2050年3種氣候模式下稻縱卷葉螟對我國風險分析

王閆利,王茹琳,姜 淦,沈沾紅,林 姍

(1.四川省農村經濟綜合信息中心，四川 成都 610072;2.高原與盆地暴雨旱澇災害四川省重點實驗室, 四川 成都 610072)

?

2050年3種氣候模式下稻縱卷葉螟對我國風險分析

王閆利1,2,王茹琳1,姜 淦1,沈沾紅1,林 姍1

(1.四川省農村經濟綜合信息中心，四川 成都 610072;2.高原與盆地暴雨旱澇災害四川省重點實驗室, 四川 成都 610072)

摘要：采用最大熵生態(tài)位模型(MaxEnt)作為分析軟件，結合ArcGIS，預測了2050年時間段稻縱卷葉螟在我國的風險區(qū)變化。結果表明:稻縱卷葉螟在中國的極高風險區(qū)為上海、浙江大部、江蘇南部、安徽大部、湖北中東部、湖南東部、四川西南部、廣西中部等地；高風險區(qū)為貴州、廣東、福建、江西、重慶、廣西大部。2050年，在3種排放情景下，稻縱卷葉螟在中國的極高風險區(qū)面積均將減少，B2a情景下高風險區(qū)面積將增加。

關鍵詞：稻縱卷葉螟；MaxEnt；風險分析；預測

0引言

稻縱卷葉螟是一種熱帶和亞熱帶的重要水稻害蟲，隸屬于昆蟲綱(Isecta)、鱗翅目(Lepidoptera)、螟蛾科(Pyralidae)[1]。稻縱卷葉螟廣泛分布于亞洲、澳大利亞、東非等國家和地區(qū)。在我國該蟲主要危害南方稻區(qū)和長江中下游地區(qū)[2]，而在20世紀90年代后半期，稻縱卷葉螟發(fā)生范圍逐漸擴增且強度明顯加重，目前已成為我國水稻主產區(qū)上常發(fā)性重要害蟲。21世紀以來曾多次造成我國水稻大幅度減產，造成嚴重的經濟損失[3]。

生態(tài)位模型的工作原理是：利用物種的地理分布數據(分布點經、緯度信息)和環(huán)境數據，以不同生物所需的特殊生存環(huán)境(生態(tài)位要求)為依據，利用特定數學算法，模擬或歸納特定物種的生態(tài)位需求，將其投射到目標地區(qū)，因此而獲得的結果即為目標物種的豐富度、出現概率或生境適宜度[4-7]。近年來，多種生態(tài)位模型(MaxEnt、GARP、Bioclim、ENFA和Domain等)在物種潛在地理分布預測方面取得了良好的效果，同時在生態(tài)學、考古學、生物地理學、進化和保護生物學等領域得到了廣泛應用[8-13]。MaxEnt模型是一種基于最大熵原理，在模擬計算過程中，結合只出現型數據模型和生態(tài)位原理的對物種地理分布進行預測的方案，是目前預測物種潛在分布的最新的生態(tài)位模型。MaxEnt模型同其他生態(tài)位模型相比具有僅需少量數據即可進行預測且較其它方法更精確的優(yōu)點[14-16]。

近年來，隨著全球氣候變暖的不斷加劇，出現了病蟲害繁殖代數增多、越冬死亡率降低和發(fā)生期提前等一系列問題，因此有必要采取不同的研究方法評估氣候變化對病蟲害未來分布的影響。預測氣候變化背景下的病蟲害適生區(qū)的變化，對及時掌握病蟲害的發(fā)生發(fā)展規(guī)律、建立健全病蟲害防控機制具有重要參考意義。本研究以水稻的重要害蟲稻縱卷葉螟為研究對象，借助MaxEnt模型和ArcGIS評估稻縱卷葉螟“當前時段”的分布狀態(tài)和“2050年時段”的變化，得到不同時期稻縱卷葉螟種群分布面積的變化，以此揭示氣候變化對該蟲害帶來的深刻影響，以期為制定合理的管理和保護策略提供科學依據。

