生物多样性关系着人类福祉，是人类赖以生存和发展的重要基础。当前，在全球气候变化的背景下，我们目睹着全球物种灭绝速度加快，生态系统不断恶化，生物多样性急剧流失，所以生物多样性的保护工作迫在眉睫。为了更好地推动生物多样性的保护工作，必须进行持续的野外调查，以获取全面精准的生物多样性本底调查资料。但传统的走样线方法获取信息要耗费大量的人力，物力，时间成本巨大。因此，为了实现生物多样性保护战略目标，优化野外调查方法，设计最优抽样策略是极有必要的。 

 基于上述研究背景，中国科学院成都生物研究所生物多样性建模团队以优化野外生物多样性调查策略，降低调查成本，节约调查时间为切入点，通过数学推导，参数调优，数据模拟和模型开发等方式，展开了系列研究工作。 

 首先，团队以“野外调查过程中，发现单个新物种的最小距离是多少?”这一科学问题展开研究。需要强调的是这里的新物种并不表示该物种是世界上新发现的，而是从生态采样的角度指同一地区原始样本中未采样或未检测到的物种。在这项研究中，团队基于泊松分布 (Poisson distributions) 开发了一个简单的估算工具，用于预测发现单个新物种的最小距离 (图1)，并通过数值模拟 (6种不同情景)和实证验证 (巴罗科罗拉多岛森林样地) 来评估该估算工具的性能。该研究可实际应用于生态和生物学研究，大大提高了野外调查的成本效益。 

 接下来，团队又围绕“如何简单有效地推断多物种空间聚集分布模式?”这一科学问题展开深入探究。事实上，基于样方抽样的生物多样性数据，已经开发了大量的统计方法来评估单物种的空间聚集分布模式 (例如，负二项分布模型，Negative Binomial Distribution, NBD)，但多物种聚集分布模式的领域在很大程度上尚未开发。团队先前曾提出利用同种相遇指数 (conspecific-encounter index) 这一新指标去定量分析多物种分布聚集，但同种相遇指数适用于按时间次序采样的样线调查方法 (Chen et al., 2019; Chen et al., 2020)。因此，目前还缺乏一种适用于样方调查数据分析的多物种空间聚集分布模式的高精度估算方法。 

 基于此，团队通过样方采样收集的物种多度数据，提出使用对称狄利克雷-多项式 (Symmetric Dirichlet-multinomial, SDM) 模型, 来推断单物种和多物种的分布聚集水平。通过严密的数学推导，从理论上证明了SDM模型和NBD模型的似然公式几乎等效。数值模拟表明，除了大量小尺寸样方的情况外，SDM模型始终优于NBD模型 (图2)。通过应用SDM模型的实证检验表明，1982 - 2015年中，巴罗科罗拉多岛森林样地的树木的分布由聚集到均匀再回到聚集，推测这是由林木枯损和更新的动态变化所驱动的林分竞争动态所致 (图3)。此外，研究还显示SDM模型的聚集参数更纯粹地反映了这种生物机制驱动的聚集趋势，而经典的非参数聚集指标则表现不佳。综上所述，所提出的SDM模型是推断物种和群落水平分布聚集模式不可或缺的工具。该研究为简单而有效地捕捉多物种分布聚集模式的复杂性提供了全面的框架，在推进生态见解和保护策略方面发挥了重要作用。此外，团队还基于R shiny开发了网页版 SDM v1.0 版本模型供研究人员使用，后续版本更新将允许用户上传自己的生物多样性调查数据建模(https://biodiversityoptimization.shinyapps.io/symmetric_dirichlet_multinomial_v1/)。 

 以上两项成果均于近期分别以“How close is an undiscovered species to you after conducting biodiversity sampling?” 和 “Inferring single- and multi-species distributional aggregation using quadrat sampling”为题发表在《Ecological Indicators》期刊。中国科学院成都生物研究所生物多样性建模团队负责人陈有华研究员与廖梓延博士分别为两篇论文的第一作者。台湾中兴大学沈宗荏教授与陈有华研究员分别为两篇论文的通讯作者。相关研究工作得到国家自然科学基金、国家重点研发计划、中国科学院战略性先导科技专项、台湾地区科学技术委员会项目、中国博士后科学基金项目、四川省归国留学人员科技活动资助等项目的联合资助。 

 相关工作链接如下： 

 Chen et al., 2019 https://doi.org/10.1111/2041-210X.13197 

 Chen and Shen, 2020 https://doi.org/10.1111/ecog.05281 

 Chen et al., 2023 https://doi.org/10.1016/j.ecolind.2023.110482 

 Liao et al., 2023https://doi.org/10.1016/j.ecolind.2023.111085 

　　图1：在有5个物种的区域进行样线取样时，遇到新物种第一个个体的最小距离问题的示意图。 

　　图2：(A) SDM和NBD模型的总体两两比较BIC值 (B)两样本Kolmogorov-Smirnov检验的D统计量值 (使用随机化的空间点分布数据)

　　图3：(A) 八次普查中样方物种多度和密度估计；(B) 拟合的SDM模型的聚集参数 、林分密度指数变异系数 (CV_SDI)、非参数指标聚集指数 (AI) 和数据分散指数 (DC)