近日，草地资源教育部重点实验室韩国栋教授团队在国际期刊发表了有关机器学习算法融合多源遥感数据的草地资源监测方法研究系列文章，博士后乌尼图为该系列文章第一作者，韩国栋教授为通信作者。

机器学习融合遥感数据在草地资源监测领域具有重要应用价值，这种技术不仅可以显著提高草地资源的宏观监测能力，而且通过对海量历史数据的学习，可以有效预测草地生态的变化趋势，有助于制定科学的草地管理和保护策略。2023年1月，该团队在《Remote Sensing》（Top期刊）发表“Comparing Machine Learning Algorithms for Pixel/Object-Based Classifications of Semi-Arid Grassland in Northern China Using Multisource Medium Resolution Imageries”研究成果。该研究通过对比基于像元和对象语境下的常用机器学习算法在中国北方天然草原类型分类中的表现，明确了基于对象的分类模式更符合该地区草地分类工作，多光谱波段、植被指数、地形和位置特征在分类中起到关键作用。

2023年6月，“Spatial-Temporal Characteristics and Driving Forces of Aboveground Biomass in Desert Steppes of Inner Mongolia, China in the Past 20 Years”研究成果再次发表在《Remote Sensing》（Top期刊）上。该研究使用机器学习算法融合多源遥感数据分析了内蒙古荒漠草原过去20年地上生物量（AGB）的时空变化特征及驱动因子。研究表明在MODIS影像尺度下，随机森林算法具有更高的模拟精度和模型鲁棒性，适用于该地区草地AGB的估算。2000至2020年，该地区AGB呈逐年增加趋势，气候变化，尤其是降水量变化是影响AGB的主要因子。

2023年7月，在《Ecological Indicators》（Top期刊）上发表“Comparing the Performance of Machine Learning Algorithms for Estimating Aboveground Biomass in Typical Steppe of Northern China Using Sentinel Imageries”研究成果。该研究通过综合评估常用机器学习算法在Sentinel影像尺度下对中国北方温性草原AGB的估算性能发现，逐步线性回归在模拟精度和可移植性等方面优于其他算法，适用于该地区草原AGB的模拟。此外，传统植被指数、土壤调整植被指数以及土壤特征因子在AGB的估算中起到关键作用，而C波段SAR不利于模型的训练。

上述研究获得了教育部草地资源可持续利用创新团队（IRT-17R59）、银河集团186net银河集团186net创新团队建设项目（BR22-12-07）、国家自然基金（41901009）、中国博士后科学基金（2023MD734190）和内蒙古自治区重大专项（ZDZX2018020）的支持。