金哲人，馮琦勝，王瑞涇，梁天剛

（蘭州大學(xué)草地農(nóng)業(yè)生態(tài)系統(tǒng)國家重點實驗室，蘭州大學(xué)農(nóng)業(yè)農(nóng)村部草牧業(yè)創(chuàng)新重點實驗室，蘭州大學(xué)草地農(nóng)業(yè)教育部工程研究中心，蘭州大學(xué)草地農(nóng)業(yè)科技學(xué)院，甘肅蘭州 730020）

我國幅員遼闊，擁有約960萬km2的陸地面積，其中有400萬km2的草原，占陸地面積的40%；同時，我國包含有被稱為“世界屋脊”的青藏高原，占陸地面積的1/4，其中約70%是草原［1-3］。草地資源不僅是陸地上綠植中所占面積最大的可再生資源，而且對畜牧業(yè)的發(fā)展也起到重要的基礎(chǔ)作用［4］。草地地上生物量（aboveground biomass，AGB）作為評估草地生態(tài)環(huán)境的重要載體可監(jiān)測草地退化程度。草地地上生物量在評估區(qū)域碳循環(huán)中作用重大，是用來判斷草地能否可持續(xù)健康發(fā)展的重要指標(biāo)［5］。研究青藏高原草地地上生物量對當(dāng)?shù)夭莸刭Y源的監(jiān)測與良性發(fā)展具有積極影響。

運用遙感技術(shù)分析草地資源擁有比野外勘測更加高效和便捷的優(yōu)勢，可以對大范圍的草地資源進(jìn)行監(jiān)測。國內(nèi)外利用衛(wèi)星影像對草地資源的研究已有很多，很多研究采用實測數(shù)據(jù)與植被指數(shù)結(jié)合進(jìn)行草地生物量反演，對草地生物量變化進(jìn)行評估。趙慧芳等［6］研究發(fā)現(xiàn)基于MOD13Q1數(shù)據(jù)的青海省草地地上生物量與植被指數(shù)NDVI具有從東南部向西北部逐級遞減的空間分布特征。喬蕻強(qiáng)等［7］利用MODIS-NDVI和MODIS-EVI通過植被指數(shù)對肅南縣草原生產(chǎn)能力進(jìn)行估算，建立研究區(qū)草地估產(chǎn)模型。杜玉娥等［8］結(jié)合實測數(shù)據(jù)并利用MODIS植被指數(shù)NDVI和EVI資料，估算了2002-2009年青藏高原草地生物量變化。馬青青等［9］結(jié)合瑪曲2016年地面實測數(shù)據(jù)和MODIS影像資料，得出NDVI和地上生物量在6-9月相關(guān)性較高，其中9月的擬合水平（R2=0.5102）最高。陸蔭等［10］基于實測數(shù)據(jù)和MOD13Q1植被指數(shù)產(chǎn)品，反演了2000-2019年甘南州草地地上生物量時空分布特征，結(jié)果表明MODIS EVI植被指數(shù)適合于當(dāng)?shù)夭莸厣锪孔兓芯浚Ｐ蜎Q定系數(shù)R2=0.52149，RMSE=527.9 kg·hm-2。姚興成等［11］利用MOD13Q1數(shù)據(jù)，建立對云南省草地AGB遙感估算模型，之后引入高度和蓋度采用優(yōu)化的估算模型分析其空間分布格局，模型的估算精度由原來的35.0%提升到43.7%。Gao等［12］利用MOD13Q1數(shù)據(jù)和隨機(jī)森林模型與多因子（NDVI、緯度、經(jīng)度、海拔、草地類型）結(jié)合，估算了2000-2017年青藏高原高寒草地地上生物量和蓋度，并提高了估算精度。Zeng等［13］利用隨機(jī)森林算法結(jié)合野外觀測數(shù)據(jù)、MOD13A2遙感植被指數(shù)（NDVI、EVI）、氣象數(shù)據(jù)和地形數(shù)據(jù)，對2000-2014年青藏高原草地地上生物量進(jìn)行估算，所建立的隨機(jī)森林模型在草地地上生物量估算中表現(xiàn)良好，能解釋觀測數(shù)據(jù)86%的變化。Zhou等［14］采用支持向量機(jī)（support vector machine，SVM）、隨機(jī)森林（random forest，RF）和高精度地表建模（high accuracy surface modeling，HASM）3種機(jī)器學(xué)習(xí)模型對2001-2019年中國三江源地區(qū)草地AGB進(jìn)行了模擬，HASM模型比RF和SVM模型表現(xiàn)更為優(yōu)秀（R2=0.8459＞0.72＞0.5858；RMSE=29＜41＜56）。Chen等［15］使用多層感知器神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)方法，結(jié)合現(xiàn)場觀測和氣候數(shù)據(jù)，從Sentinel-2影像中估算奶牛場牧草地上生物量，大約60%的生物量變化得到了解釋。通過以往研究發(fā)現(xiàn)，目前所選用的遙感數(shù)據(jù)多為月數(shù)據(jù)，實測數(shù)據(jù)與遙感影像時間匹配跨度大，會存在實測數(shù)據(jù)與遙感數(shù)據(jù)不完全匹配的問題；并且構(gòu)建草地地上生物量的模型精度較低。

