孟新月， 葛 靜， 侯蒙京， 馮琦勝， 金哲人， 高金龍， 梁天剛

(草地農業(yè)生態(tài)系統(tǒng)國家重點實驗室, 蘭州大學草地農業(yè)科技學院， 甘肅 蘭州 730020)

植被蓋度是指地上植被占地表總面積的百分比，能夠很好地反映植被的生長情況，也是生態(tài)系統(tǒng)變化的敏感指標[1]。植被蓋度的大小能夠反映植被的茂密程度以及植被群落生長動態(tài)，同時也可以揭示區(qū)域生態(tài)環(huán)境的變化狀況，明確草原植被蓋度對評價草地資源、監(jiān)測草地退化狀況具有重要作用[2]。

地表實測法和遙感反演法是獲取植被蓋度的兩種廣泛使用的方法[3]。地表實測法以樣方尺度來測量，按其測量原理可分為目視估測法、采樣法及儀器法3類[4]。但是，傳統(tǒng)的地表實測法耗時長、所需精力多、精度低，且只適用于較小的空間尺度[4-6]。近年來，“3S”(Remote Sensing,RS;Global Position System,GPS;Geographic Information System,GIS)技術迅猛發(fā)展，具有平臺廣闊、層次豐富、時相較長等特點，在草地資源監(jiān)測中發(fā)揮著日益重要的作用[7]。吳見等[8]依據像元二分模型法收集了黃山市在各個年度的植物蓋度數據，并利用Landsat TM遙感技術影像，分析了黃山市植物蓋度空間變化特征，結果表明1988—2018年黃山市植被蓋度整體上呈現出增加趨勢；趙國忱等[9]利用Landsat-8數據和像元二分模型，并利用歸一化植被指數(Normalized difference vegetation index,NDVI)估算了遼寧北票市植被蓋度，結果表明2013—2015年間北票市東部為主要增長區(qū)域，2015—2017年間，南部和北部有較大增長。宋清潔等[10]通過地面實測數據結合中分辨率成像光譜儀(Moderate-resolution imaging spectroradiometer,MODIS)植被指數數據，分析了增強型植被指數(Enhanced vegetation index,EVI)和NDVI與草地蓋度的線性關系，篩選出甘南州草地蓋度最優(yōu)反演模型為基于EVI構建的對數模型，其R2為0.707，RMSE為10.69%。但是，已有研究也存在草地蓋度反演誤差大、反演模型構建方法有待改進等方面的問題。雖然利用MODIS等遙感數據和像元二分模型方法可以快速模擬植被蓋度隨時間序列的動態(tài)變化，但在估算蓋度時尚存在一定缺陷，如不能揭示植被覆蓋所體現的生態(tài)過程，并容易受純植被像元的參照光譜值的影響等[11]。由于單一的植被指數模型和多因素線性回歸模型精度較低、穩(wěn)定性差、存在局限性[12]，機器學習模型已逐步取代傳統(tǒng)算法成為構建草地蓋度模型的主流方法。機器學習模型是基于數據驅動的，其自動檢索和解釋數據的方法比較靈活，可用于任何訓練任務，準確性更高。機器學習模型能夠估計多個變量間的復雜關系，與傳統(tǒng)模型相比更具穩(wěn)健性，能有效提高模型的預測精度[13-14]。為了改善傳統(tǒng)模型在實際應用中存在的不足，一些學者使用機器學習模型在草地蓋度遙感反演方面進行了初步探索，如陳黔等[15]使用Landsat數據與其他數據進行北方沙地灌木覆蓋度的估算，研究表明利用機器學習算法可以很好的實現這一估算(R2=0.72，RMSE=13.73%)。Ge等[16]基于MODIS衛(wèi)星數據和野外實測蓋度數據，構建了黃河源區(qū)4種遙感反演模型，結果表明支持向量機模型(Support vector machine,SVM)為草地蓋度反演的最優(yōu)模型，比單因素模型的R2提高0.08～0.14。然而，機器學習算法需要大量草地蓋度觀測數據和多種生態(tài)環(huán)境變量，存在變量篩選、模型調參等多個環(huán)節(jié)的大量分析，研究結果受諸多因素的影響，因此在天然草地蓋度最優(yōu)反演算法研究方面仍需要進行深入探索。青藏高原海拔高，地貌豐富，面積廣大，草地資源異常豐富，由于自然和人為的雙重影響，青藏高原一些地區(qū)草地資源呈退化趨勢。我國已有多位學者針對青藏高原草地蓋度變化開展了大量研究。如邵偉等[17]利用統(tǒng)計資料分析表明西藏高原草地退化嚴重。高清竹等[18]基于遙感數據對藏北地區(qū)草地退化進行遙感監(jiān)測，結果表明藏北地區(qū)1982—2004年草地退化較為嚴重，重度退化草地面積占草地總面積的8%。陸晴等[19]利用NDVI數據和地面實測數據，對青藏高原1982—2013年高寒草地覆蓋時空變化進行了研究，結果表明青藏高原高寒草地生長季NDVI表現為從東南到西北逐漸減少的趨勢。但前人研究范圍大多限于青藏高原部分區(qū)域，從整體上系統(tǒng)進行青藏高原蓋度研究較少。

