《Ecology》：What goes up must come down: Using weather surveillance radar data to forecast migratory birds banded on the ground
编辑推荐：
生态预报（ecological forecasting）是预测生态系统未来状态的有力框架，包括物种分布，并支持在快速变化的世界中进行主动保护、管理和政策决策。预报工作涵盖多种系统和生物，但许多生态现象，尤其是涉及高度移动物种的现象，仍然难以预测。例如，迁徙塑造
生态预报（ecological forecasting）是预测生态系统未来状态的有力框架，包括物种分布，并支持在快速变化的世界中进行主动保护、管理和政策决策。预报工作涵盖多种系统和生物，但许多生态现象，尤其是涉及高度移动物种的现象，仍然难以预测。例如，迁徙塑造了陆地与空中环境中的种群动态、物种相互作用、生态服务和疾病传播。在空中和停歇栖息地观察到的鸟类迁徙脉冲往往被分别研究；然而，这两个迁徙阶段之间的联系在很大程度上尚未被量化。本研究评估天气监视雷达（weather surveillance radar, WSR）的夜间迁徙活动指标能否预测长期鸟类环志站的捕获数量，从而架起迁徙的空中与陆地视角之间的桥梁。研究人员利用两个WSR站点——KBOX（马萨诸塞州波士顿）和KGYX（缅因州波特兰）——的数据以及缅因州阿普尔多尔岛（1996–2023年）的鸟类环志记录，检验了雷达衍生的空中迁徙活动指标如何预报陆地鸟类环志捕获量。采用留一年交叉验证（leave-one-year-out cross-validation），整合雷达指标、大气条件和非环境协变量的广义加性模型（generalized additive models, GAMs）在两个季节均产生了具有技巧的日捕获量概率预报，在23个春季年份中的21个和26个秋季年份中的23个改进了持续性基线（中位CRPS技巧分别为0.25和0.12）。在大多数年份中，纳入雷达衍生指标进一步改进了超越大气预测因子的预报（春季：23年中的18年；秋季：26年中的21年）。模型分别解释了春季和秋季日捕获量57.8%和49.9%的偏差。这些发现表明，连接空中与陆地监测可以增强迁徙预报，对诸如针对性“熄灯”倡议和停歇栖息地管理等保护策略具有重要意义。该方法为预报大尺度大气数据与地面生态过程之间的联系提供了一条可扩展的路径。
研究背景方面，生物运动是基本的生态过程，重新分配能量、竞争、营养、物种相互作用和疾病。季节性迁徙在大时空尺度上 broadly 可预测，但在更精细分辨率上常表现出显著变异性。近期生态预报为预判这些运动及其驱动生态过程提供了关键框架。鸟类迁徙因其跨时空的动态性和空中与陆地栖息地的耦合而成为生态预报的自然应用。大多数迁徙物种无法在繁殖地与非繁殖地之间进行单一持续飞行，其旅程被关键的停歇期打断，以在陆地栖息地中休息、补充能量和恢复。空中和陆地迁徙阶段通常被孤立研究，但理解二者之间的联系对于揭示鸟类迁徙的复杂性至关重要。 mist netting 等捕获技术长期是研究陆地鸟类迁徙的基础，系统季节性环志项目提供了关于迁徙物候、迁徙连通性和群落动态的宝贵见解。然而，这些方法强度大、难以扩展到大陆尺度。参与式科学数据如eBird提供广尺度见解，但可能遗漏迁徙动态的精细细节，且缺乏年龄、性别和身体状况信息。天气监视雷达（WSR）数十年来被用于测量和预测夜间迁徙期间鸟类在空中位置，但一般无法分辨物种特异性信息。理解陆地与空中栖息地如何联系对候鸟保护至关重要。此前研究检验了夜间迁徙强度与次日停歇密度之间的关系，但关系强度不一，且未明确评估预报迁徙运动的潜力。因此，空中迁徙动态与后续陆地结果之间的预测性联系对应用保护仍然有限。本研究评估WSR夜间迁徙活动指标能否预报长期鸟类环志站捕获数量，从而连接空中与陆地系统。研究人员预测雷达迁徙强度指标与地面 mist-net 捕获率呈正相关，假设前夜空中活动（迁徙强度、速度和方向）可预测陆地活动，并纳入风速、风向、温度和能见度作为附加预测因子。
