原文發表于《科技導報》2026 年第 6期《機器學習驅動的草原健康智能評估應用》

草原健康評估是衡量草原生態系統結構與功能、支撐生態安全與資源可持續利用的關鍵技術手段。《科技導報》邀請中國科學院地理科學與資源研究所張海燕副研究員團隊撰寫文章，提出一種基于多源時空數據與機器學習的草原健康智能評估方法，構建了涵蓋“數據采集—特征提取—指標構建—健康評估—管理決策”的智能化研究框架。研究提出的智能評估方法具有良好的可操作性與可推廣性，可為不同區域草原生態健康診斷、退化風險預警及可持續管理提供技術支撐，也為草原生態補獎政策優化與資源安全決策提供科學依據。

作為重要的陸地生態系統之一，草原提供了水土保持、氣候調節、物種生境維持等多重生態功能，是中國防治沙漠化、荒漠化的天然綠色生態屏障，也是建設生態文明和美麗中國的重要基礎。寧夏回族自治區（以下簡稱寧夏）全域位于黃河流域生態保護和高質量發展區，在全國生態安全格局中占據重要位置，其生態區位極其重要。

20世紀90年代起，草原健康狀況評估一直備受學界關注，評估主要基于野外調查數據與遙感植被指數數據進行。為克服單一指標的片面性，近20年來草原健康評估逐步轉向綜合評價框架，如基況?活力?組織力?恢復力（CVOR）、活力?組織力?恢復力?生態系統服務（VORS）、壓力?狀態?響應（PSR）。盡管綜合評價方法在提升評估全面性方面取得了重要進展，但仍存在依賴于有限的地面觀測數據，難以實現大尺度、高精度的空間連續性評估等問題。

機器學習與多源時空數據的融合為突破上述瓶頸提供了技術路徑。機器學習方法在草原地上生物量估算、生產力預測等領域已展現出優于傳統模型的性能，并逐步拓展至健康評估與退化監測應用。整合機器學習方法與多源數據的智能評估框架不僅提高了評估的準確性，而且能模擬草原健康狀況的時空演變規律，為草原退化早期識別與可持續管理提供堅實的數據支撐和決策依據。

針對寧夏禁牧封育草原的區域特點與管理需求，綜合考慮草原本底狀況與政策情境，結合專家經驗構建了專門適用于封育草原的健康評估指標體系，彌補了通用評價框架在政策適配性上的不足；將隨機森林、人工神經網絡等機器學習方法系統集成嵌入“數據采集—特征提取—指標構建—健康評估—管理決策”全流程，實現了從定性分析向像元尺度定量反演的方法跨越，提升了評估精度與空間連續性；以寧夏回族自治區為典型案例區，開展近10年寧夏草原健康狀況評估，結果表明該方法可以模擬關鍵指標空間分布狀況，能夠有效識別草原退化風險區域，為不同區域草原健康評估與可持續管理提供可量化的技術范式與應用依據。

01

研究方法與數據來源

1.1 研究區概況

寧夏回族自治區（104°17′E~107°39′E，35°14′N~39°23′N）地處中國西北內陸，屬于典型溫帶大陸性氣候，年均溫5.6~10.1℃，年均降水量167.2~618.3 mm，區域生態系統以草地生態系統為主，草原占比45.3％，區域內草地類型包括溫性草甸草原、溫性草原、溫性荒漠草原、溫性草原化荒漠、溫性荒漠和山地草甸（圖1）。自2003年以來，寧夏開展了禁牧封育等生態恢復措施。目前，在寧夏已有近3000萬畝（1畝=666.67 m2）（含水土保持生態功能區）的退化荒漠（沙）地得到有效治理，生態系統穩定性顯著提升。

圖1 寧夏草原類型分布

1.2 數據來源

我們研究中使用數據時間范圍為2012—2022年，其中樣地數據2012—2016年以及2022年寧夏草原外業調查結果（調查方法見1.3.7），由國家林草局草原司提供；遙感數據包括2012—2022年歷年30 m分辨率年最大歸一化植被指數（NDVI）數據；環境數據包括數字高程數據（DEM）提取出的各地形因子數據（如海拔高度、坡度等），分辨率為90 m；2010—2022年寧夏生長季（5—9月）降水量（MAGSP）、年平均氣溫（MAGST）、標準化降水指數（SPI）空間分布數據，分辨率為1 km；中國土壤有機質（SOM）數據集，土壤濕度（SH）空間分布數據，分辨率為1 km。

1.3 研究方法

1.3.1基于機器學習與多源時空數據的草原健康智能評估框架

基于寧夏生態本底條件與草原類型特征，研究結合國家及行業標準規范，通過模糊層次分析法和專家知識構建草地健康評估指標體系。根據計算方法，分別計算植被群落特征指數（VCI）、 地表特征指數（LCI）、生物多樣性指數（BDI）、牧草生產性能指數（FPI）4個分指數，進而綜合計算形成草地健康指數（GHI）空間分布。研究通過對比基準期（2012—2016年）與評估期（2022年）草地健康指數的差值（ΔIGHI），評估研究區草地退化與恢復狀況（圖2）。

