重采样对生态位模型预测与解释的流行度依赖性和算法依赖性效应

《Ecological Informatics》:Prevalence- and algorithm-dependent effects of resampling on prediction and interpretation in ecological niche models

【字体: 大 中 小 】 时间:2026年07月08日 来源:Ecological Informatics 8.5

编辑推荐:

  生态位模型(ecological niche models, ENMs)的可靠性取决于训练数据的质量和代表性,这在生态数据集中常因类别不平衡(class imbalance)而受到影响。本研究评估了重采样策略和训练流行度(training prevalence

  
生态位模型(ecological niche models, ENMs)的可靠性取决于训练数据的质量和代表性,这在生态数据集中常因类别不平衡(class imbalance)而受到影响。本研究评估了重采样策略和训练流行度(training prevalence)如何影响在类别不平衡条件下开发的ENMs。利用来自韩国的淡水底栖大型无脊椎动物数据,研究人员比较了未重采样的对照(Control)模型与六种重采样方法:随机过采样(random oversampling)、合成少数类过采样技术(synthetic minority oversampling technique, SMOTE)、边界SMOTE(borderline SMOTE, BLSMOTE)、自适应合成采样(adaptive synthetic sampling, ADASYN)、基于密度的SMOTE(density-based SMOTE, DBSMOTE)和随机欠采样(random undersampling, RUS)。这些方法在受控的流行度情景和五种ENM变体下进行了测试:最大熵(maximum entropy, MaxEnt)、随机森林分类器(random forest classifier, RFc)和回归器(random forest regressor, RFr)、支持向量机分类器(support vector machine classifier, SVc)和回归器(support vector machine regressor, SVr)。重采样效应在重度至中度类别不平衡时最强,并随训练流行度增加而减弱。合成过采样方法并不总能生成预期数量的存在样本,且重采样引起的分布偏移在极低流行度下最大。预测增益具有算法和指标依赖性:MaxEnt改进甚微,随机森林模型主要在F1和真实技能统计量(true skill statistic, TSS)上通过随机欠采样获得提升,而支持向量机模型从基于SMOTE的方法中获益最稳定。重采样还改变了所选变量、变量重要性轮廓(variable-importance profiles)和累积局部效应曲线(accumulated local effect curves, ALE curves),尤其在低流行度下。这些发现表明,重采样是一种依赖于上下文的建模决策,应在完整的ENM流程中评估,并根据数据的不平衡结构和研究的预测或生态目标来选择。
研究背景:生态位模型(ecological niche models, ENMs)是评估物种-环境关系、预测物种潜在分布的重要工具,广泛应用于栖息地评估、生物多样性保护和生态系统管理。然而,ENMs的可靠性高度依赖于训练数据的质量和代表性。在生态数据集中,类别不平衡(class imbalance)问题普遍存在,即存在记录(presence)与不存在记录(absence)数量不均衡,这常源于物种稀有性、分布不均匀或监测设计的偏差。类别不平衡会削弱模型的训练效果,导致预测性能下降,并扭曲推断的物种-环境关系。为应对这一问题,研究者常采用重采样(resampling)方法,如随机过采样、随机欠采样和合成过采样(如SMOTE及其变体)。然而,重采样不仅改变类别频率,还可能改变训练数据的环境结构,进而影响预测精度和生态解释的稳定性。现有研究尚不清楚重采样如何改变训练数据的环境分布、其效应是否依赖于训练流行度(training prevalence),以及预测增益是否伴随稳定的生态解释。这些问题对于ENMs在生态推断和管理决策中的应用至关重要。因此,本研究旨在系统评估重采样策略和训练流行度对类别不平衡条件下ENMs的影响。

研究内容与结论:研究人员利用来自韩国国家淡水监测项目(2011–2021年)的底栖大型无脊椎动物数据,选取了10个代表性分类单元,通过环境过滤(environmental filtering)减少环境空间冗余,构建存在-不存在数据集。在嵌套交叉验证(nested cross-validation)框架内,分别设置了1%和5%–45%(间隔5个百分点)的受控训练流行度水平,比较了未重采样的对照(Control)模型与六种重采样方法:随机过采样(ROS)、合成少数类过采样技术(SMOTE)、边界SMOTE(BLSMOTE)、自适应合成采样(ADASYN)、基于密度的SMOTE(DBSMOTE)和随机欠采样(RUS)。五种ENM变体包括最大熵(MaxEnt)、随机森林分类器(RFc)和回归器(RFr)、支持向量机分类器(SVc)和回归器(SVr)。通过生成-目标比(GTR)、能量距离(energy distance)、标准化均值差和方差比评估重采样对训练数据的直接影响;通过AUROC、F1、PRAUC和TSS评估预测性能变化;通过Jaccard相似性、总变差距离(TVD)和归一化积分绝对差(nIAD)评估变量选择、变量重要性和累积局部效应(ALE)曲线的变化。混合效应模型量化了算法、流行度、重采样方法及其交互作用的统计显著性。

主要结论:重采样效应在重度至中度类别不平衡时最强,随训练流行度增加而减弱。合成过采样方法并不总能生成目标数量样本,且重采样引起的分布偏移在极低流行度下最大。预测增益具有算法和指标依赖性:MaxEnt改进甚微;随机森林模型主要在F1和TSS上通过随机欠采样获得提升;支持向量机模型从基于SMOTE的方法中获益最稳定。重采样还改变了变量选择、变量重要性轮廓和ALE曲线,尤其在低流行度下。这些发现表明,重采样并非通用的预处理步骤,而是一种依赖于上下文的建模决策。论文发表在《Ecological Informatics》。

