企业官网建设流程全解析

1. 物种分布模型到底在解决什么问题

1.1 从一张分布点到一张预测图的思考方式转变

做生态学或者保护生物学相关工作的人，一定都有过这种经历：手头攒了一批某个物种的GPS记录点，可能是自己跑野外收的，也可能是从标本数据库里扒下来的，然后呢？大部分人的下一步操作是打开地图软件，把这些点撒上去，看一眼“哦，这个物种主要分布在西南山区”，然后写进报告里。但如果有人问你：为什么这些点出现在这里，而不是出现在隔壁那个环境看起来差不多的山头？或者问你：气候变化以后，这些点还会存在吗？你就卡住了。

物种分布模型（Species Distribution Model，以下简称SDM）本质上就是把“分布点在哪里”这个问题，翻译成“分布点背后的环境条件是什么”。它的核心逻辑并不复杂：收集物种的出现记录，提取这些记录点位置上的环境数据（温度、降水、海拔、植被等等），然后建立一个统计或机器学习模型，去拟合“什么样的环境条件组合下，这个物种会出现”，最后把这个拟合结果投射回整个研究区域，得到一张连续的概率分布图。

我第一次用R做SDM的时候，最震撼的其实不是模型的数学细节，而是思考方式的转变：从“记录点在地图上的位置”转向“环境变量在空间上的取值”。分布点只是采样，环境条件才是真正的解释变量。这个转变一旦完成，后面很多操作（变量筛选、模型评价、空间预测）都会顺畅很多。

1.2 为什么我推荐用R而不是其他工具

市面上能做SDM的工具不少，MaxEnt软件是很多人入门的选择，界面友好、点几下鼠标就能出图。但用过一段时间你就会发现，MaxEnt的GUI版本在数据处理、批量建模、结果提取这些环节上非常不灵活。ARCGIS也能做，但收费且脚本化程度低。相比之下，R语言在这个领域几乎是事实标准，生态学顶刊上发表的SDM相关文章，绝大多数都在方法部分提到了R，主要原因有三点：

第一，R的包生态太完整了。从数据清洗（dplyr、sf）、环境数据下载（raster、terra、geodata）、模型算法（maxnet、randomForest、gbm、biomod2）、到结果可视化（ggplot2、tmap），全部贯通。一个项目从原始数据到发表级图表，可以不走任何其他软件。

第二，可重复性。GUI操作没法记录完整的分析日志，但R脚本可以。你自己的项目，三个月以后回看，还能知道每一步做了什么；同行评审要求提供分析代码，也能直接给出去。这是现代科研合作和出版的基本要求。

第三，灵活性和可扩展性。批量跑30个物种的模型？写个循环就行。比较5种算法的表现？biomod2一套搞定。把模型投影到2070年的气候情景下？换个环境数据集重新predict就行。这些操作在GUI软件里要么做不到，要么费半天劲。

当然，R的学习曲线比点鼠标要陡一些，但SDM这个领域，值得你付出这个学习成本。接下来我按自己实际建模的流程，一步步拆解每个关键环节怎么做、为什么这么做，以及哪些坑我替你踩过了。

2. 建模前的数据准备（最容易翻车的环节）

2.1 物种出现数据：你收集到的只是“半个真相”

先说一个很多新手会忽略的事实：SDM永远存在“假缺失”的问题。你拿到的出现点，代表的是“在这里发现了这个物种”，但不代表“没出现在别的地方”。所以模型本质上是在回答一个不太对称的问题——“当前记录点所对应的环境条件，能不能把这里和整个背景区域区分开”。理解了这一点，你就明白为什么出现数据的质量直接影响模型成败。

出现数据的主要来源是全球生物多样性信息网络（GBIF），这个数据库收录了全球几十亿条物种观测和标本记录，下载很方便。但直接用GBIF原始数据进行建模，几乎是灾难级的操作，因为数据里的坑实在太多了：

• 坐标漂移和错误，比如经纬度恰好落在海洋里、落在国界外、或者是个整数坐标（比如36.0000，103.0000），这些大概率是地理参考不准的记录。
• 重复记录，同一个标本可能被多次数字化录入，或者一条采集记录被重复上传。
• 采样偏差，这是最隐蔽也最致命的——人们倾向于在道路边、保护区边界、研究站附近采集标本，所以出现点在空间上高度聚集，模型会把“容易被人类采样”这个特征学进去。

