基于经验回放的集成序贯深度学习框架用于数据稀缺下的大规模物种分布建模

《Frontiers in Ecology and Evolution》：An integrated sequential deep learning framework with experience replay for large-scale species distribution modeling under data scarcity

　　

论文摘要翻译 大规模、跨多个分类群的物种分布模型（Species Distribution Models, SDMs）受到数据稀缺、采样偏差和环境异质性的制约。本研究提出一个集成框架，将环境知情采样与序贯深度学习相结合，用于大规模多物种SDMs，并以南美洲1,359种与食物相关的植物为例进行了论证。一个深度前馈神经网络通过经验回放（experience replay）在物种间进行序贯训练，以稳定学习过程并应对物种不平衡问题。采样过程整合了历史气候、土壤和土地覆盖预测因子，通过地理稀疏化、生态区约束增强以及基于多元环境相似性（Multivariate Environmental Similarity Surface, MESS）的背景分层来实现。利用独立的洲际和国家测试数据集，将该方法的性能与已有的SDM算法进行评估，同时使用未来气候预测来检验模型的稳健性。结果表明，该方法在不同物种生态位宽度上表现稳定，提高了对环境耐受范围受限类群的敏感性，并在不同尺度和气候条件下保持一致的排名。然而，这种稳定性产生了更平滑的适宜性表面，可能掩盖细微的生态位对比。此外，分析揭示，算法在环境新颖性下的行为主要由数据结构和采样设计驱动，而非特定的算法架构类型。当预测稳定性和跨尺度一致性优先于详细的单物种推断时，该框架适用于在异质性数据条件下进行大规模多物种SDMs。

论文解读文章

研究背景与问题

物种分布模型（Species Distribution Models, SDMs）是生态学、生物地理学和保护生物学中的重要工具，通过将物种出现记录与环境预测因子相关联，估算物种-环境关系，从而预测栖息地适宜性的空间格局。在大尺度上模拟数百种稀有和本土作物，对于识别具有韧性的候选物种、评估粮食安全以及社区适应不利环境条件的能力至关重要。南美洲因其跨越亚马逊雨林、安第斯山脉和大西洋森林等多个生物地理域，形成了陡峭的气候、土壤和海拔梯度，为评估可扩展的建模框架提供了理想但极具挑战性的场景。这些条件虽然驱动了极高的植物丰富度和特有性，但也因可达性和研究投入不均而加剧了地理和环境采样偏差。

传统的SDM应用通常侧重于单个物种或局部类群，难以扩展到多物种框架。传统方法如MaxEnt或随机森林需要对每个物种独立校准模型，限制了物种间生态信息的迁移，并增加了计算开销。近年来，深度神经网络（Deep Neural Networks, DNNs）的进展带来了新的可能性，但在扩展到数百个物种时，常需采用持续学习方法（continual learning）。这种方法会引入灾难性遗忘（catastrophic forgetting）、计算开销和复杂空间依赖性等挑战。此外，大规模建模还面临地理和分类采样偏差、模型内类别不平衡（presences vs. background）以及跨物种不平衡（常见种vs. 稀有种）等问题。这些问题尤其影响窄生态位物种，因为其受限的环境耐受性使其对空间偏差和外推更为敏感。

因此，有效的大规模SDM应用越来越依赖于将采样设计、校准区域定义、训练策略和评估诊断整合到一个统一的工作流程中，而非仅仅依赖模型架构本身。本研究旨在超越标准DNN，通过整合经验回放（experience replay）实现持续学习，并利用由多元环境相似性表面（Multivariate Environmental Similarity Surface, MESS）衍生的指标主动指导背景采样，以缓解与序贯卷积神经网络（CNN）架构相关的高计算开销。该框架旨在解决地理和环境偏差，为大规模物种分布建模提供一种可行且稳定的替代方案。

