留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

黄檀属珍稀树种未来适宜区变化预测

陈禹衡 ,  陆双飞 ,  毛岭峰

downloadPDF
文章导航 > 浙江农林大学学报  > 2021 >  38(4): 837-845
杨虹, 龙飞, 朱臻, 等. 抵消机制背景下企业森林碳汇需求价格模拟[J]. 浙江农林大学学报, 2021, 38(1): 173-183. DOI: 10.11833/j.issn.2095-0756.20200306
引用本文: 陈禹衡, 陆双飞, 毛岭峰. 黄檀属珍稀树种未来适宜区变化预测[J]. 浙江农林大学学报, 2021, 38(4): 837-845. DOI: 10.11833/j.issn.2095-0756.20200522
shu
YANG Hong, LONG Fei, ZHU Zhen, et al. Demand price simulation of forest carbon sink of enterprises based on offset mechanism[J]. Journal of Zhejiang A&F University, 2021, 38(1): 173-183. DOI: 10.11833/j.issn.2095-0756.20200306
Citation: CHEN Yuheng, LU Shuangfei, MAO Lingfeng. Prediction of future changes in suitable distribution area for rare tree species of Dalbergia[J]. Journal of Zhejiang A&F University, 2021, 38(4): 837-845. DOI: 10.11833/j.issn.2095-0756.20200522
shu

黄檀属珍稀树种未来适宜区变化预测

DOI: 10.11833/j.issn.2095-0756.20200522
  • 1.

    南京林业大学 生物与环境学院，江苏 南京 210037

  • 2.

    西南林业大学 林学院，云南 昆明 650224

基金项目: 国家自然科学基金资助项目(31870506)
详细信息
    作者简介: 陈禹衡(ORCID: 0000-0003-0677-7470)，从事森林生态学研究。E-mail: edenchen1226@outlook.com
    通信作者: 毛岭峰(ORCID: 0000-0002-2884-135X)，教授，博士生导师，从事森林生态学研究。E-mail: maolingfeng2008@163.com

  • 中图分类号: S948.2

Prediction of future changes in suitable distribution area for rare tree species of Dalbergia

  • 1.

    College of Biology and the Environment, Nanjing Forestry University, Nanjing 210037, Jiangsu, China

  • 2.

    School of Forestry, Southwest Forestry University, Kunming 650224, Yunnan, China

HTML全文

  • 摘要:   目的  黄檀属Dalbergia树种具有很高的经济价值，但物种野外种群受到了严重的破坏。随着气候变化的加剧，该属物种分布存在着较高的不确定性，迫切需要深入认识这些物种未来分布的趋势，以便更好地进行保护。  方法  利用最大墒(MaxEnt)模型，基于当前气候环境，对列入中国生物多样性红色名录的7种黄檀属珍稀乔木树种在中国的适宜分布区进行了预测，并对未来不同气候情景下其分布区的变化进行了分析。  结果  年平均温度、等温性、气温季节变动系数、最热季降水量、最干月降水量、最干季降水量、土壤碳酸盐含量与坡度是影响7种黄檀属珍稀乔木适宜区分布模拟的关键环境因子。黄檀属珍稀乔木除黄檀D. hupeana外均将在未来获得更大的适宜分布区。黄檀的适宜分布区面积与最适分布区面积则均有所减小，其中适宜分布区面积将减小30.8%，最适分布区则将缩小49.3%。  结论  由于分布区存在差异，同属不同物种的未来分布对气候变化的响应不同，未来的保护工作应当集中在黄檀等适宜分布区缩小的物种上。表3参39
    Abstract:   Objective  Dalbergia has high economic value and its wild population has been seriously damaged. With the aggravation of climate change, the population distribution of Dalbergia is highly uncertain. Therefore, it is urgent to understand the future development trend of the species for better protection.   Method  Based on the current climate and environment factors, the suitable distribution areas of 7 rare tree species of Dalbergia listed in the China biodiversity red list were predicted by using the MaxEnt model, and the changes of distribution areas under different climate scenarios in the future were analyzed.   Result  The annual mean temperature, isothermal property, seasonal variation coefficient of air temperature, precipitation in the hottest season, precipitation in the driest month, precipitation in the driest season, soil calcium carbonate content and slope were the key environmental factors affecting the distribution simulation of 7 species of Dalbergia rare trees. Except D. hupeana, the rare trees of Dalbergia would obtain more suitable distribution area in the future. The suitable distribution area and optimum distribution area of D. hupeana decreased by 30.8% and 49.3% respectively.  Conclusion  The future distribution of different species of the same genus has different responses to climate change due to the differences in distribution areas, so the future conservation efforts should focus on species such as D. hupeana, which are suitable for reduced distribution area. [Ch, 3 tab. 39 ref.]

  • 气候问题日益突出，世界各国已达成减少二氧化碳排放以改善气候问题的共识。中国作为碳排放大国之一，需向世界完成减排温室气体的承诺，承受着来自国内外的巨大压力。对强制性或自愿减排仍达不到减排要求的状况，碳排放权交易是有效且低成本的市场手段[1]。建立碳交易市场等碳排放平衡机制，能更加公平有效地实现中国碳减排目标[2]，引导企业选择科学的减排路径[3]，有利于企业在不影响经济发展的情况下完成减排任务[4]，同时抵消机制的引入使得碳交易中的部分资金流向林业，促进林业发展[5]。现阶段通过改变能源结构减排的空间不大[6]，应重视其他的节能减排方式。中国森林资源丰富，以森林碳汇抵消碳排放作为减排途径之一是合适的。自2011年开展7个碳排放权交易试点以来，2012年提出要加强电力、煤炭、钢铁、石油石化、化工、建材行业的工业节能，并于2017年正式启动全国碳排放权交易市场。电力作为最先启动的重点减排行业，1 700余家发电企业已正式纳入碳市场，其他行业将陆续启动，现阶段是全国碳市场发展的重要节点。在全球气候变暖和碳排放权(森林碳汇)交易市场启动已成为客观事实的背景下，企业作为节能减排主体，当其不能或因成本过高不愿通过购买设备、更新技术等手段实施工业碳减排，企业将选择通过购买价格较低的森林碳汇来达到减排目标[7]。由于不同地区的环境政策、经济发展水平，不同行业的减排要求，不同企业的管理方式、减排技术水平不同，势必导致各企业的碳边际减排成本存在差异，对森林碳汇的需求价格(本研究指企业愿意通过购买森林碳汇进行减排而非工业减排的最高价格)也不同。碳交易市场上的交易价格受市场需求、当地经济发展、政策鼓励程度等因素影响而有所不同。目前，7个碳排放权交易试点相差较大，若企业通过工业减排的单位成本高于碳汇市场上森林碳汇的单位价格则会进行购买，反之不会进行碳汇交易。由此可见，在允许通过森林碳汇来抵消企业碳排放的情况下，碳汇市场交易价格与企业工业碳边际减排成本的差异将决定企业是否会选择购买森林碳汇来进行碳抵消，直接影响未来森林碳汇的交易。同时，政府是宏观经济管理者，需有效合理地引导企业科学选择减排途径。目前，碳减排政策主要可分为政府引导的政策和市场主导的政策[8]。适当的补贴政策、合理的碳税及明确的碳抵消比例和范围能更好地激励企业进行减排。已有文献大多将政府引导和市场主导的政策共同对比研究，研究主要集中在碳汇补贴和碳税政策方面，且研究发现，综合运用碳减排政策能带来更好的减排和经济效应[9]，而不确定的碳减排政策会造成收益的不稳定[10]，因此合理的碳减排政策在碳汇交易中起到决定性的作用。中国区域发展存在差异，各地区各行业减排空间不同。本研究基于企业的碳边际减排成本，运用云模型测算企业对森林碳汇的需求价格并模拟政策变化对其影响，合理估算不同地区不同行业的碳减排潜力，有利于促进各地区各行业协同治理，以期为森林碳汇市场建立和发展提供依据。

    1.   理论框架、模型设定与数据来源

    1.1   理论框架

    基于成本收益理论基础[11-12]和机制分析，本研究假设如下：①随各国碳减排政策出台，企业在生产经营过程中必须进行减排行为。②企业工业碳边际减排成本主要取决于企业投入、产出以及二氧化碳排放量3个方面指标。③碳减排政策目前只考虑政府允许抵扣比例、碳税征收率和碳汇补贴额3种。④本研究中所提及的企业对森林碳汇的需求价格为企业购买森林碳汇愿意支付的最高值。⑤企业对森林碳汇的需求价格只受企业的成本收益和政府强制碳减排政策影响，不考虑其他交易成本。

    假设企业的总成本(不包含减排成本的其他成本之和)为E，总收益为U，工业减排成本为I，购买森林碳汇抵消减排成本为F。选择工业减排时，企业净收益为Z1=U−E−I；选择购买森林碳汇抵消减排时，企业净收益Z2=U−E−F。当Z1＞Z2，即F＞I时，企业会选择工业减排；当Z1＜Z2，即F＜I时，企业会选择购买森林碳汇减排；当Z1=Z2，即F=I时，企业可选择任何一种减排方式。从目前研究来看，一旦森林碳汇交易市场全面建立起来，由于购汇边际减排成本比工业碳边际减排成本低，会促进企业选择通过购买森林碳汇来实现减排。

    一般而言F＜I，企业会购买森林碳汇来抵消碳排放，如果外部的碳减排政策发生调整则会导致企业工业减排的成本和购买森林碳汇的成本发生变化，企业会选择成本低的减排方式。当政策变化使企业工业减排的成本降低，那么企业愿意购买森林碳汇的价格也会降低，即企业的森林碳汇需求价格受到影响。

    情景1：无相应激励碳减排政策下企业对森林碳汇的需求价格。只采用购买森林碳汇来减排，企业的净收益Z如下：

    $$ Z=U-E-Pq\text{。} $$ (1)

    式(1)中：设市场森林碳汇购买价格为P；企业需要进行的减排量为q。用P1表示情景1下企业对森林碳汇的需求价格，x表示企业各项投入指标，y表示企业产出，c表示企业二氧化碳排放量，i=(1，2，3，$\cdots $)表示不同的企业样本。仅从企业生产经营考虑，企业愿意购买森林碳汇支付的最高金额就是企业工业碳边际减排成本，即为企业对森林碳汇的需求价格，价格受企业投入产出以及二氧化碳排放影响。表达式如式(2)：

    $$ {P_{1i}} = f\left( {{x_i},{y_i},{c_i}} \right)\text{。} $$ (2)

    情景2：有相应激励碳减排政策下企业对森林碳汇的需求价格。在现有情景下，企业的减排行为同时受到3种碳减排政策(政府允许抵扣比例、碳税征收率、碳汇补贴额)影响，企业的净收益Z′变为式(3)：

    $$ Z' = U - E - [(P - {V_3})q{V_1} + a(1 - {V_1})q + {V_2}(c - q)]\text{。} $$ (3)

