Da ein einzelner Machine-Learning-Algorithmus die in den Daten verborgenen Informationen nicht vollständig erschließen kann, schlägt diese Studie einen AST-Regressionalgorithmus (AdaBoost–Stacking Tree-based, AST) vor, um die Stabilität und Genauigkeit der Schätzung des oberirdischen Kohlenstoffvorrats im Wald (Aboveground Carbon Stock, AGC) zu verbessern. Als Untersuchungsobjekt dient die Bergkiefer in der Shangri-La-Region der Provinz Yunnan. Es wurden Daten aus der zweiten Forstwirtschaftserhebung und Landsat 8 OLI-Bilder verwendet, um eine Merkmalsauswahlmethode zu entwickeln, die einen genetischen Algorithmus und CatBoost (Genetic Algorithm and CatBoost, GAC) kombiniert. Diese Methode wurde mit dem rekursiven Merkmalseliminierungsverfahren (RFE) zur Auswahl ferngesteuerter Variablen verglichen. Mit dem Hyperopt-Hyperparameter-Optimierungsrahmen wurden die Hyperparameter der einzelnen Modelle optimiert. Vier einzelne Machine-Learning-Regressionmodelle, nämlich AdaBoost, CatBoost, Random Forest (RFR) und LightGBM, wurden gestapelt, um den AST-Regressionalgorithmus zu bilden, der durch Mittelwertfusion der Basislerner und adaptive Gewichtung des Meta-Lerners eine Optimierung erreicht. Durch den Vergleich der Genauigkeit von sechs einzelnen Modellen und dem AST-Ensemble-Modell wurde das optimale Modell für die Rückrechnung des Kohlenstoffvorrats der Bergkiefer und die Unsicherheitskartierung der Ergebnisse verwendet. Die Ergebnisse zeigen: 1) RFE wählte 9 Variablen aus, GAC wählte 7, wobei die von GAC ausgewählten Variablen einen größeren Beitrag zur Genauigkeit der AGC-Rückrechnung der Bergkiefer leisteten; 2) Basierend auf der iterativen Hyperparameteroptimierung mit Hyperopt wurde festgestellt, dass das optimale Subset an Merkmalen, ausgewählt von GAC in Kombination mit dem AST-Algorithmus, die beste Schätzgenauigkeit mit Bestimmtheitsmaß R²=0,885, RMSE=8,321 t/hm² und Vorhersagegenauigkeit P=86,4 % erzielte; 3) Basierend auf dem optimalen Schätzmodell wurde der oberirdische Kohlenstoffvorrat der Bergkiefer in der Stadt Shangri-La im Jahr 2016 mit 7.709.530 Tonnen und einer durchschnittlichen Kohlenstoffdichte von 40,015 t/hm² ermittelt. Zusammenfassend zeigte der AST-Algorithmus bei mehrfacher Kreuzvalidierung eine höhere Stabilität und Störresistenz und bietet neue Ansätze und technologische Unterstützung für die regionale Rückrechnung des Waldkohlenstoffvorrats.

Kohlenstoffvorrat;Hyperopt-Hyperparameter-Optimierung;Maschinelles Lernen;AST;Bergkiefer;GAC;Fernerkundung;Unsicherheitsanalyse