青藏高原高寒草地生态系统碳氮储量
附件2 论文中英文摘要格式
作者姓名：杨元合 论文题目：青藏高原高寒草地生态系统碳氮储量 作者简介：杨元合，男，1981年08月出生，2003年09月师从于北京大学方精云教授，于2008年07月获博士学位。
中 文 摘 要 准确了解物种多样性与生产力的关系将有助于认识生物多样性的维持机制；准确揭示生物量的大小及其控制因素、阐明其地下与地上分配关系，将有助于预测陆地生态系统对全球变化的响应；准确估算土壤有机碳库、揭示其分布格局及其动态变化将有助于预测陆地生态系统与气候变化之间的反馈关系。但是，目前草地生态系统中关于物种多样性与生产力关系及其形成机制、生物量大小及其分配格局、土壤有机碳库分布及其动态变化等方面的研究主要集中在温带地区，而来自高寒草地的研究相对较少。因此，尚不清楚高寒草地中物种多样性与生产力之间的关系及其形成机制，也不清楚高寒草地生物量的控制因素及其地上-地下分配机制，更不清楚高寒草地土壤有机碳库的时空变化特征。 青藏高原是地球上最高、最大的高原。高寒草地是高原分布最为广泛的植被类型，受人为活动影响相对较少，这些为开展相关生态学研究提供了理想的天然场所。我们于2001-2004年间在青藏高原高寒草地调查了135处样地，共计675个1 × 1 m2的群落样方和405个土壤剖面。此外，我们还于2005年补充调查了29处样地的根系生物量垂直分布特征。利用这些野外调查的群落资料、生物量数据和土壤碳/氮等理化属性以及全国第二次土壤普查资料、遥感 (MODIS-EVI、AVHRR-NDVI) 和气候信息等数据，借助II类回归 (Reduced Major Axis, RMA)、一般线性模型 (General Linear Model, GLM) 等经典统计方法和克立格 (kriging) 插值等地统计学手段，研究了青藏高原高寒草地物种丰富度与地上生物量的关系、生物量的大小及其分配机制以及土壤有机碳库的空间分布及其动态变化特征。主要结果如下： (1) 水分是影响高寒草地群落空间分布的主导因素，也是影响高寒草地物种丰富度空间分布的重要因素。高寒草地物种丰富度与其地上生物量呈正相关；而且这种正相关关系不随草地类型而变化。高寒草地物种丰富度和地上生物量沿着水分梯度的共变可能是出现两者之间正相关关系的原因。 (2) 基于实测生物量资料与遥感信息相结合的方法，估算了高寒草地的地上、地下和总生物量，分别为68.8, 366.0 和 434.8 g m-2。它们呈现自研究区东南向西北递减的空间分布格局。此外，高寒草地中约有90%的根系分布在表层30 cm，而高寒草甸的根系分布较高寒草原更加集中于土壤表层 (96% vs. 86%)。 (3) 高寒草地地上生物量随着生长季温度的增加并未表现出显著变化趋势 (r2 = 0.01, P > 0.05)，但地上生物量与生长季温度的关系沿着降水梯度而变化。在干旱地区，与生长季温度显著负相关 (P < 0.05)；而在湿润地区，则与生长季温度正相关。高寒草地地上生物量随着土壤粉粒含量的增加而显著增加 (r2 = 0.30, P < 0.001)，但随着土壤砂粒含量的增加则呈显著下降趋势 (r2 = 0.28, P < 0.001)。并且，地上生物量与土壤质地的关系沿着降水梯度而变化。干旱地区地上生物量与土壤粉粒含量负相关，而与土壤砂粒含量正相关；湿润地区地上生物量与土壤粉粒含量正相关，而与土壤砂粒含量负相关。上述结果支持前人在温带地区提出的inverse texture 假说。GLM 分析的结果显示，生长季降水能够解释地上生物量空间变异的30%，是影响高寒草地地上生物量的重要因素。 (4) 高寒草地生物量的地下地上比为6.3，随年均温的增加呈微弱增加趋势 (r2 = 0.07, P < 0.05)，但随着年降水量、土壤含水率和氮含量的增加均没有表现出任何变化趋势 (r2 = 0.01, P > 0.05; r2 = 0.01, P > 0.05; r2 = 0.01, P > 0.05)。而且，高寒草地生物量的地上-地下分配关系不受土壤含水率和氮含量的影响。上述结果表明土壤中水分和养分可利用性的增加并未导致高寒草地生物量向地上部分的更多分配，同时也意味着高寒草地生物量的地上-地下分配格局并不支持平衡生长假说 (Optimal partitioning hypothesis)。高寒草地地上生物量与地下生物量分配关系的斜率 (0.92) 与1没有显著差异 (P > 0.05)，表明高寒草地生物量的地上-地下分配符合等速生长假说 (Isometric allocation hypothesis)。 (5) 基于实测土壤剖面数据与遥感资料相结合的方法，估算了高寒草地1 m深度的土壤有机碳和总氮密度，分别为6.52和0.86 kg m-2，对应的土壤有机碳和总氮库分别为7.36 Pg C和0.96 Pg N (1 Pg = 1015 g)。土壤有机碳和总氮密度均表现出自高原东南部向西北部逐渐递减的变化趋势。此外，高寒草地中约有50%的土壤有机碳分布在表层20 cm，但高寒草甸的土壤有机碳的分布较高寒草原更加集中于土壤表层 (55% vs. 41%)。对应地，约43%的土壤总氮分布在表层20 cm，但高寒草甸的土壤总氮的分布较高寒草原更加集中于土壤表层 (46% vs. 38%)。 (6) 高寒草地土壤有机碳密度随着年均温、土壤含水率、土壤黏粒和土壤粉粒含量的增加均呈显著增加趋势 (P < 0.05)。但当土壤含水率超过30%后，土壤有机碳密度的增加速率减缓，并逐渐达到平稳状态。高寒草地土壤总氮密度随环境因素的变化趋势与有机碳密度基本一致。GLM分析的结果表明，土壤含水率能解释高寒草地土壤有机碳密度空间变异的54%，能够解释土壤总氮密度空间变异的43%，是影响高寒草地土壤有机碳/总氮库空间分布的主要因素。 (7) 高寒草地土壤有机碳密度与环境因素的关系在土壤表层最为密切，并随着土壤深度的增加而逐渐减弱。表层20 cm土壤有机碳密度占其1 m深度总量的比例随着气候变量和土壤黏粒含量的增加呈微弱增加趋势 (P < 0.05)，但随着土壤砂粒含量呈微弱下降趋势 (P < 0.05)。GLM分析显示，草地类型是影响高寒草地土壤有机碳垂直分布的主要因素。这意味着土地利用变化能通过改变土壤碳的垂直分布引起土壤有机碳库的变化。 (8) 近20年来高寒草地生物量碳库在增加。地上、地下和总生物量密度分别由80年代初期的25.4、139.0、164.4 g C m-2 增加至21世纪初期的30.9、164.7、195.6 g C m-2; 地上、地下和总生物量碳库分别由80年代初期的28.7、156.8、185.5 Tg C 增加至21世纪初的34.9、185.8、220.7 Tg C (1 Tg = 1012 g); 分别增加了21.7%、18.5%和19.0%。并且，高寒草地土壤有机碳库也在以29 g C m-2 yr-1的速率增加。青藏高原独特的气候特征和过去20年的气候变化可能导致了高寒草地生态系统碳汇。 关键词：高寒草地, 青藏高原, 生物量, 土壤有机碳, 物种丰富度, 总氮 Carbon and Nitrogen Storage in Alpine Grasslands on the Tibetan Plateau
Yuanhe Yang ABSTRACT
Accurate understanding of spatio-temporal distributions and environmental controls of carbon (C) storage in grassland ecosystems is critical for predicting the consequences of global change and designing sustainable rangeland management. However, little evidence on those is available for alpine grasslands. The Tibetan Plateau is the highest and largest plateau on the earth. The alpine grasslands (alpine steppe and alpine meadow) are the most dominant ecosystems on the plateau, occupying over 60% of the plateau. The unique climate and vegetation types, together with a low intensity of human disturbance, make the plateau an ideal region for investigating spatio-temporal patterns and environmental controls of C storage in alpine ecosystems. During the last five years from 2001 to 2005, we conducted large-scale field campaigns to investigate carbon and nitrogen storage for alpine grasslands. We collected 675 biomass plots and 405 soil profiles from 135 sites across the plateau during 2001-2004. In addition, we supplemented 29 sites across the plateau in 2005 to investigate vertical distribution of roots in alpine grasslands. Using these data from field measurements and the concurrent satellite-based dataset of vegetation index, we examined the relationship between species richness and productivity, then investigated biomass