基于机器学习的人类足迹识别气候变化下入侵杂草Conyza sumatrensis在不同土地利用类型中的风险

本研究通过比较10种机器学习算法，评估了气候变化下入侵杂草Conyza sumatrensis的全球分布风险。研究发现，随机森林（RF）模型在预测该物种分布方面表现最佳，强调了人类活动对物种分布的影响。研究结果为管理者提供了制定针对性预防和控制策略的重要信息，有助于早期预警和生物多样性保护。

　　

研究背景

在全球化的背景下，生物入侵已成为威胁生态系统结构与功能、经济以及人类福祉的重大问题。入侵物种不仅会破坏本地生态系统的平衡，还会导致巨大的经济损失。其中，Conyza sumatrensis（苏门白酒草）作为一种高度入侵性的杂草，广泛分布于全球各大洲，对农业生产和自然生态系统构成了严重威胁。由于其适应性强、繁殖力高以及对多种除草剂的抗性，Conyza sumatrensis的扩散速度极快，难以控制。

为了有效管理和控制这种入侵物种，准确预测其分布范围至关重要。然而，传统的物种分布预测方法往往依赖于气候和土壤变量，忽视了人类活动对其分布的影响。近年来，机器学习技术在物种分布预测中显示出巨大潜力，能够整合多源数据，提高预测准确性。

研究方法

在这项研究中，研究人员采用了10种不同的机器学习算法，包括人工神经网络（ANN）、分类树分析（CTA）、灵活判别分析（FDA）、广义加性模型（GAM）、广义提升模型（GBM）、广义线性模型（GLM）、最大熵模型（MAXNET）、随机森林（RF）、极端梯度提升训练（XGBOOST）以及混合集成模型（EMmean）。这些算法被用于预测Conyza sumatrensis的全球分布，结合其发生记录、气候变量、土壤特性和人类足迹变量进行分析。

具体来说，研究人员使用了随机森林（RF）模型，因为它在处理复杂非线性关系和变量交互方面表现出色，并且具有较高的鲁棒性和抗过拟合能力。通过k折交叉验证（k=3），研究人员确保了模型的稳定性和可靠性。此外，研究人员还计算了变量的重要性，以识别对Conyza sumatrensis分布影响最大的因素。

研究结果

模型准确性和空间分布一致性

研究发现，不同模型对Conyza sumatrensis的分布面积预测差异较大，随机森林（RF）模型在预测当前和未来分布方面表现最佳，具有最高的准确性和稳健性。RF模型在预测中考虑了温度、降水、土壤条件和人类活动等多种因素，能够更好地反映物种的实际分布情况。

变量贡献

在随机森林模型中，温度相关变量（如等温性和最湿润季度的平均温度）对Conyza sumatrensis的分布贡献最大，其次是降水相关变量和人类足迹。这表明温度和人类活动是影响该物种分布的主要因素。

预测的当前和未来分布

研究表明，Conyza sumatrensis在全球范围内的适宜栖息地面积为6.20百万平方公里，主要集中在欧洲、北美洲和澳大利亚。预计到2041-2060年，适宜栖息地将增加8.03-8.78%，而到2081-2100年，增幅较小，为0.84-3.29%。特别是在城市和农田地区，适宜栖息地的扩张更为显著。

结论与讨论

研究表明，机器学习算法在预测Conyza sumatrensis的分布方面具有重要作用，尤其是随机森林模型。研究结果强调了人类活动对该物种分布的影响，指出在城市和农田地区应采取针对性的预防和控制措施。未来的研究应进一步关注不同土地利用类型下的生物入侵风险，以便更有效地管理和控制入侵物种。

通过这项研究，研究人员为管理者提供了详细的分布信息和风险评估，有助于制定更加精准的管理策略，减少入侵物种对生态环境和经济的影响。研究结果对于理解Conyza sumatrensis的生态位变化及其在不同土地利用类型中的风险具有重要意义。