基于上述原因，本研究基于MODIS逐日反射率數(shù)據(jù)構(gòu)建的多種植被指數(shù)，比較分析了不同機(jī)器學(xué)習(xí)方法反演青藏高原草地地上生物量的適宜性，評估了2000-2020年青藏高原草地地上生物量的變化，研究結(jié)果有助于對草地資源變化狀況進(jìn)行了解，為青藏高原地區(qū)草地生物量估算提供科學(xué)依據(jù)，服務(wù)于對青藏高原草地地上生物量的相關(guān)研究。

1 材料與方法

1.1 研究區(qū)域

青藏高原（25°59′26″-40°1′6″N，67°40′37″-104°40′43″E）位于我國西部，東至祁連山東端、橫斷山等山脈東緣，南抵喜馬拉雅山等山脈南麓，西起興都庫什山脈和帕米爾高原西緣，北至帕米爾高原北緣、西昆侖山和祁連山山脈北麓，平均海拔約4320 m，總面積為3.08×106km2，其中我國境內(nèi)的青藏高原面積約2.58×106km2［16］。以青藏高原地區(qū)為研究區(qū)域（圖1），整個青藏高原地區(qū)天然草地面積約為1.5×108hm2，在高原氣候的特殊影響與作用下，整個地區(qū)的草原類型以高寒草甸和高寒草原為主［17］。青藏高原不僅影響我國的氣候與生態(tài)環(huán)境，甚至對世界的環(huán)境變化也具有重要作用，其中的草地資源尤其突出表現(xiàn)在維持該地區(qū)生態(tài)系統(tǒng)的穩(wěn)定性方面，發(fā)揮了高原生態(tài)屏障的保護(hù)功能［18］。青藏高原的高寒草甸、高寒草原等大面積的草地資源作為高原本身的一道生態(tài)屏障，對防控當(dāng)?shù)赝恋厣郴退亮魇Ь哂蟹e極的影響［19］。

1.2 數(shù)據(jù)采集與預(yù)處理生物量數(shù)據(jù)集

本研究中所用的草地外業(yè)調(diào)查數(shù)據(jù)來自2003-2020年5-9月青藏高原的實地觀測調(diào)查。樣地設(shè)置在地勢平坦、草地植物群落均一性較好的地段，每塊樣地隨機(jī)選擇3～5個大小為0.5 m×0.5 m的樣方。通過GPS測定樣方的經(jīng)緯度和海拔，并記錄樣地所隸屬的行政區(qū)、樣方內(nèi)的物種名稱、蓋度、高度等植物群落信息。地上生物量采用齊地面刈割的方法，現(xiàn)場稱其鮮重，之后帶回實驗室在70℃烘干至恒重稱其干重。在本研究中，共采用4823條采樣點的實測數(shù)據(jù)來評估該地區(qū)的草地生物量（圖1），其中有1338條采樣點的實測數(shù)據(jù)是使用Xia等［20］估算青藏高原草地生物量和周轉(zhuǎn)時間的研究中所使用的數(shù)據(jù)。

