近日，南京信息工程大学地理科学学院汪远伟副教授指导硕士生张兴娇在国际期刊《Trees, Forests and People》发表题为Spatiotemporal dynamics and nonlinear drivers of above ground biomass on the Tibetan Plateau的研究论文，揭示2000 2024年青藏高原地上生物量（AGB）时空演变规律，借助可解释机器学习阐明水-热-地形多因子的非线性阈值效应与交互耦合机制，为高原高寒生态系统碳循环解析、区域生态保护与可持续管理提供重要的数据支撑与科学依据。
图1论文首页
青藏高原被称为“地球第三极”，对全球气候变暖高度敏感。地上生物量是陆地碳库的核心组分，也是表征植被生产力的关键指标。长期以来，高原森林、高寒草甸、高寒草原交错分布，植被异质性极强，大尺度地上生物量反演存在很大不确定性；同时多数机器学习模型属于 “黑箱模型”，难以定量区分各环境要素的独立作用与交互效应，制约了对高原碳循环驱动机理的深度理解。针对这一科学问题，研究整合MODIS多源遥感光谱指数、地形、气候、土壤数据集，构建2000 2024年青藏高原250 m分辨率地上生物量数据集，对比多层感知机（MLP）、支持向量回归（SVR）、随机森林（RF）和极端梯度提升（XGBoost）4种机器学习模型，引入SHAP（Shapley加性解释）可解释人工智能框架，系统解析环境因子的单因子阈值效应与两两交互驱动机制。
研究结果表明，XGBoost模型反演效果最优，测试集R2=0.70，均方根误差RMSE=55.11 Mg/ha，集合学习算法对高原复杂高寒环境具备更强的拟合能力。2000 2024年间，整个高原地上生物量整体呈不显著的波动下降态势，下降速率仅0.0368 Mg/ha/yr，年际波动明显；空间上呈现显著东南 西北梯度，高生物量集中在东南部湿润森林盆地，西北干旱高寒草原、荒漠区域生物量数值较低。流域尺度上，印度河流域绿化趋势最为突出，柴达木盆地则出现明显生物量衰减。结合变异系数CV与Hurst指数对生态稳定性和未来趋势开展评估，高原约28.8%区域将持续改善，55.7%区域存在持续退化风险，过渡转换区域零散分布于高原中部、内陆盆地与各大江河源区，生态风险空间分异突出。
图2 2000 2024年青藏高原主要流域地上生物量时空格局。(I)多年平均地上生物量空间分布；(II)地上生物量时间变化趋势；(III) Mann Kendall显著性检验与Theil Sen斜率结果叠加图，展示不同显著性水平下的上升、下降趋势；(a l)青藏高原12个主要流域的地上生物量年际时间序列。
该研究产出可解释的大尺度长时间序列青藏高原地上生物量数据集，统计证实了水 能量耦合互作在高寒碳循环中的重要地位，可为高原生态修复成效评估、碳源汇变化研判提供理论参考。论文得到国家自然科学基金（U23A2010、42571174）项目资助。汪远伟副教授长期从事青藏高原生态 水文 冰冻圈方向研究，重视研究生科研全流程培养，本成果是学院科教融合人才培养的代表性产出。
论文信息：
Zhang, X., Ao, S., Wang, Y.*, Wang, L., Guo, X., Xie, Z., Lin, S., Wang, C., Liu, J., Fu, P., Zhao, L. (2026) Spatiotemporal dynamics and nonlinear drivers of above-ground biomass on the Tibetan Plateau. Trees, Forests and People, 28, 101556. https://doi.org/10.1016/j.tfp.2026.101556.