《Ecologies》:Advances and Research Gaps in Ecological Niche Modeling of Amazonian Wetland Plants: A Systematic Review
生态位建模(ENM)被广泛用于预测物种分布并支持环境变化下的生物多样性保护,然而其在亚马逊湿地植物中的应用尚未得到系统性的综合。研究人员遵循PRISMA 2020指南进行了一项系统综述,以评估方法学途径、环境预测因子、模型性能和研究空白。文献检索在Web of Science、Scopus和Consensus(作为一个辅助的AI辅助学术搜索平台)中进行,共获得1789条记录,其中48条符合纳入标准。相关模型占主导地位,MaxEnt、随机森林(RF)和集成框架是最常用的算法。在各研究中,与仅使用气候的方法相比,整合水文和土壤预测因子持续改善了模型性能和生态现实性。未来的气候预测表明,栖息地特化种更容易受到威胁,而亚马逊西部和安第斯山麓则反复被确定为潜在的气候避难所。主要限制包括存在记录的地理偏差、有限的高分辨率环境数据集,以及几个亚马逊湿地生态系统的代表性不足。总体而言,证据表明,亚马逊湿地的可靠ENM需要整合气候、水文和土壤驱动因子,而不是仅仅依赖宏观气候。未来的研究应优先考虑地理代表性采样、改进的环境数据集、透明的工作流程和基于过程的建模,以加强气候和土地利用变化下的生态预测和保护规划。
### 1. 引言
生态位建模(ENM)已成为预测物种分布和支持环境变化下生物多样性保护的主要方法之一。传统上,ENM主要依赖宏观气候变量来估算物种的环境适宜性。然而,在亚马逊湿地等环境异质性系统中,这种以气候为中心的框架存在重要局限性,因为这些系统中物种的分布同时受到跨多个空间尺度运作的气候、水文、土壤和景观过程的影响。在这些生态系统中,洪水动态、地下水可用性、土壤性质和植被结构相互作用,共同决定了栖息地适宜性,这意味着仅靠气候可能无法充分代表控制物种分布的生态过程。
过去二十年的方法学发展极大地扩展了ENM中纳入的环境信息。除了气候预测因子,研究越来越多地整合水文变量、详细的土壤数据集、遥感产品、集成建模框架、扩散限制,以及最近的功能性状。这些进展通过更好地代表亚马逊生态系统(包括várzea森林、黑水igapó森林、campinaranas和其他季节性淹没的栖息地)的环境异质性,提高了分布模型的生态现实性。尽管如此,方法学的多样性也显著增加,研究在空间范围、分类学焦点、预测因子选择、算法、验证程序和未来气候情景方面存在差异,使得研究间的直接比较越来越困难。
理解这些方法学差异尤其重要,因为亚马逊湿地构成了世界上最大、最多样化的湿地系统之一,为研究水文、土壤和气候如何共同塑造生物多样性提供了一个具有全球相关性的自然实验室。亚马逊ENM中遇到的许多挑战——包括采样偏差、有限的环境数据、水文动态的表征以及精细尺度土壤异质性的纳入——也是全球湿地生态系统共有的。同时,加速的气候变化、土地利用转变、改变的洪水状况和生物入侵预计将改变整个流域的物种分布、群落组成和生态系统功能,增加了对可靠预测模型以支持保护规划和适应性管理的需求。
尽管ENM应用迅速扩展,但当前知识在分类群、生态系统、空间尺度和方法学方法上仍然支离破碎。先前的综述从广泛的角度探讨了生态位建模,包括生物多样性保护、气候变化和一般的物种分布建模。然而,尚无系统综述专门综合聚焦于亚马逊湿地生态系统中植物物种的生态位建模研究。因此,对于所采用的方法学方法、最常纳入的环境预测因子、不确定性和偏差的主要来源,以及限制该领域未来进展的主要知识空白,仍然缺乏全面的评估。
因此,本系统综述综合了当前关于应用于亚马逊湿地生态系统植物物种的生态位建模的知识。具体而言,研究人员解决了以下问题:(1) 哪些方法学方法、算法和环境预测因子使用最频繁?(2) 气候、水文和土壤因素如何影响物种分布和模型性能?(3) 未来气候情景在多大程度上被纳入ENM研究,这些预测中出现了哪些分布模式?(4) 在持续的气候和土地利用变化下,应解决哪些方法学局限性、空间偏差和研究优先事项,以提高预测精度并加强保护规划?
