青藏高原高寒草地生态系统碳氮储量

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。

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。

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。

放牧对青藏高原高寒草地的影响放牧是家畜在草地的一种牧食行为，是使人工管护下的草食动物在放牧地上采食牧草并将其转化成畜产品的一种生产方式。

而放牧家畜通过采食、践踏和排泄对草地产生影响，这些因素影响草地牧草的产量、品质和植物学组成，反之，这些因素又受草地牧草属性的影。

青藏高原是我国主要畜牧业基地，天然草地约115亿hm2 ，约占我国草地面积的30 %。

其中，高寒草甸草场约0.7亿hm2，约占青藏高原草地面积的49%。

草地资源丰富，草质柔软，营养丰富、具有高蛋白、高脂肪、高碳水化合物以及纤维素含量低，热值含量高等特点，是发展高原草地畜牧业的物质基础。

但是，由于长期对草地资源不合理的开发利用，超载过牧使生物多样性受到严重威胁，草地植物群落结构发生变化，优良牧草因丧失竞争和更新能力而逐渐减少，毒杂草比例增加，致使草地退化严重，据不完全统计，青藏高原约有0.45×108hm2退化草地，约占青藏高原草地总面积的1/3，其中严重退化的次生裸地——“黑土滩”，约占退化草地面积的16.5%，这已经威胁到当地的生态环境、生物多样性保护和畜牧业经济的发展。

一、放牧对草地微生物、植物生物量的影响（一）土壤微生物土壤微生物量碳作为土壤有机碳库中最活跃的部分，是土壤有机质和养分转化与循环的动力。

微生物量碳库的任何变化，都会对土壤碳、氮、磷等的植物有效性及陆地生态系统的物质循环产生深刻的影响。

土壤微生物量碳对环境变化极敏感，能够较早地指示生态系统的功能变化，可作为土壤质量和土壤总有机质变化的早期预测指标。

土地利用状况明显影响了土壤微生物量碳和有机碳的含量与分布，与未放牧样地相比，放牧样地的微生物量碳氮均有明显升高，地下线虫种群也发生明显变化，放牧对维持土壤营养物质的周转和生态系统的稳定有不可或缺的作用，而过度放牧不仅使土壤养分输出增加、土壤肥力下降，还会使整个草地生态系统的功能消失殆尽。

畜禽肥料的投入比化肥更能促进微生物量的成，土壤中枯枝落叶的加入能明显增加微生物量，土壤速效氮、全磷、缓效钾及PH值对土壤微生物量磷的直接影响较大，上层土壤全磷含量是促进土壤微生物量磷累积的重要因素。

青海省森林土壤有机碳氮储量及其垂直分布特征王艳丽;字洪标;程瑞希;唐立涛;所尔阿芝;罗雪萍;李洁;王长庭【摘要】森林土壤在调节森林生态系统碳、氮循环和减缓全球气候变化中起着关键的作用.但是,由于林型、林龄以及环境因子(海拔)的差异,至今对于森林土壤碳、氮储量的估算依然存在极大的不确定性.因此,利用森林土壤实测数据估算了青海森林土壤有机碳、氮密度和碳、氮储量,分析了土壤有机碳、氮密度的垂直分布格局.结果表明:1)土壤有机碳密度随海拔的增加呈单峰曲线变化,在海拔3100-3400 m 达到最大34.33 kg/m2;氮密度随海拔的增加而增加,范围为1.39-2.93 kg/m2.2)在0-30 cm土层,土壤有机碳、氮密度均随土层的增加而降低,范围分别为3.84-4.63 kg/m2、0.22-0.27 kg/m2.3)青海省森林土壤碳储量为1098.70 Tg,氮储量为61.78Tg.4)海拔与氮含量和密度之间存在极显著正相关关系(P＜0.01,P＜0.01).土层深度与有机碳含量存在极显著负相关关系(P＜0.01);与有机碳密度、氮密度存在极显著正相关关系(P＜0.01,P＜0.01).说明海拔和土层是影响青海省森林土壤有机碳、氮分布的关键因子.【期刊名称】《生态学报》【年(卷),期】2019(039)011【总页数】10页(P4096-4105)【关键词】土壤碳储量;土壤氮储量;森林生态系统;有机碳密度;海拔梯度【作者】王艳丽;字洪标;程瑞希;唐立涛;所尔阿芝;罗雪萍;李洁;王长庭【作者单位】西南民族大学生命科学与技术学院,成都610041;西南民族大学青藏高原研究院,成都610041;西南民族大学生命科学与技术学院,成都610041;西南民族大学青藏高原研究院,成都610041;西南民族大学生命科学与技术学院,成都610041;西南民族大学青藏高原研究院,成都610041;西南民族大学生命科学与技术学院,成都610041;西南民族大学青藏高原研究院,成都610041【正文语种】中文土壤有机碳、氮是土壤碳、氮储量的重要组成部分,全球约有1500 Gt碳、95 Gt 氮是以有机质形态储存于地球土壤中[1-2],其积累和分解的速率决定着土壤碳、氮储量。