利用观测数据集强化红色名录评估中的物种分布制图

《Diversity》:The Use of Observational Datasets to Strengthen Distribution Mapping of Red List Assessments

【字体: 大 中 小 】 时间:2026年09月30日 来源:Diversity 2.1

编辑推荐:

  随着人为因素对全球生物多样性的压力持续上升,采取行动保护濒临灭绝的物种势在必行。国际自然保护联盟(IUCN)的红色名录(Red List)是可用于优先开展保护行动的工具,但截至目前仅有8%的物种完成了灭绝风险评估。必须将更多物种纳入红色名录;然而,许多物种缺乏

  
随着人为因素对全球生物多样性的压力持续上升,采取行动保护濒临灭绝的物种势在必行。国际自然保护联盟(IUCN)的红色名录(Red List)是可用于优先开展保护行动的工具,但截至目前仅有8%的物种完成了灭绝风险评估。必须将更多物种纳入红色名录;然而,许多物种缺乏已发表的研究,这给开展初始评估带来了困难。在此,研究人员讨论了利用开放观测数据集(open observational datasets)来改进初始红色名录评估的方法,具体途径是制作更准确的分布图。研究人员还提供了一份涵盖多种分类群(taxonomic groups)和地理位置的数据库清单,可供红色名录评估人员使用,并对其各自的优势和局限性进行了比较。使用这些数据的一些优势包括改进分布制图以及识别可能需要更系统化采样的区域。这些数据的一些局限性包括采样偏差(sampling bias)可能影响空间指标,以及存在分类学(taxonomic)和时空(spatiotemporal)误差的可能性。

论文主体内容总结

1. 引言

人类活动对环境和栖息物种的影响已有充分记录。栖息地破坏、污染和气候变化等威胁已导致生物多样性危机。大量哺乳动物、两栖动物和海洋生物正面临灭绝威胁,自1500年以来至少有680种脊椎动物因人类活动而灭绝。IUCN发布的红色名录涵盖了数千个物种的灭绝风险和保育行动信息。截至2025年,已有超过172,600个物种被评估,但仅占所有已描述物种的8%。红色名录不仅是一个物种清单,还包含种群规模和趋势、栖息地可用性、空间分布、威胁及当前保育行动等信息。每个物种被归入九个类别之一,其中易危(Vulnerable)、濒危(Endangered)和极危(Critically Endangered)三个类别构成"受威胁"类别。物种评估中最有用的信息包括种群规模(含随时间的变化)和地理分布,但准确估算种群规模往往难以获得。利用开放物种发生数据库可以在缺乏已发表研究的情况下,为物种评估提供关键的分布信息。大型开放数据库如全球生物多样性信息机构(GBIF)常被用于红色名录评估,但这些数据库未必包含物种的所有观测记录,评估可通过纳入其他观测数据来源(包括公民科学平台和较小的已发表数据集)而得到加强。

2. 发生数据在红色名录评估中的使用

所有红色名录评估都必须包含所评估物种的空间数据审查。分布图是其中的关键组成部分,可直观展示物种分布范围并用于识别保育优先区域。在缺乏系统调查的情况下,确定物种真实的分布范围(extent of occurrence)可能较为困难。某些评估中,分布图可能被标记为"不完整"或"无法绘制",甚至因数据不足而完全缺失。缺乏足够数据绘制分布图的物种很可能被归类为数据缺乏(Data Deficient),从而延误可能采取的保护行动。许多评估利用大型开放观测数据集来估算物种分布。无论数据来源如何,评估人员必须在使用前核实观测记录的准确性。经过验证的观测点以及多边形数据可用于生成分布图,进而计算评估过程中的关键参数,包括分布范围(EOO)和占有面积(AOO)。EOO通过围绕所有已知或推断位置构建最小凸多边形(Minimum Convex Polygon)来衡量物种的空间分布,并可区分"现存"(extant)、"可能现存"(possibly extant)、"可能灭绝"(possibly extinct)、"灭绝"(extinct)和"存在不确定"(presence uncertain)等不同状态。AOO则通过汇总至少含有一条已知或推断观测记录的每个2 × 2 km网格单元面积来计算。这两项指标直接用于评估过程,五项评估标准中的两项(B和D2)依赖此信息来对物种灭绝风险进行分类。

