基于长期公民科学数据，对澳大利亚莫顿湾海草分布的空间和时间建模研究

《Estuarine, Coastal and Shelf Science》：Spatial and temporal modelling of seagrass distribution in Moreton Bay, Australia, based on long-term citizen science data.

海草监测结合公民科学数据与随机森林模型，分析2015-2021年Moreton Bay海草时空分布变化，发现浅水区覆盖显著下降，并通过聚类识别出OS、ZM、HO、HS及Sparse五类海草集群，模型解释率达86.7%，验证了公民科学数据在生态管理中的有效性。

　　青草海草（Seagrass）在全球沿海生态系统中扮演着至关重要的角色，不仅为许多海洋生物提供栖息地，还在碳封存和海岸线稳定方面发挥重要作用。随着人类活动和气候变化的影响日益加剧，青草海草的生存和分布面临诸多挑战。因此，定期监测青草海草的分布和健康状况对于沿海生态系统的保护和管理至关重要。本研究通过长期的公民科学数据收集和统计建模方法，分析了澳大利亚摩顿湾（Moreton Bay）青草海草的时空变化，并开发了一个随机森林模型来预测在不同水文条件下的青草海草分布。

### 青草海草的重要性与挑战

青草海草在维持海洋生态平衡方面具有不可替代的作用。它们为多种海洋生物提供了重要的栖息地和育幼场所，尤其是对商业价值高的甲壳类和鱼类具有重要意义。同时，青草海草还为濒危物种如海龟和儒艮提供食物来源。此外，青草海草能够有效地封存碳，有助于减缓气候变化的影响，并通过稳定沉积物防止海岸侵蚀。因此，了解青草海草的分布及其受环境因素影响的情况，对于其有效管理至关重要。

然而，青草海草的分布和健康状况容易受到多种因素的影响。例如，光照和营养物质的可用性是青草海草健康的关键。光照的多少受水深影响，不同种类的青草海草往往适应于不同的水深范围。水文条件，如浑浊度、盐度等，也对青草海草的分布和成功有重要影响。此外，突发的环境事件，如藻类爆发或洪水，可能对青草海草造成严重破坏，主要通过减少可用光照来影响其生存。因此，对青草海草进行定期监测，特别是在人类活动频繁的地区，是确保其持续保护的重要手段。

### 数据收集与建模方法

本研究的数据主要来源于澳大利亚的“科学之帆”（Science Under Sail）项目，该项目从2015年至2020年对摩顿湾进行了长期监测。数据由经过培训并监督的公民科学家收集，使用不同的方法，如水下观察和拖曳摄像机，以适应不同水深的采样需求。为了确保数据的准确性，观察者会在第一次实地考察时通过多人共识估算来减少观察者间的差异，并接受专家指导进行青草海草的识别和覆盖率的估算。

为了预测青草海草的分布，研究团队采用了随机森林模型。该模型结合了多种环境变量，如水深、水文条件、沉积物类型等，并利用了数字化地形模型（DEM）来获取标准化的水深数据。研究还开发了两个新的预测变量，包括采样点到海岸线的距离和一个综合的水文质量指标。这些变量帮助模型更好地理解青草海草分布的复杂性，并提高预测的准确性。

### 青草海草的分类与分布模式

通过对青草海草覆盖率的分析，研究团队发现，摩顿湾内有七种已知的青草海草物种，但并非所有物种在所有区域都普遍存在。因此，研究重点在于建立代表主要青草海草群落的“集群”（clusters）。这些集群根据每种青草海草的比例覆盖率来划分，其中“稀疏”（Sparse）集群代表几乎没有或完全没有青草海草的区域。最终，研究确定了五个主要的青草海草集群，分别以主要的物种命名，如“OS”（Oceana serrulata）、“ZM”（Zostera muelleri）、“HS”（Halophila spinulosa）、“HO”（Halophila ovalis）和“稀疏”。

