《Ecology》:Impacts of large herbivores on savanna plant communities: Predictive models of herbivore selectivity and plant response
编辑推荐:
大型食草动物是生态影响力最强且灭绝风险最高的动物类群之一。巨型食草动物(megaherbivore)尤其会从根本上改变植被结构。然而,极少有研究尝试预测食草动物或其灭绝对植物物种组成与群落结构的影响。基本原理表明,偏好取食的植物应受食草动物抑制最强,而在食草动
大型食草动物是生态影响力最强且灭绝风险最高的动物类群之一。巨型食草动物(megaherbivore)尤其会从根本上改变植被结构。然而,极少有研究尝试预测食草动物或其灭绝对植物物种组成与群落结构的影响。基本原理表明,偏好取食的植物应受食草动物抑制最强,而在食草动物丧失时获得释放,但如果植物响应强烈依赖于功能性状和/或植物—植物相互作用,这一直觉可能产生误导。研究人员试图利用食草动物食性与植物功能性状数据,预测非洲稀树草原中尺寸选择性食草动物排除处理下植物物种对处理的响应。分析分为三个阶段。首先,研究人员确定了预测各实验处理所排除的优势食草动物物种选择性的植物性状(取食相对可用性的指标):巨型食草动物(象、长颈鹿;≥1000 kg)、中型食草动物(水牛、斑马、黑斑羚;40–600 kg)与小型羚(dik?dik;5 kg)。多种植物性状在多个食草动物物种间预测其选择性,但每种物种的食性最好由一套独特的性状组合预测。其次,研究人员检验了仅用食草动物选择性是否能预测植物响应。象的选择性唯一预测了围栏内相对于无围栏对照样方的植物响应(R2=0.24–0.30);被象强烈偏好的植物类群在围栏内的丰度是对照样的九倍。然而,食草动物选择性未能预测不同围栏排除处理间群落结构的差异,表明随着较小食草动物被移除,竞争的下行效应可能相对于取食的消耗效应而增强。第三,研究人员表明,将植物性状作为协变量与象的选择性一同纳入仅适度提高了可预测性(R2=0.27–0.50)。尽管该方法存在各种不确定性与不精确性,研究表明象的觅食决策是植物群落动态的主要决定因素。研究结果指出,基于易获取数据的模型可实质性预测植物群落对巨动物群丧失或重引入的响应。未来工作可通过纳入与耐受性和竞争相关的额外植物性状,以及食草动物偏好与生物量消耗的机理性测量,来完善该方法,从而更准确地预测大型食草动物种群衰退与灭绝如何影响植物群落。
该研究背景在于,生态学家致力于对物种相互作用形成预测性理解,而在人为全球变化背景下这一需求尤为紧迫。大型哺乳动物既是异常强的相互作用者,又面临极高的灭绝风险,过去十二万年间野生哺乳动物平均体重下降了一个数量级,当今绝大多数大型食草动物均受威胁且仅分布于历史分布区的碎片中,非洲是唯一保留与更新世巨动物群体型范围相近的食草动物群落的洲域,因而非洲稀树草原对研究大型食草动物的功能作用具有重要价值。已有大量研究利用围栏排除实验与大规模比较分析表明大型食草动物影响土壤与植被结构、鸟类与蜜蜂多样性等多种生态变量,且其影响取决于食草动物体型:巨型食草动物如象、犀牛与河马产生中小型有蹄类无法复制的独特效应。然而,既有研究多给出粗粒度的生态系统或群落属性预测,例如植物总生物量,极少研究尝试预测更精细的响应如植物群落结构与物种组成;多数长期实验同时排除所有大型食草动物,难以分离特定物种效应或评估体型如何调节生态影响。一个关键未解问题是植物物种响应在多大程度上反映食草动物觅食决策:最简单概念模型认为排除区与对照间丰度差异纯粹归因于食草动物取食量,被大量取食尤其是即使稀少也被强烈选择的适口物种应被更强抑制并在移除后释放,但该模型假设所有植物类群对消耗同样敏感,而现实中植物在耐受与再生能力上差异很大,且食草动物物种取食致死性不同,有蹄类主要消耗叶片、果实与茎,代价各异甚至有益但极少致命,而象常通过严重损伤主茎或连根拔起导致植株死亡。