欧亚猞猁在中国的分布现状与适宜栖息地预测

刘轲 刘炎林 李晟*

（1 北京大学生命科学学院，北京 100871）（2 青海师范大学生命科学学院，西宁 810016）（3 中国猫科动物保护联盟，北京 101121）

欧亚猞猁 (Lynx lynx) 是我国12 种野生猫科动物 (Felidae) 之一 (魏辅文，2022)，性喜寒，对北温带以及高海拔山地的寒冷气候具有很强的适应性，主要栖息在高海拔森林、河谷、草原、荒漠等生境 (阿布力米提·阿布都卡迪尔等，1998；国家林业局，2009；刘少英等，2022)。欧亚猞猁在分类上隶属于猫亚科，属于“小猫 (small cats)”的一员，但其成体体重一般在15 kg 以上(15 ～30 kg)，具有捕猎大中型猎物的能力 (Hunter and Barrett, 2019；刘少英等，2022)，因此通常被列为大型食肉动物 (large carnivores) 之一 (Rippleet al.,2014)。欧亚猞猁具有优秀的捕猎能力，且分布范围广阔，在许多地区都是其所在生态系统中的顶级捕食者 (apex predator)，可以通过捕食和建立恐惧地景 (landscape of fear) 调控生态系统中食草动物，例如狍 (Capreolus pygargus)、岩羊 (Pseudois nayaur)、灰尾兔 (Lepus oiostolus) 的种群数量，对于维持生态系统结构与功能的稳定和平衡具有重要意义 (Sergioet al., 2008)。

1995 年启动的全国第一次陆生野生动植物资源调查的结果表明，全国欧亚猞猁种群总数约27 000只，其中西藏、甘肃两省 (自治区) 占全国种群总数的一半以上，青海、新疆、内蒙古和四川也各有1 000 只以上 (国家林业局，2009)。除此之外，我国局部地区也在不同时期对欧亚猞猁的种群数量与分布开展了研究：1994—1996年在新疆维吾尔自治区进行的研究表明，该区内野生欧亚猞猁总数约为1 532 只 (密度为100 km20.502 只) (阿布力米提·阿布都卡迪尔等，1998)；1985—2009 年在吉林长白山国家级自然保护区的调查结果估计该保护区内2009 年欧亚猞猁仅有3 只左右 (朴正吉等，2011)；2011 年甘肃北部盐池湾国家级自然保护区的调查显示，当地欧亚猞猁密度约为100 km23.22 只 (赵忠等，2011)；2011—2012 年和2014—2017年在内蒙古赛罕乌拉国家级自然保护区开展的研究表明，当地欧亚猞猁种群至少分别有5 只和20 只个体 (周许伟等，2015; Tanget al.,2019)。尽管缺乏全面、系统的科学评估，但我国欧亚猞猁的种群及分布范围在区域和全国尺度上可能都曾经历严重下降 (Yanget al., 2017；张睿，2017)。

相比于广受关注的虎 (Panthera tigris)、豹 (P.pardus)、雪豹 (P.uncia) 等大型猫科动物，我国对欧亚猞猁的研究相对较少，尤其是在野生种群与野外生态方面。目前已有的研究集中于疾病、遗传以及生态等领域，其中关于疾病的研究大部分来自动物园的圈养个体，涉及寄生虫、消化道疾病等 (田欣田等，1992；赵金凤等，2007；赵玲玲，2015; Xieet al., 2020)；遗传方面主要关注欧亚猞猁与猫科其他物种在演化和系统发育上的关系 (郑涛等，2005；王金凤等，2012; Ninget al.,2016)；在生活史与生态方面，已有研究主要以某个地区或保护区内的欧亚猞猁种群为研究对象，探讨欧亚猞猁的猎物和栖息地偏好，以及局地种群的动态变化 (周许伟等，2015; Guoet al., 2017;Yanget al., 2017; Tanget al., 2019)。

