R语言BIOMOD2物种分布模拟：从数据清洗到模型集成实战

做物种分布模拟这两年，我在实践中反复用过R语言里的BIOMOD2，也试过把随机森林、GBM、MaxEnt这些机器学习算法挨个跑一遍，最后发现真正能落地的不是某一个模型，而是一套把数据、算法、评估串起来的流程。这篇博文就把我基于R语言BIOMOD2和机器学习方法做物种分布模拟的完整经验写出来，从环境搭建、数据清洗到模型集成和案例实操，全程都是可以直接照着跑的步骤，特别适合刚接触生态位模型、或者正在被BIOMOD2各种报错卡住的研究生和从业者。

1. 项目概述与核心思路拆解

1.1 物种分布模拟到底在解决什么问题

物种分布模拟，核心就是回答一个问题：某个物种在空间上哪里可能存在，哪里不可能存在。这个问题往下细分，又分成三个层次。第一层是描述现状，比如调查某保护区里珍稀植物的适生区范围；第二层是解释机理，找出温度、降水、土壤等环境因子中哪些在真正决定物种的分布边界；第三层是预测未来，把模型投影到未来的气候情景下，看物种分布区是扩张还是收缩。这三个层次对应着不同的研究场景，但底层用的工具是同一套，也就是物种分布模型（SDM）。

传统的SDM做法通常是单一模型，比如只跑一个MaxEnt或者只跑一个GLM。听上去简单，但实际坑很多。不同算法对数据的拟合方式差异极大，GLM这种回归类算法假设响应曲线是单调或二次的，而真实生态关系往往更复杂；MaxEnt对存在点权重敏感，样本不均衡时容易过拟合；随机森林虽然能捕捉非线性关系，但遇到极端环境值时外推能力差。单一模型的结果如果刚好选错了算法，整个研究的结论都可能翻转。

BIOMOD2在R语言里解决的正是这个痛点。它把GLM、GAM、GBM、CTA、ANN、SRE、FDA、MARS、RF、MaxEnt这十种算法统一封装成一套流程，允许你用同一份数据跑多个模型，再做集成预测。集成预测不是简单平均，而是根据模型评估指标（如TSS、AUC）对各个模型加权，从而把单个模型的偏差互相抵消。做物种分布模拟这几年，我个人的体会是：集成模型的AUC通常比最好的单一模型低一点点，但预测的空间分布稳定性远高于任何单一模型，尤其是在处理气候变化投影时。

1.2 BIOMOD2的集成建模框架如何工作

BIOMOD2的工作流可以概括成六个环节：物种数据格式化、伪absence生成、模型算法分配、交叉验证评估、模型集成、空间投影。这六个环节不是串行跑一遍就完事，中间每一步都涉及参数决策。

最核心的设计思想是重复与扰动。它把原始数据按一定比例（默认80%）拆成训练集和测试集，并且可以重复多次（nb.rep参数），每次都重新随机拆分。同时，伪absence也会生成多组，每组可能用不同策略。这样做的目的是制造数据层面的扰动，让每个模型在略微不同的输入上反复训练，最后取平均值。为什么这么做？因为单一模型的预测方差通常很大，数据稍微变一点，输出结果就全变了，这种不确定性在生态学里是不可接受的。BIOMOD2的集成策略本质上就是机器学习里的Bagging思想，只是把样本扰动扩展到了伪absence和模型算法两个维度。

所以，在使用BIOMOD2时，千万不要把它当成一个“一键出图”的工具。它更像是一个实验框架，你需要在里面设计好：用哪些算法、伪absence怎么生成、重复几次、用什么指标筛选、集成时保留哪个阈值以上的模型。这些决策直接决定了最终分布图的可信度。

2. 环境准备：R语言与BIOMOD2生态搭建

2.1 Windows下搭建R语言环境的几个坑

虽然BIOMOD2在Windows、macOS、Linux上都能跑，但绝大多数使用者是从Windows入门的。Windows下搭建R语言环境本身不复杂，装好R、装好RStudio就能用，但BIOMOD2的依赖链长，很多报错都出在环境这一步。

