协同分布式实验2.0 (CDE 2.0):生态学野外研究新方法

全球野外实验网络是近年来兴起的生态学实验方法,产生了“协同分布式实验”(CDE)、“分布式协作实验”(DCE)的野外实验网络和英国生物学记录中心(BRC)的野外观察网络等具体方法,但均存在尺度小、周期短或数据偏差问题.野外实验网络的协议设计应秉持实验优于观察测量、数据数量优于数据质量和尺度优于操作的原则.综合上述方法,本研究提出利用公众科学(citizen science)获得大范围、多尺度和长周期的数据,采用环境因子作为协变量对公众参与者的实验数据集进行验证后,将其作为后验概率与作为主观概率的生态学家实验数据集进行比对,以完成数据有效性验证,克服公众参与者数据质量瑕疵,并提出了相应的统计学模型.讨论了生态学实验数据中应用先验概率、先验与后验概率的逻辑关系以及后验概率发现演化过程新关系的可能性.这种方法更符合统计学采样规范,并增加了大尺度时空的样本量.该方法有望为生态学研究所寻找的一般性理论提供方法支持,新方法可称之为“协同分布式实验2.0”(CDE 2.0).     

大尺度陆地生态系统状态变化及其资源环境效应的立体化协同联网观测

环境变化和人类活动的双重驱动正在快速地改变地球生态系统状态,呈现出了众多级联的资源环境问题,生态系统的状态变化和时空演变驱动因素以及相应的资源环境效应是大尺度陆地生态系统科学研究的永恒主题。观测和评估生态系统状态变化,发现和理解生态系统响应机制,认知和描述生态系统演变规律,预测和预警生态系统演变趋势,都依赖于大陆及全球尺度的分布式协同观测研究网络。本研究以服务大陆尺度生态系统科学研究、支撑区域生态环境治理为目标,围绕生态系统状态变化及资源环境效应科学问题,综合分析了现有生态环境观测研究网络现状,明确提出了生态系统观测研究站及其网络的发展方向,进而提出了发展“多要素-多界面-多介质-多过程-多尺度-多方法”的联网协同观测体系,构建“高新技术集成化-区域分布网络化-网络管理智能化-观测实验长期化-模型模拟多功能化-数据集成和资源共享远程化”的新一代大陆尺度生态系统观测实验研究网络的设想,并进一步阐述了该研究网络的功能定位、设计理念、设计方案、建设目标和技术体系,以期为我国陆地生态系统观测研究网络的发展提供借鉴与参考。     

沙地景观中矢量数据栅格化方法及尺度效应

针对景观生态学研究中的数据转换(矢量数据转换为栅格数据)问题,从斑块面积、周长、数量对转换方法及尺度的响应角度进行了详尽的分析.以库布齐沙漠地区的2003年1:10万的矢量数据为例,转换尺度以10m为起点,200m为终点,10m为间隔,利用最大面积值方法(RMA)和中心属性值方法(RCC)两种转换方法分别进行栅格化,讨论了面积、周长、斑块数量对不同尺度及不同转换方法的响应,同时还讨论了运算时间对转换方法及尺度的响应.得出了"30m大小的转换尺度为最佳尺度,最大面积值方法(RMA)优于中心属性值方法(RCC)"的结论.     

陆地生态系统环境控制实验的研究方法及技术体系

生物及生态系统与环境变化间的反馈关系及其过程机制是生态学研究的重要内容。不同类型的生物环境因素控制实验以及大尺度的联网野外控制实验被认为是认识生态系统响应和适应环境变化过程机制、精细定量表达的有效手段及认知过程的加速器。近年来发展了大型野外物理模拟实验装置网络(如ECOTRON)、生态系统分析与实验平台(AnaEE)、国际干旱实验研究网络(Drought Network)、氮沉降联合实验网络(Nutrient Network),以及基于各区域性生态观测实验站的联网控制实验(如USA-ILTER)。发展大陆尺度联网实验研究平台事业正日益受到学术界的重视,将会在认知生态系统环境响应过程机制方面发挥更重要的作用。基于以上背景,本文综述了生态系统环境控制实验的研究方法和实验体系的发展,明确指出各种类型的生物环境控制实验需要形成联合协作体系,共同解决生态系统对环境变化的响应及适应的基本科学问题。目前的控制实验包括: 1) 实验室封闭装置内的生物生理生态学控制实验;2) 野外实验场的半开放部分环境要素控制实验;3) 近自然状态的野外环境控制实验;以及4) 基于野外生态站的联网控制实验。进而,本文还深入讨论了陆地生态系统的环境响应及适应过程机制实验系统设计的发展趋势,分析了基于大尺度自然环境梯度实验及生态站尺度的要素控制实验的优势,提出了整合两种实验技术、发展新一代的野外联网实验体系的科学设想,讨论了基于野外联网控制实验的研究体系,论证了研究生态系统对环境变化短期响应和长期适应的规律和机制、生态系统环境响应定量表达的技术途径。若本文提出的控制实验体系设计方案能够得以实施,必将大大促进我国乃至全球生态系统和环境变化科学的研究水平,对我国应对气候变化和生态环境建设具有重要的科学意义。     