allocation in alpine grasslands, and further estimated spatio-temporal distributions and environmental controls of C storage in alpine grasslands. The main results are summarized as follows: (1) Both CCA (Canonical Correspondence Analysis) and NMS (Nonmetric Multi-dimensional Scaling) analysis showed that water availability determined spatial distribution of community type and species richness in alpine grasslands. Species richness in alpine grasslands was positively correlated with productivity, possibly due to their co-variations along the precipitation gradient. (2) Aboveground biomass (AGB), belowground biomass (BGB), and total biomass (TB) in alpine grasslands was estimated at 68.8, 366.0 and 434.8 g m-2, respectively. The regional patterns of biomass reflected the southeast-to-northwest gradient in precipitation. About 90% of total root biomass occurred in the top 30 cm of soil, with a larger value in alpine meadow than in alpine steppe (96% vs. 86%). (3) AGB increased with growing season precipitation (GSP), but did not show significant trend with growing season temperature (GST) despite a significantly negative relationship with GST at <
青藏高原高寒草地土壤有机碳来源、周转及驱动因素
青藏高原高寒草地土壤有机碳来源、周转及驱动因素青藏高原高寒草地土壤有机碳来源、周转及驱动因素青藏高原是世界上最大的高原，位于中国西部，海拔平均超过4000米。
作为一个高寒草地生态系统的代表，青藏高原的土壤有机碳在全球碳循环中起着重要的作用。
了解青藏高原高寒草地土壤有机碳的来源、周转和驱动因素，对于保护和管理这一生态系统具有重要的意义。
首先，青藏高原高寒草地土壤有机碳的主要来源是植物残体。
在高寒生态系统中，气候寒冷且湿度较低，植物生长受到限制，但仍有一定数量的植物生长和死亡。
这些植物残体逐渐腐败分解，释放有机碳进入土壤。
此外，青藏高原高寒草地土壤有机碳的来源还包括土壤动物的排泄物和死亡体。
土壤动物是高寒草地生态系统的重要组成部分，它们以植物残体为食物，通过排泄物和死亡体进入土壤的方式将有机碳输入到土壤中。
有机碳的来源还包括一部分来自大气沉降的有机物质，尤其是在降雨期间，降雨中的溶解有机碳经过径流进入土壤。
青藏高原高寒草地土壤有机碳的周转主要通过微生物的活动完成。
微生物是土壤生态系统中最主要的生物组分，它们通过降解植物残体和其他有机物质的代谢过程，将有机碳分解为二氧化碳并释放到大气中。
此外，一部分土壤有机碳被微生物转化为生物团聚体，保护和储存在土壤中，形成长期的碳库。
除了有机碳的来源和周转过程外，驱动青藏高原高寒草地土壤有机碳的因素也非常重要。
雨量、温度和土壤性质是影响土壤有机碳的关键因素。
由于高寒地区降雨量较少，土壤中的有机碳相对较低。
同时，寒冷的气候和低温条件下微生物的活动相对较慢，导致土壤有机碳的降解速率较低。
此外，土壤性质如土壤有机质含量、土壤质地和通透性也会影响土壤有机碳的积累和稳定性。
综上所述，青藏高原高寒草地土壤有机碳的来源主要包括植物残体、土壤动物排泄物和死亡体以及大气沉降。
其周转过程主要通过微生物的降解和转化完成。
同时，雨量、温度和土壤性质是影响土壤有机碳的主要驱动因素。
对于了解土壤有机碳的来源、周转和驱动因素，可以为保护和管理青藏高原高寒草地生态系统提供科学依据，促进生态环境的可持续发展综合上述分析，青藏高原高寒草地土壤有机碳是由多种来源形成的，包括植物残体、土壤动物排泄物和死亡体以及大气沉降。
2010 年全国优秀博士学位论文名单(100 篇)
兽医学 临床医学
9 2 9 3 9 4 9 5 9 6 9 7 9 8 9 9 1 0 0 管理学
公共卫生与预 防医学 临床医学 口腔医学 药学 中药学
湖沼地区血吸虫病高风险区域的空间分 析及重点钉螺孳生地的探测 小型猪急性心肌梗死模型血管再生的实 验研究 压应力对骨髓间充质干细胞成骨分化早 期阶段成骨和破骨生成能力的影响 (± )-Communesin F 的全合成 丹参酮类化合物生物合成相关酶基因克 隆及功能研究 Fas 信号和 TLR 信号促进调节性树突状 细胞负向调控 CD4+ T 细胞反应及相关机 制研究
京协和医学 院(清华大学 医学部) 清华大学-北 京协和医学 院(清华大学 医学部) 清华大学-北
管理科学与工 程
考虑数据分布的 K-均值聚类研究
吴俊杰
陈 剑
京协和医学 院(清华大学
医学部) 5 1 5 2 5 3 5 4 5 5 5 6 5 7 5 8 5 9 6 0 6 1 6 2 6 3 6 4 6 5 6 6 6 7 6 8 6 9 7 0 7 交通运输工程 计算机科学与 技术 仪器科学与技 术 材料科学与工 程 化学工程与技 术 控制科学与工 程 材料科学与工 程 电子科学与技 术 信息与通信工 程 纺织科学与工 程 材料科学与工 程 生物医学工程 机械工程 地质资源与地 质工程 矿业工程 化学工程与技 术 水利工程 食品科学与工 程 林业工程 土木工程 力学 城市交通网络拓扑结构复杂性研究 服务网格资源管理技术与系统研究 快速全光谱反射差分光谱仪的研究 化学气相沉积法原位合成碳纳米管增强 铝基复合材料 多级孔道沸石分子筛的合成、 表征及催化 应用 基于 LMI 技术的自适应容错控制系统优 化设计方法 尺寸依赖的界面能 碳纳米管多沟道场效应晶体管研究 光分组交换网中的光信号处理技术研究 基于图像处理技术的苎麻和棉纤维纵向 全自动识别系统 声子晶体及其物理效应的研究 电磁控制的几种纳米颗粒的组装研究 磨擦辅助精密电铸技术的研究与应用 煤中有害元素溶出分配规律及其地球化 学控制 组合煤岩的强度弱化减冲原理及其应用 聚合物基动密封材料耐磨性及寿命预测 研究 定量降雨与实时洪水预报研究 食品中化学残留物高通量高灵敏检测技 术的研究 麦秸纤维/聚丙烯复合材料制造工艺与性 能研究 土结构性的剪切波速表征及对动力特性 的影响 壁面吹吸和表面活性剂作用下的流动稳 吴建军 孙海龙 胡春光 何春年 方云明 叶 丹 陆海鸣 陈长鑫 义理林 王荣武 卢明辉 孙剑飞 朱增伟 王文峰 陆菜平 汪怀远 吴志勇 彭池方 潘明珠 周燕国 高 鹏 高自友 怀进鹏 胡小唐 赵乃勤 胡浩权 杨光红 蒋 青 张亚非 胡卫生 王善元 陈延峰 顾 宁 朱 荻 秦 勇 窦林名 陆小华 陆桂华 金征宇 周定国 陈云敏 陆夕云 北京交通大 学 北京航空航 天大学 天津大学 天津大学 大连理工大 学 东北大学 吉林大学 上海交通大 学 上海交通大 学 东华大学 南京大学 东南大学 南京航空航 天大学 中国矿业大 学 中国矿业大 学 南京工业大 学 河海大学 江南大学 南京林业大 学 浙江大学 中国科学技
2010年全国百篇优秀博士论文
清华 协和 华大 东北 清华 协和 华大 北京 学 浙江 河海 解放 大学 大连 南京 四川
秦勇 煤中有害元素溶出分配规律及其地球化学控制
中国
窦林名 组合煤岩的强度弱化减冲原理及其应用
中国
王善元 基于图像处理技术的苎麻和棉纤维纵向全自动识别系统 东华
孙润仓 蔗渣和麦草半纤维素分离、改性及其应用
华南
高自友 城市交通网络拓扑结构复杂性研究
清华 协和 华大
孙弘 轻元素共价材料理想强度和储氢功能的第一性原理研究 上海
祝世宁 光学超晶格中光散射效应和光子纠缠研究
南京
郭光灿 多光子态的干涉和区分
中国 学
汪卫华 块体金属玻璃的室温变形机制与超大塑性
中国 研究
利用羊八井 AS 胡红波
γ实验研究 Multi-TeV 宇宙线各向异性
中国 物理
孙世刚 高指数晶面结构 Pt、Pd 纳米催化剂的电化学制备与性能 厦门
科研导航
工学
力学
机械工程
光学工程 仪器科学与 技术 材料科学与 工程
动力工程及 工程热物理
毛颖波 张柯
周钢桥
吴坚
高鹏 张兴义
吴军
朱增伟 董建绩 胡春光 何春年 陆海鸣 卢明辉 钟向丽 许运华
陈群
吕友军
陈晓亚 棉酚诱导的棉铃虫 P450 GIP 的分离鉴定和功能研究 郭爱克 果蝇中基于目标突显程度的视觉抉择机制研究
陈志坚 杨煜达
刘新成 情与理的交锋--英国财产继承研究 1200-1800 邹逸麟 清代云南（1711-1911 年）的季风气候与天气灾害
首都 复旦
葛颢
钱敏 随机过程在非平衡态统计物理和系统生物学建模中的应用 北京
纪奎
青藏高原高寒草地生态系统碳平衡对放牧强度的响应
青藏高原高寒草地生态系统碳平衡对放牧强度的响应
李娜;郭同庆;张骞;徐田伟;徐世晓
【期刊名称】《家畜生态学报》
【年(卷),期】2024(45)5
【摘要】青藏高原拥有世界上最广阔的高寒草地,以及长达数千年的悠久放牧历史。
独特的高寒环境条件使这里对外界干扰更加敏感。
尽管已经进行了很多青藏高原高寒草地生态系统碳平衡的相关研究,但放牧,尤其是放牧强度如何影响高寒草地碳平
衡仍待进一步研究与明确。
论文以围栏禁牧、轻度放牧、中度放牧、重度放牧4
种放牧强度为基础,综述了青藏高原高寒草地生态系统碳平衡对不同放牧强度的响应。
