基于机器学习和地理空间数据的UMEBLF适宜生境制图与保护分析——以云南为例

《Ecological Applications》：Mapping and conservation analysis of upper montane evergreen broad-leaved forest using machine learning and geodata

　　

上山地常绿阔叶林（upper montane evergreen broad-leaved forest，UMEBLF）具有独特的生态功能，但呈现高度破碎化的空间分布。因此，对UMEBLF适宜生境进行制图并评估其保护状况，对区域植被保护与管理至关重要。本研究以中国云南省为案例，采用包括山体相对高度在内的11个地形和气候变量，识别最优随机森林（Random Forest，RF）模型，以模拟和制图当前及未来气候情景下UMEBLF的适宜分布。此外，纳入季风核心区内的山地云–雾带（cloud–fog belt），以评估当前气候条件下制图结果的可靠性。通过比较全省自然保护区（nature reserves）的空间分布，明确UMEBLF当前保护状况及其潜在未来变化。结果表明：在当前气候条件下，UMEBLF高生境适宜性区域面积约为4.2 × 10⁴ km²，主要分布于滇西和滇中中山带。适宜生境下边界与云–雾带海拔高度密切吻合，主要位于中上坡，约在山体基面以上山体相对高度的三分之二处。在未来增温情景下，适宜生境空间格局表现为核心区相对稳定、边缘带高度动态。在SSP5-8.5情景下，到2090s高度适宜生境面积预计降至约3.0 × 10⁴ km²。目前，32个自然保护区包含高生境适宜性区域，其中75%集中在苍山–哀牢山地区西南侧。未来，保护区内高度适宜生境面积比例预计下降15.9%–18.7%，减少主要发生在自然保护区实验区。本研究展示了结合地理空间大数据与机器学习的UMEBLF分布制图与分析集成框架，为气候变化下山地森林保护与管理提供科学依据。

论文主体解读：在全球气候变暖背景下，植被制图与保护分析对生物多样性保护具有重要意义。上山地常绿阔叶林（upper montane evergreen broad-leaved forest，UMEBLF）是云南亚热带山地生态系统中的独特森林类型，具有重要生态功能，但空间分布高度破碎。已有研究多基于样地，集中于群落特征和物种组成，对其适宜生境空间分布和保护状况关注不足；气候变暖、雾日减少、干旱增强以及农林扩张等使边缘生境退化风险上升，因此需要评估其适宜分布与保护状态。研究人员以云南为案例，利用地形和气候变量构建并筛选最优随机森林（Random Forest，RF）模型，模拟当前和未来气候情景下UMEBLF适宜分布，并用季风核心区山地云–雾带（cloud–fog belt）检验当前制图可靠性，再叠加自然保护区边界评估保护状况。研究得出RF模型表现最优，UMEBLF适宜性受温度季节性、海拔和地貌结构共同控制，未来增温下边缘生境退化风险增加、保护区内最优适宜区减少，为气候变化下山地森林保护管理提供科学依据。

关键技术方法（不超过250字）：研究人员从标本记录、已发表文献和野外调查获取UMEBLF分布点，按1 km×1 km网格空间过滤得54个存在点，并按磁盘策略生成54个距离存在点至少10 km的伪不存在点，共108个样本，70%训练、30%测试。气候变量取自WorldClim 2.1，筛选7个生物气候变量；地理变量包括数字高程模型（digital elevation model，DEM）、数字形态地形类型（digital morphological terrain type，DMTZ）、地形抬升高度与切割深度（topographic uplift height and cutting depth，TUHCD）和山体相对高度指数（mountain relative altitude index，MRAI）。采用偏相关、Gini重要性和主成分分析（principal components analysis，PCA）评估变量与样本代表性；构建RF、ExtraTrees、XGBoost、LightGBM、CatBoost和HGB六种模型，以受试者工作特征曲线下面积（area under the receiver operating characteristic curve，AUC）、真实技巧统计量（true skill statistic，TSS）和F1筛选最优模型，并用重复子采样检验稳健性；在现状和SSP1-2.6、SSP3-7.0、SSP5-8.5情景下两个时段制图，叠加自然保护区分析。

