《Ecological Informatics》：Large-scale assessment of pastoral value and carrying capacity of Alpine grasslands using remote sensing and machine learning
编辑推荐：
欧洲山地草甸正经历气候和土地利用的快速变化，直接影响饲料供应和粗放畜牧系统的管理。牧草价值（PV）是饲料产量和质量的代理指标，也是评估草甸载畜量的关键参数。然而，传统的PV计算方法基于野外调查且劳动密集，限制了其在大空间尺度上的应用。在本研究中，研究人员旨在开
欧洲山地草甸正经历气候和土地利用的快速变化，直接影响饲料供应和粗放畜牧系统的管理。牧草价值（PV）是饲料产量和质量的代理指标，也是评估草甸载畜量的关键参数。然而，传统的PV计算方法基于野外调查且劳动密集，限制了其在大空间尺度上的应用。在本研究中，研究人员旨在开发一个空间建模框架，利用机器学习（ML）算法和遥感数据在大尺度上预测PV，并生成首张PV和草甸载畜量地图。研究人员使用了在意大利西部阿尔卑斯山调查的390个植被样地以及40个描述植被物候和生产力、气候和地形的遥感预测因子。测试了多种ML模型，并采用前向特征选择来识别最优预测因子集。使用面向预测的交叉验证和适用性分析来确保地图的可靠性。基于梯度提升树算法的前向特征选择模型表现最佳（RMSE=6.2, MAE=5.1, R2=0.45），使用了40个预测因子中的7个。尽管模型对中等PV表现良好，但在预测极端值时存在困难，这可能是由于输入数据的限制和极端地面真实观测样本的稀缺。总体而言，意大利西部阿尔卑斯山89%的区域落在空间预测的适用性范围内。该研究框架表明，机器学习和遥感可以提供准确、可扩展和可重复的PV预测，支持对草甸载畜量的可靠评估以及山区可持续放牧管理策略的设计。
论文解读文章
**研究背景与问题**
欧洲山地半天然草甸是长期农牧-林-牧传统的标志性生态系统，以粗放畜牧业与可持续放牧相结合为特征。这些景观经过数千年人与自然互动塑造，提供多种生态系统服务，包括饲料供给、水源净化、土壤保持以及文化价值。然而，气候变化、社会经济转型和管理停止正威胁其可持续性和服务供给。牧草价值（Pastoral Value, PV）是衡量草甸饲料产量和质量的关键综合指标，基于植物群落组成和物种特异性质量指数，范围从0（低质量）到100（高质量），在阿尔卑斯地区通常不超过60。PV常用于评估粗放系统中的草甸载畜量，但传统方法依赖密集野外调查和植物鉴定技能，难以在大空间尺度应用。因此，亟需开发可大规模、高分辨率预测PV和载畜量的工具，以支持可持续放牧管理策略。
**研究目的**
本研究旨在开发一个结合遥感数据和机器学习（Machine Learning, ML）算法的空间建模框架，在意大利西部阿尔卑斯山（Western Italian Alps）大尺度、高空间分辨率下预测PV，并绘制首张PV和载畜量地图。该研究为《Ecological Informatics》期刊论文。
**主要关键技术方法**
研究人员使用了以下关键技术方法：1）基于前向特征选择（Forward Feature Selection, FFS）的梯度提升树（Gradient Boosted Tree, BTREE）算法，通过k折最近邻距离匹配（k-fold Nearest Neighbour Distance Matching, kNNDM）交叉验证进行模型训练和评估，以减少空间自相关偏差；2）适用性分析（Area of Applicability, AOA）算法，基于多维预测空间距离确定可靠预测区域；3）模型解释方法包括置换特征重要性（Permutation Feature Importance, PFI）、部分依赖图（Partial Dependence, PD）和个体条件期望（Individual Conditional Expectation, ICE）。样本来源：390个植被样地调查数据，来自2014-2019年间在意大利西部阿尔卑斯山开展的多个项目（见补充材料表S1）。遥感预测因子包括：13个植被物候和生产力参数（来自哥白尼土地监测服务，10m分辨率）、19个生物气候指标（来自哥白尼气候变化服务，1km分辨率）和8个地形因子（来自10m数字高程模型）。
**研究结果**
**3.1 模型性能**
通过比较12个ML模型（6种算法，每种含全预测因子和FFS两种配置），结果显示FFS显著提升模型性能。梯度提升树结合FFS（BTREE.FFS）和支持向量回归结合FFS（SVM.FFS）表现最佳，BTREE.FFS的RMSE=6.62, R2=0.45, MAE=5.10，使用7个预测因子。全预测因子模型中，极端梯度提升树（XGBTREE）性能最优（RMSE=6.68, R2=0.39）。模型对中等PV预测良好，但高估低PV、低估高PV，反映极端值预测困难。
**3.2 特征重要性与边际效应**
BTREE.FFS保留的7个预测因子为：季节性生产力（SPROD）、生长季开始日期（SOSD）、季节振幅（AMPL）、温度季节性（BIO04）、降水季节性（BIO15）、最湿季度降水量（BIO16）和热负荷指数（HLI）。植被参数贡献最大（占MAE损失45.6%），其中SPROD和SOSD最重要。PV与SPROD正相关，与SOSD负相关；气候因子中BIO04略重要，PV随BIO15和BIO16增加而降低；地形因子HLI对PV影响较小。
**3.3 PV与载畜量的空间适用性**
AOA分析显示，约378,661公顷（占草甸总面积89%）适合空间预测，PV预测范围为0.01-47.41，均值18.05。载畜量范围为0.000115-0.95 LU/ha/year，均值0.20 LU/ha/year，总载畜量约75,179.93 LU/year。不适用区域主要位于研究区北部高降水区及南部部分区域。
**总结讨论与结论**
讨论部分指出，模型未能解释的PV变异可能源于多种混杂因素，如极端PV样本稀缺、低PV草甸内部寡营养与喜氮群落的差异（高生物量但低PV引入噪声）、野外调查与遥感数据的时间及空间尺度不匹配等。模型在PV中等范围表现良好，但极端值预测困难，可通过增加极端PV样地调查改进。AOA应用确保了预测可靠性，未来应纳入土壤数据等更多生态驱动因子。
研究结论（翻译）：本研究证明了ML模型结合遥感数据在预测大型异质区域山地草甸PV方面的适用性，开创了PV空间预测的先河。通过提供首张空间显式PV地图，为意大利西部阿尔卑斯山草甸的饲料空间供给提供了新见解。由于PV可用于评估草甸载畜量，该方法可视为定制可持续山地放牧管理计划的关键工具。尽管ML模型在PV中等范围表现满意，但极端值预测仍有挑战。面向预测的空间交叉验证结合FFS降低了过拟合风险，AOA算法为可靠预测区域识别提供了稳健框架。本研究利用免费开放的遥感产品，增强了框架的可复制性和可扩展性。未来研究应通过整合额外生态驱动因子和改进验证技术来提升模型精度。
