绿意或恐惧:捕食者主导景观中喜马拉雅北山羊的栖息地利用
《iScience》:Greenery or fear: Site use of Himalayan ibex in a predator-dominant landscape
【字体:
大
中
小
】
时间:2026年10月24日
来源:iScience 4.5
编辑推荐:
亮点
•本研究有助于理解塔尔羊在捕食者主导环境中的生存策略
•塔尔羊和雪豹偏好崎岖、高海拔且植被稀疏的生境
•距道路的距离是捕食者与猎物共现的最强预测因子
•塔尔羊以获取食物为代价换取安全;保护共有生境可使两个物种共存
摘要
喜马拉雅塔尔羊(Capra sibirica)
亮点
•本研究有助于理解塔尔羊在捕食者主导环境中的生存策略
•塔尔羊和雪豹偏好崎岖、高海拔且植被稀疏的生境
•距道路的距离是捕食者与猎物共现的最强预测因子
•塔尔羊以获取食物为代价换取安全;保护共有生境可使两个物种共存
摘要
喜马拉雅塔尔羊(Capra sibirica)是珍贵的狩猎对象,也是雪豹(Panthera uncia)的重要猎物。由于持续的保育工作,随着雪豹种群数量的增加,塔尔羊的种群数量也有所增加。然而,在巴基斯坦富集捕食者的山地生态系统中,使塔尔羊得以存活的策略仍知之甚少。为了弥补这一空白,我们利用占用模型研究了喜马拉雅塔尔羊和雪豹的栖息地利用和共现模式。塔尔羊的占用率与崎岖地形和高海拔正相关,与距道路的距离负相关。雪豹表现出对崎岖生境的偏好。这两个物种的共现受到道路的调节。塔尔羊通过向更偏远的地方转移来避免雪豹大量出现的区域,以降低被捕食的风险,而雪豹则自适应地追踪这些猎物的移动。研究表明,保护偏远、异质化的景观对于维持巴基斯坦北部山地生态系统和捕食者-猎物动态至关重要。
图征摘要
引言
对于食草动物而言,觅食从来不只是简单地最大化能量摄入。觅食行为发生在捕食风险始终如影随形的环境之中。捕食风险通过致命和非致命途径发挥作用,影响动物的行为、空间分布和群落结构。虽然直接致死是最明显的结果,但捕食恐惧感知所带来的代价可能更加普遍。猎物会主动或被动地调整自己的行为,提高警戒水平、形成保护性群体或完全避免某些栖息地。这些调整通常迫使动物在安全与觅食、交配和育幼等基本活动之间做出权衡。因此,食草动物并不仅仅占据最具生产力的斑块;它们不断在获取营养丰富的牧草("绿色")与避免捕食者("恐惧")之间进行平衡。
这种平衡被概念化为"恐惧景观",即感知捕食风险的空间地图,其中峰值代表高捕食成功率的区域,而低谷则代表安全的避难所。该框架的早期版本将风险视为相对静态的,但最近的研究强调,恐惧景观在空间和时间上是动态的,受到捕食者活动昼夜节律、月相和季节节律的影响。猎物可能利用可预测的安全脉冲,在捕食者活动低潮时进入资源丰富的区域,从而有效地使恐惧地形趋于平坦。了解野生有蹄类动物如何应对这种权衡在高山生态系统中尤其紧迫,因为那里资源稀缺、环境恶劣,且捕食者-猎物相互作用紧密耦合。
巴基斯坦北部的喜马拉雅-喀喇昆仑地区为研究绿色-恐惧权衡提供了一个引人入胜的天然实验室。在这里,喜马拉雅塔尔羊(Capra sibirica)是该国最大、最丰富的野生有蹄类动物,既是山地社区的狩猎对象,也是雪豹(Panthera uncia)的主要猎物。包括减少偷猎在内的保育措施使塔尔羊种群得以恢复,并可能对雪豹数量产生连锁影响。然而,塔尔羊在这片崎岖、捕食者丰富但植被稀疏的景观中生存的机制仍知之甚少。与生产力高的草原或森林生态系统不同,喀喇昆仑的寒冷沙漠只支持稀疏、低生物量的植被,主要沿河廊道和低海拔地区分布。在这样的环境中,经典的权衡可能会发生转变:绿色资源并不丰富,而是局限于离散的斑块,每个斑块都有自己独特的风险特征。对于塔尔羊来说,选择栖息地不仅意味着权衡牧草质量,还要考虑遭遇伏击捕食者的可能性,而伏击捕食者在破碎的岩石地形中具有优势。
