基于栅格预测结果绘制不确定性图的可行方法问询

针对你使用embarcadero包的bart.step模型做物种分布预测，需要生成不确定性地图的需求，核心思路是自定义预测函数，让模型返回不确定性相关指标（如后验标准差、置信区间），再通过raster::predict批量计算栅格单元的不确定性。

方法：利用BART模型的后验样本计算不确定性 #

BART模型的优势是能生成多个后验预测样本，样本的离散程度直接反映预测不确定性。以下是具体实现步骤：

1. 自定义预测函数
   这个函数会调用模型生成后验样本，计算每个栅格单元的预测均值和不确定性（这里用标准差，也可以替换为置信区间宽度）：

predict_bart_uncertainty <- function(model, newdata) {
  # 生成100个后验预测样本（可根据需求调整数量）
  pred_samples <- predict(model, newdata = newdata, n.samples = 100, type = "response")
  # 计算预测均值（和原预测结果一致）
  pred_mean <- rowMeans(pred_samples)
  # 计算标准差（衡量不确定性：值越大，预测结果越不稳定）
  pred_sd <- apply(pred_samples, 1, sd)
  # 返回包含均值和不确定性的数据框
  data.frame(mean = pred_mean, uncertainty = pred_sd)
}

2. 生成不确定性栅格
   用raster::predict调用自定义函数，批量处理栅格砖：

# 生成包含预测均值和不确定性的栅格砖
hytr_with_uncertainty <- predict(object = covs, model = sdm,
                                 fun = predict_bart_uncertainty,
                                 splitby = 20,  # 保持和原预测一致的分块参数
                                 na.rm = TRUE)

# 可视化不确定性地图
plot(hytr_with_uncertainty$uncertainty,
     box = FALSE,
     axes = FALSE,
     main = 'A. amphibius 预测不确定性（标准差）',
     legend.args=list(text='预测标准差', side=2, line=1.3))

可选：用置信区间宽度表示不确定性 #

如果你更倾向于用置信区间来展示不确定性，可以修改自定义函数，计算95%置信区间的上下限，并用区间宽度作为不确定性指标：

predict_bart_ci_uncertainty <- function(model, newdata) {
  pred_samples <- predict(model, newdata = newdata, n.samples = 100, type = "response")
  pred_mean <- rowMeans(pred_samples)
  # 计算95%置信区间上下限
  pred_lower <- apply(pred_samples, 1, quantile, 0.025)
  pred_upper <- apply(pred_samples, 1, quantile, 0.975)
  # 区间宽度作为不确定性
  ci_width <- pred_upper - pred_lower
  data.frame(mean = pred_mean, ci_width = ci_width)
}

# 生成并可视化置信区间宽度的不确定性地图
hytr_ci_uncertainty <- predict(object = covs, model = sdm,
                               fun = predict_bart_ci_uncertainty,
                               splitby = 20, na.rm = TRUE)

plot(hytr_ci_uncertainty$ci_width,
     box = FALSE,
     axes = FALSE,
     main = 'A. amphibius 预测不确定性（95%置信区间宽度）',
     legend.args=list(text='置信区间宽度', side=2, line=1.3))

注意事项 #

• n.samples参数：样本数量越多，不确定性的估计越准确，但计算时间会相应增加，建议根据你的计算资源调整（比如50-200个样本）。
• 如果你使用的是其他类型模型（如线性模型、随机森林），逻辑类似：自定义函数让模型返回不确定性指标（如lm的置信区间、随机森林的袋外预测方差），再传入raster::predict即可。

内容的提问来源于stack exchange，提问作者Kendra