Change prediction of potential suitable area of cultivated land in Northeast China under the future climate change situation based on MaxEnt model
-
摘要:
东北是中国重要的商品粮基地,其耕地主要分布于东北平原林耕资源大区。研究该区域耕地的未来潜在适宜区,对于提升其在未来气候变化背景下的适应性具有重大意义。基于2000—2020年耕地分布数据与31个气候、地形、水文、土壤等多类环境变量,通过最大熵模型(MaxEnt)和空间统计分析,构建未来近期(2021—2040年)和未来中期(2041—2060年)4种共享经济路径(SSP126、SSP245、SSP370和SSP585)情景下的耕地预测模型,揭示东北平原林耕资源大区耕地潜在适宜区空间分布规律和未来演变趋势。结果显示:①旱地面积为29.21×104 km2,其高适生区、中适生区、低适生区和不适生区面积分别为5.39×104 km2、48.71×104 km2、19.82×104 km2和30.18×104 km2。高适生面积区占旱地面积的15.27%,主要分布在海拔较低的辽河平原和松嫩平原。影响旱地适宜性的主要环境因素是最湿季度平均温度、坡度、最干季度降水量和气温季节变化标准差。旱地最优分布环境条件为:平均温度为18.58~24.8℃、坡度为−1.25°~8.03°、降水量为0~16.3 mm、气温季节变化标准差为930~1400。②水田面积为6.07×104 km2,其高适生区、中适生区、低适生区和不适生区面积分别为4.06×104 km2、13.67×104 km2、20.22×104 km2和66.17×104 km2。高适生区面积占水田面积的66.89%,主要集中在三江平原,零散分布于松嫩平原和辽河平原。影响水田适宜性的主要环境因素是海拔、年平均气温、坡度和等温性。水田最优分布环境条件为:海拔低于225.9 m、年平均气温为1.69~6.03℃、坡度低于2.28°、等温性低于25.53。③在未来气候情境下,旱地和水田适宜区分布与历史气候情景相似,但适生区面积有所变化。在未来近期,旱地高适生区面积在SSP245-30模式下增量最高,为0.4×104 km2;水田高适生区面积在SSP126-30模式下面积增量最高,为0.03×104 km2。在未来中期,旱地和水田高适生区在4种模式下均降低,旱地在SSP126-50模式下降低最多,水田在SSP585-50模式下降低最多。研究结果可为东北平原林耕资源大区土地国土空间规划提供科学支撑,为耕地的开发与利用提供参考。
Abstract:Northeast China is an important commodity grain base in China, and its cultivated land is mainly distributed in the Northeast Plain forest−farming resources area. Studying the future potential suitable areas of cultivated land in this region is of great significance for improving its adaptability in the context of future climate change. Based on the distribution data of cultivated land (dry land and paddy field) and 31 environmental variables such as climate, topography, hydrology and soil from 2000 to 2020, this study used the maximum entropy model (MaxEnt) and spatial statistical analysis to construct cultivated land prediction models under the scenarios of four shared economic paths (SSP126, SSP245, SSP370 and SSP585) in different periods (2021−2040,2041−2060) in the future, and revealed the spatial distribution and future evolution trend of the potential suitable areas of cultivated land in the forest and cultivated resources area of the Northeast Plain.The results showed that: ① The area of dry land was 29.21 ×104 km2, and the areas of high suitable area, medium suitable area, low suitable area and unsuitable area of dry land were 5.39×104 km2,48.71×104 km2,19.82×104 km2 and 30.18×104 km2, respectively. The high suitable area accounted for 15.27% of the dry land area, mainly distributed in the Liaohe Plain and Songnen Plain with low altitude. The main environmental factors affecting the suitability of dry land are the average temperature of the wettest quarter (bio8), slope (slope), precipitation of the driest quarter (bio17) and the standard deviation of seasonal variation of temperature (bio4). The optimal environmental conditions for dry land distribution are as follows: bio8 is 18.58 ~ 24.8℃, slope is −1.25° ~ 8.03°, bio17 is 0 ~ 16.3 mm, and bio4 is 930 ~ 1400. ② The paddy field area is 6.07×104 km2, and the areas of high suitable area, medium suitable area, low suitable area and unsuitable area of paddy field were 4.06×104 km2, 13.67×104 km2, 20.22×104 km2 and 66.17×104 km2, respectively. The high suitable area accounted for 66.89% of the paddy field area, which was mainly concentrated in Sanjiang Plain and scattered in Songnen Plain and Liaohe Plain. The main environmental factors affecting the suitability of paddy fields are altitude (dem), annual average temperature (bio1), slope and isothermality (bio3). The optimal environmental conditions for the distribution of paddy fields are as follows: dem is lower than 225.9 m, bio1 is 1.69 ~ 6.03℃, slope is lower than 2.28°, bio3 is lower than 25.53. ③ In the future climate scenario, the distribution of suitable areas for dry land and paddy fields is basically consistent with the current climate scenario, but the area of suitable areas has changed. During the early future period, the area of high suitable area of dry land increased the most under the SSP245−30 mode, which was 0.4×104 km2. The area increment of high suitable area in SSP126−30 mode was the highest, which was 0.03×104 km2. During the mid future period, the high suitable areas of dry land and paddy field decreased under the four modes. The dry land decreased the most under the SSP126−50 mode (1.46×104 km2), and the paddy field decreased the most under the SSP585−50 mode (0.29×104 km2). The research results can provide scientific support for the spatial planning of land in the Northeast Plain forest−farming resources area, and provide reference and suggestions for the development and utilization of cultivated land.