放牧强度变化通过干扰植物-土壤界面从而对碳输入和输出过程产生间接作用,最终影响高寒草地生态系统碳平衡。
由于受到放牧历史、气候条件、草地类型等其他条件的干扰,高寒草地生态系统碳平衡对放牧强度的响应是复杂多样的,因此需要
对放牧管理采取更加灵活、具体、有针对性的措施,这对于制定合理的草地管理决策、稳定青藏高原高寒草地生态系统碳平衡具有重要意义。
【总页数】7页(P1-7)
【作者】李娜;郭同庆;张骞;徐田伟;徐世晓
【作者单位】中国科学院西北高原生物研究所;中国科学院大学
【正文语种】中文
【中图分类】S812.29
【相关文献】
1.青藏高原高寒草地放牧生态系统可持续发展研究
2.青藏高原高寒地区的草地放牧生态系统建设及其可持续发展
3.不同强度牦牛放牧对青藏高原高寒草地土壤和植物生物量的影响
4.晋北赖草草地生态系统碳通量对不同放牧强度的响应
5.牦牛放牧强度对青藏高原典型高寒草地节肢动物多样性的影响
因版权原因，仅展示原文概要，查看原文内容请购买。
青藏高原多年冻土区两种高寒草地生态系统土壤氮季节变化及其与环境因子的关系
青藏高原多年冻土区两种高寒草地生态系统土壤氮季节变化及其与环境因子的关系谢梅珍;赵林;吴晓东;周华云;岳广阳【期刊名称】《冰川冻土》【年(卷),期】2022(44)5【摘要】在气候变化背景下,青藏高原多年冻土区生态环境发生着一系列变化并进一步影响土壤氮循环过程,但目前冻融循环及植被生长周期中土壤氮的动态变化还不清楚。
以青藏高原腹地的风火山和特大桥地区的两种典型草地生态系统为研究对象,分析了土壤可利用氮(NH_(4)^(+)-N、NO_(3)^(-)-N、DON)及微生物量氮(MBN)的季节变化。
结果表明:土壤铵态氮(NH4+-N)及可溶性有机氮(DON)含量在非生长季高于生长季,土壤硝态氮(NO3--N)在生长季高于非生长季;风火山地区高寒草甸生态系统中土壤NH4+-N在融化期含量较高;土壤MBN在植被生长旺盛期降低,在植被生长后期升高;风火山地区高寒草甸生态系统中土壤MBN含量、特大桥地区高寒草原生态系统中土壤可利用氮总量与土壤全氮(TN)含量显著正相关。
这表明,土壤全氮含量、植被吸收以及冻融作用均可引起土壤可利用氮及MBN的季节变化。
【总页数】9页(P1631-1639)【作者】谢梅珍;赵林;吴晓东;周华云;岳广阳【作者单位】中国科学院西北生态环境资源研究院冰冻圈科学国家重点实验室藏北高原冰冻圈特殊环境与灾害国家野外科学观测研究站;中国科学院大学;南京信息工程大学地理科学学院【正文语种】中文【中图分类】S154.1;O613.61【相关文献】1.青藏高原多年冻土和季节性冻土区土壤水分变化及其与降水的关系2.青藏高原多年冻土区典型高寒草地生物量对气候变化的响应3.基于主成分分析的青藏高原多年冻土区高寒草地土壤质量评价4.青藏高原多年冻土区高寒草地生物量与环境因子关系的初步分析5.青藏高原多年冻土区不同草地类型生态系统呼吸季节差异性因版权原因，仅展示原文概要，查看原文内容请购买。
放牧对高寒草甸土壤全氮含量影响的初步探究
项 目支持 ： 国家 自然基金 面上项 目（０ ７ ５９ 和教 育部春 晖计划项 目（ ２ １０ ５ 资助 。 ３９ ０ １ ） Ｚ００７ ）
２
放牧 对 高寒 草 甸土壤 全 氮含 量 影响 的初 步探 究 高 的 草 甸 类 植 被 类 型 的 实 验 站 ， 地 平 均 海 拔 山 ４０ ｍ。站 区 内以滩地 和丘 陵低 山为 主 ， 均海 拔 ００ 平
李 锦萍等 第 一步 ： 煮 。称 取 过 ０ １ｍ 筛 的 风 干 土 消 ．５ ｍ 样 ０ ５０ ｇ 送 入 消 煮 瓶 底 部 ， 入 加 速 剂 ． ００ ， 加 （ ２Ｏ ：ｕ Ｏ ：ｅ：１０：０ ｌ混 合 过筛 ） ｇ和 Ｋ Ｓ Ｃ Ｓ ｓ ０ ｌ： １
，
３０ ｍ。受东南季风和西伯利亚高压的影响 ， ２０ 海北 实验站地区呈现典 型的大陆气候 ， 有较长且寒冷 的冬季 和 较 短 而 凉 爽 的夏 季 。年 平 均 气 温 为 １７ ， 高 气 温 为 ２ ． ℃ ， 低 气 温 为 ．℃ 最 ３７ 最
近年来 ， 随着 放 牧规 模 的增 大 及 牧 民定 居 放 牧现象 的出现 ， 牧 成 了青藏 高原 生 态 系 统 的主 放 要干 扰 因素 ， 通过不 同 的方 式影 响土壤 的肥力 。 且
功能的关键性 元素， 能够 限制群落初级和次级生 产量 ， 在草地 生 态 系 统 乃 至全 球 碳 氮 循 环 中至关
放牧对 高寒草甸土壤全氮含量影 响的初步探究
李锦萍 ， 刘力宽 ， 丁 莉 ， 苗 峰 徐世晓。 ，
（． １青海师范大学青藏高原环境与资源教育部重点 实验室， 青海 西宁 ８００ ； １ ８ ０
２ 青海师范大学生命与地理科 学学院， ． 青海 西宁 ８０ ０ ； １０８
青藏高原主要生态系统变化及其碳源／碳汇功能作用
计算 结果 ， 过去 ３ ０ 年 间（ １ ９ ８ ２ －２ ０ １ １ 年） ， 青藏高原 生长季植被覆盖度和植被净初级生 产力 （ Ｎ Ｐ Ｐ ） 呈总体上升态势 ． 植被 总体 变好 。 青藏高原生态系统碳汇功能增强 ， 占全国增加 碳汇 的 １ Ｏ ％左右。气候条件的变化是青藏高原植被总 体变好的最为重要 的驱动 因子 ， 退牧还草等大型生 态工程 的生态效应也比较显著。青藏高原植被总体变好的同时 ， 存在着区域不 平衡 。植被变差的区域主要 集中在海拔较高的 、生态更为脆弱 的藏北高原、西藏 ” 一江两河”和三江
源的部分 地区 ， 尤其是藏北高原 西部 的高寒草原和高寒荒漠出现了较为严重 的草地退化 ， 其原 因是气候变暖变干叠
加人类活 动（ 如超载放牧等） 的影响。为了应 对气 候变 化和 人类活动对青藏高原植被的影响 ， 应该加强青藏高原生态 系统变化长期 监测系统与平 台建设 ， 加大生态补偿和大 型生态工程的实施力度。
高原 、三江源 、新疆部分地 区。 从净 初级生产力 （ Ｎ Ｐ Ｐ ） 的角度来 看 ，根据代 表青 藏高 原植被 现 实生产 力 的遥感模 ＠（ Ｃ Ａ Ｓ Ａ 模 型） 的计算结果 ， 过去 ３ Ｏ 年 间（ １ ９ ８ ２ —２ Ｏ １ １ 年） ，
安全屏 障建设 ，保证青 藏高原生态安全都有重要
生产力（ Ｎ Ｐ Ｐ ） 的角度来看 ，根据 Ｃ ＡＳ Ａ 模型计算 结果 ， 过去 ３ ０年间（ １ ９ ８ ２ —２ Ｏ １ １ 年） ， 现实高原草 地 Ｎ Ｐ Ｐ的多年平 均值 为 ２ ２ ６ ． ４ Ｔ ｇ碳 ，青藏高原
的意 义。
现实 Ｎ Ｐ Ｐ的多年平均值 为 １ ９ ０ ． ０ Ｔ ｇ碳 ，青藏高
原植被 Ｎ Ｐ Ｐ呈总体上升态势 ， 青藏高原植被也是
【国家自然科学基金】_土壤碳密度_基金支持热词逐年推荐_【万方软件创新助手】_20140801
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
53 54 55 56 57 58 59 60
2011年 科研热词 土壤有机碳 碳储量 碳密度 密度 喀斯特石漠化 黄土高原 碳氮储量 有机碳 大庆地区 土壤碳密度 土壤有机碳密度 土壤 吉林西部 分布特征 黄土古土壤 阔叶红松林 退耕地 退化 西溪湿地 营养元素 草地生态系统 草地 芦芽山 细根 粘粒含量 空间异质性 空间分布 碳库稳定性 白城地区 生物量 演替 温度敏感性 水土流失区 气候变化 植被碳密度 植被 植物群落 森林生态系统 森林 无机碳 放牧 容重 天然草地 垂向分布 土壤评价 土壤水蚀 土壤有机碳密度(sod) 土壤有机碳储量( soc) 土壤呼吸 土壤co2通量 土地覆被 土地利用 推荐指数 8 6 3 3 3 2 2 2 2 2 2 2 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
科研热词 土壤有机碳 碳储量 有机碳密度 有机碳 黄土高原 子午岭 土壤有机碳储量 土壤 空间分布 碳汇 碳库 碳密度 生物量 植被 森林生态系统 松嫩平原玉米带 有机碳储量 土壤有机碳密度 上海 dndc模型 c/n 黑土 黄河三角洲 高寒草地 高寒草原生态系统 高寒草原 饱和 青藏高原 长白落叶松 长期施肥 长兴县 重庆四面山 造林 通榆县 退化 草本泥炭沼泽 草地生态系统 若尔盖高原 腐殖泥炭土 腐殖土 红松 红壤丘陵区 碳汇经济价值 碳氮储量 碳分配 潜力 演替 滨海湿地 温带草地 泥炭土 江西省 水稻土
【国家自然科学基金】_碳密度_基金支持热词逐年推荐_【万方软件创新助手】_20140731
推荐指数 8 4 4 3 3 3 3 2 2 2 2 2 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2010年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52
热带山地雨林 潜力 演替 滨海湿地 温带草地 泥炭土 江西省 水稻土 水杉人工林 水土保持林 氮密度 气候行政行为 气候行政权 气候因子 气候变化 模型 植被碳密度 森林资源清查数据 森林蓄积量 森林草原区 森林类型 森林碳汇 森林土壤 根冠比 柴松 林地 普通克里格 时空变化 时空分布 影响因素 尖峰岭 小兴安岭 大庆地区 城市森林 城市化 垂直分布 地理位置 土壤质地 土壤类型法 土壤碳氮比 土壤碳循环 土壤碳与环境 土壤氮密度 土壤氮储量 土壤有机碳库 土壤有机碳含量 土壤有机碳(soc) 土壤养分 土地利用类型法 土地利用类型 土地利用方式 土地利用变化 土地利用 固碳率
科研热词 土壤有机碳 碳储量 碳密度 碳汇 生物量 有机碳密度 有机碳 黄土高原 碳库 子午岭 土壤有机碳储量 土壤 空间分布 植被 森林生态系统 松嫩平原玉米带 有机碳储量 土壤有机碳密度 上海 dndc模型 c/n 黑土 黄河三角洲 高寒草地 高寒草原生态系统 高寒草原 饱和 青藏高原 长白落叶松 长期施肥 长兴县 重庆四面山 造林 通榆县 退化 草本泥炭沼泽 草地生态系统 若尔盖高原 腐殖泥炭土 腐殖土 聚萘 群落结构 红松 红壤丘陵区 碳预算 碳汇经济价值 碳氮比 碳氮储量 碳分配 碳减排策略 生物量-林龄关系 环境控制因素
青藏高原草地地上生物量估算