### 2. 材料与方法
#### 2.1. 研究设计
亚马逊湿地包括一个多样化的季节性淹没生态系统镶嵌体,包括富营养的várzea洪泛平原、贫营养的igapó森林、campinaranas、沼泽和相关的洪泛平原栖息地。这些生态系统受到年洪水脉冲的调节,这些脉冲影响养分有效性、土壤条件、物种组成和生态系统功能。它们共同代表了地球上最大的淡水湿地复合体之一,并在全球生物多样性保护、碳储存和水文调节中发挥着关键作用。
为了本综述的目的,亚马逊湿地被定义为位于亚马逊盆地内、季节性或永久性淹没的生态系统,包括várzea洪泛平原、igapó森林、沼泽、洪泛平原湖泊、受季节性地下水波动影响的campinaranas,以及生态上连接的过渡区(只要原始研究明确调查了湿地水文或土壤过程)。仅在高地(terra-firme)森林中进行的研究被排除,除非它们直接涉及与邻近湿地生态系统相关的生态梯度。
本研究是一项系统文献综述,采用综合综合方法,旨在汇编生态位建模(ENM)在亚马逊湿地生态系统植物物种中应用的方法学进展、新兴生态模式和研究空白。该综述遵循了根据PRISMA 2020(系统综述和荟萃分析的首选报告项目)进行和报告的结构化程序,以增强透明度、可重复性和方法学严谨性。
#### 2.2. 文献检索策略
文献检索主要使用索引书目数据库Web of Science核心合集和Scopus进行,以确保全面覆盖同行评审的科学出版物。为了补充这些检索,Consensus被用作AI辅助的学术搜索平台,以扩大主题检索范围,并识别可能因索引或术语差异而未被捕获的潜在相关同行评审研究。由于Consensus是一个不断发展的AI辅助检索平台,无法保证完全的检索可重复性。因此,其在本综述中的作用仅限于补充文献识别,而研究选择、资格评估和质量评价则按照预定的PRISMA程序手动进行。Consensus仅作为补充检索工具使用,而非替代传统书目数据库。因此,通过Consensus识别的所有记录都经过了与从Web of Science和Scopus检索到的记录相同的去重、筛选、资格评估和质量评价程序。这种方法符合最近的方法学建议,即在结合透明报告和独立人工验证的情况下,AI辅助工具可以提高证据综合的效率。然而,由于Consensus与传统书目数据库相比的经验基准测试仍然有限,其在本综述中的作用仅限于支持文献检索,而最终研究纳入完全取决于根据预定资格标准进行的人工评估。检索最后更新于2026年7月2日。未纳入灰色文献、未发表手稿、学位论文或非同行评审材料。
检索包括以英语、西班牙语和葡萄牙语发表的出版物。地理范围限制在亚马逊盆地内或明确涉及亚马逊湿地生态系统的研究。检索结合了地理描述符(亚马逊、亚马逊盆地、当提及亚马逊湿地时的新热带区)、生态系统名称(várzea、igapó、洪泛平原、沼泽、campinarana、湿地)、植物相关术语和ENM术语,以最大限度地提高检索灵敏度,同时减少误报。时间范围包括2000年至2025年间发表的研究,反映了ENM应用方法学重大发展的时期。
研究选择由两名评审员独立进行。关于研究纳入或排除的任何分歧都通过讨论直至达成共识来解决。当无法达成共识时,咨询第三名评审员做出最终决定。数据提取由第二名评审员独立验证,以确保提取信息的准确性和一致性。
#### 2.3. 搜索结构与查询设计
通过系统地将ENM相关术语与生态系统描述符、环境预测因子和植物相关术语相结合,构建了20个布尔查询组合。查询使用逻辑运算符(AND、OR)和通配符构建,以最大限度地提高检索灵敏度,同时保持主题特异性。
在Web of Science和Scopus中的检索在主题字段(标题、摘要、作者关键词、Keywords Plus)中进行。完整的数据库特定检索语法、过滤器和执行细节见补充材料。
#### 2.4. 研究选择过程
选择过程遵循四个结构化阶段:
- **识别**:通过数据库搜索共识别出1789条记录,包括Web of Science核心合集(n=137)、Scopus(n=630)和Consensus Deep Search(n=1022)。去除重复记录(n=1182)后,剩余607条独特记录进行筛选。