20 世纪70 年代以前，我国的欧亚猞猁曾经历较高的人类捕猎压力，皮毛交易十分广泛。根据历史收购信息，新疆北部阿勒泰、塔城、伊犁地区和南部的巴音郭楞地区在1955—1970 年共收购欧亚猞猁皮张237 张；20 世纪80 年代，随着《中华人民共和国野生动物保护法》颁布实施，以及欧亚猞猁被列为国家二级重点保护野生动物，针对该物种的捕猎逐渐减少，以上地区在1970—1994年每年收购皮张在5 ～ 10张左右，呈现明显下降趋势 (阿布力米提·阿布都卡迪尔等，1998)。近年来，欧亚猞猁遭到偷猎的事件仍偶有发生，但人类直接捕杀已不是威胁其生存的主要因素；而人类活动对欧亚猞猁栖息地的破坏以及由此带来的栖息地破碎化和种群隔离问题，成为该物种目前面临的首要威胁 (鲍伟东，2014)。在2021 年颁布更新的《国家重点保护野生动物名录》中，欧亚猞猁仍旧被列为国家二级重点保护野生动物 (国家林业和草原局和农业农村部，2021)，其在我国的生存现状和分布范围需要得到进一步关注。

综合以上，20世纪中期以来，我国欧亚猞猁的种群与分布区可能经历了剧烈缩减，但对其分布现状与动态的了解十分缺乏，相关的研究较为匮乏，成为开展针对性保护规划与行动的主要障碍。为了改善这一现状，为欧亚猞猁的保护规划提供参考，本研究通过系统检索红外相机调查数据、文献、目击记录和其他多源信息，汇总2010—2022 年欧亚猞猁在我国的分布记录，同时根据收集到的欧亚猞猁分布位点数据，利用物种分布模型 (species distribution model) 预测该物种在我国的适宜栖息地，并基于分布位点的空间分布格局探讨不同区域种群的划分方式。本研究更新了欧亚猞猁在我国的分布现状，可以为该物种的野外监测、生态研究、保护地建设、廊道规划等提供基础数据与信息支持。

1 研究方法

1.1 数据收集和处理

通过多源渠道系统检索2010—2022 年欧亚猞猁在我国的分布记录，数据来源包括学术论文、新闻报道、摄影作品以及其他零星报告。具体数据来源与检索方式包括：在中国知网 (http://www.cnki. net/) 中分别使用“猞猁”、“Lynx lynx”作为检索词检索中英文学术论文，并使用“红外相机”、“相机陷阱”、“红外触发相机”作为检索词，检索使用红外相机调查技术开展野生动物本底调查或多样性编目调查的中英文学术论文，从中筛选出有欧亚猞猁记录的文献；在Web of Science(https://www. webofscience. com/) 中使用“Lynx lynx”、“China”作为关键词检索英文学术论文，并使用“camera trap”、“camera-trapping” 和“wildlife”、“China”作为检索词，检索使用红外相机调查技术开展野生动物调查与研究的英文学术论文，从中筛选出有欧亚猞猁记录的文献；使用百度 (https://www. baidu. com/)、谷歌 (https://www. google. com. hk/)、 必应 (https://cn. bing.com/) 网络搜索引擎，并在微博 (https://weibo.com/)、抖音 (https://www.douyin.com/)、哔哩哔哩弹幕网 (https://www. bilibili. com/) 网站中，使用“中国”“猞猁”“中国猞猁”进行检索。然后审核检索到的论文、报道、影像及其他零星报告，选取2010—2022 年中国范围内欧亚猞猁的野外确认记录，从中提取地点 (行政区与小地名)、位置 (经纬度坐标)、年份等信息；剔除重复报道记录，对于同时出现在多个数据来源的确认记录，优先选取文献报道中的原始确认记录；舍去位置信息缺失、模糊或存疑的记录，舍去缺乏实证性证据 (如照片、视频、实体或残骸等) 的不可靠新闻报道。对于研究论文，如果文中没有明确说明野外确认事件的具体时间，则取该研究的起始年份作为文献中欧亚猞猁的野外确认年份。本研究还基于“中国西南山地红外相机监测网络”(李晟等，2020) 与“中国猫科动物红外相机监测平台”(刘炎林等，2020) 获得2010—2022年监测网络覆盖区域内的欧亚猞猁红外相机拍摄数据，从中提取每条记录的拍摄年份以及精确坐标信息。另外，本研究还通过全球生物多样性信息网络 (Global biodiversity information facility, GBIF. https://www. gbif.org/) 的数据平台，检索了中国周边国家和地区 (蒙古国、俄罗斯、乌兹别克斯坦、吉尔吉斯斯坦、哈萨克斯坦、克什米尔地区) 欧亚猞猁的分布记录。