氣象數(shù)據(jù)來源于國家科技基礎(chǔ)條件平臺-國家地球系統(tǒng)科學(xué)數(shù)據(jù)中心（http：//www.geodata.cn）提供的2000-2020年逐月氣象差值數(shù)據(jù)集。該氣象數(shù)據(jù)集包括逐月平均氣溫（℃）、逐月最低氣溫（℃）、逐月最高氣溫（℃）和逐月降水量（mm）數(shù)據(jù)，空間分辨率為0.0083333°（約1 km）。數(shù)據(jù)是據(jù)CRU（氣候研究中心Climatic Research Unit）發(fā)布的全球0.5°氣候數(shù)據(jù)以及WorldClim發(fā)布的全球高分辨率氣候數(shù)據(jù)，通過Delta空間降尺度方案在中國地區(qū)降尺度生成。并用496個獨立氣象觀測點數(shù)據(jù)進(jìn)行驗證，驗證結(jié)果可信［21］。

表1 本研究中使用的植被指數(shù)Table 1 The vegetation index used in this study

1.3 機(jī)器學(xué)習(xí)方法

本研究主要運用R語言的caret包（classification and regression training）進(jìn)行機(jī)器學(xué)習(xí)模型的構(gòu)建，該包提供的工具有數(shù)據(jù)分割、預(yù)處理、特征選擇、使用重采樣的模型調(diào)整、變量重要性評估等。本研究使用了caret包提供的機(jī)器學(xué)習(xí)方法包括：基于樣條函數(shù)的廣義加性模型（generalized additive model using splines，bam）、貝葉斯規(guī)整化神經(jīng)網(wǎng)絡(luò)（bayesian regularized neural networks，brnn）、提升樹（boosted tree，bstTree）、彈性網(wǎng)絡(luò)（elasticnet，enet）、基于徑向基函數(shù)核的高斯過程（gaussian process with radial basis function kernel，gaussprRadial）、廣義線性模型網(wǎng)（generalized linear model net，glmnet）、k-臨近算法（k-nearest neighbors，kknn）、基于正向選擇的線性回歸（linear regression with forward selection，leapForward）、單 調(diào) 多 層 感 知 機(jī) 神 經(jīng) 網(wǎng) 絡(luò)（monotone multi-layer perceptron neural network，monmlp）、非負(fù)最小二乘（non-negative least squares，nnls）、嶺回歸（ridge regression，ridge）、基于徑向基函數(shù)核的支持向量機(jī)（support vector machines with radial basis function kernel，svmRadialSigma）、稀疏偏最小二乘（sparse partial least squares，spls）、條件推斷隨機(jī)森林（conditional inference random forest，cforest）、平行隨機(jī)森林（parallel random forest，parRF）、分位數(shù)隨機(jī)森林（quantile random forest，qrf）、基于ranger的隨機(jī)森林（random forest，ranger）、基于Rborist的隨機(jī)森林（random forest，Rborist）、基于randomForest的隨機(jī)森林（random forest，rf）、基于randomForest和RRF的正則化隨機(jī)森林（regularized random forest，RRF）、基于RRF的正則化隨機(jī)森林（regularized random forest，RRFglobal）、極端的梯度提升1（extreme gradient boosting 1，xgbDART）和極端的梯度提升2（extreme gradient boosting 2，xgbTree）共23種，探索適合特殊地區(qū)青藏高原的機(jī)器學(xué)習(xí)方法。各個方法具體描述見caret包的說明文檔（https：//topepo.github.io/caret/index.html）。

1.4 變量的選擇

本研究在選取變量的時候考慮了兩個方面，一方面是植被指數(shù)，一方面是溫度降水，本研究認(rèn)為溫度降水對植被敏感，所以本研究用了溫度和降水?dāng)?shù)據(jù)，通過查閱相關(guān)文獻(xiàn)使用了大家常用的反映植被生長狀況的植被指數(shù)。

