7 数据采集方法

7.1 数据的来源与采集方法

在生态学研究中，数据是检验假设、理解自然规律的基石。根据研究目的、尺度和伦理限制，研究者可以通过多种方式获取数据。本章将主要介绍四种主要的数据来源及其获取方法：观测、实验、模型和公共数据。

library(tidyverse)

观测数据 (Observational Data)：通过直接观察和记录自然现象而获得，研究者不进行干预，力求捕捉系统的真实状态。这是生态学研究的起点，常用于发现模式和提出假设。
实验数据 (Experimental Data)：通过在受控条件下操纵一个或多个变量，并测量其对其他变量的影响而获得。这是检验因果关系假设最有力的方法。
模型数据 (Model-Generated Data)：通过运行数学或计算机模型生成。当研究问题涉及的时空尺度过大或无法直接进行实验时，模型是理解和预测生态系统动态的重要工具。
公共数据 (Public Data)：由政府、科研机构或公众预先收集并公开发布的数据集。这类数据为宏观尺度和整合分析研究提供了宝贵资源。

这四种方法各有优劣，常常需要结合使用。下表对它们进行了简要对比：

数据来源	干预程度	因果推断能力	主要优点	主要缺点
观测	无	弱（相关性）	真实性高，适用范围广	难以控制混杂变量，无法确定因果
实验	高	强（因果性）	可控性强，可重复	可能脱离现实，存在伦理和操作限制
模型	虚拟	理论性	可预测，能研究极端情景	依赖于假设和输入数据，需要验证
公共数据	无	弱（相关性）	成本低，时空覆盖广	数据质量不一，可能缺乏所需变量

接下来，我们将详细探讨每一种数据采集方法的特点、适用情景和具体技术。

7.1.1 快速示例：四种数据来源的 R 表示

在 R 中，不同来源的数据最终都以数据框（data frame）的形式进入分析流程，但它们的获取方式和元数据记录有所不同：

# 观测数据：野外调查记录
obs_data <- tibble(
  plot_id = c("A1", "A2", "A3"),
  species_count = c(12, 8, 15),
  canopy_cover = c(0.75, 0.60, 0.85),
  method = "样方调查"
)

# 实验数据：控制实验结果
exp_data <- tibble(
  treatment = rep(c("对照", "施氮", "施磷"), each = 3),
  replicate = rep(1:3, 3),
  biomass_g = c(45, 42, 48, 62, 58, 65, 51, 55, 49),
  method = "随机区组实验"
)

# 模型数据：模拟生成
set.seed(2027)
model_data <- tibble(
  year = 2025:2050,
  temp_anomaly = cumsum(rnorm(26, mean = 0.03, sd = 0.1)),
  method = "气候模型输出"
)

# 公共数据：从数据库下载（此处模拟）
public_data <- tibble(
  species = c("Pinus massoniana", "Cunninghamia lanceolata", "Schima superba"),
  gbif_records = c(15234, 8921, 4567),
  source = "GBIF"
)

# 查看各数据结构
cat("--- 观测数据 ---\n")
glimpse(obs_data)
cat("\n--- 实验数据 ---\n")
glimpse(exp_data)

数据来源的选择原则

选择数据来源时，问自己三个问题：

研究问题需要什么？描述性问题用观测，因果性问题用实验
时空尺度多大？局地用观测/实验，区域到全球用模型/公共数据
资源是否允许？时间、经费、伦理约束决定了可行的方法

7.2 观测数据

观测数据是通过在自然环境中对研究对象进行系统性的观察和记录而获得的，其核心特点在于研究者不施加任何干预，力求捕捉现象的自然状态。

特点：
- 真实性高：数据直接来源于真实世界，反映了生态系统的实际情况。
- 非干扰性：避免了因研究者干预可能带来的“实验效应”，尤其适用于研究敏感或难以操控的系统。
- 揭示关联：能够有效地揭示变量之间的相关性，为提出科学假设提供基础。但是，观测数据本身通常难以确定因果关系。
适用情景：
- 初步探索：在研究初期，用于了解系统基本状况、发现新现象、形成研究假设。
- 大尺度研究：适用于研究宏观生态格局，如物种的地理分布、气候变化对植被的影响等。
- 伦理限制：当对研究对象（如珍稀濒危物种）进行实验不符合伦理或法律规定时。
主要采集方法：
- 样方/样线调查：在特定区域内设置样方或沿样线进行调查，记录物种、数量、环境因子等。
- 遥感技术：利用卫星或无人机获取地表信息，用于监测植被覆盖、土地利用变化等。
- 动物行为观察：通过直接观察或使用红外相机、GPS项圈等设备记录动物的行为、迁徙路径。
- 历史文献查阅：从历史档案、地方志等文献中提取数据。

