Protected areas (PAs) are a commonly used strategy to confront forest conversion and biodiversity loss. Although determining drivers of forest loss is central to conservation success, understanding of them is limited by conventional modeling assumptions. We used random forest regression to evaluate potential drivers of deforestation in PAs in Mexico, while accounting for nonlinear relationships and higher order interactions underlying deforestation processes. Socioeconomic drivers (e.g., road density, human population density) and underlying biophysical conditions (e.g., precipitation, distance to water, elevation, slope) were stronger predictors of forest loss than PA characteristics, such as age, type, and management effectiveness. Within PA characteristics, variables reflecting collaborative and equitable management and PA size were the strongest predictors of forest loss, albeit with less explanatory power than socioeconomic and biophysical variables. In contrast to previously used methods, which typically have been based on the assumption of linear relationships, we found that the associations between most predictors and forest loss are nonlinear. Our results can inform decisions on the allocation of PA resources by strengthening management in PAs with the highest risk of deforestation and help preemptively protect key biodiversity areas that may be vulnerable to deforestation in the future.
Identificación de los factores biofísicos y socioeconómicos que impulsan la pérdida de bosques en las áreas protegidas Resumen Las áreas protegidas son una estrategia de uso común para hacer frente a la conversión forestal y la pérdida de biodiversidad. Aunque determinar los factores que impulsan la pérdida de bosques es fundamental para el éxito de la conservación, su comprensión se ve limitada por los supuestos de modelación convencionales. Utilizamos la regresión de bosques aleatorios para evaluar los posibles impulsores de la deforestación en las áreas protegidas de México, considerando las relaciones no lineales y las interacciones de orden superior que subyacen a los procesos de deforestación. Los impulsores socioeconómicos (densidad de carreteras, densidad de población humana) y las condiciones biofísicas subyacentes (precipitaciones, distancia al agua, elevación, pendiente) fueron predictores más fuertes de la pérdida de bosques que las características de las áreas protegidas, como la edad, el tipo y la efectividad de la gestión. Dentro de las características de las áreas protegidas, las variables que reflejan una gestión colaborativa y equitativa y el tamaño del área protegida fueron los predictores más potentes de la pérdida de bosques, aunque con menor poder explicativo que las variables socioeconómicas y biofísicas. A diferencia de los métodos utilizados anteriormente, que suelen basarse en el supuesto de relaciones lineales, observamos que las asociaciones entre la mayoría de los predictores y la pérdida de bosques no son lineales. Nuestros resultados pueden servir de base para la toma de decisiones sobre la asignación de los recursos para las áreas protegidas, reforzando la gestión en las zonas protegidas con mayor riesgo de deforestación y ayudando a proteger de forma preventiva zonas clave para la biodiversidad que pueden ser vulnerables a la deforestación en el futuro.
建立保护区是应对森林土地利用变化和生物多样性丧失的常用策略。虽然确定森林丧失的驱动因素是有效保护的核心, 但对它们的理解却受到传统模型假设的限制。本研究利用随机森林回归法评估了墨西哥保护区内森林砍伐的潜在驱动因素, 同时考虑了森林砍伐过程中的非线性关系和高阶互作。我们发现, 社会经济驱动因素 (如道路密度、人口密度) 和潜在的生物物理条件 (如降水、到水源地的距离、海拔、坡度) 比保护区特征 (如建立时长、类型和管理有效性) 更能预测森林丧失情况。在保护区特征中, 反映合作和公平管理的变量以及保护区的大小是森林丧失情况最强的预测因素, 尽管其解释力低于社会经济和生物物理变量。相较于之前使用的通常基于线性关系假设的方法, 我们发现大多数预测因素与森林丧失之间的关联是非线性的。基于以上结果, 我们建议通过加强对森林砍伐风险最高的保护区的管理, 来优化保护区资源分配的决策, 我们的发现还有助于预先保护未来可能容易遭受砍伐的生物多样性关键地区。 【翻译: 胡怡思; 审校: 聂永刚】.
Keywords: Mexico; México; aprendizaje automático; bosque aleatorio; conservación; conservation; deforestación; deforestation; machine learning; random forest; 保护; 墨西哥; 机器学习; 森林砍伐; 随机森林.
© 2023 The Authors. Conservation Biology published by Wiley Periodicals LLC on behalf of Society for Conservation Biology.