第４４卷第７期２０２４年４月生态学报ＡＣＴＡＥＣＯＬＯＧＩＣＡＳＩＮＩＣＡＶｏｌ．４４，Ｎｏ．７Ａｐｒ．，２０２４基金项目：第二次青藏高原综合科学考察研究项目（２０１９ＱＺＫＫ０１０６）收稿日期：２０２３⁃０５⁃１９；㊀㊀网络出版日期：２０２４⁃０１⁃１２∗通讯作者Ｃｏｒｒｅｓｐｏｎｄｉｎｇａｕｔｈｏｒ．Ｅ⁃ｍａｉｌ：ｒｅｎｈｏｎｇｒｕｉ＠ｔｙｕｔ．ｅｄｕ．ｃｎＤＯＩ：１０．２０１０３／ｊ．ｓｔｘｂ．２０２３０５１９１０６０姚雨微，任鸿瑞．青藏高原草地地上生物量估算．生态学报，２０２４，４４（７）：３０４９⁃３０５９．ＹａｏＹＷ，ＲｅｎＨＲ．ＥｓｔｉｍａｔｉｏｎｏｆｇｒａｓｓｌａｎｄａｂｏｖｅｇｒｏｕｎｄｂｉｏｍａｓｓｏｎｔｈｅＱｉｎｇｈａｉ⁃ＴｉｂｅｔＰｌａｔｅａｕ．ＡｃｔａＥｃｏｌｏｇｉｃａＳｉｎｉｃａ，２０２４，４４（７）：３０４９⁃３０５９．青藏高原草地地上生物量估算姚雨微，任鸿瑞∗太原理工大学测绘科学与技术系，太原㊀０３００２４摘要：及时准确评估草地产草量对草地资源的科学管理和可持续发展具有重要意义㊂青藏高原自然环境特殊，气候差异显著，地形复杂，仅依靠遥感信息准确监测草地地上生物量（ＡｂｏｖｅｇｒｏｕｎｄＢｉｏｍａｓｓ，ＡＧＢ）变化有较大限制㊂基于青藏高原草地ＡＧＢ野外实测数据与Ｌａｎｄｓａｔ遥感影像，探索了植被指数表征草地ＡＧＢ信息的有效性，评估了气象和地形信息对准确估算草地ＡＧＢ的影响，综合利用气象㊁地形和遥感信息，在新一代地球科学数据和分析应用平台（ＧｏｏｇｌｅＥａｒｔｈＥｎｇｉｎｅ）上构建了梯度增强回归树草地ＡＧＢ估算模型，绘制了青藏高原多年草地ＡＧＢ空间分布图㊂结果表明：（１）基于单因素遥感因子的线性回归模型仅能解释８％ ４０％的草地ＡＧＢ变化情况，其中绿色归一化植被指数（ＧｒｅｅｎＮｏｒｍａｌｉｚｅｄＤｉｆｆｅｒｅｎｃｅＶｅｇｅｔａｔｉｏｎＩｎｄｅｘ，ＧＮＤＶＩ）对草地ＡＧＢ解释能力较强（４０％）㊂（２）基于遥感因子构建的梯度增强回归树模型测试集Ｒ２为０．５７㊂分别添加气象㊁地形信息，模型对草地ＡＧＢ的估测准确性有所提升，测试Ｒ２为０．６２和０．６３㊂（３）基于气象㊁地形和遥感因子的多因素估测模型能够提高草地ＡＧＢ估测精度，经递归特征消除法优选后，基于１３个特征变量的梯度增强回归树模型拟合效果最好（训练数据集Ｒ２＝０．７９，ＲＭＳＥ＝４３．４２ｇ／ｍ２，Ｐ＜０．０１；测试数据集Ｒ２＝０．６６，ＲＭＳＥ＝５３．６４ｇ／ｍ２，Ｐ＜０．０１），可以解释６６％草地ＡＧＢ变化情况㊂（４）２０１０年青藏高原平均ＡＧＢ为９４．５８ｇ／ｍ２，２０１５年９３．６３ｇ／ｍ２，２０２０年１００．７８ｇ／ｍ２㊂青藏高原西北部草地ＡＧＢ较低，东南部草地ＡＧＢ较高，整体呈现自西北向东南逐渐增加的分布格局㊂研究结果为准确估算青藏高原草地产草量和碳储量等研究提供重要参考㊂关键词：青藏高原；草地地上生物量；梯度增强回归树；遥感ＥｓｔｉｍａｔｉｏｎｏｆｇｒａｓｓｌａｎｄａｂｏｖｅｇｒｏｕｎｄｂｉｏｍａｓｓｏｎｔｈｅＱｉｎｇｈａｉ⁃ＴｉｂｅｔＰｌａｔｅａｕＹＡＯＹｕｗｅｉ，ＲＥＮＨｏｎｇｒｕｉ∗ＤｅｐａｒｔｍｅｎｔｏｆＧｅｏｍａｔｉｃｓ，ＴａｉｙｕａｎＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｔａｉｙｕａｎ０３００２４，ＣｈｉｎａＡｂｓｔｒａｃｔ：Ｔｉｍｅｌｙａｎｄａｃｃｕｒａｔｅａｓｓｅｓｓｍｅｎｔｏｆｇｒａｓｓｐｒｏｄｕｃｔｉｏｎｉｓｏｆｇｒｅａｔｓｉｇｎｉｆｉｃａｎｃｅｔｏｔｈｅｓｃｉｅｎｔｉｆｉｃｍａｎａｇｅｍｅｎｔａｎｄｓｕｓｔａｉｎａｂｌｅｄｅｖｅｌｏｐｍｅｎｔｏｆｇｒａｓｓｌａｎｄｒｅｓｏｕｒｃｅｓ．ＴｈｅＱｉｎｇｈａｉ⁃ＴｉｂｅｔＰｌａｔｅａｕｈａｓｓｐｅｃｉａｌｌｙｎａｔｕｒａｌｅｎｖｉｒｏｎｍｅｎｔｗｉｔｈｓｉｇｎｉｆｉｃａｎｔｃｌｉｍａｔｅｄｉｆｆｅｒｅｎｃｅｓａｎｄｃｏｍｐｌｅｘｔｏｐｏｇｒａｐｈｙ．Ｔｈｅｒｅａｒｅｍａｊｏｒｌｉｍｉｔａｔｉｏｎｓｉｎｒｅｌｙｉｎｇｏｎｌｙｏｎｒｅｍｏｔｅｓｅｎｓｉｎｇｉｎｆｏｒｍａｔｉｏｎｔｏａｃｃｕｒａｔｅｌｙｍｏｎｉｔｏｒｃｈａｎｇｅｓｉｎａｂｏｖｅｇｒｏｕｎｄｂｉｏｍａｓｓ（ＡＧＢ）ｉｎｇｒａｓｓｌａｎｄｓ．Ｉｎｔｈｉｓｓｔｕｄｙ，ｂａｓｅｄｏｎｔｈｅｇｒａｓｓｌａｎｄＡＧＢｆｉｅｌｄｍｅａｓｕｒｅｍｅｎｔｄａｔａａｎｄＬａｎｄｓａｔｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｓｏｎｔｈｅＱｉｎｇｈａｉ⁃ＴｉｂｅｔＰｌａｔｅａｕ，ｔｈｅｖａｌｉｄｉｔｙｏｆｖｅｇｅｔａｔｉｏｎｉｎｄｉｃｅｓｉｎｃｈａｒａｃｔｅｒｉｚｉｎｇｇｒａｓｓｌａｎｄＡＧＢｉｎｆｏｒｍａｔｉｏｎｗａｓｅｘｐｌｏｒｅｄ，ａｎｄｔｈｅｉｎｆｌｕｅｎｃｅｏｆｍｅｔｅｏｒｏｌｏｇｉｃａｌｉｎｆｏｒｍａｔｉｏｎａｎｄｔｏｐｏｇｒａｐｈｉｃｉｎｆｏｒｍａｔｉｏｎｏｎａｃｃｕｒａｔｅｅｓｔｉｍａｔｉｏｎｏｆｇｒａｓｓｌａｎｄＡＧＢｏｎｔｈｅＱｉｎｇｈａｉ⁃ＴｉｂｅｔＰｌａｔｅａｕｗａｓａｓｓｅｓｓｅｄ．Ｂａｓｅｄｏｎｔｈｅｍｅｔｅｏｒｏｌｏｇｉｃａｌ，ｔｏｐｏｇｒａｐｈｉｃ，ａｎｄｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｄａｔａ，ｇｒａｄｉｅｎｔｂｏｏｓｔｉｎｇｒｅｇｒｅｓｓｉｏｎｔｒｅｅｍｏｄｅｌｓｆｏｒｅｓｔｉｍａｔｉｎｇｇｒａｓｓｌａｎｄＡＧＢｗｅｒｅｃｏｎｓｔｒｕｃｔｅｄｏｎａｎｅｗｇｅｎｅｒａｔｉｏｎｏｆｅａｒｔｈｓｃｉｅｎｃｅｄａｔａａｎｄａｎａｌｙｓｉｓａｐｐｌｉｃａｔｉｏｎｐｌａｔｆｏｒｍ（ＧｏｏｇｌｅＥａｒｔｈＥｎｇｉｎｅ），ａｎｄｔｈｅｓｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｏｆｍｕｌｔｉ－ｙｅａｒｇｒａｓｓｌａｎｄＡＧＢｏｎｔｈｅＱｉｎｇｈａｉ⁃ＴｉｂｅｔＰｌａｔｅａｕｗａｓｍａｐｐｅｄ．Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔ：（１）Ｔｈｅｌｉｎｅａｒｒｅｇｒｅｓｓｉｏｎｍｏｄｅｌｂａｓｅｄｏｎｓｉｎｇｌｅｒｅｍｏｔｅｓｅｎｓｉｎｇｆａｃｔｏｒｃｏｕｌｄｏｎｌｙｅｘｐｌａｉｎ８％ ４０％ｏｆｔｈｅｃｈａｎｇｅｓｉｎｇｒａｓｓｌａｎｄＡＧＢ，ａｍｏｎｇｗｈｉｃｈｔｈｅｇｒｅｅｎｎｏｒｍａｌｉｚｅｄｄｉｆｆｅｒｅｎｃｅｖｅｇｅｔａｔｉｏｎｉｎｄｅｘ（ＧＮＤＶＩ）ｗａｓｍｏｒｅｃａｐａｂｌｅｏｆｅｘｐｌａｉｎｉｎｇｇｒａｓｓｌａｎｄＡＧＢ（４０％）．（２）Ｔｈｅｇｒａｄｉｅｎｔｂｏｏｓｔｉｎｇｒｅｇｒｅｓｓｉｏｎｔｒｅｅｍｏｄｅｌｃｏｎｓｔｒｕｃｔｅｄｗｉｔｈｒｅｍｏｔｅｓｅｎｓｉｎｇｆａｃｔｏｒｓ０５０３㊀生㊀态㊀学㊀报㊀㊀㊀４４卷㊀ｈａｄａｎＲ２ｏｆ０．５７ｆｏｒｔｈｅｔｅｓｔｄａｔａｓｅｔ．Ｗｉｔｈｔｈｅａｄｄｉｔｉｏｎｏｆｍｅｔｅｏｒｏｌｏｇｉｃａｌｉｎｆｏｒｍａｔｉｏｎａｎｄｔｏｐｏｇｒａｐｈｉｃｉｎｆｏｒｍａｔｉｏｎ，ｒｅｓｐｅｃｔｉｖｅｌｙ，ｔｈｅａｃｃｕｒａｃｙｏｆｔｈｅｍｏｄｅｌｆｏｒｅｓｔｉｍａｔｉｎｇｔｈｅｇｒａｓｓｌａｎｄＡＧＢｗａｓｉｍｐｒｏｖｅｄ，ｗｉｔｈｔｈｅｔｅｓｔｄａｔａｓｅｔＲ２ｏｆ０．６２ａｎｄ０．６３．（３）Ｔｈｅｍｕｌｔｉ－ｆａｃｔｏｒｅｓｔｉｍａｔｉｏｎｍｏｄｅｌｃｏｕｐｌｅｄｗｉｔｈｍｅｔｅｏｒｏｌｏｇｉｃａｌｆａｃｔｏｒｓ，ｔｏｐｏｇｒａｐｈｉｃｆａｃｔｏｒｓ，ａｎｄｒｅｍｏｔｅｓｅｎｓｉｎｇｆａｃｔｏｒｓｃｏｕｌｄｅｆｆｅｃｔｉｖｅｌｙｉｍｐｒｏｖｅｔｈｅａｃｃｕｒａｃｙｏｆｇｒａｓｓｌａｎｄＡＧＢｅｓｔｉｍａｔｉｏｎ．Ａｆｔｅｒｏｐｔｉｍｉｚａｔｉｏｎｂｙｔｈｅｒｅｃｕｒｓｉｖｅｆｅａｔｕｒｅｅｌｉｍｉｎａｔｉｏｎｍｅｔｈｏｄ，ｔｈｅｇｒａｄｉｅｎｔｂｏｏｓｔｉｎｇｒｅｇｒｅｓｓｉｏｎｔｒｅｅｍｏｄｅｌｂａｓｅｄｏｎ１３ｆｅａｔｕｒｅｖａｒｉａｂｌｅｓｈａｄｔｈｅｂｅｓｔｆｉｔｔｉｎｇｅｆｆｅｃｔ（ｔｒａｉｎｉｎｇｄａｔａｓｅｔ：Ｒ２＝０．７９，ＲＭＳＥ＝４３．４２ｇ／ｍ２，Ｐ＜０．０１；ｔｅｓｔｉｎｇｄａｔａｓｅｔ：Ｒ２＝０．６６，ＲＭＳＥ＝５３．６４ｇ／ｍ２，Ｐ＜０．０１），ｗｈｉｃｈｃｏｕｌｄｅｘｐｌａｉｎ６６％ｏｆｇｒａｓｓｌａｎｄＡＧＢｖａｒｉａｔｉｏｎ．（４）ＴｈｅａｖｅｒａｇｅｇｒａｓｓｌａｎｄＡＧＢｏｎｔｈｅＱｉｎｇｈａｉ⁃ＴｉｂｅｔＰｌａｔｅａｕｗａｓ９４．５８ｇ／ｍ２ｉｎ２０１０，９３．６３ｇ／ｍ２ｉｎ２０１５，ａｎｄ１００．７８ｇ／ｍ２ｉｎ２０２０．ＴｈｅｇｒａｓｓｌａｎｄＡＧＢｉｎｔｈｅｎｏｒｔｈｗｅｓｔｅｒｎｐａｒｔｏｆｔｈｅＱｉｎｇｈａｉ⁃ＴｉｂｅｔＰｌａｔｅａｕｗａｓｌｏｗｅｒ，ａｎｄｔｈｅｇｒａｓｓｌａｎｄＡＧＢｉｎｔｈｅｓｏｕｔｈｅａｓｔｅｒｎｐａｒｔｗａｓｈｉｇｈｅｒ．Ｔｈｅｏｖｅｒａｌｌｄｉｓｔｒｉｂｕｔｉｏｎｐａｔｔｅｒｎｓｈｏｗｅｄａｇｒａｄｕａｌｉｎｃｒｅａｓｅｆｒｏｍｎｏｒｔｈｗｅｓｔｔｏｓｏｕｔｈｅａｓｔ．ＴｈｅｒｅｓｅａｒｃｈｒｅｓｕｌｔｓｐｒｏｖｉｄｅｉｍｐｏｒｔａｎｔｒｅｆｅｒｅｎｃｅｓｆｏｒｓｔｕｄｉｅｓｓｕｃｈａｓｔｈｅａｃｃｕｒａｔｅｅｓｔｉｍａｔｉｏｎｏｆｇｒａｓｓｌａｎｄｙｉｅｌｄａｎｄｃａｒｂｏｎｓｔｏｒａｇｅｏｎｔｈｅＱｉｎｇｈａｉ⁃ＴｉｂｅｔＰｌａｔｅａｕ．