因此更细致的框架认为植物响应反映食草动物选择性、觅食模式与植物耐受性之间的平衡;与耐落叶和/或结构损伤相关的植物性状应抵消适口性效应,故在被食草动物取食时,避免取食(防御良好和/或营养贫乏)与被选择(但快速生长、萌蘖或其他耐受)的植物类群应占优势,而在排除区内适口和/或不耐受类群应增殖。更复杂的情况是植物响应是食草动物选择、植物耐受与植物—植物相互作用的综合函数:食草动物通过消耗产生直接影响,并通过调节竞争与促进产生间接影响。食草动物选择在以上情景中均是共同要素,其预测力可指示限制植物种群的因素:选择性植物响应间紧密关系暗示强而直接的下行控制,较弱关系则暗示更强的上行与间接效应(耐受、竞争)。极少研究量化该关系,因为哺乳动物食草动物食性难以测量,且尚不清楚植物性状数据(更易收集)能否替代觅食行为信息来预测植物种群与群落对食草的响应。在此背景下,研究人员检验了详细的局部食性信息能否用于预测肯尼亚半干旱稀树草原十年尺寸选择性食草动物排除的植物响应。研究人员使用DNA宏条形码(DNA metabarcoding)与大规模植物丰度调查估计常见大型食草动物的取食选择性(Jacobs's D 指数),将食草动物选择性建模为植物性状的函数;随后检验选择性是否预测嵌套子集食草动物类群(>1000 kg、>10 kg、>2 kg)排除的植物响应方向与幅度;最后询问食草动物选择与植物性状共同是否比单独选择性更好预测植物响应。对于每一目标,研究人员使用模型选择基于可用数据识别最佳预测模型。由于主要目标是预测而非解释,且非洲稀树草原与耐受/恢复力和竞争能力相关的植物性状尚不明确,研究人员避免过度解释性状关系的基础。这项工作朝向新框架的第一步,将使研究者能机制性地解析消耗、植物耐受与植物—植物相互作用的作用,以预测大型哺乳动物食草下植物群落的物种水平响应。研究人员假设食草动物选择性由与营养质量(如蛋白质、消化率)与抗食草抗性(如刺、叶韧性)相关的植物性状预测,且鉴于各食草动物物种独特食性,预测选择性的性状因物种而异;还假设象(Loxodonta africana)、黑羚(Aepyceros melampus)与小型羚(Madoqua guentheri)的选择性最好预测植物种群对食草动物组合移除的响应,因为这些物种在研究位点生物量密度最高,且象尤其对植物有非凡影响;最后假设食草动物选择性将解释植物响应的大部分方差,其余来自耐受与植物—植物相互作用的物种与位点特异性变异,因此与耐受和竞争能力相关的植物性状将预测排除食草动物响应的部分残差方差,但无法先验指定是哪些性状,因为再生能力与竞争等级可能以复杂、情境依赖的方式涉及许多植物性状。该研究发表在《Ecology》。
作者为开展研究用到几个主要关键技术方法包括:在肯尼亚中部半干旱区Mpala研究中心的Ungulate Herbivory Under Rainfall Uncertainty(UHURU)实验平台,设置36个1公顷样方,包括开放对照(OPEN)、排除巨型食草动物(MEGA)、排除巨型与中型食草动物(MESO)与排除所有有蹄类(TOTAL)的嵌套尺寸选择性食草动物排除处理,沿降雨梯度在南部、中部、北部各设三个重复块;采用改良顶冠截获法(canopy?intercept approach)的巨针法在2017年3月、2018年12月、2021年10月三次全调查记录所有下层与上层植物的针触次数以估算相对丰度;在2017年7月至9月沿研究区道路独立调查植被以获取植物相对可用性;测定超过300种植物的41项物理与化学性状并筛选15项弱相关性状(包括刺行性、叶韧性、株高、消化率、纤维百分比、蛋白质与九种矿物元素浓度);利用既往发表的2013–2016年粪便DNA宏条形码(扩增trnL (UAA) 内含子P6环,Illumina HiSeq 2500测序)数据获得六类最常见食草动物的相对读取丰度(relative read abundance, RRA)并估算Jacobs's D 选择性指数;使用广义线性混合模型与AICc模型选择分析植物性状对选择性的预测、选择性对植物对数响应比(log?response ratio)的预测以及选择性加性状对植物响应的预测,并设站点为随机截距。
