重新审视双变量空间关联指数GL′和LL′：基于物种特异性连通性矩阵的野生动物管理与保护应用

本研究针对传统空间分析方法忽视物种间空间依赖差异的问题，创新性地改进了Global L (GL)和Local L (LL)双变量指数，提出可整合物种特异性连通性矩阵的GL′和LL′指数。通过模拟数据和欧洲兔、伊比利亚野兔等四种运动能力差异物种的案例研究，揭示了物种空间关联的异质性模式，为野生动物管理和保护提供了更精准的空间分析工具。

　　

在野生动物保护领域，理解物种间的空间关联模式至关重要。传统分析方法如空间重叠或聚类分析存在明显局限——它们既无法捕捉大于观测单元的空间过程，又默认不同物种具有相同的空间依赖性。这种"一刀切"的假设显然与生态现实相悖：欧洲兔(Oryctolagus cuniculus)的日活动范围仅1.5公里，而赤狐(Vulpes vulpes)可达16.9公里，这种运动能力的巨大差异必然导致空间依赖性的显著不同。

针对这一方法论缺陷，研究人员对Lee(2001)提出的Global L (GL)和Local L (LL)双变量指数进行了创新性改进。原指数虽能分析两个变量的空间共现和空间聚类，但强制使用相同的连通性矩阵。本研究通过引入物种特异性连通性矩阵，构建了更具生态学意义的GL′和LL′指数，为野生动物管理提供了更灵活、更准确的空间分析工具。

研究团队采用模拟与实证相结合的方法验证新指数的性能。模拟实验设计了三种连通性场景：无邻域、相同连通性矩阵和差异连通性矩阵，使用37个六边形网格的假设变量测试指数行为。实证研究则以西班牙卡斯蒂利亚-拉曼查地区（约80,000 km²）的5768个猎场为观测单元，收集2014-2022年间欧洲兔、伊比利亚野兔(Lepus granatensis)、赤狐和野猪(Sus scrofa)的狩猎产量密度数据。通过定义基于物种日移动距离的连通性矩阵（如野猪7.8 km/day，赤狐16.9 km/day），计算了三组生态学意义明确的物种对的空间关联。

2.1. 重新审视GL和LL指数

研究团队对原指数公式进行了关键改进。原GL指数（公式1）使用单一二进制连通性矩阵V，标准化为空间权重矩阵W后简化为公式2。LL指数（公式3）则通过去除位置i的求和运算，实现全局指标到局部指标的分解。创新之处在于为X和Y变量分别定义连通性矩阵V_X/V_Y和W_X/W_Y，形成新的GL′（公式4）和LL′（公式5）指数。数学推导证实GL′等于LL′的平均值（公式6），保持了原指数的数学特性。

3.1. 模拟数据集

模拟结果揭示了连通性场景对指数值的决定性影响。当变量具有相同聚集模式时，最高LL′值出现在变量极值重合区域；模式相反时则出现最低负值。随机模式变量在所有场景下都呈现更平滑的LL′空间格局。特别值得注意的是，采用差异连通性矩阵（场景C）会产生更温和的LL′值分布，这是因为每个网格单元的贡献被更多邻域稀释。

3.2. 案例研究

实际应用展示了新指数的生态洞察力。GL′分析显示赤狐与两种野兔的空间分布相似性（正值）显著高于野猪与欧洲兔（负值）。LL′空间格局则揭示：所有物种对的趋同区域（正LL′）主要集中在研究区东南部低产量密度区；发散区域（负LL′）则呈斑块状分布且具有物种特异性。量化分析发现，赤狐与欧洲兔、伊比利亚野兔的趋同区域比例相近（70.7% vs 66.1%），而欧洲兔与野猪的分布关系近乎平衡，暗示可能存在生态位分化。

这项研究在方法论和实际应用层面均取得重要突破。理论上，通过解耦物种间的空间依赖性假设，GL′和LL′指数更真实地反映了生态系统的空间异质性。实践上，案例研究揭示了传统方法难以检测的物种分布关系：如赤狐对两种野兔资源的均衡依赖，以及野猪与欧洲兔可能正在经历的空间生态位重构。这些发现对制定差异化的保护策略具有指导意义——例如在发散区域需要针对性干预，而在趋同区域则可实施联合保护措施。

研究特别强调连通性矩阵的生态合理性是确保指数解释力的关键。建议后续研究可尝试基于栖息地连通性的权重方案，或转换规则网格来解决猎场形状不规则的问题。随着野生动物与家畜界面研究的深入，这种考虑物种移动特性的空间分析方法，将为理解疾病传播、资源竞争等生态过程提供新的分析维度。