气候变化下三裂叶豚草在新疆的潜在地理分布

doi:10.11686/cyxb2020040

摘要/Abstract

摘要：

明确有害入侵种在区域尺度上的潜在分布及其对气候变化的响应对入侵种的预警和具体防控意义重大。三裂叶豚草是全球公认的恶性入侵杂草，目前已经大面积入侵“一带一路”中亚枢纽—新疆伊犁河谷。为有效防控三裂叶豚草在新疆的扩散蔓延，本研究基于最大熵模型，预测了当前及未来两种气候情景（RCP4.5， RCP8.5）下2050s和2070s时期三裂叶豚草在新疆的潜在分布及变化趋势。结果表明：当前气候下三裂叶豚草在新疆的总适生面积达24.01万km²，约占全疆面积的14%，在RCP4.5情景下，至2050s、2070s时期将分别增至37.36万和39.23万km²；在RCP8.5情景下，将分别增至39.45万和42.94万km²。在未来两种气候情景下，随着时间的推移，潜在适生区总体均呈现向北增加转移的趋势，减少区域主要集中在准噶尔盆地。所有环境因子中，与降水相关的因子总贡献率为40.1%，与温度相关的因子总贡献率56.0%，其中最干月降水（36.2%）、温度季节性变化标准差（29.1%）是对三裂叶豚草分布贡献率较高的环境因子。耕地和建设用地是三裂叶豚草入侵风险最高的区域。建议管理的重点除了放在已预测到的适生区内，还应特别关注农田、草场、道路两侧这些人畜扰动大、水分充足的区域。

关键词: 生物入侵, 气候变化, 最大熵模型, 三裂叶豚草, 适生阈值

Abstract:

Determining the potential distribution of invasive species and their responses to climate change on a regional scale is of great significance for the early warning， specific prevention， and control of invasive species. Ambrosia trifida （giant ragweed） is a globally recognized invasive weed. This plant is now widely distributed in the Yili Valley in Xinjiang which locaded in Central Asian hub of the“Belt and Road”. To predict the potential spread of A. trifida in Xinjiang， a Maxent niche model was used to project its potential distribution under the current climate and the climate in the 2050s and 2070s under two climate change scenarios （RCP4.5 and RCP8.5）. The results indicated that the suitable habitat area of giant ragweed in Xinjiang could extend to 24.01×10⁴ km²， accounting for 14% of the total area of Xinjiang under the current climate conditions. Under the RCP4.5 scenario， its suitable habitat area was predicted to increase to 37.36×10⁴ km² and 39.23×10⁴ km² by the 2050s and 2070s， respectively. Under the RCP8.5 scenario， its suitable habitat area was predicted to increase to 39.45×10⁴ km² and 42.94×10⁴ km² by the 2050s and 2070s， respectively. Under the two future climate scenarios， the potential suitable habitat area will tend to increase and shift northwards， and the decreasing areas will be mainly concentrated in the Junggar Basin. Among all the environmental factors， precipitation and temperature made the strongest contributions to distribution， with total contribution rates of 40.1% and 56.0%， respectively. The individual factors making the strongest contributions to giant ragweed distribution were precipitation in the driest month （36.2%） and temperature seasonality （29.1%）. Farmland and construction land were identified as the areas with the highest risk of giant ragweed invasion. On the basis of these results， we suggest that management strategies should focus not only on predicted habitats， but also on farmland， grassland， and roadsides where there is sufficient water and strong disturbance by humans or animals.

Key words: biological invasion, climate change, Maxent niche model, giant ragweed, suitable threshold

马倩倩, 刘彤, 董合干, 王寒月, 赵文轩, 王瑞丽, 刘延, 陈乐. 气候变化下三裂叶豚草在新疆的潜在地理分布[J]. 草业学报, 2020, 29(12): 73-85.

