《Global Ecology and Conservation》：Mapping Potential Natural Vegetation through a quantitative and multivariate approach. The case study of Campobasso Functional Urban Area (Italy)
编辑推荐：
为了提供一种适用于城市和城郊区域精细尺度生态研究的方法，研究人员提出了一种基于潜在自然植被（Potential Natural Vegetation, PNV）的生态土地分类（Ecological Land Classification, ELC）更新方法，并
为了提供一种适用于城市和城郊区域精细尺度生态研究的方法，研究人员提出了一种基于潜在自然植被（Potential Natural Vegetation, PNV）的生态土地分类（Ecological Land Classification, ELC）更新方法，并在意大利坎波巴索功能性城市区域（Functional Urban Area, FUA）进行了测试。研究人员应用了一种分割过程，基于生物气候、岩性和地貌的环境不连续性，将研究区域从较宽泛的土地单元（Land Units, LU）层次化地划分至较窄的土地单元。在这些土地单元内，研究人员对代表当前植被潜力的林地斑块进行了均质分层的植物社会学调查。然后，通过统计聚类和指示种分析（Indicator Species Analysis）对采样数据进行了研究，从而识别出不同的成熟植被类型，并检测出它们与环境变量之间的关系。特别是，通过多变量分析估算了每个环境诊断特征相对于潜在自然植被（PNV）不连续性的阈值。最终，获得了研究区域的精细潜在自然植被（PNV）/环境土地单元图，不仅提升了区域和国家层面已有制图信息的几何精度，还增强了其类型学细节。通过增进对成熟森林生态系统及其相应环境的认识，该方法可有效支持具体案例研究中的恢复行动，同时也可转移并推广至更广泛的城 市系统生物多样性研究，例如由国家生物多样性未来中心（National Biodiversity Future Center）推动的整个意大利功能性城市区域（FUA）研究。
在城市化、农业集约化和气候变化等多重压力下，全球超过80%的栖息地处于不良状态，欧盟《自然恢复法规》明确要求到2030年恢复生物多样性。有效的生态系统管理、保护与恢复依赖于对生态系统类型及其空间分布的精确认知。传统的生态土地分类（ELC）方法在人为改造强烈的景观中面临挑战，因为不同干扰导致的土地覆盖/利用类型（如农业、人工及半自然区域）可能共存于同一土地单元，增加了生态区域识别与划分的难度。为克服这一难题，潜在自然植被（PNV）概念被引入，它描述了在移除当前人类影响并假定气候不变的条件下，理论上会立即出现的自然植被状态，为生态恢复提供了参考基准。然而，现有PNV制图方法（如专家经验法或全自动机器学习法）存在主观性强、可重复性差，或在大尺度应用中空间分辨率过粗、类别主题分辨率不足等问题，难以满足局部精细化恢复的需求。
为此，研究人员在意大利坎波巴索功能性城市区域（FUA）开展了一项研究，旨在开发一种可重复、高空间分辨率的PNV制图方法。通过层次化的ELC过程，研究将研究区域划分为2个土地区域（Land Regions）、8个土地系统（Land Systems）和20个土地子系统（Land Subsystems）。在此基础上，采用分层随机抽样策略，优先从Natura2000站点中选取90个具代表性的森林斑块进行植物社会学调查（Braun-Blanquet方法）。通过对植被数据进行统计聚类（围绕中心点划分，PAM）、指示种分析（IndVal）和主成分分析（PCA），研究人员识别出5种成熟森林类型，并确定了与环境变量的显著关系。随后，利用多项逻辑回归（MLR）和随机森林分类树（RFCT）两种模型，基于9个显著环境变量（包括降水、温度、海拔、地形湿度指数TWI、流量累积、坡度、热负荷指数、坡面面积域、岩性等）生成PNV分布图，并通过比较与验证，最终合成综合的PNV/环境土地单元图。该论文发表在《Global Ecology and Conservation》。
主要的关键技术方法包括：采用层次化生态土地分类（ELC），利用生物气候图、数字岩性图及5米数字高程模型（DEM），通过分割过程从粗到细划分土地单元；在40个土地子系统中进行分层随机采样，优先从Natura2000站点选取90个森林斑块；进行植物社会学调查（Braun-Blanquet方法），记录物种及多度数据；分析采用PAM非层次聚类、IndVal指示种分析和PCA降维；环境变量筛选通过单变量检验（如高斯广义线性模型、克鲁斯卡尔-沃利斯检验），保留降水、温度、海拔、TWI、流量累积、坡度、热负荷指数、坡向、距河网垂直/水平距离、坡面面积域、岩性等显著因子；PNV建模使用多项逻辑回归（MLR）和随机森林分类树（RFCT），以10米×10米分辨率输出地图，最终综合两种模型结果生成5类土地单元。
