Skip to content
返回搜索结果

物种分布模型 (MaxEnt)

提出者
Steven Phillips, Robert Anderson, Robert Schapire
年份
2004
类型
Statistical learning algorithm
类别
Ecological modelling

本文为机器翻译,尚未经过审校。 阅读英文原文

字号

它有什么作用?

使用最大熵 (MaxEnt) 的物种分布模型 (SDMs) 是 Phillips、Anderson 和 Schapire (2004) 开发的统计方法,用于根据已知的出现点和环境变量预测物种可能出现的地点。MaxEnt 已成为保护生物学和生物地理学中最广泛使用的算法之一,用于绘制适宜栖息地和评估气候变化的影响。

方法背后的直觉

想象一张包含气候带、海拔带和植被类型的地图。一位生物学家在五个特定地点观察到一只鸟。MaxEnt 问道:仅根据这些出现点以及这些地点的环境特征,最简单的解释是哪里还可以找到这种鸟?它找到物种栖息地的概率分布,使其在符合观测到的出现情况的同时,尽可能“分散”或“均匀”,避免对未见区域做出过于自信的断言。该算法学习哪些环境条件最重要,并生成一张显示从低到高栖息地适宜性的风险图。

历史学

MaxEnt 由 Phillips 等人 (2004) 开发,作为一种通用的机器学习方法,适用于物种分布建模。Elith 等人 (2011) 提供了生态学解释和统计学依据,阐明了其与信息论和生态位划分(niche partitioning)的关系。公共 MaxEnt 软件(Java,Phillips 2005)成为保护和入侵生物学中的事实标准。现代变体和集成方法将 MaxEnt 与其他算法结合起来,其应用现已扩展到古生物学、入侵物种预测和气候适应规划。

何时使用

将 MaxEnt 用于物种保护规划、入侵物种风险制图、评估气候变化对生物多样性的影响以及理解栖息地需求。它适用于仅存在数据(presence-only data)(在生态学中很常见),并且对中等样本量具有鲁棒性。当出现记录在地理上存在高度偏差时,或者缺乏可靠的环境数据时,或者目标物种的分布范围非常小且记录很少时,应避免使用。

局限与注意事项

  • 平衡假设(Assumption of equilibrium):假设物种出现在所有适宜的栖息地,并且尚未到达所有适宜的区域(对于入侵物种或分布范围受限的特有种可能存在问题)
  • 生态现实性:不明确模拟扩散、生物相互作用或人口过程
  • 外推不确定性:在远离训练数据范围的新环境中,预测变得不可靠(类比设置问题)

来源中的条件不能替代独立的科学审查或分析引擎的验证。

优势

  • 仅存在建模:不需要标记的缺失或背景数据;适用于稀有物种或公民科学记录
  • 鲁棒性能:在跨不同类群的基准研究中,持续优于许多替代方法
  • 可解释性:生成变量重要性排名和响应曲线,显示适宜性如何随每个环境因素变化
  • 灵活预测:超出观测范围进行预测,以在不同气候情景下投影栖息地

应用

  • 保护规划:通过绘制高适宜性栖息地和识别连通性廊道,为濒危物种优先确定保护区
  • 入侵物种风险:预测非本地物种在新区域可能建立的地点,指导早期检测和根除工作
  • 气候变化影响:预测物种分布在未来气候情景下如何变化,以评估灭绝风险并指导辅助迁移决策
  • 农作物野生近缘种绘图:识别栽培植物野生近缘种的潜在种群来源,用于农业育种和气候韧性
  • 人畜共患病建模:预测疾病媒介(例如,蜱虫或蚊子物种)的地理分布和溢出风险区

使用方式

使用方式

1

收集物种出现数据(来自野外调查、博物馆、公民科学的 GPS 测绘出现记录)并堆叠覆盖研究区域的环境栅格层(温度、降水、海拔、土壤类型、土地覆盖)。

2

清理出现记录(删除重复项、空间偏差、不合理的坐标),将环境层裁剪到一致的范围,并选择相关变量以避免多重共线性(multicollinearity)和过拟合(overfitting)。

3

提取每个出现地点和随机背景点的环境值,以表征实际的生态位(species' realized ecological niche)——物种被观测到的实际条件。

4

拟合 MaxEnt 算法,以学习所有网格单元上的概率分布,该分布在最大化熵(least constraining)的同时最符合观测到的出现情况;调整正则化参数(regularization parameters)并测试交叉验证(cross-validation)性能。

5

生成显示预测栖息地概率的适宜性图,识别变量重要性(variable importance)和响应曲线(response curves),根据保留的测试数据评估空间预测,并讨论保护或入侵风险的含义。

常见陷阱

  • 地理偏差:出现记录通常聚集在城市或道路附近;模型可能过度拟合采样地点而不是真实的栖息地适宜性
  • 变量选择:包含过多相关的环境变量或调查伪影(例如,人口密度)会误导推断
  • 过拟合:正则化调整过于宽松会导致过于自信、不切实际的精细尺度预测;务必使用保留的测试数据或交叉验证

常见问题

MaxEnt 与广义线性模型 (GLM) 等其他 SDM 算法有何区别?

GLM 需要缺失或背景数据,并假设线性关系;MaxEnt 仅需要存在数据,并且可以模拟复杂的非线性栖息地关系。MaxEnt 在小样本量或有偏差的数据集上通常表现更好。

可靠的 MaxEnt 模型需要多少出现记录?

理想情况下需要 30 个以上记录,记录越多性能越好。少于 10 个记录,模型就不可靠。确保记录在空间上分散且地理上无偏差。少数分布良好的记录通常优于许多聚集的记录。

如何选择要包含的环境变量?

从理论出发:包含在生态学上影响物种的变量(气候、栖息地结构)。筛查多重共线性(相关性 > 0.7),并移除每对中的一个。避免调查伪影(例如,人口密度)。使用 Jackknife 或置换重要性检验。

MaxEnt 能否用于将物种投影到新大陆或未来气候?

可以,但要谨慎。超出训练数据变量范围的外推会增加误差(类比设置问题)。务必报告不确定性。对于未来气候,使用多个气候模型并讨论多模型范围。对于新大陆,评估生态背景是否可比。

相关方法

参考文献

  1. Phillips, S. J., Anderson, R. P., & Schapire, R. E. (2006). Maximum entropy modelling of species geographic distributions. Ecological Modelling, 190(3-4), 231-259.

    打开 DOI 文献
    已复制。
  2. Elith, J., Phillips, S. J., Hastie, T., Dudík, M., Chee, Y. E., & Yates, C. J. (2011). A statistical explanation of MaxEnt for ecologists. Diversity and Distributions, 17(1), 43-57.

    打开 DOI 文献
    已复制。
  3. Merow, C., Smith, M. J., & Silander, J. A. (2013). A practical guide to MaxEnt for modelling species' distributions: What it does, and why inputs and settings matter. Ecography, 36(10), 1058-1069.

    打开 DOI 文献
    已复制。