CAMELIA：整合结构与功能指数提升物种组合预测——以法国阿尔卑斯山植物群落为例

本刊推荐：本研究创新性地提出了CAMELIA（Community Assemblage Modelling macroEcoLogically Informed with AI）神经网络框架，通过整合物种分布模型（SDM）与群落水平指数（如物种丰富度SR、群落平均值CM和群落标准差CSTD），显著提升了植物群落组合预测的准确性。该框架在法国阿尔卑斯山植物群落案例中证实，即使使用低质量数据（如MEM预测或噪声观测值），仍能保持优于传统堆叠物种分布模型（S-SDM）的性能（如植物高度CM的R2达0.98），为生物多样性建模提供了灵活有效的解决方案。

　　

研究背景与挑战

生物多样性预测是生态学研究的核心挑战，涉及物种分布、群落结构和生态系统功能的多维度整合。物种分布模型（SDM）虽能预测单个物种的环境响应，但难以重构真实群落；宏生态模型（MEM）可直接预测群落指数（如物种丰富度），却缺乏物种级分辨率。传统堆叠物种分布模型（S-SDM）存在物种丰富度高估、功能多样性预测不准等问题，亟需开发新方法突破局限性。

CAMELIA框架的设计理念

CAMELIA（Community Assemblage Modelling macroEcoLogically Informed with AI）通过多任务神经网络联合优化物种出现概率与群落指数，将SDM输出与群落约束（如功能性状的群落平均值CM和标准差CSTD）深度融合。其核心创新在于：

1. 1.

   输入层整合物种概率（来自S-SDM或jSDM）、群落指数（观测或MEM预测值）及物种特异性状（如植物高度、比叶面积）；

2. 2.

   网络结构采用全连接层，通过可微分损失函数（二进制交叉熵和均方对数误差）同步优化物种与群落级预测；

3. 3.

   支持灵活权重调整（如损失函数中λ_species与λ_community的平衡），适应不同研究目标。

案例研究：阿尔卑斯山植物群落

研究选取法国阿尔卑斯山4463个草地群落样点、831种植物，涵盖植物高度、比叶面积和叶片氮含量等性状。通过四折交叉验证对比：

• •

  CAMELIA-OBS（输入观测群落指数）显著提升所有指标：物种丰富度误差降低38%，S?rensen相似系数平均提高33%，植物高度CM的R²达0.98（S-SDM仅为0.74）；

• •

  CAMELIA-MEM（输入MEM预测指数）在群落标准差（CSTD）预测上优于S-SDM（R²提升6.9%），但物种级精度略有下降（AUC从0.87降至0.86）；

• •

  CAMELIA-PROXY（输入含30%噪声的指数）仍保持稳健性，R²介于OBS与MEM之间（如植物高度CM为0.92）。

二值化策略与生态意义

概率输出（pCAMELIA）可通过两种方式转换为二进制群落：

1. 1.

   物种特异性TSS阈值二值化（bCAMELIA）：降低物种丰富度高估（bS-SDM预测为实测7.5倍，bCAMELIA-MEM降至5.4倍），但物种级TSS略低于S-SDM（0.52 vs. 0.58）；

2. 2.

   概率排序规则（PRR）二值化：按MEM预测丰富度截断物种列表，虽改善群落组成匹配度，但物种级TSS显著降低（0.11–0.20）。

   结果表明，CAMELIA在维持功能指数准确性（如CSTD误差降低）的同时，有效缓解了S-SDM的富集偏差。

应用前景与局限性

CAMELIA的灵活性体现在：

• •

  支持多源数据输入（野外观测、MEM输出、遥感衍生指数）；

• •

  可扩展至其他群落指标（如系统发育多样性）；

• •

  适用于不同空间尺度（需确保群落指数可微分计算）。

  局限在于：

• •

  依赖群落-环境平衡假设，未显式考虑扩散过程；

• •

  输入数据质量直接影响输出精度（如MEM预测不准时改善有限）；

• •

  未来需结合迁移模型（如MigClim）增强动态预测能力。

结论

CAMELIA为群落组合预测提供了兼顾物种分布与宏观生态约束的通用框架，其神经网络架构能够融合多维度生态信息，生成更符合生态学现实的物种组合。该方法在保护规划、生态系统服务评估及全球变化生物学中具有广泛应用潜力。