《Ecological Indicators》:Combining citizen-science data with data from a structured monitoring programme for a Swiss butterfly index
编辑推荐:
摘要中文翻译:可靠的生物多样性指标对于做出明智的保护决策至关重要,然而获取全面数据仍是一项重大挑战。结构化监测计划被认为是估计无偏物种趋势的黄金标准,但此类计划资源密集且常常遗漏珍稀物种。相反,非结构化公民科学数据提供了广泛的时空覆盖,但可能存在系统性的报告偏
摘要中文翻译:可靠的生物多样性指标对于做出明智的保护决策至关重要,然而获取全面数据仍是一项重大挑战。结构化监测计划被认为是估计无偏物种趋势的黄金标准,但此类计划资源密集且常常遗漏珍稀物种。相反,非结构化公民科学数据提供了广泛的时空覆盖,但可能存在系统性的报告偏差。通过采用适应性位点占模型(site-occupancy models),研究人员能够从国家动物区系数据库的非结构化记录中估计出可靠的时空趋势,该趋势与瑞士生物多样性监测计划(Swiss Biodiversity Monitoring, BDM)结构化数据估计的趋势呈强相关(物种间r = 0.85)。基于179个物种趋势的多物种指数(Multi-Species Index, MSI)显示出轻微下降,这与使用BDM数据报告的物种丰富度上升形成对比。这一差异可能源于MSI有效捕捉了专业化类群——如冷适应物种和贫营养栖息地物种——的显著损失,而物种丰富度则受少数常见物种增加的影响。这些发现表明两类数据集互为补充:结构化监测数据对于校准指数至关重要,而非结构化数据则通过覆盖更多珍稀物种来扩展物种范围。将两类数据整合为一个国家指数,有助于构建比传统指标更具代表性、涵盖更广分类范围的国家指数。此类整合指标对于评估生物多样性政策和捕捉物种群落对环境变化的复杂响应至关重要。
**论文解读:整合公民科学与结构化监测数据的瑞士蝴蝶指数构建研究**
**一、研究背景与研究目的**
生物多样性趋势数据是制定有效保护决策的基础。随着环境条件的快速变化,对这类数据的需求愈发迫切。然而,生物多样性本身具有多维性,涵盖遗传、物种和生态系统等多个层面,获取全面数据面临巨大挑战。结构化生物多样性监测计划因采用标准化野外方法并均匀覆盖时空范围,被视为估计物种时间趋势的黄金标准,但此类计划资源消耗大、成本高昂,且往往因采样频率不足而难以捕捉珍稀物种的趋势。相比之下,非结构化公民科学数据提供了广阔的时空覆盖范围,但可能受系统性报告偏差的影响。近年来,随着智能手机数据采集和人工智能图像识别等现代工具的发展,物种观测数据的数量急剧增加,但如何从这些非结构化数据中提取可靠的时间趋势仍是方法论上的挑战。
多物种指数(Multi-Species Index, MSI)已被证明是总结多个物种趋势的有效统计工具。然而,由于结构化监测计划的系统采样设计,许多珍稀物种因记录频次过低而无法推断其时间趋势,导致基于监测计划的MSI往往仅涵盖常见物种子集,难以代表完整的物种组成。此外,许多监测计划始于21世纪初,往往错过了生物多样性损失最严重的时期。因此,如何整合结构化与非结构化数据源,构建更具代表性且涵盖更广分类范围的生物多样性指标,成为亟需解决的科学问题。
基于此,本研究以瑞士蝴蝶为研究对象,旨在:(i)改进现有位点占模型以从非结构化数据中估计物种趋势;(ii)将所得物种趋势与仅基于结构化BDM数据获得的趋势进行比较;(iii)构建自1990年以来整合两类数据源的179种蝴蝶国家多物种指数,并与传统生物多样性指标进行对比。该研究成果发表于《Ecological Indicators》。
**二、主要技术方法**
本研究采用了多种技术方法实现研究目标。首先,研究人员整合了两类数据源:非结构化数据来自瑞士动物区系记录中心info fauna数据库(1990–2023年共783,991条蝴蝶观测记录),结构化数据来自瑞士生物多样性监测计划(BDM,2003–2023年共55,509条记录,覆盖375个样方)。其次,研究人员开发并比较了五种从非结构化数据中估计物种趋势的方法,包括:(1)占用方格原始数量;(2)占用方格比例;(3)基于报告类型分层的占用方格比例;(4)以年份为随机效应的二项广义线性混合模型(GLMM);(5)位点占模型(site-occupancy model),该模型通过贝叶斯方法(Stan)实现,将生态过程(占用概率)与观测过程(检测和报告概率)联合建模,并区分两种报告来源类型。此外,研究人员以BDM结构化数据建立的参考模型(随机年份GLMM)作为基准,通过计算相关性和偏差来评估各方法的准确性。最终,基于位点占模型的估计结果,计算了全部179种蝴蝶的多物种指数及五个特定类群(冷适应物种、暖适应物种、贫营养栖息地物种、移动性物种和草地蝴蝶指数物种)的多物种指数,并与物种丰富度、个体总数和β多样性(Simpson相异指数)等传统指标进行了比较。
