《Methods in Ecology and Evolution》:Inferring alternative ecosystem states with field survey data
编辑推荐:
许多生态系统可能存在多稳态现象,即在相同环境条件下,生态系统具有多种稳定状态。虽然模拟模型为多稳态理论提供了重要假设,但其参数往往采用无量纲形式,难以与真实生态系统直接对应。控制实验是识别多稳态的可靠标准,但受瞬时动态影响,相关实验通常耗时较长。随着观测数据的
许多生态系统可能存在多稳态现象,即在相同环境条件下,生态系统具有多种稳定状态。虽然模拟模型为多稳态理论提供了重要假设,但其参数往往采用无量纲形式,难以与真实生态系统直接对应。控制实验是识别多稳态的可靠标准,但受瞬时动态影响,相关实验通常耗时较长。随着观测数据的可获取性迅速提高,以及在揭示群落结构与生态系统过程所提供丰富而灵活的信息,观测数据在多稳态研究中的重要性日益凸显。然而,现有基于野外调查数据的方法框架,尤其是一次性快照调查,尚未充分整合近年来的方法进展和最佳实践,从而限制了其实际应用。针对这一不足,研究人员总结了使用野外调查数据进行多稳态研究的最新科学进展,并提出一个更新后的、切实可行的方法框架,以推动多稳态理论与实证数据的直接衔接。具体而言,该框架聚焦于六个核心环节:(i)采样策略、(ii)状态变量的选择、(iii)环境因子的筛选、(iv)多稳态的统计学证据、(v)驱动力的确定流程和(vi)调控机制的推断。本研究旨在为利用快照式野外调查数据研究多稳态问题提供一个简洁易用的方法框架。该框架可根据具体研究的特点进行调整,以适应不同生态系统和研究问题。
1 替代稳定状态的概念
替代稳定状态(alternative stable states, ASS)指生态系统在相似环境条件下可存在多于一种稳定状态。该概念源于动力系统理论,对理解生态系统动态与稳定性至关重要,尤其涉及热带雨林向稀树草原或浅水湖泊由清水态向浊水态等不良稳态转换的预测与缓解。气候变化、污染、野生种群捕捞及土地利用变化等全球性胁迫因子可能触发向新ASS的稳态转换。ASS概念起源于Lewontin(1969)和Holling(1973)的开创性工作,后广泛应用于多种生态系统。然而,由于理论发展过程中严重依赖建模方法,且实验验证非线性动力学存在困难(尤其多种替代机制可在观测数据中产生难以区分的统计模式),ASS的实证验证仍具挑战。噪声及其他异质性因素进一步增加了推断难度。尽管概念模型、最小模型、过程模型及个体模型在探索ASS中发挥了重要作用,但其预测能力依赖于通过控制实验或野外调查进行的实证验证。控制实验在具有较离散边界和短生命周期的生态系统中影响显著,如浅水湖泊;而陆地生态系统研究常难以满足验证ASS的严格实验标准。遥感是一种有前景的观测方法,可快速积累航拍图像并利用其广泛空间覆盖和高时间分辨率,但某些算法可能引入潜在不连续分布,且许多生态系统存在精细尺度变异,使得粗粒度化产生连续模式。近期进展凸显了大尺度一次性(即快照)野外调查在ASS研究中的效用。野外调查指覆盖大空间梯度的分布式采样活动,时间成分有限。相对于遥感和实验,野外调查数据能以标准化方式在大面积内收集,且更关键的是,可避免遥感数据和受控实验的潜在缺陷。野外调查数据能提供群落结构和生态系统过程的精细见解,对推断ASS背后的反馈机制至关重要。例如,Averill等(2022)通过分析森林清查与分析(FIA)的真菌组数据,证明共享相同菌根类型的树种通过正土壤-微生物反馈形成自强化群落,为温带森林中菌根介导的ASS提供了实证证据。协调数据库的激增进一步推动了ASS研究。野外调查通过提供实证证据补充建模,并通过放宽长期监测要求补充实验,成为ASS研究的关键支柱。后续章节将评估当前利用野外调查数据检测ASS的方法,识别其局限性,并提出优化框架。尽管该框架主要基于陆地生态系统知识,但也适用于海洋及其他生态系统。
