EN中文

Wetland Science >

2025 , Vol. 23 >Issue 2: 227 - 237

DOI: https://doi.org/10.13248/j.cnki.wetlandsci.20240095

Prediction of potential distribution of Spartina alterniflora in warm temperate coastal areas of China based on Sentinel-1/2 and MaxEnt model

  • Xing Junfeng , 1 ,
  • Wang Qi 1 ,
  • Liu Haojie 1 ,
  • Cui Guoli 1 ,
  • Jia Mingming 2 ,
  • Yu Hao 3 ,
  • Xiao Yihua 1 ,
  • Li Huiying , 1, *
Expand

Received date: 2024-04-03

  Revised date: 2024-06-02

  Online published: 2026-03-12

Copyright

Copyright ©2025 Wetland Science. All rights reserved.
Fold

Abstract

As an invasive species, Spartina alterniflora has widely spread along China's coastal areas, posing a severe threat to coastal ecological security. Due to its rapid expansion and strong adaptability to intertidal zones, it has become one of the most aggressive invasive plant species in China’s coastal ecosystems. The warm-temperate coastal region, as an essential economic, political, and cultural zone in China, plays a crucial role in national development. Maintaining the ecological stability of this region is therefore of great significance. Understanding the current distribution and potential spread of Spartina alterniflora is essential for implementing effective control strategies. This study utilized Sentinel-1/2 remote sensing images and the Google Earth Engine (GEE) platform to obtain the distribution points of Spartina alterniflora in the warm-temperate coastal region of China in 2023. Based on these data, along with 35 environmental variables, the MaxEnt model was employed to predict the potential distribution of Spartina alterniflora in the study area. The model achieved high classification accuracy, with an overall accuracy of 90.1% and a Kappa coefficient of 0.885. The results revealed that the total distribution area of Spartina alterniflora in the warm-temperate coastal zone of China in 2023 was approximately 74.83 km². Among the provinces, Shandong province exhibited the most extensive distribution, covering about 62 km². Jiangsu province and Hebei province followed with distribution areas of approximately 6.86 km² and 4.25 km², respectively, while Tianjin had the smallest distribution area at approximately 1.72 km². The suitability analysis categorized the study area into four zones: highly suitable (5.59%), moderately suitable (33.67%), lowly suitable (8.03%), and unsuitable (52.71%). The suitable regions were mainly concentrated in the southern part of Hebei Province, Tianjin, Shandong Province, Jiangsu Province, and the coastal mudflat regions of Dalian and Dandong in Liaoning Province. The key environmental variables influencing Spartina alterniflora growth were mean annual temperature (bio1), elevation (dem), soil type (soiltype), and precipitation in the wettest month (bio13). The optimal conditions for Spartina alterniflora growth in the warm-temperate coastal region include a mean annual temperature between 11.0 and 21.5 °C, low-lying coastal mudflat areas, coastal saline soil, and wettest-season precipitation ranging from 180-190 mm and 230-250 mm. The results indicate that Spartina alterniflora has a vast potential distribution area in the warm-temperate coastal region of China, with a notable trend of northward expansion. This continued spread poses a significant ecological threat by altering native wetland ecosystems, reducing biodiversity, and disrupting coastal hydrodynamics. If left unmanaged, the invasion of Spartina alterniflora could lead to severe degradation of wetland habitats and loss of ecosystem services. Therefore, it is critical to strengthen monitoring, prevention, and control measures to mitigate the invasion of Spartina alterniflora. Additionally, further research should focus on evaluating the effectiveness of different eradication strategies and assessing the long-term ecological impacts of its spread.

