生态位模型（Ecological niche modeling，ENM）在生态学、生物地理学和进化生物学学习中发挥着越来越重要的作用，并被广泛用于帮助保护规划和管理。该领域学习中很重要的一局部是针对稀有物种。稀有物种存在观察记录偏差及地理范围局限、生境特化、种群规模小和自然史信息有限等特征。但是，由于空间采样偏差引起的模型不准确性和过拟合等问题，为稀有物种建立可靠的生态位模型是个巨大的挑战。 中国科学院成都生物学习所学习员胡军华与中国科学院动物学习所副学习员乔慧捷共同领导的学习团队利用虚拟场景，探讨了整合一系列具有不同生态位重叠程度的相关物种的发生记录数据到目标物种的生态位模型来克服空间抽样偏差及衍生的局限性。 该学习考虑了两种方法来合并目标物种与近缘种的模型：直接整合目标物种与相关物种的发生记录来构建ENMs；分别基于目标物种与近缘种的发生记录构建各自的ENMs，然后基于贝叶斯推理（Bayesian inference）方法合并结果。学习阐明，在所有检验的算法中，当目标与相关物种的生态位重叠较大时，两种合并方法构建的模型均比仅仅基于目标物种的模型表现得更好。当分别评估模型的敏感性和特异性时，两种整合方法在不同ENMs算法中的表现较复杂。该学习结果为生态位建模理论学习提供了一种新的推进方式。 该学习成果近期以Using data from related species to overcome spatial sampling bias and associated limitations in ecological niche modeling 为题在线发表于Methods in Ecology and Evolution上。 该学习获得了国家重点研发计划、国家自然科学基金及中科院青年创新促进会等的资助。
