土地利用和气候变化对青海省雪豹潜在适宜生境的影响

王祥福; 李愿会; 王维枫; 孙杰杰; 王倩; 董文婷; 王荣女; 杨娅琪

doi:10.11833/j.issn.2095-0756.20230259

土地利用和气候变化对青海省雪豹潜在适宜生境的影响

DOI: 10.11833/j.issn.2095-0756.20230259

1.
国家林业和草原局西北调查规划院旱区生态水文与灾害防治国家林业和草原局重点实验室，陕西西安 710048
2.
南京林业大学生态与环境学院南方现代林业协同创新中心，江苏南京 210037

基金项目: 国家林业和草原局西北调查规划院2021年科技创新项目 (XBJ-KJCX-2021-16)

详细信息

作者简介: 王祥福(ORCID: 0000-0003-3176-3820)，高级工程师，从事森林生态学研究。E-mail： wxf5378@163.com

通信作者: 李愿会(ORCID: 0009-0005-3387-6687)，教授级高级工程师，从事森林生态学研究。E-mail： nwinventory@sina.com

中图分类号: Q958；S718.6

Impact of land use and climate change on potential suitable habitats of snow leopards (Panthera uncia) in Qinghai Province

1.
Key Laboratory of National Forestry and Grassland Administration on Ecological Hydrology and Disaster Prevention in Arid Regions, Northwest Surveying and Planning Institute, National Forestry and Grassland Administration, Xi’an 710048, Shaanxi, China
2.
Co-innovation Center for Sustainable Forestry in Southern China, College of Ecology and Environment , Nanjing Forestry University, Nanjing 210037, Jiangsu, China

摘要: 目的模拟不同气候情景下高寒山地珍稀动物适宜生境变化，对探究天然林资源保护工程前后土地利用变化对高寒山地珍稀动物的影响具有重要的实践意义。方法选取对雪豹 Panthera uncia分布可能存在影响的22个环境变量，分别利用2000和2020年土地利用数据代表天然林资源保护工程实施前后土地利用类型变化的情况，运用最大熵模型 (MaxEnt) 模拟雪豹适生区的分布变化，并对未来RCP 4.5和RCP 8.5等2种气候情景下2050年的雪豹潜在适宜生境进行模拟。结果天然林资源保护工程实施之前，雪豹在青海省的高适生区面积为11.79万 km²，中适生区面积为11.96万 km²，低适生区面积为22.96万 km²，总适宜性分布面积为46.71万 km²(占研究区域面积的64.7%)。天然林资源保护工程实施之后，雪豹的高、中、低适生区分别为11.78、11.77、24.14万 km²，总适生区面积共增加到了47.69万 km²(占研究区域面积的66.0%)。未来场景模拟结果显示：至2050年，青海省雪豹适宜生境总体上呈现出收缩聚拢的趋势，其高、中、低适宜生境面积相较于2020年都出现了一定程度的下降。其中，适宜生境在RCP 4.5和RCP 8.5情景下分别减少0.14和0.72万 km²，而中高适宜生境面积减少0.32和0.49万 km²。结论相比2000年，2020年土地利用发生了变化，雪豹适宜生境略有增加，天然林资源保护工程并未导致雪豹适宜生境的明显扩张。气候变暖可能对雪豹的适宜生境产生负面影响。建议加强雪豹活动监测，提前制定气候变化下雪豹等濒危野生动物的保护策略。表3参42
- 物种分布 /
- 气候变化 /
- 珍稀动物 /
- 雪豹 /
- 土地利用 /
- 最大熵模型
Abstract: Objective The aim of this study is to simulate suitable habitat changes of snow leopards (Panthera uncia) under land use change before and after Natural Forest Protection Project (NFPP) and different climate scenarios, which has practical significance for rare animal conservation in alpine mountains. Method Total 22 environmental variables that might have an impact on the distribution of snow leopards were selected and the land use data in 2000 and 2020 were used to represent the changes in land use type before and after the implementation of NFPP. The maximum entropy model (MaxEnt) was used to simulate the distribution change of suitable habitats for snow leopards, and the potential suitable habitats for snow leopards in 2050 under two climate scenarios, namely RCP 4.5 and RCP 8.5, were simulated. Result Before the implementation of NFPP, the high suitable area of snow leopards in Qinghai Province was 117 900 km², the medium suitable area was 119 600 km², and the low suitable area was 229 600 km². The total suitability distribution area was 467 100 km² (accounting for 64.7% of the study area). After the implementation of NFPP, the high, medium, and low suitable areas of snow leopards were 117 800, 117 700 and 241 400 km², respectively, and the total suitable area increased to 476 900 km² (accounting for 66.0% of the study area). The simulation results of future scenarios showed that by 2050, the suitable habitat of snow leopards in Qinghai Province would generally show a trend of contraction and agglomeration, with a certain degree of decrease in the areas of high, medium and low suitable habitats compared with 2020. Among them, the medium suitable habitats would decrease by 1 400 and 7 200 km² under RCP 4.5 and RCP 8.5 scenarios, respectively, while the high and medium suitable habitat area would decrease by 3 200 and 4 900 km², respectively. Conclusion The land use changed from 2000 to 2020, with a slight increase in the suitable habitat for snow leopards, inferring that NFPP has not led to the expansion of sirable habitat for snow leopards. A future warming climate will have a negative impact on the suitable habitat for snow leopards. Therefore, forestry management departments should strengthen monitoring of snow leopard activities and develop conservation strategies in advance for endangered wildlife such as snow leopards under climate change. [Ch, 3 tab. 42 ref.]
- species distribution /
- climate change /
- rare animals /
- Panthera uncia /
- land use /
- MaxEnt

木材是一种由纤维素、半纤维素和木质素组成的复杂聚合物。木材的化学成分和多孔结构决定着其弯曲加工性能^[1−2]，已有研究发现阔叶材弯曲性能普遍优于针叶材^[3−4]。近年来，国内外学者从软化处理和顺纹压缩处理对弯曲木材微观结构、化学成分和应力-应变本构关系的影响角度开展了研究，发现压缩处理过程中导管变形对木材弯曲成型的质量影响显著^[5]。其中，张燕等^[3]研究发现：在允许的应力范围内，顺纹压缩后环孔材拉伸面和压缩面的导管壁均出现了褶皱，有利于实现木材的顺纹压缩。此外，不同早材导管带位置对白栎Quercus alba木材弯曲蠕变性能的影响研究表明：瞬时应变和45 min应变均随早材导管带与受力面之间距离的增加而大幅度减小^[6−7]。由此可见，弯曲压缩过程中早材导管带不仅影响细胞变形和力学特性，而且对木材的弯曲性能影响显著。

木材时温等效原理是指木材在较高温度、较短时间内的力学性质和力学行为与其在较低温度、较长时间内的力学性质和力学行为等效，可以快速预测木材在低温状态下长时间内的力学响应^[8−9]。PLACET等^[10]在0~95 ℃测试温度下探究饱水山毛榉Fagus sylvatica与橡木Quercus sessiliflora的黏弹性以及对时温等效原理的适用性，发现此原理只适用于小于玻璃化转变区域的温度范围。WANG等^[11]采用时间-应力叠加原理(time-stress superposition principle, TSSP)和时间-温度-应力叠加原理(time-temperature-stress superposition principle, TTSSP)模拟了高温处理后杉木Cunninghamia lanceolata的弯曲蠕变响应特性，表明其弯曲蠕变行为的温度阈值为180 ℃。含水率、温度和纹理取向对木材静态黏弹性的影响显著^[12−14]，然而，关于汽蒸预处理对环孔材弯曲蠕变行为的时温等效特性研究未见相关报道。为此，本研究以白栎木材为研究对象，考察不同汽蒸预处理温度、测试温度及早材导管带条件下木材的弯曲蠕变特性并开展时温等效特性研究，以期为木材弯曲加工提供理论和技术支撑。

1. 材料与方法

1.1 材料

试材为美国产白栎木材，环孔材早材，试样取自白栎木材第3个年轮内侧区域，树龄为20 a，胸径25 cm以上，年轮宽度为3~5 mm，产于美国东部，购自中国浙江省湖州市南浔建材市场，其气干密度为(0.76±0.05) g·cm⁻³。试验前通过恒温恒湿箱(EL-10KA)将其含水率调整至(12.0±1.0)%，然后从同一生长轮内取样并制备40.0 mm×12.0 mm×2.0 mm的试样。根据有无早材导管带制备2种试样(图1)：试样A为早材导管带位于试样中间，密度为(0.73±0.07) g·cm⁻³，试样B为对照组(无早材导管带)，密度为(0.78±0.08) g·cm⁻³。弯曲蠕变试验前，用水热合成反应釜(MQ-200)对试样采用100 ℃饱和蒸汽以及110、120 ℃过热蒸汽预处理，分别用A₁(B₁)、A₂(B₂)、A₃(B₃)表示，未处理用A₀(B₀)表示，处理时间为60 min，处理结束后通过恒温恒湿箱将汽蒸预处理试样的含水率调节至(12.0±1.0)%。

