大数据方法揭示海洋表层动物的大尺度空间格局

《ICES Journal of Marine Science》:Big data approaches reveal large-scale spatial patterns in marine epifauna

【字体: 大 中 小 】 时间:2026年01月07日 来源:ICES Journal of Marine Science 3.4

编辑推荐:

  综合性的生物特征地图正日益被用于支持人类活动在海洋环境中的管理。然而,其开发常受限于大空间尺度上数据覆盖的不足。本研究采用大数据方法,整合了来自英国大陆架及整个北海的2米桁网(2?m beam trawl)的海洋表层动物(epifauna)数据,以增强对沉积物

  
综合性的生物特征地图正日益被用于支持人类活动在海洋环境中的管理。然而,其开发常受限于大空间尺度上数据覆盖的不足。本研究采用大数据方法,整合了来自英国大陆架及整个北海的2米桁网(2?m beam trawl)的海洋表层动物(epifauna)数据,以增强对沉积物生境中表层动物集合(assemblage)生态特征的理解。研究人员分析了单变量指标(分类丰富度(taxon richness)、总丰度(total abundance))以及集合分类结构(taxonomic structure)的空间格局。结果发现,分类丰富度在北海北部和英吉利海峡达到峰值,而丰度热点则出现在挪威沿岸、北海南部以及英国和爱尔兰的近岸区域。研究人员还识别出11种不同的集合类型,每种类型均具有其独特的分类学表层动物组成,并呈现出强烈的生物地理结构。研究人员确定了塑造这些格局的主要环境驱动因子,并讨论了此类地图的创建及其带来的新增认知如何可用于促进人类活动的管理。关键词:表层动物(epifauna),2米桁网(2?m beam trawl),聚类(clustering),随机森林(random forest),空间地图(spatial maps)
**论文解读:大数据方法揭示海洋表层动物的大尺度空间格局**

**研究背景与问题**

海洋表层动物(epifauna),包括棘皮动物(如蛇尾属 *Ophiothrix* spp.)、甲壳动物(如褐虾 *Crangon crangon*)、软体动物(如大扇贝 *Pecten maximus*)、刺胞动物(如水螅体)及底栖鱼类(如鲽 *Pleuronectes platessa*),在生态系统功能中扮演重要角色——促进营养循环、提供育幼场、改变沉积物生物地球化学,并通过为大型捕食者提供生物量连接底栖与浮游系统。其高丰度和快速周转率支持了海洋食物网中的能量流动。作为底栖初级生产者与更高营养级消费者之间的关键营养纽带,表层动物群落对次级生产贡献显著,在某些生境中占总年生产量的75%。

对表层动物群落分布、结构和多样性的研究由来已久,已在北海、英吉利海峡、爱尔兰海和布里斯托尔海峡等地有所描述。然而,尽管对底内动物(infauna)已开展综合评估,但至今尚无单一研究描述英国大陆架及邻近北海的表层动物集合格局。理解这种尺度上的空间分布与变异性需要大型整合的经验数据集。历史上,受限于数据访问不足和信息技术基础设施欠缺,开发可靠的海床生物特征地图的努力一直受到制约。为解决这些限制,研究人员应用大数据方法——整合来自多个来源和时间段的大型异质数据集,通过元数据过滤和标准化分类学进行协调——从而实现了对表层动物群落的稳健大尺度制图。本研究中,“大数据”指的是广义上的大型复杂数据集,而非连续实时数据流。

对于底内动物,Cooper和Barry(2017)已证明,整合政府和非政府来源的海床采样数据能够生成可靠的生物基线。在管理背景下,这类地图的可用性具有吸引力,因为不同集合之间组分分类群的差异将不可避免地体现在对人为压力的敏感性和功能响应上。因此,理解这些格局及其环境驱动因子是有效保护和基于空间生态系统管理的重要前提。

本研究旨在证明,通过大尺度数据方法整合2米桁网(2?m beam trawl)获得的经验性表层动物丰度数据,可提升对英国大陆架及整个北海群落结构指标(如分类丰富度、丰度)和分类组成(即集合生物相(biotopes))空间格局的认识。研究人员使用随机森林(random forest)建模框架基于环境条件预测这些格局,并生成其变异的连续地图,讨论这些格局和驱动因子对许可和减缓影响表层动物集合的人类活动管理决策的启示。

