多源、多尺度數據整合挖掘與模擬預測成為大數據時代生態學研究的重要手段

遙感數據、長期定位觀測數據、實驗以及模型模擬數據的快速膨脹有力地促進了生態數據挖掘和分析技術的發展。多源、多尺度整合挖掘與模擬預測成為大數據時代生態學研究的重要手段。大數據支持下的生態數據整合挖掘方法包括三大類：① Meta?分析方法；②基于數據驅動的數據挖掘方法；③基于過程機理的模型—數據融合方法。其中?Meta?分析主要是從已有研究案例中，對多個有共同研究目標又相互獨立的研究結果給予定量合并，剖析研究間差異特征，綜合評價研究結果；以深度學習為代表的人工智能數據挖掘技術，能夠實現多種生態要素之間的深層神經網絡式映射關系，有望在已有生態學框架下獲取新的認知，繼而反推潛在的生態學內部機理；由于人們無法通過觀測和控制實驗等方法全面獲取或者預測區域/全球尺度生態系統狀況，計算機模擬分析大尺度生態系統結構和功能變化成為生態模擬預測的一個重要途徑。雖然生態觀測數據量日益增多，但模型模擬的不確定性仍然顯著，而基于過程機理的模型數據融合方法為應用海量數據進行模型評估、基準測試和約束以降低不確定性提供了新的途徑。這些方法為及時、有效地集成挖掘不同站點、區域、時間序列、生態系統過程和要素的觀測和實驗數據，揭示生態系統過程機理、變異規律、對環境因子的響應等普遍規律，以及服務于生態系統管理和決策提供了重要手段。

生態大數據推動生態學“大理論”和新興學科的發展

由于生態學研究對象的復雜化和長期、海量觀測數據的缺失，導致研究人員對生態過程和模式的認知都存在極大不確定性，生態學尚未發展出一個能夠被廣泛接受、在最大程度上解釋及精確預測不同尺度上生態學現象和過程的統一化理論框架^[6]。受數據洪流影響，以數據為中心思考、設計和實施科學研究，通過對海量數據的處理和分析來獲得科學發現的新范式（第四范式）正逐漸在生態學中出現。同時，大數據時代更需要發展高效的大理論，即從基本原理出發，用最少的參數做出大量的理論預測。由于生態系統組成的多樣性及其相關關系的復雜性，不管獲得的數據量有多大，如果沒有大理論支撐，大數據將會在很大程度上失去其力量和有效性，不得不依賴于統計相關性而進行簡單的歸納分析，永遠都無法準確預測生態系統變化。只有在海量多尺度、多要素、多過程生態數據支撐下，準確認識生態系統的過程和模式，才可能發展一個統一化的理論框架，集成多源、多尺度數據整合技術和生態模擬預測技術，才能提高生態系統屬性和生態過程的預測能力，促進新的生態學科，如宏生態學、預測生態學的發展。

數據開放共享文化亟待培養加強

大數據時代，只有形成開放共享、協同合作的大數據文化，才能真正發揮生態大數據的價值。觀測數據是生態學研究的生命線，生態學家將自己的觀測數據視為珍寶。大數據時代，只有打破數據封閉的傳統模式，形成開放共享的“數據思維”模式，才有可能解決大尺度大生態問題。數據眾包采集、數據出版與數據標識等新穎的數據獲取和知識產權保護方式的深入應用，也將促進生態領域的數據開放共享。