玻尔百科我们如何将地图上的动物轨迹，转化为对其决策与欲望的真正理解？这个问题是生态学和保护生物学的核心，然而，窥探野生动物的内心世界却是一项巨大的挑战。仅仅观察动物在何处被发现是远远不够的；我们必须从其因环境所迫而做出的选择中，解读出其真实的偏好。资源选择函数（RSF）正是为了解决这一难题而生的强大统计框架，它提供了一种数学语言，用以解码动物的生境选择。本文将探索 RSF 的世界，引导您从其核心原理走向其深远影响。首先，在“原理与机制”一章中，我们将剖析 RSF 及其动态对应模型——步级选择函数（SSF）背后精妙的逻辑，学习它们如何量化偏好并为动物的内心世界绘制地图。随后，“应用与跨学科联系”一章将展示这一概念如何阐明从生态系统结构、疾病暴发到进化过程本身等方方面面的问题。
那么，我们如何才能洞察动物的内心世界？我们如何从地图上的一系列点，转向对动物想要什么、害怕什么以及如何感知世界的深刻理解？秘诀不在于某种神奇的读心设备，而在于一个源自统计学和生态学、逻辑优美的思想：资源选择函数（RSF）。它是一种数学语法，帮助我们将动物移动的语言翻译成偏好与选择的语言。
让我们想象你是一只在山脉中潜行的美洲狮。你的生活是一系列持续不断的决策。这个斜坡是否太陡以至于攀爬效率低下？那个山谷是否离人类居住区的噪音和危险太近？你无时无刻不在权衡周围环境的利弊。RSF 就是我们量化这种内部计算的尝试。
RSF 的核心是一个指数函数。它起初可能看起来有点吓人，但其逻辑却非常直观。对于景观中任何具有一组特征 的位置，其相对“合意性”或选择权重 计算如下：
别被这些符号迷惑；这只是一种复杂的乘法方式。指数函数 的巧妙之处在于，它将括号内的和转换成了因子的积。每一项，如 ，代表一个生境特征的影响。正系数（正的 ）意味着动物喜欢该特征；负的 意味着它回避该特征。
让我们回到美洲狮的例子。生态学家可能会使用两个变量来模拟其偏好：，即地形的陡峭程度，以及 ，即与人类活动的距离。通过观察，他们可能会发现系数为 和 。坡度的负号告诉我们直觉上的猜测：美洲狮会避开陡坡。距离的正号也很明确：离人类越远越好。
通过代入任意两个地点（比如地块 A 和地块 B）的数值，我们可以计算出它们选择权重的比率 。这个比率精确地告诉我们，在其他所有条件都相同的情况下，美洲狮选择地块 B 的可能性是选择地块 A 的多少倍。这是对偏好的量化度量。该模型就像一个“选择计算器”，根据习得的 值权衡不同的环境因素，以预测动物的决策。
但你可能会说，等一下。动物不能选择一个不存在的东西，无论它多喜欢。你可能对松露有极大的偏好，但如果你在一家快餐店用餐，你对松露的“利用”将为零。你的选择总是受到可利用性的限制。
这是资源选择中最重要的概念之一。选择系数，即 值，旨在代表动物内在的“品味”——我们假设其偏好是相对稳定的。然而，动物实际观察到的对生境的利用，是其偏好与该生境在景观中可利用量两者的乘积。
这种关系可以用一个优美的公式来捕捉，该公式表明，动物利用生境 的时间比例，我们称之为 ，是：
这里， 是生境 的比例可利用性（它在景观中所占的比例），而 是我们从 RSF 中得到的选择权重。分母只是所有可用生境类型的这些乘积之和，以确保所有比例加起来为一。
把景观想象成一个巨大的自助餐台。 值代表每道菜（生境）在餐台上的份量。 值代表你对每道菜的喜爱程度。你最终盘子里的东西（你的“利用”模式，）将是你所爱的和你实际大量存在的东西之间的一种折衷。如果一个景观变成了 90% 的玉米地（一种低偏好生境），动物会更频繁地出现在玉米地里，不是因为它们突然喜欢上了玉米地，而是因为几乎没有其他选择。RSF 模型的美妙之处在于，它允许我们解开这两种力量：动物的内在偏好（）和环境的外部约束（）。
这引导我们走向一个更深层次、更具哲学性的问题。当我们衡量动物的选择时，我们衡量的是它真实、无拘无束的“心之所向”，还是在胁迫下做出的选择？生态学家对此有专门的术语：基础生态位与现实生态位。
