Predicting potential suitable distribution areas for Juniperus przewalskii in Qinghai Province of northwestern China based on the optimized MaxEnt model
-
摘要:目的
预测祁连圆柏在青海省的潜在分布区，为祁连圆柏林的经营管理和保护修复提供理论依据。
方法利用气候、地形、土壤、生态系统类型和人类活动强度5类环境变量，基于R语言Kuenm程序包优化后的MaxEnt模型预测祁连圆柏在青海的潜在分布区，并探讨影响祁连圆柏地理分布的主导环境因子及其适宜区间，同时应用2018—2020年青海省祁连圆柏林现地调查数据对预测结果进行准确性验证。
结果预测的祁连圆柏潜在分布区主要分布在青海东部、东北部和北部，适生区面积为3.20万km2，用于验证的现地调查小班均落入预测的适生区。祁连圆柏适宜生长的环境条件：气候（最热月份最高温15 ~ 22 ℃、最冷月最低温−23 ~ −15 ℃、年平均降水量300 ~ 600 mm、等温性 < 39%、降水季节性变异系数88 ~ 103），地形（海拔2 800 ~ 3 950 m、坡度12° ~ 18°、坡向（阳坡、半阳坡及半阴坡）），土壤（土壤有效水含量 > 0.4 mm/m、0 ~ 30 cm土层硫酸盐含量 < 0.2%），生态系统类型（农田、林地和草地生态系统）；祁连圆柏适宜分布区人类足迹指数 > 10。
结论优化后的MaxEnt模型可准确反映祁连圆柏的潜在适宜区分布情况。祁连圆柏地理分布是由地形、气温、降水、生态系统类型、土壤和人类活动等多种因素综合影响的结果，海拔是影响祁连圆柏在青海分布的主导环境因子。研究结果可为祁连圆柏造林适宜空间选择提供可靠的理论依据和实施方向，同时，分布区适宜性等级划分结果可为祁连圆柏林的经营管理和保护修复决策提供参考。
Abstract:ObjectiveThis paper aims to predict the potential distribution area of Juniperus przewalskii in Qinghai Province of northwestern China, and to provide a theoretical basis for the management, protection and restoration of J. przewalskii.
MethodThe potential distribution of J. przewalskii in Qinghai Province was predicted by a variety of environmental variables (climate, topography, soil, ecosystem and human activity intensity) based on the MaxEnt model optimized by the Kuenm package of R, and the dominant environmental factors and value ranges affecting the geographical distribution of J. przewalskii were discussed, and the accuracy of the prediction results was verified by the project team from 2018 to 2020 in the field survey of J. przewalskii resources in Qinghai Province.
ResultThe predicted suitable areas of J. przewalskii were mainly distributed in the eastern, northeastern and northern Qinghai Province, with a suitable area of 32 000 km2. From 2018 to 2020, sub-compartment for field investigations of J. przewalskii resources in Qinghai Province fell into the predicted suitable area, and the environmental conditions suitable for the growth of J. przewalskii, i.e. climate (max. temperature of the warmest month was 15−22 ℃, min. temperature of the coldest month was −23−15 ℃, annual mean precipitation was 300−600 mm, isothermality was < 39%, the variance of precipitation was 88 − 103), topography (elevation was 2 800−3 950 m, slope was 12°−18°, slope to sunny slope, semi-sunny slope and semi-shaded slope), soil (AWC range > 0.4 mm/m), topsoil gypsum < 0.2%), ecosystem type (farmland, forest land and grassland ecosystem). The human footprint index of J. przewalskii distribution area > 10.
ConclusionIn this study, the optimized MaxEnt model can accurately reflect the distribution of potential suitable areas of J. przewalskii. The geographical distribution of J. przewalskii is the result of the comprehensive influence of topography, temperature, precipitation, ecosystem type, soil and human activities, and altitude is the dominant environmental factor affecting the distribution of J. przewalskii in Qinghai Province. The research results can provide a reliable theoretical basis and implementation direction for the selection of suitable space for afforestation in J. przewalskii, and at the same time, the results of the suitability classification of distribution area can provide a reference for the management and protection and restoration decisions of J. przewalskii.
-
森林作为最重要的陆地生态系统，具有消减洪峰、涵养水源等生态服务功能，通常被称为“森林水库”[1]。森林水源涵养的能力主要体现在其枯落物层和土壤层[2]，是森林发挥水源涵养功能的主体部分[3]。枯落物是森林生态系统结构中重要的一环[4]。作为降水降落至地表面先于土壤接触到的部分，枯落物具有涵养水源、拦蓄降水与径流、维持土壤湿度等重要作用[5]。林地土壤层的水文效则通过自身蓄水能力和入渗特性所体现，对降水分配、水分循环和土壤流失等过程具有显著作用[6]。研究枯落物和土壤的水文特征，揭示枯落物和土壤与生态环境要素之间的定性与定量关系，对研究森林生态系统的水土保持能力，合理规划和利用水资源方面具有重要意义[7]。
国内外学者对不同区域、不同森林植被类型的枯落物和土壤水文效应进行了大量研究[8-10]，不同林分枯落物及土壤水文效应随立地条件、树种配置以及林分结构的变化而产生显著差异。近年来对冀北地区林地水源涵养功能的研究也取得一定成果，但多以完全郁闭的成熟林为研究对象，重点集中在不同林分类型、林分密度的比较研究[11-12]，相较于人工成熟林，人工幼龄林处于植被恢复的初期，也是目前人工抚育和经营管理的主要作业阶段，了解人工幼龄林的水源涵养能力，后期通过适宜的抚育方式和经营措施，优化林分结构，促进林木生长，抑制不利因素的发生，可为其发挥水源涵养主导功能提供支持，而目前对植被恢复下的不同人工幼龄林及其与灌木混交配置模式下的水源涵养功能研究甚少。
