大家好！
现在我们有一个研究题目：我们要为生物多样性的预测寻找合适的特征。
在现有的生物多样性预测中，学界普遍采用各种非生物环境因子作为预测指标。
然而存在一个问题：对于全球或者大陆尺度的研究来说，我们可以用低分辨率栅格。但是对于小尺度如小国或者国家公园的研究，受到尺度效应的影响，低尺度下的生物学过程变得更加重要，因而必须用更高分辨率的栅格数据去匹配低尺度的研究。
同时，如果我们在地形复杂的区域研究，即使我们的研究区域很大，但是假设我们用的500m*500m的气候栅格，在同一个栅格里面地形起伏依然可以非常大，而地形起伏大带来的问题是：地形与温度降水通常存在共线性，那这些气候栅格实际上是对许多多样的气候因子的一个平均。
有人问，气候栅格可不可以继续提高分辨率呢？可以是可以，但是气候栅格和另一部分栅格的来源存在很大不同。如地形栅格、植被栅格、土地利用栅格是可以直接从遥感数据获得，这些东西是精确的，分辨率取决于遥感方法，但是气候不行，温度、降水依赖气象监测站提供，获取这些因子的栅格数据需要依赖插值法，这就意味着，无论分辨率插得再高，气候因子栅格就是基于低分辨率数据的预测或者平均。
但问题又在于，广大研究者在做生物多样性预测的时候，气候栅格又是属于最重要的一类因子，毕竟栖息地类型就决定于气候，在群落生态学里面关于顶级群落，最先提出的便是顶级群落由气候决定，而植物群落作为一个生产者的集合，又决定了其能承载的动物的丰度和多度。
所以现在要做的问题就是：既然我们很难进一步提高气候的分辨率，那么我们可不可以把气候的不确定性或者多样性给量化出来？
1. 虽然栅格数据是气候的平均，但是如果一片区域存在复杂的气候，那么周围的平均值大概是很不稳定的，我们可以通过周围平均值的方差推断中心像元气候值得的确定性。
2. 气候的不确定性或者多样性本身的意义使其可以作为一个像元下面的区域的栖息地多样性的量化。栖息地多样性本身也可以作为物种多样性的预测指标。
关于栖息地多样性、环境异质性等等与生物多样性的关系，现在普遍相信是非线性的，因而讨论起来又可以水一篇文章，我们就不多在这里说了。
总而言之，上面说了这么一堆东西，但实际上除了少数研究外，大家也不知道这些所谓的异质性预测能力究竟怎么用，他能实现这样的预测能力，是否又和我们假设的这一堆东西有关？
1. 引入异质性能否提高预测能力？
2. 现有小尺度研究下，传统的预测模型是否受限于气候数据的分辨率？
3. 如果引入异质性能够提高预测能力，是否是因为它提供了气候数据的不确定性或多样性的信息？
如果我们还要说因为异质性与生物多样性的非线性关系，还可以加一条：
4. 如果引入异质性不能够提高预测能力，但是已有研究说明引入异质性可以提高预测能力，这是否可以归结为研究区背景条件不同？
等等......
