《Journal of Environmental Management》:Better representation of linear features in species distribution models: Mapping the distribution of the Scaly-sided Merganser (Mergus squamatus)
编辑推荐:
准确的物种分布建模(Species Distribution Models, SDMs)对于保护规划至关重要,特别是对于传统基于距离的预测因子难以捕捉栖息地的河流依赖型物种。濒危的中华秋沙鸭(Scaly-sided Merganser, Mergus squa
准确的物种分布建模(Species Distribution Models, SDMs)对于保护规划至关重要,特别是对于传统基于距离的预测因子难以捕捉栖息地的河流依赖型物种。濒危的中华秋沙鸭(Scaly-sided Merganser, Mergus squamatus)在冬季依赖线状淡水栖息地,然而河流生境结构在广域尺度SDMs中常被过度简化。研究人员在中国洞庭湖流域开发了一个多算法建模框架以绘制该物种越冬栖息地适宜性图。出现记录主要来源于系统调查并通过空间稀疏化(spatial thinning)以减少采样偏差。研究人员在五折空间区块交叉验证(five-fold spatial block cross-validation)下比较了最大熵模型(MaxEnt)、随机森林(Random Forest, RF)、广义加性模型(Generalized Additive Models, GAMs)和提升回归树(Boosted Regression Trees, BRTs),并生成了跨算法的集合预测(ensemble prediction)。最终的预测因子集强调了水文和地形属性,包括最大水面宽度(maximum water width)、水库库容(reservoir capacity)、河网密度(density of the river network)、河谷深度(valley depth)、地貌类型(landform type)和沟道网络基准面(channel-network base level)。预测因子重要性和响应曲线表明,越冬栖息地适宜性主要由开阔水规模、地形位置、河谷结构和调节蓄水塑造。集合预测确定的优先高适宜区主要沿沅江中下游和湘江上游,在澧水和资水沿线及选定的水库系统有较小的局部斑块。这些发现表明水文和地形预测因子可以增强SDMs中河流依赖型水鸟栖息地的生态表征,并为针对性的河段保护提供空间证据。
研究背景与问题提出
理解物种分布是评估保护现状和指导栖息地管理策略的基础。物种分布模型(SDMs)已成为保护生态学的关键工具,特别是在环境变化下识别潜在栖息地并指导管理决策。然而,SDM输出的生态和管理价值在很大程度上取决于预测因子是否充分代表了目标物种相关的栖息地特征,尤其是在线性淡水系统中,水文与地形的异质性强烈影响栖息地适宜性。许多SDM应用中,淡水栖息地常使用简化的基于邻近度的空间表征,如距水体距离变量和河流湖泊周围的固定宽度缓冲区。这些方法虽能识别靠近淡水的区域,但很少区分河流栖息地质量在生态意义上的差异,如开阔水规模、排水网连通性、调节蓄水、河流地形位置、河谷下切和局部地貌条件的不同。这种过度简化掩盖了物种特定的栖息地响应,降低了模型预测的生态可解释性,并产生了偏差的适宜性图谱,特别是对于栖息地专一性物种。为此,研究人员聚焦于濒危且为中国国家一级保护动物的中华秋沙鸭(Mergus squamatus),该物种高度依赖清澈、流速较快且人为干扰低的河流,洞庭湖及其支流是其重要的越冬地。尽管已有全国尺度的栖息地模型,但往往依赖粗糙的空间数据和通用环境变量,现有区域模型仍主要依赖通用预测因子,对线性淡水栖息地的水文结构和河流地形背景表征有限,限制了识别河段间栖息地差异及指导河流特定保护的能力。
主要关键技术方法
研究人员在洞庭湖流域(约262,800 km2)开展研究,出现记录主要来源于2010至2025年间的系统野外调查及全国协调调查,辅以GBIF和eBird等数据库,经筛选后获156条记录,采用2 km空间稀疏化阈值处理后保留83条用于建模。校准区定义为洞庭湖流域,背景点随机采样于该可达区域(M)。环境变量初选水文、地形、气候和人为四类,经Pearson相关(|r| > 0.7)和方差膨胀因子(VIF > 5)多重共线性筛选,最终保留最大水面宽度、水库库容、河网密度、河谷深度、地貌类型和沟道网络基准面6个变量并重采样至1 km分辨率。研究人员采用五折空间区块交叉验证(blockCV包),比较MaxEnt、RF、GAMs和BRTs四种算法,使用连续Boyce指数(CBI)、真技能统计量(TSS)等评估性能,通过置换重要性评估变量重要性,最终生成像素级平均的多算法集合预测图,并基于最佳TSS阈值划分适宜性等级及进行区域群组分析。
