《Methods in Ecology and Evolution》：A comparison of clustering approaches to create sites for occupancy models from opportunistic biodiversity surveys
编辑推荐：
机会性调查（如公民科学生物多样性编目计划存档的数据）可在大尺度时空范围内提供物种观测记录。与多数生物多样性数据一样，机会性报告存在生物有机体不完全探测（imperfect detection）问题，可能扭曲用于科学与自然资源管理的物种分布模型。占用模型（occ
机会性调查（如公民科学生物多样性编目计划存档的数据）可在大尺度时空范围内提供物种观测记录。与多数生物多样性数据一样，机会性报告存在生物有机体不完全探测（imperfect detection）问题，可能扭曲用于科学与自然资源管理的物种分布模型。占用模型（occupancy models）及其变体可校正不完全探测，但机会性调查通常未按占用建模所需的抽样协议采集。站点聚类问题（Site Clustering Problem）将该问题形式化为从非结构化观测中构建站点的聚类任务。
研究人员开发并评估了从机会性数据构建占用模型的工作流，包括观测聚类、站点几何生成与模型拟合步骤。研究人员在美国俄勒冈州31种鸟类上比较了8种聚类方法作为站点聚类问题的潜在解，依据下游占用模型的预测表现评估聚类方法，并分析家域大小与栖息地类型等物种性状的影响；在模拟研究中测量估计参数与真实数据生成参数的差异。
评估揭示若干见解：兼顾环境空间与地理空间相似性的机器学习聚类方法可将相似环境中邻近坐标的观测归组，其中部分方法表现居前；而将2至10条同址观测归为站点的简单方法同样具竞争力。
该研究探索了弥合大型机会性生物多样性调查数据库与校正不完全探测模型所需抽样框架差距的选项集。结果为建模者构建占用模型站点提供初步指导及未来方向，特别是兼顾物种特异性空间约束的聚类方法发展有望改进站点聚类问题求解。
研究背景方面，公民科学项目（如eBird、iNaturalist）持续产出大时空尺度的生物多样性数据，但基于检测/非检测结构的占用模型依赖“站点预先固定、闭合期内多次重复访问”的抽样协议，机会性调查无预定义站点且空间范围多变，导致无法直接套用占用模型校正不完全探测（false negatives）。现有事后建站规则多仅按经纬度聚合并随意截断访次数，忽视环境同质性，引出“站点聚类问题（Site Clustering Problem）”：如何从非协议采集的带坐标生物多样性调查中对观测分组，使所得站点尽量满足闭合假设并支撑占用建模。该研究即系统比较候选聚类方案，并用点过程占用模型（occupancy model based on Poisson point process，occuPPM）统一变尺寸站点，发表于《Methods in Ecology and Evolution》。
关键技术方法上，研究人员取美国西南俄勒冈州eBird 2017—2018年繁殖季（5月15日—7月9日）完整清单，剔除行程>0.25 km及热点（hotspot）清单，2017年建站训练、2018年作时间独立测试集并按六边形网格平衡抽样得25个测试集/种；环境协变量用DEM高程与Landsat Tasseled Cap亮度/绿度/湿度/角度，探测协变量用日期、起始时间、时长、路程、观察人数。聚类对比8法：lat-long、2to10、2to10-sameObs、1to10、rounded-4、1-kmSq、BayesOptClustGeo（clustGeo经贝叶斯优化调κ）、DBSC（Delaunay三角剖分加环境空间密度聚类）；站点由聚类点经凸包/样线连接、缓冲、Voronoi裁叠多边形化；拟合occuPPM（在unmarked内实现，用互补双对数（cloglog）链接地表强度积分与站点占用概率）；模拟数据用IPP（inhomogeneous Poisson process）生成状态过程、logit探测过程，验证参数恢复；用AUC（area under ROC curve）评预测、线性混合效应模型析物种性状交互。
研究结果部分，3.1节“Recovery of data-generating mechanisms”通过模拟均匀抽样显示occuPPM能恢复真参数，训练站点数增多则截距/斜率误差与方差下降，正/负加权抽样在小样本下降误。3.2节“Prediction of held-out observations”以lat-long为基线，平均31种AUC提升：1-kmSq约6.5%，BayesOptClustGeo达32.7%；滤除单次访问的2to10与2to10-sameObs优于混合设计1to10，rounded-4近似2to10，DBSC不及1to10，BayesOptClustGeo居首（best-clustGeo泄试集调参不可比）。3.3节“Effects of species traits”线性混合模型指出低流行度与大、中家域物种对聚类法最敏感，ML空间环境聚类在其上增益最大。3.4节“Differences in number of selected sites”展示clustGeo站点数（κ）控站点直径，BayesOptClustGeo与best-clustGeo选站比例有物种间偏差。3.5节“Qualitative differences in maps”以黑头蜡嘴雀（Black-headed Grosbeak）为例，500 m像元占用概率图随聚类法在量级与空间异质性上可见差异。
讨论部分指出，站点聚类问题解法选择显著影响参数、AUC与成图；所有方法胜lat-long，滤访次法优于全用数据，因occuPPM解决变尺寸尺度问题使结论异于Ahmed等（2025b）；BayesOptClustGeo因按种调簇数最优但调参余量仍大；2to10以简用性足当默认解；DBSC免调参但表现弱；闭合假设无方法显式优化，以下游任务性能代评簇质；空间换时间复制引入偏倚但point process表述缓解尺度依赖；未来需按性状给建站指南、将家域/流行度嵌入聚类约束、扩至贝叶斯/动态/多分类群。
结论部分翻译：本研究考察站点聚类问题若干解法的效能，解集涵盖从机会性数据事后构建占用模型站点结构的多样路径。研究发现滤除高频访问点清单的方法优于不滤除者；仅依地理坐标建站在多数情况下表现合理且简用兼得；机器学习空间聚类兼顾环境与地理空间，部分表现强劲；低流行度与大、中家域物种对聚类选择最敏感；若未来空间聚类嵌入物种特异性约束，可成为机会性生物多样性数据层次建模流程的有价值组件。虽需更多研究以匹配场景与策略，本研究为持续探索奠基。
（注：全文去文献标号与图号，上标下标经处理，无HTML转义、无svg、无表格。）