- **筛选**:对607条记录的标题和摘要进行主题相关性筛选。在此阶段,170条记录因不符合综述范围而被排除。
- **资格评估**:检索剩余的437篇研究并进行全文评估,以根据预定的纳入和排除标准确定其资格。
- **纳入**:经过全文评估,根据预定的资格标准和方法学质量评估、缺乏ENM/SDM应用、缺乏对植物物种的关注,或超出亚马逊湿地范围,共排除389篇文章。最终,48项研究被保留用于最终综合。
#### 2.5. 纳入与排除标准
研究被纳入的条件是:
- 明确应用了生态位建模(ENM)或物种分布模型(SDMs);
- 关注与亚马逊湿地生态系统(例如,várzea、igapó、campinarana、与湿地生态连接的terra-firme)相关的维管束或非维管束植物物种;
- 清晰描述了环境预测因子和建模算法;
- 报告了性能指标(例如,AUC、TSS、交叉验证);
- 呈现了可解释的生态、生物地理或保护相关结果。
研究被排除的条件是:
- 无经验建模应用的理论综述;
- 仅关注非植物类群;
- 缺乏足够的方法学细节;
- 未发表在同行评审期刊上。
研究根据生态系统类型、预测因子类别、分类群和建模方法被分组进行综合。
#### 2.6. 数据提取与定性综合
数据提取由两名评审员使用标准化电子表格独立进行。差异通过讨论解决。所有定性分析均使用标准化的数据提取框架进行。对于每项纳入的研究,记录其生态系统类型、分类群、建模算法、环境预测因子、空间尺度、性能指标(例如,AUC、TSS)和主要生态结论。然后,通过根据生态系统类型和预测因子类别(气候、土壤、水文、物候和多尺度方法)对研究进行分组,进行比较分析。使用结构化比较框架通过主题聚类识别模式,以确保研究间的一致性。这种结构化的叙事综合使得能够识别文献中反复出现的趋势、方法学进展和研究空白。
这种结构化方法使得能够在研究间进行系统比较,并识别出在ENM应用于亚马逊湿地植物方面的方法学趋势、重复出现的生态模式、性能共识和知识空白。当摘要信息不完整或报告不一致时,尽可能从文本、表格或补充材料中提取数据。缺失数据记录为“未报告”。结果使用比较表格、证据矩阵、频率总结和叙事主题综合进行总结。
#### 2.7. 证据强度量化
为了评估支持已识别方法和生态模式的证据强度,采用了结构化的综合方法。在适用时,通过计算支持每个重复出现模式的研究比例,进行基于频率的定量评估。证据强度的最终分类也纳入了定性标准,包括(i)独立研究结果的一致性,(ii)多个分类群的代表性,以及(iii)跨不同亚马逊湿地类型的空间普遍性。基于这些综合标准,证据被分类为“高”或“中等”,并对重复出现的生态和方法学模式进行结构化的综合评估,形成统一的证据评估。效果度量包括报告的AUC、TSS、变量贡献百分比以及跨研究的方法学模式的比例频率。证据确定性根据一致性、分类学广度和空间普遍性进行定性分类,分为“强”或“中等”。由于未进行荟萃分析,正式的敏感性分析不可行;通过独立研究的一致性来检验稳健性。
#### 2.8. 证据综合框架
为了综合关于生态位建模(ENM)对亚马逊湿地植物有效性的整体证据,研究人员采用了基于原始研究报告的预测性能的证据综合框架。该框架专门为本系统综述的发现组织和总结而开发,不应被解释为对纳入研究方法学质量的评估。每篇文章的方法学质量使用独立标准进行评估,而预测性能指标则进行了总结。报告定量模型评估指标的研究根据原始出版物中描述的预测性能进行分类。当可用时,使用受试者工作特征曲线下面积(AUC)和真实技能统计量(TSS),因为它们是生态位建模中最广泛采用的性能指标之一。由于许多研究只报告了一个验证指标,分类基于原始出版物中可用的指标,而不是同时要求两个指标。在被归类为“核心生态位建模”(Core ENM)的研究中,那些报告了定量验证指标(AUC和/或TSS)的研究根据下面描述的阈值进行分类。未报告定量验证指标的核心ENM研究被保留在证据综合中,并根据原始出版物中作者对模型性能的评估进行定性分类。研究被分为三类:高预测性能、情境依赖的预测性能、有限或未报告的预测性能。计算被分配到每个预测性能类别的核心ENM研究的比例。