基于以上考慮，本研究利用2003—2018年草地植被生長季野外實測數據，首先用最小絕對壓縮變量篩選方法(Least absolute shrinkage and selection operator，LASSO)篩選合適的變量，再分別建立單因素回歸模型和多因素機器學習模型，基于最優(yōu)模型進一步分析青藏高原地區(qū)2001—2019年生長季草地蓋度的時空變化特征。本研究旨在通過分析草地植被蓋度的時空變化特征，為青藏高原地區(qū)草地資源的長期利用和動態(tài)監(jiān)測提供科學依據[20]。

1 數據及方法

1.1 研究區(qū)概況

青藏高原(26°50′～39°19′N，78°25′～103°04′E)包括西藏自治區(qū)、青海省和四川省、甘肅省、新疆維吾爾自治區(qū)及云南省的部分地區(qū)，地域遼闊，平均海拔在4 000 m以上，有“世界屋脊”之稱[21]。氣候具有輻射強、晝夜溫差大等特點，年平均氣溫范圍為-6℃～3℃；降水多集中在6—9月，占全年降水量的70%左右，且東西部降水量差距較大，東南部降水最高可達1 000 mm，而西北部降水多為40～100 mm[22]。青藏高原草地總面積約為121 742 km2，占高原總面積的60%[23]。因獨特的氣候，高寒草甸、高寒草原、高寒荒漠為青藏高原主要的三種草地類型(圖1)[24]。

圖1 研究區(qū)草地類型及外業(yè)調查樣點空間分布Fig.1 Grassland types and spatial distribution of field investigation samples in the study area

1.2 樣地數據獲取

地面實測數據的獲取時間為2003—2018年的7—9月，主要獲取了生長季的草地植被蓋度數據，總計獲得4 376個樣點(圖1)。在研究區(qū)內設定面積為100 m×100 m的樣地，選擇植被生長狀況均一、地勢平坦、具有代表性的典型群落地段[25]。依據樣地內草地植被的變化狀況，每個樣地選擇3～5個樣方采用目測法估計草地植被的蓋度。在采樣過程中，記錄通過GPS定位的每一樣方中心點的經緯度、高程和優(yōu)勢種、草地植被蓋度、草層高度等指標[26]。一個樣地的草地蓋度值由5個樣方觀測值的平均值代表。剔除明顯異常的數據，使數據采樣點信息一致，最終得到有效樣本記錄4 355條用于模型構建(表1)。

表1 2003-2018年青藏高原地區(qū)天然草地蓋度統(tǒng)計結果Table 1 Statistical results of natural grassland coverage on the Tibetan Plateau from 2003 to 2018