    式(3)中：V1~V3为碳减排政策，其中V1为政府允许抵扣比例，V2为碳税征收率，V3为碳汇补贴额，a为企业工业减排的单位成本。用P2表示情景2下企业对森林碳汇的需求价格，P2受企业工业碳边际减排成本和政府碳减排政策共同影响。表达式如式(4)：

    $$ {P_{2i}} = f\left( {{x_i},{y_i},{c_i},{\rm{ }}{V_1},{V_2},{V_3}} \right)\text{。} $$ (4)

    通过对2种情景的比较分析，由式(3)可看出：V1增大、V2减小、V3增大，都会导致净收益Z′增大。这可大致预测企业愿意购买森林碳汇来进行碳抵消的情况下，3种政策因素中政府允许抵扣比例和碳汇补贴额增加，会增加企业的收益；而碳税征收率提高会减少企业的收益。从理论上说，政府允许抵扣比例和碳汇补贴额会增加企业购买森林碳汇的机会和减少企业购买的成本，会促进企业的森林碳汇需求；而提高碳税对企业2种减排方式的成本都会增加，取决于提高碳税后对不同减排方式的影响程度，如果碳税提高对购买森林碳汇减排方式的成本增加更快，那么碳税征收率提高，会抑制企业对碳汇的需求。因此先提出本研究的假说：①政府允许抵扣比例提高，企业森林碳汇需求价格会上升；②碳税征收率提高，企业森林碳汇需求价格会下降；③碳汇补贴额提高，企业森林碳汇需求价格会上升。

    1.2   模型设定

    1.2.1   方向性距离函数

    CHARNES等[13]提出的DEA模型为研究碳边际减排成本提供了基于投入—产出分析的距离函数方法，但此方法存在非期望产出与此相矛盾。方向性距离函数能区分出在增加期望产出的同时降低非期望产出的路径[14]，对处理实际生产过程中非期望的环境污染变量更合理。

    方向性距离函数以设定的方向向量为权数，求期望产出($y$)的最大值和非期望产出(c)的最小值[15]。y是生产过程中的期望产出，且$ y \in R_ + ^D $；c为非期望产出，且$ y \in R_ + ^U $；此处使用x代替全行业的投入，且$ x \in R_ + ^N $；则企业生产集为P(x)={(y, c)∶x→(y, c)}。P(x)是表示描述所有可以实现的投入产出向量。

    设方向向量g=(gy, gc)，g≠0，本研究中将产出方向性距离函数设置为[16]：

    $${\vec D_0}\left( {x,y + a{g_y},c - a{g_c},{g_y}, - {g_c}} \right) = {\vec D_0}\left( {x,y,c,{g_y}, - {g_c}} \right) - a,\, a \in R\text{。}$$ (5)

    由此，可计算企业的碳边际减排成本：

    $${P_c} = {P_y}\left[ {\frac{{{\partial}∂ {{\vec D}_0}\left( {x,y,c,{g_y}, - {g_c}} \right)}}{{{\partial}∂ c}}\Bigg/\frac{{{\partial}∂ {{\vec D}_0}\left( {x,y,c,{g_y}, - {g_c}} \right)}}{{{\partial}∂ y}}} \right]\text{。}$$ (6)

    式(6)中：x为样本企业的投入，y为样本企业期望产品的产量(本研究为样本企业的工业生产总值)，c为样本企业非期望产品的产量(本研究为样本企业的二氧化碳排放量)。Py为期望产品y的市场价格，Pc为二氧化碳的影子价格，即样本企业的碳边际减排成本(MAC)。关键数据为企业的投入产出指标，其中投入变量为固定资本投入(X1)、劳动力投入(X2)、工业中间投入(X3)，产出变量为工业国内生产总值(y)和二氧化碳排放量(c)。

    1.2.2   罗宾斯坦恩博弈模型

    合作项目的双方在博弈模型处于均衡状态时才会产生有效的合作[17]。本研究采用经过变形的谈判模型——罗宾斯坦恩讨价还价博弈模型[18-19]来分析企业和政府在减排活动中的博弈关系。减排行为不同于一般的讨价还价，对企业讨价还价能力的刻画指标的研究很少，因此根据相关文献，选择企业的投入产出所测算的碳边际减排成本来体现企业决策地位，而政府则是通过各类碳减排政策。具体模型如下：

    $$ {P}_{{\rm{d}}}^{}=l+\left(\frac{1-{\varOmega }_{{\rm{d}}}}{1-{\varOmega }_{{\rm{s}}}{\varOmega }_{{\rm{d}}}}\right)(h-l)\left(\frac{{\varOmega }_{\rm{s}}^{2}}{{\varOmega }_{{\rm{d}}}}\right)\left(\frac{M+1}{10\;000}\right)\text{。}$$ (7)

    式(7)中：Pd为森林碳汇的需求价格，l为样本企业碳边际减排成本最低值，h为样本企业碳边际减排成本最高值，Ωs与Ωd为供求激励系数，Ωs表示森林碳汇总量不超过企业基准年排放量的抵扣比例，Ωd表示碳税征收率，M表示森林碳汇补贴额。森林碳汇需求价格不会高于样本企业碳边际减排成本最大值h，否则企业会自行选择工业技术减排；不会低于样本企业碳边际减排成本最低值l，因为经验数据显示，样本企业碳边际减排成本最低值l往往接近于0，森林碳汇供给者无利可图，故拒绝提供森林碳汇。

    1.2.3   云模型

    由于碳交易过程中存在波动性、模糊性、信息不完备性等条件制约，传统的定量方法会因为政策及企业类型差异大等，影响结果的合理性[20]。为处理定性概念中广泛存在的随机性和模糊性问题，李德毅院士于1995年首次提出不确定性知识的定性定量转换的数学模型——云模型[21-23]。本研究采用云模型方法测算企业对森林碳汇的需求价格，并模拟政策因素对其影响程度，增加结果的可信度。云发生器分为正向云发生器和逆向云发生器[24-25]。本研究采用正向云发生器算法，首先分别求解4个地区3个行业企业对森林碳汇的需求价格的期望、熵和超熵。其次用3个特征值，通过Matlab 8.4软件运用云模型正向发生器实现模拟，通过产生的云图得出企业最可能的需求价格值与区间。

    1.3   数据来源

    综合考虑7个碳排放权交易试点省(市)的经济情况、地理位置以及特殊的政治经济地位，本研究以中国当前正在进行碳交易试点的7个省(市)中北京、上海、湖北、广东4个省(市)为案例区，选择火电、化工、钢铁3个碳排放密集型代表行业，按照各样本省(市)这3个行业目前参与自愿减排的数量比例，共计选取89家为样本企业。每个样本企业再调查31个具有独立投入—产出核算的能耗单位，总计2 759个减排单位样本的调查数据(表1)。根据国际评估减排效果惯例的时间间隔要求，对2 759个样本减排单位实施自愿减排后连续3 a(2012−2014年)的生产投入—产出数据进行调研观察。基于相关文献研究，关键数据主要为3个投入指标：固定资产投资(X1)、劳动力投入(X2)和工业中间投入(X3)；2个产出指标：企业当年总产值(y)和企业当年二氧化碳排放总量(c)[26-27]。根据文献，政策因素选择现有的3个碳减排政策，包括碳税、碳汇补贴和允许抵消比例[28]。

    表 1  样本减排单位分布
    Table 1  Distributionof sample emission reduction unit
    减排行业样本减排单位数/个合计/个
    上海市北京市广东省湖北省
    火电行业589217124931 023
    钢铁行业40362186155806
    化工行业5279393217930
    合计　　1 5193724034652 759
    下载: 导出CSV 
    | 显示表格

    2.   企业二氧化碳边际减排成本的测算分析

    本研究通过Lingo 12软件运用方向性距离函数的方法，计算所调查的89家样本企业2 759个样本减排单位3 a的碳边际减排成本。表2仅列出各地区各行业样本企业的碳边际减排成本的最低值和最高值。

    表 2  各地区各行业样本企业的碳边际减排成本比较
    Table 2  Comparison of average marginal emission reduction costs of sample enterprises in different regions and industries
    行业年份边际减排成本/(元·t−1)
    上海市北京市广东省湖北省
    最低最高最低最高最低最高最低最高
    火电行业第1年303.03729.83303.031 471.57726.941 229.92852.121 178.26
    第2年303.03779.18520.381 020.68649.02823.68887.664 627.56
    第3年303.031 133.13303.031 456.741 017.881 248.951 409.091 545.02
    钢铁行业第1年303.03816.30410.28579.16303.041 011.54359.65517.71
    第2年303.041 120.83573.021 576.43426.821 361.52727.941 600.94
    第3年303.031 975.53770.221 289.811 200.412 744.07996.561 243.00
    化工行业第1年303.03446.49474.76534.75476.11608.71303.03671.49
    第2年303.03764.16440.28601.87595.68708.51303.04917.03
    第3年303.0227 660.20303.021 686.432 491.723 660.70593.636 139.93
    下载: 导出CSV 
    | 显示表格

    对4个地区3个行业样本企业的碳边际减排成本进行比较(表2)，可发现：上海市3个行业的碳边际减排成本的最低值是4个试点中最小的。上海市经济发达且作为各项政策的先行试点市，不断出台与落实相关碳减排政策，当地企业在工业减排方面进行了设备改造、技术革新、使用环保材料等措施降低了碳边际减排成本，但也反映了上海技术水平已经较高，进一步改进提高技术可能性较小。森林碳汇可能是未来的发展方向。广东省和湖北省的企业碳边际减排成本相较其他两省(市)更高，尤其是钢铁行业和化工行业，一方面是地区间行业发展存在差异，另一方面也说明这2个地区企业二氧化碳减排设备与技术更新发展缓慢或政府减排力度不够大，因此，这些地区必须在工业减排方面取得明显进步。从行业来看，钢铁行业和化工行业企业比火电行业更高，这与火电行业作为首批减排企业，已正式启动全国碳排放权交易市场有关，因此其他行业也应尽快纳入减排目标企业中。

    3.   企业森林碳汇需求价格的测算分析

    在测得企业碳边际减排成本的基础上，通过变形的罗宾斯坦恩博弈模型来测算企业对森林碳汇的需求价格，得到4个地区3个行业样本企业3 a的森林碳汇需求价格均值，可比较分析得出不同地区不同行业森林碳汇需求价格的差异及其原因。为进一步了解企业对森林碳汇的需求价格的可能值、可能区间以及稳定性，引入云模型，在充分考虑研究对象模糊性和随机性的基础上，使测算的森林碳汇需求价格结果更准确与直观。