Cite this article

Xing Junfeng , Wang Qi , Liu Haojie , Cui Guoli , Jia Mingming , Yu Hao , Xiao Yihua , Li Huiying . Prediction of potential distribution of Spartina alterniflora in warm temperate coastal areas of China based on Sentinel-1/2 and MaxEnt model[J]. Wetland Science, 2025 , 23(2) : 227 -237 . DOI: 10.13248/j.cnki.wetlandsci.20240095

互花米草(Spartina alterniflora)源自北美洲大西洋沿岸，于1979年引入中国，主要用于促淤造陆、防风护堤和改良土壤等[1-2]。截至2020年，互花米草在中国滨海地区的入侵面积已达519.7 km2，已经成为中国滨海湿地入侵最严重的植物之一[1]，造成了侵占本土植物生境、改变河口沉积特性、威胁区域生物多样性等生态问题，对区域生态稳定与安全造成了严重威胁[3]。研究表明，中国互花米草向高纬度、低海拔地区扩散的风险正在逐渐增大[4]。因此，快速获取互花米草入侵信息，明确影响互花米草分布的主导环境因子、预测互花米草的潜在分布区及入侵高风险区对于中国互花米草入侵预警、早期应对与防治具有重要意义。
互花米草主要分布于潮间带浅滩上，可达性较差，传统的野外调查方法费时费力，难以快速、实时、精准地监测其在区域尺度上的分布状况[5]。遥感技术具有实时、高效、范围广、无损获取地物信息等优势，被广泛运用于滨海湿地监测[6]。早期的互花米草遥感监测研究主要应用中等空间分辨率多光谱遥感影像，如SPOT-1/2/3[7]、Landsat MSS/TM/ETM+/OLI[8-10]等。欧洲航天局哥白尼全球对地观测卫星系统中的哨兵1/2(Sentinel-1/2)卫星数据具有成像方式多样(雷达和光学)、空间分辨率较高(10 m)、光谱波段丰富(13个波段)、重访周期短(Sentinel-1: 3~6 d，Sentinel-2: 2~5 d)、覆盖范围广和免费获取等优势[11]，近年被用来监测滨海湿地生态系统。Google Earth Engine (GEE)平台能够为用户提供快速更新的海量多源遥感数据、大量空间分析函数以及超级计算机的计算能力[12]，极大程度提升了遥感数据分析效率[13]，被应用于国家[14]及区域尺度[15]互花米草入侵遥感监测。上述研究证实了Sentinel-1/2数据在时间、空间和光谱分辨率、雷达波段上的优势，是开展区域互花米草入侵研究的理想数据源。
生态位模型能利用物种已知分布与环境因子之间的关系，模拟物种在原产地的生态需求，进而预测物种在不同地理区域的潜在分布[16]。生态位模型包括MaxEnt模型(Maximum Entropy Model)、GARP模型(Genetic Algorithm for Rule-set Production)、Climex模型(CLIMate and Expertise)等[17-19]。其中，MaxEnt模型运行只需要物种分布数据与环境因子数据，并具有较强的预测能力，被许多学者用来预测入侵物种的潜在分布，如日本松干蚧(Matsucoccus matsumurae)、扶桑绵粉蚧(Phenacoccus solenopsis)、刺果瓜(Sicyos angulatus)、印加孔雀草(Tagetes minuta)和互花米草等[3,20-24]。互花米草的入侵防控不仅包括提取现存覆盖面积，还需要对驱动因子及扩张趋势进行综合考量[15]，因此使用MaxEnt模型可以较好地实现上述目的，为科学管理暖温带互花米草扩张提供参考依据。
目前，对中国互花米草潜在分布预测的研究集中在全国尺度[14]、广西壮族自治区、福建省、江苏省等部分地区[15,25-26]，针对中国暖温带地区互花米草入侵风险监测研究较少。因此，本研究基于Sentinel-1/2 卫星数据，利用GEE云平台和面向对象随机森林模型，获取2023年中国暖温带互花米草分布点；基于MaxEnt生态位模型及环境变量，预测暖温带地区互花米草潜在分布区及入侵高风险区域，确定影响暖温带互花米草分布的主要环境变量，以期为中国暖温带互花米草入侵监测及科学防治提供方法借鉴和数据支持。研究结果对维护暖温带滨海湿地的稳定性和可持续发展有指导意义。

