关键变量关系模型拟合是解析生物与环境相互作用机制的一个基本统计学路径。根据生物与环境相互作用机制，拟合构建的模型可分为两类。一类是环境变化对生物动态的影响模型，例如可利用这类影响模型解析水体营养盐变化对浮游植物生物量动态的调控机制。反过来，另一类则是生物对环境的驱动模型，例如可利用这类驱动模型解析浮游植物代谢活动对水体环境与大气环境关联物质的驱动机制。统计学方法和工具创新及野外环境原位观测数据增加，能够使得生物与环境相互关系拟合模型更加趋于真实性。

　　关键变量关系变点检验是生物与环境相互关系定量解析中极为重要的一个统计学环节。换句话说，这一变点检验方法差异造成的模型参数不确定性，会很大程度上给生态学、环境科学等学科的研究人员在生物与环境关系模型的统计推断方面带来极大疑惑，甚至在相互作用机制解析方面也产生不必要的争论。鉴于此，中国科学院城市环境研究所联合宾夕法尼亚州立大学、北京大学和美国地质调查局等单位研究人员，以水体浮游植物的生物量关键参数（叶绿素Chlorophyll a，CHL）及其代谢驱动产生的冷室气体物质（二甲基硫醚Dimethyl sulfide，DMS）作为自变量和因变量的案例数据，构建了冷室气体对浮游植物响应边界变点模型。

冷室气体响应边界变点模型具有两个相互关联的基本特征。第一个特征，即自变量与因变量关系呈现出明显的上边界，意味着冷室气体物质对浮游植物生物量响应存在最大潜力。第二个特征，即自变量与因变量关系出现一个变点现象，进一步意味着冷室气体物质对浮游植物生物量最大响应并非是持续线性增加，而是当浮游植物生物量增加到一个特定数值时冷室气体物质开始出现线性减少。针对上述这两个基本特征，冷室气体响应边界变点模型的构建在统计方法学上有别于传统的分位数回归，而是进一步耦合了贝叶斯推断。相关模型方法和结果以Bayesian change point quantile regression approach to enhance the understanding of shifting phytoplankton-dimethyl sulfide relationships in aquatic ecosystems发表在Water Research。

　　冷室气体响应边界变点模型构建为解析湖泊和海洋浮游植物驱动的冷室气体物质形成机制提供了另外一个统计学视角，可能对水域生态系统甚至其它类型生态系统的关键变量关系变点检验具有相应的方法学参考价值。然而，值得注意的是，这并非意味着该模型已经能够完美地解析这一水域生态系统中冷室气体物质形成机制。这是由于分位数回归和贝叶斯推断在数据需求上属于“饥饿”型方法，而目前可用的案例数据仍然匮乏。在水圈微生物驱动地球元素循环的机制等重大研究计划的推动下，水域浮游植物生物量和冷室气体物质野外环境原位观测数据将可能出现大幅增加。这将能够更全面“投喂”分位数回归和贝叶斯推断这一数据“饥饿”型耦合方法，进而在多个尺度上更定量地阐释浮游植物代谢活动驱动对冷室气体物质形成机制。

　　据悉，边界变点模型主要研究人员在另一项假设检验路径构建中探索了数据“投喂”量对分位数回归模型上边界稳定性的影响。这项假设检验路径发现数据“投喂”量的增加，能够使得利用分位数回归方法拟合的关键变量关系模型趋于更加稳定。分位数回归方法创建于数量经济学领域并发展和应用于生态学领域。然而，这一方法对关键变量关系模型拟合往往需要大量数据“投喂”和循环计算，导致其在过去很长一段时间难以在生态学和环境科学的研究应用中发挥应有的科学价值。随着生态学和环境科学领域野外环境原位观测数据共享时代的到来，分位数回归及其关联方法学体系，如与贝叶斯推断的方法耦合，可望在生态与环境关键变量上边界模型拟合及相关影响、驱动和响应机制的解析产生更大的支撑作用。

　　论文链接

冷室气体对浮游植物响应边界变点模型

计量经济学文献：

Koenker R., Bassett J. G. 1978. Regression quantiles. Econometrica, 46(1): 33-50.

理论方法学文献：

Koenker R., Machado J. A. 1999. Goodness of fit and related inference processes for quantile regression. J. Am. Stat. Assoc., 94(448): 1296-1310.

Das K., Krzywinski M., Altman N. 2019. Quantile regression. Nature Meth., 16: 451-452.

数量生态学文献：

Cade B. S., Terrell J. W., Schroeder R. L. 1999. Estimating effects of limiting factors with regression quantiles. Ecology, 80(1): 311-323.

Cade B. S., Noon B. R. 2003. A gentle introduction to quantile regression for ecologists. Front. Ecol. Environ., 1(8): 412-420.

统计湖沼学文献：

Abell J. M., Ozkundakci D., Hamilton D. P., Jones J. R. 2012. Latitudinal variation in nutrient stoichiometry and chlorophyll–nutrient relationships in lakes: a global study. Fundam. Appl. Limnol., 181(1): 1-14.

Xu Y., Schroth A. W., Isles P. D. F., Rizzo D. M. 2015. Quantile regression improves models of lake eutrophication with implications for ecosystem-specific management. Freshw. Biol., 60(9): 1841-1853.

Xu Y., Schroth A. W., Rizzo D. M. 2015. Developing a 21st Century framework for lake-specific eutrophication assessment using quantile regression. Limnol. Oceanogr.: Meth., 13(5): 237-249.

Liang Z., Liu Y., Xu Y., Wagner T. 2021. Bayesian change point quantile regression approach to enhance the understanding of shifting phytoplankton-dimethyl sulfide relationships in aquatic ecosystems. Water Res., 201: 117287.

Qiu Q., Liang Z., Xu Y., Shin-ichiro S. M., Komatsu K., Wagner T. 2021. A statistical framework to track temporal dependence of chlorophyll–nutrient relationships with implications for lake eutrophication management. J. Hydrol., 603: 127134.