编辑推荐：
在野火频发的当下，理解其对森林生态系统影响至关重要。研究人员利用 LiDAR 和 LANDSAT 数据构建墨西哥斑鸮（Strix occidentalis lucida）生境选择模型。结果显示二者预测精度相近，且发现不同尺度下影响生境选择的关键因素。这为火灾后景观管理提供了科学依据。
近年来，野火的发生愈发频繁且严重，给人类社会和生态系统带来了巨大冲击。在森林生态系统中，野火不仅摧毁了大量植被，改变了森林的结构和组成，还对依赖森林生存的野生动物造成了深远影响。墨西哥斑鸮（
Strix occidentalis lucida）作为一种对森林结构变化敏感的物种，其栖息地在野火肆虐下受到了严重威胁。过去，许多研究尝试利用遥感数据构建栖息地适宜性模型，以了解野火对栖息地的影响，但这些模型在准确性和性能上受数据质量和分辨率的制约。传统的 LANDSAT 卫星图像虽有优势，但 LiDAR 技术在捕捉森林结构细节方面表现更为出色，然而二者在火灾后景观中的直接比较研究却相对较少。为了填补这一空白，来自多个机构的研究人员开展了一项深入研究，相关成果发表在《Ecological Informatics》上。
研究人员选择了 2002 年发生在亚利桑那州中部的 Rodeo-Chediski 大火区域作为研究对象，该区域曾有大量墨西哥斑鸮栖息地，且部分区域被大火严重烧毁。研究人员旨在对比 LiDAR 和 LANDSAT 数据在建模墨西哥斑鸮栖息地选择方面的有效性，并评估火灾后猫头鹰栖息地的长期持续性。
在研究过程中，研究人员运用了多种关键技术方法。首先是遥感数据获取，他们从 Four Forests Restoration Initiative（4FRI）获取了研究区域的机载 LiDAR 数据，同时获取了 LANDSAT 衍生数据。其次，通过建立 602 个呼叫点网络，采用夜间声学协议和日间巢址及栖息调查，确定了墨西哥斑鸮的精确位置，获取了存在 / 伪缺失数据。此外，利用随机森林（Random Forest，RF）算法，在多个尺度上对变量进行建模分析，以优化模型性能。
研究结果主要包括以下几个方面：
- 优化尺度：研究发现，LiDAR 和 LANDSAT 模型在不同尺度上对栖息地协变量与墨西哥斑鸮巢穴存在的相关性表现不同。在 LANDSAT 模型中，家域选择模型的变量多在中到宽尺度上优化，而微生境选择模型的变量优化尺度则相对较小；LiDAR 模型中，家域选择模型的预测尺度范围广，微生境选择模型的预测尺度普遍较细。
- 多重共线性分析：LANDSAT 和 LiDAR 模型中均存在变量高度相关的情况，研究人员根据与猫头鹰存在的关系强度和预测能力，保留了最具信息性的预测变量。
- 变量重要性：混合针叶林（MMC 和 DMC）、坡度等变量在所有最终模型中排名较高，对墨西哥斑鸮的栖息地选择具有重要影响。
- 栖息地选择：通过部分依赖图分析，发现不同模型中关键预测变量与栖息地适宜性之间存在复杂的非线性关系。例如，在 LANDSAT 家域模型中，树冠覆盖（CC）与栖息地适宜性呈非线性关系；在 LiDAR 微生境模型中，树木密度与栖息地适宜性也呈现出非线性关系。
- 模型性能：LANDSAT 和 LiDAR 模型在预测墨西哥斑鸮栖息地适宜性方面表现相当，二者的预测准确性相近，且误差率都较低。
- 空间预测和分歧：两种模型的空间预测存在差异，LANDSAT 模型强调更广泛的高适宜性区域，LiDAR 模型则突出更局部化的高适宜性热点区域。空间分歧分析表明，两个数据集在部分区域存在显著分歧，可能是由于森林 GIS 图层的时间覆盖差异导致。
研究结论和讨论部分具有重要意义。一方面，该研究强调了尺度优化在利用不同遥感产品进行栖息地适宜性建模中的重要性，即使数据分辨率不同，经过尺度优化后，LANDSAT 和 LiDAR 数据在预测墨西哥斑鸮栖息地适宜性方面表现相似。另一方面，研究为火灾后景观中的栖息地管理提供了有价值的见解。虽然高强度火灾对墨西哥斑鸮栖息地有影响，但关键结构元素在巢穴和栖息地点周围的精细尺度上的保留至关重要。同时，研究还指出了未来研究的方向，如探索数据融合技术、使用替代统计方法以及获取时间匹配的数据集等。这些结论和讨论为保护墨西哥斑鸮栖息地以及管理火灾后景观提供了科学依据，有助于制定更有效的保护策略，促进生态系统的恢复和保护。
