Methods for modeling species' distributions in nature are typically evaluated empirically with respect to data from observations of species occurrence and, occasionally, absence at surveyed locations. Such models are relatively ``theory-free''. In contrast, theories for explaining species' distributions draw on concepts like fitness, niche, and environmental suitability. This paper proposes that environmental suitability be defined as the conditional probability of occurrence of a species given the state of the environment at a location. Any quantity that is proportional to this probability is a measure of relative suitability and the support of this probability is the niche. This formulation suggests new methods for presence-background modeling of species distributions that unify statistical methodology with the conceptual framework of niche theory. One method, the plug-and-play approach, is introduced for the first time. Variations on the plug-and-play approach were studied with respect to their numerical performance on 106 species from an exhaustively sampled presence/absence survey of vegetation in the Canton of Vaud, Switzerland. Additionally, we looked at the robustness of these methods to the presence of irrelevant information and sample size. Although irrelevant variables eroded the predictive performance of all methods, these methods were found to be both numerically and statistically robust.

A comprehensive understanding of the spatial distribution and correlates of infection are key for the planning of disease control programs and assessing the feasibility of elimination and/or eradication. In this work, we used species distribution modeling to predict the environmental suitability of the Guinea worm ( Dracunculus medinensis ) and identify important climatic and sociodemographic risk factors. Using Guinea worm surveillance data collected by the Chad Guinea Worm Eradication Program (CGWEP) from 2010 to 2022 in combination with remotely sensed climate and sociodemographic correlates of infection within an ensemble machine learning framework, we mapped the environmental suitability of Guinea worm infection in Chad. The same analytical framework was also used to ascertain the contribution and influence of the identified climatic risk factors. Spatial distribution maps showed predominant clustering around the southern regions and along the Chari River. We also identified areas predicted to be environmentally suitable for infection. Of note are districts near the western border with Cameroon and southeastern border with Central African Republic. Key environmental correlates of infection as identified by the model were proximity to permanent rivers and inland lakes, farmlands, land surface temperature, and precipitation. This work provides a comprehensive model of the spatial distribution of Guinea worm infections in Chad 2010–2022 and sheds light on potential environmental correlates of infection. As the CGWEP moves toward elimination, the methods and results in this study will inform surveillance activities and help optimize the allocation of intervention resources.