《Journal for Nature Conservation》：Crowdsourcing citizen science as a data source for the conservation of threatened species
编辑推荐：
为有效保护受威胁物种，准确数据至关重要。鉴于众包公民科学（Crowdsourcing Citizen Science, CCS）数据质量参差不齐，研究人员检验了其在保护中的可用性，并实施了一种过滤器以提升数据质量。研究人员使用来自两个在线平台（eBird 与
为有效保护受威胁物种，准确数据至关重要。鉴于众包公民科学（Crowdsourcing Citizen Science, CCS）数据质量参差不齐，研究人员检验了其在保护中的可用性，并实施了一种过滤器以提升数据质量。研究人员使用来自两个在线平台（eBird 与 WikiAves）及文献的三种受威胁物种数据，将数据分为对照组、locality 组与 cleaned 组；cleaned 组在 locality 组基础上剔除环境变量与其余记录差异显著的记录。分别为各组建模，并比较分布区范围（Extent of Occurrence, EOO）、占域面积（Area of Occupancy, AOO）、适宜区与环境空间参数。CCS 为三种物种提供了大部分准确数据。locality 组模型高估了环境空间进而高估适宜区，cleaned 组减轻了该高估。总体所提过滤器提升了模型质量。若经审慎处理以避免误导，CCS 数据对受威胁物种保护规划至关重要。CCS 数据代表性随物种熟悉度与记录难度变化，对研究甚少物种尤为关键。所测过滤器有助于数据清洗、补充既有方法，并为认知甚少物种提供模型。
研究背景方面，近年来公民科学（Citizen Science）在“大数据”资源推动下快速增长，其中众包公民科学（Crowdsourcing Citizen Science, CCS）依托 eBird、WikiAves 等在线平台汇集全球记录，体量远超传统科研数据，但质量不稳定，存在空间与时间采样偏倚、记录者技能差异等固有偏差。物种分布模型（Species Distribution Modeling, SDM）是受威胁物种保护规划的重要工具，但高精度保护应用要求存在点精度小于 100 m、环境数据分辨率≤1 km，而 CCS 原生记录常仅提供 municipio 或 locality（保护区/公园中心点）信息，直接入模会在细分辨率下放大 commission error（错划适宜区）。同时，热带受威胁鸟类（如巴西大西洋森林濒危种）学术记录稀缺，形成 Wallacean deficit（华莱士缺口，即分布认知的空间偏差）。因此，研究人员探讨：经筛选的 CCS 记录能否支撑高精度 SDM，以及怎样过滤 locality 记录以降低误判。
研究人员以巴西大西洋森林为研究区，选取三种受威胁鸟类——Aburria jacutinga（濒危、体型大、观鸟者熟悉）、Touit melanonotus 与 Touit surdus（均易危、小型、隐蔽、公众熟悉度低）——代表不同“物种熟悉度—记录难度”梯度。存在点来源包括 eBird（2020 年 1 月下载，筛选 Stationary 且距离>5 km 的 checklist 记录归 locality）、WikiAves（2018 年站内全量+向记录者补发坐标请求，精确坐标称 location）、文献与研究者相机陷阱/样线记录（均取精确坐标）。记录分三组：Control（全部精确坐标，含 CCS location+文献）、Locality（WikiAves 仅 locality+eBird 筛选记录）、Cleaned（对 Locality 组做环境空间过滤）。为补坐标，研究人员向 624 名 A. jacutinga 记录者、129 名 T. melanonotus 与 122 名 T. surdus 记录者发函，回应率 49.8%、58.9%、59.8%，获得大量精确点。空间抽稀 7 km（A. jacutinga）与 10 km（Touit spp.）保证独立。环境层 53 个（气候、地形、用地、景观异质性、植被指数），Pearson 相关|r|>0.7 剔除，统一 1 km。
关键技术方法上，研究人员采用 Maxent 算法（bootstrap 10 重复、10,000 背景点、70%训练 30%测试、cloglog 输出、最大训练敏感度加特异度阈值）构建 SDM；以 PCA（ecospat 包）将记录投到环境空间，用 siber 包以 90%置信椭圆筛选 Locality 点得 Cleaned 组；以 Brener 等框架计算 EOO（最小凸多边形）、AOO（2×2 km 网格占域）、环境空间凸多边形面积；模型评价除 AUC、TSS、敏感度、特异度外，重点比较 commission/omission error 与预测适宜区面积。
研究结果各节如下。
材料与方法部分已述三组定义、PCA 椭圆过滤、Maxent 设置与 EOO/AOO 环境空间度量框架。
结果部分显示：Locality 组环境空间较 Control 扩大 21%（A. jacutinga）、44%（T. melanonotus）、69%（T. surdus）；其 SDM 适宜区较 Control 夸大 127%、49%、19%，commission error 高、omission error 低。Cleaned 组环境空间与适宜区较 Locality 显著收缩（适宜区降 59%、51%、43%），较 Control 则 A. jacutinga 增 42%，两种 Touit 略减（1%、10%）。所有模型 AUC>0.9、TSS>0.6，但 Locality 组特异度最低、敏感度最高，Cleaned 组介于其间。EOO 三组无变，AOO 在 Cleaned 组下降。
讨论部分指出，locality 坐标把点落到保护区/城市公园中心，使提取的环境值偏离真实微生境，在 1 km 分辨率下扭曲环境空间并导致过度预测；CCS 价值在于填补学术空白，但对隐蔽种（Touit）即便补坐标仍依赖少量回报，模型需专家研判。所提 90%椭圆过滤能剔掉极端环境点，减轻 commission error，但可能切掉分布边缘真记录，对高熟悉度种 A. jacutinga 过滤后逼近 Control，对低熟悉度 Touit 种则在控制 omission 同时压制 commission，优于两组原型。研究人员强调过滤器是补充手段而非替代逐条核查，阈值与跨分类群适用性待扩试。
结论部分译文：CCS 数据在填补物种分布认知缺口、支撑可靠 SDM 以保护规划上潜力巨大。逐条记录核查不可缺，但所测过滤器作为补充工具有较高潜力，尽管存在须逐案权衡的局限。促进 CCS 平台集成地理信息、提升用户认知并激励共享坐标，可改善研究与决策数据质量，进而助益受威胁物种保护。该文发表于《Journal for Nature Conservation》。