研究团队使用了K-medoid聚类方法，这是一种基于中位数的聚类算法，能够有效地简化复杂的生态数据，从而得到更具解释力的分析结果。通过这一方法，研究团队不仅识别了不同区域的青草海草群落，还发现了一些重要的生态模式，如青草海草在不同区域的分布差异，以及某些区域的覆盖率下降趋势。

### 青草海草的时空变化

在对青草海草进行纵向分析时，研究团队将数据分为三个时间段：2015-2017年、2017-2020年和2020-2021年。通过对每个时间段内数据点的比较，研究发现，某些区域的青草海草覆盖率明显下降，尤其是在浅水区域。例如，在摩顿湾的“东部岸”区域，青草海草的覆盖率在所有三个时间段内都有显著下降，特别是在“浅水”和“中等深度”区域。而在“深水”区域，尽管覆盖率也有所下降，但变化不显著。

此外，研究还发现，某些青草海草物种的覆盖率发生了变化。例如，在“浅水”区域，HS（Halophila spinulosa）和OS（Oceana serrulata）集群的覆盖率下降，而HO（Halophila ovalis）集群的覆盖率则上升。这种变化可能与水文条件的恶化有关，如浑浊度的增加和泥沙的输入。研究团队认为，这些变化反映了青草海草群落对环境压力的响应，也暗示了生态系统内部可能发生的更深层次的生态变化。

### 模型的预测能力与未来展望

研究团队还利用模型预测了在水文条件恶化情况下的青草海草分布。通过假设未来水文条件可能变得更差，研究团队模拟了三种不同的情景，包括当前的水文条件、水文条件恶化50%以及水文条件恶化50%并伴有更大的波动。这些情景下的预测结果表明，如果水文条件继续恶化，所有青草海草集群的覆盖率都可能显著下降，特别是密度较高的OS集群。此外，研究还发现，某些区域，如“东部岸”和“南欺骗湾”，由于水文条件的持续恶化，可能会成为青草海草覆盖率下降的热点区域。

模型的预测能力得到了验证，其准确率达到了86.7%，能够有效反映青草海草的分布模式。然而，研究也指出，模型的精度仍受到一些因素的限制，如水深数据的不精确和环境变量的空间分辨率较低。因此，提高水深数据的精度和增加环境变量的分辨率，将有助于进一步提升模型的预测能力。

### 研究的意义与未来方向

本研究通过结合公民科学数据和统计建模方法，展示了如何在较低成本下进行大规模的青草海草监测，并从中提取有价值的信息。这种方法不仅适用于摩顿湾，也为其他沿海地区提供了可借鉴的经验。研究还强调了定期监测的重要性，特别是在环境变化迅速的地区，以便及时采取保护措施。

此外，研究还揭示了青草海草群落对环境变化的响应模式。例如，某些青草海草物种对水文条件的恶化更加敏感，而另一些物种则表现出更强的适应能力。这种差异提示我们，不同的青草海草群落可能需要不同的管理策略，以确保其长期的生存和繁衍。

### 结论

综上所述，本研究通过长期的公民科学数据收集和随机森林建模，揭示了摩顿湾青草海草的时空变化模式，并展示了如何利用这些数据进行有效的生态预测。研究结果表明，青草海草的分布受到多种环境因素的影响，包括水深、水文条件和沉积物类型等。同时，研究也指出，随着水文条件的恶化，青草海草的覆盖率可能会进一步下降，特别是在浅水区域。因此，为了保护青草海草及其依赖的生态系统，必须加强对这些区域的监测，并采取相应的保护措施。

本研究的成功经验表明，公民科学数据在生态监测中具有重要价值，特别是在资源有限的情况下。通过有效的数据收集和质量控制，公民科学能够提供高质量的生态信息，并为环境管理提供有力支持。此外，结合统计建模方法，可以进一步提升数据分析的深度和广度，为生态保护提供科学依据。未来的研究可以进一步优化模型，提高其预测精度，并探索更多生态变量对青草海草分布的影响，以实现更全面的生态保护。