-
Keywords:
- cultivated land /
- MaxEnt model /
- assessment of feasibility /
- climate change /
- Northeast China
-
耕地是人类赖以生存和发展的重要资源,也是国家粮食安全和社会稳定的基础(Haddad et al., 2015;王刚, 2021;Zinke, 2022)。由于自然条件和人为活动的影响,耕地资源的数量和质量都面临严峻的挑战(刘纪远等, 2014;王发浩等, 2024)。中国耕地资源总量不足,人均耕地面积低于世界平均水平,耕地资源的空间分布不均衡,耕地质量低,保有量和粮食生产能力的矛盾日益突出。因此,开展耕地适宜性评价,科学合理地开发利用耕地后备资源,优化耕地空间布局,提高耕地利用效率和在未来气候变化的适应能力,对于保障耕地资源的可持续利用具有重要的意义(郑宇, 2005;赵在友等, 2010)。
《全球视角下的中国自然资源区划》提出,东北平原林耕资源大区是中国重要的粮食生产基地(刘晓煌等, 2023),其耕地资源的合理利用和保护对保障国家粮食安全至关重要。因此,研究该区域的耕地潜在适生区的变化,不仅有助于提高农业生产效率,还能促进区域生态环境的发展。耕地适宜性评价是评定土地用于农作物种植适宜性程度的过程,它是农业生产布局、种植业结构调整及土地利用规划的基础(白淑英, 2003)。目前,物种分布模型中常用的模型有随机森林模型(RFs)(Ma et al., 2022)、预测系统模型(BIOCLIM)(Semwal et al., 2021)、生物种群增长模型(CLIMEX)(孙杰杰等, 2020)、最大熵模型(Maximum Entropy Model,MaxEnt)(Zhou et al., 2021)等,在这些模型中,MaxEnt模型由于其建模直观、预测结果精度较高,仅利用少量数据和环境变量就能获得更准确的物种分布预测等原因被国内外学者广泛应用在各个领域(He et al., 2019)。如MaxEnt模型成功预测了薄荷的潜在分布(Soilhi et al., 2022),并确定了广西黄铁保护价值较高的区域(Gao et al., 2022)。该模型进一步测量了气候变化对整个欧洲鸟类物种分布的影响(Kiss et al., 2020),同时预测了日本脑炎病毒的可能传播(Miller et al., 2012)。最大熵模型原理指在不确定性条件下,选择熵最大的模型作为最优模型,即选择最不含有主观假设和先验信息的模型(荣文文等, 2023;张秀芸等, 2024;杨丽雯等, 2024)。最大熵模型的优点是能够利用不完整的信息进行预测或推断,只需要给定一组已知的存在位置和描述研究区域的环境变量,就可以表达出每个网格单元的适宜性概率分布。该模型已经被成功地应用于物种分布模拟(应邦肯等, 2023;陈梦缘等, 2024;刘艳华等, 2024)、土地利用变化分析(熊东阳等, 2023)、生态系统服务评估(姜芳茗等, 2022)等领域。
本文以东北平原林耕资源大区为研究区,选取气候、地形、地质、土壤、水文等环境变量作为评价因子,构建耕地(旱地和水田)适宜性评价指标体系,采用最大熵模型分析影响东北平原林耕资源大区耕地分布的主控因素,并结合未来气候数据预测2021—2040年(未来近期)和2041—2060年(未来中期)时段的旱地和水田适宜区分布与变化,旨在为东北平原林耕资源大区的耕地资源保护和合理利用提供科学依据。
1. 研究区概况
东北平原林耕资源大区根据山水林田湖草沙冰生命共同体的理念进行界定(刘晓煌等, 2023),其命名遵循“大地理位置+自然资源(林地、草地、耕地、荒漠、湿地等)+大区”的规则,由于该区域以林地和耕地为主导资源,因此命名。研究区位于中国七大自然地理分区之一的东北地区,主要包括黑龙江、辽宁和吉林3个省及内蒙古东部地区(图1),面积约为104.34×104 km2,占全国陆地面积的10.98%。该区属于温带季风气候,冬季寒冷干燥,夏季炎热多雨,春秋季节短促,年均气温在4~10℃之间,年均降水量在400~800 mm之间,年均日照时数在2400~2800 h之间。2018年,耕地资源面积为35.7×104 km2,占该大区总面积的34.28%,主要分布在三江平原、松嫩平原、辽河平原等地,占全国耕地总面积的10%左右,其中黑土占全国黑土总面积的90%以上(苗欣然等, 2023;张瑞等, 2023)。土壤类型主要有黑土、黑钙土及草甸土,土壤肥沃,是中国重要的商品粮生产基地。农作物主要有大豆、高粱、玉米、小麦等旱地作物。东北平原林耕资源大区森林资源较丰富,主要生长以红松、白桦、落叶松等为主的针叶林,以及以水曲柳、榆树、槐树等为主的阔叶林。2018年,森林资源面积为45.2×104 km2,占该大区总面积的43.43%,主要分布在大兴安岭和长白山等山地。
2. 材料与方法
2.1 耕地分布数据来源与处理
东北平原林耕资源大区耕地数据来自中国多时期土地利用遥感监测数据集(CNLUCC,China Land-Use and Land-Cover Change),包括旱地和水田(http://www.resdc.cn)。该数据以美国陆地卫星Landsat遥感影像作为主要信息源,通过人工目视解译构建中国国家尺度多时期土地利用/土地覆盖专题数据库。本次所用数据以2000年、2005年、2010年、2015年和2020年5期数据的众数,作为近20年耕地空间分布的平均情况。对旱地和山地的栅格数据进行均匀空间离散化,为防止同一单元范围内出现重复数据影响模型预测精度,基于世界气候数据库(http://www. worldclim. org)的最高分辨率(2.5 arcmin,约5 km)对单个单元内的重复数据进行删除,保证每5 km范围内只存在一个分布数据。最终用于模型的点位数量如表1,分布如图2。东北平原林耕资源大区主要耕地类型为旱地,面积为29.21×104 km2,水田面积仅有6.07×104 km2。
表 1 水田与旱地特征Table 1. Paddy field and dry land characteristics耕地类型 描述 面积/km2 用于模型的栅格点数/个 旱地 无灌溉水源及设施,靠天然降水生长作物的耕地;有水源和浇灌设施,在一般年景下能正常灌溉的旱作物耕地;以仲裁为主的耕地;正常耕作的休闲地和轮歇地 292127 7143 水田 有水源保证和灌溉设施,在一般年景能正常灌溉,用以种植水稻、莲藕等水生农作物的耕地,包括实行水稻和旱地作物轮种的耕地 60739 3980 2.2 环境变量选取及数据来源
本次研究中,初步选择了31个可能影响耕地分布的环境变量(表2),包括气候因子、土壤、地形和水文数据。气候因子数据来自WorldClim数据集2.1版本(https://worldclim.org),空间分辨率为2.5弧分分辨率,由降水和温度变率组成。土壤数据来源于中国第二次土壤调查(http://data.tpdc.ac.cn),是迄今为止最详细的全国尺度的土壤相关数据。地形数据来源于国家青藏高原科学数据中心(汤国安, 2019)(https://data.tpdc.ac.cn/home)。水文数据来源于OpenStreetMap Data extract (https://www.openstreetmap.org)。统一坐标系为WGS 1984地理坐标系。
表 2 用于分析东北平原林耕资源大区耕地适宜区的31个环境变量及数据来源Table 2. Thirty-one environmental variables and data sources used to analyze the suitable area of cultivated land in the Northeast Plain forest-farming resources area变量类型 变量 描述 数据来源 气候因子 bio1 年平均气温/℃ 世界气候数据库(www.worldclim.org)中1970—2000年和
