物种分布模型(species distribution models, SDMs)已成为宏观生态学和生物地理学研究不可或缺的工具, 广泛应用于预测物种分布、评估外来物种的入侵风险和气候变化对物种分布的影响等, 从而指导入侵物种防控和生物多样性保护规划。然而, 该领域的快速发展也伴随着理论与实践的脱节, 尤其体现在对“生态位”概念的混淆上。本文系统梳理了生态学中3个核心的生态位概念: 格林内尔生态位(Grinnellian niche), 关注环境条件与物种分布的宏观关系; 埃尔顿生态位(Eltonian niche), 强调物种在群落中的功能角色和生物互作; 以及哈钦森生态位(Hutchinsonian niche), 提供了“n维超体积(n-dimensional hypervolume)”的数学框架, 并区分了基础生态位与实际生态位。本文进一步探讨了与各生态位概念相对应的建模方法, 包括标准的物种分布模型、联合物种分布模型(joint species distribution models, JSDMs)和n维超体积分析。通过分析当前研究中存在的概念混淆(如将基于存在记录的物种分布模型等同于基础生态位模型)、模型误用(如忽视非平衡状态和采样偏差)等常见问题, 本文强调了明确研究的理论基础、匹配建模方法与研究问题、审慎解读模型结果的重要性。最后, 本文提出, 未来的研究应致力于概念的清晰化、方法的整合化以及理论与应用的深度融合, 从而更科学、规范地应用物种分布模型, 推动生态学理论的发展。

理解环境过滤、生物相互作用与中性过程如何共同塑造物种分布与群落结构, 是现代群落生态学的核心问题。然而, 传统多样性指数、排序分析及单物种分布模型(single-species distribution models, SDMs)难以同时整合物种间关联、环境梯度、性状与谱系等多维信息, 导致对群落构建机制的解析能力受限。联合物种分布模型(joint species distribution models, JSDMs)特别是生物群落层次建模(hierarchical modelling of species communities, HMSC)框架的提出, 为群落尺度的机制推断提供了统一而灵活的贝叶斯工具。本文系统综述了HMSC的统计结构、数学原理与推断机制, 构建了一个从数据组织、模型设定、马尔可夫链蒙特卡洛(Markov Chain Monte Carlo, MCMC)估计、模型评估到生态解释与预测的完整分析流程。同时结合苔藓群落数据配套编写了《联合物种分布模型HMSC的应用分步教程》, 通过分步讲解与可运行R代码, 助力研究者快速掌握该方法的实操应用。在理论部分, 本文明确了HMSC如何在统一的贝叶斯层级框架下整合环境梯度、物种性状、系统发育关系以及空间结构, 从而分离环境过滤、生物过滤与扩散限制的统计信号。在方法层面, 本文通过解析潜在变量模型的数学结构, 阐明了残差相关在生态解释中的边界, 为理解物种共现信号、区分环境效应与未观测因子提供了理论依据; 对比了HMSC与其他主流JSDMs工具及传统群落统计方法的优势及适用性。在应用层面, 综述了其在森林、湿地、草原、海洋、城市及微生物生态学中的应用进展, 展示了其在保护规划、入侵种风险评估、共现网络分析及情景预测中的广泛价值; 随着图形处理器加速与迁移学习与大规模高维数据框架的发展, HMSC可提升稀有物种生态位估计与分布预测, 使数十万物种的群落建模成为可能。综上, JSDMs及HMSC不仅在生态统计方法论上实现了从单物种预测到多物种‒多维信息整合的跨越, 更为生态理论检验、群落构建机制解析及保护决策制定提供了高效、可扩展且能量化不确定性的工具平台。

