综述:攀登高山:基于甚高分辨率数字高程模型的多尺度代理指标及其在表征异质性高山景观与植物局域适应效应中的应用

《Alpine Botany》:Scaling the mountains: multiscale proxies derived from very high-resolution digital elevation models to characterize heterogeneous alpine landscapes and their local effects on plant adaptation

【字体: 大 中 小 】 时间:2026年07月28日 来源:Alpine Botany 3.9

编辑推荐:

  地形是山地环境中微气候、土壤条件和干扰机制在不同空间尺度上的主导驱动因子,因而也是高山植物所经历特定景观的关键构成要素。过去二十年间,甚高分辨率数字高程模型(VHR DEM;分辨率≤1 m)彻底改变了研究人员在嵌套空间尺度上量化地形及其综合衍生指标的能力。这类

  
地形是山地环境中微气候、土壤条件和干扰机制在不同空间尺度上的主导驱动因子,因而也是高山植物所经历特定景观的关键构成要素。过去二十年间,甚高分辨率数字高程模型(VHR DEM;分辨率≤1 m)彻底改变了研究人员在嵌套空间尺度上量化地形及其综合衍生指标的能力。这类数据逐步重塑了进化生态学中关于环境异质性的概念化与测量方式。基于VHR DEM及其生态学相关衍生代理指标的多尺度分析能够解析高山景观施加的复杂选择压力。DEM衍生变量已被应用于高山植物的物种分布模型和景观基因组学研究,标志着从单尺度框架向明确的多尺度框架的转变。本文中,研究人员综述了此类数据获取过程中的实际问题,以及与建模阶段相关的计算和统计挑战。通过展示多尺度环境变量与基因组数据相结合已如何推进对局域适应的理解,研究人员探讨了多尺度代理指标的整合如何进一步帮助调和相关方法与机理方法(如基于过程的模型或生态生理模型),并为快速变暖的高山生态系统中的保护决策提供指导。
地形、尺度与高山植物多样性
高山植物群落指生长在气候林线以上的植被,占据着地球上异质性最强的景观之一。在宏观尺度上,基岩类型、海拔梯度和大气候格局与冰川历史(冰川进退导致的退缩/再定殖)共同塑造了山脉尺度的植物物种分布格局。而在更精细的尺度上,坡度、坡向、曲率和地表粗糙度(微凹陷)的微小差异可在数米甚至更小的范围内产生温度、积雪覆盖、土壤湿度和干扰机制的急剧对比。这些嵌套于更大尺度梯度中的微生境构成了选择环境的镶嵌体,即使在单一山坡范围内也能维持物种和遗传水平上的高功能多样性。尽管景观基因组学领域致力于将基因组变异模式与环境变异联系起来以检测局域适应信号,但正如Dauphin等人所指出的,环境异质性的表征往往滞后于测序技术和基因组数据获取方面的快速进展。因此,准确描述影响山地生态系统生态过程的精细尺度地形变异仍是高山植物学诸多领域的突出限制因素。景观基因组学尤其需要更高分辨率和精度的环境预测因子以及对其生态学意义的深入理解,以提升基因型-环境关联分析的稳健性。Gottfried等人开创性地利用数字高程模型构建了高山-雪带植被镶嵌体的空间显式预测框架,以1 m2空间分辨率的DEM作为唯一的 abiotic 骨架,推导了坡度、坡向、曲率和粗糙度等一系列地形描述符,并通过在不同邻域半径内平滑这些预测因子来显式生成其多尺度版本,进而绘制了研究区域内物种和群落的分布图。尽管该研究具有里程碑意义,但作者并未充分描述其VHR DEM的生产流程。