BIOMOD2实战指南：物种分布建模、机器学习算法与模型集成全流程解析

BIOMOD2这套东西，我陆陆续续用了快六年。从硕士论文第一次跑出还算像样的分布图，到后来帮别人做保护规划、入侵风险评估，几乎每次涉及物种分布模拟，我都会优先打开这个R包。原因很简单：它把GLM、GBM、RF、MaxEnt这些主流算法打包进一个统一的框架里，还能做模型集成，对做生态学研究的人来说，省掉了很多底层编码的重复劳动。

不过说实话，BIOMOD2的上手门槛并不低。尤其是刚接触R语言或者机器学习的朋友，第一次跑通一个完整流程往往要踩不少坑：数据格式不对、投影出错、变量筛选不规范、模型评估指标不会看……这些问题我当年都遇到过。所以这篇文章我想系统梳理一下，从环境变量准备到模型集成，再到实际案例分析，把一套完整可复现的思路和代码逻辑讲清楚。

1. 物种分布模拟的核心逻辑：不是画一张图那么简单

1.1 用“已知”推断“未知”的基本思想

物种分布模型（Species Distribution Model，SDM）的基本逻辑，其实就是一句话：用物种已知的出现点和环境变量之间的关系，推断它在空间上更广范围的潜在分布。

你可以把它理解成一个“性格测试”。我们记录了一批物种出现的位置（比如某个鸟在哪些地方被人观察到），然后把这些位置对应的气候、地形、植被等环境数据提取出来，建立“环境特征——出现与否”的统计关系。模型训练好之后，再把这个关系投回到整个研究区域，就能得到一张每个栅格格子上“这个物种有多大概率出现”的预测图。

BIOMOD2就是专门干这件事的R包。它强大在不是只提供一种算法，而是把十种常见算法封装在一个统一接口里，包括GLM、GAM、GBM、CTA、RF、MaxEnt等，并支持“模型集成”策略。集成模型的核心思想是：单个算法都有自身偏差，比如GBM容易过拟合，RF对变量响应曲线刻画比较粗，MaxEnt对背景点数量敏感。但如果把多个算法放在一起做加权平均，最终结果通常会比任何一个单一模型更稳定、更可靠。

1.2 为什么选BIOMOD2而不是单独跑MaxEnt或RF

很多人在做物种分布模拟时，第一反应是使用MaxEnt，因为它操作简单，甚至图形界面也能跑。但MaxEnt的问题在于：它的底層实现让很多人变成了“黑盒用户”，不知道为什么阈值选0.5，不知道正则化倍率怎么调，更不知道该模型对偏采样有多敏感。

BIOMOD2不一样。它虽然不能让你完全绕开黑盒，但它提供了更多机制去理解和控制模型的每一个环节：变量选择、数据切分、伪缺失点生成、模型评估、多次重复、模型投影集成。更重要的是，BIOMOD2通过统一的框架，让你能同时运行多个算法，并显式比较它们的差别。

我个人的建议是：如果你只是想快速出一张Fig1，随便跑跑MaxEnt其实也能应付；但如果你要发文章、要做保护优先级规划、要面对审稿人对模型方法的质疑，BIOMOD2这套框架几乎是不二之选。因为你可以在方法部分明确写出“使用了集成建模策略”，审稿人对这类的接受度比较高。

1.3 适用场景：从保护规划到入侵物种评估

物种分布模拟的用途很广泛。我在实际项目里接触比较多的有以下几类：

• 保护生物学：评估濒危物种的适宜栖息地分布、识别保护空缺、预测气候变化情景下的分布迁移。最常见的就是跑当前气候和未来2050、2070年的SSP情景对比。
• 入侵物种管理：预测入侵物种在新区域的潜在扩散范围。这个我做过一个非常典型的案例，是针对一种外来植物的，跑了不同传播情景下的风险区划。
• 病虫害防治：农业害虫和病原体的适生区预测。这个和入侵物种类似，但对环境变量的选择重点不同，比如要更多考虑寄主分布因素。
• 基础生态学研究：探讨环境变量对物种分布的限制机制，变量贡献率分析可以回答“是温度重要还是降水重要”这类问题。

在这些场景里，BIOMOD2都能承担核心分析任务。不过要注意，SDM本质上还是一个统计推断工具，不是真实世界的完美镜像。它受采样偏差、环境变量选择、空间自相关等因素影响很大，所以结果要结合生态学知识去解读，不能盲目“数字决定一切”。