河北省崇礼区西沟流域植被稀少，大部分为荒山秃岭，且裸岩率较高[13]，加上人为不合理开垦、放牧，使得该地区已有植被被破坏，水土流失问题严重，导致该地区植被水源涵养等生态服务功能难以充分发挥，严重制约区域社会和经济发展。为恢复和改善生态环境，西沟流域自2009年以来，先后通过人工营造、自然恢复等手段，建设了大面积的针叶纯林及其与灌木的乔灌混交林。由于地处崇礼区冬奥场馆周边，如何快速且充分发挥人工针叶幼龄林及乔灌混交林的水源涵养与水土保持功能，对于保障崇礼赛区冬奥场馆的正常运营、改善冬奥场馆周边小流域生态环境尤为重要。因此，亟需对人工针叶幼龄林及其不同混交配置模式的生态服务功能进行深入研究。为研究项目实施后冬奥周边小流域的林地水源涵养能力，以崇礼区西沟−羊草沟流域的5种典型配置模式的人工针叶幼龄林为研究对象，定量分析和比较其枯落物层及土壤层的水源涵养能力，为冬奥会崇礼赛区乃至整个冀北地区人工林的恢复、经营和水源涵养、水土保持功能的研究提供理论依据和科学参考。
1. 研究区概况
研究区位于河北省张家口市崇礼区驿马图乡的羊草沟流域（图1），地处冀北接坝山区，属于清水河支流−崇礼西沟流域，清水河（永定河水系上游）源头即起源于此，地理坐标为41°04′05″ ~ 41°08′30″N，114°58′30″ ~ 115°02′30″E，海拔在1 084 ~ 1 575 m之间，属温带大陆性季风气候，地形大部分为山地，地势东高西低、北高南低，受地形影响，结霜期较晚，年均降雨量456.8 mm，全年降雨集中在6—9月，降雨时空分布不均。土壤以山地褐土和栗钙土为主。
![]()
图 1 研究区地理位置图Ⅰ.落叶松纯林，Ⅱ.樟子松纯林，Ⅲ.落叶松柠条混交林，Ⅳ.樟子松柠条混交林，Ⅴ.樟子松落叶松柠条混交林。下同。Ⅰ, Larix gmelinii pure forest；Ⅱ, Pinus sylvestris pure forest；Ⅲ, Larix gmelinii and Caragana korshins mixed forest；Ⅳ, Pinus sylvestris and Caragana korshins mixed forest；Ⅴ, Pinus sylvestris, Larix gmelinii and Caragana korshins mixed forest. Same as below.Figure 1. Geographical location map of the study area2010年开始在荒山荒坡内实施封山育林和人工造林相结合的植被恢复与重建，坝头山地以营造水土保持林、防风固沙林和水源涵养林为主；阴坡、半阴坡土层较厚的坡面以落叶松（Larix gmelinii）、樟子松（Pinus sylvestris var. mongolica）为主；阳坡、半阳坡土层较薄，树种设计以樟子松、油松（Pinus tabuliformis）为主；沟壑设计栽植沙棘（Hippophae rhamnoides）、杨树（Populus simonii var. przewalskii），乔灌混交达到7∶3。混交方式以不规则块状混交和班间混交为主，现已形成华北落叶松（Larix gmelinii var. principis-rupprechtii）针叶纯林、樟子松针叶纯林、华北落叶松柠条（Caragana korshinskii）混交林、樟子松柠条混交林、华北落叶松樟子松柠条混交林5种主要人工林地。灌木林地主要有山杏（Armeniaca sibirica）、沙棘（Hippophae rhamnoides）等。
2. 研究方法
2.1 样地调查
于2021年5月初，在流域内选取了代表该区域管理后植被恢复都为12年的5块面积为20 m × 20 m的标准样地，包括Ⅰ落叶松纯林、Ⅱ樟子松纯林、Ⅲ落叶松柠条混交林、Ⅳ樟子松柠条混交林、Ⅴ樟子松落叶松柠条混交林（图1），并对5种不同配置模式的造林地进行了野外调查，包括GPS定位、每木检尺调查，并记录了海拔、坡向、坡度、郁闭度以及林分密度等，生长季初期林下无草本生长。表1记录了5个采样点的植物种类和地形信息。
表 1 样地类型和基本特征Table 1. Sample plot types and basic characteristics林分类型
Forest stand type海拔
Altitude/m坡度
Slope/（°）林龄/a
Stand age/year树高
Tree height/mDBH/cm 林分密度/（株·hm−2）
Forest density/（tree·ha−1）Ⅰ 1 521 20 12 2.35 3.75 950 Ⅱ 1 493 22 12 2.21 4.17 1 075 Ⅲ 1 286 22 12 3.24 3.55 1 250 Ⅳ 1 569 22 12 3.52 4.37 1 275 Ⅴ 1 249 23 12 2.68 3.86 1 125 2.2 枯落物调查
枯落物储量调查在每个样地内都选取3个（坡上、坡中、坡下）面积为0.2 m × 0.2 m的小样方，用钢尺分别测量未分解层和半分解层的厚度并记录，分层取样后装入牛皮纸袋中进行称鲜质量，然后带回放入烘箱在105 ℃下烘12 h后称干质量。
枯落物持水测定采用室内浸泡法[14]进行枯落物持水量和持水速率的测定。
枯落物有效拦蓄量计算通过枯落物持水、蓄积量以及自然含水率[15]进行推算，得到枯落物的有效拦蓄量。
2.3 土壤调查
土壤物理性质测定采用剖面法，在每块样地内选取3个样点挖取土壤剖面，由于该地区土层较薄，且多为砾石，加上每个样地土层深度不同，为保证所有样地取土层相同，所以仅在0 ~ 10 cm的土层取环刀土样，并用环刀法[16]测定土壤密度、孔隙度等物理性质。
土壤入渗测定采用原状土双环法[17]测定土壤入渗，在每块样地随机选取3个样点进行试验。
2.4 数据处理
采用Excel 2016和SPSS 22.0软件进行数据处理，使用ArcGIS 10.4.1和Origin 2021进行做图，采用单因素方差分析进行差异显著性分析（P < 0.05）。
3. 结果与分析
3.1 不同配置模式的枯落物蓄积量
由表2可知：5种配置模式的枯落物总厚度处于5.10 ~ 6.70 mm之间，总蓄积量处于2.55 ~ 4.50 t/hm2之间，其大小排序为樟子松纯林（4.50 t/hm2） > 樟子松落叶松柠条混交林（3.81 t/hm2） > 樟子松柠条混交林（3.76 t/hm2） > 落叶松纯林（3.64 t/hm2） > 落叶松柠条混交林（2.55 t/hm2）。5种配置模式枯落物的半分解层蓄积量及厚度均小于对应未分解层的蓄积量及厚度，半分解层枯落物的蓄积量大小排序为樟子松纯林 > 樟子松柠条混交林 > 落叶松纯林 > 樟子松落叶松柠条混交林 > 落叶松柠条混交林；未分解层枯落物的蓄积量大小排序为樟子松纯林 > 樟子松落叶松柠条混交林 > 樟子松柠条混交林 > 落叶松纯林 > 落叶松柠条混交林，落叶松柠条混交林与3种有樟子松的林地都表现为差异显著（P < 0.05）。
表 2 不同配置模式的枯落物厚度及持水情况Table 2. Litter thickness and water holding capacity of different configuration models林分类型
Stand type枯落物层
Litter layer枯落物蓄积量/（t·hm−2）
Litter volume/（t·ha−1）枯落物厚度
Litter thickness/mmⅠ 半分解层 Semi-decomposed layer 1.68 ± 0.15a 2.60 ± 0.34ab Ⅱ 2.03 ± 0.32a 2.90 ± 0.29a Ⅲ 1.08 ± 0.06b 2.30 ± 0.15b Ⅳ 1.69 ± 0.49a 2.80 ± 0.17a Ⅴ 1.61 ± 0.35ab 2.70 ± 0.14ab Ⅰ 未分解层 Undecomposed layer 1.96 ± 0.12ab 3.30 ± 0.11b Ⅱ 2.47 ± 0.15a 3.80 ± 0.06a Ⅲ 1.47 ± 0.11b 2.80 ± 0.09c Ⅳ 2.07 ± 0.63a 3.30 ± 0.26b Ⅴ 2.20 ± 0.08a 3.50 ± 0.05b 注：同列不同小写字母表示同一分解状态下各处理间差异显著（P < 0.05）；表中数据为平均值 ± 标准差。下同。Notes: different lowercase letters in the same column indicate significant differences between treatments at the same decomposed layer(P < 0.05); the data in the table are mean ± standard deviation. The same below. 3.2 不同配置模式的枯落物持水能力
3.2.1 枯落物最大持水量和最大持水率
由表3可知：5种配置模式的枯落物总的最大持水率处于231.20% ~ 333.05%之间，其大小排序为樟子松落叶松柠条混交林 > 落叶松纯林 > 落叶松柠条混交林 > 樟子松柠条混交林 > 樟子松纯林。在半分解层和未分解层中，樟子松落叶松柠条混交林的枯落物最大持水率都为最大，分别是161.42%和171.63%，樟子松纯林的枯落物最大持水率都为最小，分别是126.70%和104.50%。
