首页 > 论文范文 > 医药卫生论文 > 药学论文 > 中药学论文 > 基于最大熵模型和ArcGIS的夏枯草生境适宜性评价

基于最大熵模型和ArcGIS的夏枯草生境适宜性评价

2024-11-15 32 上传者：管理员

摘要：目的基于最大熵（MaxEnt）模型和地理信息系统软件ArcGIS筛选影响夏枯草生长的主要环境因子，预测其在中国的潜在适生区，为夏枯草人工栽培提供参考。方法收集346条夏枯草样点数据，结合38个环境因子数据，利用MaxEnt模型筛选影响夏枯草分布的主要环境因子，利用ArcGIS软件对夏枯草生境适宜性进行评估，分析全球和中国夏枯草适生区分布。结果影响夏枯草分布的主要环境因子为上层（0～30 cm）碎石体积百分比、土壤有效水含量、上层（0～30 cm）可交换钠盐、土壤单元中与农业用途有关的特定土壤类型、上层（0～30 cm）沙含量。夏枯草高适生区主要分布在云南、黑龙江、内蒙古东部、四川中部。结论本研究预测结果可为夏枯草引种栽培及资源可持续利用提供参考

关键词：
ArcGIS
夏枯草
最大熵模型
生态因子
适宜性评价
加入收藏

夏枯草为唇形科植物夏枯草Prunella vulgaris L.的干燥果穗，又称夏枯、铁线夏枯、夕句、乃东、九重楼，我国主要分布于河南、四川、湖北、湖南等地[1]。夏枯草生长周期较长，自3月开始，持续至10、11月，每年可进行2～3次采收[2]。夏枯草味辛、苦，性寒，归肝经、胆经[3]，具有抗炎、抗氧化、抗肿瘤等功效[4-8]。同时，夏枯草作为药食两用中药，是饮料、食品等的重要原料之一[9]。随着夏枯草资源多方面的开发利用，其市场需求量不断增大[10]。但由于生长环境遭到破坏，致使我国主要产区野生资源濒临枯竭；且大量引种栽培和种植过度集中化，导致夏枯草病虫害频发，影响其品质；同时，夏枯草生长分布及有效成分积累受多种环境因子影响[11]，土壤中无机物的积累与夏枯草生长和质量密切相关，因此不同产地夏枯草质量差异较大[12]。

最大熵（Max Ent）模型是一种生态位模型，因其适用性广、预测准确性高，被广泛用于评估物种生境适宜性[13-15]，已有学者对枸杞子、三七等中药的基原植物适生区域分布进行模拟研究[16-18]。本研究结合Max Ent模型和地理信息系统软件Arc GIS分析夏枯草生境适宜性，明确影响其分布的环境因子，为我国夏枯草种植生产的合理选址和资源保护提供参考。

1、资料与方法

1.1数据来源

检索全球生物多样性信息网络（https://www.gbif.org/）、中国数字植物标本馆（http://www.cvh.ac.cn/）、教学标本资源共享平台（https://mnh.scu.edu.cn/）数据库，并结合前期实验室采样基础及文献资料，获得夏枯草标本采集地信息[19]。通过降低空间自相关性和采样误差，剔除重复和距离过近样点[20]，得到夏枯草样点数据346条。样点分布见图1。

1.2环境因子

通过世界气候数据库（https://www.climate.gov/）、世界土壤数据库（https://www.fao.org/）获取全球气候及土壤数据，38个环境因子见表1。所有数据均使用Arc GIS软件转换为ASC格式[21]。地图数据来自国家地理信息公共服务平台天地图（https://www.tianditu.gov.cn/?type=1）。

1.3环境因子筛选

将获得的19个气候因子、19土壤因子和夏枯草分布样点数据分别导入Arc GIS10.8软件，对每个样点的环境因子进行提取，通过SPSS26.0进行Pearson相关性分析，保留相关系数>0.8的环境因子[22-23]，通过Max Ent模型多次运算，剔除贡献率为0的因子，最终确定17个环境因子（t＿gravel、awc＿class、add＿pro、t＿esp、t＿sand、t＿caco3、drainage、t＿teb、t＿clay、t＿silt、bio＿2、t＿oc、t＿ece＿clay、t＿texture、ref＿depth、bio＿12、t＿ph）参与模型预测分析。

