Поскольку одна только алгоритм машинного обучения не может полноценно извлекать скрытую информацию из данных, в настоящем исследовании предложен регрессионный алгоритм AST (AdaBoost–Stacking Tree-based, AST) для повышения стабильности и точности оценки надземного углеродного запаса леса (Aboveground Carbon Stock, AGC). В качестве объекта исследования выбран сосновый лес в горном районе Шангри-Ла провинции Юньнань. Использовались данные лесных ресурсов второго класса и снимки Landsat 8 OLI. Построен метод отбора признаков, объединяющий генетический алгоритм и CatBoost (Genetic Algorithm and CatBoost, GAC), который сравнивался с методом рекурсивного устранения признаков (RFE) для отбора дистанционных переменных. С помощью Hyperopt выполнялась оптимизация гиперпараметров моделей. Четыре одиночные регрессионные модели машинного обучения — адаптивное бустинг (AdaBoost), CatBoost, случайный лес (RFR) и легковесный градиентный бустинг (LightGBM) — были объединены с помощью стекинга для формирования регрессионного алгоритма AST. Оптимизация достигается за счет усреднения базовых моделей и адаптивного взвешивания метамодели. Сравнение точности шести одиночных моделей и модели AST показывает, что оптимальная модель используется для обратного моделирования углеродного запаса сосны и карты неопределенности результатов. Результаты показывают: 1) RFE отобрал 9 переменных, GAC — 7, причем переменные, отобранные GAC, внесли больший вклад в точность обратного моделирования AGC сосны; 2) с помощью итеративной настройки гиперпараметров Hyperopt было установлено, что оптимальный поднабор признаков, выбранный GAC в сочетании с AST, достиг наилучшей точности оценки с коэффициентом детерминации R²=0,885, среднеквадратической ошибкой RMSE=8,321 т/га² и точностью прогноза P=86,4%; 3) на основе оптимальной модели обратного моделирования было получено, что надземный углеродный запас сосны в Шангри-Ла в 2016 году составляет 7 709 530 тонн, средняя плотность углерода — 40,015 т/га². В целом алгоритм AST продемонстрировал более высокую стабильность и устойчивость к помехам при многократной перекрестной проверке, что предоставляет новые идеи и техническую поддержку для обратного моделирования углеродного запаса леса на региональном уровне.

углеродный запас;гиперпараметрическая оптимизация Hyperopt;машинное обучение;AST;сосна;GAC;дистанционное зондирование;анализ неопределенности