使用贝叶斯网络预测隐秘物种的分布情况（包括有无专家协作的情形）：一个结合双盲同行评审的案例研究

《Ecological Solutions and Evidence》：Predicting secretive species distribution using Bayesian networks with and without expert collaboration: A case study incorporating double-blind peer review

预测稀有鸟类栖息地时，贝叶斯网络（BN）模型结合双盲同行评审与文献综述可提升预测精度。研究以密西西比河冲积 valley 的 King Rail 为例，构建了两种 BN 模型：PRBN（专家双盲评审）和 LRBN（文献综述）。结果显示 LRBN 在区分目标物种与非目标物种（AUC 值 0.81-0.97 vs 0.62-0.85）及跨区域预测一致性（标准差 0.003-0.005 vs 0.019-0.068）上更优，尤其在卫星追踪验证中 LRBN 的预测值更接近真实分布。研究提出双盲评审在数据极度缺乏时更有必要，但文献结合单一专家建模在资源有限时可达到类似效果。

　　在这项研究中，科学家们探讨了如何在缺乏充足数据的情况下，利用专家知识和双盲同行评审方法构建贝叶斯网络（Bayesian Networks, BNs），以预测一种隐秘且濒危的物种——国王秧鸡（*Rallus elegans*）在密西西比河冲积谷（Mississippi Alluvial Valley, 简称“Valley”）中的分布情况。国王秧鸡是一种难以被人类观察到的鸟类，其种群数量在过去75年中大幅下降，主要原因是栖息地的丧失和退化。因此，传统的生态研究方法难以有效收集关于该物种的详细信息，而贝叶斯网络作为一种灵活且直观的建模工具，为这种情况下物种分布预测提供了新的思路。

贝叶斯网络能够整合多种信息来源，包括文献综述、专家知识以及社区科学数据（如eBird和iNaturalist等平台的观测记录）。在某些情况下，专家知识可能比文献综述更具价值，尤其是当缺乏足够数据时。然而，专家意见的主观性可能导致模型偏差，因此需要一种科学的方法来减少这种风险。为此，研究团队引入了双盲同行评审机制，即在模型构建过程中，专家之间不互相知晓身份，以确保其判断基于客观数据，而非个人偏好或潜在的偏见。

研究设计了两种类型的贝叶斯网络模型：一种是基于文献综述的模型（Literature Review Bayesian Networks, LRBNs），另一种是通过双盲同行评审过程构建的模型（Peer-Reviewed Bayesian Networks, PRBNs）。为了比较这两种模型的预测能力，研究团队使用了两种数据集进行验证：一是来自eBird的鸟类观测数据，二是来自卫星追踪的国王秧鸡实际活动位置数据。通过分析这些数据，研究人员评估了模型在不同区域和时间段内的表现，并尝试识别哪种模型更适合用于预测隐秘物种的分布。

结果显示，LRBNs在整体区域内的预测能力略优于PRBNs，尤其是在区分国王秧鸡肉和非目标物种（如Tufted Titmouse和Prothonotary Warbler）的分布上表现更为一致。然而，PRBNs在较小区域内的区分能力可能更强，能够更精确地识别国王秧鸡和非目标物种的分布差异。这表明，在某些情况下，单一专家结合文献综述的方法可能比多人协作的双盲同行评审方法更有效，特别是在数据充足且研究目标明确时。

此外，研究还发现，使用eBird等社区科学数据作为训练和测试数据时，模型的预测不确定性较高。这可能与这些数据的精度和准确性有关，因为社区科学数据通常依赖于志愿者的观测记录，可能存在位置误差和物种误识别的问题。因此，在利用这类数据进行建模时，研究者需要对其局限性有充分的认识，并采取相应的校正措施。

研究还强调了双盲同行评审在专家知识整合中的重要性。尽管这种过程可能耗时较长，但其有助于减少专家间的主观偏见，提高模型的可靠性。然而，由于在某些情况下，LRBNs的表现更优，这表明在资源有限或时间紧迫的情况下，单一专家结合文献综述的方法可能是一个可行的替代方案。

研究团队还指出，未来的研究可以进一步探索如何优化双盲同行评审过程，以提高模型的预测能力。例如，可以通过增加变量数量、使用连续变量而非离散状态、以及引入更全面的评估指标（如特异度、敏感性和偏差）来提升模型的准确性。此外，研究建议在隐秘物种的研究中，结合标准化的湿地鸟类调查方法，以提高数据的可靠性和模型的适用性。

总体而言，这项研究为生态学家提供了一种可行的方法，用于在数据匮乏的情况下构建贝叶斯网络模型。它不仅展示了双盲同行评审在专家知识整合中的潜在价值，还指出了在某些情境下，基于文献综述的单一专家模型可能更有效。这一发现对于未来在类似研究中选择合适的建模策略具有重要的参考意义，尤其是在面对隐秘物种时，研究者可以根据具体情况权衡使用不同方法的利弊，以实现更精准的生态预测和保护决策。