1材料與方法

1.1稻縱卷葉螟地理分布信息的獲取

實地調查、國內外發(fā)表論文、查詢數據庫及標本館記錄為獲取物種地理分布數據的4種主要途徑[17-18]。在本研究中，通過全球物種多樣性信息庫(GBIF，http://www.gbif.org/)、高校教學標本資源共享平臺(http://mnh.scu.edu.cn/)和檢索國內外公開發(fā)表的有關稻縱卷葉螟的論文[19,33]，共獲得稻縱卷葉螟在全球的分布點238個。在238個分布點中，有準確經緯度信息的直接使用；對于只有地名的分布點，通過地名查詢系統(tǒng)GeoName(http://www.geonames.org/)查詢具體經緯度。MaxEnt軟件運行時，將稻縱卷葉螟的地理信息數據保存為“*.CSV”格式文件，保存順序為：物種名(species)、經度(dd long)和緯度(dd lat)[34-35]。

1.2環(huán)境層數據和地圖數據的獲取與處理

1.2.1環(huán)境層數據的獲取與處理環(huán)境數據包括年平均氣溫、最暖月最高溫度、最濕月降水量等19個全球環(huán)境生物氣候變量，變量代碼、描述以及指標代表的意義見表1，數據空間分辨率為5 arcmin，“當前時段”(1950～2000年)氣候數據可在WORLDCLIM網站(http://www.worldclim.org/)查詢并免費下載[36]。IPCC AR4針對未來的氣候變化，提供了多種氣候模式，本文選擇了3種具有代表性的氣候模式，分別為：A1b模式(能源需求平衡)、A2a(能源需求較高)和B2a(能源需求較低)，時間區(qū)間選擇為2050s(2041～2050年)，該時段上述3種氣候模式數據可從國際熱帶農業(yè)中心網站的未來氣候數據庫免費下載。

1.2.2ArcGIS所需地圖數據的獲取與處理MaxEnt軟件輸出的結果需借助ArcGIS進行分級顯示，本研究中中國分析的底圖(1∶400萬)下載自國家基礎地理信息系統(tǒng)官方網站，世界行政區(qū)劃圖下載自Blue Marble Geographics[37]。

1.3MaxEnt模型預測與檢驗

參照程軍[38]、郭彥龍[39]、張熙驁等[40]從全球238個稻縱卷葉螟分布點中隨機選取25%作為MaxEnt模擬的測試集數據，剩余的75%分布點則作為訓練集，輸出格式為“ASCII”文件，其它設定均選擇“默認”。

研究證實[41-43]，ROC接受曲線是目前最為廣泛使用的、針對物種分布模擬結果準確性驗證最為有效的指標。ROC曲線以1-特異度(假陽性率)為橫坐標，1-遺漏率(真陽性率)為縱坐標繪制而成，通過計算曲線下方面積(area under curve，AUC)而獲得評價指標。評價標準為：AUC>0.9為“極好”，0.8

表1　用于物種分布模擬的 19個生物氣象因子

2結果與分析

2.1MaxEnt模擬結果驗證

表2為“當前時段”和“2050年時段”MaxEnt模型預測的AUC值，“當前時段”模型AUC值為0.982，預測效果為“極好”，說明模擬結果可用于稻縱卷葉螟風險等級預測?！?050年時段”A1b、A2a和B2a 3種情景下，AUC值分別為0.982、0.985和0.984，預測效果均為“極好”，表明3種模擬結果均適用于本研究。

表2　稻縱卷葉螟風險等級預測模型的AUC值

2.2稻縱卷葉螟在中國的風險等級分析

根據稻縱卷葉螟在全球的分布記錄數據，利用MaxEnt生態(tài)位模型和ArcGIS軟件，稻縱卷葉螟在中國的風險等級區(qū)劃結果如圖1所示。采用“均分等級法”對預測結果進行分類，按風險等級從低到高順序依次分為5個等級。在當前氣候條件下，稻縱卷葉螟在中國的適宜生長區(qū)(極高風險區(qū))為上海、浙江大部、江蘇南部、安徽大部、湖北中東部、湖南東部、四川西南部、廣西中部等地，總面積約78.41萬km2。高風險區(qū)為貴州、廣東、福建、江西、重慶、廣西大部，總面積約80.2萬km2。

浙江金融職業(yè)學院智慧圖書館，空間預約、電腦登錄、活動報名與考勤都已經實現了人臉識別，是全國高校首家將人臉識別技術應用到圖書館所有業(yè)務流程，實現一站式服務的圖書館。