1 材料与方法

1.1 研究区

以中国暖温带滨海区(34°10′N~41°08′N，117°21′E~124°32′E)为研究区，主要包括辽东半岛、山东半岛、京津冀以及江苏省北部的沿海地区。该区地处北温带，年平均气温为11.3 ℃，降水量为600~700 mm。暖温带地区是人类活动和城市化过程最早的区域，该区域经济发达，人口密集，具有丰富的滨海湿地资源[27]。根据Landsat OLI遥感影像，提取了中国暖温带海岸带，并向陆地一侧形成了5 km的缓冲区[14]。研究区内包括辽宁省葫芦岛龙兴国家湿地公园、河北省唐山市曹妃甸湿地、天津市北大港湿地自然保护区、山东黄河三角洲国家级自然保护区等，滨海湿地的保护对于该区域生态系统健康、稳定及社会经济的可持续具有重要意义。

1.2 互花米草分布数据提取

1.2.1 遥感影像预处理

选取了2023年8–10月的Sentinel-1/2遥感影像，Sentinel-1雷达数据集源自GEE云平台中提供的Level-1 GRD干涉宽幅(IW)产品，在Sentinel-1 Toolbox 进行热噪声去除、辐射校准和地形校正等预处理[28]。Sentinel-2 surface reflectance数据经过了辐射定标、地形矫正和大气校正等预处理[29]。

1.2.2 分类样本点确定

通过野外调查、文献搜集以及Google Earth高分辨率影像判读，对研究区的地物类型进行了划分，包括互花米草湿地、碱蓬(Suaeda salsa)湿地、芦苇(Phragmites australis)湿地、河流(river)、海面(seawater)和滩涂(mudflat)[30]。共获取了525个地物类型样本点。其中，随机选择394个样本点用于训练机器学习模型，131个测试样本点用于评估模型的分类精度。

1.2.3 特征指数提取

在GEE平台对Sentinel-1和Sentinel-2收集的影像进行云掩膜处理，每张图像计算10个指数，然后计算所有采集波段的月平均值，得到垂直-垂直极化(Vertical-Vertica, VV)、垂直-水平极化(Vertical-Horizontal, VH)、全极化(Dual Polarization, DP)、散射极化(Scattering Polarization, SP)、混合极化(Hybrid Polarization, HP)、标准化植被指数(Normalized Difference Vegetation Index, NDVI)、增强型植被指数(Enhanced Vegetation Index, EVI)、标准化水体指数(Normalized Difference Water Index, NDWI)、海拔(Elevation)、坡度(Slope)10个特征[13]，并结合dem数据构建了雷达特征、物候特征、时间特征、地形特征数据集(表1)。
1 Feature dataset

特征数据集

数据来源特征子集变量简称
Sentinel-1雷达特征VV、VH、DP、SP、HP
Sentinel-2物候特征NDVI、EVI
Sentinel-2时间特征NDWI
SRTM地形特征Elevation、Slope

1.2.4 面向对象随机森林(RF)相结合的互花米草信息提取

基于GEE平台提供的SNIC分割算法和RF算法包，采用面向对象和RF相结合的分类方法进行互花米草信息的自动化提取，此算法可以提高对象化的效率、避免“椒盐现象”[11]。首先，通过GEE平台进行训练样本的调用；其次，应用构建好的完整特征数据集，将其通过GEE平台从Asset云存储平台调用并进行分类[31]；最后，基于构建好的SNIC分割算法与RF算法相结合的分类方法，进行最终分类运算，获取2023年暖温带互花米草空间分布信息[12]。

1.2.5 精度评价

基于野外调查数据和人工目视解译获得的验证样本数据对分类结果进行精度评价。验证样本点共131个，包括74个互花米草样本点和57个负样本点(非互花米草样本点)。用于精度评价的系数主要有Kappa系数、总体精度等。Kappa系数通过比较观测一致性与零假设下的偶然一致性概率来量化分类器效能[32]。具体来说，Kappa统计量基于模型的分类后验概率，通过公式计算观测一致性与预期偶然一致性之间的标准化差异值[32]。参照Monserud和Leemans建立的评价标准，Kappa值(k)的解释区间划分为：当k<0.40为差，当0.40≤k<0.55为中等，当0.55≤k<0.85为良好，当0.85≤k<0.99为优秀，当0.99≤k<1.00代表完美一致性[33]。本研究中Kappa系数的值大于0.8，则表示分类结果与原地物类型高度一致[3]。总体精度(overall accuracy，oa)通过计算正确分类的样本数占总样本数的比例来评估模型性能。Lillesand等[34]对总体精度的阈值进行了划分：当oa<70%代表模型需要改进，当70%≤oa<80%代表模型最低可接受精度，当80%≤oa<90%代表模型精度较为良好，当90%≤oa<100%模型具有极高精度。本研究中分类结果的Kappa系数和总体精度分别为0.885和90.1%，表示互花米草提取精度较高。通过在ArcGIS中创建面积为1 km2的渔网，对重叠的互花米草分布点进行剔除，保证渔网中1个格子只有1个分布点，最终共得到164个互花米草分布点(图1)。
1 Distribution map of Spartina alterniflora in the warm temperate zone of China