**研究内容与结论**

本研究通过整合OneBenthic桁网数据库中来自110个调查航次、跨越36年(1987–2023年)的3799个样本,经过元数据筛选(选取2米桁网、4或5毫米网目、拖速小于2节、拖距小于2公里、位于许可活动区外的样本)、分类学标准化至科级、去除空间自相关样本后,最终使用1400个样本进行分析。研究人员基于平方根转换丰度数据运用K-means聚类识别出11个不同的表层动物集合组,并通过随机森林建模(回归树与分类树)预测连续指标(分类丰富度S和总丰度N)和分类响应变量(集合组)的空间分布。环境预测因子来自Bio-ORACLE v3和Mitchell等(2019),包括深度、地形衍生变量(如谷深、相对坡位)、波浪速度、流速、沉积物组成(砾石%、泥%)、悬浮颗粒物(SPM)、温度、盐度、营养盐等。通过变量重要性(Variable Importance)和偏依赖图(Partial Dependence Plots)解释连续指标格局,通过最佳子集分析(best analysis)和基于距离的冗余分析(dbRDA)解释集合分类格局。

研究得出以下结论:分类丰富度(S)呈现明显的大尺度空间梯度,北海北部、英吉利海峡中西部、西南通道及爱尔兰南部沿岸值较高,而北海南部、东英吉利海峡和爱尔兰海大部较低。总丰度(N)格局与丰富度不同,低丰度广泛分布,高丰度局域化于挪威沿岸、德国湾、荷兰沿岸、英吉利海峡中部近岸、西南通道及爱尔兰西南部。K-means聚类识别出11个集合组,可进一步归为5个主要组(Epi_A至Epi_E),各组具有独特的分类组成和空间分布。Epi_A组局限于英国东海岸近岸小区域,具有最高丰富度和丰度;Epi_B组主要限于英吉利海峡,丰富度高、丰度中等;Epi_C组分布于爱尔兰海中部和外凯尔特海等近海区域,丰富度中等但丰度高;Epi_D组空间最广,覆盖近一半研究区域,丰富度较低、丰度低至中等;Epi_E组呈现明显的西-东对比,Epi_E1b占据北海北部大片区域,Epi_E1a主导西南通道,两者丰富度中等但北部水域丰度较低。随机森林模型对分类丰富度R2=0.37,对丰度R2=0.13,对集合分类的整体敏感性0.60、特异性0.96、平衡准确率0.78。环境驱动因子分析表明,分类丰富度最重要的预测因子为平均盐度(正相关)、波浪速度(负相关)和流速(正相关);丰度最重要的预测因子为冬季SPM(非线性:中等浓度下峰值)、流速(弱非线性)和底层温度(正相关)。集合分类结构的变异性主要由平均盐度、冬季SPM、砾石、相对坡位和泥含量解释,但解释度较低(合计7.1%),其中平均盐度和冬季SPM贡献最大。

**重要意义**

本研究首次通过整合多个来源的2米桁网数据,生成了英国大陆架和北海的表层动物分类丰富度、丰度和集合类型的连续空间地图。这些地图揭示了显著的大尺度生物地理结构,例如北海北部与英吉利海峡同为丰富度热点但支持不同的集合类型(Epi_E1b与Epi_B1b)。研究还识别出空间范围极小的独特集合(如Epi_A1仅占研究区0.1%),使其在环境影响评估中需特别关注。这些地图可以直接支持海洋管理决策,例如指导海上建设、沉积物处置和海洋集料开采等活动避开高生物多样性或特定集合类型区域,从而降低不利影响风险。该研究还强调了未来需开展基于性状的敏感性评估以及整合底内动物与表层动物以更全面理解底栖群落空间变异性的必要性。论文发表在《ICES Journal of Marine Science》。

**关键技术与方法**

本研究主要采用以下关键技术方法:(1)**数据整合与标准化**:从OneBenthic云端PostgreSQL数据库获取表层动物丰度及沉积物粒度数据,通过元数据过滤(采样网具、网目、拖速、拖距、位置)确保可比性,并使用世界海洋物种名录(WoRMS)进行分类学标准化,最终将分类单元聚合至科级以消除数据源间鉴定不一致性;(2)**空间自相关校正**:利用经验半变异函数和Gaussian模型检测,去除相距小于2公里且存在显著空间自相关的样本;(3)**K-means聚类分析**:对平方根转换的丰度数据应用K-means算法,基于肘图确定最优组数,并通过层次聚类树状图展示组间相似性;(4)**随机森林(Random Forest)建模**:分别对连续响应变量(分类丰富度S、总丰度N)和分类响应变量(11个集合组)构建回归树和分类树模型(1000棵树),使用10次重复子抽样交叉验证评估性能,生成空间预测及置信度地图;(5)**环境变量筛选与解释**:从Bio-ORACLE v3和Mitchell等(2019)获取24个环境栅格图层(包括海水物理化学参数、沉积物组成、地形衍生指标),通过方差膨胀因子(VIF)去除共线性强的变量,利用变量重要性图、偏依赖图、最佳子集分析(best analysis)和基于距离的冗余分析(dbRDA)解释格局与环境驱动因子的关系。样本来源为OneBenthic数据库,涵盖英国大陆架水域及法国、比利时、荷兰、德国、丹麦、挪威等东北大西洋国家区域,最终分析数据集含1400个样本。