2.32050年3種情景下稻縱卷葉螟在中國的適生性分析

2050年，在3種排放情景下，稻縱卷葉螟在中國的極高風險區(qū)面積均將減少，A1b情景下分布范圍以目前為中心向內減少，總面積約為69.5萬km2；A2a和B2a情景下極高風險區(qū)面積均將明顯減少，總面積分別為58.93萬km2和58.24萬km2，其中江西、浙江、湖北和四川等地減少較為明顯，B2a情景下高風險區(qū)面積將增加，總面積約為85.66萬km2(圖2)。

2.4稻縱卷葉螟在我國各省區(qū)的氣候風險綜合指數分析

表3為稻縱卷葉螟在中國各省區(qū)的氣候風險等級綜合指數(CRRI)，計算方法參照孫兵等[44]的研究方法，公式如下：

上式中 ，Bi代表i等級的氣候風險指數，APi是Bi地區(qū)對應的氣候風險指數等級所對應的面積百分比。

結果表明：在“當前時段”氣候條件下，在我國范圍內，從氣候適應性綜合指數分析，稻縱卷葉螟在上海、浙江、香港、江西、安徽和湖南等省市區(qū)風險等級較高，氣候風險綜合指數為50. 01～65.60。稻縱卷葉螟在甘肅、吉林、黑龍江、內蒙古、新疆、山西、寧夏和青海的風險等級較低，綜合指數為2.75～2.98。

圖2　2050年稻縱卷葉螟在中國的適生區(qū)域區(qū)劃圖

2050年，A1b情景下，上海、湖南、江蘇、臺灣、浙江、湖北、廣西、重慶、貴州和安徽等地風險等級較高，氣候風險綜合指數為56.87～71.80。天津、北京、遼寧、河北、西藏、甘肅和青海等地風險等級較低，綜合指數低于7.0。

B2a情景下，上海、香港、江蘇、浙江、安徽、福建、湖南、臺灣、貴州、廣西、重慶和廣東等地風險等級較高，氣候風險綜合指數為46.56～74.02。西藏、甘肅、河北、山西、吉林、黑龍江、內蒙古、新疆、寧夏和青海等地風險等級較低，綜合指數為4.18～6.04。

3結論與討論

MaxEnt模型是目前國內外在物種適生區(qū)分析領域常用的一種預測軟件，它基于機器學習和數學統(tǒng)計，相對于其他一些常用預測模型有其獨特的優(yōu)勢[45]。本研究所建立模型的AUC值均大于0.982，模型預測準確性標準為“極好”，結果適用于稻縱卷葉螟適生區(qū)預測的研究。

本文使用MaxEnt和ArcGIS軟件相結合的方法，分析了當前氣候條件下稻縱卷葉螟在我國各省區(qū)的風險等級區(qū)劃。結果表明，稻縱卷葉螟在中國極高風險區(qū)為上海、浙江大部、江蘇南部、安徽大部、湖北中東部、湖南東部、四川西南部、廣西中部等地，總面積約78.41萬km2。高風險區(qū)為貴州、廣東、福建、江西、重慶、廣西大部，總面積約80.2萬km2。本文研究了2050年3種排放情景下稻縱卷葉螟在我國的潛在地理分布，3種情景雖是在特殊情況下的氣候模擬，但從一定程度上反映了在未來氣候變化的發(fā)展趨勢。結果表明，2050年，3種排放情景下，稻縱卷葉螟在中國的極高風險區(qū)面積均將減少，B2a情景下高風險區(qū)面積將增加。

生態(tài)位模型對物種生境選擇的分析、預測物種潛在分布和物種在環(huán)境變化下的空間分布具有重要意義，目前已被廣泛應用于上述領域的研究中。MaxEnt模型實質上是基于貝葉斯定理的一種推斷方法，該模型的工作思路為：根據物種的分布數據(僅需分布區(qū)數據)和環(huán)境數據(包括氣候、海拔、坡度和植被等)，基于目標物種的生態(tài)位需求，以最大熵原理作為統(tǒng)計推斷工具，研究目標物種在目標區(qū)域的分布幾率及生物多樣性，因此，MaxEnt模型可應用于模擬重點監(jiān)測、檢疫和防控對象在大尺度環(huán)境背景下的分布及其變化。MaxEnt模型同其它模型相比是一種較新的研究方法，且具有以下優(yōu)點：首先，在基礎數據要求方面，MaxEnt模型運行僅需要分布區(qū)數據，而不需要非分布區(qū)數據，現實中非分布區(qū)數據往往獲取難度更大；其次，國內外學者針對多種生態(tài)位模型的預測結果的比較分析表明，MaxEnt模型較其它一些模型(包括GARP，BIOCLIM，CLIMEX，DOMAIN等)的AUC值最大，預測效果最佳；第三，即使樣本量較小，MaxEnt模型的規(guī)則化程序仍可阻止模擬過擬合，因此更適合模擬生態(tài)位較窄、分布數據有限的物種?；谝陨蠋c原因，本研究選擇了MaxEnt作為分析軟件對稻縱卷葉螟的適生性分布進行評估[46-48]。

