巴西潘塔纳尔美洲虎栖息地预测：多层次多尺度机器学习模型比较

本文研究探讨了在巴西潘塔纳尔地区对美洲虎（Panthera onca）进行多层次、多尺度的建模与预测映射的重要性，特别是在生态学领域。研究人员利用机器学习技术，如条件逻辑回归、广义加性模型（GAM）、随机森林（RF）和梯度增强回归树（GBM），在Open Journal of Ecology 2020年第10期上发表了他们的研究成果。研究主要关注的是通过对比不同分析建模框架中的空间尺度（30米、90米、180米、360米、720米、1440米）和GPS颈圈数据的时间移动水平（点、路径和步阶）来优化美洲虎栖息地的预测地图。 在研究过程中，作者们分别测试了从组层面到个体层面再到病例对照的数据结构级别，旨在探索这些模型在捕捉美洲虎行为和栖息地需求方面的有效性。结果显示，通过调整分析建模框架的规模，尤其是使用更大的分析框架和多尺度栅格纹理，模型的评估效果显著提高，能够更好地预测不同尺度的栖息地适宜性。这对于理解美洲虎的活动范围、迁徙模式以及保护策略具有实际意义。 然而，这项研究也揭示了使用GPS颈圈数据进行预测的潜在局限性，即模型可能受到数据质量和可用性的影响。因此，预测制图工作需要精细权衡，确保选择合适的空间和时间尺度，同时匹配相应的统计模型，以实现最准确的预测结果。这项研究强调了在野生动物生态学研究中，多尺度、多层次的方法对于理解和保护大型猫科动物如美洲虎的栖息地具有不可忽视的价值。