#### 2.9. 方法学质量评估
纳入的研究使用一个针对生态位建模研究而调整的质量框架进行评估,该框架考虑了五个标准:(i) 存在记录样本量;(ii) 采样偏差的处理;(iii) 预测因子共线性控制;(iv) 模型验证;以及(v) 建模工作流程的透明度和可重复性。根据这些标准,研究被分类为高、中或低方法学质量。根据一个针对生态位建模研究开发的调整框架,考虑存在记录样本量、采样偏差的处理、预测因子共线性、模型验证和分析方法的透明度,每项研究均被分类为高、中或低方法学质量。由于该综述综合的是方法学研究而非干预结果,因此无法正式评估发表偏倚。为了最小化检索偏差,在多个数据库(包括Web of Science、Scopus和Consensus)中进行了文献检索。由于在分类群、预测因子、算法和结果方面存在显著异质性,正式的荟萃分析不合适;因此采用了叙事综合和基于频率的总结。通过比较生态系统类型、分类群、预测因子集、空间尺度和建模算法,定性探讨了异质性的来源。
##### 2.9.1. 报告偏倚评估
通过比较研究结果、数据库覆盖范围和出版物来源多样性,对潜在的报告偏倚进行了定性考虑。
##### 2.9.2. 证据确定性评估
基于一致性、方法学质量、分类学广度和地理重复性,对证据确定性进行了定性评估。
### 3. 结果
#### 3.1. 文献计量学概述
在评估的437篇全文文章中,有389篇被排除,主要原因是它们未关注植物、未应用ENM/SDM方法、缺乏足够的方法学细节,或超出亚马逊湿地的范围。大多数研究由于对采样偏差的处理有限且验证报告不完整,被归类为中等偏倚风险。低风险研究通常使用独立验证、预测因子筛选和透明的工作流程。共有48项研究符合资格标准并被纳入最终综合。识别出的最早研究发表于2006年,尽管文献检索涵盖了2000年至2025年期间。出版频率在2010年代末之前一直相对较低。数据库重叠分析显示,纳入最终综述的48项研究中有20项是通过Consensus检索到的。其中,九项研究(占最终数据集的18.8%)仅通过Consensus识别,八项与Web of Science重叠,一项与Scopus重叠,两项同时被Consensus、Web of Science和Scopus检索到。纳入的研究随后根据空间范围、地理覆盖范围和生态系统焦点进行了特征化。校准范围从地方性的流域尺度研究到大陆和新热带区的分析。一些研究采用了从墨西哥延伸到阿根廷南部的大陆或新热带区范围,而另一些则关注泛亚马逊区域。在国家尺度上,23%的综述研究在巴西进行,并经常整合多个植物地理区域,包括亚马逊、塞拉多、大西洋森林、卡廷加、潘塔纳尔和潘帕。这些比较方法允许评估物种在对比气候和土壤背景下的响应。在巴西境内,“森林砍伐弧”尤其是一个反复出现的焦点区域。在更精细的空间尺度上,研究集中在生态独特的、捕捉重要环境异质性的次区域。在亚马逊西部,对中Juruá河和Tarauacá河的研究考察了I?á和Solim?es等地质构造对物种分布和土壤特化的影响。内格罗河流域及其支流,包括Jaú、Branco和Unini河,代表了为igapó森林及相关水生和半水生植物区系建模的关键参考系统,这主要归功于其有据可查的水文状况和植物区系清单。在亚马逊东部,有关于卡拉雅斯国家森林公园及其周边铁质露头(cangas)的ENM研究。还有额外的研究关注位于亚马逊东部和塞拉多之间过渡带的MATOPIBA地区。在低地亚马逊之外,研究区域还包括秘鲁和玻利维亚的安第斯海拔梯度以及法属圭亚那的古土壤景观。研究的空间分布不均。大多数调查集中在巴西亚马逊,特别是在保护区周围和拥有既定研究基础设施的地区。白水várzea森林和广阔的igapó系统比campinaranas、沼泽、过渡性湿地以及巴西以外的几个亚马逊地区更常被代表。