国家野外试验站现状分析及网络化体系构建

为了推动筹建国家级重点野外科学观测试验站网络化管理的工作,充分发挥野外试验站所观测数据的作用.我们选取了25个野外试验站作为试点站,并于2002年8月至10月主要采用调查表、网上查询和电子邮件交流的方式进行调查,调研的主要内容涉及各野外台站的基本情况、软硬什和网络以及数据集现状,以及国外野外台站的运行状况和发展趋势.通过调查结果的分析,表明目前我国野外台站在数据监测、管理以及数据标准化与共享方面存在较多的不足之处.据此提出建立网络台站管理体系的框架,为实现我国国家级野外试验站数据标准化与信息共事的目标奠定基础.     

面向异步多时延基因调控网络建模的高阶动态贝叶斯网络模型及其结构学习算法

目的：由基因芯片数据精确学习建模具有异步多时延表达调控关系的基因调控网络。方法：提出了一种高阶动态贝叶斯网络模型,并给出了网络结构学习算法,该模型假定基因的调控过程为多阶马尔科夫过程,从而能够建模基因调控网络中的异步多时延特性。结果：由酵母基因调控网络一个子网络人工生成了加入10%含噪声的表达数据用于调控网络结构学习。在75%的后验概率下,本文提出的高阶动态贝叶斯网络模型能够正确建模实际网络中全部的异步多时延调控关系,而经典动态贝叶斯网络仅能够正确建模实际网络中1/3的调控关系;ROC曲线对比表明在各个后验概率水平上高阶动态贝叶斯网络模型的效果均优于经典动态贝叶斯网络。结论：本文提出的高阶动态贝叶斯网络模型能够精确学习建模具有异步多时延表达调控关系的基因调控网络。     

无人机遥感技术在景观生态学中的应用

野外数据的获取是生态学研究的挑战之一,而通过遥感技术能够实现对地球表面的多面立体观测,获取丰富多样的空间信息数据,开展从微观到宏观不同尺度上的景观单元(包括物种、种群、群落、生态系统等)的空间关系研究。传统卫星遥感影像受空间和时间分辨率的限制,难以满足局域尺度或者时间序列上的景观空间生态学研究需求。无人机遥感技术为生态学研究的野外数据获取提供了一种新方法,以其灵活、高效、简便等特点弥补了传统卫星遥感的空间分辨率低、重访周期长、云雾影响等方面的不足,在景观空间生态学研究中受到越来越多的关注。简要介绍无人机类型及其搭载常见的传感器类型,分别从不同尺度的景观单元,即物种、种群、群落以及生态系统水平上探讨其应用进展,并指出当前无人机技术在景观生态学研究中存在的挑战与困难,同时展望了未来可能的研究热点,以期对今后无人机遥感技术在景观生态学领域的应用研究有所启发。     

面向异步多时延基因调控网络建模的高阶动态贝叶斯网络模型及其结构 学习算法

目的：由基因芯片数据精确学习建模具有异步多时延表达调控关系的基因调控网络。方法：提出了一种高阶动态贝叶斯网 络模型,并给出了网络结构学习算法,该模型假定基因的调控过程为多阶马尔科夫过程,从而能够建模基因调控网络中的异步多 时延特性。结果：由酵母基因调控网络一个子网络人工生成了加入10%含噪声的表达数据用于调控网络结构学习。在75%的后验 概率下,本文提出的高阶动态贝叶斯网络模型能够正确建模实际网络中全部的异步多时延调控关系,而经典动态贝叶斯网络仅 能够正确建模实际网络中1/3的调控关系;ROC曲线对比表明在各个后验概率水平上高阶动态贝叶斯网络模型的效果均优于经 典动态贝叶斯网络。结论：本文提出的高阶动态贝叶斯网络模型能够精确学习建模具有异步多时延表达调控关系的基因调控网 络。     

