SPECIES DISTRIBUTION PROJECTIONS UNDER INTERNAL CLIMATE VARIABILITY REVEAL MULTIPLE PLAUSIBLE FUTURES REQUIRING FLEXIBLE CLIMATE-READY DECISIONS

该研究利用 CESM2-LENS2 的 100 个初始条件成员对 34 种海洋和陆生物种进行分布投影，发现内部气候变率（ICV）本身即可导致截然不同的分布预测结果（甚至逆转范围变化），且这种变异性无法完全由物种特征或局部气候变率解释，因此强调生物多样性规划必须基于多种合理气候情景的应力测试，而非依赖单一的最佳估计地图。

要点

这篇论文探讨了一个非常有趣且重要的问题：当我们预测未来物种（比如动物、植物）会住在哪里时，为什么仅仅看一个“最佳猜测”的答案是不够的？

为了让你轻松理解，我们可以把这篇论文的核心思想想象成**“预测明天的天气”和“规划一次长途旅行”**。

1. 核心问题：为什么“平均天气”骗人？

传统做法（旧观念）：
以前，科学家预测气候变化对物种的影响时，就像看天气预报一样，只取一个“平均气温”或“平均降雨量”。他们假设：只要排放路径（比如人类排放多少二氧化碳）确定了，未来的气候和物种分布就是唯一且可预测的。

• 比喻： 这就像你为了明天去野餐，只看了一个“平均气温 20 度”的预报，就决定只带一件薄外套。

新发现（本文观点）：
但这篇论文发现，即使人类排放完全一样，气候系统内部本身就有一种“随机的波动”（科学家叫它“内部气候变率”，ICV）。这种波动就像是大海里的波浪，即使风向（排放）不变，海浪的起伏也是不可预测的。

• 比喻： 即使明天平均气温是 20 度，但如果你运气不好，可能早上会突然刮一阵冷风（只有 10 度），或者下午突然暴晒（30 度）。这种内部的随机波动，足以让物种的生存环境发生天翻地覆的变化。

2. 研究做了什么？：开了 100 个“平行宇宙”

为了看清这种波动的影响，作者们做了一个大胆的实验：
他们利用超级计算机，模拟了100 个不同的“平行宇宙”。

• 在这 100 个宇宙里，人类排放的二氧化碳完全一样。
• 唯一的区别是：每个宇宙在 1980 年代那个“起跑线”上的初始状态（比如当时的洋流、大气微小扰动）有一点点不同。

然后，他们把34 种海洋和陆地生物（从蚊子到海豹，从红树林到狐狸）放进这 100 个宇宙里，看看它们未来住在哪里。

3. 惊人的发现：同一个起点，100 种结局

结果让他们大吃一惊：仅仅因为初始条件的微小不同，物种的未来命运竟然完全不同！

• 例子 A（蚊子）： 在有些宇宙里，登革热蚊子会向北扩散到纽约；在另一些宇宙里，它们可能只到费城。这意味着，公共卫生部门该在哪里准备防疫物资，完全取决于你相信哪一个“平行宇宙”的剧本。
• 例子 B（海带森林）： 在有些宇宙里，澳大利亚南部的海带森林会大面积消失；在另一些宇宙里，它们可能只是稍微缩小一点，甚至位置变了。

关键结论：
如果只看“平均结果”（把 100 个宇宙加起来取平均），你会得到一个模糊的、甚至完全错误的结论。因为有些宇宙里物种在“向北跑”，有些在“向南跑”，一平均，它们好像“原地不动”了。但实际上，它们正在剧烈地移动，只是方向不同！

4. 四种“未来剧本”（决策者的指南）

作者把这 100 种结果分成了四类，帮助决策者（比如政府、保护区管理者）做决定：

1. 剧本一（稳如泰山）： 所有 100 个宇宙都说“没变化”。
   • 对策： 继续观察，不用大动干戈。
2. 剧本二（方向明确）： 所有宇宙都说“会向北跑”，而且跑得差不多远。
   • 对策： 精准行动。比如，直接在那条北边的路上建保护区。
3. 剧本三（方向明确，但幅度未知）： 所有宇宙都说“会向北跑”，但有的说跑 10 公里，有的说跑 100 公里。
   • 对策： 灵活应对。知道要往北走，但不知道走多远，所以政策要留有余地，不能把路堵死。
4. 剧本四（完全混乱）： 有的宇宙说“向北跑”，有的说“向南跑”，有的说“原地消失”。
   • 对策： 不做死决定。这时候不能赌哪一边，只能采取“无悔策略”（比如加强监测、保护栖息地多样性），不管未来发生哪种情况都能应对。