图 1 样品制备

Figure 1 Specimens preparation

下载: 全尺寸图片幻灯片

1.2 早材导管带特性的数值化表征

采用扫描电子显微镜(SEM，TM-3030)研究试样A和B的横切面内早材导管带特性。阔叶树材导管直径以弦向计，在15~260 µm内，导管长度为80~1 700 µm^[15]。栎木早材导管弦向直径达250 µm，晚材弦向直径达34 µm，环孔材早材导管分子长度为230~390 µm，小于晚材导管分子长度(270~590 µm)^[15]。以弦向直径为35~500 µm，长度为230~390 µm作为筛选早材导管分子的参数阈值。试样A和B的横切面内早材导管带特征如图2所示。运用 MATLAB 2019a 软件实现对试样横切面扫描电镜(SEM)图像的类型转换、增强处理、分割处理以及形态学处理等操作，获取试样横切面早材导管数量、直径和面积等参数，并通过正态分布拟合表征试样横切面早材导管的分布均匀性。如图3所示，经过二值图像处理、结合筛选阈值进行早材导管分子优选、开运算、二次过滤以及早材导管分子标记统计等步骤统计试样和早材导管带厚度，试样的横切面面积和早材导管总面积，以及计算试样的早材导管面积比(R_C)和早材导管带中心到受力面距离(R_D)，进而对试样横切面内早材导管带特征进行数值化表征。

图 2 试样A和B横切面内早材导管带特征

Figure 2 Early wood vessel belt in the cross section of specimen A and B

下载: 全尺寸图片幻灯片

图 3 早材导管带数值化表征流程图

Figure 3 Flow diagram for numerical characterization of early wood vessel belt in specimens

下载: 全尺寸图片幻灯片

1.3 弯曲蠕变测试

通过动态热机械分析仪(DMA-Q800)在双悬臂夹具(跨距为35 mm)弯曲模式下径向加载5 MPa恒定载荷测试试样的弯曲蠕变特性^[16−17]，保持时间为45 min，随后撤除恒定载荷，并保持其环境条件45 min。测试过程中通过自带湿度附件控制试样的含水率为(12.0±1.0)%。动态热机械分析仪程序中预设的测试温度分别为20、30、40、50、60、70和80 ℃，对应的相对湿度(RH)依次控制为66%、69%、72%、74%、77%、79%和81%，收集并记录试样弯曲蠕变数据。最后，根据早材导管带、汽蒸预处理温度和测试温度下的弯曲蠕变曲线，选取测试温度20 ℃来绘制试样蠕变与时间对数的关系曲线，经由时温等效合成白栎木材弯曲蠕变特性的主曲线，获得相应的水平移动因子，进而对其长期蠕变行为进行预测表征。

1.4 时温等效性

选取测试温度20 ℃来绘制试样蠕变与对数时间的关系曲线，把其余测试温度条件下的蠕变曲线水平移动，使各曲线彼此叠合形成一定时间范围的蠕变主曲线。叠合主曲线时，水平移动因子 a_T 与测试温度的关系用 Williams-Landel-Ferry (WLF)方程进行数学模型表征^[18]。WLF 方程的表达式为：

$$ \lg a_{T}=\frac{-D_{1} \times\left(T-T_{0}\right)}{D_{2}+\left(T-T_{0}\right)} 。 $$

(1)

式(1)中：$ \mathrm{lg}{a}_{T} $为时温等效位移因子，T 为测试温度(K)；T₀ 为参考温度(K)；D₁和 D₂ 为拟合所得常数。

2. 结果与分析

2.1 早材导管分布特性表征统计

分别选取40幅典型的SEM图像通过MATLAB 2019a软件计算试样的R_C和R_D并进行正态分布统计，结果如图4 所示：试样A的R_C和R_D分别为(18.12±0.50)%和(1.12±0.04) mm，而试样B的R_C和R_D分别为(0.03±0.04)%和0。

图 4 试样早材导管面积比及早材导管带中心到受力面距离

Figure 4 Earlywood vessel area ratio and the distance between vessel belt and load-bearing surface in specimens and analysis of normal distribution

下载: 全尺寸图片幻灯片

由表1可知：试样A的R_C和R_D服从正态分布，试样B的R_C和R_D服从均匀分布，差异显著(P＜0.05)，其导管分子数量及分布状态一致。综上所述，含早材导管带的试样中导管分子的分布状态是相对均匀的，对照组基本上无早材导管存在。

表 1 试样R_C和R_D的正态分布检验结果

Table 1 Normality test result of R_C and R_D of tested specimens

试样	R_C/%	自由度	统计量	P	R_D/mm	自由度	统计量	P
A	18.12±0.50	20	0.92	0.12	1.12±0.04	20	0.97	0.86
B	0.03±0.04	20	−	−	0±0	20	−	−
说明：−表示无统计意义。

下载: 导出CSV

| 显示表格

2.2 测试温度对白栎木材蠕变的影响

由图5可得：在前45 min内，试样的蠕变均随测试温度的升高而增大。同时，试样蠕变的增长速率随测试温度的升高而增大。当测试温度上升到80 ℃时，所有试样的蠕变行为最明显。分析原因：木材中运动单元获得的活化能随测试温度的升高而增大，相应的分子间相互作用力减小，导致分子间距离增大，进而增大了运动单元的活动空间，试样的蠕变显著增大^{‎[13, 19]}。此外，一般湿木材木质素的玻璃化转变温度为72~128 ℃^[16]。随着测试温度不断升高，白栎木材木质素分子链段的状态从冷冻状态转变为移动状态，并且在80 ℃下发生玻璃化转变。在分子占据体积增大的基础上，随着测试温度的升高，木质素发生自由体积膨胀^[20]。因此，运动单元的运动空间增加，试样的蠕变也随之增加。

图 5 不同测试温度下试样蠕变应变曲线

Figure 5 Creep strain curves of specimens at different test temperatures

下载: 全尺寸图片幻灯片

2.3 汽蒸预处理对白栎木材蠕变的影响

如图6所示：汽蒸预处理试样的瞬时应变和45 min应变整体低于未处理试样。当测试温度相同时，试样的弯曲蠕变随着汽蒸预处理温度的升高而减小。在测试温度20、30、40、50和60 ℃下，相对于A₀，试样A₁的瞬时应变分别减少了2.14%、2.35%、10.92%、11.97%和1.49%。随着测试温度继续从60 ℃升高到80 ℃，试样A₁的瞬时应变分别增加了18.06%和2.60%；在测试温度20、30、40、50、60、70和80 ℃下，试样A₂的瞬时应变分别减少了44.82%、46.21%、45.44%、33.13%、25.99%、9.15%和2.70%；在测试温度20、30、40、50、60、70和80 ℃下，试样A₃的瞬时应变分别减少了41.11%、44.78%、53.44%、43.08%、42.99%、45.80%和43.24%。然而，相对于B₀，相同条件下试样B₁的瞬时应变分别减少了13.87%、17.94%、19.40%、13.60%、8.96%、5.14%和21.19%，试样B₂和B₃表现出相同规律。在测试温度70~80 ℃下，A₁的瞬时应变减少幅度随测试温度升高呈负值，说明测试温度升高，应变呈增加的趋势，而B₁瞬时应变的减小幅度均呈减小趋势。A₂瞬时应变的减少幅度在测试温度50~80 ℃呈逐渐减小的规律，其瞬时应变的减少幅度在测试温度升高到80 ℃时最小。A₃和B₃的减少幅度基本保持一致，相对于其他温度汽蒸预处理的样品更加趋于稳定。

图 6 不同汽蒸预处理和测试温度下试样的瞬时应变和45 min应变

Figure 6 Instantaneous strain and 45 min strain of specimens at different steam pretreatment and test temperatures

