中等（0.7 0.8）、良好（0.8 0.9）和优秀（0.9 1）8。KAPPA值反映其预测与事实匹配的程度，即通过预期准确度控制随机准确度。取值范围为-1 1，当KAPPA统计量为1表明预测模型理想，小于或等于0表示模型预测效果弱于随机模型11。TSS值为真实技能统计量，范围为-1 1，其值越接近于1表示完全有能力区分适宜和不适宜的栖息地，而小于或等于0表明表现不优于随机。最后，在最优模型下，刀切法确定不同表232个环境因子对梅的初步预测Tab.2Preliminary prediction of 32 environmental factors for Prunus mume环境因子bio1bio2bio3bio4bio5bio6bio7bio8bio9bio10bio11bio12bio13bio14bio15bio16含义年平均气温平均昼夜温差等温性气温季节性变动系数最热月最高气温最冷月最低气温年温差最湿季平均气温最干季平均气温最暖季平均气温最冷季平均气温年降水量最湿月降水量最干燥月降水量季节性降水最干季降水量贡献率（%）1.20.51.02.70.78.33.91.30.80.32.126.70.324.41.40.4环境因子bio17bio18bio19tmin1tmin5tmin6tmin7tavg1tavg5tavg6tavg7tmax1tmax5tmax6tmax7elev含义最湿季降水量最暖季降水量最冷季降水量1月最低气温5月最低气温6月最低气温7月最低气温1月平均气温5月平均气温6月平均气温7月平均气温1月最高气温5月最高气温6月最高气温7月最高气温海拔贡献率（%）9.91.60.62.41.60.80.91.51.10.21.00.90.20.30.30.9 109中 国 野 生 植 物 资 源第 43 卷环境因子的贡献率大小，及得到各环境因子的响应曲线图。1.4适应性分布区划分将 MaxEnt 模型预测结果导入 ArcGIS 10.8 软件，采用人工方法对梅适生区进行分级，将适生等级分为非适生区、低适生区、中适生区与高适生区等 4 类，其适应指数分别为：0 0.06、0.06 0.23、0.23 0.51与0.51 1.005。2结果与分析2.1数据及环境变量筛选项目组通过实地考察调研，获知梅在四川省马边、大邑与巴中等地区分布较广，其中在马边的大风顶山区发现了一株树龄超过200年的梅古树，表明梅在四川省有较长的种植历史。最终确定的154个梅分布点集中于长江以南地区，这与梅的本草考证及当前种植区域相吻合。2.2预测的有效性为了获得最好的MaxEnt模型，我们利用bio14等9种环境变量，分别选择3种训练/测试组合，并分别用AUC，KAPPA与TSS等3种不同指标评价模型的预测精度。AUC测试结果显示，3种不同的训练测试集均能取得较高的AUC值（0.909），初步表明构建的 MaxEnt模型具有较高的可信度。其中，当训练/测试组合为75/25时AUC值最高，达到0.915；而当训练/测试组合为 70/30与 80/20时，AUC 值分别为0.909与0.913（表3）。通常认为，当KAPPA值大于0.6时，模型即具有显著一致性，且该值越大，模型的预测精度越高12。分析结果显示，3种训练/测试组合均能取得较高的KAPPA值（0.764），其中75/25组合的KAPPA值最高（0.841）。而当TSS值大于0.8时，模型对数据的区分能力达到较高水平13-14。比较3种训练/测试组合，只有 80/20 组合的 TSS 小于 0.8（TSS=0.799），70/30 与 75/25 组合均超过 0.8，其中 75/25 组合的TSS值最高，为0.871（表3）。综合3种训练/测试组合的分析结果，由于75/25组合均能够取得最高的AUC，KAPPA与TSS值，因此被选择构建MaxEnt模型，以用于梅的适生区预测。2.3环境因子贡献率分析利用刀切法确定各环境因子对物种潜在分布适生区的影响程度大小，从中找到影响物种分布的关键环境因子5。如图1所示，不同环境因子对梅分布产生不同程度的影响。最冷月最低气温 bio6的训练得分最高，超过了1.20，表明该环境变量是影响梅分布的最重要环境因子；年降水量bio12、最暖季降水量 bio18 与年温差 bio7 的训练得分分别为1.13、1.07与1.07，说明它们对梅分布影响为次重要；而最干月降水量bio14与平均昼夜温差bio2的训练得分分别为0.98与0.96，表明相较于其它环境因子，这两种也是较为重要的环境因子。图1显示，当不存在bio7时，正规化训练增益下降最大，从侧面反映该因子是影响梅分布的关键因子之一。综上，bio6、bio12、bio18、bio7、bio14与bio2是影响梅分布的关键环境因子。随后，计算不同环境因子对梅分布的贡献率，确定共有5个环境因子的贡献率大于3%，即最干燥月降水量 bio14（35.0%）、年降水量 bio12（35.0%）、最冷月最低气温 bio6（14.5%）、年温差 bio7（6.8%）与最暖季降水量 bio18（3.3%），该结果与刀切法结果基本吻合，表明降水量与温度是影响梅分布的重要环境因素（表4）。2.4主要环境因子分析单环境因子的响应曲线，明晰各环境因子与梅生存概率之间的相关性，从而确定物种的适宜生境范围。选择0.5为存在概率的阈值4，重点分析bio14、bio12、bio6、bio7 和 bio18 等贡献率最高的 5种关键环境因子（图2）。