全 文 :中国珍稀药用植物白及的潜在分布与其气候特征∗
龚 晔1ꎬ 景鹏飞1ꎬ 魏宇昆2ꎬ 黄卫昌2ꎬ 崔浪军1∗∗
(1 药用植物资源与天然药物化学教育部重点实验室ꎬ 陕西师范大学生命科学学院ꎬ
陕西 西安 710010ꎻ 2 上海辰山植物园ꎬ 上海 201602)
摘要: 基于白及 (Bletilla striata) 地理分布信息和影响白及分布的主导气象因子ꎬ 利用最大熵模型和地理
信息系统预测了中国白及的潜在分布与其气候特征ꎮ 结果表明: 所建模型经 ROC 曲线验证ꎬ 预测效果非
常好 (AUC > 0 9)ꎻ 中国白及潜在分布区主要位于秦岭、 淮河以南大部分地区ꎬ 白及主要适生省份为云
南、 湖北、 四川、 湖南、 江西、 浙江ꎻ 刀切法测试表明ꎬ 4月和 10 月最低气温、 年温度变化范围、 11 月
平均降水量为影响白及潜在分布的最主要气象因子ꎮ 研究结果可为白及资源的调查、 保护与人工种植产业
的发展提供理论指导ꎮ
关键词: 白及ꎻ 最大熵模型ꎻ 地理信息系统ꎻ 潜在分布ꎻ 气象因子
中图分类号: Q 948 11 文献标识码: A 文章编号: 2095-0845(2014)02-237-08
Potential Distribution of Bletilla striata (Orchidaceae)
in China and Its Climate Characteristics
GONG Ye1ꎬ JING Peng ̄Fei1ꎬ WEI Yu ̄Kun2ꎬ HUANG Wei ̄Chang2ꎬ CUI Lang ̄Jun1∗∗
(1 Key Laboratory of Medicinal Plant Resources and Natural Pharmaceutical Chemistry (Shaanxi Normal University)ꎬ
Ministry of Educationꎬ Xi’an 710010ꎬ Chinaꎻ 2 Chenshan Botanical Gargenꎬ Shanghai 201602ꎬ China)
Abstract: The potential distribution of Bletilla striata and its climate characteristics was predicted with MaxEnt mod ̄
el and ArcGIS. The data was based on the information of geographic distribution of the plant and its dominant climate
factors. The results showed that the model built by dominant climate factors had an ideal forecasting effectꎬ which
was tested by the ROC curve (AUC > 0 9). The model revealed that the potential distribution areas were mainly in
the south of the Qinling Mountains and Huai river. The major suitable provinces for the plant were mainly restricted
to Yunnanꎬ Hubeiꎬ Sichuanꎬ Hunan and Jiangxi. A jackknife test in MaxEnt suggested that Min temperature of Apr
(tmin4)ꎬ Min temperature of Oct (tmin10)ꎬ Temperature annual range (bio7) and Precipitation of Nov (prc11)
were the most important climate variables affecting the potential distribution of the plant. The results can provide
some theoretical basis for the resources protectionꎬ germplasm collections and reasonable development and utilization
of wild Bletilla striata.
Key words: Bletilla striataꎻ MaxEnt modelꎻ ArcGISꎻ Climate factorsꎻ Potential distribution