关键技术方法:研究使用韩国水环境信息系统(WEIS)2011–2021年国家监测数据,包含9个水质变量(pH、电导率Cond、溶解氧DO、生化需氧量BOD、化学需氧量COD、悬浮物SS、总氮TN、总磷TP、叶绿素a Chl-a)。通过IQR准则筛选异常值,PCA环境分箱法进行环境过滤。ENM开发采用嵌套交叉验证(10折外循环、5折内循环),内循环通过贝叶斯优化最大化平均精确率-召回率曲线下面积(PRAUC)。变量选择基于相关性阈值(|r|=0.7)和方差膨胀因子(VIF=5)。使用Youden's J阈值将连续预测转换为二分类。重采样仅应用于训练分区,验证集和测试集保持原始分布。效果评估包括生成-目标比(GTR)、能量距离、标准化均值差、Jaccard相似性、总变差距离(TVD)和归一化积分绝对差(nIAD),混合效应模型分析交互作用。

研究结果:
3.1 重采样对训练数据的改变:除随机过采样(ROS)外,合成过采样方法未一致生成目标数量的存在样本。SMOTE和边界SMOTE(BLSMOTE)在流行度≤30%时达到目标,自适应合成采样(ADASYN)和基于密度的SMOTE(DBSMOTE)在≤35%时达到目标;ADASYN常在有效范围内过度生成,BLSMOTE在1%流行度下失败。能量距离在极低流行度下最大,随流行度增加而减小;随机欠采样(RUS)的分布差异始终小于过采样方法。变量特异性平衡诊断显示,低流行度下标准化均值差和方差比分布更宽,ROS、SMOTE和ADASYN的均值变化较小。

3.2 流行度和重采样对ENM性能的影响:未重采样对照模型的基线性能随流行度变化,F1、PRAUC和TSS敏感,AUROC相对稳定。配对差异分析显示,重采样效应在低至中等流行度(5–20%)最强,随流行度增加趋近于零。MaxEnt对重采样响应微弱;随机森林分类器(RFc)和回归器(RFr)在低流行度下通过RUS改善F1和TSS;支持向量机分类器(SVc)和回归器(SVr)在低至中等流行度下从SMOTE、ADASYN和BLSMOTE中稳定获益。混合效应模型证实ENM算法、重采样方法、流行度及其交互作用对所有性能指标有显著影响,表明性能变化依赖具体组合。

3.3 流行度和重采样对变量选择和模型解释的影响:变量选择相似性(Jaccard指数)整体较高,随流行度增加趋近1.00;在1%流行度下,RUS相似性最低且变异性最大,ROS、SMOTE和ADASYN维持较高相似性。变量重要性总变差距离(TVD)随流行度增加而减小,MaxEnt在低流行度下TVD最大,RFc在极低流行度下TVD高但迅速下降,RFr始终较低,SVc中等递减,SVr在高流行度下变异性大。ALE曲线归一化积分绝对差(nIAD)随流行度增加而下降;MaxEnt的nIAD较低,RFc和RFr在低流行度下nIAD高,SVc和SVr在更宽流行度范围内维持较高nIAD;RUS的ALE曲线最接近对照,合成过采样方法(SMOTE、BLSMOTE、ADASYN)的nIAD较大。混合效应模型显示,ENM算法、重采样方法、流行度及其交互作用对TVD和nIAD均有显著影响,其中算法和流行度效应最强。

讨论总结:研究指出,重采样并非普遍有益的预处理步骤,其效应取决于流行度、重采样方法、ENM算法和评估指标。重采样改变了训练数据的构成和分布,尤其严重不平衡时,稀疏的存在数据为复制、合成插值或多数类缩减提供不稳定基础。边界和密度聚焦方法可能放大抽样伪影。预测性能方面,最大熵改进有限,随机森林受益于随机欠采样但需谨慎丢弃不存在记录,支持向量机最稳定地从SMOTE方法获益。指标选择重要:F1、PRAUC和TSS比AUROC更敏感。生态解释方面,变量选择在高流行度下稳定,但变量重要性和ALE曲线变化不随选择集一致,重采样可改变重要性分配和响应曲线形状,提醒研究者不能将预测性能改进等同于生态可靠性。

研究结论翻译:本研究表明,重采样并非生态位模型中类别不平衡的通用解决方案,而是一种依赖于上下文的建模决策,其有效性共同取决于训练流行度、ENM算法和重采样方法。预测益处最明显时出现在重度至中度类别不平衡下,特别是在低至中等流行度水平,而这些效应随流行度增加而减弱。然而,在极低流行度下,重采样也引起了训练数据分布和模型解释的最大偏移,表明重采样诱导伪影的风险更高。算法特异性响应也很明显。最大熵从重采样中获益甚微,而随机森林模型主要在依赖于阈值的指标(如F1和TSS)上通过随机欠采样获得提升。相比之下,基于支持向量机的模型在所有性能指标上表现出最一致的改进,尤其是与基于SMOTE的过采样方法结合时。随机过采样和基于密度的SMOTE产生了更有限或更具变异性的效应。重采样还影响了生态解释,包括变量选择、变量重要性轮廓和基于ALE的响应曲线,尤其在低流行度下。因此,改进的预测性能并不一定意味着稳定的生态推断。总体而言,本研究证明,重采样应作为完整ENM流程的一部分进行评估,而非作为常规预处理步骤。其效应共同取决于训练流行度、ENM算法、重采样方法、评估指标和解释稳定性;因此,研究人员应根据其数据的不平衡结构和研究的预测或生态目标来选择重采样策略。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号