鸟类对沿海城市化的响应:高密度城市生境适宜性的时空演变与生态驱动因子变化

《Land》:Avian Responses to Coastal Urbanization: Spatiotemporal Shifts in Habitat Suitability and Changing Ecological Drivers in a High-Density City

【字体: 大 中 小 】 时间:2026年07月07日 来源:Land 3.5

编辑推荐:

  快速沿海城市化通过生境破碎化对生物多样性构成严重威胁,使城市生态系统的持续监测成为必需。尽管鸟类可作为敏感的环境变化指示类群,但在高密度特大城市中,其生境的长期时空动态及环境驱动因子的时间演变仍缺乏深入理解。本研究通过构建趋势可解释的机器学习框架,评估了201

  
快速沿海城市化通过生境破碎化对生物多样性构成严重威胁,使城市生态系统的持续监测成为必需。尽管鸟类可作为敏感的环境变化指示类群,但在高密度特大城市中,其生境的长期时空动态及环境驱动因子的时间演变仍缺乏深入理解。本研究通过构建趋势可解释的机器学习框架,评估了2010年至2020年间深圳西部沿海区域鸟类生境适宜性的时空变化。研究人员对公民科学数据实施了标准化筛选方案,并将占据模型(Occupancy Modeling)与随机森林(RF)算法相结合,以30米空间分辨率模拟了鸟类生境分布。采用Mann-Kendall(MK)趋势分析对生境时空变化进行量化,同时利用SHAP(SHapley Additive exPlanations)方法诊断生态驱动因子在十年间的相对重要性变化及其非线性阈值特征。研究发现六种鸟类生态群(Guild)呈现显著的空间异质性:陆禽、猛禽和鸣禽的生境质量在北部工业区严重退化,而针对性生态修复则促进了南部和西部城市核心区的生境恢复。分析进一步揭示了环境响应的动态时间演变:人口密度和夜间灯光等人为胁迫因子对陆禽和林栖鸟类群落的限制作用有所减弱,但对水禽的影响加剧;同时,植被覆盖度和距水体距离等自然要素的重要性日益凸显。基于这些时空格局,研究人员划分了五种生态分区以指导针对性的保护措施。该研究提供了一个将预测建模与机制解析相结合的的分析框架,为快速发展沿海景观中的循证生物多样性保护和可持续城市规划提供支撑。
**研究背景与问题提出**

快速城市化加剧了人类与野生动物在空间和食物等关键资源上的竞争,对生物多样性、生态系统及人类福祉产生深远影响。区域景观是研究和实践可持续性的关键尺度域,因其整合了人类-环境相互作用。人为景观转变对物种分布和多样性产生显著影响,且影响程度与城市化水平呈可预测模式。高级阶段的城市化常对野生动物群落产生有害效应,导致城市动物物种丰富度下降以及功能和系统发育多样性降低。因此,城市设计不仅需要满足人类需求,还需为野生动物提供生境,凸显人类与野生兽类共存道路的必要性。

鸟类作为高营养级生物,分布广泛且对环境变化高度敏感,因此受城市化影响显著。同时,鸟类也是城市生态系统中研究最为充分的类群之一,这得益于其易于观察、调查方法成熟以及长期数据的可获得性。学者们应用多种数学模型探索鸟类生活与城市景观之间的相互作用,并在不同尺度上评估鸟类生境质量的环境决定因素,为生态修复举措奠定基础。样线调查是传统的鸟类普查方法,虽然较为准确但需要较多时间和人力。公民科学数据扩展了研究尺度,消除了时间和空间限制,增强了研究结果的普适性,为描述鸟类分布和功能组成的大时空尺度格局以及检验假设提供了新机遇。eBird、iNaturalist和中国鸟类报告中心等数据库已被应用于物种分布预测。然而,公民科学数据作为自发性地理数据,受个体观鸟者主观因素和空间选择偏好的影响,导致采样偏差。因此,使用公民科学数据进行物种分布预测时,数据预处理和模型选择尤为关键。

现有物种分布建模研究多关注当前分布,往往忽视数据的时间动态特性,且机器学习应用倾向于预测性能而缺乏对环境变量如何影响物种分布模式的解释。基于此,本研究旨在:(1)在随机森林框架内结合公民科学鸟类出现记录和多源环境变量,模拟六种鸟类类群十年潜在分布,利用Sen-MK方法量化城市化驱动的生境变化;(2)应用SHAP模型系统评估城市化下因子重要性、交互作用及其对鸟类分布时间变化的方向性效应;(3)识别调控鸟类分布非线性响应的关键环境阈值,揭示城市化和生态修复塑造长期鸟类群落动态的机制路径。

