一个地球观测和可解释的机器学习方法来确定入侵物种的驱动因素 - - 一个水黄的案例研究

科学领域:

• 生态生态学 生态生态学
• 环境科学 环境科学
• 数据科学数据科学数据科学

背景情况:

• 侵入性物种管理面临资源限制和生态变异性,导致控制结果的多样化.
• 尽管采取了长期的控制措施,水 (Pontederia crassipes) 仍然是南非的重大入侵挑战.
• 生态和社会经济因素影响了水在各种景观中的繁殖.

研究的目的:

• 展示如何结合地球观测 (EO) 数据,物种分布模型 (SDM) 和可解释的人工智能 (xAI) 可以增强入侵物种管理策略.
• 为南非的水树制定空间明确和情境敏感的管理建议.
• 在多个空间尺度上确定影响水青蔓延的关键环境和社会经济驱动因素.

主要方法:

• 利用夏普利添加式分析 (SHAP) 来分析影响水分布的环境和社会经济因素.
• 综合地球观测 (EO) 数据与物种分布模型 (SDM) 和可解释的人工智能 (xAI).
• 在多个空间尺度上进行应用分析,以捕捉景观变化.

主要成果:

• 确定了已知的生理限制 (例如最低温度),并揭示了新的空间趋势,包括沿海温度效应和内陆植被类型的影响.
• 发现了环境和社会经济共变量之间的非线性关系和相互作用效应.
• 为所有南非水体生成空间显式输出,绘制水危险的地图.

结论:

• 综合EO和xAI方法提供了一个可扩展的,低成本的工具来优先考虑入侵物种风险和指导管理.
• 结果支持有针对性的实地研究,用于调查复杂的物种环境动态.
• 该方法可将其推广到其他入侵物种,促进适应性,数据驱动的干预计划.