基于机器学习算法的草地地上生物量估测——以祁连山草地为例

草地地上生物量（Aboveground Biomass,AGB）是指导畜牧业生产管理的重要指标,是草畜平衡综合分析的基础。目前,有关祁连山草地AGB反演的研究较少,且多源数据间的尺度差异问题并未得到很好的解决。为了解祁连山草地AGB的空间分布状况,利用Sentinel-2多光谱数据、无人机（Unmanned Aerial Vehicle,UAV）数据以及2021年植被生长期实测草地AGB数据实现了空天地一体化监测,通过决策树回归（Decision Tree Regression,DTR）、随机森林回归（Random Forest Regression,RFR）、梯度提升决策回归树（Gradient Boosting Regression Tree,GBRT）以及极致梯度提升（eXtreme Gradient Boosting,XGBoost）共4种算法反演草地AGB的适用性分析,利用最优模型反演了祁连山草地的AGB空间分布状况。结果表明：研究区内多种植被指数所表现出的特性有所差异。祁连山地区AGB在空间分布上呈现出由西北向东南递增的趋势,平均AGB为925.43kg/hm²。6种植被指数与实测AGB之间均表现为显著正相关,适合作为祁连山草地AGB遥感反演的指标;XGBoost模型较其它模型具有最高的R²值（0.78）和精度（74.75%）、最低的均方根误差（RMSE,99.74 kg/hm²）和平均绝对误差（MAE,71.60 kg/hm²）,模型反演效果最好;UAV数据能够提供更加详细的空间细节特征,减小Sentinel-2数据和实地采样数据间的尺度差异;因此,基于6种植被指数与祁连山草地AGB间的相关性,构建XGBoost模型反演研究区草地AGB空间分布状况是具有实践意义的。研究结果将为指导祁连山草地畜牧业的发展和维护草地生态系统的平衡提供一定的参考价值与数据支撑。