2. 数据来源与格式：野外调查、文献、数据库
做物种组成和功能特征分析，第一步就是搞数据。说白了，没有数据，再牛的分析方法也是空中楼阁。
我刚开始做这类研究时，总以为数据嘛，找几个数据库下载就行。结果呢？数据格式乱七八糟，字段对不上，缺失值一堆……后来痛定思痛，才把数据源的套路摸清楚。
数据来源主要有三类：野外调查、文献挖掘、数据库下载（如GBIF、TRY）。每类来源的格式和注意事项差别挺大。我个人习惯是把三类数据分开管理，最后再整合，这样出现问题时好追溯。
2.1 野外调查数据
野外调查是第一手数据，也是最可靠的来源。你想想看，自己亲手测的性状值，心里肯定更有底。
常见格式：通常是Excel或CSV文件。每行代表一个个体或一次观测，每列代表一个变量。
| 列名 | 说明 | 示例 |
|---|---|---|
| plot_id | 样地编号 | PLOT_001 |
| species | 物种名 | Quercus_alba |
| leaf_length_mm | 叶长(mm) | 85.3 |
| leaf_width_mm | 叶宽(mm) | 42.1 |
| SLA_cm2_g | 比叶面积(cm²/g) | 12.7 |
| LDMC_g_g | 叶片干物质含量(g/g) | 0.34 |
避坑指南：我曾经在野外调查时忽略了采样标准。结果呢？同一物种的数据变异大得离谱，后来发现是采样时期不同导致的。
2.2 文献数据
文献挖掘是个苦活，但能极大扩充你的数据集。尤其当你需要全球尺度的分析时，文献数据往往是主力。
常见格式：文献数据通常以表格形式出现在文章正文或附录中。你需要手动提取，或者用一些工具辅助。
提取要点：
- 优先从补充材料 (Supplementary Materials) 中直接获取原始数据
- 如果只有图表，可以用WebPlotDigitizer等工具提取数值
- 记录文献DOI和提取方法，方便溯源
我个人习惯：建立一个文献数据模板，每次提取时套用模板，保证结构一致。
# 文献数据模板示例
study_id: DOI_or_citation
species: Quercus_alba
trait: leaf_length_mm
mean: 85.3
sd: 12.1
n: 30
location: USA_Indiana
extraction_method: manual_table
2.3 数据库数据
数据库是数据获取的捷径。GBIF (Global Biodiversity Information Facility) 提供物种分布数据，TRY (TRY Plant Trait Database) 提供植物功能性状数据。
GBIF数据格式：
GBIF的数据以Darwin Core标准组织，常见的有CSV和DwC-A格式。字段包括物种名、经纬度、采集时间等。
# GBIF数据示例
gbifID,species,decimalLatitude,decimalLongitude,eventDate,coordinateUncertaintyInMeters
112233,Quercus_alba,39.123,-86.456,2020-05-12,100
112234,Quercus_rubra,39.789,-86.123,2020-05-15,50
TRY数据格式：
TRY提供的数据格式比较固定，常用的是一个宽表格，每行是一个物种-性状-值组合。
# TRY数据示例
DatasetID,SpeciesName,TraitID,TraitName,StdValue,Unit,OrigValueStr
42,Quercus_alba,3115,Leaf_area,35.2,mm2,35.2
42,Quercus_alba,3117,Leaf_dry_mass,0.12,g,0.12
数据库API调用：
如果你熟悉编程，可以直接调用API获取数据。这样效率更高，而且可以自动化更新。
# 使用Python调用GBIF API
import requests
url = "https://api.gbif.org/v1/occurrence/search"
params = {
"speciesKey": 2877952,
"limit": 100,
"hasCoordinate": True
}
response = requests.get(url, params=params)
data = response.json()
print(data['results'][0]['species'])
2.4 数据整合与格式统一
数据来源多样，格式各异。怎么把它们整合到一起？这是数据科学家的基本功。
整合流程：
- 统一物种名：使用权威名录（如GBIF Backbone Taxonomy）进行匹配
- 统一单位：比如所有长度单位统一为mm，所有面积单位统一为cm²
- 统一表结构：建立标准字段名和数据类型
- 记录来源：为每行数据添加来源标签（field/literature/GBIF/TRY）
举个例子：
| 来源 | 物种名 | 比叶面积 | 单位 |
|---|---|---|---|
| 野外调查 | Quercus_alba | 12.7 | cm²/g |
| 文献 | Quercus_alba | 13.1 | cm²/g |
| TRY | Quercus_alba | 11.9 | cm²/g |
你看，同一物种的SLA在不同来源里有差异。这很正常。原因可能是采样时间、地理位置的差异，也可能是测量方法的不同。
SVG图：数据来源与整合流程
下面这张图展示了三种数据来源的整合路径。嗯，这可是我在项目中摸索出来的框架。
这张图说的就是，三种数据来源经过清洗和标准化后，最终整合成一个分析就绪的数据集。嗯，这里要注意的是，清洗阶段往往是整个流程中最耗时的部分。
2.5 小结
数据来源决定了你分析的上限。野外数据可靠但样本量小，文献数据丰富但质量难控，数据库数据量大但噪声多。我的建议是：优先使用野外数据，用文献和数据库数据补充。同时，做好元数据记录，这是数据复用的基础。