10  生态学模型采集数据方法

10.1 引言

在生态学研究中，有些问题是无法通过直接观测或实验来回答的。例如，未来 100 年气候变化对全球森林碳汇的影响，或者某种入侵物种在整个大陆尺度的扩散路径。在这种情况下，生态学模型（Ecological Modeling）成为了不可或缺的工具。模型不仅是理解系统的手段，更是一种重要的“数据生成器”，它能够产生跨越时空限制的虚拟数据，帮助我们探索“如果……会怎样”的情景。

10.2 模型作为“数据生成器”

模型生成的数据（Model-Generated Data）是指通过数学方程或计算机算法模拟生态过程而产生的结果。 * 输入数据：模型需要真实的观测或实验数据作为初始条件和参数。 * 输出数据：模型运行产生的预测值、模拟序列或空间分布图。这些输出在经过验证后，可以作为科学研究和政策制定的重要依据。

10.3 主要的生态学模型类型

10.3.1 1. 统计模型 (Statistical Models)

利用统计学方法（如线性回归、广义线性模型、机器学习）寻找变量间的数学关系。 * 特点：侧重于相关性，对历史数据依赖性强。 * 应用：物种分布模型（SDMs），预测物种在未来气候条件下的潜在栖息地。

10.3.2 2. 机理模型 (Process-based Models)

基于对生态系统内在机制（如光合作用、养分循环、能量流动）的理解，用微分方程或规则来描述系统。 * 特点：具有较强的生物学解释力，能够预测超出历史经验范围的情景。 * 应用：植被动态模型（DGVMs），模拟全球植被对大气 CO2 浓度升高的响应。

10.3.3 3. 个体为本模型 (Agent-Based Models, ABM)

模拟大量具有独立决策能力的个体（如动物、植物或人类）及其相互作用。 * 特点：能够观察到从微观行为中“涌现”出的宏观群体模式。 * 应用：动物迁徙路径模拟、流行病在野生动物种群中的传播。

10.3.4 4. 地球系统模型 (Earth System Models)

集成大气、海洋、陆地生态系统的超大规模数值模拟系统。 * 特点：处理全球尺度的复杂反馈关系。 * 应用：IPCC 气候变化评估报告中的生态系统响应预测。

10.4 模型数据的生成流程

  1. 参数化 (Parameterization)：利用实测数据确定模型中的关键参数（如生长速率、死亡率）。
  2. 模拟运行 (Simulation)：设定初始状态和驱动因子（如气象数据），运行模型生成模拟数据。
  3. 情景分析 (Scenario Analysis)：通过改变输入条件（如不同的减排情景），生成多组对比数据，评估不同政策或环境变化的影响。

10.5 模型数据的验证与不确定性

模型生成的数据并非“真实”数据，其可靠性取决于： * 模型校准 (Calibration)：调整参数使模型输出尽可能接近已知的观测值。 * 模型验证 (Validation)：使用未参与建模的独立数据集来检验模型的预测准确性。 * 不确定性分析：识别由于参数误差、模型结构缺陷或输入数据质量导致的结果波动。

10.6 R 代码示例：简单统计模型

下面以一个经典的生态学问题——树高与胸径的关系——为例，演示如何在 R 中构建线性回归模型、进行模型诊断和结果解读。

10.6.1 准备数据

我们模拟一组亚热带常绿阔叶林的树木测量数据。在生态学中，树高（height）与胸径（DBH, diameter at breast height）之间通常存在正相关关系。

library(tibble)
library(ggplot2)

# 模拟 50 棵树的胸径和树高数据
set.seed(42)
n <- 50
tree_data <- tibble(
  tree_id  = 1:n,
  species  = sample(c(“马尾松”, “杉木”, “枫香”), n, replace = TRUE),
  dbh_cm   = runif(n, min = 5, max = 40),                          # 胸径 5-40 cm
  height_m = 2.5 + 0.35 * dbh_cm + rnorm(n, mean = 0, sd = 1.5)   # 树高 = 截距 + 斜率*胸径 + 噪声
)

# 查看前几行
head(tree_data)

10.6.2 拟合线性回归模型

使用 lm() 函数拟合树高对胸径的线性回归。

# 拟合模型：树高 ~ 胸径
model <- lm(height_m ~ dbh_cm, data = tree_data)

# 查看模型摘要
summary(model)
Note如何解读 summary() 输出？
  • Estimate（估计值）：截距（Intercept）表示胸径为 0 时的预测树高，dbh_cm 的系数表示胸径每增加 1 cm，树高平均增加多少米
  • Pr(>|t|)：p 值，小于 0.05 通常认为该变量对树高有显著影响
  • R-squared：决定系数，表示胸径能解释树高变异的比例，越接近 1 说明模型拟合越好
  • Residual standard error：残差标准误，反映预测值与实际值的平均偏差

10.6.3 可视化回归结果

ggplot(tree_data, aes(x = dbh_cm, y = height_m)) +
  geom_point(aes(color = species), size = 2, alpha = 0.7) +
  geom_smooth(method = “lm”, color = “steelblue”, se = TRUE) +
  labs(
    x = “胸径 (cm)”,
    y = “树高 (m)”,
    title = “树高与胸径的线性关系”,
    color = “树种”
  ) +
  theme_minimal()

10.6.4 模型诊断

拟合模型后，必须检查模型假设是否成立。plot() 函数会生成四张诊断图。

# 四张诊断图
par(mar = c(4, 4, 2, 1))
plot(model, which = 1)  # 残差 vs 拟合值：检查线性假设和等方差性
plot(model, which = 2)  # Q-Q 图：检查残差是否服从正态分布
plot(model, which = 3)  # 标准化残差 vs 拟合值：检查方差齐性
plot(model, which = 5)  # 残差 vs 杠杆值：识别强影响点
Tip诊断图怎么看？
  1. 残差 vs 拟合值：点应随机分布在 0 线两侧，无明显趋势。若呈现弯曲，说明线性假设不成立
  2. Q-Q 图：点应大致落在对角线上。若两端偏离严重，说明残差不服从正态分布
  3. Scale-Location 图：红线应大致水平，否则说明存在异方差
  4. Residuals vs Leverage：关注 Cook’s distance 超过 0.5 的点，它们可能是强影响观测值

10.6.5 使用模型生成预测数据

模型的核心价值在于预测。下面演示如何用拟合好的模型为新数据生成预测值及其置信区间——这就是”模型作为数据生成器”的具体体现。

# 为新的胸径值生成预测
new_trees <- tibble(dbh_cm = seq(5, 40, by = 1))

# 预测树高及 95% 置信区间
predictions <- predict(model, newdata = new_trees, interval = "confidence")
pred_df <- bind_cols(new_trees, as_tibble(predictions))

head(pred_df)
Tip预测区间 vs 置信区间
  • 置信区间 (confidence interval)：反映回归线本身的不确定性，即”平均树高”的估计范围
  • 预测区间 (prediction interval)：反映单棵树的预测不确定性，通常比置信区间更宽。使用 interval = "prediction" 获取

10.7 总结

模型数据采集方法极大地扩展了生态学的研究边界。它将零散的观测和实验数据整合进统一的理论框架中，使我们能够预见未来并评估复杂的生态反馈。然而，正如统计学家乔治·博克斯所言：”所有模型都是错的，但有些是有用的。”在使用模型数据时，始终保持对其不确定性的清醒认识，并不断用实测数据进行修正，是科学建模的核心要求。