**技术方法概述**

本研究的数据分析框架包含四个主要步骤。第一步为数据收集与预处理,包括鸟类观测数据和环境数据的清洗、插值分析、稀疏性处理及掩膜提取。鸟类数据来源于两个独立的公民科学数据源:eBird数据库用于构建预测模型的训练样本,中国鸟类报告中心作为独立的外部验证来源。研究人员实施了多步标准化筛选协议,包括保留"完整清单"、基于努力量的严格过滤(行进距离≤1公里、采样时长5-240分钟)、以及通过30米网格进行空间稀疏化处理,最终获得1095个出现点位。根据《中国鸟类分类与分布名录(第二版)》将鸟类划分为水禽、鸣禽、涉禽、攀禽、猛禽和陆禽六大生态群。环境变量涵盖气候(年均温、年温差、年降水量)、地形(海拔、坡度、坡向)、生境(归一化植被指数NDVI、土地利用类型、食物可获得性、距水体和海岸线距离)以及人为因子(人口密度、距道路距离、距城区距离、夜间灯光指数)四大类共21个变量。

第二步为模型训练与预测,将处理后的鸟类数据与对应环境变量输入随机森林模型,使用70%数据训练、30%验证,根据ROC曲线调参优化。模型以回归方式输出0-1之间的鸟类出现概率,表征生境适宜性,并应用于2010、2015和2020三个时间节点生成时空分布图。选择这五个年度节点的原因在于匹配多源协变量数据的时间可用性,特别是30米年度土地覆被数据集,并与深圳沿海围垦-intense填海及随后生态修复期的市级规划周期相一致。

第三步采用Theil-Sen中值估计量结合Mann-Kendall非参数检验进行趋势分析,量化鸟类分布的时间变化率,并将研究区划分为五种生态类型:持续生态恢复区、生态稳定调整区、突发生态干扰区、次生生态退化区和原生生态退化区。

第四步运用SHAP模型进行驱动因子分析,通过计算各因子的SHAP值进行全局解释,可视化重要因子的SHAP值分布,并开展阈值分析,探索城市环境因素对鸟类分布的具体影响模式和时间变化。

**研究结果**

*模型性能*:随机森林模型对六类鸟群的预测性能通过AUC(Area Under the Curve)指标评估,陆禽0.90、猛禽0.96、鸣禽0.97、攀禽0.98、涉禽0.98、水禽0.93,所有类群AUC值均高于0.9,表明模型具有高预测精度和有效性。

*鸟类分布时空格局*:2010至2020年间,六类鸟群呈现差异化的空间分布格局和动态变化。陆禽在2010年的热点区位于南山公园、深圳湾、铁岗水库和阳台山,2015年南部热点稳定、北部热点向沿海转移,2020年南部和中西部热点连接,北部除茅洲河附近小范围热点外出现大面积冷点。猛禽2010年热点分布于福田红树林、南山公园和凤凰山,2020年南部热点连续化、中部出现新热点,而宝安中部形成大面积冷点。鸣禽2010年适宜生境跨越福田、宝安中部和茅洲河部分区域,2020年热点覆盖南山、福田和中部山区,冷点集中于铁岗水库和东部工业园附近。攀禽呈现清晰的热点扩张趋势,2010年主要分布于南山北部和福田部分区域,2020年向南扩展至铁岗水库和凤凰山,宝安冷点减少。涉禽和水禽作为与水环境密切相关的类群,其热点分布呈现海岸线依赖性:涉禽2020年热点向深圳湾转移并与福田连接;水禽2020年热点在南山和福田增加并连接,但北部沿海冷点更加突出。

基于Sen-MK趋势分析,研究区被划分为五种生态分区。2010-2015年间,陆禽生境适宜性在西部沿海、南山区南部和福田区西部改善,但北部宝安区恶化;2015-2020年生态改善区减少,北部宝安出现严重退化。猛禽在2010-2015年北部和宝安中部恶化、南山区稳步改善,2015-2020年宝安中部恢复、北部成为退化热点。鸣禽2010-2015年在北部和西部宝安退化、茅洲河附近稳定改善,2015-2020年北部退化减缓但机场附近出现生态干扰区。攀禽2010-2015年在西南区域和北部宝安恢复、中部恶化,2015-2020年边缘波动、南部出现散在退化热点。涉禽2010-2015年中部和西南部改善、西部海岸和福田中部恶化,2015-2020年中部恢复区消失、福田和南山中部快速改善。水禽2010-2015年北部和南部宝安改善、中部和西部恶化,2015-2020年港口邻近区域和北部宝安明确退化,同时形成从铁岗水库至深圳湾的连续生态改善带。

*环境因子影响*:SHAP全局分析揭示不同鸟类类群受生态驱动因子影响的差异化模式。陆禽受人为因子影响最强(约占总影响40%,2010年达44%、2020年降至35%),生境因子贡献呈总体上升趋势。猛禽对气候因子高度敏感,2010-2014年生境因子影响大于人为因子,2015年后人为因子显著增加并超越生境变量。鸣禽作为研究区物种最丰富、数量最多的类群,易受人为干扰影响,2016-2018年达到峰值后逐渐下降。攀禽受气候变量影响最强,生境因子贡献持续较低且稳定。涉禽受生境和气候因子共同显著影响,生境因子影响呈复杂波动。水禽生境因子贡献2010-2015年下降、人为影响增加,2015-2020年两者效应趋于稳定。