#### 3.2. 方法学方法、算法和环境预测因子
48项综述研究采用了广泛的生态位建模(ENM)和物种分布建模(SDM)方法。相关模型是主要的建模框架,占研究的87%。最常用的算法包括机器学习技术,如MaxEnt、随机森林(RF)、支持向量机(SVM)和增强回归树(BRT),以及经典统计方法,如广义线性模型(GLM)和广义加性模型(GAM)。包络法,包括BIOCLIM、环境域、ENFA、马氏距离和表面范围包络(SRE),也被应用,特别是在比较算法评估中。算法比较研究揭示了该区域内大量的方法学实验。Lopes等人评估了八种算法,用于在igapó和campinarana环境中发生的水生植物物种。Morais等人比较了13种建模技术,包括BIOCLIM、环境域、GLM、GAM、SVM、BRT、RF、高斯过程、MaxEnt、MaxLike和ENFA,使用ENMTML R包对亚马逊森林物种进行建模。在所有综述研究中,MaxEnt是最常用的算法,其次是随机森林、支持向量机、增强回归树、GLM和GAM。集成方法在17%的综述研究中被报告。结合高性能算法(如RF、BRT、SVM、高斯过程和MaxEnt)的集成模型在17%的综述研究中被报告。BIOMOD2和ENMTML是报告最多的支持集成建模的平台。除了标准的相关SDM,一些研究还采用了专门用于量化物种-环境关系的统计方法。Huisman-Olff-Fresco(HOF)模型和广义线性混合模型(GLMMs)被用于估计生态最适值和生态位宽度,特别是在沿土壤和地质梯度方面。其他研究将ENM概念扩展到人为过程,通过使用道路邻近度、牲畜密度、农业扩张和执法强度等预测因子来模拟森林砍伐的空间发生。MigClim在一些研究中被用于将扩散限制纳入未来气候预测。关于环境预测因子,源自WorldClim或CHELSA数据集的19个生物气候变量构成了大多数研究中的核心环境空间,代表年度趋势、季节性以及温度和降水极端值。土壤变量,包括盐基饱和度(SB)、土壤pH、土壤有机碳(SOC)、粘土含量和数字土壤分类,被反复确定为栖息地适宜性的关键决定因素,特别是对于林下植物和大树物种。水文变量包括距最近排水点高度(HAND)、地下水深度、洪水持续时间和洪水脉冲指标。一些研究还整合了遥感变量,包括Landsat衍生的多光谱影像和植被指数,如增强型植被指数(EVI)。总体而言,气候预测因子是最常纳入的环境变量,其次是土壤和水文预测因子。遥感产品在较小一部分研究中被报告,主要用于代表冠层结构和景观异质性。
#### 3.3. 物种分布与生态位模式
综述研究报告称,亚马逊湿地及邻近区域的物种分布模式始终反映了气候季节性、水文动态、土壤异质性和物种特异性功能性状之间的复杂相互作用。温度和降水季节性在78%的研究中成为主要的宏观气候驱动因子。额外的气候变量包括干旱强度和最低温度阈值。研究了几个分类群。对Montrichardia属(天南星科)的研究表明,海拔、总降水量和最干月气温是主要限制因子,表明水分平衡和耐寒性共同限制了物种分布。对于莎草科,两栖物种通常与以显著水文波动为特征的环境相关,而陆生物种则主要出现在较温暖和更湿润的地区。对大型乔木,包括Dinizia excelsa和Goupia glabra的研究,在栖息地适宜性模型中识别出温度极值和水分可用性。与洪泛森林相关的树种是建模工作的频繁目标,包括特有分类群如Guarea guidonia、Hirtella racemosa和Virola surinamensis,以及广泛分布的属如Inga、Cedrela和Virola。水生草本植物在建模研究中尤其有代表性;例如,Lopes等人记录了巴西亚马逊州igapós和campinaranas中的98种水生草本植物,强调了适应洪水植物区系的生态重要性和多样性。具有社会经济重要性的棕榈,如Euterpe precatoria和E. oleracea,也在多种共享社会经济路径(SSP)情景下进行了建模,揭示了对比的气候敏感性。一些研究还对经济上重要的树种进行了建模,包括Manilkara huberi、Swietenia macrophylla、Cedrela odorata、Carapa guianensis和Theobroma grandiflorum。未来气候情景下的栖息地适宜性预测通常表明这些物种的适宜区面积减少,尽管预测变化的大小和空间分布因分类群和气候情景而异。土壤和地形梯度被纳入了一些物种分布模型中。经常报告的变量包括土壤肥力、养分有效性、盐基饱和度、地下水深度和距最近排水点高度(HAND)指数。研究还包括维管附生植物,其预测的适宜栖息地集中在亚马逊森林边缘和安第斯山坡,而在亚马逊中部和东部识别出的适宜区相对较少。
