利用迁移后的动物活动数据验证栖息地适宜性评估结果

《Restoration Ecology》：Validating habitat suitability assessments with post-translocation animal movement data

本研究利用物种分布模型（SDM）结合高分辨率卫星数据，预测安哥拉长颈鹿在伊奥纳国家公园的栖息地适生性，并通过14只再引入个体的GPS追踪数据进行验证。结果显示模型预测准确，长颈鹿活动范围与原栖息地相似，证明SDM在再引入计划中的有效性和实用性。

　　本研究探讨了利用物种分布模型（SDMs）和中等分辨率卫星遥感数据指导野生动物迁移的可行性，特别以安哥拉长颈鹿为例，评估了SDMs在预测适宜栖息地方面的准确性和广泛适用性。这项工作为野生动物保护提供了一个重要的方法论支持，同时也为类似的迁移动作提供了可借鉴的模型和工具。

安哥拉长颈鹿是南部长颈鹿的一个亚种，其栖息地主要分布在安哥拉、博茨瓦纳、纳米比亚、赞比亚和津巴布韦等地。然而，由于长期的武装冲突，包括长达14年的解放战争和27年的内战，安哥拉的野生动物群落遭受了严重破坏，导致长颈鹿种群几乎消失。因此，2023年，14只安哥拉长颈鹿被从纳米比亚中部迁移到安哥拉西南部的伊奥纳国家公园（Iona National Park, NP），旨在恢复该地区的长颈鹿种群。本研究的核心目标是利用SDMs和卫星数据评估这些迁移动作的有效性，并验证模型预测的准确性。

为了实现这一目标，研究团队首先利用纳米比亚北部纳米布地区45只安哥拉长颈鹿的GPS追踪数据，结合中等分辨率的卫星图像，开发了一个SDM。这些数据涵盖了长颈鹿的活动范围，包括其对河流边植被的依赖，这在干旱环境中尤为重要。随后，团队将该模型应用于伊奥纳国家公园，以预测适合长颈鹿生存的区域。接着，通过追踪迁移到伊奥纳国家公园的14只长颈鹿，研究团队收集了它们在迁移后的活动数据，用以验证模型的预测结果。这一过程不仅展示了SDMs在迁移动作中的实用价值，也为未来类似的野生动物恢复项目提供了科学依据。

在模型构建过程中，研究团队采用了多种卫星数据，包括Landsat 8的表面反射率数据、ALOS雷达数据、地表粗糙度信息以及人类活动影响指数。这些数据的结合使得模型能够更全面地反映长颈鹿的栖息地选择行为。例如，通过NDVI、MSAVI和BSI等植被相关指数，模型可以识别出适合长颈鹿生存的植被结构和土壤条件。此外，雷达数据被用于分析植被覆盖情况，从而进一步提高模型的预测精度。通过将这些数据与实际的追踪信息进行对比，研究团队验证了模型在不同时间和空间条件下的泛化能力。

模型的构建和验证过程采用了五折空间块交叉验证技术，以确保模型的稳定性和准确性。通过将数据分为多个空间块，分别用于训练和验证，团队能够评估模型在不同区域和时间段的表现。结果显示，模型在预测长颈鹿活动区域时具有较高的准确性，其平均AUC-PR值达到0.89，灵敏度和精确度分别为0.82和0.83，表明模型在识别适宜栖息地方面表现优异。此外，模型的泛化能力得到了验证，迁移到伊奥纳国家公园的长颈鹿实际选择的栖息地的HSI（栖息地适宜性指数）显著高于随机选择的区域。这表明，SDMs能够有效指导迁移动作，帮助选择最适宜的栖息地。

迁移后的追踪数据显示，这些长颈鹿在一年内平均每天移动13.1公里，且大部分个体在迁移后仍保持在伊奥纳国家公园的范围内。它们的活动范围平均为1256平方公里，表明这些长颈鹿具有较大的活动空间，可能与栖息地资源分布有关。此外，迁移后的个体表现出一定的方向性，说明它们能够根据环境条件调整移动策略，寻找适宜的资源。这些行为特征与之前在纳米比亚记录的长颈鹿相似，进一步支持了SDMs在不同区域中的适用性。

尽管SDMs在预测栖息地方面表现出色，但它们在预测种群动态和长期迁移成功方面仍有局限。例如，SDMs通常无法准确预测种群增长率或繁殖成功率，这使得它们在评估迁移项目的长期效果时存在一定的不确定性。因此，除了依赖模型预测，还需要持续监测迁移后的个体行为和种群动态，以确保迁移的长期成功。此外，模型的预测结果可能受到未纳入分析的生物相互作用的影响，如捕食者活动或盗猎风险，这些因素在某些区域可能显著影响长颈鹿的生存和迁移路径。

本研究的意义在于，它提供了一个真正独立的模型验证案例，表明SDMs结合中等分辨率卫星数据可以有效指导野生动物迁移动作。此外，研究团队开发的Google Earth Engine（GEE）代码为其他研究人员和管理者提供了实用的工具，有助于在不同地理区域开展类似的预测分析。这种工具的开放性使得更多人能够利用先进的生态建模技术，推动更广泛的保护行动。

然而，SDMs的应用仍面临一些挑战。例如，模型通常依赖于存在数据，而缺乏对生物相互作用的全面考虑，这可能会影响其预测的准确性。此外，追踪迁移个体的成本和复杂性也限制了模型验证的频率和范围。因此，未来的迁移动作应结合更多类型的生物数据，如捕食者和植物的分布信息，以提高模型的预测能力。

总体而言，本研究为SDMs在野生动物保护中的应用提供了有力的支持。它不仅展示了模型在预测适宜栖息地方面的有效性，还强调了持续监测和数据收集的重要性。随着技术的不断进步，SDMs和遥感数据的结合将为野生动物保护提供更强大的工具，帮助科学家和管理者更有效地制定迁移动作策略，恢复濒危物种的种群数量。