Biomod2建模与多模型关联分析高阶教程【2028】

本教程旨在通过系统的培训学习，使学员掌握Biomod2最新版本（v4.3-4-6）的完整使用方法，结合多模型关联分析、保护区规划与保护空缺分析与R语言可视化工具，实现从数据预处理、多算法建模、集成模型构建、气候避难所识别、外推风险评估到系统保护规划与优先级综合分析的全流程操作。课程为中文实操演示，针对0基础学员，同时满足硕博论文深度工作量要求。

Biomod2与模型关联分析综合路线流程

本教程首次将Biomod2建模结果与MESS/MOD/ExDet外推风险分析、脆弱性评估、系统保护规划进行系统性串联分析，突破传统SDM研究"建模即终点"的局限，实现从"预测分布"到"指导保护"的完整转化。

【第一部分：数据预处理与Biomod2 v4.3-4-6建模可视化】

输出：物种分布概率图 / 单一模型评估 / 集成模型 / 变量重要性 / 响应曲线等

【第二部分：气候避难所与栖息地风险评估】

输入：第一部分集成模型结果

输出：气候避难所 / 保护优先级 / 转移矩阵 / Sankey图 / 脆弱性指数等

【第三部分：外推风险与气候空间分析】

输入：第一部分环境变量 + 第二部分适宜性结果

输出：MESS / MOD / ExDet / 不确定性四维度分解 / 稳定庇护所等

【第四部分：系统保护规划与优先级综合分析】

输入：第二、三部分全部成果整合

输出：12维综合评分 / 5级保护等级 / 生态廊道 / 保护空缺 / Top-k优先区等

课程特点：

（1）全网首套基于Biomod2-4.3-4-6最新版本的中文实操系统教程，紧跟国际前沿；模型数量更多内容更丰富；

（2）多模型关联分析：第一部分Biomod2建模 → 第二部分气候避难所与栖息地风险评估 → 第三部分外推风险与气候空间分析（MESS/MOD/ExDet/不确定性分解）→ 第四部分系统保护规划与优先级综合分析，四部分内容层层递进，形成完整研究链条；全网首套多模型关联分析资源；

（3）方法引用SCI高分文章（Nature子刊、Science Advances、PNAS、Ecology Letters等），创新性强，查重率低，发文利器；

（4）涵盖13种模型（MAXENT、ANN、CTA、FDA、GAM、GBM、GLM、MARS、MAXNET、RF、RFd、SRE、XGBOOST），支持BigBOSS模型自动调参与MAXENT自定义FC/RM参数混合策略；优化参数，减少模型报错概率，解决Biomod2低版本痛点；

（5）单一/集成模型多维度评估，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）；

（6）气候变化响应全面分析：当前适宜性 → 未来多SSP情景分析 → 气候避难所识别 → 栖息地丧失风险评估 → 外推风险量化 → 系统保护规划；支持未来多时期情景自动化建模；

（7）高级空间分析：VIF多重共线性筛选、空间稀释去冗余、转移矩阵、Sankey流向图、质心迁移分析、适生区变化率计算；

（8）外推风险深度解析：MESS多变量环境相似度表面、MOD最限制变量识别、ExDet外推检测（Type1/Type2）、不确定性四维度分解（算法/SSP/GCM/新颖气候）；

