《Ecology》：High-frequency monitoring data reveal substantial variability in the intrinsic predictability of ecosystem dynamics
编辑推荐：
本文基于四年高频传感器数据，通过排列熵量化淡水生态系统变量（水温、溶解氧、叶绿素a等）的内在可预测性，发现物理变量可预测性最高，生物变量最低，且季节性及缺氧条件显著影响可预测性。研究为生态模型开发提供优先级依据，强调全球变化下精准预测水生系统动态的紧迫性。
摘要
生态学正转向预测性学科，但生态变量的内在可预测性（即时间序列的随机性）仍不明确。本研究利用美国弗吉尼亚州两座水库（Falling Creek Reservoir和Beaverdam Reservoir）超过四年的高频传感器数据，通过排列熵量化了物理（水温、电导率）、化学（溶解氧、荧光溶解性有机物）和生物（叶绿素a）变量的内在可预测性。结果表明，所有变量的可预测性均显著高于白噪声，但整体较低。物理变量可预测性最高，化学变量次之，生物变量最低。可预测性在变量间和季节间的差异远大于生态系统间差异，例如表层水温在秋季冷却期可预测性最高，而底层溶解氧在夏季缺氧期可预测性显著升高。研究强调内在可预测性数据可指导生态模型开发，并深化对生态预测时空分异的理解。
引言
生态预测对全球变化下的资源管理至关重要，但生态变量的可预测性可分为“实现可预测性”（模型拟合度）和“内在可预测性”（时间序列复杂性）。排列熵作为量化内在可预测性的指标，能反映生态动态的随机性程度。高频传感器数据为分析内在可预测性提供了理想条件。本研究以两座特征相似但底层氧浓度差异的水库为对象，探究：（1）不同生态变量的相对内在可预测性；（2）可预测性在季节、深度和生态系统间的变异。
材料与方法
研究区为弗吉尼亚州的FCR和BVR水库，均配备YSI EXO2等传感器，持续监测2020年10月至2024年12月的多变量数据。数据经质控后降采样至日尺度，以排列熵（嵌入维度D=3，延迟τ=1）计算全时段和50天滑动窗口的可预测性（1-PE）。通过线性混合模型和广义加性模型分析变量、水库、深度和季节的影响。
结果
- 1.
变量间差异：物理变量（水温、电导率）可预测性最高（1-PE中位数0.15-0.20），化学变量（溶解氧、fDOM）次之，生物变量（叶绿素a）最低（<0.05）。
- 2.
季节与深度效应：表层水温可预测性在秋季最高，底层溶解氧在夏季缺氧期可预测性接近1（BVR）或显著降低（FCR含氧年份）。底层变量可预测性普遍高于表层。
- 3.
生态系统差异：表层变量可预测性在两地相似，但底层因缺氧状况不同而差异显著。BVR底层缺氧导致溶解氧可预测性持续偏高，FCR底层增氧后可预测性下降。
讨论
- 1.
变量特异性：物理变量的高可预测性源于水体的热惯性，而生物和化学变量受多过程耦合影响，随机性更强。
- 2.
缺氧提升可预测性：与假设相反，底层持续缺氧（如BVR）使溶解氧趋于稳定，反而增加可预测性；而动态氧输入（如FCR增氧）降低可预测性。
- 3.
季节驱动机制：秋季单向冷却、夏季分层隔离等过程主导可预测性峰值，而春季动态事件（如藻华）导致可预测性降低。
- 4.
建模启示：低可预测性变量（如叶绿素a）需降低预测时间分辨率，而高可预测性变量（如底层水温）可优先开发精细模型。
结论
内在可预测性分析为生态模型开发提供优化路径。全球缺氧加剧可能改变生态动态的可预测性模式，需结合高频监测与预测模型，提升对淡水生态系统管理的精准性。
