《Ecology and Evolution》：Species Distribution Models and Abundance Estimates Enhance Breeding Bird Atlas Data
编辑推荐：
繁殖鸟类图鉴在理解鸟类繁殖季节分布与多度方面发挥着关键作用，该类信息对于构建精确的物种分布图至关重要，而物种分布图是理解物种地理分布范围及识别高保护价值区域的基础。研究人员的**主要目标**是利用明尼苏达繁殖鸟类图鉴（MNBBA；2009–2013年数据）数据
繁殖鸟类图鉴在理解鸟类繁殖季节分布与多度方面发挥着关键作用，该类信息对于构建精确的物种分布图至关重要，而物种分布图是理解物种地理分布范围及识别高保护价值区域的基础。研究人员的**主要目标**是利用明尼苏达繁殖鸟类图鉴（MNBBA；2009–2013年数据）数据，为尽可能多的明尼苏达州繁殖鸟类构建**物种分布模型（Species Distribution Models, SDMs）**。MNBBA数据融合了志愿者图鉴观测与系统性**点计数（point count）**调查，导致不同物种的数据集在结构和质量上存在差异。鉴于这种变异性，研究人员采用了多种针对可用数据量身定制的建模方法，这些方法同时也产生了不同的生态学解释。为在数据特征异质性的情况下最大化物种覆盖度，研究人员采用三种建模策略：**（1）带可检测性偏移量的Bootstrap泊松广义线性模型**预测物种密度与种群数量；**（2）Bootstrap泊松广义线性模型**预测物种的点计数多度指数；**（3）Maxent模型**预测物种的环境适宜性指数。第一种策略应用于73个物种，第二种应用于30个物种，第三种应用于33个物种（共136个物种）。研究人员还利用第一种策略为73个物种产生了全州种群数量估算。**该框架表明，将模型选择与数据结构相联系，相比单一模型方法能显著增加可建模物种数量**。虽然这些结果为大规模分布和多度假设奠定了基础，但研究人员建议在其他地区测试这一适应性方法，以最大化不同图鉴数据集的效用。
物种分布模型（Species Distribution Models, SDMs）与Breeding Bird Atlases（BBAs）数据的研究，是当代生物多样性保护与生态学监测的核心议题之一。《Ecology and Evolution》发表的这项研究，系统性地回应了如何利用异质性数据最大化繁殖鸟类图鉴价值的科学问题。
研究背景与问题驱动
理解物种分布与多度是生态学的根本目标，也是有效保护管理的基础。当前全球正面临严峻的物种分布变化与种群灭绝危机：据统计，自1970年以来脊椎动物种群数量已下降58%，物种灭绝速率较背景速率高出100至1000倍；北美地区自1970年以来损失了近30亿只鸟类。在此背景下，物种分布范围正经历迁移、收缩、扩张与破碎化，而SDMs是量化这些变化潜在驱动因素的重要工具，其结合物种出现或多度记录与环境变量，生成环境适宜性的空间显式预测，对预测环境变化潜在影响及支持多尺度保护决策具有重要价值。
繁殖鸟类图鉴作为大尺度调查物种的常用方法，已在美国、加拿大及全球广泛实施。历史上大多数图鉴依赖公民科学志愿者收集数据，而当其与系统性点计数方法相结合时，数据效用更为强大——随机抽样设计、调查时间、距离估计及可检测性估算等属性的纳入显著提升了数据的统计利用价值。然而，图鉴数据涵盖从常见到稀有的广泛物种，密度与检测概率差异显著，单一建模方法难以适用于整个群落。这正是本研究直接面对的核心问题：**如何针对不同物种的数据特征差异，开发灵活的建模框架以最大化图鉴数据的科学价值？**
研究设计与技术方法
研究人员以明尼苏达州为研究区域，整合了MNBBA（2009–2013年）数据，包括公众土地测量系统（Public Land Survey System, PLSS）框架下2352个优先区块的7335次点计数调查，以及来自明尼苏达国家森林繁殖鸟类监测项目的961个补充点计数位置（961个地点，4616次计数）。所有点计数遵循10分钟不限距离标准化协议，记录鸟类首次检测时间并按4个距离带（0–25 m、25–50 m、50–100 m、>100 m）估计距离。同时纳入了志愿者在全州优先区块内记录的高等级繁殖证据（可能或确认筑巢记录）。建模使用57个生物物理协变量，涵盖**土地覆盖、干扰、覆盖层结构、景观格局与气候**5大功能类别，空间分辨率30 m，在200 m、500 m和1000 m三个尺度汇总。
