可解释人工智能中模型无关事后方法评估：增强物种分布模型以揭示民多洛疣猪保护新视角

本研究针对物种分布模型(SDM)在解释性上存在的空间尺度差异（重全局轻局部）问题，来自菲律宾的研究团队应用Permutation Feature Importance、SHAP、ALE等模型无关事后解释方法，揭示了年降水量是影响民多洛疣猪( Sus oliveri )分布的关键生物气候特征。研究发现三个潜在保护区（约1km2）内生物气候特征的累积效应反而降低了存在概率，这为优化局部监测策略提供了科学依据，同时拓展了SDM的可解释性研究维度。

　　

物种分布模型(Species Distribution Models, SDM)通过环境特征估算潜在保护区范围，为濒危物种保护计划提供远程指导。当前大多数SDM研究仅关注研究区域尺度的全局解释(global)，而忽视了保护活动实际实施的特定局部站点(local)的预测解释。本研究运用可解释人工智能(Explainable Artificial Intelligence, XAI)中的模型无关事后(model-agnostic post-hoc)方法，从全局和局部两个尺度填补SDM的可解释性空间空白。

研究以菲律宾民多洛岛特有濒危物种——民多洛疣猪(Sus oliveri)为对象，解析生物气候特征对其SDM预测的重要性、效应及交互作用。高存在概率区域主要分布在海拔较高的民多洛山脉沿线。全局解释方法（包括置换特征重要性Permutation Feature Importance、沙普利加和解释SHAP以及累积局部效应ALE）表明，年降水量(annual precipitation)是驱动全岛分布趋势的主导因子，降水量与存在概率呈正相关关系。

在三个约1km²的潜在保护站点（伊格利特-巴科山国家公园、上阿姆纳伊流域及卡拉维特山野生动物保护区），局部解释方法（SHAP、局部可解释模型无关解释LIME及分解解释Break Down）同样验证了这一规律。然而这些站点的生物气候特征累积效应却导致预测存在概率降低，这一发现呼吁加强对民多洛疣猪种群的局部监测实践。

该研究不仅延续了在民多洛岛开展的保护实践，更通过可解释性方法拓展了SDM分析范式，为解读物种分布预测开辟了新的维度。