《Rangeland Ecology & Management》:A Functional Diversity Approach to Assessing Rangeland Health and Condition
编辑推荐:
草原是面临气候变化和人为压力导致退化威胁的关键生态系统。传统的草原健康评估虽然具有价值,但通常具有定性特征、劳动密集型且难以规模化。本研究提出并验证了一种新型定量框架,该框架整合关键植物功能性状与机器学习以支持草原健康评估。研究人员在伊朗五个生物气候区开展了广
草原是面临气候变化和人为压力导致退化威胁的关键生态系统。传统的草原健康评估虽然具有价值,但通常具有定性特征、劳动密集型且难以规模化。本研究提出并验证了一种新型定量框架,该框架整合关键植物功能性状与机器学习以支持草原健康评估。研究人员在伊朗五个生物气候区开展了广泛的野外调查,收集了17项标准草原健康指标、植被覆盖度、土壤有机质及关键植物功能性状的数据。研究人员计算了九项分类学及功能多样性指标,并将其相对于未放牧参考样点进行标准化。利用机器学习算法(随机森林、支持向量回归和极端梯度提升),研究人员对这些功能多样性指标与核心草原健康属性(土壤/场地稳定性、水文功能和生物完整性)之间的关系进行了建模。研究发现,最小集合的功能多样性指标——特别是功能丰富度(FRic)和Rao二次熵(RaoQ)——结合易于测量的变量如冠层覆盖度,是核心草原健康属性(土壤/场地稳定性、水文功能和生物完整性)的稳健预测因子,其性能优于单独使用物种丰富度等传统指标。模型性能以随机森林模型最高,但结果因区域和属性而异。研究人员最终将研究成果转化为开源R软件包——草原健康与状况(Rangeland Health and Condition, RHC),该软件包利用易于测量的功能性状数据自动化健康评估。该工具使管理人员能够在不进行大量定性评估的情况下准确预测草原健康评分。本研究方法代表了向预测性、数据驱动型草原管理框架的转变,在此以降水梯度上的山地草原为例进行了演示,并为未来在更广泛草原系统中的测试和应用奠定了基础。该框架为可扩展的草原监测和退化早期检测提供了基础,前提是需要空间显性输入数据的可用性。
本研究发表于《Rangeland Ecology》,旨在解决传统草原健康评估方法存在的核心问题。传统方法如四因子法、景观功能分析(LFA)及草原健康(RH)评估等定性方法,虽能提供快速、经济、标准化的生态系统结构与功能评估,但本质上依赖专家判断,劳动密集,且在大空间尺度应用时效率低下。研究人员指出,随着气候变化与人为压力加剧,亟需简单、可重复、统计稳健的定量工具,以实现更广泛的草原监测与管理。功能多样性方法因能捕捉群落组成与优势结构变化、反映生态系统功能,被视为传统定性评估的有力补充甚至替代方案。
研究人员开展了以下研究工作:以伊朗中部扎格罗斯山脉五个生物气候区的山地草原为研究对象,建立了一套基于功能多样性的定量评估框架。研究整合响应-效应性状理论,量化群落构建与生态系统功能之间的机制联系,开发了低成本的监测操作工具。具体而言,研究人员在五个生物气候区内,以未放牧区为参考样点,沿家畜饮水点距离的干扰梯度选取17-21个独立样点,每个样点设置30 m×30 m大样方,内含3个2 m×2 m亚样方,于2021年生长旺季进行植被与土壤调查。测量内容包括:17项草原健康指标(按IIRH协议评分)、植被覆盖度、土壤有机质(SOM)及10种植物功能性状(包括株高、冠幅直径、叶长、叶干重、叶面积、比叶面积、叶干物质含量、叶磷含量、叶氮含量、叶绿素及生长型)。基于这些数据,研究人员计算了物种丰富度(S)、Shannon多样性指数(H′)、Shannon均匀度指数(J′)等3项分类多样性指标,以及功能丰富度(FRic)、功能均匀度(FEve)、功能发散度(FDiv)、功能离散度(FDis)和Rao二次熵(RaoQ)等5项多维功能多样性指标,另有群落加权均值(CWM)指标。所有指标均相对于参考样点进行标准化处理。为避免多重共线性,研究人员进行了相关性分析、主成分分析(PCA)、冗余分析(RDA)及方差膨胀因子(VIF)检验,筛选预测变量。