Qian-qian MA, Tong LIU, He-gan DONG, Han-yue WANG, Wen-xuan ZHAO, Rui-li WANG, Yan LIU, Le CHEN. Potential geographical distribution of Ambrosia trifida in Xinjiang under climate change[J]. Acta Prataculturae Sinica, 2020, 29(12): 73-85.

图/表 13

参考文献 45

1	Montagnani C， Gentili R， Smith M， et al. The worldwide spread， success， and impact of ragweed （Ambrosia spp.）. Critical Reviews in Plant Sciences， 2017， 36（3）： 139-178.
2	Wan F H， Zheng X B， Guo J Y. Biology and control of important invasive species in agriculture and forestry. Beijing： Science Press， 2003： 662-688.
	万方浩，郑小波，郭建英. 重要农林外来入侵物种的生物学与控制. 北京：科学出版社， 2003： 662-688.
3	Bullock J M， Chapman D， Schafer S， et al. Assessing and controlling the spread and the effects of common ragweed in Europe. Final Report to the European Commission， DG Environment， 2012.
4	Qin Z， Ditommaso A， Wu R S， et al. Potential distribution of two Ambrosia species in China under projected climate change. Weed Research， 2014， 54（5）： 520-531.
5	Dong H G， Zhou M D， Liu Z Q， et al. Diffusion and intrusion features of Ambrosia artemisiifolia and Ambrosia trifida in Yili River Valley. Journal of Arid Land Resources and Environment， 2017， 31（11）： 175-180.
	董合干，周明冬，刘忠权，等. 豚草和三裂叶豚草在新疆伊犁河谷的入侵及扩散特征.干旱区资源与环境， 2017， 31（11）： 175-180.
6	Ward N L， Masters G J. Linking climate change and species invasion： An illustration using insect herbivores. Global Change Biology， 2007， 13（8）： 1605-1615.
7	Stocker T F， Qin D， Plattner G K， et al. Climate change 2013： The physical science basis. Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change， 2013： 95-123.
8	Shi Y F， Shen Y P， Hu R J. Preliminary study on signal， impact and foreground of climatic shift from warm-dry to warm-humid in Northwest China. Journal of Glaciology and Geocryology， 2002， 24（3）： 219-226.
	施雅风，沈永平，胡汝骥. 西北气候由暖干向暖湿转型的信号，影响和前景初步探讨. 冰川冻土， 2002， 24（3）： 219-226.
9	Byers J E， Reichard S， Randall J M， et al. Directing research to reduce the impacts of nonindigenous species. Conservation Biology， 2002， 16（3）： 630-640.
10	Jaynes E T. Information theory and statistical mechanics. Physical Review， 1957， 106（4）： 620.
11	Phillips S J， Anderson R P， Schapire R E. Maximum entropy modeling of species geographic distributions. Ecological Modelling， 2006， 190（3/4）： 231-259.
12	Wang Y S， Xie B Y， Wan F H， et al. Application of ROC curve analysis in evaluating the performance of alienspecies’ potential distribution models. Biodiversity Science， 2007， 15（4）： 365-372.
	王运生，谢丙炎，万方浩，等. ROC曲线分析在评价入侵物种分布模型中的应用. 生物多样性， 2007， 15（4）： 365-372.
13	Fang F， Zhang C X， Huang H J， et al. Potential distribution of Tausch’s goatgrass （Aegilops tauschii） in both China and the rest of the world as predicted by Maxent. Acta Prataculturae Sinica， 2013， 22（2）： 65-73.
	房锋，张朝贤，黄红娟，等. 基于MaxEnt的麦田恶性杂草节节麦的潜在分布区预测. 草业学报， 2013， 22（2）： 65-73.
14	Wang C， Lin H L， He L， et al. Research on responses of Eupatorium adenophorum’s potential distribution to climate change. Acta Prataculturae Sinica， 2014， 23（4）： 20-30.
