全 文 ：基于MaxEnt的农田恶性杂草雀麦的潜在分布预测
谭金妮，李 琦，白 霜，王金信
（山东农业大学植物保护学院，山东泰安 271018）
摘 要：雀麦是中国农田一种恶性杂草，危害作物生长和发育。为控制其进一步扩散蔓延，根据目前雀
麦在全球的分布记录和气象数据，利用最大熵模型MaxEnt和ArcGIS对雀麦在中国和全球的潜在适生
区域进行预测和分析。预测结果表明：雀麦在全球的适生区为非洲北部、欧洲的中南部、亚洲西部和东
部及中部零星地区、北美中西部及东部部分地区、日本及朝鲜南部地区；在中国主要在黄淮海平原、长江
中下游平原、成都平原、陕西中南部、山西南部、宁夏及甘肃南部、贵州中北部、新疆西南零星地区、西藏
西南部及青海中部地区分布；中风险潜在分布区域的范围在高风险区的基础上进一步扩大。环境变量
中对雀麦发生影响较大的是最冷季度平均温度、年平均气温、温度季节性变化标准差、最冷月最低温、最
干季度平均温度。本研究的AUC值为0.943，模拟预测准确性极好，模拟结果可以用于雀麦的适生区预
测研究。
关键词:雀麦；MaxEnt；适生区；预测
中图分类号：S451.1 文献标志码：A 论文编号：casb16010083
Prediction of Potential Distribution of Japanese Brome (Bromus japonicus) Based on MaxEnt
Tan Jinni, Li Qi, Bai Shuang, Wang Jinxin
(College of Plant Protection, Shandong Agricultural University, Tai’an Shandong 271018)
Abstract: Japanese Brome is a serious weed in farmland, which damages the growth and development of crops.
In order to control the spread of Japanese Brome, MaxEnt maximum entropy model and ArcGIS were used to
analyze and predict its potential geographical distribution in China and the rest of the world according to its
distribution records and the meteorological data. The results showed that areas of western Africa, south central
Europe, western and eastern and parts of middle Asia, mid-western and parts of eastern North America had
high invasion risk of Japanese Brome. In China, areas of Huang-huai-hai plain, plain in the middle and lower
reaches of Yangtze River, Chengdu plain, south central Shaanxi, southern Shanxi, southern Ningxia and Gansu,
north central Guizhou, parts of southwest Xinjiang, southwest Tibet and central Qinghai had high invasion risk
of Japanese Brome. The scope of secondary risky areas was expanded further on the basis of the high-risky
area. The important environmental factors influencing the occurrence of Japanese Brome were mean
temperature of the coldest quarter, the annual average temperature, temperature seasonal variation standard
deviation, the lowest temperature in the coldest month and the mean temperature of the driest quarter. In this
