《Ecological Informatics》：Prioritizing Antarctic conservation areas by integrating habitat suitability and long-term environmental pressure using multisource satellite data and machine learning
编辑推荐：
南极洲对气候变化高度脆弱，快速升温、冰冻圈损失和大气变化日益影响生态系统稳定性和物种的持续生存。本研究将栖息地适宜性建模与长期环境压力分析相结合，以确定南极地区保护的空间优先区域。研究人员利用四种机器学习算法（随机森林（Random Forest, RF）、分
南极洲对气候变化高度脆弱，快速升温、冰冻圈损失和大气变化日益影响生态系统稳定性和物种的持续生存。本研究将栖息地适宜性建模与长期环境压力分析相结合，以确定南极地区保护的空间优先区域。研究人员利用四种机器学习算法（随机森林（Random Forest, RF）、分类与回归树（Classification and Regression Trees, CART）、梯度提升（Gradient Boosting）和最大熵（Maximum Entropy, Maxent））以及多源卫星数据，为南极鸟类和哺乳动物属构建了栖息地适宜性指数（Habitat Suitability Index, HSI）。通过基于MODIS和Sentinel-5P观测的地表温度、积雪与冰指标、植被代理、湿度指标和臭氧（O3）浓度的逐像元趋势分析，对长期环境压力进行了量化。两个指数经归一化后整合到保护优先级框架中，从而得到16个组合的适宜性—压力类别。结果表明，南极大部分区域以低栖息地适宜性伴随中到高环境压力为特征，而有限比例的沿海区域尽管环境压力不断增加，仍表现出高栖息地适宜性。约1%的南极陆地面积被确定为高适宜性栖息地且同时经历高环境压力，构成需要针对性保护干预的优先区域。相比之下，莫森海岸在相对较低的环境压力下持续表现出高栖息地适宜性，凸显其作为保护避难所的潜在作用。通过将栖息地适宜性与长期环境趋势明确联系起来，本研究为数据稀缺的极地环境中气候变化背景下的保护规划提供了一个空间明确的框架。
论文解读：整合栖息地适宜性与长期环境压力的南极保护优先区识别
一、研究背景与科学问题
由人为温室气体排放驱动的全球气候变化已对地球系统产生深远影响，南极作为气候敏感区正经历显著升温和冰冻圈萎缩，这直接威胁到区域物种的生存与生态系统稳定。尽管已有研究利用地理空间人工智能和机器学习方法评估南极物种的栖息地适宜性，如Thiebot等人运用马氏距离分析企鹅栖息地、Proud等人采用神经网络预测王企鹅栖息地、Green等人使用提升回归树评估企鹅分布，但多数工作聚焦于静态适宜性格局，未能充分量化栖息地适宜性与长期环境变化之间的交互作用。因此，当前适宜栖息地可能正同时遭受加剧的气候与冰冻圈压力，这种风险在单一适宜性模型中无法体现。为弥补上述不足，本研究整合栖息地适宜性建模与长期环境压力分析，构建了一个透明可复现的保护优先区分类框架，旨在为南极保护规划提供空间明确且可扩展的科学依据。
二、研究内容与总体结论
研究人员以多源卫星数据和物种分布记录为基础，完成了三项研究目标：一是利用多种机器学习算法和经共线性筛选的预测变量集构建南极鸟类与哺乳动物属的栖息地适宜性指数（HSI）；二是基于多参数地球观测卫星数据量化长期环境压力指数（LPI）；三是通过整合HSI和LPI划定候选保护优先区并评估其不确定性。研究结果显示，南极约41.70%的陆地具有极低栖息地适宜性，约13.59%的区域承受极高环境压力，而约1%的陆地被识别为高适宜性—高压力优先保护区，集中分布于南极半岛沿海、横贯南极山脉与罗斯冰架交界处及公主阿斯特里德海岸。莫森海岸则呈现高适宜性—低压力特征，可作为潜在的气候避难所。该研究的重要意义在于将生态潜力与气候驱动压力显式关联，为数据稀缺的极地环境提供了可转移的保护规划方法。
三、主要技术方法
