基于期望最大化算法的气候依赖型森林模型贝叶斯平均方法揭示欧洲水青冈脆弱性空间格局

本刊推荐：本研究创新性地将期望最大化算法的贝叶斯模型平均法（BEM）应用于气候依赖型森林模型集成预测，通过对欧洲水青冈（Fagus sylvatica）六种模型的对比分析，发现BEM不仅能将85%权重集中于两个关键模型，还可实现模型权重的空间显式分解（spatially explicit decomposition），精准识别预测分歧区域。该方法为评估树种气候适应性提供了超越简单模型平均（SMA）和加权模型平均（WMA）的新范式，对森林保护策略制定具有重要指导意义。

　　

模型集合

我们聚焦法国境内欧洲水青冈（Fagus sylvatica L.）的分布情况。该树种的生态学特性已被广泛研究（San-Miguel-Ayanz等，2016年第94-95页）。水青冈出现频率的观测数据来自法国国家森林清单（Robert等，2010），空间分辨率为8公里×8公里。该数据集被用于训练BEM算法并获取WMA的权重值。本研究共纳入六个气候依赖模型...

水青冈出现预测

BEM、SMA和WMA三者整体预测性能近乎相当（表1）。任何一款模型平均法的表现均优于其组成模型。然而，这种预测能力相似性背后隐藏着截然不同的模型拟合机制。用于统一模型响应度的逻辑回归在BEM与SMA/WMA之间展现出不同拟合特性（表2）。后者呈现水青冈存在与否的平滑过渡...

平均预测与模型权重

BEM生成了不同模型对目标树种存在概率的平均预测图谱。这种平均预测替代了模型选择策略，充分融合了各模型优势（Araújo和New，2007；Fragoso等，2018）。对法国水青冈而言，模型平均策略提升了每个独立模型的预测表现，包括所谓"最佳"模型。集成建模提升预测的能力...