使用AutoML框架评估大规模多重森林干扰的敏感性：伊兹密尔地区森林局案例

摘要 森林火灾、强风和昆虫损害等干扰通过塑造森林生态系统的结构和生长动态，对其产生了强烈的影响，并受到气候变化的影响。因此，需要可靠和可操作的方法来监测和绘制这些干扰的地图，以制定合适的管理策略。尽管使用机器学习方法进行敏感性评估的研究有所增加，但大多数研究集中于单一的干扰。此外，文献中对“自动化机器学习（AutoML）”的使用探索有限。本研究在土耳其伊兹密尔地区森林局（RFD）使用PyCaret AutoML框架进行了对多重森林干扰（火灾、昆虫损害和风损害）的敏感性评估。AutoML框架比较了14种机器学习算法，并根据AUC（曲线下面积）值对最佳模型进行了排名。由于额外树分类器（ET）算法表现良好（AUC值 > 0.98），因此选择其对每种干扰的敏感性进行建模。研究评估了单个和多重干扰的敏感性，使用15个驱动因素创建了四个敏感性地图。根据结果，伊兹密尔RFD的森林区域有82.5%在高和极高水平上易受多重干扰。此外，还创建了一幅潜在森林干扰地图，揭示伊兹密尔RFD的15.6%森林区域可能不会受到所考虑干扰的损害，而54.2%则可能面临所有三种干扰的损害。应用了SHAP（Shapley加法解释）方法来评估特征对预测的重要性以及解释性特征与干扰敏感性之间的非线性关系.