编辑推荐：
为解决传统 AGB 估算缺乏概率分布的问题，研究人员基于 WorldView-2 光谱波段和图像指数，结合 NGBoost 算法及 Foxinspired 优化算法，对越南东北部红树林 AGB 进行估算，模型精度高，为红树林碳汇管理提供新方法。
红树林作为重要的滨海生态系统，在碳汇存储与气候调节中扮演关键角色。准确估算其地上生物量（Aboveground Biomass, AGB）是评估碳汇能力的核心，但传统方法多提供单一估算值，忽略预测值的概率分布及不确定性，难以满足复杂生态环境下的精准管理需求。随着遥感技术与机器学习的发展，如何利用多源数据提升 AGB 估算的可靠性与空间适用性，成为当前研究的热点与难点。
为突破上述瓶颈，越南水资源科学院（Vietnam Academy of Water Resources）与越南国立大学河内科学大学（VNU University of Science, Vietnam National University Hanoi）等机构的研究团队，针对越南东北部广宁省的红树林生态系统展开研究。团队旨在验证 NGBoost 算法在红树林 AGB 估算中的有效性，同时通过引入多尺度空间采样策略与元启发式优化算法，解决小样本数据下的模型过拟合问题，并量化估算过程中的不确定性。相关研究成果发表于《Wetlands Ecology and Management》。
关键技术方法
研究采用 WorldView-2 卫星的高分辨率多光谱影像（空间分辨率 1.8 米），提取包括蓝、绿、红、近红外（NIR）等光谱波段及归一化植被指数（NDVI）、绿叶片指数（GLI）等 13 个图像指数作为自变量。在地面数据采集方面，对广宁省东瑞岛 8 个 10m×40m 样地内的 542 棵红树林树木进行胸径（DBH）、树高及冠幅测量，通过异速生长方程计算单株 AGB，构建地面真值数据集。为扩大样本量，采用 1×1、3×3、5×5 三种窗口滤波的多尺度采样策略，将相邻像素的光谱信息聚合，生成 290 个聚合样本。模型构建中，利用基于狐狸启发优化算法（Foxinspired Optimization Algorithm）优化 NGBoost 的超参数，以均方根误差（RMSE）为目标函数，通过五折交叉验证提升模型泛化能力。
研究结果
模型性能分析
对比不同窗口滤波数据集的模型表现，3×3 窗口滤波数据训练的 NGBoost 模型性能最优，RMSE 为 1.8771，平均绝对误差（MAE）为 1.2898，决定系数（R2）达 0.924，显著优于默认参数的 NGBoost 及随机森林模型。结果表明，多尺度采样策略有效缓解了小样本限制，提升了模型对空间异质性的捕捉能力。
特征重要性评估
通过 Shapley 值（SHAP）分析模型特征重要性，发现绿叶片指数（GLI）对 AGB 估算的贡献最大，其计算公式为 GLI=(2×GREEN?RED?BLUE)/(2×GREEN+RED+BLUE)，反映了植被叶绿素含量与光合作用活性的关键作用。其他重要特征包括归一化植被指数（NDVI）、土壤调节植被指数（SAVI）等，表明光谱植被指数仍是 AGB 估算的核心指标。
空间分布与不确定性 mapping
基于最优模型，研究绘制了东瑞岛红树林 AGB 空间分布图及预测值的标准差分布图。AGB 值范围为 10.956 至 40.927 Mg/ha，高值区集中于岛屿中部与北部，可能与植被密度较高相关；标准差范围为 2.4348 至 6.0928 Mg/ha，高值区对应复杂植被结构或遥感解译误差较大区域，揭示了估算不确定性的空间异质性。
结论与讨论
本研究首次将 NGBoost 算法与多尺度采样策略结合，应用于红树林 AGB 的概率性估算，突破了传统确定性模型的局限。研究表明，NGBoost 不仅能提供高精度的点估计（R2=0.924），还能通过概率分布量化预测不确定性，为红树林碳汇监测与管理提供了 “点估计 + 区间预测” 的双维度信息。狐狸启发优化算法的引入，有效提升了超参数调优效率，验证了元启发式算法在生态模型优化中的适用性。此外，多尺度采样策略为解决野外采样成本高、样本量有限的问题提供了新范式，尤其适用于地形复杂的滨海湿地生态系统。
研究结果对全球变化背景下的红树林保护具有重要意义。通过整合高分辨率遥感数据与机器学习模型，管理者可精准识别高碳汇区域，制定差异化保护策略；而不确定性评估结果则有助于优化监测网络布局，聚焦高风险区域的动态跟踪。未来研究可进一步融合雷达数据（如 Sentinel-1）与激光雷达（LiDAR）信息，提升模型对复杂植被结构的表征能力，同时探索更多元启发式算法的组合优化，推动红树林碳汇估算的智能化与精细化发展。