下载: 全尺寸图片幻灯片

在测试温度20、30、40、50、60、70和80 ℃下，与A₀相比，试样A₁的45 min应变分别减少了1.84%、13.01%、0.55%、6.18%、16.69%、2.59%和7.71%，试样A₂和A₃的45 min应变均存在相同的变化规律。在测试温度20、30、40、50、60、70和80 ℃下，相对于B₀，试样B₁的45 min应变分别减少了4.01%、15.38%、2.30%、3.01%、18.69%、2.80%和12.71%，试样B₂~B₃的45 min应变均存在相同的变化规律。试样A₁和B₁的45 min应变降低幅度远小于A₂、A₃、B₂ 和B₃，并且A₃和B₃的45 min应变降低幅度大于A₂和B₂，特别是在测试温度(50~80 ℃)较高时，宏观表现为蠕变程度小。这是因为无定形物质的半纤维素是组成木材主要成分之一，含有较多亲水性基团，具有较强的吸水性，是木材产生应变的因素之一^[20]。在压力蒸汽处理过程中，乙酰基在受热水解过程中会从半纤维素中脱去并生成乙酸，使处理环境的酸性增强^[21-22]。此外，半纤维素的聚合度在此水解过程中逐渐降低，产成低聚糖以及单糖，单糖中的戊糖反应产生糠醛，而己糖则反应产生羟甲基糠醛^[21−22]，这一水解过程会导致形成的乙酸进一步加剧水解反应，促使半纤维素进一步分解。另一方面，在汽蒸预处理条件下，水蒸气密度明显增加，水合氢离子的电离反应促进了乙酰基的断裂和乙酸的形成，使得半纤维素的水解效率大大提高，进而明显降低木材中游离羟基的含量。汽蒸预处理使木材的平衡含水率(EMC)降低，含水率低于15%的木材在热处理温度过程中发生物理变化，导致水分与半纤维素中游离羟基的结合能力降低^[23]。在热作用下，半纤维素内部的一部分多糖会裂解为糖醛、糖类，这种物质通过聚合反应生成了不溶于水的聚合物，促使木材的吸水性降低，木材的尺寸稳定性显著提高^[24]。

2.4 早材导管带对白栎木材蠕变的影响

由图7可知：测试温度一定时，试样B的蠕变均小于试样 A。此外，当测试温度从20 ℃升高到80 ℃时，试样A的瞬时应变和45 min应变均明显增加。同时，蠕变的增长幅度随测试温度的升高而增加。随着测试温度(20~50 ℃)的升高，试样 A₀与 B₀、A₁与B₁、A₂与B₂以及A₃与B₃的应变差值逐渐增大，应变差值在温度40~50 ℃时达到最大；在60~80 ℃内应变差值却逐渐减小。与对照组相比，20、30、40、50、60、70和80 ℃测试温度范围内试样A₀的瞬时应变分别增长了2.19%、7.19%、19.48%、20.82%、3.03%、2.35%和1.75%。试样A₁~A₃的瞬时应变均存在相同的变化规律。试样B₀~B₃的45 min应变均随测试温度的升高而增大。

图 7 早材导管带对试样蠕变曲线的影响

Figure 7 Influence of early vessel belt on creep strain curves of specimens

下载: 全尺寸图片幻灯片

试样的瞬时应变和45 min应变的应变差值在测试温度40~50 ℃达到最大值，而在60~80 ℃内应变差值逐渐减小，这是因为在测试温度40~50 ℃内出现了“转折点”^[6−7]。当测试温度低于转折点时，早材导管带对白栎木材蠕变的影响相对于测试温度更加显著；而测试温度高于转折点时其对试样蠕变的影响比早材导管带更显著。当测试温度进一步升高到80 ℃时，试样A和B的瞬时弹性应变和45 min应变的应变差值相差无几；由此可知，当测试温度升高到80 ℃时，试样的蠕变主要受测试温度的影响。在弹性力学中的孔或圆形孔的应力集中问题中所述，在外加载荷作用下，弹性材料孔结构边缘产生应力集中效果，且孔边缘处的应力将远大于没有孔时的应力^[25]，此外，含早材导管带的试样密度小于对照组密度，导致试样力学强度变弱，从而引起应变增大，因此早材导管带的存在增大了试样的蠕变。

2.5 时温等效特性

由图8可知：不同汽蒸预处理温度和早材导管带条件下的试样主曲线经过水平移动后均可获得一条较光滑的主曲线，说明在20~80 ℃测试温度和100 ℃~120 ℃汽蒸预处理温度范围内，时温等效适用于白栎木材的弯曲蠕变，主曲线和位移因子函数均受测试温度、早材导管带和汽蒸预处理温度的影响。利用时温等效原理，试件A₀和B₀的主曲线时间跨度分别由45 min延长至10^6.87和10^6.95 s；试件A₁和B₁的主曲线时间跨度分别由45 min延长至10^6.96和10^7.09 s；试件A₂和B₂的主曲线时间跨度分别由45 min延长至10^7.63和10^8.14 s；试件A₃和B₃的主曲线时间跨度分别由45 min延长至10^8.09和10^8.25s。说明不同温度汽蒸预处理和早材导管带的存在一定程度上影响了主曲线的时间跨度。此外，含早材导管带的试样主曲线时间跨度小于对照组试样。原因是试样A的蠕变均大于试样B，结合孔边应力集中效应，证实了早材导管带的存在导致试样更易发生蠕变。随着时间的推移，前者的弯曲蠕变比后者更明显。此外，试样主曲线时间跨区随着汽蒸预处理温度升高而增大。分析其原因是汽蒸预处理后的样品对木材弯曲蠕变程度减小，汽蒸预处理增强了木材的尺寸稳定性；随着时间的推移，试样蠕变变化变慢。由图9和表2可得：各组试样水平移动因子与测试温度的关系曲线在20~80 ℃的测试温度范围内均能满足WLF方程，所得的拟合曲线较为光滑，相应的回归系数(R²)均大于0.93 (表2)，用WLF方程可以对白栎木材弯曲蠕变特性的时间与测试温度关系进行有效表达。

图 8 不同汽蒸预处理温度和早材导管带条件下试样的主曲线

Figure 8 Master curves of creep behavior at different steam pretreatment temperatures and vessel belt at a referenced test temperature of 20 ℃

下载: 全尺寸图片幻灯片

图 9 不同温度和早材导管带条件下试样的WLF方程拟合曲线

Figure 9 Fitting curve of WLF equation for specimens under different temperature and vessel belt conditions

下载: 全尺寸图片幻灯片

表 2 不同汽蒸预处理温度和早材导管带条件下试样的WLF方程拟合参数与回归系数

Table 2 Fitting parameters and regression coefficients of WLF equations for specimens under different steam pretreatment temperature and vessel belt conditions

样品编号	D₁	D₂	R²
A₀	−6.979 24	41.669 77	0.994 59
B₀	−12.655 52	168.871 85	0.988 92
A₁	−6.420 71	46.817 52	0.985 34
B₁	−6.21E+13	1.35E+15	0.979 71
A₂	−6.770 99	27.946 09	0.960 80
B₂	−19.201 34	170.616 94	0.976 85
A₃	−16.148 19	153.087 92	0.946 21
B₃	−7.66E+14	1.15E+16	0.932 01

下载: 导出CSV

| 显示表格

3. 结论

本研究结果表明：①试样的瞬时应变和45 min应变随测试温度的升高而增大；而在相同的测试温度下，试样的蠕变随着汽蒸预处理温度的升高而逐渐减小；②在20~80 ℃测试温度和100 ~120 ℃汽蒸预处理温度范围内，时温等效适用于白栎木材弯曲蠕变；③试样的时温等效水平移动因子与测试温度的关系曲线满足类WLF方程，R²均大于0.93，可见，WLF方程能较好地预测木材长期弯曲蠕变行为。

通过本研究可以得出：在一定范围内，测试温度、汽蒸预处理和早材导管带对白栎木材弯曲蠕变行为的影响较为明显，通过时温等效原理可以有效模拟预测白栎木材的长期蠕变特性，但是本研究仅对白栎木材弯曲蠕变特性进行了模拟预测，后续应在长期实际研究中表征白栎木材长期(1~3 a)的弯曲蠕变特性。

表 1 2000和2020年青海省主要土地利用面积情况

Table 1. Areas of main land use type in Qinghai Province in 2000 and 2020

年份	土地利用面积/万km²
年份	农业用地	森林用地	灌木林地	疏林地	草地	水体	永久积雪和冰川	建筑用地	裸地	荒漠和沙化土地	湿地
2000	0.90	0.38	3.35	0.03	41.66	1.38	0.66	0.31	13.69	4.35	2.49
2020	0.85	0.59	4.64	0.02	42.43	1.71	0.72	0.20	11.17	3.86	3.02

下载: 导出CSV

表 2 各环境因子对模型预测的贡献率

Table 2. Contribution rates of input factors

环境因子	贡献率/%	环境因子	贡献率/%	环境因子	贡献率/%
最热季度降水量(bio18)	43.5	海拔	4.6	等温性(温度日较差/气温年较差，bio3)	1.8
降水季节性变化系数(bio15)	29.8	距水系距离	2.7	土地利用变化(2020年)	1.0
人类活动	6.3	气温日较差(bio2)	2.3	最冷月最低气温(bio6)	0.5
最干月降水量 (bio14)	5.3	最湿季度平均气温(bio8)	2.0

下载: 导出CSV

表 3 未来2种气候情景下雪豹丧失、扩张及稳定适生区面积

Table 3. Areas of suitable habitat loss, expansion and stabilization in current and future climate change scenarios

气候情景	2050年变化区面积/万km²
气候情景	丧失区	稳定区	扩张区
RCP 4.5	1.44	22.11	1.12
RCP 8.5	1.46	22.09	0.96