（9）系统保护规划和空缺分析创新：12维度综合评分模型、5级保护优先等级划分、生态连通性分析、保护空缺识别、Top-k优先保护区域筛选；

（10）所有结果可导出原始数据，支持CSV数据、TIF/ASC栅格、PDF高清矢量图、Excel汇总表及R数据二次分析制图；结果文件自动分类，增加结果的易读性；

（11）课程涉及多个软件工具包组合使用（R+Rstudio+ArcGIS+biomod2+dismo+AI等）；

（12）发文利器：方法基于SCI文章，图表组合新颖，结果图表丰富，适合硕博论文大工作量需求；

（13）多个指标增加小提琴图和箱型图，图更美观；

课程内容目录和详情介绍：

【第一部分概述】该部分为Biomod2最新版本（v4.3-4-6）完整的数据预处理和建模可视化内容，满足写作发文的要求标准。

专题一：软件安装、R包安装和环境配置

【亮点】可免费为学员提供远程软件安装和R包安装测试一次，零基础可上手。

R + Rstudio软件安装与参数配置

Biomod2-4.3-4-6及相关依赖包安装（含Java环境配置用于MAXENT）

ArcGIS、AI等软件安装激活

专题二：数据预处理与格式化

【亮点】独创"一键统一变量属性"功能；支持分类变量与连续变量的混合使用；提供spThin样点空间稀释去冗余方案，SCI期刊认可度更高。

2.1 环境数据属性统一与批量处理

【特点】利用R一键快速统一变量数据属性（数据精度、范围、坐标系），全流程自动化，解决多数模型中数据属性不一致的报错问题。

TIF与ASC格式互转及批量处理

投影坐标系统一；研究区裁剪与分辨率重采样

2.2 矢量掩膜提取与批量导出

支持Shapefile矢量边界批量掩膜提取，自动导出tif和ASC格式。

研究区边界矢量数据加载与预处理

批量掩膜提取与环境变量裁剪

2.3 物种数据获取与空间去冗余

栅格单元去重法；spThin空间稀释法（SCI推荐方法）

专题三：环境变量筛选与数据加载

【亮点】5种SCI论文格式的相关性热图；VIF自动筛选变量并导出Excel分析数据；植被等分类变量自动识别。

3.1 连续变量相关性分析

3.2 VIF多重共线性筛选

3.3 分类变量自动识别与因子属性设置

【亮点】分类变量自动识别，支持连续变量与分类变量混合建模。

专题四：伪不存在点（PA）生成与可视化

【专题亮点】PA生成数据增加到4种生成方式；支持过滤掉与存在点距离过近的点；新增PA数据导出和个性化制图。

4.1 BIOMOD_FormatingData自动PA生成

【亮点】disk策略支持最小/最大距离约束，防止数据干扰。

random/disk/SRE/random+disk四种方法

4.2 PA数据导出与个性化制图

PA数据导出（CSV/Excel）；PA+分布点+环境变量叠加制图

专题五：多算法建模

【专题亮点】三种建模策略灵活切换；支持全模型自动调参优化，支持MAXENT自定义FC/RM参数混合策略。

5.1 模型参数说明与BigBOSS参数配置

5.2 模型默认配置建模

5.3 模型组合参数配置（MaxEnt自定义+BigBOSS混合）

【亮点】自定义MaxEnt参数（FC和RM），其余模型BigBOSS自动调参。

5.4 交叉验证设置

随机划分交叉验证；训练集比例自定义

专题六：单一模型结果评估与个性化制图

【专题亮点】14项评估指标；结果文件自动分类；小提琴图、箱型图等矢量图绘制导出。

6.1 评估指标详解

【亮点】14项评估指标全面覆盖。

POD、FAR、POFD、SR、ACCURACY、BIAS、ROC、TSS、KAPPA、ORSS、CSI、ETS、BOYCE、MPA

6.2 官方评估图/自定义箱型图

6.3 自定义小提琴图（ggplot2）

【亮点】双维度展示，SCI标准配色。

6.4 均值±SD统计表导出

专题七：变量重要性分析

【专题亮点】原始数据Excel导出；官方3种分组箱型图与自定义小提琴图双轨输出。

7.1 原始变量重要性数据导出

7.2 官方箱型图（3种分组方式）

变量-算法-算法 / 变量-算法-运行 / 算法-变量-运行

7.3 自定义小提琴图

专题八：响应曲线分析

【专题亮点】精细化到每个模型每个变量；跨模型对比响应曲线。

8.1 单个模型单个变量响应曲线

8.2 同一变量不同模型对比响应曲线

【亮点】多算法响应曲线叠加对比

8.3 全模型全变量汇总响应曲线

专题九：集成模型构建与评估

【专题亮点】6种集成策略；单/多指标筛选；评估图双轨输出。

9.1 六种集成策略详解

EMmean、EMmedian、EMca、EMci、EMcv、EMwmean

9.2 双指标筛选与阈值设置

【亮点】自定义Kappa、TSS、AUCroc指标筛选。

9.3 集成模型评估与变量重要性

箱型图、均值图、小提琴图

专题十：当前与未来气候投影

【专题亮点】支持未来4时期和4 SSP情景自动化建模；结果自动拆分命名。

10.1 批量未来气候投影

10.2 投影结果拆分与分类输出

自定义连续概率图与二值TSSbin图绘制（单张图和排版图生成）

专题十一：制图与面积统计

【专题亮点】增加制图调节参数；自定义行列布局；TSSbin面积自动统计。

11.1 单文件/多文件排版制图

11.2 TSSbin面积自动统计

专题十二：适生区变化分析

【专题亮点】可指定时期批量分析。

12.1 多时期适生区变化对比

【亮点】支持自定义比较时期，更灵活

