生態(tài)位模型（Ecological niche modeling，ENM）在生態(tài)學(xué)、生物地理學(xué)和進(jìn)化生物學(xué)學(xué)習(xí)中發(fā)揮著越來(lái)越重要的作用，并被廣泛用于幫助保護(hù)規(guī)劃和管理。該領(lǐng)域?qū)W習(xí)中很重要的一局部是針對(duì)稀有物種。稀有物種存在觀察記錄偏差及地理范圍局限、生境特化、種群規(guī)模小和自然史信息有限等特征。但是，由于空間采樣偏差引起的模型不準(zhǔn)確性和過(guò)擬合等問(wèn)題，為稀有物種建立可靠的生態(tài)位模型是個(gè)巨大的挑戰(zhàn)。 中國(guó)科學(xué)院成都生物學(xué)習(xí)所學(xué)習(xí)員胡軍華與中國(guó)科學(xué)院動(dòng)物學(xué)習(xí)所副學(xué)習(xí)員喬慧捷共同領(lǐng)導(dǎo)的學(xué)習(xí)團(tuán)隊(duì)利用虛擬場(chǎng)景，探討了整合一系列具有不同生態(tài)位重疊程度的相關(guān)物種的發(fā)生記錄數(shù)據(jù)到目標(biāo)物種的生態(tài)位模型來(lái)克服空間抽樣偏差及衍生的局限性。 該學(xué)習(xí)考慮了兩種方法來(lái)合并目標(biāo)物種與近緣種的模型：直接整合目標(biāo)物種與相關(guān)物種的發(fā)生記錄來(lái)構(gòu)建ENMs；分別基于目標(biāo)物種與近緣種的發(fā)生記錄構(gòu)建各自的ENMs，然后基于貝葉斯推理（Bayesian inference）方法合并結(jié)果。學(xué)習(xí)闡明，在所有檢驗(yàn)的算法中，當(dāng)目標(biāo)與相關(guān)物種的生態(tài)位重疊較大時(shí)，兩種合并方法構(gòu)建的模型均比僅僅基于目標(biāo)物種的模型表現(xiàn)得更好。當(dāng)分別評(píng)估模型的敏感性和特異性時(shí)，兩種整合方法在不同ENMs算法中的表現(xiàn)較復(fù)雜。該學(xué)習(xí)結(jié)果為生態(tài)位建模理論學(xué)習(xí)提供了一種新的推進(jìn)方式。 該學(xué)習(xí)成果近期以Using data from related species to overcome spatial sampling bias and associated limitations in ecological niche modeling 為題在線發(fā)表于Methods in Ecology and Evolution上。 該學(xué)習(xí)獲得了國(guó)家重點(diǎn)研發(fā)計(jì)劃、國(guó)家自然科學(xué)基金及中科院青年創(chuàng)新促進(jìn)會(huì)等的資助。
