단일 머신러닝 알고리즘이 데이터 내 잠재 정보를 충분히 추출하지 못함에 따라, 본 연구에서는 산림 지상 탄소 저장량(Aboveground Carbon Stock, AGC)의 안정성과 정확성을 향상시키기 위해 AST 회귀 알고리즘(AdaBoost–Stacking Tree-based, AST)을 제안하였다. 연구 대상은 윈난성 샹그릴라 지역의 고산 소나무로, 산림 자원 2차 조사 데이터와 Landsat 8 OLI 영상을 사용하였다. 유전 알고리즘과 CatBoost를 융합한 특성 선택 방법(Genetic Algorithm and CatBoost, GAC)을 구축하였으며, 원격탐사 변수 선별을 위해 재귀적 특성 제거법(RFE)과 비교하였다. Hyperopt 하이퍼파라미터 최적화 프레임워크를 사용하여 각 모델의 하이퍼파라미터를 조정하였으며, 적응형 부스팅(AdaBoost), CatBoost, 랜덤 포레스트(RFR), 경량 그라디언트 부스팅(LightGBM) 등 네 가지 단일 머신러닝 회귀 모델을 스태킹 집성하여 AST 회귀 알고리즘을 형성하였다. 본 알고리즘은 기본 학습자의 평균 융합과 메타 학습자의 적응 가중치를 통해 모델을 최적화한다. 여섯 가지 단일 모델과 AST 집성 모델의 정확도를 비교한 결과, 최적 모델을 활용해 고산 소나무 탄소 저장량을 반전하고 불확실성 지도를 작성하였다. 결과는 다음과 같다: 1) RFE는 9개의 변수를 선별하였고, GAC는 7개를 선별하였으며, GAC 선별 변수들이 고산 소나무 AGC 반전 정확도에 더 큰 기여를 하였다; 2) Hyperopt를 기반으로 한 하이퍼파라미터 반복 조정 결과, GAC가 선별한 최적 특성 하위 집합과 AST 알고리즘의 결합이 가장 우수한 추정 정확도를 얻었으며, 결정계수 R²=0.885, RMSE=8.321 t/hm², 예측 정확도 P=86.4%를 기록하였다; 3) 최적 추정 모델을 기반으로 샹그릴라시 2016년 고산 소나무 지상 탄소 저장량은 770만 953톤, 평균 탄소 밀도는 40.015 t/hm²로 산출되었다. 종합적으로, AST 알고리즘은 다중 교차 검증에서 높은 안정성과 방해 저항성을 보였으며, 지역 규모 산림 탄소 저장량 반전에 새로운 아이디어와 기술적 지원을 제공한다.

탄소 저장량;Hyperopt 하이퍼파라미터 최적화;머신러닝;AST;고산 소나무;GAC;원격 탐사;불확실성 분석