米级分辨率积雪数据对高山植物分布模型的重要性评估：四种数据源在两种分辨率下的比较

《Ecological Modelling》：Does meter-scale snow data matter for modeling alpine plant distribution? A comparison of four data sources at two resolutions

　　本研究针对高山植物分布模型中积雪数据分辨率不匹配的问题，比较了卫星影像、数值雪模型、网络摄像头影像和原位土壤温度测量四种数据源在1米和20米分辨率下对74种植物物种分布模型预测能力的提升效果。研究发现，超过80%的物种分布模型因加入至少一种积雪消融日期(SMOD)数据而显著改善，其中20米分辨率卫星数据改善物种数量最多。令人意外的是，高分辨率原位数据并未比中分辨率卫星数据带来更大提升。该研究为高山生态系统建模中积雪数据源的选择提供了重要实践指导，并支持数值雪模型在未来气候变化情景预测中的应用。

　　

在雄伟的阿尔卑斯山脉，皑皑白雪不仅是壮丽景观的重要组成部分，更是决定高山植物生存与分布的关键环境因子。积雪覆盖的持续时间直接影响着植物的生长季长度、冬季保温效果和春季水分供应，从而塑造了独特的高山植被格局。然而，在科学研究和生态预测中，一个长期存在的矛盾困扰着研究人员：植物分布的实地观测通常在样方尺度（如1米×1米）进行，而常用的积雪数据却多来自空间分辨率较粗的卫星遥感（如20米至数百米）。这种尺度上的不匹配是否限制了物种分布模型(Species Distribution Models, SDMs)的准确性？更高分辨率的积雪数据是否能带来更好的预测效果？这些问题对于准确预测气候变化背景下高山生态系统的响应至关重要。

以往研究多采用中等分辨率的卫星影像来获取积雪信息，如Landsat、MODIS等产品，这些数据虽然覆盖时间长、易于获取，但其空间精度与植物分布的精细观测之间存在明显差距。尽管有学者指出微气候数据对提升模型性能的重要性，但关于不同来源和分辨率的积雪数据对高山植物分布模型预测能力的系统比较仍较为缺乏。特别是对新兴数据源——如网络摄像头影像、原位温度记录仪和物理过程的数值雪模型——在生态建模中的应用效果，科学界尚未形成明确认识。

为解答这些疑问，由奥地利因斯布鲁克大学地理系Andreas Kollert和Kry?tof Chytry共同主导的研究团队，在奥地利阿尔卑斯山的Schrankogel地区开展了一项精心设计的对比研究。他们在海拔2100-3471米的高山地带设置了701个1平方米的植被样方，详细记录了74种维管植物的分布情况。研究团队创新性地收集并处理了四种不同来源的积雪消融日期(Snow Melt-Out Date, SMOD)数据：Sentinel-2卫星影像（20米分辨率）、openAMUNDSEN数值雪模型（1米和20米分辨率）、三台网络摄像头获取的影像（1米和20米分辨率）以及每个样方安装的土壤温度记录仪数据（点测量）。通过统一的建模框架，他们系统评估了这些积雪数据对植物分布模型预测能力的提升效果。

研究采用的技术方法主要包括多源积雪数据获取与处理、物种分布模型构建和统计评估。研究人员首先通过各自的方法从四种数据源中提取SMOD：卫星数据采用THEIA平台提供的Sentinel-2 Level 3B产品；数值雪模型基于13个气象站数据驱动，模拟雪水当量；网络摄像头影像通过随机森林分类和单像测量法生成积雪覆盖图；土壤温度记录仪则根据温度日较差和最高温度阈值判断积雪日。所有SMOD数据统一按儒略日表示，并与地形、气候变量一起作为预测变量。模型构建采用集成学习方法，结合随机森林、广义可加模型和广义线性模型三种算法，通过10折交叉验证评估模型性能，并以真技能统计量(True-Skill-Statistic, TSS)、接收者操作特征曲线下面积(Area Under the Curve, AUC)和Boyce指数作为评估指标，通过置换检验判断SMOD的加入是否带来显著改善。

3.1. 不同SMOD数据源的一致性比较

研究首先分析了六种SMOD产品之间的相关性。结果显示，不同数据源获得的SMOD存在显著差异，Spearman等级相关系数从最低的0.42（温度记录仪与20米分辨率雪模型之间）到最高的0.85（20米分辨率卫星与网络摄像头数据之间）。相同数据源在不同分辨率下表现出较高相关性（雪模型和网络摄像头的1米与20米版本之间），表明数据来源的本质特征而非分辨率是导致差异的主要原因。温度记录仪数据与其他数据集相关性较低，主要是因为许多样方根据记录仪数据显示无积雪或积雪期较短。

3.2. SMOD产品在物种分布模型中的性能表现

在74个物种的分布模型中，加入SMOD数据后，超过80%的模型在AUC指标上获得至少一种SMOD数据的显著改善。具体而言，20米分辨率卫星SMOD使最多物种的模型得到改善（44种，基于AUC），而1米分辨率网络摄像头SMOD在TSS指标上表现最佳（27种模型显著改善）。就改善幅度而言，不同SMOD产品之间差异不大：TSS绝对增加值(TSS_absolute)在0.068-0.082之间，相对增加比例(TSS_prop)在14%-17%之间；AUC绝对增加值(AUC_absolute)在0.037-0.042之间，相对增加比例(AUC_prop)在5%左右。统计分析表明，不同SMOD产品之间的改善幅度无显著差异。

一个值得注意的发现是，不同SMOD产品对特定物种模型的改善效果存在明显差异。仅考虑TSS指标时，只有4个物种的模型被所有六种SMOD产品一致改善；考虑AUC指标时，这一数字为11个。相反，有18个物种（基于TSS）和13个物种（基于AUC）的模型未被任何SMOD产品显著改善。这表明，不同SMOD数据源对物种模型改善的效果具有物种特异性，没有一种SMOD产品能够对所有物种都产生最佳改善效果。

研究结果挑战了传统认知：更高分辨率（1米）和原位测量的SMOD数据并未比中等分辨率（20米）卫星数据带来更大的模型改善。这与研究初始假设相反，表明对于大多数高山植物物种而言，20米分辨率的卫星SMOD数据已经能够有效捕捉影响植物分布的积雪模式特征。这一发现可能源于积雪分布与地形的密切关系，使得中等分辨率数据已能识别主要的山脊和雪斑栖息地差异，而更精细的局部变异对物种分布格局的影响相对较小。

研究还发现，数值雪模型的表现与观测数据源相当，这一结果支持了数值模拟在未来气候变化情景预测中的应用价值。由于卫星和原位数据通常监测时间较短，难以直接用于未来预测，而经过验证的物理模型可以通过改变气候强迫条件来模拟未来积雪变化，为生物多样性预测提供更可靠的依据。

该研究的结论强调，虽然积雪数据对提升高山植物分布模型准确性具有普遍价值，但数据源和分辨率的选择应基于实际需求权衡。对于大多数应用场景，易于获取的卫星SMOD产品（如Sentinel-2 THEIA数据）已能提供可靠结果；而对特定物种或特定生态问题的研究，则可能需要考虑多种数据源的组合使用。这一研究为高山生态系统建模中的积雪数据选择提供了实证依据，对推动精细尺度的生态预测和气候变化影响评估具有重要意义。