作為一種基于最大熵的生態(tài)位模型，MaxEnt模型有其優(yōu)點，但同樣尚有不甚滿意的地方。首先，由于模型進行模擬時只使用了有限的“發(fā)生數據”，因此預測結果與病蟲害實際的分布有一定偏差，僅代表與分布區(qū)相似的環(huán)境條件；第二，最大熵模型使用模擬時段的生態(tài)位參數的方式預測物種在未來的適生性，沒能以約束形式考慮物種對氣候變化的適應性，這可能導致預測結果不夠客觀甚至有些偏頗；第三，由于模型使用的環(huán)境變量時間跨度大，以文本為例，“當前時段”跨度達50年，加之物種對環(huán)境的適應性和響應滯后的累積，則很有可能導致最初可被忽視的因素最后變?yōu)橹饕蛩亍ａ槍σ陨蠋c，要求在應用MaxEnt模型進行適生分布預測時，首先應充分學習并掌握目標物種的生物學和生態(tài)學特性，據此選擇影響分布的關鍵環(huán)境因子和精確又有代表性的地理分布點數據，提高預測結果的準確性，建立相對準確的模型。在本文分析稻縱卷葉螟在我國的風險區(qū)時，選取的19個因子為與溫度和濕度相關的生物氣候因子，沒有考慮影響稻縱卷葉螟分布的其它環(huán)境因素，例如寄主范圍、栽培類型、植被類型、天敵分布等，這必然會導致預測結果的偏差。在下一步的工作中，應綜合考慮包括氣候因素在內的多種復合環(huán)境因素對稻縱卷葉螟分布的影響，這樣才有可能使預測結果更加準確。

影響病蟲害生長及分布的主要生態(tài)因子有氣候、生物、土壤等幾大類，其中氣候條件與病蟲害生命活動關系密切，是決定病蟲害分布的主要因素之一。氣候變化可能對生態(tài)系統(tǒng)和經濟生產產生不可逆轉的影響，國內外研究證實，氣候變化特別是氣候變暖增加了各地的農業(yè)熱量資源，提高了作物的復種指數[49-50]，同時氣候變暖亦可促使病蟲害的發(fā)生發(fā)展、分布范圍及危害程度發(fā)生顯著變化[51]。年均氣溫的增高，增加了病蟲害發(fā)育所需的可利用積溫，造成害蟲成蟲發(fā)生期延長、發(fā)育代數增多，最終種群數量大幅度上升；氣溫上升還可導致病蟲害分布區(qū)擴大，促使害蟲向北向西遷移，適宜害蟲棲息的地理范圍擴大[52-59]。

表3　稻縱卷葉螟在中國的氣候風險等級綜合指數

本研究結果表明2050時段，B2a排放情景下，稻縱卷葉螟在我國的高風險區(qū)面積將增加，總面積達85.66萬km2，說明未來溫室氣體排放模式若為“能源利用較低”情景，則很有可能增加稻縱卷葉螟在我國的適生度，增加該水稻害蟲在我國的風險范圍；研究還表明，2050年影響稻縱卷葉螟分布的主導氣候因子與目前情景相比有較大變化，這預示現在影響較小的氣候因子有可能在未來上升為主要影響因子。這就警示我們在研究病蟲害風險區(qū)區(qū)劃時不僅應重視目前的情況，還應關注氣候變化對病蟲害分布的影響。

參考文獻：

[1] 李照會.農業(yè)昆蟲與鑒定[M].北京:中國農業(yè)出版社,2002:205.