2021—2100年的气候因子bio2 昼夜温差月均值/℃ bio3 等温性[(bio2/bio7)×100] bio4 气温季节变化标准差(标准差×100) bio5 最暖月份最高温度/℃ bio6 最冷月份最低温度/℃ bio7 气温年较差(bio5-bio6)/℃ bio8 最湿季度平均温度/℃ bio9 最干季度平均温度/℃ bio10 最暖季度平均温度/℃ bio11 最冷季度平均温度/℃ bio12 年降水量/mm bio13 最湿月份降水量/mm bio14 最干月份降水量/mm bio15 降水量季节性变化/mm bio16 最湿季度降水量/mm bio17 最干季度降水量/mm bio18 最暖季度降水量/mm bio19 最冷季度降水量/mm 地形因子 aspect 坡向/° 国家青藏高原科学数据中心(https://data.tpdc.ac.cn) dem 海拔/m slope 坡度/° 土壤因子 t_caco3 碳酸盐含量/% 北京大学城市与环境学院地理数据平台(http://geodata.pku.edu.cn) t_cec_soil 土壤阳离子交换能力/(cmol·kg−1) t_clay 粘粒含量/% t_esp 可交换钠盐/% t_gravel 砾石体积百分比/% t_oc 有机碳含量/% t_ph 酸碱度(l) t_sand 沙含量/% 水文类 water-dist 水系距离/m OpenStreetMap Data extract (https://www.openstreetmap.org) 未来气候因子数据来自Worldclim,时间段为2021—2040年(未来近期)和2041—2060年(未来中期)。与BCC-CMS1.1 m模式(Eyring et al., 2016)相比,IPCC6(政府间气候变化专门委员会发布的第六份评估报告)发布的BCC-CMS2-MR全球环流模式(GCM)改进了对中国温度演变和年平均降水气候分布的模拟。因此,笔者选择了该模型预测东北平原林耕资源大区耕地的适宜性。本次选择SSP126、SSP245、SSP370和SSP585情景下的4个共享社会经济路径(SSP)进行预测。SSP126是弱碳排放途径,代表了一个更加环保的未来,这是一种减少全球变暖和气候变化影响的情景,同时也有助于经济和社会的可持续发展。SSP245是中等减排的经济路径,代表了一个相对稳定的未来情景,该情景减少了全球变暖和气候变化的影响,但可能存在一些经济和社会因素的限制。SSP370情景是一种高排放的经济路径,代表了一个面临严重挑战的未来,这是一种加剧全球变暖和气候变化影响的情景,同时也威胁到经济和社会的稳定发展。SSP585情景是一种极高排放的经济路径,代表了一个更不稳定和不可持续的未来,这种情景可能导致更严重的气候变化和环境问题,同时也会对经济和社会发展产生负面影响。将未来近期和未来中期的气候情景组合起来,最终组成8个未来气候情景:SSP126-30、SSP126-50、SSP245-30、SSP245-50、SSP370-30、SSP370-50、SSP585-30和SSP585-50。
2.3 MaxEnt模型构建
最大熵模型(Maximum Entropy Model, MaxEnt)是一种基于最大熵原理评估和预测目标区域物种可能分布的概率建模方法,由Phillips等于2004年提出(Phillips et al., 2006)。最大熵原理指出,对于给定的约束,应该最大化概率分布的信息熵,以获得最平衡和无偏的预测结果。在物种分布模型中,最大熵理论用于建立物种与环境因素之间的相关性,并通过最大化信息熵预测物种在其他地理位置的概率分布。最大熵理论指出,预测风险最低、信息熵最高、最均匀的概率分布只有在没有主观假设且已知条件准备充分的情况下,才能获得最接近真实状态的近似(宋明顺等, 2019)。首先,将旱地和水田的地理分布数据转换为CSV格式,统一各环境变量的投影和分辨率,读入MaxEnt软件;接下来,对模型参数进行设置:使用交叉验证方法,选择迭代次数为1000次,选择背景点个数为10000,模型重复10次取平均值,其余均默认设置。这种设置提高了MaxEnt模型的预测精度和稳定性,使其能够更准确地预测物种的潜在分布区域(Li et al., 2023b)。最后,用受试者工作特征曲线(ROC)和曲线下面积(AUC)来验证模型的准确性。ROC曲线是评估二元分类模型性能的图形工具。AUC是ROC曲线下的面积,取值范围为0~1。
2.4 环境变量的筛选与剔除
为避免部分变量之间存在自相关和多重共线性重复的问题,本文采用Spearman相关系数对变量进行筛选(Kumar et al., 2006; Worthington et al., 2016)。选择相关系数<0.75的变量进行建模,并基于MaxEnt模型的刀切检验功能评估每个环境变量对模型预测的贡献,排除贡献较低的变量。用于分析旱地和水田适宜区分布的环境变量及其贡献率,结果见表3,其中用于分析旱地适宜区分布的变量为16个,用于分析水田适宜区分布的变量为19个。
表 3 去除空间相关性后的变量及贡献率Table 3. Variables and their contribution rates after removing spatial correlation旱地 水田 变量 贡献率/% 变量 贡献率/% bio8 79.8 dem 34.5 slope 6.7 bio1 23.1 bio17 4.9 slope 20.1 bio4 3 bio3 11.6 bio18 2 bio14 3.4 bio2 1 bio15 1.6 bio3 0.8 water-dist 1.2 t_sand 0.5 bio2 1.1 t_oc 0.4 bio16 0.8 t_cec_soil 0.2 bio18 0.6 t_caco3 0.2 t_oc 0.5 t_esp 0.1 t_clay 0.5 water-dist 0.1 t_ph 0.4 t_ph 0.1 t_cec_soil 0.3 t_clay 0.1 aspect 0.2 t_gravel 0.1 t_sand 0.1 - - t_gravel 0.1 - - t_esp 0.1 - - t_caco3 0.1 注:变量的详细描述见表2 2.5 耕地潜在适宜生长区划分
将MaxEnt模型结果文件导入ArcGIS10.8软件,结合空间分析工具中的“重分类”工具,将模型模拟结果划分为不适生区(0~0.2)、低适生区(0.2~0.4)、中适生区(0.4~0.6)和高适生区(0.6~1)4类(Xu et al., 2023),得到旱地和水田在研究区可能的地理分布区域,并计算出其适合不同气候的适宜区面积。然后将这些数据进行比较并计算差异,以便进行更直观地分析,更好地了解旱地和水田的分布模式及未来气候变化对其分布的潜在影响。
3. 结果与分析
3.1 MaxEnt模型精度测试
用于分析东北平原林耕资源大区旱地和水田适宜区分布的AUC如图3所示,10次运行结果AUC平均值分别为0.71和0.83,显著高于随机预测(AUC=0.5),模型结果较好。且模型重复运行时稳定,表明数据能满足MaxEnt模型的要求,结果可靠,可以合理地模拟旱地和水田的分布,为进一步研究提供了基础。
3.2 旱地地理分布的潜在影响因素
3.2.1 影响旱地分布的主控因素
在模型精度验证后,基于16个环境变量对历史气候条件下的潜在分布区域进行了预测。由刀切试验结果(图4)可以看出,隔离使用时增益最大的环境变量为bio8(最湿季度平均温度)、slope(坡度)、bio2(昼夜温差月均值)、bio3(等温性)和t_oc(土壤有机碳含量),说明这些环境因子包含其他环境因子变量所不包含的一些信息。由此认为,bio8、slope和bio2是影响旱地当前地理分布最重要的环境因子。同时,单独使用bio8时,模型的收益最高;不使用bio8时,模型的收益减少得最多,表明bio8为旱地的适宜性分析提供了最多的有用信息。
通常只使用单个环境变量会减少模型的预测能力,导致模型预测出现偏差,也可能导致过度拟合,使模型在预测新数据时出现误差。因此,在使用MaxEnt模型进行预测时,必须结合多个环境因子变量,以提高模型的预测能力,使模型稳定。各环境变量对MaxEnt模型的贡献(表3)表明,bio8、slope、bio17和bio4是旱地潜在分布的主要限制因子,尤其是bio8,单因素的贡献率达到79.8%。
最湿季度平均温度(bio8)与旱地的耕种适宜性的响应曲线(图5−a)显示,随温度增加,旱地的适宜性提高,当温度达到20.94℃时,适宜性转变为下降趋势。当温度处于18.58~24.8℃时,旱地较适宜耕种(LOV>0.4),低于17.55℃时,旱地不适宜耕种(LOV<0.2)。从坡度(slope)与旱地适宜性的响应曲线(图5−b)可以看出,当坡度在−1.25°~8.03°之间,旱地较适宜耕种(LOV>0.4),当坡度大于8.03°时,随着坡度的增加,旱地的适宜性降低。从最干季度降水量(bio17)与旱地适宜性的响应曲线(图5−c)可以看出,随着降水量的增大,旱地的适宜性先波动再降低,整体概率(LOV)均大于0.54,尤其降水量为0~16.3 mm时存在概率大于0.6,旱地非常适宜耕种。气温季节变化标准差(bio4)与旱地适宜性的响应曲线(图5−d)可以看出,bio4处于930~1400之间时,适宜性稳定,维持在0.6~0.63之间。bio4大于1400时,旱地的适宜性随着bio4的增加而增加。