Meta分析是通过对不同案例的数据进行加权整合分析, 得到普适性结论的重要统计工具, 在生态学领域具有广阔的应用价值。但长期以来, 科研人员对Meta分析的基本理念和方法体系具有较多的认识误区, 一定程度上造成了该方法的误用甚至错用。本文从Meta分析的操作步骤出发, 从其基本特征、文献的查询与筛选、效应值的构建、模型的选取、特殊数据结构的纳入、解释变量的引入、结果可靠性的判定、软件工具介绍等几个方面, 介绍了Meta分析的基本理念和应用中应注意的问题。相关概念和技术要点的厘清, 将为我们构建更为精准、合理的Meta分析模型, 提升结果可靠性提供帮助。Meta分析技术的不断更新进步, 必将为生态学领域众多基础科学问题的回答提供更有力、可靠的技术支撑。

采样不均衡是群落生态学实地调查的普遍问题。如何选择合适的α多样性度量指标, 使其在样点间样本量差异下有稳定的表现对于生物多样性研究十分重要。本文通过模拟群落的方法, 评估了9个α多样性度量指标的表现, 包含5个直接计算的“观测型指数”: (1)物种丰富度, (2) Shannon指数, (3) Simpson指数, (4) Hurlbert稀释物种数, (5) Fisher’s α指数, 以及4个估算丰富度的“估算型指数”: (1) Chao1指数, (2)基于丰度的覆盖估计值(abundance-based coverage estimator, ACE), (3) iNEXT (interpolation/extrapolation)外推值, (4)总预期物种数(total expected species, TES)。模拟评估了各个指数在不同的采样阈值下, 其样点间的方差被环境梯度解释力(线性模型R²)的准确性与精确性。模拟构建了20个样点的虚拟群落, 假设真实物种数S与环境梯度x呈线性关系且理论R²为0.8, 然后生成一系列梯度下, 不同最小采样阈值模拟的不等量采样场景, 并计算各指数与x的线性回归R²。结果显示, 采样强度(样点记录到的个体数及与之等价的采样完整度)是决定指数有效性的首要因素。随着样本量的提升, 所有α多样性度量指标的模型R²显著提升。在极低采样场景下(样点中最低样本量低于20个个体, 采样完整度 < 20%), 稀释物种数的平均R²明显优于其余指数; 最低样本量升至100个个体后, 估算型指数整体优于观测型指数。本研究进一步明确了各个指数恢复设定R2所需要的最小样本量及对应的采样完整度。综合来看, 在样本极少的不等量采样场景中, 优先推荐采用稀释物种数。在实际研究中, 应将稀释值设定在一个相对较高的水平(如 > 40个个体), 即使因此丢弃极端不足的样点, 也能在总体上提高样点间的可比性。当样本量充足时, 可采用物种丰富度估算指数, 以获得最接近真实梯度的丰富度外推值。

物种空间分布格局是群落生态学和宏生态学研究的核心问题之一。广泛用于度量空间聚集度的指标包括针对样方数据的负二项分布参数k, 以及针对点格局数据的非参邻域密度指数(如Condit等(2000)提出的Ω和Wiegand等(2025)提出的k_ff), 但这两类指数及对应的估计误差如何影响聚集度–多度关系尚不清楚。本文基于一个空间显式中性模型模拟的群落数据, 计算了上述聚集度指数及其标准误, 以分析这些指数及其估计误差如何影响聚集度与物种多度之间的关系。结果表明: (1)在空间聚集程度较高时, 3种聚集度指数之间存在高度正相关。聚集程度较弱时, 尽管估计误差增大, k仍能区分聚集度种间差异, 而两个点格局指数则判别力不足。(2)不同指数的估计误差之间存在一定正相关, 但相关性较弱。极大似然法给出的稀有种和弱聚集物种k值标准误较大, 与模拟结果一致; 相比之下, 基于重采样方法的点格局指数标准误整体偏小。(3)聚集度–多度关系受所选指数及回归方法(是否加权)影响。对于1/k, 加权回归能够稳定复现出中性理论所预测的幂律关系及幂指数(等于–1), 不加权回归得到的幂指数较理论值更接近0, 且在聚集程度较弱的群落中尤为明显。两种点格局指数与多度之间亦呈幂律关系, 但幂指数随群落平均聚集程度而变化, 聚集程度越弱幂指数越接近0。综上所述, 忽略聚集度估计的不确定性会显著影响对聚集度–多度关系的推断, 可能导致错误地拒绝中性零假设, 增加I类统计错误的风险。两种基于点格局的指数与多度的关系能反映群落平均聚集程度的影响, 但并不适用于检验中性与非中性群落构建机制。建议在分析样方数据时, 采用基于极大似然估计的负二项分布参数k及其标准误来度量物种聚集度, 并将不确定性纳入后续分析。对于其他聚集度指数及其与多度之间的关系, 需进一步发展基于中性理论的零假设。