首先，R版本建议用当前主流的稳定版（4.3或4.4），尽量不要用太老的版本，因为BIOMOD2的依赖包如raster、sp、terra会持续更新，老版本R很多新版依赖装不上。安装R时注意安装目录最好不要带中文和空格，否则后续调用外部库时可能出现路径解析问题。RStudio用最新版即可，它只是IDE，不影响包运行逻辑。

真正麻烦的是Windows下的一些系统依赖。BIOMOD2运行涉及空间栅格数据处理，底层依赖GEOS、GDAL、PROJ，这些库在Windows下不通过系统包管理器安装，而是依赖R包自带的二进制版本。安装raster、sp、terra时如果提示“configuration failed because libproj not found”，通常是因为Rtools版本不对。解决办法是：先去CRAN安装对应R版本的Rtools，并把Rtools的bin目录加入系统PATH，然后重新安装。实测下来，R 4.3对应Rtools43，R 4.4对应Rtools44，别搞混。

2.2 BIOMOD2安装与版本兼容性

BIOMOD2在CRAN上的稳定版是3.5.x，开发版在GitHub上是4.x。两者API差异巨大，网上很多教程混着写，导致读者抄代码直接报错。这里我强烈建议：新手统一装CRAN稳定版，因为稳定版文档全、教程多、报错排查方便。等熟练了再考虑4.x的重构版本。

安装命令很简单：

r复制install.packages("biomod2")

但BIOMOD2会自动依赖一大堆包，包括raster、sp、rgdal（老版本）、rJava、maxnet等。在R 4.2之后，rgdal和maptools被官方标记为“退役”状态，CRAN上已经建议用terra和sf替代。BIOMOD2 3.5.x内部已经做了兼容处理，多数情况不需要手动装rgdal，但如果安装时报错说找不到rgdal，可以尝试手动从CRAN归档安装旧版，或者用installr包安装旧版本R。不过根据我最近几个月在新机器上的测试，直接安装最新版BIOMOD2并不需要rgdal，sp和raster就够用了。

安装完成后，用以下代码验证是否正常：

r复制library(biomod2)
packageVersion("biomod2")

如果输出版本号，说明安装成功。常见的一个问题是rJava装不上，导致MaxEnt跑不了。rJava需要Java环境，Windows下先装JDK（版本和R的位数一致，64位R配64位JDK），然后配置JAVA_HOME环境变量，再执行install.packages("rJava")。不跑MaxEnt的话，其实rJava缺失也可以正常使用BIOMOD2的其他算法，但建议还是装上，因为MaxEnt在生态学领域使用率实在太高，以后肯定用得上。

3. 数据准备：物种分布点与环境变量的规范化处理

3.1 出现点数据的获取与清洗

SDM的输入数据分为两部分：物种出现点（响应变量）和环境变量（解释变量）。出现点最常见的来源是GBIF（全球生物多样性信息机构），R语言里可以通过rgbif包直接下载：

r复制install.packages("rgbif")
library(rgbif)

# 以某个物种为例
sp_data <- occ_search(scientificName = "Abies holophylla",
                      limit = 1000,
                      hasCoordinate = TRUE)
df <- sp_data$data
df <- df[!is.na(df$decimalLongitude) & !is.na(df$decimalLatitude), ]
warnings()

GBIF下载到的数据不能直接用，必须清洗。我踩过的坑包括：坐标点经纬度都是0，也就是“0,0”坐标，这类点明显是数据录入错误；坐标精度不足，比如经纬度保留两位小数，这代表空间精度只有公里级，不适合高分辨率建模；还有重复点，同一个物种在同一个栅格内有多个记录，会造成数据冗余和空间自相关。

清洗规则我总结成四步：

1. 去掉经纬度为0或缺失的记录。
2. 去掉明显落在海洋、超出物种已知分布区范围的可疑点（可以利用raster包叠加一个陆地掩膜）。
3. 用duplicated去掉完全重复的坐标点。
4. 做空间稀化（spatial thinning）。即使坐标不完全重复，如果两个点落在同一个环境栅格内，也会造成空间自相关。常用的包是spThin：

r复制install.packages("spThin")
library(spThin)

thin_data <- thin(df, 
                  lat.col = "decimalLatitude",
                  long.col = "decimalLongitude",
                  spec.col = "species",
                  thin.par = 10,  # 点间最小距离，单位km
                  reps = 100)