3.2.2 旱地适宜区分布
东北平原林耕资源大区旱地适宜区分布如图6−a所示,其中,高适生区面积约5.39×104 km2、中适生区面积约48.71×104 km2、低适生区面积约19.82×104 km2、不适生区面积约30.18×104 km2。高适生区主要分布在海拔较低的辽河平原和松嫩平原;中适生区主要分布在东北平原;低适生区零散分布在中适生区边界海拔较高的地区;不适生区主要分布在海拔较高的大兴安岭、小兴安岭等地区。
3.3 水田地理分布的潜在影响因素
3.3.1 影响水田分布的主控因素
用于分析水田适宜区分布的变量为19个,所用变量的贡献率见表3,刀切检验结果见图4。在刀切检验中,单独使用海拔(dem)时,模型的收益最高;当不使用dem时,模型的收益减少最多,表明dem为水田的适宜性分析提供了最多的有用信息。
在研究区,海拔(dem)、年平均气温(bio1)、slope(坡度)和等温性(bio3)是影响水田适宜区分布的主要因素,贡献率分别为34.5%、23.1%、20.1%和11.6%,合计为89.3%(表3)。dem与水田适宜性的响应曲线如图7−a所示,随海拔的增加,水田的适宜性降低。当dem<225.9 m时,为较适宜水田(LOV>0.4);当dem>478.3 m时,为不适宜水田(LOV<0.2)。bio1与水田适宜性的响应曲线如图7−b所示,随平均气温升高,水田的适宜性先升高再降低。当bio1处于1.69~6.03℃之间时,为较适宜水田(LOV>0.4)。坡度与水田适宜性的响应曲线如图7−c所示,水田的适宜性整体随坡度的升高而降低。当坡度<2.28°时,为较适宜水田(LOV>0.4)。bio3与水田适宜性的响应曲线如图7−d所示,水田适宜性随等温性增加而降低。当等温性<25.53时,为较适宜水田(LOV>0.4);当等温性>28.13时,为不适宜水田(LOV<0.2)。
3.3.2 水田适宜区分布
东北平原林耕资源大区的适宜性分区如图6−b所示,水田高适生区总面积较小,约4.06×104 km2,主要集中在三江平原,零散分布在松嫩平原和辽河平原。水田中适生区总面积约为13.67×104 km2,占研究区面积的13.13%,主要分布在海拔较低的平原地区。水田低适生区总面积约为20.22×104 km2,主要分布在研究区中部。不适生区主要分布在海拔较高的大兴安岭、小兴安岭等地区,面积约为66.17×104 km2,占研究区面积的63.55%。
3.4 不同气候变化情景下耕地空间分布格局的变化
研究共选取8个时期来预测耕地(旱地和水田)的潜在分布。在未来气候情景下,预测的旱地适宜区分布与当前气候情景下基本一致(图8),主要分布在三江平原、松嫩平原、辽河平原等海拔低的地区。在不同的未来气候情景下,预测旱地高、中适生区主要位于辽宁西部、吉林西部及黑龙江西南部,低适宜生境主要位于辽宁东部、吉林东部及黑龙江东北部。从表4可知,从历史时期到未来近期和未来中期,旱地的适生区面积有所变化,高适生区在SSP126-30、SSP370-30和SSP585-30模式时面积减少,分别减少0.13×104 km2、0.84×104 km2、0.72×104 km2,在SSP370-30模式下减少的最多;高适生区在SSP245-30模式下面积增加了0.4×104 km2,表明中等减排的经济路径对于旱地的发展较有利。中适生区在SSP126-30和SSP245-30模式下面积分别减少1.02×104 km2、1.04×104 km2;SSP370-30和SSP585-30模式下面积分别增加0.92×104 km2、0.39×104 km2,表明中高碳排放路径对于旱地的中适宜区发展较有利。在未来中期,旱地高适宜区在SSP126-50、SSP245-50、SSP370-50和SSP585-50模式下面积均分别减少1.46×104 km2、1.34×104 km2、0.95×104 km2和1.29×104 km2。中适宜区在SSP126-50、SSP245-50、SSP370-50和SSP585-50模式下面积均分别增加2.16×104 km2、0.89×104 km2、0.67×104 km2和1.54×104 km2,在SSP126-50模式下增加最多。
图 8 SSP126、SSP245、SSP370和SSP585情景下在未来近期和未来中期旱地(a1、b1、c1、d1、e1、f1、g1、h1)和水田(a2、b2、c2、d2、e2、f2、g2、h2)的潜在适生区预测Figure 8. Prediction of potential suitable areas of SSP126, SSP245, SSP370 and SSP585 scenarios in dry land ( a1, b1, c1, d1, e1, f1, g1, h1 ) and paddy fields ( a2, b2, c2, d2, e2, f2, g2, h2 ) in the early future and mid future表 4 旱地历史时期和未来时期各适宜区面积Table 4. The area of suitable areas in the historical and future periods of dry lands104km2 适宜区 历史时期 未来近期 未来中期 SSP126 SSP245 SSP370 SSP585 SSP126 SSP245 SSP370 SSP585 高适生区 5.39 5.26 5.79 4.55 4.67 3.93 4.05 4.44 4.10 中适生区 48.71 47.69 47.67 49.63 49.10 50.87 49.60 49.38 50.25 低适生区 19.82 20.87 22.35 20.62 19.94 19.90 20.44 19.93 20.39 不适生区 30.18 30.31 28.31 29.32 30.40 29.42 30.03 30.36 29.38 水田适宜区范围与当前气候情景下基本一致(图8),水田高、中适生区主要位于三江平原、黑龙江西部、中部及辽宁西南部,低适宜生境主要位于松嫩平原、吉林西部及辽宁北部。从表5可知,从历史时期到未来近期和未来中期,水田的适生区面积有所变化,高适生区在SSP245-30、SSP370-30和SSP585-30模式时面积分别减少0.06×104 km2、0.07×104 km2、0.04×104 km2,在SSP370-30模式下减少的最多;高适生区在SSP126-30模式下面积增加0.03×104 km2,表明弱碳排放途径路径对于水田的发展较有利。中适生区在SSP126-30和SSP585-30模式下面积分别减少0.18×104 km2、0.03×104 km2;SSP245-30和SSP370-30模式下面积分别增加0.95×104 km2、0.41×104 km2,表明中等碳排放路径对于水田的中适宜区发展较有利。在未来中期,水田高适宜区在SSP126-50、SSP245-50、SSP370-50和SSP585-50模式下面积分别减少0.04×104 km2、0.05×104 km2、0.2×104 km2和0.29×104 km2。中适宜区在SSP126-50、SSP370-50和SSP585-50模式下面积分别增加0.12×104 km2、0.55×104 km2和0.66×104 km2,在SSP580-50模式下增加最多,在SSP370-50模式下面积不变。
表 5 水田历史时期和未来时期各适宜区面积Table 5. The area of suitable areas in the historical period and future period of paddy field104km2 适宜区 历史时期 未来近期 未来中期 SSP126 SSP245 SSP370 SSP585 SSP126 SSP245 SSP370 SSP585 高适生区 4.06 4.09 4.00 3.99 4.02 4.02 4.01 3.86 3.77 中适生区 13.67 13.49 14.62 14.08 13.64 13.79 13.67 14.22 14.33 低适生区 20.22 19.86 19.49 19.72 20.10 19.89 20.03 20.33 20.18 不适生区 66.17 66.68 66.00 66.33 66.37 66.43 66.41 65.70 65.85 4. 讨 论
