下载:
-
薄壳山核桃Carya illinoinensis[1]又称美国山核桃、长山核桃，是胡桃科Juglandaceae山核桃属Carya高大落叶乔木，原产于北美洲东南部[2]。薄壳山核桃果仁含有丰富的油脂，含油率为70%~75%[3]，油脂成分中的不饱和脂肪酸占总脂肪酸含量的90%以上，是不饱和脂肪酸占比最高的坚果之一[4]。薄壳山核桃还富含抗氧化成分，如酚类物质、单宁、黄酮类、维生素E和植物甾醇等[5-6]，这些物质对预防心脑血管疾病有一定的作用[7]。薄壳山核桃树干通直，质地坚韧，抗击力强，是一种优良木材；其树形挺拔、抗逆性强，可作为园林绿化的观赏树种。薄壳山核桃适应性强，目前已被世界多国引种栽培[8]。中国在19世纪初就已开始陆续引进薄壳山核桃，目前已在20多个省(区、市)栽培[9]。近些年安徽、浙江、江苏等地的栽培已开始规模化和产业化。薄壳山核桃的产量也开始上升，经济效益增加。MaxEnt模型(最大熵模型)可以根据已知的物种分布点和气候变量，对物种潜在的分布区进行预测。该模型具有运行时间短，操作简单，精确度高等优点，尤其在物种分布点较少的情况下可对其展开精准预测[10-11]，因此得到广泛应用[12-13]。MaxEnt模型被用于大量物种的潜在分布区预测，如经济植物潜在种植区的预测[14-16]、珍稀物种潜在生境的预测[17-19]、入侵物种的防控[20-21]和病虫害的防治[22-24]等方面。张日清等[25]根据薄壳山核桃在北美洲的生态宽度和前期中国引种效果，划分了薄壳山核桃的适生区范围；程晋昕等[26]根据北美产地气候数据与MaxEnt模型，对薄壳山核桃在云南的适生区进行了划分。鉴于薄壳山核桃寿命长的特点，预测当前和未来在中国的潜在种植区，有利于薄壳山核桃在中国的引种栽培。本研究以薄壳山核桃为研究对象，基于北美栽培区的分布点和全球的环境气候数据，利用MaxEnt模型预测薄壳山核桃当前和未来3种气候情景下在中国的潜在适生区，为薄壳山核桃长期的引种栽培提供理论参考。
-
从薄壳山核桃在北美洲的分布数据中，共获取274条记录点，作为MaxEnt软件预测位点，数据信息来源于全球生物多样性信息机构(GBIF,
https://www.gbif.org/ )。为避免过拟合，以15 000 m为半径，设置圆形缓冲区，每个缓冲区内保留1个样本点[27]。最后共得到152个薄壳山核桃在北美洲的坐标数据，将其存为*.CSV格式以备用。 -
19种生物气候变量数据(表1)来源于世界气候数据网站
(http://www.worldclim.org/ )，空间分辨率为2.5 min，这些气候变量(bio)与生物的生存相关，由月均气温和降水量产生，反映了地区的气温、降水等特点[28]。数据包括现代气候数据(1970—2000年)、未来气候数据(2041—2060年和2061—2080年)。本研究选取第6次国际耦合模式比较计划(CMIP6)中的未来气候数据，模式为BCC-CSM2-MR。研究未来气候数据中选择了3种不同气候情景：SSP2-4.5(ssp245)、SSP3-7.0(ssp370)和SSP5-8.5(ssp585)，分别代表了中等强迫情景(2100年辐射强迫稳定在约4.5 W·m−2)、中等至高强迫情景(2100年辐射强迫稳定在约7.0 W·m−2)和高强迫情景(2100年辐射强迫稳定在约8.5 W·m−2)，辐射强迫数值越大表示碳排放程度越强，未来环境温度越高[29]。表 1 气候变量
Table 1. Climate variables
气候变量 描述 单位 气候变量 描述 单位 bio1 年均气温 ℃ bio11 最冷季平均气温 ℃ bio2 昼夜温差月均值 ℃ bio12 年降水量 mm bio3 等温性 bio13 最湿月降水量 mm bio4 气温的季节性 bio14 最干月降水量 mm bio5 最暖月最高气温 ℃ bio15 季节性降水 bio6 最冷月最低气温 ℃ bio16 最湿季降水量 mm bio7 年均气温范围 ℃ bio17 最干季降水量 mm bio8 最湿季平均气温 ℃ bio18 最暖季降水量 mm bio9 最干季平均气温 ℃ bio19 最冷季降水量 mm bio10 最暖季平均气温 ℃ 说明：等温性为昼夜温差月均值除以年均气温范围；年均气温范围为最暖月最高气温与最冷月最低气温的差值 -
气候变量与薄壳山核桃分布点的过强相关性，会对预测结果产生过拟合作用。为避免这一现象，提取19个生物气候变量与152个薄壳山核桃分布位点的数据，用SPSS 20.0进行Pearson相关性分析。若2个气候变量之间的相关性绝对值|r|＞0.8，则剔除在预测中贡献率较低的气候变量[30]。最后得到8个气候变量：年均气温(bio1)、昼夜温差月均值(bio2)、气温的季节性(bio4)、最干季平均气温(bio9)、最暖季平均气温(bio10)、年降水量(bio12)、最干月降水量(bio14)和最暖季降水量(bio18)，用于最终的预测。
-
将最后筛选的8个气候变量和样点分布数据加载到MaxEnt 3.4.1软件中，测试数据集设为25%，训练数据集为75%，输出分布值的形式选择Logistic，其他参数默认。
MaxEnt模型预测的结果为受试者工作特征曲线(ROC)，ROC曲线下的面积(AUC)取值为(0, 1]。AUC越接近1，模型预测的结果越准确，当AUC＞0.9时，表示预测结果很精确[31]。
-
根据MaxEnt模型预测的结果，利用ArcGIS 10.4.1软件掩膜提取功能提取薄壳山核桃在中国的适生范围。再利用ArcGIS的重分类功能，将MaxEnt模型预测的薄壳山核桃在中国实际栽培区域的适生概率进行适生等级划分。根据适生概率(P)，将预测的薄壳山核桃适生区划分为3类：非适生区(P＜0.08)、潜在低适生区(0.08＜P＜0.25)、潜在高适生区(P＞0.25)。
-
从预测精度ROC曲线(图1)可知：训练集的AUC为0.987，检验集AUC为0.985。AUC均大于0.9，表示预测结果非常好，模型对薄壳山核桃适生区预测的准确度很高。
图 1 MaxEnt预测结果的AUC值
Figure 1. Forecast results of the AUC value by MaxEnt model
-
从表2可知：最终预测的8个气候变量中，贡献率前4的气候变量为最干月降水量(bio14)、昼夜温差月均值(bio2)、最暖季平均气温(bio10)和气温的季节性(bio4)，累积贡献率达83.2%。最干月降水量的贡献率最大，达33.8%，表明最干月降水量是影响薄壳山核桃分布的重要气候变量。其次是昼夜温差月均值，占了21.8%。最暖季平均气温和气温的季节性贡献率都超过了10%，分别为17.3%和10.4%。剩余的4个气候变量贡献率总和为16.8%。
表 2 气候变量的贡献率
Table 2. Contribution of climate variables
气候变量 贡献率/% 累积贡献/% 气候变量 贡献率/% 累积贡献/% bio14 33.8 33.8 bio18 7.1 90.3 bio2 21.8 55.6 bio1 5.5 95.8 bio10 17.3 72.9 bio12 3.8 99.6 bio4 10.3 83.2 bio9 0.4 100.0 -
从图2可见：在刀切法检验中，变量的得分越高，对正规化训练增益影响越大。年均气温(bio1)的训练得分最高，超过1.7，说明其对薄壳山核桃的潜在分布影响最为重要。最暖季平均气温(bio10)、年降水量(bio12)、最干月降水量(bio14)和最干季平均气温(bio9)的训练得分超过1.2，说明它们对薄壳山核桃的分布较为重要。综上，年均气温(bio1)、最暖季平均气温(bio10)、年降水量(bio12)、最干月降水量(bio14)和最干季平均气温(bio9)是影响薄壳山核桃分布的关键气候变量。
图 2 刀切法检验气候变量的测试增益结果
Figure 2. Jackknife test to examine training gain result of climate variables
-
选取对模型预测贡献率排名前4的气候变量对薄壳山核桃的适宜性气候进行分析。一般认为，当存在概率大于0.5时[32]，其对应的气候变量数值更利于薄壳山核桃的生长。最干月降水量(bio14)为15.5~156.0 mm时，较适宜薄壳山核桃生长(图3)。当最干月降水量低于15.5 mm时，存在概率急剧下降；当最干月降水量大于220.0 mm时，存在概率处于较低水平，说明最干月降水量过低过高都不利于薄壳山核桃生长。当昼夜温差月均值(bio2)大于10.5 ℃，最暖季平均气温(bio10)大于23.8 ℃，气温的季节性(bio4)大于687时，有利于薄壳山核桃的生长。
图 3 薄壳山核桃存在概率对主要气候变量的响应曲线
Figure 3. Response curves of existence probability of C. illinoinensis to main climate variables
-