空间稀化参数thin.par要根据你的环境栅格分辨率来定。如果环境变量是30弧秒（约1km），那thin.par设置为1~5km比较合理；如果分辨率是2.5弧分（约5km），thin.par通常要设到10km以上。稀化太狠会丢失有效信息，稀化太轻达不到去相关目的。

清洗后的出现点数量需要关注，机器学习算法对样本量有最低要求，一般建议在20个点以上，但越多越好。如果研究物种只有零星几个记录点，那么任何SDM的结果都只能当探索性分析，不能用于正式评估。

3.2 环境变量的获取与筛选

环境变量是SDM的“因子”，最常用的是WorldClim数据集，包含19个生物气候变量（BIO1~BIO19），可以从WorldClim官网下载，R语言里也可以用geodata包直接获取：

r复制install.packages("geodata")
library(geodata)

# 下载当前气候数据，分辨率2.5分
env_current <- worldclim_global(var = "bio", 
                                res = 2.5, 
                                path = getwd())

下载后的数据是一系列.tif文件，可以用raster包读入并裁剪到研究区域。这里有一个非常关键的操作：所有环境变量必须保持相同的范围、分辨率、投影和坐标系。如果研究区域被裁剪成不规则边界，后续建模时会因为NA区域不一致而报错。

下一个关键步骤是环境变量的相关性筛选。19个生物气候变量之间高度相关，比如BIO1（年均温）和BIO6（最冷月最低温）相关系数经常超过0.8，BIO12（年降水）和BIO13~BIO19各个降水变量也高度相关。如果直接把高度相关的变量全部扔进模型，会导致多重共线性问题，模型系数不稳定，变量重要性结果失真。

筛选方法我推荐先用栅格提取所有出现点和背景点的环境值，然后计算Pearson相关系数，把|r|>0.7的变量中保留生态意义更明确的一个。也可以使用方差膨胀因子（VIF）做逐步剔除，R里有usdm包：

r复制install.packages("usdm")
library(usdm)

vif_result <- vifstep(env_values, th = 10)
vif_result

VIF大于10通常被认为存在严重共线性，vifstep会自动剔除并返回筛选后的变量集合。这里我的经验是：不要完全依赖统计筛选，还要结合物种的生态特性做判断。比如一个高山植物物种，温度季节性（BIO4）和极端低温（BIO6）可能都具有生态意义，即使相关性高，也需要根据研究假设取舍。

经过清洗和筛选，最终进入模型的变量一般控制在5~10个之间。变量太多不仅计算负担大，而且容易过拟合。

4. 算法选型与核心参数配置

4.1 十种算法怎么选

BIOMOD2支持GLM、GAM、GBM、CTA、ANN、SRE、FDA、MARS、RF、MaxEnt这十种算法，命名上容易混淆，实际上对应不同流派。

• 回归类：GLM（广义线性模型）、GAM（广义加性模型）、MARS（多元自适应回归样条）、FDA（柔性判别分析）。这类算法可解释性强，但表达能力有限。
• 机器学习树模型：RF（随机森林）、GBM（梯度提升机）、CTA（分类树分析）。这类算法拟合能力强，能处理非线性关系，但容易出现外推问题。
• 其他：ANN（人工神经网络）、SRE（表面范围包络，类似BIOCLIM）、MaxEnt（最大熵模型）。

在实际项目中，我不建议把十种算法全部跑一遍。有些算法性能很接近，跑十种既浪费时间，又增加调参负担。我的做法是：保留RF、GBM、MaxEnt、GLM、GAM这五种，代表不同的模型家族，确保集成时有足够的异质性。具体选型时参考以下逻辑：