	王翀，林慧龙，何兰，等. 紫茎泽兰潜在分布对气候变化响应的研究. 草业学报， 2014， 23（4）： 20-30.
15	Wu Z N， Hou X Y， Ren W B， et al. Prediction of the potential geographic distribution of Leymus chinensis based on MaxEnt and collection and protection of germplasm. Acta Prataculturae Sinica， 2018， 27（10）： 127-137.
	武自念，侯向阳，任卫波，等. 基于MaxEnt模型的羊草适生区预测及种质资源收集与保护. 草业学报， 2018， 27（10）： 127-137.
16	Cui S P， Luo X， Li C W， et al. Predicting the potential distribution of white-lipped deer using the MaxEnt model. Biodiversity Science， 2018， 26（2）： 171-176.
	崔绍朋，罗晓，李春旺，等. 基于MaxEnt模型预测白唇鹿的潜在分布区. 生物多样性， 2018， 26（2）： 171-176.
17	Taylor K E， Stouffer R J， Meehl G A. An overview of CMIP5 and the experiment design. Bulletin of the American Meteorological Society， 2012， 93（4）： 485-498.
18	Alfonso C C， Naranjo L F， Clark T R， et al. Effects of environmental changes on the occurrence of Oreomunnea mexicana （Juglandaceae） in a biodiversity hotspot cloud forest. Forests， 2017， 8（8）： 261.
19	Wei B， Wang R， Hou K， et al. Predicting the current and future cultivation regions of Carthamus tinctorius L. using MaxEnt model under climate change in China. Global Ecology and Conservation， 2018， 16： e00477.
20	Qin A， Liu B， Guo Q， et al. Maxent modeling for predicting impacts of climate change on the potential distribution of Thuja sutchuenensis Franch， an extremely endangered conifer from Southwestern China. Global Ecology and Conservation， 2017， 10： 139-146.
21	Xu X， Zhang H， Xie T， et al. Effects of climate change on the potentially suitable climatic geographical range of Liriodendron chinense. Forests， 2017， 8（10）： 399.
22	Lioubimtseva E， Cole R. Uncertainties of climate change in arid environments of Central Asia. Reviews in Fisheries Science， 2006， 14（1/2）： 29-49.
23	Li J Y， Chang H， Liu T， et al. The potential geographical distribution of Haloxylon across Central Asia under climate change in the 21st century. Agricultural and Forest Meteorology， 2019， 275： 243-254.
24	Phillips S J， Dudík M， Schapire R E. A maximum entropy approach to species distribution modeling. New York： Proceedings of the Twenty-first International Conference on Machine Learning， 2004： 655-662.
25	Vanagas G. Receiver operating characteristic curves and comparison of cardiac surgery risk stratification systems. Interactive Cardiovascular and Thoracic Surgery， 2004， 3（2）： 319-322.
26	Swets J A. Measuring the accuracy of diagnostic systems. Science， 1988， 240： 1285-1293.
27	Pearson R G， Raxworthy C J， Nakamura M， et al. Predicting species distributions from small numbers of occurrence records： A test case using cryptic geckos in Madagascar. Journal of Biogeography， 2007， 34（1）： 102-117.
28	Chen H， Chen L J， Albright T P. Predicting the potential distribution of invasive exotic species using GIS and information-theoretic approaches： A case of ragweed （Ambrosia artemisiifolia L.） distribution in China. Chinese Science Bulletin， 2007， 52（9）： 1223-1230.
29	Liu Y， Dong H G， Liu T， et al. Relationship between seed germination and invasion of Ambrosia artemisiifolia and A. trifida at different positions. Acta Ecologica Sinica， 2019， 39（24）： 9079-9088.
