《Biodiversity and Conservation》:Using Earth observation data to predict bird biodiversity in Central Norway
编辑推荐:
专业术语翻译摘要:
地球观测(Earth observation, EO)数据产品为保护中的数据驱动决策提供了机会,但其在监测和预测生物多样性空间变异方面的适用性仍存疑问。为此,一个关键要素是理解物种与其环境关联的相关空间尺度,这对土地利用管理视角具有重要意
专业术语翻译摘要:
地球观测(Earth observation, EO)数据产品为保护中的数据驱动决策提供了机会,但其在监测和预测生物多样性空间变异方面的适用性仍存疑问。为此,一个关键要素是理解物种与其环境关联的相关空间尺度,这对土地利用管理视角具有重要意义。在此,研究人员测试了EO数据在预测鸟类物种集合空间出现格局方面的用途。研究人员将分类和未分类的EO数据与挪威繁殖鸟类出现的分层抽样相结合,采用联合物种分布建模(joint species distribution modelling, JSDM)方法,并比较了环境预测变量的不同空间尺度。研究表明,所采用的方法在预测未用于模型训练区域的鸟类多样性时,对部分物种(而非全部物种)的出现给出了可靠估计。环境预测变量最具信息量的空间尺度因鸟类物种而异,但对汇总结果影响较小。研究人员获得了物种丰富度区域排序以及物种空间周转的可靠预测,但未能准确预测样点间物种集合的嵌套结构(nestedness structure),即物种较少的地点本应表现为物种较丰富地点的子集。EO数据的处理水平对预测性能影响较小。因此,通常耗费资源的土地覆被类别预处理与生态可解释性之间的权衡,对于理解生物多样性格局背后的生态过程比获得最佳预测更为重要。透明地沟通所概述的不确定性对于基于研究的生物多样性保护至关重要。
论文解读文章:
一、研究背景与问题
生态学的一个核心观点是,生物体以不同的空间和时间尺度响应并与其感知的环境变异以及彼此相互作用。识别物种和群落响应环境变异的相关空间尺度(即效应尺度,scale of effect)是景观生态学的核心目标,对于保护应用、土地利用治理和管理具有重要意义。然而,获取高质量的生物多样性信息成本高昂且耗时,大规模管理或保护方案的评估同样面临挑战。地球观测(Earth observation, EO)数据,通常通过卫星或其他遥感平台上的传感器获取,为生物多样性指标的成本高效、空间连续(部分时间连续)测量提供了机会。然而,EO数据能否充分捕捉环境变异以支持准确的生物多样性评估,仍存在开放性问题。对于小型或林下生物,遥感检测具有挑战性,某些方面仍需依赖代理变量和统计推断。多物种分布建模方法——联合物种分布模型(joint species distribution modelling, JSDM)能够在纳入群落层面信息的同时获得物种级结果,并可为决策者提供更易解释的输出。但生物多样性模型中的关系可能高度依赖背景,例如木材种植园与老龄林在功能上并不等同,且解释变量与响应变量之间的关系可能随地理范围变化,精细尺度的关系不一定单调转化为更大尺度。因此,模型的时空泛化性受到质疑,高质量的实地数据对于定义生物学上有意义的领域和检验模型准确性至关重要。此项研究旨在探讨不同空间尺度和生态组织层级下环境条件的重要性,重点评估模型可转移性,以准确预测与各环境相关的鸟类物种集合,并比较两种替代遥感数据方法在鸟类多样性建模中的表现。
二、研究内容与主要结论
