长期浮游动物群落动态解译的多元分析框架

《Journal of Plankton Research》：A multivariate analysis framework for interpreting long-term zooplankton community dynamics

　　

多元分析广泛应用于刻画长期数据集中的浮游生物群落动态，此类数据集往往存在稀疏采样。这些数据集通常需要多种多元分析方法来描述群落结构格局、将这些格局与环境变化相关联，并识别导致观测差异的分类群。然而，浮游生物研究者可能难以判断应使用哪种多元分析方法来最佳地分析其数据。本文旨在展示通常单独应用的常用多元分析方法如何被整合起来，以对浮游生物群落的随时间变化提供互补性见解。研究人员将三种方法——非约束排序（unconstrained ordination）、约束排序（constrained ordination）和分类群特异性分析（taxon-specific analyses）——应用于一个非连续的7年淡水浮游动物数据集，以评估群落变异性。非约束排序揭示了年内及年际的变动动态，且环境驱动因子的重要性在年内与年际之间存在差异。约束排序识别出浮游动物群落的若干驱动因子，包括赛氏深度（Secchi depth）、总磷（total phosphorus, TP）和施密特稳定性（Schmidt stability）。最后，分类群特异性分析既识别出与个别年份相关的分类群，也识别出驱动年际组成差异的分类群。研究结果表明，多元方法能够提供互补性见解，零散浮游生物时间序列在整合分析框架下可产生稳健的生态学推断。

浮游动物在淡水生态系统中充当浮游植物的牧食者和鱼类饵料，连接营养级间相互作用，其群落在昼夜到年际尺度上高度可变。由于采样 logistics 复杂且处理费时，许多浮游动物数据集存在时间缺口，导致研究者难以选择合适分析方法。已有方法评估多针对连续高分辨率序列，对非连续多年数据的指导有限。本研究以美国弗吉尼亚州Beaverdam Reservoir（BVR）富营养化水库为对象，该水库最大水深13.4 m，面积0.38 km²，受水文和气象波动影响明显。研究人员于2014—2016、2019—2021及2023年的4—11月采集85个浮游动物样品（80-μm浮游动物网全水柱拖网，辅以Schindler trap校正网滤效率），同时获取温度、溶解氧、营养盐、浮游植物色素和气象数据，共鉴定23个浮游动物分类单元。研究整合非度量多维尺度分析（NMDS）、冗余分析（RDA）与基于距离的冗余分析（dbRDA）、指示物种分析（ISA）和相似性百分比分析（SIMPER），回答群落和环境驱动因子如何随月份和年份变化，以及多方法整合能提供何种生态学见解。

研究结果如下：

非约束排序识别出浮游动物群落在月份和年份间的显著变化。第一阶段NMDS（k=3，stress=0.14）显示月、年质心分离，PERMANOVA显示月份和年份均显著（R²=0.19和0.20），但多边形重叠表明仅部分组合存在差异。envfit分析显示绿藻、蓝绿藻、褐藻和混合藻色素及赛氏深度、溶解氧、水温、营养盐和Schmidt稳定性与排序轴显著相关。第二阶段NMDS（k=3，stress=0.10）发现2021与2023年5—10月群落结构最相似，水体和Schmidt稳定性与2014、2015年动态正相关。

约束排序揭示分层与枝角类和轮虫类群的关联。RDA和dbRDA分别解释23.2%和20.7%的总变异，Procrustes检验显示两者高度一致（r=0.97，P=0.001）。显著驱动因子包括Schmidt稳定性、赛氏深度、水位、下层水温、温跃层深度、上层总氮和褐藻色素。变差 partitioning 显示物理变量解释8.4%，化学变量解释6.2%，二者共享5.6%，气象变量可忽略。Keratella与较强分层正相关，而Bosmina、Chydorus、Polyarthra、Ascomorpha和Conochilus负相关；Kellicottia与褐藻色素负相关，Cyclopoida、nauplii和Ceriodaphnia与下层水温正相关。

分类群特异性分析识别出年际变化的关键类群。ISA确定9个显著指示分类群：Ascomorpha、Diaphanosoma和Chydorus指示早期年份（2014—2016），Conochiloides、Gastropus和Synchaeta指示后期年份（2019—2023），Bosmina、Ceriodaphnia和Trichocerca跨时段出现。SIMPER显示nauplii、Keratella和Kellicottia对两两年间Bray-Curtis相异度平均贡献最大；ISA与SIMPER共同识别Ascomorpha、Bosmina、Ceriodaphnia、Chydorus、Conochiloides、Gastropus和Trichocerca为主要年际变化驱动类群。

讨论部分指出，年内密度峰次序与浮游生物生态学群（plankton ecology group, PEG）模型预期的演替一致，如nauplii峰值早于Cyclopoida，表明补充滞后；群落从早期小型枝角类向后期轮虫类转变，反映功能结构变化。物理和化学因子共同塑造群落，其中分层和混合过程尤为重要。RDA与dbRDA结果趋同，可能与研究期间群落组成相对稳定有关；ISA与SIMPER的差异有助于区分时间特异性与丰度驱动型变化。研究还提出一个多元分析方法选择的概念性工作流程，强调按研究目标整合探索性排序、约束排序和分类群分析方法。

研究结论翻译：在7年研究期间，研究展示了常用多元方法如何以互补方式应用于浮游动物群落年际和年内动态研究。研究发现浮游动物群落在年份和月份间高度可变，与分层相关的物理和化学变量是群落结构的重要驱动因子；多个枝角类和轮虫类群与水库内分层条件相关。通过整合非约束排序、约束排序和分类群特异性分析，这些方法提供了关于群落动态的互补视角，将时间变异的宏观格局与环境结构及造成组成变化的关键类群联系起来。该多方法框架强调，没有单一多元技术能全面捕捉生态群落的复杂性，研究为理解浮游动物群落动态提供了稳健且具有生物学可解释性的基础，并可应用于其他受多过程驱动的长期生态数据集。