近年来, 环境DNA (eDNA)宏条形码技术被广泛应用于生物多样性研究, 但该技术在蓬勃发展的同时仍存在一些方法学问题有待解决。其中一个重要问题是生物信息学处理流程的选择, 尤其是对物种多样性极高的无脊椎动物, 测序结果的处理流程直接影响检测结果, 但目前缺乏对该过程的系统比较评估。本研究使用来源于淡水的eDNA样品进行无脊椎动物宏条形码测序, 比较评估多种生物信息学流程对于无脊椎动物序列处理的影响。研究中选取4种常用的聚类/降噪方法(UPARSE、Swarm、UNOISE和DADA2)以及3种分类分配方法(BOLDigger、BLASTN和朴素贝叶斯分类器), 共组合形成12种生物信息学处理流程。结果显示, DADA2降噪方法与BOLDigger分类分配相结合的处理流程产生了最多的无脊椎动物分子可操作分类单元(MOTU)与最高的分类覆盖度和分类分辨率。4种聚类/降噪方法中, UNOISE和DADA2降噪方法比UPARSE和Swarm聚类方法获得了更多的无脊椎动物MOTU; 3种分类分配方法中, BOLDigger和BLASTN比朴素贝叶斯分类器获得了更高的分类覆盖度和分类分辨率。这些结果对基于eDNA的淡水无脊椎动物多样性研究具有重要的参考价值, 此外还提示针对不同研究类群以及不同条形码区段, 需要相应调整使用的生物信息学方法, 以得到更为准确可靠的生物多样性数据。

传统遗传多样性计算方法要求序列长度一致, 而从公共数据库中获取的序列长度不一, 增加了单倍型识别和遗传多样性评估的难度。现有方法虽能估算不等长DNA序列的单倍型多样性和核苷酸多样性, 但单倍型丰富度的有效计算方法仍属空白。为此, 本研究基于配对序列间的核苷酸差异(K_ij)开发了一种针对不等长DNA序列的单倍型丰富度估算方法。我们通过3项分析验证方法性能: (1)对于同一套等长序列数据集, 将其计算结果与DnaSP的输出结果进行比较; (2)基于鸟类、哺乳动物和两栖动物的等长数据集生成随机长度的模拟序列, 验证算法处理不等长序列的性能, 并利用药用植物数据集评估该方法的泛化能力; (3)应用该方法计算了鸟类、哺乳动物和两栖动物单倍型丰富度的纬度梯度格局。结果表明: (1)对等长序列, 新方法与DnaSP的输出结果无显著差异(鸟类: W = 22,018, P = 0.845; 哺乳动物: W = 23,096, P = 0.990; 两栖动物: W = 3,518.5, P = 0.977), 且在存在碱基缺失时展现出更优的单倍型识别能力(平均较DnaSP多识别1.333 ± 0.188个单倍型); (2)随机长度模拟实验证实该方法对不等长的序列数据具备良好的估算性能(以相对误差衡量的整体计算精确度为0.130 ± 0.106; 稳定性为0.007 ± 0.007); (3)纬度格局分析显示: 鸟类和哺乳动物在南半球从北到南呈现显著递减趋势, 而在北半球变化较为平缓; 两栖动物则呈现自南向北的持续递减模式。本研究有助于开发更精确的量化方法, 或可为遗传多样性研究及保护工作提供新的分析工具。