下载: 导出CSV

[1]	杨秀玲. 青海省天然林资源保护工程评估研究报告[R]. 西宁: 青海省天然林保护中心, 2022. YANG Xiuling. Research Report on Evaluation of Natural Forest Resources Protection Project in Qinghai Province [R]. Xining: Qinghai Provincial Natural Forest Protection Center, 2022.
[2]	夏启财. 青海省天然林资源保护工程绩效评价[J]. 陕西林业科技, 2019, 47(2): 73 − 76, 87. XIA Qicai. Evaluation system of Natural Forest Resources Protection Project in Qinghai Province [J]. Shaanxi Forest Science and Technology, 2019, 47(2): 73 − 76, 87.
[3]	梁梓澳, 王祥福, 王维枫, 等. 青海省天保工程土壤保持效益评价研究[J]. 南京林业大学学报 (自然科学版), 2023, 47(5): 181 − 188. LIANG Ziao, WANG Xiangfu, WANG Weifeng, et al. Evaluation of soil conservation benefit of the Natural Forest Protection Project in Qinghai Province [J]. Journal of Nanjing Forestry University (Natural Sciences Edition), 2023, 47(5): 181 − 188.
[4]	罗发俊. 甘肃省天保工程区可持续发展研究[J]. 防护林科技, 2018(1): 76 − 77. LUO Fajun. Research on sustainable development of the Natural Forest Protection Project area in Gansu Province [J]. Protection Forest Science and Technology, 2018(1): 76 − 77.
[5]	ZHANG Qiang, YUAN Ruyue, SINGH V P, et al. Dynamic vulnerability of ecological systems to climate changes across the Qinghai-Tibet Plateau, China [J/OL]. Ecological Indicators, 2022, 134: 108483[2023-03-18]. doi: 10.1016/j.ecolind.2021.108483.
[6]	SUN Jiejie, QIU Haojie, GUO Jiahuan, et al. Modeling the potential distribution of Zelkova schneideriana under different human activity intensities and climate change patterns in China [J/OL]. Global Ecology and Conservation, 2020, 21: e00840[2023-03-18]. doi: 10.1016/j.gecco.2019.e00840.
[7]	洪洋, 张晋东. 卧龙自然保护区雪豹的生境选择偏好与食源结构特征[J]. 野生动物学报, 2021, 42(2): 295 − 305. HONG Yang, ZHANG Jindong. Habitat selection and food source of snow leopard (Panthera uncia) in Wolong National Nature Reserve, Sichuan Province, China [J]. Chinese Journal of Wildlife, 2021, 42(2): 295 − 305.
[8]	李欣海, 郜二虎, 李百度, 等. 用物种分布模型和距离抽样估计三江源藏野驴、藏原羚和藏羚羊的数量[J]. 中国科学: 生命科学, 2019, 49(2): 151 − 162. LI Xinhai, GAO Erhu, LI Baidu, et al. Estimating abundance of Tibetan wild ass, Tibetan gazelle and Tibetan antelope using species distribution model and distance sampling [J]. Scientia Sinica Vitae, 2019, 49(2): 151 − 162.
[9]	宓春荣, 郭玉民, HUETTMANN F, 等. 基于物种分布模型的精确采样提高目标物种发现率——以黑颈鹤(Grus nigricollis), 白头鹤(Grus monacha)为例[J]. 生态学报, 2017, 37(13): 4476 − 4482. MI Chunrong, GUO Yumin, HUETTMANN F, et al. Species distribution model sampling contributes to the identification of target species: take black-necked crane and hooded crane as two cases the model-based sampling approach could help toreduce areas to be investigated and it can find target species more effectively re. cost and effort [J]. Acta Ecologica Sinica, 2017, 37(13): 4476 − 4482.
[10]	李芳菲, 李丽, 吴巩胜, 等. 基于最大熵模型的青海祁连山雪豹生境适宜性评价[J]. 生态学报, 2023, 43(6): 2202 − 2209. LI Fangfei, LI Li, WU Gongsheng, et al. Habitat suitability assessment of Panthera uncia in Qilian Mountains of Qinghai based on MAXENT modeling [J]. Acta Ecologica Sinica, 2023, 43(6): 2202 − 2209.
[11]	杨子文, 韩姝伊, 李壹, 等. 气候变化对雪豹全球潜在适生区分布的影响与评估[J]. 生态学报, 2023, 43(4): 1412 − 1425. YANG Ziwen, HAN Shuyi, LI Yi, et al. Impacts and assessment of climate change on the global distribution of potentially suitable habitats for Panthera uncia [J]. Acta Ecologica Sinica, 2023, 43(4): 1412 − 1425.
[12]	邹红菲, 郑昕. 中国雪豹保护策略的调查分析[J]. 野生动物, 2003, 24(5): 54 − 55. ZOU Hongfei, ZHENG Xin. Investigation and analysis of snow leopard conservation strategies in China [J]. Chinese Journal of Wildlife, 2003, 24(5): 54 − 55.
[13]	李君, 马月伟, 姜楠, 等. 雪豹保护生物学研究进展[J]. 野生动物学报, 2020, 41(3): 796 − 805. LI Jun, MA Yuewei, JIANG Nan, et al. Research progress in conservation biology of snow leopard (Panthera uncia) [J]. Chinese Journal of Wildlife, 2020, 41(3): 796 − 805.
[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 Ecologica Sinica, 2013, 33(16): 4827 − 4835.
[15]	许仲林, 彭焕华, 彭守璋. 物种分布模型的发展及评价方法[J]. 生态学报, 2015, 35(2): 557 − 567. XU Zhonglin, PENG Huanhua, PENG Shouzhang. The development and evaluation of species distribution models [J]. Acta Ecologica Sinica, 2015, 35(2): 557 − 567.
[16]	ELITH J, GRAHAM C H, ANDERSON R P, et al. Novel methods improve prediction of species’ distributions from occurrence data [J]. Ecography, 2006, 29(2): 129 − 151.
[17]	陈衍如, 谢慧敏, 罗火林, 等. 气候变化对寒兰分布的影响及其分布格局模拟[J]. 应用生态学报, 2019, 30(10): 3419 − 3425. CHEN Yanru, XIE Huimin, LUO Huolin, et al. Impacts of climate change on the distribution of Cymbidium kanran and the simulation of distribution pattern [J]. Chinese Journal of Applied Ecology, 2019, 30(10): 3419 − 3425.
[18]	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[J]. 浙江农林大学学报, 2022, 39(1): 76 − 83. PAN Langbo, DUAN Wei, HUANG Youjun. Prediction on the potential planting area of Carya illinoinensis in China based on MaxEnt model [J]. Journal of Zhejiang A&F University, 2022, 39(1): 76 − 83.
[19]	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]. Journal of Zhejiang A&F University, 2020, 37(1): 1 − 8.
[20]	邢丁亮, 郝占庆. 最大熵原理及其在生态学研究中的应用[J]. 生物多样性, 2011, 19(3): 295 − 302. XING Dingliang, HAO Zhanqing. The principle of maximum entropy and its applications in ecology [J]. Biodiversity Science, 2011, 19(3): 295 − 302.
[21]	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.
[22]	郭彦龙, 赵泽芳, 乔慧捷, 等. 物种分布模型面临的挑战与发展趋势[J]. 地球科学进展, 2020, 35(12): 1292 − 1305. GUO Yanlong, ZHAO Zefang, QIAO Huijie, et al. Challenges and development trend of species distribution model [J]. Advances in Earth Science, 2020, 35(12): 1292 − 1305.
[23]	王绍武, 罗勇, 赵宗慈, 等. 新一代温室气体排放情景[J]. 气候变化研究进展, 2012, 8(4): 305 − 307. WANG Shaowu, LUO Yong, ZHAO Zongci, et al. New generation of scenarios of greenhouse gas emission [J]. Climate Change Research, 2012, 8(4): 305 − 307.
[24]	LOBO J M, JIMÉNEZ-VALVERDE A, HORTAL J. The uncertain nature of absences and their importance in species distribution modelling [J]. Ecography, 2010, 33(1): 103 − 114.
[25]	PHILLIPS S J, ANDERSON R P, SCHAPIRE R E. Maximum entropy modeling of species geographic distributions [J]. Ecological Modelling, 2006, 190(3/4): 231 − 259.
[26]	张成成, 王君, ALEXANDER J S, 等. 基于红外相机数据的甘肃盐池湾国家级自然保护区鸟兽生物多样性评估[J]. 资源与生态学报, 2018, 9(5): 566 − 574. ZHANG Chengcheng, WANG Jun, ALEXANDER J S, et al. Biodiversity assessment of mammal and bird species from camera trap data in Yanchiwan National Nature Reserve, Gansu Province, China [J]. Journal of Resources and Ecology, 2018, 9(5): 566 − 574.
[27]	RONG Zhanlei, ZHAO Chuanyan, Liu Junjie, 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(1): 62[2023-03-18]. doi: 10.3390/f10010062.
[28]	沈涛, 张霁, 申仕康, 等. 西南地区红花龙胆分布格局模拟与气候变化影响评价[J]. 应用生态学报, 2017, 28(8): 2499 − 2508. SHEN Tao, ZHANG Ji, SHEN Shikang, et al. Distribution simulation of Gentiana rhodantha in Southwest China and assessment of climate change impact [J]. Chinese Journal of Applied Ecology, 2017, 28(8): 2499 − 2508.
[29]	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.
[30]	杨全生, 汪有奎, 李进军, 等. 祁连山自然保护区天然林保护工程的成效分析[J]. 中南林业科技大学学报, 2015, 35(1): 89 − 95. YANG Quansheng, WANG Youkui, LI Jinjun, et al. Effective analysis on natural forest protection project in National Nature Reserve of Qilian Mountains [J]. Journal of Central South University of Forestry &Technology, 2015, 35(1): 89 − 95.
[31]	杨渝. 天然林保护与野生动物的相互关系之初步探讨[J]. 野生动物, 2007, 28(6): 48 − 50. YANG Yu. Primary probe on correlation of natural forest conservation and wildlife [J]. Chinese Journal of Wildlife, 2007, 28(6): 48 − 50.
[32]	迟翔文, 江峰, 高红梅, 等. 三江源国家公园雪豹和岩羊生境适宜性分析[J]. 兽类学报(自然科学版), 2019, 39(4): 397 − 409. CHI Xiangwen, JIANG Feng, GAO Hongmei, et al. Habitat suitability analysis of snow leopard (Panthera uncia) and bharal (Pseudois nayaur) in the Sanjiangyuan National Park [J]. Acta Theriologica Sinica, 2019, 39(4): 397 − 409.
[33]	龚健辉, 李祎斌, 王瑞芬, 等. 基于MaxEnt模型预测天山中东部雪豹适宜栖息地[J]. 资源与生态学报, 2023, 14(5): 1075 − 1085. GONG Jianhui, LI Yibin, WANG Ruifen, et al. MaxEnt modeling for predicting suitable habitats of snow leopard (Panthera uncia) in the Mid-Eastern Tianshan Mountains [J]. Journal of Resources and Ecology, 2023, 14(5): 1075 − 1085.
[34]	马兵. 天山中部雪豹 (Panthera unica) 栖息地特征及影响因子[D]. 北京: 北京林业大学, 2020. MA Bing. Influence of Environmental Factors on Characteristics of Snow Leopard (Panthera unica) Habitats in the Central Tianshan Mountains [D]. Beijing: Beijing Forety Uiversity, 2023.
[35]	邓强. 黄土高原刺槐林下物种多样性、生产力和生态化学计量特征对模拟降水变化的响应[D]. 北京: 中国科学院大学, 2020. DENG Qiang. Effects of Manipulative Precipitation on Understory Plant Speciesdiversity, Productivity and Ecological Stoichiometry in a Planted Robinia pseudoacacia forest on the Loess Plateau, China [D]. Beijing: University of Chinese Academy of Sciences, 2020.
[36]	LI Guoyong, HAN Hongyan, DU Yue, et al. Effects of warming and increased precipitation on net ecosystem productivity: a long-term manipulative experiment in a semiarid grassland [J]. Agricultural and Forest Meteorology, 2017, 232: 359 − 366.
[37]	于沿泽, 张明海, 杜海荣, 等. 优化后最大熵模型在模拟驼鹿适宜栖息地分布中的应用[J]. 东北林业大学学报, 2019, 47(10): 81 − 84, 95. YU Yanze, ZHANG Minghai, DU Hairong, et al. Optimized MaxEnt model in simulating distribution of suitable habitat of moose [J]. Journal of Northeast Forestry University, 2019, 47(10): 81 − 84, 95.
[38]	HIJMANS R J, CAMERON S E, PARRA J L, et al. Very high resolution interpolated climate surfaces for global land areas [J]. International Journal of Climatology, 2005, 25(15): 1965 − 1978.
[39]	张微, 姜哲, 巩虎忠, 等. 气候变化对东北濒危动物驼鹿潜在生境的影响[J]. 生态学报, 2016, 36(7): 1815 − 1823. ZHANG Wei, JIANG Zhe, GONG Huzhong, et al. Effects of climate change on the potential habitat of Alces alces cameloides, an endangered species in Northeastern China [J]. Acta Ecologica Sinica, 2016, 36(7): 1815 − 1823.
[40]	ROSENBAUM B, POYARKOV A D, MUNKHTSOG B, et al. Seasonal space use and habitat selection of GPS collared snow leopards (Panthera uncia) in the Mongolian Altai range [J/OL]. PLoS One, 2023, 18(1): e0280011[2023-03-18]. doi: 10.1371/journal.pone.0280011.
[41]	KAZMI F A, SHAFIQUE F, HASSAN M U, et al. Ecological impacts of climate change on the snow leopard (Panthera unica) in South Asia [J/OL]. Brazilian Journal of Biology, 2021, 82: e240219[2023-03-28]. doi: 10.1590/1519-6984.240219.
[42]	BORIA R A, OLSON L E, GOODMAN S M, et al. Spatial filtering to reduce sampling bias can improve the performance of ecological niche models [J]. Ecological Modelling, 2014, 275: 73 − 77.