中药材白及为兰科白及属植物白及 [Bletilla
striata (Thunb.) Reichb. f.] 的干燥块茎ꎬ 又名
白芨、 苞舌兰、 连及草、 白根 (王晓敏等ꎬ 2011)ꎬ
被历版 «中国药典» 收录 (武广华等ꎬ 2001)ꎮ
白及作为我国传统珍稀名贵中药ꎬ 含有白及多
糖、 联苄类、 菲类等主要有效成分 (任华忠等ꎬ
2009)ꎬ 具有止血收敛、 消肿生肌、 延缓皮肤衰
老之功效ꎬ 广泛应用于医药、 化妆品领域 (和
植 物 分 类 与 资 源 学 报 2014ꎬ 36 (2): 237~244
Plant Diversity and Resources DOI: 10.7677 / ynzwyj201413086
∗
∗∗
基金项目: 科技部科技惠民计划项目 (2012GS610102)、 上海市绿化和市容管理局科学技术项目 (F132439) 资助
通讯作者: Author for correspondenceꎻ E ̄mail: ljcui@snnu edu cn
收稿日期: 2013-04-12ꎬ 2013-07-10接受发表
作者简介: 龚 晔 (1988-) 男ꎬ 硕士研究生ꎬ 研究方向: 从事药用植物资源研究ꎻ E ̄mail: 524261148@qq com
志娇等ꎬ 2008ꎻ 王晓敏等ꎬ 2011ꎻ 周涛等ꎬ 2008)ꎮ
此外ꎬ 白及花色艳丽ꎬ 观赏价值极高ꎬ 是我国著
名花卉品种 (王晓敏等ꎬ 2011)ꎮ
白及在我国分布范围较广ꎬ 北起江苏、 河
南ꎬ 南至台湾ꎬ 东起浙江ꎬ 西至西藏东南部察
隅ꎮ 近年来贵州安龙、 湖南大庸等地陆续开始人
工种植白及ꎬ 但主要靠分株繁殖ꎬ 其繁殖速度较
慢、 繁殖系数较低、 成本高昂ꎬ 严重限制了白及
规模化生产种植 (和志娇等ꎬ 2008)ꎮ 目前我国
药材市场上的白及主要来源于野生资源ꎮ 近几年
随着白及价格飞涨、 供需矛盾突出ꎬ 野生资源破
坏愈加严重ꎬ 加之白及种子细小、 萌发率极低、
自然繁殖困难且生长缓慢ꎬ 我国野生白及急剧减
少ꎬ 濒临灭绝 (周涛等ꎬ 2008)ꎮ 目前ꎬ 白及不
仅已被列入国家珍稀濒危植物加以保护ꎬ 而且还
收载于濒危野生动植物国际贸易公约附录二中
(和志娇等ꎬ 2008)ꎮ 周涛等 (2008) 对贵州野
生白及种群ꎬ 石晶等 ( 2010) 对湖北、 湖南、
云南、 四川、 贵州、 浙江、 江西以及安徽 8个省
份的人工种植白及进行了全面调查ꎬ 结果表明调
查区野生白及均存在资源锐减、 濒临灭绝、 人工
栽培规模小、 品质低等诸多问题ꎮ 但对于全国范
围内白及的地理分布格局等研究尚十分缺乏ꎮ
MaxEnt模型是根据物种现实分布点地理坐
标和物种分布地区的环境变量运算得出预测模
型ꎬ 再利用此模型模拟目标物种在目标地区的可
能分布情况 (Phillips 等ꎬ 2004)ꎮ Jaynes 于 1957
年提出最大熵理论可应用于概率密度评估ꎬ 在生
态学中表达为一个物种在没有约束的情况下ꎬ 会
尽最大可能扩散蔓延ꎬ 接近均匀分布 (Phillips
等ꎬ 2006)ꎮ 目前已有多种预测物种潜在分布的
模型ꎬ 并得到了广泛应用ꎬ 如 CLIMAX、 GARP、
MaxEnt、 ENFA、 Bioclim、 Domain 等 (曹向锋ꎬ
2007)ꎮ MaxEnt模型虽应用时间相对较短ꎬ 但其
已被广泛应用于农作物 (段居琦和周广胜ꎬ 2011)、
保护生物 (齐增湘等ꎬ 2011) 以及入侵物种的潜
在分布预测 (冯益明等ꎬ 2009ꎻ 冯益明和刘洪
霞ꎬ 2010ꎻ 郭水良等ꎬ 2011ꎻ Li 等ꎬ 2008) 等方
面ꎮ 大多数研究表明在预测物种分布时ꎬ MaxEnt
模型较同类其他模型更优良 (王运生等ꎬ 2007ꎻ
Li等ꎬ 2008)ꎬ 在进行物种适生性分析与评价时ꎬ
也只需要物种 “出现点” 的数据ꎬ 并且即使在
出现点数据较少的情况下ꎬ 也具有较高的预测精
度 (冯益明等ꎬ 2009)ꎮ
本文结合现有白及地理分布数据和相关的气
象数据ꎬ 利用 MaxEnt 模型结合 ArcGis 软件对我
国白及分布进行了预测ꎬ 以期为我国白及资源
的调查、 保护与人工种植产业的发展提供理论
指导ꎮ
1 材料与方法
1 1 数据收集
1 1 1 白及地理分布数据的获取与处理 通过查阅全球
生物多样性信息机构 (GBIF) ( http: / / www. gbif. org / )、
中国数字标本馆 (CVH) (http: / / www.cvh.org.cn / cms / )、
教学标本标准化整理整合与资源共享平台 (http: / / mnh.
scu.edu.cn / )、 中国自然保护区资源平台 ( http: / / www.