对于原始文献或报道未提供精确经纬度坐标的记录，根据记录中小地名、地块单元 (如自然保护区、林场等) 等信息，参照同类研究 (Shenet al., 2021；孔玥峤等，2021)，通过百度地图或Google Earth 进行地点查询，提取发现地点的大致经纬度坐标。为了统一记录格式，所有经纬度坐标信息均保留到小数点后四位，不代表实际的精确度。根据数据定位将数据集整理为中国欧亚猞猁分布点数据和中国及周边国家和地区欧亚猞猁分布点数据；对于同一地点上不同时间出现的多条记录 (例如同一红外相机位点上的多次拍摄记录)，仅保留距今时间最近的一条。使用ArcGIS 10.8 建立欧亚猞猁在中国的分布位点图层。同时，在IUCN 受威胁物种红色名录 (IUCN Red List of Threatened Species) 网站 (https://www. iucnredlist.org/) 下载欧亚猞猁物种分布范围图层 (species range map) 作为参照。

1.2 聚类分析

受自然地理与人类活动区 (如大片农业区、建成区等) 等阻隔因素的影响，欧亚猞猁在中国的分布可能被分隔为若干区域性的地理种群；这些地理种群的空间分布及其相互关系可以为各亚种分布范围的划分和区域性管理单元的划分提供参考(Shenet al., 2021)。对于按照地理位置分布聚集的物种来说，同一地理种群分布位点之间的平均距离小于种群之间分布位点的平均距离。根据地理位置对欧亚猞猁分布位点进行聚类分析，有两种处理方法：仅使用中国境内的分布位点，以及使用中国及周边地区的分布位点。在R 4.2.0 (R Core Team, 2022) 中使用NbClust 包 (Charradet al.,2014) 对数据集进行K 均值聚类分析，计算最佳聚类数K，将分布数据聚类结果绘制在中国地图上。

1.3 适宜栖息地预测

1.3.1 样本数据筛选

使用R 4.2.0 中的spThin函数包 (Aiello-Lammenset al., 2015) 对中国境内的欧亚猞猁分布位点进行自疏化处理，用于构建物种分布模型。疏化距离为5 km，155个原始记录位点经过疏化后得到112个位点。

1.3.2 环境变量选取

研究选取4大类可能影响欧亚猞猁栖息地适宜度和分布概率的环境变量 (表1)，分别是：(1) 全球范围当代 (1950—2000 年) 的气候变量，共19 个(Bio1 ～ Bio19) (Fick and Hijmans, 2017)；(2) 地形变量，包括全球海拔 (Fick and Hijmans, 2017)、全球地形崎岖度指数 (Terrain ruggedness index, TRI)和坡度指数；(3) 人类活动变量，使用人类足迹指数 (Venteret al., 2018)；(4) 土地类型变量，使用土地覆盖类型 (ESA, Land Cover Maps - v2.0.7,2015)。使用ArcGIS 10.8提取以上变量的中国范围内的图层并将数据精度重采样到5 km × 5 km 的像元大小。使用MaxEnt 3.4.1 (Phillipset al., 2006)初步运行模型，得到每个环境变量的重要值，计算24 个环境变量的Pearson 相关性系数，相关性系数大于0.8则认为环境变量之间存在显著相关性，保留具有更高重要值的环境变量。最终获得11个环境变量用于后续的模型构建，分别是年平均气温(Bio1)、昼夜温差月均值 (Bio2)、昼夜温差与年温差比值 (Bio3)、温度变化方差 (Bio4)、最湿月降水量 (Bio13)、最干月降水量 (Bio14)、湿度变化方差(Bio15)、海拔、人类足迹指数、土地覆盖类型与坡度。

表1 中国欧亚猞猁栖息地预测中使用的环境变量Table 1 Environment variables used in the habitat prediction of Eurasian lynx in China

1.3.3 模型参数设置

使用MaxEnt 3.4.1 对欧亚猞猁在中国的适宜栖息地进行预测，设置重复数为10，重复运行类别选择交叉验证 (Crossvalidate)，环境特征参数设置为自动。在模型中选择刀切法 (jackknife) 功能来分析影响欧亚猞猁分布的环境变量因子，使用受试者工作特征曲线 (receiver operating characteristic curve, ROC) 下面积 (area under curve, AUC) 评价模型预测结果的优劣。

