编辑推荐：
为解决环境数据分辨率影响物种分布模型（SDMs）的问题，研究人员对比不同土地覆盖数据集构建 SDMs，发现区域数据集能提升模型准确性，对微小特有动物保护意义重大。
在生物多样性保护的领域中，物种分布模型（Species Distribution Models，SDMs）是保护濒危物种的有力工具。它能通过分析环境特征，预测物种栖息地适宜性的变化，从而为保护行动提供科学依据。对于微小特有物种而言，它们生存范围狭窄，灭绝风险极高，SDMs 的应用显得尤为关键。
然而，构建适用于微小特有物种的 SDMs 面临诸多挑战。一方面，这些物种对栖息地要求苛刻，现有主要环境变量数据集的主题分辨率（即分类变量分类的精确性）难以准确捕捉其需求。另一方面，许多微小特有物种体型小、活动范围窄、扩散能力有限，这就需要 SDMs 具备更高的空间分辨率，而现有的很多数据集却难以满足。
在众多环境数据中，土地覆盖数据是 SDMs 的重要组成部分。像欧洲常用的 Corine Land Cover 数据，其最小制图单元为 25 公顷，小于这个面积的土地覆盖斑块会被忽略，这使得它在模拟微小特有物种分布时存在局限性。Sentinel-2 Global Land Cover 数据虽最小制图单元更小（小于 1 公顷），但在区分森林类别方面的主题分辨率仍有限。那么，如何才能更精准地构建适用于微小特有物种的 SDMs 呢？
为了解决这些问题，来自意大利多所机构（包括米兰大学、帕维亚大学高级研究学院、Studio Naturalistico Hyla SRL、帕多瓦大学以及国家生物多样性未来中心 ）的研究人员 Simone Giachello、Sara Lefosse 等人开展了一项关于金黄阿尔卑斯蝾螈（Salamandra atra aurorae）的研究。该研究成果发表在《Biodiversity and Conservation》上。
研究人员采用了多种关键技术方法。在数据收集上，他们整合了已有的记录，通过文献回顾、实地调查以及对公众报告的评估，构建了包含 599 条可靠记录的数据库。在环境预测因子获取方面，利用数字高程模型计算地形变量，借助谷歌地球引擎平台估算微气候变量，同时选取了三种不同的土地覆盖数据集。在模型构建阶段，运用 R 软件和 biomod2 包，以随机森林算法构建了三个集成 SDMs，并通过五折交叉验证提高模型可靠性。此外，还使用 Maxent 算法重建模型，验证结果的稳健性。
下面来看看具体的研究结果：
- 模型性能：三个基于不同土地覆盖数据集构建的集成 SDMs 表现相似且良好，过拟合程度低。基于区域土地覆盖数据集和 Sentinel-2 Global Land Cover 构建的模型，在 AUCtest和 TSS 指标上略优于基于 Corine Land Cover 构建的模型，但差异不显著。
- 环境预测因子的重要性：不同模型中，土地覆盖预测因子与地形、微气候预测因子对金黄阿尔卑斯蝾螈出现的影响程度不同。在基于区域土地覆盖数据集的模型中，银杉（Abies alba）的丰度对蝾螈分布影响最大；而在另外两个模型中，针叶树的优势度是重要影响因素。同时，所有模型都显示，微气候（以地表温度为指标）、海拔和森林组成是影响蝾螈栖息地适宜性的关键因素。
- 栖息地适宜性：三个模型预测的栖息地适宜性均值、适宜细胞数量和潜在分布范围存在差异。但在空间分布上，都识别出了蝾螈已知分布区域外的其他适宜区域，如西北、东北和南部地区。
综合研究结论与讨论部分，该研究表明，尽管三个 SDMs 性能相似，但土地覆盖类别的主题分辨率对获取符合生态学意义、可用于保护目的的结果至关重要。区域土地覆盖数据集更高的主题分辨率，使其能够区分不同类型的针叶林，明确银杉是影响蝾螈分布的关键因素，这是两个大陆性土地覆盖数据集无法做到的。如果错误地使用大陆性土地覆盖数据集的模型结果来指导保护决策，可能会导致保护资源的浪费，因为可能会将重点放在不合适的区域。而区域土地覆盖数据集有助于更准确地识别适宜栖息地，为保护规划提供更可靠的依据。
这项研究强调了区域土地覆盖数据集在构建微小特有物种 SDMs 中的重要价值，为制定符合当地实际情况的保护策略提供了有力支持。同时也指出，未来需要收集和生成更高质量、标准化的区域土地覆盖数据，以进一步推动生物多样性保护工作。
