朱穎墨 竇小東 王瑞芳 解明恩 黃 瑋 李 蒙

1. 云南大學(xué)地球科學(xué)學(xué)院，昆明，650091

2. 云南省氣象服務(wù)中心，昆明， 650034

3. 中國氣象局橫斷山區(qū)（低緯高原）災(zāi)害性天氣研究中心，昆明 650034

4. 云南省氣候中心，昆明，650034

1 引 言

咖啡是茜草科（Rubiaceae）咖啡屬（Coffea genus）常綠喬木（孫彩梅等，2019），與可可、茶并稱為世界三大飲料作物，原產(chǎn)地位于非洲的中北部地區(qū)（王彥兵等，2020），目前，種植范圍已擴大到全世界的很多國家和地區(qū)，主要種植的品種有大?？Х龋–offea libericaBull ex Hiern）、中粒咖啡（Coffea canephoraPierre）、小粒咖啡（Coffea arabica），其中，小?？Х鹊姆N植面積最大，總種植面積已達到全球咖啡種植面積的80%（張明達等，2020）。

聯(lián)合國政府間氣候變化專門委員會（IPCC）第五次評估報告指出，未來全球氣候在人類活動、自然因素的作用下，將會持續(xù)變暖（張強等，2015；嚴(yán)中偉等，2020）。研究（李文慶等，2019）表明，地球上的絕大多數(shù)物種的分布格局均會較大程度地受到氣候變化的影響。小?？Х冗m宜種植區(qū)的氣溫不宜過熱，也不宜過冷，其適宜生長環(huán)境在溫涼、濕潤、半蔭蔽或蔭蔽以及靜風(fēng)的地區(qū)（韓志慧等，2019；張文慧等，2019），因此，冬暖夏涼的南亞熱帶、中亞熱帶最適宜種植。云南省是中國咖啡的主產(chǎn)區(qū)，小?？Х鹊姆N植面積及產(chǎn)量均已占到全國的98%以上（章宇陽等，2020；趙明珠等，2020），因此明確氣候變化對小?？Х冗m生區(qū)的影響具有重要的生產(chǎn)實踐意義。

近年來，在預(yù)測物種潛在適生區(qū)以及氣候變化對物種分布格局影響方面，生態(tài)位模擬（ecological niche modelling，ENM）已成為重要研究工具（Tang，et al，2018；張文秀等，2020）。而眾多的物種潛在分布建模算法中，以最大熵理論為基礎(chǔ)的最大熵（MaxEnt）模型，以其輸入數(shù)據(jù)簡單、易獲取、操作界面友好，且預(yù)測結(jié)果精準(zhǔn)等優(yōu)勢（Sanchez，et al，2010；陳積山等，2019；杜超群等，2019），越來越受到科研工作者的青睞。姬柳婷等（2020）運用最大熵模型研究了氣候變化對北重樓（Paris verticillataM. Bieb）潛在適生區(qū)的影響等，李文慶等（2019）運用最大熵模型對不同氣候情景下四子柳（Salix tetraspermaRoxb.）的亞洲潛在地理分布格局變化進行了預(yù)測。沈濤等（2019）運用最大熵模型研究了滇龍膽草野生資源的生物氣候特征及其地理分布。目前，關(guān)于云南小?？Х鹊难芯慷嗉性谏鷳B(tài)適宜性區(qū)劃（張明達等，2020），以及氣候因子、地理因子、土壤養(yǎng)分等對咖啡品質(zhì)的影響等方面（陳凱，2019；黃丕興，2019；魯韋坤等，2019；馬關(guān)潤等，2019），而氣候變化對小?？Х仍谠颇线m生區(qū)的影響卻很少見有公開報道?；诖耍狙芯窟\用最大熵模型，結(jié)合云南省小?？Х任锓N分布數(shù)據(jù)，當(dāng)前以及RCP4.5、RCP8.5兩種排放情景下的未來氣候變化數(shù)據(jù)，地形與土壤等環(huán)境變量數(shù)據(jù)，評估當(dāng)前氣候條件下小?？Х仍谠颇鲜〉倪m生區(qū)，研究氣候變化對云南省小?？Х冗m生區(qū)的影響，并明確影響云南小?？Х确N植的主導(dǎo)環(huán)境要素。研究結(jié)果可為云南省小?？Х犬a(chǎn)業(yè)發(fā)展提供科學(xué)依據(jù)，研究方法也可為類似研究提供參考。