    3.1   基于罗宾斯坦恩博弈模型的森林碳汇需求价格测算分析

    根据二手资料，以上海市为基准，Ωs即抵扣比例，为5%；Ωd即碳税征收率没有明文规定，用上海的排污费率代替，为1%；M即碳汇补贴额，取值20元·t−1。根据公式(7)得结果表3。不同地区不同行业的森林碳汇需求价格差别明显。通过地区间的对比，上海市和北京市的企业对森林碳汇的需求价格明显低于广东省和湖北省的企业。这受上海市和北京市的政策要求与设备技术更新所影响。从这方面来讲，广东省和湖北省在未来对森林碳汇的需求会更大。这一结果与企业碳边际减排成本情况基本一致。可见，森林碳汇需求价格与碳边际减排成本呈现出显著正相关关系。对比3个行业测算的森林碳汇需求价格可知，化工行业企业对森林碳汇需求价格最低，说明火电行业和钢铁行业企业工业减排的成本高、潜力小，对森林碳汇需求会更大，即对火电和钢铁行业而言，森林碳汇在未来有很大的市场与发展潜力。

    表 3  各地区各行业企业3 a的森林碳汇需求价格
    Table 3  Demand prices of forest carbon sinks of enterprises in different regions and industries in three years
    行业年份森林碳汇需求价格/(元·t−1)
    上海市北京市广东省湖北省
    火电行业第1年303.25303.63727.20852.29
    第2年303.31520.64649.11889.61
    第3年303.46303.621 018.001 409.12
    钢铁行业第1年303.30410.37303.40359.74
    第2年303.46573.54427.34728.42
    第3年303.90770.491 201.21996.69
    化工行业第1年303.11474.79476.17303.22
    第2年303.27440.36595.74303.35
    第3年317.25303.742 492.33596.52
    下载: 导出CSV 
    | 显示表格

    3.2   基于云模型的森林碳汇需求价格测算分析

    为更好地反映不同地区不同行业企业对森林碳汇的需求，本研究运用云模型正向发生器测度，得出不同地区不同行业企业对森林碳汇的需求价格范围和均值。首先，基于所测得的企业碳边际减排成本数据，运用云模型测算3个行业和4个省(市)在碳减排政策实行后的森林碳汇需求价格的期望、熵和超熵。通过Matlab 8.4软件测得结果如表4和表5。

    表 4  火电、钢铁和化工行业的森林碳汇需求价格的期望、熵和超熵
    Table 4  Expectations, entropy and superentropy of demand prices of forest carbon sinks in thermal power, steel and chemical industries
    行业期望熵超熵
    火电行业631.936 7169.364 359.665 2
    钢铁行业556.821 7133.101 025.257 0
    化工行业575.820 8 93.977 844.864 5
    下载: 导出CSV 
    | 显示表格
    表 5  4个省（市）的森林碳汇需求价格的期望、熵和超熵
    Table 5  Expectations, entropy, and superentropy of demand price of forest carbon sinks in four provinces
    省份期望熵超熵
    上海市304.923 3 5.662 2 0.306 1
    北京市455.686 7 57.069 048.222 9
    广东省876.722 2198.257 993.980 7
    湖北省715.440 0195.630 352.194 6
    下载: 导出CSV 
    | 显示表格
    3.2.1   不同行业间的森林碳汇需求价格差异分析

    根据云模型正向发生器通过Matlab 8.4软件产生不同行业企业的云图，分析不同行业企业森林碳汇需求价格的情况(图1)。云图y轴表示隶属度，x 轴表示企业对森林碳汇需求价格的模拟值。如图1A，火电行业企业对森林碳汇需求价格平均值聚集在500~700元·t−1，越靠近中间值云滴越密集，离散程度越低。在隶属度为1时，森林碳汇需求价格平均值为631元·t−1，表示4个样本省(市)的火电行业企业的森林碳汇平均需求价格为631元·t−1。同理，钢铁、化工行业的均值为556和575元·t−1(图1B~图1C)。从需求价格区间来说，火电行业的最小值和最大值相差最大，说明火电行业的熵最大，即所接受的区间最大；而化工行业两边距离小，熵最小。从云图的分散程度来看，钢铁行业图形最“薄”，超熵最小；而火电和化工行业图形较发散，超熵较大，即离散程度大。对比3个行业所模拟的企业对森林碳汇的需求价格，钢铁行业图形正态分布最清晰，图形云层最薄，说明该行业企业的森林碳汇需求价格有较高的稳定性；且明显低于火电行业的需求价格，说明火电行业企业的工业碳边际减排成本较高，即火电行业在通过技术来进行工业减排的发展潜力小，因此森林碳汇在火电行业会有很大的市场。

    图 1  不同行业企业森林碳汇需求价格云图
    Figure 1  Demand prices of forest carbon sinks of enterprises in different industries
    下载: 全尺寸图片 幻灯片
    3.2.2   不同地区间的森林碳汇需求价格差异分析

    根据云模型正向发生器通过Matlab 8.4软件产生不同地区企业的云图，分析不同地区企业森林碳汇需求价格的情况。由图2可知：不同地区森林碳汇需求价格相差很大，就森林碳汇需求价格情况的均值来看，上海市、北京市、广东省、湖北省分别约305、456、877、715元·t−1。上海市与北京市的图形较靠近中间值，说明这2个地区的熵较小，价格浮动区间小，比广东省和湖北省更为稳定。上海市与北京市由于前期的政府减排力度与减排设备更新较快，工业减排走在前列，成本相对较低，因此广东省和湖北省森林碳汇需求价格高于其他2个地区，说明广东和湖北对森林碳汇的需求会更大，森林碳汇市场有更好的发展潜力。上海市与湖北省的图形呈现出较好的分布，比较聚拢，说明这2个地区企业的情况较为接近，各企业对森林碳汇的需求价格较为相像，而北京市与广东省的图形较为分散，说明这2个地区企业的情况相差较大，企业间森林碳汇的需求价格上下波动较大。

    图 2  不同地区企业森林碳汇需求价格云图
    Figure 2  Demand prices of forest carbon sinksfor enterprises in in different regions
    下载: 全尺寸图片 幻灯片

    4.   不同政策情景下的企业森林碳汇需求价格模拟分析

    为更好地提升各地区高排放行业未来对森林碳汇的需求潜力，在测得现有政策情景下企业森林碳汇需求价格的基础上，本研究通过改变公式(7)中3个相关政策变量(政府允许碳汇抵消比例、碳税征收率、碳汇补贴额)，来模拟不同政策情景下企业的森林碳汇需求价格变化。根据以往学者的研究和调研，选择政府允许抵消比例范围为0%~20%，税收征收率为0%~20%，碳汇补贴额为0~150元·t−1。

    4.1   不同行业企业森林碳汇需求价格模拟分析

    当其他因素不变，政府允许碳汇抵消比例为0%~20%时，观察企业的森林碳汇需求价格的动态变化。由图3A可知：随着政府允许碳汇抵消比例的提高，各行业企业森林碳汇需求价格上升，因此政府可适当提高允许抵消的比例，来促进企业对森林碳汇的购买。化工行业企业的增长趋势最为明显，其碳边际减排成本是3个行业中相对较高的，即化工行业通过工业减排的成本较高，与其他行业相比不具有优势。该行业希望通过购买森林碳汇等方式来实现间接减排。若政府允许抵扣比例增加，通过购买森林碳汇来实现减排目标是化工行业未来的发展方向。

    图 3  不同政策场景下各行业企业森林碳汇需求价格模拟
    Figure 3  Demand prices of forest carbon sinks of enterprises under different policy scenarios
    下载: 全尺寸图片 幻灯片

    当其他因素不变，税收征收率范围为0%~20%时，观察企业的森林碳汇需求价格的动态变化。由图3B可知：随着碳税征收率的提高，各行业企业的森林碳汇需求价格先呈现下降趋势，后变化不明显。一方面高碳税对购买森林碳汇的成本增加更快，另一方面也是由于在所选取的年份，可供交易的森林碳汇数量较少，企业购买森林碳汇的成本更高。说明碳税征收率为影响企业是否会选择购买森林碳汇的一个政策因素，但不是关键性因素，即高碳税征收率对企业森林碳汇的需求价格影响不大。因此，政府可适当提高碳税征收率，给企业一定的减排压力，促进企业的减排行为。

    当其他因素不变，改变碳汇补贴额，模拟0~150元·t−1的情景下企业森林碳汇需求价格动态变化趋势。由图3C可知：随着碳汇补贴额度的增加，各行业企业的森林碳汇需求价格呈上升趋势，3个行业中，化工行业受政策影响的程度最大。4个样本省(市)中，化工行业较多分布在上海和北京，在技术减排方面相对领先，未来进一步减排的成本反而相对较高，更倾向于购买森林碳汇。因此需要政府加大支持力度，加快森林碳汇的发展，促进该行业减排方式的转型。政府可适当提高碳汇补贴额，既可以促进企业的减排热情，也可以增加企业对森林碳汇的购买需求。

    4.2   不同省市企业森林碳汇需求价格模拟分析

    由图4A可知：随着政府允许碳汇抵消比例的提高，4个省(市)的企业森林碳汇需求价格上升，其中湖北省企业的增长趋势较为明显。湖北省企业目前通过工业减排的成本相对较高，在碳减排政策允许的情况下，企业更愿意选择成本较低的森林碳汇，若政府提高允许碳汇抵消比例，购买森林碳汇减排会成为当地企业的一种选择。由图4B可知：随着碳税征收率的提高，各省(市)企业的森林碳汇需求价格同样没有明显的变化。由图4C可知：随着碳汇补贴额度的增加，各地区企业的森林碳汇需求价格呈上升趋势，4个省(市)中上海市受政策影响的程度最大，上海市目前的技术已相对发达，随着时间的增加，工业减排将不再有优势，同时森林碳汇是一个低成本的选择。

    图 4  不同政策情境下下各地区企业森林碳汇需求价格模拟
    Figure 4  Demand prices of forest carbon sinks of enterprises in various regions under different policy scenarios
    下载: 全尺寸图片 幻灯片

    5.   结论和讨论

    5.1   结论

    89个样本企业碳边际减排成本存在较大差异且不断增长。一方面说明不同地区在经济发展水平、碳减排政策及减排力度方面的不同，另一方面也说明不同行业企业的减排技术和设备等方面存在差异。每个企业每年的碳边际减排成本不相同且出现上升趋势，说明工业减排已不具有优势，购买森林碳汇来抵消碳排放是未来的发展趋势。各行各业碳边际减排成本高且存在较大差异，企业作为需求方才会有意愿考虑购买森林碳汇，碳汇市场交易也才会进行，这也是本研究的意义所在。