在我们问了这么多研究问题过后，如果我们要设计研究方法去一个个回答这些研究问题，看起来这些问题非常复杂，但是各位可以把这么多问题分解成两类：一类是 解释 (explanatory)，另一类是预测(predictory)。
在我们讨论这个问题之前，大家可以先思考一下，在大家眼里，解释和预测有什么不同？
比如说我们看空中浩劫，有的飞机因为设计缺陷出了事故，设计缺陷可以作为事故的解释。我们可以做各种统计检验去说明，这架飞机的事故的事故显著多于别的飞机，那么很大概率机型可以作为事故问题的解释。
但是如果说我们要预测一次航班会不会发生事故，即使机型这个原因可以作为事故问题的解释，甚至是唯一解释，这个预测模型对于事故发生的预测可能依然很差。因为许多航空事故是一系列独特的巧合事件遇到了一起。这个时候，理想情况是，我们把各种可能的变量加入预测模型，从而去提高预测模型的预测精度。
所以各位发现，“解释”的内核是变量之间的联系，而“预测”的内核是，不管变量之间有何种联系，只要变量的加入能够提高模型预测的表现，那么就达到了预测的目的。
从这一点大家也可以看出研究流程的不同：“解释”的流程首先是提出一个合理的假说，譬如在瑞典北方气候因子作为昆虫多样性的限制性因子时，昆虫多样性与最热月温度正相关，而与环境异质性没有显著关联或负相关。需要注意的是通常假说是带有方向性的（虽然很多研究者作假说并不带方向性），这表明在进行“解释”之前，研究者就已经对研究的内在机制有了一定的了解，并尝试通过这一机制去解释现有的pattern。
而在预测模型中，我们实际需要比较的是，一组特征和另一组特征的预测精度如何。相比于解释类模型，预测模型用于评估模型表现的数据来源于从未参与模型构建的新数据，在机器学习模型中我们通常使用交叉验证方法，评估模型在测试集上的表现。
另外就我个人跟大家说一个我之前的误解，模型的复杂度对于解释模型来说很重要，但是对于预测模型而言，模型的复杂度其实并不算会直接参与到模型评估里面：
对于解释模型，因为我们是在解释一个东西，肯定希望用最少的话就能解释清楚最好，譬如，在一个解释模型里，如果线性模型能够很好地解释变量之间的关系当然很好，但是如果是用双模型叠加或者是多次多项式的话，由于加入了更多的变量损失了自由度，那么模型就需要解释更多的方差以实现显著。
然而对于预测模型来说，最重要的评价指标事实上是模型在测试集上的表现。在我们组先前的一个卷积神经网络模型中包含上百万个参数，如果卷积神经网络是解释模型，那么基本不要想了，因为如果你有上百万个参数，那么你最好有比这个参数数量多的样本，否则自由度就不够了。如果是预测模型的话，通过增加模型的复杂度去增强模型在测试集上的表现，这是可取的。这是因为对于预测模型，因果关系甚至两个变量之间是否存在真正的关联，完全不重要。
所以这也相当于是对我现在研究进展的一个想法。
1. 我用简单多元线性模型和AICc，通过循环各个特征看AICc的变化，从而看什么变量能够权衡好模型自由度的损失和模型解释方差的增多，这叫解释关联。如果增加一个变量带来的自由度损失能够被解释的方差增多给抹除，那么就说明这个特征对于解释方差是有用的。
2. 但是特征对于解释方差虽然有用，但是不代表他在预测中就一定有很高的重要性。这个是我目前研究中遇到的一个比较令人费解的问题。通过周末我与ChatGPT的交流，我认为可能是：
像我导说的一样，geodiversity相当于把一个或多个变量传递到一个神经元，用激活函数处理，然后成为新的输出。geodiversity看似是一个变量，其实更像是对空间变量关系的一个整合，在解释模型中，一个geodiversity变量只消耗一个自由度，但是它本身可能是多个变量的整合，它本该消耗更多的自由度，而且因为是多个变量的整合，很有意思的一点是，这个东西在相关性矩阵里面还就看不到。
所以说，解释模型可能高估了这些变量的解释能力？
再一个就是，假如解释模型的输出真的就能代表特征重要性，那么也不对，因为无论对于environmental variables还是geodiversity variables，真正重要的变量还就是少数。那么如果要分组对变量进行测试的话，其实每一组大多数变量在解释模型上都是不显著的。这样分组比较预测能力的方法是否合理，还有待进一步讨论。
此外，为什么很多特征去除以后对模型解释方差没有影响，因为对于一个小数据集的线性模型来说，许多特征本身就是存在共线性的，这样把那么多特征喂给一个线性模型，那么很多geodiversity变量显著的原因可能只有一个，就是他们与其他变量几乎不存在共线性。
啊，太对了，我觉得我对我的研究又多了一点理解。
我的汇报结束，谢谢大家！
_(米游姬-乖巧)