**三、研究结果**
**3.1 结构化与非结构化数据的差异**
info fauna数据库在1990至2023年间共收集了783,991条蝴蝶观测数据,年观测数量随时间显著增加,且主要集中在人口密度高的地区,覆盖了瑞士约65%的1×1 km方格。BDM数据按设计均匀分布,年观测数量保持稳定。在物种覆盖方面,info fauna数据记录了全部194个研究物种,BDM数据记录了191个物种;但在每个方格每年的平均物种数上,BDM(35.6种)远高于info fauna(6.6种)。
**3.2 趋势估计的准确性**
通过比较不同方法从非结构化数据估计的物种趋势与BDM结构化数据参考趋势(135个物种),研究发现:占用方格原始数量与BDM趋势的相关性最弱(r = 0.35)且偏差最大(bias = 10.03);采用占用方格比例后相关性提高至r = 0.59,偏差降至-3.36;进一步按报告类型分层或使用GLMM模型后,相关性提升至约r = 0.73;而采用位点占模型后相关性最高(r = 0.85),偏差最小(bias = -0.75)。这表明位点占模型能从非结构化数据中提取出与结构化监测高度一致的物种趋势。
**3.3 瑞士蝴蝶指数**
基于位点占模型,研究人员对179种蝴蝶(占全部194种的92%,比仅基于BDM数据可估计趋势的135种增加了33%)计算了时间趋势。结果显示,1990至2023年间,47种(26%)蝴蝶显著增加,77种(43%)显著下降。全部179种蝴蝶的多物种指数呈轻微下降趋势。不同类群呈现明显分化:冷适应物种和贫营养栖息地物种指数显著下降,而暖适应物种和移动性物种指数上升。这一模式与气候变化和土地利用集约化对蝴蝶群落的影响一致。
**3.4 与其他生物多样性指标的比较**
仅基于BDM数据计算的物种丰富度在2003至2023年间增加了约18%(p = 0.014),个体总数也显著增加(p = 0.001),且两者高度相关(r = 0.91)。然而,β多样性(Simpson指数)显著下降(p < 0.001),表明蝴蝶群落趋于同质化。物种丰富度的增加主要由少数常见物种贡献——若剔除贡献最大的七种蝴蝶(如Gonepteryx rhamni、Cupido argiades等),物种丰富度增加仅为0.13%且不再显著。值得注意的是,这七种物种中57%同时具备暖适应和移动性特征,而全部204个研究物种中仅9%兼具这两项特征。此外,基于瑞士物种趋势计算的草地蝴蝶指数呈下降趋势(约20%),但下降幅度小于欧盟27国的同类指数(约50%)。
**四、讨论与结论**
**4.1 讨论部分总结**
本研究表明,经过适当校准的位点占模型能够从非结构化公民科学数据中提取出与结构化监测高度一致的可靠物种趋势。然而,可靠的趋势估计依赖于以结构化参考数据对模型进行校准和验证。研究发现,若不区分不同数据来源的报告概率,易识别物种的趋势会被高估——例如通过ornitho.ch平台报送的常见物种Nymphalis antiopa和Gonepteryx rhamni。因此,持续使用结构化BDM数据验证趋势估计至关重要。此外,该框架向其他地区或类群的迁移依赖于是否存在适合校准和验证的结构化监测计划。
在物种群差异方面,43%的蝴蝶物种显著下降而26%增加,冷适应物种和贫营养栖息地专家的持续下降与暖适应和移动性物种的增加形成鲜明对比。这一模式反映了气候变化、土地利用集约化和栖息地破碎化对蝴蝶群落的综合影响。草地蝴蝶指数在瑞士的下降幅度(约20%)小于欧盟平均水平(约50%),可能与瑞士农业景观中实施的生物多样性促进措施以及阿尔卑斯山高海拔地区提供的庇护所有关。
与传统指标的比较揭示,MSI与物种丰富度提供了截然不同的生物多样性视角。物种丰富度上升主要受少数广布常见物种驱动,而MSI平等对待所有物种,揭示了瑞士蝴蝶总体状况呈轻微下降。同时,β多样性下降表明蝴蝶群落正趋于同质化。MSI将珍稀和专业化物种纳入考量,提供了比传统指标更全面且更具政策相关性的生物多样性状况评估。
研究的局限性包括:模型假设种群在年内封闭、仅区分两种报告类别、排除了最珍稀物种(少于400条记录)、以及依赖存在-缺失数据可能延迟对种群下降的检测。
**4.2 研究结论**
以结构化监测参考校准的位点占模型能够从非结构化公民科学数据中恢复出与结构化监测数据密切吻合的物种趋势。整合两类数据源使研究人员能够计算179种蝴蝶的多物种指数,物种覆盖率增加了33%。所得指数显示总体轻微下降,主要由冷适应物种和贫营养栖息地物种的损失驱动,这一信号是传统物种丰富度指标无法揭示的。研究得出结论:整合型指标既可行又具有政策相关性,但其可靠性依赖于结构化参考数据的可用性以及对公民科学记录基础设施的持续投入。公民科学数据在补充而非取代系统性监测计划时最具价值。