表 3 不同配置模式枯落物层的拦蓄能力Table 3. Interception capacity of litter layer of different configuration models林分类型
Stand type枯落物层 Litter layer 自然含水率
Natural moisture content/%最大持水率
Maximum water holding rate/%最大持水量/（t·hm−2）
Maximum water holding capacity/(t·ha−1)有效拦蓄率
Effective interception rate/%有效拦蓄量/（t·hm−2）
Effective interception capacity/(t·ha−1)Ⅰ 半分解层
Semi-decomposed layer15.09 ± 0.02ab 149.46 ± 40.02a 0.95 ± 0.32b 107.58 ± 40.33a 0.63 ± 0.04a Ⅱ 17.76 ± 0.03a 126.70 ± 33.18a 1.48 ± 0.34ab 92.60 ± 25.81a 0.70 ± 0.04a Ⅲ 15.09 ± 0.02ab 159.93 ± 50.38a 1.46 ± 0.35ab 123.52 ± 41.39a 0.71 ± 0.05a Ⅳ 17.76 ± 0.03a 151.23 ± 8.96a 1.30 ± 0.61a 123.59 ± 9.97a 0.68 ± 0.04a Ⅴ 11.01 ± 0.01b 161.42 ± 33.51a 1.33 ± 0.22ab 127.85 ± 27.67a 0.68 ± 0.05a Ⅰ 未分解层 Undecomposed layer 11.97 ± 0.04a 147.65 ± 27.28a 1.00 ± 0.07b 113.41 ± 25.04a 0.54 ± 0.02c Ⅱ 16.78 ± 0.06a 104.50 ± 11.61b 1.46 ± 0.41ab 74.56 ± 8.92b 0.71 ± 0.03b Ⅲ 11.97 ± 0.04a 120.11 ± 3.94b 1.17 ± 0.04ab 92.44 ± 2.58b 0.65 ± 0.03b Ⅳ 16.78 ± 0.06a 106.44 ± 5.14b 1.59 ± 0.33a 83.94 ± 3.93b 0.78 ± 0.04a Ⅴ 10.06 ± 0.02a 171.63 ± 9.42a 1.37 ± 0.16ab 137.33 ± 6.79a 0.69 ± 0.04b 枯落物总的最大持水量处于1.95 ~ 2.94 t/hm2之间，其大小排序为樟子松纯林 > 樟子松柠条混交林 > 樟子松落叶松柠条混交林 > 落叶松柠条混交林 > 落叶松纯林。在半分解层中，樟子松纯林的枯落物最大持水量最大，为1.48 t/hm2，而落叶松纯林最小，为0.95 t/hm2，5种配置模式之间无显著差异；在未分解层中，樟子松 柠条混交林的枯落物最大持水量最大，为1.59 t/hm2，而落叶松纯林最小，为1.00 t/hm2，樟子松柠条混交林和落叶松纯林差异显著（P < 0.05）。
3.2.2 枯落物有效拦蓄量
由表3可知：5种配置模式的有效拦蓄量处于1.17 ~ 1.46 t/hm2之间，其大小排序为樟子松柠条混交林 > 樟子松纯林 > 樟子松落叶松柠条混交林 > 落叶松柠条混交林 > 落叶松纯林。在半分解层中落叶松柠条混交林的枯落物有效拦蓄量最大，落叶松纯林的最小；在未分解层中樟子松柠条混交林的枯落物有效拦蓄量最大，落叶松纯林的最小。方差分析表明5种配置模式的有效拦蓄量在半分解层和未分解层的显著性与最大持水量一致，即5种配置模式在半分解层之间无显著差异，在未分解层樟子松纯林，落叶松柠条混交林和樟子松落叶松 柠条混交林之间无显著差异，但他们与另外两种配置模式之间差异显著（P < 0.05）。
3.2.3 枯落物持水过程
5种配置模式的枯落物半分解层和未分解层的持水过程变化趋势总体上大致相同（图2），在2 h内都快速上升，2 h后上升的速率逐渐减小，直到8 h后逐渐趋于稳定，在浸泡12 h时都已趋于饱和状态。对不同配置模式枯落物持水量和浸水时间进行统计分析，得出5种林分的关系式为（表4）Q = alnt + b，式中：Q为枯落物持水量（g/kg），t为枯落物浸水时间（h），a、b为方程系数[18]。
![]()
图 2 5种配置模式枯落物持水过程Figure 2. Water-holding process of litter in five configuration models表 4 不同配置模式枯落物层持水量、吸水速率与浸水时间的关系式Table 4. Relationship between water holding capacity, water absorption rate and immersion time ofdifferent configuration models in litter layers林分类型
Stand type枯落物层
Litter layer持水过程
Water holding procedure吸水过程
Water absorption procedure回归方程
Regression equationR2 回归方程
Regression equationR2 Ⅰ 半分解层 Semi-decomposed layer Q = 138.28lnt + 1 087.4 0.989 4 V = 5 632.4t−1.822 0.951 1 Ⅱ Q = 137.38lnt + 883.7 0.964 1 V = 4 335.3t−1.770 0.947 1 Ⅲ Q = 96.27lnt + 1 310.4 0.980 1 V = 5 740.4t−1.758 0.944 5 Ⅳ Q = 121.49lnt + 1 051.0 0.979 1 V = 1 379.5t−0.935 0.999 7 Ⅴ Q = 191.92lnt + 1 185.7 0.951 3 V = 5 560.5t−1.837 0.948 5 Ⅰ 未分解层 Undecomposed layer Q = 133.70lnt + 1 100.7 0.976 6 V = 5 780.1t−1.829 0.948 7 Ⅱ Q = 107.70lnt + 745.9 0.971 9 V = 3 714.6t−1.786 0.946 0 Ⅲ Q = 88.59lnt + 920.2 0.958 7 V = 6 793.0t−1.840 0.953 6 Ⅳ Q = 86.81lnt + 824.8 0.977 2 V = 5 102.8t−1.887 0.957 3 Ⅴ Q = 153.35lnt + 1 286.5 0.970 5 V = 4 444.9t−1.862 0.951 9 3.2.4 枯落物吸水过程
由图3可知：5种配置模式的枯落物吸水速率变化规律基本一致，在2 h内最大且快速下降，2 h后吸水速率逐渐减慢，到6 h后逐渐趋于稳定，24 h时已经接近零。对不同配置模式枯落物吸水速率和浸水时间进行统计分析，得出5种配置模式的关系式为（表4）V = mtn，式中：V为枯落物吸水速率，g/（kg·h）；t为枯落物浸水时间，h；m为方程系数；n为指数[19]。
![]()
图 3 枯落物层吸水速率与浸水时间的关系Figure 3. Relationship between water absorption rate and immersion time in litter layer3.3 土壤水文物理性质
3.3.1 土壤物理性质及持水能力
由表5可知：5种配置模式的土壤密度大小排序为落叶松纯林 > 樟子松纯林 > 落叶松柠条混交林 > 樟子松柠条混交林 > 樟子松落叶松柠条混交林。5种配置模式的土壤总孔隙度大小排序为：樟子松落叶松柠条混交林 > 樟子松柠条混交林 > 落叶松柠条混交林 > 樟子松纯林 > 落叶松纯林。樟子松落叶松柠条混交林的非毛管孔隙度和毛管孔隙度都最大，分别为7.93%和33.16%，落叶松纯林的非毛管孔隙度和毛管孔隙度都最小，分别为3.25%和28.19%。
表 5 不同配置模式土壤层的土壤持水及物理性质Table 5. Soil water holding capacity and physical properties of soil layers in different configuration models林分类型
Stand type土壤密度
Soil density/
（g·cm−3）非毛管孔隙度
Non-capillary porosity/%毛管孔隙度
Capillary porosity/%总孔隙度
Total porosity/%最大持水量/（t·hm−2）
Maximum water holding capacity/(t·ha−1)毛管持水量/（t·hm−2）
Capillary water holding capacity/(t·ha−1)有效持水量/（t·hm−2）