    不同省(市)不同行业企业对森林碳汇的需求价格相差甚远。结果显示：上海市、北京市、广东省和湖北省的均值约分别为305、456、877和715元·t−1；火电行业、化工行业、钢铁行业的均值分别为631、556和575元·t−1。上海市与北京市企业对森林碳汇的需求价格低，广东省和湖北省的较高。钢铁行业企业对森林碳汇的需求价格最低，稳定性最强，说明火电和化工行业企业在未来对森林碳汇的需求会更大，尤其是火电行业企业已经正式启动全国碳排放权交易市场，森林碳汇市场在火电行业的发展潜力是巨大的。

    政策因素对企业的森林碳汇需求价格有明显的影响。各地区各行业企业的森林碳汇需求价格存在一定的变动范围，最高和最低价格相差甚远，即需要采取一定的方案和措施使价格稳定在一个合理区间，且低于企业的工业碳边际减排成本。其中随着政府允许碳汇抵消比例和碳汇补贴额度增加，企业森林碳汇需求价格会上升，碳税征收率对企业森林碳汇需求价格影响不明显。从行业和地区来看，政府允许碳汇抵消比例变化对化工行业与湖北省的企业影响更大，而碳汇补贴额度的提高对化工行业和上海市的企业的森林碳汇需求促进作用更为明显。因此，合理的允许抵消比例与补贴政策组合下，化工行业将会是未来森林碳汇的重大需求者。

    5.2   讨论

    中国于2017年已启动全国碳排放权交易市场并在加速建设中，但发展并不完善。目前，试点市场中的广东碳汇市场交易较活跃，2019年成交量突破千万吨，但重庆、天津过少。中国碳排放核查与监测主要针对石化、化工、建材、钢铁、有色、造纸、电力、航空八大行业。本研究涉及行业仅为碳排放密集型的火电、钢铁和化工3个行业，不能完全反映自愿减排的其他碳排放小的行业和个人。从碳汇市场长远发展来看，要鼓励更多行业进入碳汇市场，期待后续加强对其他市场参与主体的研究。

    目前，试点碳市交易价格普遍不高且差距很大。2019年成交均价北京市最高为83.27元·t−1，深圳市最低，仅为10.84元·t−1，试点市场平均成交均价为27.76元·t−1，与本研究所测算的企业森林碳汇需求价格相差较远。本研究仅从森林碳汇的需求方企业来进行森林碳汇的价格研究，未充分考虑森林碳汇供给方和政府，因此多方参与的森林碳汇定价机制还需后续进一步研究，以探索合理的碳汇价格，提高企业森林碳汇需求的同时保障森林碳汇供给者的利益。

  • 表  1  环境因子及其编号

    Table  1.   Environment factors and their codes

    编号环境因子编号环境因子
    bio1年平均温度GRA碎石体积百分比
    bio2平均日温差Sand含沙量
    bio3等温性Silt淤泥含量
    bio4温度季节变化系数Clay黏土含量
    bio5最热月最高温度USDA_Tex土壤质地
    bio6最冷月最低温度OC有机碳含量
    bio7气温年较差pH_H2O酸碱度
    bio8最湿季平均温度CEC_Clay黏性层土壤阳离子交换能力
    bio9最干季平均温度CEC_Soil阳离子交换能力
    bio10最热季平均温度BS基本饱和度
    bio11最冷季平均温度CaCO3碳酸盐含量
    bio12年平均降水量ESP表层土壤可交换钠离子
    bio13最湿月降水量ECE表层土壤电导率
    bio14最干月降水量TEB可交换性盐基
    bio15降水量季节变化BD土壤容重
    bio16最湿季降水量ALT海拔
    bio17最干季降水量SLO坡度
    bio18最热季降水量ASP坡向
    bio19最冷季降水量
    下载: 导出CSV

    表  2  黄檀属珍稀乔木环境因子贡献率

    Table  2.   Distribution of rare tree species of Dalbergia in modeling

    环境因子各因子在模型计算中的贡献占比/%总贡献率/%
    秧青毛叶黄檀多体蕊黄檀降香黄檀钝叶黄檀黄檀海南黄檀
    bio15.100.283.623.41.40.816.47
    bio20.73.80.5003.50.41.28
    bio36.141.20.10.722.71.23.310.83
    bio425.20.949.9035.61.82.716.70
    bio52.600.1000.600.47
    bio60003.441.73.41.80
    bio7005.2003.401.24
    bio82.901.3000.800.72
    bio90.20.102.92.60.13.31.32
    bio100000.301.500.26
    bio110.10000.80.385.612.49
    bio12001.600.25.401.04
    bio130000.700.100.12
    bio142.41.90.20053.408.33
    bio1500.15.70.20.11.901.15
    bio168.5000.10001.24
    bio1732.609.2002.006.30
    bio180.69.75.83.700.302.89
    bio19001.000.72.200.56
    USDA_Tex0.25.40000.200.83
    CaCO32.512.2000.71.302.40
    Silt1.03.500.800.900.89
    TEB0.800003.000.55
    Sand00.300.80000.16
    Clay0.10.40.20.100.800.23
    CEC_Soil0.1000.91.80.100.42
    CEC_Clay006.50.51.51.001.37
    BS003.8000.200.58
    BD01.7000000.24
    ECE00000000.00
    ESP03.80.5000.200.65
    GRA002.200.60.50.40.53
    OC00000000.00
    pH_H2O000000.300.04
    ALT003.61.20.12.101.01
    SLO3.315.11.904.74.204.20
    ASP0.300.80.10.43.300.70
    　　说明：加粗值为关键因子。秧青D. assamica，毛叶黄檀D. sericea，多体蕊黄檀D. polyadelpha，海南黄檀D. hainanensis
    下载: 导出CSV

    表  3  7种黄檀属珍稀乔木树种样点数及不同时期适宜分布区面积

    Table  3.   Suitable distribution area of 7 rare tree species of Dalbergia and their records numbers

    种名濒危等级生境适宜度阈值样点数不同时期适宜分布区面积/万km2不同时期最适分布区面积/万km2
    当前未来当前未来
    秧青　　　濒危0.2875543.3564.956.0412.06
    海南黄檀　易危0.335100.201.150.030.08
    黄檀　　　近危0.273201114.1879.0310.125.09
    钝叶黄檀　濒危0.1751929.5444.174.608.58
    降香黄檀　极危0.1341525.6477.641.0615.99
    多体蕊黄檀易危0.2532531.2051.153.7514.26
    毛叶黄檀　近危0.3861017.5451.454.9129.10
    下载: 导出CSV
  • [1] 孙永玉, 李昆, 杨文云, 等. 钝叶黄檀地理种源变异研究[J]. 林业科学研究, 2005, 18(3): 296 − 299.

    SUN Youngyu, LI Kun, YANG Wenyun, et al. Study on geographical provenance variations of Dalbergia obtusifolia Prain [J]. For Res, 2005, 18(3): 296 − 299.
    [2] 刘昌霖, 周国英, 肖柏, 等. 降香黄檀心材和边材内生真菌多样性[J]. 林业科学, 2020, 56(4): 109 − 120.

    LIU Changlin, ZHOU Guoying, XIAO Bo, et al. Diversity of endophytic fungi in heartwood and sapwood of Dalbergia odorifera [J]. Sci Silv Sin, 2020, 56(4): 109 − 120.
    [3] 覃海宁, 赵莉娜. 中国高等植物濒危状况评估[J]. 生物多样性, 2017, 25(7): 689 − 695.

    QIN Haining, ZHAO Lina. Evaluating the threat status of higher plants in China [J]. Biodiversity Sci, 2017, 25(7): 689 − 695.
    [4] 范叶青, 周国模, 施拥军, 等. 坡向坡位对毛竹林生物量与碳储量的影响[J]. 浙江农林大学学报, 2012, 29(3): 321 − 327.

    FAN Yeqing, ZHOU Guomo, SHI Yongjun, et al. Relationship of slope aspect and position on biomass and carbon storage in a Phyllostachys edulis stand [J]. J Zhejiang A&F Univ, 2012, 29(3): 321 − 327.
    [5] 陆双飞, 陈禹衡, 周斯怡, 等. 西南地区松属乔木对气候变化的响应[J]. 森林与环境学报, 2020, 40(5): 466 − 477.

    LU Shuangfei, CHEN Yuheng, ZHOU Siyi, et al. Responses of Pinus species to climate change in southwestern China [J]. J For Environ, 2020, 40(5): 466 − 477.
    [6] 周广胜, 张新时. 全球变化的中国气候-植被分类研究[J]. 植物学报, 1996, 38(1): 8 − 17.

    ZHOU Guangsheng, ZHANG Xinshi. Study on climate-vegetation classification for global change in China [J]. Acta Bot Sin, 1996, 38(1): 8 − 17.
    [7] WILLIS C G, RUHFEL B, PRIMACK R B, et al. Phylogenetic patterns of species loss in Thoreau’s woods are driven by climate change [J]. Proc Natl Acad Sci, 2008, 105(44): 17029 − 17033.
    [8] KERR R A. A stronger IPCC report [J]. Science, 2013, 342(6154): 23.
    [9] THOMAS C D, CAMERON A, GREEN R E, et al. Extinction risk from climate change [J]. Nature, 2004, 427(6970): 145 − 148.
    [10] 马艳萍, 徐呈祥, 崔铁成, 等. 基于CNKI的我国黄檀属树木生物学文献分析[J]. 热带林业, 2015, 43(4): 49 − 52.

    MA Yanping, XU Chengxiang, CUI Tiecheng, et al. Bibliometric analysis and studies on biologic research papers of tree species of Dalbergia L. in China [J]. Trop For, 2015, 43(4): 49 − 52.
    [11] FICK S E, HIJMANS R J. WorldClim 2: new 1-km spatial resolution climate surfaces for global land areas [J]. Int J Climatol, 2017, 37(12): 4302 − 4315.
    [12] 周天军, 邹立维, 陈晓龙. 第6次国际耦合模式比较计划(CMIP6)评述[J]. 气候变化研究进展, 2019, 15(5): 445 − 456.

    ZHOU Tianjun, ZOU Liwei, CHEN Xiaolong. Overview of the Coupled Model Intercomparison Project Phase 6 (CMIP6) [J]. Adv Clim Change Res, 2019, 15(5): 445 − 456.
    [13] 辛晓歌, 吴统文, 张洁, 等. BCC模式及其开展的CMIP6试验介绍[J]. 气候变化研究进展, 2019, 15(5): 533 − 539.

    XIN Xiaoge, WU Tongwen, ZHANG Jie, et al. Introduction of BCC models and its participation in CMIP6 [J]. Adv Clim Change Res, 2019, 15(5): 533 − 539.
    [14] 李国庆, 刘长成, 刘玉国, 等. 物种分布模型理论研究进展[J]. 生态学报, 2013, 33(16): 4827 − 4835.