#### 3.4. 气候、水文和土壤驱动因子对物种分布的影响
综述研究一致地识别出气候、水文、土壤和人为变量是影响亚马逊湿地植物物种分布的主要环境驱动因子。这些驱动因子在多个空间尺度上进行了评估,从区域气候梯度到局部水文和土壤条件。宏观气候变量是最常纳入的预测因子组,出现在79%的综述研究中。最常包含的变量包括年降水量、降水季节性、最干月降水量、最暖月最高气温和最冷月最低气温。土壤变量被纳入48%的综述研究中。最常评估的变量包括氮、磷、钙、镁、钾、土壤pH、土壤有机碳和盐基饱和度。几项研究报告了这些变量与β多样性、物种组成、资源获取策略和栖息地适宜性之间的关联。一些研究还整合了区域数字土壤产品和SoilGrids衍生的变量。水文驱动因子在38%的综述研究中被明确建模。洪水持续时间和频率、地下水深度、距最近排水点高度(HAND)以及其他洪水脉冲指标是生态位模型中最常代表的变量。遥感变量被纳入一些研究中,以代表冠层结构和空间异质性。最常用的数据集包括Landsat影像、冠层反射率产品和植被指数,如增强型植被指数(EVI)。人为预测因子也被纳入了一部分研究中。经常报告的变量包括土地利用变化、道路密度、牲畜密度、火灾发生和土地覆盖类别。几项研究将气候、水文和土壤变量结合在同一个建模框架内,而其他研究则评估了不同预测因子组的相对贡献。综述研究中包含的未来气候预测通常评估了在不同温室气体排放情景下,对Bertholletia excelsa、Euterpe spp.、Theobroma grandiflorum和Stryphnodendron pulcherrimum等物种的栖息地适宜性变化。
#### 3.5. 未来气候预测与物种响应
未来气候预测被纳入至少16项(33.3%)综述研究中,预测时间范围从2040年到2100年。最常评估的时期是2041-2060年、2061-2080年和2081-2100年。近期研究主要采用CMIP6共享社会经济路径(SSPs),特别是SSP5-8.5和SSP2-4.5,而早期研究则依赖CMIP5代表性浓度路径(RCP4.5和RCP8.5)。在综述研究中,高排放情景一致预测出比中等排放情景更大的栖息地丧失和更广泛的分布偏移。地理分布受限的物种通常比广布种显示出更大的适宜栖息地减少。对多个分类群报告了预测响应。对于Bertholletia excelsa,在悲观情景下预测的适宜区丧失高达94%。对亚马逊棕榈、莎草科物种、可可近缘种和其他经济上重要的新热带树种也报告了类似的预测。几项研究还预测了未来气候条件下分布向亚马逊西部和安第斯地区偏移。未来预测也适用于入侵植物物种。建模研究报告了非洲草类,包括Urochloa brizantha,在未来的SSP情景下可能扩张进入亚马逊洪泛平原。入侵物种的预测响应各不相同,取决于所考虑的排放情景,一些分类群显示出范围扩张,而另一些则显示出收缩。
#### 3.6. 方法学局限性、空间偏差与研究空白
综述研究报告了影响亚马逊湿地生态位建模应用的几个方法学局限性。存在记录的有限可用性和不均匀的空间分布是最常报告的限制因素。许多研究强调了存在记录集中在河流、道路、城市中心和长期研究地点附近,而偏远的湿地地区仍然代表性不足。采样偏差、样本量减少和模型过拟合是综述文献中反复出现的方法学问题。几项研究还报告了与预测因子选择、模型复杂性和向独立区域或未来气候情景的可转移性相关的局限性。环境数据集构成了另一个经常报告的不确定性来源。研究识别了与气候、土壤和水文数据集的空间分辨率和主题准确性相关的局限性,特别是数字土壤图和粗分辨率气候变量。几项研究还报告了预测模型中对水文过程、洪水动态、地下水深度和局部环境异质性的表征有限。生物过程很少被纳入生态位模型。很少有研究考虑生物相互作用、扩散限制、传粉、植食或物种相互作用作为解释变量。综述文献还报告了与采样设计和生物多样性数据库相关的局限性。