检索历史 清除

摘要在当前全球生态变化的大背景下，生物群落系统面临前所未有的威胁。气候变化正在引发极端气象事件的频率和强度增加，如更加频繁的干旱、洪水和热浪。同时，人类活动导致的土地利用变化，如森林砍伐、城市扩张和农业发展，严重破坏了自然栖息地。此外，污染的增加，包括水体污染、空气污染和土壤污染，进一步加剧了生物群落的压力。外来物种的入侵则为本已脆弱的生态系统带来了新的竞争者，破坏了原有的物种间关系和生态平衡。<br>　　面对这些挑战，研究和保护生物群落的重要性愈发凸显，维护生物群落的结构和功能的完整性，不仅是维护生物多样性的要求，也是实现人类社会可持续发展的基础。然而，由于生物群落的复杂性，特别是物种间错综复杂的相互作用，对其进行准确的理解和预测显得尤为困难。每个生物群落都是一个由多种物种和多种相互作用构成的复杂系统，这些相互作用包括但不限于捕食、竞争、共生和寄生等。物种之间的这些相互作用形成了一个错综复杂的网络，任何一个物种的变动都可能引发群落内其他物种的连锁反应，使得预测生物群落的动态变化充满挑战。<br>　　为了应对这些挑战，本研究基于生态系统稳定性理论和复杂网络鲁棒性分析方法。考虑到群落网络具有复杂的拓扑结构和动态特性，传统的生态系统模型难以适用。因此，本研究通过构建生物群落网络，并设计随机故障和蓄意攻击实验来模拟干扰条件下网络的破坏效应，提出多度量指标融合的鲁棒性分析方案，进而评估生物群落系统的鲁棒性。<br>　　此外，为了预测物种间复杂的生态关系，在当前研究中，采用了一种创新性的方法来预测物种间复杂的生态关系，通过设计一个集成了注意力机制和长短期记忆模块的图神经网络模型，该模型能够有效捕捉物种间的动态相互作用，并准确预测生物群落中物种的互作关系。<br>　　具体而言，本文的工作内容如下<br>　　（1）基于复杂网络理论，结合相关性系数构建了一个全新的生物群落网络模型，该模型以权重的方式描绘了物种间的直接和间接相互作用，增强了对群落鲁棒性的网络层面评估。此外，研究通过模拟随机故障和蓄意攻击探讨了生物群落网络的鲁棒性，并且提出的多指标融合的鲁棒性评估方案，实验验证了方法的有效性，并在多个真实生物群落数据集上进行了测试。实验结果显示，本研究提出的鲁棒性评估方案超越了现有方法，为生态学提供了一种新的分析工具，助力生物多样性的理解和保护。<br>　　（2）提出了一种基于图神经网络（GNN）的种间关系预测方法。该方法集成了注意力机制和双向长短期记忆模块（Bi-LSTM）。为了进一步提升预测准确性和模型的解释能力，采用了子图抽取技术，通过从庞大的生物群落网络中抽取关联子图。该方法能够更精细地分析物种间的局部相互作用，深入理解它们在整个生态网络中的角色和影响。此外，本方法还引入了拓扑自适应图卷积网络，以充分利用生态网络的拓扑结构信息。这种方法通过整合生态网络的结构特征和物种间的相互作用模式，能够更有效地识别和预测生态系统中的关键物种和关键相互作用路径。