一种机器学习方法来管理游戏鸟的引入

科学领域:

• 生态生态学 生态生态学
• 保护生物学 保护生物学
• 计算生物学 计算生物学

背景情况:

• 引入物种的有效管理需要了解它们的息地需求.
• 物种分布模型 (SDM) 是预测物种适合息地的宝贵工具.
• 丘卡 (Alectoris chukar) 是一种需要息地评估的引入物种.

研究的目的:

• 通过使用各种建模技术,预测引入的丘卡尔适合的息地.
• 评估基于机器学习的SDM的准确性和可转移性.
• 为保护计划和物种重新引入战略提供信息.

主要方法:

• 应用了七种建模技术:人工神经网络,通用添加模型,k-最近邻居,随机森林,支向量机,极端梯度增强和加权集体方法.
• 利用了有关生理学,气候,土地覆盖面和息地范围的现场级数据.
• 模拟历史介绍和推断预测用于跨区域可转移性评估.

主要成果:

• 基于机器学习的SDM证明了对Chukar息地适宜性的准确和可转移的预测.
• 模型性能使用独立的,地理上不同的数据集进行验证.
• 这项研究证实了SDMs在预测引入物种的建立成功方面的有效性.

结论:

• 机器学习显著提高了物种分布模型的准确性.
• 纳入物种移动行为和现场忠诚度对于强大的SDM框架至关重要.
• 这些发现支持改善保护规划,物种再引入和适应性管理.