分布区是指在特定时间和尺度下,某一物种的繁殖种群个体有可能被发现的全部地理范围(Peterson等人,2011)。由于分布可以在不同的地理尺度上确定,因此其评估也应考虑这一点(Rapoport和Monjeau,2001;Peterson等人,2011;Ríos-Mu?oz等人,2020)。
分布区的操作定义较为复杂;一些学者试图通过使用各种与尺度相关的方法来简化定义,以描述能够指示物种适宜生存环境的特征(Peterson等人,2011;Peterson和Soberón,2012;Soberón和Osorio-Olvera,2023)。用于表示物种地理分布的一些传统方法包括地图表示法,这类方法有助于评估生物多样性的保护和管理状况;这些方法包括网格法(GR)、凸包法(CH)和平均邻近度法(MP)(Rapoport和Monjeau,2001;Zunino和Zullini,2003;IUCN,2024;Phillips等人,2025)。
这些方法基于其理论基础存在若干生物学上的局限性,它们忽略了物种的扩散能力、对生态条件的耐受性或适应能力,以及阻碍物种在某些区域定居和繁衍的物理障碍(Rapoport和Monjeau,2001;Roig-Ju?ent等人,2002;Zunino和Zullini,2003)。此外,景观中的地理、气候或生物间断性——即影响物种分布的因素——也是这些方法未考虑到的,因为它们所使用的空间尺度无法捕捉到这些间断性(Rapoport和Monjeau,2001;Morrone和Escalante,2009)。
另一方面,物种分布模型法(SDM)是一种分析场景条件——即那些决定物种分布范围但并非由物种本身决定或改变的环境变量,如温度、降水量、海拔等——的方法,它结合了来自科学标本库、实地调查以及基于物种生态位的公民科学项目所收集的分布记录,从而可以用来推测物种可能出现的地理范围。不过需要记住的是,即使在可到达的区域场景条件适宜,物种也可能无法到达所有地理区域(M sensu Peterson等人,2011;Soberón和Osorio-Olvera,2023)。
SDM也存在一些必须考虑的局限性:场景层的尺度和过度简化、可能导致错误结果的采样偏差和数据整理错误、缺乏生物要素,以及假设生态位平衡——即假定物种占据了其适宜生存空间内的所有区域,且其观察到的分布准确反映了其在没有扩散限制、历史因素或局部种群灭绝情况下的实际生态位(Soberón和Peterson,2005;Peterson等人,2011)。
我们的研究对象是Nymphaea gracilis Zucc.(睡莲科:睡莲属),在当地被称为zazamol、atzatzamolli、apapatla、lirio cabeza de negro(黑头水莲)或estrella de agua(水星花)(Zepeda-Gómez,2017),这是一种墨西哥特有水生植物,栖息于各种湿地,如湖泊、沼泽、湿地、泥炭地以及大小池塘(自然和人工的),还包括灌溉渠道以及海拔1500米至2250米之间的季节性浅水区域(Novelo和Bonilla-Barbosa,1999;Izazola-Rodríguez,2018;Sandoval-Ortega,2020)。尽管该物种在墨西哥关于濒危物种的法规NOM-059-SEMARNAT-2010中被列为“濒危”物种,但目前并未被列入国际自然保护联盟的濒危物种红色名录。
有一些学者认为,该物种的分布仅限于墨西哥高原和墨西哥盆地的温带地区(Conard,1905;Novelo和Lot,1983;Zepeda-Gómez等人,2020)。然而,该物种的记录极为罕见,自1832年被描述以来,已记录的分布地不足100处。Novelo和Lot(1983)提出的N. gracilis的分布区仅仅是基于其地理存在情况(图1),这一结论被谨慎地解释为不连续分布。但由于自该结论提出后未再进行过标本馆标本的审查或新的野外考察,这一结论仍存在不确定性。
准确了解该物种的分布区有助于为生态学和生物地理学等领域的研究提供框架,从而研究其自然历史和生物文化历史。这也有助于我们识别其对气候变化和人类活动可能产生的反应,进而为保护和管理工作提供依据(Aguilar-Sierra,2003;Zunino和Zullini,2003;Rial等人,2016)。由于目前没有更新的分布范围数据,本研究的主要目的是比较传统的几何方法(GR、CH和MP)与SDM,以确定哪种方法最能准确描述这种历史上记载较少的水生物种的地理分布。
因此,我们的假设是:N. gracilis的分布区大小会因所使用的方法以及考虑的记录数量而有所不同。几何方法虽然便于评估,但限制了对物种的生物学解读,而物种分布模型则更具生态学描述性,但其效果也受到所使用数据层级的限制。此外,不同数据集的使用还能体现每种方法的预测能力:网格法、凸包法和平均邻近度法能预测出从较小范围(网格法和平均邻近度法)到较大范围(凸包法)的不等区域,但这些方法不考虑环境条件,且需要更多的数据记录;而SDM则能用较少的数据记录预测出该物种的适宜生存区域。