生态工程师与功能优势：物种丧失何时影响生态系统功能

《Oikos》：Ecosystem engineers and functional dominance: when species loss matters for ecosystem function

　　

理解自然群落中物种丧失何时以及为何影响群落功能，仍然是生态学中的一个开放性问题。近期跨系统分析表明，功能优势与物种丧失是否重要相关联：在由少数高表现物种主导的群落中，丧失的物种对功能的贡献很小。但问题是，功能优势最初是如何产生的。本研究检验了生态工程师能否产生这种功能优势。沿地中海潮间带贻贝 Mytilaster minimus （密度范围202–2317 ind. m?2，54个样本，93个相关分类单元）的自然密度梯度，研究人员应用扩展普莱斯方程（extended Price equation）将群落丰度的位点间变异分解为五个加性组分。情境依赖性（context dependence, CDE）——即共有物种丰度的膨胀——是沿密度梯度群落功能变化的最大组分，约占所有普莱斯分量总绝对变异的46%。物种丧失是非随机的：在低生态工程师密度下，稀有、低功能的物种被优先丧失。功能优势随工程师密度增加而增加，而物种丧失的重要性在优势度更高的地方更低，这在一个单一工程师结构系统中复现了跨系统的优势模式。每个普莱斯分量均与贻贝基质捕获的有机物的数量和质量相关：CDE追踪捕获有机物量（ρ=?0.45），非随机物种同一性追踪总生物聚合碳（ρ=+0.44），物种丧失追踪微藻生物量（控制密度后的偏r=?0.52）。因此，生态工程师产生了一条资源介导的路径：密度驱动捕获，捕获供养优势种，优势度缓冲功能免受物种丧失的影响。这一机制与物种丰富度本身在工程师结构系统中是功能的较差预测因子的结论一致，并指出工程师密度是一个极具信息量的保护参数。

论文解读文章

一、研究背景与科学问题

三十年来，生物多样性-生态系统功能（biodiversity-ecosystem function, BEF）实验反复证明物种丰富度与生态系统功能之间存在正相关关系。然而，实验证据并未解决自然群落中物种丧失如何影响功能这一根本问题。在实验中随机化物种组成始终显示出强烈的丰富度效应，但在真实群落中的观测研究却发现，丰富度、组成、优势种或总丰度对功能的驱动作用各不相同。Genung等人（2020）利用生态普莱斯方程（ecological Price equation）对129个实验和自然数据集进行的跨系统分析表明，这一差异可归因于功能优势（functional dominance）：当群落由少数高表现物种主导时，物种丰富度的重要性降低，因为丧失的物种往往是对功能贡献最小的那些。然而，他们的分析留下了一个关键问题：是什么因素在自然群落中产生了功能优势？如果能识别出产生优势的机制，那么物种丧失何时影响功能的条件就可以从第一性原理预测，而非事后测量。

生态工程师（ecosystem engineer）——通过改变物理栖息地来调节其他物种资源可用性的生物——可能是回答这个问题的有力候选者。双壳类床体尤其能在其间隙基质中捕获有机物（organic matter, OM），为沉积食性者、微型食草者和碎屑食性者提供营养资源。如果工程师的密度控制着OM的可用性，并且OM的可用性选择性地膨胀某些营养功能群，那么工程师密度应能产生功能优势，并最终决定物种丧失是否会转化为功能丧失。基于此，研究人员提出了一个方向性预测：在该系统中，增加的工程师密度会提高功能优势，从而削弱物种丧失与功能之间的联系。

