人象衝突的多尺度整合機器學習框架

 (https://www.nature.com/articles/s41598-026-48970-w)

 人象衝突（HEC）正日益成為亞洲生物多樣性保育和農村生計面臨的一大挑戰。印度阿薩姆邦的布拉馬普特拉河洪氾區（BFP）是亞洲象的重要棲息地，這項研究旨在全面分析2010年至2024年間該地區人象衝突的時空動態。採用雙向衝突建模框架，檢視了人象衝突（EV-HI）和象人衝突（HV-EI），並將二者視角結合，以識別衝突風險加劇的空間交集和時間模式。基於五種機器學習演算法（即隨機森林、BRT、支援向量機、分類回歸樹和多屬性回歸樹）的多尺度整合模型，設計了基於AUC加權的有效風險地圖，並對預測因子的空間尺度（1-15公里）進行了最優加權。衝突事件呈現明顯的季節性，在季風過後達到高峰，此時水稻、玉米、蔬菜和甘蔗等主要作物已收割或仍留在田間。 2017 年後，衝突事件顯著增加。空間分析表明，果園覆蓋率、森林/人口比例和邊緣密度等尺度依賴性變數可以預測人象衝突（EV-HI）風險，而景觀異質性、人類活動範圍和邊緣密度則可以預測人象衝突（HV-EI）風險。率先將時間動態、衝突類型相關性和雙變量熱點圖譜結合，提出了一個新的框架，不僅關注人類面臨的風險，也關注大象面臨的風險。研究結果便於管理，並有助於採取具體的干預措施。研究提供了一個可靈活調整的決策支援工具，用於指導作物輪作、早期預警、圍欄評估和走廊恢復。與通常的單一模型或單一尺度方法不同，它整合了多種視角，透過保護生計和大象族群來加強保育規劃並促進人象共存。