α多样性指数选择: 不等量采样下的模拟比较

　　摘要： 采样不均衡是群落生态学实地调查的普遍问题。如何选择合适的α多样性度量指标, 使其在样点间样本量差异下有稳定的表现对于生物多样性研究十分重要。本文通过模拟群落的方法, 评估了9个α多样性度量指标的表现, 包含5个直接计算的“观测型指数”: (1)物种丰富度, (2) Shannon指数, (3) Simpson指数, (4) Hurlbert稀释物种数, (5) Fisher’s α指数, 以及4个估算丰富度的“估算型指数”: (1) Chao1指数, (2)基于丰度的覆盖估计值(abundance-based coverage estimator, ACE), (3) iNEXT (interpolation/extrapolation)外推值, (4)总预期物种数(total expected species, TES)。模拟评估了各个指数在不同的采样阈值下, 其样点间的方差被环境梯度解释力(线性模型R²)的准确性与精确性。模拟构建了20个样点的虚拟群落, 假设真实物种数S与环境梯度x呈线性关系且理论R²为0.8, 然后生成一系列梯度下, 不同最小采样阈值模拟的不等量采样场景, 并计算各指数与x的线性回归R²。结果显示, 采样强度(样点记录到的个体数及与之等价的采样完整度)是决定指数有效性的首要因素。随着样本量的提升, 所有α多样性度量指标的模型R²显著提升。在极低采样场景下(样点中最低样本量低于20个个体, 采样完整度 < 20%), 稀释物种数的平均R²明显优于其余指数; 最低样本量升至100个个体后, 估算型指数整体优于观测型指数。本研究进一步明确了各个指数恢复设定R2所需要的最小样本量及对应的采样完整度。综合来看, 在样本极少的不等量采样场景中, 优先推荐采用稀释物种数。在实际研究中, 应将稀释值设定在一个相对较高的水平(如 > 40个个体), 即使因此丢弃极端不足的样点, 也能在总体上提高样点间的可比性。当样本量充足时, 可采用物种丰富度估算指数, 以获得最接近真实梯度的丰富度外推值。