机构名称：
¥ 1.0
生物多样性在全球范围内正在下降，如果要逆转当前趋势，预测物种多样性至关重要。树种丰富度（TSR）长期以来一直是生物多样性的关键衡量标准，但在当前模型中存在很大的确定性，尤其是考虑到经典的统计假设和机器学习成果的生态解释性差。在这里，我们测试了几种可解释的机器学习方法，以预测TSR并解释美国大陆的驾驶环境因素。我们开发了两个人工神经网络（ANN）和一个随机森林（RF）模型，以使用森林库存和分析数据和20个环境协变量来预测TSR，并将它们与经典的广义线性模型（GLM）进行比较。模型。采用了一种可解释的机器学习方法，Shapley添加性解释（SHAP），以解释驱动TSR的主要环境因素。与基线GLM相比（R 2 = 0.7； MAE = 4.7），ANN和RF模型的R 2大于0.9，MAE <3.1。此外，与GLM相比，ANN和RF模型产生的空间群集TSR残差较少。塑形分析表明，TSR最好通过干旱指数，森林面积，高度，最干燥季度的平均降水量和平均年温度预测。塑造进一步揭示了环境协变量与TSR和GLM未揭示的复杂相互作用的非线性关系。该研究强调了森林地区保护工作的必要性，并减少了低森林但干旱地区的树种与降水有关的生理压力。此处使用的机器学习方法可用于研究其他生物的生物多样性或在未来气候场景下对TSR的预测。
森林生态与管理-NSF -PAR
主要关键词
相关文件推荐