    LI Guoqing, LIU Changcheng, LIU Yuguo, et al. Advances in theoretical issues of species distribution models [J]. Acta Ecol Sin, 2013, 33(16): 4827 − 4835.
    [15] 申家朋, 陈东升, 洪奕丰, 等. 基于MaxEnt模型对日本落叶松在中国潜在分布区的预测[J]. 植物资源与环境学报, 2019, 28(3): 19 − 25.

    SHEN Jiapeng, CHEN Dongsheng, HONG Yifeng, et al. Prediction on potential distribution areas of Larix kaempferi in China based on MaxEnt model [J]. J Plant Res Environ, 2019, 28(3): 19 − 25.
    [16] PHILLIPS S J, DUDÍK M. Modeling of species distributions with MaxEnt: new extensions and a comprehensive evaluation [J]. Ecography, 2008, 31(2): 161 − 175.
    [17] PHILLIPS S J, ANDERSON R P, SCHAPIRE R E. Maximum entropy modeling of species geographic distributions [J]. Ecol Modelling, 2006, 190(3): 231 − 259.
    [18] 王雷宏, 杨俊仙, 徐小牛. 基于MaxEnt分析金钱松适生的生物气候特征[J]. 林业科学, 2015, 51(1): 127 − 131.

    WANG Leihong, YANG Junxian, XU Xiaoniu. Analysis of suitable bioclimatic characteristics of Pseudolarix amabilis by using MaxEnt model [J]. Sci Silv Sin, 2015, 51(1): 127 − 131.
    [19] 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用[J]. 生物多样性, 2007, 15(4): 365 − 372.

    WANG Yunsheng, XIE Bingyan, WAN Fanghao, et al. Application of ROC curve analysis in evaluating the performance of alien species’ potential distribution models [J]. Biodiversity Sci, 2007, 15(4): 365 − 372.
    [20] 陈禹衡, 吕一维, 殷晓洁. 气候变化下西南地区12种常见针叶树种适宜分布区预测[J]. 南京林业大学学报(自然科学版), 2019, 43(6): 113 − 120.

    CHEN Yuheng, LÜ Yiwei, YIN Xiaojie. Predicting habitat suitability of 12 coniferous forest tree species in southwest China based on climate change [J]. J Nanjing For Univ Nat Sci Ed, 2019, 43(6): 113 − 120.
    [21] 陈思斯, 刘想, 童鑫玥, 等. 基于多模型集合预测尖萼红山茶物种分布[J]. 生态科学, 2020, 39(2): 58 − 66.

    CHEN Sisi, LIU Xiang, TONG Xinyue, et al. Prediction of Camellia edithae species distribution based on multi-model combination [J]. Ecol Sci, 2020, 39(2): 58 − 66.
    [22] 刘晓彤, 袁泉, 倪健. 中国植物分布模拟研究现状[J]. 植物生态学报, 2019, 43(4): 273 − 283.

    LIU Xiaotong, YUAN Quan, NI Jian. Research advances in modelling plant species distribution in China [J]. Chin J Plant Ecol, 2019, 43(4): 273 − 283.
    [23] 邱浩杰, 孙杰杰, 徐达, 等. 基于MaxEnt模型预测鹅掌楸在中国的潜在分布区[J]. 浙江农林大学学报, 2020, 37(1): 1 − 8.

    QIU Haojie, SUN Jiejie, XU Da, et al. MaxEnt model-based prediction of potential distribution of Liriodendron chinense in China [J]. J Zhejiang A&F Univ, 2020, 37(1): 1 − 8.
    [24] LIU Canran, WHITE M, NEWELL G. Selecting thresholds for the prediction of species occurrence with presence-only data [J]. J Biogeogr, 2013, 40(4): 778 − 789.
    [25] 孙颖, 秦大河, 刘洪滨. IPCC第5次评估报告不确定性处理方法的介绍[J]. 气候变化研究进展, 2012, 8(2): 150 − 153.

    SUN Ying, QIN Dahe, LIU Hongbin. Introduction to treatment of uncertainties for IPCC Fifth Assessment Report [J]. Adv Clim Change Res, 2012, 8(2): 150 − 153.
    [26] 叶永昌, 周广胜, 殷晓洁. 1961−2010年内蒙古草原植被分布和生产力变化: 基于MaxEnt模型和综合模型的模拟分析[J]. 生态学报, 2016, 36(15): 4718 − 4728.

    YE Yongchang, ZHOU Guangsheng, YIN Xiaojie. Changes in distribution and productivity of steppe vegetation in Inner Mongolia during 1961 to 2010: analysis based on MaxEnt model and synthetic model [J]. Acta Ecol Sin, 2016, 36(15): 4718 − 4728.
    [27] 郑维艳, 曹坤芳. 中国柯属5种资源植物潜在地理分布及其对气候变化的响应[J]. 植物科学学报, 2019, 37(4): 474 − 484.

    ZHENG Weiyan, CAO Kunfang. Potential geographical distribution of five Lithocarpus species in China and their response to climate change [J]. Plant Sci J, 2019, 37(4): 474 − 484.
    [28] 杨志香, 周广胜, 殷晓洁, 等. 中国兴安落叶松天然林地理分布及其气候适宜性[J]. 生态学杂志, 2014, 33(6): 1429 − 1436.

    YANG Zhixiang, ZHOU Guangsheng, YIN Xiaojie, et al. Geographic distribution of Larix gmelinii natural forest in China and its climatic suitability [J]. Chin J Ecol, 2014, 33(6): 1429 − 1436.
    [29] PARMESAN C, YOHE G. A globally coherent fingerprint of climate change impacts across natural systems [J]. Nature, 2003, 421(6918): 37 − 42.
    [30] LITTON C M, GIARDINA C P, FREEMAN K R, et al. Impact of mean annual temperature on nutrient availability in a tropical montane wet forest [J]. Front Plant Sci, 2020, 11(11): 784.
    [31] GE Jielin, BERG B, XIE Zhongqiang. Climatic seasonality is linked to the occurrence of the mixed evergreen and deciduous broad-leaved forests in China[J]. Ecosphere, 2019, 10(9): e02862. doi: 10.1002/ecs2.2862.
    [32] 向涛, 崔龙箫. 海南降香黄檀人工林重要害虫及天敌种类调查[J]. 热带农业科学, 2018, 38(11): 59 − 62.

    XIANG Tao, CUI Longxiao. A survey of major pest insects and their natural enemies of Dalbergia odorifera plantations in Hainan [J]. Chin J Trop Agric, 2018, 38(11): 59 − 62.
    [33] 卢靖, 蔡文良. 在云南热区培育红木类树种的建议与对策[J]. 林业科技通讯, 2017(5): 70 − 73.

    LU Jing, CAI Wenliang. Suggestions and development strategies for redwood tree species cultivation in tropical area of Yunnan [J]. Pract For Technol, 2017(5): 70 − 73.
    [34] 王军, 丁旭坡, 杨锦玲, 等. 降香黄檀和海南黄檀的鉴别[J]. 分子植物育种, 2018, 16(23): 7871 − 7879.

    WANG Jun, DING Xupo, YANG Jinling, et al. The identification of Dalbergia odorifera and D. hainanensis [J]. Mol Plant Breed, 2018, 16(23): 7871 − 7879.
    [35] 方发之, 杨众养, 陈彧, 等. 海南珍贵乡土树种套种农作物试验初报[J]. 热带林业, 2015, 43(1): 4 − 6.

    FANG Fazhi, YANG Zhongyang, CHEN Yu, et al. Preliminary study on interplanting crops in the plantations of precious local tree species in Hainan [J]. Trop For, 2015, 43(1): 4 − 6.
    [36] BECK J, BÖLLER M, ERHARDT A, et al. Spatial bias in the GBIF database and its effect on modeling species’ geographic distributions [J]. Ecol Inf, 2014, 19: 10 − 15.
    [37] ZHANG Minggang, SLIK J W F, MA Keping. Using species distribution modeling to delineate the botanical richness patterns and phytogeographical regions of China[J]. Sci Rep, 2016, 6(1): e22400. doi: 10.1038/srep22400.
    [38] 陆双飞, 殷晓洁, 韦晴雯, 等. 气候变化下西南地区植物功能型地理分布响应[J]. 生态学报, 2020, 40(1): 310 − 324.

    LU Shuangfei, YIN Xiaojie, WEI Qingwen, et al. The geographical distribution response of plant functional types to climate change in southwestern China [J]. Acta Ecol Sin, 2020, 40(1): 310 − 324.
    [39] 张劳模, 罗鹏, 庞丽峰, 等. 运用最大熵模型和随机森林模型对东北红松分布的模拟[J]. 东北林业大学学报, 2020, 48(3): 60 − 66.