1.3 MODIS數據獲取及處理

本研究下載了覆蓋整個研究區(qū)的2001—2019年5—9月的MCD43A4反射率產品，時間分辨率為每天，空間分辨率為500 m。本研究共利用7個波段，每個波段所對應的波譜范圍依次是620～670 nm(Band1)，841～876 nm(Band2)，459～479 nm(Band3)，545～565 nm(Band4)，1 230～1 250 nm(Band5)，1 628～1 652 nm(Band6)和2 105～2 155 nm(Band7)。

利用MODIS數據重投影工具進行數據格式轉換和投影定義，將數據處理為TIFF格式和WGS84投影。在ArcMap 10.2軟件中利用extract by mask工具裁剪出研究區(qū)范圍，用于后續(xù)分析，同時，采用最大值合成法(Maximum value composite,MVC)，得到了月最大反射率數據集[27]。

1.4 生態(tài)環(huán)境指標及預處理

地形數據來源于地理空間數據云(http://www.gscloud.cn)，下載航天飛機雷達地形任務(SRTM) V4.1 TIFF數據，將SRTM數字高程模型(DEM)數據重采樣至500 m空間分辨率，以和MCD43A4產品匹配。利用ArcMap 10.2軟件計算得到研究區(qū)經度、緯度、海拔、坡向和坡度的空間分布數據[28]。

土壤數據來源于中國土壤特征數據集(http://globalchange.bnu.edu.cn/research/soil)，其中包括土壤深度0～30 cm的堿解氮(Alkali-hydrolysable N,AN)、有效鉀(Available K,AK)、有效磷(Available P,AP)、容重(Bulk density,BD)、砂土含量(Clay fraction,CL)、礫石含量(Gravel,GRAV)、PH值(PH)、孔隙度(Porosity,POR)、含泥量(Silt fraction,SI)、含砂量(Sand fraction,SA)、土壤有機質(Soil organic matter,SOM)、全鉀(Total potassium,TK)、全氮(Total nitrogen,TN)及全磷(Total phosphorus,TP)。同時使用本研究區(qū)邊界對土壤數據進行裁剪，以便進一步分析。

溫度和降水數據來源于國家地球系統(tǒng)科學數據中心共享服務平臺(http://www.geodata.cn)。為了與遙感植被指數產品MCD43A4的時間分辨率相匹配，對應該產品周期將日數據處理為月累積降水和月平均溫度。利用該數據使用插值軟件ANUSPLIN Version 4.3 進行空間插值?？臻g插值數據選擇500 m空間分辨率和Albers投影。擬合降水表面時，將經度、緯度和海拔作為三個獨立的樣條變量；擬合溫度表面時，高程作為獨立協(xié)變量。插值結果通過裁剪得到本研究區(qū)的氣候空間數據集，進而提取采樣地對應的降水和溫度值。

1.5 變量及篩選

本研究所涉及的變量包括4類，共55個。其中，遙感植被指數有31個(表2)，氣象指標包括年降水量(prec)、年平均溫度(tmp)、大于0度年積溫(GDD)、1月至采樣月累積降水(per_samp)和1月至采樣月累積溫度(tem_samp)，地形指標包括海拔(DEM)、坡位(TPI)、坡向(Aspect)、曲率(Curvature)和坡度(Slope)，土壤指標包括AK，AN，AP，BD，CL，GRAV，pH，POR，SA，SI，SOM，TK，TN及TP。為了精簡變量，使用最小絕對壓縮變量篩選(Least absolute shrinkage and selection operator，LASSO)方法來選擇敏感變量。這種方法可以顯著減少變量的數量，降低共線性，提高模型精度，還可以消除模型的冗余性，精簡模型。LASSO回歸分析是基于最小二乘法的原理，利用模型中各變量的回歸系數構造一個函數作為懲罰函數，并對各變量的系數進行壓縮，直到模型的殘差平方和最小，去掉系數降為0的變量。因此，LASSO回歸分析方法被廣泛應用于高維數據的變量篩選[29-30]。