ＫｅｙＷｏｒｄｓ：ｔｈｅＱｉｎｇｈａｉ⁃ＴｉｂｅｔＰｌａｔｅａｕ；ｇｒａｓｓｌａｎｄａｂｏｖｅｇｒｏｕｎｄｂｉｏｍａｓｓ；ｇｒａｄｉｅｎｔｂｏｏｓｔｉｎｇｒｅｇｒｅｓｓｉｏｎｔｒｅｅ；ｒｅｍｏｔｅｓｅｎｓｉｎｇ草地是陆地生态系统的重要组成部分，在生物多样性保护和畜牧业经济中发挥着关键作用［１ ２］㊂草地地上生物量（ＡｂｏｖｅｇｒｏｕｎｄＢｉｏｍａｓｓ，ＡＧＢ）是表征植被生长状况㊁固碳潜力的重要指标，可以有效衡量草地生产功能，是草地利用决策和资源管理的基础［３ ４］㊂明晰草地ＡＧＢ现状对草地资源管理和生态保护具有重要意义㊂目前，草地ＡＧＢ监测方法主要包括传统的地面测量和遥感监测㊂地面测量即直接收割法，通过割草㊁干燥㊁称重获得ＡＧＢ，但需要耗费大量时间与人力，部分地区容易受地形和环境制约，不适合用于长时间序列㊁大区域尺度的生物量估算［５］㊂遥感监测以其宏观性㊁综合性等特点，克服了地面测量的不足，被视为大范围监测的有效工具［６］㊂早期的草地ＡＧＢ遥感监测主要是构建植被指数与实测草地ＡＧＢ的经验关系，并根据该关系反演区域尺度的草地ＡＧＢ［７］㊂植被指数是通过对植被在不同波段部分的反射率数据进行组合和计算获得［８ ９］，可以有效反映植被生长状况和变化信息㊂常用的植被指数有归一化差值植被指数（ｎｏｒｍａｌｉｚｅｄｄｉｆｆｅｒｅｎｃｅｖｅｇｅｔａｔｉｏｎｉｎｄｅｘ，ＮＤＶＩ）［１０］㊁增强型植被指数（ｅｎｈａｎｃｅｄｖｅｇｅｔａｔｉｏｎｉｎｄｅｘ，ＥＶＩ）［１１］和土壤调整植被指数（ｓｏｉｌａｄｊｕｓｔｅｄｖｅｇｅｔａｔｉｏｎｉｎｄｅｘ，ＳＡＶＩ）［１２］等㊂但植被指数自身局限性可能会影响ＡＧＢ估算准确性，例如在覆盖度高的草地上，ＮＤＶＩ敏感性降低，易出现饱和现象［１３］㊂此外，草地ＡＧＢ的变化受外部环境因素影响较大［１４］㊂因此基于单因素的回归模型在估算草地生物量时存在一定的误差和不确定性㊂对于具有多种变量的模型，机器学习模型比传统的回归模型更适用［１５ １６］㊂机器学习模型可以整合草地ＡＧＢ的多种影响因素，学习高度复杂的非线性映射，从而获得更好的拟合结果［１７］㊂与传统的回归模型相比，梯度增强回归树是一种更强大的经验建模算法㊂梯度增强回归树是一种迭代决策树，利用加性模型和前向分布算法将若干个弱学习器组合成强学习器［１８］㊂该模型可灵活处理各种数据，预测性能好，模型复杂度较低，泛化能力较强［１９］㊂Ｙａｎｇ等［２０］探索了三种机器学习方法，分别是人工神经网络㊁多元自适应回归样条和梯度增强回归树来建立估算模型，结果表明梯度增强回归树是生成１ｋｍ空间分辨率的全球森林ＡＧＢ分布图的最优模型，模型验证Ｒ２达到０．９０㊂Ｙｕ等［１８］对比了梯度增强回归树㊁随机森林和极端随机树三种模型在生成中国三江源地区１９８２ ２０１８年草地ＡＧＢ数据集方面的有效性，结果表明梯度增强回归树模型精度最高㊂以上研究表明梯度增强回归树模型在估算草地ＡＧＢ方面具有很大潜力㊂青藏高原是世界上最高的独特自然地理单元，有 地球第三极 之称，是我国重要的生态安全屏障，也是全球气候变化的敏感区［２１ ２２］㊂草地是青藏高原的主要生态系统，由于青藏高原特殊的自然环境以及多年来气候变化和人类活动影响，草地生态系统十分脆弱，局部退化严重［１，１７，２３］㊂及时准确的估算青藏高原草地ＡＧＢ能够为草地资源的可持续管理提供参考意义㊂然而青藏高原地形地貌复杂多样，气候差异显著［２４］，基于单一植被指数的回归模型无法准确反映青藏高原生态环境的影响㊂环境因素与草地ＡＧＢ密切相关［２５］，地形影响土壤湿度㊁土壤有机质含量㊁接收的太阳辐射强度和温度，间接影响到物种生长和草地ＡＧＢ分布格局［２６］㊂降水气温等关键因素的变化将会影响物种的分解㊁蒸散和光合作用等生理生态过程从而影响草地ＡＧＢ［２７］㊂因此构建基于气象㊁地形和遥感因子的多因素模型是准确估算青藏高原草地ＡＧＢ的可能途径㊂为此，本研究将青藏高原草地作为研究区，借助ＧｏｏｇｌｅＥａｒｔｈＥｎｇｉｎｅ（ＧＥＥ）平台，探索遥感植被指数表征草地ＡＧＢ信息的有效性，评估气象㊁地形信息对草地ＡＧＢ估算的影响，构建基于气象㊁地形和遥感因子的青藏高原草地ＡＧＢ估算模型 梯度增强回归树，实现青藏高原草地ＡＧＢ空间分布制图，为准确估算青藏高原草地产草量提供重要依据㊂１㊀材料与方法１．１㊀研究区域青藏高原地处２６ʎ００ᶄ１２ᵡ ３９ʎ４６ᶄ５０ᵡＮ，７３ʎ１８ᶄ５２ᵡ １０４ʎ４６ᶄ５９ᵡＥ之间，面积约为２５７．２４万ｋｍ２，占中国陆地面积的２６．８％［２８］，主要分布在西藏自治区㊁青海省㊁甘肃省㊁四川省㊁云南省和新疆维吾尔自治区㊂其地势西北高，东南低，平均海拔在４０００ｍ以上，气候敏感独特，东南部温暖湿润，西北部寒冷干旱㊂由于气候变化和地形特征的共同作用，青藏高原植被类型复杂，其中草地为主要植被类型，草地空间分布数据（图１）来源于全球３０ｍ地表覆盖数据产品ＧｌｏｂｅＬａｎｄ３０［２９ ３０］㊂图１㊀青藏高原草地ＡＧＢ样点分布图Ｆｉｇ．１㊀ＤｉｓｔｒｉｂｕｔｉｏｎｏｆｇｒａｓｓｌａｎｄＡＧＢｓａｍｐｌｅｓｉｔｅｓｏｎｔｈｅＱｉｎｇｈａｉ⁃ＴｉｂｅｔＰｌａｔｅａｕＡＧＢ：地上生物量ＡｂｏｖｅｇｒｏｕｎｄＢｉｏｍａｓｓ１．２㊀数据来源与处理１．２．１㊀草地ＡＧＢ数据本研究中青藏高原草地ＡＧＢ野外样点数据共２１０个（图１），主要来源包括：（１）野外实测，共１３个㊂野外调查时间在２０１９年８月，选择物种组成均匀㊁地势平整㊁面积足够的典型样地，记录经纬度㊁海拔和主要植被类型等信息，根据代表性原则在每个样地中均匀布设３个样方，样方大小为１ｍˑ１ｍ，将样方中的地上部分沿地面刈割，除去附着的土壤等杂物后，烘干至恒重，该样地草地ＡＧＢ即为３个样方的干重取平均值㊂（２）文献查阅㊂基于中国知网（ｈｔｔｐｓ：／／ｗｗｗ．ｃｎｋｉ．ｎｅｔ／）和Ｗｅｂｏｆｓｃｉｅｎｃｅ（ｈｔｔｐｓ：／／ｗｗｗ．ｗｅｂｏｆｓｃｉｅｎｃｅ．ｃｏｍ／），以 草地生物量 生产力 Ａｂｏｖｅｇｒｏｕｎｄｂｉｏｍａｓｓ 为关键词检索，筛选样本点必须包含准确的采样时间㊁经纬度坐标和１５０３㊀７期㊀㊀㊀姚雨微㊀等：青藏高原草地地上生物量估算㊀植被类型，共收集到符合标准且公开发表的学术论文３４篇，实测样点１９７个㊂文献中样点采样时间为２００４ ２０２０年７ ８月，采样通常选择地势平坦且具有空间代表性的草地样地，其中布设２ ９个重复样方，样方大小为０．２５ｍˑ０．２５ｍ １ｍˑ１ｍ，将样方内的草地地上部分齐地面刈割，放入烘箱烘干，称其干重㊂１．２．２㊀数据资料遥感资料采用空间分辨率为３０ｍ，时间分辨率为１６ｄ的Ｌａｎｄｓａｔ遥感卫星数据，包括Ｌａｎｄｓａｔ５㊁Ｌａｎｄｓａｔ７和Ｌａｎｄｓａｔ８㊂１９８４年３月发射的陆地卫星项目第五颗卫星，即Ｌａｎｄｓａｔ５卫星，携带ＴＭ传感器㊂１９９９年４月发射的Ｌａｎｄｓａｔ７卫星，与Ｌａｎｄｓａｔ５在空间分辨率和光谱特性方面基本一致㊂该卫星携带ＥＴＭ＋传感器，较ＴＭ传感器多了一个１５ｍ空间分辨率的全色波段㊂２０１３年２月发射的Ｌａｎｄｓａｔ８ＯＬＩ传感器较ＥＴＭ＋传感器新增了深蓝和卷云波段，波段光谱范围划分更加精细㊂Ｌａｎｄｓａｔ５ＴＭ㊁Ｌａｎｄｓａｔ７ＥＴＭ＋和Ｌａｎｄｓａｔ８ＯＬＩ各个波段的具体信息见表１㊂实测草地ＡＧＢ样点采样时间为２００４ ２０２０年７ ８月，对应的影像选取时间分别为２００４ ２０１１（Ｌａｎｄｓａｔ５ＴＭ）㊁２０１２（Ｌａｎｄｓａｔ７ＥＴＭ＋）和２０１３ ２０２０（Ｌａｎｄｓａｔ８ＯＬＩ），通过ＧＥＥ平台获取Ｌａｎｄｓａｔ影像，经去云㊁裁剪等处理后，根据样点采样时间提取相应的单波段反射率值和植被指数数据，由于去云后导致部分影像数据不完整，选取采样时间临近的影像代替㊂表１㊀Ｌａｎｄｓａｔ５ＴＭ㊁Ｌａｎｄｓａｔ７ＥＴＭ＋和Ｌａｎｄｓａｔ８ＯＬＩ波段信息Ｔａｂｌｅ１㊀Ｌａｎｄｓａｔ５ＴＭ，Ｌａｎｄｓａｔ７ＥＴＭ＋ａｎｄＬａｎｄｓａｔ８ＯＬＩｂａｎｄｉｎｆｏｒｍａｔｉｏｎ波段描述ＢａｎｄｄｅｓｃｒｉｐｔｉｏｎＬａｎｄｓａｔ５ＴＭＬａｎｄｓａｔ７ＥＴＭ＋Ｌａｎｄｓａｔ８ＯＬＩ波段号Ｂａｎｄｎｕｍｂｅｒ波谱范围／μｍＢａｎｄｒａｎｇｅ波段号Ｂａｎｄｎｕｍｂｅｒ波谱范围／μｍＢａｎｄｒａｎｇｅ波段号Ｂａｎｄｎｕｍｂｅｒ波谱范围／μｍＢａｎｄｒａｎｇｅ蓝波段Ｂｌｕｅ１０．４５ ０．５２１０．４５ ０．５２２０．４５ ０．５１绿波段Ｇｒｅｅｎ２０．５２ ０．６０２０．５２ ０．６０３０．５３ ０．５９红波段Ｒｅｄ３０．６３ ０．６９３０．６３ ０．６９４０．６４ ０．６７近红外波段ＮＩＲ４０．７７ ０．９０４０．７７ ０．９０５０．８５ ０．８８短波红外１波段ＳＷＩＲ１５１．５５ １．７５５１．５５ １．７５６１．５７ １．６５短波红外２波段ＳＷＩＲ２７２．０８ ２．３５７２．０８ ２．３５７２．１１ ２．２９㊀㊀ＮＩＲ：近红外波段ｎｅａｒｉｎｆｒａｒｅｄｂａｎｄ；ＳＷＩＲ１：短波红外１波段ｓｈｏｒｔｗａｖｅｉｎｆｒａｒｅｄ１ｂａｎｄ；ＳＷＩＲ２：短波红外２波段ｓｈｏｒｔｗａｖｅｉｎｆｒａｒｅｄ２ｂａｎｄ辅助数据包括地形（高程㊁坡度㊁坡向）和气象（年平均气温㊁年降水量）资料㊂高程数据来自ＳｈｕｔｔｌｅＲａｄａｒＴｏｐｏｇｒａｐｈｙＭｉｓｓｉｏｎ（ＳＲＴＭ），空间分辨率为３０ｍ，由云计算平台ＧＥＥ提供㊂坡度和坡向数据通过高程数据计算生成㊂气象数据来自国家科技基础条件平台 国家地球系统科学数据中心（ｈｔｔｐ：／／ｗｗｗ．ｇｅｏｄａｔａ．ｃｎ）的逐月气温㊁降水数据，空间分辨率为１０００ｍ［３１］㊂下载２００４ ２０２０年逐月气象数据，对每年１２个月份的气温数据取平均值得到年平均气温，１２个月份的降水数据求和得到年降水量，将结果重采样至３０ｍ空间分辨率，提取与各样点采样年份相对应的年平均气温和年降水量㊂１．３㊀研究方法１．３．１㊀建模变量集构建研究构建的建模变量集共包含２０个变量，其中遥感数据包括单波段反射率Ｂｌｕｅ㊁Ｇｒｅｅｎ㊁Ｒｅｄ㊁ＮＩＲ㊁ＳＷＩＲ１和ＳＷＩＲ２（表１），常用植被指数ＮＤＶＩ㊁ＥＶＩ㊁ＧＮＤＶＩ㊁ＮＩＲＶ㊁ＲＶＩ㊁ＳＡＶＩ㊁ＤＶＩ㊁ＯＳＡＶＩ和ＭＳＡＶＩ（表２）㊂地形数据包括高程（ｄｅｍ）㊁坡度（ｓｌｏｐｅ）和坡向（ａｓｐｅｃｔ）㊂气象数据包括年平均气温（ｔｅｍｐｅｒａｔｕｒｅ）和年降水量（ｐｒｅｃｉｐｉｔａｔｉｏｎ）㊂１．３．２㊀变量筛选特征变量间的多重共线性会影响模型预测精度，而且过多的特征变量会使模型更加复杂，计算效率低㊂为提高模型准确性，本研究选用递归特征消除法（ＲＦＥ）优选特征变量，将所有变量输入到模型中进行训练，根据模型给出的特征变量重要性，删除最差的特征，用剩下的特征变量继续输入模型训练，再删除最差的特征，重复上述步骤，直至所有特征都被删除，根据删除特征的顺序，得到最优特征子集㊂２５０３㊀生㊀态㊀学㊀报㊀㊀㊀４４卷㊀表２㊀本研究采用的植被指数Ｔａｂｌｅ２㊀Ｖｅｇｅｔａｔｉｏｎｉｎｄｉｃｅｓｕｓｅｄｉｎｔｈｉｓｓｔｕｄｙ植被指数Ｖｅｇｅｔａｔｉｏｎｉｎｄｉｃｅｓ公式Ｆｏｒｍｕｌａｓ引用Ｒｅｆｅｒｅｎｃｅｓ归一化差值植被指数Ｎｏｒｍａｌｉｚｅｄｄｉｆｆｅｒｅｎｃｅｖｅｇｅｔａｔｉｏｎｉｎｄｅｘ（ＮＤＶＩ）ＮＤＶＩ＝ＮＩＲ－ＲｅｄＮＩＲ＋Ｒｅｄ［１０］增强型植被指数Ｅｎｈａｎｃｅｄｖｅｇｅｔａｔｉｏｎｉｎｄｅｘ（ＥＶＩ）ＥＶＩ＝ＮＩＲ－ＲｅｄＮＩＲ＋６Ｒｅｄ－７．５Ｂｌｕｅ＋１ˑ２．５［１１］绿色归一化植被指数Ｇｒｅｅｎｎｏｒｍａｌｉｚｅｄｄｉｆｆｅｒｅｎｃｅｖｅｇｅｔａｔｉｏｎｉｎｄｅｘ（ＧＮＤＶＩ）ＧＮＤＶＩ＝ＮＩＲ－ＧｒｅｅｎＮＩＲ＋Ｇｒｅｅｎ［３２］植被近红外反射率指数Ｖｅｇｅｔａｔｉｏｎｎｅａｒ⁃ｉｎｆｒａｒｅｄｒｅｆｌｅｃｔａｎｃｅｉｎｄｅｘ（ＮＩＲＶ）ＮＩＲｖ＝ＮＩＲ－ＲｅｄＮＩＲ＋ＲｅｄˑＮＩＲ［３３］比值植被指数Ｒａｔｉｏｖｅｇｅｔａｔｉｏｎｉｎｄｅｘ（ＲＶＩ）ＲＶＩ＝ＮＩＲＲｅｄ［３４］土壤调整植被指数Ｓｏｉｌａｄｊｕｓｔｅｄｖｅｇｅｔａｔｉｏｎｉｎｄｅｘ（ＳＡＶＩ）ＳＡＶＩ＝ＮＩＲ－ＲｅｄＮＩＲ＋Ｒｅｄ＋０．