基于多源数据整合与物种分布模型评估北美山齿鹑(Colinus virginianus)分布与丰度的跨区域可转移性研究

本研究针对生态模型（特别是机器学习模型）在跨区域预测中的可转移性问题，以欧洲温带森林林下植被动态模型为对象，测试其在美国威斯康星州森林的预测效能。结果表明，仅物种丰富度模型（Richness Model）具有实用价值，揭示了环境背景差异和关键预测变量缺失对模型迁移的制约，为改进生态模型的空间外推提供了实证依据。

　　

温带森林作为全球森林系统的重要组成部分，承担着减缓气候变化的生态功能，但其生物多样性正面临气候变暖、氮(N)沉降和人为干扰的多重威胁。其中，林下植被（understorey）虽然贡献了超过80%的维管植物多样性，却在传统森林模型中长期被忽视。尤其令人担忧的是，现有基于机器学习的林下植被动态模型多在欧洲开发，其跨大陆预测的可靠性尚未验证——这就像试图用欧洲的天气预报模型预测北美的飓风路径，充满未知风险。

针对这一科学盲区，比利时根特大学（Ghent University）的Bingbin Wen团队在《Ecological Indicators》发表了一项开创性研究。他们首次将欧洲开发的三种梯度提升回归树（Gradient Boosted Regression Trees, GBRT）模型——分别预测物种丰富度（Richness Model）、木本植物比例（Woody Model）和森林特有种比例（Specialist Model）——移植到美国威斯康星州157个温带森林样地，通过比较50年间的植被变化数据与环境驱动因子（温度、降水、氮沉降等），系统评估了模型的跨大陆可转移性。

研究采用三项关键技术：1) 梯度提升回归树（GBRT）机器学习框架构建预测模型；2) 欧洲与北美森林样地的配对比较设计（南部SUF n=83，北部NUF n=74）；3) 平均绝对百分比误差（MAPE）量化预测偏差。结果显示，仅有Richness Model在北部样地表现出有限预测力（MAPE 25.5%），而Woody Model和Specialist Model的预测误差高达33.9%，尤其在南部样地完全失效。

【Observed ecological changes and environmental changes】
数据揭示：欧洲与北部威斯康星（NUF）样地的林下植被变化趋势相似，三者均围绕零值波动；但南部样地（SUF）呈现物种丰富度锐减（75%样地）、木本植物扩张（64%样地）的异常模式。环境分析表明，SUF地区经历了更剧烈的氮沉降和气候变暖，超出了欧洲模型的训练数据范围。

【Discussion】
研究指出模型失效的核心原因：1) 环境背景差异（如SUF独特的土壤特性）；2) 关键预测变量缺失（如北美特有的白尾鹿 browsing pressure）；3) 非线性关系的区域特异性（如氮沉积对木本植物的抑制作用在欧洲显著而在北美微弱）。这解释了为何仅Richness Model在环境相对稳定的NUF地区表现尚可——物种丰富度作为群落水平的综合指标，其响应机制可能更具普适性。

【Conclusion】
该研究为生态模型的可转移性（transferability）提供了重要警示：即使采用先进的机器学习技术，忽略环境背景差异的"拿来主义"仍可能导致预测失败。作者建议未来研究应通过三方面改进：1) 纳入跨区域共享的关键驱动因子；2) 采用空间交叉验证（spatial cross-validation）；3) 开发环境协变量标准化框架。这项成果不仅为全球变化生态学提供了方法论借鉴，更凸显了本土化模型开发在生物多样性保护中的必要性。