中文摘要：

对物种潜在分布地预测的研究工作是个新兴的研究领域，特别是近十年中，产生很多优秀的算法和模型，被广泛应用在全球气候变化对物种分布影响，物种濒危机理与保护策略，外来入侵种扩散途径与防控机制等多个领域。但由于研究问题本身的复杂性，这些模型存在样本数据获取困难，数据关系复杂，模型结果受人为因素影响较大，软件使用门槛高等问题。本申请以统计分析中的聚类算法为基础，在前人工作的基础上，从问题出发，提出基于密度聚类的大理石算法，模拟物种在自然界中分布，尝试从中寻找分布规律，并将该规律应用于预测物种的潜在分布区间。在算法实现的过程中，充分考虑到物种分布数据的特点，提出有针对性的改进办法。还需要考虑到物种分布数据高维、小样本、缺少负样本数据的特性，寻找降维的办法；为提高算法的鲁棒性，充分考虑噪声数据对结果的影响，寻找到针对噪声数据的检验与排除方法。最后，将这些方法有机组合在一起，取得比常用模型更好的预测效果

结论摘要：

本工作以统计分析中的聚类算法为基础，提出了基于密度聚类的大理石算法；以模式识别中机器学习相关理论为基础，提出了决策树及其增强算法。利用Java语言实现了上述两种算法。在算法实现的过程中，本研究充分考虑到了物种分布数据的特点，提出了有针对性的改进办法。考虑到物种分布数据的高维小样本的特性，提出了通过相关性分析和主成分分析降维的办法；为提高算法的鲁棒性，充分考虑噪声数据对结果的影响，提出了针对噪声数据的检验与排除方法；考虑到一些模型需要正负样本数据，提出了两种针对不同情况而使用的构造伪负样本的方法；考虑到有些物种在不同地区分布类型，限制因子不同提出了分组聚类的方法。这些方法有机的组合在一起，可以取得比原来的模型更好的预测效果。为了在统一的环境下检验上述两个模型之间，以及和其它常用物种分布预测模型的模拟效果，本研究实现了基于互联网技术的多模型物种潜在分布地预测平台——mMWeb平台。该平台除融合了上述两个算法外，还加入了9个国际上常用物种分布地预测模型，分别为BioClim模型、气候距离模型、生态位因子分析模型、气候包络模型、环境距离模型、基于规则集的遗传算法模型、人工神经网络模型、最大熵模型和支持向量机模型。