將2000-2020年的青藏高原各個相關(guān)數(shù)據(jù)集整合，變量共包含MCD43A4產(chǎn)品的7個波段（Band1、Band2、Band3、Band4、Band5、Band6、Band7）、10種 植 被 指 數(shù)（NDVI、EVI、EVI2、DVI、RVI、SAVI、MSAVI、OSAVI、SATVI、NDPI）、1-12月的每月降水量（prec_01、prec_02、prec_03、prec_04、prec_05、prec_06、prec_07、prec_08、prec_09、prec_10、prec_11、prec_12）、年降水量（prec_all）、1-12月的每月最高溫度（tmax_01、tmax_02、tmax_03、tmax_04、tmax_05、tmax_06、tmax_07、tmax_08、tmax_09、tmax_10、tmax_11、tmax_12）、1-12月的每月最低溫度（tmin_01、tmin_02、tmin_03、tmin_04、tmin_05、tmin_06、tmin_07、tmin_08、tmin_09、tmin_10、tmin_11、tmin_12）、

1-12月的每月平均溫度（tp_01、tp_02、tp_03、tp_04、tp_05、tp_06、tp_07、tp_08、tp_09、tp_10、tp_11、tp_12）和年平均溫度（tp_year），一共67個變量。

本研究采用R語言的CAST包中的前向特征選擇方法（the forward feature selection，ffs）進(jìn)行變量篩選，此篩選方法先基于全變量中任意2個變量訓(xùn)練模型，選出精度最高的模型所用變量，之后逐個添加特征變量，并選取模型精度提高最大的特征變量，當(dāng)模型精度不再提高時停止變量篩選，最終得到最優(yōu)特征變量組合。

1.5 草地地上生物量變化趨勢分析

采用Theil-Sen median趨勢分析、Mann-Kendall以及Hurst指數(shù)方法，研究青藏高原覆蓋區(qū)域草地生物量的空間分布特征、時間變化趨勢、變化趨勢特征和可持續(xù)性特征［32-33］。Theil-Sen median是一種非參數(shù)統(tǒng)計的趨勢計算方法，效果穩(wěn)健并可以減少數(shù)據(jù)異常值的影響［32］。Mann-Kendall作為一種非參數(shù)統(tǒng)計檢驗方法，優(yōu)點是不需要樣本服從特定的分布，可以直接檢驗時間序列的單調(diào)變化趨勢［34-36］。Theil-Sen median趨勢分析和Mann-Kendall趨勢檢驗結(jié)合可判斷長時間序列數(shù)據(jù)趨勢，能夠有效分析青藏高原草地生物量時間序列的變化趨勢［37］。Hurst指數(shù)是定量描述時間序列信息長期依賴性的有效方法［37］。Theil-Sen median趨勢分析、Mann-Kendall以及Hurst指數(shù)（即H值）方法的計算公式詳見文獻(xiàn)［32］。將結(jié)果劃分為輕微降低、顯著降低、穩(wěn)定不變、輕微增加和顯著增加5種類別。H值取值越接近1，持續(xù)性越強(qiáng)；H=0.5，說明不存在長期相關(guān)性；H越接近0，反持續(xù)性越強(qiáng)。

2 結(jié)果與分析

2.1 采樣點數(shù)據(jù)分析

按草地類型統(tǒng)計青藏高原逐年實地采樣數(shù)據(jù)的結(jié)果表明（表2）：在采樣數(shù)據(jù)中，風(fēng)干重由高到低排序，前3位依次是山地草甸類、沼澤類和高寒草甸類，分別達(dá)到2001.48、1812.50和1533.51 kg·hm-2。風(fēng)干重較低的3位是高寒荒漠草原、溫性荒漠和高寒荒漠，分別為406.76、393.85和304.06 kg·hm-2，同時高寒荒漠的標(biāo)準(zhǔn)偏差也最低，只有89.62 kg·hm-2。山地草甸的蓋度達(dá)到87.13%，高寒草甸的蓋度達(dá)到83.15%，沼澤的蓋度達(dá)到75.50%，是所有草地類型中蓋度較高的前3位。蓋度最低的3位是溫性草甸草原、高寒荒漠草原和溫性荒漠，分別為35.62%、29.16%和25.24%。各草地類型的高度大多集中在4～15 cm，低地草甸平均高度最高，達(dá)到了26.12 cm，高寒草甸草原平均高度最低，只有4.74 cm。