雪豹是伏击捕食者,偏好崎岖地形、悬崖和排水线来追踪并捕杀猎物。它们的捕猎成功与地形复杂度和隐蔽性紧密相关。相比之下,塔尔羊依靠其敏捷性、陡峭的逃逸地形以及有时的高程迁移来降低易感性。然而,这两个物种经常共存,它们的空间重叠并非随机,而很可能受到栖息地特征的调节,这些特征可能促进或阻碍捕食者-猎物之间的相遇。一个关键未解问题是:塔尔羊是否优先将安全置于相对绿意盎然的觅食区域之上,或者它们是否冒着较高的捕食者出现风险而使用生产力高的斑块。同样,尚不清楚雪豹的空间利用是由其自身的栖息地偏好(如伏击所需的隐蔽性)驱动,还是向猎物集中的区域转移,即使那些区域对于捕猎本身并不是内在最优的。
为了回答这些问题,我们使用了巴基斯坦北部罕萨和纳加尔地区大空间范围的相机陷阱数据,并在多种占用模型框架内进行了分析。这种方法使我们能够估计特定物种的栖息地关联,同时考虑检测的不完美性,并检验共现模式是否偏离了仅基于栖息地的预期。具体而言,我们检验了与绿色-恐惧二元性一致的两个假设:
(1)H1(恐惧驱动的塔尔羊选择):反映反捕食策略,在雪豹存在的情况下,塔尔羊会选择提供逃逸路线或视野的区域,即使这些区域的植被生产力较低。
(2)H2(猎物驱动的捕食者调整):在共占区域,雪豹将根据猎物的空间模式调整空间行为。
通过检验这些假设,我们旨在超越对栖息地利用的静态描述,转而理解在世界上最极端的高山生态系统之一中,放牧可用性和捕食风险如何相互作用,塑造主要捕食者及其主要猎物的空间共存。
结果
我们部署了224个相机陷阱,共记录了6,074个陷阱夜,平均每个陷阱有27个运行陷阱夜。雪豹的原始占用率为0.20(44个地点;65次探测),喜马拉雅塔尔羊的原始占用率为0.18(40个地点;73次探测),两者在10个地点共同探测到。还观察到的其他野生动物包括赤狐(Vulpes vulpes)、石貂(Martes foina)、鼬属动物(Mustela spp.)、北山羊(Pseudois nayaur)、鼠兔(Ochotona roylei)、金鼠(Marmota caudata)和雪鸡(Tetraogallus himalayensis)。
特定地点的探测频率存在地理差异。坤杰拉布国家公园的探测率最高:雪豹在20个地点被探测到,塔尔羊在22个地点被探测到,两者在4个地点共存。在米斯加尔谷地,雪豹在14个地点被探测到,塔尔羊在12个地点被探测到,两者在4个地点共存。在罕萨-纳加尔地区,雪豹在10个地点被探测到,塔尔羊在6个地点被探测到,两者在2个地点共存。
塔尔羊的地点利用
基于赤池信息准则(AIC)的单种占用模型选择保留了崎岖度、距道路的距离和高程作为塔尔羊地点利用的重要预测因子(表1)。
模型 | AIC | DeltaAIC | 权重 | 累积权重 | K
---|---|---|---|---|---
**步骤1:塔尔羊** | | | | | |
1. ψ (Elevation) p (RGN) | 507.70 | 0.00 | 0.270 | 0.274 | 2
2. ψ (Elevation) p (DISRD) | 507.82 | 0.12 | 0.255 | 0.524 | 3
3. ψ (Elevation) p (Elevation) | 508.39 | 0.68 | 0.255 | 0.724 | 4
4. ψ (Elevation) p (.) | 509.23 | 1.52 | 0.126 | 0.843 | 5
5. ψ (Elevation) p (NN) | 510.81 | 3.10 | 0.057 | 0.904 | 6
6. ψ (Elevation) p (NDVI) | 511.23 | 3.52 | 0.046 | 1.004 | 6
**步骤1:雪豹** | | | | | |
1. ψ (NDVI) p (RGN) | 546.80 | 0.00 | 0.228 | 0.234 | 2
2. ψ (.) p (RGN) | 546.93 | 0.13 | 0.213 | 0.443 | 3
3. ψ (NN) p (RGN) | 547.71 | 0.92 | 0.144 | 0.594 | 4