    ZHANG Laomo, LUO Peng, PANG Lifeng, et al. Predicting potential distribution of Pinus koraiensis in northeast China by MaxEnt model and random forest mode [J]. J Northeast For Univ, 2020, 48(3): 60 − 66.
  • [1] 兰梦瑶, 周德志, 关颖慧.  延安市归一化植被指数时空变化及其驱动因素 . 浙江农林大学学报, 2024, 41(6): 1293-1302. doi: 10.11833/j.issn.2095-0756.20230610
    [2] 王祥福, 李愿会, 王维枫, 孙杰杰, 王倩, 董文婷, 王荣女, 杨娅琪.  土地利用和气候变化对青海省雪豹潜在适宜生境的影响 . 浙江农林大学学报, 2024, 41(3): 526-534. doi: 10.11833/j.issn.2095-0756.20230259
    [3] 孔德雷, 姜培坤.  “双碳”背景下种植业减排增汇的途径与政策建议 . 浙江农林大学学报, 2023, 40(6): 1357-1365. doi: 10.11833/j.issn.2095-0756.20220742
    [4] 汪雁楠, 赖国桢, 黄建建, 刘丽婷, 余良森, 温强, 龚春.  浙江红花油茶潜在适生区分布及其对未来气候变化的响应 . 浙江农林大学学报, 2022, 39(5): 989-997. doi: 10.11833/j.issn.2095-0756.20210641
    [5] 潘浪波, 段伟, 黄有军.  基于MaxEnt模型预测薄壳山核桃在中国的种植区 . 浙江农林大学学报, 2022, 39(1): 76-83. doi: 10.11833/j.issn.2095-0756.20210106
    [6] 马书琴, 德吉央宗, 秦小静, 陈有超, 胡扬, 汪子微, 鲁旭阳.  基于热裂解气质联用(Py-GC/MS)技术的土壤有机质化学研究 . 浙江农林大学学报, 2021, 38(5): 985-999. doi: 10.11833/j.issn.2095-0756.20210133
    [7] 黄鹏桂, 赵璠, 李晓平, 吴章康, 汤正捷, 张严风.  卷积神经网络在红木树种识别中的应用 . 浙江农林大学学报, 2020, 37(6): 1200-1206. doi: 10.11833/j.issn.2095-0756.20190672
    [8] 邱浩杰, 孙杰杰, 徐达, 沈爱华, 江波, 袁位高, 李胜.  基于MaxEnt模型预测鹅掌楸在中国的潜在分布区 . 浙江农林大学学报, 2020, 37(1): 1-8. doi: 10.11833/j.issn.2095-0756.2020.01.001
    [9] 张洁, 尹德洁, 关海燕, 屈琦琦, 董丽.  景天属植物研究综述 . 浙江农林大学学报, 2018, 35(6): 1166-1176. doi: 10.11833/j.issn.2095-0756.2018.06.022
    [10] 武录义, 岳永杰, 刘果厚, 高润宏, 苏志成.  气候变化对元上都遗址区景观格局的影响 . 浙江农林大学学报, 2016, 33(2): 232-238. doi: 10.11833/j.issn.2095-0756.2016.02.007
    [11] 王丽敏, 陈征海, 马丹丹, 夏国华, 李根有.  4种分布于浙江石灰岩山地的新记录植物 . 浙江农林大学学报, 2012, 29(3): 467-469. doi: 10.11833/j.issn.2095-0756.2012.03.024
    [12] 申亚梅, 钱超, 范义荣, 童再康.  12种（包括3品种）木兰属植物花粉形态学研究 . 浙江农林大学学报, 2012, 29(3): 394-400. doi: 10.11833/j.issn.2095-0756.2012.03.011
    [13] 刘米兰, 李明阳, 王晓俊.  快速交通对城市郊区獐的生境影响分析 . 浙江农林大学学报, 2012, 29(6): 897-903. doi: 10.11833/j.issn.2095-0756.2012.06.014
    [14] 沈月琴, 汪淅锋, 朱臻, 吕秋菊.  基于经济社会视角的气候变化适应性研究现状和展望 . 浙江农林大学学报, 2011, 28(2): 299-304. doi: 10.11833/j.issn.2095-0756.2011.02.021
    [15] 张利阳, 温国胜, 张汝民, 王电杰, 张俊.  毛竹光合生理对气候变化的短期响应模拟 . 浙江农林大学学报, 2011, 28(4): 555-561. doi: 10.11833/j.issn.2095-0756.2011.04.006
    [16] 闫双喜, 张志翔.  河南野生国家保护植物区系 . 浙江农林大学学报, 2010, 27(5): 725-733. doi: 10.11833/j.issn.2095-0756.2010.05.014
    [17] 张雷凡, 高燕会, 朱玉球, 刘志高, 童再康, 黄华宏.  石蒜属植物种质资源ISSR-PCR反应体系的建立 . 浙江农林大学学报, 2007, 24(2): 156-161.
    [18] 李根有, 金水虎, 哀建国.  浙江省有害植物种类、特点及防治 . 浙江农林大学学报, 2006, 23(6): 614-624.
    [19] 石柏林, 李根有, 金祖达, 钟泰林.  浙江湿地植物分布新记录 . 浙江农林大学学报, 2006, 23(4): 472-474.
    [20] 阮秀春, 斯金平, 吴健, 黄文华, 郭宝林, 许元科.  雷公藤属植物生物学特性与生态适应性的初步研究 . 浙江农林大学学报, 2006, 23(5): 595-598.

  • 期刊类型引用(9)

    1. 陈丽荣，万深玮，王一冰，李丹，刘雨声. 公众森林碳汇购买意愿影响因素研究——基于TPB—NAM整合模型. 资源开发与市场. 2024(01): 42-51 . 百度学术
    2. 蒋欣强，彭红军，苏世伟. 国际林业碳汇基金运作模式研究与启示. 世界林业研究. 2023(03): 9-15 . 百度学术
    3. 李明晖，王恺. 双碳背景下碳市场经济学理论与演化规律研究进展. 油气储运. 2023(11): 1242-1250+1260 . 百度学术
    4. 杨凯迪，张伟. 黄河流域森林碳汇生态产品价值核算研究. 黄河文明与可持续发展. 2023(02): 103-122 . 百度学术
    5. 沈哲鑫. 基于区块链的碳抵消研究综述与展望. 中国商论. 2022(04): 112-115 . 百度学术
    6. 陈周光，龙飞，祁慧博. 中国森林碳汇定价研究. 价格月刊. 2022(03): 9-16 . 百度学术
    7. 王雅茹，贾瑜，赵华，顾永强. “双碳”目标下油气行业发展的应对之策. 石油石化绿色低碳. 2022(02): 73-76 . 百度学术
    8. 朱梅钰，龙飞，祁慧博，张哲. 基于行业减排的森林碳汇需求空间测度与分类. 浙江农林大学学报. 2021(02): 377-386 . 本站查看
    9. 王丽华，许跃坤. 简析我国碳汇林发展现状. 阿坝师范学院学报. 2021(04): 66-73 . 百度学术

    其他类型引用(8)

  • 加载中
  • 链接本文:

    https://zlxb.zafu.edu.cn/article/doi/10.11833/j.issn.2095-0756.20200522

    https://zlxb.zafu.edu.cn/article/zjnldxxb/2021/4/837

WeChat 点击查看大图
表(3)
计量
  • 文章访问数:  1236
  • HTML全文浏览量:  254
  • PDF下载量:  67
  • 被引次数: 17
出版历程
  • 收稿日期:  2020-08-13
  • 修回日期:  2021-02-04
  • 网络出版日期:  2021-08-09
  • 刊出日期:  2021-08-20

黄檀属珍稀树种未来适宜区变化预测

doi: 10.11833/j.issn.2095-0756.20200522
  • 1. 南京林业大学 生物与环境学院，江苏 南京 210037
  • 2. 西南林业大学 林学院，云南 昆明 650224
    • 基金项目:  国家自然科学基金资助项目(31870506)
    作者简介:

    陈禹衡(ORCID: 0000-0003-0677-7470)，从事森林生态学研究。E-mail: edenchen1226@outlook.com

    通信作者: 毛岭峰(ORCID: 0000-0002-2884-135X)，教授，博士生导师，从事森林生态学研究。E-mail: maolingfeng2008@163.com
  • 收稿日期: 2020-08-13
  • 修回日期: 2021-02-04
  • 网络出版日期: 2021-08-09
  • 刊出日期: 2021-08-20

  • 中图分类号: S948.2

摘要:   目的  黄檀属Dalbergia树种具有很高的经济价值，但物种野外种群受到了严重的破坏。随着气候变化的加剧，该属物种分布存在着较高的不确定性，迫切需要深入认识这些物种未来分布的趋势，以便更好地进行保护。  方法  利用最大墒(MaxEnt)模型，基于当前气候环境，对列入中国生物多样性红色名录的7种黄檀属珍稀乔木树种在中国的适宜分布区进行了预测，并对未来不同气候情景下其分布区的变化进行了分析。  结果  年平均温度、等温性、气温季节变动系数、最热季降水量、最干月降水量、最干季降水量、土壤碳酸盐含量与坡度是影响7种黄檀属珍稀乔木适宜区分布模拟的关键环境因子。黄檀属珍稀乔木除黄檀D. hupeana外均将在未来获得更大的适宜分布区。黄檀的适宜分布区面积与最适分布区面积则均有所减小，其中适宜分布区面积将减小30.8%，最适分布区则将缩小49.3%。  结论  由于分布区存在差异，同属不同物种的未来分布对气候变化的响应不同，未来的保护工作应当集中在黄檀等适宜分布区缩小的物种上。表3参39

English Abstract

杨虹, 龙飞, 朱臻, 等. 抵消机制背景下企业森林碳汇需求价格模拟[J]. 浙江农林大学学报, 2021, 38(1): 173-183. DOI: 10.11833/j.issn.2095-0756.20200306
引用本文: 陈禹衡, 陆双飞, 毛岭峰. 黄檀属珍稀树种未来适宜区变化预测[J]. 浙江农林大学学报, 2021, 38(4): 837-845. DOI: 10.11833/j.issn.2095-0756.20200522
shu
YANG Hong, LONG Fei, ZHU Zhen, et al. Demand price simulation of forest carbon sink of enterprises based on offset mechanism[J]. Journal of Zhejiang A&F University, 2021, 38(1): 173-183. DOI: 10.11833/j.issn.2095-0756.20200306
Citation: CHEN Yuheng, LU Shuangfei, MAO Lingfeng. Prediction of future changes in suitable distribution area for rare tree species of Dalbergia[J]. Journal of Zhejiang A&F University, 2021, 38(4): 837-845. DOI: 10.11833/j.issn.2095-0756.20200522
shu

    全文HTML

  • 黄檀属Dalbergia为豆科Leguminosae蝶形花亚科Papilionoideae下重要的一个属。中国黄檀属有28种1变种，产自中国西南部、南部至中部。该属包括了众多优良的材用树种，如降香黄檀D. odorifera和有着较高经济价值的紫胶虫Laccifer lacca寄主树种钝叶黄檀D. obtusifolia[1]。黄檀属乔木树种在经济上的巨大价值，导致其长期遭受盗伐与过度采伐[2]。同时由于分布区内土地的大规模开发与紫胶生产等的过度利用，黄檀属乔木在中国的自然分布区正在不断缩小，一些树种甚至濒临灭绝，许多自然分布的地理种源也即将消失。《中国生物多样性红色名录(高等植物卷)》对黄檀属植物进行了全面的评估，结果表明：黄檀属乔木树种有7种受到了不同程度的威胁，1种极危、2种濒危、2种易危、2种近危，其中钝叶黄檀濒危，而降香黄檀则极危[3]。因此，保护现有黄檀属乔木的栖息地，同时为其寻找潜在分布区进行引种和抚育有着重要生态学意义与经济价值。物种的分布受到土壤、地形等多种环境因素的制约[4-5]，但气候因素可能是决定区域尺度上植物地理分布的主要环境因素[6]。全球气候变化已成为全球生物多样性面临的主要威胁之一[7]。气候变化将对全球物种的分布带来深远的影响，政府间气候变化专门委员会(IPCC)的第6次耦合模型比对项目(CMIP6)指出，在除最低排放情景外的所有排放情景中，全球平均温度都将至少上升1 ℃，且厄尔尼诺等异常天气现象将比以前大大增多[8]。据估计，受此影响，全球有20%~30%的物种可能会由于全球变暖而灭绝[9]。黄檀属乔木树种主要分布于中国的南方地区，气候变化带来的水热条件的改变则会导致黄檀属乔木适宜分布区的变更，它们较为狭窄的分布范围可能预示着对栖息地环境因子更为严格的要求[10]，进而在未来气候变化的背景下可能有着更高的灭绝风险。本研究通过地理信息系统(GIS)技术和最大熵(MaxEnt)物种分布模型研究黄檀属珍稀乔木树种的分布适宜区，并通过CMIP6未来气候数据得出未来气候背景下的适宜分布区，找出影响黄檀属珍稀乔木树种的主要环境因子，得出黄檀属珍稀乔木树种分布适宜区的变化趋势，以期为应对未来气候变化下的珍稀树种保护区调整和生态安全建设提供依据。