(3) 電網(wǎng)輸配電效益下降問題。分布式電源使電網(wǎng)輸配電效益下降幾乎是不可避免的,主要表現(xiàn)為:分布式發(fā)電影響電網(wǎng)的售電量,從而影響電網(wǎng)的效益;增大公共電網(wǎng)網(wǎng)損率,降低公共電網(wǎng)的設(shè)備利用率。

表2 不同草地類型的調(diào)查樣本數(shù)據(jù)基本情況Table 2 Survey sample data and basic statistics of different grassland type

2.2 變量相關(guān)分析

利用ffs算法篩選變量的結(jié)果如圖2所示。經(jīng)過篩選得出變量“prec_05”、“prec_06”、“tp_12”、“NDPI”、“prec_04”、“tmax_01”、“prec_08”、“prec_12”與生物量關(guān)系較大，其中篩選出的8個變量中有5個與月降水量有關(guān)，它們各自之間的相關(guān)系數(shù)關(guān)系如圖3所示。結(jié)果表明：與生物量相關(guān)性最大的變量是“NDPI”，相關(guān)系數(shù)值為0.589，其次是“prec_05”和“prec_04”，即4、5月的降水量，與生物量的相關(guān)性達(dá)到了0.400以上。

2.3 基于機(jī)器學(xué)習(xí)的最優(yōu)模型

運用R語言中caret包，將67個變量全部帶入所選用機(jī)器學(xué)習(xí)模型中運算與生物量的關(guān)系，結(jié)果如圖4所示。全變量與生物量決定系數(shù)最高的模型是rf，R2達(dá)到了0.6360。決定系數(shù)較低的后3位模型是glmnet、nnls和leapForward，R2都在0.46以下。按照R2由高到低排序，前8位模型依次為rf、RRF、RRFglobal、Rborist、parRF、ranger、qrf、cforest，它們都屬于隨機(jī)森林類方法，R2都在0.61以上。其次R2較高的模型是xgbTree、xgbDART、kknn、svmRadialSigma和bstTree，這些模型的R2也都達(dá)到了0.57以上。說明對于研究全變量和生物量的關(guān)系，隨機(jī)森林rf模型為最優(yōu)模型。

基于篩選出來的8個變量構(gòu)建機(jī)器學(xué)習(xí)模型，根據(jù)圖4可知，在所用的機(jī)器學(xué)習(xí)的方法中，R2由高到低前5位依 次是Rborist、RRF、ranger、RRFglobal和parRF，R2分 別 為0.6484、0.6477、0.6474、0.6473和0.6460。R2在0.40以下的模型有spls、glmnet、enet、ridge、leapForward和nnls模型，說明這些方法運行效果欠佳，并不適合研究篩選后的變量與生物量的關(guān)系。結(jié)果表明Rborist、RRF、ranger、RRFglobal、parRF、rf、qrf和kknn這8種方法基于篩選變量的模型比全變量模型的R2值高，說明減少變量可以消除數(shù)據(jù)冗余，從而提高模型精度。由此本研究選取出最優(yōu)的機(jī)器學(xué)習(xí)模型為Rborist。篩選前后各機(jī)器學(xué)習(xí)方法參數(shù)取值如表3所示。

2.4 青藏高原2000-2020年生物量變化分析

基于選擇出的最優(yōu)機(jī)器學(xué)習(xí)模型，本研究模擬了青藏高原2000-2020年草地地上生物量（圖5）。結(jié)果表明，青藏高原的草地地上生物量由西北向東南方向逐步增加，東南部的草地地上生物量普遍在900 kg·hm-2以上，要明顯好于西北部。

