《Ecology and Evolution》:Assessing Whether Habitat Suitability Models Can Predict Abundance of an Insect Pest
编辑推荐:
在景观尺度上预测害虫丰度是害虫管理中的一个主要挑战。栖息地适宜性模型提供了一种产生空间明确害虫丰度预测的方法,但通常未能有效捕捉异方差性害虫分布。虽然害虫不太可能在贫瘠栖息地出现,但在适宜栖息地中可能出现从低到高的害虫丰度梯度,而目前尚不清楚哪种类型的栖息地适
在景观尺度上预测害虫丰度是害虫管理中的一个主要挑战。栖息地适宜性模型提供了一种产生空间明确害虫丰度预测的方法,但通常未能有效捕捉异方差性害虫分布。虽然害虫不太可能在贫瘠栖息地出现,但在适宜栖息地中可能出现从低到高的害虫丰度梯度,而目前尚不清楚哪种类型的栖息地适宜性模型在处理这种丰度与栖息地适宜性之间的楔形关系时最为有效。本研究使用了六种栖息地适宜性模型来评估它们是否能预测蓝莓的主要本地害虫——蓝莓蛆(Rhagoletis mendax)的丰度。研究人员利用卫星衍生图像收集环境数据以构建每个栖息地适宜性模型,并将预测结果与美国新泽西州为期4年的田间调查(2009–2012)的R. mendax丰度进行比较。研究人员还通过分位数回归模拟了栖息地适宜性如何预测丰度的各个分位数,而不仅仅是均值。只有两个模型(BioClim和随机森林)检测到观测害虫丰度与预测栖息地适宜性之间的正向楔形关系,而四个模型显示出负向关系。随机森林模型在分位数回归中表现最佳,但可转移性较差;BioClim模型在插值中表现不佳,但在空间上具有可转移性。鉴于害虫分布的异方差性,栖息地适宜性模型可能无法预测害虫密度,除非它们捕捉到适宜区域内的丰度梯度。有效的插值和可转移性可能还需要不同的建模方法。
害虫管理亟需精确的害虫丰度空间数据以指导决策,但传统监测在大尺度上存在后勤困难,且丰度-环境模型常因数据缺乏而无法预测未采样地点。栖息地适宜性模型(HSMs)期望在适宜性与丰度间呈现正相关,但实际中两者常呈楔形关系(即不适栖息地丰度低,适栖息地丰度从低到高梯度变化),且不同模型算法对捕捉这种异方差性分布的效果未知。基于此,研究人员以美国新泽西州蓝莓主要本地害虫——蓝莓蛆(Rhagoletis mendax)为对象,评估六种栖息地适宜性模型是否能预测其丰度。研究利用2009–2012年为期4年的田间监测数据(来自9个蓝莓农场,共531个陷阱,覆盖南部和北部区域),结合MODIS卫星250米分辨率增强植被指数(EVI)数据,通过主成分分析提取环境变量,构建了六种模型:最大熵(Maxent)、生物气候包络(BioClim)、广义线性模型(GLM)、广义加性模型(GAM)、广义提升模型(GBM)和随机森林(RF)。模型训练采用南部70%采样点,剩余30%南部点用于插值验证,北部27个栅格用于可转移性验证。通过分位数回归(50th至99th百分位)分析丰度与适宜性间的楔形关系,并评估R1拟合优度和斜率。结果表明:仅BioClim和RF模型检测到正向楔形关系(斜率>0),而Maxent、GLM、GAM、GBM呈中性或负向关系。RF在分位数回归中表现最优(R1持续>0.1),但可转移性极差(所有阈值均无法预测北部点);BioClim在插值中表现不佳(ROC曲线接近随机),但可转移性较好(最小训练阈值下成功预测14/27点)。其他模型(GLM、GAM、GBM)在插值和可转移性上表现中等,但未能捕捉楔形关系。研究强调,栖息地适宜性模型能否预测害虫丰度取决于算法选择和应用目标,单一模型无法兼顾所有任务。从害虫管理角度,这些模型更适合识别低风险区域和优先监测,而非预测爆发严重程度,未来需结合更多生态和景观驱动因子以改进风险评估。
**研究背景与问题**
害虫管理需要精确了解害虫丰度的空间分布,以指导决策(如农药施用或监测部署)。然而,传统田间监测在大尺度上成本高、难度大,且监测网络通常稀疏,导致丰度数据存在高变异性。丰度-环境模型(如物种分布模型)虽能关联环境变量与丰度,但常因缺乏大范围时空数据而无法预测未采样区域。栖息地适宜性模型(HSMs)通过整合物种发生数据与环境变量,理论上应呈现适宜性与丰度间的正相关,但实际中两者关系常呈楔形(wedge-shaped):不适栖息地仅出现低丰度,而适栖息地丰度从低到高梯度变化。这种异方差性使得传统均值回归方法失效,且不同模型算法对捕捉该关系的效果尚不明确。此前研究多集中于脊椎动物(如美洲虎、雨林脊椎动物),针对农业害虫的验证极为匮乏。因此,研究人员以美国蓝莓主要本地害虫——蓝莓蛆(Rhagoletis mendax)为对象,旨在(1)验证害虫丰度与栖息地适宜性间是否存在楔形关系,(2)评估不同模型算法对该关系推断的影响,(3)探讨此类模型能否用于害虫风险评估。