    • 1.   数据及研究方法

      1.1.   物种分布数据与影响因子

    • 从《中国生物多样性红色名录(高等植物卷)》筛选出了全部7种受威胁的黄檀属乔木树种作为珍稀乔木树种进行研究。根据中国数字植物标本馆(CVH, http://www.cvh.ac.cn/)、全球生物多样性信息服务网络平台(GBIF, https://www.gbif.org/)、中国期刊全文数据库(https://www.cnki.net/)及国家标本资源共享平台(http://www.nsii.org.cn/)搜集了相关树种的当前分布坐标数据。

      为了全面评估物种分布受到的环境因素影响，本研究选取了19个气候数据、15个土壤数据与3个地形数据作为环境因子参与模型运算。气候数据来源于世界气候网(http://www.worldclim.org/)，数据空间分辨率为1 km，共有19个气候因子(表1)。使用1970−2000年19个气候因子的平均值作为当前气候建模数据(表2)，未来气候数据为CMIP6发布的2061−2080年的平均气候数据，该数据可以更准确地展示在未来气候长期影响下的响应[11]。本研究选取中国国家气象中心开发的BCC-CSM2-MR模式作为未来气候的数据源，其对中国降水与气温的模拟较为可靠[12]。气候情景则选取与当前经济社会发展相符合的中等温室气体排放情景(SSPs 245, Shared Socioeconomic Pathways 245)，该模式情景与目前排放趋势相对应，具有较高的准确性[13]。

      表 1  环境因子及其编号

      Table 1.  Environment factors and their codes

      编号环境因子编号环境因子
      bio1年平均温度GRA碎石体积百分比
      bio2平均日温差Sand含沙量
      bio3等温性Silt淤泥含量
      bio4温度季节变化系数Clay黏土含量
      bio5最热月最高温度USDA_Tex土壤质地
      bio6最冷月最低温度OC有机碳含量
      bio7气温年较差pH_H2O酸碱度
      bio8最湿季平均温度CEC_Clay黏性层土壤阳离子交换能力
      bio9最干季平均温度CEC_Soil阳离子交换能力
      bio10最热季平均温度BS基本饱和度
      bio11最冷季平均温度CaCO3碳酸盐含量
      bio12年平均降水量ESP表层土壤可交换钠离子
      bio13最湿月降水量ECE表层土壤电导率
      bio14最干月降水量TEB可交换性盐基
      bio15降水量季节变化BD土壤容重
      bio16最湿季降水量ALT海拔
      bio17最干季降水量SLO坡度
      bio18最热季降水量ASP坡向
      bio19最冷季降水量

      表 2  黄檀属珍稀乔木环境因子贡献率

      Table 2.  Distribution of rare tree species of Dalbergia in modeling

      环境因子各因子在模型计算中的贡献占比/%总贡献率/%
      秧青毛叶黄檀多体蕊黄檀降香黄檀钝叶黄檀黄檀海南黄檀
      bio15.100.283.623.41.40.816.47
      bio20.73.80.5003.50.41.28
      bio36.141.20.10.722.71.23.310.83
      bio425.20.949.9035.61.82.716.70
      bio52.600.1000.600.47
      bio60003.441.73.41.80
      bio7005.2003.401.24
      bio82.901.3000.800.72
      bio90.20.102.92.60.13.31.32
      bio100000.301.500.26
      bio110.10000.80.385.612.49
      bio12001.600.25.401.04
      bio130000.700.100.12
      bio142.41.90.20053.408.33
      bio1500.15.70.20.11.901.15
      bio168.5000.10001.24
      bio1732.609.2002.006.30
      bio180.69.75.83.700.302.89
      bio19001.000.72.200.56
      USDA_Tex0.25.40000.200.83
      CaCO32.512.2000.71.302.40
      Silt1.03.500.800.900.89
      TEB0.800003.000.55
      Sand00.300.80000.16
      Clay0.10.40.20.100.800.23
      CEC_Soil0.1000.91.80.100.42
      CEC_Clay006.50.51.51.001.37
      BS003.8000.200.58
      BD01.7000000.24
      ECE00000000.00
      ESP03.80.5000.200.65
      GRA002.200.60.50.40.53
      OC00000000.00
      pH_H2O000000.300.04
      ALT003.61.20.12.101.01
      SLO3.315.11.904.74.204.20
      ASP0.300.80.10.43.300.70
      　　说明：加粗值为关键因子。秧青D. assamica，毛叶黄檀D. sericea，多体蕊黄檀D. polyadelpha，海南黄檀D. hainanensis

      土壤数据来源于中国科学院寒区旱区科学数据中心(http://westdc.westgis.ac.cn)，是南京土壤研究所基于第2次全国土地调查所提供的1∶100万土壤数据制作，栅格大小约为1 km，共有15个指标(表1)。坡度、海拔与坡向数据来源于中国科学院计算机网络信息中心国际科学数据镜像网站(http://www.gscloud.cn)提供的数字高程模型(DEM)，空间分辨率为90 m，利用ArcGIS(版本10.2，www.esri.com)的表面分析工具提取得到地形数据(表1)。这些环境因子数据坐标统一为WGS1984，分辨率重采样为30"。气候数据与土壤地形数据按照研究区裁剪。同时，模型运算时使用中国科学院资源环境数据中心(http://www.resdc.cn)中国地理数据对气候图层进行掩膜裁剪后作为底图进行处理。

      • 1.2.   物种分布模型

    • 物种地理分布的预测模型在生态学和自然保护等领域得到了广泛应用，可用于分析物种潜在分布区并预测其未来分布[14-15]。其中最大熵模型是PHILLIPS等[16-17]开发用于模拟给定环境条件下物种出现概率的物种分布模型。其原理是根据物种所有已知分布点的环境变量建立多种分布函数，从中选取熵值最大者，进而计算其在整个预测范围内的潜在分布情况[18]。模型采用受试者工作特征曲线(ROC曲线)下的面积(AUC, the area under the ROC curve)检验模型模拟效果[19-20]。与其他物种分布模型对比，如GARP、ENFA和BIOCLIM等，MaxEnt模型的AUC值更高，即预测结果更优，因此本研究使用该模型进行物种分布模拟[21-23]。

      依据PHILLIPS等[17]对模型预测精度判断标准的研究，当受试者工作特征曲线中AUC值大于0.9时说明预测效果极好，预测结果精度高。本研究设置75%数据用于构建模型，25%的数据用于模型检验。根据样本训练集的AUC值及测试集的AUC值来评价模型拟合效果。通过模型提供的刀切法(jackknife)得出因子百分贡献率，以考察各环境因子对于模型的贡献率及重要性，得出各因子贡献率排序以筛选关键环境因子，并依据关键因子对物种的适宜分布区进行再次预测。MaxEnt模型以栅格形式输出物种的生境适宜度(P)，模型采用最大训练敏感性和特异性(maximum training sensitivity plus specificity，MaxSS)方法确定P的阈值，每个物种在运用最大熵模型训练完成后系统会给出相应的MaxSS值。基于IPCC制定的划分标准[24-26]，研究区黄檀属珍稀乔木的适生等级可划分为3类：P＜MaxSS阈值的区域为非适宜分布区；MaxSS阈值≤P＜0.66的区域为较适宜分布区；P≥0.66的区域为高适宜分布区。

    2.   结果和分析

      2.1.   模型适用性分析

    • 基于黄檀属珍稀乔木树种实际分布数据和包括气候、土壤与地形在内的37个影响因子，使用MaxEnt模型进行建模，模拟当前适宜分布区并预测未来适宜分布区。结果显示：经过模型运行10次迭代后最大熵模型的模拟效果极好，采用受试者工作特征曲线分析模型的预测衡量指标，其训练集与测试集AUC 值均高于0.95，表明MaxEnt模型预测可信度较高，可用于黄檀属珍稀乔木树种适宜分布区变化的研究。

      • 2.2.   影响黄檀属珍稀乔木分布的主导环境因子

    • 本研究通过MaxEnt模型的刀切法获得了各环境因子对7种黄檀属珍稀乔木适宜区分布模拟的贡献率及全模型总贡献率，并筛选了影响黄檀属珍稀乔木分布的关键环境因子(表2，加粗值为关键因子)。37个环境因子中，年平均温度、等温性、温度季节变化系数、最热季降水量、最干月降水量、最干季降水量、土壤碳酸盐与坡度在7种植物中均有超过10%的贡献占比，且它们的总贡献率占到了全模型贡献率的77.72%，因此它们是影响7种黄檀属珍稀乔木适宜区分布模拟的关键环境因子。

      研究结果表明：秧青的分布主要受温度季节变化系数与最干季降水量的影响，贡献率分别为25.2%和32.6%。毛叶黄檀主要受等温性、土壤碳酸盐与坡度的影响，贡献率分别为41.2%、12.2%和15.1%。多体蕊黄檀则主要受温度季节变化系数的影响，贡献率为49.9%。钝叶黄檀的主要影响因子为年平均温度、等温性和温度季节变化系数，贡献率分别为23.4%、22.7%和35.6%。主导降香黄檀分布的环境因子为年平均温度，其贡献值为83.6%。黄檀的分布主要受最干月降水量的影响，贡献率为53.4%。海南黄檀主要受最冷季平均温度的影响，贡献率为85.6%。

      • 2.3.   黄檀属珍稀乔木的适宜分布区

      2.3.1.   当前气候下适宜分布区分析

    • 根据物种分布适宜区的划分标准，得到黄檀属珍稀乔木在当前气候下分布适宜区的分布面积的变化数据(表3)。秧青在云南南部、海南、广东、福建和广西有较大的适宜分布区，最适分布区为云南南部与海南南部，适宜分布区域面积为43.35×104 km2，最适分布区面积为6.04×104 km2。海南黄檀仅分布在海南南部沿海区域，适宜分布区面积为0.20×104 km2，最适分布区面积为0.03×104 km2。黄檀为华南广布树种，其适宜分布区面积高达114.18×104 km2，最适分布区面积为10.12×104 km2。钝叶黄檀以海南和云南南部为主要分布地，在中国台湾西部也有适宜分布区，其适宜分布面积为29.54×104 km2，最适分布区面积为4.60×104 km2。降香黄檀为极度濒危的物种，主要分布在海南与广东，在海南与云南西双版纳有小范围最适分布区，该种适宜分布区面积为25.64×104 km2，最适分布区面积仅为1.06×104 km2。多体蕊黄檀仅分布在云南及其接壤的周边区域和西藏南部地区，其适宜分布区面积为31.2×104 km2，最适分布区面积为3.75×104 km2。毛叶黄檀主要分布在西藏南部地区及云南和四川的高原山地之中，其适宜分布面积为17.54×104 km2，最适分布区面积为4.91×104 km2。