本次研究采用MaxEnt模型,结合东北平原林耕资源大区的多源环境数据,分析了影响耕地(旱地和水田)分布的主控因素。其中温度、坡度、等温性和土壤有机碳含量是旱地的主要限制因素,而海拔、年平均气温、坡度和等温性是水田的主要限制因素。温度通过影响耕地的作物生长和土壤微生物活性,进而影响土壤有机碳的输入和分解(Li et al., 2023a;Xiong et al., 2023)。一般来说,温度升高会加速土壤有机碳的矿化,导致土壤有机碳含量降低(张维理等, 2020)。但是,温度升高也会增加植物的光合作用和凋落物的产量,从而提高土壤有机碳的输入(张秀等, 2020)。因此,温度对耕地土壤有机碳的影响取决于输入和分解的平衡,不同的气候区域和作物类型可能有不同的响应。坡度通过影响耕地的水土流失和土壤侵蚀,从而影响土壤有机碳的储存和分布(付宇佳等,2024;郑吉林等, 2024)。一般而言,坡度越大,水土流失和土壤侵蚀越严重,土壤有机碳的损失越大(熊茂秋等,2024)。但是,坡度也会影响土壤的水分和温度条件,影响土壤有机碳的分解和转化(Wei et al., 2021)。因此,坡度对耕地土壤有机碳的影响取决于水土流失和土壤侵蚀的程度,以及土壤有机碳的质量和稳定性(胡延斌等, 2022)。等温性指年内温度变化的幅度,反映了气候的稳定性。等温性影响耕地的作物生长季节和土壤微生物活性,影响土壤有机碳的输入和分解。一般而言,等温性越小,温度变化越大,作物生长季节越短,土壤有机碳的输入越少(李典友等, 2020)。但是,等温性也会影响土壤温度的波动,从而影响土壤有机碳的分解和矿化。因此,等温性对耕地土壤有机碳的影响取决于温度变化的幅度和方向,以及土壤有机碳的来源和组成。高程对水田的影响更大,主要是因为水稻对温度和水分的要求较高,而旱地作物对温度和水分的适应性较强(张明阳等, 2008)。
本次研究预测了未来气候变化情境下耕地适宜性的变化趋势,发现旱地和水田的适宜区范围基本保持稳定,但中高适生区面积有所变化。这表明未来气候变化对耕地适宜性的影响并不显著,但会导致耕地适宜性的空间分异加剧。通过比较不同社会经济路径下耕地适宜性的变化情况,发现不同的碳排放途径对耕地适宜性的影响存在差异。中等减排的经济路径对于旱地的发展较有利,而弱碳排放的经济路径对于水田的发展较有利。这表明耕地适宜性的变化不仅受到自然因素的影响,还受到人类活动的影响。本次研究可为该区域的耕地与气候变化的协同治理提供借鉴,有助于平衡耕地的生态效益和经济效益,实现耕地的低碳发展和绿色发展。
5. 结 论
本次研究综合东北平原林耕资源大区气候、地形、地质、土壤−水文等环境特征数据,结合MaxEnt模型分析影响东北平原林耕资源大区耕地(旱地和水田)分布的主控因素,获得以下结论。
(1)旱地高适生区、中适生区、低适生区和不适生区面积分别为5.39×104 km2、48.71×104 km2、19.82×104 km2和30.18×104 km2,其中,高适生区占旱地面积的15.27%。影响旱地适宜性的环境因素主要是bio8(最湿季度平均温度)、slope(坡度)、bio2(昼夜温差月均值)、bio3(等温性)和t_oc(土壤有机碳含量),其中,bio8在温度处于18.58~24.8℃时,为较适宜旱地,低于17.55℃时,为不适宜旱地;当坡度在−1.25°~8.03°之间时,为较适宜旱地;bio17在0~16.3 mm时,为适宜旱地;bio4在大于1400时,旱地的适宜性随着bio4的增加而增加。旱地中高适生区主要分布在海拔较低的辽河平原和松嫩平原。
(2)水田高适生区、中适生区、低适生区和不适生区面积分别为4.06×104 km2、13.67×104 km2、20.22×104 km2和66.17×104 km2,其中,高适生区占水田面积的66.89%。影响水田适宜性的环境因素主要是dem(海拔)、bio1(年平均气温)、坡度(slope)和等温性(bio3),当到dem<225.9m、bio1处于1.69~6.03℃、坡度<2.28°、等温性<25.53时,为较适宜水田。水田中高适生区主要集中在三江平原,零散分布在松嫩平原和辽河平原。
(3)在未来气候情境下,预测旱地和水田适宜区分布与当前气候情景下基本一致,但高适生区面积有所变化。在未来近期,旱地在SSP245-30模式下高适生区增加0.4×104 km2,表明中等减排的经济路径对于旱地的发展较有利。水田SSP126-30模式下面积增加0.03×104 km2,表明弱碳排放途径路径对于水田的发展较有利。在未来中期,旱地和水田高适生区在4种模式下均降低,旱地在SSP126-50模式下降低最多,为1.46×104 km2;水田在SSP585-50模式下降低最多,为0.29×104 km2。
-
图 8 SSP126、SSP245、SSP370和SSP585情景下在未来近期和未来中期旱地(a1、b1、c1、d1、e1、f1、g1、h1)和水田(a2、b2、c2、d2、e2、f2、g2、h2)的潜在适生区预测
Figure 8. Prediction of potential suitable areas of SSP126, SSP245, SSP370 and SSP585 scenarios in dry land ( a1, b1, c1, d1, e1, f1, g1, h1 ) and paddy fields ( a2, b2, c2, d2, e2, f2, g2, h2 ) in the early future and mid future
表 1 水田与旱地特征
Table 1 Paddy field and dry land characteristics
耕地类型 描述 面积/km2 用于模型的栅格点数/个 旱地 无灌溉水源及设施,靠天然降水生长作物的耕地;有水源和浇灌设施,在一般年景下能正常灌溉的旱作物耕地;以仲裁为主的耕地;正常耕作的休闲地和轮歇地 292127 7143 水田 有水源保证和灌溉设施,在一般年景能正常灌溉,用以种植水稻、莲藕等水生农作物的耕地,包括实行水稻和旱地作物轮种的耕地 60739 3980 表 2 用于分析东北平原林耕资源大区耕地适宜区的31个环境变量及数据来源
Table 2 Thirty-one environmental variables and data sources used to analyze the suitable area of cultivated land in the Northeast Plain forest-farming resources area
变量类型 变量 描述 数据来源 气候因子 bio1 年平均气温/℃ 世界气候数据库(www.worldclim.org)中1970—2000年和
2021—2100年的气候因子bio2 昼夜温差月均值/℃ bio3 等温性[(bio2/bio7)×100] bio4 气温季节变化标准差(标准差×100) bio5 最暖月份最高温度/℃ bio6 最冷月份最低温度/℃ bio7 气温年较差(bio5-bio6)/℃ bio8 最湿季度平均温度/℃ bio9 最干季度平均温度/℃ bio10 最暖季度平均温度/℃ bio11 最冷季度平均温度/℃ bio12 年降水量/mm bio13 最湿月份降水量/mm bio14 最干月份降水量/mm bio15 降水量季节性变化/mm bio16 最湿季度降水量/mm bio17 最干季度降水量/mm bio18 最暖季度降水量/mm bio19 最冷季度降水量/mm 地形因子 aspect 坡向/° 国家青藏高原科学数据中心(https://data.tpdc.ac.cn) dem 海拔/m slope 坡度/° 土壤因子 t_caco3 碳酸盐含量/% 北京大学城市与环境学院地理数据平台(http://geodata.pku.edu.cn) t_cec_soil 土壤阳离子交换能力/(cmol·kg−1) t_clay 粘粒含量/% t_esp 可交换钠盐/% t_gravel 砾石体积百分比/% t_oc 有机碳含量/% t_ph 酸碱度(l) t_sand 沙含量/% 水文类 water-dist 水系距离/m OpenStreetMap Data extract (https://www.openstreetmap.org) 表 3 去除空间相关性后的变量及贡献率
Table 3 Variables and their contribution rates after removing spatial correlation