中国暖温带互花米草分布示意

1.3 环境变量数据来源及处理

环境变量是MaxEnt模型运行中的重要参数，环境变量选择的合理性将对模型结果产生重要影响[35]。根据互花米草生态学特性[1,3,14,31]，本研究选取了生物气候因子、地形、海表温度、土壤类型、气象要素等35个环境变量的数据(表2)。生物气候因子来自Worldclim下载中心(https://www.worldclim.org/)，包括年降水量、降水季节性、年平均气温等19个生物变量，分辨率为30 m，为1970–2000年的平均值。地形数据为高程数据，数据来源于中国科学院资源环境科学与数据中心(https://www.resdc.cn/)，分辨率为1 km。海表温度、海洋盐度数据通过GEE平台(https://earthengine.google.com/)进行获取，来源于混合海洋坐标模型数据集(HYCOM)，分辨率为1 km，为2020年平均值。土壤类型数据来源于中国科学院资源环境科学与数据中心中国土壤质地空间分布数据集(https://www.resdc.cn/data.aspx?DATAID=145)，数据分辨率为1 km，通过重采样和栅格投影统一分辨率和坐标系，最后转换为ASCII格式，数据年份为1995年。中国气象要素年度数据来源于中国科学院资源环境科学与数据中心(https://www.resdc.cn/)，数据年份为2020年，分辨率为1 km；年最高风速数据来自全球变化科学研究数据出版系统(geodoi.ac.cn)，数据分辨率为1 km。MaxEnt模型要求所有环境变量具有统一的地理范围、分辨率和地理坐标系，利用ArcGIS将全部环境变量用研究区边界数据掩膜提取，然后将地理坐标统一设置为GSC1984，分辨率设置为1 km。
2 Environmental variable dataset

环境变量数据集

数据集环境变量描述单位数据集环境变量描述单位
生物气候bio1年平均气温℃生物气候bio18最热季降水量mm
bio2平均日较差℃bio19最冷季降水量mm
bio3等温性无量纲gst2020年平均地温℃
bio4温度季节性变动系数无量纲ssd2020年日照时数h
bio5最热月的最高温度℃tem2020年平均气温℃
bio6最冷月的最低温度℃win2020年平均风速km/h
bio7温度年较差℃maxwin年最高风速km/h
bio8最湿季平均温度℃土壤soiltype土壤类型无量纲
bio9最干季平均温度℃ece土壤电导率dS/m
bio10最热季平均温度℃teb交换性盐基%
bio11最冷季平均温度℃esp可交换钠盐%
bio12年降水量mmCaSO4硫酸盐含量%
bio13最湿月降水量mmCaCO3碳酸盐含量%
bio14最干月降水量mmOC有机碳含量%
bio15降水季节性变动系数无量纲clay黏土含量%
bio16最湿季降水量mm海洋seatemp海表温度℃
bio17最干季降水量mmseasalinity海洋盐度%
地形dem高程m

1.4 MaxEnt模型的运行

首先将互花米草分布数据(csv.格式)和环境变量数据(asc.格式)导入模型，然后进行参数设置。最大迭代次数为1000次，收敛值域为10−5，随机选择75%的数据用于模型训练，其他25%的数据用于测试，其他参数采用默认设置[36]。模型运行后，根据已知的互花米草分布数据和环境变量数据，推算影响互花米草分布的主导环境因子以及相应的响应曲线，生成互花米草适生指数图，并以asc.格式输出[16]。最后，根据特征参数阈值利用ArcGIS 10.8中重分类工具将研究区互花米草适生等级划分为4个等级，存在概率0.000~0.025为非适生区，>0.025~0.050为低适生区，>0.050~0.500为中适生区，0.500~1.000为高适生区[14]，得到中国暖温带互花米草适生等级分布图。技术路线图见图2。
2 The technical roadmap