4. ψ (DISRD) p (RGN) | 547.92 | 1.12 | 0.130 | 0.714 | 5
5. ψ (DISRV) p (RGN) | 548.01 | 1.22 | 0.124 | 0.844 | 6
6. ψ (Elevation) p (RGN) | 548.87 | 2.08 | 0.081 | 0.924 | 7
7. ψ (RGN) p (RGN) | 548.88 | 2.08 | 0.080 | 1.004 | 7
**步骤2:共存** | | | | | |
1. ψ (DISRD + DISRD + DISRD) p (Elevation + RGN) | 1056.99 | 0.00 | 0.333 | 0.331 | 0
2. ψ (. + . + .) p (Elevation + RGN) | 1057.52 | 0.53 | 0.256 | 0.587 | 3
3. ψ (RGN + RGN + RGN) p (Elevation + RGN) | 1057.94 | 0.95 | 0.207 | 0.801 | 0
4. ψ (Elevation + Elevation + Elevation) p (Elevation + RGN) | 1059.39 | 2.39 | 0.101 | 0.901 | 0
5. ψ (NN + NN + NN) p (Elevation + RGN) | 1061.40 | 4.41 | 0.037 | 0.931 | 0
6. ψ (DISRV + DISRV + DISRV) p (Elevation + RGN) | 1061.59 | 4.60 | 0.033 | 0.971 | 0
7. ψ (NDVI + NDVI + NDVI) p (Elevation + RGN) | 1061.60 | 4.61 | 0.033 | 1.001 | 0
表1 塔尔羊和雪豹单种占用(步骤1)和共存(步骤2)的模型选择结果摘要
协变量:Elevation,高程;RGN,崎岖度;NN,北向度;DISRV,距河流的距离;NDVI,归一化植被指数;DISRD,距道路的距离。
塔尔羊的地点利用与崎岖度正相关,与距道路的距离和高程负相关(表2)。与崎岖度的强正相关关系(图1A)突出了陡峭岩石地形作为关键栖息地特征的重要性,可能是重要的反捕食策略。即使在低海拔地区,塔尔羊似乎也更偏好使用陡峭的谷坡,而不是相对平坦的谷底。
图1 协变量对喜马拉雅塔尔羊(A)和雪豹(B)在巴基斯坦北部地点利用的影响
| 估计值 | 标准误 | z值 | Pr(>|z|) |
|---|---|---|---|
| **塔尔羊** | | | |
| Ψ (.) | -1.2507 | 0.629 | 1.988 | 0.0468* |
| Ψ (RGN) | 0.5696 | 0.3162 | 1.801 | 0.0717. |
| Ψ (DISRD) | -1.1202 | 0.6382 | 1.755 | 0.0792. |
| Ψ (Elevation) | -1.2822 | 0.9099 | 1.409 | 0.1588 |
| p (.) | -1.0334 | 0.3723 | 2.776 | 0.0055** |
| p (Elevation) | 1.158 | 0.4612 | 2.511 | 0.0120* |
| **雪豹** | | | |
| Ψ (.) | -0.808 | 0.375 | -2.15 | 0.0313 |
| Ψ (NDVI) | 8.401 | 6.15 | 1.37 | 0.172 |
| p (.) | -2.259 | 0.206 | -10.96 | 6.03E-28*** |
| p (RGN) | 0.501 | 0.225 | 2.23 | 0.0258* |
| **共存模型** | | | |