采用Theil-Sen median趨勢分析和Mann-Kendall方法，可有效反映出青藏高原地區(qū)2000-2020年的草地生物量的時空變化趨勢，如圖6所示。研究結(jié)果表明，青藏高原草地生物量輕微降低區(qū)域占草地總面積的9.83%、顯著降低區(qū)域占比1.33%、穩(wěn)定不變區(qū)域占比64.33%、輕微增加區(qū)域占比18.24%，顯著增加區(qū)域占比6.26%。草地顯著降低的面積最少，穩(wěn)定不變的面積最大，并且從圖中可看出草地生物量降低的區(qū)域主要集中在青藏高原東部和中部，增加的區(qū)域分布在青藏高原東北部。

將Theil-Sen median趨勢分析和Mann-Kendall檢驗結(jié)果與Hurst指數(shù)相結(jié)合，得到青藏高原草地地上生物量變化趨勢與持續(xù)性的耦合信息，如圖7所示。研究結(jié)果表明，青藏高原草地地上生物量變化趨勢不穩(wěn)定的區(qū)域占比61.38%，持續(xù)性輕微降低的區(qū)域占比4.67%，持續(xù)性明顯降低的區(qū)域占比1.19%，持續(xù)性穩(wěn)定不變的區(qū)域占比19.71%，持續(xù)性輕微增加的區(qū)域占比7.87%，持續(xù)性明顯增加的區(qū)域占比5.18%?？偟膩碚f，青藏高原2000-2020年草地地上生物量增加的區(qū)域要大于降低的區(qū)域，總體向好發(fā)展。

?

將草地類型按青藏高原行政區(qū)劃統(tǒng)計（表4），結(jié)果表明各省份不同草地類型變化趨勢不確定的區(qū)域面積占比較大，其中甘肅省、青海省和四川省持續(xù)性增加的草地區(qū)域面積都達(dá)到了20%以上，四川省持續(xù)性降低的草地區(qū)域面積超過了10%。山地草甸類在各省份均持續(xù)性輕微降低，其中西藏持續(xù)性輕微降低的區(qū)域面積占比最大，達(dá)到15.57%。甘肅省持續(xù)性明顯增加的草地類型前3位依次是溫性荒漠草原類、高寒草原類和溫性荒漠類。西藏各草地類型生物量均有所降低，其中溫性草甸草原類持續(xù)性輕微降低的區(qū)域面積達(dá)到20%以上，持續(xù)性增加總面積比率與退化的比例相持平。整體上各個省份大部分區(qū)域的各草地類型在持續(xù)性增加。

表4 2000-2020年青藏高原各類草地變化特征分析Table 4 The change characteristic analysis of different grassland from 2000-2020 on the Tibetan Plateau（%）

