基于maxent的气候变化情景下全球及中国麦瘟病的适生性分析

《基于maxent的气候变化情景下全球及中国麦瘟病的适生性分析》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号：S435.121.4+9学校代码：10712UDC：632研究生学号：2016051506密级：公开2018届专业学位硕士研究生学位（毕业）论文基于MaxEnt的气候变化情景下全球及中国麦瘟病的适生性分析类型农业推广硕士领域、方向植物保护研究生杜志宏指导教师王保通教授合作指导教师周益林研究员完成时间2017.05中国陕西杨凌Classificationcode:S435.121.4+9Universitycode:10712UDC:632Postgraduatenumber:2016051484Confidentialitylevel:公开ThesisforMa

2、ster’sDegreeNorthwestA＆FUniversityin2018SUITABILITYANALYSISOFWHEATBLASTINWORLDANDCHINAUNDERCLIMATECHANGESCENARIOSBASEDONMAXENTMajor:PlantPathologyResearchfield:PlantProtectionNameofPostgraduate:DuZhiHongAdviser:Prof.BaoTongWangDateofsubmission:May,2018YanglingShaanxiChina资金资助项目基本科研业务费中国农

3、业科学院院级统筹项目基于MaxEnt的气候变化情景下全球及中国麦瘟病的适生性分析摘要麦瘟病之前的发生流行只在南美洲被报道。政府间气候变化专门委员会第五次工作报告中提出了未来的四种气候情景，为预测麦瘟病的潜在适生区提供了可能。本研究运用MaxEnt和GIS软件，并基于麦瘟病的分布点数据和当前及未来气候情景下的19个生物环境数据，预测了麦瘟病在2030s、2050s和2070s的全球特别是中国潜在适生区分布范围，进而以刀切法分析评价各生物环境数据对模型的贡献率，并用受试者工作特征曲线（ROC）对建立的模型进行评估检验。结果表明，在当前和未来不同气候情景下麦瘟病在中国的主要分

4、布省份保持不变，但中、高风险区面积之和增加明显；温度和湿度条件对麦瘟病的潜在适生区的影响最大；AUC（ROC曲线下方面积）值为0.995（训练集）和0.994（验证集），说明模型预测结果优秀。关键词：麦瘟病；MaxEnt模型；气候情景；潜在适生区SUITABILITYANALYSISOFWHEATBLASTINWORLDANDCHINAUNDERCLIMATECHANGESCENARIOSBASEDONMAXENTABSTRACTWheatblastwasreportedonlyinSouthAmerica.InthefifthreportoftheIntergover

5、nmentalPanelonClimateChange,fourclimaticscenariosarepresentedtopredictthepotentialofwheatblast.TheresearchusesMaxEntandGISsoftware,andpredictsthedistributionofthepotentialsuitableareaofwheatin2030s,2050sand2070sbasedonthedistributiondatasofthewheatblastandthe19biologicenvironmentaldataso

6、fcurrentandfutureclimatescenarios.Thecontributionrateofeachbiologicalenvironmentdatatothemodelwasanalyzedandevaluatedbyjackknifemethodandthemodelwastestedbyusingtheoperatingcharacteristiccurveofthesubjects.TheresultsshowedthatwheatblastremainedunchangedinthemainprovincesofChinaunderdiffe

7、rentclimatescenariosundercurrentandinthefuture,butthesumoftheareasinthemiddleandhighriskareasincreasedsignificantly.Themaximumeffectoftemperatureandhumidityonthepotentialsuitableareaofwheatblastwas0.995(trainingset)and0.994(validationset),indicatingthatthepredictedresults