当前气候环境下，薄壳山核桃适生分布区的总面积为891 936 km2，其中潜在高适生区面积为55 142 km2，潜在低适生区面积为836 794 km2。大部分适生区位于中国东部地区和中部地区，主要集中在湖南、江西、安徽、浙江的北部和西部、福建西北部、湖北东部、河南南部和江苏中西部地区。在广东北部、广西东北部、山东南部和云南中西部有少量潜在低适生区。潜在高适生区在江西、河南西部、湖南东部和安徽北部有少量存在。
-
不同年代不同碳排放的情景下，薄壳山核桃在中国的潜在高适生区面积相对于当前适生区有较大幅度的增加，潜在低适生区面积增加不多，甚至在有些情景下有所下降(表3)。
表 3 不同气候情景下薄壳山核桃在中国的适生区面积
Table 3. Suitable area of C. illinoinensis in China under different climate change scenarios
气候情景 起止年份 潜在高适生区面积/
km2潜在低适生区面积/
km2适生区总面积/km2
(约占中国陆地面积的比例/%)当前 1970—2000 55 142 836 794 891 936(9.29) 中等强迫情景(ssp245) 2041—2060 265 155 906 770 1 171 925(12.21) 2061—2080 591 863 827 055 1 418 918(14.78) 中等至高强迫情景(ssp370) 2041—2060 581 777 798 618 1 380 395(14.38) 2061—2080 837 574 866 531 1 704 105(17.75) 高强迫情景(ssp585) 2041—2060 571 657 842 062 1 413 719(14.73) 2061—2080 846 533 852 165 1 698 698(17.69) 未来不同碳排放情景下，薄壳山核桃的适生区地理位置变化不大，主要还是集中在中国的中东部地区。随着碳排放程度增加，适生区有向北方扩展的趋势，部分已延伸至河北南部、辽宁东部和吉林南部。潜在高适生区在福建、江西、浙江、湖南、湖北、安徽、河南、江苏和山东等省份内部扩张。河北、陕西和山西有少量潜在低适生区增加。云南的潜在低适生区主要还是集中在中西部。
-
本研究预测结果表明：当前环境下薄壳山核桃的适生区主要集中在中国的东部和中部地区，这与现实情况基本相符。但预测分布区未涵盖四川、重庆等地，可能是由于预测所用的环境因素过少，对预测产生了一定影响。四川等地也可以栽种薄壳山核桃，其适应性也较好[33]。云南的适生区相对较少，主要集中在中西部地区，这也与其实际的种植区域相符[26]。广东和广西的北部只有少量适生区，而海南没有适生区分布，这是因为薄壳山核桃需要一定的低温促进花芽分化，温度过高也会使其死亡[25]。北京、辽宁等地也栽种过薄壳山核桃，由于积温不足等原因导致其不结果实，但可以作为绿化树栽植。山东南部有结果大树，北部结果不良或品质不佳[25]。这与预测的薄壳山核桃适生区南北界限也较为符合。中国中东部地区适生区的预测也是较为准确的，近几年江西、安徽等地种植的薄壳山核桃产量开始逐年上升。
-
结合刀切法和模型预测中的贡献率可挖掘限制薄壳山核桃生长的气候变量。本研究中，最干月降水量(bio14)、昼夜温差月均值(bio2)、气温的季节性(bio4)、年均气温(bio1)、最暖季平均气温(bio10)、年降水量(bio12)和最干季平均气温(bio9)为主要气候变量，最佳阈值范围分别为15.5~156 mm、＞10.5 ℃(在一定范围内)、＞687(在一定范围内)、11.3~23 ℃、＞23.8 ℃(在一定范围内)、＞665 mm(在一定范围内)、−26.5~23.5 ℃。其中最干月降水量、昼夜温差月均值、最暖季平均气温和气温的季节性预测贡献率占80%以上。年均气温和年降水量的适宜范围与张日清等[9]的研究相符。本研究以气候变量为参考数据，未将土壤、地形等因素考虑在内，存在一定的局限性[34]。
-
2041—2060年，3种气候情景下的薄壳山核桃适生区均有大量的内扩和轻微的北扩趋势。相较于当前气候情景，2041—2060年，3种气候情景下，原来存在于中国中东部地区的大量潜在低适生区转变为潜在高适生区。其中，中等至高等强迫情景下和高等强迫情景下，潜在低适生区转变为潜在高适生区的面积较大；2061—2080年，3种气候情景下，大量潜在低适生区也转变为潜在高适生区，潜在高适生区由江西、湖南东部、湖北东部向北延伸至安徽、河南等省份。可见未来碳排放增强的情景下，薄壳山核桃的适生区有向北方扩展的趋势，适生区最北延伸到了吉林南部和辽宁东部。赤桉Eucalyptus camaldulensis、千金榆Carpinus cordata和白栎Quercus fabri等物种在未来碳排放增强的情景下，适生区都有向北扩展的趋势，这与气温上升有一定的关系[34-36]。中国中东部地区可以参考本研究结果的适生区范围，在适宜区域种植薄壳山核桃。
-
利用MaxEnt模型预测薄壳山核桃在中国的适生区有较高精度。在当前情景下，薄壳山核桃的适生区集中在中国中东部地区；随着未来气温的升高，薄壳山核桃的潜在高适生区在中国相应的中东部地区内部扩张，潜在适生区存在向北扩张的趋势，中国中东部地区比较适宜栽种薄壳山核桃。
Prediction on the potential planting area of Carya illinoinensis in China based on MaxEnt model
-
摘要:
目的 预测当前和未来中国适宜种植薄壳山核桃Carya illinoinensis的地区，对薄壳山核桃的引种栽培提供参考。 方法 基于北美薄壳山核桃栽培区的分布数据和世界环境气候数据，利用MaxEnt模型和ArcGIS预测薄壳山核桃当前以及未来不同气候情景下在中国的适生区范围。 结果 ①训练集和检验集的AUC值分别为0.987和0.985，表明预测结果精度高。②刀切法检验结果和贡献率结果表明：年均气温、最暖季平均气温、年降水量、最干月降水量、最干季平均气温、昼夜温差月均值和气温的季节性是薄壳山核桃生长的关键气候变量。③预测薄壳山核桃当前在中国的适生区主要集中在中东部省份，包括江西、湖南、湖北、安徽、浙江、江苏和河南；在未来碳排放增强的气候情景下，薄壳山核桃在中国中东部省份的潜在高适生区的面积大幅增加，适生范围有向北移动的趋势，少量延伸到了辽宁东部和吉林南部。 结论 利用MaxEnt模型预测的薄壳山核桃适生区主要集中在中国的中东部省份；随着未来气温的升高，薄壳山核桃的潜在高适生区在中国相应的中东部地区内扩张。图3表3参36 Abstract:Objective The suitable areas for planting Carya illinoinensis in China at present and in the future are predicted, which can provide reference for the cultivation of C. illinoinensis. Method With the employment of MaxEnt maximum entropy model and ArcGIS, this study is aimed to make predictions of the suitable areas for planting C. illinoinensis in China at present and in the future in different climate scenarios based on distribution data of C. illinoinensis cultivated areas in North America and the global environmental climate variables so as to provide reference for the introduction and cultivation of C. illinoinensis. Result (1) The area under the curve (AUC) of the training data and the testing data were 0.987 and 0.985, indicating high accuracy of the prediction results. (2) The jackknife test results and contribution rate results showed that the annual mean temperature, the mean temperature of the warmest season, the annual precipitation, the precipitation of the driest month, the mean temperature of the driest season, the mean diurnal range and the temperature seasonality were the key climatic