基于数据结构与物种特征，研究构建了**决策流程图**将物种分配至三种建模策略：（1）带**QPAD（时间-距离检测概率校正）**可检测性偏移量的Bootstrap泊松广义线性模型（GLMs），适用于≥75次点计数检测且>50%为鸣唱雄性的物种，可产生密度估计与种群数量；（2）无偏移量的Bootstrap泊松GLMs，适用于≥75次点计数检测但不符合上述条件的物种，产生相对多度指数；（3）Maxent模型，适用于≥20个带地理坐标的高等级繁殖证据记录的物种，产生环境适宜性指数。模型选择采用分支前向选择法（基于贝叶斯信息准则，BIC），通过240次Bootstrap迭代估计变量重要性与参数置信区间；Maxent模型则基于Akaike信息准则（AICc）选择最优正则化乘数与特征组合。
研究结果解读
研究人员从379,852条验证记录和245,555次点计数个体检测中，为163个物种计算了SDMs，其中136个物种模型的**AUC（受试者工作特征曲线下面积）>0.70**达到实用标准。三种策略分别成功应用于73个（带QPAD偏移量GLM）、30个（无偏移量GLM）和33个（Maxent）物种。
**带QPAD偏移量的GLM策略**呈现最高生态推断水平。73个物种的AUC为0.70–0.98，中位协变量数3–27个。该策略为黑喉绿林莺预测了东北部高密度分布，耕地为最强负向驱动因子；黄昏雀鹀在南部和西部开阔生境中丰度最高，与耕地呈正关联；沼泽鹪鹩则在西部与开阔水域、低地草本生境正相关。**全州种群数量估算方面**，黑喉绿林莺为146万对（95% CI: 127万–400万），黄昏雀鹀481万对（437万–548万），沼泽鹪鹩243万对（159万–1146万）。绝大多数物种的估算值显著高于**Partners in Flight（PIF）**官方估计，可能与QPAD方法更精确校正检测概率、纳入无路区域补充调查及雄雌性1:1比值的假设有关。
**无QPAD偏移量的GLM策略**为30个物种提供了相对多度指数，AUC为0.70–0.99。蓝灰蚋莺在东南部栎林呈正关联；柳树霸鹟在西南部低地草本生境丰度最高；红腹啄木鸟分布广泛但东北部较少，与多种森林类型负相关而与栎林正相关。**种群数量估算**显示蓝灰蚋莺约18万只，柳树霸鹟约4.8万只，红腹啄木莺约13万只。
**Maxent策略**为33个物种提供了环境适宜性指数，AUC为0.72–0.97。阔翅鹰在东北森林适宜性最高，与寒温带落叶林正相关而与耕地、高草草原负相关；西王霸鹟在西南部和南部适宜性最高与耕地正相关；云雀雀鹀在东南部及分散区域适宜性较高，模型包含更复杂的二次项关系。该策略虽不适用于密度估计，但有效扩展了稀有、难调查物种的建模范围。
讨论与未来展望
该研究的创新价值在于证明**多层级灵活建模框架**较任何单一方法能更全面评估鸟类群落。通过将模型选择与数据结构相匹配，不仅显著增加了可建模物种数量，也为不同数据质量的物种提供了相应精度的生态推断。
研究人员特别指出，**点计数方法**在效率与标准化方面的优势：明尼苏达每次10分钟点计数平均检测11.78个物种、20.55只个体。未来图鉴调查应鼓励公民科学家记录精确地理坐标，尤其是稀有物种的每次观测对建模均弥足珍贵。对于**Maxent等机器学习方法**，必须重视采样偏差处理、模型参数调优与输出结果谨慎解读——本研究采用的目标背景法（targeted background approach）有效避免了志愿者调查强度向人口中心和发达区域的正向偏倚。
关于**种群数量差异**，研究人员分析了与PIF估算不一致的多重原因：PIF主要基于北美繁殖鸟类调查（BBS）的道路调查数据，缺乏系统性的时间和距离检测数据收集；而本研究的QPAD方法通过时间移除估计感知偏差、通过距离抽样估计距离模型，产生的估算通常高于基于专家判断最大检测距离调整的方法。此外，补充的无路区域调查（如边界水域独木舟区荒野和冰川低地泥炭地）可能也是部分物种估算值差异显著的原因。
研究结论
区域尺度点计数与繁殖鸟类图鉴数据为预测鸟类分布与多度提供了强有力的输入。带检测偏移量的GLM、标准GLM与Maxent三种方法的组合，为明尼苏达州大多数繁殖鸟类提供了建模解决方案。建议未来图鉴项目采用多种方法整合系统点计数与志愿者观测数据，以最大化生态推断范围。**繁殖鸟类图鉴调查为公民参与科学过程、促进公众意识与鸟类保护提供了独特机会，而识别整合志愿者数据的建模方法对于图鉴工作的持续推进至关重要**。系统、可重复的监测方法为评估物种分布、多度及繁殖状态的时空变化提供了全面基线数据，这些数据集对于理解鸟类如何响应栖息地与气候变化不可或缺。总体而言，繁殖鸟类图鉴与物种分布模型的结合是监测、保护及提升鸟类种群与栖息地生态理解的关键工具，其协同应用能够增强保护规划、未来研究和政策制定的数据基础，最终为全球鸟类生物多样性保护作出贡献。