MaxEnt 模型设置中的正则化乘数 (regularization multiplier, RM) 会影响模型输出分布的聚焦程度，RM 值的选择对MaxEnt 模型的预测结果存在一定影响 (Radosavljevic and Anderson, 2014)。为了得到合适的RM 值，防止过拟合，本研究以0.5 为间隔，将RM 设置为0.5 ～ 4.0 共8 个水平，重复数 (replicates) 设置为10，一共得到80 个模型，使用R 4.2.0中的ENMeval函数包计算以上80个模型的AICc值，对每个RM 值水平下10个模型的AICc值取平均，选择AICc 值最小的RM 值用于构建最终模型 (Akaike, 1973)。

1.3.4 适宜栖息地模拟

使用ArcGIS 10.8 中的自然间断点分级法，将中国欧亚猞猁适宜栖息地预测结果按照各个像元的栖息地适宜度数值划分为4类，分别定义为：不适宜区 (0 ～ 0.137)、低度适宜区 (0.137 ～ 0.365)、中度适宜区 (0.365 ～ 0.647)、高度适宜区 (0.647 ～1.000)。将中度适宜区和高度适宜区定义为欧亚猞猁在中国的适宜栖息地，从而得到中国境内欧亚猞猁的适宜栖息地范围。将IUCN 给定的中国欧亚猞猁分布范围图与模拟适宜栖息地范围图叠加，对比评估模型预测分布范围与IUCN 给定分布范围之间的差异。

2 结果

2.1 中国猞猁分布现状

共收集到155条中国境内具有可信地理位置的欧亚猞猁确认分布记录，其中红外相机数据83 条，其他来源数据72 条，如表2 和图1 所示。欧亚猞猁野外确认记录分布于中国9 个省级行政区，其中新疆维吾尔族自治区的记录最多 (n=28)，其次为黑龙江省 (n= 27)、青海省 (n= 25) 和内蒙古自治区 (n= 25)；云南省仅有1 条欧亚猞猁野外确认记录。

图1 2010—2022年欧亚猞猁在中国的确认分布位点Fig. 1 Confirmed occurrence sites of Eurasian lynx in China from 2010 - 2022

红外相机数据和新闻报道是中国欧亚猞猁分布记录的主要来源，分别占所有确认记录数的42.9%和42.3% (图2a)。在所有66 条新闻报道记录中，80.3%的记录为欧亚猞猁1 只个体单独行动，1.5%为2只成对活动，18.2%为3只及以上个体 (3 ～ 4只) 共同出现 (均为成体欧亚猞猁与幼仔伴行) (图2b)。

图2 中国欧亚猞猁分布记录的数据来源 (a) 与新闻报道中每次观察记录中的欧亚猞猁个体数量 (b)Fig. 2 Sources of Eurasian lynx occurrence record in China (a) and numbers of Eurasian lynx individuals reported in each observation from news reports (b)

2.2 聚类分析

仅使用中国境内欧亚猞猁分布位点数据得到的聚类分析结果显示：中国东北部地区的分布位点为聚类1，包括黑龙江、吉林和内蒙古东部部分地区；中国西北部地区的分布位点为聚类2，包括新疆北部与东部、甘肃北部和内蒙古西部；中国西南部地区的分布位点为聚类3，包括西藏、青海、四川西部和云南西北部 (图3a)。使用中国及其周边地区欧亚猞猁分布位点数据得到的聚类分析结果同样分为东北、西北、西南3个片区 (图3b)，其中西北地区的分界线向北移动到新疆中部，以新疆北部的天山至阿尔泰山地区为一个聚类；西南地区的分界线向北扩张到包含整个青藏高原 (包括西藏、青海、新疆东南部、甘肃、四川西部和云南西部) 及祁连山和内蒙古西部地区。

图3 欧亚猞猁分布位点的不同聚类模式. a：仅使用中国境内数据；b：使用中国及其周边地区数据 (1：聚类1；2：聚类2；3：聚类3)Fig. 3 Different clustering patterns of Eurasian lynx occurrence sites. a: based on data within China; b: based on data in and around China (1: cluster 1; 2: cluster 2; 3: cluster 3)