papc.cn / )、 中国自然标本馆 ( CFH) ( http: / / www. na ̄
ture ̄museum.net / )ꎬ 初步得到 571 条白及分布数据ꎮ 其
中ꎬ GBIF中 328条ꎬ CVH中 76 条 [中国科学院成都生
物研究所标本馆 (CDBI) 10条ꎬ 河南师范大学标本馆 2
条ꎬ 中国科学院西双版纳热带植物园标本馆 (HITBC) 1
条ꎬ 中国科学院西北高原生物所标本馆 (HNWP) 2 条ꎬ
广西植物研究所标本馆 ( IBK) 13 条ꎬ 中国科学院沈阳
应用生态学研究所标本馆 ( IAE) 1 条ꎬ 中国科学院昆
明植物研究所标本馆 (KUN) 16条ꎬ 江西省中国科学院
庐山植物园标本馆 18 条ꎬ 西北农林科技大学植物标本
馆 (WUK) 13条]ꎬ CFH 中 26 条ꎬ 教学标本标准化整
理整合与资源共享平台 131 条ꎬ 中国自然保护区资源平
台 10条ꎮ
将初步获得的以上数据除去重复的和记录信息在县
级以上行政单位范围内的记录点ꎬ 然后ꎬ 将记录信息在
县级或县级以下行政单位范围内的没有经纬度的记录点
进行经纬度坐标查询ꎮ 最终ꎬ 得到中国范围内的白及分
布数据 174条ꎮ
1 1 2 气象因子 气象因子数据来源于世界气候数据库
(http: / / www.worldclim.org)ꎬ 精度为 2 5 arc min (0 5 arc
min= 30 arc sec= 0 93 km)ꎮ 该数据库包括的降水记录数
据取自全球 47 554个站点ꎬ 平均温度数据取自 14 835个
站点ꎬ 最高气温和最低气温取自 24 542个站点ꎮ 上述站
点提供了最近 50年的 2 大类数据ꎬ 共计 67 项 (表 1):
第 1类ꎬ bio系列数据ꎻ 第 2 类ꎬ 单月因子 (Nabout 等ꎬ
2010)ꎮ 1∶ 400万中国地图和中国行政区划图由国家地理
信息系统网站 (http: / / nfgis.nsdi.gov.cn / ) 下载ꎮ
1 2 相关软件
本研究主要应用软件包括 MaxEnt V3 3 3 ( http: / /
www.cs. princeton. edu / ~ schapire / maxent)、 ArcGIS 9 3 和
832 植 物 分 类 与 资 源 学 报 第 36卷
Goolgle Earth 6 1 0 5001等ꎮ 部分地理分布信息由 Gool ̄
gle Earth 6 1 0 5001 查询得到ꎬ MaxEnt V3 3 3 用于建
立模型模拟白及分布情况ꎬ ArcGIS 9 3主要用于对 Max ̄
Ent所需 ASC文件的转换和后续预测结果的统计分析等ꎮ
1 3 研究方法
基于 MaxEnt 模型和 ArcGIS 软件的空间分析功能等
技术的具体研究方法 (段居琦和周广胜ꎬ 2011) 如下:
1 3 1 数据的格式转换和导入 本研究所需数据包括两
部分ꎬ 分别为白及地理分布数据和潜在气象因子数据ꎮ
在 Excel 2003中将白及地理分布数据 (其中东经和北纬为
正值ꎬ 西经和南纬为负值) 保存为逗号分隔 (∗ .csv) 格
式ꎻ 利用 ArcGIS 的 Arctoolbox 模块中 Conversion Tools 将
潜在环境因子数据转化成 ESRI ASCII 格式ꎮ 将白及地理
分布数据和潜在气象因子数据分别导入到MaxEnt模型中ꎮ
1 3 2 初始模型的建立与预测精度分析 环境图层中导
入的气象因子设定为连续变量 (continuous)ꎬ 选择创建
回应曲线 ( Create response curves)ꎬ 选择刀切法 ( Do
jackknife) 分析环境变量对白及多度的影响大小ꎬ 测试
集 (test data) 设定为 25% ( 43 处分布点)ꎬ 训练集
(training data) 设定为 75% (131 处分布点)ꎬ 其余选项
均采用模型的默认形式ꎮ 采用受试者工作特征曲线
(Receiver operating characteristic curveꎬ ROC 曲线) 对预
测结果进行精度分析 (王运生等ꎬ 2007)ꎮ
1 3 3 主导气象因子的筛选 根据初次模拟结果中 67
项潜在气象因子对白及潜在分布影响的贡献率大小ꎬ 选
择贡献率排在前 10 位的气象因子作为影响白及潜在分
布的主导气象因子ꎮ
1 3 4 MaxEnt模型的重新建立与预测结果的精度分析
将主导气象因子作为新的气象因子重新建立白及分
布的 MaxEnt模型ꎬ 并对此次模拟结果精度进行评价ꎮ
1 3 5 白及适生区等级划分 首先ꎬ 利用 ArcGIS 的格
式转换工具 Conversion Tools 将预测结果的 ASCII 格式转
化为 Raster格式ꎬ 并将中国各省区图层加载到 Raster 格
式的预测结果图层上ꎻ 然后ꎬ 利用 Spatial Analysis Tools
(空间分析工具) 中的 Extraction by mask (掩膜提取)
提取 32个省区的白及分布图层ꎻ 最后ꎬ 利用 Spatial A ̄
nalysis Tools的 Reclassify (重分组) 进行白及适生等级
划分ꎬ 得到白及适生等级图层ꎮ
1 3 6 适生面积统计分析 利用 Spatial Analysis Tools
的 Zonal statistics功能将白及适生等级图层进行进一步统
计分析ꎬ 得到所研究的中国 32个省、 自治区、 直辖市的
白及适生等级及各等级下的适生面积ꎮ
1 3 7 主导气象因子权重分析 筛选出影响白及分布的
最主要气象因子ꎮ
表 1 影响中国白及分布的潜在气象因子
Table 1 Potential climate factors affecting the distribution of Bletilla striata in China
类型 Type 变量代码 Variable code 描述 Description
bio 1 年均温 Annual mean temperature
bio 2 平均日较差 Mean diurnal range: mean of monthly (max temp ̄min temp)
bio 3 等温性 Isothermality: (bio2 / bio7)×100
bio 4 温度季节性变化系数 Temperature seasonality (SD×100)
bio 5 最暖月最高温 Maximum temperature of warmest month
bio 6 最冷月最低温 Minimum temperature of coldest month
bio 7 年温度变化范围 Temperature annual range (bio5 ̄bio6)
bio 8 最湿季度平均温度 Mean temperature of wettest quarter
生物气候因子 bio 9 最干季度平均温度 Mean temperature of the driest quarter
Bio ̄clim factors bio 10 最暖季度平均温度 Mean temperature of the warmest quarter
bio 11 最冷季度平均温度 Mean temperature of coldest quarter
bio 12 年降水量 Annual precipitation
bio 13 最湿月降水量 Precipitation of wettest month
bio 14 最干月降水量 Precipitation of driest month
bio 15 降水季节性变异系数 Precipitation seasonality (coefficient of variation)
bio 16 最湿季度降水量 Precipitation of wettest quarter
bio 17 最干季度降水量 Precipitation of driest quarter
bio 18 最暖季度降水量 Precipitation of warmest quarter
bio 19 最冷季度降水量 Precipitation of coldest quarter
tmax 1 ̄tmax 12 1-12月月最高气温 Max temperature from Jan. to Jul.