研究发现：

• 海洋生物通常比较“听话”，大多属于剧本二（方向明确，容易预测）。
• 陆地生物（比如森林里的动物）非常“调皮”，经常属于剧本三和四（波动大，难以预测）。这是因为陆地气候的“内部波动”比海洋大得多。

5. 给普通人的启示：拥抱“不确定性”

这篇论文告诉我们一个深刻的道理：未来的世界不是只有一条单行道，而是一片广阔的“可能性森林”。

• 以前的思维： 试图找到那个唯一的“正确答案”，然后按部就班地执行。
• 现在的思维： 承认我们永远无法预测唯一的未来。我们需要**“气候适应性决策”**。

打个比方：
以前我们像是一个赌徒，把所有筹码押在“明天一定是晴天”这一个预测上。
现在我们要像老练的船长，知道海上有各种可能的风浪。我们不会只准备一种帆，而是准备好应对各种风浪的装备。无论未来是“向北跑”还是“向南跑”，我们的船都能安全航行。

总结

这篇论文不是在说“我们预测不了未来”，而是在说**“未来的可能性比我们要想象的更丰富、更复杂”**。

对于保护生物多样性和制定气候政策来说，我们不能只盯着一个“最佳猜测”的地图。我们需要同时看着 100 张不同的地图，准备好应对各种可能的情况。只有这样，当真正的未来（无论它是哪一种）来临时，我们才不会措手不及。

一句话总结： 别只赌一个未来，要为所有可能的未来做好准备。

技术摘要

1. 研究背景与核心问题 (Problem)

• 传统方法的局限性：现有的物种分布模型（SDMs）通常假设给定的排放路径会导致可预测的生态响应。然而，传统做法往往使用单一地球系统模型（ESM）模拟或大集合的平均值来驱动 SDMs。这种做法将内部气候变率（Internal Climate Variability, ICV）——即由初始条件敏感性引起的模型轨迹发散——压缩为单一轨迹。
• 关键未决问题：ICV 的存在已被广泛认知，但如何系统地将其转化为校准后的生态推断尚不清楚。由于 SDMs 是从气候历史到栖息地投影的非线性映射，异常值和极端事件序列的微小差异可能导致物种跨越阈值、激活滞后效应，从而在相同的强迫条件下产生截然不同的响应模式。
• 研究缺口：缺乏一个通用框架来预判 ICV 何时会产生分歧的生态结果。如果仅依赖“最佳估计”地图，可能会得出过度自信或方向性错误的结论，特别是在近中期（至本世纪中叶）的区域和局部预测中。

2. 方法论 (Methodology)

研究开发了一个完全感知 ICV 的物种分布建模与分析框架，具体步骤如下：

• 数据源与实验设计：
  • 物种：选取了 34 种海洋（12 种）和陆地（22 种）物种，涵盖不同的生活史特征、生物地理分布和生态位。
  • 气候强迫：使用 CESM2-LENS2（Community Earth System Model 2 Large Ensemble）大集合数据，包含 100 个初始条件（IC）成员，在 SSP3-7.0 排放情景下运行。
  • 时间尺度：中期（2031–2060）和晚期（2071–2100）。
  • 偏差校正：为了保持内部变率的同时与观测基准一致，对每个 IC 成员单独进行偏差校正（Delta 方法），使其与 ERA5（陆地）和 CMEMS（海洋）的 1981–2014 年气候态对齐。
• 建模过程：
  • 使用观测气候数据和静态预测因子（如海拔、水深）训练单个固定的 SDM（基于 XGBoost 算法，使用 biomod2 包）。
  • 将训练好的固定模型应用于所有 100 个偏差校正后的 IC 气候轨迹。这意味着唯一变化的变量是气候轨迹，从而隔离了 ICV 作为不确定性来源。
• 生态指标：
  从每个实现中推导了四个基于范围的决策相关指标：
  1. 潜在面积变化 (PAC)
  2. 潜在面积增益 (PAG)
  3. 潜在面积损失 (PAL)
  4. 潜在适宜性比率变化 (PSRC)
• 分析框架：
  • 计算网格单元上的集合共识（Consensus）。
  • 根据 IC 成员间结果的分歧程度，将物种投影分类为四种决策相关案例。
  • 计算信噪比（SNR）以量化强迫信号强度与 IC 驱动分散度的关系。
  • 使用能量距离（Energy Distance, ED）分析在多维环境空间中，预测“存在”与“不存在”的 IC 成员之间的分离程度。

