068B-基于R语言平台Biomod2集成模型的物种分布模型构建和数据可视化教程【2027】

068B-基于R语言平台Biomod2的物种分布集成模型构建和数据可视化教程【2027】

包含：票（合同清单）+中文视频教程+全套软件脚本+学习数据+学员参考文献+导师答疑

本教程旨在通过系统的培训学习，学员可以掌握Biomod2模型最新版本的使用方法，最新版包含13个模型（ANN, CTA, FDA, GAM, GBM, GLM, MARS, MAXENT, MAXNET, RF, RFd, SRE, XGBOOST）；通过学习掌握数据的获取处理、建模、调参和数据可视化等。课程培训针对0基础学员。

课程特点：

该套课程特点：（1）采用最新版本Biomod2-v4.2.6-2版本，模型数量更多内容更丰富；（2）利用R一键快速统一变量数据属性（数据精度、范围、坐标系）；（3）利用R一键快速对样点数据去冗余，解决ENMtool处理样点数据后数据变化问题；（4）支持模型bigBOSS自动调参优化模型参数，支持自定义MaxEnt（FC和RM）参数+其它模型自动调参，也支持默认参数建模；（5）优化参数，减少模型报错概率（常规数据可以使用12+个模型建模），解决Biomod2低版本痛点；（6）模型结果评估指标增加到14个，结果评估更可靠（‘POD’, ‘FAR’, ‘POFD’, ‘SR’, ‘ACCURACY’, ‘BIAS’, ‘ROC’, ‘TSS’, ‘KAPPA’, ‘ORSS’, ‘CSI’, ‘ETS’, ‘BOYCE’ , ‘MPA’）；（7）结果文件自动分类，增加结果的易读性；（8）增加优化制图效果，增加制图调节参数；（9）支持未来4时期和4 SSP情景自动化建模；（10）可指定时期批量分析适宜区和质心变化并自定义制图；（11）所有图和原始数据可导出，可以查看绘图原始数据并二次自定义绘图；（12）PCA分析可以自动筛选出变量，降低人为选择干扰和不确定性；（13）PA数据增加到4种生成方式，支持自定义过滤掉距离物种存在点过近的点，防止数据干扰；（14）支持设定分类变量和连续变量的混合使用，早期所有变量（植被土地类型）均默认为连续变量结果有问题。（15）新增R绘制适宜区质心迁移路径图等。

课程主要内容：

专题一 Biomod2-4.2.6-2和相关软件安装

1. R软件和Biomod2-4.2.6-2包安装（安装报错说明）

2. 环境变量配置与测试

3. 辅助工具软件安装

学员赠送一次R软件远程协助安装测试（远程时间20~60min）

专题二 基于R处理环境数据——解决数据属性不一致问题

1. 基于R快速批量统一环境数据属性（数据范围、精度、坐标系）-解决环境数据报错问题，也可以解决MaxEnt模型的数据报错问题

2. 基于R利用shp地图对境数据批量掩膜提取与转ASC

专题三 基于R获取处理物种分布点数据

1. 利用R快速下载过滤分布点数据-GBIF数据（可指定区域国家下载和设定数量下载）
2. 利用R快速对样点筛选去冗余(解决ENMtools处理样点数据变化问题)–去除同一栅格内的样点数据

专题四 环境变量可视化-相关性分析-PCA分析自动筛选变量

1. 基于R批量环境变量可视化制图（单独制图、组合制图、变量+分布点制图）
2. 类型变量和连续变量组合制图（植被类型和土地类型等变量特殊制图）
3. 基于R-变量相关性分析数据导出和热图绘制
4. PCA分析和可视化制图（优化变量筛选方案，可以自动化筛选出变量，过程数据和结果数据可导出）