variables for the growth of C. illinoinensis. (3) It is predicted that the suitable planting areas of C. illinoinensis in China at present are mainly distributed in Jiangxi, Hunan, Hubei, Anhui, Zhejiang, Jiangsu and Henan whereas under a warmer climate scenario in the future, the highly suitable planting areas of C. illinoinensis in China will increase significantly, and show a tendency of moving northward to cover a some limited areas in eastern Liaoning and Southern Jilin. Conclusion The predictions made of the suitable planting area of C. illinoinensis in China using MaxEnt model were featured with high accuracy: currently, the suitable planting areas of C. illinoinensis are mainly distributed in central and eastern China while in the future, the potential highly suitable planting areas for C. illinoinensis in central and eastern China will expand inward with the increase of temperature and the potential suitable planting areas tend to expand northward. [Ch, 3 fig. 3 tab. 36 ref.] -
Key words:
- Carya illinoinensis /
- MaxEnt model /
- jackknife test /
- potential planting area /
- climate variables
-
现代农业中无土育苗技术的广泛应用，极大促进了种苗工厂化的发展。泥炭作为无土育苗的重要基质来源，具有质轻、透气、保水保肥能力强等多种优良特性，但其价格昂贵且不可再生，因此亟需寻找可替代泥炭的生态型育苗基质[1]。园林废弃物堆肥产品作为一种廉价易得的育苗基质，富含有机质和其他营养成分，可有效替代泥炭用于基质育苗[2]。但其容重较大，pH、电导率较高，营养元素不均衡[3−4]，并且如果在育苗基质中高比例添加园林废弃物堆肥产品，可能会导致植物生长矮小、叶片黄化、出苗率低、品质差或产生“烧苗”现象[5−6]，因此需要对园林废弃物堆肥产品进行改良和优化[7−8]。
腐熟花生Arachis hypogaea壳质地较轻，营养元素丰富，将其作为基质组分可有效降低基质容重，增加基质通气性和持水性，提高基质肥力[9]。朱巧莲等[10]将腐熟花生壳替代泥炭用作金线莲Anoectochilus roxburghii的栽培基质后发现：腐熟花生壳可显著降低基质容重，增加其持水量和非毛管孔隙度，提高其全氮含量；梁新安等[11]将腐熟花生壳替代草炭用作黄瓜Cucumis sativus的育苗基质后发现：添加适当比例腐熟花生壳可有效提高基质总孔隙度，改善其理化性质，增加其保水保肥性。腐植酸作为一种重要的基质改良剂，可有效改善基质物理结构，增加其养分[12]。刘宇锋等[13]将腐植酸添加至床垫料用作辣椒Capsicum annuum的栽培基质后发现：适当比例腐植酸的添加可显著降低基质容重，提高其总孔隙度和通气孔隙度，有效改善其品质；顾鑫等[14]将腐植酸施入土壤用于玉米Zea mays种植后发现：适当比例腐植酸的施用可有效降低土壤盐碱特性，提高土壤肥力，达到良好的改良效果。因此，腐熟花生壳和腐植酸的协同作用是否可用作改良园林废弃物堆肥产品，使其可高效替代泥炭进行植物育苗值得研究。
紫苏Perilla frutescens为唇形科Labiatae的1年生草本植物，含有多种活性成分，具有较高的药用、食用和文化价值[15]。紫苏叶、根和种子是天然营养物质的有效来源，含有丰富的酚类化合物，具有良好的抗过敏、抗中毒和抗肿瘤作用[16]，因此，有关紫苏育苗的研究也逐渐成为热点。但是，将园林废弃物堆肥产品作为泥炭替代基质用于紫苏无土育苗的研究相对较少。本研究利用腐熟花生壳和腐植酸改良园林废弃物堆肥产品，并将其用于紫苏育苗。通过温室育苗试验，探讨不同处理的育苗基质对紫苏出苗的影响，以期筛选出适合紫苏育苗的最优育苗基质，为园林废弃物资源化再利用和药用植物紫苏的育苗基质开发探索新途径。
1. 材料与方法
1.1 材料
紫苏种子购于北京林业大学科技股份有限公司。供试园林废弃物堆肥产品来源于植物园堆肥厂，采用好氧堆肥法堆置。堆肥前，将园林废弃物粉碎至2 cm，调节含水量为60%，添加尿素调节碳氮比为25%~30%，并加入0.5 mg·kg−1自制菌剂(主要成分为枯草芽孢杆菌Bacillus subtilis、乳酸菌和放线菌)；堆肥过程中隔7 d翻堆1次，并定期定量洒水，使堆体含水率维持约60%，堆肥周期为45 d。堆置后的园林废弃物堆肥产品质地疏松、无结块、无明显异臭味和可视杂物， pH为7.89，电导率为1.99 mS·cm−1，质量分数全氮为17.73 g·kg−1，全磷为4.46 g·kg−1，全钾为3.14 g·kg−1，铵态氮为714.09 mg·kg−1，硝态氮为129.58 mg·kg−1，速效磷为4 764.97 mg·kg−1，速效钾为627.76 mg·kg−1，符合GB/T 33891—2017《绿化用有机基质》的产品质量要求。
供试用改良剂腐熟花生壳、腐植酸均购于北京林业大学科技股份有限公司。腐熟花生壳使用前粉碎，过2 mm筛。其pH为6.8，电导率为1.51 mS·cm−1，质量分数全氮为26.9 g·kg−1，全磷为13.22 g·kg−1，全钾为3.84 g·kg−1，铵态氮为1 256.85 mg·kg−1，硝态氮为207.00 mg·kg−1，速效磷为9 601.65 mg·kg−1，速效钾为765.84 mg·kg−1。腐植酸为黑色粉末状，粒径为0.125~1.000 mm。其pH为5.6，电导率为0.95 mS·cm−1，质量分数腐植酸为700.00 g·kg−1，黄腐酸为200.00 g·kg−1，全氮为10.29 g·kg−1，全磷为11.39 g·kg−1，全钾为3.63 g·kg−1，铵态氮为536.80 mg·kg−1，硝态氮为92.74 mg·kg−1，速效磷为3 927.41 mg·kg−1，速效钾为604.59 mg·kg−1。
1.2 方法
1.2.1 试验设计
本次育苗试验在北京林业大学科技股份有限公司温室苗圃进行。按表1设计，在园林废弃物堆肥产品中添加腐熟花生壳和腐植酸。共设9个育苗基质处理，每处理重复10盆。
表 1 正交试验设计Table 1 Orthogonal experimental design处理 不同育苗基质的原材料组成/% 处理 不同育苗基质的原材料组成/% 处理 不同育苗基质的原材料组成/% 腐熟花生壳(干质量) 腐植酸(干质量) 腐熟花生壳(干质量) 腐植酸(干质量) 腐熟花生壳(干质量) 腐植酸(干质量) T1 0 0 T4 1.5 0 T7 3.0 0 T2 0 3.0 T5 1.5 3.0 T8 3.0 3.0 T3 0 6.0 T6 1.5 6.0 T9 3.0 6.0 1.2.2 育苗基质制备
根据表1所示：分别将添加了9种不同质量分数腐熟花生壳和腐植酸的园林废弃物堆肥产品置于210 mm×150 mm×185 mm的塑料花盆(基质表面距花盆顶部约3 cm)，拌入质量比为0.1%的多菌灵，杀菌消毒后，灌水至饱和，置于温室稳定3 d，备用。在制备基质的同时，采集样品。
1.2.3 播种与管理
选取颗粒饱满、大小一致的紫苏种子，均匀播种于花盆，每粒种子埋于距基质表面1 cm处，每盆播种3粒，并对基质充足灌水。播种至幼苗发芽期间，始终保持基质湿润。
1.3 测定指标与方法
1.3.1 幼苗指标与测定方法
播种后，每天观察出苗情况，统计出苗数，计算紫苏在21 d内的出苗率。紫苏播种后第40天统计其幼苗株数(紫苏在出苗后可能发生死亡现象，因此，紫苏在播种后第21天的出苗株数和第40天的出苗株数并不完全一致)、幼苗叶片数、被虫(小菜蛾Plutella xylostella)咬食叶片数和被虫咬食株数，计算其单株叶片数、死亡率、受虫害叶片率和受虫害株率。出苗率=(种子出苗数/供试种子粒数)×100%，受虫害叶片率=(被虫咬食叶片数/叶片总数)×100%，受虫害株率=(被虫咬食株数/总株数)×100%，死亡率=(死亡数/总株数)×100%。