研究人员使用挪威中部特伦德拉格郡(Tr?ndelag)和默勒-鲁姆斯达尔郡(M?re og Romsdal)的长期鸟类监测数据(挪威繁殖鸟类监测计划,Norwegian Breeding Bird Monitoring Scheme),该数据包含89条观测路线,每条路线包含20个观测点,形成约1.5×1.5公里的方形路线。研究人员将多年的鸟类观测数据汇总为快照式出现/不存在数据,分别构建了50米半径内观测和包含50米半径外观测的两套鸟类群落数据集,并仅保留至少5次观测的物种,分别得到110种和133种鸟类。环境数据包括月平均温度和降水(5-6月,1991-2020年平均值,1平方公里网格),以及两类EO数据:基于Landsat影像的SatVeg土地覆被分类图(重分类为13类)和未分类的Sentinel-2多光谱影像(5个波段:B02蓝、B03绿、B04红、B8A近红外-1、B11近红外-2)。环境变量在三个缓冲半径内提取:50米(观测尺度)、283米(挪威国家陆地生态系统监测计划常用尺度)、2500米(挪威陆域保护地平均面积相当的景观尺度)。研究人员采用分层建模物种群落(Hierarchical Modelling of Species Communities, HMSC)框架,这是一种贝叶斯多元潜变量广义线性建模方法。共拟合了18个模型变体,组合三种环境变量集(仅气候、气候+SatVeg、气候+Sentinel-2)、三种缓冲半径和两种鸟类数据集。模型纳入空间随机效应(路线水平,使用近邻高斯过程),采用probit链接函数,运行马尔可夫链蒙特卡洛(MCMC)采样。性能评估采用Tjur R2判别系数、受试者工作特征曲线下面积(Area Under Curve, AUC)和均方根误差(RMSE),分别用于解释力和预测力评估,并采用随机划分和空间分块交叉验证。此外,研究人员计算了物种观测稳定性(物种在特定点被记录的年平均次数)和物种流行度(prevalence),并根据挪威红色名录标记了受威胁物种。研究还分析了预测与观测的物种丰富度之间的相关性,以及路线和区域间的成对嵌套性(nestedness)与周转(turnover)。
主要结论如下:基于50米半径内观测数据的模型在平均性能上优于包含50米半径外观测的模型;环境数据方面,283米缓冲半径在平均性能上最优;SatVeg模型性能略优于Sentinel-2模型,但差异很小。物种特异性最佳组合预测(即为每个物种选择表现最好的缓冲半径)能够提高两种模型的预测能力,尤其是对红色名录物种的物种丰富度预测。模型在预测未训练区域物种出现方面对部分物种可靠,但超过三分之一的物种预测不佳。物种丰富度排序和物种空间周转的预测可靠,但嵌套结构预测不准确——即物种贫乏地点的物种集合未能准确预测为物种丰富地点的子集。鸟类观测稳定性与解释力和预测力呈正相关。EO数据的不同处理水平(分类与未分类)对预测性能影响较小。研究结论认为,土地覆被分类数据的预分类过程与生态可解释性之间的权衡比获得最佳预测更为重要。透明的沟通不确定性对于基于研究的生物多样性保护至关重要。研究人员强调,长期纵向鸟类数据有助于记录物种一致的栖息地利用模式,而结合多种EO数据产品和跨学科合作将更有效地利用EO数据进行生态研究和保护。
三、关键技术方法概述
研究采用的主要技术方法包括:1)联合物种分布建模(JSDM),具体使用HMSC框架,这是一种贝叶斯多变量潜变量广义线性模型,能够同时建模多个物种的环境响应和物种间关联;2)空间分块交叉验证,通过将观测路线划分为8个空间块,评估模型对未用于训练区域(unused area)的预测能力;3)环境变量多尺度提取,分别在50米、283米和2500米三个缓冲半径内提取土地覆被比例、光谱波段均值和气候变量,以识别最佳效应尺度;4)模型性能评估,采用Tjur R2、AUC和RMSE三个指标,结合随机和空间分块的交叉验证方案;5)β多样性分解,使用betapart包计算物种组成的周转和嵌套成分,评估群落结构预测精度。样本队列来源为挪威中部特伦德拉格郡和默勒-鲁姆斯达尔郡的挪威繁殖鸟类监测计划,包含89条观测路线、1780个观测点(部分因自然障碍有变动),数据截至2021年野外季结束。
四、研究结果详解
(一)效应空间尺度的识别
研究人员比较了不同模型变体的解释力和预测力,发现基于50米半径内鸟类观测数据、283米环境缓冲半径的模型平均性能最佳。SatVeg土地覆被分类模型略优于Sentinel-2模型,但差异不显著。最佳平均预测(best-average)和最佳组合预测(best-combination)均被用于后续分析,其中最佳组合预测为每个物种选择预测性能最优的缓冲半径。