2 數(shù)據(jù)來源及研究方法

2.1 數(shù)據(jù)來源

2.1.1 小粒咖啡分布數(shù)據(jù)收集與處理

小?？Х确植紨?shù)據(jù)由實地調(diào)查采樣與文獻查詢相結(jié)合獲得，其中，通過實地調(diào)查獲得云南省小粒咖啡GPS采樣點86個，通過查閱公開發(fā)表的相關(guān)文獻并結(jié)合Google Earth衛(wèi)星定位，獲得云南省小?？Х确植紭狱c11個。利用ArcGIS的緩沖區(qū)分析工具對獲得的97個樣點分布數(shù)據(jù)進行篩選，緩沖區(qū)半徑設(shè)置為2.5 km，對緩沖區(qū)有疊加的樣點，根據(jù)樣點的相對位置刪除相對密集樣點，最后，獲得云南省小?？Х确植紭狱c數(shù)據(jù)55個。

2.1.2 環(huán)境變量數(shù)據(jù)種類、來源及處理

環(huán)境變量數(shù)據(jù)包含氣候、地形以及土壤數(shù)據(jù)。為便于研究氣候變化對云南省小?？Х冗m生區(qū)的影響，當(dāng)前氣候數(shù)據(jù)及未來氣候數(shù)據(jù)采用相同的氣候要素，均包括19個生物氣候變量（具有較強的生物學(xué)意義，可反映氣溫與降水的特點及季節(jié)變化特征）（Hijmans，et al，2005）、1—12月 降 雨 量、1—12月平均最高氣溫、1—12月平均最低氣溫，共55個氣候指標(biāo)數(shù)據(jù)。其中，當(dāng)前的氣候要素數(shù)據(jù)采用1950—2000年的氣候指標(biāo)數(shù)據(jù)，未來的氣候數(shù)據(jù)采用IPCC第5次評估報告發(fā)布的RCP4.5、RCP8.5兩種排放情景下CCSM4氣候模式中的2050年（時段為：2041—2060年）時間段的氣候指標(biāo)數(shù)據(jù)。所有氣候指標(biāo)數(shù)據(jù)的空間分辨率均為30″，均來自于世界氣候數(shù)據(jù)庫Worldclim。地形數(shù)據(jù)包含坡度、坡向、海拔3個要素，其中，海拔高度數(shù)據(jù)直接通過DEM數(shù)據(jù)獲得，坡度、坡向利用ArcGIS空間分析模塊計算得到，所需的DEM數(shù)據(jù)來源于云南省地圖院，空間分辨率為90 m。土壤數(shù)據(jù)包含土壤有機碳含量、土壤pH值等20個要素，數(shù)據(jù)均來源于世界和諧土壤數(shù)據(jù)庫HWSD，并經(jīng)過ArcGIS裁剪、轉(zhuǎn)換等得到。所有環(huán)境變量數(shù)據(jù)均按照最大熵模型輸入文件要求，由ArcGIS轉(zhuǎn)換為.asc格式。

2.2 研究方法

2.2.1 影響咖啡分布的關(guān)鍵環(huán)境變量數(shù)據(jù)篩選

由于本研究采用的環(huán)境變量較多，容易產(chǎn)生多重共線性問題，影響模型的精度（王雨生等，2019），因此，首先選取上述55個咖啡樣點分布數(shù)據(jù)、78個環(huán)境變量數(shù)據(jù)構(gòu)建初始模型，再運用刀切法檢驗，剔除貢獻較小的環(huán)境變量后，運用SPSS 20.0對貢獻較大的環(huán)境變量做pearson相關(guān)關(guān)系分析，考慮相關(guān)系數(shù)較大（|r|＞0.8，在0.01水平上顯著相關(guān)）（王茹琳等，2017）且對咖啡分布的重要影響，最后篩選出關(guān)鍵環(huán)境變量17個（表1）。