５ˑ（１＋０．５）［１２］差值植被指数Ｄｉｆｆｅｒｅｎｃｅｖｅｇｅｔａｔｉｏｎｉｎｄｅｘ（ＤＶＩ）ＤＶＩ＝ＮＩＲ－Ｒｅｄ［３５］优化土壤调整植被指数Ｏｐｔｉｍｉｚｅｄｓｏｉｌａｄｊｕｓｔｅｄｖｅｇｅｔａｔｉｏｎｉｎｄｅｘ（ＯＳＡＶＩ）ＯＳＡＶＩ＝ＮＩＲ－ＲｅｄＮＩＲ＋Ｒｅｄ＋０．１６［３６］修改型土壤调节植被指数Ｍｏｄｉｆｉｅｄｓｏｉｌａｄｊｕｓｔｅｄｖｅｇｅｔａｔｉｏｎｉｎｄｅｘ（ＭＳＡＶＩ）ＭＳＡＶＩ＝（２ˑＮＩＲ＋１）－（２ˑＮＩＲ＋１）２－８ˑ（ＮＩＲ－Ｒｅｄ）２［３７］１．３．３㊀模型构建梯度增强回归树（ＧｒａｄｉｅｎｔＢｏｏｓｔｉｎｇＲｅｇｒｅｓｓｉｏｎＴｒｅｅ，ＧＢＲＴ）［３８］是基于集成学习中Ｂｏｏｓｔｉｎｇ算法的一种改进㊂基本思想是以回归树作为弱学习器，每个学习器的训练都是基于上一个学习器的预测偏差结果，沿着减少残差的梯度方向构建新的学习器，从而使预测偏差不断减小，模型精度提高，经过多次迭代后，最终结果由所有学习器互相联系得到［１９，３９］㊂ＧＢＲＴ能够适应复杂的非线性关系，产生具有竞争力㊁高度鲁棒㊁可解释的程序，尤其适用于挖掘冗杂的数据［３８］㊂本研究利用ＧＥＥ平台提供的ＧＢＲＴ算法估算草地ＡＧＢ㊂为提高草地ＡＧＢ估测准确性，分别建立遥感㊁遥感＋气象㊁遥感＋地形㊁遥感＋气象＋地形四种ＧＢＲＴ模型㊂基于实测ＡＧＢ样点，提取对应采样时间的遥感㊁地形和气象信息，用于模型训练㊂并结合递归特征消除法筛选最优变量，比较每种ＧＢＲＴ模型变量筛选前后的精度㊂经反复训练选取拟合效果最好的模型反演青藏高原草地ＡＧＢ空间分布㊂１．３．４㊀精度评价选择样点数据的７０％作为训练集，３０％作为测试集，选用五折交叉验证进行准确性评估㊂同时，选取决定系数Ｒ２（ＣｏｅｆｆｉｃｉｅｎｔｏｆＤｅｔｅｒｍｉｎａｔｉｏｎ）和均方根误差ＲＭＳＥ（ＲｏｏｔＭｅａｎＳｑｕａｒｅＥｒｒｏｒ）对模型拟合效果进行精度评价㊂Ｒ２＝１－ðｎｉ＝１（ｙｉ－ｙ＾ｉ）２ðｎｉ＝１（ｙｉ－ｙ）２（１）ＲＭＳＥ＝ðｎｉ＝１（ｙｉ－ｙ＾ｉ）２ｎ（２）式中，ｙｉ为第ｉ个样点的实测草地ＡＧＢ；ｙ＾ｉ为第ｉ个样点的估测草地ＡＧＢ； ｙ为实测草地ＡＧＢ的平均值；ｎ为实测样点个数㊂２㊀研究结果２．１㊀实测草地ＡＧＢ统计分析㊀㊀青藏高原实测草地ＡＧＢ统计分析结果表明（表３）：２１０个实测样点的ＡＧＢ值在草地生长季存在一定差３５０３㊀７期㊀㊀㊀姚雨微㊀等：青藏高原草地地上生物量估算㊀异，最小值为２．９５ｇ／ｍ２㊁最大值为４４０．４６ｇ／ｍ２㊁平均值为１３５．０９ｇ／ｍ２，变异系数为０．７０㊂其中，文献收集样点共１９７个，ＡＧＢ平均值为１３４．８９ｇ／ｍ２，变异系数为０．７１㊂野外实测样点共１３个，ＡＧＢ最大值为３３６．９５ｇ／ｍ２㊁最小值为３１．１３ｇ／ｍ２㊁平均值为１３８．１２ｇ／ｍ２㊂表３㊀草地ＡＧＢ观测值的统计分析Ｔａｂｌｅ３㊀ＳｔａｔｉｓｔｉｃａｌａｎａｌｙｓｉｓｏｆｇｒａｓｓｌａｎｄＡＧＢｏｂｓｅｒｖａｔｉｏｎｓ样点数据Ｓａｍｐｌｅｄａｔａｓｅｔ平均值Ａｖｅｒａｇｅ／（ｇ／ｍ２）最大值Ｍａｘｉｍｕｍ／（ｇ／ｍ２）最小值Ｍｉｎｉｍｕｍ／（ｇ／ｍ２）标准差Ｓｔａｎｄａｒｄｄｅｖｉａｔｉｏｎ／（ｇ／ｍ２）变异系数Ｃｏｅｆｆｉｃｉｅｎｔｏｆｖａｒｉａｎｃｅ文献收集数据Ｄａｔａｆｒｏｍｌｉｔｅｒａｔｕｒｅ１３４．８９４４０．４６２．９５９５．３００．７１野外实测数据Ｄａｔａｆｒｏｍｆｉｅｌｄｓｕｒｖｅｙ１３８．１２３３６．９５３１．１３７７．６２０．５６总计Ｔｏｔａｌ１３５．０９４４０．４６２．９５９４．３１０．７０图２㊀单变量与实测草地ＡＧＢ的关系Ｆｉｇ．２㊀ＲｅｌａｔｉｏｎｓｈｉｐｂｅｔｗｅｅｎｓｉｎｇｌｅｖａｒｉａｂｌｅｓａｎｄｍｅａｓｕｒｅｄｇｒａｓｓｌａｎｄＡＧＢＮＩＲ：近红外波段；ＳＷＩＲ１：短波红外１波段；ＳＷＩＲ２：短波红外２波段；ＧＮＤＶＩ：绿色归一化植被指数；ＥＶＩ：增强型植被指数；ＮＤＶＩ：归一化差值植被指数；ＤＶＩ：差值植被指数；ＲＶＩ：比值植被指数；ＮＩＲＶ：植被近红外反射率指数；ＳＡＶＩ：土壤调整植被指数；ＯＳＡＶＩ：优化土壤调整植被指数；ＭＳＡＶＩ：修改型土壤调节植被指数２．２㊀单变量回归分析将单变量与实测草地ＡＧＢ进行线性回归分析，对比分析结果如下（图２）㊂除坡度㊁坡向和年平均气温外，其余变量均通过显著性检验（Ｐ＜０．０１）㊂遥感因子与草地ＡＧＢ间的决定系数Ｒ２在０．０８ ０．４０范围内，其中，ＧＮＤＶＩ与ＡＧＢ之间相关性最高，Ｒ２为０．４０㊂ＮＤＶＩ（Ｒ２＝０．３９）估算ＡＧＢ的能力略低于ＧＮＤＶＩ，ＮＩＲ与ＡＧＢ相关性最低，Ｒ２为０．０８㊂气象和地形因子中，年降水量㊁高程与ＡＧＢ之间相关性较高，Ｒ２分别为０．２８和０．１２㊂经比较，ＧＮＤＶＩ与ＡＧＢ的拟合效果较好，但仅能解释青藏高原４０％的草地ＡＧＢ变化㊂２．３㊀模型性能评估基于ＧＥＥ平台构建的遥感㊁遥感＋气象㊁遥感＋地形㊁遥感＋气象＋地形四种ＧＢＲＴ模型性能如表４㊁表５所４５０３㊀生㊀态㊀学㊀报㊀㊀㊀４４卷㊀示㊂未经过ＲＦＥ特征优选之前（表４），基于全部遥感因子构建的ＧＢＲＴ模型测试Ｒ２为０．５５，ＲＭＳＥ为６１．７５ｇ／ｍ２㊂较基于单一植被指数的回归模型精度有明显提高，可解释５５％草地ＡＧＢ变化情况㊂在遥感因子的基础上分别添加气象㊁地形因子，两种模型的测试Ｒ２分别为０．５９和０．６０㊂综合遥感㊁气象和地形数据后，模型测试精度达到０．６２，ＲＭＳＥ为５６．４９ｇ／ｍ２，模型性能得到了有效提升㊂基于ＲＦＥ优选的特征变量构建的ＧＢＲＴ模型精度优于输入全部变量的模型㊂由表５可知，以ＧＮＤＶＩ㊁Ｇｒｅｅｎ㊁ＳＷＩＲ２㊁ＥＶＩ㊁ＮＤＶＩ㊁ＤＶＩ㊁Ｒｅｄ㊁ＳＷＩＲ１㊁ＮＩＲ㊁Ｂｌｕｅ㊁ＳＡＶＩ和ＭＳＡＶＩ为输入变量的遥感模型测试Ｒ２为０．５７，ＲＭＳＥ为６０．２７ｇ／ｍ２㊂基于筛选后特征变量构建的遥感＋气象㊁遥感＋地形模型性能提高，测试Ｒ２分别为０．６２和０．６３，ＲＭＳＥ分别降低３．９３ｇ／ｍ２和４．４９ｇ／ｍ２㊂以ＧＮＤＶＩ㊁ｐｒｅｃｉｐｉｔａｔｉｏｎ㊁ｓｌｏｐｅ㊁ｔｅｍｐｅｒａｔｕｒｅ㊁ｄｅｍ㊁ａｓｐｅｃｔ㊁ＳＷＩＲ２㊁ＥＶＩ㊁Ｂｌｕｅ㊁Ｇｒｅｅｎ㊁ＮＩＲ㊁ＳＡＶＩ和ＳＷＩＲ１为基础构建的遥感＋气象＋地形ＧＢＲＴ模型，测试集Ｒ２为０．６６，ＲＭＳＥ为５３．６４ｇ／ｍ２，比经过特征筛选后的遥感ＧＢＲＴ模型估测精度提高了０．０９，ＲＭＳＥ降低了６．６３ｇ／ｍ２，模型训练集Ｒ２也从０．７０提高至０．７９㊂表４㊀未经过特征筛选的ＧＢＲＴ模型评估Ｔａｂｌｅ４㊀ＥｖａｌｕａｔｉｏｎｏｆＧＢＲＴｍｏｄｅｌｓｗｉｔｈｏｕｔｆｅａｔｕｒｅｆｉｌｔｅｒｉｎｇ输入变量Ｉｎｐｕｔｖａｒｉａｂｌｅｓ测试数据Ｔｅｓｔｉｎｇｄａｔａｓｅｔ训练数据Ｔｒａｉｎｉｎｇｄａｔａｓｅｔ决定系数Ｒ２均方根误差ＲＭＳＥ／（ｇ／ｍ２）Ｐ决定系数Ｒ２均方根误差ＲＭＳＥ／（ｇ／ｍ２）Ｐ遥感Ｒ０．５５６１．７５＜０．０１０．６７５４．７２＜０．０１遥感＋气象Ｒ＋Ｍ０．５９５８．９９＜０．０１０．７０５１．７８＜０．０１遥感＋地形Ｒ＋Ｔ０．６０５７．６６＜０．０１０．７０５２．６０＜０．０１遥感＋气象＋地形Ｒ＋Ｍ＋Ｔ０．６２５６．４９＜０．０１０．７４４８．３７＜０．０１㊀㊀Ｒ：遥感Ｒｅｍｏｔｅｓｅｎｓｉｎｇ；Ｒ＋Ｍ：遥感＋气象Ｒｅｍｏｔｅｓｅｎｓｉｎｇ＋Ｍｅｔｅｏｒｏｌｏｇｉｃａｌ；Ｒ＋Ｔ：遥感＋地形Ｒｅｍｏｔｅｓｅｎｓｉｎｇ＋Ｔｏｐｏｇｒａｐｈｉｃ；Ｒ＋Ｍ＋Ｔ：遥感＋气象＋地形Ｒｅｍｏｔｅｓｅｎｓｉｎｇ＋Ｍｅｔｅｏｒｏｌｏｇｉｃａｌ＋Ｔｏｐｏｇｒａｐｈｉｃ；Ｒ２：决定系数ｃｏｅｆｆｉｃｉｅｎｔｏｆｄｅｔｅｒｍｉｎａｔｉｏｎ；ＲＭＳＥ：均方根误差ｒｏｏｔｍｅａｎｓｑｕａｒｅｅｒｒｏｒ；Ｐ：拟合优度Ｐ值Ｐ⁃ｖａｌｕｅ表５㊀经过特征筛选的ＧＢＲＴ模型评估Ｔａｂｌｅ５㊀ＥｖａｌｕａｔｉｏｎｏｆＧＢＲＴｍｏｄｅｌｓｗｉｔｈｆｅａｔｕｒｅｆｉｌｔｅｒｉｎｇ变量类别Ｖａｒｉａｂｌｅｔｙｐｅ输入变量Ｉｎｐｕｔｖａｒｉａｂｌｅｓ测试数据Ｔｅｓｔｉｎｇｄａｔａｓｅｔ训练数据Ｔｒａｉｎｉｎｇｄａｔａｓｅｔ决定系数Ｒ２均方根误差ＲＭＳＥ／（ｇ／ｍ２）Ｐ决定系数Ｒ２均方根误差ＲＭＳＥ／（ｇ／ｍ２）Ｐ遥感ＲＧＮＤＶＩ，Ｇｒｅｅｎ，ＳＷＩＲ２，ＥＶＩ，ＮＤＶＩ，ＤＶＩ，Ｒｅｄ，ＳＷＩＲ１，ＮＩＲ，Ｂｌｕｅ，ＳＡＶＩ，ＭＳＡＶＩ０．５７６０．２７＜０．０１０．７０５２．１６＜０．０１遥感＋气象Ｒ＋ＭＧＮＤＶＩ，ＥＶＩ，ｐｒｅｃｉｐｉｔａｔｉｏｎ，ＳＷＩＲ２，ｔｅｍｐｅｒａｔｕｒｅ，Ｇｒｅｅｎ０．６２５６．３４＜０．０１０．７５４７．９１＜０．０１遥感＋地形Ｒ＋ＴＧＮＤＶＩ，ｓｌｏｐｅ，Ｇｒｅｅｎ，ＥＶＩ，ｄｅｍ，ａｓｐｅｃｔ，ＳＷＩＲ２，ＭＳＡＶＩ０．６３５５．７８＜０．０１０．７７４６．１０＜０．０１遥感＋气象＋地形Ｒ＋Ｍ＋ＴＧＮＤＶＩ，ｐｒｅｃｉｐｉｔａｔｉｏｎ，ｓｌｏｐｅ，ｔｅｍｐｅｒａｔｕｒｅ，ｄｅｍ，ａｓｐｅｃｔ，ＳＷＩＲ２，ＥＶＩ，Ｂｌｕｅ，Ｇｒｅｅｎ，ＮＩＲ，ＳＡＶＩ，ＳＷＩＲ１０．６６５３．６４＜０．０１０．７９４３．４２＜０．０１经综合考虑气象㊁地形及遥感数据和通过ＲＦＥ特征优选后，模型拟合精度逐步提高㊂以ＧＮＤＶＩ㊁ｐｒｅｃｉｐｉｔａｔｉｏｎ㊁ｓｌｏｐｅ㊁ｔｅｍｐｅｒａｔｕｒｅ㊁ｄｅｍ㊁ａｓｐｅｃｔ㊁ＳＷＩＲ２㊁ＥＶＩ㊁Ｂｌｕｅ㊁Ｇｒｅｅｎ㊁ＮＩＲ㊁ＳＡＶＩ和ＳＷＩＲ１为基础构建的ＧＢＲＴ模型具有最佳性能，可解释青藏高原草地ＡＧＢ６６％的变化（测试数据集Ｒ２＝０．６６，ＲＭＳＥ＝５３．６４ｇ／ｍ２，Ｐ＜０．０１）㊂由该模型估测的草地ＡＧＢ与实测草地ＡＧＢ的线性关系以及数据分布情况（图３），可得两者线性关系较好，但实测ＡＧＢ中有些较高的值被估计的偏低，存在低估情况㊂从数据分布而言，实测ＡＧＢ分布范围大于估测草地ＡＧＢ，实测ＡＧＢ数据四分位数范围在５０ １８０ｇ／ｍ２，估测ＡＧＢ数据四分位数范围在８０ １６０ｇ／ｍ２㊂两者在中位数㊁平均数上具有相似的分布特征㊂５５０３㊀７期㊀㊀㊀姚雨微㊀等：青藏高原草地地上生物量估算㊀图３㊀实测ＡＧＢ与最优ＧＢＲＴ模型估测ＡＧＢ之间的线性关系和小提琴图Ｆｉｇ．３㊀ＬｉｎｅａｒａｎｄｖｉｏｌｉｎｐｌｏｔｓｂｅｔｗｅｅｎｔｈｅｍｅａｓｕｒｅｄＡＧＢａｎｄｔｈｅｅｓｔｉｍａｔｅｄＡＧＢｆｒｏｍｔｈｅｏｐｔｉｍａｌＧＢＲＴｍｏｄｅｌ２．４㊀青藏高原草地ＡＧＢ估算基于最优ＧＢＲＴ模型反演了青藏高原２０１０㊁２０１５和２０２０年草地ＡＧＢ空间分布图（图４），草地ＡＧＢ平均值范围为９３．