单月因子 tmean 1 ̄tmean 12 1-12月月平均气温 Mean temperature from Jan. to Jul.
Monthly factors tmin 1ꎬ tmin 12 1-12月月最低气温 Min temperature from Jan. to Jul.
prec 1ꎬ prec 12 1-12月月降雨量 Precipitation from Jan. to Jul.
9322期 龚 晔等: 中国珍稀药用植物白及的潜在分布与其气候特征
2 结果与分析
2 1 精度检验
ROC曲线是以假阳性率即特异度为横坐标ꎬ
以真阳性率即遗漏率为纵坐标所绘制的曲线ꎮ
AUC值指 ROC曲线与横坐标所围成区域面积的大
小ꎬ AUC值越大ꎬ 表示所预测的分布与随机分布
相距越远ꎬ 气象因子与预测的物种地理分布模型
之间相关性越大ꎬ 即表示模型预测效果越好ꎮ 预
测精度的评估标准参照表 2 (Phillips等ꎬ 2004)ꎮ
表 2 MaxEnt模型预测精度的评估标准
Table 2 The evaluation criteria of MaxEnt model
of predicted accuracy
AUC值 评价等级 Assement scales
0 50~0 60 失败 Fail
0 60~0 70 较差 Poor
0 70~0 80 一般 Fair
0 80~0 90 好 Good
0 90~1 0 非常好 Excellent
如图 1 ̄Aꎬ 本研究初次模拟的训练集和测试
集的 AUC值分别为 0 995和 0 765ꎬ 表明预测效
果一般ꎻ 如图 1 ̄Bꎬ 第二次模拟的训练集和测试
集的 AUC值分别为 0 944和 0 923ꎬ 说明预测效
果非常好ꎬ 与初次预测结果相比较ꎬ 第二次的预
测更接近于白及的真实分布ꎬ 表明所构建模型可
用于白及潜在分布模拟ꎮ
2 2 中国白及潜在分布
利用 MaxEnt模型和 ArcGIS软件结合白及地
理分布数据和气象因子可得出白及在中国各地区
的适生指数 ( pꎬ 即存在概率ꎬ 取值范围为 0 -
1)ꎮ 中国白及潜在分布区主要位于秦岭、 淮河
以南部分地区ꎬ 包括云贵高原、 成都平原、 陕西
中南部、 长江中下游地区和珠江三角洲地区ꎻ 在
山东大部分地区、 河北和山西南部、 河南中西部
和南部、 东北中西部、 甘肃东南部、 新疆、 西藏
南部、 青海、 内蒙古东北部、 海南、 台湾等地也
有少量的潜在分布ꎻ 宁夏和天津基本无白及的潜
在分布 (图 2)ꎮ
由于我国地域环境变化多样ꎬ 尽管白及在
我国存在广泛的适生区ꎬ 但在各地区其适生等级
有所不同ꎮ 白及适生区等级划分依据参考 IPCC
(政府间气候变化专门委员会) 报告 (IPCCꎬ 2007)
关于评估可能性的划分方法ꎬ 并结合中国范围内
白及的实际情况: P≥0 9 的地区为高适生区
(High suitable area)ꎻ 0 66 ≤P<0 9 的地区为较
适生区 (Suitable area)ꎻ 0 33≤P<0 66 的地区
为边缘适生区 (Marginal suitable area)ꎻ 0≤P<
0 33的区域属于非适生区 (Unsuitable area)ꎮ
图 1 初次模拟和再次模拟的训练集和测试集的 ROC曲线
Fig 1 ROC curve for primary and secondary modeling training data and test data
042 植 物 分 类 与 资 源 学 报 第 36卷
中国各省、 自治区、 直辖市的白及适生等级
面积情况表明 (表 3)ꎬ 白及高适生区主要分布
于湖北、 湖南、 江西、 四川、 云南、 浙江、 重
庆、 广东等地ꎬ 陕西、 江苏、 贵州、 河南、 安
徽、 山东、 甘肃、 河北、 山东、 福建等地也存在
少量的高适生区ꎬ 中国白及高适生区面积总和约
2 134 3 km2ꎮ 较适生区主要集中于云南、 四川、
湖北、 湖南、 江西、 浙江、 贵州、 广西、 重庆、
广东、 陕西、 山东、 安徽、 江苏、 福建、 河南、
甘肃ꎮ 除此之外ꎬ 在山西、 西藏、 上海、 海南、
新疆、 吉林、 河北、 台湾等地也存在少量分布ꎬ
中国白及较适生区面积总和约 12 811 4 km2ꎮ
2 3 白及主要适生区分布
鉴于白及作为濒危药用植物繁殖受到限制
的特点ꎬ 故将白及高适生区和较适生区看做白及
主要适生区ꎮ 本研究选择白及主要适生区面积总
和在 800 km2以上的的省、 自治区、 直辖市作为
白及资源分布研究的重点区域ꎬ 该区域包括云
