| 包络算法 | 表面分布区分室模型(Surface Range Envelope, SRE)[31]； 栖息地模型(HABITAT)[32] | 物种分布数据 | 算法简单,易于使用 | 结果为二元数据（存在/不存在）；对异常值敏感；气候变量的作用等同；模型结果无法给出分布细节；精度较低 |
| 距离算法 | 生态位因子分析模型(Ecological Niche Factor Analysis,ENFA)[26]； Gower距离(DOMAIN)[33]； 马氏距离(Mahalanobis Distance, MD)[34] | 物种分布数据 | 简单的规则和假设；在环境空间中推导出简单生态位特征，如生态位和生态位宽度；ENFA可以获取影响物种分布的主要限制因子 | 精度较低；无法处理定性的环境因子（分类变量）；受取样点分布特征的影响较大 |
| 回归算法 | 广义线性模型(Generalized Linear Model, GLM)[35]; 广义相加模型(Generalized Additive Model, GAM)[35]; 多元自回归样条模型(Multiple Adaptive Regression Splines, MARS)[36] | 物种分布与不分布数据 物种丰度数据 生物量 | 针对不同的因变量，分布形式可以有不同的处理方式；适用于响应变量是数值变量的情况；模型解释能力较好，通过回归方程显示的表达环境因子与建模目标的关系 | 无法处理定性的环境因子；精度依赖样本数量的大小 |
| 分类算法 | 分类树分析(Classification Tree Analysis, CTA)[37]； 柔性判别分析(Flexible Discriminant Analysis, FDA)[16,38] | 物种分布与不分布数据 | 不需要预先假设响应变量与预测变量之间的关系，有效的处理非线性关系；不易受少数异常数据影响；强大的统计解析功能 | 分类节点的生成只与数据特征有关，没有生态学意义；模型结果为离散值 |
| 常用机器学习算法 | 人工神经网络 (Artificial Neural Network, ANN)[39]； 支持向量机(Support Vector Machine, SVM)[40]； 随机森林(Random Forest, RF）[20]； 推进式回归树(Boosted Regression Tree, BRT)[16,38] | 物种分布数据；物种分布与不分布数据 | 精度较高；模拟结果比较收敛，提供了生境分布的细节，具有较好的空间表现 | 模型精度需要大数据量保证；可移植性差；不能提供清晰的统计学原理；存在过拟合等风险；计算成本高 |
| 最大熵 | MaxEnt[41] | 物种分布—背景数据（最大熵模型）；物种分布与不分布数据（判别最大熵） | 预测结果精度较高；在样本量相对较小的情况下能够取得较好的建模效果；模型可以仅依靠物种存在点数据建模；在统一建模框架下可以处理连续环境变量与分类环境变量；MaxEnt软件是免费的并且有友好的用户界面 | 由于其模型界面良好的封装性，无法调整相应程序；模型的时空外推能力仅在低阈值情况下较好；在较小的样本量情况下得出的结论可能对物种生态位模拟不完整，造成模拟结果失真；友好的模型界面也会造成模型的滥用 |
| 模糊数学 | 模糊物元模型(Fuzzy Matter Element, FME)[27,42,43]; 模糊神经网络(Fuzzy Neural Networks, FNN)[44] | 物种分布数据； 物种丰度数据； 生物量； 目标物种成分含量数据 | 专家经验与实际采样点统计信息融入到隶属函数中，以实现有限采样点基础上的物种分布模型建模；针对复杂系统建模具有较高预测能力；可以有效地在空间上预测物种的某种特性（生物量，有效成分含量）的分布 | 针对不同的建模目标需要额外的采样点数据信息（生物量和有效成分含量等）；完全由专家经验确定的隶属函数具有主观性 |
| 贝叶斯 网络 | 贝叶斯网络模型(Bayesian networks, BN)[45] | 物种分布数据 | 采用变量之间的概率关系的图形模型来构建模型；概率关系可以由统计数据得到也可以由专家经验生成；可以有效地整合专家知识；利用有限采样点数据构建稳健（robust）模型；建模过程有严格的生态学意义 | 以有向无循环图（Directed Acyclic Graph，DAG）相关节点（变量）之间的概率关系，在缺乏足够的专家知识或实验数据时，模型的构建存在随机性以及不确定性；只使用离散变量，会导致信息损失 |