旱地 水田 变量 贡献率/% 变量 贡献率/% bio8 79.8 dem 34.5 slope 6.7 bio1 23.1 bio17 4.9 slope 20.1 bio4 3 bio3 11.6 bio18 2 bio14 3.4 bio2 1 bio15 1.6 bio3 0.8 water-dist 1.2 t_sand 0.5 bio2 1.1 t_oc 0.4 bio16 0.8 t_cec_soil 0.2 bio18 0.6 t_caco3 0.2 t_oc 0.5 t_esp 0.1 t_clay 0.5 water-dist 0.1 t_ph 0.4 t_ph 0.1 t_cec_soil 0.3 t_clay 0.1 aspect 0.2 t_gravel 0.1 t_sand 0.1 - - t_gravel 0.1 - - t_esp 0.1 - - t_caco3 0.1 注:变量的详细描述见表2 表 4 旱地历史时期和未来时期各适宜区面积
Table 4 The area of suitable areas in the historical and future periods of dry lands
104km2 适宜区 历史时期 未来近期 未来中期 SSP126 SSP245 SSP370 SSP585 SSP126 SSP245 SSP370 SSP585 高适生区 5.39 5.26 5.79 4.55 4.67 3.93 4.05 4.44 4.10 中适生区 48.71 47.69 47.67 49.63 49.10 50.87 49.60 49.38 50.25 低适生区 19.82 20.87 22.35 20.62 19.94 19.90 20.44 19.93 20.39 不适生区 30.18 30.31 28.31 29.32 30.40 29.42 30.03 30.36 29.38 表 5 水田历史时期和未来时期各适宜区面积
Table 5 The area of suitable areas in the historical period and future period of paddy field
104km2 适宜区 历史时期 未来近期 未来中期 SSP126 SSP245 SSP370 SSP585 SSP126 SSP245 SSP370 SSP585 高适生区 4.06 4.09 4.00 3.99 4.02 4.02 4.01 3.86 3.77 中适生区 13.67 13.49 14.62 14.08 13.64 13.79 13.67 14.22 14.33 低适生区 20.22 19.86 19.49 19.72 20.10 19.89 20.03 20.33 20.18 不适生区 66.17 66.68 66.00 66.33 66.37 66.43 66.41 65.70 65.85 -
Bai S Y, Zhang S W, Bao Y, et al. 2003. Application of RS and GIS in land suitability evaluation——Given example of Wuchuan County[J]. Journal of Soil and Water Conservation, (6): 18−21, 26 (in Chinese with English abstract).
Chen M Y, Wang S C, Lu Q, et al. 2024. Habitat suitability evaluation and influencing factors of waterbirds in coastal zone around Bohai Sea[J]. Chinese Journal of Ecology, 43(4): 1152−1160 (in Chinese with English abstract).
Eyring V, Bony S, Meehl G A, et al. 2016. Overview of the Coupled Model Intercomparison Project Phase 6 (CMIP6) experimental design and organization[J]. Geoscientific Model Development, 9: 1937−1958. doi: 10.5194/gmd-9-1937-2016
Fu Y J, Liu X H, Sun X L, et. al. 2024. Spatial−temporal variation of ecosystem carbon storage driven by land use in the northwest inland desert resource region in the past 30 years[J]. Geological Bulletin of China, 43(2/3): 451−462 (in Chinese with English abstract).
Gao X X, Liu J, Huang Z H. 2022. The impact of climate change on the distribution of rare and endangered tree Firmiana kwangsiensis using the Maxent modeling[J]. Ecology and Evolution, 12(8): e9165. doi: 10.1002/ece3.9165
Haddad N M, Brudvig L A, Clobert J, et al. 2015. Habitat fragmentation and its lasting impact on Earth's ecosystems[J]. Science Advances, 1(2): e1500052. doi: 10.1126/sciadv.1500052
He Z S, Wang L J, Jiang L, et al. 2019. Effect of microenvironment on species distribution patterns in the regeneration layer of forest gaps and non−gaps in a subtropical natural forest, China[J]. Forests, 10(2): 90. doi: 10.3390/f10020090
Hu Y B, Zhang Q, Xiao G J, et al. 2022. Effect of soil carbon, nitrgen and phosphate contents on maize production in semi−arid regions of China[J]. Journal of Desert Research, 42: 261−273 (in Chinese with English abstract).
Jiang F M, Xu Z H, Wang J F, et al. 2022. Identification and zoning of complex ecological functions in territorial space: A case study of Huzhou City of Zhejiang Province[J]. Journal of Zhejiang University ( Agriculture and Life Science ), 48: 227−239 (in Chinese with English abstract).
Kiss O, Catry I, Avilés J M, et al. 2020. Past and future climate−driven shifts in the distribution of a warm−adapted bird species, the European Roller Coracias Garrulus[J]. Bird Study, 67: 143−159. doi: 10.1080/00063657.2020.1784842
Kumar S, Stohlgren T J, Chong G W. 2006. Spatial heterogeneity influences native and nonnative plant species richness[J]. Ecology, 87: 3186−3199. doi: 10.1890/0012-9658(2006)87[3186:SHINAN]2.0.CO;2
Li D Y, Zhang Y C. 2020. Soil organic carbon and its influencing factors[J]. Agricultural Sciences, 10: 803−810 (in Chinese with English abstract).