我常用的清洗流程：

先下载数据后用sftime或sf包转成空间对象，检查坐标系，然后过滤掉坐标缺失、坐标为0、落在海洋里的点（可以用gshhg海岸线数据做反向裁剪），再做空间稀疏化去重。

空间稀疏化的逻辑很简单：假设你的环境数据分辨率是1公里，那么同一公里网格内保留一条记录就够了。这个操作可以用spThin包，或者用sf包自己写一个按网格抽样的函数。

注意：稀疏化之后，一定要看一眼保留了多少个点。一般来说，用于建模的独立出现点最好不少于30个，低于这个数模型容易过拟合，输出结果解释起来很勉强。我见过有人拿7个点跑MaxEnt，结果响应曲线完全是锯齿状，根本没法用。

除了坐标清洗，还有一个常被忽略的操作：检查物种鉴定是否可靠。GBIF里同一个物种名下可能混了亚种、近似种甚至错误鉴定记录。对于生态需求差别大的类群（比如一种耐旱、一种喜湿但形态相似），不分清楚就直接建模，出来的模型解释性会很差。

2.2 环境变量：选对变量比调参更管用

建模的第二根支柱是环境变量。常用的环境数据源是WorldClim，提供了历史上（1970-2000）和未来气候情景下的19个生物气候变量（BIO1-BIO19），包括年均温、昼夜温差、季节性降水这些经过生物学转化的指标。为什么不用原始气象数据，而是用这些衍生变量？因为物种对“年均温”这种平均值不敏感，但对“最暖季度降水量”“最干月降水量”这种极限和季节性指标更敏感，这些变量更贴近生态位的内涵。

拿到数据后，筛选变量这步一定要做仔细。很多人贪全，把19个变量全部丢进模型，结果变量共线性严重，模型参数解释混乱，重要的变量被噪声掩盖。操作上我建议两条腿走路：

相关性分析：先用raster或terra包对变量做相关矩阵分析，把Pearson相关系数绝对值大于0.7的变量视为高度相关，同一组内只保留你认为生态意义更重要或更能代表机制的一个。比如BIO1（年均温）和BIO5（最暖月最高温）经常相关度很高，那你需要根据自己的研究问题决定保留哪个。

VIF方差膨胀因子检验：用usdm包的vifstep函数，可以对保留后的变量组合做多重共线性检验，自动迭代剔除VIF超过阈值（通常取10）的变量。

我个人的习惯是：先用相关性矩阵粗筛到6-8个变量，再用VIF检验确认“最终名单”。变量数量不宜过多，特别是当出现点只有几十个时，每多加一个变量都在消耗模型自由度。

地层上还有一个很少人提但很重要的点：变量的空间分辨率要统一。如果你的海拔数据是90米的SRTM，气候数据是1公里的WorldClim，植被数据是500米的MODIS，那么建模前必须通过重采样统一到同一个网格系统。最省事的做法是：先定义你研究区域的栅格模板（分辨率、范围、坐标系），然后把所有变量重采样到这张模板上。R里用terra包的project和resample函数就能完成。

2.3 伪缺失点：没有“没找到”也要造

前面提过SDM的任务区分为“出现”和“背景”，这就引出一个必须处理的问题：物种分布模型需要知道“不出现”的区域在哪里。但真实数据里几乎没有可靠的“确认不出现”记录（除非做了系统调查并有阴性记录），绝大多数时候你需要自己生成伪缺失点，全称是pseudo-absence或background points。

这里存在一个方法学上的派系之分：presence-only方法（如MaxEnt）认为你只需要提供背景点，背景点的含义是“环境状态在某一小格被随机采样到的机会”，物种出现与否未指认；presence-absence方法（如广义线性模型、随机森林）则需要明确的“假缺失”点，它们会被当作0参与建模。