表1 篩選出的關(guān)鍵環(huán)境變量Table 1 Selected key environmental variables

2.2.2 MaxEnt模型應(yīng)用、可靠性評價及適生區(qū)等級劃分

MaxEnt模型以最大熵理論為基礎(chǔ)，其原理是在服從于一定限定條件的情況下，通過計算目標(biāo)地區(qū)概率分布的最大熵來估計物種的概率分布（王雨生等，2019）。本研究運用MaxEnt 3.4.1加載55個云南省小?？Х鹊牡乩矸植紨?shù)據(jù)、初始模型篩選出的17個關(guān)鍵環(huán)境變量數(shù)據(jù)，所有環(huán)境變量均設(shè)置為連續(xù)變量，設(shè)置分布數(shù)據(jù)的訓(xùn)練集、測試集分別為75%、25%，數(shù)據(jù)隨機選?。╓ang，et al，2019），選用刀切法計算各環(huán)境變量的重要性，輸出文件采用.asc類型，其余各模型參數(shù)均選擇默認(rèn)值。

模型的準(zhǔn)確度由AUC （Area under ROC Curve）值，即ROC曲線（Receiver operating characteristic curve）下的面積值判斷（Kalboussi，et al，2018）。AUC值介于0—1，數(shù)值越大則模擬結(jié)果越精確（王茹琳等，2017）。研究（Bai，et al，2018；譚鈺凡等，2018；丁新華等，2019；林正雨等，2019）表明，AUC＜0.6，失??；0.7＞AUC≥0.6，結(jié)果較差；0.8＞AUC≥0.7，結(jié)果一般；0.9＞AUC≥0.8，結(jié)果較好；1.0＞AUC≥0.9，結(jié)果極好；AUC=1.0，結(jié)果完美。

MaxEnt模型的輸出結(jié)果在0—1，數(shù)值越大表明小?？Х鹊姆植几怕试酱螅ㄈ~永昌等，2016；張丹華等，2019）。按照分布概率（P）的大小并結(jié)合云南實際確定小?？Х鹊倪m生等級：P＜0.1為非適生區(qū)，0.1≤P＜0.2為低適生區(qū)，0.2≤P＜0.5為中適生區(qū)，0.5≤P≤1為高適生區(qū)。

3 結(jié)果與分析

3.1 模型檢驗及主導(dǎo)環(huán)境變量篩選

運用MaxEnt加載55個小?？Х葮狱c分布數(shù)據(jù)、17個關(guān)鍵環(huán)境變量數(shù)據(jù)，設(shè)置相關(guān)參數(shù)后再次構(gòu)建模型進行云南省小?？Х冗m生區(qū)預(yù)測。運行結(jié)果顯示，基于關(guān)鍵環(huán)境變量所構(gòu)建的云南省小?？Х冗m生區(qū)評估及預(yù)測模型的訓(xùn)練集與測試集的AUC值均為0.941（圖1），因此本次構(gòu)建的模型的準(zhǔn)確性達到了極好的標(biāo)準(zhǔn)，此次結(jié)果可用于云南省小粒咖啡的適生區(qū)評估及預(yù)測。17個關(guān)鍵環(huán)境變量的重要性排序（表2）顯示，以貢獻率超過5%的環(huán)境變量作為影響云南省小?？Х冗m生區(qū)分布的主導(dǎo)環(huán)境變量，則主導(dǎo)環(huán)境變量依次為：11月平均最高氣溫、7月降雨量、海拔高度、2月平均最低氣溫、10月降雨量、最冷月最低氣溫、坡度，這7項的累計貢獻率達到91.4%。其中，氣候變量占5項，累計貢獻率為73.2%，地形變量占2項，累計貢獻率為18.2%，土壤變量未出現(xiàn)在主導(dǎo)環(huán)境變量中。三組關(guān)鍵環(huán)境變量中氣候變量貢獻率最高、地形變量次之、土壤變量最低，因此氣候變量對小粒咖啡潛在適生區(qū)分布的影響至關(guān)重要。