**研究内容与结论**
研究人员利用2009–2012年在美国新泽西州南部9个蓝莓农场的田间监测数据(共531个陷阱,分布于南部和北部区域),结合MODIS卫星250米分辨率增强植被指数(EVI)数据,通过主成分分析(PCA)提取10个主成分(涵盖约86%方差),构建了六种栖息地适宜性模型:最大熵(Maxent)、生物气候包络(BioClim)、广义线性模型(GLM)、广义加性模型(GAM)、广义提升模型(GBM)和随机森林(RF)。模型训练采用南部70%采样点(145个栅格),剩余30%南部点用于插值验证,北部27个独立栅格用于可转移性验证。通过分位数回归(50th至99th百分位)分析丰度与适宜性间的楔形关系,并评估R1拟合优度和斜率。结论:仅BioClim和RF模型检测到正向楔形关系(斜率>0),而Maxent、GLM、GAM、GBM呈中性或负向关系。RF在分位数回归中表现最优(R1持续>0.1),但可转移性极差(所有阈值均无法预测北部点);BioClim在插值中表现不佳(ROC曲线接近随机),但可转移性较好(最小训练阈值下成功预测14/27点)。其他模型(GLM、GAM、GBM)在插值和可转移性上表现中等,但未能捕捉楔形关系。该研究发表于《Ecology and Evolution》。
**关键技术方法**
研究采用六种模型算法构建栖息地适宜性模型:Maxent(基于最大熵)、BioClim(基于生物气候包络)、GLM(广义线性模型)、GAM(广义加性模型)、GBM(广义提升模型)和RF(随机森林)。环境数据源自MODIS卫星16天合成的增强植被指数(EVI)图像(2009–2012年6–8月,250米分辨率),经主成分分析(PCA)提取10个独立主成分作为预测变量。样本队列来源:美国新泽西州南部9个蓝莓农场(Burlington县2个,Atlantic县7个),2009–2012年共531个Pherocon AM-baited陷阱监测R. mendax成虫丰度,数据按250米栅格聚合。模型训练采用南部70%采样点,剩余30%南部点用于插值验证,北部27个独立栅格用于可转移性验证。通过分位数回归(50th–99th百分位)分析丰度与适宜性间的楔形关系,并计算R1拟合优度和斜率。
**研究结果**
- **模型空间预测**:BioClim和RF模型预测的适宜栖息地范围有限(RF尤为狭窄),而Maxent、GLM、GAM、GBM模型预测了广泛适宜区域。
- **插值性能**:BioClim模型的ROC曲线斜率接近1,表明其预测不优于随机;其他模型(Maxent、GLM、GAM、GBM、RF)的ROC曲线显著偏离斜率1,显示强插值能力,但各模型曲线不平行,表明相对性能随阈值变化。
- **可转移性**:BioClim、GAM和GBM模型在最小训练阈值(MTP)下表现最佳,分别成功预测北部14/27、22/27、23/27点(p<0.001);Maxent和GLM在MTP下失败(0/27和0/27),但在5th和10th阈值下表现良好(分别失败2/27和1/27);RF在所有阈值下均无法预测任何北部点(0/27)。
- **楔形关系分析**:RF模型在分位数回归中表现最佳,R1值在所有分位数持续>0.1;Maxent、GLM、GAM、GBM的R1值在0.5–0.9分位数间上升后下降;BioClim的R1接近0,仅在0.9分位数后上升。仅RF和BioClim模型在所有高分位数显示显著正斜率(p<0.001),检测到楔形关系;Maxent、GAM、GLM、GBM模型呈中性或负斜率。
**讨论与结论**
讨论部分指出,丰度与适宜性间的楔形关系在脊椎动物中已有验证,但在昆虫中罕见。本研究发现仅两种模型成功捕捉该关系,表明模型算法对推断影响显著。RF在分位数回归中表现最佳但可转移性差,BioClim在插值中差但可转移性好,凸显模型间在空间和时间变异性敏感性上的差异。研究建议,栖息地适宜性模型更适合识别低风险区域(避免密集管理)和优先监测,而非预测爆发严重度。引入景观因子(如森林边缘、管理措施)可提升预测能力。局限性包括:仅使用EVI作为环境变量(未纳入土壤类型、温度、降水),丰度数据聚合方式可能影响分析,以及模型预测的尺度(250米)可能不适用于大陆尺度。结论翻译:本研究为栖息地适宜性模型能否有效预测不同景观中的害虫丰度提供了新颖检验。研究发现栖息地适宜性模型不能一致地预测害虫丰度,其有效性高度依赖于模型算法和预期应用。六种模型中仅两种识别出预期的丰度-适宜性模式,且这些模型在预测害虫密度与空间转移之间存在明显权衡。这凸显了没有单一模型适用于所有应用。从害虫管理角度看,栖息地适宜性模型最适合识别低风险区域和优先监测,而非预测爆发严重度。有效使用这些模型需使模型选择与目标、空间尺度和验证策略对齐。整合额外的生态和景观驱动因子对于改进风险评估和支持更精准、高效的害虫管理至关重要。