研究结果部分保留小标题并说明结论如下:
Patterns and predictors of herbivore selectivity:象、长颈鹿、水牛、黑羚与小型羚的选择性呈相关模式,斑马因严格食草而成离群值;跨食草动物物种选择性可由多达七个植物性状组合合理预测,严格食草与食叶者(斑马、小型羚、长颈鹿)模型拟合优于混合食性者(黑羚、水牛、象)。若干性状对多物种选择性有一致正负效应:铜(Cu)浓度是最普遍的负向预测因子,即低Cu类群被更强选择;磷(P)、钾(K)、锌(Zn)、镁(Mg)、铁(Fe)亦多呈负系数;刺行性是另一持续负预测因子(尤其水牛),蛋白质是正预测因子(象与小型羚)。不同物种最重要预测因子各异,例如象、长颈鹿、小型羚均首选高大类群(反映树木灌木取食),但次重要变量分别为Cu(负)、K(负)、钙(Ca,正),显示种间分化。
Does herbivore selectivity predict plant response?:象的选择性(Dele)强力预测所有排除处理相对于OPEN的植物响应(β=1.00–1.27,条件R2=0.24–0.30),被象选择的类群(Dele>0)在无非牙区更丰富,最强选择类群(Dele>0.5)在围栏内平均多九倍,而强烈回避类群(Dele<?0.5)在围栏与OPEN中丰度相当;顶级模型亦含斑马与水性选择性负效应,但弱于象且仅边际提升拟合。相反,逐步移除中型食草动物(MESO:MEGA)与移除小型羚(TOTAL:MESO)的植物响应不能被任何选择性组合预测,零模型为最优。
Does incorporating trait data improve predictions of plant response?:将植物性状与Dele共同作为预测因子适度改善预测(R2=0.27–0.50),Dele仍保留于所有顶级模型;钾(K,正)与铁(Fe,负)是最一致附加预测因子,钼(Mo,负)、钠(Na,正)、磷(P,负)与刺行性(正)在特定对比中重要。对于TOTAL:OPEN、MESO:OPEN、MEGA:OPEN,加入性状分别最多提升R2达0.11、0.17、0.22;相对仅用性状模型,加入Dele也提升R2达0.14左右,表明象选择性提供性状无法捕获的预测力。对于MESO:MEGA与TOTAL:MESO,加入性状未明显提升可预测性,零模型或低方差解释仍占优。
讨论部分总结:预测大型食草动物对植物的影响是多领域共同目标,已知选择性差异与植物数量响应不同,但前者在多大程度上驱动后者仍停留于二十五年前概念模型;近期研究改进了对物种多样性和总生物量等聚合指标的理解及植物性状与环境背景的修饰作用,但食草选择性是否能可预测地转化为群落水平影响、是否为必需而非冗余于更易测的性状仍不清楚。主要发现为象的觅食选择性预测十年食草排除的植物响应,解释约四分之一至三分之一方差并优于其他预测因子;象选择性同等预测三排除处理相对于对照的响应幅度,但在连续排除处理对比中未检测到任何食草动物物种的有意义信号;所分析植物性状能解释选择性变异的可观比例,尤其最大最小食草与食性特化者,这些性状共同增强植物群落响应预测但不能替代象选择性。象觅食活动的强效应与此前UHURU等多研究一致,象极大体型带来的能量需求与其他巨型食草动物类似,但象同时具破坏性与选择性觅食能力(象鼻灵活取食与推倒树木),其食性质量高于异速回归预测并用嗅觉线索指导鉴别取食。