3. 关键贡献 (Key Contributions)

1. 提出了 ICV 感知的 SDMs 框架：明确将 ICV 从气候模型传播到生态投影中，而不是将其平均掉，揭示了单一最佳估计无法捕捉的“不可约不确定性”。
2. 建立了决策相关的四分类案例框架：
   • Case 1：变化微弱且 IC 高度一致（稳健的无变化）。
   • Case 2：方向一致且幅度一致（高置信度的定向响应）。
   • Case 3：方向一致但幅度分歧大（方向明确，但严重程度不确定）。
   • Case 4：方向分歧（IC 成员对变化方向（增加/减少）意见不一，导致集合均值具有误导性）。
3. 揭示了海洋与陆地的显著差异：发现海洋物种的投影通常更稳健（主要属于 Case 2），而陆地物种受 ICV 影响更大，更容易出现方向性分歧（Case 3 和 Case 4）。
4. 证明了非线性放大效应：发现 ICV 导致的生态分歧并不总是与局部气候变率的幅度成正比。SDM 的非线性响应可以将微小的气候差异放大为截然不同的二元结果（存在/不存在）。

4. 主要结果 (Results)

• ICV 导致定性不同的结果：仅凭 ICV 就足以产生截然不同的物种分布投影，包括范围扩张/收缩的逆转。
  • 示例：对于埃及伊蚊（Aedes aegypti），不同的 IC 实现决定了哪些城市处于传播风险区；对于澳大利亚南部海带森林，IC 选择决定了栖息地丧失的程度和破碎化模式。
• 案例分布统计：在所有指标和时间段中，44% 的物种分类属于 Case 3 或 Case 4。这意味着近一半的物种投影受 ICV 影响显著，依赖单一实现或集合均值会掩盖或反转生态结果。
• 海洋 - 陆地二分法：
  • 海洋物种：80% 属于 Case 2（稳健响应），SNR（信噪比）较高。
  • 陆地物种：60% 属于 Case 3 或 Case 4，SNR 较低且变化范围大。这反映了陆地气候变率通常大于海洋的物理事实。
• 时间动态：从本世纪中叶到本世纪末，约 50-55% 的物种分类发生变化。陆地物种的分类稳定性远低于海洋物种（仅 31-40% 保持分类不变），表明陆地投影在整个世纪内对 ICV 更敏感。
• 指标依赖性：同一物种在不同指标下可能属于不同案例。例如，活动性强的广适性物种（如赤狐）在不同指标间表现出不稳定性，而固着或特化物种则表现稳定。
• 环境分离与分歧：
  • 预测“存在”和“不存在”的 IC 成员在环境空间中确实存在分离（能量距离 ED > 0）。
  • 然而，仅基于原始环境预测因子的无监督聚类只能恢复不到 60% 的 SDM 分类结果。这表明SDM 的非线性响应表面放大了 IC 驱动的环境微小差异，导致了生态分歧。

5. 意义与启示 (Significance)

• 决策范式的转变：研究指出，生物多样性规划不能仅依赖“最佳估计”地图。决策者必须接受并应对多个合理未来（Multiple Plausible Futures）。
• 灵活的决策策略：
  • 对于 Case 2：可采取针对性的适应措施。
  • 对于 Case 3：需要设计灵活的政策，因为方向明确但幅度不确定。
  • 对于 Case 4：应采取“无悔措施”（No-regrets measures）并加强监测，因为变化方向本身尚不明确。
• 鲁棒决策框架：建议在进行气候适应性决策时，应在整个合理未来的分布范围内对决策进行“压力测试”，而不是优化单一轨迹。这符合处理深度不确定性（Deep Uncertainty）的鲁棒决策框架。
• 科学价值：该研究强调了在生态建模中保留并量化内部气候变率的重要性，特别是在近中期预测中，ICV 可能是比排放情景选择更主要的不确定性来源。

总结：该论文通过大规模集合模拟证明，忽略内部气候变率会导致对物种分布变化的严重误判。它提供了一个新的分类框架，帮助决策者理解何时可以自信地行动，何时需要保持灵活和谨慎，从而推动气候适应性管理向更稳健、更具韧性的方向发展。