1.3.2 基质指标与测定方法
参照ZHANG等[8]和鲍士旦[17]的方法，测定育苗基质的容重、最大含水量、总孔隙度、通气孔隙、持水孔隙、水气比、pH、电导率以及全氮、全磷、全钾、铵态氮、硝态氮、速效磷、速效钾和有机质质量分数等。其中：容重、最大含水量、总孔隙度、通气孔隙、持水孔隙、水气比等指标用环刀法测定；pH用pH 400防水型笔式pH计(上海仪电科学仪器股份有限公司)测定；电导率用EC 400防水型笔式电导率/TDS/盐度计(上海仪电科学仪器股份有限公司)测定；全氮用H2SO4-H2O2消煮，凯氏定氮法(K1306型全自动凯氏定氮仪，上海晟声自动化分析仪器有限公司)测定；全磷用H2SO4-H2O2消煮，钼锑抗比色法(752型紫外光栅分光光度计，上海元析仪器有限公司)测定；全钾用H2SO4-H2O2消煮，火焰光度计法(FP640型火焰光度计，上海精密科学仪器有限公司)测定；铵态氮用2 mol·L−1KCl浸提，靛酚蓝比色法测定；硝态氮用酚二磺酸比色法测定；速效磷用NaHCO3浸提-钼锑抗比色法测定；速效钾用NH4OAc浸提，火焰光度法测定；有机质用稀释热法测定。
1.4 数据处理
采用Excel 2019和SPSS 23.0软件进行数据处理与单因素方差分析；采用CANOCO 5.0分析紫苏育苗与育苗基质理化性质的关系；采用模糊数学的隶属函数法综合评价紫苏在不同处理基质的育苗情况。具体计算方法为[2]：①若某指标与紫苏育苗呈正相关，则用公式R(xi)=(xi−xmin)/(xmax−xmin)求其隶属函数值。其中：xi为某指标测定值，xmax、xmin分别为该指标的最大值和最小值，R(xi)为指标xi的隶属函数值；②若某指标与紫苏育苗呈负相关，则用公式R(xi)=1−(xi−xmin)/(xmax−xmin)求其隶属函数值。③将各指标的隶属函数值进行累加后求其平均值，即为紫苏幼苗的综合评价指数。值越大，说明紫苏育苗效果越好，育苗基质越适宜。
2. 结果与分析
2.1 不同处理对育苗基质物理性质的影响
由表2可知：与T1相比，添加腐熟花生壳和腐植酸的基质(T2~T9)容重显著(P＜0.05)降低，分别降低了11.49%、13.54%、14.80%、17.36%、18.21%、22.38%、32.57%、24.27%；最大含水量显著(P＜0.05)增加，分别增加了6.13%、6.12%、11.81%、17.62%、18.31%、22.71%、29.56%、24.56%；总孔隙度显著(P＜0.05)增加，分别增加了3.42%、11.82%、15.64%、17.58%、23.25%、25.48%、31.65%、25.86%；通气孔隙度显著(P＜0.05)增加，分别增加了23.43%、21.12%、52.07%、53.15%、34.49%、122.27%、124.04%、88.33%；持水孔隙度显著(P＜0.05)增加，分别增加了0.22%、10.34%、9.81%、11.89%、21.45%、9.99%、16.86%、15.87%；水气比降低但不显著，分别降低了18.82%、8.92%、27.81%、26.96%、9.71%、50.52%、47.85%、38.49%。
表 2 不同基质的物理性质Table 2 Physical properties of different substrates处理 容重/(g·cm−3) 最大含水量/% 总孔隙度/% 通气孔隙度/% 持水孔隙度/% 水气比/% T1 0.44±0.02 a 64.59±0.72 g 62.92±0.08 e 8.68±0.04 d 54.24±0.14 e 6.25±0.06 a T2 0.39±0.03 b 68.55±1.09 f 65.07±0.09 e 10.71±0.03 c 54.36±0.13 e 5.07±0.07 a T3 0.38±0.05 b 68.54±1.11 f 70.36±0.10 d 10.51±0.05 c 59.85±0.12 c 5.69±0.04 a T4 0.37±0.04 b 72.22±0.11 e 72.76±0.11 c 13.20±0.03 b 59.56±0.09 d 4.51±0.02 a T5 0.36±0.01 b 75.97±1.14 d 73.98±0.13 c 13.29±0.09 b 60.69±0.18 b 4.57±0.02 a T6 0.36±0.03 b 76.42±1.08 c 77.55±0.10 b 11.67±0.08 c 65.87±0.20 a 5.64±0.07 a T7 0.34±0.06 c 79.26±0.65 b 78.95±0.09 b 19.29±0.11 a 59.66±0.32 d 3.09±0.04 a T8 0.30±0.02 e 83.68±0.54 a 82.83±0.06 a 19.45±0.10 a 63.39±0.18 a 3.26±0.02 a T9 0.33±0.02 d 80.45±0.45 b 79.19±0.06 b 16.35±0.14 a 62.85±0.21 a 3.84±0.07 a 理想范围 ＜0.40[8] 70.00~85.00[8] 70.00~90.00[8] 10.00~30.00[18] 45.00~−65.00[18] 2.00~4.00[19] 说明：同列不同小写字母表示不同处理间差异显著 (P＜0.05) 2.2 不同处理对育苗基质化学性质的影响
由表3可知：与T1相比，添加腐熟花生壳和腐植酸的基质(T2~T9) pH显著(P＜0.05)降低，分别降低了1.77%、3.30%、3.93%、5.32%、7.22%、8.62%、9.63%、11.53%；电导率显著(P＜0.05)降低，分别降低了13.57%、20.10%、23.12%、24.12%、25.63%、23.62%、26.13%、30.15%；全氮质量分数显著(P＜0.05)增加，分别增加了1.07%、0.73%、14.44%、13.25%、11.73%、30.34%、28.82%、25.83%；全磷质量分数显著(P＜0.05)增加，分别增加了38.34%、31.83%、41.48%、23.77%、23.54%、63.90%、65.47%、60.09%；全钾质量分数无显著变化；铵态氮质量分数显著(P＜0.05)增加，分别增加了12.62%、0.94%、28.84%、50.53%、48.09%、85.52%、85.53%、85.59%；硝态氮质量分数显著(P＜0.05)增加，分别增加了0.08%、9.71%、16.86%、14.63%、3.89%、11.06%、27.54%、6.53%；除T3外，其他处理的速效磷质量分数显著(P＜0.05)增加，T2、T4、T5、T6、T7、T8、T9分别增加了1.54%、6.82%、18.13%、10.03%、22.15%、31.45%、20.27%；速效钾质量分数显著(P＜0.05)增加，分别增加了1.51%、1.90%、1.86%、2.06%、2.80%、0.60%、0.99%、3.05%；有机质质量分数显著(P＜0.05)增加，分别增加了0.05%、0.17%、13.26%、12.77%、13.09%、22.66%、23.24%、22.73%。
表 3 不同基质的化学性质Table 3 Chemical properties of different substrates处理 pH 电导率/(mS·cm−1) 全氮/(g·kg−1) 全磷/(g·kg−1) 全钾/(g·kg−1) T1 7.89±0.08 a 1.99±0.74 a 17.73±0.68 e 4.46±1.07 b 3.14±0.04 a T2 7.75±0.12 a 1.72±0.14 a 17.92±1.54 e 6.17±1.25 a 3.20±0.03 a T3 7.63±0.02 a 1.59±0.12 b 17.86±2.11 e 5.88±0.45 a 3.45±0.27 a T4 7.58±0.10 a 1.53±0.03 b 20.29±1.38 c 6.31±1.00 a 3.16±0.06 a T5 7.47±0.08 b 1.51±0.06 b 20.08±3.10 c 5.52±0.45 a 3.27±0.03 a T6 7.32±0.04 c 1.48±0.05 b 19.81±1.14 d 5.51±1.03 a 3.19±0.14 a T7 7.21±0.05 d 1.52±0.08 b 23.11±2.03 a 7.31±0.75 a 3.38±0.09 a T8 7.13±0.09 e 1.47±0.02 b 22.84±1.98 a 7.38±0.96 a 3.34±0.11 a T9 6.98±0.06 f 1.39±0.01 c 22.31±2.87 b 7.14±0.42 a 3.51±0.19 a 处理 铵态氮/(mg·kg−1) 硝态氮/(mg·kg−1) 速效磷/(mg·kg−1) 速效钾/(mg·kg−1) 有机质/(mg·kg−1) T1 714.09±44.38 