技术路线图

2 结果与分析

2.1 受试者工作曲线(ROC)分析

MaxEnt模型使用受试者工作曲线(Receiver Operating Characteristic Curve，ROC)进行结果评价，ROC曲线的线下面积(AUC)表示结果的准确性。AUC的值在0~1之间分布，数值越大说明模型结果的准确度越高[4]。本研究中ROC曲线的AUC值为0.961(图3)，这表明模型结果准确，能够较好地反映互花米草在中国暖温带沿海地区的分布特性并对其潜在分布进行预测。
3 ROC curve for potential distribution prediction of Spartina alterniflora

互花米草潜在分布预测结果ROC曲线

2.2 主导因素分析

MaxEnt模型使用刀切法(Jackknife)将环境变量对分析结果的贡献度进行制图，正则化训练增益(Regularized training gain)图见图4。正则化训练增益图中的灰条表示仅使用对应变量运算时的正则化收益，白条表示在不使用对应变量进行运算时的正则化收益[37]。bio1、bio13、gst2020、tem2020所对应的灰条较长，说明仅这些变量的正则化收益较高；dem、soiltype、bio1、gst2020所对应的白条最短，说明在不使用这些变量时，正则化收益最低(图4)。根据正则化收益刀切图的结果可知，重要性最强的环境变量为bio1、dem、gst2020、bio13。
4 Jackknife method for partial environmental factors to test AUC score

部分环境变量刀切法(Jackknife)检验AUC得分

表2。]]>

环境变量的重要性可以通过贡献度和排列重要性体现。部分环境变量的贡献度和重要性如表3所示。bio1贡献度为33.3%，在所有变量中最高，而排列重要性为1.5%，说明bio1对模型的影响最大，但容易受到变量之间的相互作用。dem贡献度小于bio1，为23.0%，排列重要性为12.5%，说明dem对模型的影响较大，同时受到变量间的相互作用小。soiltype的贡献度为13.3%，排列重要性为6.1%，说明soiltype对模型的影响较大，且受到变量间的相互作用大。bio13的贡献度为5.0%，排列重要性为7.0%，说明bio13对模型的影响较小，受到变量间的相互作用大。根据结果分析可知，bio1、dem、soiltype、bio13在结果分析中提供了更多信息，重要性更强。
3 Analysis results of environmental variable contribution and importance

环境变量贡献度和重要性分析结果

变量编号 环境变量 贡献率/% 排列重要性/%
bio1 年平均气温 33.3 1.5
dem 高程 23.0 12.5
soiltype 土壤类型 13.3 6.1
bio13 最湿月降水量 5.0 7.0
bio3 季节等温性 3.3 2.1
bio2 平均日较差 3.3 18.9
bio12 年降水量 2.0 2.2
win2020 平均风速 2.0 8.0
seatemp 海表温度 1.8 4.5
clay 黏土含量 1.6 2.2
maxwin 最大风速 1.2 0.6
seasalinity 海洋盐度 1.1 0.9
图4和表3表明，年平均气温、高程、土壤类型、最湿月降水量是影响研究区互花米草潜在分布的主导环境因素。年平均气温曲线呈缓慢上升再趋于平缓的趋势，当年平均气温在11.0~21.5 ℃之间时，互花米草的存在概率大于0.5，适合互花米草生长(图5a)；高程曲线一开始不变然后急剧下降最后保持平缓，当位于0m时，互花米草的存在概率最高，该区域大量分布在沿海滩涂地区，随着高程的增加，互花米草的存在概率急剧降低(图5b)；土壤类型曲线呈单峰型，当土壤类型为165时，互花米草的存在概率最高，土壤类型为滨海盐土(图5c)；最湿月降水量的曲线呈先上升再下降，继续上升最后下降的趋势，当降水量处于180~190 mm、230~250 mm时，互花米草的存在概率大于0.5(图5d)。
5 The response curves of dominant environmental variables for the probability of Spartina alterniflora presence