南 (2 378 47 km2)、 湖北 (2 056 98 km2)、 四
川 (1 822 91 km2)、 湖南 (1 545 14 km2)、 江
西 (1 302 90 km2)、 浙江 (868 06 km2)ꎮ 图 3
表明ꎬ 白及主要适生区集中于湖北省东部的武汉
市、 黄陂县一带ꎬ 东南部的阳新县、 通山县一带
以及西南部的鹤峰县ꎬ 湖南省西北部的桑植县、
龙山县、 永顺县、 大庸市一带ꎬ 江西省中部的峡
江县、 安福县境内ꎬ 浙江北部的余杭县、 杭州
市、 萧山市、 德清县、 诸暨市ꎮ 云南和四川两省
的白及主要适生区分布比较分散ꎬ 故不对其进行
主要适生区分布研究ꎮ
2 4 主导气象因子权重分析
在 MaxEnt模型重建过程中ꎬ 利用刀切法对
主导气象因子 (初次建立模型筛选的气象因子)
进行分析可以得出影响白及潜在分布的最主要气
象因子ꎮ 从图 4 可以看出ꎬ tmin 4 (4 月最低气
温)、 tmin 10 (10月最低气温)、 bio 7 (年温度
变化范围)、 prec 11 (11月平均降水量) 四项气
象因子单独存在时ꎬ 所建立模型得分最高ꎬ 因
此ꎬ 这四项气象因子是影响白及潜在分布的最主
要气象因子ꎻ 而 bio 6 (最冷月最低温) 和 tmin
1 (1月最低气温) 单独存在时得分极低ꎬ 并且
遗漏掉 bio 6和 tmin 1 前后所建模型得分变化不
大ꎬ 这说明 bio 6和 tmin 1 对白及潜在分布影响
相对较小ꎻ 当分别遗漏掉 bio 4 (温度季节性变
化系数) 和 bio 18 (最暖季度降水量) 时ꎬ 遗漏
前后所建模型得分差距较大ꎬ 说明 bio 4 和 bio
18均含有影响白及分布的重要信息ꎮ
表 3 中国 32个省、 自治区、 直辖市各级白及适生区面积 (单位: km2)
Table 3 Suitable areas for Bletilla striata in China (Units: Square kilometers)
地区 Region
适生等级 Suitability scale
非适生区
Unsuitable
area
边缘适生区
Marginal
suitable
area
较适生区
Suitable
area
高适生区
High
suitable
region
地区 Region
适生等级 Suitability scale
非适生区
Unsuitable
area
边缘适生区
Marginal
suitable
area
较适生区
Suitable
area
高适生区
High
suitable
region
湖北 Hubei 169479 3802.08 1493.06 572.92 河北 Hebei 194948 104.16 33.72 33.72
湖南 Hunan 188993 3489 58 1232 64 312 5 山西 Shanxi 159392 156 25 86 81 17 36
江西 Jiangxi 148090 3368 06 1059 03 243 06 福建 Fujian 106997 781 25 190 97 17 36
四川 Sichuan 449896 3368 06 1614 58 208 33 辽宁 Liaoning 155347 34 72 0 0
云南 Yunnan 340087 2170 14 2256 94 121 53 上海 Shanghai 4548 61 138 89 69 44 0
浙江 Zhejiang 80997 2 2013 89 746 53 121 53 海南 Hainan 28628 5 17 36 52 08 0
重庆 Chongqing 33572 92 9722 22 520 83 69 44 内蒙古 Innor Mongoli 1289580 69 44 0 0
广东Guangdong 152743 1267 36 503 47 69 44 青海 Qinghai 713750 17 36 0 0
陕西 Shaanxi 202188 1250 434 03 52 08 北京 Beijing 17378 5 17 36 0 0
广西 Guangxi 206563 2031 25 590 28 52 08 黑龙江Heilong jiang 542361 17 36 0 0
江苏 Jiangsu 95781 3 815 97 243 06 52 08 台湾 Taiwan 30954 9 69 44 17 36 0
贵州 Guizhou 157025 1927 08 625 52 08 宁夏 Ningxia 52812 5 0 0 0