专题五 数据加载

1.类型环境变量（植被类型等）和连续变量组合使用数据加载方法

2.全部连续变量数据使用加载方法

专题六 Presences.Absences数据生成（增加到4种方法）

增加pseudo-absence生成新方法，过滤掉距离分布点过近的点，避免干扰；增加多种PA数据可视化效果图，以及PA数据导出。

1. 方法一：使用random法生成pseudo-absence

2. 方法二：disk法生成pseudo-absence

3. 方法三：SRE法生成pseudo-absence

4. 方法四：random+disk法生成pseudo-absence

5. pseudo-absence数据可视化制图（PA数据制图，PA数据+分布点数据制图，PA数据+分布点数据+环境变量制图）

专题七 Biomod2-4.2.6-2模型参数说明和bigboss参数配置

1. Biomod2建模——基于bigboss功能自动优化模型参数（早期biomod2版本无此功能）
2. 模型结果评价指标介绍（新版本评估指标增加到15个）

专题八 Biomod2-4.2.6-2模型默认配置

1.Biomod2建模——模型默认参数建模

专题九 Biomod2-4.2.6-2模型组合参数配置

1.Biomod2建模——（MaxEnt模型自定义参数（RC、RM）+其余模型基于bigboss功能自动优化模型参数）（早期biomod2版本无此功能）

该部分内容支持自定义MaxEnt模型的RC、RM参数，同时其他模型使用bigboss功能调参，所有模型结果可以达到最优状态。

专题十 单一模型结果指标导出和个性化制图

1. 单一模型-评价指标数据导出
2. 单一模型-评价指标个性化制图（以"ROC"，“TSS”，"ROC"为例）15个指标都可以自定义绘图
3. 单一模型-评价指标均值和SD值导出
4. 单一模型-变量重要性可视化和原始数据导出（箱型图）
5. 单一模型-响应曲线数据导出与可视化绘图

专题十一 集成模型参数配置和运行

模型集成方式增加多种（EMmean, EMcv, EMci, EMmedian, EMca, EMwmean），评估指标增加到15种(‘POD’, ‘FAR’, ‘POFD’, ‘SR’, ‘ACCURACY’, ‘BIAS’, ‘ROC’,‘TSS’, ‘KAPPA’, ‘OR’, ‘ORSS’, ‘CSI’, ‘ETS’, ‘BOYCE’ , ‘MPA’)。

1. 集成模型-参数配置和集成方法介绍
2. 集成模型-评估指标绘图-箱型图
3. 集成模型-变量重要性箱线图-箱型图
4. 集成模型-评估指标导出数据
5. 集成模型-环境因子响应曲线导出数据和绘图

专题十二 当前单一模型和集成模型文件生成

1. 当前单一模型和集成模型文件生成-参数配置
2. 基于"TSS"、“ROC”、"Kappa"生成适宜区和不适应区二进制文件
3. 基于R当前时期单一模型和集成模型适宜区绘图

专题十三 未来时期单一模型和集成模型构建

1. 未来多时期和多SSP情景批量预测（以未来4时期4个SSP为例演示）
2. 未来时期单一模型和集成模型批量快速制图（可以批量出图）
3. 基于R对当前和未来集成模型适宜区面积计算并导出数据

专题十四 适宜区变化分析与制图

1. 适宜区变化分析与制图1（基于时间顺序分析：如current-2030-2050-2070-2090）
2. 适宜区变化分析与制图2（当前与未来每个时期比较）
3. 基于R适宜区变化面积快速统计与导出

专题十四 适宜区质心变化分析

1. 基于R对不同时期适宜区质心快速计算与导出
2. 基于R对适宜区质心迁移路径绘图（可以自定义制图颜色形状）

部分学员文章：

[1]Giraldo C D ,Kucuker M D . Comparative analysis of Biomod2 statistical and machine learning methods for Lactarius deliciosus distribution in Refahiye, Turkiye.[J].Fungal biology,2025,129(6):101638.

[2]郭丽嵘,何英梅,马潇,等. 基于集成模型的不同气候情景下我国红芪潜在分布预测研究[J/OL].中国中医药信息杂志,1-6[2025-09-22].https://doi.org/10.19879/j.cnki.1005-5304.202503318.