d 129.58±5.24 c 4 764.97±82.52 e 627.76±3.24 d 548.69±12.91 f T2 804.24±62.78 c 129.69±0.93 c 4 838.35±130.58 d 637.22±2.24 b 548.98±14.93 f T3 720.83±111.33 d 142.16±8.82 b 4 690.12±175.35 e 639.70±1.25 a 549.65±18.31 f T4 920.03±28.44 b 151.43±17.54 a 5 090.17±168.04 c 639.44±7.95 a 621.43±9.22 d T5 1074.94±32.49 b 148.54±2.33 a 5 628.76±202.95 b 640.71±2.23 a 618.78±9.37 e T6 1 057.53±173.67 b 134.62±18.06 b 5 242.77±45.47 c 645.31±0.25 a 620.52±11.54 d T7 1 324.80±115.38 a 143.91±5.24 b 5 820.21±331.18 b 631.53±8.20 c 673.02±15.90 c T8 1 324.87±85.48 a 165.26±4.36 a 6 263.58±89.33 a 633.95±1.50 c 676.22±8.56 b T9 1 325.27±28.26 a 138.04±3.55 b 5 730.77±117.63 b 646.93±3.00 a 673.43±18.88 c 说明：同列不同小写字母表示不同处理间差异显著 (P＜0.05) 2.3 不同处理对紫苏出苗的影响
由图1可知：T4、T5、T7、T8、T9紫苏种子在播种后第7天开始出苗，T6在播种后第8天开始出苗，T3在播种后第9天开始出苗，T1和T2在播种后第10天开始出苗。其中，T8和T9紫苏种子出苗速度较快，并且在播种后第11天出苗率已达80%以上，分别为84%和88%；T1和T2紫苏种子出苗速度较慢，在播种后第21天出苗率仍均不足60%，分别为55%和58%。在播种后的第21天，紫苏在不同基质内的出苗率从高到低依次为T9、T8和T6、T7、T5、T4、T3、T2、T1，其中T6~T9的出苗率大于80%，分别为91%、88%、91%、93%，T1~T5的出苗率小于80%，分别为55%、58%、65%、71%、75%。
由表4可知：不同基质的紫苏幼苗单株叶片数、幼苗死亡率、幼苗受虫害叶片率和幼苗受虫害株率有显著(P＜0.05)差异。其中，T8和T9紫苏幼苗单株叶片数较多，T3和T4紫苏幼苗单株叶片数较少；T1和T2紫苏幼苗死亡率较高，T8和T9紫苏死亡率较低；T1和T6紫苏幼苗受虫害叶片率较高，T3和T5紫苏幼苗受虫害叶片率较低；T5和T6紫苏幼苗受虫害株率较高，T3和T8紫苏幼苗受虫害株率较低。
表 4 不同基质的紫苏幼苗单株叶片数、死亡率、受虫害叶片率和受虫害株率Table 4 Number of leaves per plant, mortality rate, leaf infestation rate and plant infestation rate of P. frutescens seedlings in different substrates处理 单株叶片数/片 死亡率/% 受虫害叶片率/% 受虫害株率/% T1 5.40±1.51 b 36.12±1.44 a 12.46±0.43 b 19.54±0.76 e T2 5.37±1.03 b 33.17±2.63 b 8.56±0.58 f 19.43±0.31 e T3 4.21±1.57 d 22.89±2.63 d 6.99±0.89 h 18.57±0.99 f T4 4.46±0.50 d 21.30±1.88 e 11.83±0.54 c 21.78±0.76 c T5 4.50±2.22 d 32.20±1.64 c 7.43±1.11 g 23.84±1.98 b T6 5.03±0.81 c 14.31±0.92 f 17.73±1.02 a 26.46±1.53 a T7 4.82±1.31 c 12.67±2.75 g 10.84±0.98 d 23.72±0.92 b T8 6.12±0.59 a 10.74±1.75 i 9.93±0.47 e 17.65±0.83 g T9 6.43±0.62 a 11.34±2.42 h 11.95±0.87 c 20.68±0.54 d 说明：同列不同小写字母表示不同处理间差异显著 (P＜0.05) 2.4 紫苏育苗与育苗基质理化性质的关系
冗余分析结果显示：多个理化性质间存在共线性，因此选用向前选择法筛选出方差膨胀因子小于10的容重、总孔隙度、pH、电导率以及全氮、全磷、全钾、速效钾质量分数等8个理化性质作为解释变量。图2为紫苏育苗情况与筛选后基质理化性质间的冗余分析排序图。在基质理化性质中，容重、pH、电导率、总孔隙度和全氮质量分数对紫苏育苗情况有较高的解释量；紫苏幼苗出苗率、受虫害叶片率和受虫害株率与育苗基质总孔隙度以及全氮、全磷、全钾、速效钾质量分数呈正相关，与育苗基pH、电导率、容重呈负相关；紫苏幼苗单株叶片数与育苗基质全氮、全磷、全钾质量分数以及总孔隙度呈正相关，与育苗基质pH、容重呈负相关，与育苗基质速效钾质量分数、电导率相关性较弱；紫苏幼苗死亡率与育苗基质pH、电导率、容重呈正相关，与育苗基质总孔隙度以及全氮、全磷、全钾、速效钾质量分数呈负相关。
图 2 紫苏育苗情况与筛选后育苗基质理化性质间的冗余分析Figure 2 Redundancy analysis of P. frutescens seedling state and physicochemical characters of seedling substrate after screening2.5 紫苏育苗的综合评价
通过模糊数学的隶属函数法，计算T1~T9基质的紫苏育苗综合评价指数。由表5可知：T2~T9的紫苏幼苗综合评价指数均高于T1，其中T8的紫苏幼苗综合评价指数最高，表明T8的紫苏育苗效果最优。
表 5 不同育苗基质对紫苏育苗情况的综合评价Table 5 Comprehensive evaluation of P. frutescens seedlings on different substrates处理 单指标评价指数 综合评
价指数出苗率 单株叶
片数死亡率 受虫害
叶片率受虫害
株率T1 0.00 0.54 0.00 0.49 0.79 0.36 T2 0.08 0.52 0.12 0.85 0.85 0.48 T3 0.26 0.00 0.52 1.00 0.92 0.54 T4 0.42 0.11 0.58 0.55 0.65 0.46 T5 0.53 0.13 0.15 0.96 0.48 0.45 T6 0.95 0.37 0.86 0.00 0.25 0.49 T7 0.87 0.27 0.92 0.64 0.49 0.64 T8 0.95 0.86 1.00 0.73 1.00 0.91 T9 1.00 1.00 0.98 0.54 0.74 0.85 3. 讨论
3.1 不同处理影响育苗基质物理性质的原因分析
除T1 (100%园林废弃物堆肥产品)外，T2~T9的容重均小于0.40 g·cm−3，表明腐熟花生壳和腐植酸可以降低基质紧实度，使其更为疏松透气。这与已有研究结果[10−12]一致。在一定范围内，孔隙度越大，基质容纳的空气和水分越多，基质的排水能力和保水能力就越好[20]。添加适宜比例腐熟花生壳和腐植酸可显著增加基质的含水量和孔隙度，改善基质中大、小孔隙的比例，从而改善园林废弃物堆肥产品的保水性和通气性，使其处于理想范围。其主要原因可能是由于腐熟花生壳质地疏松，具有较大的孔隙，腐植酸含羧基、羟基等亲水基团，可促进基质中水稳性大团聚体的形成，减少微团聚体的含量，因此将两者结合可降低基质容重，提高基质水分供给和气体交换能力，从而起到保水保肥作用[8, 21]。
3.2 不同处理影响育苗基质化学性质的原因分析
理想基质的pH为6.0~7.5[7]。未添加腐熟花生壳和腐植酸的园林废弃物堆肥产品(T1)的pH大于7.5，呈碱性，不利于种子萌发和幼苗生长；添加腐熟花生壳和腐植酸后(T2~T9)，基质环境变成中性，达到理想要求。这可能是因为腐熟花生壳和腐植酸中含有较多羧基、酚羟基等酸性基团可解离出较多的H+，可与园林废弃物堆肥产品中的碱性物质发生中和反应，使基质的pH下降[21, 22]。这表明腐熟花生壳和腐植酸作为改良剂可有效调节园林废弃物堆肥产品的pH，使基质酸碱环境可达理想范围。
理想育苗基质的电导率应小于0.65 mS·cm−1(GB/T 33891—2017)。本研究中，T1~T9的电导率均不在理想范围，但是腐熟花生壳和腐植酸的添加可降低基质可溶性盐的含量，其主要原因可能是由于腐熟花生壳和腐植酸中含有较多的酚羟基，此类官能团上的H+可与基质水溶液的K+、Na+等盐基离子发生离子交换作用，减少基质水溶液的可溶性盐含量，达到降低基质电导率的效果[23]。