大数据时代下的生态系统观测发展趋势与挑战

随着观测技术的发展, 生态学研究尺度不断扩大。生态系统观测从小规模合作、短时间个人观测向大规模、长时间、跨学科、多因子联合观测转变。传感器技术的革新带来了生态观测在时空尺度的扩展与精确度上的提升, 致使生态学观测数据的容量、产生速度与数据种类飞速增长。对生态系统数据获取、存储与管理的传统方法无疑不再能满足现代生态学研究的要求。因此, 我们建议以大数据时代的数据存储、管理与处理技术为基础, 整合生态物联观测网络(Internet of Ecology)、公民科学观测网络以及基于标准化数据管理的研究者网络互联, 建立整合生态系统观测平台来应对这一困境。为生态学研究者打造一站式生态观测服务, 是大数据时代下生态系统观测的大势所趋。     

景观生态学的实验研究方法综述

实验是生态学研究的基本途径之一 ,对其理论的检验和发展至关重要。 2 0世纪 80年代后期 ,实验研究途径开始应用于景观生态学 ,至今方兴未艾。近年来 ,“景观”的生态学内涵更加强调“不同尺度上的空间异质性”。而研究对象的尺度和空间异质性往往正是景观生态学实验设计和操作所面临的困难。自然界景观格局与过程中客观存在的自相似结构为景观生态实验设计提供了可行性。现有的景观生态学实验方法可分为 3类 :野外比较观测性实验仍是目前应用较多的方法 ;操作性实验设计更严密 ,结果更可靠 ,但受现实条件的限制更大 ;计算机模拟实验是克服实验条件的困难的一个替代途径 ,并对理论的检验与发展特别有用。这 3类实验方法各自存在不同的优势和局限 ,彼此难以替代。景观生态实验方法主要从种群、群落和生态系统实验中借鉴并发展而来 ,但其实验设计在科学问题和操作尺度上具有显著的特点。从空间范畴来讲 ,景观生态实验包含斑块、边界、景观、斑块景观 4种 ,其所对应的生物群体组织水平、实验设计所涉及的问题和解决的方法都有所不同。多尺度的对比实验有助于了解生态现象与机制的尺度推移规律 ,是目前实验研究的难点和焦点之一。实验模型系统 (EMS)途径来源于生态系统实验。由于它有对自然因素更多的保留和     

景观生态学三维格局研究进展

非生物与生物的密切交互造就了多种多样的三维景观格局,景观生态学作为研究格局和生态学过程的学科,其在三维空间的探索随着激光雷达等三维数据提取技术的完善取得了快速进步.三维数据的引入使得研究更贴近真实地表景观,研究结果与相关生态学指标具有更明显的同向趋势.这改善了传统研究缺乏生态学意义的问题.但由于研究背景不同,研究方法和研究结论仍缺乏普适性.另一方面,研究结果对尺度变化的敏感度也因三维数据量的扩大而增加,如何选择并处理适宜尺度的数据使结论更加科学,是未来需要注意并探讨的问题.未来,随着数据获取更加便捷,研究将向长时间多尺度多源数据集成化发展,除动态监测及预测外,结合景观规划设计的可持续规划和生态恢复应用也是重要的研究方向之一.     

