《Ecological Solutions and Evidence》：Using big ‘messy’ data to model species distributions for spatial conservation management
编辑推荐：
空间保护管理——通过保护区（Protected Areas）和其他空间措施——是扭转全球生物多样性快速下降的关键。国际空间目标已达成以应对生物多样性危机，但空间管理并未以所需速度在全球范围内实施以实现这些目标。物种分布模型（SDM）被广泛用于支持空间管理，越来
空间保护管理——通过保护区（Protected Areas）和其他空间措施——是扭转全球生物多样性快速下降的关键。国际空间目标已达成以应对生物多样性危机，但空间管理并未以所需速度在全球范围内实施以实现这些目标。物种分布模型（SDM）被广泛用于支持空间管理，越来越多地利用大型开源数据集。然而，这些数据集通常“杂乱”，存在偏差和质量问题，对于难以接近和采样的物种尤为明显。因此，需要在数据量和质量之间进行仔细平衡的权衡，以实现及时有效的管理。
在本研究中，研究人员以英国尺度下具有挑战性的案例物种——双壳类北极蛤（Arctica islandica）——检验了这些权衡。研究人员应用随机森林（random forest）方法，利用四种不同采样工具（抓斗和拖网）及其组合获取的数据，构建并评估了六个存在/不存在模型。研究人员探索了使用次优但可用的“杂乱”数据来构建适用于国家尺度保护管理应用的SDM。
模型性能和预测变量影响差异显著，所有工具类型均存在地理、操作和生态偏差。没有单一工具模型成功捕获北极蛤（A. islandica）存在的全部范围。最终，结合所有四种工具的组合模型被选为最合适的，多个指标证实了其对于国家管理应用的稳健性。置信度阈值被应用于最终预测，支持在实际背景中采取严格或预防性管理。
在案例研究中，研究人员证明了数据量（和空间覆盖）的增加可以最终胜过数据质量的权衡。
实际意义：为应对生物多样性丧失的快速加速并避免错过进一步的全球保护目标，必须立即采取行动——利用现有最佳数据——即使这些数据不完美。当谨慎应用并清楚理解偏差和尺度影响时，研究人员的方法可以跨系统使用，以最大化数据量并支持广泛的空间管理应用。
全球生物多样性正以惊人速度下降，空间保护管理（如保护区网络）被视为逆转这一趋势的关键策略。然而，国际保护目标（如2020年爱知目标及2030年昆明-蒙特利尔目标）的落实进展缓慢。物种分布模型（SDM）广泛用于支持空间管理决策，其准确性高度依赖数据质量。随着大数据可用性增加，数据往往“杂乱”，存在采样偏差、空间精度不足等问题，尤其对于难以接近的物种（如深海底栖生物）。因此，亟需在数据量与质量之间做出权衡，利用现有最佳数据开展及时有效的保护行动。本研究以英国水域的北极蛤（Arctica islandica）为案例，探讨如何利用次优但可用的“杂乱”数据构建国家尺度的SDM，以支持空间保护管理。相关论文发表在《Ecological Solutions and Evidence》。
研究人员为该研究使用了以下关键方法：基于随机森林（Random Forest）算法构建存在/不存在模型，利用四种采样工具（勺式抓斗、杯式抓斗、4米波束拖网、网板拖网）及其组合获取的样本数据。样本来源包括Cefas OneBenthic数据库、Cefas渔业调查系统（FSS）、英国联合自然保护委员会（JNCC）和苏格兰政府海洋局，时间跨度1969-2022年。数据经过清洗、降采样至5%出现率，并采用交叉验证（10次）评估模型稳定性。环境预测变量包括水深、温度、流速、沉积物成分等，最终模型通过真技能统计量（TSS）等指标评估性能，并应用置信度阈值分类预测结果。
**3.1 模型性能**：通过比较TSS等指标，发现勺式抓斗模型表现最佳（TSS=0.808），杯式抓斗和组合模型次之，拖网模型（尤其是网板拖网，TSS=0.243）性能较差。性能差异源于数据量、采样效率及环境梯度覆盖范围的不同。
**3.2 变量重要性**：平均底温（BTM）是影响北极蛤分布的最重要变量（除网板拖网模型外），低温环境出现概率更高。其他重要变量包括流速、冬季悬浮颗粒物（SPMW）、沉积物中砾石和泥含量等，不同模型间变量重要性差异显著。
**3.3 模型预测**：单一工具模型的预测分布差异较大，抓斗模型预测范围较广，而拖网模型受限于其区域环境梯度（如4米波束拖网仅限于凯尔特海生态区），导致大量区域被掩膜。组合模型（All Gears）的预测范围覆盖了大部分英国大陆架。
**3.4 模型可转移性**：通过交叉测试，模型在工具间转移时性能普遍下降，尤其是拖网模型与抓斗模型之间的预测重叠率极低（如4米波束拖网与勺式抓斗仅有3.3%重叠），表明不同工具数据捕捉了不同的环境偏好。
**3.5 影响预测分布差异的因素**：环境梯度截断和变量选择差异是主要原因。例如，4米波束拖网模型因数据限制在凯尔特海，其响应曲线显示底温偏好显著高于其他模型。此外，不同工具的目标沉积物类型（如勺式抓斗偏粗沉积物，杯式抓斗偏软沉积物）也导致模型预测区域差异。
**3.6 最终模型选择与分类**：基于性能、空间覆盖和稳健性，选择“All Gears”模型作为最终模型。该模型将预测结果分为高置信度（10次交叉验证均预测存在）、中置信度（5-9次）和低-无置信度（0-4次），以支持严格或预防性管理。
**3.7 独立数据比较**：与1972-1997年及2023年独立数据集比较，84%的独立存在记录落在高置信度区域，验证了模型可靠性。但在多格滩（Dogger Bank）保护区，模型预测为低置信度，而历史数据（1972-1997年）显示该区域曾出现北极蛤，暗示可能因气候变化或人为压力导致分布范围变化。
讨论部分指出，模型性能受空间偏差、采样检测率及环境梯度覆盖影响，但最终模型仍可为国家尺度管理提供有用信息。研究人员强调，在缺乏完美数据时，应基于预防原则利用现有最佳数据，并采用置信度分类指导决策。研究结论翻译如下：本研究证明，基于“杂乱”数据集的模型可以提供有用预测，如果（如同任何SDM）它们被用于帮助回答经过仔细提出的、针对具体案例的问题。作为一个全球社区，我们未能实现2020年CBD爱知目标，而空间保护措施未能跟上实现2030年昆明-蒙特利尔目标所需的紧迫性。如果我们真的想要遏制生物多样性丧失的快速加剧，我们必须拥抱预防原则，并创造性地使用我们现在拥有的证据，立即行动——即使这些证据并不“完美”。
