题目
：
The conservation value of forests can be predicted at the scale of 1 hectare
期刊：communications earth & environment
第一作者：Jakub W. Bubnicki
发表单位：Polish Academy of Sciences
发表日期：2024年
森林作为地球上最重要的生态系统之一，对生物多样性和生态系统功能的维持至关重要。然而，随着
全球森林覆盖不断减少和退化
，对于保护和管理森林的需求变得愈发迫切。因此，了解
森林的保护价值
并准确
预测其在不同尺度上的价值
对于制定有效的保护策略至关重要。
拟解决的科学问题
鉴于森林生态系统所面临的高压力和对
剩余高保护价值森林（HCVF）空间明确信息
的迫切需求，本研究旨在提供在景观、区域和国家层面上对生物多样性保护至关重要的森林区域进行绘制。解决如何在
1公顷尺度上预测森林的保护价值
这一科学问题。在瑞典的森林中实施和测试了所开发的方法，这些方法潜在地适用于其他森林地区。
创新点
该研究的创新点可能包括在1公顷尺度上进行森林保护价值预测的能力，以及利用机器学习和地理信息技术相结合的方法来实现这一目标。此外，该研究还可能对森林保护价值的理解提供了新的见解，为未来的森林保护和管理工作提供了重要参考。
研究采用了
机器学习方法
，并结合了
开放的地理数据
，以在1公顷的空间尺度上对瑞典所有森林景观进行评估。研究可能还利用了遥感数据和地理信息系统（GIS）技术来
获取森林特征和环境变量
，并将其与森林保护价值相关联。此外，可能还进行了对
模型的外部验证，以确保模型的准确性和可靠性
。
研究结果
研究的结果可能是针对瑞典所有森林景观的保护价值地图，该地图能够在1公顷的空间尺度上预测森林区域的保护价值。通过这些结果，研究可以为保护和管理森林提供重要的决策支持，帮助制定针对不同森林地区的保护策略。
研究区域的地图。研究区域（瑞典）分为4个区域（1：北部针叶林，2：南部针叶林，3：半针叶林，4：南方阔叶林），并展示了用于随机森林模型训练和验证的1公顷森林像素采样密度的示意图（红色：HCVF存在，黑色：HCVF伪缺失）。条形图显示了每个区域中存在（True）和伪缺失（False）的采样分布。相同类别的所有采样位置之间的最小距离设置为5公里，而类别之间的最小距离设置为1公里。森林覆盖基于瑞典国家土地覆盖数据（NMD），但不包括暂时非森林区域（即最近被砍伐的森林或幼龄林地）
针对每个研究区域训练的随机森林模型的性能。对于每个研究区域，通过10倍空间交叉验证（SCV）得出的四个独立训练的随机森林模型的性能，以ROC曲线（右图）和Precision-Recall曲线（左图）的形式进行可视化。对于SCV，我们在研究区域上叠加了一个20×20 km2的网格，并将所有网格单元随机分配给不同的空间子集（即折叠），用于交叉验证过程。粗线是基于模型性能指标的均值（对于每个k-fold计算），阴影区域表示±1个标准偏差。AUC是曲线下面积。虚线表示无技能分类器的参考线（对于PR曲线，它们对应于每个区域中HCVF存在样本的比例）
针对每个研究区域训练的随机森林模型中的六个最具影响力的变量。对于每个研究区域的六个最具影响力的变量，显示了偏依赖图（PDPs），以及相应的地图。PDPs显示了从500次bootstrap重复中获得的均值响应及其95%置信区间。所有变量在模型训练之前均被标准化为0均值。垂直虚线与灰色数字一起表示原始变量单位中的均值。x轴上的垂直黑色刻度表示用于每个变量的模型拟合的样本分布。地图以原始变量单位显示。有关本研究使用的所有解释变量的完整列表和详细描述，请参见表2。多尺度变量使用以下模板编码：{variable_acronym}{spatial_scale_code}；空间尺度的代码如下：003：0.3公里，005：0.5公里，011：1.1公里，051：5.1公里和101：10.1公里
使用独立空间数据集进行外部验证的结果。使用Sveaskog森林管理区划数据集（样地级别；n = 57548个多边形；a, b）和NFI（样地级别；n = 13775个样地；c, d）数据集进行外部验证的结果。箱线图显示了数据集的中位数和四分位数，而须的延伸则展示了其余的分布，除了通过一个与四分位距离的函数来确定的“异常值”点。此外，箱线图还叠加了平均值（蓝色点），带有95%的置信区间。用于验证的四个与森林自然程度和保护价值相关的分类变量在现场进行验证：（a）个体管理区划的森林管理目标（Sveaskog）：“NF”（自然保护，非干预）、“NF_NM”（自然保护，尚未指定）、“NM”（以自然保护为导向的积极管理）、“PF”（具有增强保护关注的生产）和“PG”（具有一般保护关注的生产）；（b）森林自然程度（Sveaskog，二进制）；（c）森林自然程度（NFI）：“林地”、“正常”、“自然”；（d）Natura 2000栖息地质量（NFI，二进制）。水平的红色虚线表示HCVF相对可能性的阈值为0.5
最终预测地图展示了瑞典整个地区高保护价值森林（HCVF）发生相对可能性，空间分辨率为1公顷。该地图可用于根据森林自然程度对景观进行排名。针对每个研究区域都训练了独立的随机森林模型，并将所有区域的预测编制成最终地图
每个研究区域中预测的高保护价值森林（HCVF）发生相对可能性的分布情况。a 是带有拟合核密度估计的直方图（上行），b 是每个地区估计的总森林土地比例的条形图，包括临时非森林地区（下行）。颜色对应于预测地图中可视化的六个HCVF相对可能性类别
讨论
本研究探索了将机器学习和景观数据挖掘相结合，以评估瑞典所有森林地区相对于容纳HCVF（高保护价值森林）的可能性。随机森林（RF）模型的应用产生了高准确性的预测结果，生成了一个主题地图，根据其自然程度对森林和景观进行排名，代表了HCVF相对可能性表面。对模型进行了验证，使用了代表森林自然度的不同独立数据集，包括森林林分和样地尺度。验证结果证实了
预测的HCVF出现相对可能性确实代表了具有不同自然度和保护价值的森林
。因此，证明
了公开可用的空间数据集和当前基于机器学习的预测模型可以生成迫切需要的具有高保护价值的森林的地图
，同时识别出与
密集林业和生物多样性保护之间冲突风险较低的森林
。预测可以作为制定战略性保护决策和森林管理规划的第一步。显然，在做出最终的战术和操作性决策之前，应始终进行现场验证。
Bubnicki J W, Angelstam P, Mikusiński G, et al. The conservation value of forests can be predicted at the scale of 1 hectare[J]. Communications Earth & Environment, 2024, 5(1): 196.