二、研究设计与主要结论

为验证上述假说，研究人员在地中海沿岸潮间带的 Mytilaster minimus 贻贝床中，沿天然密度梯度（202–2317 ind. m^?2）设置了54个样方（每样方10×10 cm），记录了93个相关分类单元共17472个个体。研究首先表征了沿密度梯度的群落结构变化（丰富度、均匀度、beta多样性和物种-密度关系）；其次，利用扩展普莱斯方程（extended Price equation）的五项分解将功能变化拆分为物种随机丧失、随机获得、非随机丧失、非随机获得和情境依赖性五个加性组分；第三，将各普莱斯分量与捕获有机物量和质指标进行相关分析；最后，检验功能优势是否能预测物种丧失的重要性。主要结论包括：（1）情境依赖性（CDE）是沿密度梯度功能变化的最大组分，占所有五项分量总绝对变异的46%；（2）物种丧失是非随机的，低功能物种被优先丧失；（3）功能优势随工程师密度增加而增加，且功能优势越高，物种丧失对功能的影响越小；（4）普莱斯分量与捕获有机物量和质显著相关，证实了资源介导路径的存在。

该研究的重要意义在于：首次在单一工程师结构系统中揭示了功能优势的产生机制，证明了生态工程师可通过资源介导路径（密度→捕获→优势→缓冲功能）产生功能优势，从而解释了为什么物种丰富度本身在工程师结构系统中往往是功能的较差预测因子，并指出工程师密度可作为极具信息量的保护参数。

三、关键技术方法

研究采用了以下几项关键技术方法：

1. 1.
   扩展普莱斯方程分解：应用Fox和Kerr（2012）的五项扩展普莱斯方程，将位点间群落总功能差异分解为物种随机丧失（SRE_L）、随机获得（SRE_G）、非随机丧失（SCE_L）、非随机获得（SCE_G）和情境依赖性（CDE）五个加性组分。物种功能贡献z_i定义为物种在样方中的丰度（ind. m^?2），总功能T=N为总丰度。
2. 2.
   功能优势量化：采用Chao和Ricotta（2019）基于希尔数（Hill number）q=1阶的指数D=1?(e^H?1)/(S?1)，其中H为香农熵，S为物种丰富度，D值范围0（所有物种等贡献）到1（单一物种主导）。
3. 3.
   Beta多样性分解：按Baselga（2010）方法将成对S?rensen相异性分解为周转（β_SIM）和嵌套性结果（β_SNE）两个组分。
4. 4.
   有机物质分析：测定捕获干重（Trap DW）、叶绿素a（CHL-a）、脂类（LIP）、蛋白质（PRT）、碳水化合物（CHO）及其总和生物聚合碳（BPC=0.49×LIP+0.49×PRT+0.40×CHO）。
5. 5.
   统计推断：所有推论统计均在样本水平（n=53）而非配对水平计算，采用自助法（bootstrap）获取置信区间，置换检验（permutation test）评估显著性，偏相关分析控制密度效应。

四、研究结果详解

1. 沿工程师密度梯度的群落结构

共记录93个分类单元，物种丰富度S范围为7–34，总丰度N范围为20–1355个体/样方。N随密度显著增加（Spearman ρ=+0.52, p<0.001），S也微弱但显著增加（ρ=+0.27, p=0.043），但存在强烈的位点效应（C位点平均S=23.1，A位点平均S=10.9）。香农多样性H与密度无显著相关（ρ=+0.03, p=0.82），而皮卢均匀度J显著下降（ρ=?0.31, p=0.03），表明增加的工程师密度产生了更多个体但分布更不均匀的群落。密度极端样方向的群落组成主要为嵌套性：最低密度五分位中92.5%的物种也出现在最高密度五分位。幂律物种-密度关系给出z=0.264（±0.109 SE; R²=0.10, p=0.019），在位点内z=0.34–0.36（R²=0.48–0.54; p<0.001），均处于经典岛屿生物地理学范围0.20–0.35内。估计工程师密度减少50%将导致约17–22%的物种丧失。

2. 普莱斯方程分解：情境依赖性主导

以最低密度五分位Q1为基线的五项分解显示，CDE是沿密度梯度功能变化的单一最大组分，相对重要性达46%。SRE_G较大（+222.3，反映高密度处获得27个物种），但几乎完全被SCE_G抵消（?195.1），表明获得的物种丰度远低于平均水平——获得是强烈非随机的。SRE_L很小（?9.8），因为极端之间仅丧失3个物种。在Genung式全配对分析（n=1429个比较，归一化至基线功能）中，平均效应量为：ΔEF=?0.52，物种丧失（RICH+COMP）=?0.24，CDE=?0.28。所有五项分量的95%自助法置信区间均排除零。COMP为正（+0.11），表明丧失的物种具有低于平均的功能贡献，这是自然群落相对于实验群落的标志性特征。

