基于多源哨兵数据与可解释机器学习的青藏高原南部草地生物量估算

摘要

[目的]草地地上生物量（Aboveground Biomass,AGB）是表征草地生态系统结构与功能的重要指标。针对高寒草地AGB遥感反演中光学数据易饱和、微波数据易受土壤湿度与地表粗糙度干扰，以及传统机器学习模型生态学解释性不足等问题，探索多源遥感数据融合与可解释机器学习方法在青藏高原复杂地形区草地AGB估算中的适用性与优势。[方法]以青藏高原东南缘昌都地区为研究区，基于Sentinel-1微波与Sentinel-2光学遥感数据，结合地面样方调查数据，构建多源遥感驱动的草地AGB估算模型。采用Boruta特征选择方法筛选关键遥感变量，并分别利用极端梯度提升（eXtreme Gradient Boosting,XGB）、随机森林（Random Forest,RF）、支持向量回归（Support Vector Regression,SVR）和K近邻（K-Nearest Neighbors,KNN）4种机器学习算法开展对比建模。同时引入SHAP方法分析关键变量对AGB估算的贡献及其非线性响应特征。[结果]多源遥感融合模型的估算精度显著优于单一数据源模型，其中XGB模型表现最佳，预测决定系数R2达到0.87,RMSE和rRMSE分别为9.5 g·m^-2和13.57%;VH后向散射系数、NDVI和EVI是影响AGB估算的最关键变量，SHAP分析揭示其对不同生物量区间具有显著的非线性贡献特征；草地AGB空间分布明显受地形因子控制，低海拔和南向坡区域生物量较高，而高海拔及北向坡区域生物量显著偏低。[结论]光学与微波遥感数据的互补融合结合机器学习建模可有效提升高寒复杂地形区草地AGB反演精度，引入SHAP方法能够增强模型结果的生态学解释力。研究结果为青藏高原草地生物量遥感监测与生态资源管理提供可靠的技术路径和科学依据。

关键词

草地地上生物量 / Sentinel-1 / Sentinel-2 / 机器学习 / SHAP可解释性