近年来, 机器学习在生态学领域的应用日益广泛, 尤其在复杂的非线性数据建模方面展现出强大优势。然而, 机器学习的“黑箱属性”使其难以提供清晰的结果解释, 这限制了其应用范围。为解决机器学习的不透明问题, 可解释机器学习(interpretable machine learning, IML)应运而生, 它致力于提高模型透明度并增强结果的可解释性。本文系统梳理了可解释机器学习中的白盒模型与黑盒模型、全局解释与局部解释、内在可解释与事后解释模型等基本概念, 并基于案例数据分别应用于线性回归、决策树与随机森林等模型, 展示了包括回归系数、置换特征重要性、部分依赖图、累积局部效应图、Shapley加性解释(SHAP)以及局部模型无关解释(LIME)等多种主流可解释机器学习的实现方法与生态学解释能力。研究表明, 尽管白盒模型的解释也属于可解释机器学习的范畴, 但当前其主要是一系列针对黑盒模型的事后解释方法的集成。其次, 不同方法在解释层级、适用模型及可视化表达方面各具优势。可解释机器学习能在一定程度上填补了复杂模型预测性能与生态学解释需求之间的鸿沟, 但需要基于数据情况和研究问题进行选择性应用。本文可为生态学研究人员提供可操作的分析框架, 并强调可解释机器学习应当作为当前主流统计建模的重要补充, 将在未来生态学研究中具有广阔的应用前景。

面对全球第六次生物大灭绝的严峻形势, 准确评估物种分布和种群动态已成为生物多样性监测中的紧迫任务。传统生物多样性监测方法常因生物学固有的不完全检测问题而导致估计偏差, 为生物多样性保护带来挑战。本文深入阐释层级占有率模型(hierarchical occupancy models, HOM)如何通过分离生态过程(占有率ψ)与观测过程(检测率p)的双层统计框架, 实现对不完全检测的无偏校正。重点论述该模型在整合多源异构数据、捕捉种群动态(定殖率γ与灭绝率ε)和同时分析多物种关联性方面的独特应用优势。其产出的真实占有率、动态参数及相关衍生指标, 是支持系统保护规划(systematic conservation planning, SCP)的高效、可理解且可审计的决策工具。本文同时剖析了模型应用中的关键挑战及应对策略, 以期为生态学研究者提供方法论参考, 并为管理者与决策者将模型输出转化为保护行动提供分析路径与依据。

全球生物多样性保护面临巨大的资金缺口, 以全球环境基金(Global Environment Facility, GEF)作为实施《生物多样性公约》现行资金机制存在法律地位不确定、治理结构不匹配、资金可及性低、受援国自主权弱等结构性缺陷, 难以满足《生物多样性公约》实施需求。本文系统梳理了GEF及其新设的全球生物多样性框架基金(Global Biodiversity Framework Fund, GBFF)的运作机制与局限性, 深入分析了缔约方关于是否新建由缔约方大会(Conference of the Parties, COP)授权的正式资金机制的立场分歧, 基于《生物多样性公约》第21条规定及谈判动态, 构建了新建全球生物多样性基金(Global Biodiversity Fund, GBF)、深度改革GEF、设立GEF下混合过渡机制3种备选方案, 并从治理结构、资金可持续性、运营效率、包容性等维度进行了可行性评估。研究旨在为建立更公平、高效、符合《生物多样性公约》宗旨的生物多样性国际履约资金机制提供科学依据, 并为在后续相关谈判中维护国家利益、弥合南北分歧提供参考策略建议。