study, the AUC value was 0.943, which indicated that the accuracy of the simulation forecast was good, and the
simulation results could be used for the prediction research of the suitable distribution areas of Japanese
Brome.
Key words: Japanese Brome; MaxEnt; suitable distribution area; prediction
基金项目：公益性农田杂草防控技术研究与示范项目(201303022)。
第一作者简介：谭金妮，女，1991年出生，山东潍坊人，硕士，研究方向为杂草防治。通信地址：271018山东省泰安市岱宗大街61号山东农业大学植
物保护学院，E-mail：18853810109@163.com。
通讯作者：王金信，男，1961年出生，山东胶南人，教授，博士生导师，博士，主要从事农药毒理与应用研究。通信地址：271018山东省泰安市岱宗大街
61号山东农业大学植物保护学院，Tel：0538-8241114，E-mail：wangjx@sdau.edu.cn。
收稿日期：2016-01-18，修回日期：2016-03-19。
中国农学通报 2016,32(23):49-54
Chinese Agricultural Science Bulletin
中国农学通报 http://www.casb.org.cn
0 引言
雀麦(Japanese Brome)是一年生或越年生禾本科
雀麦属草本植物，以种子繁殖。其繁殖能力强，传播速
度快，且常与作物争水、肥、阳光和空间，造成作物发育
不良，品质降低，产量下降[1]。雀麦具有分布范围广、
适生性强、危害严重、传播快、防除难等特点[2]。在中
国，随着耕作制度的改变和除草剂的长期使用，雀麦在
中国多个省份都有发生，近年报道的雀麦发生严重的
地区有河北、山东、甘肃等地，且发生面积不断扩大。
其分蘖多、茎根发达，与作物相比其竞争力强，成为农
田难以根除的恶性杂草之一[3-5]。目前对雀麦分布范围
和可能的适生区域还不明确。探究雀麦在中国和全球
的分布范围和可能的适生区域，对有效监控和防治其
危害农田，做好预防工作，具有重要意义。
最大熵模型(maximum entropy model，MaxEnt)起
源于信息科学，在很多领域有着广泛的应用，近年来在
生态学领域的应用得到国内外研究者的重视。其工作
原理是，利用环境变量数据和目标物种的已有分布数
据，对目标物种的环境适生性进行评价，根据最大熵理
论的原理，推测出该物种的可能适生分布区域[6-10]。
日益加剧的全球气候变暖引起的生态变化受到研
究者的重视。在影响物种地理分布的因素中，气候是
很重要的决定因素[11]。气候改变，物种的丰度和分布
都会发生改变[12]。因此，在不断变化的气候影响下，预
测物种的可能适生区域是十分必要的。
本研究的目的在于应用MaxEnt软件对雀麦的可
能适生分布区域进行模拟计算和预测，采用ROC曲线
分析法评价其预测结果，对于影响预测结果的各个环
境变量，利用刀切法评价其影响程度，并判断影响雀麦
分布的主要环境因子，以期探明雀麦在中国和全球的
可能分布区域，为监控雀麦进一步扩散、制定合理的防
治措施提供科学依据。
1 材料与方法
1.1 软件来源
地图处理的GIS软件采用版本为10.0的ArcGis软
件。生态分析软件为 MaxEnt，MaxEnt主页 (http://
www.cs.princeton.edu/~schapire/maxent/)下载，版本为
3.3.3版。
1.2 环境层数据
环境变量 ：本研究所用的环境数据来自
WORLDCLIM (http://www.worldclim.org/) 1950—
2000年监测的 19个对物种分布范围有重要影响的生
物气候变量（表1），数据的空间分辨率为5 min。
地图资料：从国家基础地理信息系统(http://nfgis.
nsdi.gov.cn/)下载中国行政区划图(1:4000000)，从Blue
Marble Geographics (http://www.bluemarblegeo.com)下
载世界行政区划图。
1.3 雀麦分布数据的来源与处理
雀麦分布数据的获取途径主要有：全球物种多样
性信息库(GBIF，http://www.gbif.org/)、中国物种信息
系统 (http://www.chinabiodiversity.com/)、中国数字植
物标本馆(http://www.cvh.org.cn/)、教学标本与资源共
享平台 (http://mnh.scu.edu.cn/)，并查阅国内外论文及
近几年本实验室的相关调查研究数据。