预期中应见较小食草动物附加效应,小型羚密度高且选择性强可抑制植物补充,黑羚食性多样且与象不同,但结果中MESO与TOTAL处理最佳模型不含其选择性,部分因为被象选择的植物在所有排除处理响应相似,且物种选择性正相关而冗余;巨型食草动物排除引发植物组成转变在后续排除中小动物时稳定,主要表现为多数食叶类选择的木本与藤本植物增加,而下层草本变化更杂乱,符合消耗效应随食草动物丧失减弱而竞争效应增强的情景。植物性状预测选择性成功程度因物种而异,最成功为最大、最小与特化食草动物,混合食性者最差;多物种选择性相关且若干性状一致预测,但Cu被广泛回避等方向未必符合经典营养质量与防御假说,蛋白预测小型羚与象为正、斑马为负反映其选低蛋白禾草并由叶韧性与Zn更好预测;尽管机制不明,选择性可由少数性状预测暗示低维轴或可刻画食性差异。然而植物性状不能替代象选择性预测植物响应,象选择性留于所有支持模型,可能未测与耐受/竞争更相关的性状(如光合速率、分蘖、根冠比),但确定相关性状本身困难;本研究提示食草动物选择性是必须测量的要素。研究承认限制包括DNA宏条形码不完全量化消耗、未测部分相关性状、植物丰度估算近似、相关模型不能揭示机制、各环节误差可能掩盖信号;但在噪声下仍检测到象选择性为关键预测因子,虽大部分方差未解释,可归为选择性估算噪声、选择性测选择而非消耗量、以及平均选择性可能不反映排除处理后可用性改变下的选择等。植物性状解释部分残差,但是否反映耐受、竞争或二者仍不清,未来需结合实验、长期种群统计与更明确关联耐受和竞争的性状来解析。尽管有限制,研究表明食草动物觅食决策信息对于预测植物对食草的响应是必要的,且足以初步表征群落植被变化与濒危基石巨型食草动物的关键作用;植物性状数据不能替代但可补充食草动物—植物相互作用数据。该发现是向复杂自然系统生态学可预测性迈进的希望一步,未来可完善方法以实现更精确准确的预测。
研究结论部分翻译:预测大型食草动物对植物的影响是研究群落生态学、古生态学、牧场管理、生物多样性保护与修复的共同目标。已知食草动物选择性在植物类群间存在差异(某些植物更易被取食)且植物对食草的数量响应不同(食草动物改变植物群落结构)。至于前者在多大程度上驱动后者,我们的理解并未超越二十五多年前发表的概念模型。近期研究增进了对食草如何影响物种多样性和总生物量等聚合指标的理解,以及植物性状和环境背景如何修饰食草影响;但仍不清楚食草选择性在多大程度上可预测地转化为群落水平影响,以及它是必需预测因子还是冗余于更易测量的植物性状。我们的主要发现是,象的觅食选择性预测了植物对十年大型食草动物排除的响应,解释了四分之一到三分之一的方差并优于所有其他预测因子。虽然象选择性同等好地预测所有三种排除处理相对于对照(无围栏)样方的植物响应幅度,我们未在连续排除处理对比中检测到任何食草动物物种的有意义信号。我们所分析的植物性状能够解释食草动物选择性变异的可观比例,尤其对于最大与最小的食草动物以及食性特化的食草与食叶动物。总体上,这些性状相对于象选择性增强了植物群落响应的预测,但不能替代它。我们对象觅食活动强效应的发现与此前包括UHURU内多项研究一致,显示象剧烈影响植物生命率与植被结构。部分而言,象的影响源于巨大体型相关的能量需求——其他巨型食草动物如白犀牛与河马在高密度时亦有类似影响——且Mpala的象生物量高于任何其他物种(约3000 kg km?2)。然而,我们的结果也显示象对特定植物类群的选择性觅食在调节群落组成中至关重要。原则上,非选择性觅食应倾向于均质化跨植物类群的影响,但象既能推倒树木又能用象鼻灵活觅食,使其同时具备破坏性与选择性;事实上,象的食性质量高于异速回归预测,并利用细微嗅觉线索指导鉴别取食决策。我们预期会发现较小食草动物的附加效应,其在UHURU排除区内强烈影响下层生物量与多样性,小型羚尤其密度高且选择性强从而抑制植物补充,且小型羚与黑羚食性比象更多样并组成不同;我们因而预测MESO与TOTAL处理的最佳模型会包含小型羚、黑羚或两者,但结果并非如此,部分因为被象选择的许多植物在所有三种排除处理中表现出相似响应,且这些物种的选择性正相关而使预测冗余。