非国家行为体(Non-State Actors)参与生物多样性治理是落实《昆明-蒙特利尔全球生物多样性框架》和《中国生物多样性保护战略与行动计划(2023‒2030年)》的关键路径和重要组成部分。生物多样性公益捐赠资金能够推动非国家行为体参与生物多样性治理, 弥补生物多样性公共资金不足。联合国《生物多样性公约》第十五次缔约方大会(COP15)为中国非国家行为体参与生物多样性治理提供了机遇。2021年, 中国10家非国家行为体组织在COP15第一阶段会议期间承诺2030年前动员25.5亿元人民币公益捐赠用于生物多样性保护。本文系统梳理过去5年中国非国家行为体生物多样性公益捐赠的进展及成效。2020‒2024年间, 11家规模较大的公益基金会与生物多样性相关的公益支出为34.3亿元人民币, 其中, 7家参与COP15承诺的基金会共计投入15.5亿元公益捐赠用于生物多样性保护, 现已完成2030年承诺目标的60.7%。这些生物多样性公益捐赠支持了非国家行为体组织在受威胁物种保护、栖息地和重要区域的保护和修复、推动生物多样性主流化等领域开展了大量卓有成效的工作。研究发现当前中国生物多样性公益捐赠具有一定局限性, 例如较高比例的资金用于造林为主的生态系统恢复、与企业和公共资金的协同不足。本文建议中国生物多样性公益捐赠应加强与国家行动的协同, 推动企业参与生物多样性保护, 共同致力于推动实现中国生物多样性保护目标和《昆蒙框架》行动目标。

森林凋落物作为森林生态系统物质循环、能量流动和养分平衡的载体, 是森林生态系统的重要组成部分。本研究以广西防城金花茶国家级自然保护区1 ha森林动态监测样地为研究对象, 在其中布设了40个凋落物收集器, 通过6年的森林凋落物量数据监测, 分析了该地区凋落物的组成、时空分布特征及驱动因素。结果表明: 广西防城金花茶国家级自然保护区森林凋落物年均产量为7,506.38 ± 766.94 kg/ha, 年际波动明显。各组分所占比例大小依次为叶(60.24%) > 枝(19.34%) > 杂物(17.70%) > 繁殖组织(2.72%)。总凋落物量及各组分凋落量月动态变化规律相似, 均呈三峰型, 峰值分别出现在4月、8月和10月。凋落物收集器5 m邻域范围内, 坡向、土壤温度、树木多样性和胸高断面积之和是该地区森林凋落物产量的主要驱动因素, 且直接正向影响凋落物总量, 而土壤养分通过胸高断面积之和间接影响凋落物总量。连续6年监测结果显示: 广西防城金花茶国家级自然保护区凋落物量季节变化明显, 生物、非生物和土壤因子共同影响着凋落物量的空间分布。

在生态文明法治背景下, 国家公园作为生态保护制度的核心载体, 其建设过程中人兽冲突问题却日益凸显。现行以“事前预防+事后补偿”为主导的冲突解决机制在操作上虽具简便性, 却难以从根本上缓解人与野生动物之间的深层次矛盾, 且原住民在成本分担与利益分配方面较为不利。一方面, 地方财政和技术条件对事前预防措施的落实构成制约, 另一方面, 事后补偿在金额、时效与标准方面往往无法回应原住民的实际损失与期待。同时, 当前制度多聚焦于野生动物行为本身, 忽视因国家公园建设与生态保护带来的社会结构与人群利益重构, 对原住民实质性参与的制度安排相对不足。《国家公园法》的颁布为我国国家公园建设提供了法制基础。在《国家公园法》相关规定的指引下, 或可进一步探索构建以生态补偿机制为基础的综合制度体系, 强化原住民社区治理能力, 并形成公私联动的动态补充机制, 丰富参与路径, 以实现生态保护责任与利益的均衡调配。此外, 公益诉讼等法治手段可为原住民权益提供外部监督路径与制度纠偏机制。唯有通过法治化手段统筹生态保护与社会公正, 国家公园制度方能真正实现人与自然和谐共生的治理目标, 推动生态文明法治体系的完善与落实。