集成物种分布模型在空间转移预测中的性能评估：环境异质性与隐藏空间过程的影响

本文通过模拟研究评估了集成物种分布模型（ISDM）在空间转移预测中的表现，比较了其与单一数据源模型（PO、PA）在环境异质性和隐藏空间过程场景下的预测准确性、不确定性量化及参数估计效果。结果表明，ISDM能有效整合存在-仅（PO）和存在-缺失（PA）数据优势，在PO数据存在采样偏差或环境覆盖不全时显著提升转移预测的稳健性，尤其在处理大范围环境差异时表现优异；然而，当物种分布受强空间自相关主导时，所有模型转移性能均下降，凸显了隐藏生态过程对预测的挑战。

　　

研究背景与意义

随着生态观测数据的快速增长，利用物种分布模型（SDM）预测物种在未研究区域的分布已成为生态学和保护生物学的重要工具。空间模型转移指将在训练站点拟合的模型应用于地理上分离的预测站点，但其准确性受环境差异、数据偏差和隐藏生态过程等多因素影响。集成物种分布模型通过整合存在-仅（PO）和存在-缺失（PA）等多源数据，有望提升转移预测的稳健性，然而其实际性能尚未系统评估。本研究通过控制模拟实验，首次全面探讨ISDM在两类典型转移场景（环境异质性、隐藏空间过程）中的表现，为数据整合策略提供理论依据。

模拟实验设计

研究采用点过程理论框架生成虚拟物种分布。真实强度函数λ₀(s)由环境协变量X₁(s)（空间结构梯度）和X₂(s)（随机噪声）线性组合构成，训练站点D_T与预测站点D_P为互不重叠的100×100网格区域。PO数据通过薄化算法生成，模拟了低（80±171条）和高（331±1261条）记录量场景，并引入随x坐标递增的空间采样偏差（p_bias(s)）；PA数据则通过分层随机抽样获得50×50网格的检测记录（平均32条存在记录）。ISDM模型联合拟合PO和PA数据的似然函数，包含共享强度函数、数据特异性截距项及可选的偏差协变量或高斯随机场（GRF）。

场景一：环境异质性对转移性能的影响

通过计算投影站点网格与训练站点的平均Shape值（标准化马氏距离），将环境差异分为低（0–40）、中（40–80）、高（80–120）三等级。结果显示：

• •
  预测准确性：ISDM在全部差异等级下均保持最低的均方根误差（RMSE）和最高相关性，显著优于PA模型；当PO数据存在未校正偏差时，ISDM性能下降幅度远小于PO模型。
• •
  不确定性量化：ISDM的95%后验区间覆盖概率最接近理想值，区间评分（interval score）稳定。
• •
  参数估计：ISDM和PO模型对系数β₁、β₂的估计更精确（后验标准差更低），且ISDM能通过PA截距抵消PO偏差对截距估计的干扰。
• •
  环境覆盖度：集成数据集在训练站点覆盖的协变量范围更广，降低了预测时的外推风险。

场景二：隐藏空间过程的挑战

在强度函数中加入高斯随机场u(s)（Matérn协方差，平滑度υ_u=0.5），调整其方差σ_u²与固定效应方差比R_u为0.2、1、5，对应随机效应贡献从低到高。关键发现：

• •
  转移预测性能：当R_u较低时，ISDM的RMSE和相关性略优于PA模型；但随着R_u增大，所有模型预测误差上升，ISDM优势减弱。包含GRF的模型在不确定性量化（区间评分、覆盖概率）方面显著改善。
• •
  空间随机场重建：PO和ISDM对u(s)的空间模式重建相关性最高（尤其偏差校正后），但RMSE随R_u增加而升高；PA模型因数据量少，重建效果较差。
• •
  偏差处理的影响：未校正偏差使PO模型的空间场重建质量急剧下降，而ISDM受影响较小，凸显整合PA数据对偏差的缓冲作用。

讨论与结论

1. 1.
   数据整合的价值：ISDM在环境异质性场景中通过互补数据扩展环境覆盖、优化参数估计，并利用PA截距提升偏差鲁棒性。即使PO数据量少或偏差未完全校正，整合仍可能改善转移预测。
2. 2.
   隐藏过程的限制：当物种分布由强空间过程主导时，GRF在训练站点的信息难以迁移至远端预测站点，导致所有模型性能下降。此时，ISDM仅能通过提升训练站点拟合效果间接帮助转移。
3. 3.
   实践建议：在PO数据量大但偏差显著、或PA数据地理覆盖有限时，集成建模收益最大；若转移涉及高度空间结构化过程，需谨慎评估GRF的迁移有效性。未来可探索非平稳随机场或结合投影站点先验信息的方法。

研究展望

本研究聚焦静态线性响应模型，未来需拓展至非平稳环境响应、多物种交互及动态分布场景。同时，实际应用中需开发更灵活的偏差校正算法和数据集加权策略，以充分发挥集成建模在生态预测中的潜力。