物种分布模型是预测评估气候变化对物种分布影响的主要工具。为了降低物种分布模型在预测过程中的不确定性,近期有学者提出了采用组合预测的新方法,即采用多套建模数据、模型技术,模型参数,以及环境情景数据对物种分布进行预测,构成物种分布预测集合。但是,组合预测中各组分对变异的贡献还知之甚少,因此有必要把变异组分来源进行分割,以更有效地利用组合预测方法来降低模型预测中的不确定性。以油松为例,采用8个生态位模型,9套模型训练数据,3个GCM模型和一个SRES(A2)排放情景,模型分析了油松当前(1961—1990年)和未来气候条件下3个时间段(2010—2039年,2040—2069年,2070—2099年)的潜在分布。共计得到当前分布预测数据72套,未来每个时间段分布数据216套。采用开发的ClimateChina软件进行当前和未来气候数据的降尺度处理。采用Kappa、真实技巧统计方法(TSS)和接收机工作特征曲线下的面积(AUC)对模型预测能力进行评估。结果表明,随机森林(RF)、广义线性模型(GLM),广义加法模型(GAM)、多元自适应样条函数(MARS)以及助推法(GBM)预测效果较好,几乎不受建模数据之间差异的影响。混合判别分析模型(MDA)对建模数据之间的差异非常敏感,甚至出现建模失败现象。采用三因素方差分析方法对组合预测中的不确定性来源进行变异分割,结果表明,模型之间的差异对模拟预测结果不确定性的贡献最大且所占比例极高,而建模数据之间的差异贡献最小,GCM贡献居中。研究将有助于加深对物种分布模拟预测中不确定性的认识。