[1]	张娟, 赵润江, 雷金睿, 林川翔, 王泽宇, 黄家健. 基于InVEST模型的海口市2000—2020年生境质量时空演变分析 . 浙江农林大学学报, 2025, 42(2): 383-392. doi: 10.11833/j.issn.2095-0756.20240358
[2]	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
[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]	张世林, 高润红, 高明龙, 韩淑敏, 张文英, 赵静. 气候变化背景下中国樟子松潜在分布预测 . 浙江农林大学学报, 2023, 40(3): 560-568. doi: 10.11833/j.issn.2095-0756.20220451
[5]	陈曦, 叶可陌, 李坤, 金阳. 资源型城市“三生空间”土地利用变化及其风险和价值研究 . 浙江农林大学学报, 2023, 40(5): 1111-1120. doi: 10.11833/j.issn.2095-0756.20220666
[6]	贾玉洁, 刘云根, 杨思林, 王妍, 张超, 徐红枫, 郑淑君. 面向Sentinel-2A影像的大理市土地利用分类方法适用性研究 . 浙江农林大学学报, 2022, 39(6): 1350-1358. doi: 10.11833/j.issn.2095-0756.20220134
[7]	裴顺祥, 法蕾, 杜满义, 辛学兵. 环境因子对中条山油松人工林下物种分布的影响 . 浙江农林大学学报, 2022, 39(2): 280-288. doi: 10.11833/j.issn.2095-0756.20210323
[8]	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
[9]	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
[10]	李文灏, 沈俊. 水网平原地区耕地破碎化时空变化研究 . 浙江农林大学学报, 2021, 38(4): 723-729. doi: 10.11833/j.issn.2095-0756.20200682
[11]	郭虹扬, 史明昌, 杨建英, 陈春阳. 白洋淀大清河流域油松精准适宜性空间分布 . 浙江农林大学学报, 2021, 38(6): 1100-1108. doi: 10.11833/j.issn.2095-0756.20200599
[12]	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 . 浙江农林大学学报, 2021, 38(4): 837-845. doi: 10.11833/j.issn.2095-0756.20200522
[13]	靳孟理, 胡俊, 齐实, 逯进生, 李月, 蒋九华. 北京市侧柏低效林物种多样性改造策略 . 浙江农林大学学报, 2020, 37(1): 27-35. doi: 10.11833/j.issn.2095-0756.2020.01.004
[14]	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
[15]	段彦博, 雷雅凯, 马格, 吴宝军, 田国行. 郑州市生态系统服务价值时空变化特征 . 浙江农林大学学报, 2017, 34(3): 511-519. doi: 10.11833/j.issn.2095-0756.2017.03.017
[16]	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
[17]	俞静芳, 余树全, 张超, 李土生. 应用CASA模型估算浙江省植被净初级生产力 . 浙江农林大学学报, 2012, 29(4): 473-481. doi: 10.11833/j.issn.2095-0756.2012.04.001
[18]	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
[19]	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
[20]	曹银贵, 周伟, 程烨, 许宁, 郝银. 土地利用变化研究现状 . 浙江农林大学学报, 2007, 24(5): 633-637.

