最大熵模型在物种分布预测中的优化
Optimizing MaxEnt model in the prediction of species distribution作者机构：东北林业大学野生动物资源学院哈尔滨150040 吉林省林业科学研究院/长白山动物资源与生物多样性重点实验室长春130033 中国科学院动物研究所北京100101
出 版 物：《应用生态学报》 (Chinese Journal of Applied Ecology)
年 卷 期：2019年第30卷第6期
页 面：2116-2128页
核心收录：
学科分类：0710[理学-生物学] 0830[工学-环境科学与工程（可授工学、理学、农学学位）] 07[理学] 070104[理学-应用数学] 0701[理学-数学] 0713[理学-生态学]
基 金：吉林省财政厅公益项目(GY-2017-08) 吉林省重点实验室项目(20170622017JC)资助~~
主 题：最大熵模型 取样偏差 模型复杂性 出现-不出现阈值 模型检验
摘 要：最大熵模型在物种分布的预测研究中得到广泛应用,但未经优化的模型的预测结果可能存在严重的拟合偏差.本文汇总了最大熵模型在取样偏差修正、模型复杂性调整、物种分布判定阈值选择以及模型检验过程中的若干优化方法.在取样偏差的修正中,空间筛除法的修正效果最好,而背景限制法表现不佳.模型复杂性受建模变量的数量、函数模式和调控系数的影响.在样本量小于建模变量的数量时需进行变量筛选,筛选标准应侧重其生态学意义,而非变量间的相关性;函数模式对模型表现影响不大,在预测结果相近情况下应选择简单模型;建模时需要调整调控系数以控制过度拟合,一般最优模型调控系数高于默认值.判定物种出现阈值应遵从客观性、等效性和判别力3个原则,敏感度和特异性加和最大是良好的阈值判定标准.模型检验可分为不依赖阈值的检验和依赖阈值的检验,在不依赖阈值的模型评估方法中,基于信息标准选择的模型表现优于基于AUC或相关系数(COR)选择的模型;在基于阈值的模型评估方法中,真实技能统计能够兼顾模型遗漏误差和错判误差,不受假设缺失影响,且受物种流行度的影响较小.
维普期刊数据库
同方期刊数据库