整合多尺度环境变量改进UK Pollinator Monitoring Scheme（PoMS）传粉昆虫丰度与物种丰富度趋势建模

《Ecological Solutions and Evidence》：Modelling pollinator trends using multi-scale environmental data from the UK Pollinator Monitoring Scheme

　　

传粉昆虫下降引发关注，但对丰度趋势建模仍具挑战，且大多数物种未被长期标准化监测覆盖。研究人员构建了昆虫传粉者的新变化指标，将多尺度环境变量纳入建模过程，以解释多种噪声来源和潜在偏差。数据来自英国传粉昆虫监测计划（UK Pollinator Monitoring Scheme，PoMS）下的三项调查，覆盖5年和6年时期，测量：(i) 1 km方格网络中盘式诱捕器（pan traps）获得的蜂类和食蚜蝇（hoverflies）昆虫丰度和物种丰富度；(ii) 相同1 km方格中花-昆虫定时计数（Flower-Insect Timed Counts，FIT Counts）获得的昆虫丰度；(iii) 公民科学家在自选地点，尤其是花园中进行的FIT Counts（“public” FIT Counts）。研究人员比较了包含不同环境变量集的五个模型，涵盖三项调查中的昆虫类群。研究人员的“full”模型同时包含大尺度空间和时间环境变量以及局地尺度调查变量，在35个建模数据集中31个具有最佳拟合、最高R²和最低样点间残差方差。full模型估计，2017—2022年间，盘式诱捕器获得的“所有昆虫”丰度下降38%（年均下降8.5%），1 km FIT Counts下降33%（年均下降7.4%）。这反映了两项1 km调查中食蚜蝇、“其他蝇类”和黄蜂的下降，以及1 km FIT Counts中熊蜂的下降，而独居蜂丰度未变化。2018—2022年间，公共FIT Counts总体昆虫丰度无变化，但食蚜蝇下降，若干其他类群增加。鉴于时间序列较短，这些趋势应谨慎解释。结论：PoMS标志着英国传粉昆虫证据的阶跃式提升。该研究证明，在标准化年度监测中纳入环境变量可改进传粉者丰度和丰富度时间趋势模型。纳入这些变量未导致估计趋势的剧烈变化，估计趋势在不同模型变体间趋于稳健。所提出的指标可帮助针对不同物种群制定保护行动，或促进国家生物多样性指标改进。

研究背景与问题：监测生物多样性是理解变化驱动因素对生态系统功能和人类健康影响的基础。传粉昆虫（pollinating insects）包括蜂类、蝇类、黄蜂、甲虫、蝴蝶和蛾等，对野生植物群落和农业生产力至关重要，但面临栖息地丧失、疾病、气候变化、入侵物种和农药暴露等威胁。已有证据显示部分地区传粉者下降，但多数研究呈现复杂图景，不同区域和土地利用类型间存在差异，许多物种数据缺乏。长期昆虫趋势多来自仅存在记录，缺少结构化采样设计，存在时空偏差；占用-探测模型广泛用于分布变化，但丰度数据更敏感且直接联系授粉服务。昆虫生活史快、寿命短，种群年内和年际波动大，对天气等环境因素敏感，监测和建模困难；局地活动水平、天气和花资源又增加测量误差；物种存在和丰度还依赖大尺度驱动，如纬度梯度、气候、适宜生境和景观异质性。英国已系统监测蝴蝶、蛾和熊蜂，但多数访花昆虫因分类挑战被忽视。2017年建立的英国传粉昆虫监测计划（UK Pollinator Monitoring Scheme，PoMS）有三个并行调查，并收集局地天气和花资源数据。本研究旨在比较含不同环境变量的模型，检验多尺度环境变量是否改善丰度和物种丰富度趋势模型拟合，并评估趋势方向、幅度和不确定性。

研究人员开展研究并得出总体结论：研究人员使用PoMS三项调查5—6年数据（大不列颠，pan traps和1 km FIT Counts为2017—2022，public FIT Counts为2018—2022），比较五个模型：base、spatial、temporal、survey和full。full模型包含大尺度空间和时间环境变量及局地调查变量。总体上，full模型在35个建模数据集中31个最佳，改善拟合和解释变异，但纳入环境变量未使趋势估计发生剧烈变化，趋势在不同模型变体间较稳健。该研究认为PoMS标志着英国传粉昆虫证据基础的阶跃式提升，所提指标可帮助针对不同物种群保护行动，并支持国家生物多样性指标。

关键技术方法（不超过250字）：利用PoMS三个样本队列/调查：1 km方格网络盘式诱捕器（pan traps，2017—2022，75个随机分层1 km方格）、同一网络花-昆虫定时计数（Flower-Insect Timed Counts，FIT Counts，2017—2022）以及公众自选地点FIT Counts（2018—2022，大不列颠，2330个1 km方格）。数据来自NERC EIDC。研究人员拟合五类广义线性混合模型（generalised linear mixed-effect models，GLMM），含年样条、月、站点随机效应及大尺度空间、时间气候、局地调查变量，采用负二项分布；以赤池信息准则（Akaike information criterion，AIC）、边际R²和随机效应方差比较，并通过bootstrap计算首末年与年均百分比变化及置信区间。

