基于模型的数据整合技术提升了数据匮乏且分布范围狭窄的蜂鸟物种的分布模型精度

《Diversity and Distributions》：Model-Based Data Integration Improves Species Distribution Models for Data-Deficient and Narrow-Ranged Hummingbird Species

本研究通过整合eBird和GBIF数据，构建了98种南美及中美洲蜂鸟的物种分布模型（SDM），对比了仅用存在-缺失（PA）或存在（PO）数据与整合数据的效果。结果表明，数据整合显著提升了预测准确性，尤其在数据稀缺物种和分布范围广的物种中，空间交叉验证和专家校准验证了模型可靠性。

　　

摘要

研究目的

对于分布范围狭窄或种群数量较少的物种而言，物种出现记录的缺乏会限制构建准确物种分布模型（SDM）的能力。通过整合来自多个来源的数据来改进大尺度上的物种分布预测已成为一种解决方案，尤其是对于数据不足的物种，但目前尚缺乏明确的实证支持。

研究地点

南美洲和中美洲。

研究方法

我们采用了一种先进的数据整合技术来模拟98种蜂鸟的分布情况。我们使用eBird提供的存在-缺失（PA）数据或仅使用eBird及全球生物多样性信息网络（GBIF）提供的存在数据来拟合SDM，并将其与同时使用PA数据和PO数据的整合SDM进行了比较。我们还建立了广义线性混合效应模型，并通过空间块交叉验证和专家范围图调整验证来对这些模型进行了验证。此外，我们还使用人为减少数据量的47种物种的数据集进行了实验，以评估在不同数据缺失程度下的模型性能。

研究结果

与仅使用PA数据的模型相比，数据整合显著提高了模型对分布范围狭窄且数据不足的物种的预测性能，因为PA数据在这些物种的研究区域内的覆盖范围较为有限。尽管如此，两种模型之间的差异仍然很小。实验表明，即使在数据整合中加入少量的PO数据，也能提高预测准确性。与仅使用PO数据的模型相比，数据整合在所有物种上都能提升模型性能，尤其是在那些地理分布范围较广且数据丰富的物种上效果更为显著。

主要结论

总体而言，数据整合能够更全面地获取现有物种信息，并比传统建模方法更准确地预测物种的分布范围。

利益冲突

作者声明没有利益冲突。

数据可用性声明

支持研究结果的模型结构和代码已存档在Dryad仓库中（https://doi.org/10.5061/dryad.q83bk3jrs）。物种数据、环境数据及物种分布图可从数据仓库中的README文件中获取的原始数据源中提取。

同行评审

本文的同行评审记录可访问：https://www.webofscience.com/api/gateway/wos/peer-review/10.1111/ddi.70157。