Li H Y, Liu X H, Zhao X F, et al. 2023a. Contrasting effects of tectonic faults on vegetation growth along the elevation gradient in tectonically active mountains[J]. Forests, 14(12): 2336. doi: 10.3390/f14122336
Li S, Wang Z S, Zhu Z X, et al. 2023b. Predicting the potential suitable distribution area of Emeia pseudosauteri in Zhejiang Province based on the MaxEnt model[J]. Scientific Reports, 13(1): 1806. doi: 10.1038/s41598-023-29009-w
Liu J J, Kuang W H, Zhang Z X, et al. 2014. Spatiotemporal characteristics, patterns and causes of land use changes in China since the late 1980s[J]. Acta Geographica Sinica, 69: 3−14 (in Chinese with English abstract).
Liu X H, Liu X J, Jiang D, et al. 2023. Chinese natural resource zoning from a global perspective[M]. Beijing: Science Press (in Chinese with English abstract).
Liu Y H, Liu L, Chen H, et al. 2024. Habitat suitability evaluation of sable (Martes zibellina) based on MaxEnt model in Beijicun National Nature Reserve, Heilongjiang Province, China[J]. Acta Ecologica Sinica, 44(2): 559−569 (in Chinese with English abstract).
Ma R M, Ban J, Wang Q, et al. 2022. Full−coverage 1 km daily ambient PM2.5 and O3 concentrations of China in 2005−2017 based on a multi−variable random forest model[J]. Earth System Science Data, 14: 943−954. doi: 10.5194/essd-14-943-2022
Miao X R, Li Z H, Wang M Y. 2023. Spatiotemporal changes of cultivated land use system resilience in the black soil region of Northeast China under food supply security: A case study of Qiqihar City[J]. Resource Science, 45: 1801−1816 (in Chinese with English abstract).
Miller R H, Masuoka P, Klein T A, et al. 2012. Ecological niche modeling to estimate the distribution of Japanese Encephalitis Virus in Asia[J]. Plos Neglected Tropical Diseases, 6(6): e1678. doi: 10.1371/journal.pntd.0001678
Phillips S J, Anderson R P, Schapire R E. 2006. Maximum entropy modeling of species geographic distributions[J]. Ecological Modelling, 190: 231−259.
Rong W W, Huang X, Niu P X, et al. 2023. Potentially suitable areas for traditional Chinese medicinal material Ephedra equisetina based on MaxEnt model[J]. Acta Ecologica Sinica, 43: 8631−8646 (in Chinese with English abstract).
Semwal D P, Pandey A, Gore P G, et al. 2021. Habitat prediction mapping using BioClim model for prioritizing germplasm collection and conservation of an aquatic cash crop 'makhana' (Euryale ferox Salisb.) in India[J]. Genetic Resources and Crop Evolution, 68: 3445−3456. doi: 10.1007/s10722-021-01265-7
Song M S, Yang M, Fang X H. 2019. Improved control charts based on maximum entropy and their evaluations[J]. Chinese Journal of Management Science, 27: 208−216 (in Chinese with English abstract).
Soilhi Z, Sayari N, Benalouache N, et al. 2022. Predicting current and future distributions of Mentha pulegium L. in Tunisia under climate change conditions, using the MaxEnt model[J]. Ecological Informatics, 68: 101533. doi: 10.1016/j.ecoinf.2021.101533
Sun J J, Jiang B, Zhu J R, et al. 2020. Prediction of potential suitable habitat and dominate environmental factors of sassafras tzumu in Zhejiang with MaxEnt Model[J]. Journal of Northeast Forestry University, 48: 1−6 (in Chinese with English abstract).
Tang G A. 2019. Digital elevation model of China (1KM)[DS]. A Big Earth Data Platform for Three Poles(in Chinese).
Wang F H, Zhang K G, Fang X Q, et al. 2024. Spatio−temporal changes and sustainable utilization strategies of cultivated land in China over the past 2000 years[J]. Geological Bulletin of China, 43(8): 1373−1383 (in Chinese with English abstract).
Wang G. 2021. Spatiotemporal multi−scale habitat selection of red−crowned crane in Yancheng coastal wetland and its influencing mechanism [D]. Master's thesis of Nanjing Normal University (in Chinese with English abstract).
Wei L, Ge T D, Zhu Z K, et al. 2021. Comparing carbon and nitrogen stocks in paddy and upland soils: Accumulation, stabilization mechanisms, and environmental drivers[J]. Geoderma, 398: 115121. doi: 10.1016/j.geoderma.2021.115121
Worthington T A, Zhang T J, Logue D R, et al. 2016. Landscape and flow metrics affecting the distribution of a federally−threatened fish: Improving management, model fit, and model transferability[J]. Ecological Modelling, 342: 1−18. doi: 10.1016/j.ecolmodel.2016.09.016
Xiong M Q, Li F J, Liu X H, et al. 2023. Characterization of ecosystem services and their trade−off and synergistic relationships under different land−use scenarios on the loess plateau[J]. Land, 12(12): 2087. doi: 10.3390/land12122087
Xiong D Y, Zhang L, Li G Q. 2023. MaxEnt − based multi − class classification of land use in remote sensing image interpretation[J]. Remote Sensing for Natural Resources, 35: 140−148 (in Chinese with English abstract).
Xiong M Q, Liu X H, Zhang X H, et al. 2024. Spatio−temporal variation of soil conservation in the upper reaches of the Tarim River Basin based on RUSLE model[J]. Geological Bulletin of China, 43(4): 641−650 (in Chinese with English abstract).
Xu L, Fan Y, Zheng J, et al. 2023. Impacts of climate change and human activity on the potential distribution of Aconitum leucostomum in China[J]. The Science of the total environment, 912: 168829.
Yang L W, Zhang Y Y, Yang Z, et al. 2024. Potential habitat analysis and future conservation strategies of Pére David's deer based on MaxEnt model[J]. Chinese Journal of Ecology, 1−17 [2024−08−26]. http://kns.cnki.net/kcms/detail/21.1148.Q.20240118.1433.002.html (in Chinese with English abstract).
Ying B K, Tian K, Guo H Y, et al. 2023. Predicting potential suitable habitats of Kandelia obovata in China under future climatic scenarios based on MaxEnt model[J]. Acta Ecologica Sinica, 44(1): 224−234 (in Chinese with English abstract).
Zhou Y C, Zhang Z X, Zhu B, et al. 2021. MaxEnt modeling based on CMIP6 models to project potential suitable zones for Cunninghamia lanceolata in China[J]. Forests, 12(6): 752. doi: 10.3390/f12060752
Zhang M Y, Wang K L, Liu H Y, et al. 2008. Heterogeneity of landscape pattern with elevation in karst area[J]. Chinese Journal of Ecology, (7): 1156−1160 (in Chinese with English abstract).
Zhang R, Du G M, Zhang S W. 2023. Spatiotemporal changes and the driving factors of cultivated landresources of the typical black soil region in Northeast China from 1986 to 2020[J]. Resources Science, 45(5): 939−950 (in Chinese with English abstract).