| Ψ [塔尔羊] (.) | -4.03 | 1.692 | -2.38 | 0.0171 |
| Ψ [塔尔羊] DISRD | -3.69 | 1.825 | -2.02 | 0.043* |
| Ψ [雪豹] (.) | -1.35 | 0.726 | -1.85 | 0.0639 |
| Ψ [雪豹] DISRD | -1.12 | 0.884 | -1.27 | 0.2056 |
| Ψ [塔尔羊:雪豹] (.) | 4.08 | 2.053 | 1.99 | 0.0471* |
| Ψ [塔尔羊:雪豹] DISRD | 4.47 | 2.332 | 1.92 | 0.0553 |
| p [塔尔羊] (.) | -1.084 | 0.336 | -3.22 | 0.0013* |
| p [塔尔羊] Elevation | 1.04 | 0.352 | 2.96 | 0.0031** |
| p [雪豹] (.) | -2.281 | 0.205 | -11.12 | 0.0000*** |
| p [雪豹] RGN | 0.425 | 0.23 | 1.85 | 0.0650 |
表2 巴基斯坦北部塔尔羊和雪豹单种占用模型的参数估计
显著性代码:0,"***";0.001,"**";0.01,"*";0.05,".";0.1," " 1
距道路距离和高程的联合负效应(图1A)表明塔尔羊与低海拔谷地系统有很强的关联。它们与道路可达廊道的表观关联应谨慎解释,因为在山地景观中道路通常沿河谷延伸。因此,观察到的模式很可能反映了它们对生产力高的谷地栖息地的偏好,那里牧草和水资源集中,而不是对道路本身的直接吸引。
高程在模型的占用和探测组件中都得以保留,但其效应方向相反。占用率随高程增加而下降,而探测概率则增加。在低海拔谷地,崎岖地形和茂密的植被可能通过提供遮蔽和限制视野来降低可探测性。相比之下,高海拔地区通常以开阔的高山草甸和碎石坡为特征,塔尔羊在那里更容易被观察到。
总体而言,结果表明塔尔羊是低-中海拔崎岖地形专家。它们主要利用谷地系统中的陡坡,特别是在靠近道路和河流的区域,那里资源可能更加集中。
这种栖息地利用模式在空间占用地图(图2A)中清晰体现,显示研究区域的48.0%属于低占用等级(0.00-0.25),50.6%属于中等占用等级(0.26-0.50),不到2%属于高占用等级(>0.50)。
图2 喜马拉雅塔尔羊(A)和雪豹(B)在巴基斯坦北部的地点利用空间模式
雪豹的地点利用
雪豹的最佳单种占用模型保留了归一化植被指数(NDVI)作为占用率的预测因子,以及崎岖度作为探测概率的预测因子(表1)。
雪豹的生态位由对植被的刀锋式反应和对崎岖地形的强烈依赖来定义,以确保视野(表2)。效应图显示了陡峭的阈值反应(图1B)。在NDVI低于0.0(裸岩和永久积雪)时,占用率几乎为零。一旦NDVI略微变为正值,占用率概率就垂直跃升至1.0。这表明雪豹在广阔景观中游荡,除了裸岩和永久积雪区域之外。
崎岖度作为探测驱动因素很可能反映了雪豹的自然行为。它们利用崎岖特征、山脊线、悬崖和岩石露头作为通行走廊、气味标记点(刮痕)和瞭望点。在崎岖地形中的探测可能性要大得多,因为动物被这些特征引导通过。
空间占用地图(图2B)显示研究区域的32.6%属于低占用等级(0.00-0.25),58.3%属于中等占用等级(0.26-0.50),不到9.1%属于高占用等级(>0.50)。与塔尔羊相比,雪豹在研究区域表现出更高的占用率。
多种占用
得到最佳支持的共存模型保留了距道路的距离(DISRD)作为联合占用的关键预测因子。塔尔羊的占用率受到距道路距离的强烈影响,具有显著的负效应(β = -3.69,SE = 1.83,p = 0.043),表明靠近道路时出现概率更高。雪豹的占用率表现出相似但非显著的趋势(β = -1.12,SE = 0.88,p = 0.21),仅提供微弱证据表明靠近道路时占用率更高。
