《Ecological Informatics》：Predicting vegetation change for adaptive management, under complex disturbance regimes, using monitoring data and expert judgements
编辑推荐：
摘要：预测植被如何响应管理十分重要，使管理人员能够模拟替代管理策略，并比较其可能的收益和成本。理想情况下，此类模型应与监测计划相连接，以便在测量到的生态系统响应基础上进行更新，形成一个学习循环。目前这仍然很少见，且模型与管理人员的需求之间常常存在鸿沟。研究人员
摘要：预测植被如何响应管理十分重要，使管理人员能够模拟替代管理策略，并比较其可能的收益和成本。理想情况下，此类模型应与监测计划相连接，以便在测量到的生态系统响应基础上进行更新，形成一个学习循环。目前这仍然很少见，且模型与管理人员的需求之间常常存在鸿沟。研究人员展示了一种可处理的数据驱动方法，用于模拟年度增量变化，并将其应用于澳大利亚的草地。该方法在三个方面具有新颖性：1) 提供了一种整合经验性野外数据（即基于野外的监测）和专家衍生数据的方法（允许模型用尚未观测到的训练场景进行增强）。2) 提供了一种编码复杂干扰事件的框架，明确考虑了季节性时机、持续时间、强度和时间遗留效应的复杂性。3) 提供了一种利用零模型（null model）概念对独立野外观测进行预测检验的结构。研究人员展示了受复杂管理机制（包括火、放牧、除草剂和主动恢复）影响的选定植物物种组的叶冠层覆盖度和物种丰富度的逐年预测成功。研究人员在24个野外站点，在7-10年期间，评估了多个模型相对于实测年度植被变化的性能。多目标人工神经网络（Multi-target Artificial Neural Networks, MT-ANN）优于其他几种方法，并且比朴素零模型（na?ve null model）更准确。该方法可应用于大多数生态系统，并通过整合野外监测和专家预测来改进模型，从而支持适应性管理循环。
**论文解读：基于监测数据和专家判断的复杂干扰机制下植被变化预测用于适应性管理**
**研究背景与问题**
生态系统管理面临复杂性和不确定性，涉及众多物种和过程对干扰及管理的复杂响应。长期以来，保护管理者被呼吁采用适应性管理（Adaptive Management, AM）方法，通过监测关键变化反馈至生态系统响应模型，从而预先评估候选干预措施的效果并测试最可能成功的策略。这要求模型能从监测数据更新，并足够复杂以预测真实世界管理场景下的变化。然而，生态建模因数据稀缺和复杂性而困难重重，模型常与管理者需求脱节。此外，模型存在“路径依赖”或“现状偏见”（Status Quo Bias），即训练用的经验数据集仅限于已采样场景，无法涵盖创新性或极端的管理组合。尽管有主动适应性管理（Active Adaptive Management）和专家判断的尝试，但成功整合监测数据、专家知识和管理决策的通用方法仍属罕见。为克服这些挑战，研究人员开发了一种可推广的建模方法，可应用于大多数生态系统，并支持适应性管理循环。
**研究目的**
本研究旨在建立一种数据驱动的年度增量植被变化预测模型，整合野外监测数据与专家判断，以支持复杂管理机制下的场景测试。方法通过三个创新点实现：1) 整合经验性野外数据与专家衍生数据，使模型能纳入未观测到的训练场景；2) 编码复杂干扰事件，明确考虑季节性时机、持续时间、强度和时间遗留效应；3) 利用零模型（null model）概念对独立野外观测进行预测检验。研究以澳大利亚东南部濒危天然草地群落（温带亚湿润草地，temperate subhumid grassland）为案例，该生态系统受火、放牧、除草剂和主动恢复等管理措施影响，并有长达10年的监测数据可用。
**主要技术方法**
研究人员采用了以下关键技术方法：