本研究采用基于全球生物多样性信息机构（GBIF）2000–2020年的物种出现记录，涵盖40个鸟类属和5个哺乳动物属，经地理裁剪、时间筛选、坐标不确定性排除及每1 km像元一条记录的空间细化后，分别约5900条（鸟类）和715条（哺乳类）用于建模。研究使用了四种机器学习算法——RF、CART、梯度提升（Gradient Tree Boosting, GTB）和Maxent——构建集成HSI，以降低单算法偏差。环境压力评估方面，基于MODIS和Sentinel-5P等多源遥感数据，采用逐像元线性回归和随机森林回归，量化2000–2020年（臭氧为2018–2020年）地表温度、归一化积雪差异指数（Normalized Difference Snow Index, NDSI）、归一化植被差异指数（Normalized Difference Vegetation Index, NDVI）、归一化水体差异指数（Normalized Difference Water Index, NDWI）、臭氧浓度及土壤水分指数（Soil Water Index, SWI）的长期趋势，归一化后综合形成LPI。最终将HSI与LPI分别划分为四级并交叉为16个组合类别。
四、研究结果
4.1 物种特异性栖息地适宜性模式
鸟类HSI在沿海和近岸区域呈中高适宜性（0.3–0.7）的异质镶嵌格局，并向内陆梯度递减；哺乳类HSI表现为沿海带高值区（>0.4）向东南极高原急剧下降至近零。两类群的适宜性表面呈显著空间正相关（Spearman ρ=0.836，p<0.001）；高适宜性像元密度聚集于低适宜性象限，反映内陆不可栖息像元的数量优势，而高适宜值处的离轴分布表明生态过渡带内存在类群间栖息地空间分异。
4.2 栖息地适宜性指数
四种机器学习模型的集成结果将南极陆地划分为极低、低、高和极高四类适宜性等级，分别占41.70%、28.19%、18.31%和11.81%。南极半岛、横贯南极山脉与罗斯海边界以及莫森海岸均显示高栖息地适宜性概率，表明这些区域具备良好的野生动物栖息条件。
4.3 长期环境压力
六项环境变量的趋势分析显示，南极内陆呈现升温、积雪减少和土壤水分下降等高压信号，东部区域则表现为低压力的改善状态。综合LPI的极低压、低压、高压和极高压等级分别覆盖7.91%、33.69%、44.80%和13.59%的陆地面积。罗斯海—横贯南极山脉边界出现明显升压，莫森海岸虽存在局地升温但整体LPI较低。
4.4 保护优先区
交叉HSI和LPI得到的16个组合类别显示，极低HSI伴随高压的区域约占大陆21%，而高/极高HSI叠加高/极高压力的优先保护类仅覆盖约1%的陆地，集中于南极半岛沿海、横贯南极山脉与罗斯冰架边界以及公主阿斯特里德海岸，表明这些区域具有高保护紧迫性。莫森海岸为极高HSI—低压区，被识别为最有利栖息地和潜在气候避难所。
五、讨论与结论
模型评估方面，受试者工作特征曲线下面积（Area Under the Receiver Operating Characteristic Curve, AUROC）显示所有算法对两类群均具有高判别力（AUC>0.95），且在无约束随机背景验证下性能仅轻微下降，证明模型判别并非伪缺失设计的人工产物。变量重要性分析表明，鸟类分布主要受粒雪层厚度和地表温度驱动，哺乳类分布则主要受地表温度和风速控制，反映不同类群生态生理需求差异。结合WorldClim 2100气候投影，到2100年最高升温达2.2°C，可能威胁阿德利企鹅（Pygoscelis adeliae）和帽带企鹅（Pygoscelis antarcticus）种群，且海冰损失可能使超过80%的帝企鹅（Aptenodytes forsteri）种群接近灭绝。研究结论表明：南极约12%的陆地表现出极高栖息地适宜性，主要集中在沿海低海拔温和区域；约14%的陆地承受极高环境压力，最强信号出现在东南极内陆；约1%的陆地同时具备高适宜性和高压力，是需要优先保护干预的区域；多模型集成方法具有高预测性能，为数据稀缺的极地环境提供了可扩展、数据高效的保护优先区识别框架，并为气候变化下适应性保护策略的制定提供了可转移的方法学基础。