如今机载激光雷达(LiDAR)和无人机立体摄影测量技术已从根本上改变了山地景观的可测度,VHR DEM的有效生产有望推动从分子到生态系统层面的高山生态学新认知。本综述聚焦于基于VHR DEM的方法学和概念贡献,探讨其在研究高山植物对异质性环境适应中的应用。虽然主要参考了以Arabis alpina和Biscutella laevigata为研究对象开展的景观基因组学案例研究,但相关论点广泛适用于其他高山物种及全球各山脉。研究人员认为,VHR DEM衍生的多尺度分析不仅仅是相对于粗分辨率地形模型的技术改进,它提供了一种途径来明确探测选择作用发生的空间尺度,并分离作用于高山植物的不同且可能混淆的选择压力。值得注意的是,此处讨论的多尺度方法与将尺度依赖变量整合为单一指标的方法(如地形位置指数TPI的层级应用)存在区别,前者旨在识别哪些环境因子与哪些生态和进化过程相关联,以及关联发生的空间尺度。
从粗分辨率DEM到多尺度VHR地形模型
DEM长期以来一直是物种分布建模和高山生物地理学的基石。许多早期研究利用分辨率为数十至数百米的DEM将植物分布与海拔、坡度和坡向联系起来,这类数据集足以捕捉物种丰富度的宽海拔带或林线位置,但无法解析常为高山植物提供气候变暖缓冲的精细尺度地形。1990年代末机载LiDAR在山区的应用使得在大面积范围内常规获取1 m或更精细分辨率的DEM成为可能。Lassueur等人是最早将其用于高山植物生态学研究的学者之一,他们比较了基于1 m LiDAR DEM与标准25 m DEM的物种分布模型(SDM)性能,发现对于瑞士西部阿尔卑斯山一系列高山植物而言,基于VHR DEM计算的地形衍生变量显著提升了模型表现,尤其是对于紧密依附特定微生境(如积雪累积区、雪床和雪崩通道、脊线和具有强烈朝向与坡度差异的峰坡)的物种。该研究成为标志性成果,因为它明确提出了尺度问题:何种DEM分辨率及其所代表的地形表征最有助于解释特定物种的出现。随后,Kalbermatten等人针对地貌特征固有的多尺度属性提出了基于小波变换的多尺度框架,从LiDAR高分辨率DEM出发将地表分解为对应不同空间分辨率的嵌套组分,其对侏罗山滑坡嵌套地貌结构的分析表明,不同结构要素(如陡坎、舌状体和运移区)在不同尺度上表现最佳,必须考虑全尺度范围才能理解地貌过程。后续自然地理学和宏观生态学的研究将VHR地形预测因子的应用扩展到单纯的形态测量指标之外。Pradervand等人在瑞士阿尔卑斯山对数百种植物物种的SDM中系统性探索了VHR环境预测因子,表明微地形变量在某些情况下可改善预测,但也警示不可在没有生态学依据的情况下随意添加精细尺度变量。同时,全球范围内关于地貌测量学和DEM质量的综述强调需要将DEM分辨率与生态过程的尺度以及底层高程数据的可靠性相匹配。基于DEM多尺度分解而非单分辨率地形变量的研究路线,GENESCALE项目及相关工作将多尺度地形表征转化为从VHR DEM提取的综合地形衍生指标。这些具有尺度显式的地形度量旨在捕捉微地形控制作用,并作为微气候和土壤条件变异(包括辐射、暴露度、积雪再分配、湿度和土壤相关条件)的代理指标。这一区分与近期关于陆地微气候研究中明确定义测量、建模或推断对象的最佳实践建议一致。概念上相关的研究也利用高分辨率DEM或LiDAR衍生预测因子表征生态分析中的细粒度环境异质性,或通过建模实测微气候变量(如地表温度),或将地形梯度与土壤相关生境变异及植物功能性状联系起来。类似的尺度显式环境描述正日益广泛应用于景观基因组学背景下,这些研究共同展示了如何将VHR地形转化为具有机理解释性的环境预测因子,从而助力连接高山植物生境建模与基因组推断。牲畜基因组学中已实现了环境预测因子与适应性遗传变异的类似整合。