局部解释显示:陆禽偏好距水体一定距离的陆地区域,温度对其生存至关重要,NDVI正向影响随时间增强,人口密度影响逐渐减弱。猛禽更易出现在低降水、中温和温度波动小的区域,生存 increasingly 受人口密度和夜间灯光污染等人为因素约束。鸣禽分布受距城区距离强烈影响,但2020年该影响较早年减弱,2015年以来NDVI对鸣禽存在显著正效应。攀禽人为因素影响从2010至2020年稳步下降,夜间灯光指数的负影响减弱。涉禽热点通常位于人为干扰最小区域,距水体距离仍是关键决定因素,天然草地支持作用2015年急剧下降后恢复。水禽受降水显著影响,部分种类偏好高降雨区域,人口密度超过1500即触发负效应、2020年最强。

阈值分析揭示关键转折点:陆禽2020年对NDVI更敏感,低植被覆盖下负效应强于2015年,高植被覆盖下正效应更强;人口密度低于3000时2020年正影响最弱、2010年最强,超过9000时2020年负效应超越2010年。猛禽NDVI响应曲线显示,2020年低NDVI负影响较弱、高NDVI正影响较强;距海岸线10000米内2020年适宜性最高、2015年最低。鸣禽近水区2015年正关联最强、2020年最弱,城区负效应2015年达峰、偏远区适宜性2015年最高。攀禽距水1500米外2020年适宜性急剧下降。涉禽距水500米内适宜性下降、500-1200米达峰(2020年最高、2010年最低)。水禽夜间灯光强度低于300时适宜性快速下降,人口密度超过1500触发负效应。

**讨论与结论**

研究表明,公民科学数据经空间稀疏化和基于努力量的严格过滤后,可显著提升物种分布模型的预测性能。所提出的随机森林-Sen-MK集成框架弥补了以往研究忽略动态生态过程的不足,通过量化2010至2020年生境适宜性的十年变化,将区域划分为五种目标管理类别,为城市保护规划的空间优先排序提供了可复制的科学依据。SHAP模型的引入超越了传统黑箱预测,通过揭示非线性关系和量化动态阈值,架起了统计关联与机制生态学认知之间的桥梁。

鸟类生境热点主要集中于三类区域:远离城市的自然景观(凤凰山、铁岗水库、阳台山)、城市边缘开放空间(如宝安机场),以及城市建成区内的大型绿色公园(红树林自然保护区、深圳湾公园)。北部宝安区已成为生境退化的显著热点,密集工业园造成碾压性环境压力;而南部南山和西部福田显示出生境适宜性提升,这与深圳湾海岸休闲带建设和城市公园扩建等针对性生态修复举措高度吻合。机场附近形成"生态干扰区",港口附近水生鸟类生境下降,表明交通基础设施是主要干扰源。同时,猛禽在宝安中部和福田、攀禽在先前退化区、涉禽在福田和南山的生境质量于2015-2020年间显著改善,证明针对特定鸟类类群的生境恢复措施可以奏效。

从城市环境与鸟类生存的非线性关系看,气候因子对鸟类物候产生深远影响,城市热岛效应显著改变局地生境适宜性。自然生境通常较城市区域提供更优的鸟类生存条件,但城市化通过提供人工食物来源改变觅食相关生态过程。植被覆盖度显著影响鸟类物种丰富度,高NDVI值提升陆禽、猛禽和鸣禽的生境适宜性。距水体距离对不同类群呈现梯度效应:鸣禽在500米内受益,涉禽在500-1200米达峰值,攀禽超过1500米则急剧下降。值得注意的是,恢复或增强的海岸区域较自然海岸带支持更高的鸟类丰富度。

阈值动态方面,猛禽对NDVI的正向响应在2020年增强,同时低NDVI区域的负约束放大;鸣禽自2015年以来NDVI敏感性增加,表明城市鸟类群落对植被覆盖的依赖 growing。人口密度对陆禽影响减弱、对水禽负效应增强,反映内陆城市基质稳定后,发展压力和休闲活动向海岸线集中,加剧了对湿地依赖物种的生态挤压。夜间灯光对攀禽的负效应减弱、对水禽约束增强,进一步支持这一沿海侵占机制。

**研究结论**

本研究系统研究了2010至2020年间深圳西部沿海等高密度城市环境中鸟类分布的时空动态及其驱动力量。通过整合公民科学数据与机器学习-Sen-MK-SHAP框架,研究人员揭示了城市化对六种鸟类功能群的异质性影响,并提出了平衡城市发展与生物多样性保护的可操作策略。鸟类分布的动态空间变化凸显了城市发展对生态环境的影响:北部宝安区因工业扩张导致陆禽和猛禽生境适宜性显著下降;鸣禽和攀禽在城市核心表现出韧性,生境热点向高密度建成区扩展,反映了当地生态修复的成功;而涉禽和水禽在西部围垦海岸线面临严重生境破碎化。人为因子对陆禽、鸣禽和猛禽的影响逐渐减弱,而生境因素日益重要。

随机森林、Sen-MK趋势分析和SHAP可解释性的整合为跨时空尺度分析物种-环境相互作用提供了可复制的框架。该方法连接了预测建模与机制生态学理解,为城市生物多样性研究提供了可复制的模板。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号