2 推断替代稳定状态的实用方法框架
Scheffer和Carpenter(2003)的研究是利用观测数据检测ASS的里程碑。他们提出两种主要互补方法:频率分布分析(及相关指标)和驱动因子-响应关系分析。这些方法基于突变理论的标志性特征,包括分岔和滞后现象。后续研究不断细化这些框架。然而,这些方法仍较为分散,未整合为统一工作流。本研究旨在将这些方法综合成一个连贯的方法框架,使研究人员能从野外调查数据推断ASS。该框架适用于多种情况,但未涵盖所有可能的意外情况。各节按建议的统计分析顺序组织。所有统计方法总结于表2。框1介绍了理论背景,包括多模态性、不可达性、突然不连续跳跃、滞后、发散和单跳路径等突变标志。多模态性被视为最重要且广泛使用的ASS证据。不可达性指一对稳定状态之间存在不稳定状态。突然不连续跳跃和滞后是另外两个众所周知的ASS证据。基于临界减速的统计指标(如方差上升、光谱红移和恢复率下降)也提供ASS证据。
2.1 采样策略
在应用该框架前,研究人员应通过以下三个方面验证采样策略是否满足检测ASS的分析要求:样本量、空间覆盖和采样设计。统计方法对样本量和分布平衡有特定约束。例如,Hartigan's dip检验至少需要50个样本;基于模型的密度估计方法(如mclust和multimode)需要每个潜在稳定状态至少50个样本,且对状态间样本量平衡高度敏感。样本量不足时,自助重采样提供实用解决方案。采样范围至少应覆盖ASS存在的整个环境梯度,更实用的方法是在代表性区域实现广泛空间覆盖。系统采样(以规则空间间隔选择样点)特别适合ASS研究,可有效捕捉沿环境梯度的生态系统状态变异。若系统采样不可行,可在后续统计分析中将空间坐标作为随机效应纳入。此外,野外调查应避免近期受人为和自然干扰的样点,除非干扰被有意作为驱动因子处理。
2.2 状态变量选择
状态变量指最能代表生态系统动态且符合研究人员和/或利益相关者兴趣的变量。选择不同的状态变量可能导致对生态系统的截然不同理解。没有标准程序选择代表生态系统状态的变量,但聚合变量很常见,包括存量(如植被覆盖度、生物量、湖泊浊度、生物多样性、空间格局)、通量(如总初级生产力、蒸腾速率、养分循环速率)、功能结构(如功能性状多样性和群落加权性状均值)或统计关系(如上述任何变量的方差以及网络的聚类系数、中心性和度)。有时,纳入多个状态变量可产生不同见解。处理多状态变量有两种主要方法:一是通过降维或选择将状态变量减少为少数独立变量,与突变理论和中心流形理论一致。经典多变量方法如主成分分析(PCA)和非度量多维尺度分析(NMDS)仍是稳健工具。近年出现了针对高维系统的方法,如动态网络生物标志物、空间特征向量、有效状态变量和动力学近似约简技术(DART)。变量选择方面,Dakos(2018)引入基于主导特征向量的方法识别指示物种作为状态变量,Montanari等(2022)开发基于图的方法识别代表系统动态的最小节点。处理潜变量的统计方法有潜力识别“真实”生态系统状态。第二种方法直接使用多状态变量并调整统计方法。将状态变量视为超体积可促进构建稳定性景观和识别阈值。核密度估计应用于避免ASS数据点中的异常值。广泛使用的统计方法可处理多变量数据,包括混合模型、拓扑数据分析、盆地稳定性等。Rodriguez-Sanchez等(2020)报道了一种适用于多状态变量的近似稳定性景观算法。
2.3 环境因子池
状态变量中的ASS信号可能源于环境因子的不连续性。因此,探索状态变量与环境因子之间的关系至关重要。建议仔细考虑纳入的环境因子,除非分析与反馈机制相关,否则应纳入那些影响状态变量但不受状态变量影响的因子。使用野外调查数据时,选择环境因子尤为重要,因为未纳入的因子可能严重干扰ASS检测。建议从广泛驱动因子开始,然后逐步筛选以避免潜在偏差。例如,Zou等(2024)使用了62个环境因子,分为气候、地形、土壤和干扰四组。每组可能仍包含多个变量。在变量选择后,需认识到大多数ASS评估测量的是特定恢复力,而非整体恢复力。除了在预定义组内选择特定环境因子,一种更客观的方法是对整个环境变量集或每个主题组应用聚类技术,以导出较少的聚合变量。推荐在每个组内而非整个池中进行聚合,因为组内环境因子可能以类似方式发挥作用,且聚合整个池会使结果解释困难。PCA和NMDS因便捷性被广泛使用。其他降维方法(如K-means聚类、多层感知器和支持向量机)可用于避免估计非线性和交互效应时的缺点。若使用机器学习方法,可保留所有环境因子,多重共线性问题较小。