3. 五种依赖OM的物种主导CDE

对CDE的逐物种分解揭示，五种物种占最低与最高密度五分位间总CDE的78.5%：Capitella sp.（沉积食性者；25.9%）、Tubbreva micrometrica（微藻食者；24.3%）、Setia fusca（食者/碎屑食性者；16.6%）、Setia bruggeni（食者/碎屑食性者；6.4%）和Omalogyra atomus（微藻食者；5.3%）。在所有共有物种中，85.7%的CDE可归因于直接依赖有机物的营养功能群（沉积食性者、微藻食者、食者/碎屑食性者）。

4. 功能优势预测物种丧失的重要性

功能优势D范围为0.13–0.91（均值0.61），随工程师密度增加而增加（ρ=+0.33, p=0.024）。D与物种丧失的重要性显著负相关（ρ=?0.40, 置换p=0.006），与非随机性（COMP/RICH）显著正相关（ρ=+0.34, 置换p=0.016）：在高优势度下，COMP/RICH趋近于零，表明丧失的极少数物种在功能上如此边缘，以至于它们的丧失几乎无法与随机期望区分。CDE与优势度无相关（ρ=+0.04, p=0.77）。

5. 普莱斯分量追踪有机物量与质

CDE与Trap DW强相关（ρ=?0.45, 置换p<0.001）和OM_total（ρ=?0.38, p=0.003）：捕获有机物越多，共有物种膨胀越大。COMP与Trap DW（ρ=+0.44, p=0.001）和OM_total（ρ=+0.44, p<0.001）相关：捕获越多，物种丧失越非随机。物种丧失仅与CHL-a相关（ρ=?0.44, 置换p=0.002），而CHL-a是唯一与工程师密度无关的OM变量（ρ=+0.10, p=0.49）。控制密度的偏相关分析澄清了因果路径：CDE与Trap DW的关联完全消失（偏r=+0.04, p=0.76），确认捕获介导了密度对CDE的效应（密度→Trap DW→CDE）；而CHL-a仍保持与CDE（偏r=+0.42）和物种丧失（偏r=?0.52）的显著偏相关，显示了独立于工程师密度的底栖微藻生物量驱动的第二条自下而上路径。

五、讨论与结论

研究表明，沿 Mytilaster minimus 密度梯度，生物多样性和群落功能并非因果关系，而是同一上游驱动因素（工程师密度）的共同后果。贻贝创造了维持物种的物理栖息地，同时产生了膨胀少数主导物种丰度的营养资源。经典BEF问题——丰富度如何影响功能——可能在这些工程师结构系统中是错误的问题，正确的问题是：是什么产生了同时维持丰富度和功能的结构？答案是生态工程师的密度。

研究结果不能用线性模型描述，也不能用铆钉模型（rivet model）描述，但看似接近冗余模型（redundancy model）。然而，底层机制截然不同：在经典冗余框架中，缓冲来自同一营养功能群内物种间的功能重叠；在本系统中，缓冲源于生态工程师产生的营养资源膨胀了一组狭窄的物种，使其余物种无论功能群身份如何都在功能上变得边缘。工程师不创造冗余——它创造优势。而优势，而非冗余，才是缓冲功能的原因，这与质量比假说（mass-ratio hypothesis）一致，即生态系统属性主要由主导物种的特征和丰度决定。

研究的实际意义在于：工程师密度在此类系统中是监测海洋潮间带生物多样性和功能的高度信息化指标。基于工程师密度的监测方案比昂贵的、需要分类学专业知识的物种名录更能可靠地捕捉系统状态。研究也存在局限性：密度梯度为观测性质，无法进行严格因果推断；研究基于单一区域单一工程师物种；功能贡献以丰度而非生物量或直接生态系统速率衡量。未来需通过操纵实验验证因果链，并在更多系统中检验这些发现的普遍性。