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