Effective water holding capacity/（t·ha−1）Ⅰ 1.62 ± 0.07a 3.25 ± 0.26b 28.19 ± 0.46b 31.44 ± 0.63b 516.21 ± 6.04b 468.45 ± 2.54b 47.76 ± 4.60b Ⅱ 1.56 ± 0.12ab 3.58 ± 0.52b 28.33 ± 1.28b 31.91 ± 1.80b 529.40 ± 13.21ab 477.28 ± 13.79ab 52.12 ± 2.88b Ⅲ 1.44 ± 0.02bc 5.14 ± 0.28ab 28.51 ± 0.87b 34.11 ± 1.51ab 550.89 ± 20.75ab 474.45 ± 18.70ab 76.44 ± 2.05a Ⅳ 1.42 ± 0.02bc 5.60 ± 0.75ab 29.27 ± 0.54ab 34.42 ± 0.33ab 557.10 ± 7.57ab 475.87 ± 3.43ab 81.23 ± 4.18a Ⅴ 1.20 ± 0.03c 7.93 ± 0.38a 33.16 ± 0.44a 41.09 ± 0.63a 645.36 ± 10.07a 558.57 ± 6.99a 86.79 ± 6.10a 5种配置模式土壤的最大持水量处于516.21 ~ 645.36 t/hm2，其大小排序为：樟子松落叶松柠条混交林 > 樟子松柠条混交林 > 落叶松柠条混交林 > 樟子松纯林 > 落叶松纯林，这与土壤总孔隙度、毛管孔隙度和非毛管孔隙度的变化规律一致。林地内有效持水量处于47.76 ~ 86.79 t/hm2之间，其中樟子松落叶松柠条混交林的有效持水量最大，是落叶松纯林的有效持水量的1.82倍。
方差分析表明：整体上，樟子松落叶松柠条混交林和2种纯林配置模式的土壤水文物理性质差异显著（P < 0.05），混交配置模式表现为樟子松落叶松柠条混交林和其他2种混交林配置模式的土壤水文物理性质无显著差异。
3.3.2 土壤入渗
由表6可知：5种配置模式的初渗速率和稳渗速率分别处于9.60 ~ 16.57 mm/min和2.10 ~ 5.34 mm/min之间。5种配置模式初渗速率和稳渗速率的大小排序都为：樟子松落叶松柠条混交林（Ⅴ） > 樟子松柠条混交林（Ⅳ） > 落叶松柠条混交林（Ⅲ） > 樟子松纯林（Ⅱ） > 落叶松纯林（Ⅰ）。樟子松落叶松柠条混交林初渗速率和稳渗速率分别是落叶松纯林初渗速率和稳渗速率的1.73倍和2.54倍。方差分析表明2种纯林和3种混交林配置模式的初渗速率差异显著（P < 0.05），且3种混交林配置模式的初渗速率之间差异显著（P < 0.05），落叶松纯林的稳渗速率与3种混交林配置模式都存在显著性差异（P < 0.05）。对土壤入渗的时间和速率进行拟合，得出二者符合幂函数关系：y = at−b，式中：y为入渗速率（mm/min）；a、b都为方程系数；t为入渗时间（min）。
表 6 不同配置模式的土壤渗透速率及模型Table 6. Soil infiltration rate and model of different configuration models林分类型
Stand type初渗速率
Initial infiltration rate/（mm·min−1）稳渗速率
Steady infiltration rate/（mm·min−1）回归方程
Regression equationR2 Ⅰ 9.60 ± 0.28d 2.10 ± 0.26c y = 8.97t−0.47 0.932 9 Ⅱ 10.04 ± 0.34d 3.39 ± 0.33bc y = 9.82t−0.31 0.929 1 Ⅲ 11.71 ± 0.36c 3.54 ± 0.31b y = 10.43t−0.35 0.955 3 Ⅳ 13.91 ± 0.42b 4.61 ± 0.39ab y = 10.65t−0.26 0.919 8 Ⅴ 16.57 ± 0.38a 5.34 ± 0.35a y = 11.65t−0.24 0.865 8 4. 讨 论
4.1 不同配置模式下枯落物的蓄积量
枯落物储量的大小受树种组成、林龄、水热环境、凋落量、分解速率、地表累积时间等要素的综合影响[20-21]。本研究中，5种配置模式的枯落物厚度和蓄积量各不相同，樟子松纯林由于自身结构较优且适应能力强，其厚度和蓄积量均为最大（表2）；5种配置模式下，枯落物的半分解层厚度和蓄积量均小于未分解层，这可能是由于所有树种都处于幼龄林阶段且分解时间较短，加上研究区总体降水量较低（401.6 mm/a），平均气温偏冷（3.5 ℃），且处于高寒半干旱地区，特定的地理气候环境导致枯落物累积和分解速率均较慢，这也与公博等[12]的研究结果一致。
4.2 不同配置模式下枯落物层的水文特征
枯落物的持水能力受树种、枯落物组成、蓄积量和分解速率等多重影响[22]。本研究中，5种配置模式的枯落物最大持水量、最大持水率以及有效拦蓄量的变化规律并不一致，这与枯落物的生物量及其自身结构有关[9]。总体而言，不论乔灌混交林还是纯林，樟子松林的枯落物持水量均偏大（表5），这可能是由于同龄樟子松本身适应能力强，生长状况更好，加之同龄樟子松叶片轮廓均大于落叶松，使得樟子松的外型与枯落物厚度较之同龄的落叶松均更大；另外一个可能原因是，樟子松林地的林分密度较高（表1），受林内环境因素的影响，樟子松林地的持水量均普遍较大。尽管枯落物持水量和吸水速率都与浸水时间呈现出较好的函数关系，但樟子松和落叶松林地持水和吸水变化规律与邓继峰等[23]、孙拥康等[24]的研究结果不同，这种差异可能与树种的生长阶段不同直接相关，也可能是区域、树种生物学特性等差异的影响所导致。
4.3 不同配置模式下土壤层的水文特征
由于不同森林植被类型生态学特性的差异，同一区域相同生境内，不同配置模式的土壤层蓄水渗透性能也表现出差异[6]。本研究中，5种配置模式的土壤水文物理性质变化规律一致，即3种混交配置模式的土壤物理性质和入渗性能均优于纯林，其中，樟子松落叶松柠条混交林在5种配置模式中均为最优，可能是由于樟子松 落叶松柠条混交林相对于其他4种配置，其树种组成，土壤层的腐殖物质以及根系生物量更为复杂多样（本研究测得樟子松落叶松柠条混交林的平均根质量密度最大，为2.13 kg/m3，落叶松纯林的平均根质量密度最小，为1.93 kg/m3）。腐殖物质和根系对土壤的改良调控作用导致土壤理化性质和入渗性能的变化显著。一方面，说明与柠条混交的配置模式对于林地土壤密度、孔隙度等土壤物理性质的提升显著，另一方面，说明樟子松和落叶松的混交配置模式产生的枯落物及其分解过程对林地蓄水能力提升有一定改善，三者的相互耦合，使得林地土壤的蓄水能力得到显著提高，从而为混交林地中不同植被的生长生存提供了更有利的土壤水文条件。这也与廖军[25]、公博等[12]的研究结论一致，不同配置模式的土壤水文物理性质存在一定的差异，混交林配置模式由于树种、枯落物组成以及根系分布更加复杂，比人工纯林有更强的水源涵养能力，可以有效地延缓地表径流的产生，减少水土流失，改善生态质量[26]。
5. 结 论
综合来看，樟子松落叶松柠条混交林的枯落物层和土壤层的水文性能都高于其他林地，即该人工林的水源涵养能力最强，足以说明树种选择和配置方式在人工林重建和恢复过程中的重要性，可以作为该地区首选的植被恢复模式。恢复方式对于新营造的森林结构和功能至关重要[27]，然而当前研究区人工林经营和抚育作业开展仍较少，大多以单次人工林营造为主，并且仍存在林分结构单一、不合理的现象。目前的恢复方式侧重于树种组成、结构、自然栖息地、生态系统过程和服务的恢复[28]。人工造林对生态系统服务功能的构建不仅与造林区域的气候与土壤有关[29]，也与造林树种、造林密度和经营管理措施的差异有关[30]。森林结构的复杂性在调节森林生态系统功能方面起着至关重要的作用，并强烈影响生物多样性[31]。林分空间结构是林分特征的重要研究内容之一，而林分结构对森林功能的发挥有重要影响作用[32]，混交林的林分结构相较于纯林更为复杂，物种更加丰富多样。因此，迫切需要加强人工林经营管理，根据不同的环境条件，充分考虑树种和配置模式，通过结构化森林经营技术[33-34]，实施针叶纯林改造技术，改善林分状态，提高林分稳定性。
-
![]()
图 3 祁连圆柏潜在分布环境变量重要性的刀切法检验
Figure 3. Jackknife on the importance of environmental variables for simulating potential geographical distribution of Juniperus przewalskii
![]()
图 4 祁连圆柏潜在地理分布概率与环境因子的关系
Figure 4. Relationship between environmental factors and the distribution probability of J. przewalskii
![]()
图 5 祁连圆柏在青海省的适宜分布区
Figure 5. Distribution of suitable areas of J. przewalskii in Qinghai Province
表 1 祁连圆柏地理坐标信息和环境变量信息来源