• 如果研究目标是解释驱动因子，GLM和GAM的结果更容易解读，响应曲线直观。
• 如果研究目标是预测分布范围，RF和GBM拟合精度高，预测图更精细。
• MaxEnt在样本量小（<30个点）时表现更稳健，因为它对absence的要求宽松，适合只有存在点的数据。

4.2 伪absence生成策略

SDM的一个特殊问题是：我们通常只有“出现点”，没有“确定没出现”的对照点。GLM、RF这类有监督分类算法却需要正负样本，因此必须人为生成伪absence点（也叫背景点）。伪absence生成策略直接影响模型表现，这一点被很多人忽略。

BIOMOD2提供了四种策略：random（随机生成）、disk（以出现点为中心一定半径外生成）、sre（在环境空间内生成）、user.defined（用户自定义）。其中random最常用，实现简单；disk考虑到了空间自相关，生成的absence点离出现点较远，有助于区分“适生”与“不适生”；sre基于环境包络生成，相对更严格。

我个人的建议是：如果样本量够大，用disk策略比较稳妥；如果样本量偏少（比如只有20个点），用random加多组重复更安全。伪absence的数量一般是出现点数量的10倍到100倍，但不要太多，否则计算量剧增。实际案例中，出现点100个，伪absence设为1000~2000个是常见选择。同时建议设置PA.nb.rep=3或5，也就是生成多组不同的伪absence，每组单独建模，最后再综合，以降低单次随机采样带来的偶然性。

4.3 评估指标与交叉验证

BIOMOD2的默认评估指标包括TSS（True Skill Statistic）和ROC（AUC）。AUC大家比较熟悉，取值范围0~1，0.5代表随机，0.7~0.8为较好，0.9以上为优秀。但AUC有一个缺陷：它对假阳性惩罚不足，尤其是当出现点很少时，AUC容易被高估。TSS是敏感性+特异性-1，取值范围-1到1，0.6以上算不错，0.8以上算很好。

交叉验证是BIOMOD2默认执行的，它会按比例拆分数据，比如data.split.perc=80，表示80%用于训练，20%用于测试，重复nb.rep次。每次拆分都独立建模和评估，最后得到每个模型的平均TSS和AUC。这才是模型最终质量的评判依据，不要只看训练集表现。

我强调一点：**如果在运行结束后发现所有模型的TSS都是-1或者接近-1，不要急着怀疑数据，先检查是否出现伪absence与出现点重叠，或者环境变量在出现点位置存在大量NA值。**这两个原因会导致模型完全无法区分正负样本，评估指标自然崩盘。

4.4 模型集成策略

集成是BIOMOD2最大的优势。集成分为两个层次：模型内集成和模型间集成。模型内集成指同一算法不同重复次数的结果取平均；模型间集成指不同算法之间加权平均。

在BIOMOD_Modeling后，调用BIOMOD_EnsembleModeling：

r复制myBiomodEM <- BIOMOD_EnsembleModeling(
  bm.mod = myBiomodModelOut,
  em.by = "all",
  metric.eval = c("TSS", "ROC"),
  var.import = 3,
  em.algo = c("EMwmean", "EMca"),
  metric.select.thresh = c(0.7, 0.8)
)

这里的metric.select.thresh很关键，它会把TSS和AUC低于阈值的模型自动过滤掉，不参与集成。如果设为NULL，则所有模型都参与集成，这样不好，因为差模型的噪声会被带进最终结果。经验值：TSS阈值0.7，AUC阈值0.8，可以兼顾模型数量与质量。em.algo包括EMwmean（加权平均）和EMca（委员会平均），前者按指标权重整合，后者只保留超过阈值的模型并做二值化投票，两种各有用途，多数情况建议都跑一遍对比。

5. 案例实操：完整跑通一次物种分布模拟

5.1 数据加载与格式化

假设我们已经准备好了三个对象：出现点坐标（存在点）、环境变量栅格栈、以及研究区域范围。第一步是把数据整理成BIOMOD2要求的格式。需要先构造一个全1的响应变量向量，因为BIOMOD2默认的是出现点+伪absence的对比结构：

r复制library(raster)
library(biomod2)