表2 關(guān)鍵環(huán)境變量的貢獻率Table 2 Contribution rates of key environmental variables

圖1 模型適用性檢驗的AUC值 （紅、藍線重合）Fig.1 AUC values of model suitability tests（red and blue lines overlap ）

3.2 當(dāng)前氣候條件下云南省小?？Х冗m生區(qū)分布

MaxEnt模型的輸出結(jié)果為小?？Х仍谠颇暇硟?nèi)的存在概率，運用ArcGIS將輸出結(jié)果的ASCⅡ格式轉(zhuǎn)換為柵格格式，經(jīng)重分類后可得到當(dāng)前氣候條件下云南省小粒咖啡適生等級分布（圖2）。由圖2可知，當(dāng)前氣候條件下，小粒咖啡的適生區(qū)主要分布在滇西、滇西南以及滇南的保山、德宏、普洱、臨滄、西雙版納等地區(qū)，且總體上，高適生區(qū)外圍分布中適生區(qū)，中適生區(qū)外圍分布低適生區(qū)。將當(dāng)前氣候條件下，MaxEnt模型對云南省小粒咖啡適生區(qū)的評估結(jié)果，運用ArcGIS的空間分析模塊進行計算，得到當(dāng)前氣候條件下各適生區(qū)的面積（表3）。由表3可知，當(dāng)前氣候條件下，小?？Х冗m生區(qū)的總面積約為11.63×104km2，約占云南省國土面積的29.51%，其中高、中、低適生區(qū)的面積分別約為1.58×104、5.34×104、4.71×104km2，占比分別約為4.01%、13.55%、11.95%。

圖2 當(dāng)前氣候條件下云南省小?？Х冗m生區(qū)分布Fig.2 Distribution of areas suitable for Coffea arabica in Yunnan province under current climate condition

3.3 RCP4.5、RCP8.5情景下云南省小?？Х冗m生區(qū)變化

3.3.1 RCP4.5、RCP8.5情景下云南省小?？Х冗m生區(qū)面積變化

由RCP4.5、RCP8.5排放情景下小?？Х仍谠颇系倪m生區(qū)分布（圖3）可知，兩種排放情景下，云南省小?？Х鹊倪m生區(qū)雖然也主要位于滇西、滇西南、滇南地區(qū)，但適生區(qū)的面積及位置均出現(xiàn)了不同程度的變化。將RCP4.5、RCP8.5情景下，MaxEnt模型對云南省小粒咖啡適生區(qū)的預(yù)測結(jié)果，運用ArcGIS的空間分析模塊進行計算，得到RCP4.5、RCP8.5情景下各適生區(qū)的面積（表3）。由表3可知，在RCP4.5排放情景下，小?？Х冗m生區(qū)的總面積約9.83×104km2，約占云南省國土面積的24.95%，其中高、中、低適生區(qū)的面積分別約為0.04×104、2.54×104、7.25×104km2，占 比 分 別 約 為0.10%、6.45%、18.40%。在RCP8.5排放情景下，小?？Х冗m生區(qū)的總面積約6.97×104km2，約占云南省國土面積的17.69%，其中高、中、低適生區(qū)的面積分別約為0.03×104、1.53×104、5.41×104km2，占比分別約為0.08%、3.88%、13.73%。

表3 云南小粒咖啡適生區(qū)在當(dāng)前、未來氣候條件下的面積評估及預(yù)測Table 3 Assessment and prediction of regions suitable for Coffea arabica growth under current and future climate conditions