表33种训练/测试组合的模型评价Tab.3Model evaluation metrics under three gradient training/test sets训练/测试组合70/3075/2580/20AUC值0.909 0.0050.915 0.0070.913 0.008KAPPA值0.8090.8410.764TSS值0.8490.8710.799图1环境因子的刀切图Fig.1Prediction of Prunus mume distribution by environmental factors 110第 1 期陈伊能，等：基于MaxEnt模型预测梅的潜在适生区分布对梅而言，最冷月最低气温bio6（图2A）的适生范围为 1.4 12.1；当其为 10.1时，梅适生概率最大，达到71.47%，说明温度对梅生长有较大的影响。年降水量 bio12（图 2B）的变化在 1 020.8 4 125.0 mm 之间；当其为 2 416.7 mm 时，梅适生概率最大，达到66.62%，这说明降水充裕对梅生长是有利的。当最干燥月降水量bio14（图2C）在11.3 104.0 mm 之间梅生长良好；当其为 14.1 mm 时，梅可能处于最佳生长状态，生长概率达到60.40%。最 暖 季 降 水 量 bio18（图 2D）适 生 阈 值 为510.8 2 043.0 mm；当其为715.1 mm时，梅适生概率最大，达到67.20%，说明在高温季节降水充裕对梅生长有利。梅倾向较低的年温差值bio7（图2E），该阈值为29.1以下时生长良好，当其为22.4时，梅适生概率最大，可达到62.35%。2.5梅的适应性划分按照4级分类，统计梅在各省的潜在分布，结果见表5。梅的高适生区分布在长江以南地区，主要集中于四川、重庆、贵州、广西、广东、云南等地区，另外在浙江、台湾等区域也有分布，其面积为746 968 km2，占全国总面积的7.78%。梅的中适生区分布较广，面积为1 632 507 km2，集中于云南、湖南、湖北、江西、四川等地区，占全国总面积的17.01%。梅的低适生区面积为741 588 km2，占全国总面积的7.73%。2.6未来适宜生境地区的变化在SSP126气候情景下（表6），梅的潜在适生区呈现波浪式增加的趋势。相较于当前适生区，高适生区面积于2021 2040年间下降74 451 km2，其中四川、贵州、西藏、广西和云南缩减面积最多，分别为37 233 km2、42 404 km2、13 680 km2、12 733 km2和12 388 km2，而江西南部、江苏南部、上海、湖南南部、福建中部和浙江东部面积增加分别为 6 962 km2、4 951 km2、3 118 km2、4 863 km2、29 485 km2和4 301 km2，但总体增加面积幅度不大，可见高适生区有向我国东南部转移的趋势，低适生区与适生区面积分别下降 7 952 km2和 60 602 km2。因西南地区部分高适生区转为中适生区，中适生区面积少量增加为 8 442 km2。到2041 2060年间，云南、贵州进一步大规模缩减46 310 km2与28 246 km2，贵州、河北、安徽、江苏、上海的高适生区几近消失，高适生区面积下降高达 141 012 km2，低适生区下表49个环境因子对梅的潜在分布贡献率Tab.4Potential distributional contribution rate of nine environmental factors to Prunus mume环境因子bio14bio12bio6bio7bio18bio2bio8bio15tavg7含义最干燥月降水量年降水量最冷月最低气温年温差最暖季降水量平均昼夜温差最湿季平均气温季节性降水七月平均气温贡献率（%）35.035.014.56.83.31.81.51.30.8图2生物气候变量响应曲线Fig.2Response curves of environmental variables 111中 国 野 生 植 物 资 源第 43 卷降了 23 496 km2。值得关注的是，在北京、河北、天津与山东等地出现了大量的潜在中适生区，即中适生区面积增加185 061 km2，从而适生区面积增加了44 049 km2。在SSP585气候情景下（表6），梅的潜在适生区呈现与 SSP126 相似的变化趋势。2021 2040 年间，因西藏、云南与贵州分别减少 11 146 km2、45 627 km2、56 352 km2，整体高适生区面积下降71 954 km2，且其面积位置变化规律与SSP126同时期的高适生区迁移位置相似，而中适生区和总适生区面积下降26 182 km2与98 137 km2，仅低适生区面积增加57 990 km2，这是由于河南中部、安徽和江苏北部有部分中适生区转为低适生区。2041 2060年间，因云南与贵州高适生区面积大规模恢复，相较于当前的高适生区（746 968 km2），面积增加了37 312 km2。中适生区和适生区面积也分别增加17 001 km2与 54 313 km2，仅低适生区面积下降42 583 km2，因为 2021 2040年间的低适生区更新为中适生区，且中适生区出现向北拓展的趋势，特别是山东南部、北京、河北与天津等部分地区新增了中适生区。总体而言，2种气候情景下，到2041 2060年间，适生区面积均出现波浪式不同程度增加以 及 北 移 的 趋 势，分 别 为 当 前 的 101.85%和102.28%。