腐熟花生壳和腐植酸的添加可提高基质中铵态氮和硝态氮质量分数，主要原因可能是由于腐植酸可提高脲酶活性，促进尿素分解，还可与尿素分解产生的NH4+结合生成稳定的腐植酸铵盐，避免了氨的挥发，增加了NH4+质量分数；腐熟花生壳含有丰富的纤维素，质地坚硬，疏松多孔，利于硝化细菌附着或将其作为固体碳源进行利用，从而提高了硝化细菌的活性，增加了NO3−质量分数[24−25]。因此，将腐熟花生壳和腐植酸作为改良剂添加至园林废弃物堆肥产品中，可增强基质供应氮元素的能力，有助于植物对基质养分的吸收。
添加腐熟花生壳和腐植酸可提高基质中全磷和速效磷质量分数，主要原因可能是由于腐熟花生壳和腐植酸自身含有较多的磷素，且腐熟花生壳疏松多孔的结构适合微生物生长，又可为其提供所需的碳源，增强微生物活动和数量，两者的添加可显著加速有机磷向无机磷的转化。另外，腐植酸含有的胡敏酸可与基质的铁、铝等金属发生络合反应，减缓磷的固定；腐植酸含有的酸性基团还可活化基质的无机固定态磷[23]。因此，将两者联合添加可提高基质的全磷和速效磷质量分数，增强基质供应磷素的能力。
添加腐植酸可在一定程度上增强基质供应速效钾的能力，可能是由于腐植酸粉末具有巨大的表面积，带有大量的电荷，可与基质的K+进行吸附交换作用，补充基质溶液的钾质量分数，从而增加基质的钾利用率[14, 23]。
添加腐熟花生壳和腐植酸可以有效增加基质的有机质供应，主要原因可能是由于腐熟花生壳含大量的纤维素、半纤维素和木质素等含碳有机化合物和蛋白质等含氮化合物，同时，腐植酸也是一种大分子有机物质，有机质丰富，将两者联合添加可有效增加基质肥力，提高有机质供应水平[14]。
3.3 不同处理影响紫苏出苗的原因分析
种子的出苗率和出苗速度是衡量育苗基质优劣的重要指标，其中种子出苗率达80%是判断基质适宜的首要依据[2, 7, 26]。本研究表明：紫苏种子在T6~T9的出苗率达80%，出苗情况较好。可能是由于T6~T9的基质容重、pH、电导率等较低，总孔隙度以及全氮、全磷、全钾、速效钾质量分数等较高，可为紫苏种子提供合适的水分、氧气、温度和养分，比较适合紫苏种子出苗。
叶片数量是影响生态系统服务的植物功能性状之一，可反映植株的生长情况[27]。本研究表明：T8和T9的紫苏生长发育较好，可生长出更多的叶片进行光合作用和蒸腾作用，可能是由于T8和T9的容重和pH较低，总孔隙度以及全氮、全磷、全钾质量分数等较高，其通气性较好且供肥能力较强，可提供给幼苗更多的养分，利于幼苗生长和叶片建成。
本研究表明：紫苏幼苗死亡率受总孔隙度、容重、pH、电导率以及全氮、全磷、全钾、速效钾质量分数的影响较大，且随基质容重、pH、电导率的增加而增加，随基质总孔隙度以及全氮、全磷、全钾、速效钾质量分数的增加而减少。T6~T9的紫苏幼苗死亡比例较低，可能是由于T6~T9的基质容重、pH、电导率较低，总孔隙度以及全氮、全磷、全钾、速效钾质量分数较高，可为紫苏提供良好的基质环境，比较适合紫苏幼苗成活。
T8的紫苏幼苗虫害发生率较低，抗虫性较好，可能是由于T8的养分质量分数较高，酸碱性适宜，可溶性盐质量分数较低，不仅可为紫苏幼苗提供充足的合成次生代谢产物等防御性物质所需的原料，使其加强化学防御，提高其对害虫直接或间接的防御能力，也可以为其提供适宜的基质环境，增加其营养和根系活力，进而增强紫苏幼苗对害虫的耐受性，提高其抗虫性。
4. 结论
添加腐熟花生壳和腐植酸可显著降低园林废弃物堆肥产品的容重、pH、电导率，提高其最大含水量和孔隙度，增加其全氮、全磷、铵态氮、硝态氮、速效磷、速效钾和有机质质量分数。表明腐熟花生壳和腐植酸可使园林废弃物堆肥产品质量得到一定程度的提高。改良后的园林废弃物堆肥产品可显著提高紫苏幼苗发芽率和发芽速度，降低幼苗死亡率和虫害发生率，提高抗虫性，有利于紫苏快速出苗和成活，同时具有一定的生物防治效果。在9种不同基质中，紫苏幼苗综合效果由高向低依次为T8、T9、T7、T3、T6、T2、T4、T5、T1，表明T8 (即3.0%腐熟花生壳+3.0%腐植酸)为最优组配。这一组配不仅可以改善园林废弃物堆肥产品的理化性质，增加养分质量分数，还可以提高紫苏出苗率，降低幼苗受虫害程度。
-
图 2 刀切法检验气候变量的测试增益结果
Figure 2 Jackknife test to examine training gain result of climate variables
图 3 薄壳山核桃存在概率对主要气候变量的响应曲线
Figure 3 Response curves of existence probability of C. illinoinensis to main climate variables
表 1 气候变量
Table 1. Climate variables
气候变量 描述 单位 气候变量 描述 单位 bio1 年均气温 ℃ bio11 最冷季平均气温 ℃ bio2 昼夜温差月均值 ℃ bio12 年降水量 mm bio3 等温性 bio13 最湿月降水量 mm bio4 气温的季节性 bio14 最干月降水量 mm bio5 最暖月最高气温 ℃ bio15 季节性降水 bio6 最冷月最低气温 ℃ bio16 最湿季降水量 mm bio7 年均气温范围 ℃ bio17 最干季降水量 mm bio8 最湿季平均气温 ℃ bio18 最暖季降水量 mm bio9 最干季平均气温 ℃ bio19 最冷季降水量 mm bio10 最暖季平均气温 ℃ 说明：等温性为昼夜温差月均值除以年均气温范围；年均气温范围为最暖月最高气温与最冷月最低气温的差值 
下载: 导出CSV
表 2 气候变量的贡献率
Table 2. Contribution of climate variables
气候变量 贡献率/% 累积贡献/% 气候变量 贡献率/% 累积贡献/% bio14 33.8 33.8 bio18 7.1 90.3 bio2 21.8 55.6 bio1 5.5 95.8 bio10 17.3 72.9 bio12 3.8 99.6 bio4 10.3 83.2 bio9 0.4 100.0
下载: 导出CSV
表 3 不同气候情景下薄壳山核桃在中国的适生区面积
Table 3. Suitable area of C. illinoinensis in China under different climate change scenarios
气候情景 起止年份 潜在高适生区面积/
km2潜在低适生区面积/
km2适生区总面积/km2
(约占中国陆地面积的比例/%)当前 1970—2000 55 142 836 794 891 936(9.29) 中等强迫情景(ssp245) 2041—2060 265 155 906 770 1 171 925(12.21) 2061—2080 591 863 827 055 1 418 918(14.78) 中等至高强迫情景(ssp370) 2041—2060 581 777 798 618 1 380 395(14.38) 2061—2080 837 574 866 531 1 704 105(17.75) 高强迫情景(ssp585) 2041—2060 571 657 842 062 1 413 719(14.73) 2061—2080 846 533 852 165 1 698 698(17.69)
下载: 导出CSV
-
[1] 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, 2004. Editorial Committee of Flora of China, Chinese Academy of Sciences. Flora of China[M]. Beijing: Science Press, 2004. [2] HALL G D. Pecan food potential in prehistoric North America [J]. Econ Bot, 2000, 54(1): 103 − 112. [3] WAKELING L T, MASON R L, D’ARCY B R, et al. Composition of pecan cultivars Wichita and Western Schley [Carya illinoinensis (Wangenh.)K. Koch] grown in Australia [J]. J Agric Food Chem, 2001, 49(3): 1277 − 1281. [4] YANG Jun. Brazil nut and associated health benefits: a review [J]. LWT-Food Sci Technol, 2009, 42(10): 1573 − 1580. [5] BOLLING B W, CHEN C Y O, MCKAY D L, et al. Tree nut phytochemicals: composition, antioxidant capacity, bioactivity, impact factors. A systematic review of almonds, Brazils, cashews, hazelnuts, macadamias, pecans, pine nuts, pistachios and walnuts [J]. Nutr Res Rev, 2011, 24(2): 244 − 275. [6] 罗会婷, 贾晓东, 翟敏, 等. 