**研究结果**

**Community metrics(群落指标)**

*Model description*:通过随机森林回归模型预测分类丰富度(S)和丰度(N)的空间分布。S在北海北部、英吉利海峡中西部、西南通道及爱尔兰南部沿岸呈现高值;N高值局域化于挪威沿岸、德国湾、荷兰沿岸、英吉利海峡中部近岸等区域。

*Model performance and predictive confidence*:S模型R2=0.37(±0.03 SD),N模型R2=0.13(±0.03 SD),解释力中等至较低,置信度空间异质性较高。

*Explaining patterns*:S的主要驱动因子为平均盐度(正相关)、波浪速度(负相关)和流速(正相关);N的主要驱动因子为冬季SPM(非线性)、流速(弱非线性)和底层温度(正相关)。

**Multivariate taxonomic assemblage structure(多变量分类集合结构)**

*Clustering*:K-means聚类基于肘图确定11个集合组,可归为5个主组(Epi_A至Epi_E)。Epi_A组局域于东英格兰近岸,具有最高丰富度和丰度;Epi_B组限于英吉利海峡;Epi_C组分布于近海区域;Epi_D组空间最广;Epi_E组呈现西-东对比。

*Model description*:随机森林分类模型预测的集合空间分布显示Epi_E1b占据北海北部最大区域,Epi_E1a主导西南通道,Epi_D2b覆盖西海岸和欧洲大陆东岸。

*Model performance and predictive confidence*:整体敏感性0.60(±0.02 SD)、特异性0.96(±0.00 SD)、平衡准确率0.78(±0.01 SD);Epi_E1b性能最佳(敏感性0.92),Epi_A1和Epi_B1a性能较低。北海北部置信度较高。

*Explaining Patterns*:最佳子集分析选择平均盐度、冬季SPM、砾石、相对坡位和泥含量作为最佳解释变量(ρ=0.264);PERMANOVA(adonis)显示这些变量仅解释集合组成总变异的7.1%,其中平均盐度2.2%、冬季SPM 2.1%、砾石1.8%、相对坡位0.7%、泥0.3%。dbRDA排序显示Epi_B组与高砾石含量相关,Epi_C与高泥含量相关,Epi_D2a/c/d与冬季SPM向量关联,Epi_E组朝向盐度向量,Epi_A1同时接近冬季SPM和砾石向量。

**总结讨论部分与结论翻译**

讨论部分首先指出,通过整合异质但可比较的数据集,本研究证明大数据方法可生成具有管理潜力的表层动物集合大尺度地图。研究识别出北海北部和英吉利海峡为分类丰富度热点,但两者支持的集合类型不同(Epi_E1b与Epi_B1b)。环境驱动因子包括沉积物粒度(砾石、泥含量)和水柱特性(平均盐度、冬季SPM)。波浪速度与丰富度的负相关表明高波能减少生境适宜性或稳定性;流速与丰富度的正相关可能与增强连通性和物种流入有关。研究还指出,Epi_A1和Epi_B1a等空间局限的集合应被纳入环境影响评估以避免不可逆损失。同时,研究强调模型假设沉积物为松散沉积物,因此在岩石底质区域预测可靠性较低;随机森林模型尽管预测性能良好,但R2值较低(特别是丰度模型),说明高模型一致性不等同于高预测精度。未来需改进分类丰富度测量方法(如稀疏化、Hill数),并开展基于性状的敏感性评估,以及整合底内动物与表层动物进行更全面的底栖群落空间变异性理解。

研究结论部分可概括为(根据Discussion末尾及摘要内容翻译):通过整合异质但可比较的2米桁网数据集,本研究证明大数据方法能够产生表层动物集合结构的大尺度地图,这些地图可用于指导管理决策。研究揭示了英国大陆架和北海表层动物分类丰富度、丰度和11种不同集合类型的空间格局,鉴定了主要环境驱动因子(特别是盐度、冬季SPM和沉积物粒度),并指出这些地图可用于支持海上建设、沉积物处置和海洋集料开采等活动的许可决策,以避免对高生物多样性或独特集合区域的负面影响。本研究强调了将表层动物信息纳入环境影响评估的紧迫性,以及未来整合底内与表层动物研究以更全面理解底栖生态系统空间变异的必要性。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号