表2 基于MODIS數據的草地植被指數變量Table 2 Grassland vegetation index variables based on MODIS data

1.6 模型構建與分析

本研究采用單因素回歸、人工神經網絡(Artificial neural network,ANN)、SVM和隨機森林(Random forest,RF)4種模型對草地蓋度進行建模。根據帕累托原則[31-32]，首先將4 355個樣本數據以8∶2的比例分為兩部分，其中3 484個樣本用于建模，871個樣本用于空間模擬結果的精度驗證，再將3 484個樣本數據以8∶2的比例分為兩部分，其中2 787個樣本作為訓練集數據，697個樣本作為測試集數據(圖1)。

1.6.1傳統(tǒng)回歸模型 本項研究首先使用回歸分析法構建草地蓋度模型，利用LASSO篩選出的變量作為自變量，分別與草地蓋度建立對數、線性、乘冪和指數4類回歸模型[27]。

1.6.2機器學習模型 本文共采用3種機器學習模型，分別為RF，SVM，ANN模型。RF模型是基于分類樹算法的一種算法。RF模型利用bootstrap進行抽樣，抽出的樣本用于回歸樹的構建。對訓練樣本進行連續(xù)篩選，得到最小殘差平方和，最后形成一棵完整的樹[33]。本研究在MATLAB 2019a中，通過Tree Bagger工具包構建RF模型，主要測試決策樹的數目，在ntree中設置以100為間隔，從100開始增加到2 000，共迭代20次，當十折交叉驗證誤差最小時，確定為最優(yōu)ntree，用于最終模型的構建。SVM是一種具有相關學習算法的監(jiān)督學習模型，由高維或無限維空間中的一組超平面構成，可以用于分類、回歸和其他任務。本研究在MATLAB 2019a中構建SVM回歸，選擇徑向基函數(RBF)作為核函數，采用遺傳算法(GA)智能尋找最佳cost (bestc)和gamma (bestg)參數。ANN是由輸入層、輸出層和一個或多個隱含層組成的多層網絡結構[34]。本研究通過MATLAB軟件的神經網絡工具箱完成BP神經網絡建模及其驗證，設置隱含層神經元個數以10為間隔，從10增加到100，共迭代10次，取交叉驗證誤差最小時的neuron個數為最優(yōu)neuron，構建最終模型。

1.6.3模型評價指標 模型的適應度由訓練數據集的決定系數(R2)來衡量，預測精度的評價指標為相關系數(r)、均方根誤差(RMSE)和均方根誤差變異系數(CVRMSE)[35-36]。具體計算公式如下：

式中，E(yi)和yi分別為y的實測值和預測值，n等于樣本量(這里n=697)。RMSE越低，模型精度越高[37]。

1.7 草地蓋度空間分布與動態(tài)變化

2001—2019年最大草地蓋度的時間變化采用坡度線性趨勢模型分析，計算各像元的植被蓋度變化[40-41]。當slope>0時，草地蓋度呈增加趨勢；當slope<0時，草地蓋度呈降低趨勢。計算公式為：

式中，n等于總年數(19)；i是2001年至2019年的年份序號(即1～19)；其中，coveri為最優(yōu)模型模擬的第i年年最大草地蓋度。

利用F檢驗分析草地變化的顯著性[42]。如果F>F0.05(1,n-2)，在95%置信水平下變化顯著，此處F0.05(1,14)=4.60。研究區(qū)草地蓋度變化分為4類：顯著增加(slope>0,F>4.60)，增加(slope>0,F<4.60)，減少(slope<0,F<4.60)和顯著減少(slope<0,F>4.60)。F檢驗公式為:

