土地利用变化影响下生物多样性指标的压力测试评估

《Diversity and Distributions》：Stress-Testing Model-Derived Biodiversity Indicators Under Different Assumptions of Land-Use Change Impacts

　　

摘要 目的 迫切需要识别促进生物多样性恢复的可持续发展路径。然而，生物多样性是多维度的，其各个侧面仅能捕捉整体的一部分。概括这种复杂性的生物多样性指标对生物多样性不同变化形式的敏感性各不相同，但目前尚不清楚指标选择在多大程度上影响对土地利用变化等驱动因素的估计响应。本研究评估了31个指标在若干生态变化情景下的敏感性和可预测性。 地点 模拟研究，全球尺度。 方法 研究人员模拟了在一系列初始群落属性和11种代表不同土地利用变化影响程度（涉及丰度、丰富度和均匀度）的情景下的局域物种群落。在这些模拟中，研究人员建模了一套位点内和位点间的生物多样性指标，评估它们检测和预测土地利用驱动的生态变化的能力。 结果 研究表明，模型推导的指标响应形成了代表生物多样性不同侧面的聚类（如丰度、丰富度），强调了需要使用多个指标来捕捉生物多样性变化的多重维度。此外，大多数指标仅在少数生态变化情景中表现出较强的性能（就响应幅度和可预测性而言）。基于模拟的评估揭示了指标响应性和可预测性的重要模式，这些模式很可能适用于现实世界的生态数据。 主要结论 压力测试表明，应至少使用三个指标——总丰度（total abundance）、几何平均丰度（geometric mean abundance）和群落差异度（Canberra距离或Clark距离）——来提供土地利用影响的全面视角。物种丰富度（species richness）和均匀度/组成（如Hill-Simpson指数、Hill-Shannon指数）提供了额外的信息背景，但前者对生态变化的敏感性较低，后者的保护相关性较弱。使用一组互补的指标来可靠地检测和预测人为驱动的生态变化，能够实现更有效的保护监测和行动。

论文解读文章

1. 研究背景与问题提出

随着人类活动持续重塑地球环境，理解生物多样性如何响应这些变化对于制定保护干预措施和设计可持续发展路径至关重要。然而，生物多样性本质上是复杂且多维的，衡量陆地生物多样性的状态和变化依赖于多种指标，这些指标代表了不同的生态特征。将分析局限于任何一个单一指标都存在风险，只能呈现整体生物多样性变化的部分视图。例如，物种丰富度可能保持不变或变化很小，但那些物种的丰度和/或身份可能发生显著变化，导致生态重组。因此，指标的选择会强烈影响关于生物多样性变化性质的结论。

以往的研究虽然强调了使用多个指标的重要性，并建议考虑至少三个分别代表丰度、丰富度和群落组成的指标，但对于具体选用哪种指标仍存在争议。例如，有人建议使用香农多样性指数（Shannon diversity）来捕捉群落组成，而另一些研究则认为该指标在某些形式的生物多样性变化下可能不敏感或产生误导。此外，除了基于时间序列的指标外，还需要基于模型的等效指标，将生物多样性指标与土地利用和气候变化等全球变化驱动因素联系起来。这类模型对于检测生物多样性变化、将其归因于人类原因以及预测未来社会经济情景下的生态响应至关重要。然而，研究人员对生物多样性响应全球变化驱动因素的理解受到建模框架中所考虑指标的影响。

另一个常被忽视的问题是基线或参考群落组成对指标响应的影响。物种丰富度在空间上和生态系统间存在自然变异，并且在大尺度上，物种丰富度与群落均匀度之间存在负相关关系。因此，一个指标检测生物多样性变化的能力可能取决于群落结构的这些方面。本研究旨在通过模拟多种初始群落结构和生态变化情景，系统地评估模型推导的生物多样性指标的响应幅度、可预测性和稳定性，从而解决上述问题。

2. 研究内容与主要结论

研究人员采用虚拟生态学家方法，模拟了不同土地利用下的物种集合，以便深入测试生物多样性指标和模型。通过将核心模拟协议与群落组成的关键方面（物种丰富度和群落类型）以及土地利用影响（变化情景和效应大小/不确定性）的系统变化相结合，评估了这些特征对指标性能的影响。总体而言，研究人员考虑了414种模拟规格，每种重复100次。研究的主要结论包括：

• •
  模型推导的指标响应形成了代表生物多样性不同侧面（如丰度、丰富度）的聚类，强调需要使用多个指标。
• •
  大多数指标仅在少数生态变化情景中表现出较强的性能（就响应幅度和可预测性而言）。
• •
  压力测试表明，应至少使用三个指标——总丰度（total abundance）、几何平均丰度（geometric mean abundance）和群落差异度（Canberra距离或Clark距离）——来提供土地利用影响的全面视角。物种丰富度和均匀度/组成（如Hill-Simpson指数、Hill-Shannon指数）提供了额外的信息背景，但前者对生态变化的敏感性较低，后者的保护相关性较弱。

