来源：中国农业科学院草原研究所
（素材搜集：侯茹霞）
近日，中国农业科学院草原研究所草地遥感智能感知与防灾减灾团队以“A machine learning scheme for estimating fine-resolution grassland aboveground biomass over China with Sentinel-1/2 satellite images”为题在Remote Sensing of Environment上发表最新研究成果。这是该团队继2023年在Science发表论文之后，又一重要研究进展。中国农业科学院草原研究所科研助理李华强为论文第一作者，团队首席李飞研究员为通讯作者，林克剑研究员、新罕布什尔大学肖劲锋教授、密歇根州立大学陈吉泉教授、内蒙古师范大学包刚教授、内蒙古自治区林业和草原监测规划院刘爱军研究员、内蒙古自治区军民融合发展研究中心魏国为共同作者。
草地生物量是草地生态系统碳储量的重要组成部分，同时也是畜牧业生产的重要饲草料来源。然而，由于物种结构和组成的差异以及气候环境的影响，精确估算草地生物量一直面临巨大挑战。尽管现有的卫星遥感技术和机器学习方法提供了新的研究思路，但这些估算方法在空间扩展性中依然很不稳定，主要因为对驱动指标与模型之间耦合关系的理解尚不清晰。
图1 驱动变量重要性排序以及在不同机器学习模型中的表现
图2 2020年中国草地总生物量10米制图，a图为六种机器学习模型估算的平均值，b图为基于随机森林的最优值估算
研究团队对中国草地生物量进行了全面评估，特别关注了不同驱动变量间的复杂耦合关系，通过31个遥感、气候、地形和土壤指标，结合6种机器学习算法（图1），首先对中国草地地上生物量进行了10米精度的制图；在此基础上，基于18种草地类型的根冠比和畜牧业统计数据，计算了总生物量（图2），并通过蒙特卡洛模拟和随机森林的Gini重要性方法分析了各变量在不同尺度下的贡献。
图3 气候因子和遥感指标在不同分辨率与草地分类下的重要性变化
图4 过去20年中国草地总生物量估算结果与本研究估算结果的对比
研究结果表明，单纯增加驱动变量并未提升机器学习算法在生物量建模中的表现能力。粗分辨率的气候因子特别是多年平均降水量（MAP）和高分辨率的卫星指标如增强型植被指数（EVI）表现出明显的尺度效应：气候因子在草地地上生物量大尺度估算中起主要贡献，而卫星指标反映了草地群落局部异质性变化（图3）。此外，研究发现机器学习算法普遍具有饱和性收敛的特点，当训练样本不足时，模型的稳定性会受到显著影响，从而在不同草地类型之间产生较大的估算偏差。最后，综合考虑地下生物量与放牧啃食量的贡献，研究估算的2020年中国草地生态系统植被碳储量为1.79 Pg C（图4），这一结果与之前的大量地面观测数据相近。以上研究为中国草地碳储量核算以及牧户尺度放牧利用管理提供了可靠的技术与数据支撑。
该研究得到内蒙古自治区科技计划项目（2021GG0058）和中国农业科学院农业科技创新工程（CAAS-ASTIP-27-GRI-04）的共同资助。
原文链接：https://doi.org/10.1016/j.rse.2024.114317
免责声明：转载内容版权归原作者所有，转载仅供学习参考之用，如有侵权，请联系删除。转载、分享内容中的陈述和观点仅代表原作者，仅供读者参考。