河南 Henan 166025 694 44 138 89 34 72 天津 Tianjin 12222 2 0 0 0
安徽 Anhui 132188 105 09 295 14 34 72 吉林 Jilin 212830 69 44 34 72 0
山东 Shandong 15144 1 659 72 312 5 34 72 新疆 Xinjiang 1754010 86 81 34 72 0
甘肃 Gansu 413854 364 58 138 89 34 72 西藏 Xizang 1142550 260 42 86 81 0
1422期 龚 晔等: 中国珍稀药用植物白及的潜在分布与其气候特征
图 2 中国白及潜在分布
Fig 2 Potential distribution of Bletilla striata in China
3 结论与讨论
本研究基于 MaxEnt 模型与 ArcGis 软件ꎬ 结
合白及地理分布信息和影响白及分布的主导气象
因子ꎬ 预测了中国白及的潜在分布ꎬ 获得了白及
的潜在适生区ꎬ 所建模型经 ROC 曲线验证ꎬ
AUC>0 9ꎬ 表明预测效果非常好ꎬ 能较准确的
反映中国白及潜在分布情况ꎮ 研究结果既可为制
定白及资源保护措施提供借鉴ꎬ 也可在做好白及
优良品种选育的基础上ꎬ 为白及人工栽培区域规
划提供一定的理论指导ꎮ
本研究表明ꎬ 白及潜在适生区主要位于秦
岭、 淮河以南部分地区ꎬ 包括云贵高原、 成都平
原、 长江中下游地区和珠江三角洲地区ꎮ 白及主
要适生区集中于湖北省东部的武汉市、 黄陂县一
带ꎬ 东南部的阳新县、 通山县一带以及西南部的
鹤峰县ꎬ 湖南省西北部的桑植县、 龙山县、 永顺
县、 大庸市境一带ꎬ 江西省中部的峡江县、 安福
县境内ꎬ 浙江北部的余杭县、 杭州市、 萧山市、
德清县、 诸暨市ꎮ 王晓敏等 (2011) 的研究表
明ꎬ 白及主要分布于我国的陕西、 甘肃、 江苏、
浙江、 安徽、 江西、 福建、 湖北、 湖南、 四川和
贵州等地ꎮ 周涛等 (2008) 研究表明白及主要
分布于我国长江流域及其以南地区ꎬ 如浙江、 江
西、 湖北、 湖南、 四川、 云南等地区均有分布ꎬ
中国白及的主产区是贵州的安龙、 水城、 兴义ꎬ
四川的内江、 温江、 西吕地区的木里藏族自治州ꎬ
湖南的大庸、 桑植ꎬ 湖北的咸宁、 鹤峰ꎬ 安徽的
图 3 湖北、 湖南、 江西、 浙江四省的白及适生等级
Fig 3 The suitable scales of Bletilla striata in Hubeiꎬ Hunanꎬ Jiangxi and Zhejiang
242 植 物 分 类 与 资 源 学 报 第 36卷
图 4 气象因子刀切法分析
bio 4ꎬ bio 6ꎬ bio 7ꎬ bio 11ꎬ bio 17分别指温度季节性变化系数ꎬ 最冷月最低温ꎬ 年温度变化范围ꎬ 最冷季度平均温度ꎬ 最干季度
降水量ꎻ prec 11指 11月降水量ꎻ tmax 10指 10月最高温ꎻ tmin 1ꎬ tmin 4ꎬ tmin 10分别指 1月ꎬ 4月ꎬ 10月最低温
Fig 4 The jacknife test of climate factors
Bio 4ꎬ bio 6ꎬ bio 7ꎬ bio 11ꎬ bio 17 are respectively for Temperature seasonalityꎬ Minimum temperature of coldest monthꎬ Temperature
annual rangeꎬ Mean temperature of coldest quarterꎬ Precipitation of driest quarter. Prec 11 is for Precipitation of Nov. Tmax 10 is
for Max temperature of Oct. Tmin 1ꎬ Tmin 4ꎬ Tmin 10 are respectively for Min temperature of Janꎬ Apr and Oct
滁县、 池州ꎬ 浙江的临泫ꎬ 江苏的江宁及陕西的
渭南等地ꎮ 除贵州、 江苏和陕西外ꎬ 这与本研究
结果基本吻合ꎬ 出现这种差异可能主要是由于划
分白及主要适生区所选择的划分标准和研究方法
不同ꎮ
在我国的大多数地区ꎬ 白及假鳞茎于 2 月出
芽ꎬ 4月开花ꎬ 花后进入快速生长期ꎬ 在秋季ꎬ V
形鳞茎开始营养器官的分化ꎬ 冬季倒苗ꎮ 本研究
得出的影响白及潜在分布的气象因子的重要性与
白及实际生长发育规律一致ꎮ 4 月份温度过低会
严重影响白及的生殖生长ꎬ 进而影响其挂果与后