2. 准备工作：环境变量筛选与数据清洗的实操流程

2.1 R语言环境搭建和依赖包安装

如果你之前没在Windows下搭建过R语言环境，这里先花两分钟说明一下。去CRAN官网下载R语言最新版本安装后，推荐同时安装RStudio作为IDE，界面友好，脚本管理也方便。

R包安装在RStudio里直接运行install.packages("biomod2")即可。但要注意，BIOMOD2版本更新比较频繁，不同版本之间API有改动。我曾经历过有些旧代码在新版本里跑不通的情况，比如BIOMOD_FormatingData这个函数的参数在新的2.0版本里有调整。

提示：建议在安装前先查看一下BIOMOD2的官方文档，或者直接运行packageVersion("biomod2")确认版本号。如果你参考的教程是几年前的，很可能需要在代码里做一些适配修改。

除了BIOMOD2本身，你可能还需要安装以下常用包：terra（栅格处理，注意新版本BIOMOD2已经依赖terra而不是raster）、dplyr（数据清洗）、ggplot2（可视化）、corrplot（相关性分析）。建议一次性装好：

r复制install.packages(c("biomod2", "terra", "dplyr", "ggplot2", "corrplot"))

2.2 物种数据获取与格式标准化

准备物种分布数据，最常用的数据库是GBIF（全球生物多样性信息网络）。你可以在GBIF官网下载指定物种的出现记录，也可以在R里用rgbif包直接拉取。

不过下载下来的数据不能直接用。我每次都要做一轮清洗，包括：

• 删除坐标重复的记录（多条相同经纬度可能是重复采集或标本记录）
• 删除坐标精度明显异常的点（比如经纬度都是0，或者落在海里/明显不可能的区域）
• 删除没有具体年份或年代太久的记录（数据质量差）
• 去除空间自相关的过度采样（比如同一个网格有几百个点，如果网格大小和环境栅格分辨率一致，就只保留一个）

这里特别想强调的是空间稀疏化。很多GBIF数据在人类活动密集区被过度采样，如果不去除这种偏差，模型会把这些区域的权重放得特别大，导致预测结果失真。我常用的方法是按环境栅格分辨率做稀疏化，代码逻辑大致是：

r复制# 假设env是环境栅格stack，sp_dat是物种数据框（列：lon, lat）
cell_ids <- terra::extract(env[[1]], sp_dat[, c("lon", "lat")], cells = TRUE)$cell
sp_dat <- sp_dat[!duplicated(cell_ids), ]

这样每个环境栅格单元只保留一条记录，能有效降低过度采样造成的偏差。

2.3 环境变量筛选：为什么不能把所有变量都塞进去

环境变量的选择是SDM建模中最关键的一步，没有之一。很多人图省事，把WorldClim的19个生物气候变量全部下载下来直接建模，这种做法在审稿人那里很容易被挑毛病。

原因在于多重共线性。19个生物气候变量之间存在高度的相关性，比如年均温（BIO1）和最暖季均温（BIO10）的相关系数很可能在0.9以上。把这些高度相关的变量一起放进模型，会导致模型参数不稳定、变量贡献率解释困难。

更严重的问题在于过度拟合。变量数量越多，模型越容易学到训练数据中的“噪音”而不是真实的生态关系。对于一个只有几十个有效出现点的物种来说，使用19个预测变量简直是灾难。

我的标准做法是“两步筛选法”：

第一步，用corrplot看变量相关性矩阵，手动剔除一些明显有生态语义重叠的变量，比如年均温和各季节均温之间，保留一个代表“温度平均水平”的、一个代表“极端温度”的即可。

第二步，用方差膨胀因子（VIF）做定量筛选。VIF大于10的变量基本就可以判定存在严重共线性。手动或者用usdm包跑：

r复制library(usdm)
vifstep(env_vars, th = 10)

vifstep会自动迭代剔除VIF超标的变量，直到剩余变量都满足阈值。这比手动挑变量效率高很多，而且结果可复现。

2.4 研究区域范围与数据分辨率的选择

研究区域的范围决定了模型的“背景”是什么。这里有个常见的逻辑误区：物种分布模型不只是模拟“物种出现的地方”，它也在模拟“物种不出现的地方”。如果背景区域选得太小，模型会倾向于认为所有地方都适宜；选得太大，模型又可能学到无关的分布限制。