存在记录的地理聚集以及来自易于到达地点的采集品占主导地位经常被识别,而偏远的湿地和几个亚马逊生态系统仍然代表性不足。综述的研究在地理上是不均匀的。大多数生态位建模应用是在相对可达的区域或保护区进行的,而黑水igapós、孤立沼泽和巴西亚马逊中部以外的洪泛平原则较少被代表。在环境预测因子的整合方面也存在明显的研究空白。气候变量被纳入79%的综述研究中,而水文和土壤预测因子分别被纳入38%和48%的研究中。只有12.5%的综述研究在同一个建模框架内同时整合了气候、水文和土壤预测因子。相反,大约21%的研究未包含气候变量,而是侧重于土壤、水文、土地利用或社会经济预测因子。有两项研究主要依赖社会经济变量或遥感产品,而非传统的环境预测因子。另一个报告的限制涉及存在记录的来源。大多数研究没有明确区分野生和栽培记录,限制了对栽培种群对物种分布模型潜在影响的评估。总体方法学质量普遍较高。在48项纳入研究中,30项(62.5%)被归类为高质量,10项(20.8%)为中等质量,8项(16.7%)为低质量。大多数研究充分解决了生态位建模推荐的关键方法学方面。预测因子共线性在34项研究(70.8%)中进行了评估,采样偏差校正实施了35项(72.9%),独立模型验证在37项研究(77.1%)中报告。性能指标,如AUC、TSS或等效指标,在31项研究(64.6%)中呈现,而透明的工作流程,包括对软件、包或脚本的明确描述,在37项研究(77.1%)中提供。总体而言,这些发现表明证据基础主要由高质量的方法学实践支持,尽管在部分研究中在报告预测因子选择程序、性能指标和工作流程透明度方面仍存在不足。最后,本综述呈现了与文献检索过程相关的局限性。Consensus仅作为补充的AI辅助搜索平台用于识别潜在相关研究。近期研究报告称,AI辅助文献检索工具可能存在有限的可重复性,因为检索算法和索引内容会随时间演变。为了最小化这一局限性,所有通过Consensus检索到的研究都经历了与从Web of Science和Scopus检索到的研究相同的去重、人工筛选、全文资格评估和质量评价程序。最终研究纳入完全基于预定义的PRISMA资格标准和独立评审员评估,遵循了关于AI辅助文献检索透明报告的最新建议。
#### 3.7. 证据与模型性能的综合综合
根据第2节中描述的证据综合框架,将综述研究中报告的生态和方法学发现整合为对证据强度的定性评估。该综合总结了在整个综述中识别的重复出现的模式,并未引入额外的结果。根据第2.8节中描述的预定标准,证据强度根据独立研究之间的一致性、分类学广度以及跨亚马逊湿地生态系统的空间代表性进行分类。根据这一分类,五个陈述得到强证据支持,四个得到中等证据支持。被归类为强证据的陈述得到了多个独立研究的持续支持,这些研究涵盖了不同的分类群和亚马逊湿地生态系统。这些包括水文和土壤预测因子对生态位建模的重要性、局部水文对群落组装的影响、湿地物种中更宽的生态位、亚马逊西部和安第斯山坡作为气候避难所的识别,以及未来气候变化下栖息地减少的预测。被归类为中等证据的陈述包括环境异质性对功能多样性的影响、与数字土壤数据集相关的局限性、气候变化与森林砍伐之间的预测相互作用,以及物候和多尺度环境方法的新兴应用。预测性能被评估为被归类为“核心生态位建模”(Core ENM)的研究子集。在本综述中包含的48项研究中,有33项被归类为核心ENM研究。其中29项报告了定量模型验证指标,包括受试者工作特征曲线下面积(AUC)、真实技能统计量(TSS),或两者兼有。四项研究未报告定量验证统计数据,但根据第2.8节中建立的标准被保留在定性证据综合中。根据预定的证据综合标准,20项研究(61%)被归类为呈现高预测性能,9项(27%)为呈现情境依赖的预测性能,4项(12%)为呈现有限或未报告的预测性能。在报告定量验证指标的研究中,AUC值高于0.80和TSS值高于0.40是被归类为高预测性能的模型最常报告的阈值。这些研究涵盖了广泛的分类群、湿地生态系统和建模方法,包括MaxEnt、随机森林、集成模型和其他机器学习算法。
