物种分布建模中时空模型无偏交叉验证的基础
应用统计
2025-12-22 v2 机器学习
摘要
在现实的部署场景下评估物种分布模型 (SDM) 的预测性能，需要谨慎处理数据中的空间和时间依赖性。交叉验证 (CV) 是模型评估的标准方法，但其设计强烈影响性能估计的有效性。当 SDM 旨在进行空间或时间迁移时，由于邻近观测之间的空间自相关 (SAC)，随机 CV 可能导致过于乐观的结果。我们在两个真实的存在-缺失数据集（一个温带植物和一个溯河产卵鱼类）上，使用多种 CV 设计（随机、空间、时空、环境和前向链式）对四种机器学习算法（GBM、XGBoost、LightGBM、随机森林）进行了基准测试。评估了两种训练数据使用策略（LAST FOLD 和 RETRAIN），并在每个 CV 方案内进行超参数调优。使用 AUC、MAE 和相关性指标在独立的时间外测试集上评估模型性能。随机 CV 高估 AUC 高达 0.16，并产生比空间分块替代方案高出 80% 的 MAE 值。在经验 SAC 范围内进行分块可显著减少这种偏差。训练策略影响评估结果：在强 SAC 下，LAST FOLD 产生较小的验证-测试差异，而当 SAC 较弱时，RETRAIN 获得更高的测试 AUC。在空间结构化的 CV 设计下，提升集成模型始终表现最佳。我们推荐一个基于 SAC 感知分块、分块超参数调优和外部时间验证的稳健 SDM 工作流程，以提高在空间和时间变化下的可靠性。
引用
@article{arxiv.2502.03480,
title = {Foundation for unbiased cross-validation of spatio-temporal models for species distribution modeling},
author = {Diana Koldasbayeva and Alexey Zaytsev},
journal= {arXiv preprint arXiv:2502.03480},
year = {2025}
}
备注
Accepted manuscript. Published in Ecological Informatics (2025)