式中，n等于總年數19，R2為每個像元的草地蓋度與時間序列的相關系數r的平方；是1～19的平均值，此處等于10。coveri為最優(yōu)模型模擬的第i年年最大草地蓋度，其中，為2001—2019年平均最大草地蓋度。

利用RF最優(yōu)模型，反演出每年生長季草地蓋度最大值。結合slope線性趨勢分析和F檢驗分析2001—2019年草地蓋度的變化。在ArcMap 10.2中，利用Reclassify工具對19年草地蓋度增減情況進行分級，分為增加、顯著增加、減少、顯著減少四級[25]。

2 結果與分析

2.1 變量篩選結果

通過LASSO篩選，共選出10個敏感變量用于天然草地植被蓋度模型的構建與分析。其中，包括2個植被指數，分別為LSWI，RVI；2個氣象指標，分別為prec和tem_samp；1個地形參數，為Slope；5個土壤屬性指標，分別為AN，AP，BD，POR，TP。由此可見，土壤、地形、氣象和植被指數這四類變量與草地蓋度均具有密切關系。

2.2 單因子模型分析

表3是利用LASSO篩選出的變量建立的回歸模型及精度分析結果。由表3可以看出，在所有草地蓋度單因子參數模型中，基于LSWI和RVI的單因子模型精度優(yōu)于其他模型，其R2均為0.52，RMSE介于15.56%～18.21%；其次為基于氣象指標的單因子模型，R2介于0.02～0.39，RMSE介于17.77%～23.06%；而基于土壤、地形等因素的草地蓋度單因子參數模型精度均較低，R2介于0.1～0.26，RMSE介于19.35%～23.12%。

表3 草地蓋度與植被指數的單因子模型精度評價結果Table 3 Evaluation results of single-factor model accuracy of grassland coverage and vegetation index

LSWI和RVI與草地植被蓋度之間有較好的線性相關關系?；赗VI的線性模型的擬合決定系數(R2=0.52)高于指數模型(R2=0.50)、對數模型(R2=0.47)及乘冪模型(R2=0.42)，基于LSWI的線性模型的擬合決定系數(R2=0.52)高于指數模型(R2=0.47)，而基于RVI的均方根誤差低于LSWI。由此可見，基于RVI的線性模型為青藏高原草地植被蓋度的最優(yōu)單因子模型。

2.3 機器學習模型分析

從分析結果(表4)可以看出，3種機器學習模型精度均高于單因子最優(yōu)模型，R2提高了0.09～0.16，RMSE降低了1.52%～2.81%。RF模型的決定系數(R2=0.68)高于SVM模型(R2=0.66)和ANN模型(R2=0.61)，而RF模型的均方根誤差最低(RMSE=12.75%)，同時RF模型的CVRMSE為16.81%，代表其有較好的預測能力。研究結果說明，本研究建立的RF模型預測值與實地測量的草地蓋度值非常接近，可見RF模型優(yōu)于其他模型，為青藏高原草地植被蓋度的最優(yōu)估測模型。

2.4 草地蓋度空間動態(tài)變化分析

圖2為利用RF模型反演的2001—2019年草地年最大蓋度的平均結果?？傮w上看，青藏高原草地植被覆蓋狀況較好，東部地區(qū)草地覆蓋度高，西部地區(qū)覆蓋度低。低蓋度(<40%)草地主要分布在西藏自治區(qū)的中部高海拔地區(qū)，其面積占比為16%；較低蓋度(40%～60%)草地多分布在青海省西部和西藏自治區(qū)的周邊，其面積占比為33%；較高蓋度(60%～80%)草地則主要分布在青藏高原中部地區(qū)，與中低蓋度草地交錯分布，其面積占比為36%；高蓋度(>80%)草地多分布在四川省、甘肅省和青海省的東部地區(qū)，面積占比為15%。高和較高植被覆蓋區(qū)域面積占青藏高原草地總面積的15%和36%，共占青藏高原草地總面積的51%，說明青藏高原植被生長季大部分區(qū)域的草地植被覆蓋率較高，且植被覆蓋狀況良好。