# 出现点坐标
presence_df <- read.csv("presence_thinned.csv")
head(presence_df)

# 研究区域环境变量
env_stack <- stack(list.files("env_vars", 
                              pattern = ".tif$", 
                              full.names = TRUE))

# 响应变量：全部为1，代表这些是存在点
myResp <- rep(1, nrow(presence_df))

# 格式化数据，生成伪absence
myBiomodData <- BIOMOD_FormatingData(
  resp.var = myResp,
  expl.var = env_stack,
  resp.xy = presence_df[, c("decimalLongitude", "decimalLatitude")],
  resp.name = "TargetSpecies",
  PA.nb.rep = 3,
  PA.nb.absences = 1500,
  PA.strategy = "disk",  
  PA.dist.min = 0.05,
  PA.dist.max = 2.5
)

这里PA.dist.min和PA.dist.max的单位是度，表示伪absence点距离出现点最小0.05度（约5公里）、最大2.5度（约250公里），这是一个常见的磁盘采样设置。注意PA.nb.absences=1500表示每组生成1500个伪absence，PA.nb.rep=3意味着共生成3组，每组都独立参与后续建模。

格式化完成后，建议用plot(myBiomodData)查看出现点和伪absence的分布，确认伪absence没有落在出现点附近造成重叠，也没有集中在一个角落。

5.2 配置模型选项

这是最灵活的一步。不同算法的核心参数通过BIOMOD_ModelingOptions配置：

r复制myBiomodOption <- BIOMOD_ModelingOptions(
  GLM = list(type = "quadratic",
             interaction.level = 0,
             test = "AIC"),
  GAM = list(algo = "GAM_mgcv",
             type = "s_smoother",
             k = 4),
  RF = list(ntree = 500,
            nodesize = 5),
  GBM = list(n.trees = 1000,
             interaction.depth = 4,
             shrinkage = 0.001),
  MAXENT.Phillips = list(linear = TRUE,
                         quadratic = TRUE,
                         product = TRUE,
                         threshold = TRUE,
                         hinge = TRUE)
)

几点经验说明。GLM的type选quadratic意味着自动加入平方项，比纯线性模型更灵活；GAM选择mgcv算法和smoother，k=4表示每个平滑项的基维度，k太大会过拟合，k太小欠拟合；RF的ntree建议500以上，实际中1000并不会增加太多时间，但结果会更稳定；GBM的n.trees从1000开始调，如果训练集AUC很高但测试集低，说明过拟合，需要降低n.trees或增大shrinkage。MaxEnt的feature组合，在样本量不大时不要全选，一般linear+quadratic+hinge就够，product和threshold容易过拟合。

5.3 运行模型与结果评估

模型训练过程如下：

r复制myBiomodModelOut <- BIOMOD_Modeling(
  bm.format = myBiomodData,
  modeling.id = "FirstRun",
  models = c("GLM", "GAM", "RF", "GBM", "MAXENT.Phillips"),
  bm.options = myBiomodOption,
  nb.rep = 3,
  data.split.perc = 80,
  metric.eval = c("TSS", "ROC"),
  var.import = 2,
  do.full.models = TRUE
)

var.import=2表示计算变量重要性时，对每个变量做两次随机置换。变量重要性的原理是把某个变量的值随机打乱，观察模型预测能力下降多少。如果打乱某个变量后预测能力明显下降，说明该变量重要。实际运行时间取决于数据量和nb.rep，我的样例数据（几百个点、5~8个环境变量、3组重复、5种模型）在一台普通笔记本上大约需要10~20分钟，GBM和MaxEnt相对耗时。

运行结束后，查看评估结果：

r复制# 提取评估分数
evals <- get_evaluations(myBiomodModelOut)
evals

# 汇总所有模型的TSS和AUC
eval_df <- as.data.frame(evals)

评估结果是一个多维数组，包含每个模型×每次重复的TSS/AUC。我通常会把结果导出成CSV再筛选：先看每个模型的平均TSS，把TSS低于0.5的模型标记为“差”，不参与后续集成；再看变量重要性，判断哪些环境变量是主导因子。