６３ １００．７８ｇ／ｍ２，分别是２０１０年９４．５８ｇ／ｍ２，２０１５年９３．６３ｇ／ｍ２，２０２０年１００．７８ｇ／ｍ２㊂青藏高原草地ＡＧＢ整体呈现东南高，西北低的空间格局㊂其中，西藏自治区阿里地区草地ＡＧＢ较低，２０１０年基本小于６０ｇ／ｍ２，２０１５㊁２０２０年ＡＧＢ有明显上升；青海省果洛藏族自治州南部㊁黄南藏族自治州和四川省西北部草地ＡＧＢ相对较高，与实际空间分布基本一致㊂图４㊀青藏高原２０１０㊁２０１５和２０２０年草地ＡＧＢ空间分布图Ｆｉｇ．４㊀ＳｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｏｆｇｒａｓｓｌａｎｄＡＧＢｏｎｔｈｅＱｉｎｇｈａｉ⁃ＴｉｂｅｔＰｌａｔｅａｕｉｎ２０１０，２０１５ａｎｄ２０２０３㊀讨论３．１㊀最优ＧＢＲＴ模型分析㊀㊀研究［４０ ４１］表明草地ＡＧＢ受到多种环境因素影响，其中，气象㊁地形因素与草地生长状况密不可分㊂青藏６５０３㊀生㊀态㊀学㊀报㊀㊀㊀４４卷㊀高原气候敏感㊁地形险峻㊁生态环境复杂，为提高草地ＡＧＢ估算准确度，基于遥感㊁气象和地形信息构建了ＧＢＲＴ模型，测试集Ｒ２达到０．６６，表明构建多因素模型能够更好的解释草地ＡＧＢ变化情况㊂这一研究结果与Ｌｉａｎｇ等［４２］㊁Ｔａｎｇ等［１６］一致，Ｌｉａｎｇ等［４２］基于地理位置（经度㊁纬度）和草地覆盖度构建了三江源地区多因素非线性回归模型，与基于ＮＤＶＩ的最佳单因素模型相比，模型ＲＭＳＥ降低了２０％㊂Ｔａｎｇ等［１６］基于经度㊁植被指数㊁光照和土壤因子等环境变量构建随机森林模型估算黄河流域草地ＡＧＢ，结果表明，该模型性能高于ＮＤＶＩ构建的单变量回归模型㊂图５㊀最优ＧＢＲＴ模型中特征变量重要性㊀Ｆｉｇ．５㊀ＩｍｐｏｒｔａｎｃｅｏｆｆｅａｔｕｒｅｖａｒｉａｂｌｅｓｉｎｔｈｅｏｐｔｉｍａｌＧＢＲＴｍｏｄｅｌ㊀图５为最优ＧＢＲＴ模型中特征变量重要性排序，重要性得分越高，说明该特征对模型估算结果贡献越大㊂遥感因子特征重要性占比６２．０６％，其中，ＧＮＤＶＩ最高，该指数使用绿波段代替了ＮＤＶＩ中的红波段，对叶绿素含量更加敏感，赵翊含等［４３］研究表明由绿波段构建的植被指数对高寒草地ＡＧＢ有重要作用㊂气象与地形因子特征重要性占比３７．９４％，年降水量特征重要性最高，说明年降水量与ＡＧＢ密切相关㊂大量研究也表明［１７，４４］在青藏高原地区，降水比气温对草地ＡＧＢ影响更大㊂气象㊁地形信息是影响草地ＡＧＢ的重要环境因素，降水影响土壤含水量㊁空气湿度，温度影响植被的光合作用㊁蒸腾作用㊁呼吸作用［２７］，地形主要影响气温㊁湿度和光照度［２６］，以及影响土壤中物质㊁能量的再分配影响植被生长㊂因此，综合考虑了气象㊁地形和遥感多个因素的最优ＧＢＲＴ模型计算效率高，预测准确性强，在估算青藏高原草地ＡＧＢ方面具有良好应用前景㊂３．２㊀青藏高原草地ＡＧＢ比较本研究使用最优ＧＢＲＴ模型反演了三年青藏高原草地ＡＧＢ，空间变化呈现自西北向东南方向增加的趋势，研究结果与Ｚｈａｎｇ等［４１］㊁金哲人等［４５］一致㊂ＡＧＢ平均值范围为９３．６３ １００．７８ｇ／ｍ２，略高于Ｚｅｎｇ等［１７］（７７．１２ｇ／ｍ２），与Ｚｈａｎｇ等［４１］（１０２．４０ｇ／ｍ２）最为接近㊂研究［１７，４１］表明过去十几年青藏高原草地ＡＧＢ呈上升趋势，本研究中ＡＧＢ平均值虽有较小波动，总体仍呈上升趋势㊂不同研究中存在ＡＧＢ估算差异的原因可能是：数据来源不同，包括实测ＡＧＢ数据㊁遥感影像数据等㊂Ｚｅｎｇ等［１７］研究所用遥感数据是空间分辨率为２５０ｍ的ＭＯＤＩＳ数据，与本研究中数据空间分辨率不同㊂机器学习模型效果易受样点数量和分布情况影响［４６］㊂而且，不同研究所用模型不同，也会导致估算差异［４７］㊂本研究中最优ＧＢＲＴ模型具有较高的精度，但机器学习模型性能依赖于训练数据㊂由于交通不便和海拔限制，青藏高原西北部样点较少，这可能会影响该区域草地ＡＧＢ估算的准确性；此外，ＡＧＢ样点大多收集于不同文献，尽管操作人员在测量时严格遵守了相关规范，但不同研究的测量方法㊁样本选择可能存在不同，实测数据中的不确定性可能会导致估算误差㊂未来可继续扩大样点数量，尝试不同的深度学习算法及特征优选方法，提升草地ＡＧＢ遥感监测和建模的准确性㊂４㊀结论本研究利用ＧＥＥ平台和机器学习算法，结合详实的２００４ ２０２０年期间青藏高原实测草地ＡＧＢ数据，评估了基于不同特征变量构建的ＧＢＲＴ模型的性能，估算了青藏高原草地ＡＧＢ，得到主要结论如下：（１）基于单一遥感因子的线性回归模型性能较差，仅能解释草地ＡＧＢ变化的８％ ４０％㊂基于全部遥感因子构建的ＧＢＲＴ模型测试数据集Ｒ２为０．５５㊂７５０３㊀７期㊀㊀㊀姚雨微㊀等：青藏高原草地地上生物量估算㊀８５０３㊀生㊀态㊀学㊀报㊀㊀㊀４４卷㊀（２）基于遥感＋气象㊁遥感＋地形的ＧＢＲＴ模型拟合效果较好，经ＲＦＥ特征筛选后，测试数据集Ｒ２分别为０．６２和０．６３，对草地ＡＧＢ的解释能力有所增强㊂（３）在青藏高原地区，基于气象㊁地形和遥感信息构建ＧＢＲＴ模型能够有效提高草地ＡＧＢ估算精度，模型验证表明，Ｒ２＝０．６６，ＲＭＳＥ＝５３．６４ｇ／ｍ２，Ｐ＜０．０１，估测值与实测值吻合性较好，适用于青藏高原草地ＡＧＢ模拟㊂（４）利用最优ＧＢＲＴ模型反演青藏高原草地ＡＧＢ分布图，呈现东南高，西北低的空间格局㊂参考文献（Ｒｅｆｅｒｅｎｃｅｓ）：［１］㊀ＹａｎｇＳＸ，ＦｅｎｇＱＳ，ＬｉａｎｇＴＧ，ＬｉｕＢＫ，ＺｈａｎｇＷＪ，ＸｉｅＨＪ．Ｍｏｄｅｌｉｎｇｇｒａｓｓｌａｎｄａｂｏｖｅ⁃ｇｒｏｕｎｄｂｉｏｍａｓｓｂａｓｅｄｏｎａｒｔｉｆｉｃｉａｌｎｅｕｒａｌｎｅｔｗｏｒｋａｎｄｒｅｍｏｔｅｓｅｎｓｉｎｇｉｎｔｈｅＴｈｒｅｅ⁃ＲｉｖｅｒＨｅａｄｗａｔｅｒｓＲｅｇｉｏｎ．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２０１８，２０４：４４８⁃４５５．［２］㊀ＺｈｏｕＷ，ＬｉＨＲ，ＸｉｅＬＪ，ＮｉｅＸＭ，ＷａｎｇＺ，ＤｕＺＰ，ＹｕｅＴＸ．Ｒｅｍｏｔｅｓｅｎｓｉｎｇｉｎｖｅｒｓｉｏｎｏｆｇｒａｓｓｌａｎｄａｂｏｖｅｇｒｏｕｎｄｂｉｏｍａｓｓｂａｓｅｄｏｎｈｉｇｈａｃｃｕｒａｃｙｓｕｒｆａｃｅｍｏｄｅｌｉｎｇ．ＥｃｏｌｏｇｉｃａｌＩｎｄｉｃａｔｏｒｓ，２０２１，１２１：１０７２１５．［３］㊀焦翠翠，于贵瑞，陈智，何念鹏．基于遥感反演的１９８２ ２０１５年中国北方温带和青藏高原高寒草地地上生物量空间数据集．中国科学数据，２０１９，４（１）：３５⁃４９．［４］㊀ＪｏｂｂáｇｙＥＧ，ＳａｌａＯＥ．ＣｏｎｔｒｏｌｓｏｆｇｒａｓｓａｎｄｓｈｒｕｂａｂｏｖｅｇｒｏｕｎｄｐｒｏｄｕｃｔｉｏｎｉｎｔｈｅＰａｔａｇｏｎｉａｎｓｔｅｐｐｅ．ＥｃｏｌｏｇｉｃａｌＡｐｐｌｉｃａｔｉｏｎｓ，２０００，１０（２）：５４１⁃５４９．［５］㊀ＪｏｂｂａｇｙＥＧ，ＳａｌａＯＥ，ＰａｒｕｅｌｏＪＭ．ＰａｔｔｅｒｎｓａｎｄｃｏｎｔｒｏｌｓｏｆｐｒｉｍａｒｙｐｒｏｄｕｃｔｉｏｎｉｎｔｈｅＰａｔａｇｏｎｉａｎｓｔｅｐｐｅ：ａｒｅｍｏｔｅｓｅｎｓｉｎｇａｐｐｒｏａｃｈ．Ｅｃｏｌｏｇｙ，２００２，８３（２）：３０７⁃３１９．［６］㊀修晓敏，周淑芳，陈黔，蒙继华，董文全，杨广斌，李晓松．基于ＧｏｏｇｌｅＥａｒｔｈＥｎｇｉｎｅ与机器学习的省级尺度零散分布草地生物量估算．测绘通报，２０１９（３）：４６⁃５２，７５．［７］㊀葛静．中国北方地区草地地上生物量遥感估测及变化分析研究［Ｄ］．兰州：兰州大学，２０２２．［８］㊀ＲｅｎＨＲ，ＺｈｏｕＧＳ，ＺｈａｎｇＸＳ．ＥｓｔｉｍａｔｉｏｎｏｆｇｒｅｅｎａｂｏｖｅｇｒｏｕｎｄｂｉｏｍａｓｓｏｆｄｅｓｅｒｔｓｔｅｐｐｅｉｎＩｎｎｅｒＭｏｎｇｏｌｉａｂａｓｅｄｏｎｒｅｄ⁃ｅｄｇｅｒｅｆｌｅｃｔａｎｃｅｃｕｒｖｅａｒｅａｍｅｔｈｏｄ．ＢｉｏｓｙｓｔｅｍｓＥｎｇｉｎｅｅｒｉｎｇ，２０１１，１０９（４）：３８５⁃３９５．［９］㊀姜怡忻．协同多源卫星遥感数据的草地生物量反演方法研究［Ｄ］．成都：电子科技大学，２０２２．［１０］㊀ＴｕｃｋｅｒＣＪ．Ｒｅｄａｎｄｐｈｏｔｏｇｒａｐｈｉｃｉｎｆｒａｒｅｄｌｉｎｅａｒｃｏｍｂｉｎａｔｉｏｎｓｆｏｒｍｏｎｉｔｏｒｉｎｇｖｅｇｅｔａｔｉｏｎ．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，１９７９，８（２）：１２７⁃１５０．［１１］㊀ＨｕｅｔｅＡ，ＤｉｄａｎＫ，ＭｉｕｒａＴ，ＲｏｄｒｉｇｕｅｚＥＰ，ＧａｏＸ，ＦｅｒｒｅｉｒａＬＧ．ＯｖｅｒｖｉｅｗｏｆｔｈｅｒａｄｉｏｍｅｔｒｉｃａｎｄｂｉｏｐｈｙｓｉｃａｌｐｅｒｆｏｒｍａｎｃｅｏｆｔｈｅＭＯＤＩＳｖｅｇｅｔａｔｉｏｎｉｎｄｉｃｅｓ．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２００２，８３（１／２）：１９５⁃２１３．［１２］㊀ＨｕｅｔｅＡＲ．Ａｓｏｉｌ⁃ａｄｊｕｓｔｅｄｖｅｇｅｔａｔｉｏｎｉｎｄｅｘ（ＳＡＶＩ）．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，１９８８，２５（３）：２９５⁃３０９．［１３］㊀ＲｅｎＨ，ＦｅｎｇＧ．Ａｒｅｓｏｉｌ⁃ａｄｊｕｓｔｅｄｖｅｇｅｔａｔｉｏｎｉｎｄｉｃｅｓｂｅｔｔｅｒｔｈａｎｓｏｉｌ⁃ｕｎａｄｊｕｓｔｅｄｖｅｇｅｔａｔｉｏｎｉｎｄｉｃｅｓｆｏｒａｂｏｖｅ⁃ｇｒｏｕｎｄｇｒｅｅｎｂｉｏｍａｓｓｅｓｔｉｍａｔｉｏｎｉｎａｒｉｄａｎｄｓｅｍｉ⁃ａｒｉｄｇｒａｓｓｌａｎｄｓ？ＧｒａｓｓａｎｄＦｏｒａｇｅＳｃｉｅｎｃｅ，２０１５，７０（４）：６１１⁃６１９．［１４］㊀ＡｌｉＩ，ＣａｗｋｗｅｌｌＦ，ＤｗｙｅｒＥ，ＢａｒｒｅｔｔＢ，ＧｒｅｅｎＳ．Ｓａｔｅｌｌｉｔｅｒｅｍｏｔｅｓｅｎｓｉｎｇｏｆｇｒａｓｓｌａｎｄｓ：ｆｒｏｍｏｂｓｅｒｖａｔｉｏｎｔｏｍａｎａｇｅｍｅｎｔ．ＪｏｕｒｎａｌｏｆＰｌａｎｔＥｃｏｌｏｇｙ，２０１６，９（６）：６４９⁃６７１．［１５］㊀ＩｄｏｗｕＳ，ＳａｇｕｎａＳ，ÅｈｌｕｎｄＣ，ＳｃｈｅｌéｎＯ．Ａｐｐｌｉｅｄｍａｃｈｉｎｅｌｅａｒｎｉｎｇ：ｆｏｒｅｃａｓｔｉｎｇｈｅａｔｌｏａｄｉｎｄｉｓｔｒｉｃｔｈｅａｔｉｎｇｓｙｓｔｅｍ．ＥｎｅｒｇｙａｎｄＢｕｉｌｄｉｎｇｓ，２０１６，１３３：４７８⁃４８８．［１６］㊀ＴａｎｇＲ，ＺｈａｏＹＴ，ＬｉｎＨＬ．