3. 关键技术方法

研究人员使用了以下主要关键技术方法：

1. 1.
   虚拟生态学模拟：通过计算机模拟生成具有特定属性的合成生态群落，以替代真实世界数据进行指标测试。
2. 2.
   系统化参数设置：系统地改变初始群落的物种丰富度（低、混合、高）和群落类型（均匀、中等、优势种主导），以及11种生态变化情景（如比例下降、物种丧失、稀有/常见种下降等）和5种效应大小与不确定性组合。
3. 3.
   混合效应模型：针对每个生物多样性指标和每次模拟，拟合广义线性混合效应模型（GLMM），以土地利用为固定效应，“研究”身份为随机截距，用于估计平均土地利用影响。
4. 4.
   交叉验证：采用随机10折交叉验证和按“研究”分层的块状交叉验证，来评估生物多样性指标的可预测性和模型系数的一致性。

4. 研究结果

4.1 指标聚类

• •
  位点内指标聚为五类：丰度类（平均丰度、总丰度）、丰富度类（物种丰富度、Chao1指数、稀疏化物种丰富度）、均匀度类（香农指数、辛普森指数、均匀度）以及复杂函数类（几何平均丰度、生物完整性指数）。
• •
  位点间指标均呈正相关，但分为三类：Clark距离、Canberra距离、Gower距离、超体积和生物完整性指数为一类；altGower距离单独一类；其余指标为一类。
• •
  综合所有31个指标，识别出五个聚类，大致反映了位点内指标的聚类模式。

4.2 信号强度

• •
  Canberra距离、Clark距离和Gower距离指标在多数情景下显示出最强的信号（即检测到显著土地利用影响的比例高）。
• •
  丰富度指标（尤其是物种丰富度和Chao1指数）在缺乏物种损失或增加的大多数情景中信号为零。
• •
  仅稀有或大型物种下降的情景下，大多数指标的信号较低。

4.3 响应幅度

• •
  指标响应的幅度比信号更具情景特异性。
• •
  在比例下降情景中，总丰度、平均丰度和几何平均丰度指标有中等响应。
• •
  丰富度指标仅在均匀下降和物种丧失情景下响应幅度较大。
• •
  在“更不均匀”情景下，生物完整性指数、位点内均匀度指标和所有位点间指标（除altGower外）响应强烈。
• •
  在稀有/大型/常见物种下降三种情景中，没有任何指标记录到强响应。

4.4 可预测性

• •
  位点间指标在所有情景中始终显示出最高的决定系数（R2）值，其中Canberra距离和Clark距离的预测性能最高。
• •
  位点内指标的预测能力通常较低，且常为负值。
• •
  所有指标在交叉验证下均表现出高度一致性。

5. 讨论与结论

讨论部分总结：研究结果表明，模型驱动的生态推断受指标选择和所建模系统的生态属性强烈影响。指标响应形成聚类，大致代表它们测量的分类多样性组成部分。基于模拟结果，建议在建模生物多样性变化时考虑一套由三到五个指标组成的指标体系。具体推荐包括：（缩放后的）总丰度、（缩放后的）几何平均丰度和群落差异度（Canberra距离或Clark距离）。这些指标的组合能在所有测试情景下良好运行，代表分类多样性的多个维度，从而提供更完整的生物多样性变化图景。物种丰富度指标应谨慎解读，绝不应单独报告。传统的局域多样性度量（如辛普森指数和香农指数）在孤立使用时不足以反映变化，且从保护角度更难解读。与预期相反，简单的指标并未普遍表现出更好的预测性能，反而是复杂的位点间差异度指标通常具有更高的R2值。这可能是因为位点间指标的计算和内部缩放减少了研究间变异，使其相对更容易用模拟的土地利用变化来解释。

研究结论部分翻译：基于模拟的压力测试表明，生物多样性指标在不同土地利用变化情景下的敏感性和可预测性存在差异。指标响应围绕不同的生物多样性侧面形成聚类，没有一个单一指标在所有形式的模拟生态变化中表现始终良好。然而，研究人员确定了一组互补的指标——（缩放后的）总丰度、（缩放后的）几何平均丰度和群落差异度（Canberra距离或Clark距离）——它们在所有测试情景下共同表现出色。丰富度和均匀度为基础的度量提供了额外的背景信息，但前者通常不太敏感，后者的保护相关性较低。尽管特定的研究问题可能倾向于其他或更少的指标，但研究人员的建议为尝试使用空间换时间建模框架稳健地检测、归因和预测生物多样性变化的分析提供了一个有用的基准。