图1夏枯草样点分布

表1 38个环境因子

1.4模型建立及评价

将346个夏枯草样点和17个环境因子数据导入Max Ent3.4.1软件，随机抽取25%数据作为测试集，75%数据作为训练集，采用交叉验证法进行分析，最大迭代次数设为500次，最大背景点数设为10 000个，其他参数为默认值。使用刀切法评估各环境因子贡献权重，结果以logistic格式输出[24]。以受试者工作特征（ROC）曲线下面积（AUC）评价模型预测结果准确度，其值越大表明模型预测准确度越高。0.9≤AUC<1.0为模型精度优秀，0.8≤AUC<0.9为模型精度良好，0.7≤AUC<0.8为模型精度一般，0.5≤AUC<0.7为模型精度较低。

1.5生境适宜性分析

采用Arc GIS软件将Max Ent模型输出结果转换为栅格文件，使用掩膜提取功能得到夏枯草在全球的适生概率分布图，参照联合国政府间气候变化专门委员会（IPCC）划分标准，将夏枯草适生区划分为4个等级：P<0.05为非适生区，0.05≤P<0.25为低适生区，0.25≤P<0.5为中适生区，P≥0.5为高适生区。

2、结果与分析

2.1模型精度预测

基于筛选后的环境因子构建Max Ent模型后重复运行10次得到的AUC值进行模型精度检验，结果显示，夏枯草适生区分布模型的训练集AUC和测试集AUC均大于0.8，表明模型预测精度良好，可用于夏枯草适生区分布研究。ROC曲线见图2。

图2夏枯草分布预测模型ROC曲线

2.2环境因子筛选结果

根据参与模型构建的17个环境因子的贡献率及置换重要值确定影响夏枯草分布的主要环境因子。结果表明，影响夏枯草分布的主要环境因子为上层（0～30 cm）碎石体积百分比、土壤有效水含量、上层（0～30 cm）可交换钠盐、土壤单元中与农业用途有关的特定土壤类型、上层（0～30 cm）沙含量，累积贡献率为78.6%。置换重要值前3位分别是上层（0～30 cm）碎石体积百分比、土壤单元中与农业用途有关的特定土壤类型、排水，累积贡献率为64.7%。根据贡献率可知，土壤因子对夏枯草生长贡献率远高于气候因子，表明土壤因子对夏枯草的适宜区分布影响较大。见表2。

表2影响夏枯草分布的主要环境因子

刀切法检验结果见图3。仅使用单一环境因子时对正规化训练增益影响最大的4个环境因子为上层碎石体积百分比、上层（0～30 cm）可交换钠盐、上层（0～30 cm）黏土含量、上层（0～30 cm）淤泥含量，表明这些环境因子可能是影响夏枯草地理分布的重要环境因子。不包含该变量时使正规化训练增益降低最多的环境因子是上层碎石体积百分比、土壤单元中与农业用途有关的特定土壤类型、排水，表明这3个环境因子具有其他因子中不存在的较多信息，在评价夏枯草生境适宜性时是不可或缺的因素。

图3影响夏枯草生态分布环境因子刀切图

综合贡献率和贡献率差值分析，选取上层（0～30 cm）碎石体积百分比、土壤有效水含量、上层（0～30 cm）可交换钠盐、土壤单元中与农业用途有关的特定土壤类型、上层（0～30 cm）沙含量5个环境因子进一步分析研究。通过Max Ent模型分析绘制不同环境因子对夏枯草存在概率的响应曲线，存在概率越大代表环境因子范围越适宜夏枯草生长。5个环境因子响应曲线见图4。

由图4可知，存在概率在上层（0～30 cm）碎石体积百分比响应曲线、上层（0～30 cm）可交换钠盐响应曲线、上层（0～30 cm）沙含量响应曲线峰值左侧急剧上升，表明夏枯草对土壤中碎石体积占比、可交换钠盐含量及沙含量反应较灵敏，而存在概率在峰值右侧急剧下降，表明上层（0～30 cm）碎石体积百分比在13.33%、可交换钠盐含量在1.52%、上层（0～30 cm）沙含量在46.41%以上时对夏枯草生长有抑制作用。由土壤有效水含量响应曲线可知，夏枯草对干旱天气耐受性较好。土壤单元中与农业用途有关的特定土壤类型在0.03以上时存在概率急剧下降，表明其值过大对夏枯草生长有抑制作用。综合分析，夏枯草适宜生长在含有碎石、沙砾、较为干燥的地区。

存在概率>0.5时对应的环境因子数值有利于夏枯草生长，根据5个环境因子响应曲线，上层（0～30 cm）碎石体积百分比是影响夏枯草分布的重要因素，适宜范围为4.09%～13.33%，土壤有效水含量适宜范围为0.40%～1.11%，上层（0～30 cm）可交换钠盐适宜范围为70～119 mm，土壤单元中与农业用途有关的特定土壤类型适宜范围为-0.30～0.03，上层（0～30 cm）沙含量适宜范围为22.41%～46.41%。

