沙漠蝗虫栖息地预测：RNN Maxent将生态位模型与深度学习结合，性能超越传统Maxent
新预印本提出RNN Maxent，用GRU替换传统Maxent的固定特征字典，在沙漠蝗虫栖息地预测中ROC AUC从 0.792 提升至 0.862，但研究仍处于预印本阶段，未经同行评审。
AI解读：这篇论文解决的是一个具体问题：传统Maxent模型在预测沙漠蝗虫这类依赖快速变化环境的害虫时，只能将降水、土壤湿度等时序数据当作独立特征处理，丢失了数据前后关联的关键信息。研究者用GRU循环神经网络替代Maxent中预先设定的特征组合，让模型自己从 50 天的环境时间序列中学习非线性规律，并在预测时保持 7 天的间隔以模拟未来预警。测试显示，RNN Maxent的ROC AUC（0.862）比传统Maxent（0.792）高出约 9%，F1分数也从 0.590 提升到 0.671。对实际用户——比如蝗灾监测机构——这可能意味着更精准的繁殖地风险提示，从而更早发出预警。但要注意，这只是一篇预印本，没有经过同行评审，也没有野外验证数据，实际部署前还需更多检验。普通读者无需立即采取行动，模型落地尚早。
一篇发表于arXiv的预印本（编号 2609.03603）提出RNN Maxent，将Maxent物种分布模型与门控循环单元（GRU）结合，用于沙漠蝗虫（Schistocerca gregaria）的栖息地预测。该方法在测试中表现优于标准Maxent：ROC AUC从 0.792 提升至 0.862（标准差分别为 0.036 和 0.056），F1分数从 0.590 提升至 0.671（标准差分别为 0.056 和 0.036）。论文由Alessandro Grassi、Edoardo Kimani Bellotto、Wassim El Azami、Sabrina Outmani和Maximilien Houel撰写，共 22 页，8 张图，尚未经同行评审。
方法：用神经网络替代人工特征
传统Maxent是存在数据（presence-only）建模的主流方法，但其特征由人工选择的变换线性组合而成，无法有效捕捉生态监测中常见的非线性和时间关系。标准实现通常将时序变量（如降水、土壤湿度、植被指数）展平为独立特征，丢失了顺序结构中的关键信号。
RNN Maxent保留Maxent的统计基础（存在数据假设、背景归一化和概率校准），唯一区别在于将固定的特征字典替换为GRU网络，通过反向传播进行端到端训练，使非线性从数据中学习而非预先设定。
应用：50 天环境序列预测蝗虫栖息地
研究使用ERA5 Land、MODIS和Sentinel 3生成的 50 天环境时间序列进行建模，并在协变量与存在记录之间保持 7 天的间隔，以实现预测行为。该方法旨在捕捉沙漠蝗虫繁殖动态与环境条件的紧密耦合，其繁殖与快速变化的环境条件密切相关。