2.3 欧亚猞猁在中国的适宜栖息地分布

当RM = 0.5 时模型变量数大于位点数，无法计算AICc 值，因此本研究舍弃RM = 0.5 的分类。当RM = 4.0 时，模型平均AICc 值最小。基于RM = 4.0运行得到的10个模型的ROC显示，模型组的测试AUC 值最大为0.854，最小为0.723，平均值为0.814，标准差为0.050，0.8 ≤ AUC ＜ 0.9，表明模型拟合良好 (表3)。

表3 基于不同RM值下的MaxEnt模型AICc值Table 3 AICc value of MaxEnt model based on different RM values

MaxEnt 模型的刀切法检验结果显示：年平均气温对欧亚猞猁在中国的地理分布预测影响最大，移除年平均气温变量之后模型损失最大，说明在年平均气温变量中存在其他变量不存在的最多信息；最干月降水量和土地覆盖类型的影响次之；对模型影响最小的是湿度变化方差、人类足迹指数和昼夜温差与年温差比值 (图4)。

图4 MaxEnt模型中对于环境变量重要性的刀切法检验Fig. 4 Jackknife test of the importance of environmental variables in the MaxEnt model

将MaxEnt 模型预测中国欧亚猞猁分布适宜栖息地的结果划分为不适宜区 (249.24 × 104km2)、低度适宜区 (337.02 × 104km2)、中度适宜区(201.54 × 104km2)、高度适宜区 (127.21 × 104km2)(图5a)。欧亚猞猁在中国的适宜栖息地 (即中度适宜区及高度适宜区) 总面积为328.74 × 104km2，大部分位于我国胡焕庸线 (胡焕庸，1935) 以西地区，包括黑龙江北部、内蒙古东北部、四川西北部、西藏南端、阿尔泰山地区、天山地区、昆仑山地区、祁连山地区 (图5b)。

图5 MaxEnt模型预测的欧亚猞猁在中国的适宜栖息地分布范围 (a) 以及欧亚猞猁确认分布位点和IUCN物种分布图层范围的重叠 (b)Fig. 5 MaxEnt Model predicted suitable habitat of Eurasian lynx in China (a) and its overlap with the confirmed occurrence sties and IUCN’s species range map (b)

将IUCN 给定的中国欧亚猞猁分布范围与本研究收集到的欧亚猞猁分布位点和模型预测的适宜栖息地叠加 (图5b)，显示前者缺少阿尔泰山—天山地区、内蒙古东北部与中部、四川西部部分地区以及祁连山部分地区，而后者没有包含西藏中部及北部、青海西部以及新疆南部的部分地区。

3 讨论

本研究结果得到的欧亚猞猁适宜栖息地既包括海拔相对较低 (500 ～ 2 000 m) 的东北地区，也包括海拔更高 (2 000 ～ 5 000 m) 的西部高原与山地，但都表现出对年均温这一变量的依赖性，表明欧亚猞猁是一种喜寒的猫科动物。从全球来看，欧亚猞猁是北半球分布纬度最高的猫科动物，中国的欧亚猞猁分布区位于其全球分布区的南端，因此在中国境内的欧亚猞猁更偏向于在高山高原生境中生存，从而满足其对于较低环境温度的需求，使得年平均气温成为模型中影响权重最大的环境变量。人类足迹指数作为人类活动变量对于欧亚猞猁的适宜栖息地预测贡献极低，从侧面表明在较大空间尺度上，人兽冲突、偷猎等人类的直接活动可能不是威胁该物种生存与分布的主要因素。然而，MaxEnt 模型结果显示，主要由人类生产、生活活动形成的土地覆盖类型，对欧亚猞猁的适宜栖息地构建具有重要影响。后续研究可以进一步深入探讨20 世纪以来中国土地覆盖类型的变化与欧亚猞猁适宜栖息地变化之间的关联，揭示土地覆盖类型变化在该物种适宜栖息地缩减中的影响程度与作用机制。

本研究的结果显示，欧亚猞猁在我国的适宜栖息地主要分布在胡焕庸线以西地区；从影响其栖息地适宜度的环境因子来说，欧亚猞猁更倾向分布于寒冷干燥的地区。已有研究表明，中国生态用地在空间上的分布格局呈现沿胡焕庸线“东南低、西北高”的特点，胡焕庸线以西地区生态用地总量更大，为生物多样性保护提供了更大的支持 (喻锋等，2014)。同时，胡焕庸线以西地区以温带大陆性气候和高原高山气候为主，大部分是年降雨量500 mm 以下的干旱及半干旱地区或海拔较高的高原高山地区。本研究结果，从气候变量和土地类型变量都较好地解释了欧亚猞猁适宜栖息地在我国主要分布在胡焕庸线以西地区的格局。