图4影响夏枯草分布主导环境因子响应曲线

2.3生境适宜性预测

2.3.1全球适生区预测

夏枯草全球适生区划分结果见图5。在全球范围内夏枯草主要分布在欧洲、非洲各地，适生区总面积约3.09×108km2，其中高适生区主要分布在亚洲等地，面积为5.82×107km2，占18.83%；中适生区主要分布在北美洲和欧洲等地，面积为8.28×107km2，占26.80%；低适生区主要分布在非洲、大洋洲等地，面积为1.68×108km2，占54.37%。

2.3.2中国适生区预测

我国夏枯草主要分布在东北平原及华中、华南、华中等地（见图6），适生区总面积约为7.72×106km2（见表3）。其中高适生区面积为3.16×106km2，主要分布在云南（除部分东部地区）、黑龙江全域、内蒙古东部、四川中部等地；中适生区面积为2.12×106km2，主要分布在新疆西部、内蒙古中部及东部、黑龙江东部、西藏东部等地，低适生区面积为2.43×106km2，主要分布在新疆北部及南部、甘肃北部、西藏东部、内蒙古西部等地。

图5全球夏枯草适生区分布

注：审图号GS(2016)1663号

图6我国夏枯草适生区分布

表3我国夏枯草适生区面积

3、讨论

本研究基于Max Ent模型结合Arc GIS软件预测夏枯草在全球范围内的潜在分布区，模型评价所得训练集、测试集AUC值均大于0.8，由此判断该模型精度较高、拟合效果较好。但模型预测结果不能代替实际分布，模型运算随机选取测试集可能存在误差，ROC曲线只能在一定程度上反映模型精确度，实际分布还受其他环境因素及人为影响，故本研究模型预测结果仅为实际分布提供参考。

前期分析发现，当加入气候因子后模型精度下降，推测可能是气候变量对夏枯草生境分布影响较小，因此在建模时剔除。参与模型构建的17个环境因子大多为土壤因子，且根据模型预测结果可知，影响夏枯草潜在分布的前5位环境因子为上层（0～30 cm）碎石体积百分比、土壤有效水含量、上层（0～30 cm）可交换钠盐、土壤单元中与农业用途有关的特定土壤类型、上层（0～30 cm）沙含量，气候因子只有2个且贡献度较低，表明土壤因子较气候因子对夏枯草潜在分布影响更大。除气候因子、土壤因子外，地形、植被类型、二氧化碳浓度等也是影响物种适宜性的重要因素，应用的环境因子不全面会导致模型预测结果出现偏差。因此，应适当组合多类型的变量用于生境适宜性模拟，以提高该模型的总体精度，使结果更加准确。

综上所述，本研究对影响夏枯草生长的主要环境因子进行分析，并预测夏枯草在中国及全球的适生区分布，可为夏枯草的栽培种植和生态环境保护提供参考。

参考文献:

[1]皮胜玲,闫庆梓,张凯强,等.不同产地夏枯草野生品与栽培品质量比较研究[J].中药材,2017,40(3):557-561.

[2]王明辉,陈展鹏,蔡正军,等.湖北大别山道地药材夏枯草-菊花绿色高效轮作栽培模式研究[J].中国现代中药,2020,22(11):1863-1865,1887.

[3]国家药典委员会.中华人民共和国药典:一部[M].北京:中国医药科技出版社,2020:292.

[4]崔体圣,苗明三.夏枯草的化学､药理及临床应用探讨[J].中医学报,2014,29(3):386-388.

[7]赵一丹,杨静.夏枯草主要化学成分抗肺癌作用机制研究进展[J].医学信息,2022,35(9):42-45.

[9]申金贤.加多宝里的“夏枯草”[J].解放军健康,2020(1):28.

[10]皮胜玲,胡玉珍,彭曦,等.野生与栽培夏枯草HPLC指纹图谱研究及模式识别分析[J].中国药学杂志,2017,52(5):367-371.

[11]黄宽,付鹏,林艾和,等.不同产地夏枯草HPLC指纹图谱及化学模式识别研究[J].中华中医药学刊,2021,39(12):124-128,后插16.

[12]皮胜玲.野生与栽培夏枯草质量比较研究[D].长沙:湖南中医药大学,2021.

[13]万柄麟,秦委,张虹,等.基于最大熵模型和地理信息系统的风轮菜适生区预测[J].中国中医药信息杂志,2022,29(10):1-4.