按照MaxEnt要求，将收集到的 1022个雀麦分布
数据按物种名称、分布点经度和分布点纬度的顺序生
成.csv的文件[13]。
1.4 MaxEnt模型操作方法
将雀麦分布数据集（CSV格式）和 19个对物种分
布范围有重要影响的生物气候变量数据集（ASCII格
式）导入MaxEnt软件，随机选取 25%的雀麦分布记录
数据作为测试集，剩余的数据集合作为训练集，影响因
子采用刀切法 (Jackknife)进行分析，输出格式为
ASCII。MaxEnt软件通过雀麦在中国和全球的实际分
布记录数据和相关的生物气象数据建立预测模型，据
此模型模拟计算出其在全球和中国的适生指数（概
率）。
图形处理：将格式为ASCII的文件导入ArcGis软
件进行格式的转换，并根据适生指数（概率）大小进行
风险等级分类，然后将其与中国行政区划图和世界行
政区划图叠加，进而得到雀麦在中国和全球的预测结
果。根据适生指数标准，将风险等级(risk level, RI)划
分为4个等级：高风险区（35.00＜RI≤100，红色）、中风
险区（5.00＜RI≤35.00，橙色）、低风险区（0.01＜RI≤
5.00，黄色）和无风险区（0≤RI≤0.01，白色）[14-15]。
编号
Bio1
Bio2
Bio3
Bio4
Bio5
Bio6
Bio7
Bio8
Bio9
Bio10
描述
年平均气温
昼夜温差月均值
等温性
温度季节性变化标准差
最暖月最高温
最冷月最低温
年均温变化范围
最湿季度平均温度
最干季度平均温度
最暖季度平均温度
编号
Bio11
Bio12
Bio13
Bio14
Bio15
Bio16
Bio17
Bio18
Bio19
描述
最冷季度平均温度
年均降水量
最湿月降水量
最干月降水量
降水量变异系数
最湿季度降水量
最干季度降水量
最暖季度降水量
最冷季度降水量
表1 Bioclim 19项数据描述列表
·· 50
等：
2 结果与分析
2.1 雀麦在全球的适生性分析
根据雀麦目前在全球的分布数据和气候资料，利
用MaxEnt得其在全球的适生区域，结果见图1。在当
前气候条件下，雀麦在全球分布的高风险区主要包括：
非洲北部、欧洲的中南部、亚洲西部和东部及中部零星
地区、北美中西部及东部部分地区、日本及朝鲜南部地
区。中风险区主要是高风险区向周围延伸的区域以及
非洲南部、南美洲南部和澳大利亚东南部。
2.2 雀麦在中国的适生性分析
利用MaxEnt和ArcGIs软件运算的数据，结合中
国省级行政区划图分析，得到雀麦在中国的可能适生
区域分布，结果如图 2所示。根据雀麦目前的分布数
据和气候资料，其在中国的高风险潜在分布区主要在
黄淮海平原（北京、天津、山东、河南、江苏、安徽、河北
中南部）、长江中下游平原（浙江、湖南、湖北、江西中北
部部分地区）、陕西中南部、山西南部、宁夏及甘肃南
部、成都平原（四川中西部）、贵州中北部、新疆西南零
星地区、西藏西南部和青海中部地区；中风险潜在分布
区的范围在高风险区的基础上进一步扩大；新疆西南
部及中部、西藏和青海部分地区、甘肃北部区域为低风
险区。
预测分析结果显示，雀麦在中国的潜在适生区域
十分广泛，涵盖了中国除东北外的大部分平原地区。
2.3 环境变量的刀切法分析
刀切法是一种非参数的估算方法，在难于应用或
图1 基于MaxEnt的雀麦在全球的适生区域划区图
图2 基于MaxEnt的雀麦在中国的适生区域划区图
谭金妮等：基于MaxEnt的农田恶性杂草雀麦的潜在分布预测 ·· 51
中国农学通报 http://www.casb.org.cn
标准统计方法不存在的问题中，利用刀切法可建立近
似的置信区间[16]。该法可用于环境变量对预测结果影
响程度的分析，并确定出具有重要影响的气候变量[17]。
图3与表2为影响雀麦发生的主要气候变量的刀
切分析结果。结果表明，使用单一环境变量建模分析
时，最冷季度平均温度对建模影响最大，训练得分为
1.2505。最冷月最低温、年平均温度、温度季节性变化
标准差、最干季度平均温度对雀麦分布也产生重要影
响，其训练得分均超过 0.9。而昼夜温差月均值、最干
季度降水量、最干月降水量、最暖季度降水量、最湿季
环境变量
年平均气温
昼夜温差月均值
等温性
温度季节性变化标准差
最暖月最高温
最冷月最低温
年均温变化范围
最湿季度平均温度
最干季度平均温度
最暖季度平均温度
最冷季度平均温度
年均降水量
最湿月降水量
最干月降水量
降水量变异系数
最湿季度降水量
最干季度降水量
最暖季度降水量
最冷季度降水量
训练得分
仅此变量
1.0628
0.0428
0.7395
0.9563
0.3743
1.2222
0.6133
0.1488
0.9162
0.4069
1.2505
0.2331
0.2887
0.217
0.0695
0.3093
0.2142
0.1279
0.3846