研究结果如下：
3.1 土地子系统图（Land subsystems map of the FUA of Campobasso）
通过层次ELC，研究区域被划分为2个土地区域（分别为温带区和地中海区），8个土地系统，20个土地子系统。温带区域覆盖约88,000公顷（占85%），其中砂-砂屑岩、砾岩和砂-泥灰岩组合系统占比最高（42%），其次是石灰岩-泥灰岩（16%）、黏土（15%）和冲积物（11%）。地中海区域中，砂-砂屑岩系统仍占主导（7.3%），其次为黏土（3.3%）等。
3.2 成熟森林群落（Mature forest communities）
通过PAM聚类分析90个样地（含245种维管植物），识别出5个最优聚类，对应5种成熟森林类型：类型1——以Quercus cerris和Q. pubescens为优势的中-温性森林，指示种包括Emerus major subsp. major、Fraxinus ornus subsp. ornus等；类型2——以Populus sp. pl.和Salix sp. pl.为优势的喜湿森林，指示种包括Salix alba、Populus nigra等；类型3——以Q. cerris为优势的中生森林（海拔>700米），指示种包括Daphne laureola、Acer opalus subsp. obtusatum等；类型4——以Q. pubescens为优势的喜温森林（海拔<500米，南坡），指示种包括Clematis flammula、Pistacia lentiscus等；类型5——以Q. cerris和Q. frainetto为优势的中生森林（海拔500-900米，酸性砂质基质），指示种包括Q. frainetto、Cytisus villosus等。PCA分析显示了沿湿度梯度的分布格局，第1轴与湿度相关，第3轴反映了岩性差异。
3.3 显著环境变量与PNV建模（Significant environmental variables and PNV modelling）
通过单变量检验，确定了降水、温度、海拔、TWI、流量累积、坡度、热负荷指数、坡向、距河网垂直/水平距离、坡面面积域、岩性等为显著变量。基于这些变量，MLR模型（伪R2=0.87）和RFCT（OOB误差=0.30）均表现良好。两种模型生成的PNV图显示一致的宏观格局：喜温类型（类型1和4）分布在温度高、降水低的地区，勾画了地中海楔形区域；其余区域为中生类型（类型3和5）和喜湿类型（类型2，靠近河网）。差异在于：MLR图具有更精细的坡向和地形位置细节，而RFCT图更易解释，并额外识别出一种中-湿度变体（类型3靠近河网时富集中性树种）。综合两种模型的优势，最终得到5个土地单元：1) 以Quercus pubescens、Fraxinus ornus等为主的喜温性森林PNV单元；2) 以Populus sp. pl.和Salix sp. pl.为主的河岸森林PNV单元；3) 以Quercus cerris、Acer opalus等为主的中生森林PNV单元；4) 以Quercus cerris、Corylus avellana等为主的中-湿度森林PNV单元；5) 以Quercus cerris、Q. frainetto等为主的中生森林PNV单元。各单元保留了主类型及辅类型信息。
讨论部分表明，该方法具有高置信度，可重复应用于其他城市或城郊区域，尤其适用于高度人工化的系统。分层抽样确保了样地对不同环境和地理分区的代表性，识别出的森林类型与已有植物社会学分类（如Lonicero etruscae-Quercetum cerridis、Daphno laureolae-Quercetum cerridis等）高度对应。环境变量中，TWI、热负荷指数以及基于坡度-面积域（Slope Area Domains）的新方法有效反映了水分可利用性和地貌过程，优于传统单一地形变量。MLR与RFCT模型互补，前者提供精细生态位，后者提供易读的地理单元；两者的组合兼顾了精度与实用性。局限性在于岩性基础数据分辨率较粗（1:100,000），影响了模型预测的不确定性，需现场进一步校验。
研究结论部分翻译如下：适当的管理和环境恢复需要对生态系统及其参考系统（如潜在自然植被（PNV）模型）的认识、分类和制图。本文提出了一种稳健且可重复的方法，利用分层实地观测，通过半自动方法识别和绘制潜在自然植被（PNV），将生态土地分类（ELC）优化至土地单元水平。由于其灵活性，该方法可在进行场地特定调整后应用于中型功能性城市区域（FUA）以外的环境，尤其是在高度人工化的城市系统中。这些估算的潜在自然植被（PNV）地图和其他相关工具（如本地物种数据库）代表了实施恢复行动和基于自然的解决方案的基础信息，这些方案需与当地生态潜力和生物地理环境相一致。