7.3 实验数据

实验数据是通过控制一个或多个自变量，并观察其对因变量的影响而获得的数据。这是检验因果关系假设的最有力工具。

特点：
- 可控性强：研究者可以精确地控制和操纵实验条件，有效分离不同变量的影响。
- 可重复性：标准化的实验流程使得其他研究者可以在相同条件下重复实验，验证结果的可靠性。
- 因果推断：通过设立对照组和处理组，可以明确变量之间的因果关系。
适用情景：
- 假设检验：当需要严格检验某个特定因素（如养分、捕食者）对生态系统影响的假设时。
- 机制探究：深入理解生态过程背后的生物学或物理化学机制。
主要采集方法：
- 实验室实验：在完全可控的环境（如生长箱、水族箱）中进行，可以最大限度地排除无关变量的干扰。
- 野外控制实验：在自然环境中对一小块区域进行处理，如施肥实验、物种移除实验、增温实验等。这种方法真实性更高，但控制难度也更大。
- 中宇宙实验（Mesocosm）：介于实验室和野外之间，通过构建模拟自然生态系统的半封闭环境（如大型水池、圈养地）来进行实验。

7.4 模型数据

模型数据是通过运行数学或计算机模型而生成的。模型是现实世界系统的简化和抽象，它基于我们对该系统的理论理解和已有数据。

特点：
- 预测性：能够模拟系统在不同情景下的未来动态，进行预测和风险评估。
- 时空延展性：可以模拟长时间尺度（如千年）和广阔空间范围（如全球）的生态过程，这是观测和实验难以企及的。
- 理论测试：可以用来检验生态学理论的普适性和边界条件。
适用情景：
- 长期/大尺度问题：研究气候变化对物种分布的影响、流行病的传播、生态系统的长期演替等。
- “思想实验”：探索在现实中无法实现的“what-if”情景，例如，如果某个关键物种灭绝会发生什么？
- 资源管理：为渔业捕捞配额、森林砍伐计划、自然保护区规划等提供决策支持。
主要生成方法：
- 统计模型：基于现有数据，利用统计学方法（如回归分析）建立变量间的关系模型。
- 机理模型：基于对生态过程内在机制（如生理、行为、物理定律）的理解，用数学方程来描述系统动态。
- 个体为本模型（Agent-Based Model）：模拟大量个体（agent）的行为及其相互作用，从微观层面涌现出宏观的系统模式。

7.5 公共数据

公共数据是由政府、研究机构、国际组织或公众共享的数据资源。随着开放科学运动的推进，公共数据变得越来越重要。

特点：
- 可及性好：通常可以免费或以较低成本获取，降低了数据采集的门槛。
- 时空覆盖广：许多公共数据集涵盖了长时间序列和广阔的地理范围。
- 数据量大：通常是“大数据”，为发现新的宏观规律提供了可能。
- 质量不一：数据来源多样，可能存在格式不统一、精度不一、含有错误等问题，使用前需要仔细清洗和评估。
适用情景：
- 整合分析与荟萃分析（Meta-analysis）：结合来自多个独立研究的数据，得出更具普适性的结论。
- 宏观生态学研究：研究大尺度上的生物多样性分布格局及其驱动因素。
- 补充性数据：作为自己研究的背景数据或环境数据，如将物种调查数据与公共的气象数据和土壤数据结合分析。
主要采集方法：
- 数据门户网站下载：从专门的数据共享平台下载，如全球生物多样性信息网络（GBIF）、美国国家生态观测网络（NEON）、Dryad数字知识库等。
- 政府与机构网站：获取各国气象局、环保局、地质调查局等发布的官方数据。
- API接口：通过应用程序编程接口（API）以编程方式自动获取实时或批量数据。
- 公民科学项目：利用由公众参与收集的数据，如eBird（鸟类观测记录）、iNaturalist（物种鉴定照片）等。

7.6 数据采集的通用流程

无论使用哪种数据来源，数据采集都遵循类似的流程：

每一步都应该有文档记录。一个好的习惯是在采集数据的同时就建立元数据文件，而不是事后补写。

7.7 课后练习

针对以下研究问题，判断最适合的数据来源类型（观测/实验/模型/公共数据），并说明理由：
- 广西大学校园内鸟类物种组成
- 氮沉降对土壤微生物群落的影响
- 2050 年广西红树林面积变化预测
- 全球森林碳储量的空间分布格局
选择一个公共数据平台（如 GBIF、NEON、中国气象数据网），浏览其数据目录，下载一个小型数据集，用 read_csv() 读入 R 并查看其结构
为你计划采集的课程项目数据，写一份简要的采集方案（包括：研究问题、数据来源、采集方法、预期样本量、需要记录的变量）