表4 青藏高原草地植被蓋度機器學習模型精度評價結果Table 4 Accuracy evaluation results of machine learning model for grassland vegetation coverage in Qinghai-Tibet Plateau

利用最大值合成法，通過對7—9月的最大草地蓋度趨勢分析的結果表明(圖3)，2001—2019年青藏高原大部分地區(qū)草地蓋度呈現增加趨勢，呈增加趨勢區(qū)域占比為55.4%，減少區(qū)域占比為44.6%。草地蓋度減少大部分發(fā)生于研究區(qū)中心地帶，少數分布于四川省部分地區(qū)；草地蓋度顯著減少的地區(qū)主要在西藏自治區(qū)的東南部地區(qū)和西藏自治區(qū)北部的少部分地區(qū)，面積占比為5.2%；青藏高原的東、西部地區(qū)多為草地蓋度增加區(qū)域；青海省的東北地區(qū)為蓋度顯著增加區(qū)域，另有少數分布在西藏自治區(qū)的西南部地區(qū)，面積占比為8.1%。

圖3 2001—2019年青藏高原草地蓋度變化趨勢Fig.3 Trends of grassland coverage in the Tibetan Plateau from 2001 to 2019

3 討論

本研究對比分析了單變量參數模型與非參數模型性能，確定了青藏高原地區(qū)最優(yōu)草地蓋度反演模型。單因素模型統(tǒng)計分析的結果表明，土壤、地形、氣象和植被指數這4類變量均與草地蓋度具有密切的關系。土壤、地形、氣象因素對草地蓋度有一定程度的影響，土壤屬性指標與草地蓋度的R2介于0.01～0.26，地形參數R2為0.02，氣象因素R2達0.38。由此可見，單因素模型不能反映多種因素的綜合影響，因此在大范圍的草地蓋度分析時基于單因素構建的回歸模型的誤差偏大。本研究采用了3種常見的機器學習模型。RF模型對參數的調整變化并不敏感，具有極佳的性能。經研究發(fā)現，噪聲數據對RF模型影響較小，具有魯棒性[43-45]。與ANN，SVM模型相比，RF模型的訓練集和測試集精度存在一定差異。SVM模型更適合處理小樣本數據，但當樣本量過大時，SVM模型需耗費更多運算時間用于參數調整。參數調整對ANN模型的影響較大。最優(yōu)機器學習的RF模型自變量包括LSWI和RVI 2個植被指數，prec和tem_samp 2個氣象指標，1個坡度地形參數，以及AN，AP，BD，POR，TP5個土壤屬性指標。這些變量涵蓋了可代表草地生態(tài)環(huán)境的多種屬性，各指數之間具有優(yōu)勢互補的特點，因此利用LASSO變量篩選方法選出的最優(yōu)變量組合方式構建的RF模型可以更好的反演整個青藏高原天然草地蓋度的變化。然而，基于RF的最優(yōu)模型仍然存在一定的局限性和不確定性。首先，青藏高原地區(qū)草地面積較大、地形復雜，大部分樣地分布在高原東部地區(qū)，而中西部地區(qū)由于受道路和海拔的限制，樣地數量有限，而地面采樣點和遙感數據的時間匹配也存在很大不確定性，使得構建的模型存在一定的誤差。同時，青藏高原氣象站分布不均勻，氣象資料的空間插值存在一定誤差[46]。其次，與單變量參數模型相比，RF模型算法更靈活，由基于高維數據訓練的大樣本決策樹組成，具有較強的數據誤差容忍度，但通常需要大量的標記和地面測量數據。因此，模型仍有一定的局限性和不確定性。