我的经验是，生成伪缺失点要注意三点：

• 数量要足，一般是出现点数量的10到50倍。原因是环境网格中有少量不适合的格子可能未被采样，若背景点太少，模型对“不适宜区域”的辨识力不足。
• 采样策略要合理，最简单的是在研究区域范围内完全随机撒点。但更好的做法是需要与出现点在空间上保持一些距离，比如在出现点周围划一个1公里或5公里的缓冲区，缓冲区内的点不作为伪缺失点，这样避免模型只学到了“离记录点近就是宜栖”的伪规律。
• 重复抽样，最好重复生成3-5套背景点，分别建模后取平均或委员会投票，这样降低单次随机抽样带来的偶然性。biomod2在这方面可以直接设置NbRunEval和NbRepetitions。

3. 建模方案与核心代码实现

3.1 建模策略：单个算法还是集成模型？

SDM的算法库丰富到了让新手选择困难的地步：广义线性模型、广义加性模型、随机森林、梯度提升机、最大熵模型（MaxEnt）、人工神经网络、支持向量机等等。我实际建模的体感是，算法之间在历史气候投影下的结果差异，远小于变量筛选和出现数据质量带来的差异。换句话说，多数情况下你不需要过度纠结选哪个算法。

但如果你需要发表文章或任务比较重要，我的建议是用集成建模（Ensemble Modeling）的思路：跑多个算法（比如随机森林、梯度提升机、MaxEnt），然后计算AUC和TSS评估每个算法的表现，给表现好的算法更高权重做加权平均预测。biomod2包把这个流程封装得很好，也是目前生态学文章里最常见的SDM建模框架之一。

如果你只是想快速得到一张像样的预测图，maxnet包（MaxEnt的R实现）是最省事的选择，它只需要出现点和背景点的环境数据就能拟合出一个不错的模型。

3.2 完整的R建模流程示例

这一节我给出一个从环境数据到预测图的完整R代码流程，用的数据是我造的一个模拟场景：假设我们要对“某类山地植物”在西南地区做分布建模，环境数据就用WorldClim的六个变量。你想跑真实数据时，把读入文件路径换一下就行。

第一步：准备环境变量栅格

library(terra) # 设置工作目录，把下载好的环境变量tif放在这里 setwd("D:/sdm_demo") # 假设已经有以下6个变量tif文件 vars <- c("bio1.tif", "bio4.tif", "bio7.tif", "bio12.tif", "bio15.tif", "bio18.tif") env_stack <- rast(vars) # 统一检查分辨率、范围和坐标系 env_stack

这里有个细节：如果你从WorldClim下载数据后解压得到的变量分辨率完全一致，那直接用rast()读取即可。但如果你混合了不同来源的数据，需要先做重采样。重采样的方法是以其中一个栅格为模板：

# 将env_stack中的所有变量统一到第一个变量的分辨率 env_unified <- resample(env_stack, env_stack[[1]])

第二步：准备出现点和背景点

library(sf) # 读入物种出现记录，CSV里至少要有x（经度）和y（纬度）两列 occ <- read.csv("species_occurrence.csv") occ_sf <- st_as_sf(occ, coords = c("x", "y"), crs = 4326) # 提取每个出现点对应的环境变量值 occ_env <- terra::extract(env_unified, occ_sf) occ_data <- cbind(occ, occ_env) # 剔除环境变量有缺失的记录 occ_data <- na.omit(occ_data)

生成背景点有两种常用方式。一种是用terra包在整张栅格上随机采样：

# 在非NA的栅格区域随机生成10000个背景点 set.seed(123) bg_points <- spatSample(env_unified, size = 10000, method = "random", na.rm = TRUE, as.points = TRUE, xy = TRUE) bg_env <- terra::extract(env_unified, bg_points) bg_data <- cbind(as.data.frame(bg_points), bg_env) bg_data <- na.omit(bg_data)

另一种是带空间缓冲的伪缺失点，离所有出现点至少1公里：

# 给出现点做一个1km缓冲区 buffer_sf <- st_buffer(occ_sf, dist = 1000) # 在环境图层上随机采样10000点 candidate_pts <- spatSample(env_unified, size = 100000, method = "random", na.rm = TRUE, as.points = TRUE, xy = TRUE) candidate_sf <- st_as_sf(candidate_pts, coords = c("x", "y"), crs = 4326) # 去掉落在缓冲区内的点 inside <- st_intersects(candidate_sf, buffer_sf, sparse = FALSE) bg_final <- candidate_sf[!apply(inside, 1, any), ] # 如果过滤后点太少，可以增大初始采样量