想象一下，你的基础偏好是温暖、阳光明媚的海滩。但如果每个阳光明媚的海滩都挤满了你讨厌的吵闹游客呢？你最终可能会在一个安静、僻静的山间小屋度过你的假期。一个只掌握你的位置和天气数据的观察者会得出结论，你“偏爱”凉爽多云的山区。他们测量到的是你的现实偏好——在游客拥挤这个令人不快的约束下你的最佳选择。他们完全错过了你对海滩的基础偏好。
自然界中也发生着同样的事情。食草动物可能对郁郁葱葱的草地有着基础偏好。但如果这些草地同时也是一个会欺凌它的优势竞争者的最爱捕猎场，那么这种食草动物可能被迫大部分时间待在不那么理想的森林里。如果我们只使用植被和地形等非生物因素来建立一个 RSF 模型，而忽略了竞争者的位置，我们的模型就会被愚弄。它会错误地将食草动物对草地的回避归因于草地本身，而不是竞争者。由此产生的 系数将反映动物的现实生态位，一种由恐惧和回避所塑造的偏好。
为了更接近基础生态位，我们必须进行一个实验：移除竞争者，然后看看食草动物会去哪里。通过在那个没有捕食者或竞争者的世界里拟合 RSF，我们可以揭示出一种更接近动物真实、无约束欲望的偏好。这种区分对于保护至关重要——如果我们试图基于一个现实生态位来恢复生境，我们可能只是在延续那些限制该物种的约束条件。
到目前为止，我们谈论 RSF 时，就好像我们在分析一系列照片——我们在景观的何处能找到动物？但动物并非静止不动，它们总是在运动。这一洞见催生了 RSF 思想的一个强大扩展：步级选择函数（SSF）。
SSF 不再比较动物使用的位置与整个研究区域内通常可利用的位置，而是采用了一种更动态、类似电影的方法。它将动物的连续移动路径分解为一系列离散的“步级”，从一个 GPS 位置到下一个位置。对于动物实际采取的每一个“已用”步级，计算机会生成一些“可用”步级——即动物从同一起点本可以采取的合理替代方案。
然后，模型会问一个简单的问题：动物实际选择的步级有何特别之处？它是在朝着更好的饲料前进吗？它是在避开一条路吗？它是在以特定的速度移动或以特定的角度转弯吗？通过将成千上万个已用步级与其数百万个可用对应物进行比较，模型能在非常精细的尺度上学习移动规则。这种整合方法，通常被称为整合步级选择分析（iSSA），能同时估算移动趋势（如步长和转角）和生境选择的参数。
这才是真正神奇的地方。一旦我们从 SSF 估算出了选择系数（），我们就有了一个描述动物在移动时如何给景观“打分”的配方。现在，我们可以用这个配方来创建一种全新的地图。它不是一张高程或植被图，而是一张存在于动物心智中的景观图。
我们可以为地图上的每一个像素计算一个传导性（conductance）值。传导性是衡量动物愿意穿过该像素程度的指标。它与选择权重 成正比。高的选择权重意味着高的传导性——一条简单、理想的路径。将这个概念反过来就是阻力（resistance）。阻力就是传导性的倒数（），它告诉我们一个像素在多大程度上阻碍了动物的移动。高选择意味着低阻力。
结果是一个“阻力面”，一张描绘了支配动物生活的心理障碍和路径的地图。在非常真实的意义上，我们是在请动物为我们绘制地图。这些地图是保护工作的宝贵工具，让我们能够识别连接破碎化生境最可能的野生动物廊道，或精确定位道路穿越最危险的地点。
这种思维方式——让动物的行为来定义景观的属性——是如此强大，甚至可以改变我们衡量生态学中最基本概念的方式。以种群密度为例。其朴素的定义很简单：动物总数除以总面积（）。
但正如我们现在所知，并非所有区域都是平等的。从灰熊的角度来看，一平方公里的优质原始森林与一平方公里的人行道是不同的。将它们平均化具有误导性。RSF 为我们提供了一种更可靠的方法。我们可以计算生境加权密度。
其思想是进行加权平均，其中每个生境的密度权重不是其物理面积，而是其有效面积——即其物理面积乘以其质量或选择权重 。公式为：