Table 1 Sources of geographic coordinate information and environmental variables of Juniperus przewalskii
数据类型 Data type 来源 Source 简称
Abbreviation网站 Website 祁连圆柏地理坐标信息
Geographic coordinate information
of Juniperus przewalskii全球生物多样性信息网络
Global Biodiversity Information FacilityGBIF https://www.gbif.org/ 中国国家标本资源平台
National Specimen Information InfrastructureNSII http://nsii.org.cn/2017/home.php 中国数字植物标本馆
National Plant Specimen Resource CenterNPSRC https://www.cvh.ac.cn 文献报道[26] Literature coverage 实地调查 field investigation 气候变量数据Bio1 ~ Bio19
Climate variable data Bio1−Bio19世界气候数据库
WorldclimWorldClim https://www.worldclim.org/ 地形变量数据
Topography variable data中国科学院资源环境科学数据中心
Resource and Environment Science and Data CenterRESDC https://www.resdc.cn/ 土壤变量数据
Soil variable data世界土壤数据库
Harmonized World Soil DatabaseHWSD https://www.fao.org/soils-portal/en/ 生态系统变量数据
Ecosystem variable data国家地球系统科学数据中心
National Earth System Science Data CenterNSTI http://www.geodata.cn/ 人类活动强度数据
Human activity intensity data国际地球科学信息网络中心
The Center for International Earth Science Information NetworkCIESIN http://www.ciesin.org/ 祁连圆柏林现地调查数据
Field survey data of Juniperus przewalskii项目组2018—2020年青海省祁连圆柏资源现地调查
The project team investigated the site of Juniperus przewalskii resources in Qinghai Province from
2018 to 2020
下载: 导出CSV
表 2 祁连圆柏分布模拟的24个环境因子
Table 2 24 environmental factors simulated by the distribution of Juniperus przewalskii
类型 Type 用于建模的变量 Variables for modeling 单位 Unit 代码 Code 气温
Air temperature等温性 Isothermality % BIO3 最热月份最高温 Max. temperature of the warmest month ℃ BIO5 最冷月份最低温 Min. temperature of the coldest month ℃ BIO6 降水
Precipitation年平均降水量 Annual mean precipitation mm BIO12 最干月份降水量 Precipitation of the driest month mm BIO14 降水量季节性变异系数 Precipitation seasonality (coefficient of variation) % BIO15 地形
Topography海拔 Elevation m ELEV 坡度 Slope ° SLOPE 坡向 Aspect ° ASP 土壤 Soil 土壤有效水含量 Soil available water content mm/m AWC_CLASS 0 ~ 30 cm土壤碳酸盐或石灰质量分数 0−30 cm topsoil calcium carbonate % T_CACO3 0 ~ 30 cm土壤硫酸盐含量 Sulfate content in 0−30 cm soil % T_CASO4 0 ~ 30 cm土壤阳离子交换能力 0−30 cm topsoil cation exchange capacity cmol/kg T_CEC_SOIL 0 ~ 30 cm土壤黏土含量 0−30 cm topsoil clay fraction % T_CLAY 0 ~ 30 cm土壤电导率 0−30 cm topsoil conductivity dS/m T_ECE 0 ~ 30 cm土壤可交换钠盐 0−30 cm topsoil exchangeable sodium salt % T_ESP 0 ~ 30 cm土壤碎石体积百分比 0−30 cm topsoil gravel volume percentage % T_GRAVEL 0 ~ 30 cm土壤有机碳含量 0−30 cm topsoil organic carbon % T_OC 0 ~ 30 cm土壤交换性盐基 0−30 cm topsoil exchangeable base cmol/kg T_TEB 0 ~ 30 cm土壤质地 0−30 cm topsoil texture T_TEXTURE 30 ~ 100 cm土壤硫酸盐含量 Sulfate content in 30−100 cm soil % S_CASO4 FAO90土壤分类系统土壤类型 Soil classification system soil type (FAO-90) SU_CODE90 生态系统 Ecosystem 农田(1)、林地(2)、草地(3)、水体与湿地(4)、荒漠(5)、 聚落(6)和其他生态系统(7)
Farmland(1), forestland(2), grassland(3), water body and wetlands(4), desert(5),
settlement(6) and other ecosystem(7)ECO 人类活动强度
Human activity intensity人类足迹指数 Human footprint index FHP
下载: 导出CSV
表 3 用于预测模型的环境因子重要性程度
Table 3 Importance level of environmental factors used for predicting models
% 代码
Code贡献率
Contribution rate置换重要值
Permutation importance value代码
Code贡献率
Contribution rate置换重要值
Permutation importance valueELEV 37.50 ± 1.92 49.57 ± 2.43 T_CEC_SOIL 0.24 ± 0.27 0.34 ± 0.35 SLOPE 24.95 ± 3.17 2.52 ± 0.73 T_CLAY 0.09 ± 0.05 0.30 ± 0.17 ECO 9.13 ± 1.97 0.75 ± 0.42 BIO14 0.07 ± 0.23 0.01 ± 0.01 BIO5 7.69 ± 0.82 28.45 ± 1.01 T_TEXTURE 0.05 ± 0.13 0 FHP 6.14 ± 6.05 0.08 ± 0.06 S_CASO4 0.05 ± 0.08 0.08 ± 0.06 AWC_CLASS 3.49 ± 0.73 1.18 ± 0.29 T_CACO3 0.03 ± 0.07 0.01 ± 0.02 T_CASO4 3.02 ± 0.99 0.30 ± 0.65 T_GRAVEL 0.01 ± 0.01 0.01 ± 0.02 BIO6 2.39 ± 1.37 9.53 ± 1.59 SU_CODE90 0 0 BIO12 1.95 ± 0.99 3.49 ± 0.41 T_ECE 0 0 BIO3 1.65 ± 1.13 0 T_ESP 0 0 ASP 0.98 ± 0.51 0.43 ± 0.19 T_OC 0 0 BIO15 0.58 ± 0.30 2.97 ± 0.81 T_TEB 0 0
下载: 导出CSV
表 4 祁连圆柏在各环境变量条件下的适生区面积预测
Table 4 Prediction of suitable area of J. przewalskii under various environmental variables
地市级行政区
Prefecture-level
administrative region县级行政区
County-level administrative region适生区
Suitable area面积