第三步：建模

这里我先演示用maxnet包跑一个快速的MaxEnt模型，后面再演示biomod2集成建模。

library(maxnet) # 准备模型输入：出现/背景标记 + 环境变量矩阵 set.seed(123) bg_sample <- bg_data[sample(1:nrow(bg_data), 1000), ] # 合并出现与环境数据，注意列名统一 presence <- rep(1, nrow(occ_data)) absence <- rep(0, nrow(bg_sample)) all_data <- rbind(occ_data[ , c("bio1", "bio4", "bio7", "bio12", "bio15", "bio18")], bg_sample[ , c("bio1", "bio4", "bio7", "bio12", "bio15", "bio18")]) labels <- c(presence, absence) # 拟合模型 fit <- maxnet(p = labels, variables = all_data, regmult = 1.0) # 正则化参数，默认1.0，调大更平滑 # 查看变量贡献 plot(fit)

maxnet的regmult参数是控制模型平滑度的，默认1.0。如果出现点很少，建议调大到2或3，减少过拟合；如果出现点很多，可以适当降低到0.5。这个参数的经验性很强，需要多看响应曲线来判断。

第四步：预测和出图

# 对整个研究区域做预测 pred <- predict(env_unified, fit, type = "cloglog") # 保存为GeoTIFF writeRaster(pred, "species_distribution_prediction.tif", overwrite = TRUE) # 用ggplot2画图 library(ggplot2) library(terra) library(tidyterra) ggplot() + geom_spatraster(data = pred) + scale_fill_viridis_c() + labs(fill = "适生概率") + theme_minimal()

到这里，一个最小可行的SDM流程就跑通了。

3.3 升级版：用biomod2做集成建模

如果你目标是要写文章，建议直接用biomod2。它的核心优势是自动化处理模型评价、多次重复、多算法集成，并统一输出格式。下面代码是基于当前版本biomod24.2.x的用法，与老版本有些差异但注释够清晰：

library(biomod2) # 读取环境变量和物种数据 myExpl <- stack(env_unified) # biomod2的4.2版本还依赖raster对象 # 构建建模数据对象 myRespName <- "SpeciesA" myRespXY <- occ_data[ , c("x", "y")] myResp <- rep(1, nrow(occ_data)) # 出现点全部标记1 # 生成伪缺失点 set.seed(123) bg_coords <- as.data.frame(bg_final, xy = TRUE)[, c("x", "y")] abs_points <- sample(1:nrow(bg_coords), 10 * nrow(occ_data)) myRespXY_bg <- bg_coords[abs_points, ] myResp_bg <- rep(0, length(abs_points)) # 合并出现+背景 myRespXY_total <- rbind(myRespXY, myRespXY_bg) myResp_total <- c(myResp, myResp_bg) # 构建BIOMOD_FormatingData myBiomodData <- BIOMOD_FormatingData( resp.var = myResp_total, expl.var = myExpl, resp.xy = myRespXY_total, resp.name = myRespName, PA.nb.rep = 3, # 重复3次伪缺失采样 PA.nb.absences = 1000, # 每次1000个伪缺失点 PA.strategy = "random" ) # 设置模型选项 myBiomodOption <- BIOMOD_ModelingOptions( MAXENT.Phillips = list(regmult = 1), RF = list(ntree = 500), GBM = list(n.trees = 2000, interaction.depth = 3) ) # 建模 myBiomodModelOut <- BIOMOD_Modeling( myBiomodData, models = c("RF", "GBM", "MAXENT.Phillips"), models.options = myBiomodOption, NbRunEval = 5, # 5次重复 DataSplit = 80, # 80%训练，20%评价 Prevalence = 0.5, VarImport = 3, # 计算变量重要度，重复3次 do.full.models = TRUE, seed.val = 123 ) # 模型评价 myBiomodModelEval <- get_evaluations(myBiomodModelOut) AUC_values <- myBiomodModelEval["AUC", "Testing.data", , ,] TSS_values <- myBiomodModelEval["TSS", "Testing.data", , ,] # 展示评价结果 print(AUC_values) print(TSS_values)

biomod2的评价逻辑非常清晰：每次运行会用80%数据建模型、20%数据做测试，重复5次，所以你需要关注的是AUC和TSS在多次重复中的均值和波动。AUC大于0.8、TSS大于0.6，这个模型基本算合格。

