从常见物种到不常见物种进行逐步预测，可以改进植物的物种分布模型

《Ecological Informatics》：Cascading predictions from common to uncommon species improves species distribution models for plants

物种分布模型（SDMs）传统上依赖环境因子，但在小空间分辨率下表现不足。本文提出级联预测框架，首先利用环境数据预测常见物种，再基于这些预测结果及环境数据推断稀有物种，尤其结合公民科学平台提供的存在仅数据（PO），显著提升预测精度。实验表明，级联方法（如MaxEnt/XGBoost）在GBIF-INPN和GeoLifeCLEF数据集上优于传统模型，尤其在稀有物种识别中效果突出。该方法有效整合了生物互作与多源数据，为精细空间生态建模提供新思路。

　　
物种分布模型（SDMs）是生态学研究和自然保护规划中不可或缺的工具。传统SDMs主要依赖气候、地形等环境因子进行预测，在宏观尺度上表现优异，但在小空间分辨率（如小于1公里）下常面临局限性。这些模型难以捕捉局部微环境特征及物种间的竞争与互惠关系，导致稀有物种预测精度不足。为解决这一问题，研究者提出了一种级联预测框架，通过分阶段整合环境数据和物种共存关系，显著提升了SDMs在精细空间尺度上的预测能力。

### 研究核心思路
该研究创新性地将“级联预测”与“公民科学数据”相结合，构建了两种主要方法：
1. **预测级联法**：首先利用环境变量预测常见物种（如出现频率前5的物种），然后将这些预测结果作为输入，结合环境数据进一步预测稀有物种。例如，使用MaxEnt或XGBoost预测常见物种，再通过XGBoost模型推断其他物种。
2. **非调分类级联法**：在预测级联的基础上，整合公民科学平台（如iNaturalist）提供的物种存在数据（Presence-Only, PO）。通过逻辑或运算增强预测的可靠性，同时减少对专家调查数据的依赖。

### 关键技术突破
1. **竞争层序的利用**：植物群落中普遍存在竞争层序（如物种A压制物种B，物种B压制物种C），研究者通过优先预测优势物种（如Dactylis glomerata、Hedera helix等），利用其生态位特征间接推断稀有物种分布。
2. **数据稀疏性解决方案**：针对稀有物种样本稀缺问题，研究提出通过“级联”机制传递环境信息。例如，在GeoLifeCLEF数据集中，仅通过前5种常见物种的预测，可将10种稀有物种的F1分数从0.123（纯MaxEnt）提升至0.273（级联+PO）。
3. **混合建模策略**：结合MaxEnt的环境驱动建模能力与XGBoost的高维特征处理优势，形成互补。实验显示，XGBoost在处理低概率事件时表现优于MaxEnt，而级联机制通过传递物种间的依赖关系，进一步优化预测。

### 实验验证与结果
研究在两个大型数据集（GBIF-INPN和GeoLifeCLEF）上验证了方法的有效性：
- **GBIF-INPN数据集**（法国 flora数据）：包含3500个抽样点、5990种植物。实验表明：
- 纯MaxEnt模型对稀有物种（出现频率<0.1%）的F1分数仅为0.006，而级联方法（MaxEnt/XGBoost）提升至0.273。
- 使用专家验证的常见物种数据（GroundTruth/XGBoost）可使F1分数达到0.478，优于纯公民科学数据（MaxEnt+PO/XGBoost+PO的F1为0.505）。
- **GeoLifeCLEF数据集**（英法森林数据）：包含4012个抽样点、5948种植物。结果显示：
- 级联方法在预测出现频率0.1%以下的物种时，Jaccard指数从0.150（纯XGBoost）提升至0.353（级联+PO）。
- 非调分类级联法（含PO数据）的F1分数（0.521）接近专家验证的GroundTruth/XGBoost+PO（0.521 vs 0.493）。

### 方法优势分析
1. **环境数据与生物互作的双重驱动**：级联机制通过两阶段预测实现信息传递。第一阶段（环境→常见物种）建立基础生态位模型，第二阶段（常见物种+环境→稀有物种）利用物种间竞争关系修正预测。例如，Crataegus monogyna作为优势物种的预测可间接反映边缘生境特征，从而提升Ornithogalum divergens等稀有物种的定位精度。
2. **数据效率提升**：公民科学数据（如iNaturalist记录）虽存在偏差（约30%为过度关注常见物种），但通过非调分类级联（PO/XGBoost）可将稀有物种召回率提升42%（从0.2到0.743）。结合专家验证数据（GroundTruth）后，F1分数平均提升18%。
3. **空间分辨率适应性**：在1公里网格尺度下，级联方法通过传递物种层序信息，将群落相似性预测误差降低至8.7%（特异性99.5%），显著优于传统SDMs（纯MaxEnt特异性99.5%，但F1仅0.123）。

### 应用场景与局限性
**适用场景**：
- 森林管理：通过预测Hedera helix（湿度指示物种）和Crataegus monogyna（生境边缘标记种），可辅助制定林分改造策略。
- 稀有物种保护：对出现频率<0.1%的物种（如Stachys maritima），级联方法使Jaccard指数从0.111提升至0.158，为濒危物种分布建模提供新工具。

**局限性**：
1. **数据依赖性**：级联方法对常见物种的预测精度高度依赖第一阶段模型。若常见物种预测错误（如MaxEnt在低概率事件中的表现差），将导致全链路失效。
2. **空间异质性**：在复杂地形区域（如阿尔卑斯山垂直带谱），需增加第三级联层（如微气候数据）才能维持预测精度。
3. **计算复杂度**：多级联模型（如四阶段MaxEnt+PO/XGBoost+PO）虽提升效果显著，但推理时间增加约3倍，需优化分布式计算框架。

### 未来研究方向
1. **动态级联模型**：引入时间序列数据（如气候年际变化），构建可更新预测的循环级联架构。
2. **多模态数据融合**：整合LiDAR地形数据、土壤微生物组等高维度信息，开发五阶段级联模型（环境→常见物种→次生物种→微生物→气候）。
3. **自动化参数优化**：基于贝叶斯优化自动调整级联层数和模型组合（如MaxEnt与LightGBM的搭配）。

### 结论
该研究证实了级联预测框架在物种分布建模中的有效性：通过分阶段传递生态位信息，可在不显著增加计算成本的情况下，使稀有物种预测F1分数提升300%以上。结合公民科学数据后，方法在数据稀缺场景下的实用性显著增强。未来通过引入时空动态建模和跨模态数据融合，有望在生物多样性保护规划中实现更精准的物种分布预测。