但传统 SDM 有一个被长期忽视的盲点：它把环境当成一堆孤立的"采样点"。你给模型一个坐标，它就去查这个点的年均温、年降水、海拔，仿佛物种生活在一个没有邻居、没有山脊走向、没有河流廊道、没有农田切割的真空中。这就像只看一个人脚下一平方米的地面温度，却要判断他能不能在整片山谷里安家——景观的"长相"被扔掉了。

一、被当作"点"的世界，缺了什么

物种与环境的关系是分层的、有层次的。决定一只林鸟能否筑巢的，可能既是脚下几十米内的灌丛密度，也是几公里外的森林连片程度，还可能是几十公里外的气候带边界——不同尺度的因子，在不同空间范围上起作用[1]。生态学里管这叫"尺度依赖"（scale dependence），喊了几十年，落到模型里却常常没影子：主流 SDM 算法（包括生态学界用了二十年的 Maxent[4]）输入的仍是单点的环境数值，顶多在半径上做点平均。

被扔掉的是什么？论文把它归纳为三个维度[1]：异质性——一个窗口内环境的变异程度，均匀草地与碎片化灌丛在"平均值"上可以一模一样；格局——环境要素的空间排列方式，同样的森林覆盖率，连片大森林和碎成渣的隔离林岛对物种意义完全不同；多尺度关系——小窗口看巢址微栖息地、中窗口看家域、大窗口看气候适宜区，各管一段。这三个维度恰恰是卷积神经网络（CNN）的看家本领：卷积核天生就是在"看"一小块邻域，一层层叠上去，感受野逐级放大，景观的结构信息被直接学进权重里。

二、一场 225 个物种的对照实验

2026 年，PNAS 刊发了威斯康星大学麦迪逊分校 SILVIS 景观生态实验室的一项系统检验：第一作者 Akash Anand 与资深作者 Volker Radeloff 联手 Benjamin Deneu——后者正是 2021 年首篇 CNN-SDM 先行研究的第一作者[2]——把"CNN 能不能补上空间盲点"这个问题，做成了一场大规模、可复现的正面对决[1]。

实验设计干净而严苛。首先，坚持用"仅出现"（presence-only）数据——现实监测里，我们往往只知道在哪儿见过一个物种，很难确证在哪儿"肯定没有"：缺席点不可靠，是生物地理学的老难题。这意味着他们选的对手都是为这种"半套数据"设计的算法：学界标准配置 Maxent，以及流行的集成模型（ensemble）。其次，建模对象横跨225 个物种，覆盖鸟类、蝙蝠、爬行动物和维管植物，来自多个地理区域，确保结论不是某一类群的特例。第三，他们专门测试了数据增强（data augmentation）能否缓解 CNN 对小样本的敏感——把景观小块旋转、翻转、平移来"裂变"出更多训练样本，这个计算机视觉里的常规操作，放到物种分布上正好对应"换个方向看的还是同一片栖息地"。

三、数字会说话

结果一边倒。在 225 个物种上，使用数据增强的 CNN 取得中位 AUC-ROC 0.77、AUC-PRG 0.78；而集成模型只有 0.74 和 0.61[1]。两个指标里，AUC-PRG 更值得注意——它是为不平衡数据设计的"精确率-召回率增益"曲线下面积，对"仅出现"建模这类正样本稀少的任务远比普通 AUC 严格、更难刷高。从 0.61 到 0.78 这 0.17 的差距，意味着在"找对栖息地"这件事上，CNN 是实打实领先一大截，不是靠宽松指标撑起来的虚胖。

更关键的是稀有种。物种出现记录少于 30 条时，传统模型的性能会明显塌方——而这恰恰是全球生物多样性监测最普遍的困境：大量物种只有零星几次观测，越是偏远、越是濒危，数据越薄。对照实验里，带增强的 CNN 仍守住 AUC-ROC 0.75，明显高过集成模型的 0.68[1]。数据增强把"样本太少学不动"的问题硬生生顶住了一半。在 225 个物种中，近三分之一的物种记录不足 30 条——CNN 增益最大的，正是这群"最该优先保护、却最难建模"的物种。

工程上也有好消息：CNN 的模型拟合速度与其他算法相当，只是推理（对新区域逐格预测）略慢[1]。对需要给整片大陆画图的保护规划来说，训练一次、铺开万里的工作流里，这点代价完全可接受。

四、CNN 凭什么赢：把"看图"变成"看生态"

回到机制。CNN 的卷积核像一个滑动的"小窗"，每次只看一小块邻域，却把这一块内部的明暗、纹理、排列完整地编码下来；层层堆叠后，浅层看边缘和斑块，深层看大范围的组合格局。这与生态位理论里"不同尺度因子塑造不同层级栖息地选择"的图景天然同构[1]。Maxent 们把环境压成单点数值，等于开考前就把三道大题的题干撕了；CNN 至少把题干完整拿到了。