跑完评价后做集成投影：

# 构建集成模型，取AUC权重平均 myBiomodEM <- BIOMOD_EnsembleModeling( modeling.output = myBiomodModelOut, chosen.models = "all", em.by = "all", eval.metric = c("TSS"), eval.metric.quality.threshold = c(0.6), models.eval.meth = c("TSS"), prob.mean = TRUE, # 输出平均概率 prob.mean.weight = TRUE # 按TSS值加权平均 ) # 做空间投影 myBiomodProj <- BIOMOD_Projection( modeling.output = myBiomodModelOut, new.env = myExpl, proj.name = "current", selected.models = "all", binary.meth = "TSS" ) # 绘制预测图，结果会输出到工作目录 plot(myBiomodProj)

这段代码跑完后，你会在工作目录下得到当前气候条件下的集成适生区图。每一个小步骤都有对应的输出文件，非常适合后续整理成论文方法附件。

3.4 把模型投射到未来气候情景：小心“环境外推”

很多SDM项目最后都要做未来预测，比如“2050年该物种的适生区会怎么变化”。这个需求听起来简单，但有个基础性的问题：未来气候条件可能超出建模时所用历史环境变量的取值范围。

举个例子，你建模时所用的年均温范围是5-20℃，但未来某个高排放情景下部分地区年均温达到23℃，模型在处理这个超过训练范围的新数据时，就等于在“盲猜”。这种预测外推到训练数据未覆盖的区域时，极不可靠，学术界称之为“no-analog climate”（无类比气候）问题。

R里可以用extrapolation相关的工具检查外推风险，比如ecospat包的ecospat.mess函数：

library(ecospat) # 计算MESS指标，识别哪些区域的环境变量值超出训练范围 mess_result <- ecospat.mess( env_stack, # 当前环境变量（应转换为矩阵） unique(occ_data[ , vars]) # 训练时用到的环境取值 )

结果中负值越大的区域，代表外推风险越高，预测结果的可信度越需要打折。发表在期刊上的文章，审稿人经常要求作者报告MESS或类似的“漂移”检验结果。

4. 常见问题与模型调试实录

4.1 采样偏差陷阱：模型学的是你的采样路线

我处理过一个案例，某研究团队用某种两栖动物模型预测保护区适生区，结果模型图上一团一团的高适生区，恰好都围绕几条公路沿线。排查数据后发现，GBIF上这个物种的数据大多来自沿路调查，而远离公路的森林区域几乎采样空白。模型学到的是“公路附近环境适宜”，自然结果变形。

解决办法有三个层次：

• 最省事：用空间稀疏化后，再对背景点做“采样偏差矫正”——比如在生成背景点时也偏向公路附近，形成一个与出现点相似的采样概率分布。这种思路在maxnet中可以直接传入“采样密度栅格”配合实现。
• 更彻底：结合系统调查数据，主动补采一些距离道路远的区域，但这需要野外人力，现实约束大。
• 折中：只把结果解释为“当前调查偏好的条件下该物种可能的分布”，在文章中明确说出采样偏差的局限性，而不是斩钉截铁地画“适生区边界”。

4.2 模型AUC总是0.95+，先别高兴

新手最容易犯的毛病：看到评价集AUC接近0.95甚至0.99，高兴得不行，觉得模型非常完美。实质上AUC过高往往意味着数据存在泄漏或空间自相关：同一地点的采样记录被同时分到了训练集和测试集，空间距离极近，模型其实在背这些点的位置特征，而不是环境特征。