5.4 模型集成与空间投影

评估完成后，进入集成：

r复制myEnsembleModel <- BIOMOD_EnsembleModeling(
  bm.mod = myBiomodModelOut,
  em.by = "algo",
  metric.eval = c("TSS", "ROC"),
  em.algo = c("EMwmean", "EMca"),
  metric.select.thresh = c(0.7, 0.8)
)

# 查看集成评估结果
get_evaluations(myEnsembleModel)

集成模型建立后，就可以投影到当前环境或未来气候环境下。投影前必须确认投影数据的变量名、顺序与训练数据完全一致：

r复制# 假设我们有未来2070年气候数据
env_future <- stack(list.files("env_future", 
                               pattern = ".tif$", 
                               full.names = TRUE))

# 确保投影变量名与训练时一致
names(env_future) <- names(env_stack)

# 投影
myProjection <- BIOMOD_Projection(
  bm.mod = myBiomodModelOut,
  new.env = env_future,
  proj.name = "future2070",
  selected.models = "all",
  compress = "xz",
  build.clamping.mask = TRUE
)

build.clamping.mask=TRUE很重要，它会标记出投影环境值超出训练数据范围的空间区域，这些区域的预测可信度低，应该在结果图中用不同颜色标注。

最后用下面代码把集成模型投影结果输出成GeoTIFF：

r复制proj_stack <- stack("TargetSpecies/proj_future2070/")
writeRaster(proj_stack, 
            filename = "final_projection.tif",
            format = "GTiff", 
            overwrite = TRUE)

得到栅格后，可以在QGIS或者R里用tmap、ggplot2做可视化。这里我建议把预测结果分成连续概率图和二值化适生区图两种：连续概率图显示物种适生概率的空间渐变；二值化图则是用TSS最大阈值把概率切分成“适生/不适生”两类，便于统计面积和评估风险。

5.5 响应曲线与变量重要性解读

除了出图，BIOMOD2还能画响应曲线，这是解释模型的关键。响应曲线展示某个环境变量变化时，物种适生概率如何变化：

r复制myRespCurve <- response.plot2(
  models = myBiomodModelOut,
  Data = get_formal_data(myBiomodModelOut, "expl.var"),
  show.variables = c("bio1", "bio12"),
  do.bivariate = FALSE,
  fixed.var.metric = "mean"
)

response.plot2默认固定其他变量为平均值，只变化目标变量。注意，当变量之间存在交互效应时，固定为平均值的做法可能高估或低估响应，因此解释时要谨慎。如果研究目标是要寻找物种的适宜温度阈值，最好把响应曲线与文献数据对照，不能只依赖模型输出。

变量重要性结果可以用get_variables_importance提取：

r复制var_imp <- get_variables_importance(myBiomodModelOut)

通常排名前三的变量就是该物种分布的主要驱动因子。这里有一个常见误区：变量重要性不等于该变量的生态效应大小，它只代表移除该变量后模型预测能力的损失程度。当两个变量高度相关时，重要性的分配具有随机性，因此前面提到的相关性筛选在这里显得尤为关键。

6. 常见问题与排查技巧实录

6.1 典型报错速查表

6.2 数据清洗阶段容易忽略的细节

数据清洗阶段看起来简单，实际上决定命运。我遇到过一个项目，GBIF下载了8000条记录，清洗完只剩180条，但这180条比原来的8000条更可靠。清洗时除了要去重、去0坐标，还要注意以下几点。

第一是坐标精度。GBIF很多记录只有两位小数，约合1.1km精度，如果你的环境变量精度是1km以下，这种记录反而降低了模型的空间分辨率。我的做法是把坐标精度低于3位小数的记录单独标记，先跑一版看看影响，如果影响不大就不剔除，毕竟样本量本来就少。

第二是采样偏差。观测数据往往偏向道路、城市、保护区等容易到达区域，这会导致模型低估未采样区域的适生概率。处理方式有两种：一是用target-group background方法，即用同一属其他物种的出现点作为背景；二是使用spThin做空间稀化。时间紧张的项目至少要做稀化。