Area/104 km2占比
Ratio/%合计 Total 3.20 100.00 西宁市
Xining City湟中区、湟源县、大通回族土族自治县
Huangzhong District, Huangyuan County, Datong Hui and Tu Autonomous County0.52 16.34 海东市
Haidong City互助土族自治县、乐都区、平安区、化隆回族自治县、循化撒拉族自治县、
民和回族土族自治县 Tu Autonomous County of Huzhu, Ledu District, Ping’an
District, Hui Autonomous County of Hualong, Salar Autonomous County of Xunhua,
Minhe Hui and Tu Autonomous County0.82 25.49 海北藏族自治州
Haibei Xizang Autonomous
Prefecture祁连县、门源回族自治县、海晏县、刚察县
Qilian County, Menyuan Hui Autonomous County, Haiyan County, Gangcha County0.60 18.61 黄南藏族自治州
Huangnan Xizang Autonomous
Prefecture同仁市、泽库县、尖扎县、河南蒙古族自治县
Tongren City, Zeku County, Jianzha County, Mongolian Autonomous County of Henan0.40 12.36 海南藏族自治州
Hainan Xizang Autonomous
Prefecture共和县、贵南县、贵德县、同德县、兴海县
Gonghe County, Guinan County, Guide County, Tongde County, Xinghai County0.44 13.78 海西蒙古族藏族自治州
Haixi Mongolian and Xizang
Autonomous Prefecture德令哈市、乌兰县、都兰县、天峻县
Delingha City, Ulan County, Dulan County, Tianjun County0.25 7.87 果洛藏族自治州
Guoluo (Golog) Xizang
Autonomous Prefecture玛沁县、班玛县
Maqin County, Banma County0.14 4.51 玉树藏族自治州
Yushu Xizang Autonomous
Prefecture玉树市
Yushu City0.03 1.04
下载: 导出CSV
-
[1] 吴成基. 自然地理学[M]. 北京: 科学出版社, 2008: 271−282. Wu C J. Physical geography[M]. Beijing: Science Press, 2008: 271−282.
[2] Zhan Q Q, Zhao W, Yang M J, et al. A long-term record (1995—2019) of the dynamics of land desertification in the middle reaches of Yarlung Zangbo River Basin derived from Landsat data[J]. Geography and Sustainability, 2021, 2(1): 12−21.
[3] Li X L, Gao J, Zhang J, et al. Natural and anthropogenic influences on the spatiotemporal change of degraded meadows in southern Qinghai Province, West China: 1976−2015[J]. Applied Geography, 2018, 97: 176−183. doi: 10.1016/j.apgeog.2018.06.011
[4] 曹倩, 高庆波, 郭万军, 等. 基于MaxEnt模拟人类活动与环境因子对青藏高原特有植物祁连獐牙菜潜在分布的影响[J]. 植物科学学报, 2021, 39(1): 22−31. Cao Q, Gao Q B, Guo W J, et al. Impacts of human activities and environmental factors on potential distribution of Swertia przewalskii Pissjauk, an endemic plant in Qing-Tibetan Plateau, using MaxEnt[J]. Plant Science Journal, 2021, 39(1): 22−31.
[5] 董苏君, 马松梅, 张丹, 等. 新疆猪毛菜属植物多样性地理分布格局及其环境解释[J/OL]. 生态学报, 2023, 43(19): 1−10 [2023−09−01]. https://kns.cnki.net/kcms/detail/11.2031.0.20230515.1410.018.html. Dong S J, Ma S M, Zhang D, et al. Gegraphy distribution pattern and the enyironmental interpretation of plant species of Salsola genus in Xinjiang[J/OL]. Acta Ecologica Sinica, 2023, 43(19): 1−10 [2023−09−01]. https://kns.cnki.net/kcms/detail/11.2031.0.20230515.1410.018.html.
[6] Gibson L, Lee T M, Koh L P, et al. Primary forests are irreplaceable for sustaining tropical biodiversity[J]. Nature, 2011, 478: 378−381. doi: 10.1038/nature10425
[7] Gibson L, Lynam A J, Bradshaw C J A, et al. Near-complete extinction of native small mammal fauna 25 years after forest fragmentation[J]. Science, 2013, 341: 1508−1510. doi: 10.1126/science.1240495
[8] Bellard C, Bertelsmeier C, Leadley P, et al. Impacts of climate change on the future of biodiversity[J]. Ecology Letters, 2012, 15(4): 365−377. doi: 10.1111/j.1461-0248.2011.01736.x
[9] 张静, 陈志林, 侯晓巍, 等. 三江源区祁连圆柏群落物种多样性沿海拔梯度的变化格局[J]. 西北植物学报, 2020, 40(10): 1759−1767. Zhang J, Chen Z L, Hou X W, et al. Species diversity of Juniperus przewalskii community in Three River Headwater along altitude gradient[J]. Acta Botanica Boreali-Occidenta-lia Sinica, 2020, 40(10): 1759−1767.
[10] Peng J F, Gou X H, Chen F H, et al. Climate-growth relationships of Qilian juniper ( Sabina przewalskii) in the Anyemaqen Mountains, Tibet[J]. Climate Research, 2010, 41: 31−40. doi: 10.3354/cr00834
[11] Piao S L, Fang J Y, He J S. Variations in vegetation net primary production in the Qinghai-Xizang Plateau, China, from 1982 to 1999[J]. Climate Change, 2006, 74: 253−267. doi: 10.1007/s10584-005-6339-8
[12] Harris R B. Rangeland degradation on the Qinghai-Tibetan plateau: A review of the evidence of its magnitude and causes[J]. Journal of Arid Environments, 2010, 74(1): 1−12.