	刘延，董合干，刘彤，等. 豚草和三裂叶豚草不同植株部位种子萌发与入侵扩散关系. 生态学报， 2019， 39（24）： 9079-9088.
30	Wang G J， Sun B， Li J D， et al. Physiological response of invasive ragweed （Ambrosia trifida） to different water conditions. Hubei Agricultural Sciences， 2014（5）： 1054-1058.
	王国骄，孙备，李建东，等. 外来入侵种三裂叶豚草对不同水分条件的生理响应. 湖北农业科学， 2014（5）： 1054-1058.
31	Wei S H， Qu Z， Zhang C X， et al. Invasive alien species giant ragweed （Ambrosia trifida L.） and its risk assessment. Plant Protection， 2006， 32（4）： 14-19.
	魏守辉，曲哲，张朝贤，等. 外来入侵物种三裂叶豚草（Ambrosia trifida L.）及其风险分析. 植物保护， 2006， 32（4）： 14-19.
32	Cao X F， Qian G L， Hu B S， et al. Prediction of potential suitable distribution area of Flaveria bidentis in China based on niche models. Chinese Journal of Applied Ecology， 2010， 21（12）： 3063-3069.
	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. 应用生态学报， 2010， 21（12）： 3063-3069.
33	Essl F， Biró K， Brandes D， et al. Biological flora of the British Isles： Ambrosia artemisiifolia. Journal of Ecology， 2015， 103（4）： 1069-1098.
34	Baskin J M， Baskin C C. Ecophysiology of secondary dormancy in seeds of Ambrosia artemisiifolia. Ecology， 1980， 61（3）： 475-480.
35	Bassett I J， Crompton C W. The Biology of Canadian weeds： 11. Ambrosia artemisiifolia L. and A. psilostachya DC. Canadian Journal of Plant Science， 1975， 55（2）： 463-476.
36	Insausti P， Soriano A， Sanchez R A. Effects of flood-influenced factors on seed germination of Ambrosia tenuifolia. Oecologia， 1995， 103（1）： 127-132.
37	Davis W E. Primary dormancy， after-ripening， and the development of secondary dormancy in embryos of Ambrosia trifid. American Journal of Botany， 1930， 17（1）： 58-76.
38	Bazzaz F A. The physiological ecology of plant succession. Annual review of Ecology and Systematics， 1979， 10（1）： 351-371.
39	Abul‐Fatih H A， Bazzaz F A. The biology of Ambrosia trifida L. II. Germination， emergence， growth and survival. New Phytologist， 1979， 83（3）： 817-827.
40	Ballard T O， Foley M E， Bauman T T. Germination， viability， and protein changes during cold stratification of giant ragweed （Ambrosia trifida L.） seed. Journal of Plant Physiology， 1996， 149（1/2）： 229-232.
41	Bassett I J， Crompton C W. The biology of Canadian weeds： 55. Ambrosia trifida L. Canadian Journal of Plant Science， 1982， 62（4）： 1003-1010.
42	Makra L， Matyasovszky I， Hufnagel L， et al. The history of ragweed in the world. Applied Ecology and Environmental Research， 2015， 13（2）： 489-512.
43	Cunze S， Leiblein M C， Tackenberg O. Range expansion of Ambrosia artemisiifolia in Europe is promoted by climate change. ISRN Ecology， 2013， 61（1）： 133-143.
44	Storkey J， Stratonovitch P， Chapman D S， et al. A process-based approach to predicting the effect of climate change on the distribution of an invasive allergenic plant in Europe. PLoS One， 2014， 9（2）： e88156.
45	Chapman D S， Haynes T， Beal S， et al. Phenology predicts the native and invasive range limits of common ragweed. Global Change Biology， 2014， 20（1）： 192-202.