我在实操中必做的一个操作：数据分块（spatial block）。不要用随机抽样切分训练和测试，改成按空间位置分块，比如把研究区域切成4x4的网格，在每个网格内取样，一部分网格整体作为训练，另一部分作为测试。R里的blockCV包专门干这个：

library(blockCV) # 基于出现点的空间坐标划分训练/测试块 cv_scheme <- spatialBlock( speciesData = occ_sf, species = "Presence", theRange = 50000, # 分块大小，一般设为与研究尺度匹配的距离单位（米） k = 5, selection = "systematic" ) # 看每个块的分配情况 plot(cv_scheme)

用空间分块的方式得到的AUC，才是更可靠的模型泛化能力指标。如果分块后AUC明显下降，说明模型存在空间自相关过拟合，需要平衡变量、增加正则化或降低模型复杂度。

AUC阈值参考，多说一句：0.7-0.8还算可接受，0.8-0.9是合理，超过0.9平均而言已经属于“有点好到不真实”的范围，尤其当出现点较少时，尤其要警惕。

4.3 投影时报错的排查思路

我接触过很多R语言用户的SDM报错，下面这个速查表覆盖了最常见的几类：

其中最常见的隐藏bug，是变量名不一致。你建模时用的数据框列名是bio1，但投影时栅格图层名可能是wc2.1_30s_bio_1。predict函数遇到的变量名和训练时完全不同，模型输出的结果没有意义，但代码不会报错。所以每次投影前，用names(env_stack)对照一遍训练数据的列名，是负责任的做法。

4.4 关于模型迁移和未来预测的一些更现实的建议

即使你把模型做得很好，迁移到未来气候情景时也仍然有两个容易被忽视的问题：

第一，未来气候下物种有演化适应和扩散能力，但模型默认“生态位保守”。也就是说，模型假设物种对环境的需求在未来不变，物种也不会迁到模型认为不适生的区域之外。这是一种简化，但也是一种必要的简化。在写讨论时，必须正面说明这个假设的存在和影响。

第二，选择合适的气候情景和全球气候模式（GCM）。不同GCM对同一情景的模拟结果差异很大，一篇严谨的文章至少要跑多个GCM，然后展示一致性和不确定性范围。WorldClim未来数据里提供了不同GCM、不同SSP（共享社会经济路径）下的选择，共享路径比如SSP126、SSP245、SSP585分别对应低、中、高排放。建议至少用3个GCM与2个SSP做组合，最后集成取交集或者分级结果。

4.5 一个小但实用的建议：多做痕迹“软检验”

最后一个建议来自我踩过多次坑之后的体会：模型做好之后，先不要急着下结论。拿预测图和物种已知的生物学知识做一次“软检验”。

你研究的物种，有没有已知的分布上限？预测图里适生区会不会跑到了海拔6000米的极高山地？有没有已知的分布下限，比如某些物种不会出现在极端干旱的荒漠区？如果预测图中出现大面积超出物种已知忍耐范围的区域，很可能是变量筛选或扩样偏差导致的问题，需要回到数据环节排查。

我个人的习惯是把预测图对照全球生物多样性信息网络上的全部有效记录（包括建模用的和未用的），用肉眼检查一遍：已知分布点是否落在高适生区？有没有大量历史记录点被模型预测成完全不适宜？如果有，检查是不是和出现点坐标精度、变量分辨率有关。这个过程虽然“不严谨”，但非常有效，新手和老手都在用，只是老手不会告诉你。

5. 写在最后的一点体会

物种分布模型做多了以后，我的最大体会是：这个模型漂亮与否，80%取决于数据清洗和变量筛选，20%才是算法调参和代码实现。很多人一上来就急着跑模型，花在研究环境变量相关性上的时间几乎没有，最后得到一张很漂亮但解释不清的预测图。回到文章开头的话题——SDM的精髓就在于把“分布点”转化为“环境条件”，如果你环境数据这步没有想清楚，后面所有输出都是空中楼阁。

我自己每次接一个新的SDM项目，都会先花两到三天时间只做一件事：整理出现点数据、检查数据的空间分布模式、筛选环境变量、做出变量相关性矩阵，然后再开始建模。这个习惯帮我省掉了大量返工时间。如果你准备开始自己的SDM项目，我也建议你从数据准备和变量理解做起，R代码只要多练习几次就能流畅，但判断“变量选得对不对”“数据是否足够可靠”的能力，才是真正需要长期积累的本事。