植被群系类型众多（比如都是松树林，兴安落叶松林、紫松林、油松林、华山松林各自是不同的群系），而不同群系类型间的样点数量及空间分布严重不均，导致传统模型（包括近来流行的随机森林等机器学习模型）难以准确推测其空间分布。我们课题组和植物所郭柯老师团队合作，提出了融合生态学知识与地理相似性的植被群系空间分布推测新方法，充分利用“最相似样点”推测植被类型空间分布，在青藏高原不同生态环境区均显著提升了植被群系制图的准确性与生态合理性。这个工作最近在线发表在《Journal of Plant Ecology》上。
Zhao F-H#, Jia N#, Guo K, Zhu A-X, Qin C-Z*. Predicting the spatial distribution of vegetation alliances with ecological knowledge under sample-limited conditions. Journal of Plant Ecology, 2026, rtag001. https://doi.org/10.1093/jpe/rtag001
摘要：准确刻画植被类型的空间分布，对理解生态系统结构、生物多样性格局及环境响应过程具有重要意义。然而，受样点数量有限和空间分布不均的制约，现有方法仍难以准确推测中级植被分类单位（如植被群系）的空间分布，其中稀有类型受影响尤为明显。基于此，本文提出了融合生态学知识与地理相似性的KnowSim方法，通过生态学知识计算样点与待推测点之间的地理环境相似性，将最相似样点的植被类型赋予待推测位置，以此实现植被群系类型的空间推测。该方法在青藏高原的两个植被小区（波密和若尔盖）进行了验证，两区域在气候和地形条件上差异显著，共同代表了青藏高原的典型环境特征。结果表明，KnowSim在预测精度和群系类型多样性方面均显著优于随机森林（RF）、极端梯度提升（XGBoost）、支持向量机（SVM）和逻辑回归（LR）模型。在样点数量有限的植被群系中的优势尤为明显：在若尔盖小区，当群系样点数量小于5个时，预测精度最高可提升21.0%。此外，KnowSim生成的植被分布图与实际环境梯度分布特征和野外调查结果更相符。上述结果共同表明，本文提出的方法在样本受限条件下具有良好的生态解释性与预测稳健性。
==
照例后记一下：
这个工作是2024年9月份一个素不相识的意外访客带来的合作，中国科学院植物所郭柯老师做科考，带领团一方面受可达性影响，调查线路和样点空间分布及其不均匀，另一方面对于他们希望做到的植被群系类型级，有些常见树种或群系类型得到的样点特别多，而有不少类型又样点极其稀少，这种情况下他的学生利用随机森林等目前流行的机器学习推空间分布的结果，根据他们专业知识判读觉得很不准。想找其他可能方法时，应该是搜文献搜到了我们组之前基于地理相似性原理的土壤空间推测方法设计工作，于是联系上门找我们交流。
一谈之下，我们对这种强烈有偏的样本集和空间推测问题很有兴趣（和我们之前做的土壤、滑坡危险性、甚至动物生境制图问题都挺不一样，独具特点），郭老师也很认可我们的方法学理解和设计思路，于是开始合作——我们组博士后赵芳鹤做具体方法设计实现、改进和结果整理，郭老师的博士生贾宁霞做专业领域知识的梳理、应用结果的合理性判读分析，中间有两次我们和郭老师一起仔细讨论方法的具体设计和迭代改进，很高效地完成了这个方法学研究工作，方法设计实现的时间应该比写文章、投稿修改花的时间少多了，一共一年多一点的时间，发表上线。这个方法也实际支持了郭老师主编的《1:50万青藏高原植被图集》的编制出版。
非常高兴有机会和郭老师还有他的团队开展这么一个针对具体应用问题、方法创新的科研合作工作，我们也接触到了一个新的应用领域！如此高效实现双赢，要特别感谢两位共一作者，祝贺两位女生！
期待更多这样的合作！
转载本文请联系原作者获取授权，同时请注明本文来自秦承志科学网博客。
链接地址：https://wap.sciencenet.cn/blog-65307-1522245.html?mobile=1
收藏