- **数据整合**：将477条来自野外永久样地（20×20 m，采用点截法记录物种覆盖度，以及3分钟搜索法记录物种丰富度）的监测数据，与2058条通过专家情景启发工具（Scenario Elicitation Tool, SET，基于R平台Shiny开发）获取的专家判断数据统一为2535条训练实例。专家数据覆盖了罕见或尚未发生的管理组合。
- **变量编码**：将管理变量（如火、放牧、除草剂、种植）编码为五种格式：二进制、强度/持续时间、季节、衰减曲线和长期作用/延迟，并纳入天气变量（年降雨量、C3季降雨量、C4季降雨量、高温天数）和场地变量（土壤磷浓度、耕作历史）。这些变量用于描述年度增量中的干扰细节。
- **建模与评估**：测试了12种机器学习算法（包括单目标和多目标人工神经网络（Artificial Neural Network, ANN）、回归树（Regression Tree, RT）和随机森林（Random Forest, RF）），以及朴素零模型（假设年际不变）。模型评估采用均方根误差（Root Mean Squared Error, RMSE）和平均绝对误差（Mean Absolute Error, MAE）及其分箱修正版本。多年度预测通过迭代应用单年度模型实现，并用24个独立野外样地（7-10年数据）进行验证，同时通过主坐标分析（Principal Coordinate Analysis, PCoA）在植被多维空间中比较模型与零模型的轨迹距离。
**研究结果**
1. **单年度预测表现**：单目标随机森林（rfsrc_ST, ranger_ST）在单年度预测中表现最佳，优于多目标ANN（keras_MT）等模型，且所有模型均优于零模型。但多目标ANN集成模型（keras_Mn_MT, keras_Md_MT）在部分指标上表现不稳定。
2. **多年度预测表现**：在24个野外样地的多年度测试中，多目标ANN集成模型（keras_Md_MT, keras_Mn_MT）表现最佳，优于其他模型和零模型。大部分其他模型在至少一个指标上未能超过零模型，突显了多年度预测的难度。
3. **多维植被空间评估**：模型在植被多维空间中的预测轨迹多数年份优于零模型，第一年所有预测均优于零模型，但后续年份精度下降，存在少数异常值（每年度0-4个样地）。模型总体性能随时间衰减，但多数年份仍优于零模型。
4. **假设情景模拟**：模型成功预测了两种假设场地（相对完整场地和杂草入侵场地）在两种管理机制（定期火+综合除草剂 vs. 无干扰+部分除草剂）下10年内的植被变化。结果符合文献预期，例如火后关键物种覆盖度骤降并恢复，除草剂针对性地控制目标杂草，且总覆盖度保持在合理范围内。
**讨论与结论**
研究结论：研究人员提出了一种可处理的植被群落变化建模方法，该方法基于易获取的监测数据，并通过专家判断进行战略性增强。在案例研究中，模型在严格测试中表现良好，验证了其通用性。该方法可应用于任何生态系统（需提供重要变量变化数据及管理/干扰数据），并支持适应性管理框架下的场景测试。模型预测的典型趋势（如火后生长动态、除草剂效应）与文献一致，表明其具有现实可靠性。
讨论部分指出，该方法的关键因素包括：使用简单变量与机器学习算法结合，避免显式参数化交互作用；训练数据可随监测或专家数据逐步扩展；变量定义需与管理者和生态学家密切合作，以编码干扰的细微差别。主要限制包括：固定年度时间步长排除了非等间隔监测数据；模型偶尔出现异常预测，可能源于未捕获的变量或未记录干扰；不同建模方法对不确定性的处理不同，需清晰沟通。未来可替换算法或接受不同时长训练数据。尽管模型是良好适应性管理的必要条件，但还需社会与制度要素的配合。本研究通过整合专家判断突破模型驱动的现状偏见，为更广泛的创新框架奠定基础。研究合作模式（生态学家、建模者、现场管理者）为强化伙伴关系提供了基础。