本研究分析了2001—2019年青藏高原草地蓋度空間分布格局與動態(tài)變化特征，針對青藏高原草地蓋度變化，學者已展開了大量研究。如唐志光等[47]研究表明三江源地區(qū)草地蓋度空間分布呈現出東高西低的特點；于伯華等[48]的研究結果表明，雅魯藏布江流域草地蓋度總體上呈現出上升趨勢。丁明軍等[49]基于NDVI反演了1982—2009年青藏高原草地植被蓋度的年際變化，高原大部分地區(qū)草地蓋度呈現增加趨勢。本研究結果與前人在該地區(qū)所做研究結果基本一致，均得出該地區(qū)2001—2010年內草地蓋度呈現整體增加的趨勢。馬琳雅等[50]利用MODIS植被指數數據，分析了甘南州2001—2011年草地蓋度空間變化特征，基于MODIS-EVI的對數模型為最優(yōu)模型，R2為0.47。本研究與之相比精度較高，這得益于我們不僅考慮了遙感植被指數，還充分考慮了土壤、地形、氣象等變量，能更好的反演草地蓋度的時空變化。草地蓋度不僅受氣候變化的影響，同時人為因素也會對草地植被蓋度產生很大的影響。2001—2019年青藏高原地區(qū)草地年平均最大蓋度空間分布整體上呈現自西向東、自北向南遞增的趨勢，并且增加區(qū)域大于減少區(qū)域。這與近年來國家加強對草地退化的重視有關。自1999年以來，國家先后實施了一系列以草原綜合治理和恢復為重點的工程措施，如退牧還草、草原生態(tài)保護補助獎勵等措施[51]。因此，合理的人為干預對草地植被的恢復具有顯著的作用。

在本項研究基礎上，為提高模型精度，可通過科學手段改進現有模型，如:合理擴大觀測范圍、增加更多采樣點以提高衛(wèi)星影像的空間匹配性等。另外，傳統(tǒng)的地表實測法費時、費力、精度低，且不能反映較大空間尺度的植被結構和空間變化等信息，近年來無人機(Unmanned aerial vehicle,UAV)技術普遍應用于地表觀測，具有體積小、質量輕、靈活性高、可在特殊地區(qū)探測等優(yōu)點[52-53]，因此利用基于UAV的大范圍多樣點的草地蓋度快速監(jiān)測方法，增加建模樣本的數量和時空代表性，是未來改進研究區(qū)天然草地蓋度反演模型的重要研究方向。此外，青藏高原由于地形復雜，東西部氣溫、降水變化強烈，受氣候等諸多因素的影響，東西部的人口也存在巨大差距，氣象因子和土壤、地形因子也存在一定的空間差異性。因此，深入研究和分析氣象因素和人為因素對草地蓋度的影響也是今后研究的重要內容。

4 結論

本研究基于2003—2018年青藏高原地區(qū)地形、土壤、氣候和植被指數數據，對比分析了青藏高原天然草地植被蓋度單因素回歸模型和非參數模型的精度，研究了近19年(2001—2019)青藏高原草地蓋度時空動態(tài)變化。結果表明，在單因子草地蓋度遙感模型中，MODIS RVI與草地植被蓋度的相關性最好，基于RVI構建的線性模型的R2為0.52，RMSE為15.56；在3種機器學習方法中，RF算法是青藏高原草地植被蓋度反演的最優(yōu)模型，R2達0.68，RMSE為12.75；RF模型的自變量包括2個植被指數、2個氣象指標、1個地形參數及5個土壤屬性指標，不僅有基于紅光和近紅外波段構建的傳統(tǒng)植被指數RVI，也包括可以反映干旱、半干旱區(qū)域植被生長狀況的LSWI，這些變量涵蓋了優(yōu)勢互補的植被指數，因此RF模型在反演類型多樣、地形、氣候和土壤異質性強的青藏高原天然草地蓋度變化方面具有獨特的優(yōu)勢；2001—2019年間青藏高原地區(qū)草地植被蓋度整體呈現出由西向東、由北到南的增加趨勢，55.4%區(qū)域呈增加趨勢，44.6%區(qū)域呈減少趨勢。