物种交互项在截距处为正且显著(β = 4.08,SE = 2.05,p = 0.047),表明雪豹和塔尔羊的共存频率高于独立情况下的预期,特别是在靠近道路的区域。距道路距离的交互效应也为正(β = 4.47,SE = 2.33,p = 0.055),表明虽然两个物种的占用率都随距道路距离增加而下降,但它们在更偏远区域相对于独立情况的共存倾向增加。
塔尔羊的边缘占用图(图3)显示随距道路距离增加,地点利用概率明显下降,这与单种占用模型一致,支持了塔尔羊主要是谷地动物的解释。
相比之下,雪豹的边际占据率与道路距离之间表现出微弱且非线性的关系,表明在独立考虑时,几乎没有证据显示雪豹的分布与道路邻近度存在直接关联。
图查看器 图3 共占据模型的效应图,展示了北山羊和雪豹对道路距离响应的边际占据率和条件占据率
条件占据率模式揭示了不同的响应方式。在雪豹存在的条件下,北山羊的地点使用概率随着远离道路而增加,表明栖息地使用发生了空间偏移,这可能与捕食者的存在有关。类似地,当北山羊存在时,雪豹的占据率随着远离道路而显著增加,在中等至更远距离处达到最高水平。这些条件响应表明,两个物种的空间利用受到其相互作用的共同影响,捕食者的出现与猎物的分布紧密相关,而猎物可能会根据捕食风险调整栖息地使用。
由于靠近道路的区域同时也是景观中生产力最高和植被最丰富的部分,这些区域很可能成为捕食者与猎物互动的主要场所。因此,雪豹可能会被吸引到比仅根据其栖息地偏好所预期的更靠近道路及相关基础设施的地方(图4)。
图查看器 图4 巴基斯坦北部北山羊和雪豹的空间共占据模式
**讨论**
我们的研究结果表明,喀喇昆仑山脉中北山羊和雪豹的栖息地利用与共现模式受到环境梯度和种间相互作用的共同影响。所观察到的模式与"恐惧景观"等理论框架一致,其中猎物物种需要在资源获取与捕食风险之间进行权衡。
**边际占据率**
在单物种模型中,北山羊的占据率与崎岖地形和高海拔呈正相关,而随道路距离增加而下降。这一发现表明,北山羊优先使用陡峭、复杂的 terrain,这有助于增强捕食者检测和逃生机会,与中亚和南亚山地系统中的先前研究一致。与道路距离的负相关关系可能反映了间接生态效应,而非对基础设施的吸引。在喀喇昆仑山等高原环境中,道路通常沿河谷底部延伸,那里饲料可用性和可达性更高,尽管存在相关风险,这些区域仍然可能对食草动物具有吸引力。
雪豹的检测和占据率模式进一步强调了地形结构的重要性。检测概率在崎岖景观中显著增加,支持了雪豹作为伏击型捕食者、依赖破碎地形有效追踪猎物的既有观点。尽管归一化差异植被指数(NDVI)与雪豹占据率呈正相关,但该物种与高生产力植被区域的关联有限。这可能与研究区域中植被的空间分布有关,即生产力高的斑块面积有限,且可能与最佳猎场不重合。
**条件占据率**
多物种占据模型揭示了关于捕食者-猎物空间动态的重要见解。显著的正交互项表明,北山羊和雪豹之间的共现率高于独立假设下的预期,暗示了具有生物学意义的空间重叠。然而,这种重叠并非静态的;而是受到环境因素的调节,尤其是道路距离。虽然北山羊的占据率随道路距离增加而下降,但共现的强度在更偏远的区域反而增强。这一模式表明,在人类改造景观较少的偏远地区,生态过程受到的人为约束更少,捕食者-猎物相互作用在此类区域更加强烈。
值得注意的是,栖息地响应曲线表明,在共现条件下空间使用发生了偏移。当雪豹存在时,北山羊在远离道路的地方的使用概率增加,表明这是一种为降低捕食风险而做出的行为调整。这种空间位移是一种常见的反捕食策略,在大型食肉动物暴露的有蹄类动物中已被广泛记录。相反,当北山羊存在时,雪豹的地点使用概率随道路距离增加而显著上升,表明捕食者的空间分布与猎物的移动密切相关。这支持了一个观点,即大型食肉动物会根据猎物可用性表现出适应性栖息地选择,这一模式在多种食肉动物-有蹄类动物系统中已被观察到。综合来看,这些发现表明,北山羊和雪豹之间的共现是由栖息地介导的过程和行为反馈驱动的,而非被动重叠。北山羊选择的区域在饲料可用性和安全性之间取得平衡,而雪豹则在结构复杂的环境中追踪猎物分布,以提高狩猎成功率。这种动态交互凸显了将种间相互作用整合到栖息地模型中的重要性,因为单物种方法可能忽略关键的生态机制。