自20 世纪70 年代以来，欧亚猞猁在我国的分布范围和种群数量均呈缩减趋势 (张睿，2017)。以东北地区为例，对县志以及目击记录等统计数据的整理发现，2000—2014 年期间东北地区的欧亚猞猁总记录不及20 世纪70 年代的15% (Yanget al., 2017)。辽宁省历史上有过欧亚猞猁分布(Yanget al., 2017)，但本研究没有收集到欧亚猞猁的分布记录；而在20 世纪还存在欧亚猞猁分布的陕西省、山西省 (张睿，2017)，本研究中都没有发现新的野外确认记录。由于栖息地破坏、人兽冲突、散放家养动物的干扰等原因，许多野生大中型食肉动物的野外生存环境持续恶化。已有研究发现，相较于狼 (Canis lupus)，欧亚猞猁引起的人兽冲突案例更少，同时欧亚猞猁通常对人身安全不具威胁，因此其分布区内的居民对欧亚猞猁的负面看法与抵触也更弱 (陈鹏举，2017；程一凡等，2019)。本研究收集到的除红外相机数据以外其他来源的72 条记录中，仅有2 条跟人兽冲突有关，表明人兽冲突可能不是欧亚猞猁目前面临的主要威胁因素。在本研究收集到的欧亚猞猁目击记录中，存在流浪狗 (藏獒) 攻击欧亚猞猁的现象，表明散放家狗对欧亚猞猁的生存可能产生一定的威胁。考虑到在青藏高原地区流浪狗已经成为破坏生态平衡不可忽视的重要问题 (杨乐等，2019)，后续研究应进一步关注流浪狗与欧亚猞猁的种间竞争机制以及二者共存的可能性。

本研究使用的欧亚猞猁分布位点主要来自红外相机数据和各类新闻报道，在信息来源和空间分布方面可能存在取样偏差 (sampling bias)。新闻报道记录多为目击事件的网络报道，大多位于人类活动区附近和道路沿线，而红外相机数据通常来自保护地，对全国的覆盖取样并不均匀。在缺少人类活动和红外相机调查的欧亚猞猁分布区，相应的分布位点记录也是缺乏的。在本研究适宜栖息地模拟结果中，青藏高原中部和西部的大片地区没有被预测为欧亚猞猁的中高度适宜区，而在IUCN 给定的物种分布图中，整个青藏高原都被划为欧亚猞猁的分布范围。我们推测，可能是因为该区域地广人稀，收集到的分布位点极为稀疏，导致该区域的模型预测出现低估。后续工作中，需进一步推进青藏高原中西部和北部地区欧亚猞猁的野外调查，更全面地收集分布位点数据。本研究适宜栖息地的模拟结果还表明，许多当前确认有欧亚猞猁分布的地区没有被划入IUCN 的物种分布范围，包括阿尔泰山—天山地区、内蒙古东北部、四川西部以及祁连山部分地区。IUCN 的物种分布范围主要是基于专家知识，可能存在时效性不及时、分辨率较粗糙等局限 (Shenet al.,2021)。本研究可以为该物种分布现状的后续评估与分布范围图层更新提供参考，以补充、完善当前图层的疏漏和空缺。