Zhang W L, Kolbe H, Zhang S L. 2020. Research Progress of SOC Functions and Transformation Mechanisms[J]. Scientia Agricultura Sinica, 53: 317−331 (in Chinese with English abstract).
Zhang X, Zhao Y C, Xie E Z, et al. 2020. Spatio−temporal change of soil organic carbon, progress and prospects[J]. Journal of Agro−Environment Science, 39: 673−679 (in Chinese with English abstract).
Zhang X Y, Wu W H, Liang Y M. 2024. Prediction of potential suitable distribution of shoot blight of larch(Neofusicoccum laricinum) in China[J]. Acta Ecologica Sinica, 44(7): 3027−3037 (in Chinese with English abstract).
Zhao Z Y, Tu J J, Liu J, et al. 2010. GlS based on the karst area of cultivated land suitability evaluation in order to Yunyang County of Chongqing as an example[J]. Journal of Agricultural Mechanization Research, 32: 10−12,17 (in Chinese with English abstract).
Zheng J L, Cai Y L, Guo X Y, et al. 2024. Study on land use change and carbon stock in northern Shanxi Province based on InVEST model[J]. Geological Bulletin of China, 43(1): 173−180 (in Chinese with English abstract).
Zheng Y, Hu Y C, Liu Y S, et al. 2005. Spatial analysis and optimal allocation of land resources based on lanosuitability evaluation in Shandong Province[J]. Transactions of the Chinese Society of Agricultural Engineering, (2): 60−65 (in Chinese with English abstract).
Zinke L. 2022. Irrigation efficiency for expanded croplands[J]. Nature Reviews Earth & Environment, 3: 617−617.
白淑英, 张树文, 宝音, 等. 2003. 遥感和GIS在土地适宜性评价研究中的应用——以呼和浩特武川县为例[J]. 水土保持学报, (6): 18−21,26. doi: 10.3321/j.issn:1009-2242.2003.06.005 陈梦缘, 汪生财, 路琦, 等. 2024. 环渤海海岸带水鸟栖息地适宜性评价及影响因素[J]. 生态学杂志, 43(4): 1152−1160. 付宇佳, 刘晓煌, 孙兴丽, 等. 2024. 近30年西北内陆荒漠资源大区土地利用驱动下生态系统碳储量时空变化[J]. 地质通报, 43(2/3): 451−462. 胡延斌, 张强, 肖国举, 等. 2022. 中国半干旱区农田土壤碳、氮、磷含量对玉米生产的影响[J]. 中国沙漠, 42: 261−273. 姜芳茗, 徐志红, 王建锋, 等. 2022. 国土空间复合生态功能识别与分区——以浙江省湖州市为例[J]. 浙江大学学报(农业与生命科学版), 48: 227−239. 李典友, 章玉成. 2020. 土壤有机碳及其影响因素[J]. 农业科学, 10: 803−810. 刘纪远, 匡文慧, 张增祥, 等. 2014. 20世纪80年代末以来中国土地利用变化的基本特征与空间格局[J]. 地理学报, 69: 3−14. doi: 10.11821/dlxb201401001 刘晓煌, 刘晓洁, 江东, 等. 2023. 全球视角下的中国自然资源区划[M]. 北京: 科学出版社. 刘艳华, 刘磊, 陈红, 等. 2024. 基于Maxent模型的北极村国家级自然保护区紫貂栖息地适宜性评价[J]. 生态学报, 44(2): 559−569. 苗欣然, 李泽红, 王梦媛. 2023. 粮食供应安全下东北黑土区耕地利用系统韧性时空演变——以齐齐哈尔市为例[J]. 资源科学, 45: 1801−1816. doi: 10.18402/resci.2023.09.08 荣文文, 黄祥, 牛攀新, 等. 2023. 基于最大熵模型的中药材木贼麻黄潜在适生区[J]. 生态学报, 43: 8631−8646. 宋明顺, 杨铭, 方兴华. 2019. 基于最大熵分布的控制图改进与评价研究[J]. 中国管理科学, 27: 208−216. 孙杰杰, 江波, 朱锦茹, 等. 2020. 应用生态位模型预测檫木在浙江省的潜在适生区与主导环境因子[J]. 东北林业大学学报, 48: 1−6. doi: 10.3969/j.issn.1000-5382.2020.04.001 汤国安. 2019. 中国数字高程图(1KM)[DS]. 时空三极环境大数据平台. 王发浩, 张凯歌, 方修琦, 等. 2024. 中国过去2000年耕地的时空变化及其可持续利用策略[J]. 地质通报, 43(8): 1373−1383. 王刚. 2021. 基于时空多尺度的盐城滨海湿地丹顶鹤栖息地选择及其影响机制研究[D]. 南京师范大学硕士学位论文. 熊东阳, 张林, 李国庆. 2023. 基于最大熵模型的遥感土地利用多分类研究[J]. 自然资源遥感, 35: 140−148. 熊茂秋, 刘晓煌, 张雪辉, 等. 2024. 基于RUSLE模型的塔里木河流域上游土壤保持时空变化研究[J]. 地质通报, 43(4): 641−650. 杨丽雯, 张渊媛, 杨峥, 等. 2024. 基于最大熵模型的麋鹿潜在栖息地分析与保护对策[J/OL]. 生态学杂志, 1−17 [2024−08−26]. http://kns.cnki.net/kcms/detail/21.1148.Q.20240118.1433.002.html. 应邦肯, 田阔, 郭浩宇, 等. 2023. 基于MaxEnt模型预测未来气候变化情境下红树秋茄(Kandelia obovata)在中国潜在适生区的变化[J]. 生态学报, 44(1): 224−234. 张明阳, 王克林, 刘会玉, 等. 2008. 喀斯特区域景观空间格局随高程的分异特征[J]. 生态学杂志, (7): 1156−1160. 张瑞, 杜国明, 张树文. 2023. 1986—2020年东北典型黑土区耕地资源时空变化及其驱动因素[J]. 资源科学, 45(5): 939−950. 张维理, Kolbe H, 张认连. 2020. 土壤有机碳作用及转化机制研究进展[J]. 中国农业科学, 53: 317−331. doi: 10.3864/j.issn.0578-1752.2020.02.007 张秀, 赵永存, 谢恩泽, 等. 2020. 土壤有机碳时空变化研究进展与展望[J]. 农业环境科学学报, 39: 673−679. doi: 10.11654/jaes.2020-0031 张秀芸, 伍文慧, 梁英梅. 2024. 落叶松枯梢病在中国的适生性[J]. 生态学报, 44(7): 3027−3037. 赵在友, 涂建军, 柳蛟, 等. 2010. 基于GIS的喀斯特地区耕地适宜性评价——以重庆市云阳县为例[J]. 农机化研究, 32: 10−12,17. doi: 10.3969/j.issn.1003-188X.2010.01.003 郑吉林, 蔡艳龙, 郭晓宇, 等. 2024. 基于InVEST模型的晋北土地利用变化与碳储量研究[J]. 地质通报, 43(1): 173−180. doi: 10.12097/gbc.2022.05.038 郑宇, 胡业翠, 刘彦随, 等. 2005. 山东省土地适宜性空间分析及其优化配置研究[J]. 农业工程学报, (2): 60−65. doi: 10.3321/j.issn:1002-6819.2005.02.014