期刊类型引用(1)
1. 黄鹤，李珠，蒋佳荔，李媛. 水热处理温度对马尾松早材与晚材拉伸蠕变行为的影响. 木材科学与技术. 2025(01): 22-29+36 . 百度学术
其他类型引用(2)
链接本文:
https://zlxb.zafu.edu.cn/article/doi/10.11833/j.issn.2095-0756.20230259

https://zlxb.zafu.edu.cn/article/zjnldxxb/2024/3/526

点击查看大图

表(3)

计量

文章访问数: 425
HTML全文浏览量: 90
PDF下载量: 20
被引次数: 3

1. 材料与方法
1.1 材料
1.2 早材导管带特性的数值化表征
1.3 弯曲蠕变测试
1.4 时温等效性
2. 结果与分析
2.1 早材导管分布特性表征统计
2.2 测试温度对白栎木材蠕变的影响
2.3 汽蒸预处理对白栎木材蠕变的影响
2.4 早材导管带对白栎木材蠕变的影响
2.5 时温等效特性
3. 结论

全文HTML

不合理的土地利用会影响生态环境的稳定性，同时对生物多样性造成巨大影响，严重威胁物种的生存与繁衍。天然林资源保护工程实施20多年以来，森林资源得到了很好的保护和恢复，森林面积和蓄积实现了双增长，动植物资源也变得丰富，生物多样性得到有效保护^[1−2]。天然林资源保护工程实施前后，土地利用类型发生了重大转变。这种转变主要表现为乔灌林地面积的扩张以及裸地面积的削减，其中灌木林地增加了近1.3万 km^{2 [3]}，极大丰富了动植物栖息地，为野生动物提供了更多可能的适生区。甘肃省对林业资源的保护增加了当地野生动物数量^[4]，这表明天然林资源保护工程实施引起的乔灌草等土地利用类型面积的扩张有利于野生动物的栖息和繁衍。近年来全球气候变化问题日趋严重，造成部分动植物栖息地丧失，同时也破坏了生态系统中物种间关系的平衡，显著降低了生态系统的生物多样性^[4]。青海省地处青藏高原东北部，生态系统脆弱，在很大程度上受到气候变化的影响^[5]。

模拟濒危物种的适生区分布对确定濒危物种保护区并制定相关保护措施具有重要意义^[6]。洪洋等^[7]分析了卧龙自然保护区的雪豹Panthera uncia生境选择偏好与食源结构特征。李欣海等^[8]利用物种分布模型和距离抽样评估了三江源藏野驴Equus kiang、藏原羚Procapra picticaudata和藏羚羊Pantholops hodgsonii的数量^[5]。宓春荣等^[9]发现：物种分布模型预测的高适宜分布区有利于提高发现稀有种的概率，从而增强调查的针对性。李芳菲等^[10]利用最大熵模型(Maximum Entropy，MaxEnt)结合气候、地形和人为干扰等关键环境变量对雪豹在祁连山山区的生境适宜性进行了评估和分析。杨子文等^[11]利用MaxEnt模型对当前和未来全球不同发展模式引起的气候变化对雪豹适宜生境的影响进行了模拟预测和分析评估。然而，上述研究未能考虑灌丛、草地和雪山等土地利用类型的变化情况，且未考虑土地利用的影响。

雪豹是猫科Felidae豹属Panthera哺乳动物，被人们称为“高海拔生态系统健康与否的气压计”。中国是雪豹重点分布的国家之一，拥有60%的雪豹栖息地，天山、青海等高海拔陡峭偏远地区是雪豹的主要分布地。20世纪过度的人为捕杀以及植被退化，导致雪豹种群数量逐年下降。2008年，雪豹被世界自然保护联盟(IUCN)评定为濒危物种^[12]，是中国一级重点保护野生动物^[13]。近年来，随着一系列生态工程和相关保护工作的实施，雪豹保护取得了一定的成效^[13]，但是日益加剧的气候变化仍然对雪豹未来的生存和发展构成较大的威胁。因此，本研究利用物种分布模型，模拟雪豹在天然林资源保护工程实施前后以及未来2种气候情境下雪豹的适宜生境，探究天然林资源保护工程实施前后土地利用类型的转变和气候变化对雪豹适生区的影响，以期揭示天然林资源保护工程实施后土地利用类型的转变对濒危野生动物保护的积极作用，并为气候变化下制定雪豹的保护策略提供一定的理论参考。

1. 材料与方法

1.1. 研究区概况

青海省地处青藏高原东北部，全省80%以上的区域为高原，地理坐标为31°36′~39°19′N，89°35′~103°04′E，总面积为72.23 万km²，全省平均海拔为3 000 m以上，其中海拔4 000~5 000 m地区占全省总面积的54%。地势总体呈西高东低，南北高中部低，地貌复杂多样，是雪豹的重要集中分布区。青海省属典型的高原大陆性气候，年平均气温为−5.1~9.0 ℃，最冷月1月平均气温为−17.4~−4.7 ℃，最热月7月平均气温为5.8~20.2 ℃。全省降水量呈由东南向西北逐渐减少的分布趋势，境内绝大部分地区年降水量小于400.0 mm。青海有高等植物2 700多种，占全国维管束植物种数的9.6%，其中有许多是中国特有或青海特有的植物。目前，青海有14种珍稀、濒危植物列入国家级重点保护范围，57种野生植物列入省级重点保护范围。青海野生动物资源较丰富。根据最新普查资料，青海有陆栖脊椎动物约1 100种，鸟类294种，占全国已知鸟类种数的1/4；兽类103种，占全国已知兽类种数的1/3，其中受国家重点保护的珍稀鸟兽达74种。青藏高原特有的10余种珍禽异兽总量超过30万头(只)。

1.2. 物种分布模型的选择

物种分布模型(species distribution models，SDMs)是利用物种分布数据(出现数据)和环境数据，评估物种在环境中的生态位，可以反映物种对生境的偏好程度，解释推测物种在区域内的出现概率、对生境适宜度的要求和物种丰富度等重要的生态评估指标^[14]。物种分布模型的发展始于BIOCLIM模型，此后的30多年内，越来越多的物种分布模型相继出现，如生态位因子分析模型(ecological niche factor analysis, ENFA) 、最大熵模型(MaxEnt)以及基于统计的和基于规则集的遗传算法 (genetic algorithm for rule-setprediction, GARP)等^[15]，其中MaxEnt模型是目前公认表现最好、应用最广的生态位模型^[16−17]。近年来，MaxEnt模型应用于物种分布预测、入侵物种分布预测、自然保护区设计和全球气候变暖对物种适生区域的影响等热点生态学问题，取得了较好结果^[18−21]。但MaxEnt模型也有一定的缺陷，如模型的时空外推能力仅在低阈值情况下较好，在较小的样本量情况下得出的结论可能对物种生态位模拟不完整，导致模拟结果失真^[22]。

1.3. 数据收集

1.3.1. 雪豹分布点数据

根据中国知网文献资料和媒体的报道，确定102个雪豹分布点。

1.3.2. 气候数据

政府间气候变化专门委员会(IPCC)第5次报告明确以2100年总辐射强迫为指标，确定了4个典型温室气体浓度路径(representative concentration pathway, RCP)排放情景，分别对应的情景是2100年总辐射强迫相对于1750年达到2.6、4.5、6.0和8.5 W·m⁻²。RCP 4.5情景是到2100年，温室气体浓度对应辐射强迫稳定在4.5 W·m⁻²，大气中二氧化碳(CO₂)质量分数增至538 mg·kg^−1[23]；RCP 8.5情景代表世界各国未采取任何温室气体减排措施，是温室气体排放量最高的情景，到2100年辐射强度超8.5 W·m⁻²，即CO₂质量分数大于1 370 mg·kg⁻¹。本研究选取了目前接受度较高的RCP 4.5和RCP 8.5情景。

从WorldClim (https://www.worldclim.org/)下载并转换了当代(1970—2000年30 a气候观测数据的平均值)及未来(2050年)等2种不同强度气候变化场景(RCP 4.5和RCP 8.5)下的气候数据，所需的气候数据均来自全球气候模型[Community Climate System Model (version 4)，CCSM 4]，包括19个气候因子。选用的19个气候因子主要反映了降水量和温度的特点以及季节性的变化特征^[24]。这些气候因子具有较强的生物学意义，已被广泛用于物种适宜分布区的预测中^[16]。

1.3.3. 人类活动数据

人类活动数据(代表人类活动产生的干扰)来自于国际地球科学中心信息网络(CIESIN, http://www.ciesin.org/)，它可以综合反映人类活动的强度。该数据来自对以下因素的综合评估：建成环境、人口密度、电力基础设施、农作物土地、牧场、道路、铁路、可用航道，从中提取青海地区的部分用于模型模拟。