模式名称 Model name	单位名称及所属国家 Company name and country
ACCESS1-0	CSIRO-BOM，澳大利亚 Australia
BCC-CSM1-1	BCC，中国 China
CCSM4	NCAR，美国 America
CNRM-CM5	CNRM，意大利 Italy
GFDL-CM3	NOAA GEDL，美国 America
GISS-E2-R	NASA GISS，美国 America
HadGEM2-AO	NIMA/KMA，韩国/英国 Korea/ United Kingdom
HadGEM2-CC	MOHC，英国 United Kingdom
HadGEM2-ES	MOHC，英国 United Kingdom
INMCM4	UNM，俄罗斯 Russia
IPSL-CM5A-LR	IPSL，法国 France
MIROC-ESM-CHEM	MIROC，日本 Japan
MIROC-ESM	MIROC，日本 Japan
MIROC5	MIROC，日本 Japan
MPI-ESM-LR	MPI-M，德国 Germany
MRI-CGCM3	MPI-M，德国 Germany
NorESM1-M	NCC，挪威 Norway

模式名称 Model name	单位名称及所属国家 Company name and country
ACCESS1-0	CSIRO-BOM，澳大利亚 Australia
BCC-CSM1-1	BCC，中国 China
CCSM4	NCAR，美国 America
CNRM-CM5	CNRM，意大利 Italy
GFDL-CM3	NOAA GEDL，美国 America
GISS-E2-R	NASA GISS，美国 America
HadGEM2-AO	NIMA/KMA，韩国/英国 Korea/ United Kingdom
HadGEM2-CC	MOHC，英国 United Kingdom
HadGEM2-ES	MOHC，英国 United Kingdom
INMCM4	UNM，俄罗斯 Russia
IPSL-CM5A-LR	IPSL，法国 France
MIROC-ESM-CHEM	MIROC，日本 Japan
MIROC-ESM	MIROC，日本 Japan
MIROC5	MIROC，日本 Japan
MPI-ESM-LR	MPI-M，德国 Germany
MRI-CGCM3	MPI-M，德国 Germany
NorESM1-M	NCC，挪威 Norway

代号Code	变量Variables	贡献率Percentage contribution (%)
Bio14 (mm)	最干月降水Precipitation of driest month	36.2
Bio4 (×100)	温度季节性变化标准差Temperature seasonality	29.1
Bio1 (℃×10)	年均温Annual mean temperature	18.3
Bio8 (℃×10)	最湿季均温Mean temperature of wettest quarter	4.1
Bio12 (mm)	年降水Annual precipitation	3.5
Bio7 (℃×10)	气温年范围Temperature annual range	3.1
Bio3	等温性Isothermality	1.4
Elevation (m)	海拔Elevation	1.1
Slope	坡度Slope	1.1
Soil	土壤类型Soil	0.9
Land	土地利用类型Land	0.8
Bio15	降水季节性变异系数Precipitation seasonality (coefficient of variation)	0.4

代号Code	变量Variables	贡献率Percentage contribution (%)
Bio14 (mm)	最干月降水Precipitation of driest month	36.2
Bio4 (×100)	温度季节性变化标准差Temperature seasonality	29.1
Bio1 (℃×10)	年均温Annual mean temperature	18.3
Bio8 (℃×10)	最湿季均温Mean temperature of wettest quarter	4.1
Bio12 (mm)	年降水Annual precipitation	3.5
Bio7 (℃×10)	气温年范围Temperature annual range	3.1
Bio3	等温性Isothermality	1.4
Elevation (m)	海拔Elevation	1.1
Slope	坡度Slope	1.1
Soil	土壤类型Soil	0.9
Land	土地利用类型Land	0.8
Bio15	降水季节性变异系数Precipitation seasonality (coefficient of variation)	0.4

相对适应性等级 Suitability classes	划分标准 Classification criteria
非适生区Unsuitable category	<0.1000
最不适区Most unsuitable	<0.0006
重度不适区Severe unsuitable	0.0006~0.0046
中度不适区Moderate unsuitable	0.0046~0.0131
轻度不适区Slightly unsuitable	0.0131~0.1000
适生区Suitable category	>0.1000
轻度适生区Slightly suitable	0.1000~0.1356
中度适生区Moderate suitable	0.1356~0.1896
显著适生区Noteworthy suitable	0.1896~0.2560
最适区域Most suitable	>0.2560