Spatial modelling and prediction of natural regeneration of Tetraclinis articulata using geomatics and machine learning in the Korifla Forest of Morocco

方法

48个样地、41个变量（Sentinel-2光谱、地形、气候、土壤），混合数据因

发现

随机森林对萌蘖更新预测最优（AUC=0.951），萌蘖更新潜力远高于实生苗，2040年SSP2-4.

机会点

可借鉴其多源变量+RF框架，迁移到其他乡土树种更新潜力制图，并引入时间序列遥感验证长期稳定性。

四叶柏(Tetraclinis articulata)的自然更新对半干旱地中海森林生态系统的保护具有重要作用。本研究旨在基于48个样地、41个解释变量(综合Sentinel-2光谱数据、地形、气候和土壤数据)刻画并模拟摩洛哥Korifla森林中四叶柏的空间动态。混合数据因子分析(AFDM)表明，前两个轴解释了总变异的46.4%，主要受土壤-地形梯度和水分-结构梯度控制。随机森林(RF)模型对萌蘖更新的预测表现(AUC=0.951)优于对幼苗更新的预测(AUC=0.803)，因此被选用于绘制自然更新概率图。基于野外实测数据的随机森林制图显示，萌蘖更新占主导地位，高潜力(>0.66)区域占70.01%，而幼苗更新仅占22.40%。目前，随机森林制图表明萌蘖更新的极高潜力(>0.8)区域占43.49%，而幼苗更新仅为2.63%。基于SSP2-4.5情景的2040年气候预测表明，萌蘖更新高潜力(>0.6)区域占面积的82.91%，而幼苗更新潜力极小(24.07%)。此外，基于NDVI和GCI变化的预测表明，2036年至2046年间更新潜力的预测概率相对稳定；对于幼苗更新，极高潜力(>0.8)几乎保持稳定，从2036年的2.32%降至2046年的2.43%。这些结果凸显了将野外数据、遥感和机器学习相结合以支持四叶柏保护和可持续管理的价值。