      表 3  7种黄檀属珍稀乔木树种样点数及不同时期适宜分布区面积

      Table 3.  Suitable distribution area of 7 rare tree species of Dalbergia and their records numbers

      种名濒危等级生境适宜度阈值样点数不同时期适宜分布区面积/万km2不同时期最适分布区面积/万km2
      当前未来当前未来
      秧青　　　濒危0.2875543.3564.956.0412.06
      海南黄檀　易危0.335100.201.150.030.08
      黄檀　　　近危0.273201114.1879.0310.125.09
      钝叶黄檀　濒危0.1751929.5444.174.608.58
      降香黄檀　极危0.1341525.6477.641.0615.99
      多体蕊黄檀易危0.2532531.2051.153.7514.26
      毛叶黄檀　近危0.3861017.5451.454.9129.10
      • 2.3.2.   未来气候下适宜分布区预测

    • 本研究选取未来气候情景(2061−2080年)SSPs 245稳定气候情景模式下黄檀属珍稀乔木的分布范围和面积，并进行了分析。结果显示：除黄檀适宜分布区与最适分布区均有所减少外，其余6种黄檀属珍稀乔木在SSPs 245未来气候情景下适生区面积均呈增加趋势，其适宜分布区质心也均有向北扩展的趋势。秧青未来适宜分布区面积增加了49.8%，在福建西部有了更大面积的适宜生境；海南黄檀未来适宜区面积增加至1.15×104 km2，分布范围也由海南扩张至中国台湾南部，其最适分布区则由0.03×104 km2增加至0.08×104 km2，且在台湾南部出现了最适分布区。钝叶黄檀在SSPs 245气候情景下适宜生境面积增加了49.5%，达到44.17×104 km2，其适宜分布区与最适分布区在云南均大大增加，适宜分布区拓展至四川攀枝花一线，同时适宜分布区质心与最适分布区质心均向北延伸。多体蕊黄檀未来适宜区面积增长为51.15×104 km2，最适分布区面积增长为14.26×104 km2，分布边界不断向云南东部延伸，在贵州、广西、云南的交界处黔西南、百色、文山等地区出现了适宜生境。黄檀的适宜分布区与最适分布区则有所减少，适宜分布区面积减少了30.8%，缩小至79.03×104 km2，最适分布区面积减小了49.3%，缩小至5.09×104 km2，在山东南部沿海出现了一定的适宜分布区，但贵州、广西、广东和福建的当前适宜分布区均在未来大幅度收缩。

      在2061−2080 年未来气候变化情景下，降香黄檀、毛叶黄檀在SSPs 245情景下适生区面积将会有较大提升。其中，降香黄檀的适宜分布区面积由原先的25.64×104 km2增长为77.64×104 km2，最适分布区则由1.06×104 km2增加至15.99×104 km2，适宜分布区由原先的海南岛与雷州半岛迅速向北延伸至广东、广西、江西和福建等地，同时在广东与广西也出现了大范围的最适分布区。毛叶黄檀的适宜区面积由原先的17.54×104 km2增长为51.45×104 km2，最适分布区由4.91×104 km2增加至29.1×104 km2，在SSPs 245气候情景下，适宜分布范围将大大北移，覆盖云南全境、四川西部及西藏南部。

    3.   结论和讨论

    • 根据MaxEnt模型运行的结果，黄檀的适宜分布区与最适分布区均有所缩小，秧青、海南黄檀、钝叶黄檀、降香黄檀、多体蕊黄檀、毛叶黄檀等6种黄檀属珍稀乔木适宜分布区与最适分布区在中等温室气体排放情景下有所扩大，其中降香黄檀与毛叶黄檀的适宜区将会由原先的单一省份及周边的小范围分布转为覆盖多个省份的较大范围分布。物种分布模型得出的关键因子均值可以较好地反映物种对环境的适宜范围[27]。研究发现：7种黄檀属珍稀乔木均有相应的关键环境因子及其均值，其中秧青适生区温度季节变化系数的均值为852，最干季降水量的均值为390 mm；毛叶黄檀适生区等温性均值为43.1，土壤碳酸盐含量的均值为8.7%，坡度均值为21.3°；多体蕊黄檀适生区气温季节变化系数均值为632；降香黄檀适生区年平均气温的均值为21.4 ℃；钝叶黄檀适生区年平均气温均值为13.6 ℃，等温性的均值为38.8，温度季节变化系数的均值为494；黄檀适生区年最干月降水量均值为39 mm；海南黄檀适生区最冷季平均气温均值为20.8 ℃。该结果对黄檀属珍稀乔木资源的保护、造林区规划以及可持续经营等具有一定指导意义。

      • 3.1.   黄檀属珍稀乔木分布变化的原因

    • 本研究中，7种黄檀属珍稀乔木中仅有黄檀一种为南方大范围分布的树种，同时也仅有黄檀一种的适宜分布区与最适分布区有所缩小。原因与其对最干月降水量的敏感程度有关，黄檀的分布主要受最干月降水量的影响，贡献率为53.4%，其适宜的最干月降水量为2~76 mm，因此最干季节过高的降水量会对黄檀的分布造成不利影响。在中等温室气体排放情景中，由于全球气候变化，南方地区在未来各个气候情景中都会更加潮湿，未来最干月降水量普遍增加，导致黄檀在贵州、广西、广东和福建的适宜分布区均大幅度收缩。这意味着当地对黄檀的抚育及引种工作应当有所调整，而江西等纬度更高的省份则应当在黄檀的保护中处于更加优先的地位。

      作为亚热带常绿树种，黄檀属珍稀乔木在未来普遍获得了更大的适宜分布区。植物地理分布是多种因素综合作用的结果，每一物种均有决定其物种分布范围的关键因子，物种的分布面积随关键因子的变化而变化[28]，其中气候被认为是影响植物分布大尺度格局的主要因素[29]。全球气候的变化可能带来温度年较差的扩大与干湿两季降水量的不平衡，进而对植物生长造成影响[30]。秧青、钝叶黄檀与多体蕊黄檀则均对季节温差变化有着较高要求，而温度季节变化系数在中等温室气体排放情景下并无显著变化，这些可能是上述4种黄檀属珍稀乔木分布区并没有大幅扩张至其他省份的主要因素。毛叶黄檀对温度季节变化的要求较为宽松，对土壤碳酸钙的要求适中，且受坡度的限制较小；降香黄檀的适宜区分布则主要由年平均温度决定。随着全球气候变化，南方区域气温与降水量均有所增加，这些限制因素逐渐减少，因此它们的适宜分布区面积获得了更大的扩张与显著的北移[31]。

      • 3.2.   黄檀属珍稀乔木分布变化的影响

    • 黄檀属乔木树种作为中国重要的材用树种与紫胶虫寄主树种，有着十分重要的经济价值。随着近自然森林经营等先进营林措施的不断推广，目前在纯林中混合种植黄檀属珍稀材用树种的营林措施正在受到重视，因此研究黄檀属珍稀乔木的适宜分布区及其对气候变化的响应显得尤其重要[32]。对于传统紫胶虫寄主树种钝叶黄檀，其种植范围当前仅局限于云南南部普洱等地，因此紫胶虫产业也受到寄主树种规模的限制而难以进一步扩大。本研究发现：钝叶黄檀当前在海南有着较好的适宜分布区，未来其适宜区将会拓展至普洱北部的临沧一带，因此在海南与云南中部乃至更北的区域引种钝叶黄檀，改良当地林分结构，增加经营收入有着重要的理论支撑。同时，秧青作为濒危物种，其实际分布区域碎片化严重，但其适宜分布区则从广西南部延伸至云南南部，其种群恢复潜力较大，应当在引种与造林规划中给予优先考虑[33]。海南黄檀是中国珍稀的材用树种，当前已被列入易危物种；随着全球气候的变化海南黄檀适宜分布区有所增加，但是依然局限于海南南部沿海地区，因此应当在未来的物种保护工作中将海南黄檀优先级适当提高[34]。随着全球气候变化，降香黄檀的适宜分布区将会向北延伸至广西与广东境内，应当在“两广”地区推广引种[35]。

      • 3.3.   对后续研究的展望

    • 研究所用物种的地理分布数据受到地形和交通等条件的限制，标本记录的采样点多集中于道路附近和自然保护区等特殊区域[36]。这些采样点通常不代表环境梯度的随机样本，因而许多物种的实际分布信息不完整，可能影响模拟结果[37]。同时，物种的分布及其灭绝风险还受到物种本身的性状、当地地质条件和人为活动等多方面的综合影响，因此后续的研究可综合多种非生物与生物因子进行，以期获得更加准确的预测结果[38]。MaxEnt模型尽管精度较高，解释性良好，但目前遗传模型与随机森林模型等在物种分布预测上的应用越来越广泛，因此采用多模型对物种进行评估也有着重要的现实意义[39]。后续研究可以立足于有着重大价值的珍稀濒危物种，结合多模型、多因素进行模拟，以期得出珍稀濒危物种在气候变化背景下中国适宜区的变迁趋势，并结合提出更全面的保护手段。

参考文献 (39)

目录

  • 全文HTML

  • 1.   数据及研究方法

  • 1.1.   物种分布数据与影响因子

  • 1.2.   物种分布模型

  • 2.   结果和分析

  • 2.1.   模型适用性分析

  • 2.2.   影响黄檀属珍稀乔木分布的主导环境因子

  • 2.3.   黄檀属珍稀乔木的适宜分布区

  • 2.3.1.   当前气候下适宜分布区分析
  • 2.3.2.   未来气候下适宜分布区预测
  • 3.   结论和讨论

  • 3.1.   黄檀属珍稀乔木分布变化的原因

  • 3.2.   黄檀属珍稀乔木分布变化的影响

  • 3.3.   对后续研究的展望

/

返回文章
返回

浙ICP备11046845号

版权所有 © 2019 《浙江农林大学学报》编辑部

地址: 浙江省杭州市临安区武肃街666号 邮编: 311300 电话: 0571-63732749

E-Mail: :zlxb@zafu.edu.cn

本系统由 北京仁和汇智信息技术有限公司 开发 技术支持： info@rhhz.net   百度统计