《Ecography》：Species distribution modeling with expert elicitation and Bayesian calibration
编辑推荐：
本综述创新性地提出了一种将专家知识（expert elicitation）以地图形式整合到物种分布模型（SDM）中的贝叶斯校准框架，通过分层贝叶斯集成物种分布模型（ISDM）同时处理实地调查数据与多位专家评估，显著提升了在数据稀缺场景下（如波罗的海梭鲈幼体分布预测）的模型精度与可解释性，为生态学、保护生物学及自然资源管理提供了高效工具。
引言
物种分布模型（SDM）是生态学、保护生物学和自然资源管理中的核心工具。传统SDM严重依赖直接物种观测数据，但在数据采集困难或成本高昂的场景下，亟需互补性数据源。专家知识已被证实能有效改进SDM预测，但如何将多位专家的评估整合为单一连贯的预测仍缺乏共识。此外，专家评估存在主观性和偏差，需通过校准提升可靠性。本研究通过扩展分层贝叶斯集成物种分布建模框架，提出一种将专家地图式评估作为数据、并与物种记录校准数据整合的新方法。该模型包含专家可靠性评估和偏差校正模块，并通过芬兰湾梭鲈幼体案例验证其优越性。
案例研究与数据
研究聚焦波罗的海重要经济鱼种梭鲈的幼体分布。2017年6月，团队在Porvoo–Sipoo群岛区域开展实地调查，采集156个样本覆盖主要栖息地类型。调查设计通过优化采样周次和空间位点以提升预测效果。环境协变量包括水深（米）、距深水区距离（>10米）和岸线密度（公里/平方米），均以50米分辨率栅格图呈现。2018年春，研究邀请10位具有数十年当地捕捞经验的渔民作为专家，通过绘制地图方式评估其熟悉区域内的梭鲈繁殖概率。专家首先划定自信评估区域，随后将区域划分为4个概率等级：存在概率<10%、10–50%、50–90%和>90%。纸质地图经扫描后与环境协变量栅格对齐，形成专家评估数据层。
集成物种分布模型
模型核心采用对数高斯柯西点过程描述真实物种分布强度，调查数据与专家评估通过不同似然函数与之链接。对于调查数据，丰度数据采用负二项分布建模，存在-缺失数据采用伯努利分布建模。专家评估数据通过两类似然函数处理：累积Beta分布模型将专家主观概率建模为Beta分布，并通过logit函数与真实分布强度关联；有序分类模型则采用有序logit模型直接处理分类评估。模型引入专家技能参数和空间偏差项，技能参数表征专家评估与真实分布的一致性，偏差项捕捉空间相关性评估误差。先验设置中，技能参数采用正态先验N(0,0.52)，偏差项采用BYM空间随机场模型。集成似然为调查数据与专家评估似然的乘积，通过R-INLA软件实现后验推断。
模拟实验
通过控制实验评估模型在不同专家技能、调查数据量和专家地图分辨率下的性能。结果显示，当存在至少弱信息性专家时，集成模型预测精度显著优于纯调查数据模型；但专家信息价值随调查数据量增加而降低。高分辨率专家地图能大幅提升预测，而低分辨率地图作用有限。模型能有效识别信息性专家，但在专家全无信息时表现下降。累积Beta分布模型在多数场景下性能最优，有序分类模型因数值不稳定表现较差。
案例研究：梭鲈幼体分布制图
模型加入周次随机效应以控制时间变异，并采用屏障高斯过程处理地理障碍。结果显示，集成模型预测的幼体分布空间格局更清晰，不确定性降低。北部遮蔽海湾为高适宜区，南部开阔海域适宜性低，与梭鲈喜浅水植被区的生态习性一致。专家信息强化了参数估计，空间随机场效应更显著，揭示出调查数据未捕捉的局部细节。十位专家中仅五位技能参数为正，评估区域面积和不确定性表达差异显著，凸显了校准的必要性。留一交叉验证表明，在小样本场景下集成模型预测性能优势明显，但随着数据量增加优势渐弱。先验敏感性分析显示模型对技能参数先验更敏感。
讨论与展望
本研究首次将专家知识以形式化贝叶斯框架融入物种分布建模，通过校准和加权处理专家异质性。案例证实专家信息能有效补偿数据稀缺性，尤其适用于渔业管理、害虫防控和保护规划等场景。未来可开发数字化专家评估工具，引入专家间相关性建模，并拓展至遥感数据整合。该方法兼具科学严谨性与利益相关者参与性，有助于提升管理决策的接受度。