3. 可用于评估的数据库综述

研究人员整理了36个物种发生数据库,这些数据库在规模(从不足1000条到超过30亿条记录)、分类覆盖范围(从三个物种到两百万个物种)、地理覆盖范围(从单一区域到全球)以及数据来源(包括自然历史博物馆标本、野外调查和公民科学项目)等方面各不相同。几乎所有数据库都是完全开放获取的;Movebank作为有价值的脊椎动物追踪数据来源被纳入,因为许多项目的数据可供公众下载。有些数据库定期更新新数据,而另一些则是与某篇出版物关联的静态发生记录集合。

3.1 分类学与地理覆盖范围

研究人员发现了专注于真菌、植物、桡足类、昆虫、海星、鱼类、两栖动物、鸟类、蝙蝠和灵长类等不同类群的数据库,以及基于地理位置的物种群数据库。还纳入了仅限于北极、南极、欧洲、地中海、南美洲、北美洲、澳大利亚、非洲和东南亚的数据库。最大的数据库如Movebank、GBIF和iNaturalist不限于任何特定分类群或地理区域,但eBird是第三大数据库,拥有超过20亿条发生记录。相比之下,最小的数据库通常是与特定分类群或区域相关的已发表数据集。

3.2 数据来源与验证

通过已发表数据集提供的数据库始终由研究作者或相关生物专家进行验证。这些数据库从博物馆标本、未发表的野外调查、已发表文献以及偶尔从更大的数据库中收集数据。在从其他数据存储库提取数据时,研究作者会进行清洗和/或验证过程以提高数据质量。相比之下,大型数据库的验证过程则参差不齐。一些数据库如Observation.org仅由专家审查用户提交的照片;其他如iNaturalist则通过社区共识进行验证,这仍可能存在错误。重要的是,iNaturalist上标记为"研究级"(Research Grade)的已验证观测会被导入GBIF,但未必经过高质量或专家审查。还有部分数据库不对提交的数据进行额外验证,尽管其许多数据来源来自信誉良好的科学组织或政府机构。许多数据库都提供坐标空间不确定性和标本分类学不确定性的信息,允许用户在使用前过滤数据或仔细检查被标记的数据子集。由于部分数据库的数据至少部分来源于GBIF等大型存储库,而另一些则向GBIF提交数据,因此不应仅依赖单一数据库获取发生记录,同时如果从多个数据库获取数据,需过滤重复记录。

3.3 元数据完整性

所有数据库至少包含每条发生记录的分类学信息和地理坐标。有些仅提供物种名称,而另一些则提供更高层级的分类信息,有些甚至到界一级。由于几乎所有数据库都是众多来源的汇总,大多数包含每条观测记录来源的数据集信息。其他常见的附加数据包括海拔(陆地物种)或深度(水生物种)、国家/地点、采集方法以及采集日期/时间。部分数据库还包含关于生物体的额外信息,如胸高直径(DBH)等级;有些包含生物体栖息地或环境条件的信息;还有些包含所观测生物体是本地物种还是引入物种的信息。这些附加信息在进行红色名录评估时可能具有价值,尽管只有坐标是制作分布图所严格必需的。