續(xù)表Continued Table

3 討論

3.1 機(jī)器學(xué)習(xí)模型的優(yōu)劣

本研究基于地面實測數(shù)據(jù)和MCD43A4產(chǎn)品構(gòu)建的植被指數(shù)，使用ffs篩選得到變量“prec_05”、“prec_06”、“tp_12”、“NDPI”、“prec_04”、“tmax_01”、“prec_08”、“prec_12”和生物量的關(guān)系較大，運用最優(yōu)模型Rborist，對2000-2020年青藏高原地區(qū)的草地生物量進(jìn)行反演，并對青藏高原2000-2020年的草地地上生物量時空變化趨勢進(jìn)行分析。Meng等［38］基于遙感數(shù)據(jù)和機(jī)器學(xué)習(xí)算法對2011-2016年甘南地區(qū)草地地上生物量建模，用隨機(jī)森林算法構(gòu)建了最優(yōu)估計模型，該模型可解釋牧草生長季AGB的89.41%的變化。Zeng等［13］利用隨機(jī)森林算法對2000-2014年青藏高原草地生物量反演，該研究在RF建模過程中選擇MOD13A2遙感植被指數(shù)（NDVI和EVI）、氣象變量（年平均溫度和年平均降水量）和地形變量（海拔、坡度和坡向），所建立的隨機(jī)森林模型在草地地上生物量估計中表現(xiàn)良好，能解釋觀測數(shù)據(jù)86%的變化。Lin等［39］利用優(yōu)化算法和多維特征改進(jìn)高寒草地植被覆蓋度估算，其中隨機(jī)森林算法（R2：0.861，RMSE：9.5%）的植被覆蓋度反演效果最好。Tang等［40］利用機(jī)器學(xué)習(xí)方法對2001-2020年黃河源地區(qū)反演草地生物量，研究結(jié)果表明隨機(jī)森林模型優(yōu)于其他3種模型。本研究主要是利用多種機(jī)器學(xué)習(xí)方法對草地生物量進(jìn)行反演。同樣發(fā)現(xiàn)隨機(jī)森林方法效果最佳，R2由高到低排序前10位中有8位是隨機(jī)森林的方法，前5位都是隨機(jī)森林的方法。隨機(jī)森林優(yōu)點是可以準(zhǔn)確描述生物物理參數(shù)與復(fù)雜環(huán)境因素之間的復(fù)雜非線性關(guān)系，并且易于實現(xiàn)，因為它的參數(shù)簡單，預(yù)測變量不需要預(yù)處理，且具有較好的泛化性和魯棒性［41］。本研究所選用的最優(yōu)模型是隨機(jī)森林方法中基于Rborist包的隨機(jī)森林（random forest，Rborist）。Rborist包能夠?qū)崿F(xiàn)隨機(jī)森林算法，并且擁有較高性能。這個包是Arborist項目的衍生品，Arborist項目是一個針對各種決策樹方法的多語言項目。Arborist在實現(xiàn)隨機(jī)森林的基礎(chǔ)上具有可擴(kuò)展和高性能特點，支持回歸和分類決策樹模型，能夠在訓(xùn)練和測試中利用多核并行運算，并且具有集群友好性。

3.2 研究結(jié)果的一致性

植被指數(shù)對地表植被狀況敏感，張雅等［42］基于Landsat 8數(shù)據(jù)提取常用的植被指數(shù)，利用統(tǒng)計分析方法建立紫泥泉牧場陰坡和陽坡的草原生物量遙感估算模型，并進(jìn)行了生物量空間反演與驗證，其中NDVI與生物量的相關(guān)性最高。葛靜等［43］基于ADC（農(nóng)業(yè)數(shù)字相機(jī)agricultural digital camera）和MODIS遙感數(shù)據(jù)對黃河源區(qū)的高寒草地地上生物量進(jìn)行監(jiān)測研究，結(jié)合MODIS NDVI構(gòu)建草地地上生物量反演模型。Wang等［31］提出的NDPI植被指數(shù)表現(xiàn)優(yōu)異。Gan等［44］利用MODIS MOD09A1產(chǎn)品提取的植被指數(shù)結(jié)合多種方法監(jiān)測2009-2013年黃淮冬小麥（Triticum aestivum）返青期（green-up dates，GUDs），結(jié)果表明NDPI與地面數(shù)據(jù)的一致性優(yōu)于其他植被指數(shù)。Su等［45］利用Sentinel-2衛(wèi)星遙感影像，通過對植被光譜反射率與降塵吸收率（the amount of dust absorption，ADA）的相關(guān)性分析，建立降塵反演模型，獲取常綠植被的降塵分布，結(jié)果表明NDPI更適合建立反演模型。An等［46］基于MODIS MOD09A1和不同算法分別監(jiān)測青藏高原植被生長季的開始和結(jié)束時間，研究結(jié)果指出基于EVI和NDPI的物候指標(biāo)時空穩(wěn)定性更好。本研究選用的10種植被指數(shù)與草地生物量之間的相關(guān)系數(shù)如圖8所示，可以看出NDPI與草地生物量關(guān)系更密切。原因在于NDPI使用加權(quán)的red-SWIR組合來代替NDVI中的紅波段，克服了土壤背景異質(zhì)性的不利影響；同時NDPI通過添加SWIR波段來響應(yīng)葉片水分含量，由于水分在草本植被總重量中所占比例較高，因此NDPI能夠捕捉葉片水分含量的變化，考慮了草地葉片水分變化對生物量的影響［47］。本研究結(jié)果與Xu等［47］認(rèn)為NDPI在草地地上生物量估算中具有優(yōu)越性相一致。