[13] 雷军成, 徐海根. 基于MaxEnt的加拿大一枝黄花在中国的潜在分布区预测[J]. 生态与农村环境学报, 2010, 26(2): 137−141. Lei J C, Xu H G. MaxEnt-based prediction of potential distribution of Solidago canadensis in China[J]. Journal of Ecology and Rural Environment, 2010, 26(2): 137−141.
[14] 唐燕, 赵儒楠, 任钢, 等. 基于MaxEnt模型的中华枸杞潜在分布预测及其重要影响因子分析[J]. 北京林业大学学报, 2021, 43(6): 23−32. Tang Y, Zhao R N, Ren G, et al. Prediction of potential distribution of Lycium chinense based on MaxEnt model and analysis of its important influencing factors[J]. Journal of Beijing Forestry University, 2021, 43(6): 23−32.
[15] 张童, 黄治昊, 彭杨靖, 等. 基于MaxEnt模型的软枣猕猴桃在中国潜在适生区预测[J]. 生态学报, 2020, 40(14): 4921−4928. Zhang T, Huang Z H, Peng Y J, et al. Prediction of potential suitable areas of Actinidia arguta in China based on MaxEnt model[J]. Acta Ecologica Sinica, 2020, 40(14): 4921−4928.
[16] 朱耿平, 乔慧捷. MaxEnt模型复杂度对物种分布区预测的影响[J]. 生物多样性, 2016, 24(10): 1189−1196. doi: 10.17520/biods.2016265 Zhu G P, Qiao H J. Effect of the MaxEnt model’s complexity on the prediction of species potential distributions[J]. Biodiversity Science, 2016, 24(10): 1189−1196. doi: 10.17520/biods.2016265
[17] Radosavljevic A, Anderson R P. Making better MaxEnt models of species distributions: complexity, overfitting and evaluation[J]. Journal of Biogeography, 2014, 41: 629−643. doi: 10.1111/jbi.12227
[18] Cobos M E, Peterson A, Tbarve N, et al. Kuenm: an R package for detailed development of ecological niche models using MaxEnt[J/OL]. Peer J, 2019, 7: e6281[2022−12−20]. https://doi.org/10.7717/peerj.6281.
[19] Fick S E, Hijmans R J. WorldClim 2: new 1-km spatial resolution climate surfaces for global land areas[J]. International Journal of Climatology, 2017, 37(12): 4302−4315. doi: 10.1002/joc.5086
[20] Fischer G, Nachtergaele F, Prieler S, et al. Global agro-ecological zones assessment for agriculture (GAEZ 2008)[J]. IIASA, Laxenburg, Austria and FAO, Rome, Italy, 2008, 10.
[21] 徐新良, 刘纪远, 张增祥, 等. 中国5年间隔陆地生态系统空间分布数据集(1990—2010)内容与研发[J]. 全球变化数据学报, 2017, 1(1): 52−59. Xu X L, Liu J Y, Zhang Z X, et al. A time series land ecosystem classification dataset of China in five year increments (1990−2010)[J]. Journal of Global Change Data & Discovery, 2017, 1(1): 52−59.
[22] Venter O, Sanderson E W, Magrach A, et al. Last of the wild project, Version 3 (LWP-3): 2009 human footprint, 2018 release[R/OL]. New York: NASA Socioeconomic Data and Applications Center (SEDAC)[2023−10−12]. https://doi.org/10.7927/H4H9938Z.
[23] Venter O, Sanderson E W, Magrach A, et al. Global terrestrial human footprint maps for 1993 and 2009[J]. Scientific Data, 2016, 3(1): 1−10.
[24] Warren D L, Glor R E, Turelli M. ENMTools: a toolbox for comparative studies of environmental niche models[J]. Ecography, 2010, 33: 607−611. doi: 10.1111/j.1600-0587.2009.06142.x
[25] Gacesa R, Kurilshikov A. Vich Vila A, et al. Environmental factors shaping the gut microbiome in a Dutch population[J]. Nature, 2022, 604: 732−739. doi: 10.1038/s41586-022-04567-7
[26] 张茜. 祁连圆柏的分子谱系地理学研究[D]. 兰州: 兰州大学, 2008. Zhang Q. Molecular phylogeography of Juniperus przewalskii (Cupressaceae) [D]. Lanzhou: Lanzhou University, 2008.
[27] 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. doi: 10.1016/j.ecoleng.2012.12.004
[28] Zhang M G, Zhou Z K, Chen W Y, et al. Major declines of woody plant species ranges under climate change in Yunnan, China[J]. Diversity and Distributions, 2014, 20(4): 405−415. doi: 10.1111/ddi.12165
[29] Phillips S J, Anderson R P, Dudík M, et al. Opening the black box: an open-source release of MaxEnt[J]. Ecography, 2017, 40(7): 887−893. doi: 10.1111/ecog.03049
[30] Shcheglovitova M, Anderson R P. Estimating optimal complexity for ecological niche models: a jackknife approach for species with small sample sizes[J]. Ecological Modelling, 2013, 269: 9−17. doi: 10.1016/j.ecolmodel.2013.08.011
[31] Phillips S J. A brief tutorial on MaxEnt [EB/OL][2020−12−04]. http://biodiversityinformatics.amnh.org/open_source/maxent/.
[32] Rong Z L, Zhao C Y, Liu J J, et al. Modeling the effect of climate change on the potential distribution of Qinghai spruce (Picea crassifolia Kom.) in Qilian Mountains[J/OL]. Forests, 2019, 10: 62[2023−01−23]. https://doi.org/10.3390/f10010062.
[33] 张伟萍, 胡云云, 李智华, 等. 气候变化情景下祁连圆柏在青海省的适宜分布区预测[J]. 应用生态学报, 2021, 32(7): 2514−2524. Zhang W P, Hu Y Y, Li Z H, et al. Predicting suitable distribution areas of Juniperus przewalskii in Qinghai Province under climate change scenarios[J]. Chinese Journal of Applied Ecology, 2021, 32(7): 2514−2524.
[34] Warren D L, Seifert S N. Ecological niche modeling in MaxEnt: the importance of model complexity and the performance of model selection criteria[J]. Ecological Applications, 2011, 21(2): 335−342. doi: 10.1890/10-1171.1
[35] Warren D L, Wright A N, Seifert S N, et al. Incorporating model complexity and spatial sampling bias into ecological niche models of climate change risks faced by 90 California vertebrate species of concern[J]. Diversity and Distributions, 2014, 20: 334−343. doi: 10.1111/ddi.12160
[36] 中国科学院中国植物志编辑委员会. 中国植物志[M]. 北京: 科学出版社, 1978: 375. Editorial Committee of Flora of China, Chinese Academy of Sciences. Flora of China[M]. Beijing: Science Press, 1978: 375.
[37] 中国科学院植物研究所系统与进化植物学国家重点实验室. iPlant 植物智−植物物种信息系统[EB/OL][2019−11−23]. http://www.iplant.cn/info/%E7%A5%81%E8%BF%9E%E5%9C%86%E6%9F%8F?t=f. Institute of Botany, the Chinese Academy of Sciences. State Key Laboratory of Systematic and Evolutionary Botany (LSEB). iPlant[EB/OL][2019−11−23]. http://www.iplant.cn/info/%E7%A5%81%E8%BF%9E%E5%9C%86%E6%9F%8F?t=f.