除此变量
1.6307
1.6321
1.6332
1.6058
1.6311
1.6313
1.6329
1.633
1.6037
1.6319
1.6325
1.633
1.6359
1.6356
1.6184
1.6329
1.6332
1.6353
1.6286
所有变量
1.6353
AUC范围
0.5≤AUC＜0.6
0.6≤AUC＜0.7
0.7≤AUC＜0.86
0.8≤AUC＜0.9
0.9≤AUC≤1.0
评价标准
失败
较差
一般
好
极好
图3 影响雀麦发生的环境变量的刀切分析
度平均温度以及降水量变异系数影响较小。
2.4 模型精度检测
ROC曲线是将连续变量设定多个不同的临界值，
而计算出一系列敏感性和特异性，分别以1-灵敏度、1-
特异度为纵、横坐标绘制的曲线。ROC曲线下面积为
AUC (Areas Under Curve)值，AUC值不受阈值影响，
是目前最常用的模型评价指标之一。本研究中AUC
值为MaxEnt软件计算所得。AUC值在0~1之间，值越
大表示模型模拟预测效果越好 [18]（评价标准 [19]见表
3）。本研究中AUC值为0.943（图4），模拟结果达到极
好的标准，说明该预测结果具有很高的可信度。
3 结论
2006年创建并发布的MaxEnt[20]主要通过最大熵
原理，利用物种已知分布记录和气象数据，对物种的分
布进行模拟估算和预测。采用ROC分析法对预测模
型得到的结果进行分析比较，MaxEnt优于同类预测模
型（GARP、CLIMEX和 BIOCLIM）。研究表明，利用
MaxEnt预测物种潜在分布区域，能得到比较可靠、客
观的预测结果[21-23]。
表2 影响雀麦发生的环境变量的刀切分析
表3 AUC值评价标准表
·· 52
等：
研究结果表明，雀麦在全球的预测适生高风险区
为非洲北部、欧洲的中南部、亚洲西部和东部及中部零
星地区、北美中西部及东部部分地区、日本及朝鲜南部
地区。本研究的AUC值为 0.943，模拟预测准确性极
好，模拟结果可以用于雀麦的适生区预测研究。最冷
季度平均温度、最冷月最低温、年平均温度、温度季节
性变化标准差、最干季度平均温度对雀麦预测分布的
影响程度较大，可作为研究雀麦生物学特征的重要气
候因素。
雀麦在中国的高风险潜在分布区主要在黄淮海平
原、长江中下游平原、成都平原、陕西中南部、山西南
部、宁夏及甘肃南部、贵州中北部，新疆西南零星地区、
西藏西南部和青海中部地区，中风险潜在分布区的范
围在高风险区的基础上进一步扩大。近几年，甘肃、河
北、山东等地雀麦发生严重，且有逐年加重的趋势，严
重影响作物的品质与产量[24-25]，实际情况与预测结果基
本吻合，说明此结果具有较高可信度。
4 讨论
MaxEnt是以目标物种的已知分布数据和环境数
据研究物种在一定区域内的分布概率。但由于其只是
利用了已知的发生数据和记录，因此预测得到的适生
区域通常只能代表与实际分布区具有相似气候条件的
区域，与雀麦的实际发生区域仍有一定程度的偏差。
研究影响雀麦发生的主要环境变量时，仅选取了有关
温度和湿度等 19个因子，而没有考虑土壤类型、耕作
制度和管理水平等其他因素对雀麦分布的影响，因此，
在下一步的研究中，应综合考虑其他影响雀麦发生因
素，通过多种预测模型和软件分析方法结合，使预测结
果更为准确、客观。
雀麦由于其繁殖力强、难以根除，与作物争水争肥
争阳光，严重影响作物的产量和品质[26]，在麦田中，随
雀麦密度的增加，作物产量逐渐下降[27]。加强雀麦的
潜在分布预测，可有效防控其危害区域的蔓延，提前做
好防控准备，有效降低雀麦对作物产量和品质的影响。
影响雀麦发生的主要气候变量中，温度对雀麦的
发生量影响较大。面对全球气温变暖，很多物种都有
向高纬度地区扩大的趋势[28]的事实，下一步的研究，可
以从未来气温升高预测雀麦潜在分布区的角度进一步
分析，使预测结果更严谨。
针对目前农田草害治理上面临的问题，一方面，要
加强科学使用和管理活性高、长残效除草剂，另一方
面，加强对农田恶性杂草灾变及杂草群落演替的预报
预测研究[29]。
本研究对雀麦的适生区域进行预测分析，对预防
雀麦对作物田的危害有一定的指导意义，但要降低雀
麦对作物田的危害，还需综合治理，在对环境友好的前
提下，采用多种途径最大限度降低雀麦的发生量，提高
作物产量与品质。
参考文献
[1] 马建辉.庄浪县麦田雀麦发生特点及防治[J].甘肃农业科技,2010
(12):49-50.
[2] 车晋滇,袁志强,金东红,等.雀麦生物学特性研究初报[J].北京农业,
2010(36):41-43.
[3] 李秉华,王贵启,苏立军.防除雀麦除草剂的筛选及其对冬小麦安
全性评价[J].杂草科学,2008(2):58-59.
[4] 魏敏.庄浪县麦田雀麦生物学特性观察[J].甘肃农业科技,2010(8):
30-31.