这些因素解释了食草动物选择性未能预测排除处理间差异的原因:巨型食草动物排除引发了植物组成转变,在进一步排除哪些其他食草动物时保持稳定,这些转变主要由被大多数或全部食叶食草动物正向选择的木本植物与藤本增加定义;相比之下,该无巨型食草动物“基线”与针对较小食草动物的排除处理之间发生的进一步转变,较少由普遍选择的灌木定义,而更多由杂乱的禾草与草本定义,且当下层类群中回避类群增加、被选类群减少时,符合消耗效应随食草动物丧失而相对于竞争效应减弱的情景。预测食草动物选择性的性状并非我们预期的那些,但少数性状仍在实质程度上预测选择性;用植物性状组合预测选择性在最大、最小与最特化食草动物中最成功,而在两个中型混合食性者黑羚与水牛中最不成功。尽管存在变异性,多数食草动物选择性模式相关,若干植物性状持续预测多个物种选择性;我们假设最具预测性的性状是与植物营养质量、矿物缺乏与抗食草抗性相关的经典性状,其中若干确实预测部分食草动物但重要性或方向非预期,例如刺植物被多数回避,Cu亦被回避且强度与一致性目前无法解释;蛋白质是小食草动物尤其是小型羚的关键驱动因子,也是象的正向预测因子,对黑羚边际预测,但是斑马间对禾草的负向预测反映其选低蛋白种类并最终由叶韧性与Zn最好预测;尽管这些性状治理选择性的生物学机制不确定,顶级模型一般仅含2–5个植物性状且不多于7个,且选择性跨物种相关、性状多物种可预测、由少数性状可预测,意味着低维轴或许足以刻画食草动物物种间食性差异。然而,虽然植物性状预测食草动物选择性,它们不能在排除实验中替代象选择性预测植物响应;若性状优于或替代象选择性,模型选择应揭示之,相反象选择性留于所有支持模型甚至当同时纳入植物性状时;可能未测最相关性状如与耐受/竞争更直接的性状,但确定相关性状困难,本研究提示食草动物选择性是必须测量的成分。我们是在充分意识到局限下设计该方法,包括宏条形码数据不完美量化消耗、未测潜在相关植物性状、植物丰度估算近似且仅间接校准、相关预测模型不能假定揭示机制、各环节误差可能淹没生物信号;我们接受这些风险,动机是发展实用可推广框架以处理否则被忽视的问题。我们的方法预设食草选择性、植物性状与对排除响应间的潜在机制关系转化为足够强的统计关联以在局限与各类噪声下被检测;总体且在不同程度上的确如此:我们发现象选择性是植物对食草移除响应的关键预测因子;Dele预测得如此好令人印象深刻,但仍留下大部分方差未解释,若干因素可能导致此未解释方差:宏条形码相对丰度定量解释选择性必要但至多近似真实摄入量,任何植物相对丰度取样也只能近似对食草动物的“可用性”;所有选择性估算方法均不完美,但我们的方法有分类学范围与精度优势;然而选择性估算噪声可能降低预测保真度与检测较小有蹄类影响的能力;类似地,选择性测选择而非消耗量:相对丰度被回避的植物仍可能被大量取食;较小有蹄类消耗无疑塑造了UHURU处理间植物群落分化,更直接估计取食量(至少需要更好的食草动物密度数据)或许能预测这些效应;选择性也不测纯偏好——它随食物可用性改变——我们的估算基于所有食草动物存在时的平均消耗与可用性,可能不反映巨型食草动物排除已改变可用性的样方内的选择。虽然我们发现植物性状解释象选择性未占的方差,但我们也不知道这些性状效应在多大程度反映植物对食草的耐受、对竞争动态关键或(很可能)二者;未来结合实验方法、长期种群统计数据与更明确关联耐受和竞争能力的额外性状的工作可探索本研究出现的一些令人困惑的结果,从而帮助澄清这些路径的机制基础与相对重要性。尽管有限制,我们的研究清楚表明食草动物觅食决策信息对于预测植物对食草的响应是必要的——且确实足以初步表征群落水平植被变化与濒危基石巨型食草动物的关键作用;植物性状数据不能替代食草动物—植物相互作用数据但可以补充之。我们的发现是向复杂自然系统生态学可预测性追求中的希望一步,我们期望未来工作可以完善我们的方法以实现更精确准确的预测。