基于机器学习的青藏高原草地地上生物量估算与时空动态分析：生态保护与碳汇管理的新视角

针对青藏高原草地生态系统脆弱性和碳汇功能评估需求，研究人员整合2003-2023年实测数据、MODIS遥感与气象变量，系统评估25种机器学习算法。研究发现Ranger模型（R2 =0.6541）最优，OSAVI植被指数与降水变量是关键驱动因子，揭示草地地上生物量(AGB)呈东南向西北递减格局，51.41%区域保持稳定。该研究为高寒草地资源管理与生态安全屏障建设提供数据支撑。

　　

在全球气候变化背景下，青藏高原作为"亚洲水塔"和生态安全屏障，其草地生态系统正面临土地开垦、过度放牧和气候变暖的多重压力。草地地上生物量(Aboveground Biomass, AGB)作为反映生态系统生产力的核心指标，不仅直接关联碳储存与物质能量流动，更是评估草地退化与恢复成效的"晴雨表"。然而，传统地面监测方法难以满足大面积动态监测需求，而现有遥感反演模型存在精度不足、算法选择主观性强等问题。针对这一科学难题，兰州大学等机构的研究团队在《Ecological Indicators》发表最新成果，通过机器学习技术构建高精度AGB估算模型，系统解析了青藏高原草地生产力的时空演变规律。

研究团队采用多源数据融合策略，整合2003-2023年间9,123个地面实测点数据、MODIS MCD43A4遥感产品（500米分辨率）及气象数据，运用mlr3框架对25种机器学习算法进行系统评估。关键技术包括：1) 采用前向特征选择(FFS)结合相关性分析筛选关键变量；2) 通过嵌套交叉验证（外层10折、内层4折）优化模型性能；3) 利用Theil-Sen趋势分析、Mann-Kendall检验和Hurst指数揭示时空动态特征。

3.1 基准测试结果
通过全变量基准测试发现，集成学习算法在AGB估算中表现突出。CatBoost以R²
=0.6748居首，Ranger(R²
=0.6555)和XGBoost(R²
=0.6524)紧随其后，显著优于传统线性模型（如lm模型R²
仅0.5128）。这验证了集成算法在处理高维非线性数据时的优势。

3.2 变量相关性分析
特征筛选确定OSAVI（优化土壤调节植被指数）和2月(pre_02)、4月(pre_04)、5月(pre_05)、8月(pre_08)降水为关键驱动因子。OSAVI因能有效消除土壤背景干扰，在植被高覆盖区表现优异；而生长季前期的降水（如5月）通过调控返青期水分供应，对AGB形成具有阶段性调控作用。

3.3 模型性能比较
经超参数优化后，Ranger模型性能显著提升，R²
从0.6386增至0.6541，RMSE降至512.25 kg DW/ha。其预测结果与实测值在提琴图中呈现高度一致性，尤其在中等生物量区间（800-1,600 kg DW/ha）表现出最小偏差。相比之下，BART和KSVM模型在高值区存在明显低估现象。

3.4 草地AGB时空动态特征
空间分布显示AGB从东南(1,600 kg DW/ha)向西北(<500 kg DW/ha)递减，山地草甸(1,515.28 kg DW/ha)显著高于高寒荒漠草原(326.01 kg DW/ha)。趋势分析表明2003-2023年间51.41%区域保持稳定，但呈现显著空间异质性：青海海南、海西等生态工程实施区呈现持续增长趋势（占7.18%），而西藏那曲、日喀则等地因过度放牧导致5.4%区域显著退化。Hurst指数分析进一步揭示，东北部改善区与西部退化区的变化趋势具有较强持续性。

这项研究通过机器学习算法优化，首次在青藏高原尺度实现了草地AGB的高精度时空动态监测。研究发现，集成学习算法（特别是Ranger）在复杂地形区AGB估算中具有显著优势，而生长季前期降水是调控生产力格局的关键气候因子。从应用角度看，该研究不仅为《青藏高原区域生态建设与环境保护规划》实施效果评估提供了量化工具，更揭示了生态工程区（如三江源）的恢复成效与西部生态脆弱区的保护紧迫性。未来研究需重点关注高分辨率遥感数据融合、土壤-植被耦合过程建模以及放牧压力量化等方向，以进一步提升模型在精细化管理中的应用价值。