摘要：
6.1 实例中使用的算法和数据的类型 物种分布建模已经用过了大量的算法。它们可以归类为‘框架（profile）’，‘回归（regression）’和‘机器学习（machine learning）’方法。框架方法只考虑‘存在（presence）’数据，而不是不存在或背景数据。回归和机器学习方法使用存在 阅读全文
摘要：
原载：http://blog.csdn.net/vivihe0/article/details/29826547 # 首先需要加载需要使用的两个package： library(maptools) library(rgdal) # 读取数据并绘图，下面读取的是中国行政区域的shapefile到变量x中： x=readShapePoly('bou2_4p.shp') # 现在... 阅读全文
摘要：
2.准备数据 2.1 物种出现数据 向R中导入出现数据很简单。但收集、地理引用和交叉验证坐标数据是乏味的。对物种分布建模的讨论通常关注点在于对比建模方法，但当你要对付一些记录少或不确定的物种时，你的关注点恐怕应该放在提高出现数据的质量了。如果你的出现数据不偏不倚、没有错误并且你的记录数量相对较多，那 阅读全文
摘要：
3.”不存在“和”背景“点 一些早期的物种分布模型算法，比如Bioclim和Domain只在建模过程中使用‘presence’数据。其他方法也使用‘absence’数据和‘background’数据。逻辑回归是分析‘presence’和‘absence’数据的传统途径（而且仍然被大量使用，经常在一个 阅读全文
摘要：
4.1 栅格数据 在物种分布建模中，预测变量通常被组织为栅格（raster）（grid）形式的文件。每个预测变量应该是一个代表感兴趣变量的‘栅格’，变量可以包含气候、土壤、地形、植被、土地使用情况等等。这些数据通常被存储在某种GIS格式的文件中。几乎用到了所有的相关格式（包括ESRI grid，ge 阅读全文
摘要：
5.1 模型拟合 模型拟合与存在于R中的建模方法在技术上十分相似。大多数方法使用formula来识别独立和依赖性变量，伴随着一个包含这些变量的data.frame。有关具体方法的详细信息，请参见本文档第三部分。 一个简单的公式可能看起来像：y ~ x1 + x2 + x3 ，也就是说，y是x1，x2 阅读全文