第三是极端环境点。有的出现点落在环境变量的极端值区域，可能显著影响模型的响应曲线。我建议在建模前先查看每个出现点在各环境变量上的分布，如果有明显偏离主体分布的点，需要结合野外记录确认是真实分布还是数据错误。

6.3 模型运行后的检查清单

模型跑完后，不要直接抄评估表就写论文。我列一个我常用的检查清单：

• 每个算法的TSS和AUC是否呈现一致性，有没有哪个算法在多个重复中结果波动极大（波动大说明算法对该数据结构不稳定）。
• 变量重要性结果是否与生态直觉一致，如果年均温对一种热带物种排名倒数，需要警惕变量选择或数据错误。
• 空间投影图是否存在明显的条带、斑块状伪影，如果有，检查是不是环境变量在处理时出现了NA带或重采样误差。
• 二值化阈值选择了多少，不同阈值下适生区面积变化是否剧烈，如果剧烈，说明预测结果不确定性高，不宜做定量面积统计。

以上检查都通过后，才能把结果作为可靠输出进行生态学解释。

7. 一些提升结果可信度的补充建议

7.1 数据版本留痕与研究记录

SDM项目经常涉及到多版本数据迭代，尤其是环境变量换了一版、伪absence策略调整了一次，结果就变了。我建议用文件夹方式管理每次实验的输入、脚本和输出，脚本开头记录时间、数据版本、参数设置。BIOMOD2自动生成的文件夹已经包含一部分留痕，但脚本里的参数说明需要自己补。这对后续复核和论文审稿回应都非常有用。

7.2 空间自相关的影响

出现点空间自相关问题说完清洗时提过，但这里还要强调模型评估阶段的空间自相关。如果训练集和测试集的点在空间上不完全独立，比如都集中在同一山脉，那么交叉验证的AUC/TSS会被高估。更严格的做法是使用分块交叉验证（block cross-validation），按经纬度把研究区划分成几个空间块，每个块轮流作为验证集。R里有blockCV包可以实现。虽然BIOMOD2内建了普通的随机交叉验证，但对于空间数据，分块验证更可靠。

7.3 模型迁移性的局限

气候变化投影本质上是一种模型迁移，把当前环境拟合的关系移植到未来环境。任何统计模型外推到训练范围之外都存在风险。如果未来2070年的温度范围远超出当前训练范围，RF和GBM这种机器学习模型的外推会出现“平台效应”或极端值，预测结果不可信。我在做气候情景投影时，一定会叠加build.clamping.mask输出，并且把clamping区域在图上明确标出，提醒读者这些区域结果外推风险大，应谨慎解读。

7.4 数据共享与可复现性

如果论文允许，尽量把清洗后的出现点数据、筛选后的环境变量、BIOMOD2脚本和主要结果栅格都上传到公开平台。一方面是科研诚信的需求，另一方面也方便后续扩展研究。很多审稿人现在会要求提供可复现代码，BIOMOD2版本号不同会导致结果差异，所以脚本里记录版本信息非常重要。

8. 写在最后的实操心得

跑BIOMOD2这几年，我最大的感触是：这个工具的门槛不在代码，而在生态学判断。模型评估分数再高，如果输入数据本身有问题，结果依然是一堆垃圾。所以我把整个过程归结为三句话：数据清洗要狠，伪absence要讲究，集成阈值要守住底线。

另外，给新手的建议是：第一次跑通流程时不要贪多，先拿一个物种、三四个变量、RF和GLM两个算法，把整套流程走通，再逐步增加算法和变量数量。过程中的报错记录下来，很多坑是相通的，比如变量名不匹配、Java环境没配好，这些都是遇过一次就长记性的问题。

后面我打算把这一套流程扩展到多物种对比，比如用集成模型输出的适生区重叠度来度量物种间的生境分化，再结合系统发育信息做进化生态学的分析。BIOMOD2的集成结果可以直接提取每个栅格上的物种适生概率矩阵，为这类跨物种分析提供很好的数据基础。如果你也在做类似的方向，欢迎交流各自的调参思路和踩坑记录，这可能是比任何教程都宝贵的一手经验。