续的生长ꎮ 温度的季节性变化会影响白及物候期ꎬ
尤其是影响其年生长期ꎬ 当年温度变化范围较大
时会缩短白及年生长期ꎬ 使其生长发育受阻ꎬ 这
可能是 bio 7作为最主要环境因子和 bio 4含有影
响白及分布的重要信息的原因ꎮ 在 10-11 月ꎬ 白
及假鳞茎膨大长成 V型ꎬ 且 V型假鳞茎两个尖端
开始花和叶的分化并长成可见的芽ꎬ 温度过低会
阻碍白及营养器官的分化及芽的形成ꎬ 而适量的
水分却与过低温度作用相反ꎬ 故在此期间最低温
度 tmin 10和 prec 11会制约白及后期的生长发育ꎮ
6月白及处于快速生长期ꎬ 该月最低温度相对其
他月份较高ꎬ 因此ꎬ bio 6 对白及的生长影响较
小ꎮ 1月白及处于休眠期ꎬ 土壤温度相对于地面
温度较高ꎬ 土壤能对其假鳞茎起到保护作用ꎬ 故
tmin 1对白及后续的发芽与生长影响较小ꎮ 夏季
白及处于快速生长期ꎬ 该季节降水量的多少将制
约白及假鳞茎的膨大及其他营养器官的生长ꎬ 这
充分说明了 bio 18含有影响白及分布的重要信息ꎮ
本研究选择了 131 处 “出现点” 数据ꎬ 其中
训练集为 131处ꎬ 可满足预测精度的要求 (Phil ̄
lips和 Dudíkꎬ 2008ꎻ Wisz等ꎬ 2008)ꎮ 而且在实际
应用中 MaxEnt模型大都较同类其他模型效果优良
(Li等ꎬ 2008ꎻ王运生等ꎬ 2007)ꎮ 与采用距离物种
实际分布最近气象台站的气候资料代替物种实际
分布地点的气候资料研究物种分布与气候关系的
方法相比 (洪必恭和李绍珠ꎬ 1981ꎻ 倪健和宋永
昌ꎬ 1997)ꎬ 本研究所建模型经过了 ROC 曲线评
价ꎬ 并且利用 ArcGis 软件分析处理数据ꎬ 使物
种分布数据和气候数据在每栅格单元上相对应ꎬ
有效地提高了数据的准确性ꎬ 使得研究出现的误
差尽可能降低ꎮ 然而ꎬ MaxEnt 模型反映的是物
种的基础生态位ꎬ 可以看作是一种偏生态位模型
(Wiley等ꎬ 2003)ꎬ 理想状态下的分布几乎不可
3422期 龚 晔等: 中国珍稀药用植物白及的潜在分布与其气候特征
能发生ꎬ 这时可能发生预测面积比实际分布面积
大的现象ꎻ 另一方面ꎬ 由于植物的自适应性、 人
为影响等原因ꎬ 使植物在超出原来基础生态位的
地区也能生存ꎬ 此时模拟物种分布面积比实际分
布面积小 (段居琦和周广胜ꎬ 2011)ꎮ 如何利用
最优的生态位模型和最适量的物种分布数据以及
最恰当的环境因子数据ꎬ 并且考虑到人类活动等
因素的影响ꎬ 得到最接近物种真实分布的结果ꎬ
这是我们今后研究工作中急需解决的问题ꎮ
致谢 感谢科技部科技惠民计划项目和上海市绿化和市
容管理局科学技术项目对本研究的大力支持ꎮ
〔参 考 文 献〕
曹向锋ꎬ 2007. 外来入侵植物黄顶菊在中国潜在适生区预测及其
风险评估 [D]. 南京: 南京农业大学ꎬ 1—83
武广华ꎬ 臧益秀ꎬ 刘运祥等ꎬ 2001. 中国卫生管理词典 [M]. 北
京: 中国科学技术出版社ꎬ 9
周涛ꎬ 江维克ꎬ 魏升华等ꎬ 2008. 野生白及的资源调查和利用现
状分析 / /中华中医药学会第九届中药鉴定学术会议论文集
[C]ꎬ 浙江ꎬ 260—269
Duan JQ (段居琦)ꎬ Zhou GS (周广胜)ꎬ 2011. Potential distribu ̄
tion and climate characteristics of Oryza sativa in China [ J] .
Acta Ecologica Sinica (生态学报)ꎬ 31 (22): 6659—6668
Feng YM (冯益明)ꎬ Liu HX (刘洪霞)ꎬ 2010. Potential Suitability
Analysis of Rhynchophorus ferrugineus (Olvier) in China Based
on Maxtent and GIS [J] . Journal of Huazhong Agricultural Uni ̄
versity (华中农业大学学报)ꎬ 29 (5): 552—556
Feng YM (冯益明)ꎬ Liang J (梁军)ꎬ Lu Q (吕权) et al.ꎬ 2009.
Potential Suitability Analysis of Hemiberlesia pitysophila Takagi
in China [ J] . Forest Research (林业科学研究)ꎬ 22 ( 4):
563—567
Guo SL (郭水良)ꎬ Gao PL (高平磊)ꎬ Lou YX (娄玉霞)ꎬ 2011.