[5] 江彦军.石家庄市麦田雀麦和节节麦的发生特点及防治措施[J].河
北农业科学,2010,14(8):106,147.
[6] Phillips S J, Dudík M, Schapire R E. A maximum entropy approach
to species distributio modeling[A].Proceedings of the Twenty-First
图4 ROC曲线及AUC值
谭金妮等：基于MaxEnt的农田恶性杂草雀麦的潜在分布预测 ·· 53
中国农学通报 http://www.casb.org.cn
International Conference on Machine Learning[C].2004.
[7] Banavar J R, Maritan A, Volkov I. Applications of the principle of
maximum entropy: from physics to ecology[J].Journal of Physics:
Condensed Matter,2010,22(6):3101.
[8] 邢丁亮,郝占庆.最大熵原理及其在生态学研究中的应用[J].生物
多样性,2011,19(3):295-302.
[9] 岳茂峰,冯莉,田兴山,等.基于MaxEnt的入侵植物刺轴含羞草的适
生分布区预测[J].生物安全学报,2013,22(3)173-180.
[10] 王茹琳,高晓清,王闫利,等.基于MaxEnt的非洲橘硬蓟马在全球及
中国的潜在分布区预测[J].中国农学通报,2014,30(28):315-320.
[11] Sutherst R W. Sutherst R W. Climate change and invasive species:a
conceptual framework[A].In:Mooney H A, Hobbs R J. Invasive
Species in Changing World[M].Washington, DC.: Island Press,2000.
[12] Newman J A. Using the output from global circulation models to
predict changes in the distribution and abundance of cereal aphids
in Canada:a mechanistic modeling approach[J].Global Change
Biology,2006,12:1634-1642.
[13] 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[J].草业学报,2013,229(2):62-70.
[14] Brotons L, Thuiller W, Araujo M B, et al. Presence-absence versus
presence- only modeling methods for predicting bird habitat
suitability[J].Ecography,2004,27(4):437-448.
[15] Elith J, Graham H C, Anderson R P, et al. Novel methods improve
prediction of species’ distributions from occurrence data[J].
Ecography,2006,29(2):129-151.
[16] 洪再吉.刀切法与刀切估计量性质[J].汕头大学学报,1989,4(1)12-
20.
[17] Peterson A T, Cohoon K P. Sensitivity of distributional prediction
algorithms to geographic datacompleteness[J].Ecological Modelling,
1991,117:159-164.
[18] Phillips S J, Anderson R P, Schapire R E. Maximum entropy
modeling of species geographic distributions[J].Ecological
Modeling,2006,190(3/4):231-259.
[19] 陈新美,雷渊才,张雄清,等.样本量对MaxEnt模型预测物种分布精
度和稳定性的影响[J].林业科学,2012,48(1):53-59.
[20] Phillips S J, Anderson R P, Schapire R E. Maximum entropy
modeling of species geographic distributions[J].Ecological
Modelling,2006,190:231-259.
[21] 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[J].生物多样性,2007,15(4):365-372.
[22] Roberto M, Zamora R, Ramon J, et al. Predictive modeling of
microhabitats for endemic birds in Soueh Chilean temperate forests
using Maximum entropy(Maxent)[J].Ecological Informatics,2011,6:
364-370.
[23] Yang X Q, Kushwaha S P S, Saran S, et al. Maxent modeling for
predicting the potential distribution of medicinal plant, Justicia
adhatoda L. in Lesser Himalayan foothills[J].Ecological
Engineering,2013,51:83-87.
[24] 罗秀英,李振娥,王月华.2010年高唐县雀麦严重发生原因及防控
措施[J].现代农业科技,2010,(8):192.
[25] 蔡立强,王幼敏,杨晓辉.冀东冬麦区雀麦的田间识别发生规律及
其化学防除技术的初步研究[J].河北农业科学,2011,15(9):24-26,
65.
[26] 谢鹏云,朱玉新.雀麦对小麦危害损失及防除指标研究[J].甘肃农
业大学学报,1993,28(2):201-204.
[27] 郝丽萍,王丽英,李霞.麦田雀麦防治指标研究[J].中国植保导刊,
2014,34(5):20-22.
[28] Walther G R, Post E, Convey P, et al. Ecological responses to recent
climate change[J].Nature,2002,416:389-395.
[29] 涂鹤龄.我国农田杂草研究和防治进展[J].农药,2001,40(3):1-3.
·· 54