系統性調查資料和機會性回報資料在蛙類物種分布模型之表現差異

Abstract

近年興起的公民科學，帶來大量的物種紀錄，為物種分布模型提供了新的資料來源，但不同的調查方式和資料特性，將會對物種分布模型的預測能力造成影響。生物為了因應全球性的環境變遷，分布範圍持續產生變化，因此了解生物分布資訊成為現今生態保育的重要議題。物種分布模型因為可以透過物種和環境間的關係，推算出可能的物種分布範圍和機率，被廣泛利用在不同領域。為了瞭解公民科學資料庫是否可以用來建立物種分布模型，且不同的資料特性及生物特性將會如何影響模型的預測能力，本研究利用了系統性調查與機會性回報，兩種不同調查方式的公民科學資料集，選取臺灣本土20種蛙類作為研究對象，並運用最大熵模型（MaxEnt）結合臺灣陸域環境因子建立物種分布模型。後續採用了AUC值、Kappa值、正確率與精確率等指標，進行統計分析比較各個模型預測能力。研究結果顯示，使用公民科學資料所建立的物種分布模型，大多擁有合理表現；資料量大且取樣偏差較小的系統性調查資料集，模型預測表現優於機會性回報資料集；狹域分布型的物種，因資料量較少因此在模型預測的精確率上不如廣泛分布型的物種。未來可將公民科學資料應用於物種分布模型，但使用時需注意資料庫的資料量大小及取樣偏差，使物種分布模型的預測能更為準確。

The rise of citizen science has provided abundant species records, offering new data sources for species distribution models (SDMs). However, different survey methods and data characteristics may affect SDM predictive accuracy. As species distributions continue to shift under global environmental change, understanding distribution patterns has become crucial for conservation. To investigate the feasibility of using citizen science databases for species distribution models and the impact of different data characteristics and biological traits on their predictive capabilities. This study evaluated the use of two types of citizen science data—systematic surveys and opportunistic reports—in building MaxEnt-based SDMs for 20 native frog species in Taiwan. Model performance was assessed using AUC, Kappa, accuracy, and precision. Results showed that most models performed reasonably well, with systematic survey data yielding significantly better predictions due to larger sample sizes and lower sampling bias. In contrast, narrowly distributed species showed lower predictive accuracy, likely due to limited data. These findings highlight the value of citizen science in SDMs while emphasizing the need to consider data quality and sampling design.