12.2 变化类型分类与制图

12.3 变化面积统计表

专题十三：质心迁移分析

【专题亮点】多时期、多个集成模型批量自动计算并导出数据，新增迁移方位角计算。

13.1 适生区质心计算

【亮点】自动检测所有集成模型类型并计算

13.2 迁移距离与方位角计算

13.3 质心迁移路径图

13.4 质心数据汇总Excel

【第二部分概述】以第一部分Biomod2集成模型结果为基础，系统开展气候避难所识别、长期保护核心区划定、时空动态分析、栖息地丧失风险评估等深度分析。

专题十四：物种气候避难所识别（Climate Refugia）

【专题亮点】三类气候避难所（严格/宽松/核心）识别与可视化制图。

14.1 严格避难所识别

14.2 宽松避难所识别

当前适宜且未来≥50%时期仍适宜

14.3 核心避难所识别

专题十五：物种长期保护核心区划定

【专题亮点】5级保护优先级重分类体系，可自定义等级数量。

15.1 适宜性频率栅格构建

15.2 五级保护优先级重分类

Level 1-5：始终非适宜→核心保护区

15.3 优先级区域统计与专题制图

专题十六：未来时空动态分析

【专题亮点】转移矩阵、Sankey流向图、动态变化率计算。

16.1 转移矩阵（Transition Matrix）

terra::crosstab量化

16.2 Sankey流向图（ggalluvial）

16.3 动态变化率计算

16.4 变化率可视化

专题十七：物种栖息地丧失风险评估

【专题亮点】5级风险等级；脆弱性三维度框架分析与制图。

17.1 风险等级划分（5级）

17.2 适宜性保持率计算

17.3 脆弱性指数构建（三维度框架）

暴露度-敏感性-适应能力

17.4 脆弱性等级重分类与分区统计

17.5 脆弱性组件四面板综合图

专题十八：综合制图与汇总

【专题亮点】文章标准化制图排版-综合对比图；多Sheet Excel数据汇总导出。

18.1 文章标准化自动制图排版

18.2 结果数据汇总导出与解析

【第三部分概述】系统开展MESS多变量环境相似度分析、MOD最不相似（限制）变量识别、ExDet外推检测、不确定性四维度分解等深度分析。

专题十九：MESS分析

【专题亮点】MESS、iMESS各变量贡献分解，基于SCI推荐R包完成分析，高认可度。

19.1 MESS计算与iMESS分解

19.2 MESS空间分布图绘制

19.3 风险分区图绘制

专题二十：MESS与适宜区耦合分析

【专题亮点】四类风险矩阵；多时期耦合统计。

20.1 四类风险矩阵构建

安全非适生区、新颖气候区、安全适生区、风险适生区

20.2 风险矩阵统计与专题制图

专题二十一：MOD分析

【专题亮点】带变量名标签的MOD专题地图；MOD频率统计。

21.1 最限制变量识别

21.2 MOD专题地图

21.3 MOD频率统计与可视化

专题二十二：MOD与栖息地变化关联分析

【专题亮点】气候变化驱动因子堆叠柱状图。

22.1 栖息地变化与MOD叠加分析

22.2 气候变化驱动因子堆叠柱状图

专题二十三：ExDet分析

【专题亮点】Type1/Type2精细区分。

23.1 Type1新颖性检测

23.2 Type2新颖性检测

23.3 ExDet综合制图与统计

专题二十四：不确定性分解

【专题亮点】四维度不确定性分解；主导不确定性来源识别。

24.1 算法差异不确定性

24.2 SSP差异不确定性

24.3 GCM差异不确定性

24.4 新颖气候不确定性

24.5 不确定性来源分区

24.6 不确定性统计汇总Excel

专题二十五：气候稳定区与MESS联合分析

【专题亮点】"稳定低风险长期庇护所"定义解析与识别。

25.1 稳定低风险长期庇护所识别

25.2 长期保护区面积统计与专题制图

专题二十六：综合制图与汇总

【专题亮点】文章标准化自动制图排版与综合统计数据导出。

26.1 自动制图排版

26.2 全部分析数据汇总Excel（10+个Sheet）

【第四部分概述】整合第二、三部分全部成果，构建12维度综合评分模型，开展系统保护规划研究。

专题二十七：多维度综合评分模型

【专题亮点】12个评价指标；五大维度；权重向量自定义。

27.1 气候变化响应维度

27.2 生态连通性维度

27.3 栖息地丧失风险维度

27.4 气候避难所维度

27.5 生态价值维度

27.6 指标标准化与综合评分计算

专题二十八：保护优先等级划分

【专题亮点】五分位法识别保护区等级；Top-k优先级区域动态调整与识别。

28.1 五级保护等级划分

28.2 Top-k优先保护区筛选

28.3 保护等级面积统计与专题制图

专题二十九：生态连通性分析

【专题亮点】生态连通性分析与制图，分析物种扩散迁移情况。

29.1 物种扩散迁移环境阻力表面构建与制图

29.2 核心栖息地斑块识别与制图

29.3 生态廊道潜力计算与制图

29.4 关键连接点（Pinch Points）识别与制图

专题三十：保护空缺分析

【专题亮点】高优先级与核心保护区空缺精准识别。

30.1 现有保护区数据加载与栅格化

30.2 高优先级保护空缺识别与制图

30.3 核心保护区空缺识别与制图

专题三十一：多时期对比分析

【专题亮点】综合评分动态对比。

31.1 综合评分动态对比

31.2 多时期对比可视化

专题三十二：综合制图与结果汇总

【专题亮点】文章标准化自动制图排版，所有数据汇总导出。