互花米草存在概率的主导环境变量响应曲线

2.3 互花米草分布及适生区划分

2023年互花米草在中国暖温带滨海区的分布面积约为74.83 km2，其中，河北省互花米草分布面积为4.25 km2，天津市为1.72 km2，山东省为62 km2，江苏省为6.86 km2(图1)。结合互花米草的分布特点，利用特征参数阈值法，将研究区互花米草适生区划分为4类(图6)[14]。其中，高适生区互花米草的分布概率为0.5~1.0，面积为2 970.37 km2，占研究区总面积的5.59%；中适生区互花米草的分布概率为0.05~0.50，面积为17 897.72 km2，占研究区总面积的33.67%；低适生区互花米草的分布概率为0.025~0.050，面积为4 268.64 km2，占研究区总面积的8.03%；非适生区互花米草的分布概率小于0.025，面积为28 019.20 km2，占研究区总面积的52.71%。
6 The zoning map of suitability grades for Spartina alterniflora in the warm temperate zone of China

中国暖温带互花米草适生等级区划图

其中，高适生区主要分布在环渤海湾的唐山市、天津市、沧州市、滨州市、东营市和潍坊市；中、低适生区主要分布在河北省南部、天津市、山东省、江苏省以及辽宁省滨海滩涂地区；非适生区主要分布在辽宁省、河北省以及烟台市沿海地区。

3 讨　论

3.1 与以往研究的对比

本研究结合Sentinel-1/2卫星影像，并利用GEE平台结合面向对象随机森林的方法，充分利用空间信息和对象级别特征，提高了遥感图像分类的准确性和鲁棒性[31]，完成了2023年中国暖温带滨海区互花米草分布提取，共得到164个互花米草分布点，总体精度、Kappa系数分别为90.1%、0.885，分类精度较高，证明使用本方法提取互花米草分布准确率较高。在本研究中，2023年暖温带互花米草主要分布在天津市滨海新区、唐山市、黄骅市、黄河三角洲保护区、胶州湾、莱州湾及连云港市。与2015年互花米草的空间分布相比[3]，互花米草在该研究区内的分布进一步扩张，主要体现在河北省分布面积的增加，互花米草入侵趋势正逐渐北移，高纬度地区应当加强防范意识，建立互花米草生长控制区，避免互花米草的进一步扩张。
已经有许多学者利用MaxEnt模型对盐沼植被的扩张模拟进行了研究，宗敏等[38]预测了黄河三角洲湿地柽柳(Tamarix chinensis)、芦苇和碱蓬的适生区，而忽略了互花米草，本研究的开展对于该区域植被群落适宜性分布预测起到了很好的补充作用。方铧等[39]预测了中国沿海地区互花米草的适生区，得出适生区分布呈现“中间高，南北低”的结论，其中莱州湾是黄河以北唯一高适生区，这与本研究结果存在一定差异，主要原因是研究尺度不同。张静涵等[40]探究了江苏省到广西壮族自治区互花米草的适生区，发现部分适生区实际并无互花米草扩张风险，其原因主要是土壤盐度过高，这也可能是本研究中山东省东北部中适生区，即烟台市、威海市北部沿海地区预测未有互花米草分布的原因。汪秀岩等[41]认为，潮滩的面积大小是限制互花米草入侵的重要因素之一，上述地区如烟台市芝罘区、威海市环翠区均拥有广阔的潮滩面积，为互花米草的入侵提供了适宜的条件，不排除未来互花米草入侵的可能性。

