北美河狸筑坝能力模型的应用挑战与本地化校准的重要性

这篇综述系统回顾了北美11种河狸（Castor canadensis）筑坝能力与栖息地适宜性模型（BRAT/COBAM等），指出模型跨生态区应用的局限性。作者强调河狸利用非典型材料（如入侵植物、焚烧木材、垃圾）的适应性行为会导致未校准模型产生偏差，提出必须结合本地知识（如EEAGER机器学习验证）进行参数校准，才能为生态修复决策提供可靠科学依据。

　　

Abstract
作为生态系统工程师，北美河狸通过筑坝行为深刻改变水生环境。尽管现有11种筑坝模型（如BRAT）能预测其活动，但多数模型仅适用于特定生态区。研究发现河狸会灵活使用焚烧木材、入侵植物（如喜马拉雅黑莓）甚至垃圾作为建材，导致未校准模型严重低估其实际活动范围。

Introduction
河狸的生态效益包括增强抗旱抗火能力、改善养分循环等，使其成为生态修复的关键物种。但不同生态区河狸对建材的偏好差异显著：在加州火灾迹地利用焦木筑坝，在俄勒冈州使用入侵植物，在怀俄明州则依赖香蒲和泥浆。这种适应性使得基于单一植被参数的模型预测失效。

Methods and Results
通过绘制11个模型覆盖的III级生态区发现，美国西南部、北极地区等仍缺乏有效模型。典型案例显示：怀俄明州Happy Jack地区的BRAT模型因未计入河狸使用香蒲筑坝的行为，预测结果与实际观测存在显著偏差。而结合NAIP遥感数据的COBAM系统，或EEAGER机器学习算法可提升模型校准效率。

Discussion
核心矛盾在于模型参数固化与河狸行为弹性的冲突。例如：

1. 营养与建材分离：河狸优先食用杨树等，但会利用非食用材料（如岩石）筑坝；
2. 人类干扰响应：城市河狸能整合塑料瓶等垃圾筑坝；
3. 灾后适应：火灾后使用焦木的行为未被任何模型纳入参数。

作者建议模型开发者应：

• 明确标注建材灵活性对结果的影响阈值
• 提供简易参数调整指南
• 结合社区观测数据验证

最终结论强调：有效的河狸修复管理必须实现"全球模型框架+本地行为校准"的动态平衡，这需要生态学家、社区成员与决策者的深度协作。