基于VHR DEM衍生指标作为预测高山植物分布的综合变量
研究已采取明确步骤将VHR DEM衍生指标视为综合环境变量,用以概括复杂的微气候和土壤条件。其基本原理直接明了:如果地形是局地温度、辐射、积雪动态和土壤湿度等关键决定因子,那么经过精心选择和尺度化的地形指数可作为难以在空间上连续测量的变量的代理指标。这与物种分布建模中更广泛的证据一致,即温度数据源的选择(从原位微气候记录到遥感或网格化气候产品)会显著影响模型预测,从而支持了对更好近似局地环境条件的空间显式代理指标的需求。重要的是,目标并非取代机理微气候模型,而是提供可在大景观范围内应用的实用、空间连续的预测因子,这在微立地条件高度异质的崎岖高山地形中尤为具有挑战性。Leempoel等人定量评估了多尺度DEM变量的生态学相关性,利用瑞士前阿尔卑斯山0.5 m LiDAR DEM,通过高斯金字塔在多个空间分辨率(0.5–4 m)下生成了与形态测量、水文学和太阳辐射相关的地形衍生指标,并将这些变量与原位测量的气温、湿度和土壤湿度以及植物群落组成及其生态指示值相关联。结果表明,特定尺度下的某些地形指数与微气候变化密切相关。例如,在1–2 m分辨率下捕捉小型洼地和凹陷的指数与较高土壤湿度和较低最高温度相关,而在略粗尺度下描述暴露度的变量则反映了干燥和积雪再分配的模式。这证明经过适当平滑处理的VHR DEM可提供具有生态学意义的微气候代理指标。此后,Guillaume等人扩展了该方法,系统比较了瑞士西部阿尔卑斯山两个山谷中机载LiDAR与无人机立体摄影测量获得的DEM衍生变量,实施了在多分辨率(从数十厘米到数米)下计算地形衍生指标的多尺度框架,并利用其模拟Arabis alpina的分布。结果显示:(1)LiDAR和立体摄影测量均可产出质量足以满足生态学应用的DEM;(2)最优预测性能出现在中等分辨率(通常为1–4 m);(3)极精细分辨率(<0.5 m)并不系统性提升模型表现,反而可能因噪声增加和与植物生态学无关的微观特征而降低模型性能。这种尺度依赖性解释与近期证据一致,即精细尺度微地形并不必然主导高山植物分布。Chytry等人发现大多数物种出现和群落属性由较宽尺度的地形变异解释效果更佳,强调微地形的生态学相关性取决于具体过程、物种和所考虑的时空尺度。重要的是,这项工作明确将获取技术与DEM衍生变量的概念角色解耦:对于生态建模而言,关键不在于DEM来自LiDAR还是立体摄影测量,而在于所选衍生指标在选定尺度上是否捕捉到了感兴趣的过程。文中以Saga湿润指数(SWI)为例进行了图示说明,展示了50 cm VHR DEM与25 m DEM计算的SWI在空间格局上的本质差异,前者解析陡峭凸脊和岩壁,后者则空间平均化了坡度并在汇流区集中了流量累积,表明改变DEM分辨率不仅仅是增加细节,而是改变了指数所捕捉的主导格局,因此考虑嵌套多尺度信号对于识别与高山植物出现或生长最相关的空间尺度至关重要。
景观基因组学中的多尺度地形变量