研究结果：
3.1 三项PoMS调查产生的传粉者数据概要：数据清理后，pan traps有5261个样本、来自1087次调查，共411668头昆虫；9020头蜂类鉴定为133种，9108头食蚜蝇鉴定为114种，平均每样本3.45个体和2.14种。其他蝇类57.6、甲虫11.1、其他昆虫3.54、黄蜂2.14。1 km FIT Counts有2352次计数、24964次访花，平均10.61头/计数；蜂类占14%、食蚜蝇19%、其他蝇30%、小型昆虫24%。公共FIT Counts有8895次计数、99304次访花；蜂类41%（熊蜂19%、独居蜂5%、蜜蜂16%）、食蚜蝇15%、其他蝇15%、小型昆虫7%。通过汇总三个调查原始数据得出上述组成。

3.2 整合大尺度和局地尺度环境变量对模型性能的影响：通过AIC比较，full模型在35个数据集中31个最低，即最佳；例外是公共FIT Counts甲虫、pan traps熊蜂丰度、熊蜂物种丰富度和其他昆虫，survey模型最佳。所有最佳与次佳模型ΔAIC>2，23例>10。survey模型在28个非最佳数据集中第二，其余3个spatial第二。说明加入所选环境变量优于base模型。

3.3 哪些环境变量集更重要：通过边际R²和随机效应方差比较，full模型固定效应解释变异最高，随机效应方差通常降低但所有模型仍高，表明样点间变异大量未解释。公共FIT Counts中局地调查变量最重要；pan traps和1 km FIT Counts中，大尺度空间变量与survey变量解释相似；对蜂类物种丰富度，尤其独居蜂，survey和大尺度空间变量尤为重要。说明局地调查条件和景观异质性、平均季节性温度等解释部分数量波动。

3.4 建模环境变量对年丰度和物种丰富度趋势方向、幅度和不确定性的影响：full模型统计最佳，但五个模型估计的趋势方向、幅度和不确定性无剧烈差异；仅少数情况下置信区间跨零与否不同。full模型估计：pan traps“所有昆虫”2017—2022下降37.8%（年均-8.5%），1 km FIT Counts下降32.5%（年均-7.4%）。食蚜蝇、其他蝇类和黄蜂在两个1 km调查中下降，熊蜂在1 km FIT Counts下降，独居蜂丰度无变化。公共FIT Counts 2018—2022总体昆虫无变化，但食蚜蝇下降，若干其他类群增加。置信区间宽，短时间序列应谨慎解释。上述由full模型和bootstrap得出。

3.5 三个PoMS调查间传粉者丰度和丰富度趋势比较：通过full模型时间序列和跨调查比较，两个FIT Count调查中10个类群有4个方向一致；蜜蜂和甲虫均增加，独居蜂（不显著）和食蚜蝇均下降；其他类群在公共FIT Counts为正、1 km FIT Counts为负。公共FIT Counts不确定性通常较高，但蜜蜂和独居蜂公共不确定性低于1 km。pan traps与同点1 km FIT Counts比较，6个类群中4个方向一致；食蚜蝇和熊蜂均下降但幅度不同，食蚜蝇-47.9%对-32.6%，熊蜂-2.2%（不显著）对-40.2%；“所有昆虫”约下降38%对32.5%，蜜蜂增加43.9%对35.6%（不显著）。pan traps中熊蜂和独居蜂丰度及丰富度呈驼峰形，到2020上升后下降；食蚜蝇呈更线性下降。

讨论总结：PoMS是英国传粉昆虫证据基础的阶跃式提升。纳入环境变量可改善模型拟合，full最佳，base常最差；但趋势估计跨模型稳健，从政策角度增加信心。局地变量重要，尤其公共FIT Counts；大尺度空间变量在pan traps和1 km FIT Counts中解释力相似。某些大尺度变量如季节性温度可能掩盖长期趋势，例如2022年为相对炎热年份并有晚夏热浪，可能对依赖湿生生境的食蚜蝇影响更大。不确定性高，需超过10年数据；2029年才有全部三个调查10年数据。首末年百分比变化直观但敏感于首末年份并忽略中间变化；年均百分比变化对特定年份不敏感，但正负抵消可能掩盖变化。跨调查差异与生境组成有关：1 km FIT Counts多在半自然和农业生境，公共FIT Counts主要在花园；公共FIT Counts非随机、参与增加且有南部偏差，应谨慎。建议使用多种调查方法；FIT Count与pan trap互补。食蚜蝇下降与欧洲趋势一致，应优先研究；其他蝇类和黄蜂占比大但未鉴定到种，分子DNA或图像识别可增强。蜜蜂增加一致但多为管理蜂，未来野生蜂指标应排除蜜蜂。

研究结论翻译：研究人员的结论是，纳入大尺度和局地尺度环境变量可改善基于噪声公民科学数据的昆虫年丰度或物种丰富度趋势模型拟合，降低模型预测不确定性，并生成可将全国性潜在趋势与短期波动分离的指标。随着PoMS时间序列延长，此类指标可支持Official Statistics（英国官方统计）和Biodiversity Indicators（生物多样性指标）制定，以支持政策制定者。这些指标必须满足严格实践规范，并依赖具有透明协议和数据流程的成本有效结构化昆虫监测方案的可持续性，如PoMS。研究结果对针对下降最大的物种群制定保护行动具有更广泛相关性。PoMS pan trap和FIT Count调查可能不采用传统以物种为中心的方法，但有助于更好地理解当前研究不足的广泛传粉昆虫类群的丰度、状态和种群驱动因素及其提供的生态系统功能。