综述：不让任何物种掉队：借力数据丰富物种绘制数据缺乏物种的分布图

这篇综述创新性地提出"借力"（borrowing strength）策略，通过多物种分布模型（MSDMs）和联合物种分布模型（JSDMs）整合性状与系统发育等辅助信息，解决生物多样性保护中数据缺乏物种（<30条记录）的分布预测难题。文章系统评述了如何利用数据丰富物种的信息提升54%无记录物种和83%数据不足植物的预测精度，为填补"华莱士空缺"（Wallacean shortfall）提供统计框架。

　　

在生物多样性快速丧失的背景下，《不让任何物种掉队：借力数据丰富物种绘制数据缺乏物种的分布图》这篇综述提出了突破性的解决方案。当前全球52%陆生脊椎动物、89%昆虫和83%植物属于数据缺乏物种，其中54%甚至完全没有分布记录，严重制约保护决策。

物种分布模型在保护规划中的作用
传统单物种分布模型（SDM）面临数据匮乏的挑战，而新兴的多物种分布模型（MSDM）和联合物种分布模型（JSDM）通过"借力"策略实现信息共享。MSDM通过环境响应系数矩阵捕捉物种间生态位相似性，JSDM则通过残差协方差矩阵量化物种共现模式。这两种模型架构为数据缺乏物种的预测提供了互补视角。

现有物种分布建模方法
模型演进呈现四大路径：独立SDM（图2A）、直接相关模型（图2B）、潜在过程模型（图2C）和辅助信息模型（图2D）。关键突破在于第三类模型引入自由参数ω，动态调节系统发育或性状距离对信息共享的权重，避免先验假设的偏差。例如，HMSC框架通过估计系统发育信号强度（而非预设布朗运动模型），更灵活地适应不同进化模式。

辅助信息的潜力
性状和系统发育作为辅助信息，分别从不同维度提升预测：

性状
植物叶片性状与气候适应性、动物体型与热调节等"响应性状"可解码生态位维度。但需注意性状选择争议——澳大利亚灌木案例显示，仅17%的性状组合能显著解释分布变异。最新解决方案是通过主成分分析压缩多维性状空间，构建"功能距离矩阵"。

系统发育信息
作为未测量性状的代理，系统发育信号存在三种进化模式：布朗运动（BM）、奥恩斯坦-乌伦贝克（OU）和早期爆发模型。研究表明，74%的鸟类生态位呈现超BM模型的保守性，这支持了通过系统发育广义线性混合模型（PGLMM）进行跨类群预测的可行性。

数据缺乏模型的考量与评估
面对小样本挑战，建议采用三重验证策略：

• 虚拟物种模拟测试模型稳健性
• 人为稀释数据丰富物种的记录
• 跨区域独立数据验证（如伊利诺伊州模型在俄亥俄州的转移应用）

机器学习与专家知识的融合
迁移学习框架将数据丰富物种作为源域，通过特征对齐技术提升目标域（数据缺乏物种）的预测。结构方程模型（SEM）则可整合专家先验知识，如强制设定捕食者-被捕食者关联矩阵，减少自由参数。

简化工作流程促进应用
通过重构JSDM为空间变系数模型，可利用广泛支持的mgcv等R包降低计算门槛。加拿大北方森林的试点项目显示，整合木材密度等6种功能性状后，数据缺乏树种的分布预测准确率提升41%。

这项研究开创性地构建了"数据收集-模型开发-保护应用"的全链条框架，其核心突破在于证明：当辅助信息能解释≥30%的生态位变异时，数据缺乏物种的预测误差可降低至可接受范围（<15%）。这为实现联合国生物多样性公约"3030"目标提供了关键技术支撑。