1.3.4. 土地利用数据

青海省 2000和 2020 年的土地利用数据来自 MODIS 图像(https://search.earthdata.nasa.gov/search)。在解译之前，利用地面样本对遥感数据进行了地理参照，2014年土地利用判读结果与《青海省森林资源规划设计调查成果(2014年)》进行了对比验证，表明总体分类准确率超过 85%。根据判读标准，土地利用被判读为 11 种类型，即农业用地、森林用地、灌木林地、疏林地、草地、水体、永久积雪和冰川、建筑用地、裸地、荒漠和沙化土地、湿地^[3]。利用ArcGIS对各分类进行统计(表1)，结果显示：灌木林地和裸地面积是变化最大的2种土地利用类型，灌木林地面积扩大了1.29 万km²，裸地面积减少了2.52 万km²。森林用地、草地、永久积雪和冰川、水体、湿地均有所增加，分别增加了0.21、0.77、0.06 、0.33和0.53 万km²。农业用地、疏林地、建筑用地、荒漠和沙化土地有所减少，分别减少了0.05、0.01、 0.11和0.49 万km²。

表 1 2000和2020年青海省主要土地利用面积情况

Table 1. Areas of main land use type in Qinghai Province in 2000 and 2020

年份	土地利用面积/万km²
年份	农业用地	森林用地	灌木林地	疏林地	草地	水体	永久积雪和冰川	建筑用地	裸地	荒漠和沙化土地	湿地
2000	0.90	0.38	3.35	0.03	41.66	1.38	0.66	0.31	13.69	4.35	2.49
2020	0.85	0.59	4.64	0.02	42.43	1.71	0.72	0.20	11.17	3.86	3.02

1.3.5. 距水系距离数据

青海水系数据来源于国家科技基础条件平台——国家地球系统科学数据中心(http://www.geodata.cn)。在此基础上，利用ArcGIS计算出青海省范围内距水系距离的栅格数据。

1.3.6. 海拔数据

数字高程(DEM)数据来源于WorldClim (https://www.worldclim.org/)，通过ArcGIS裁剪出青海地区的DEM作为模型的输入数据。

1.4. 环境因子的选择

将搜集到的全部环境数据输入建立初始模型。为了降低环境因子之间的高度相关性和共线性而导致模型过度拟合，本研究采用Pearson相关分析选择环境变量。在Pearson相关系数绝对值大于0.8的2个因子中，只保留生态意义较大和初始模型中贡献率较大的一个环境变量。最终选择11个环境变量，包含7个气候变量(最热季度降水量、降水季节性变化系数、最干月降水量、最湿季度平均气温、气温日较差、等温性、最冷月最低温度)、海拔、人类活动、距水系距离以及土地利用变化。

1.5. MaxEnt模型的运行

将收集的栅格数据在ArcGIS里统一边界和分辨率，并转为ASCII 格式，作为输入 MaxEnt 模型的环境变量，同时将收集到的青海地区雪豹分布点数据在 Excel中记录并转化为 CSV 格式也输入MaxEnt 模型。将 75%的数据作为训练数据，25%作为测试数据^[25]。设置软件重复运算 15 次(即产生 15 个随机的预测模型)^[26] ，输出分布值为逻辑斯蒂值(logistic)。

MaxEnt提供了结果精度计算功能，可以生成受试者工作特征曲线(receiver operating characteristic curve, ROC)进行模型的模拟预测自检，并且在对动物生境进行评价与预测时，只需动物“出现点”的数据，且具有较高的精度^{[11, 20, 25]}。曲线下面积(area under curve, AUC)值越大说明环境因子与雪豹分布模型之间相关性越大，预测效果也越好。其评价标准为：AUC值为0.5~0.6时，模型预测失败；AUC值为0.6~0.7时，模型预测效果较差；AUC值为0.7~0.8时，模型预测效果一般；AUC值为0.8~0.9时，模型预测效果好；AUC值为0.9~1.0，模型预测效果非常好^[27]。由于不同区域气候存在不同程度的相关性，最终需结合刀切法和贡献率结果，筛选出影响雪豹分布的主要气候因子。

本研究按照MaxEnt模型输出的每个地理单元生境适宜性值，对该地理单元进行分级。将雪豹适宜生境(区域)划分为4个等级：0~0.1为非适生区，0.1~0.3为低适生区，0.3~0.5为中适生区，0.5~1.0为高适生^[28−29]。

2. 结果与分析

2.1. 模型准确性及因子贡献率

MaxEnt模型15次重复运算结果显示：平均AUC值达0.838，说明模型模拟效果较好，结果的可信度较高。基于2020年土地利用数据和当前气候条件进行建模的结果显示：贡献率前5位的环境变量依次为最热季度降水量(43.5%)、降水季节性变化系数(29.8%)、人类活动(6.3%)、最干月降水量(5.3%)和海拔(4.6%)，以上环境因子对于模型的累计贡献率达到89.5%。可见，这5个环境因素主导了雪豹的分布(表2)。

表 2 各环境因子对模型预测的贡献率

Table 2. Contribution rates of input factors

环境因子	贡献率/%	环境因子	贡献率/%	环境因子	贡献率/%
最热季度降水量(bio18)	43.5	海拔	4.6	等温性(温度日较差/气温年较差，bio3)	1.8
降水季节性变化系数(bio15)	29.8	距水系距离	2.7	土地利用变化(2020年)	1.0
人类活动	6.3	气温日较差(bio2)	2.3	最冷月最低气温(bio6)	0.5
最干月降水量 (bio14)	5.3	最湿季度平均气温(bio8)	2.0

2.2. 土地利用对雪豹适生区的影响

MaxEnt模拟结果显示：天然林资源保护工程实施后(2020年)雪豹在青海省的适宜生境面积相较于天然林资源保护工程实施之前(2000年)有所增加但增加幅度不大(增加了0.98 万km²)。2000和2020年，雪豹在青海省的地理分布范围基本一致，主要集中在青海省南部的玉树州(杂多县、囊谦县、玉树市和治多县)，青海省东北部的海北州(祁连县、刚察县、海晏县)，以及天峻县、玛沁县、同仁县等地。2000和2020年雪豹在青海省的高适生区面积分别为11.79和11.78 万km²，中适生区面积分别为11.90和11.77 万km²，低适生区面积分别为22.96和24.14 万km²。由此可以看出：土地利用的改变使得雪豹在青海省的低适生区变大，而对中高适生区无明显影响。

2.3. 雪豹适生区在未来气候变化情景下的变化趋势

在假设土地利用类型不变的情况下，本研究模拟了2050年2种气候场景(RCP 4.5和RCP 8.5)下的青海省雪豹的适宜生境。结果显示：2050年，雪豹在青海省的适宜生境面积相较于2020年总体上是减少的，但适生区减少的面积并不大。在RCP 4.5的气候场景下减少0.14 万km²，在RCP 8.5的气候场景下减少0.72 万km²。ArcGIS分区统计结果显示：雪豹在2050年的中高适宜生境面积相较于2020年都出现了一定程度的下降，其中，高适生区在RCP 4.5和RCP 8.5情景下分别减少0.25和0.03 万km²；中适生区在RCP 4.5和RCP 8.5情景下分别减少0.07和0.46 万km²。低适生区在2050年RCP 4.5气候情景下增加0.18 万km²，在RCP 8.5气候情景下减少0.23 万km²。

将中高适宜生境视作整体统计，得到其主要适宜生境(适宜指数＞0.3的区域)，在2050年RCP 4.5和RCP 8.5情景下分别丧失1.44和1.46 万km²；扩张的适宜生境分别为1.12和0.96 万km²，总体上丧失的适宜生境多于扩张的适宜生境(表3)。在未来，青海省雪豹分布区总体稳定，但局部地区(如称多县、曲麻莱县、格尔木市南、德令哈市、天峻县、乌兰县、达日县等)会缩减，局部地区(如班玛县、久治县、共和县、兴海县、同德县、泽库县、河南县等)会扩张。在RCP 4.5和RCP 8.5气候变化情境下均呈现这种趋势，只是在各地区的变化程度不一定，如在RCP 4.5的气候变化情境下，青海省东部地区的扩张程度大于西部地区，而在RCP 8.5的气候变化情境下青海省西部地区的扩张程度大于东部地区。

表 3 未来2种气候情景下雪豹丧失、扩张及稳定适生区面积

Table 3. Areas of suitable habitat loss, expansion and stabilization in current and future climate change scenarios

气候情景 2050年变化区面积/万km²
丧失区稳定区扩张区

RCP 4.5 1.44 22.11 1.12
RCP 8.5 1.46 22.09 0.96

3. 讨论

3.1. 土地利用变化对雪豹适生区的影响

本研究的遥感解译和判读结果是通过森林资源二类调查结果验证的，土地利用分类数据与青海省第3次全国国土调查数据存在一些差异。本研究中的建筑用地和冰川面积并没有进行实际验证，因此存在误差，然而这种差异只体现在面积占比较小且对雪豹分布影响不大的土地类型上。