[2] 李傳明,徐健,楊亞軍,等.人工飼料飼養(yǎng)稻縱卷葉螟的生長發(fā)育與繁殖[J].中國水稻科學,2011,25(3):321-325.

[3] 白先達,黃超艷,唐廣田,等.氣象條件對稻縱卷葉螟遷飛的影響分析[J].中國農學通報,2010,26(21):262-267.

[4] Batty M. Space, scale, and scaling in entropy maximizing[J]. Geographical Analysis, 2010, 42: 395-421.

[5] Wilson A. Entropy in urban and regional modeling: retrospect and prospect[J]. Geographical Analysis, 2010, 42(4): 364-394.

[6] Elith J, Graham H C, Anderson R P, et al. Novel methods improve prediction of species’ distributions from occurrence data[J]. Ecography, 2006, 29(2): 129-151.

[7] 胡忠俊,張鐿鋰,于海彬.基于MaxEnt模型和GIS的青藏高原紫花針茅分布格局模擬[J].應用生態(tài)學報,2015,26(2):505-511.

[8] Phillips S J, Dudík M , Schapire R E. A maximum entropy approach to species distribution modeling[C]//Proceedings of the Twenty-First International Conference on Machine Learning. 2004.

[9] 孫敬松,周廣勝.利用最大熵法(MaxEnt)模擬中國冬小麥分布區(qū)的年代際動態(tài)變化[J].中國農業(yè)氣象,2012,33(4):481-487.

[10] 何奇瑾.我國玉米種植分布與氣候關系研究[D].南京:南京信息工程大學,2012.

[11] 朱耿平,劉晨,李敏,等.基于Maxent和GARP模型的日本雙棘長蠹在中國的潛在地理分布分析[J].昆蟲學報,2014,57(5):581-586.

[12] 李雙成,高江波.基于GARP模型的紫莖澤蘭空間分布預測:以云南縱向嶺谷為例[J].生態(tài)學雜志,2008,27(9):1531-1536.

[13] 楊瑞,張雅林,馮紀年.利用ENFA生態(tài)位模型分析玉帶鳳蝶和箭環(huán)蝶異地放飛的適生性[J].昆蟲學報,2008,51(3):290-297.

[14] Phillips S J, Anderson R P, Schapire R E. Maximum entropy modeling of species geographic distributions[J]. Ecological Modeling, 2006, 190(3/4): 231-259.

[15] 王運生,謝丙炎,萬方浩,等.ROC曲線分析在評價入侵物種分布模型中的應用[J].生物多樣性,2007,15(4):365-372.

[16] 趙文娟,陳林,丁克堅,等.利用MaxEnt預測玉米霜霉病在中國的適生區(qū)[J].植物保護,2009,35(2):32-38.

[17] 房鋒,張朝賢,黃紅娟,等.基于Maxent的麥田惡性雜草節(jié)節(jié)麥的潛在分布區(qū)預測[J].草業(yè)學報,2013,229(2):62-70.

[18] 王穎,章桂明,楊偉東,等.基于MaxEnt的大豆南北方莖潰瘍病菌在中國適生區(qū)的預測[J].植物檢疫,2009,23(4):14-17.

[19] 齊會會,張云慧,王健,等.稻縱卷葉螟在探照燈下的撲燈節(jié)律[J].中國農業(yè)科學,2014,47(22):4436-4444.

[20] 齊國君,王政,藍日青,等.粵北稻區(qū)稻縱卷葉螟的發(fā)生規(guī)律及蟲源性質分析[J].中國水稻科學,2013,27(2):177-183.

[21] 廖懷建,黃建榮,方源松,等.水稻和玉米苗上飼養(yǎng)的稻縱卷葉螟對溫度的反應[J].生態(tài)學報,2013,33(2):409-415.

[22] 蔣春先,楊秀麗,齊會會,等.中國華南地區(qū)稻縱卷葉螟遷飛的一次雷達觀測[J].中國農業(yè)科學,2012,45(23):4808-4817.

[23] 王鳳英,張孝羲,翟保平.稻縱卷葉螟的飛行和再遷飛能力[J].昆蟲學報,2010,53(11):1265-1272.

[24] 劉芳,奚本貴,包善微,等.氯蟲苯甲酰胺對稻縱卷葉螟的防效及對稻田有益節(jié)肢動物的安全性評價[J].植物保護,2009,35(5):139-144.