这是一个更有意义的数字。它考虑到了这样一个事实：一小块高质量的生境可能挤满了动物，而一大片劣质生境却几乎是空的。这是一个不由我们以人类为中心的尺子和地图定义的密度，而是由动物自己揭示的偏好所定义的密度。这是一个优美而统一的结论：我们为解码选择而建立的抽象统计模型，最终回过头来重新定义了自然界中最具体的测量指标之一。
在上一章中，我们剖析了资源选择函数的机制。我们看到它是一个极其简洁的数学引擎：一个指数函数，输入一系列环境特征——食物的质量、被捕食的风险、气候的舒适度——然后输出一张概率图，告诉我们动物最可能在哪里被发现。本质上，这是动物对其世界“看法”的公式。
现在，在研究了其内部构造之后，我们准备驾驭这个引擎。它能做什么？它能揭开什么秘密？你会欣喜地发现，这一个简单的思想提供了一个统一的视角，通过它我们可以观察到惊人广泛的生物现象。它是一条线索，将一只觅食小鼠每时每刻的决策与物种形成的宏伟、跨越千年的舞蹈联系起来，将森林的健康与我们自己家庭的健康联系起来。让我们来探索这个联系之网。
捕食者不仅仅是杀死和吃掉它的猎物。它的存在本身就在景观上投射出一种“幽灵”——一片无形的恐惧地貌。对于像麋鹿或鹿这样的食草动物来说，世界不仅仅是植物的自助餐；它是一个充满潜在伏击的雷区。这种捕食的非致命效应如何塑造整个生态系统？
资源选择函数为我们提供了关键。食草动物对一块土地的 RSF 不仅会包含美味植被的项（一个正系数 ），还会包含一个表示来自捕食者感知风险的强力项（一个大的负系数 ）。食草动物在不断就去哪里觅食进行“全民公投”时，会强烈投票反对像茂密树林或谷底这样的危险区域，即使那里的食物非常丰富。它们愿意用一顿五星级大餐来换取更安全的用餐体验。
这种行为上的转变会产生深远的连锁反应。捕食者经常巡逻的区域成为食草动物的“禁区”。在这些避难所里，植物摆脱了被持续啃食的压力。它们长得更高、更繁茂，并产生更多的种子。曾经被均匀啃食的景观，转变为由低矮灌木和葱郁复苏树林组成的马赛克。这种现象被称为行为介导的营养级联，可以使用 RSF 以惊人的清晰度进行建模。通过模拟捕食者风险图并将其输入食草动物的 RSF，我们可以精确预测植被将在何处繁盛——不是因为捕食者不存在，而是因为对它们的恐惧无处不在。当个体的选择被放大时，它就成了生态系统的建筑师。
新物种的形成是进化中最基本的过程之一。它通常始于分离。一个物种的两个群体必须停止交配足够长的时间，以便它们在基因上产生分化。这种分离可以是一个物理障碍，比如山脉或新形成的河流。但它也可能仅仅是偏好上的微妙差异吗？
想象一个物种的昆虫内有两个群体，它们生活在由森林和草地组成的景观中。一个群体对阴凉的森林产生了稍强的偏好，而另一个群体则稍稍偏爱阳光明媚的开阔草地。RSF 可以完美地模拟这种分化。对于喜爱森林的类型，生境变量“森林”获得了更高的权重（），而对于喜爱草地的类型，同一个变量的权重可能较低（）。
即使两种类型都能在两个地方生活，它们的偏好也确保了它们大部分时间是分开的。它们相遇的可能性更小，因此交配的可能性也更小。RSF 使我们能够精确地量化这种效应——计算出跨群体相遇减少的程度，这是它们不同生境偏好的直接函数。这种行为上的分离就像一堵无形的墙，一道阻碍基因流的“合子前屏障”。在进化史上，这种简单的“去哪里”的差异，可能导致两个不同物种的出现，每个物种都精细地适应了自己选择的家园。从这个角度看，RSF 成为了一个缓慢而优美的舞蹈编排者，能将一个谱系分裂为二。
许多新发传染病，从埃博拉到莱姆病，都是人畜共患的——它们从野生动物种群溢出到人类。决定这种溢出风险的一个关键因素是动物与人之间的接触率。这似乎是一个无法预测的、极其复杂且随机的过程，但在这里，RSF 同样提供了一个强大的框架来理解和预测风险。
这种方法是“同一健康”观点的基石，该观点认识到人类、动物和环境的健康是密不可分的。考虑一个可以携带对人类有害病毒的果蝠种群。这些蝙蝠觅食水果，它们的 RSF 中包含一个代表水果可利用性的强正向项。然而，它也可能包含一个代表与人类居住区距离的负向项，因为它们倾向于避开噪音和干扰。它们面临着一种权衡。
