基于仅出现数据和生物地理模板的物种分布重现性数据驱动制图方法：以澳大利亚鸟类为例

本文提出一种重现性强、数据驱动的物种分布范围（EOO）制图新方法，结合仅出现数据和澳大利亚临时生物地理区划（IBRA）模板，通过高斯核密度估计器生成空间连贯的分布图。该方法有效克服了专家绘制范围图的主观性和分类偏差，为大规模生态研究提供了客观可扩展的替代方案。

　　

引言

物种出现数据和范围图是理解生物多样性地理格局的重要支柱，对生物地理学和宏观生态学研究至关重要。专家绘制的范围图虽被广泛使用，但存在主观性强、分类偏差大以及对物种缺失处理不一致等问题。随着生态学大数据时代的到来，物种分布模型（SDM）已成为估算物种分布范围（EOO）和占有面积（AOO）的重要工具，但基于网格的分析方法容易因网格单元的大小、形状和位置引入空间伪影。

研究系统

澳大利亚因其生物区系记录完善、气候和生态变异大，成为开发和评估新方法的理想研究系统。研究采用澳大利亚生命图谱（ALA）的物种出现数据，涵盖澳大利亚本土鸟类以及两栖动物、哺乳动物、爬行动物和维管植物的代表性物种。空间框架采用澳大利亚临时生物地理区划（IBRA）版本7的子区域数据集，包含419个操作单元，排除海洋岛屿后保留410个子区域，嵌套在85个生物区和37个世界自然基金会（WWF）生态区内。

方法开发

研究采用核密度估计（KDE）技术来估算物种的分布范围（EOO）。为确保结果可靠性，重点解决两个关键问题：充足且空间无偏的数据，以及范围边界估算精度的适当控制。首先通过生物地理细化（biogeographic thinning）平衡采样努力量，根据IBRA子区域面积分类（小、中、大）并限制每个类别的物种出现数量，同时设定最小样本量阈值为20个出现记录。随后校准KDE平滑参数，比较参考带宽和插件估计量两种方法，结合95%和99%置信区域，通过六种代表性鸟类（广布种、栖息地特化种和分布区受限种）的示例集进行视觉检查，最终选定插件估计量和99%置信区域作为最佳参数组合。

效用与可转移性

研究通过两种方式验证方法价值：首先比较数据驱动的EOO图与专家绘制的范围图在鸟类中的空间一致性及多尺度物种丰富度差异；其次测试方法在其他类群中的适用性。从ALA数据库的1292种本土鸟类中，815种满足最小样本量要求，最终获得610种鸟类的数据驱动EOO图。使用V度量（V-measure）评估两种图源的空间关联性，值域从近0（无空间一致性）到0.93（几乎完全一致）。排除岸鸟和远洋鸟类后，陆生鸟类（n=495）的空间关联性更高。物种丰富度估计在三个生物地理尺度（IBRA子区域、生物区和生态区）上进行比较，发现最细尺度（子区域）的变异最大，最粗尺度（生态区）的均方根误差（RMSE）和偏差均降低约1/3。

结果

参数校准显示，参考带宽会高估物种EOO，即使使用95%置信区域也会超出实际范围边界；而插件估计量结合99%置信区域能减少分布图中的断裂（“空洞”），产生更空间连贯的EOO图。空间关联性分析表明，数据驱动与专家绘制图间的V度量值分布广泛，陆生鸟类的一致性更高。物种丰富度估计在粗尺度上差异减小，表明粗分辨率更适合大规模生物多样性研究。方法成功应用于两栖动物、哺乳动物、爬行动物和维管植物，其EOO图中的断裂反映了澳大利亚不同亚种群的划分，而非分布低估，并能有效处理可能代表迷鸟或错误识别的异常出现记录。

讨论

数据驱动的EOO制图方法提供了专家绘制范围图的客观、可扩展替代方案，适用于广泛类群和分布类型。尽管专家绘制范围图在粗分辨率（如200公里）以下表现不佳且精度不一致，可能扭曲生物多样性估计和保护优先区识别，但新方法通过标准化精度水平最小化了这些混淆效应。方法依赖于出现数据质量，虽通过标准化采样努力和最小样本量阈值减轻了偏差影响，但未纳入物种缺失数据，这在多类群大规模研究中尚不实用。未来可整合生物相互作用和群落结构数据，利用生态数据集和生物区划方法的进步进一步优化。

结论

本研究证明，结合仅出现数据和非等大小的生物地理单元（如IBRA子区域），能在统一定量框架内为多种类群生成空间连贯、独立于任意网格结构的数据驱动EOO图。该方法解决了专家绘制范围图的多个缺陷，为生物多样性格局分析提供了可靠、可扩展的替代方案，通过提高物种范围制图的一致性和透明度，支持更明智的保护决策和更清晰的宏观生态过程理解。