2.4 替代稳定状态的证据
许多方法框架依赖检测多模态性来推断ASS。频率分布可提供潜在ASS的初步证据。Hartigan's dip检验是常用方法,用于统计区分单峰与多峰分布。其他混合密度估计方法、潜在主题检测方法和基于网络科学的聚类检测方法也可用于此目的。然而,频率分布的多模态性可能仅由环境条件的不连续性引起,而非ASS。因此,探索生态系统状态变量与环境因子之间的关系至关重要,可使用势分析、分段回归、广义加性模型、分位数回归或混合回归等方法。这些方法主要针对突然不连续跳跃和滞后的标志。即使如此,仍难以排除未考虑的环境因子驱动多模态分布的可能性。因此,建议检测状态变量在去除环境因子趋势后的残差的多模态性,而非原始分布。广义多变量非线性回归方法(如广义加性模型、基于回归的机器学习算法和分段线性回归模型)可有效去除环境趋势。为确保残差反映内在生态系统状态而非未考虑的环境异质性,建议进行两种诊断检查:残差独立性验证和跨方法验证。另一种做法是沿环境因子比较方差。允许ASS的范围应比其他范围具有更高方差。此外,扩散驱动的聚类可能混淆ASS检测。研究人员应在推断ASS前明确检验空间自相关。Moran's I或变异函数分析可量化状态变量的空间依赖性。当检测到显著空间结构时,可使用空间点过程模型(如Thomas聚类过程)或Moran特征向量空间滤波来区分扩散驱动聚类与环境强迫模式。此外,从野外调查中收集的古生态指标推断的历史生态系统状态和环境条件有助于识别ASS。共存状态之间的尖锐边界进一步支持ASS的存在。
2.5 确定驱动因子
驱动因子是环境因子池中对生态系统动态有显著影响的重要环境因子。根据突变理论,驱动因子通过将大量环境因子减少为少数几个来充当环境因子的特征向量。驱动因子通常通过专家知识预先选择,但本研究旨在提出一种通过残差方法统计识别驱动因子的程序。该方法隔离那些在去除环境趋势后与状态变量残差呈显著非零关系的环境因子,以最小化主观性。对于覆盖大空间范围和环境梯度的野外调查,多个驱动因子可能共同作用于生态系统或沿梯度转换主导地位。在实施广义多变量非线性回归后,筛选出与状态变量呈线性和非线性(而非带滞后的非线性)关系的环境因子。若ASS存在,非线性回归残差与环境因子之间的关系对一部分环境因子是非零的,表明这些环境因子对生态系统状态有显著作用,且其效应不能被多变量非线性回归完全捕捉。这些环境因子可能作为“驱动因子”。滞后定向方法(如势分析、分段回归)随后评估驱动因子-响应关系。根据选定的驱动因子数量,经典共线性分析可筛选这些因子,或使用降维方法生成一个或几个复合驱动因子。阈值在ASS理论中处于核心地位。一旦识别出驱动因子,可从驱动因子-响应关系中估计临界阈值。阈值通常作为分段回归的端点,可使用自助法提高估计稳健性。为后验确定阈值是否存在,可分别对每个ASS拟合线性回归,然后使用Mann-Whitney U检验或Welch's t检验比较各回归斜率。或者,使用方差分析(ANOVA)或协方差分析(ANCOVA)评估检测阈值的可靠性。
2.6 推断调控机制和反馈循环