研究人员利用1996–2023年缅因州阿普尔多尔岛鸟类环志记录与两个WSR站点KBOX和KGYX数据，构建广义加性模型（GAMs）预测春秋季日环志鸟类数量。主要关键技术方法包括：使用R语言bioRad包处理Level-II雷达数据，提取垂直积分反射率和径向速度的地面速度分量；从北美区域再分析（NARR）数据集提取大气条件；使用mgcv包构建负二项误差分布的GAMs，采用惩罚回归样条和限制最大似然拟合；采用留一年交叉验证评估预报性能，并以连续排名概率得分（CRPS）和均方根误差（RMSE）作为技巧指标；通过训练集子抽样实验评估预报对训练年份数量的敏感性。样本队列来源为阿普尔多尔岛迁徙站1996–2023年环志记录，排除2020年COVID-19疫情期间数据。
研究结果方面，技能得分显示，在留一年交叉验证中，纳入雷达测量的完整模型在两个迁徙季节均持续改进相对于结构性基线的预报技巧。春季迁徙期间，完整模型在23个保留年份中的21个改进概率预报性能，中位CRPS技巧为0.25；相对于大气模型，完整模型在23年中的18年取得更高CRPS技巧，中位改进0.06。秋季迁徙期间，完整模型在26个保留年份中的23个取得正CRPS技巧，中位CRPS技巧为0.12；相对于大气模型，完整模型在26年中的21年CRPS技巧更高，中位改进0.07。春季模型方面，最终春季GAM解释了57.8%的偏差，最重要的五个预测因子为序数日期、纬向风、气温、KBOX垂直积分反射率和经向风。 pooling 预测显示日预测与观测总量之间的Pearson相关系数为r = 0.67。秋季模型方面，最终秋季GAM解释了49.9%的偏差，最重要的五个预测因子为前一日捕获量、网时、经向风速、序数日期和KGYX垂直积分反射率。 pooling 预测的Pearson相关系数为r = 0.64。物种特异性模型方面，春秋季各识别出10个最常环志物种，构建物种特异性模型，预报性能以归一化CRPS汇总，春秋季 broadly 相当，春季略强（平均归一化CRPS 0.52 vs 秋季0.57）。模型预测力方面，预报技巧随训练年份数量增加而陡峭提升后趋于平稳，分段回归估计断点春季约4.3年（95% bootstrap CI 3.5–6.5），秋季约3.2年（95% bootstrap CI 2.5–4.5），超过这些点后额外年份环志数据对预报技巧改进可忽略。
讨论部分总结：低层大气是全球数千物种运动的通道，但鸟类迁徙的全周期理解需要将这些空中动态与陆地结果联系起来。本研究通过结合WSR与鸟类环志记录预测地面鸟类捕获时间，揭示了WSR检测的夜间迁徙与阿普尔多尔岛环志站记录的停歇事件之间的强关系。预报加强了两个季节空中迁徙强度与陆地捕获率之间的联系，但环境和雷达预测因子在春季相对于持续性基线增加的预报技巧多于秋季，表明秋季捕获动态的较大份额由未捕获的短期过程主导。秋季环境信号较弱可能反映行为和環境复杂性增加，迁徙者常在不利条件下延迟运动并积累，然后在短暂有利天气窗口恢复迁徙。秋季停歇持续时间较长进一步将夜间空中运动与局部捕获率解耦。此外，阿普尔多尔岛秋季环志操作仅覆盖迁徙季节较短部分，可能错过晚期运动脉冲。研究人员提出的预报框架有潜力扩展到鸟类鸣禽迁徙之外，可能预测其他大尺度运动事件。选择阿普尔多尔岛迁徙站是由于其地理隔离和广泛数十年环志记录，关键问题是模型性能是否依赖训练时间序列长度，长期数据集模拟显示至少需要3–6年环志数据使性能稳定，表明较短环志数据集也可有效利用。虽然预测模型成功将WSR检测的空中鸟类与地面环志鸟类联系起来，但尚不清楚该模式是站点特异性还是分类群特异性。将分析扩展到额外环志地点有助于确定模型预测能力是地理上限于沿海和岛屿环境还是延伸到内陆环志操作。生态预报涉及预测生态系统动态同时考虑不确定性并明确考虑环境条件。本研究开发了生态预报预测沿海环志站候鸟捕获数量，使用大气条件和WSR衍生的生物指数。通过纳入准确的大气预报和夜间鸟类迁徙预报，该方法可从临近预报扩展到近期生态预报，使可操作预测能够为保护决策提供信息。类似预报方法可用于预测昆虫、蝙蝠和其他迁徙生物的运动，以及种子和孢子传播、病虫害暴发和疾病传播等生态过程。研究结论翻译：这些发现表明，连接空中与陆地监测可以增强迁徙预报，对诸如针对性“熄灯”倡议和停歇栖息地管理等保护策略具有重要意义。该方法为预报大尺度大气数据与地面生态过程之间的联系提供了一条可扩展的路径。