我通常建议用“生态可及区域”（M区域）作为建模范围。简单来说，就是物种在适当扩散条件下可以达到的区域。实际做法中经常用物种出现的经纬度范围往外扩一定缓冲区，或者用生物地理区划来界定。

分辨率的选择则取决于物种类型。对移动能力强的鸟类，10km甚至50km的栅格都说得过去；对分布范围极其狭窄的高山植物，可能需要用1km甚至更精细的数据。但我必须提醒一句，数据分辨率要和物种出现点坐标的精度匹配。如果用1km分辨率的气候数据，但你的出现点坐标精度只有“度”，即大约100km的误差，那这个匹配是失真的。

3. BIOMOD2建模全流程实战：从数据格式化到模型评估

3.1 数据格式化：BIOMOD2的统一数据接口

BIOMOD2的核心设计理念是“数据格式化先行”。无论你用什么算法，第一步都要把你的物种数据和环境数据组合成一个标准格式的对象，后续所有算法都从这个对象里读取数据。

代码非常简单：

r复制library(biomod2)

# sp_data是数据框，包含x和y列
# env_stack是环境栅格的SpatRaster对象
# PA.nb是伪缺失点数量，这里设置1000
myBiomodData <- BIOMOD_FormatingData(
  resp.var = sp_presence,      # 出现点数据（有/无或坐标）
  expl.var = env_stack,        # 环境变量栅格
  resp.xy = sp_data[, c("x", "y")],
  PA.nb = 1000,                # 每个重复的伪缺失点数
  PA.strategy = "random",      # 伪缺失点生成策略
  na.rm = TRUE
)

这里值得展开讲一下PA.nb和PA.strategy。PA.strategy可选项包括"random"（随机生成）、"sre"（根据环境范围约束生成）、"disk"（以出现点为中心生成环状背景点）等。

我自己的经验是："random"最简单也最稳健，适合大多数场景；"sre"在目标物种有明显环境偏好时效果更好，因为伪缺失点都产生在环境适宜区外围，对“区分适宜和不适宜”更有帮助。

伪缺失点的数量，一般来说建议至少是出现点数量的10倍。如果出现点只有50个，那1000个伪缺失点就是合理的。过少的伪缺失点会让模型信息量不足，过多则会显著增加计算时间，而且收益边际递减。

3.2 模型参数设置：不是所有算法都用默认值

数据格式化完成后，就可以开始模型设置和运行了。

r复制myBiomodOption <- BIOMOD_ModelingOptions(
  GLM = list(type = 'quadratic', test = 'AIC'),
  GBM = list(n.trees = 2000, interaction.depth = 3),
  RF = list(ntree = 1000, nodesize = 5),
  MAXENT.Phillips = list(path_to_maxent.jar = "your_path")
)

这里有几个细节值得注意。

GBM（梯度提升机）有两个关键参数：n.trees和interaction.depth。前者决定提升迭代次数，后者决定树的复杂度。如果n.trees太小，模型拟合能力不足；太大则训练时间暴涨，而且容易过拟合。我实测下来，2000到3000棵树的配置对大多数SDM问题来说是比较稳的区间。interaction.depth设为2到4比较合适，太深了模型会过度拟合数据中的噪点。

RF（随机森林）最重要的参数是ntree。有人觉得1000棵树和500棵树差别不大，但在变量维度较高的情况下，增加树数量能显著提升预测稳定性。我倾向于至少用1000棵，条件允许直接跑1500。节点大小nodesize默认值是1，但实际用5左右效果更好，因为每个叶节点包含更多样本时，预测更加平滑稳健。

初始化模型后，运行模型调用代码如下：

r复制myBiomodModel <- BIOMOD_Modeling(
  bm.format = myBiomodData,
  modeling.id = "FirstModel",
  models = c("GLM", "GBM", "RF", "MAXENT.Phillips"),
  bm.options = myBiomodOption,
  CV.strategy = "kfold",
  CV.k = 5,
  var.import = 3,              # 变量重要性评估重复次数
  metric.eval = c("TSS", "ROC"),
  seed.val = 42                # 设置随机种子，保证可复现
)

3.3 模型评估指标：TSS、ROC、AUC到底怎么解读

模型跑完，第一件要做的事就是看评估指标。在BIOMOD2里，最常用的评估指标是TSS（True Skill Statistic）和ROC（AUC）。

ROC曲线下的面积（AUC）大家可能比较熟悉，它衡量的是模型区分“有”和“无”的能力。AUC > 0.9表示非常好，0.8-0.9为良好，0.7-0.8为一般，低于0.7基本说明模型没有太大说服力。

