空间预测模型按区域交叉验证，分组规则怎样报告？

空间预测论文常写“采用五折交叉验证”，却没交代同一地区附近的样点是否被同时分到训练集和测试集。相邻样点可能共享环境条件，随机拆分得到的表现未必代表模型迁移到新区域的能力。关于结构化数据的交叉验证研究建议在存在空间依赖时考虑分块验证。投稿时先说明模型实际要预测的场景：是同一调查区的未采样位置，还是从已有区域推广到新地区；验证分组应服务于这个问题。

交代分组规则，而不只报折数

若采用空间分块，写清坐标系统、分块形状与大小、分块如何分配到各折、是否设置缓冲区，以及随机种子或固定分组文件。若按行政区、流域或调查路线留组，报告分组单位和跨界样点的归属规则。不同分法能测试不同形式的外推能力，不能只写“空间交叉验证”四个字。blockCV方法论文与工具文档列出空间块、聚类和已有分组等策略，使用时仍需解释本研究为什么选这一种。

还应列出每折训练与测试样本数、阳性或目标类别的分布，以及各区域覆盖范围。某个折若几乎没有目标事件，单一平均指标可能掩盖它；若测试区只占一个特别容易预测的地带，也不足以代表全部目标地区。可给出分组示意图或样点与分块对应表，便于检查相邻样点是否被合理隔离。分块大小若依据空间相关范围、采样间距或实际部署尺度确定，就把依据写出；不要只填软件默认值。

避免预处理把测试区信息带回训练

折分完成后，标准化、缺失值填补、特征选择和参数调优等步骤应在每个训练折内拟合，再应用到对应测试折。若先利用全体样点选变量，测试区信息就可能提前进入模型。对于栅格环境变量还要说明它们是否在预测时本来可获得；只凭样点标签计算的特征不能在测试集上预先生成。若需要调参，区分内层选择与外层评估，保存最终采用的折分与参数记录。这个核对重点与选用哪一种具体算法无关。

报告结果时，给出逐折表现与汇总方式，并说明指标对应的评估范围。空间分块可能使训练与测试条件差别更大，结果也可能低于随机拆分；这种差异须结合两个评估任务解释，不能直接判定模型本身优劣。若同时报告随机拆分与区域留组，分别命名其回答的问题，不要把二者简单排列成“最好”的同一分数榜。相关文献也指出，不同空间验证方法对应不同预测目标，不能不看用途就宣布某一种永远正确。

提交前拿一折做反向演练：从测试样点所属区域开始，检查同区域或邻近样点是否以研究设定允许的方式进入训练；再看该折的预处理、调参和性能计算是否独立完成。把分组表或代码与地图说明一起附上，方便复现。读者据此才能判断论文声称的“泛化能力”究竟是跨样点、跨区域，还是跨环境条件。

参考信息：Roberts等关于结构化数据交叉验证的研究；Valavi等的blockCV方法论文及工具文档。