3.2 适生条件分析

在本研究中，影响中国暖温带滨海区互花米草分布的主导环境因子为年平均气温、高程、土壤类型、最湿月降水量，最适合互花米草的生长环境为滨海盐土、年平均气温在11.0~21.5 ℃之间、最湿月降水量在180~190 mm、230~250 mm之间、地势较低的滨海滩涂地区。总体而言，互花米草在暖温带滨海地区的存在概率随着气温的升高逐渐增大。在气温适宜范围内，互花米草能够适应高温环境，但是随着气温升高过快，植物受到阳光灼烧，呼吸和蒸腾作用受到抑制，存在概率也会下降[41]。高程对互花米草分布的影响呈现为先保持平稳后迅速下降的趋势。在滨海滩涂区域，地形平坦、地势起伏小，地表温度较高，加上长期被海水淹没导致土壤盐度和水分含量适宜，使得互花米草的分布概率较高[42]。滨海盐土是最适合暖温带滨海区互花米草生长的土壤类型，主要集中分布在滨海滩涂地区。这种土壤盐分含量高，符合互花米草强耐盐性的特征，同时富含丰富的有机质和无机质，为互花米草提供了必要的营养条件[43]。暖温带地区属于典型的温带季风气候，降水集中于夏季，即最湿季为7–9月。适度的降水有利于调节气温和土壤温度，同时提高土壤含水量，促进互花米草的生长[44]。但是，降水过多也可能对互花米草造成负面影响，影响其开花、抽穗以及种子成熟过程[3]。值得注意的是，当最湿月降水量在190~230 mm之间时，互花米草的分布概率不是很高，这可能是其他盐沼物种对互花米草竞争造成的，例如芦苇、碱蓬等常见盐沼植物，当最湿月降水量在190~230 mm之间时，土壤湿度以及排水性更利于其他盐沼植物的生长，从而与互花米草产生竞争抑制互花米草的分布。因此，在未来ManEnt模型的构建过程中，应考虑加入能够反映盐沼物种与互花米草之间竞争关系的数据以更好理解环境因子对互花米草影响的机理。

3.3 防控建议

在高适生区，如东营市，采用刈割+翻耕和刈割+围淹等物理方法取得了良好的治理效果[45]；一些地区则宜采用物理和生物相结合的方法，如福建漳浦的刈割+翻耕+红树林代替，以生物替代方式控制互花米草的生长[46]。此外，化学方法如喷洒草甘膦也被广泛应用于互花米草治理，但需谨慎使用以防止对生态系统造成不良影响[47]。在中适生区和低适生区，互花米草分布相对较少，存在入侵风险。因此，预防措施变得尤为重要。预防措施主要包括定期监测湿地生态环境、及时清除发现的互花米草斑块，同时通过种植其他植物如芦苇来防止互花米草的入侵[48]。法律法规的制定和入侵物种监测机制的建立是进一步预防互花米草入侵的关键。加强环保意识，增强公众对互花米草危害的认知，营造全社会共同治理的氛围，将对实现暖温带滨海区生态环境的可持续发展起到积极作用。
在过去的40余年里，尽管沿海各省市对互花米草进行了治理与预防，但鲜有对这些工作进行评估和评价的研究，可能导致滨海湿地生态系统的恢复和区域可持续发展受到限制。因此，有必要进行后续评估，以更全面地了解互花米草治理与预防工作的实际效果，为未来的政策制定提供更科学的依据，促进滨海湿地的生态恢复。

4 结　论

使用Sentinel-1/2遥感影像，利用GEE平台实现互花米草分布提取，分类结果的Kappa系数和总体精度分别为0.885和90.1%，互花米草分布提取精度较高。
2023年互花米草在中国暖温带滨海区的分布面积约为74.83 km2，山东省分布面积最广，约为62 km2，江苏省和河北省分布面积小于山东省，分别约为6.86 km2和4.25 km2，天津市分布面积最少，约为1.72 km2。
影响中国暖温带互花米草分布的主要因素为年平均气温、高程、土壤类型、最湿月降水量，预测适生区域为滨海盐土、年平均气温在11.0~21.5 ℃之间、最湿月降水量在180~190 mm、230~250 mm之间、地势较低的滨海滩涂地区。
互花米草在中国暖温带的潜在分布面积约为25 136.73 km2，高适生区、中适生区和低适生区分别占潜在分布面积的11.82%、71.20%和16.98%。
全球变暖促使互花米草的分布范围向高纬度地区持续扩张，高纬度地区应提高防范意识，建立互花米草生长控制区，并对治理工作进行评估和评价，以避免其进一步扩散并对滨海生态系统造成威胁。

References

Publishing order | Descend order by publishing year | Descend order by cited within
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
Options
Outlines

/

〈 〉