研究方法概述

研究人员提出了一个集成框架，主要包括三个关键技术环节：

1. 1.
   环境知情采样：首先对所有物种的出现点进行地理稀疏化（geographic thinning），设置最小距离阈值并限制样本量。对于数据不足的物种，采用基于生态区的特征空间增强（ecoregion-constrained augmentation），通过寻找环境相似的邻近物种或背景单元来扩充数据。背景采样则基于MESS分析，将研究区划分为不同的外推等级，并按比例从最外推的区域抽取背景点，以提高模型在外推条件下的稳定性。
2. 2.
   序贯深度神经网络（sDNN）：构建了一个五层全连接的前馈神经网络，并使用经验回放策略进行序贯训练。模型按随机顺序逐个处理每个物种的数据，并将之前物种的一个子集存储在回放缓冲区中，与当前物种数据合并训练，以减轻灾难性遗忘。之后，模型针对每个物种进行独立的微调，以提取共享特征并进行物种特异性校准。
3. 3.
   比较验证：将sDNN的性能与MaxEnt、广义线性模型（GLM）、随机森林（RF）、梯度提升机（GBM）和极限梯度提升（XGBoost）等基准算法进行比较。所有模型使用相同的经主成分分析（Principal Component Analysis, PCA）降维后的环境预测因子。模型性能通过两个独立测试集（洲际GBIF留出数据和厄瓜多尔国家级农业普查数据）进行评估，主要指标包括不同概率阈值下的灵敏度（Sensitivity）和Boyce指数。此外，还引入了基于MESS的自定义指标——环境可靠性指数（Environmental Reliability Index, ERI）和外推存在频率（Extrapolative Presence Frequency, EPF），以量化模型在外推条件下的空间响应。

研究结果

2.1 物种发生与环境数据集

研究使用了来自全球生物多样性信息机构（GBIF）的约97万条记录，涵盖南美洲1,359种与食物相关的植物。环境预测因子包括19个生物气候变量、9个土地利用和土地覆盖变量、9个土壤参数、6个地形衍生变量和3个地表水图层，最终通过PCA降维至10个主成分，保留了86%的原始方差。

2.2 环境知情采样

通过地理稀疏化和生态区约束增强，获得了标准化且环境代表性更强的物种出现数据。基于MESS分层的背景采样策略，确保了模型能够区分核心插值生态位和新颖环境，提升了模型在非类比气候情景下的稳定性。

2.3 序贯深度神经网络框架

sDNN架构包含五个全连接隐藏层（320, 160, 80, 40, 20个单元），采用ReLU激活函数、L2正则化和Dropout。经验回放策略通过维护一个大小为4000样本的缓冲区，成功缓解了序贯训练中的灾难性遗忘问题，实现了稳定的跨物种学习。

2.4 跨算法和数据集的比较验证

• •
  2.4.1 基准算法: 与MaxEnt、GLM、RF、GBM和XGBoost相比，sDNN在整体性能上表现出色，尤其是在处理数据稀缺和物种不平衡方面。
• •
  2.4.2 物种按生态位宽度分化: 将物种按环境耐受性分为四个生态位宽度四分位数（Q1-Q4）。结果显示，sDNN在所有生态位宽度组别中都保持了稳定的性能，特别是对窄生态位（Q1-Q2）物种的灵敏度显著优于其他算法。
• •
  2.4.3 测试数据集和评估指标: 在洲际和国家两个独立测试集上，sDNN均展现出优越或相当的预测性能。其Boyce指数和灵敏度评分普遍较高，表明预测的适宜性与实际观测高度一致。
• •
  2.4.4 可视化和未来情景变化: 对未来气候情景的预测分析显示，sDNN产生的适宜性表面更为平滑，这虽然增强了稳定性，但可能掩盖了细微的生态位对比。重要的是，研究发现算法在外推环境下的行为主要由数据结构和采样设计决定，而非算法本身的架构差异。

讨论与结论

研究表明，所提出的集成框架在处理大规模、数据稀缺的多物种分布建模方面具有显著优势。其通过环境知情采样和带有经验回放的序贯学习，有效克服了采样偏差和灾难性遗忘问题，实现了预测稳定性和跨尺度的一致性。这对于优先考虑宏观生态模式和鲁棒性而非单一物种精细推断的研究尤为重要。

然而，研究也指出了框架的局限性，即平滑的预测表面可能会模糊细尺度的生态位差异。此外，研究结论强调，在环境新颖性条件下，算法的行为模式更多地受制于输入数据的结构和采样策略，而不是算法本身的复杂性。

研究结论翻译如下：

该框架适用于在异质性数据条件下进行大规模多物种SDMs，尤其是当预测稳定性和跨尺度一致性比详细的单物种推断更受重视时。研究进一步揭示，算法在环境新颖性下的行为主要由数据结构和采样设计驱动，而非特定类型的算法架构。