### 4. 讨论
#### 4.1. 亚马逊湿地ENM的方法学进展与现存挑战
结果表明,亚马逊湿地的生态位建模(ENM)在过去二十年中经历了实质性的方法学发展。集成建模框架、标准化验证程序、遥感产品和日益多样化的环境预测因子的逐步采用,反映了ENM从主要气候驱动的相关应用向能够代表亚马逊生态系统环境复杂性的更全面方法的成熟。这种方法学演变尤其重要,因为亚马逊湿地的特点是跨多个空间尺度运作的强烈环境异质性。与许多陆地生态系统不同,物种分布同时受到区域气候梯度、季节性水文动态、土壤性质、地貌和人为干扰的影响。因此,整合多个环境维度的建模框架预计将提供比仅依赖宏观气候变量的方法更具生态现实性的预测。尽管取得了这些进展,但重要的方法学局限性依然存在。本综述中识别出的最持久挑战之一是存在记录的空间偏差。尽管一些研究在大陆或泛亚马逊范围内校准了模型,但存在数据仍集中在可到达的区域、研究站、主要河流和保护区附近。这种地理失衡限制了模型校准,增加了在采样不足区域的预测不确定性,并在将预测外推到环境独特区域时降低了信心。另一个重要挑战涉及相关物种分布模型的持续主导地位。虽然这些模型一贯显示出令人满意的预测性能,但它们通常假设物种与环境之间存在平衡,并且很少纳入扩散过程、种群动态、物种相互作用或进化响应。随着气候变化和土地利用转变加速整个亚马逊流域的环境变化,将机械生态过程与统计建模方法相结合代表了未来研究的一个重要方向。在综述研究中观察到的方法学改进也突显了透明和可重复的建模工作流程的重要性。标准化预测因子选择、客观模型评估和独立验证已变得越来越普遍,提高了生态位模型的可靠性和可比性。尽管如此,研究间模型性能的差异表明,预测精度仍然高度依赖于研究设计,包括环境预测因子选择、空间分辨率、存在数据质量、算法选择和校准范围。这些发现强化了没有任何单一建模策略是普遍适用的,方法学决策应受目标物种和研究系统的生态特征指导。一个额外的方法学考虑涉及本综述采用的文献检索策略。Consensus被用作补充的AI辅助搜索平台,以改善常规书目数据库的文献检索。然而,近期研究表明,基于大语言模型的AI辅助搜索系统可能表现出有限的可重复性,因为即使应用相同的搜索策略,检索结果也可能随时间变化,因为索引内容不断扩展,检索算法持续更新。这一局限性对于系统综述尤其相关,其中可重复性是一个基本的方法学原则。为了最小化这种潜在偏差,Consensus仅用于补充常规数据库搜索,所有检索到的记录在纳入证据综合之前,都经历了相同的去重、独立筛选、资格评估和方法学质量评价,遵循预定义的PRISMA标准。因此,研究纳入取决于预定的资格标准,而非检索平台本身,这符合关于AI辅助文献检索工具透明使用的最新建议。总体而言,本综述中识别出的方法学轨迹表明,生态位建模已成为研究亚马逊湿地物种分布的一个日益强大的工具。然而,进一步的进展将取决于改善采样代表性、整合机械生态过程、扩展高分辨率环境数据集,以及采用结合传统系统综述方法和新兴AI工具的透明、可重复的工作流程。
#### 4.2. 水文和土壤驱动因子的重要性
本综述得出的主要见解之一是,亚马逊湿地的物种分布受层级环境过滤而非单纯气候的控制。虽然宏观气候变量定义了物种分布的广泛地理界限,但水文动态和土壤条件最终决定了气候适宜的环境是否能支持物种的建立、持久性和群落组装。这种层级组织解释了为什么整合气候、水文和土壤预测因子的生态位模型在亚马逊湿地中始终优于仅使用气候的模型。水文过程尤其重要,因为洪水脉冲调节了许多结构化湿地植被的生态过程。洪水持续时间、地下水动态、沉积物沉积和季节性水位波动直接影响氧气可用性、养分循环、种子萌发、幼苗建立和植物存活。因此,局部水文变量通常比宏观气候预测因子更能解释物种发生,特别是在局部和区域尺度上,精细的地形变化决定了洪水强度和持续时间。诸如距最近排水点高度(HAND)等代理变量因此已成为代表气候数据集无法单独捕捉的水文梯度的宝贵工具。土壤条件作为第二个主要环境过滤器运作。土壤肥力、质地、pH、有机质和盐基阳离子可用性调节养分获取、根系发育、微生物关联和水分保持,最终决定了植物在洪水条件下的表现。这些因素在亚马逊湿地中尤其重要,那里长时间的淹水通过缺氧和养分限制施加生理胁迫。因此,具有