从SDM到景观基因组学在概念上跨度不大但在方法上要求颇高。在基因型-环境关联分析(GEA)中,用于模拟物种出现的环境预测因子被引入基因组变异(等位基因/基因型频率)模型中。Leempoel等人在对瑞士西部阿尔卑斯山Biscutella laevigata的多尺度景观基因组研究中开发了一个框架,在多个空间分辨率下生成DEM衍生变量集,并将其输入到针对数百个全基因组位点构建的广义线性混合模型中。通过比较跨尺度的模型拟合优度和显著关联的空间结构,研究人员得以识别选择的环境驱动因子及其作用的空间尺度。研究发现,与风暴露度、局地凸度和雪漂移代理指标等精细尺度变量相关的选择信号,与海拔和坡度等更广尺度梯度并存。至关重要的是,多尺度设计显示当仅使用单尺度变量时,选择信号可能消失或符号反转,说明尺度错配如何模糊或逆转表观选择梯度。最近,Guillaume等人进一步规范了使用多空间分辨率环境预测因子(包括VHR DEM衍生指标)对GEA模型进行比较评估的工作流程,以A. alpina中数千个全基因组单核苷酸多态性(SNP)为案例研究,表明基因型-环境关联模型对DEM衍生预测因子的空间分辨率高度敏感,性能通常在中等分辨率(2–16 m)达到峰值而非最精细的0.5 m。通过展示选择和整合多尺度地形变量的实用工作流程,作者论证此类基于DEM的代理指标能够捕捉插值和内插气候层常无法解析的精细尺度地形-气候和土壤异质性。这一结果与Dauphin等人的建议高度契合,后者指出改进景观基因组学的环境组分——特别是通过使用互补性和尺度更匹配的环境数据——对于稳定关于选择压力的推断至关重要。
获取与成本:LiDAR对比无人机立体摄影测量
尽管VHR DEM在概念上具有吸引力,但其应用存在实际约束。直升机载或固定翼LiDAR航测可在数十至数百平方公里范围内提供高精度DEM,但成本高昂且在偏远山区地形中后勤难度大。相比之下,无人机立体摄影测量提供了相对低成本且灵活的替代方案,但空间覆盖范围较小,且更依赖天气条件和飞行管制规定。Guillaume等人直接在阿尔卑斯带比较了LiDAR与立体摄影测量DEM,表明经过适当处理后,立体摄影测量DEM在垂直精度和衍生多尺度地形变量的预测性能方面均可与LiDAR媲美。在0.5–2 m分辨率下,两种技术获得的DEM衍生变量提供了相似的解释力,而在最精细尺度上由于噪声和伪影差异更为明显。与其他地貌学和水文学对比研究相呼应,无人机立体摄影测量DEM在许多应用中可匹配LiDAR精度,前提是影像通过精心布设的地面控制点和检查点(采用RTK定位等高精度GNSS方法或等效的机载RTK/PPK无人机系统)实现精确地理配准,并配合适当的处理流程。从高山生态学视角出发,LiDAR与立体摄影测量之间的选择应更少基于感知的精度差异,而更多基于实际考量:(1)需覆盖的总表面积;(2)所需的时间频率(针对重复调查,如活动滑坡区);(3)在崎岖难达地形或保护区部署无人机的可行性;(4)国家测绘机构现有LiDAR数据集的可用性。在欧洲许多山区,高质量LiDAR数据已在大面积范围内可用,成为首选来源,如瑞士的swissALTI3D、奥地利的DGM、德国的ATKIS-DGM和法国的RGE ALTI。在缺乏此类资源的山脉,无人机航测可以相对较低的成本迅速提供研究点的针对性VHR覆盖。一个从生态学和基因组学应用中浮现的重要认识是,追求尽可能高的分辨率并非总是必要。极精细DEM不仅产生庞大的数据量和处理成本,还可能捕捉到对根系、冠层和扩散核在更大邻域范围内整合环境条件的植物而言在生态学上无关的微结构。实证结果表明,对于许多高山植物,最佳预测能力在约1–8 m分辨率下计算的地形变量处实现。这对从业者是一个强有力的启示:提供相关生态和进化见解的是多尺度设计本身,而非超精细的原始分辨率。
挑战与未来方向
