基于更现实随机性模型评估报春花与勿忘草种群生存力：精准洞察种群动态

《Biology Bulletin Reviews》：Long-Term Monitoring of Population Structure: Alpine Short-Lived Perennials on the Verge of Stability

研究人员对西北高加索高山带两种植物种群结构监测 14 年，用 RRM 模型评估种群随机增长率 λS，更可靠准确。

　　在 14 年（2009 - 2022 年）间，研究人员每年都会在西北高加索高山带的固定地点，观测报春花（Androsace albana）和高加索勿忘草（Eritrichium caucasicum）的本地种群阶段结构。根据已知的个体发育尺度，积累了 “已识别个体” 类型的数据。这些数据可用于校准相应的种群动态矩阵模型，由此能获得监测对象的各种定量特征，尤其是对生存力的度量。预测本地种群生存力的一种常用方法，是在监测期间观察到的环境条件随机变化的特定情景下，估算其随机增长率（λ_S）。然而，文献中提出的计算 λ_S的模型，仅涉及人为随机性模型。而更现实的随机性模型（RRM）与栖息地的天气和微气候条件变化相关。它由一个足够长（60 年）的天气指标时间序列重建而成，在多年生植物模型中，该指标具有物种特异性。运用蒙特卡罗方法，用 RRM 计算 λ_S，比使用人为随机性模型的传统方法，能更可靠、准确地估算种群随机增长率。研究人员对这两个物种的 λ_S估算值进行了比较，同时也对比了不同监测时长下每个物种的 λ_S估算值。通过这些比较，得出了文章标题所阐述的结论。