野外调查数据可提供关于ASS调控机制的宝贵见解,但推断这些动态和量化反馈强度在方法上仍具挑战。一种可行策略是分别对按ASS身份或驱动因子分层的数据拟合模型。机器学习工具适用于高维数据集,可在不假设因果关系的情况下量化环境因子重要性和相关偏依赖,通过比较不同ASS下状态变量与驱动因子之间关系的符号或强度变化来推断反馈机制。当关注因果路径时,结构方程模型(SEM)可用于揭示调控机制。混合SEM在统一框架内同时建模多个状态,增强跨状态比较。除了推断每个稳定状态内的调控机制,探索控制生态系统的反馈循环是ASS研究的重要组成部分。建议如下:首先,跨ASS的回归分析可通过主导环境因子的变化、驱动因子-响应关系的变化以及交互作用强度或方向的变化揭示反馈特征。其次,通过先前分析识别的驱动因子应优先考虑参与潜在反馈机制。双向交互作用(如热带森林中的植被-降水反馈、沙丘中的植被-侵蚀反馈和温带系统中的植被-火灾反馈)尤其具有指示性。第三,地形因子(如海拔和坡度)应排除在反馈分析之外,因为时间尺度不匹配。最后,应更多关注涉及土壤因子的反馈,因为关于土壤因子差异是否可作为反馈转移的证据存在争议。模型和实验一直是识别重要反馈循环的主要方法,但近年出现了一些利用野外调查数据探索和识别强化反馈的研究。例如,Hu等(2024)提出非递归结构方程模型允许因果推断中的反馈循环,可用于探索和识别强化反馈。R包lavaan、sem和plspm均能拟合双向路径,返回每个循环的符号和强度及全局拟合指标,从而使野外调查能够正式检验自强化因果关系。结合调查和时间解析数据是测量反馈循环的另一种选择。使用野外调查数据时,可通过比较不同稳定状态下优势种的种群统计率(生长、补充、死亡)来推断时间动态。若反馈起作用,这些率在ASS之间将存在差异。这些方法不太适用于短生命周期生态系统。
3 野外调查的注意事项和未来方向
所提出的方法框架推进了利用野外调查数据推断ASS,但单一方法无法普遍解决所有挑战。建模、实验、遥感和野外调查的协同整合对ASS研究仍然至关重要。野外调查擅长捕捉详细生态系统属性,但由于时间和劳动密集型特性,在可扩展性和解释确定性方面面临限制。一个重要注意事项是野外调查严重依赖空间换时间替代,其可靠性长期受到质疑。这种怀疑源于基本假设:生态响应能紧密跟踪环境变化。然而,人为气候变化可能超过生态系统响应速率,产生瞬时动态,导致误导性推断。因此,在应用空间换时间替代前,研究人员应首先检验生态系统与环境之间的关系是否处于平衡状态。几种方法可辅助判断:大小结构分析可通过稳定阶段分布揭示平衡状态;动态指标如种群统计率比较可评估补充和死亡率是否平衡。当时间数据可用时,可通过分析状态变量动态是否匹配气候变化速度来验证系统平衡。野外调查并不总能找到完全满足平衡标准的合适样点。一些统计方法可在一定程度上降低空间换时间替代的不确定性风险。例如,可将气候变化速度和年际变率作为协变量纳入,以考虑植被的气候滞后。当统计调整无法完全解决平衡状态的不确定性时,时间验证变得必要。因此,再调查数据是整合时间和空间数据的有价值方法。此外,这些再调查数据集可参数化简单的植被动态微分方程模型,使研究人员能够测试经验推断的反馈是否足够强以产生ASS或滞后。因此,联合生态系统的时间和空间数据是一个关键方向。此外,未能检测到ASS并不构成其不存在的证据。这种假阴性可能源于采样范围未覆盖ASS存在的完整驱动因子范围、样本量不足以捕捉背景噪声中的稳态转换、所选状态变量对潜在反馈机制不敏感,或当前检测方法主要针对双鞍结分岔,而其他分岔类型可能不产生可检测的多模态性。
4 结论
ASS主题因其在生态系统管理中的重要性而备受关注。尽管多种方法已被用于研究ASS,但野外调查通过捕捉详细生态系统属性和利用不断扩大的全球监测网络提供独特优势。然而,当前利用野外调查数据探索ASS的研究主要集中在有限主题上,如阈值的存在,而其他重要主题(如识别强化反馈和调控机制)受到的关注较少。经典统计方法虽能探测ASS的某些方面,但并非为此目的设计,且未整合到统一工作流中。为满足从野外调查数据推断ASS的统一方法框架需求,本研究提出了一个新颖、可追溯和可参考的框架,综合了关键研究领域的最佳实践和前沿分析进展。通过简化工作流和增强方法严谨性,该框架不仅提高了ASS检测的可靠性,还促进了理论预测与实证验证之间更实质性的对齐,从而推进ASS研究。