《表2 环境因子重要性：基于Stacking模型集成算法的莲都区南方红豆杉潜在分布区》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于Stacking模型集成算法的莲都区南方红豆杉潜在分布区》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

Caretensemble程序包中自带varimp函数，可以计算各环境因子重要性（表2）。随机森林模型模拟结果显示:海拔高度是影响南方红豆杉分布最重要的因子，其次为年平均最少降雨量、归一化差分植被指数和年平均最多降雨量，其重要性分别为22.58，16.21，15.81和10.55。这4个环境因子的累计重要性为65.15。分类回归树模型模拟结果显示:最重要的因子为海拔高度，其次为年平均最少降雨量、归一化差分植被指数和年平均最多降雨量，重要性分别为24.54，20.24，12.14和11.58。这4个环境因子的累计重要性为68.5。朴素贝叶斯模型模拟结果显示:海拔高度最为重要，其次为年平均最少降雨量、年平均气温和归一化差分植被指数，重要性分别为21.35，13.16，13.05和11.55。这4个环境因子的累计重要性为59.11。极端梯度上升模型模拟结果显示:最重要的因子为海拔高度，其次为归一化差分植被指数、年平均最高气温和年平均最少降雨量，重要性分别为25.75，19.34，10.97和10.02。这4个环境因子的累计重要性为66.08。支持向量机模型模拟结果显示:最重要的环境因子为年平均最低气温，重要性为13.15，为5个模型和集成模型中最高，其次为海拔、年平均气温、年平均最少降雨量、归一化差分植被指数和年平均最高气温，重要性分别为13.13，13.05，12.71，11.55和10.82，这5个环境因子的累计重要性为61.26。