综合现有研究,多尺度地形变量源自VHR DEM,其本身即可解析陡峭高山景观中复杂的、进而施加选择压力的环境梯度。由于地形同时控制辐射、风、积雪、土壤湿度和干扰,一套设计良好的综合地形变量可作为选择景观的紧凑表征。通过探索多个嵌套尺度,可以精确定位不同功能性状的选择驱动因子强度,并区分由宽海拔带驱动的与单一坡面内微生境生态位变异产生的信号。然而,除VHR DEM多尺度方法已产生的洞见外,在广泛采纳于高山生态学和实践保护之前仍存在若干挑战。首先,需要更系统地评估不同多尺度地形度量如何与多样山地环境中的微气候和土壤条件直接测量相关联。虽然Leempoel等人在瑞士前阿尔卑斯山提供了概念验证,将多分辨率VHR DEM衍生变量与实测气温、湿度和土壤湿度相关联,且相关研究也在挪威Finse和美国科罗拉多州等地将小尺度地形复杂度与实测温度和土壤湿度联系起来,但同时结合多尺度VHR DEM衍生地形度量、直接微气候或土壤测量以及高山植物生态或进化响应的研究仍属少见。将密集传感器网络(数据记录器、土壤探头)与VHR DEM及多尺度衍生指标耦合将有助于推广哪些地形指数是哪些物理过程的稳健代理指标。其次,特别是在景观基因组学背景下,当基于跨多个尺度的大量相关地形变量构建模型时,存在过拟合和虚假关联的风险。Guillaume和Dauphin均强调了谨慎变量选择、交叉验证策略以及构建环境预测因子时整合先验生态学知识的重要性。主成分分析可能掩盖单个变量的真实效应,而惩罚回归、贝叶斯变量选择以及层次模型等方法可显式纳入空间结构,从而在不过度膨胀GEA分析中假阳性率的前提下充分利用多尺度地形变量的丰富信息。第三,研究人员对选择的相关空间尺度如何在不同功能性状和生活史策略间变化仍知之甚少。高山植物及其构成的多样性可能在不同的空间和时间窗口中占据环境。跨共存物种的比较多尺度分析(理想情况下结合性状数据和实验检验)将有助于将VHR DEM衍生代理指标与不同植物(功能)类型的生物学联系起来。最后,将VHR DEM与其他高分辨率遥感数据——高光谱影像、热红外相机、LiDAR衍生地表度量——相结合以迈向高山景观中选择驱动因子的真正多维表征,存在明确机遇。Pradervand等人的研究及其他生态系统的近期工作表明,结合结构和光谱变量可显著提升生物多样性格局的预测能力。扩展此类综合框架将有助于基准测试多尺度地形变量相对于山地景观中其他环境维度所贡献的独特信息量。VHR DEM及其多尺度衍生指标为描述高山景观中植物所经历的选择驱动因子开辟了新视角。在不到二十年时间里,该领域已从询问1 m DEM是否能改善SDM,发展到以厘米级地形信息为基础在多学科分析中生成综合环境变量。在陡峭的高山地形中,精心设计的多尺度DEM衍生变量集被证明足以解析复杂的选择压力,并可能识别其作用的空间尺度。这并不意味着VHR DEM是万灵药或其他环境数据已过时。相反,这表明多尺度地形代理指标(见表1)提供了一个强大的骨架,可与地形复杂景观中其他更专门化和实测的预测因子相结合。这类代理指标以紧凑且具有物理解释性的方式捕捉了塑造高山微生境的辐射、风、积雪和水再分配的综合效应,可通过适当的统计框架与其他数据类型结合,从而超越纯粹的相关模型,迈向对植物局域环境适应的更具机理性的理解。展望未来,关键挑战不在于获取更精细的DEM,而在于以概念为指导、以生态过程和选择压力假设为依据,利用现有众多软件解决方案部署多尺度分析。预计VHR DEM多尺度框架将在高山生态学中发挥日益核心的作用,从解析种内和种间变异分布驱动因子到预测快速环境变化下高山物种的进化命运。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号