TSS的计算方式是 敏感度 + 特异性 - 1，取值范围从-1到1。TSS的优点在于它不受出现点和背景点比例的影响，比单纯的准确率更稳健。>0.7通常被认为是优秀水平。

但是，这里我要给大家提一个非常关键的实操提醒：模型评估指标是在“当前数据划分”下计算的，也就是说它的好坏并不完全代表模型在“未来情景”下的泛化能力。更危险的是，一些复杂的机器学习算法（比如GBM、RF）在训练集上的表现几乎完美，但在测试集上会下降。所以BIOMOD2里的CV.strategy = "kfold"和CV.k = 5这行配置不只是走个形式，它通过交叉验证把数据分成训练/测试多份，确保评估指标反映的是模型的“真实泛化能力”而不是“记忆力”。

我拿到模型结果，会先看评估指标表，如果TSS都低于0.5，那这个模型基本就不能用了，需要回头检查是不是数据有问题，或者环境变量选择不当。

3.4 变量贡献率：回答“是什么在决定分布”

BIOMOD2运行结束后，还能输出每个环境变量对模型的贡献率。这个功能在发表的论文中几乎是必备信息。

r复制var_imp <- get_variables_importance(myBiomodModel)

输出结果是一个矩阵，每一列对应一个环境变量，每一行对应一次模型运行。数值表示的是当这个变量被随机置换后，模型预测能力下降的程度。下降越明显，说明该变量对模型预测越重要。

我会把这个结果汇总平均后画成条形图，一眼就能看出“温度因子”还是“降水因子”是这个物种分布的主要限制因素。

不过要注意，变量贡献率是“模型层面的重要性”，不完全等于“生态学意义上的重要性”。某些变量在模型里贡献率高，可能仅仅是因为它和其他变量有微弱的交互效应；反过来，贡献率低的变量不代表生态上不重要，可能是它被其他强相关变量“覆盖”了。所以解读贡献率时，要回到你对物种的生态学认知上去做交叉验证。

4. 机器学习算法在SDM中的角色：不只是模型的“工具箱”

4.1 从统计学模型到机器学习模型

“机器学习”这个词被提得很多，但很多人未必清楚它和传统统计模型在生态学应用中的差别。简单来说，传统统计模型如GLM，是我们先假设“物种分布和环境变量之间存在某种函数关系”，然后用数据去估计这个函数的参数。

机器学习方法则不同，比如随机森林（RF）、梯度提升机（GBM），它们不对变量间的函数关系做任何事先假设，而是通过大量复杂的非线性组合去逼近数据背后真实的模式。

这种差别决定了各自的适用场景。如果你的研究有很强的先验生态知识，知道这个物种的耐寒极限是多少度，用GLM可能更好，因为结果具有清晰的可解释性。但如果你面对的是复杂的多维环境空间，物种的响应关系明显非线性，GLM可能远远不足以刻画，而GBM和RF往往表现更好。

BIOMOD2的价值就在于它同时保留了这两种选择。

4.2 BIOMOD2中各算法的特点对比

我把BIOMOD2常用的几个算法放在一起比较一下：

这里特别说一下MaxEnt。BIOMOD2里的MaxEnt有两种：MAXENT.Phillips（调用Java版程序）和MAXENT.Tsuruoka（R内部实现）。我实际使用中，MAXENT.Tsuruoka的稳定性更好，不需要额外配置Java环境，但精度略低。如果用MAXENT.Phillips，你需要提前下载MaxEnt的jar文件并指定路径，比较麻烦。

RF和GBM是我个人使用频率最高的两个算法。RF的优势在于抗过拟合能力强，不需要太多调参就能获得不错的结果；GBM在精度上往往更胜一筹，但需要小心控制树的数量和深度，否则一旦过拟合，预测泛化能力会快速恶化。

4.3 集成建模：为什么多模型平均更可靠

BIOMOD2最大的亮点就是“模型集成”（Ensemble Modeling）。它的核心做法是：保留所有通过评估的单一模型，通过一定规则（如AUC或TSS加权）把它们合并成一个综合预测。

