The predictive power of new remote sensing data for biological distributions
本研究表明，整合新型遥感数据（如 GEDI LiDAR 衍生的冠层高度和高光谱叶片性状）能够通过捕捉细微且具有物种特异性的生境需求，显著提高预测加州内华达山脉范围内鸟类鸣叫活动的模型的准确性与可解释性。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
为了了解野生动物居住在哪里以及其个体数量有多少，科学家长期以来一直依赖于天气模式、地形形状以及植物生长分布图的结合。这些因素构成了动物进行日常生活的舞台。鸟类需要特定的温度范围来生存，需要特定类型的地形来筑巢，以及特定种类的植被来寻找食物。几十年来，研究人员一直利用卫星图像来追踪这些广泛的环境条件，从而描绘出物种可能存在的全球图景。然而，这些传统的地图通常描述的是气候或森林的一般类型，却忽略了植物实际长什么样以及它们是如何构建的这些更精细的细节。随着世界面临生物多样性的快速流失，准确了解动物在哪里以及它们为什么选择那些地点变得至关重要，然而，通过走遍每一片森林来收集这些信息是不可能的。
一个研究小组致力于探索新的高科技观测地球的方法是否可以填补这些缺失的细节。他们将重点放在加利福尼亚州的内华达山脉，该地区海拔上升剧烈，孕育了多种多样的鸟类。该团队从该景观中的553个地点收集了声音录音，通过聆听94种不同鸟类的鸣叫声和呼唤声来进行研究。他们不仅仅是询问某种鸟出现在哪里，而是测量了每处地点的鸟类活跃程度，使用其鸣叫频率作为衡量它们对该生境喜爱程度的指标。为了解释这些模式，他们利用129个不同的环境数据点构建了计算机模型。这些数据点分为六组：气候、地形、人类活动、植物生长的时机、森林的物理结构以及叶片的化学成分。研究人员想要知道，增加关于森林结构和叶片化学特征的新型详细数据，是否能比仅使用旧有的、更笼统的数据更好地预测鸟类的活跃度。
研究发现，新数据确实带来了显著的差异。虽然气候和地形对所有鸟类都很重要，但加入有关森林结构和叶片特征的信息后，提高了数十种鸟类模型的准确性。研究人员发现，这些新的数据流提供了旧地图无法提供的独特信息。例如，两个区域可能具有相同的温度和降雨量，但如果一个拥有高大茂密的林冠，而另一个只有矮小的灌木丛，它们会吸引完全不同的鸟群。新数据使模型能够识别这些差异。具体而言，关于树木高度以及叶片化学成分的测量结果，有助于解释为什么某些鸟类更偏好某一处地点。这对于那些依赖特定类型树木或需要特定结构特征（如用于筑巢的高大树干或特定叶片营养成分以供其食用的昆虫）的物种来说尤为如此。
研究人员还发现，没有任何一种单一类型的数据对所有鸟类都最为有效。每个物种都有其独特的需求，这意味着对一种鸟最重要的因素对于另一种鸟可能并不重要。例如，生活在成熟松树林中的红胸䴓，其分布主要由显示高大林冠和针叶树中特定叶片化学成分的数据所预测。相比之下，偏好开阔草地或灌木丛的鸟类，则更容易通过显示较短植被的数据来进行预测。这凸显了要理解复杂的生命网络，科学家不能仅仅依赖一种地图。他们需要一个广泛的工具箱，其中包含天气、地形，以及现在的、关于植物本身的详细视图。这项研究表明，随着卫星能够测量全球范围内植被的这些精细细节，科学家将能够创建更准确的野生动物栖息地地图。这种理解能力的提升对于保护栖息地以及以支持生物多样性的方式进行土地管理至关重要，从而确保依赖这些物种的合适环境得以保留。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。