薄壳山核桃营养成分的研究进展[J]. 中国农学通报, 2017, 33(8): 39 − 46. LUO Huiting, JIA Xiaodong, ZHAI Min, et al. A review of nutritional components in Carya illinoinensis [J]. Chin Agric Sci Bull, 2017, 33(8): 39 − 46. [7] MORGAN W A, CLAYSHULTE B J. Pecans lower low density lipoprotein cholesterol in people with normal lipid levels [J]. J Am Dietetic Association, 2000, 100(3): 312 − 318. [8] ZHANG Rui, PENG Fangren, LI Yongrong. Pecan production in China [J]. Sci Hortic, 2015, 197(10): 719 − 727. [9] 张日清, 吕芳德, 何方. 美国山核桃引种栽培区划研究(Ⅰ)原生境与新生境自然条件比较[J]. 中南林学院学报, 2001, 21(2): 1 − 5. ZHANG Riqing, LÜ Fangde, HE Fang. Cultural regionalization for the introduced pecan tree in China (Ⅰ) comparative study of the site conditions between USA and China [J]. J Cent South For Univ, 2001, 21(2): 1 − 5. [10] HERNANDEZ P A, GRAHAM C H, MASTER L L, et al. The effect of sample size and species characteristics on performance of different species distribution modeling methods [J]. Ecography, 2006, 29(5): 773 − 785. [11] 陈新美, 雷渊才, 张雄清, 等. 样本量对MaxEnt模型预测物种分布精度和稳定性的影响[J]. 林业科学, 2012, 48(1): 53 − 59. CHEN Xinmei, LEI Yuancai, ZHANG Xiongqing, et al. Effects of sample sizes on accuracy and stability of maximum entropy model in predicting species distribution [J]. Sci Silv Sin, 2012, 48(1): 53 − 59. [12] 胡秀, 吴福川, 郭微, 等. 基于MaxEnt生态学模型的檀香在中国的潜在种植区预测[J]. 林业科学, 2014, 50(5): 27 − 33. HU Xiu, WU Fuchuan, GUO Wei, et al. Identification of potential cultivation region for Santalum album in China by the MaxEnt ecologic niche model [J]. Sci Silv Sin, 2014, 50(5): 27 − 33. [13] 李宏群, 刘晓莉, 汪建华, 等. 未来气候变化对重庆榨菜种植适宜区的影响[J]. 应用生态学报, 2018, 29(8): 2651 − 2657. LI Hongqun, LIU Xiaoli, WANG Jianhua, et al. Influence of climate change on the suitable ranges for planting pickled mustard tuber in Chongqing [J]. Chin J Appl Ecol, 2018, 29(8): 2651 − 2657. [14] 张梅, 禄彩丽, 魏喜喜, 等. 基于MaxEnt模型新疆枣潜在适生区预测[J]. 经济林研究, 2020, 38(1): 152 − 161. ZHANG Mei, LU Caili, WEI Xixi, et al. Potential suitable area forecast of jujube in Xinjiang based on MaxEnt model [J]. Nonwood For Res, 2020, 38(1): 152 − 161. [15] 王书越, 潘少安, 王明睿, 等. 基于MaxEnt模型评估刺五加在东北地区的空间分布[J]. 生态学报, 2019, 39(9): 3277 − 3286. WANG Shuyue, PAN Shaoan, WANG Mingrui, et al. Assessing the geographic distribution of Acanthopanax senticosus in northeastern China based on the MaxEnt model [J]. Acta Ecol Sin, 2019, 39(9): 3277 − 3286. [16] 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 Tong, HUANG Zhihao, PENG Yangjing, et al. Prediction of potential suitable areas of Actinidia arguta in China based on Maxent model [J]. Acta Ecol Sin, 2020, 40(14): 4921 − 4928. [17] MATYUKHINA D S, MIQUELLE D G, MURZIN A A, et al. Assessing the influence of environmental parameters on Amur tiger distribution in the Russian far east using a MaxEnt modeling approach [J]. Achiev Life Sci, 2014, 8(2): 95 − 100. [18] 王雨生, 王召海, 邢汉发, 等. 基于MaxEnt模型的珙桐在中国潜在适生区预测[J]. 生态学杂志, 2019, 38(4): 1230 − 1237. WANG Yusheng, WANG Zhaohai, XING Hanfa, et al. Prediction of potential suitable distribution of Davidia involucrata Baill in China based on MaxEnt [J]. Chin J Ecol, 2019, 38(4): 1230 − 1237. [19] 崔绍朋, 罗晓, 李春旺, 等. 基于MaxEnt模型预测白唇鹿的潜在分布区[J]. 生物多样性, 2018, 26(2): 171 − 176. CUI Shaopeng, LUO Xiao, LI Chunwang, et al. Predicting the potential distribution of white-lipped deer using the MaxEnt model [J]. Biodiversity Sci, 2018, 26(2): 171 − 176. [20] 喜超, 木霖, 李胜, 等. 基于MaxEnt和ArcGIS预测大薸在云南的潜在适生区[J]. 云南农业大学学报(自然科学), 2018, 33(1): 7 − 16. XI Chao, MU Lin, LI Sheng, et al. MaxEnt modeling and ArcGIS for predicting the potential distribution of Pistia stratiotes L. in Yunnan Province [J]. J Yunnan Agric Univ Nat Sci, 2018, 33(1): 7 − 16. [21] 李丽鹤, 刘会玉, 林振山, 等. 基于MaxEnt和ZONATION的加拿大一枝黄花入侵重点监控区确定[J]. 