Dado que un único algoritmo de aprendizaje automático no puede explotar plenamente la información latente en los datos, este estudio propone un algoritmo de regresión AST (AdaBoost–Stacking Tree-based, AST) para mejorar la estabilidad y precisión de la estimación del stock de carbono terrestre forestal (Aboveground Carbon Stock, AGC). Se seleccionó el pino de montaña de la región de Shangri-La en la provincia de Yunnan como objeto de estudio. Se utilizaron datos de la segunda encuesta de recursos forestales y imágenes Landsat 8 OLI para construir un método de selección de características que combina el algoritmo genético y CatBoost (Genetic Algorithm and CatBoost, GAC), el cual se comparó con el método de eliminación recursiva de características (RFE) para la selección de variables de teledetección. Se utilizó el marco Hyperopt para la optimización de hiperparámetros de cada modelo. Cuatro modelos individuales de regresión de aprendizaje automático, a saber, AdaBoost, CatBoost, Random Forest (RFR) y LightGBM, se apilaron para formar el algoritmo de regresión AST, que optimiza el modelo mediante la fusión promedio de los aprendices base y el ponderado adaptativo del meta-aprendiz. Al comparar la precisión de seis modelos individuales y el modelo ensamblado AST, se utilizó el modelo óptimo para la inversión del stock de carbono del pino de montaña y la elaboración de mapas de incertidumbre de los resultados. Los resultados muestran: 1) RFE seleccionó 9 variables, GAC seleccionó 7, con una mayor contribución de las variables seleccionadas por GAC a la precisión de la inversión del AGC del pino de montaña; 2) tras la optimización iterativa de hiperparámetros basada en Hyperopt, se encontró que el subconjunto óptimo de características seleccionado por GAC combinado con el algoritmo AST logró la mejor precisión de estimación con un coeficiente de determinación R²=0,885, un error cuadrático medio RMSE=8,321 t/hm² y una precisión predictiva P=86,4 %; 3) con base en el modelo óptimo de estimación, se obtuvo que el stock de carbono terrestre del pino de montaña en la ciudad de Shangri-La en 2016 fue de 7,709,530 toneladas, con una densidad media de carbono de 40,015 t/hm². En resumen, el algoritmo AST mostró una mayor estabilidad y capacidad de resistencia a interferencias bajo múltiples validaciones cruzadas, proporcionando nuevas ideas y apoyo técnico para la inversión del stock de carbono forestal a escala regional.

stock de carbono;optimización de hiperparámetros Hyperopt;aprendizaje automático;AST;pino de montaña;GAC;teledetección;análisis de incertidumbre