8 生态学观测数据方法

8.1 引言

生态学观测（Ecological Observation）是指在自然状态下，通过感官或仪器对生态系统成分、结构和功能进行系统性记录的过程。作为生态学研究最古老且最基础的方法，观测为我们提供了关于物种分布、种群动态和环境变迁的第一手资料。

8.2 传统观测方法

在自动化技术普及之前，生态学家主要依赖以下经典方法：

样方法 (Quadrat Sampling)：在研究区域内随机或系统地选取一定面积的样方，统计其中的物种组成、多度和盖度。常用于植物群落和移动性较弱的动物调查。
样线法 (Transect Method)：沿预设的线条记录观察到的生物及其距离线条的距离。适用于研究环境梯度（如海拔、水分）对生物分布的影响。
直接观察法：研究者通过望远镜、录音机等工具直接记录动物的行为、迁徙或鸣叫。

8.3 现代观测技术与新方法

随着传感器、卫星通讯和人工智能技术的发展，生态观测正经历着从“人工化”向“智能化”的转变。

8.3.1 1. 遥感与无人机 (RS & UAV)

遥感技术允许研究者在卫星尺度上监测全球植被动态（如NDVI指数）。而无人机（UAV）的普及填补了地面调查与卫星遥感之间的尺度空白，能够获取厘米级分辨率的地形和植被结构数据。

8.3.2 2. 自动监测网络与物联网 (IoT)

通过在野外布置自动气象站、土壤水分传感器和红外相机阵列，研究者可以实现对生态环境的 24 小时连续监测，获取高频率的时间序列数据。

8.3.3 3. 环境DNA (eDNA)

通过采集水体、土壤或空气中的 DNA 片段，无需直接捕获生物即可检测特定物种的存在。这对于监测隐秘物种或水生生物多样性具有革命性意义。

8.3.4 4. 计算机视觉与人工智能 (AI/ML)

这是当前生态观测中最具潜力的领域之一。通过深度学习算法，可以自动识别红外相机拍摄的数百万张动物照片，或从声学传感器中提取特定鸟类的鸣叫声。

地理参考影像处理：现代软件包（如 panoviewer 等相关工具）可用于可视化和提取任何地理参考的全景层影像数据，并生成带有嵌入地理定位数据的裁剪图像，用于基于人工智能/机器学习的下游应用(Godfree and Knerr 2025)。这种方法极大地提高了从街景或全景影像中提取生态特征（如行道树健康状况、入侵物种分布）的效率。

8.4 观测数据的质量控制

由于观测是在不可控的自然环境中进行的，数据质量受环境噪声和人为偏差影响较大。质量控制通常包括： * 标准化协议：确保不同观测者之间的一致性。 * 多源数据校验：将地面观测数据与遥感数据进行交叉验证。 * 元数据记录：详细记录观测时的天气、时间、仪器参数等背景信息。

8.5 R 代码示例：观测数据的记录与保存

在野外调查结束后，我们需要将手写的记录本转化为结构化的电子数据。下面演示如何用 R 创建一份规范的样方调查记录表，并保存为 CSV 文件。

8.5.1 创建观测记录表

使用 tibble 创建一份植物样方调查数据。每一行代表一个观测记录，每一列代表一个变量。

library(tibble)

# 创建一份样方植物调查记录
quadrat_data <- tibble(
  sample_id    = paste0(“Q”, sprintf(“%03d”, 1:10)),   # 样方编号
  date         = rep(as.Date(“2027-04-15”), 10),        # 调查日期
  latitude     = c(30.251, 30.252, 30.253, 30.254, 30.255,
                   30.256, 30.257, 30.258, 30.259, 30.260),
  longitude    = c(120.131, 120.132, 120.133, 120.134, 120.135,
                   120.136, 120.137, 120.138, 120.139, 120.140),
  species      = c(“马尾松”, “杉木”, “枫香”, “马尾松”, “樟树”,
                   “杉木”, “马尾松”, “枫香”, “樟树”, “杉木”),
  dbh_cm       = c(15.2, 22.1, 18.5, 12.8, 25.3,
                   19.7, 14.1, 20.6, 28.4, 16.9),      # 胸径 (cm)
  height_m     = c(8.5, 12.3, 10.2, 7.1, 13.8,
                   11.0, 7.8, 11.5, 15.2, 9.4),         # 树高 (m)
  health       = c(“健康”, “健康”, “轻度病害”, “健康”, “健康”,
                   “中度病害”, “健康”, “健康”, “健康”, “轻度病害”),
  observer     = rep(“张同学”, 10)                       # 观测者
)

# 查看数据结构
quadrat_data

8.5.2 数据录入规范要点

在录入数据时，遵循以下规范可以避免后续清洗的麻烦：

# 检查数据基本信息
str(quadrat_data)

# 检查是否有缺失值
colSums(is.na(quadrat_data))

# 检查数值变量的合理范围
summary(quadrat_data[, c(“dbh_cm”, “height_m”)])

数据录入的好习惯

统一命名：列名使用英文小写 + 下划线（snake_case），如 dbh_cm 而非 胸径
标准日期：日期统一用 YYYY-MM-DD 格式，避免 2027/4/15 或 4月15日 等混乱格式
避免空格：分类变量中不要有多余空格，如 ”健康 “ 和 ”健康” 会被视为不同值
记录元数据：谁在什么时间、什么天气条件下采集的数据，都应记录在案

8.5.3 保存为 CSV 文件

使用 readr 包将数据保存为 CSV 格式，方便后续分析和共享。

library(readr)

# 确保 data 目录存在
if (!dir.exists(“data”)) dir.create(“data”, recursive = TRUE)

# 保存为 CSV 文件（UTF-8 编码，兼容中文）
write_csv(quadrat_data, “data/quadrat_survey_2027.csv”)

# 验证：重新读入并检查
quadrat_check <- read_csv(“data/quadrat_survey_2027.csv”,
                          show_col_types = FALSE)
quadrat_check

8.6 总结

虽然新技术层出不穷，但传统观测方法提供的生物学直觉和精细数据仍然不可替代。未来的生态观测将是”天-空-地”一体化的多源数据融合，通过人工智能技术将海量的原始影像和信号转化为具有科学价值的生态学洞察。

Godfree, Robert, and Nunzio Knerr. 2025. “Rapid Ecological Data Collection from 360-Degree Imagery Using Visualisation and Immersive Sampling in the r Pannotator Package.” Methods in Ecology and Evolution 16 (3): 640–54. https://doi.org/https://doi.org/10.1111/2041-210X.14472.