[3]Lin Y ,Liu Q ,Lv S , et al. Assessing the Potential Distribution of the Traditional Chinese Medicinal Plant Spatholobus suberectus in China Under Climate Change: A Biomod2 Ensemble Model-Based Study[J].Biology,2025,14(8):1071-1071.

[4]Yu W ,Sun D ,Ma J , et al. Predicting the Potential Geographical Distribution of Scolytus scolytus in China Using a Biomod2-Based Ensemble Model[J].Insects,2025,16(7):742-742.

[5]张璇,李霞,张宝生,等. 应用Biomod2组合模型预测小线角木蠹蛾在中国的潜在分布区[J].东北林业大学学报,2025,53(08):113-120.DOI:10.13759/j.cnki.dlxb.2025.08.006.

[6]刘宝俊,赵泽源,李玲,等. 基于MaxEnt模型和Biomod2集成模型对蒙古国防风在气候变化下的适宜性区划研究[J/OL].中国中药杂志,1-10[2025-09-22].https://doi.org/10.19540/j.cnki.cjcmm.20250702.101.

[7]张金锦,宋颖,吴雪睿,等. 基于Biomod2组合模型预测台湾水青冈潜在分布区[J/OL].生态学杂志,1-14[2025-09-22].https://link.cnki.net/urlid/21.1148.Q.20250701.1411.006.

[8]陈馨,肖欣怡,伍小刚,等. 基于Biomod2组合模型预测气候变化下川渝地区6种槭属树种适生区[J].应用与环境生物学报,2025,31(06):859-874.DOI:10.19675/j.cnki.1006-687x.2024.05022.

[9]吴得华,康传志,孟婉姮,等. 基于Biomod2组合模型对气候变化下野菊花适生区的预测[J/OL].中国中药杂志,1-12[2025-09-22].https://doi.org/10.19540/j.cnki.cjcmm.20250529.101.

[10]余大为,侯言东,何爱伟,等. 基于Biomod2组合模型的甘肃省中华白蛉适生区预测[J].中国血吸虫病防治杂志(中英文),2025,37(03):276-283.DOI:10.16250/j.32.1915.2024223.

[11]Yu D ,Hou Y ,He A , et al. [Prediction of suitable habitats of Phlebotomus chinensis in Gansu Province based on the Biomod2 ensemble model].[J].Zhongguo xue xi chong bing fang zhi za zhi = Chinese journal of schistosomiasis control,2025,37(3):276-283.

[12]刘泽渊,魏有海,侯璐,等. 基于Biomod2组合模型对气候变化下青藏高原密花香薷适生区的预测[J].干旱地区农业研究,2025,43(03):278-286.

[13]Chen K ,Shao W ,Li Y , et al. Biomod2 Modeling for Predicting Suitable Distribution of Bamboo Bat (Tylonycteris pachypus) Under Climate Change.[J].Animals : an open access journal from MDPI,2025,15(8):1164-1164.

[14]Wang R ,Guo X ,Song Y , et al. Effects of ultraviolet radiation as a climate variable on the geographic distribution of Oryza sativa under climate change based on Biomod2[J].Frontiers in Plant Science,2025,161552770-1552770.

[15]杨抒欣,张德旭,张安安,等. 基于Biomod2组合模型的海南长臂猿食源植物潜在分布区[J].陆地生态系统与保护学报,2025,5(02):1-12.

[16]Wang Z ,Zhuo Z ,Liu B , et al. Predicting the Future Geographic Distribution of the Traditional Chinese Medicinal Plant Epimedium acuminatum Franch. in China Using Ensemble Models Based on Biomod2[J].Plants,2025,14(7):1065-1065.

[17]蒋增,邵明勤,王剑颖. 基于Biomod2组合模型预测鹤鹬越冬适宜区[J].应用与环境生物学报,2025,31(05):788-796.DOI:10.19675/j.cnki.1006-687x.2024.11028.

[18]方磊.新疆阿勒泰三种外来鱼类时空分布特征及其变化研究[D].中国环境科学研究院,2024.DOI:10.27510/d.cnki.gzhky.2024.000006.