**对保护规划的启示**
从保护角度看,研究结果强调了异质性山地景观的生态重要性,这些景观既为猎物提供了避难所,也为捕食者提供了狩猎场。捕食者-猎物互动在偏远地区集中这一现象表明,减少这些区域的人类干扰对于维持自然生态过程至关重要。此外,在单物种情境下两个物种与道路附近区域的关联凸显了潜在的保护挑战,因为高海拔地区基础设施的扩展可能会改变栖息地利用并破坏捕食者-猎物动态。
总体而言,本研究为不断增长的证据做出了贡献,证明高山生态系统中捕食者和猎物的分布通过环境约束和行为适应紧密耦合。多物种占据方法为解析这些关系提供了强有力的框架,应进一步应用于指导脆弱山地生态系统的保护规划。
**研究的局限性**
在解释本研究结果时,应考虑到几个重要的局限性。首先,分析基于"快照"占据框架,这能有效捕捉地点使用的空间模式,但未考虑时间上的回避行为或物种间的动态相互作用;因此,在更短时间尺度上发生的短期行为响应可能未被完全反映。其次,虽然采用了NDVI作为植被生产力的代理指标,但其可靠性可能受到积雪覆盖的影响,积雪会改变光谱反射率,并可能在高寒或季节性积雪覆盖的景观中造成栖息地质量估计的偏差。第三,分析假设采样期间种群封闭,即无迁入、迁出、出生或死亡,但违反该假设会影响检测概率和占据率估计。最后,模型选择和参数估计中的不确定性仍然是一个固有挑战,特别是在竞争模型获得相似支持或样本量有限时,这可能会影响结果的稳健性和普适性。综合来看,承认这些限制为解释研究结果提供了必要的背景,并强调了谨慎推论的必要性。
**结论**
本研究表明,北山羊的栖息地选择受到感知捕食风险的强烈影响,具体表现为其偏好崎岖、高海拔且靠近河流的地形,但回避植被更丰富的区域。雪豹的占据率也随地形特征变化,但在某些条件下似乎会根据猎物分布进行调整。这些发现凸显了猎物行为如何在异质性景观中塑造捕食者的移动,并为"恐惧景观"提供了进一步的证据。
多物种占据模型在探索捕食者-猎物系统中的空间动态方面被证明是有效的,并为未来高山地区的生态和保护研究提供了强有力的框架。
**资源可用性**
**主要联系人**
有关更多信息和资源请求,请联系主要联系人Muhammad Ali Nawaz(nawazma@gmail.com),他将提供相关信息。
**材料可用性**
本研究未产生新的独特试剂。
**数据和代码可用性**
- 本文报告的所有数据和R代码可在以下仓库获取:https://data.mendeley.com/preview/cgcp7pkjpp?a=301694b7-747b-4f17-ae96-69f86854a543。
- 重新分析本文所报告数据所需的任何其他信息,可向主要联系人索取。
**致谢**
我们感谢Gilgit-Baltistan公园与野生动物部门的工作人员以及当地社区在野外调查期间提供的支持。数据收集的经费支持来自Snow Leopard Trust;巴基斯坦高等教育部承担了"国际研究支持计划(IRSIP)"下前往马萨诸塞大学进行本文分析的费用。我们还感谢SLF工作人员以及Quaid-i-Azam大学学生在野外工作期间提供的协助,特别是Mohammad Younas、Shoaib Hameed和Muhammad Kabir。
**作者贡献**
H.A.、C.S.、M.A.N.:概念设计、调查、数据整理、撰写——原始草稿、形式分析、方法论、软件、可视化和验证;J.U.D.:数据整理和撰写——审阅与编辑。M.A.N.:监督、项目管理及资金获取。
**利益声明**
作者声明他们没有已知的竞争性经济利益或个人关系可能会影响本文报告的工作。
**STAR★方法**
**关键资源表**
| 试剂或资源 | 来源 | 标识符 |
|---|---|---|
| DEM | EarthExplorer, USGS | https://earthexplorer.usgs.gov/ |
| NDVI | GloVis, USGS | https://glovis.usgs.gov/ |