现在，想象一下，森林砍伐减少了蝙蝠原始森林生境中水果的可利用性。它们偏好的、安全的食物来源减少了。RSF 模型预测了接下来会发生什么：蝙蝠的觅食行为发生转变。为了获得足够的食物，它们被迫花更多时间在替代生境中，例如农业果园，而这些果园通常位于人类居住区附近。该模型允许我们输入环境的变化（例如，本地水果减少 30%），并计算出蝙蝠利用人类主导区域的概率变化。这反过来又使我们能够预测蝙蝠与人类接触率的量化增长。这不仅仅是一个学术练习；它将生态学转变为一个预测性的公共卫生工具，帮助我们识别疾病风险热点，并设计有针对性的干预措施，如重新造林或公众意识宣传活动，以保障野生动物和人类的安全。
城市或许是地球上最新奇的环境。凭借其城市热岛、人造光、奇怪的新食物来源（如垃圾）以及破碎化的绿地，它们是大规模、无计划的进化实验。而生物正在以惊人的速度适应。RSF 框架及其概念上的近亲，帮助我们理解这是如何发生的。
让我们换一种稍微不同的方式来思考选择。与其考虑动物选择一个地点，不如考虑它选择一个时间来活动。对于像昆虫这样的外温动物，其表现由温度决定，通常可以用一条看起来很像 RSF 的曲线来描述——有一个最适温度（）和一个宽度（）。它的适应度取决于在食物可利用的时间段内表现良好。
人们可能天真地认为，更温暖的城市环境总是会选择具有更高热最适温度的生物。但类似 RSF 的逻辑揭示了一个更微妙、更有趣的现实。选择的方向关键取决于温度和资源可利用性之间的相关性。如果人类活动使得食物（比如说，来自浇水花园的花蜜）在炎热的下午最丰富，那么选择确实会偏爱耐热的昆虫。但如果主要的新食物来源是垃圾箱里被丢弃的食物，而这些食物在凉爽的夜晚最容易获得，那么城市变暖可能矛盾地选择适应较低温度的昆虫，甚至比它们农村的同类更低！简单的 RSF 逻辑——适应度是表现的加权积分——揭示了这种反直觉的可能性。
此外，生物体可以通过变得更灵活来适应变化的环境，而不仅仅是改变它们的偏好最适值。在多变的环境中，成为一个具有广泛耐受性（大的 ）的泛化者可能比成为一个专化者更有优势。基于这些原理的生态模型可以预测土壤施肥等因素如何通过改变物种资源利用函数的形状本身，来改变物种间的竞争和生态位重叠。
到目前为止，我们谈论 RSF 时，就好像那些神奇的系数，即 值，是上天赐予我们的一样。但在现实世界中，我们如何找到它们？估算 RSF 的参数是野生动物管理者和保护生物学家的核心任务，它凸显了生态学和统计学之间的美妙联系。
科学家们常常面临质量截然不同的数据。例如，在研究城市郊狼时，我们可能为少数几只动物安装了高精度 GPS 项圈，提供“黄金标准”的少量数据。同时，我们可能拥有大量的“公民科学”数据——由公众报告的偶发性目击。后一个数据集庞大，但存在各种偏见和不准确性。我们应该相信哪一个？
支持 RSF 的统计理论给了我们一个优雅的答案：我们不必选择。我们可以将它们融合起来。每个数据源都提供了选择系数 的独立估计，每个估计都有其自己的不确定性（或方差）水平。组合它们的最佳方法是计算一个精确度加权平均。来自高精度 GPS 数据的估计具有小方差，因此其倒数，即精确度，就很大。它在最终的组合估计中占有很大的“投票权”。嘈杂的公民科学数据具有大方差，因此精确度低；它获得的投票权就小。这种基于似然数学的方法，使我们能够以严谨的方式综合所有可用信息，产生一个比任何单一来源更稳健、更可靠的最终估计。这表明 RSF 不仅仅是一个理论概念，而是现代数据密集型甚至社区参与型科学核心的工作工具。
从构建景观的无声选择，到锻造新物种的进化压力，再到我们与自然世界碰撞中出现的公共卫生风险，资源选择函数提供了一种单一而强大的语言。它提醒我们，生命中宏大、广阔的模式，往往不过是无数微小决定的总和，并由偏好与必要性加权而成。