3讨论3.1当前适生区预测的分析项目组在前期收集较完整的梅分布点信息，这有助于提高MaxEnt模型的预测准确性；同时，为了避免过拟合现象，删除了重复的分布点，并设置缓冲过滤，有助于降低样本的空间自相关15-16；第三，对环境变量开展相关性分析与筛选，减少相关性较强的环境变量，降低机器学习模型的复杂性17；最后，采用AUC、KAPPA和TSS等3个评价指标综合判断预测结果，获得最优模型。结果表明，75/25的集合能够取得最优的预测效果。预测结果显示，四川、云南、贵州、广西与广东等地区是梅的高适宜种植区域。这些地区与梅的现有分布信息较为吻合，例如，四川与广东地区均为梅种植大省，出产的梅品质最好。值得注意的是，西藏、重庆、台湾、香港、福建与海南等地区的部分区域，也被划归为梅的高适宜区，这将为梅的引种提供理论基础。3.2气候变量与梅的关系在环境变量中，降水和温度对梅的分布影响最大，表明气候因素是影响梅生长的关键因素。温度变量中，最冷月最低气温bio6扮演最重要的角色，表5梅在各省的潜在分布区域面积Tab.5Potential distribution area of Prunus mume in each province地域广东广西湖南江西四川重庆福建云南台湾浙江贵州西藏湖北安徽江苏海南上海香港高适生区（km2）129 470177 3975 3488 035127 03339 93817 69791 79621 19819 87182 07817 0402 7324 4275341 059647665中适生区（km2）25 39031 564188 364144 630119 02737 12691 017240 36910 17873 95977 81357 143172 845119 62783 53427 2935 244116适生区（km2）154 860208 961193 712152 665246 06077 064108 714332 16531 37693 830159 89174 183175 577124 05484 06828 3525 891781占全国面积比例（%）1.612.182.021.592.560.801.133.460.330.981.670.771.831.290.880.300.060.01注：适生区面积=高适生区面积+中适生区面积，下同。表6不同气候情景下梅在中国的潜在适生区面积Tab.6Prediction of suitable growing areas of Prunus mume in China under different climate scenarios气候情景当前低强迫情景（SSP126）高强迫情景（SSP585）起止年份1970 20002021 20402041 20602021 20402041 2060高适生区（km2）746 968677 924605 956675 014784 280中适生区（km2）1 632 5071 640 9491 817 5681 606 3251 649 508低适生区（km2）741 588733 636718 091799 577699 005适生区（km2）2 379 4752 318 8742 423 5242 281 3392 433 788占中国面积比例（%）24.8024.1625.2623.7725.36 112第 1 期陈伊能，等：基于MaxEnt模型预测梅的潜在适生区分布当其为10.1时，梅的适生概率最大。考虑到梅分布区域的最冷月主要在1月和2月，此时梅处于盛花期，适宜的温度有利于梅花器官的形成，促进营养生长向生殖生长的转换18。另外，当年温差bio7约 22.4时，梅适生概率达到 62.35%，这与梅适生区分布信息是吻合的。梅主要集中在长江以南地区，该区域具有明显的季节变化，但温度变化较温和1。降水变量中，当年降水量bio12约2 416.7 mm时，梅适生概率达到66.62%；最干燥月降水量bio14约 14.1 mm 时，梅适生概率达到 60.40%；当最暖季降水量 bio18 约 715.1 mm 时，梅适生概率达到67.20%，以上结果表明，梅喜光喜暖湿润气候，怕旱又怕涝，所以降水量充足但不过量的条件对梅生长十分有利19，若温度过低又常为阴雨天，将会影响梅花芽和胚的发育，影响花粉散发，最终严重影响梅坐果率21。3.3未来气候情景下梅在中国适生区的变化在 SSP126 和 SSP585 等 2 种气候情景下，分别对2021 2040年和2041 2060年这2个时期进行梅适生区预测分析。结果表明，在未来40年内，梅分布范围均呈现先减少再增加的趋势，并在2060年达到最大，推测温度对梅生长有着关键影响，温度适当升高可加快物候过程，增加土壤养分提高梅的生长速度和大小。该结果也与贡献率分析结果相吻合，即温度是影响梅生长的关键因子，温度升高会导致适生区的范围增加。相似结果也出现在川贝母（Fritillaria cirrhosa D.Don）8、紫斑牡丹 Paeonia rockii（S.G.Haw&Lauener）T.Hong&J.J.Li21、猕猴桃（Actinidia chinensis Planch.）22与槟榔（Areca catechu L.）23等植物的研究中，它们在温室气体排放增加的情景下，适生区面积增加。在未来气候模式下，梅适生区出现北扩的趋势，其中，北京、河北、天津与山东等长江以北地区新增中适生区，辽宁出现了低适生区。