本研究发现：2020年雪豹的适生区比2000年有所增加但增幅较小，说明土地利用对雪豹分布有积极影响，但这种影响并未完全驱动雪豹适生区面积的扩展。土地利用类型对雪豹分布的贡献率只占1.0%也证实了土地利用类型变化并不会对雪豹分布产生显著的直接影响。主要原因是雪豹主要的栖息环境多在常年冰雪覆盖的高山裸岩及寒漠带，而在这20 a间实施的天然林资源保护工程造成了草地、疏林地、灌木林及乔木林地这些土地利用类型的改变，对雪豹栖息地的直接影响较小。以往有研究表明：天然林资源保护工程增加了雪豹的种群数量^[30−31]，但没有过多关注天然林资源保护工程后土地利用的变化对于雪豹适生区面积的影响。关于雪豹分布的研究主要集中于气候因子对雪豹适生区的影响^[11]。近年来的相关研究逐渐加入了人类活动、地形、水文、其他动植物分布及土地利用等因素^[10]。有研究指出：土地利用对于雪豹分布的影响较小(贡献率只占5.3%)^[32] ，但龚健辉等^[33]研究发现：土地利用对于雪豹分布的影响巨大(贡献率达53.8%)，与本研究结果不同。产生不同结果的原因可能是由于研究区域和范围不同。

3.2. 气候变化对雪豹适生区的影响

本研究结果显示：雪豹的高适生区主要分布在青海省南部雪山和冰川较多的玉树州以及青海东北部的祁连山区域(海北州)，这与雪豹本身的习性较为吻合^[34]。最热季度降水量对雪豹分布的贡献率最高，其次是降水季节性变化系数，对雪豹分布占主导的影响因素都是与降水相关的环境变量，这与过去研究结果较为接近^[8]。降水一方面会影响灌木丛^[35]和草地^[36]的初级生产力，从而间接影响以此为栖息地的动物种群数量，最终影响雪豹的食物供给^{[8, 37]}；另一方面，降水也影响河流径流，从而影响雪豹的水源供应^[22]。人类活动对雪豹分布的贡献率占6.3%，因此对雪豹生境的保护应该尽量避免人类活动的干扰。本研究结果还显示：海拔对雪豹分布的影响相对较小(占4.6%)，这与部分研究有所不同^{[31, 33]}，但也有研究显示：海拔与雪豹分布并无显著相关性^[32] 。造成这些研究结果差异的原因一方面可能是研究区的空间尺度和位置不同，另一方面可能是本研究采用的其他环境变量相较于海拔对雪豹分布有强影响作用。本研究区海拔普遍较高，雪豹分布点都集中在较高海拔地区，

气候变化会直接或间接影响动植物生境区域的温度、降水等气候因子及其相关的生态因子^[23]，从而影响生物的养分获取、生存和繁殖等行为，因此模拟气候变化对雪豹适宜生境的影响对提前制定响应的保护策略具有重要的意义。本研究模拟结果显示：2050年雪豹在青海省的适宜生境相较于2020年总体上呈现减少的趋势，尤其青海省南部的玉树州、果洛州以及海西州东北部(天峻县和乌兰县)的适宜生境减少较为明显。这一结果与杨子文等^[11]的研究在一定程度上相近。玉树州、果洛州以及海西州的东北部雪山较多，在未来气候变暖的情况下，雪山和冰川面积可能会减少^[38]，导致雪豹栖息地减少。随着全球气候变暖，雪豹这类喜爱寒冷环境的濒危动物的适生区面积会出现缩减的情况^[39]。这除了对雪豹的生境面积带来直接的影响外，可能会通过雪豹的食性偏好间接影响雪豹的生境适宜性^[40]。也有研究表明：在冬季雪豹会偏向栖息于温度较高的环境，但该现象是否直接源于雪豹对于栖息地温度的选择仍不明确^[41]。另外，基于岛屿生物地理学理论，适宜生境破碎化还会产生额外的消极影响^[42]。气候变化所导致的雪豹适宜生境的破碎化将导致雪豹的活动范围受限，对于体型和习性上均不占优势的雪豹而言，其在适生区范围内的捕食等种内或种间竞争可能更加激烈，最终将进一步对其种群数量产生负作用。

4. 结论

本研究将19个生物气候因子和其他4个与雪豹分布相关的环境因子(海拔、人类活动、距水系距离及土地利用变化)作为驱动物种分布模型的环境变量，结合雪豹分布点的经纬度数据，比较了天然林资源保护工程实施引起的土地利用变化对雪豹潜在适生区的影响，并使用未来的气候数据，预测了未来2050年2种不同强度气候变化场景(RCP 4.5和RCP 8.5)下雪豹的适宜生境情况。最热季度降水量、降水季节性变化系数、人类活动、最干月降水量、海拔等环境因素主导了雪豹的分布。天然林资源保护工程实施后土地利用的变化在一定程度上增加了雪豹适宜生境的面积，但由于天然林资源保护工程并没有使雪豹栖息环境，如常年冰雪覆被的高山裸岩及寒漠带等土地利用类型增加，因此这20 a间土地利用变化对于雪豹适生区影响较小。本研究还发现：气候变化主要通过水分因子的改变影响雪豹的分布。预测2050年青海省的雪豹适生面积将会出现一定程度的缩减。因此，在气候变化背景下，林业管理部门应当加强对雪豹活动的监测，提前制定气候变化下雪豹等濒危野生动物的保护策略。

参考文献 (42)

姓名
邮箱
手机号码
标题
留言内容
验证码

留言板

土地利用和气候变化对青海省雪豹潜在适宜生境的影响

DOI: 10.11833/j.issn.2095-0756.20230259

作者简介: 王祥福(ORCID: 0000-0003-3176-3820)，高级工程师，从事森林生态学研究。E-mail： wxf5378@163.com

通信作者: 李愿会(ORCID: 0009-0005-3387-6687)，教授级高级工程师，从事森林生态学研究。E-mail： nwinventory@sina.com

Impact of land use and climate change on potential suitable habitats of snow leopards (Panthera uncia) in Qinghai Province

1. 材料与方法

1.1 材料

1.2 早材导管带特性的数值化表征

1.3 弯曲蠕变测试

1.4 时温等效性

2. 结果与分析

2.1 早材导管分布特性表征统计

2.2 测试温度对白栎木材蠕变的影响

2.3 汽蒸预处理对白栎木材蠕变的影响

2.4 早材导管带对白栎木材蠕变的影响

2.5 时温等效特性

3. 结论

期刊类型引用(1)

其他类型引用(2)

计量

出版历程

土地利用和气候变化对青海省雪豹潜在适宜生境的影响

doi: 10.11833/j.issn.2095-0756.20230259

1. 国家林业和草原局 西北调查规划院 旱区生态水文与灾害防治国家林业和草原局重点实验室，陕西 西安 710048 2. 南京林业大学 生态与环境学院 南方现代林业协同创新中心，江苏 南京 210037

作者简介: 王祥福(ORCID: 0000-0003-3176-3820)，高级工程师，从事森林生态学研究。E-mail： wxf5378@163.com

通信作者: 李愿会(ORCID: 0009-0005-3387-6687)，教授级高级工程师，从事森林生态学研究。E-mail： nwinventory@sina.com

English Abstract

Impact of land use and climate change on potential suitable habitats of snow leopards (Panthera uncia) in Qinghai Province

全文HTML

1.1. 研究区概况

1.2. 物种分布模型的选择

1.3. 数据收集

1.3.1. 雪豹分布点数据

1.3.2. 气候数据

1.3.3. 人类活动数据

1.3.4. 土地利用数据

1.3.5. 距水系距离数据

1.3.6. 海拔数据

1.4. 环境因子的选择

1.5. MaxEnt模型的运行

2.1. 模型准确性及因子贡献率

2.2. 土地利用对雪豹适生区的影响

2.3. 雪豹适生区在未来气候变化情景下的变化趋势

3.1. 土地利用变化对雪豹适生区的影响

3.2. 气候变化对雪豹适生区的影响

目录

全文HTML

1.1. 研究区概况

1.2. 物种分布模型的选择

1.3. 数据收集

1.3.1. 雪豹分布点数据

1.3.2. 气候数据

1.3.3. 人类活动数据

1.3.4. 土地利用数据

1.3.5. 距水系距离数据

1.3.6. 海拔数据

1.4. 环境因子的选择

1.5. MaxEnt模型的运行

2.1. 模型准确性及因子贡献率

2.2. 土地利用对雪豹适生区的影响

2.3. 雪豹适生区在未来气候变化情景下的变化趋势

3.1. 土地利用变化对雪豹适生区的影响

3.2. 气候变化对雪豹适生区的影响

1. 国家林业和草原局西北调查规划院旱区生态水文与灾害防治国家林业和草原局重点实验室，陕西西安 710048

2. 南京林业大学生态与环境学院南方现代林业协同创新中心，江苏南京 210037

作者简介:
王祥福(ORCID: 0000-0003-3176-3820)，高级工程师，从事森林生态学研究。E-mail： wxf5378@163.com