我国境内欧亚猞猁的地理种群和亚种的划分一直存在不同看法 (Smith 和解焱，2009；鲍伟东，2014)。通常认为我国有2 个欧亚猞猁亚种，即分布在我国中部、西部以及西南地区的中国亚种L.l.isabellinus(亦称青藏亚种)，与分布在我国北方地区的东北亚种L.l.stroganovi(魏辅文，2022)；亦有研究者认为我国分布的欧亚猞猁均为L.l.isabellinus(高耀亭，1987；王应祥，2003)；此外，部分文献把分布在我国新疆北部阿尔泰山地区的欧亚猞猁列为单独的阿尔泰亚种L.l.wardi(Smith和解焱，2009)。本研究中，聚类分析结果将中国欧亚猞猁的分布位点分为3部分，其中东北亚种的分布基本与聚类1吻合。但是无论是仅使用中国境内数据或是综合使用中国以及周边地区数据，所得到的聚类2 和聚类3 都无法与欧亚猞猁在中国的阿尔泰亚种、青藏亚种地理分布区划完全吻合(Smith 和解焱，2009；魏辅文，2022)。据文献记载，阿尔泰亚种分布在阿尔泰山地区，天山地区分布的亚种为青藏亚种 (Smith 和解焱，2009)，而本研究结果显示二者无法根据地理分布位置的聚类区分开，说明青藏亚种与阿尔泰亚种的栖息地可能存在交叠，其重叠区域可能主要在新疆准葛尔盆地周边地区。对该地区的欧亚猞猁进一步开展形态学、行为学、演化基因组学以及相关的地质历史、古气候研究，将有助于我们厘清该区域欧亚猞猁种群的演化历史与分类地位。

欧亚猞猁在与中国交界的俄罗斯、蒙古国以及中亚多国均有分布，其境外分布位点数据与中国境内分布位点在空间上是连续的。受限于境外数据的获取，本研究仅以中国国界线作为欧亚猞猁适宜栖息地预测的边界，因此对于边境附近地区的预测结果可能存在相应的偏差。对于跨国分布的欧亚猞猁，已经有相关研究使用MaxEnt 模型对中国、哈萨克斯坦、吉尔吉斯斯坦、乌兹别克斯坦边境地区的欧亚猞猁分布范围进行了预测，评估了该地区欧亚猞猁跨境保护现状与前景 (Bizhanovaet al., 2022)。许多物种的分布研究往往以人为划定的政治边界作为分割线，这与物种的自然分布往往不甚相同，尤其是在国家尺度上进行物种保护规划时。有效保护跨境分布的受威胁物种，需要多个国家的协同合作 (王利繁等，2015; Vitkalovaet al., 2018; Wanget al., 2018)。欧亚猞猁在中国东北地区的分布与俄罗斯的西伯利亚和远东地区相连，在中国西北新疆地区的分布与俄罗斯和多个中亚国家相连，在中国西南喜马拉雅地区的分布则与印度、巴基斯坦、尼泊尔等国家相连。今后非常有必要同这些国家与地区联合开展欧亚猞猁的跨境调查与监测，以全面了解跨境种群的状况与动态。

在以往对全国欧亚猞猁分布状况的评估中，研究人员更多使用保护区本底物种名录、地方志记载等数据来源 (Yanget al., 2017；张睿，2017)，其数据精度与可靠性较低，同时也存在数据更新不及时、时效性低的问题，可能对分布现状的评估产生较大影响。2010 年以来，随着智能手机的全面普及，中国网民数量激增，大量社交平台不断涌现，为普通人分享生活提供了便利的平台。由互联网构建的大型平台使得不同来源的信息快速传播、交流变得触手可及，这其中也包括许多野生动物的观察记录。在本研究收集的网络数据中，也不乏一定数量的由个人上传至社交平台的欧亚猞猁目击记录。这些记录往往具有较为精准的定位，传播时效性更高，获取方式更加便捷，为数据收集提供了更多来源和渠道 (Diet al.,2015)。但是，社交平台传播的野生动物视频，也经常出现“张冠李戴”的现象，研究者需要对其实际拍摄地点、日期等信息进行多方仔细核实。当地居民使用社交媒体记录下的野生动物文字、影像、视频等资料也可以反映人们与野生动物的互动关系，是了解当地居民对野生动物态度的重要渠道，对于保护工作的开展具有重要意义 (Gaoet al., 2023)。相比社交媒体，更全面地构建面向大众的公民科学 (citizen science) 数据收集平台，对野生动物研究者和管理者来说是一种更加省时省力且覆盖范围广、收集数据量大的数据收集方法，能够为动物保护提供宝贵并且精确可信的原始数据 (Silvertown, 2009)。在中国进一步推动公民科学平台的建设，对欧亚猞猁以及其他野生动物的监测、研究和保护都将具有重要意义。

致谢：感谢祁连山国家公园青海管理局对欧亚猞猁调查的支持。感谢北京大学生命科学学院段菲、朱淑怡和中国猫科动物保护联盟 (猫盟) 及其志愿者在本研究数据收集过程中提供的数据资料支持。