这项工作并非横空出世。早在 2021 年，Deneu 等人就在《PLoS Computational Biology》证明 CNN 可以通过捕捉环境的空间结构改进 SDM[2]；2026 年这篇 PNAS 的增量，是把它放到 225 个物种、多类群、多区域的天平上，系统回答了两个此前悬而未决的问题："何时 CNN 比老方法好"——答案是大面积、多尺度、空间结构复杂的场景；以及"数据少还行不行"——数据增强是关键救生圈，稀有种不再掉队。

五、空间补完时间：两条路正在汇合

有意思的是，空间只是物种分布的"一半"。就在今年，另一项研究给迁徙物种的 SDM 补上了"时间维度"：EPFL 团队用季节链式深度学习模型追踪帝王蝶在全美洲的生态位迁移，带季节信息的模型比静态模型 AUC-ROC 高约 7%，把模型"时光倒流"回 1990–2004 年的外推检验里 TSS 还能高出 15%[3]。一个补空间上下文，一个补时间季节性——两条独立的路线，指向同一个结论：把物种真实经历的世界（连贯的景观、流动的季节）还原进模型，预测才靠谱。抹平空间、抹平季节的"平均值模型"，正在被系统性超越。

往前再想一步：遥感的"基础模型"浪潮正好接得上。NASA 与 IBM 的 Prithvi-EO、剑桥的 TESSERA 这类地球观测基础模型，已经能把多时相卫星影像压缩成现成的通用空间表征——它们输出的"嵌入"本质上就是一片景观的压缩素描。把它当作 CNN-SDM 的预训练视觉系统，或许能让数据贫乏物种的分布预测，直接站到巨人肩膀上。保护决策最缺信息的角落，恰恰是这条技术路线最该去的方向。

六、冷思考：四盆冷水

第一，"仅出现"数据本身是有偏的。哪条路有人走、哪个公民科学项目活跃，观测记录就密集；CNN 吃进的是同一份带偏倚的数据，偏倚不会因为模型更强而凭空消失——在观测盲区，模型可能自信地画出错误的"适宜栖息地"。第二，CNN 学的是统计关联，不是因果机制。它预测"环境上适合"，不等于物种"扩散得到"：迁徙链断裂、传播限制、历史偶然性照样把物种挡在适合的气候区之外[3]。第三，可解释性出现倒退。Maxent 能画出直观的响应曲线，告诉你"年均温超过多少度适宜度骤降"；CNN 的卷积滤波器更像黑箱，要靠 SHAP、显著性图等事后工具补课——而在保护决策场合，"为什么"往往和"在哪里"一样重要。第四，数据底座决定天花板。想抓住细尺度的生态动态，仍依赖高分辨率输入与准确的像素级标签；喂进去的是粗颗粒数据，卷积再强也榨不出细活。

结语

这项研究最打动我的地方，不是"深度学习又赢了"——而是它赢在了最需要赢的地方：数据最贫乏的稀有种。保护生物学长期面临一个残酷的不对称：最需要信息的物种，恰恰最缺信息。卷积网络用"看见景观"的方式，从现有贫瘠数据里多榨出了几个百分点的准确率——在濒危评估和保护地选址里，这几个百分点可能就是一块湿地、一片老龄林的去留。

AI 没有取代生态学家，它只是给物种分布模型装上了一双"看见景观"的眼睛。把点连成图、把图读成栖息地，机器看得更全，人来得更准。下一张更精准的物种分布地图，也许就来自你手机里那条没人在意的观测记录——被一双卷积之眼，看进了整个景观。

参考文献

[1] Anand A, Deneu B, Radeloff VC (2026). Convolutional neural networks outperform other presence-only species distribution modeling algorithms.Proceedings of the National Academy of Sciences, 123(10): e2514886123. DOI: 10.1073/pnas.2514886123

[2] Deneu B, Botella C, Bonnet P, Joly A, Goëau H, Munoz F (2021). Convolutional neural networks improve species distribution modelling by capturing the spatial structure of the environment.PLoS Computational Biology, 17(10): e1008856. DOI: 10.1371/journal.pcbi.1008856

[3] Vanalli C, Zbinden R, van Tiel N, Tuia D (2026). Migrating in a Warming World: A Deep Learning Approach to Predict Pan-American Seasonal Shifts in the Monarch Butterfly Niche.Global Change Biology, 32(3): e70805. DOI: 10.1111/gcb.70805

[4] Phillips SJ, Anderson RP, Schapire RE (2006). Maximum entropy modeling of species geographic distributions.Ecological Modelling, 190(3–4): 231–259. DOI: 10.1016/j.ecolmodel.2005.03.026