| TRI | Riley, DeGloria, Elliot (使用ArcHydro Tools 3.2.2) | https://arc.lib.montana.edu/ojs/index.php/IJS/article/view/2914 |
| 河流 | 数字化 | https://googleearth.com |
| 道路 | 数字化 | https://googleearth.com |
**软件和算法**
| 名称 | 来源 | 标识符 |
|---|---|---|
| ArcGIS Pro | ESRI | https://www.esri.com/ |
| R Core Team | https://www.r-project.org/ | RRID: SCR_001905 |
| unmarked包 (v 1.5.2) | unmarked: Models for Data from Unmarked Animals | https://CRAN.Rproject.org/package=unmarked |
| ArcHydro Tools 3.2.2 | ESRI | https://www.esri.com/en-us/industries/water-resources/arc-hydro |
**方法细节**
**研究区域**
本研究在巴基斯坦北部Hunza和Nagar地区的多个山谷进行,包括Khunjerab、Misgar、Shimshal、Khudabad、Khyber、Hussaini、Gulmit、Ghulkin、Ahmedabad、Hassanabad、Nagar Khas、Hopper和Hisper。这些山谷位于巴基斯坦-中国边境,介于东经74°至76°、北纬36°至37°之间,覆盖面积约14,826平方公里。该地区地形极为崎岖,海拔从1,695米变化到7,889米(图5)。
图查看器 研究区域,显示巴基斯坦北部相机站位位置
气候寒冷干燥,冬季(11月至次年2月)月平均气温降至-1°C,夏季(6月至8月)最高可达23.3°C。冬季最低气温达-18°C,夏季最高气温升至30°C。年降水量平均为149.7毫米,大部分以冬季降雪形式出现,3月和4月偶有降雨。由于喜马拉雅山脉和兴都库什山脉的屏障效应,喀喇昆仑景观受季风系统影响极小,形成了干旱的阿尔泰草原生态系统。这些山谷为多样的植物(如蒿属植物Artemisia spp.、大叶报春Primula macrophylla、紫花点地梅Saxifraga sibirica)和动物提供了栖息地,包括雪豹(Panthera uncia)、北山羊(Capra sibirica)、棕熊(Ursus arctos isabellinus)、灰狼(Canis lupus)、赤狐(Vulpes vulpes)和蓝羊(Pseudois nayaur)。
**红外相机陷阱调查**
我们部署了224台红外/运动触发相机(Reconyx HC 500和HC 900;Reconyx, Holmen, USA),以5×5公里网格作为采样单元,在每个可到达的网格中放置相机。相机之间保持至少1公里的空间距离,以在地形限制下最大化空间覆盖。虽然这一间距小于雪豹和北山羊的典型家域范围,但由于占据模型估计的是地点级别的利用概率而非个体存在,因此不需要严格的地点独立性。此外,这一间距与以往类似系统中的红外相机占据研究一致,适用于采样单元尺度的推断。相机安装在专门设计的40-60厘米铁制支架上。任何间接动物痕迹(如粪便、刨刮痕、足印、下巴擦痕和粪粒)以及地形特征(如山脊、悬崖底部和沟槽)都被视为重要的相机安装位置。为了提高目标物种的检测率,在每个相机支架一米外、在相机视野范围内设立了诱饵站,通过用脚踩平地面来水平放置。将浸透鱼油的熟石膏片放置在踩平的地面上,同时使用巨石或植被来施用卡斯特油或臭鼬液。这些诱饵增强了食肉动物的检测率,同时不会吸引食草动物。