[25] 王鳳英,胡高,陳曉,等.近年來廣西南寧稻縱卷葉螟大發(fā)生原因分析[J].中國水稻科學,2009,23(5):537-545.

[26] 徐德進,顧中言,徐廣春,等.霧滴密度及大小對氯蟲苯甲酰胺防治稻縱卷葉螟效果的影響[J].中國農業(yè)科學,2012,45(4):666-674.

[27] 黃學飛,張孝羲,翟保平.交配對稻縱卷葉螟飛行能力及再遷飛能力的影響[J].南京農業(yè)大學學報,2010,33(5):23-28.

[28] 張巍,張志罡,付秀芹,等.轉Bt基因水稻對稻縱卷葉螟幼蟲體內三種保護酶活性的影響[J].昆蟲學報,2008,51(10):1022-1027.

[29] 高忠文,陶嶺梅,蘇建亞,等.防治稻縱卷葉螟高毒農藥替代藥劑的室內篩選[J].中國水稻科學,2008,22(6):631-636.

[30] 齊國君,秦冉冉,肖滿開,等.安徽安慶混作稻區(qū)稻縱卷葉螟第三、四代發(fā)生規(guī)律研究[J].中國水稻科學,2008,22(5):513-518.

[31] 王亓翔,許路,吳進才.水稻品種對稻縱卷葉螟抗性的物理及生化機制[J].昆蟲學報,2008,51(12):1265-1270.

[32] 高月波,陳曉,陳鐘榮,等.稻縱卷葉螟(Cnaphalocrocismedinalis)遷飛的多普勒昆蟲雷達觀測及動態(tài)[J].生態(tài)學報,2008,28(11):5238-5247.

[33] 王翠花,包云軒,王建強,等.2003年稻縱卷葉螟重大遷入過程的大氣動力機制分析[J].昆蟲學報,2006,49(4):604-612.

[34] 盧輝,鐘義海,陳青,等.基于MaxEnt模型的對粒材小蠹的適生性分析[J].熱帶作物學報,2013,34(11):2239-2245.

[35] 雷軍成,徐海根.基于MaxEnt的加拿大一枝黃花在中國的潛在分布區(qū)預測[J].生態(tài)與農村環(huán)境學報,2010,26(2):137-141.

[36] 齊國君,陳婷,高燕,等.基于Maxent的大洋臀紋粉蚧和南洋臀紋粉蚧在中國的適生區(qū)分析[J].環(huán)境昆蟲學報,2015,37(2):219-223.

[37] 趙力,朱耿平,李敏,等.入侵害蟲西部喙緣蝽和紅肩美姬緣蝽在中國的潛在分布[J].天津師范大學學報:自然科學版,2015,35(1):75-78.

[38] 程軍,沈陽,郭水良.氣候變暖對花葉蘚屬植物在中國的潛在分布范圍影響的預測[J].生態(tài)科學,2015,34(1):9-16.

[39] 郭彥龍,衛(wèi)海燕,路春燕,等.氣候變化下桃兒七潛在地理分布的預測[J].植物生態(tài)學報,2014,38(3):249-261.

[40] 張熙驁,隋曉云,呂植,等.基于Maxent的兩種入侵性魚類(麥穗魚和鯽)的全球適生區(qū)預測[J].生物多樣性,2014,22(2):182-188.

[41] 張穎,李君,林蔚,等.基于最大熵生態(tài)位元模型的入侵雜草春飛蓬在中國潛在分布區(qū)的預測[J].應用生態(tài)學報,2011,22(11):2970-2976.

[42] 張曉峰,佟友貴,楊建東,等.基于Maxent生態(tài)位模型預測球果角脛象在云南的潛在地理分布[J].環(huán)境昆蟲學報,2013,35(1):28-32.

[43] 韓陽陽,王焱,項楊,等.基于Maxent生態(tài)位模型的松材線蟲在中國的適生區(qū)預測分析[J].南京林業(yè)大學學報:自然科學版,2015,39(1):6-10.

[44] 孫兵,婁玉霞,郭水良.野生蔬菜鴨兒芹在中國栽培的氣候適應性研究[J].上海農業(yè)學報,2014,30(1):85-89.

