《Nature Communications》：Environment, taxonomy, and socioeconomics predict non-imperilment in freshwater fishes
编辑推荐：
本文针对全球淡水鱼类受威胁风险评估尚不完善的现状，研究人员整合了环境、社会经济及物种内在特征等52个变量，构建机器学习模型对10,631种淡水鱼类的受威胁状态进行预测。研究发现，栖息地连通性、水可用性、较低至中度的人类干扰是预测物种处于非受威胁状态的最关键因素。这项研究为制定前瞻性、主动的保护策略提供了科学依据和可扩展的评估框架。
在全球生物多样性急剧丧失的背景下，淡水鱼类作为遭受威胁最严重的脊椎动物类群之一，处境尤为严峻。近三分之一的淡水鱼类正面临灭绝风险，这背后是栖息地退化、破碎化、外来物种入侵、过度捕捞以及气候变化等多重压力共同作用的结果。尽管国际自然保护联盟（IUCN）的红色名录为评估物种灭绝风险提供了重要标准，但对于许多物种而言，其保护评估仍不完整，且理解其受威胁或免于受威胁的具体驱动因素依然模糊。传统的保护行动往往聚焦于已被列为受威胁的物种，这种反应式的策略通常实施困难且成本高昂。那么，能否通过一种更为系统、前瞻性的方法，识别出那些可能使物种在面对威胁时更具“抵抗力”的特征，从而更早、更有效地进行干预呢？这正是发表于《Nature Communications》的一项研究所试图回答的核心问题。
为了探究淡水鱼类受威胁状态的全局性驱动因素，研究人员开发了一套机器学习的预测框架。他们利用2024年发布的更新版IUCN红色名录数据，将物种划分为受威胁（包括易危、濒危、极危）和非受威胁（包括近危和无危）两大类。研究整合了来自12个全球数据源的52个预测变量，涵盖环境（如气候、水文、栖息地）、社会经济（如人类足迹、GDP、水坝密度）以及物种内在特征（如分类学、生理生态学特征）三大类别。通过构建并训练随机森林分类模型，他们分析了这些因素在预测物种状态中的相对重要性，并特别纠正了由地理分布范围大小可能带来的统计偏差。
本研究采用了多源数据整合与空间分析、机器学习建模与变量重要性评估，以及部分依赖图分析等关键技术方法。首先，研究人员从IUCN、FishBase、GBIF等权威数据库获取了全球10,631种淡水鱼类的分布范围、保护状态、物种特征及生态位点数据。其次，他们利用ArcGIS Pro等地理信息系统软件，结合Python和R编程语言，对这些物种的分布范围进行了精细化的环境与社会经济特征提取，包括计算气候变量平均值、统计水坝数量和类型、量化人类足迹指数以及保护区覆盖率等。最后，研究团队运用随机森林算法构建预测模型，通过评估模型精度和绘制部分依赖图，识别并量化了不同预测因子对物种受威胁状态的贡献度及其非线性影响关系。
分类准确性
模型在整体上表现出88%的平衡分类准确率，但模型识别非受威胁物种（90.1%）的准确性高于识别受威胁物种（81.8%）。这种不对称的误分类率表明，与非受威胁状态相关的条件（如中度干扰、栖息地连通性好）可能更为一致和普遍，而与受威胁状态相关的因素则更加多样和独特，难以被模型完全捕捉。
关键预测因子
模型结果显示，外部环境和社会经济因素对保护状态的预测贡献最大，而物种内在因素的累积贡献不足10%。在最关键的20个预测因子中，栖息地相关变量（如水文地貌多样性、水可用性）、分类学目、水文特征和干扰指标是影响最大的几类。具体而言：
- •
水文地貌多样性是模型中最独特且最重要的预测因子。栖息地类型（如不同的河流、湖泊类型）在单位面积内越多，物种受威胁的概率呈现正相关的非线性增加。这暗示了高度的环境异质性可能代表了栖息地斑块间连通性的受损，而连通性丧失是已知的导致鱼类种群下降的驱动因素之一。
- •
分类学目是第二重要的变量，这表明同一目下的鱼类由于共享许多共同特征，可能对环境压力源做出相似的反应。此前有研究指出分类学影响在小体型淡水鱼类中已被观察到，而本研究则将其证实为贯穿IUCN红色名录评估的普遍影响因素。
- •
水可用性的多种度量方式（如水流功率、永久性水覆盖面积）也具有高度影响力，这与水作为鱼类最基本生境要素的作用相符。
- •
社会经济因素如人均GDP增长、人类足迹以及保护区内范围百分比，同样显示出与受威胁概率的复杂非线性关系。例如，极高或极低的人类足迹都与较高的受威胁概率相关。
物种知识与保护状态
一个有趣的发现是，物种特征信息的缺失程度（未知属性数量）本身也是一个重要的预测因子。无论是信息极度匮乏还是信息极度丰富的物种，都更有可能被归类为受威胁物种。这可能反映了保护决策中的风险规避倾向——对于信息不足的物种，评估者可能倾向于给出更保守（即更濒危）的评级；而对于被深入研究过的物种，其面临的威胁可能被更清晰地识别和记录。
环境与社会经济因素的关联模式
研究通过部分依赖图深入揭示了关键预测因子与受威胁概率之间的非线性关系。
总体而言，非受威胁物种倾向于出现在水资源更丰富、水坝密度适中、栖息地改变最小、人类足迹较低、GDP稳定以及单位面积栖息地类型相对较少的区域。相反，环境和社会经济因素的极端值（过高或过低）通常与受威胁物种相关。这一规律甚至在与森林地密切相关的物种中也得到体现，支持了此前关于物种受威胁与栖息地特异性相关的观点。
结论与意义
这项全球性分析为理解淡水鱼类受威胁或免于受威胁的主要驱动因素提供了深刻见解。研究结论强调了栖息地连通性、分类学、水可用性以及低至中度的人类干扰在预测物种处于非受威胁状态中的关键作用。模型在识别受威胁物种时更高的错误率，也暗示了导致物种受威胁的过程比维持安全种群的过程更具独特性和复杂性。
这项研究的核心意义在于其方法论和视角的转变。它展示了将机器学习与多源大数据整合，用于全球生物多样性风险评估的强大潜力。更重要的是，研究结果支持了一个关键论点：主动的、前瞻性的保护策略（即保护那些目前尚处安全但可能面临未来风险的物种及其栖息地）可能比被动的、反应式的保护（即在物种已濒临灭绝时进行抢救）更为高效和一致。通过识别出与“抵抗力”相关的环境和社会经济特征，保护工作可以更早地瞄准关键区域和驱动因素，从而在全球淡水鱼类多样性保护中创造出更大的增益。
尽管模型仍有改进空间，例如纳入更高分辨率的数据、考虑历史趋势或未来情景，但本研究无疑为制定更科学、更具成本效益的保护决策提供了一个可扩展的分析框架。它呼吁保护生物学界不仅关注“红色名录”上的物种，也应系统评估那些维持物种安全的因素，从而在全球范围内更智慧地分配有限的保护资源，以应对日益严峻的生物多样性危机。