生态学报, 2017, 37(9): 3124 − 3132. LI Lihe, LIU Huiyu, LIN Zhenshan, et al. Identifying priority areas for monitoring the invasion of Solidago canadensis based on MaxEnt and ZONATION [J]. Acta Ecol Sin, 2017, 37(9): 3124 − 3132. [22] 王茹琳, 李庆, 封传红, 等. 基于MaxEnt的西藏飞蝗在中国的适生区预测[J]. 生态学报, 2017, 37(24): 8556 − 8566. WANG Rulin, LI Qing, FENG Chuanhong, et al. Predicting potential ecological distribution of Locusta migratoria tibetensis in China using MaxEnt ecological niche modeling [J]. Acta Ecol Sin, 2017, 37(24): 8556 − 8566. [23] 王晓玮, 任雪燕, 梁英梅. 基于MaxEnt模型的松针红斑病在中国的潜在分布区及适生性预测分析[J]. 林业科学, 2019, 55(4): 160 − 170. WANG Xiaowei, REN Xueyan, LIANG Yingmei, et al. MaxEnt-based prediction of potential geographic distribution and habitat suitability analysis for Dothistroma pini in China [J]. Sci Silv Sin, 2019, 55(4): 160 − 170. [24] 崔骁芃, 石娟, 王海香, 等. 基于MaxEnt模型的红脂大小蠹在中国适生区的预测[J]. 植物保护学报, 2019, 46(4): 925 − 926. CUI Xiaopeng, SHI Juan, WANG Haixiang, et al. Predicting potential geographical distribution of red turpentine beetle Dendroctonus valens in China based on MaxEnt model [J]. J Plant Prot, 2019, 46(4): 925 − 926. [25] 张日清, 吕芳德, 何方, 等. 美国山核桃引种栽培区划研究(Ⅲ)区划结果与分区描述[J]. 中南林学院学报, 2002, 22(3): 14 − 19. ZHANG Riqing, LÜ Fangde, HE Fang, et al. Cultural regionalization for the introduced pecan tree in China (Ⅲ) region designation and description [J]. J Cent South For Univ, 2002, 22(3): 14 − 19. [26] 程晋昕, 段长春, 闫生杰. 基于MaxEnt模型的薄壳山核桃气候适宜性区划[J]. 应用气象学报, 2020, 31(5): 631 − 640. CHENG Jinxin, DUAN Changchun, YAN Shengjie. Climate suitability regionalization of pecan based on MaxEnt model [J]. J Appl Meteorol Sci, 2020, 31(5): 631 − 640. [27] 郭燕青, 史梦竹, 李建宇, 等. 基于Maxent模型的假臭草潜在分布区预测[J]. 热带亚热带植物学报, 2019, 27(3): 250 − 260. GUO Yanqing, SHI Mengzhu, LI Jianyu, et al. Prediction of potential distribution area of Praxelis clematidea based on Maxent model [J]. J Trop Subtrop Bot, 2019, 27(3): 250 − 260. [28] HIJMANS R J, CAMERON S E, PARRA J L, et al. Very high resolution interpolated climate surfaces for global land areas [J]. Int J Climatol, 2005, 25(15): 1965 − 1978. [29] 张丽霞, 陈晓龙, 辛晓歌. CMIP6情景模式比较计划(ScenarioMIP)概况与评述[J]. 气候变化研究进展, 2019, 15(5): 519 − 525. ZHANG Lixia, CHEN Xiaolong, XIN Xiaoge. Short commentary on CMIP6 Scenario Model Intercomparison Project (ScenarioMIP) [J]. Clim Change Res, 2019, 15(5): 519 − 525. [30] 董波, 李建伟, 林杰, 等. 基于MaxEnt模型预测漆树在中国的潜在适生区研究[J]. 西南林业大学学报(自然科学), 2020, 40(2): 79 − 85. DONG Bo, LI Jianwei, LIN Jie, et al. Predication of potential distribution of Toxicodendron vernicifluum in China based on MaxEnt model [J]. J Southwest For Univ Nat Sci, 2020, 40(2): 79 − 85. [31] 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. [32] 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. [33] 张日清, 吕芳德, 何方, 等. 美国山核桃引种栽培区划研究(Ⅱ)前期引种效果[J]. 中南林学院学报, 2002, 22(2): 17 − 20. ZHANG Riqing, LÜ Fangde, HE Fang, et al. Cultural regionalization for the introduced pecan tree in China (Ⅱ) survey and assessment of previous introduction results [J]. J Cent South For Univ, 2002, 22(2): 17 − 20. [34] 欧阳林男, 陈少雄, 刘学锋, 等. 赤桉在中国的适生地理区域及其对气候变化的响应[J]. 林业科学, 2019, 55(12): 1 − 11. OUYANG Linnan, CHEN Shaoxiong, LIU Xuefeng, et al. Suitable geographic range for Eucalyptus camaldulensis in China and its response to climate change [J]. Sci Silv Sin, 2019, 55(12): 1 − 11. [35] 赵儒楠, 何倩倩, 褚晓洁, 等. 气候变化下千金榆在我国潜在分布区预测[J]. 应用生态学报, 2019, 30(11): 3833 − 3843. ZHAO Runan, HE Qianqian, CHU Xiaojie, et al. Prediction of potential distribution of Carpinus cordata in China under climate change [J]. Chin J Appl Ecol, 2019, 30(11): 3833 − 3843. [36] 李璇, 李垚, 方炎明. 基于优化的Maxent模型预测白栎在中国的潜在分布区[J]. 林业科学, 2018, 54(8): 153 − 164. LI Xuan, LI Yao, FANG Yanming. Prediction of potential suitable distribution areas of Quercus fabri in China based on an optimized Maxent model [J]. Sci Silv Sin, 2018, 54(8): 153 − 164. -
-
链接本文:
https://zlxb.zafu.edu.cn/article/doi/10.11833/j.issn.2095-0756.20210106
点击查看大图
计量
- 文章访问数: 865
- HTML全文浏览量: 165
- PDF下载量: 53
- 被引次数: 0