研究结果
3.1. Model performance under spatial block cross-validation
在五折空间区块交叉验证下,四种算法的连续Boyce指数(CBI)均值均高于0.75。MaxEnt具有最高且最稳定的CBI(均值±标准差=0.856±0.036),其次为GAM(0.787±0.066)、BRT(0.784±0.100)和RF(0.766±0.120)。阈值依赖指标显示BRT具有最高均值TSS(0.725±0.066)和最低遗漏率(0.086±0.066),RF表现最弱(TSS 0.620±0.108,遗漏率0.208±0.151)。四种算法均提供可接受但非完全相同的预测性能,支持其纳入集合预测。
3.2. Algorithm-specific and multi-algorithm suitability maps
四种算法产生的空间格局大体相似,但在预测适宜区的范围和强度上存在差异。MaxEnt和GAM沿主要河流系统和选定水库区识别出相对连续的升高适宜性区域,RF预测更为保守且高适宜区更小受限,BRT呈中间模式。多算法集合预测调和了算法间差异,突出了跨方法一致预测为适宜的区域。集合预测中大于20 km2的连续高适宜性斑块主要位于沅江中下游和湘江上游(尤近潇水汇合处),额外局部斑块沿澧水(慈利至津市段)、资水(安化附近)及选定水库系统分布,这些应解释为具有高预测适宜性和较强局部栖息地连续性的优先位点。
3.3. Response of habitat suitability to hydrological and topographic predictors
置换重要性表明最大水面宽度是跨算法最具影响力的预测因子(平均相对重要性32.16%)。沟道网络基准面(16.35%)、河谷深度(16.28%)和水库库容(16.26%)形成第二重要群体,地貌类型具中等重要性(13.86%),河网密度最低(5.10%)。多算法响应曲线显示,预测适宜性随最大水面宽度在低值区增加后趋于平稳;水库库容总体呈正向响应;沟道网络基准面呈负响应,适宜性随其值增加而下降;河谷深度总体正向响应;河网密度关系较弱且非线性;地貌类型存在明显类别差异,数种类型关联较高预测适宜性。
讨论部分总结
研究通过强调针对线状淡水栖息地的水文和地形预测因子的多算法SDM评估,表明越冬栖息地适宜性由水文结构和河流地形背景共同塑造,且在各算法间提供一致的生态信号,减少了单一SDM算法依赖,为识别优先越冬栖息地提供更稳健基础。相较于传统基于邻近度的简化表征,所采用的栅格化水文地形变量能区分水体规模、地形位置和背景,跨算法一致效应非算法特异。识别的空间连接高适宜斑块有助于确定适宜栖息地局部聚合的优先河段,管理应关注维持相邻适宜河段的栖息地质量和局部连续性,并在核心栖息地设缓冲区减扰,跨界河段需跨部门协调维持连续性。环境因素生态相关性讨论指出最大水面宽度最关键,开阔水规模提供觅食空间与缓冲;沟道网络基准面和河谷深度指示低位稳定河谷环境的重要性;水库库容反映调节蓄水兼具水文改变与补给双重角色需综合评估;地貌类型补充局部地质条件;河网密度虽重要最低但代表排水网连通性影响替代觅食点与移动路线。局限性包括精简后83条记录可能限制细尺度解读,高适宜斑块不直接等同功能移动连通性需实地追踪验证,广义气候人为变量未保留因区域模型中水文地形背景表征更优,未来需结合实地评估干扰、水质、水位管理及猎物可得性,并借助遥感进展细化验证。
结论部分翻译
本研究表明,洞庭湖流域中华秋沙鸭越冬栖息地适宜性主要与线状淡水系统内的水文结构和河流地形背景相关。通过将最大水面宽度、水库库容、河网密度、河谷深度、地貌类型和沟道网络基准面整合入空间显式多算法SDM框架,研究人员减少了对任何单一建模算法的依赖,并改善了预测河流栖息地的生态解释。集合预测沿主要支流和选定水库系统识别了局部聚合的高适宜性斑块,指明了河段保护的优先区域。因此,管理行动应聚焦于维持与这些优先区域相关的水文和地形条件,特别是开阔水可用性和适宜的河谷设置。未来需要进行实地验证以评估这些预测适宜区的实际利用情况,并且应在未来研究中测试这一水文-地形框架对其他河流依赖类群和区域的更广泛适用性。