[45] 王運生,謝丙炎,萬方浩,等.相似穿孔線蟲在中國的適生區(qū)預測[J].中國農業(yè)科學,2007,40(11):2502-2506.

[46] Brotons L, Thuiller W, Araujo M B, et al. Presence-absence versus presence-only modeling methods for predicting bird habitat suitability[J]. Ecography, 2004, 27(4): 437-448.

[47] 徐燁,王金龍,劉雅婷,等.鳳仙花壞死斑病毒在中國的適生性風險評估[J].植物保護,2013,39(6)：26-31.

[48] 曲偉偉,李志紅,黃貴修,等.利用MAXENT預測橡膠樹棒孢霉落葉病在中國的適生區(qū)[J].植物保護,2011,37(4):52-57.

[49] 趙宗慈.為IPCC第五次評估報告提供的全球氣候模式預估[J].氣候變化研究進展,2009,5(4):241-243.

[50] 張國慶.氣候變化對生物災害發(fā)生的影響及對策[J].現代農業(yè)科技,2011(1):318-321.

[51] 李劍泉,李智勇,易浩若.森林與全球氣候變化的關系[J].災害學,2011,26(2):35-38.

[52] 王鴻斌,張真,孔祥波,等.入侵害蟲紅脂大小蠹的適生區(qū)和適生寄主分析[J].林業(yè)科學,2007,43(10):71-76.

[53] 馬菲,何友元,趙林忠,等.桃蛀螟在新疆的適生區(qū)預測[J].植物保護,2012,38(2)：136-138.

[54] 王培新,杜薇薇,李孟樓.氣候變暖與林木害蟲的適應性變化[J].西北林學院學報,2011,26(3):124-128.

[55] 吳志剛,曲偉偉,張澤華,等.基于CLIMEX的苜蓿籽象甲在中國的適生區(qū)分析[J].植物保護,2012,38(3):63-66.

[56] 何善勇,溫俊寶,駱有慶,等.氣候變暖情景下松材線蟲在我國適生區(qū)范圍[J].應用昆蟲學報,2012(1):236-243.

[57] 張立敏,陳斌,李正躍,等.氣候變化對水稻三化螟物候及多度的影響(英文)[J].西南農業(yè)學報,2012,25(3):885-893.

[58] 劉明春,蔣菊芳,郭小芹,等.氣候變化背景下玉米棉鈴蟲消長動態(tài)預測及影響因素研究[J].干旱地區(qū)農業(yè)研究,2014,32(2):114-118,141.

[59] 馬春森,馬罡,趙飛.氣候變暖對麥蚜的影響[J].應用昆蟲學報,2014,51(6):1435-1443.

(責任編輯：許晶晶)

Risk Analysis ofCnaphalocrocismedinalisin China under Three Emissions Scenarios in 2050

WANG Yan-li1,2,WANG Ru-lin1, JIANG Gan1, SHEN Zhan-hong1, LIN Shan1

(1. Rural Economic Information Centre of Sichuan Province, Chengdu 610072, China; 2. Sichuan Provincial Key Laboratory of Heavy Rain and Drought-Flood Disasters in Plateau and Basin, Chengdu 610072, China)

Abstract：The potential distribution ofCnaphalocrocismedinalisGuenee in 2050 of China was predicted by using MaxEnt and ArcGIS model. The results showed that, Shanghai, Zhejiang, Anhui, south of Jiangsu, east of Hubei, east of Hunan, southeast of Sichuan, middle of Guangxi were the extremely high risk area forCnaphalocrocismedinalisin China. The high risk areas were in Guizhou, Guangdong, Fujian, Jiangxi, Chongqing, and most of Guagnxi. In 2050, the areas ofCnaphalocrocismedinaliswill tend to decrease in extremely high risk areas, while the high risk areas will tend to expand under B2a emissions scenario.

Key words：CnaphalocrocismedinalisGuenee; MaxEnt; Risk analysis; Prediction

收稿日期：2015-10-27

基金項目：四川省農村經濟綜合信息中心業(yè)務技術攻關課題(農信課題201403)；中國氣象局“2012年業(yè)務專項經費”資助。

作者簡介：王閆利(1978─)，女，工程師，從事農業(yè)信息化管理、病蟲害與氣象關系研究、為農氣象信息管理工作。

中圖分類號：S431.9

文獻標志碼：A

文章編號：1001-8581(2016)06-0076-06