圖3 RCP4.5 （a）和RCP8.5 （b） 氣候情景下小?？Х仍谠颇系倪m生區(qū)分布Fig.3 Distributions of areas suitable for Coffea arabica growth in Yunnan under the RCP4.5 （a） and RCP8.5 （b） scenarios

相較于當(dāng)前氣候條件下（圖4），在RCP4.5、RCP8.5排放情景下云南小?？Х鹊目傔m生區(qū)面積呈 減 少 趨 勢，分 別 減 少1.80×104、4.66×104km2，占云南省國土面積的比率分別減少了4.56%、11.82%，且碳排放更高的RCP8.5模式的減少幅度更大。其中，中、高適生區(qū)的變化均為減少趨勢，與總適生區(qū)變化趨勢一致，且RCP8.5模式的減少幅度均高于RCP4.5模式。而低適生區(qū)的面積在兩種情景下，均有不同程度的增幅，這主要是減少的中適生區(qū)面積大部分均轉(zhuǎn)變?yōu)榈瓦m生區(qū)，因此才導(dǎo)致了低適生區(qū)面積的增加。

圖4 不同氣候情景下小?？Х仍谠颇系倪m生區(qū)分布變化Fig.4 Changes in the distribution of areas suitable for Coffea arabica growth in Yunnan under different climate scenarios

3.3.2 RCP4.5、RCP8.5情景下云南省小?？Х冗m生區(qū)質(zhì)心變化

采用各適生區(qū)的幾何中心即質(zhì)心（李文慶等，2019；姬柳婷等，2020）的位置變化來研究氣候變化對云南省小?？Х冗m生區(qū)的影響，各質(zhì)心位置由ArcGIS計算得到。RCP4.5、RCP8.5情景下，云南省小?？Х冗m生區(qū)質(zhì)心遷移的方向與距離，清晰地展現(xiàn)了氣候變化對小?？Х冗m生區(qū)的影響（圖5）。結(jié)果顯示，兩種情景下，云南省小?？Х瓤傔m生區(qū)的質(zhì)心均由東南向西北方向遷移，且質(zhì)心在RCP8.5情景下移動的距離更大。中、高適生區(qū)的質(zhì)心位置變化與總適生區(qū)的變化總體一致，均是由東南向西北方向移動。而云南的地形總體上東南海拔較低，西北海拔較高，因此隨著RCP4.5、RCP8.5情景下，云南氣溫的升高，小粒咖啡的適生區(qū)由氣溫相對較高的東南地區(qū)遷移至氣溫相對較低而海拔較高的地區(qū)。RCP4.5、RCP8.5情景下，云南省小?？Х鹊瓦m生區(qū)的質(zhì)心則均向西偏南方向遷移，而沒有向海拔相對更高的西北方向遷移，這主要是由于低適生區(qū)大部由原來的中適生區(qū)轉(zhuǎn)變而來，而中適生區(qū)質(zhì)心位于低適生區(qū)的西南方向，因此，才導(dǎo)致了云南省小?？Х鹊牡瓦m生區(qū)質(zhì)心向西南方向變化。

圖5 云南省小?？Х冗m生區(qū)在不同氣候情景下的質(zhì)心變化Fig.5 Changes in the centroid of suitable areas for Coffea arabica in Yunnan province under different climate scenarios

由此可見，RCP4.5、RCP8.5情景下，云南省小粒咖啡總適生區(qū)的面積均會減少，總適生區(qū)的位置也均會向海拔相對更高的西北方向遷移。且碳排放更高的RCP8.5情景下，小?？Х瓤傔m生區(qū)面積減少幅度更大，質(zhì)心位置向西北方向遷移的幅度也更大。