研究结果：
当前气候条件下适宜生境分布：通过RF模型制图和自然断点分级发现，UMEBLF适宜生境集中于滇中和滇西中山带，沿主要山脉呈带状，最优适宜区约4.2 × 10⁴ km²（10.6%），总体呈西多东少、南多北少、山地多盆地少。
当前气候条件下最优适宜区验证：通过将最优适宜区与山地云–雾带叠加发现，二者空间吻合，最优适宜区主要位于中上坡、约山体基面以上相对高度三分之二处，说明制图具有生态合理性。
未来气候情景下适宜分布：通过多情景模拟比较发现，适宜生境总体表现为最优适宜区收缩、边缘适宜区扩张；SSP5-8.5下2090s最优适宜区降至约3.0 × 10⁴ km²（7.7%），高排放对优质生境抑制更强。
当前保护状况：通过最优适宜区与自然保护区边界叠加发现，32个自然保护区含最优适宜生境，其中75%集中在苍山–哀牢山地区西南侧，部分最优适宜区仍在保护区外。
未来气候情景下保护分析：通过保护区内多情景面积统计发现，全区最优适宜区占保护区面积比例降至15.9%–18.7%，减少主要在实验区；案例区耿马段澜沧江省级自然保护区最优适宜区沿北缘退化，边缘实验区对增温更敏感。
热条件：通过不同适宜等级环境变量分布统计发现，最优适宜区存在最低年均温阈值（3.94°C），温度日较差和温度季节性较低且稳定，表明低温限制和热稳定性共同约束分布。
水分条件：通过水分变量统计发现，最优适宜区并非年均降水最高，但最干月降水较高且降水季节性较低，说明干季水分可靠性和年内水分稳定性更关键。
地形地貌因子：通过地形变量统计发现，最优适宜区平均海拔2242 m、TUHCD 134 m、MRAI 0.67，主要位于中上坡和地形起伏较大的中高山地，表明相对地形位置与冷暖湿气流耦合重要。

讨论总结：RF较传统统计和MaxEnt、Biomod更能捕捉非线性交互，适合小样本复杂地形；云–雾带通过逆温层和持续湿润形成热缓冲，解释UMEBLF分布；温度季节性、DEM和DMTZ是主要驱动，UMEBLF偏好温度变率低、干季降水足、水分季节性弱的环境；未来增暖下核心区较稳定、边缘动态，SSP5-8.5下最优适宜区减少可能削弱碳汇和水源涵养功能并加剧破碎化；保护应优先核心区最优适宜生境，并在边缘建立缓冲区和廊道；局限包括适宜性图为理论分布、未纳入人为驱动和土壤过程、单一GCM、1 km分辨率及矢量平滑影响。

结论翻译：本研究构建并选择最优RF模型，利用11个环境变量制图UMEBLF适宜分布。分析识别了UMEBLF生境适宜性的关键驱动因子，并在当前和未来气候情景下开展集成制图与保护评估。通过超越传统野外调查加遥感影像的方法，本研究提供了地理空间大数据驱动的机器学习植被制图与保护空缺分析框架。RF模型在预测精度、稳定性和生态可解释性方面表现最佳。UMEBLF适宜性受温度季节性、海拔和地貌结构共同控制。未来增暖情景下，边缘UMEBLF生境的适宜性退化风险显著增加，而当前受自然保护区较好覆盖的最优适宜区预计面积减少。对气候变暖最敏感的区域主要位于现有保护区外围的实验区。总体而言，本研究为UMEBLF保护和管理提供理论支持和方法参考。未来保护规划应纳入应对气候变化的适应性策略，包括动态调整和在退化风险显著的边缘区建立生态廊道。进一步研究应在本框架基础上纳入额外人为驱动因子、扩展气候情景范围、扩大空间范围并提高空间分辨率，以提高适宜性制图精度。