4. 使用观测数据集的价值与挑战

当所评估物种不存在系统调查时,机会性公民科学数据库可能是完成知情评估并避免数据缺乏(Data Deficient)指定的唯一空间数据来源。在某些情况下,可以利用物种发现地点的描述以及其栖息地需求或环境耐受性信息来创建分布图。即使没有确认的观测记录,也可以推导出EOO和AOO,但这需要额外的栖息地需求和扩散能力信息,而这些信息可能无法获得。即使已制作物种栖息地图,根据底层模型使用的数据,其可能高估或低估可用栖息地数量,从而影响EOO和AOO的估算。物种已知分布范围之外仅被模型预测为适宜栖息地的地理区域应被归类为"可能现存"(possibly extant),不计入EOO或AOO的计算。
观测数据的使用还可以提高红色名录评估中分布图的实用性。首先,这些数据库可以扩展某些物种的已知分布范围,超出已发表文献所包含的范围。其次,这些图可以揭示物种预期分布中的空白区域,突出需要系统调查的特定区域。这些空白可能仅代表人口较少、记录物种出现机会较少的区域,也可能反映栖息地可用性或环境质量的真实差异。此外,已记录的观测位置可结合环境变量来建模物种的栖息地需求,生成的栖息地适宜性图可作为评估的一部分以进一步加强建议。使用众包数据进行栖息地适宜性分析时需特别谨慎;如果某些区域更易到达因而观测更多,或同一生物因重复报告而被多次纳入,模型参数可能受到影响。使用MaxEnt创建栖息地适宜性模型已被证明可以减少使用此类数据带来的偏差。
使用这些数据集制作分布图并非没有挑战。由于这些数据以非系统化方式由公众收集,比研究项目中收集的数据更容易产生偏差和错误。一个问题是分类学偏差(taxonomic bias),即某些分类群(通常是陆生哺乳动物、鸟类和植物)更常被专业人士和公众研究和观察,导致它们在这些数据库中相对于其他研究较少的物种被过度代表。这一偏差甚至影响红色名录本身,大多数脊椎动物已被评估,但只有2%的无脊椎动物被评估。给定数据集中还可能存在空间偏差(spatial bias)和时间偏差(temporal bias)。空间偏差是指某些位置(通常是靠近人类定居点和/或更容易到达的位置)比较偏远的地区被更频繁地调查,导致物种分布的不准确呈现。这可能导致EOO和AOO被低估。时间偏差源于采样努力的时间分布不均,如果所评估物种在潜在观测发生期间活跃度较低,可能对这些指标产生类似影响。考虑到大部分可用的观测数据将是仅存在数据(presence-only),且来自更容易到达的位置而非偏远地区,利用这些数据库时低估分布指标的可能性很高。
除这些固有偏差外,还存在分类学和时空准确性相关错误的可能性。首先,数据集中的某些观测记录无疑存在错误识别问题。这种常见错误可能发生在任何类型的数据库中,包括GBIF,但在没有专家审查的公民科学数据库中更可能发生。一些数据库如iNaturalist一直使用人工智能向用户提供初始识别建议,这并非总是准确的,特别是对于代表性不足的类群。即使是人工验证也可能导致错误,如果验证者不是该领域的专家,不正确的观测可能被标记为"研究级"。评估人员可能需要手动审查观测记录以发现识别错误。对于观测数量庞大的物种这可能不切实际,但对于观测稀少的物种则易于管理。当错误识别的记录持续存在时,可能导致EOO和AOO被高估。如果错误识别的观测落在物种真实分布范围之外,生成的EOO图将被错误扩大。同样,如果EOO内的某个网格单元仅包含错误识别个体的观测,AOO将被高估。这可能人为降低灭绝风险,导致物种被列入比其应得等级更低的受威胁类别。其次,某些观测记录可能使用过时的分类学名称,如果未定期更新以反映分类学重新划分。这连同假阴性识别(即目标物种被识别为不同物种)会减少观测数据集的有效规模,并可能导致EOO和AOO计算值降低。第三,数据可能存在时间(如缺少日期)和空间(如坐标不确定性)问题。历史记录对于确定历史分布范围和种群随时间变化很有价值,但纳入过时观测可能夸大EOO和AOO的计算。当物种在其历史分布范围的某个区域近期未被观察到时,该区域应被标记为"可能灭绝"或"灭绝",不计入EOO或AOO的计算。因此,缺少日期的观测应在分析前移除。坐标缺失或不确定的观测也应被移除或标记以供进一步审查。物种分布范围边缘附近的观测若不够准确,可能从任一方向影响EOO的大小。重复记录也应在分析前移除。评估人员必须在使用数据进行正式评估前仔细审查所有这些问题。

5. 结论

随着红色名录的持续扩大,越来越多数据和研究有限的物种将被纳入评估。与此同时,随着技术获取渠道的扩展,正在收集的数据量空前庞大。这造成了数据积压,专家无法及时验证这些数据以完成评估。因此,评估人员必须自问:是使用更多但质量较低的数据更好,还是使用更少但质量更高的数据更好?虽然大多数保护工作者倾向于使用高质量数据,但已有研究表明,在大多数情况下,高数量、低质量的数据可以产生类似的结果。对于iNaturalist等社区驱动的来源,要求更多标识者就物种达成一致后再达到研究级状态,可以减少识别错误。其他数据库依赖专家验证每条观测,但这会减慢高质量数据可用的过程。使用人工智能自动识别观测可以加速这一过程,但仍需要人工参与。
虽然承认并考虑这些开放发生数据集中存在的潜在偏差和错误很重要,但研究人员建议评估人员不要忽视其在执行初始评估时可能提供的价值。应谨慎移除明显错误的数据,并尽可能验证剩余数据。需要注意的是,这些数据集中缺乏物种存在的证据并不一定表明该物种受到威胁;相反,这些图应被视为一个起点,可通过未来研究进行验证或修正。由于数据缺失可能导致物种分布范围或占有面积被低估,这一事实应谨慎地与物种确实稀有或受威胁的可能性相权衡,因为低估灭绝风险或因数据不足而完全未指定风险等级,对物种而言可能是致命的。
相关新闻
生物通微信公众号
微信
新浪微博

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