美国农业生态学发展综述

农业生态学是生态学的一个分支学科,是生态学原理在农业上的具体应用。美国是世界上最大的农业强国。美国农业的发展,得益于农业生态学的理论指导和农业生态学原理的实践运用。在实地调查与研读有关文献资料的基础上,对美国农业生态学的发展进行了考察与分析,认为:(1)美国农业生态学产生于1928年,至今已有85年的发展历史。美国农业生态学可划分为4个发展阶段,即:起始阶段(1928-1961年)、扩展阶段(1962-1979年)、巩固阶段(1980-1999年)和新发展阶段(2000年-)。(2)美国农业生态学的内涵由起初的一门"学科(科学)",逐步向着包括有"过程"、"理念"、"方法"、"行动"、"体系"、"运动"、"实践活动"、"强有力的工具"等多重涵义的方向发展,农业生态学内涵的深度和广度均得到不断丰富和完善。(3)美国农业生态学的基本内容包括背景(农业生态学国际背景)、理论(农业生态学理论基础)、设计(农业生态系统的优化设计)和管理(农业生态学理论的实践应用)等4部分,美国农业生态学具有4个明显特征——视野的全球性、内容的多样性、体系的灵活性和技术的实用性。(4)未来美国农业生态学将朝着"高"(高起点、高标准、高效率、高水平)、"新"(新手段、新方法、新技术,新成果、新成效、新进展)、"长"(长期观察分析、长期资料积累、长期定位试验)、"多"(农业生态学研究与分析采用多点、多地、多样本、多模式、多途径、多指标、多方法)、"实"(联系实际、注重实践、讲求实效、展现实绩)的方向发展。     

旅游生态学研究方法评述

从旅游生态学的源起、发生和发展入手,通过大量旅游生态研究文献的分析,总结了旅游生态学4类主要研究方法,即:野外研究法,包括野外描述、野外对比和野外模拟等方法;空间分析研究方法,包括景观生态学、地理学及"3S"技术的空间分析等方法;生态环境评价研究方法,包括空气质量评价、旅游区生态容量评价和生态安全(风险)评价等方法;旅游生态管理方法,包括旅游地环境质量价值测算、旅游地规划设计和可持续旅游发展等方法.指出了旅游生态学研究方法存在着难以精确量化和指导性不强等缺限和不足,提出了进一步改进和完善的方向和途径.     

GAGE和GSEA在基因集研究中的有效性比较

目的:研究在基因芯片数据分析中自限性原假设和竞争性原假设两类方法的优劣性和准确型,选取各自具有代表性的GAGE(Generally Applicable Gene-set Enrichment)和GSEA(Gene Set Enrichment Analysis)两种基因集分析方法筛选富集基因集的效能,并探讨其筛选效果.方法:采用两种待比较的方法在实际基因表达谱数据中分析研究,比较筛选结果的准确性和科学性,探讨两种方法筛选富集基因集的效果.结果:两方法对已知的基因表达谱数据进行应用分析表明GAGE的检验效能和筛选出的基因集生物学相关性均优于GSEA.结论:GAGE作为一种自限性原假设的基因集分析方法,由于其充分利用了表达谱数据,并将表达数据分为实验集和通路集分别进行分析处理,同时考虑到基因集的上调和下调,其检验效能优于竞争性原假设的GSEA,能够得到更为准确和科学的结果.     

《植物生态学报》资料论文栏目征稿启事

调查数据和实验数据资料是生态学研究的基础。系统、规范地发表中国植物生态学研究基础数据资料,建立中国植物生态学基础数据资料档案库,将分散在个人手中的数据资料汇集起来供科研人员共享,将有效地提高数据资料的利用效率,对中国植物生态学研究具有重大意义。为此,《植物生态学报》特开辟"资料论文(Data Paper)"专栏,发表植物生态学数据资料论文。具体事项说明如下:1.资料论文的定义:本刊的资料论文是指以植物生态学及相关学科的调查和实验数据资料为主要内容的学术论文。实验资料应呈现一个或一组实验完整的原始数据;调查资料应呈现特定尺度上(如群落、景观     

新技术和新方法推动生态系统生态学研究

正随着"五位一体""生态文明建设"发展总布局,"绿水青山""金山银山"等一系列理论和理念相继提出,国家、社会和公众把生态学提高到了前所未有的高度。生态系统是地球表层的重要组成部分,又是人类生存和发展的物质基础(方精云等, 2018)。生态系统(ecosystem)概念由英国生态学家Tansley(1935)正式提出,其与2001年正式提出的地球关键带(criticalzone)概念的差异主要体现在垂直尺度上(RichterBilling,2015)。生态系统生态学(ecosystemecology)是2011年成为一级学科的生态学下面7     

中国科学院植被数量生态学重点实验室

实验室概况 中国科学院植物研究所植被数量生态学重点实验室成立于1989年11月,实验室以野外台站,样带,样地等平台为基础,运用信息生态学的理论,方法和生态系统控制实验等手段,致力于全球变化生态学的综合性研究,重点开展植被系统对全球变化的响应与适应、生物多样性变化与保育以及生态系统管理等方面的研究工作,以揭示不同时空尺度生态系统格局与变化规律,为中国植被系统与环境的可持续管理提供理论依据。     