使用红外相机陷阱调查格式,记录了相机位置(经度和纬度)、诱饵类型、相机站点潜力以及20米缓冲区内的动物痕迹等信息。
相机在四次红外相机陷阱调查中运行15至80天。调查按以下方式开展:(1)2011年9月21日至11月9日,每台相机运行15晚后移至下一个站点再运行15晚;(2)2013年5月11日至6月13日,采样持续30天;(3)2016年3月3日至5月7日,相机运行65天;(4)2018年4月11日至7月1日,持续80天。北山羊和雪豹的陷阱历史记录通过对每个相机站点的缺失值赋"0"、存在值赋"1"来构建。为减少数据集中的零膨胀,80天调查期间收集到的检测/未检测数据被汇总为每个相机站点的3天周期,共27个采样时次。
**协变量**
北山羊和雪豹根据某些栖息地特征选择栖息地。因此,我们纳入了自然变量(海拔、坡度、坡向、河流距离、冰川距离和归一化差异植被指数NDVI)和人为变量(道路距离)。
航天飞机雷达地形测量任务(SRTM)数据从 (https://earthexplorer.usgs.gov/) 下载。河流、冰川和道路(车辆道路)的欧几里得距离以及 NDVI 是使用 Landsat 8 影像的第 04 波段和第 05 波段计算的,针对生长旺季(4 月至 8 月),(从 (https://glovis.usgs.gov/) 下载)。而坡度和坡向是从 SRTM 推导出来的,使用的是 ArcGIS Pro 3.2.2 (ESRI Inc, Redlands, USA) 空间分析工具中针对每个操作的具体工具。最后,地形起伏指数(TRI)是根据坡度和坡向推导出来的。所有环境图层原本可用的分辨率均为 30 米,已上采样至 1000 米,以使预测变量的空间分辨率与相机陷阱占用点的尺度相一致,并减少细尺度环境数据之间的空间不匹配。我们使用每个相机站点周围 1,000 米的圆形缓冲区提取了上述共变量,这些圆形缓冲区涵盖的面积约为 3.14 平方公里。关于北山羊的遥测研究表明,北山羊通常将大部分活动集中在 4.76 平方公里的范围内。使用 ArcGIS Pro 3.2.2 中的区域统计工具提取了每个变量的平均值。使用 R 中 psycho 包的标准化函数将数值标准化为零均值和标准差为 1。我们没有使用任何两个通过皮尔逊相关测试显示相关系数大于 0.70 的变量,以避免变量之间的多重共线性(图 S1)。
占用模型
我们首先运行了由...开发的单季节、单物种占用模型。我们假设需要一套独特的栖息地共变量,因为所考虑的物种具有不同的进化谱系和饮食需求。因此,我们首先检查了不同栖息地共变量对北山羊和雪豹探测概率的影响。在使用 R 中 unmarked 包的 occu 函数运行用于估算占用的模型时,最佳探测模型中的共变量保持不变。然后,我们使用赤池信息准则(AIC)从最佳探测和占用模型中选择用于多物种模型的栖息地共变量。我们使用多物种占用模型来评估喜马拉雅北山羊和雪豹共同出现的频率是高于还是低于根据其各自栖息地偏好所预期的偶然性。共同出现模型是使用 unmarked 包中的 occuMulti 函数进行的。这些模型功能强大,因为它们可以估算喜马拉雅北山羊和雪豹对彼此占用的影响,并与不同共变量的影响进行对比。我们固定了取自单物种模型的探测和占用状态共变量,然后对条件占用概率进行了建模(例如,在雪豹存在的条件下北山羊占用的概率)。我们采用了由...提出并倡导的模型选择方法,该方法已被证明能够恢复适当的顶级模型。此外,最近的一篇论文表明,当预测是目标时,多物种共同出现模型适用于预测生态状态(但承认用于推断时可靠性较低)。然后,我们使用 AIC 对多物种模型进行排名以找到最佳模型。
量化与统计分析
单物种和多物种占用模型被用来量化喜马拉雅北山羊和雪豹的场地使用模式。表现最佳的单物种和多物种占用模型使用赤池信息准则(AIC)进行了排名。
补充信息
(1)PDF (119.32 KB) 文档 S1。图 S1
生物通微信公众号
生物通新浪微博
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