物种互作网络中结构特征的鲁棒性

物种互作网络是描述生态群落的强大工具；它们通常包含代表物种的节点和代表物种间互作的边。为了对相似网络群组进行抽象推断，生态学家常使用图拓扑度量来总结结构特征。然而，收集构建这些网络所需的数据极具挑战性，可能导致部分互作被遗漏。因此，理解不同结构度量受缺失数据影响的程度至关重要。为解答此问题，我们分析了一个包含 148 个真实世界二分网络的数据库，涵盖四种不同类型的物种互作（授粉、宿主-寄生、植物-蚂蚁和种子传播）。对于每个网络，我们测量了六种不同的拓扑属性：连通分量数、节点介数方差、节点 PageRank 方差、最大特征值、非零特征值数量，以及由四种不同算法确定的社区检测。随后，我们测试了当向网络中添加代表可能被遗漏数据的额外边时，这些属性如何变化。我们发现不同属性对缺失数据的鲁棒性存在显著差异。例如，随着边的添加，Clauset-Newman-Moore 和 Louvain 社区检测算法表现出比标签传播和 Girvan-Newman 算法更为平缓的变化，表明前者的鲁棒性更强。某些度量的鲁棒性还因互作类型而异。这些结果为在分析杂乱的生态网络数据时选择网络属性奠定了基础。