[1] GUISAN A, THUILLER W. Predicting species distribution: offering more than simple habitat models[J]. Ecology Letters, 2005, 8(9): 993-1009.

[2] GUISAN A, THUILLER W, ZIMMERMANN N E. Habitat Suitability and Distribution Models: With Applications in R[M]. Cambridge: Cambridge University Press, 2017.

[3] ELITH J, LEATHWICK J R. Species distribution models: ecological explanation and prediction across space and time[J]. Annual Review of Ecology, Evolution, and Systematics, 2009, 40: 677-697.

[4] ELITH J, GRAHAM C H, ANDERSON R P, et al. Novel methods improve prediction of species' distributions from occurrence data[J]. Ecography, 2006, 29(2): 129-151.

[5] PEARSON R G, DAWSON T P. Predicting the impacts of climate change on the distribution of species: are bioclimate envelope models useful?[J]. Global Ecology and Biogeography, 2003, 12(5): 361-371.

[6] WIENS J A, STRALBERG D, JONGSOMJIT D, et al. Niches, models, and climate change: assessing the assumptions and uncertainties[J]. Proceedings of the National Academy of Sciences, 2009, 106(Supplement 2): 19729-19736.

[7] FRANKLIN J. Mapping Species Distributions: Spatial Inference and Prediction[M]. Cambridge: Cambridge University Press, 2009.

[8] GUISAN A, ZIMMERMANN N E. Predictive habitat distribution models in ecology[J]. Ecological Modelling, 2000, 135(2-3): 147-186.

[9] ARAÚJO M B, PETERSON A T. Uses and misuses of bioclimatic envelope modeling[J]. Ecology, 2012, 93(7): 1527-1539.

[10] PETERSON A T, SOBERÓN J, PEARSON R G, et al. Ecological Niches and Geographic Distributions[M]. Princeton: Princeton University Press, 2011.

[11] THUILLER W, LAFOURCADE B, ENGLER R, et al. BIOMOD - A platform for ensemble forecasting of species distributions[J]. Ecography, 2009, 32(3): 369-373.

[12] THUILLER W, GEORGES D, ENGLER R, et al. biomod2: Ensemble Platform for Species Distribution Modeling[J]. R package version 4.0, 2021.

[13] ARAÚJO M B, NEW M. Ensemble forecasting of species distributions[J]. Trends in Ecology & Evolution, 2007, 22(1): 42-47.

[14] MARMION M, PARVIAINEN M, LUOTO M, et al. Evaluation of consensus methods in predictive species distribution modelling[J]. Diversity and Distributions, 2009, 15(1): 59-69.

[15] BUISSON L, THUILLER W, CASAJUS N, et al. Uncertainty in ensemble forecasting of species distribution[J]. Global Change Biology, 2010, 16(4): 1145-1157.