3.4 主導(dǎo)環(huán)境變量對小粒咖啡分布概率的影響

本研究以0.1作為閾值劃分小?？Х冗m生區(qū)范圍，結(jié)合云南省小?？Х鹊乩矸植几怕逝c主導(dǎo)環(huán)境因子的關(guān)系（圖6），研究7個主導(dǎo)環(huán)境變量對小?？Х确植几怕实挠绊?。結(jié)果顯示，11月最高氣溫高于18.8℃即適合小粒咖啡的生存，其中，氣溫在18.8—24.4℃，小?？Х鹊姆植几怕孰S著氣溫升高而增大，24.4—26.5℃小粒咖啡的分布概率隨著氣溫升高而減小，氣溫高于26.5℃后，分布概率保持穩(wěn)定，因此，最適宜氣溫為24.4℃。7月降雨量超過193.8 mm即適合小?？Х鹊纳妫S著降雨量的增加分布概率隨著增大，降雨量達到404 mm時小?？Х确植几怕蔬_到最大，其后隨著降雨量的增加小粒咖啡的分布概率維持穩(wěn)定。海拔高度低于1719 m均為小?？Х壬L的適宜區(qū)，其中海拔在144—906 m小?？Х确植几怕孰S著海拔高度的上升而增大，海拔高度在906—1719 m，隨著海拔高度的繼續(xù)上升小?？Х确植几怕手饾u減小，最適宜的海拔高度為906 m。2月最低氣溫為8.3—14.3℃屬適宜區(qū)域，最適宜氣溫為12.0℃，其中，氣溫介于8.3—12.0℃時，分布概率隨著氣溫升高而增大，氣溫介于12.0—14.3℃時，分布概率隨著氣溫升高而減小。10月降雨量大于82.0 mm即適合小?？Х鹊纳妫渲?，降雨量在82.0—125.3 mm時，隨著降雨量的增多小?？Х鹊姆植几怕手饾u增大，降雨量介于125.3—185.8 mm時，隨著降雨量的繼續(xù)增多小?？Х鹊姆植几怕手饾u降低，最適宜降雨量為125.3 mm。最冷月最低氣溫適宜范圍為6.1—11.4℃，其中，氣溫在6.1—9.4℃時，隨著氣溫升高小粒咖啡分布概率逐漸增大，氣溫在9.4—11.4℃時，隨著氣溫升高分布概率逐漸降低，最適宜氣溫為9.4℃。坡度低于50.4°即適合小?？Х鹊纳?，總體上隨著坡度的增大分布概率逐漸降低，坡度為1.1°時最適宜小粒咖啡的生存。

圖6 云南省小粒咖啡的主導(dǎo)環(huán)境因子與地理分布概率的關(guān)系Fig.6 Relationship between geographical distribution probability of Coffea arabica and dominant environmental factors in Yunnan Province

4 結(jié)論與討論

4.1 結(jié) 論

（1）小?？Х仍谠颇系倪m生區(qū)主要位于滇西、滇西南、滇南地區(qū)，總適生區(qū)的面積約為11.63×104km2，約占云南省國土面積的29.51%，其中高、中、低適生區(qū)的面積分別約為1.58×104、5.34×104、4.71×104km2，分別約占云南省國土面積的4.01%、13.55%、11.95%，且總體上高適生區(qū)的外圍分布中適生區(qū)，中適生區(qū)的外圍分布低適生區(qū)。

（2）RCP4.5、RCP8.5情景下小?？Х冗m宜區(qū)面積分別約為9.83×104、6.97×104km2，約占云南省國土面積的24.95%、17.69%，兩種排放情景下小?？Х冗m生區(qū)的面積均呈減小趨勢，在碳排放更高的RCP8.5情景下減少幅度更為明顯，且兩種排放情景下小?？Х冗m生區(qū)的質(zhì)心總體上均由東南向西北遷移，其中，中、高適生區(qū)質(zhì)心由東南向西北遷移，低適生區(qū)質(zhì)心略向西南遷移。

（3）影響云南省小?？Х确N植的主導(dǎo)環(huán)境變量依次為11月平均最高氣溫、7月降雨量、海拔高度、2月平均最低氣溫、10月降雨量、最冷月最低氣溫、坡度，這7項的累計貢獻率達到91.4%。

