In an effort to monitor biodiversity trends, greater efforts are being made worldwide to assess biodiversity patterns over large scales. To do this, scientists rely on species distribution models (SDMs), which make predictions of species' geographical ra
为了监测生物多样性趋势，世界各地正在加大力度评估大规模的生物多样性模式。为此，科学家们依靠物种分布模型（SDM），该模型根据物种数据和环境变量预测物种的地理范围。通过这些模型，科学家可以预测不同全球变化情景下的栖息地适宜性，并相应地调整管理和保护工作
汇集全球资源和研究人员的国际地球观测组织生物多样性观测网络（GEO BON）最近提出了“基本生物多样性变量”的概念，以规范生物多样性数据的收集和协调，其中许多变量可以通过SDM来实现
大多数尖端的SDM技术都是用R实现的，R是一种流行的统计编程语言，近年来，许多新工具以R包的形式出现。但研究人员经常被过多的R包淹没，想知道“我应该在研究中使用哪一个？”在一篇新论文中，东北大学生命科学研究生院宏观生态学实验室副教授兼负责人Jamie M.Kass认为，SDM工作流程从使用多个包中受益匪浅。Kass帮助开发了几个用于SDM的R包，包括ENMeval（微调机器学习SDM）和wallace（SDM工作流程的用户友好应用程序），他与世界各地的专家合作，创建了一份以创新方式有效使用多种R包工具的指南
研究结果发表在《生态学》杂志上
该团队推出了一个名为sdmverse的新R元包，该包根据SDM提供的功能对R包进行编目，并提供可视化功能，以帮助研究人员了解它们之间的关系。他们还为R提供了三个真实世界的案例研究，展示了组合工具如何扩大分析的多样性，并帮助满足该领域更多的方法标准
Kass说：“新工具有助于科学向前发展，但它们也可能势不可挡。”。“我们想创建一个路线图，向研究人员展示如何导航这些工具并将其结合使用，以更好地进行生物多样性建模。”通过遵循他们的方法，研究人员可以提高准确性，解决更广泛的问题，并为加强全球生物多样性评估做出贡献。随着环境挑战的加剧，共同使用现有的最佳工具对于跟踪生物多样性趋势和保护自然至关重要