由此，到本世纪中叶，这些区域可能出现新的梅种植区。潘浪波等7与 Zhang等21研究也发现类似北移现象，随着未来气温的升高，薄壳山核桃 Carya illinoinensis（Wangenheim）K.Koch、滇牡丹（Paeonia delavayi Franch.）和紫斑牡丹等一些物种会移向高纬度或高海拔，推测这可能是物种的一种适应机制，但具体原因有待进一步阐明。4总结本文基于梅现有分布区的环境因子数据，通过MaxEnt 3.4.1和ArcGIS 10.8等工具，成功筛选影响梅生长的关键环境因子，并预测梅的现有及未来潜在适生区，以上研究成果对梅资源的可持续利用以及为梅种植的合理规划布局奠定了理论基础。参考文献:1 杨琳，陈金文，王兴海，等.乌梅本草考证 J.中国现代中药，2019，21（2）：247-251，265.2 周龙云，周春祥.乌梅“下气”论 J.中国中医基础医学杂志，2016，22（7）：979-981.3 李逸飞，马婉婷，曹园，等.乌梅对抗生素所致小鼠肠道菌群失调的改善作用 J.天然产物研究与开发，2021，33（5）：717-726.4 孟影，马姜明，王永琪，等.基于Maxent模型的檵木分布格局模拟 J.生态学报，2020，40（22）：8287-8296.5 邹萌，蒋瑞平，李佳伦，等.基于最大熵模型预测太白贝母的潜在分布 J.中国中医药信息杂志，2021，28（9）：1-5.6 Meinshausen M，Smith S J，Calvin K，et al.The RCP greenhouse gas concentrations and their extensions from 1765 to 2300 J.Climatic Change，2011，109（1）：213-241.7 潘浪波，段伟，黄有军.基于MaxEnt模型预测薄壳山核桃在中国的种植区 J.浙江农林大学学报，2022，39（1）：76-83.8 Jiang R，Zou M，Qin Y，et al.Modeling of the potential geographical distribution of three fritillaria species under climate change J.Frontiers in Plant Science，2022，12：749838.9 陈凯扬，王博，陈晨，等.祁连山特有濒危植物穴丝荠分布预测及其重要影响因子分析 J.西北植物学报，2022，42（11）：1954-1961.10贾翔，王超，王润林，等.基于MaxEnt模型的对开蕨在吉林省的潜在适生区预测 J.中国野生植物资源，2023，42（3）：100-106.11Allouche O，Tsoar A，Kadmon R.Assessing the accuracy of species distribution models：prevalence，kappa and the true skill statistic（TSS）J.Journal of Applied Ecology，2010，43（6）：1223-1232.12张琴，张东方，吴明丽，等.基于生态位模型预测天麻全球潜在适生区 J.植物生态学报，2017，41（7）：770-778.13Leta S，Fetene E，Mulatu T，et al.Modeling the global distribution of Culicoides imicola：an ensemble approach J.Scientific Reports，2019，9（1）：14187.14Assefa A，Tibebu A，Bihon A，et al.Global ecological niche modelling of current and future distribution of peste des petits ruminants virus（PPRv）with an ensemble modelling algorithm J.Transboundary and Emerging Diseases，2021，68（6）：3601-3610.15Zhu G，Bu W，Gao Y，et al.Potential geographic distribution of brown marmorated stink bug invasion（Halyomorpha halys）J.Public Library of Science One，2012，7（2）：e31246.16Wu Z，Zhang F，Di D，et al.Study of spatial distribution characteristics of river eco-environmental values based on emergy-GeoDa method J.Science of the Total Environment，2022，802：149679.（下转第126页）113中 国 野 生 植 物 资 源第 43 卷12倪建中，张继方，何仲坚，等.野牡丹科观花植物在广州园林中的应用分析 J.热带农业科学，2018，38（3）：112-117.13陈红锋，邢福武，刘东明，等.广东省野牡丹科药用植物资源J.中药材，2003，26（5）：321-323.14林秀香，黄阿凤，林秋金，等.福建省野牡丹科药用植物种质资源研究 J.热