[38] 朱耿平, 刘强, 高玉葆. 提高生态位模型转移能力来模拟入侵物种的潜在分布[J]. 生物多样性, 2014, 22(2): 223−230. doi: 10.3724/SP.J.1003.2014.08178 Zhu G P, Liu Q, Gao Y B. Improving ecological niche model transferability to predict the potential distribution of invasive exotic species[J]. Biodiversity Science, 2014, 22(2): 223−230. doi: 10.3724/SP.J.1003.2014.08178
[39] Muscarella R, Galante P J, Soley-Guardia M. ENMeval: an R package for conducting spatially independent evaluations and estimating optimal model complexity for MAXENT ecological niche models[J]. Methods in Ecology and Evolution, 2014, 5: 1198−1205. doi: 10.1111/2041-210X.12261
[40] Leeuw J D. Information theory and an extension of the maximum likelihood principle by Hirotogu Akaike[J]. Department of Statistics Ucla, 1994, 87: 284−292.
[41] 叶利奇, 张伟皓, 叶兴状, 等. 基于MaxEnt模型的珙桐潜在分布预测及其重要影响因子分析[J]. 四川农业大学学报, 2021, 39(5): 604−612. Ye L Q, Zhang W H, Ye X Z, et al. Prediction of potential distribution area and analysis of dominant environmental variables of Davidia involucrate based on MaxEnt[J]. Journal of Sichuan Agricultural University, 2021, 39(5): 604−612.
[42] 张明珠, 叶兴状, 刘益鹏, 等. 基于SSPs 预测格木在中国的潜在地理分布[J]. 北京林业大学学报, 2022, 44(4): 54−65. Zhang M Z, Ye X Z, Liu Y P, et al. Predicting the potential geographical distribution of Erythrophleum fordii in China based on SSPs[J]. Journal of Beijing Forestry University, 2022, 44(4): 54−65.
[43] 王艳君, 高泰, 石娟. 基于MaxEnt模型对舞毒蛾全球适生区的预测及分析[J]. 北京林业大学学报, 2021, 43(9): 59−69. Wang Y J, Gao T, Shi J. Prediction and analysis of the global suitability of Lymantria dispar based on MaxEnt[J]. Journal of Beijing Forestry University, 2021, 43(9): 59−69.
[44] 郭飞龙, 徐刚标, 卢孟柱, 等. 基于MaxEnt模型分析胡杨潜在适宜分布区[J]. 林业科学, 2020, 56(5): 184−192. Guo F L, Xu G B, Lu M Z, et al. 2020. Prediction of potential suitable distribution areas for Populus euphratica using the MaxEnt model[J]. Scientia Silvae Sinicae, 2020, 56(5): 184−192.
[45] 邵雪梅, 黄磊, 刘洪滨, 等. 树轮记录的青海德令哈地区千年降水变化[J]. 中国科学: D 辑, 2004, 34(2): 145−153. Shao X M, Huang L, Liu H B, et al. Reconstruction of precipitation variation from tree rings in recent 1 000 years in Delingha, Qinghai[J]. Science in China: Series D, 2004, 34(2): 145−153.
[46] 刘录三, 邵雪梅, 梁尔源. 祁连山中部祁连圆柏生长与更新方式的树轮记录[J]. 地理研究, 2006, 25(1): 53−61. Liu L S, Shao X M, Liang E Y, et al. Tree ring records of Qilian Juniper’s growth and regeneration patterns in the central Qilian Mountains[J]. Geographical Research, 2006, 25(1): 53−61.
[47] 刘贤德, 王清忠, 孟好军. 祁连圆柏[M]. 北京: 中国科学技术出版社, 2006: 1−149. Liu X D, Wang Q Z, Meng H J. Qilian Juniper (Sabina przewalskii Kom.)[M]. Beijing: China Science and Technology Press, 2006: 1−149.
[48] 刘喜梅, 李海朝. 不同海拔高度祁连圆柏叶中挥发性成分的比较[J]. 北京林业大学学报, 2014, 36(1): 126−131. Liu X M, Li H C. Comparison of volatile components of Sabina przewalskii in different altitudes[J]. Journal of Beijing Forestry University, 2014, 36(1): 126−131.
[49] 戎战磊. 气候变化对祁连山优势物种分布和植被格局的影响[D]. 兰州: 兰州大学, 2019. Rong Z L. Effects of climate change on distribution of dominant species and pattern of vegetation in Qilian Mountains[M]. Lanzhou: Lanzhou University, 2019.
[50] Burke A. Classification and ordination of plant communities of the Naukluft Mountains, Namibia[J]. Journal of Vegetation Science, 2001, 12(1): 53−60. doi: 10.1111/j.1654-1103.2001.tb02616.x
[51] Gaston K J. Global patterns in biodiversity[J]. Nature, 2000, 405: 220−227. doi: 10.1038/35012228
[52] 唐志红, 尉秋实, 刘虎俊, 等. 祁连山东段高寒植被群落特征及其与地形气候因子关系研究[J]. 生态学报, 2020, 40(1): 223−232. Tang Z H, Yu Q S, Liu H J, et al. Characteristics of alpine vegetation community and its relationship to topographic climate factors in the eastern Qilian Mountain[J]. Acta Ecologica Sinica, 2020, 40(1): 223−232.
[53] 陈文年, 吴宁, 罗鹏. 氓江上游祁连山圆柏群落结构研究[J]. 应用生态学报, 2005, 16(2): 197−202. Chen W N, Wu N, Luo P. Sabina przewalskii community structure in the upper reaches of Minjiang River[J]. Chinese Journal of Applied Ecology, 2005, 16(2): 197−202.
[54] 高静, 单鸣秋, 丁安伟, 等. 柏科药用植物研究进展[J]. 中药材, 2008, 31(11): 1765−1769. Gao J, Shan M Q, Ding A W, et al. Advances in medicinal plants of Cupressaceae[J]. Journal of Chinese Medicinal Materials, 2008, 31(11): 1765−1769.
[55] 文陇英, 陈拓, 张满效, 等. 不同生境下祁连圆柏叶片色素和稳定碳同位素组成的变化[J]. 冰川冻土, 2010, 32(4): 823−828. Wen L Y, Chen T, Zhang M X, et al. Variations of pigments and stable-carbonisotope ratios in Sabina przewalskii under different environments[J]. Journal of Glaciology and Geocryology, 2010, 32(4): 823−828.
[56] Sillero N. What does ecological modelling model? a proposed classification of ecological niche models based on their underlying methods[J]. Ecological Modelling, 2011, 222(8): 1343−1346. doi: 10.1016/j.ecolmodel.2011.01.018
[57] Guo Y L, Li X, Zhao Z F, et al. Modeling the distribution of Populus euphratica in the Heihe River Basin, an inland river basin in an arid region of China[J]. Science China: Earth Sciences, 2018, 61(11): 1669−1684. doi: 10.1007/s11430-017-9241-2
-
期刊类型引用(0)
其他类型引用(9)
计量
- 文章访问数: 510
- HTML全文浏览量: 74
- PDF下载量: 88
- 被引次数: 9
