نظرًا لعدم قدرة خوارزمية التعلم الآلي الأحادية على استخراج المعلومات الكامنة في البيانات بشكل كافٍ، اقترح هذا البحث خوارزمية الانحدار AST (AdaBoost–Stacking Tree-based، AST) لتحسين استقرار ودقة تقدير مخزون الكربون فوق الأرضي في الغابات (Aboveground Carbon Stock، AGC). تم اختيار شجرة الصنوبر الجبلي في منطقة شانغريلا بمقاطعة يونان كموضوع للدراسة، واستخدمت بيانات المسح الثاني للموارد الحرجية وصور Landsat 8 OLI، وتم بناء طريقة اختيار الميزات المدمجة بين الخوارزمية الوراثية وCatBoost (Genetic Algorithm and CatBoost، GAC)، وتمت مقارنة هذه الطريقة مع طريقة الإزالة العودية للميزات (RFE) لاختيار متغيرات الاستشعار عن بعد. تم استخدام إطار تحسين المعلمات الفائقة Hyperopt لضبط معلمات النماذج المختلفة، وتم دمج أربع نماذج انحدار تعلم آلي أحادية وهي تعزيز التكيف (AdaBoost)، وCatBoost، والغابات العشوائية (RFR)، وتعزيز التدرج الخفيف (LightGBM) لتشكيل خوارزمية الانحدار AST، والتي تحقق تحسينًا بواسطة دمج متوسط النماذج الأساسية والوزن التكيفي للنموذج المتعلم. من خلال مقارنة دقة ستة نماذج أحادية ونموذج التكامل AST، تم استخدام النموذج الأمثل لعكس مخزون الكربون لشجرة الصنوبر الجبلي ورسم عدم اليقين في النتائج. أظهرت النتائج: 1) اختارت RFE تسعة متغيرات، واختارت GAC سبعة متغيرات، مع إسهام أكبر لمتغيرات GAC في دقة الانعكاس؛ 2) بعد تعديل معلمات النماذج باستخدام Hyperopt، وجد أن المجموعة الفرعية المثلى للميزات المختارة من GAC مع خوارزمية AST حققت أفضل دقة تقدير مع معامل التحديد R²=0.885، وجذر متوسط مربع الخطأ RMSE=8.321 طن/هكتار²، ودقة التنبؤ P=86.4٪؛ 3) باستخدام النموذج الأمثل، بلغ مخزون الكربون الأرضي لشجرة الصنوبر الجبلي في مدينة شانغريلا عام 2016 حوالي 7,709,530 طن، مع كثافة كربون متوسطة 40.015 طن/هكتار². وباختصار، أظهرت خوارزمية AST استقرارًا أعلى ومقاومة أفضل للتشويش عبر التحقق المتقاطع المتعدد، مما يوفر أفكارًا ودعمًا تقنيًا جديدًا لانعكاس مخزون الكربون في الغابات على نطاق إقليمي.

مخزون الكربون;تحسين معلمات Hyperopt;التعلم الآلي;AST;شجرة الصنوبر الجبلي;GAC;الاستشعار عن بعد;تحليل عدم اليقين