多尺度遥感综合监测我国北方典型草原区植被盖度

利用多尺度遥感影像综合进行全球和区域尺度的土地利用/覆盖变化(LUCC)研究是最近全球变化研究的重要方向之一.本文综合利用野外群落样方、数字相机、ETM+影像、NOAA/AVHRR影像,在遥感、GIS和GPS支持下,对我国北方典型草原区植被盖度进行了综合监测、模拟与分析.结果表明:(1)利用经处理后的数字相机影像测量盖度的结果准确性较高,可以作为植被盖度测量的标准结果,反映真实的覆盖特征,并用以验证利用其它方法测量结果的精度.(2)利用野外1 m2样方网格法目视估测的植被盖度结果变化较大,不稳定.本次实验中,与数字相机测量结果相比,样方估测的盖度普遍偏高,平均偏差为9.92%;但两者相关性较好(r2=0.89).(3)采用Gutman模型ETM+影像、NOAA/AVHRR影像反演植被盖度的结果与数字相机测量结果偏差分别为7.03%、7.83%,ETM+像元分解NOAA像元后得到的植被盖度与数字相机测量结果偏差5.68%.三者与数字相机测量结果的相关系数r2分别为0.78、0.6l和0.76.(4)利用野外实测植被盖度数据直接与NOAA-NDVI影像建立统计模型估算植被盖度的精度较低(r2=0.65),而通过空间分辨率介于两者之间的ETM+影像进行转换后,该精度得到一定的提高(r2=0.80).利用像元分解的方法提高了大尺度植被盖度监测的精度,是利用遥感数据进行尺度转换研究的重要实践.多尺度遥感影像的综合对地观测对大区域上反演植被盖度有很好的促进作用.     

UAVs as remote sensing platforms in plant ecology: review of applications and challenges

无人机遥感在植物生态学中的应用与挑战 无人机为获取高时空分辨率的遥感数据提供了经济灵活的工具,为植物生态学家开展从个体到区域尺度的生态学研究提供了新的机遇和手段。但作为一种新兴的技术手段,当前无人机遥感在植物生态学中的应用仍充满了挑战,植物生态学的科研需求与无人机遥感的生态应用需要更为深入的融合。本文综述了无人机遥感技术在植物生态学中的应用,展望了无人机在植物生态学研究中的应用前景。在所综述的400篇文献中,59%的文章发表于非植物生态学领域的遥感类期刊,遥感学者与生态学者的关注点存在较大差异。当前的研究集中在无人机遥感的技术层面,如数据处理和遥感反演方法等,对生态学问题本身的关注较少。综述的文献中,61%的研究案例集中在群落尺度,可见光(RGB)相机和多光谱相机是最常用的传感器类型(75%)。无人机遥感数据中蕴藏着诸多待挖掘的、有重要意义的生态参数,这些参数有助于我们识别林窗的几何特征,构建林冠的化学组合,更好地了解林冠表面的不规则性和群落的异质性。无人机遥感技术在植物生态学研究中的深入应用,需要集植物生态学家和遥感专家之合 力共同推进。     

基于迭代自学习的操纵子结构预测

原核生物操纵子结构的准确注释对基因功能和基因调控网络的研究具有重要意义,通过生物信息学方法计算预测是当前基因组操纵子结构注释的最主要来源.当前的预测算法大都需要实验确认的操纵子作为训练集,但实验确认的操纵子数据的缺乏一直成为发展算法的瓶颈.基于对操纵子结构的认识,从基因间距离、转录翻译相关的调控信号以及COG功能注释等特征出发,建立了描述操纵子复杂结构的概率模型,并提出了不依赖于特定物种操纵子数据作为训练集的迭代自学习算法.通过对实验验证的操纵子数据集的测试比较,结果表明算法对于预测操纵子结构非常有效.在不依赖于任何已知操纵子信息的情况下,算法在总体预测水平上超过了目前最好的操纵子预测方法,而且这种自学习的预测算法要优于依赖特定物种进行训练的算法.这些特点使得该算法能够适用于新测序的物种,有别于当前常用的操纵子预测方法.对细菌和古细菌的基因组进行大规模比较分析,进一步提高了对基因组操纵子结构的普遍特征和物种特异性的认识.