4.2 討 論

本研究共獲取物種分布數(shù)據(jù)97個，其中大部分（86個）數(shù)據(jù)由實地采樣獲得，少數(shù)（11個）數(shù)據(jù)由文獻查詢獲得，而實地采樣數(shù)據(jù)難免因為數(shù)據(jù)獲取的難度，采樣點選取的合理性等原因而影響模型的準(zhǔn)確度，文獻查詢也難免由于個別樣點數(shù)據(jù)不精確，對模型的模擬結(jié)果造成影響。此外，環(huán)境變量的合理與否也會增加模擬結(jié)果的不確定性，本研究在參考其他學(xué)者的科研成果基礎(chǔ)上，選取78個環(huán)境變量構(gòu)建初始預(yù)測模型，根據(jù)初始預(yù)測結(jié)果中各環(huán)境變量的重要性，再結(jié)合SPSS統(tǒng)計分析軟件對相關(guān)系數(shù)較高的環(huán)境變量進行篩選，剔除相關(guān)系數(shù)較高的環(huán)境變量中生物學(xué)意義相對較小的環(huán)境變量，以此消除各環(huán)境變量的共線性問題，但也難免因為模型環(huán)境變量的篩選不夠準(zhǔn)確而影響到模型的準(zhǔn)確度。同時，本研究所使用的當(dāng)前氣候條件數(shù)據(jù)是1980—2000年的數(shù)據(jù)，與當(dāng)前的氣候條件必然存在一定的差異，這也會增加模型預(yù)測結(jié)果的不確定性。盡管如此，本次模擬結(jié)果中測試集與訓(xùn)練集的AUC值均達到了0.941，達到模型預(yù)測結(jié)果為極好的評判標(biāo)準(zhǔn)，因此，本次模擬能夠很好地用于云南小粒咖啡適生區(qū)分布的預(yù)測。

本研究結(jié)果顯示，云南省小粒咖啡的適生區(qū)主要位于滇西、滇西南、滇南的德宏、保山、臨滄、普洱、版納以及怒江河谷等地區(qū)，這些地區(qū)主要屬亞熱帶氣候區(qū)，符合小?？Х鹊纳飳W(xué)特性，也與云南省小?？Х鹊膶嶋H分布區(qū)相符。在RCP4.5、RCP8.5兩種氣候情景下，云南省小?？Х鹊倪m生區(qū)面積均會呈現(xiàn)不同程度的減小，適生區(qū)的質(zhì)心位置會由海拔較低的東南方向向海拔相對較高的西北方向移動，而Walther等（2005）、李垚等（2014）的研究結(jié)論表明氣候變暖會導(dǎo)致物種適生區(qū)面積不同程度的減少，同時適生區(qū)會向海拔較高的地區(qū)移動，這與本研究結(jié)論一致。因此，未來云南小?？Х犬a(chǎn)業(yè)布局既要考慮到對現(xiàn)有咖啡種植園的合理改造，增強現(xiàn)有咖啡種植園抵御干旱、持續(xù)低溫等氣象災(zāi)害的能力，又要考慮氣候變化對咖啡產(chǎn)業(yè)的影響，在新建咖啡種植園時合理布局、規(guī)避不利因素，總體上產(chǎn)業(yè)布局應(yīng)逐漸向海拔更高、緯度更高的方向遷移，并在小?？Х冗x種方面挑選優(yōu)質(zhì)的適合云南特定氣候的品種種植。同時，根據(jù)環(huán)境因子的貢獻率結(jié)果（表2）可知，11月平均最高氣溫的貢獻率最大，達到38.8%，是影響云南小?？Х冗m生區(qū)的決定性因子，這與10—12月為云南小?？Х鹊墓麑嵆墒炱冢枰渥愕墓鉄釛l件的生物學(xué)特性相吻合。因此本研究結(jié)果對云南小?？Х犬a(chǎn)業(yè)的合理布局具有較好的參考價值。