随后,研究人员采用随机森林(RF)、支持向量回归(SVR)和极端梯度提升(XGBoost)三种机器学习算法,建模预测功能多样性指标与标准化草原健康属性之间的关系。数据集按生物气候区进行分层随机抽样,划分为70%训练集和30%测试集。整个建模流程重复10,000次以降低单次划分的敏感性并缓解过拟合风险,每次迭代均进行超参数网格搜索优化。模型性能采用理想点误差(IPE)综合指标评估,该指标整合了均方根误差(RMSE)、平均绝对相对误差(MARE)、平均误差(ME)和相关系数(R)四项指标,IPE取值0-1,值越低表示性能越优。最佳预测模型被集成至开源R软件包RHC中。
研究结果表明:五个生物气候区的标准化多样性指标均呈现显著的空间异质性,偏离参考条件的幅度因生态系统类型和样点而异。草原退化模式并非均质或线性的,而是反映了放牧历史、微地形、气候变异性与生物反馈的局部相互作用。土壤/场地稳定性、水文功能和生物完整性三项属性之间存在解耦现象,凸显了草原退化的多维性质。例如,部分地中海草原和草原样点出现水文功能下降而生物完整性未相应损失的情况,表明土壤压实和入渗减少可能先于可检测的植被变化;而沙漠草原系统则常出现三项属性的耦合下降,指示系统性功能崩溃。
模型验证与不确定性量化方面,不同区域和算法表现各异。沙漠草原中XGBoost对生物完整性和总草原健康评分(RHS)预测最优(IPE=0.047和0.037);草原中XGBoost对RHS预测最优;冷草原中RF对生物完整性预测最优;半草原中XGBoost对土壤/场地稳定性和水文功能预测最优;地中海草原中RF对水文功能预测最优。合并所有区域数据后,SVR整体表现最佳,但相关系数(R=0.684)较区域模型低,反映生态异质性增加的影响。RF模型的预测精度经严格验证,实测值与预测值在1:1线附近紧密聚集,决定系数高,偏差小。
变量重要性分析揭示:沙漠草原中冠层覆盖度和灌木群落加权均值最重要;草原中功能丰富度(FRic)和物种丰富度影响最大;冷草原中Rao二次熵(RaoQ)和多年生禾草群落加权均值占主导;半草原中土壤有机质和多年生草本群落加权均值最重要;地中海草原中叶干重最重要。综合所有区域,冠层覆盖度、土壤有机质、物种丰富度和功能丰富度(FRic)始终位列最具影响力的预测因子。
讨论部分,研究人员阐述了以下核心观点:功能多样性指标作为生态系统功能的强预测因子,其性能常优于物种丰富度等传统结构指标,这与质量比假说和生态位互补性假说相吻合。功能丰富度(FRic)反映资源利用策略的广度,Rao二次熵(RaoQ)捕捉功能差异性,二者共同增强对干扰和气候胁迫的抵抗能力。不同气候区的关键预测因子差异揭示了不同的韧性机制路径:沙漠草原中多年生灌木和深根物种起稳定作用;地中海草原与获取型叶性状关联更强;冷草原中多年生禾草和高功能多样性发挥重要作用。冠层覆盖度作为最一致的预测因子之一,因其调节地表微气候、减少侵蚀、增强入渗的多重功能,成为退化预警的敏感指标,支持在土壤测量受限时采用植被指标进行快速评估。随机森林因能捕捉非线性交互和复杂的性状-环境关系,成为最稳健的算法。整体而言,该框架将功能生态学洞见转化为实用的诊断工具,推进了草原健康评估向更客观、可诊断、可扩展方向发展。
研究结论指出:本研究评估了山地草原系统中五个生物气候区的基于性状定量草原健康评估框架。结果表明,功能多样性指标及相关植物性状能够捕捉土壤/场地稳定性、水文功能和生物完整性方面的有意义的变异,为草原状况的定量评估提供了机制基础。少量易于获取的植被指标的识别,凸显了在不损害生态相关性的前提下简化野外评估的潜力。通过解耦并分别预测三项核心草原健康属性,该框架提供了比整体综合评分更具诊断性的退化路径和功能韧性视角。更广泛而言,研究结果支持将功能生态学与数据驱动建模相结合,以提高草原监测的客观性、可重复性和分析分辨率。尽管实证应用限于高海拔山地草原,但方法结构具有可转移性,为更广泛草原系统的测试提供了概念基础。本研究作为概念验证,需要在更大规模的独立数据集上进行验证,理想情况下包括空间显性预测练习,以充分匹配结论语气与所呈现证据的强度。总之,该研究有助于开发更定量、更具机制基础的草原评估方法,对生态研究和适应性管理均具有潜在助益。