郭慶津¹、邵寶嬅²、羅南璋³、黃凱易^{4, *}

¹ 國立中興大學森林學系碩士班生。402台中市南區興大路145號。

² 林務局南投林區管理處技士。542南投縣史館路456號。

³ 國立中興大學農資院實驗林管理處育林組組長。402台中市南區興大路145號。

⁴ 國立中興大學森林學系教授。402台中市南區興大路145號。

^* 通訊作者：kyhuang@dragon.nchu.edu.tw.

適地適木造林為生態保育之理念，如何實現誠謂「大哉問」。本文核心為物種分布模型 (species distribution model, SDM) 藉機器學習之型樣辨識予以落實。本研究以三種解析度數值高程模型 (digital elevation model, DEM) 導出海拔、坡度、坡向、標準曲率、坡面位置及地形屏障指標。同時以機器學習法的區別分析 (discriminant analysis, DA)、決策樹 (decision tree, DT)、隨機森林 (random forest, RF) 納入上列地文變數各以截留確認之訓練樣本建立卡氏櫧 (Castanopsis carlesii) 及薯豆 (Elaeocarpus japonicus) 之SDMs，續以其獨立樣本驗證SDMs，確證此理念可落實。卡氏櫧 SDMs 預測精度的 kappa 值皆高於 0.87，依序為RF、DT、DA，三者預測潛在生育地面積各占全區 5.4%、3.8% 及 14.3%；薯豆SDMs的kappa 值 (0.53–0.83) 皆低於前者，惟排序仍相同，而面積為2.4%、4.1% 及 21.5%，乃因前者海拔耐受限度明顯高於後者，薯豆生態幅度廣難確認限制因子。卡氏櫧RF和DT的SDMs精度高，且可信度高，故截留之獨立天然樣樹能以高機率出現且存活於預測潛在區內，雖DA預測面積較大，意味外圍區域仍有機會存活，惟需投入更多撫育資源。薯豆預測結果雖不如卡氏櫧，然仍具參考價值。兩者SDMs隨解析度提高，預測精度亦隨之上升，惟薯豆在最低解析度因樣株整併減少使精度略高於居中者。適地適木造林之生態理念以數位技術於焉確證可實現。後續將從多方面大幅提高廣生態幅度物種SDMs 的精確度和可信度。