基于混合专家与机器学习方法的西北喜马拉雅地区农林复合系统适宜性评价与管理分区

《Agroforestry Systems》：Agroforestry suitability and management zoning in the northwestern Himalayas using hybrid expert and machine-learning approaches

　　## 摘要喜马拉雅生态系统是最脆弱的生态系统之一，需要在农业集约化与生态保育之间寻求平衡，并据此制定因地制宜的规划方案。农林复合经营（agroforestry）为实现这一平衡提供了一种切实可行的途径，但其推广往往受到缺乏可靠且具有空间明确性的适宜性评估的限制。因此，本研究选取11个生物物理和社会经济变量，采用两个独立模型——基于知识的层次分析法（AHP）和基于数据的随机森林（RF）——对印度西北喜马拉雅地区康格拉县的农林复合经营适宜性进行评估，并构建了一个空间明确的管理框架。研究结果表明，两个模型得出了截然不同的结果。AHP模型侧重于生物物理条件和土地利用的限制，认为该县61.36%的区域为农林复合经营中等适宜区，13.65%为高度适宜区（AUC = 0.80）。相反，RF模型主要依据植被和水分指数（NDVI、NDMI），将研究区58.31%的面积划分为农林复合经营高度适宜区（AUC = 0.998），尽管无法完全排除残余空间依赖性。两个模型的组合产生了混合建模框架（HMF），其中52.47%的县域面积为高度适宜区。空间共识分析显示，两个模型在80.92%的景观上基本一致。空间一致性被划分为四个管理区，即生产导向型农林复合经营区（7.63%）、生态修复型农林复合经营区（3.92%）、森林保护区（65.50%）和禁入/低潜力区（22.95%）。然而，HMF假定AHP和RF模型的贡献相等，采用不同的加权方案可能会产生不同的适宜性模式。总体而言，本研究证明HMF提供了一个兼顾平衡性和风险意识的框架，可为喜马拉雅生态系统的精准农林复合经营规划和土地利用决策提供支持。