(二)观测稳定性、物种流行度、方差分区与解释性能
物种观测稳定性与流行度的关系呈现两种模式:低流行度物种的观测稳定性既有高值也有低值,其他物种则近似线性关系。一些红色名录物种在低流行度的同时具有高观测稳定性,表明稀有物种可具有稳定的栖息地占据。物种观测稳定性的范围介于1至4.25之间,其中欧亚云雀(Alauda arvensis)具有最高观测稳定性4.25,而西方寒鸦(Corvus monedula)在单个观测点上连续14年监测年份均被记录。解释力方面,观测稳定性高的物种通常获得更高的模型解释力(Tjur R2)。方差分区结果显示,土地覆被和气候变量共同解释了大部分物种响应变异,两类模型的总体表现类似。
(三)模型可转移性
对于随机划分的未使用路线,SatVeg模型有83种、Sentinel-2模型有78种鸟类获得AUC≥0.7。对于空间分块的未使用区域,SatVeg模型有70种、Sentinel-2模型有74种鸟类达到AUC≥0.7。最佳组合预测使SatVeg模型达到75种、Sentinel-2模型保持74种。AUC与观测稳定性之间存在正相关关系,但低观测稳定性物种的AUC变异更大。红色名录物种与非红色名录物种在预测性能上没有系统性差异。空间尺度对整体模型性能影响较小,但283米缓冲半径平均表现最佳。使用50米半径内鸟类数据集的模型始终获得更低的RMSE值。
(四)物种丰富度、群落周转与嵌套性
预测的物种丰富度与观测值相比,模型总体上能够捕捉一般格局,但倾向于高估物种贫乏地点的丰富度、低估物种丰富地点的丰富度。最佳组合预测对整体物种丰富度没有显著改善,但对红色名录物种的丰富度格局预测略有改进。群落结构方面,两个模型(SatVeg和Sentinel-2)对嵌套结构的重现均较差,而空间周转的预测较好。在路线水平,最佳组合预测改善了嵌套性预测;在区域水平,最佳组合预测改善了所有群落结构指标的吻合度。
五、讨论与结论
研究结果表明,结合遥感土地覆被数据与高质量鸟类出现数据,通过联合物种分布建模能够较好地识别具有生物多样性潜力的区域,并在一定程度上区分地点的物种组成差异,但精确的物种组成仍存在相当大的不确定性。50米半径内的鸟类观测数据优于包含更远距离观测的数据;283米缓冲半径相对于50米和2500米更能捕捉重要的环境变异。物种间最佳尺度差异明显,表明任何单一空间尺度对物种集合而言都是一种妥协。模型预测误差会传播到物种丰富度和β多样性预测中。遥感数据虽有潜力,但需谨慎对待:超过三分之一的物种预测不佳,且嵌套结构预测失败。高观测稳定性的物种具有更高的解释力和预测力,突显了长期数据在记录物种栖息地利用中的价值。研究人员未显式建模检测概率,但将多年观测汇总为出现/不存在表示是一种有效的长期出现格局表征。EO数据方面,分类数据(SatVeg)具有生态可解释性强的优点,但其自身的不确定性和假设很少被考虑;未分类数据(Sentinel-2)虽更“诚实”,但参数估计难以泛化和解释。两类数据在预测性能上的相似性表明一定程度的可互换性,而分类数据的轻微优势说明预分类并未损失太多预测信息。研究人员建议,实际应用中最有前景的方法可能是组合不同类型的未解释和分类EO数据以及其他环境数据。研究强调,需要透明沟通不确定性,并应结合生态学与遥感专业知识,通过跨学科合作充分利用EO数据。结论部分指出,对于明智的基于科学的决策,理解生物多样性的复杂性及其评估所需的细节和专业知识至关重要,尤其是对于鸟类等移动物种。尽管遥感提供了重要的生物多样性相关信息,但多数研究集中在植物上,鸟类和其他动物具有不同生命阶段使用不同区域和栖息地的特点,全球范围的遥感产品为大尺度多状态栖息地利用研究提供了巨大优势,但高质量的动物移动数据仅覆盖少数物种。本研究作为高质量数据应用的一个案例,突出了在自然界中重现复杂生物多样性格局的挑战。