为什么这么做？这背后有一个朴素而深刻的道理：没有哪一个模型是完美正确的。不同模型从不同角度审视数据，各自捕捉到的信号有重叠也有互补。集成模型通过对多个模型的预测取平均或加权平均，能有效降低单一模型带来的偏差和方差。

你可以把模型集成想象成“一组医生会诊”。一个医生可能误诊，两个医生意见可能相左，但如果把五个医生集中起来，综合他们的诊断意见，最终方案通常比单个医生的更靠谱。

在BIOMOD2中，模型集成的代码非常简洁：

r复制myBiomodEnsemble <- BIOMOD_EnsembleModeling(
  bm.mod = myBiomodModel,
  em.by = "all",                    # 集成所有算法
  metric.select = c("TSS"),         # 根据TSS筛选模型
  metric.select.thresh = 0.7,       # 只保留TSS高于0.7的模型
  var.import = 3
)

这里metric.select.thresh设成0.7会根据你的数据量合理调整。如果数据量小、模型性能总体不高，可以把阈值降到0.5；如果数据质量好，模型性能都很好，这个阈值可以设高些，保证集成模型只用“好模型”。

集成模型生成之后，用BIOMOD_Projection把模型投影到研究区域或未来气候情景，就得到最终的物种分布预测图了。

5. 经典案例分析：某山地特有植物的分布模拟完整流程

5.1 案例背景和数据准备

下面用一个简化但完全真实的案例流程来演示。假设我们要模拟某山地特有植物（这里不点名具体物种）在当前和2050年气候条件下的潜在分布。

物种数据：从GBIF下载该物种出现记录，共约120条有效记录。经过重复删除、坐标清洗、空间稀疏化后最终保留80条出现点。

环境变量：从WorldClim下载19个生物气候变量，用1km分辨率。结合文献，再补充海拔、坡度、坡向三个地形变量，一共22个候选变量。经过相关性分析和VIF筛选后，保留6个变量：年均温（BIO1）、温度季节性（BIO4）、年均降水（BIO12）、降水季节性（BIO15）、海拔（Alt）、坡度（Slope）。

5.2 建模过程和模型评估结果

运行BIOMOD2，设置评估指标为TSS和ROC，5折交叉验证（kfold），伪缺失点数量1000，算法选择GLM、GBM、CTA、RF、MAXENT.Tsuruoka五种。

运行结果中，各模型的表现如下（这里展示典型的输出表）：

从结果看，RF和GBM的表现显著优于GLM和CTA，这说明该物种的分布与环境变量之间的关系可能比较复杂，简单的线性模型无法完全捕捉。这也验证了在使用BIOMOD2时整合机器学习算法的必要性。

变量贡献率显示，BIO1（年均温）和Alt（海拔）是贡献率最高的两个变量，合计占60%以上。这符合山地特有植物的生态特征：对温度敏感，分布范围被海拔和对应的温度条件严格限制。

5.3 投影到未来气候情景下的结果解读

用BCC-CSM2-MR等气候模式在SSP245情景下的2050年气候数据，将集成模型投影到未来。

得到的预测图显示：该植物的适宜分布面积比当前情景减少了约30%，且分布中心有明显向高海拔迁移的趋势。这种“向山顶退缩”的模式，正是典型的气候变化对高海拔植物物种分布的影响。

解读这个结果时一定要小心。未来分布预测存在很大的不确定性，来源包括气候模式本身的不确定性、模型结构的不确定性、物种迁移能力的不确定性等。所以我不建议完全依赖一张未来分布图来下结论，更好的做法是同时跑多个气候模式和多个情景，把所有结果都展示出来，让读者看到变化的“范围”，而不是“精确值”。

5.4 作图技巧：让分布图更专业

BIOMOD2直接输出的是栅格预测图，但在论文里使用前我通常还会再做三层加工：

第一，把连续概率图按“适宜/不适宜”二值化。常用的阈值是“最大化TSS时的阈值”，BIOMOD2提供get_evaluations函数提取这个阈值。二分法后的分布图在生态学和管理决策中通常比连续图更直观。

第二，用ggplot2把预测结果和主要行政区划、河流、保护地边界叠加，增强空间表达信息量。

第三，注意配色的选择。我一直建议用色盲友好的配色方案，比如viridis系列，具体颜色可直接用scale_fill_viridis_c()设置。不要用红绿渐变——大量读者和审稿人有色觉障碍，这种配色会让信息失真。