[16] HAO T, ELITH J, GUILLERA-ARROITA G, et al. A review of evidence about use and performance of species distribution modelling ensembles like BIOMOD[J]. Diversity and Distributions, 2019, 25(5): 839-852.

[17] PHILLIPS S J, ANDERSON R P, SCHAPIRE R E. Maximum entropy modeling of species geographic distributions[J]. Ecological Modelling, 2006, 190(3-4): 231-259.

[18] PHILLIPS S J, DUDÍK M. Modeling of species distributions with MaxEnt: new extensions and a comprehensive evaluation[J]. Ecography, 2008, 31(2): 161-175.

[19] PHILLIPS S J, ANDERSON R P, DUDÍK M, et al. Opening the black box: An open-source release of MaxEnt[J]. Ecography, 2017, 40(7): 887-893.

[20] ELITH J, PHILLIPS S J, HASTIE T, et al. A statistical explanation of MaxEnt for ecologists[J]. Diversity and Distributions, 2011, 17(1): 43-57.

[21] MEROW C, SMITH M J, SILANDER J A. A practical guide to MaxEnt for modeling species' distributions: what it does, and why inputs and settings matter[J]. Ecography, 2013, 36(10): 1058-1069.

[22] RADOSAVLJEVIĆ A, ANDERSON R P. Making better MaxEnt models of species distributions: complexity, overfitting and evaluation[J]. Journal of Biogeography, 2014, 41(4): 629-643.

[23] BREIMAN L. Random forests[J]. Machine Learning, 2001, 45(1): 5-32.

[24] HASTIE T, TIBSHIRANI R, FRIEDMAN J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction[M]. 2nd ed. New York: Springer, 2009.

[25] LEATHWICK J R, ELITH J, HASTIE T. Comparative performance of generalized additive models and multivariate adaptive regression splines for statistical modelling of species distributions[J]. Ecological Modelling, 2006, 199(2): 188-196.

[26] DE'ATH G. Boosted trees for ecological modeling and prediction[J]. Ecology, 2007, 88(1): 243-251.

[27] SWETS J A. Measuring the accuracy of diagnostic systems[J]. Science, 1988, 240(4857): 1285-1293.

[28] LANDIS J R, KOCH G G. The measurement of observer agreement for categorical data[J]. Biometrics, 1977, 33(1): 159-174.

[29] FREEMAN E A, MOISEN G G. A comparison of the performance of threshold criteria for binary classification in terms of predicted prevalence and kappa[J]. Ecological Modelling, 2008, 217(1-2): 48-58.

[30] BOYCE M S, VERNIER P R, NIELSEN S E, et al. Evaluating resource selection functions[J]. Ecological Modelling, 2002, 157(2-3): 281-300.

[31] BARBET-MASSIN M, JIGUET F, ALBERT C H, et al. Selecting pseudo-absences for species distribution models: how, where and how many?[J]. Methods in Ecology and Evolution, 2012, 3(2): 327-338.

[32] DORMANN C F, ELITH J, BACHER S, et al. Collinearity: a review of methods to deal with it and a simulation study evaluating their performance[J]. Ecography, 2013, 36(1): 27-46.

[33] AIELLO-LAMMENS M E, BORIA R A, RADOSAVLJEVIĆ A, et al. spThin: an R package for spatial thinning of species occurrence records for use in ecological niche models[J]. Ecography, 2015, 38(5): 541-545.

[34] HIJMANS R J, CAMERON S E, PARRA J L, et al. Very high resolution interpolated climate surfaces for global land areas[J]. International Journal of Climatology, 2005, 25(15): 1965-1978.

[35] ELITH J, KEARNEY M, PHILLIPS S. The art of modelling range-shifting species[J]. Methods in Ecology and Evolution, 2010, 1(4): 330-342.

[36] MESGARAN M B, COUSENS R D, WEBBER B L. Here be dragons: a tool for quantifying novelty due to covariate range and correlation change when projecting species distribution models[J]. Diversity and Distributions, 2014, 20(11): 1147-1159.

[37] OWENS H L, CAMPBELL L P, DORNAK L L, et al. Constraints on interpretation of ecological niche models by limited environmental ranges on calibration areas[J]. Ecological Modelling, 2013, 263: 10-18.

[38] ZURELL D, ELITH J, SCHRÖDER B. Predicting to new environments: tools for visualizing model behaviour and impacts on mapped distributions[J]. Diversity and Distributions, 2012, 18(6): 628-634.

