NicheDiv：一种用于量化高维多变量环境空间中生态位分化的 DAPC 框架

量化生态位分化对于理解物种分布范围限制、共存、物种形成、生物地理格局以及宏观进化背后的生态与进化过程至关重要。然而，现有方法依赖低维气候概括指标，易受多种偏差影响，或难以处理高维且存在共线性的数据。我们推出了 R 软件包 `NicheDiv`，该软件包对主成分判别分析（DAPC）进行了改造，用于量化与出现记录相关联的任意数量非生物和生物环境变量之间的成对生态位分化。我们的方法首先通过主成分分析处理环境变量之间的相关性，随后识别一条能够最大化预定义组别（物种/谱系/种群）之间分离度的单一判别轴，将多变量生态位结构概括为一个维度。显著性通过置换检验进行评估，该检验通过重排组别身份来模拟共享生态位的情形。 为表征生态分化，`NicheDiv` 以 Schoener's D 作为重叠指数进行计算，并将生态位分化平面扩展到多变量空间，提供生态位相异性和排他性等指标。从判别轴中提取的变量贡献可用于识别对分化贡献最大的环境变量。结合模拟数据、经验数据以及大量环境图层，我们表明 `NicheDiv` 在计算上具有良好的可扩展性，能够在存在多重共线性的情况下检测高维空间中的细微分化，区分不同形式的生态位分化（加权型、嵌套型、软型、硬型），并识别可能驱动分化的变量。与其他分化检验方法（PCA-env、超体积、MVNH、PERMANOVA、PCA-space 和逻辑回归）相比，`NicheDiv` 通常能够保留更多变异，随着分化程度增加表现出更一致的尺度响应，并返回更易解释的效应量。 `NicheDiv` 可自动从预配置和用户提供的 GIS 图层中提取此类环境数据，并实现了一条可降低已知偏差的预处理流程，包括：界定可达背景空间、对出现记录进行空间稀疏化、平衡样本量、过滤低信息量变量，以及筛查组间环境类比性的预测变量。我们通过对 `Hemileuca` 属鹿蛾的经验分析检验了该框架，并表明其生态位是由一系列季节性的非生物和生物变量共同塑造的，而非由年度气候平均值所决定。总体而言，`NicheDiv` 为沿多个环境轴表征生态位分化提供了一个稳健框架，可支持物种界定、局地适应、群落生态学、生物地理学以及宏观进化研究。

本网站正在使用一项安全服务来保护自身免受在线攻击。您刚刚执行的操作触发了该安全防护机制。可能导致此拦截的行为有多种，包括提交某些特定的单词或短语、SQL 命令或格式错误的数据。

您可以向网站所有者发送电子邮件，告知您被拦截的情况。请在邮件中说明当此页面出现时您正在进行的操作，并附上位于本页底部的 Cloudflare Ray ID。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.19.733388v1?rss=1

🏷️ 生态位分化 主成分判别分析 物种分布 多变量环境空间 R软件包 生物地理学