物種分布模式

一、概述

物種分布模式(Species distribution models, SDMs)是透過已知的物種分布資料 與環境特徵，以了解或推估生物在地理景觀中的分布狀況。回歸方法、自然地理 學與地理資訊系統的發展，使物種分布模式模擬與繪圖的功能更為完備(Elith &

Leathwick, 2009)。

回歸方法常使用多元線性回歸和判別函數分析(Stauffer, 2002)，處理的資料形 式屬於出現－未出現( presence-absence)。在廣義線性模型出現後(Generalized linear models, GLMs)，使基於回歸方法的物種分布模式更具有複雜性與真實性，GLMs 中的數學方法，如：非常態分布(non-normal distributions)、加法項(additive terms)、

非線性擬合函數(nonlinear fitted functions)等，也是目前許多模式的關鍵基礎。而在 實際情況下，常因為物種偵測率或是種間競爭等原因，不容易取得正確的不存在 資 料 ， 能 夠 處 理 出 現 (Presence-only) 資 料 的 模 式 因 此 被 發 展 出 來 ， 例 如 ： GARP(Genetic Algorithm for Rule-set Prediction)(Stockwell, 1999)與 MaxEnt(Phillips et al., 2006)。

空間資訊科學的發展提供了新的資料與方法如：數值高程模型、內插的氣候

最大熵原理(maximum-entropy principle) 最初起源於統計力學，已在多個領域 中利用不完整的資料進行預測或推估，能確保在有限資料下建立的近似分布，能 滿足目標未知分布中任何已知的限制條件，並且在這些限制下所建立的近似分布，

應具有最大熵值(Jaynes, 1957)。

MaxEnt 是目前被廣泛使用，而且也證實模式的表現優於其他物種分布模式 (Elith, Graham, et al., 2006)。MaxEnt 將研究區的網格定義為機率分布空間，已知物 種存在記錄的網格為樣點，輸入變數為氣候資料、高程等的環境變量，進行物種

值(convergence threshold)或是達到迭代次數。使用的要素越多，Gibbs 機率分布也 會越複雜，也更可能產生過度擬合(overfitting)。為避免權重 Ci無限制增大，MaxEnt 中使用正則化(regularization)設定一個較寬鬆的限制，使分布點位上的期望值接近 樣區的平均，而非完全等於平均值。

模式的評估方法，可分為閾值依賴 (threshold-dependent evaluation)與非閾值依 賴 (threshold-independent evaluation)。閾值依賴是選擇適當的閾值，區分物種出現 機率，出現機率大於閾值的區分為有物種分布，小於閾值的區分為無物種分布，

並依閾值產生誤差矩陣 (confusion matrix)(表 1)。

表 1 評估模式準確度之誤差矩陣 (改自 Manel et al., 2002)

依 據 誤差 矩陣 的 4 種情 況， 可以定 義 出不 同的 指標 (表 2) ，如 敏 感度 (sensitivity)、特異度 (specificity)、TSS (true skill statistic)(Allouche et al., 2006)和 Kappa 值等指標，其中敏感度、特異度，和整體預測成功率可以代表 SDM 預測與 實際分布之間的一致性(Manel et al., 2002)。

非閥值依賴，如：接受者操作特徵曲線 (receiver operating characters curve, ROC)，當閥值上升時，敏感度下降，特異度上升。根據這個特性，以 1–特異度

表 2 由誤差矩陣推導之模式表現評估因子表 (改自 Manel et al., 2002) 殖族群量(Guinet et al., 1995)；美國 Theodore Roosevelt 國家公園應用三種高光譜影 像偵測入侵的乳漿大戟(Euphorbia esula)，偵測率可高達 80％(Root et al., 2002)。

評估因子 計算公式 / 敘述

整體預測成功率 ( TP +TN) / ( TP +FP+FN+TN) 敏感度 (sensitivity) TP / ( TP +FN)

特異度 (specificity) TN / (FP+TN) TSS (true skill statistic) 敏感度+特異度–1

Kappa 值