《Ecological Research》：Applying Generalized Joint Attribute Modeling to Select Local Indicator Fish Species for River Management
编辑推荐：
本文提出了一种基于广义联合属性建模（GJAM）的创新方法，用于筛选能同时指示水质（BOD/TN）和物种丰富度的本地指示鱼类。该方法通过量化环境因子与物种分布的响应关系，克服了传统指示物种选择标准不透明的缺陷，为降低生态监测成本、实现河流生态系统长期可持续管理提供了科学工具。
引言：生态监测的困境与创新解决方案
面对生态系统监测的高成本挑战，研究者探索通过筛选本地指示物种来优化监测效率。传统方法常因选择标准缺乏量化依据而受到质疑。本研究首次将广义联合属性建模（GJAM）这一联合物种分布模型应用于日本神奈川县相模川和酒匂川水系的鱼类群落分析，旨在建立基于定量化环境响应关系的本地指示物种筛选新范式。
材料与方法：多维度数据整合与模型构建
研究团队在两条河流设置80个监测点（各40个），采集水温（WT）、悬浮物（SS）、pH、生化需氧量（BOD）、溶解氧（DO）、总氮（TN）和流量7项关键环境因子，并记录61个鱼类分类单元（含亚种、种、属水平）的密度数据。通过GJAM模型同步估计环境因子系数矩阵B和物种密度相关矩阵R，其中模型设置10,000次吉布斯采样，包含1,000次退火迭代，并引入二次项（如BOD2）以捕捉非线性响应关系。
筛选标准：双维度量化指标体系
针对水质指示物种筛选，设定四大标准：（1）显著性频次阈值（BOD/TN等4个系数在160次估计中显著次数≥40次）；（2）系数跨季节/河流稳定性；（3）与BOD/TN负相关关系；（4）本地种身份。物种丰富度指示物种则需满足：（1）高正相关（≥0.2）出现频次≥10次；（2）关联物种数≥总分类单元数的5%；（3）与物种丰富度正相关；（4）本地种身份。
核心发现：指示物种的精准识别与验证
- 1.
水质指示物种：Cottus pollux（S41，鲫鱼）被确定为优质水质指示种。其密度与BOD/TN呈稳定负相关（2013-2014年数据：tau=-0.10~-0.43），虽在验证期（2018-2019年）相关性未达显著水平，但与总有机碳（TOC）显著负相关（tau=-0.27~-0.29），印证其指示价值。传统指标种Oncorhynchus masou masou（S36）因多为人工放流个体被排除。
- 2.
物种丰富度指示物种群：筛选出Tribolodon hakonensis（S13，香鱼）、Pseudogobio esocinus esocinus（S20，拟鲇）、Cobitissp. BIWAE type C（S26，鳅科生物）及Rhinogobiusspp.（S56-S61，吻虾虎鱼属，不含R. flumineus）四个类群。其密度与物种丰富度呈显著正相关（2013-2019年tau=0.39-0.68，p<0.01），且均为广食性底栖鱼类，其分布可能关联沙质河床带来的栖息地异质性和猎物多样性。
方法论优势与局限
GJAM模型能同步解析环境过滤和种间互作，避免虚假相关。但模型对数据量要求较高，本研究通过分河流/季节建模和重复实验缓解小样本问题。相较于传统排序分析（如PCA/DCA）或指示值指数（INDVAL），GJAM提供更直接的物种水平响应解释。
应用前景与挑战
本研究建立的量化筛选框架可推广至其他流域的指示物种遴选。未来需进一步验证指示物种与濒危物种的关联性，并厘清其指示机制究竟源于猎物多样性、栖息地异质性，还是单纯受河口距离或河道构筑物高度等地理因素驱动。该方法为构建低成本、高精度的河流生态监测网络提供了关键技术支撑。