[39] ARAÚJO M B, ANDERSON R P, BARBOSA A M, et al. Standards for distribution models in biodiversity assessments[J]. Science Advances, 2019, 5(1): eaat4858.

[40] GUISAN A, TINGLEY R, BAUMGARTNER J B, et al. Predicting species distributions for conservation decisions[J]. Ecology Letters, 2013, 16(12): 1424-1435.

[41] KUJALA H, ARAÚJO M B, THUILLER W. Conservation planning for ecosystem services under climate change[J]. Nature Climate Change, 2018, 8(5): 422-426.

[42] CARROLL C, LAWLER J J, ROBERTS D R, et al. Scale-dependent complementarity of climatic velocity and environmental diversity for identifying priority areas[J]. Conservation Biology, 2018, 32(4): 816-827.

[43] LAWLER J J, TEAR T H, PYKE C, et al. Resource management in a changing and uncertain climate[J]. Frontiers in Ecology and the Environment, 2010, 8(1): 35-43.

[44] CARROLL C, DUNK J R, MOILANEN A. Optimizing resiliency of reserve networks to climate change: multispecies conservation planning in the Pacific Northwest, USA[J]. Global Change Biology, 2010, 16(3): 891-904.

[45] HANNAH L, MIDGLEY G F, MILLAR D. Climate change-integrated conservation strategies[J]. Global Ecology and Biogeography, 2002, 11(6): 485-495.

[46] MCRAE B H, DICKSON B G, KEITT T H, et al. Using circuit theory to model connectivity in ecology, evolution, and conservation[J]. Ecology, 2008, 89(10): 2712-2724.

[47] MCRAE B H, BEIER P. Circuit theory predicts gene flow in plant and animal populations[J]. Proceedings of the National Academy of Sciences, 2007, 104(50): 19885-19890.

[48] SHAH V B, MCRAE B H. Circuitscape: a tool for landscape ecology[C]//Proceedings of the 7th Python in Science Conference. Pasadena, 2008: 62-66.

[49] KROSBY M, TEWKSBURY J, HADDAD N M, et al. Focal-species connectivity analysis for climate-adaptation planning[J]. Conservation Biology, 2015, 29(5): 1362-1371.

[50] BEGER M, LINKE S, WATTS M, et al. Incorporating asymmetric connectivity into spatial decision making for conservation[J]. Conservation Letters, 2010, 3(5): 359-368.

[51] WALKER S, BROWER A L, STEPHENS R T T, et al. Why bartering biodiversity fails[J]. Conservation Biology, 2009, 23(4): 862-870.

[52] MARGULES C R, PRESSEY R L. Systematic conservation planning[J]. Nature, 2000, 405(6783): 243-253.

[53] BALL I R, POSSINGHAM H P, WATTS M E. Marxan and relatives: software for spatial conservation prioritisation[M]//MOILANEN A, WILSON K A, POSSINGHAM H P. Spatial Conservation Prioritisation: Quantitative Methods and Computational Tools. Oxford: Oxford University Press, 2009: 185-195.

[54] ZHAO G, LI X, CAO Y, et al. A comprehensive analysis to optimizing national-scale protected area systems under climate change[J]. Journal of Environmental Management, 2024, 363: 121408.

[55] BUTCHART S H M, CLARKE M, SMITH R J, et al. Shortfalls and solutions for meeting national and global conservation area targets[J]. Conservation Letters, 2015, 8(5): 329-337.

[56] RODRIGUES A S L, ANDELMAN S J, BAKARR M I, et al. Effectiveness of the global protected area network in representing species diversity[J]. Nature, 2004, 428(6983): 640-643.

[57] ALAGADOR D, CERDEIRA J O, ARAÚJO M B. Climate change, species range shifts and dispersal corridors: an evaluation of spatial conservation models[J]. Methods in Ecology and Evolution, 2016, 7(7): 853-862.

[58] LAWLER J J, TEAR T H, PYKE C, et al. Resource management in a changing and uncertain climate[J]. Frontiers in Ecology and the Environment, 2010, 8(1): 35-43.

[59] HANNAH L, MIDGLEY G F, ANDELMAN S, et al. Protected area needs in a changing climate[J]. Frontiers in Ecology and the Environment, 2007, 5(3): 131-138.