Prediction of potential invasive range of quarantine weed Lactuca
serriolain in China by MaxEnt model [ J] . Journal of Shanghai
Jiaotong University (Agricultural Science) (上海交通大学学报
农业科学版)ꎬ 29 (5): 15—19
He ZJ (和志娇)ꎬ Lu LF (吕丽芬)ꎬ Yang LY (杨丽云) et al.ꎬ
2008. Genetic diversity of Bletilla Rchb. f. germplasms by ISSR
analysis [ J] . Southwest China Journal of Agricultural Sciences
(西南农业学报)ꎬ 21 (4): 1081—1085
Hong BG (洪必恭)ꎬ Li SZ (李绍珠)ꎬ 1981. The preliminary study
of the correlations between the distribution of main every green
broad ̄leaf tree species in Jiangsu and climate [J] . Acta Ecolog ̄
ica Sinica (生态学报)ꎬ 1 (2): 105—111
IPCCꎬ 2007. Climate Change 2007: Sythesis Report. Contribution of
Working Groups Iꎬ II and III to the Fourth Assessment Report of
the Intergovernmental Panel on Climate Change (Core Writing
Teamꎬ Pachauriꎬ R. K. and Reisingerꎬ A. eds.) IPCCꎬ Gene ̄
vaꎬ Switzerlandꎬ 1—104
Li MYꎬ Ju YWꎬ Sunil Kumar et al.ꎬ 2008. Modeling potential habi ̄
tats for alien species Dreissena polymorpha in Continental USA
[J] . Acta Ecologica Sinicaꎬ 28 (9): 4253—4258
Nabout JCꎬ Soares TNꎬ Diniz ̄Filho JAF et al.ꎬ 2010. Combining mul ̄
tiple models to predict the geographical distribution of the Baru
tree (Dipteryx alata Vogel) in the Brazilian Cerrado [J] . Ecolo ̄
gyꎬ 30 (11): 911—919
Ni J (倪健)ꎬ Song YC (宋永昌)ꎬ 1997. Relationships between geo ̄
graphical distribution of Cyclobalanopsis glauca and climate in
China [J] . Acta Botanica Sinica (植物学报)ꎬ 39 (5): 451—
460
Phillips SJꎬ Dudik Mꎬ Schapire REꎬ 2004. A maximum entropy ap ̄
proach to species distribution modeling / / Proceedings of the 21 st
International Conference on Machine Learningꎬ Banffꎬ Canada
Phillips SJꎬ Andetson RPꎬ Schapire REꎬ 2006. Maximum entropy
modeling of species geographic distribution [J] . Ecological Mod ̄
ellingꎬ 190: 231—259
Phillips SJꎬ Dudík Mꎬ 2008. Modeling of species distributions with
MaxEnt: new extensions and a comprehensive evaluation [ J] .
Ecographyꎬ 31 (2): 161—175
Qi XZ (齐增湘)ꎬ Xu WH (徐卫华)ꎬ Xiong XY (熊兴耀)ꎬ 2011.
Assessment of potential habitat for Ursus thibetanus in the Qinling
Mountains [J] . Biodiversity Science (生物多样性)ꎬ 19 (3):
343—352
Ren HZ (任华忠)ꎬ He YM (何毓敏)ꎬ Yang L (杨丽)ꎬ 2009. Re ̄
search progress of chemical composition and pharmacological ac ̄
tivity in Bletilla striata ( thunb.) Reichb Z [ J] . Asia ̄Pacific
Traditional Medicine (亚太传统医药)ꎬ 5 (2): 134—139
Shi J (石晶)ꎬ Luo YB (罗毅波)ꎬ Song XQ (宋希强) et al.ꎬ 2010.
Commercial investigation of Bletilla ( Orchidaceae ) in China
[J] . Chinese Horticulture Abstracts (中国园艺文摘)ꎬ 8: 48—50
Wang XM (王晓敏)ꎬ Wu MK (吴明开)ꎬ Luo XQ (罗晓青)ꎬ 2011.
Present Situation and Prospect of Bletilla striata [ J]. Guizhou
Agricultural Sciences (贵州农业科学)ꎬ 39 (3): 42—45
Wang Y SH (王运生)ꎬ Xie BY (谢炳炎)ꎬ Wan FH (万方浩) et
al.ꎬ 2007. Application of ROC curve analysis in evaluating the
performance of alien species ’ potential distribution models
[J] . Biodiversity Science (生物多样性)ꎬ 15 (4): 365—372
Wisz MSꎬ Hijmans RJꎬ Li J et al.ꎬ 2008. Effects of sample size on the
performance of species distribution models [ J] . Diversity and
Distributionsꎬ 14 (5): 763—773
Wiley EOꎬ McNyset KMꎬ Peterson AT et al.ꎬ 2003. Niche modeling
and geographic range predictions in the marine environment u ̄
sing a machine ̄learning algorithm [ J ] . Oceanographyꎬ 16
(3): 120—127
442 植 物 分 类 与 资 源 学 报 第 36卷