本研究經(jīng)過篩選得出8個變量中有5個與月降水量有關(guān)，說明降水量對青藏高原草地生物量影響很大。卓嘎等［48］對2000-2016年青藏高原植被覆蓋時空變化及其對氣候因子的響應(yīng)的研究結(jié)果表明降水量對植被覆蓋的影響大于平均氣溫對植被覆蓋的影響。Zhang等［49］基于MODIS MOD09A1產(chǎn)品和氣象數(shù)據(jù)，監(jiān)測了青藏高原的綠度變化趨勢及其驅(qū)動因素，結(jié)果表明青藏高原東北部植被對降水相對敏感，而高原南部植被對溫度相對敏感。Zeng等［13］利用隨機(jī)森林算法估算青藏高原草地地上生物量，研究指出在整個研究區(qū)草地AGB與氣溫、降水呈顯著正相關(guān)。草地AGB與年平均降水量的相關(guān)性為0.54（P＜0.05），遠(yuǎn)高于年平均溫度（R=0.38，P＜0.05）。Shen等［50］利用NDVI和氣象數(shù)據(jù)研究生長季前溫度和降水對青藏高原中東部草地春季物候的影響，研究結(jié)果表明溫度比降水對青藏高原草地返青期空間格局的影響更大。韓炳宏等［51］基于2000-2018年MODIS NDVI數(shù)據(jù)及氣象數(shù)據(jù)，探討了青藏高原地區(qū)NDVI的時空變化趨勢及其與氣溫、降水的關(guān)系，研究發(fā)現(xiàn)青藏高原地區(qū)NDVI與同期氣溫和降水均顯著相關(guān)，但與氣溫的關(guān)系更密切。綜上，目前對影響青藏高原地區(qū)草地生物量的氣象因素，有學(xué)者認(rèn)為主要是氣溫，有學(xué)者認(rèn)為是降水。出現(xiàn)差異的原因很可能是青藏高原不同地區(qū)對氣溫和降水敏感度不一樣，而且研究的年份、使用的數(shù)據(jù)和研究的方法不同都可能導(dǎo)致結(jié)果不同［49］。

3.3 研究展望

本研究證明了NDPI在青藏高原地區(qū)反演草地生物量有出色的表現(xiàn)，并且證實了Rborist方法對青藏高原草地生物量建模的有效性。今后將繼續(xù)深入研究NDPI的適用性，并進(jìn)一步分析溫度和降水與草地生物量的關(guān)系。在未來的工作中，考慮把土壤性質(zhì)等其他環(huán)境因素納入建模過程，以提高預(yù)測性能，并且最優(yōu)模型的選取是否適合運用在其他地方還有待進(jìn)一步驗證。

4 結(jié)論

本研究基于機(jī)器學(xué)習(xí)與MODIS數(shù)據(jù)研究青藏高原草地地上生物量的情況，得出以下結(jié)論：

1）構(gòu)建的機(jī)器學(xué)習(xí)模型中，Rborist模型精度最高，基于篩選后變量的R2達(dá)到0.6484。“prec_05”、“prec_06”、“tp_12”、“NDPI”、“prec_04”、“tmax_01”、“prec_08”、“prec_12”這8個變量與生物量相關(guān)。

2）青藏高原東南部的生物量要高于西北部，呈現(xiàn)由東南向西北遞減趨勢。

3）2000-2020年間青藏高原草地生物量穩(wěn)步增長，整體向好發(fā)展。青藏高原61.38%的草地變化趨勢不具有可持續(xù)性，4.67%的草地持續(xù)性輕微惡化，持續(xù)性明顯惡化的區(qū)域占比1.19%，呈穩(wěn)定或恢復(fù)趨勢的區(qū)域占比32.76%。