编辑推荐：
为解决濒危药用植物栖息地适宜性评估问题，研究人员对比个体机器学习模型（RF、BRT、GLM）与混合集成模型（FDA - GLM - MDA 和 RF - CART - BRT），评估伊朗拉扎维霍拉桑省濒危草本 Salvia leriifolia 栖息地适宜性，发现关键预测因子，为保护提供策略。
在生态环境不断恶化的当下，濒危药用和芳香植物（MAPs）的生存面临着巨大挑战。这些植物不仅是生态系统的重要组成部分，还具有极高的药用价值。然而，由于生态系统的退化，它们的栖息地逐渐缩小，生存受到严重威胁。准确地绘制栖息地适宜性地图，对于保护这些濒危植物至关重要。以往的研究在评估栖息地适宜性时，方法可能不够精准或者复杂度过高，难以在实际保护工作中有效应用。因此，开展一项既能提高预测准确性，又能兼顾实际操作可行性的研究迫在眉睫。
来自国外的研究人员承担了这项具有重要意义的研究工作。他们以伊朗拉扎维霍拉桑省的濒危草本植物 Salvia leriifolia 为研究对象，通过对比个体机器学习模型（随机森林 [RF]、提升回归树 [BRT]、广义线性模型 [GLM]）与混合集成模型（FDA - GLM - MDA 和 RF - CART - BRT），对 Salvia leriifolia 的栖息地适宜性进行评估。研究结果表明，距离道路的远近、钙（Ca）、有机质（OM）和钾（K）是影响栖息地适宜性的最主要预测因子。其中，个体 RF 模型（AUC = 0.983）和混合 RF - CART - BRT 模型（AUC = 0.970）展现出了最高的预测准确性，这突出了基于树的模型和集成方法在生态建模中的有效性。不过，高精度模型虽然预测精确，但复杂程度较高，在实际应用中会给保护工作者带来一定挑战。该研究成果发表在《Environmental and Sustainability Indicators》上，为保护濒危 MAPs 提供了可扩展的策略，为资源管理者和农业规划者可持续地保护和培育 Salvia leriifolia 提供了可行的行动方案，也为平衡保护规划中的技术精度和操作可行性提供了参考依据。
在研究过程中，研究人员主要运用了以下关键技术方法：首先利用地理信息系统（GIS）收集并整合了 23 个环境和人为变量，构建数据集；然后借助弹性网络（ENET）评估变量的重要性；最后运用受试者工作特征曲线下面积（ROC - AUC）指标来评价模型性能。
研究结果部分：
- 关键预测因子识别：通过 Elastic Net（ENET）分析，确定距离道路、钙（Ca）、有机质（OM）和钾（K）是影响 Salvia leriifolia 栖息地适宜性的最具影响力的预测因子。这表明这些因素在该植物的生存环境中起着关键作用，例如，距离道路远近可能影响植物受人类活动干扰的程度，而土壤中的 Ca、OM 和 K 含量则直接关系到植物生长所需的养分供应。
- 模型预测准确性评估：运用 ROC - AUC 指标对不同模型进行评估。结果显示，个体 RF 模型（AUC = 0.983）和混合 RF - CART - BRT 模型（AUC = 0.970）在预测 Salvia leriifolia 栖息地适宜性方面表现最为出色，说明基于树的模型和集成方法在生态建模中具有较高的可靠性和有效性。
研究结论与讨论：
研究明确了影响 Salvia leriifolia 栖息地适宜性的关键因素，验证了特定机器学习模型在生态建模中的高效性。这不仅为保护 Salvia leriifolia 提供了科学依据，也为其他濒危 MAPs 的保护提供了可借鉴的方法。然而，高精度模型的复杂性与实际应用的矛盾，提示在未来的保护规划中，需要在追求技术精准度的同时，充分考虑实际操作的可行性，以制定更切实有效的保护策略。通过平衡两者关系，资源管理者和农业规划者能够更好地制定可持续的保护和培育计划，从而实现对濒危 MAPs 的有效保护，维护生态系统的平衡和生物多样性。