6. 常见问题与排查技巧实录

6.1 “出现点数量少到根本跑不动”怎么办

出现点是SDM的基础，少于30个出现点的数据基本很难建立可靠模型。如果你遇到这种情况，有几个变通方案：

• 扩大数据来源，不只从GBIF下载，还可以加上标本数据库（如中国数字植物标本馆）、文献记录点，甚至公民科学平台的数据。
• 降低环境数据分辨率，让每个栅格里包含更多信息。比如从1km换到5km或10km。
• 用“有偏采样”策略。当你只有很少出现点时，“sre”策略的伪缺失点会让你得到比“random”更合理的模型。

不过我还是得说，出现点太少时，输出结果需要通过专家知识进行人工验证，不能直接进入决策流程。

6.2 模型评估指标很好，但预测图明显不合理

这个情况我很常见。模型AUC达到0.95，但预测图上把干旱区划成了适宜区，明显不符合生态常识。

这种情况多半是环境变量选择的问题，而不是模型本身的问题。可能原因包括：

• 伪缺失点生成位置有系统性偏差，比如伪缺失点都落在高海拔区，使模型错误地学出“高海拔=不适宜”。
• 环境变量在“出现点”和“背景点”之间的区分度过高，导致模型学到了绝对的地域分隔而不是真实的梯度响应。

排查思路：画出各环境的变量范围图，检查出现点和背景点的环境分布是否重叠太少。如果几乎没有重叠，说明伪缺失点生成策略需要调整，或者建模区域范围选得有问题。

6.3 未来气候情景投影时的“环境外推”警告

当你在做未来情景投影时，BIOMOD2可能会提示部分栅格出现了“环境外推”（即未来环境条件超出训练时环境条件范围），这是非常正常的，但要特别注意。

处理这个问题的标准方式是使用“MESS分析”（Multivariate Environmental Similarity Surfaces）来标识外推区域，然后在最终结果图里把这些区域标记为“不可信区域”或单独显示。这样做一方面是为了客观呈现模型不确定性，另一方面也是为了应对审稿人的追问。

6.4 运行速度太慢的优化策略

BIOMOD2在数据量大、伪缺失点多、模型数量多的情况下，计算速度真的很慢。有几个提速思路：

• 先用GLM、CTA等快速模型跑通流程，确认代码和数据都没问题后再加入GBM和RF。
• 减少var.import重复次数，从3次降到1次，虽然会损失一些变量重要性估计的稳定性，但速度提升明显。
• 提前对环境变量栅格做重采样，如果1km分辨率不是必须，降到5km能明显减少计算量。
• 可以只在此用于建模选择的小样区建立模型，最后再进行全区域投影。

6.5 结果无法复现：随机种子是关键

做研究最怕的就是“这次跑的结果和上次不一样”。BIOMOD2中随机性来源很多：伪缺失点生成、数据切分、RF算法的抽样等。想让结果完全可复现，一定要在建模之前设置随机种子。

r复制set.seed(123)

一个建议是：把随机种子保留在代码中，并记录种子值，这样即使多次运行，结果也完全一致。发文章时，这个细节也能体现你研究的严谨性。

7. 写在最后的实操建议

这篇文章基本把BIOMOD2里涉及的SDM建模核心流程串了一遍：环境变量准备、数据格式化、多算法建模、模型评估、集成建模、未来情景投影和结果解读。整个过程每一步都有值得深挖的细节，但整体思路是清晰的——你只要把每一步的数据和参数检查到位，全流程跑通并不难。

我个人操作中比较深的体会是，BIOMOD2不是一个“傻瓜式软件”，它更像是一个“建模框架”。用得好不好，很大程度上取决于你对生态学问题的理解、对环境数据的选择、对模型结果的判断。工具永远是辅助，生态学判断才是核心。

最后想分享一个小技巧：每次建模时，把所有参数设置和中间文件用文件夹管理好，项目目录里分别建data、script、output、figure四个子目录。我会把每次运行的参数和日志都保存到一个Word文档里。这样一个月后回头整理数据，你不至于面对一堆数字抓狂，也能随时回溯哪个模型是怎么跑的。

如果你正准备用BIOMOD2跑物种分布模拟，建议先拿一个小尺寸的数据集跑通全流程，然后再上大区域、高分辨率的数据。这个“先小后大”的思路能让你在真正处理复杂任务时少踩很多坑。希望这篇分享能给你帮上忙。