Ｓｐａｔｉｏ⁃ｔｅｍｐｏｒａｌｖａｒｉａｔｉｏｎｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆａｂｏｖｅｇｒｏｕｎｄｂｉｏｍａｓｓｉｎｔｈｅｈｅａｄｗａｔｅｒｏｆｔｈｅＹｅｌｌｏｗＲｉｖｅｒｂａｓｅｄｏｎｍａｃｈｉｎｅｌｅａｒｎｉｎｇ．ＲｅｍｏｔｅＳｅｎｓｉｎｇ，２０２１，１３（１７）：３４０４．［１７］㊀ＺｅｎｇＮ，ＲｅｎＸＬ，ＨｅＨＬ，ＺｈａｎｇＬ，ＺｈａｏＤ，ＧｅＲ，ＬｉＰ，ＮｉｕＺＥ．ＥｓｔｉｍａｔｉｎｇｇｒａｓｓｌａｎｄａｂｏｖｅｇｒｏｕｎｄｂｉｏｍａｓｓｏｎｔｈｅＴｉｂｅｔａｎＰｌａｔｅａｕｕｓｉｎｇａｒａｎｄｏｍｆｏｒｅｓｔａｌｇｏｒｉｔｈｍ．ＥｃｏｌｏｇｉｃａｌＩｎｄｉｃａｔｏｒｓ，２０１９，１０２：４７９⁃４８７．［１８］㊀ＹｕＲＹ，ＹａｏＹＪ，ＷａｎｇＱ，ＷａｎＨＷ，ＸｉｅＺＪ，ＴａｎｇＷＪ，ＺｈａｎｇＺＰ，ＹａｎｇＪＭ，ＳｈａｎｇＫ，ＧｕｏＸＺ，ＢｅｉＸＹ．Ｓａｔｅｌｌｉｔｅ⁃ｄｅｒｉｖｅｄｅｓｔｉｍａｔｉｏｎｏｆｇｒａｓｓｌａｎｄａｂｏｖｅｇｒｏｕｎｄｂｉｏｍａｓｓｉｎｔｈｅｔｈｒｅｅ⁃ｒｉｖｅｒｈｅａｄｗａｔｅｒｓｒｅｇｉｏｎｏｆＣｈｉｎａｄｕｒｉｎｇ１９８２⁃２０１８．ＲｅｍｏｔｅＳｅｎｓｉｎｇ，２０２１，１３（１５）：２９９３．［１９］㊀张宏鸣，刘雯，韩文霆，刘全中，宋荣杰，侯贵河．基于梯度提升树算法的夏玉米叶面积指数反演．农业机械学报，２０１９，５０（５）：２５１⁃２５９．［２０］㊀ＹａｎｇＬ，ＬｉａｎｇＳＬ，ＺｈａｎｇＹＺ．Ａｎｅｗｍｅｔｈｏｄｆｏｒｇｅｎｅｒａｔｉｎｇａｇｌｏｂａｌｆｏｒｅｓｔａｂｏｖｅｇｒｏｕｎｄｂｉｏｍａｓｓｍａｐｆｒｏｍｍｕｌｔｉｐｌｅｈｉｇｈ⁃ｌｅｖｅｌｓａｔｅｌｌｉｔｅｐｒｏｄｕｃｔｓａｎｄａｎｃｉｌｌａｒｙｉｎｆｏｒｍａｔｉｏｎ．ＩＥＥＥＪｏｕｒｎａｌｏｆＳｅｌｅｃｔｅｄＴｏｐｉｃｓｉｎＡｐｐｌｉｅｄＥａｒｔｈＯｂｓｅｒｖａｔｉｏｎｓａｎｄＲｅｍｏｔｅＳｅｎｓｉｎｇ，２０２０，１３：２５８７⁃２５９７．［２１］㊀李红英，张存桂，汪生珍，马伟东，刘峰贵，陈琼，周强，夏兴生，牛百成．近４０年青藏高原植被动态变化对水热条件的响应．生态学报，２０２２，４２（１２）：４７７０⁃４７８３．［２２］㊀周广胜，任鸿瑞，刘通，周莉，汲玉河，宋兴阳，吕晓敏．一种基于地形⁃气候⁃遥感信息的区域植被制图方法及其在青藏高原的应用．中ｈｔｔｐ：／／ｗｗｗ．ｅｃｏｌｏｇｉｃａ．ｃｎ国科学：地球科学，２０２３，５３（２）：２２７⁃２３５．［２３］㊀王采娥，黄梅，王文银，李子好，张涛，马林，白彦福，王彦龙，施建军，龙瑞军，刘玉，王晓丽，马玉寿，尚占环．三江源区高寒坡地退化植物群落多样性和地上生物量沿海拔梯度的变化特征．生态学报，２０２２，４２（９）：３６４０⁃３６５５．［２４］㊀牛慧兰，任鸿瑞．青藏高原草地非光合植被覆盖度时空动态．草业科学，２０２２，３９（８）：１５２１⁃１５３０．［２５］㊀ＧｅＪ，ＨｏｕＭＪ，ＬｉａｎｇＴＧ，ＦｅｎｇＱＳ，ＭｅｎｇＸＹ，ＬｉｕＪ，ＢａｏＸＹ，ＧａｏＨＹ．ＳｐａｔｉｏｔｅｍｐｏｒａｌｄｙｎａｍｉｃｓｏｆｇｒａｓｓｌａｎｄａｂｏｖｅｇｒｏｕｎｄｂｉｏｍａｓｓａｎｄｉｔｓｄｒｉｖｉｎｇｆａｃｔｏｒｓｉｎＮｏｒｔｈＣｈｉｎａｏｖｅｒｔｈｅｐａｓｔ２０ｙｅａｒｓ．ＳｃｉｅｎｃｅｏｆｔｈｅＴｏｔａｌＥｎｖｉｒｏｎｍｅｎｔ，２０２２，８２６：１５４２２６．［２６］㊀ＳｈｏｋｏＣ，ＭｕｔａｎｇａＯ，ＤｕｂｅＴ．ＲｅｍｏｔｅｌｙｓｅｎｓｅｄＣ３ａｎｄＣ４ｇｒａｓｓｓｐｅｃｉｅｓａｂｏｖｅｇｒｏｕｎｄｂｉｏｍａｓｓｖａｒｉａｂｉｌｉｔｙｉｎｒｅｓｐｏｎｓｅｔｏｓｅａｓｏｎａｌｃｌｉｍａｔｅａｎｄｔｏｐｏｇｒａｐｈｙ．ＡｆｒｉｃａｎＪｏｕｒｎａｌｏｆＥｃｏｌｏｇｙ，２０１９，５７（４）：４７７⁃４８９．［２７］㊀郭亚奇．气候变化对青藏高原植被演替和生产力影响的模拟［Ｄ］．北京：中国农业科学院，２０１２．［２８］㊀张镱锂，李炳元，郑度．论青藏高原范围与面积．地理研究，２００２，２１（１）：１⁃８．［２９］㊀ＪｕｎＣ，ＢａｎＹＦ，ＬｉＳＮ．ＯｐｅｎａｃｃｅｓｓｔｏＥａｒｔｈｌａｎｄ⁃ｃｏｖｅｒｍａｐ．Ｎａｔｕｒｅ，２０１４，５１４（７５２３）：４３４．［３０］㊀陈军，陈晋，廖安平．全球地表覆盖遥感制图．北京：科学出版社，２０１６．［３１］㊀ＰｅｎｇＳＺ，ＤｉｎｇＹＸ，ＬｉｕＷＺ，ＬｉＺ．１ｋｍｍｏｎｔｈｌｙｔｅｍｐｅｒａｔｕｒｅａｎｄｐｒｅｃｉｐｉｔａｔｉｏｎｄａｔａｓｅｔｆｏｒＣｈｉｎａｆｒｏｍ１９０１ｔｏ２０１７．ＥａｒｔｈＳｙｓｔｅｍＳｃｉｅｎｃｅＤａｔａ，２０１９，１１（４）：１９３１⁃１９４６．［３２］㊀ＧｉｔｅｌｓｏｎＡＡ，ＫａｕｆｍａｎＹＪ，ＭｅｒｚｌｙａｋＭＮ．ＵｓｅｏｆａｇｒｅｅｎｃｈａｎｎｅｌｉｎｒｅｍｏｔｅｓｅｎｓｉｎｇｏｆｇｌｏｂａｌｖｅｇｅｔａｔｉｏｎｆｒｏｍＥＯＳ⁃ＭＯＤＩＳ．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，１９９６，５８（３）：２８９⁃２９８．［３３］㊀ＢａｄｇｌｅｙＧ，ＦｉｅｌｄＣＢ，ＢｅｒｒｙＪＡ．Ｃａｎｏｐｙｎｅａｒ⁃ｉｎｆｒａｒｅｄｒｅｆｌｅｃｔａｎｃｅａｎｄｔｅｒｒｅｓｔｒｉａｌｐｈｏｔｏｓｙｎｔｈｅｓｉｓ．ＳｃｉｅｎｃｅＡｄｖａｎｃｅｓ，２０１７，３（３）：ｅ１６０２２４４．［３４］㊀ＪｏｒｄａｎＣＦ．Ｄｅｒｉｖａｔｉｏｎｏｆｌｅａｆ⁃ａｒｅａｉｎｄｅｘｆｒｏｍｑｕａｌｉｔｙｏｆｌｉｇｈｔｏｎｔｈｅｆｏｒｅｓｔｆｌｏｏｒ．Ｅｃｏｌｏｇｙ，１９６９，５０（４）：６６３⁃６６６．［３５］㊀ＲｉｃｈａｒｄｓｏｎＡＪ，ＷｉｅｇａｎｄＣＬ．Ｄｉｓｔｉｎｇｕｉｓｈｉｎｇｖｅｇｅｔａｔｉｏｎｆｒｏｍｓｏｉｌｂａｃｋｇｒｏｕｎｄｉｎｆｏｒｍａｔｉｏｎ．ＰｈｏｔｏｇｒａｍｍｅｔｒｉｃＥｎｇｉｎｅｅｒｉｎｇａｎｄＲｅｍｏｔｅＳｅｎｓｉｎｇ，１９７７，４３（１２）：１５４１⁃１５５２．［３６］㊀ＲｏｎｄｅａｕｘＧ，ＳｔｅｖｅｎＭ，ＢａｒｅｔＦ．Ｏｐｔｉｍｉｚａｔｉｏｎｏｆｓｏｉｌ⁃ａｄｊｕｓｔｅｄｖｅｇｅｔａｔｉｏｎｉｎｄｉｃｅｓ．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，１９９６，５５（２）：９５⁃１０７．［３７］㊀ＱｉＪ，ＣｈｅｈｂｏｕｎｉＡ，ＨｕｅｔｅＡＲ，ＫｅｒｒＹＨ，ＳｏｒｏｏｓｈｉａｎＳ．Ａｍｏｄｉｆｉｅｄｓｏｉｌａｄｊｕｓｔｅｄｖｅｇｅｔａｔｉｏｎｉｎｄｅｘ．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，１９９４，４８（２）：１１９⁃１２６．［３８］㊀ＦｒｉｅｄｍａｎＪＨ．Ｇｒｅｅｄｙｆｕｎｃｔｉｏｎａｐｐｒｏｘｉｍａｔｉｏｎ：ａｇｒａｄｉｅｎｔｂｏｏｓｔｉｎｇｍａｃｈｉｎｅ．ＴｈｅＡｎｎａｌｓｏｆＳｔａｔｉｓｔｉｃｓ，２００１，２９（５）：１１８９⁃１２３２．［３９］㊀李建更，张尹，刘迎春．基于核梯度提升树的森林高度估测方法．北京工业大学学报，２０２１，４７（１０）：１１１３⁃１１２１．［４０］㊀ＭｅｎｇＢＰ，ＬｉａｎｇＴＧ，ＹｉＳＨ，ＹｉｎＪＰ，ＣｕｉＸ，ＧｅＪ，ＨｏｕＭＪ，ＬｖＹＹ，ＳｕｎＹ．Ｍｏｄｅｌｉｎｇａｌｐｉｎｅｇｒａｓｓｌａｎｄａｂｏｖｅｇｒｏｕｎｄｂｉｏｍａｓｓｂａｓｅｄｏｎｒｅｍｏｔｅｓｅｎｓｉｎｇｄａｔａａｎｄｍａｃｈｉｎｅｌｅａｒｎｉｎｇａｌｇｏｒｉｔｈｍ：ａｃａｓｅｓｔｕｄｙｉｎｅａｓｔｏｆｔｈｅＴｉｂｅｔａｎＰｌａｔｅａｕ，Ｃｈｉｎａ．ＩＥＥＥＪｏｕｒｎａｌｏｆＳｅｌｅｃｔｅｄＴｏｐｉｃｓｉｎＡｐｐｌｉｅｄＥａｒｔｈＯｂｓｅｒｖａｔｉｏｎｓａｎｄＲｅｍｏｔｅＳｅｎｓｉｎｇ，２０２０，１３：２９８６⁃２９９５．［４１］㊀ＺｈａｎｇＸＺ，ＬｉＭ，ＷｕＪＳ，ＨｅＹＴ，ＮｉｕＢ．ＡｌｐｉｎｅｇｒａｓｓｌａｎｄａｂｏｖｅｇｒｏｕｎｄｂｉｏｍａｓｓａｎｄｔｈｅｏｒｅｔｉｃａｌｌｉｖｅｓｔｏｃｋｃａｒｒｙｉｎｇｃａｐａｃｉｔｙｏｎｔｈｅＴｉｂｅｔａｎＰｌａｔｅａｕ．ＪｏｕｒｎａｌｏｆＲｅｓｏｕｒｃｅｓａｎｄＥｃｏｌｏｇｙ，２０２２，１３（１）：１２９⁃１４１．［４２］㊀ＬｉａｎｇＴＧ，ＹａｎｇＳＸ，ＦｅｎｇＱＳ，ＬｉｕＢＫ，ＺｈａｎｇＲＰ，ＨｕａｎｇＸＤ，ＸｉｅＨＪ．Ｍｕｌｔｉ⁃ｆａｃｔｏｒｍｏｄｅｌｉｎｇｏｆａｂｏｖｅ⁃ｇｒｏｕｎｄｂｉｏｍａｓｓｉｎａｌｐｉｎｅｇｒａｓｓｌａｎｄ：ａｃａｓｅｓｔｕｄｙｉｎｔｈｅＴｈｒｅｅ⁃ＲｉｖｅｒＨｅａｄｗａｔｅｒｓＲｅｇｉｏｎ，Ｃｈｉｎａ．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２０１６，１８６：１６４⁃１７２．［４３］㊀赵翊含，侯蒙京，冯琦胜，高宏元，梁天刚，贺金生，钱大文．基于Ｌａｎｄｓａｔ８和随机森林的青海门源天然草地地上生物量遥感估算．草业学报，２０２２，３１（７）：１⁃１４．［４４］㊀ＺｈｕＸＹ，ＨｏｕＪＨ，ＬｉＭＸ，ＸｕＬ，ＬｉＸ，ＬｉＹ，ＣｈｅｎｇＣＪ，ＺｈａｏＷＺ，ＨｅＮＰ．Ｈｉｇｈ⁃ｒｅｓｏｌｕｔｉｏｎｓｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｏｆｖｅｇｅｔａｔｉｏｎｂｉｏｍａｓｓａｎｄｉｔｓｅｎｖｉｒｏｎｍｅｎｔａｌｒｅｓｐｏｎｓｅｏｎＱｉｎｇｈａｉ⁃ＴｉｂｅｔＰｌａｔｅａｕ：ｉｎｔｅｎｓｉｖｅｇｒｉｄ⁃ｆｉｅｌｄｓｕｒｖｅｙ．ＥｃｏｌｏｇｉｃａｌＩｎｄｉｃａｔｏｒｓ，２０２３，１４９：１１０１６７．［４５］㊀金哲人，冯琦胜，王瑞泾，梁天刚．基于ＭＯＤＩＳ数据与机器学习的青藏高原草地地上生物量研究．草业学报，２０２２，３１（１０）：１⁃１７．［４６］㊀ＧａｏＸＸ，ＤｏｎｇＳＫ，ＬｉＳ，ＸｕＹＤ，ＬｉｕＳＬ，ＺｈａｏＨＤ，ＹｅｏｍａｎｓＪ，ＬｉＹ，ＳｈｅｎＨ，ＷｕＳＮ，ＺｈｉＹＬ．ＵｓｉｎｇｔｈｅｒａｎｄｏｍｆｏｒｅｓｔｍｏｄｅｌａｎｄｖａｌｉｄａｔｅｄＭＯＤＩＳｗｉｔｈｔｈｅｆｉｅｌｄｓｐｅｃｔｒｏｍｅｔｅｒｍｅａｓｕｒｅｍｅｎｔｐｒｏｍｏｔｅｔｈｅａｃｃｕｒａｃｙｏｆｅｓｔｉｍａｔｉｎｇａｂｏｖｅｇｒｏｕｎｄｂｉｏｍａｓｓａｎｄｃｏｖｅｒａｇｅｏｆａｌｐｉｎｅｇｒａｓｓｌａｎｄｓｏｎｔｈｅＱｉｎｇｈａｉ⁃ＴｉｂｅｔａｎＰｌａｔｅａｕ．ＥｃｏｌｏｇｉｃａｌＩｎｄｉｃａｔｏｒｓ，２０２０，１１２：１０６１１４．［４７］㊀宋柯馨，蒋馥根，胡宗达，吕云兵，龙依，邓目丽，陈松，孙华．西藏自治区草地地上生物量遥感反演研究．生态学报，２０２３，４３（１３）：５６００⁃５６１３．９５０３㊀７期㊀㊀㊀姚雨微㊀等：青藏高原草地地上生物量估算㊀。