整合专家分布图与机会性出现记录提升海洋鱼类物种分布模型预测精度

本研究针对物种分布模型(SDMs)因机会性出现记录偏差和范围界限信息缺失导致的预测局限，开发了集成专家分布图的SDM集成方法。通过196种全球分布海洋鱼类(Epinephelidae和Syngnathidae)的四类建模验证，证实集成专家地图可有效规避地理屏障外的范围过预测，为海洋生物多样性评估与保护规划提供关键技术支持。

　　

物种分布模型(Species Distribution Models, SDMs)作为评估物种地理分布的重要工具，被广泛应用于生物多样性评估和保护规划领域。然而，尽管SDMs应用日益广泛，其范围预测仍受限于机会性出现记录(opportunistic occurrence records)的系统偏差和物种分布边界信息的缺失。

为解决这一难题，研究团队创新性地将专家绘制的物种分布范围图(expert range maps)整合到SDMs中。该研究以196种全球分布的海洋鱼类（涵盖Epinephelidae和Syngnathidae两个科）为研究对象，采用4种不同的建模算法，结合机会性出现数据构建SDMs。团队特别开发了两种集成模型：一种包含专家分布图整合，另一种则不包含。

研究结果显示，虽然两种集成模型均表现出良好的预测性能，但整合专家分布图的模型成功避免了地理屏障（如大陆架边缘、洋流边界等）之外的范围过预测(overprediction)现象。模型预测差异程度受多种因素影响，包括机会性出现记录的数量与空间分布范围、出现记录与专家分布多边形之间的空间距离，以及鱼类科级分类单元的特异性。

基于这些发现，研究强调在利用SDMs预测海洋物种分布时，应综合运用专家分布图提供的边界限定信息和机会性出现记录提供的点位数据，二者具有显著的互补价值。该方法为提升海洋物种分布预测精度提供了重要技术路径，对制定科学的海洋保护策略具有实践指导意义。