Grassland habitats provide many ecosystem services but are threatened by agricultural intensification and urbanization. While the lack of accurate and comprehensive inventories at the national scale makes them difficult to manage, advances in spatial modeling using open remote sensing data and open-source software, as well as the increasing use of ecological archives, provide new perspectives for mapping natural habitats. In this context, this study evaluated the contribution of spectral and environmental variables to discriminate and then map grassland habitats throughout France. To this end, 92 spectral variables derived from moderate-resolution imaging spectroradiometer data, 19 bioclimatic variables derived from WorldClim data, 4 topographic variables derived from the European Union Digital Elevation Model (DEM), and 8 soil variables derived from SoilGrids data were combined at a spatial resolution of 250 m. Reference plots that characterized 6 and 21 grassland ecosystems at European Nature Information System (EUNIS) levels 2 (broad habitats) and 3 (habitats), respectively, were collected from vegetation archives. We first performed descriptive analysis that included habitat description, ordination, and pairwise separability. We then performed predictive analysis of grassland habitats using a cross-validated random forest model that included a spatial constraint. While environmental and spectral variables characterized most grassland habitats well and consistently, some confusion occurred between habitats with similar abiotic conditions. The main grassland habitat types were correctly mapped at EUNIS level 2 (F1 score = 0.68), but not at EUNIS level 3 (F1 score = 0.52). In addition, the two variables that contributed most to the model were the near-infrared spectral band in spring and the minimum temperature of the coldest month. The model’s prediction at EUNIS level 2 for mainland France provides the map of grassland habitats at a new spatial scale.

草地栖息地提供许多生态系统服务，但受到农业集约化和城市化的威胁。虽然在全国范围内缺乏准确和全面的清单使它们难以管理，但使用开放遥感数据和开源软件的空间建模的进步以及生态档案的使用越来越多，为绘制自然栖息地提供了新的视角. 在这种情况下，本研究评估了光谱和环境变量对区分法国草原栖息地的贡献，然后绘制了整个法国的草原栖息地。为此，来自中等分辨率成像光谱仪数据的 92 个光谱变量，来自 WorldClim 数据的 19 个生物气候变量，来自欧盟数字高程模型 (DEM) 的 4 个地形变量，和 8 个源自 SoilGrids 数据的土壤变量以 250 m 的空间分辨率组合。从植被档案中收集了分别表征欧洲自然信息系统 (EUNIS) 2 级（广泛栖息地）和 3 级（栖息地）的 6 和 21 个草原生态系统的参考样地。我们首先进行了描述性分析，包括栖息地描述、排序和成对可分离性。然后，我们使用包含空间约束的交叉验证随机森林模型对草原栖息地进行预测分析。虽然环境和光谱变量很好且一致地表征了大多数草原栖息地，但在具有相似非生物条件的栖息地之间发生了一些混淆。主要草原栖息地类型在 EUNIS 2 级（从植被档案中收集了分别表征欧洲自然信息系统 (EUNIS) 2 级（广泛栖息地）和 3 级（栖息地）的 6 和 21 个草原生态系统的参考样地。我们首先进行了描述性分析，包括栖息地描述、排序和成对可分离性。然后，我们使用包含空间约束的交叉验证随机森林模型对草原栖息地进行预测分析。虽然环境和光谱变量很好且一致地表征了大多数草原栖息地，但在具有相似非生物条件的栖息地之间发生了一些混淆。主要草原栖息地类型在 EUNIS 2 级（从植被档案中收集了分别表征欧洲自然信息系统 (EUNIS) 2 级（广泛栖息地）和 3 级（栖息地）的 6 和 21 个草原生态系统的参考样地。我们首先进行了描述性分析，包括栖息地描述、排序和成对可分离性。然后，我们使用包含空间约束的交叉验证随机森林模型对草原栖息地进行预测分析。虽然环境和光谱变量很好且一致地表征了大多数草原栖息地，但在具有相似非生物条件的栖息地之间发生了一些混淆。主要草原栖息地类型在 EUNIS 2 级（从植被档案中收集。我们首先进行了描述性分析，包括栖息地描述、排序和成对可分离性。然后，我们使用包含空间约束的交叉验证随机森林模型对草原栖息地进行预测分析。虽然环境和光谱变量很好且一致地表征了大多数草原栖息地，但在具有相似非生物条件的栖息地之间发生了一些混淆。主要草原栖息地类型在 EUNIS 2 级（从植被档案中收集。我们首先进行了描述性分析，包括栖息地描述、排序和成对可分离性。然后，我们使用包含空间约束的交叉验证随机森林模型对草原栖息地进行预测分析。虽然环境和光谱变量很好且一致地表征了大多数草原栖息地，但在具有相似非生物条件的栖息地之间发生了一些混淆。主要草原栖息地类型在 EUNIS 2 级（虽然环境和光谱变量很好且一致地表征了大多数草原栖息地，但在具有相似非生物条件的栖息地之间发生了一些混淆。主要草原栖息地类型在 EUNIS 2 级（虽然环境和光谱变量很好且一致地表征了大多数草原栖息地，但在具有相似非生物条件的栖息地之间发生了一些混淆。主要草原栖息地类型在 EUNIS 2 级（F 1 分数 = 0.68），但不是 EUNIS 3 级（F 1 分数 = 0.52）。此外，对模型贡献最大的两个变量是春季的近红外光谱带和最冷月份的最低温度。该模型在 EUNIS 2 级对法国大陆的预测提供了新空间尺度的草原栖息地地图。