圖2 機器學習驅動的草原健康智能評估框架

1.3.2 評估指標體系構建與空間化方法

依據草原健康的定義，以及獨立性、可獲取性、易操作性，綜合考慮了區域生態系統結構與氣候地理特性，結合專家經驗、相關文獻資料以及《草原健康狀況評價標準》（GB/T 21439—2008），構建了包含植被群落特征、地表特征、生物多樣性狀態以及牧草生產性能共4個一級指標、6個二級指標（圖2），適用于寧夏草原健康程度評價的指標體系，為考慮不同草原類型間的差異，分草地類進行評價。

采用像元二分模型、類型賦值以及集成學習方法將草原健康評估指標進行空間化，以實現草原健康狀況在空間尺度上的分析評價（圖2）。

1）植被覆蓋度。研究基于30 m分辨率年最大NDVI影像數據，采用5％置信度確定NDVI上下閾值，采用像元二分模型反演區域植被覆蓋度，實現區域草原植被覆蓋度數據的空間化。

2）裸地（斑）面積比例。研究基于2012—2022年樣地調查數據，對寧夏草原各草地類進行賦值，獲得裸地（斑）面積比例的空間分布狀況。

3）物種豐富度。研究基于樣地調查獲得的植物種數計算物種豐富度，根據寧夏草原各草地類進行賦值，得到物種豐富度空間分布狀況。

4）產草量。研究基于集成機器學習方法，將氣候、土壤等數據作為協變量，模擬寧夏草原產草量空間分布，并使用樣地調查進行結果驗證（見1.3.6）。

5）可食牧草比例。根據寧夏草原各草地類對該指標進行賦值，獲得寧夏草原可食牧草比例的空間分布數據。

6）毒害草比例。研究在樣地尺度上統計毒害草比例數據，按照研究區內各草地類進行賦值，獲得寧夏草原毒害草比例的空間分布狀況。

1.3.3草原健康指數計算方法與分級

GHI是草原健康狀況的體現。草原健康指數由植被群落特征指數VCI、LCI、BDI、FPI 4個分指數構成，分別表征植被生長狀態、草原地表基況狀態、生態系統穩定性和牧草實際生產能力。

式中，IGHI為草原健康指數；IVCI為植被群落狀況指數；ILCI為地表特征指數；IBDI為生物多樣性指數；IFPI為牧草生產性能指數。

式中，V是植被覆蓋度（%）；Vr是植被覆蓋度的參照值（%）；IVCI>1時取1。

式中，B是裸斑面積比例（%）；Br是裸斑面積比例的參照值（%）；IVCI>1時取1。

式中，S是物種豐富度；Sr是物種豐富度的參照值；IBDI>1時取1。

式中，F是產草量（g/m2）；Fr是產草量的參照值（g/m2）；E是可食牧草比例（%）；Er是可食牧草比例的參照值（%）；P是毒害草比例（%）；Pr是毒害草比例的參照值（%）；IFPI>1時取1。

草地退化與恢復是根據評估期與基準期IGHI的變化情況（ΔIGHI），判斷草地是否退化或恢復，并逐柵格計算退化或恢復程度。

式中，IGHI,a為評估期GHI，IGHI,r是基準期GHI。若ΔIGHI為負值，判斷為草地退化；若ΔIGHI為正值，判斷為未退化或恢復。因此，依據ΔIGHI將草地健康變化劃分為3個草地退化等級、3個草地恢復等級以及1個穩定狀態類型（圖2）。

1.3.4草原健康參照系

研究基于20世紀80年代以來的寧夏歷史草原調查監測結果與寧夏草原類型、等級，結合專家經驗，按草原類型確定了6項指標的參考值（表1），以作為評估寧夏草原健康狀況的基準。

表1 寧夏草原健康評估指標參考值

1.3.5草原健康分級

將草原健康指數值分為極不健康、不健康、亞健康、健康4個等級，分別將其標為I、II、III和IV級（圖2）。

1.3.6 關鍵指標空間化的機器學習方法

以產草量為例，研究采用基于集成機器學習的產草量空間模擬方法，以野外樣地實測數據為建模基礎，融合多源遙感與環境數據，在100 m分辨率像元尺度上實現寧夏草原產草量的高精度空間化模擬。

使用的集成學習模型包括以下算法：隨機森林（RF）、人工神經網絡（ANN）以及支持向量機（SVM）、多元自適應回歸樣條（MARS）共4種算法。

模型訓練過程中，采用10折交叉驗證（k=10）評估各基礎模型性能，以各基礎模型預測結果為輸入，采用L?BFGS?B優化算法通過最小殘差平方和（RSS）確定各模型最佳權重組合，將4種機器學習算法組合為集成學習模型，集成學習模型中的每個算法均具有權重（范圍0~100）。集成模型fe (x)表示為：

式中，fANN (x)為人工神經網絡模型擬合結果，其權重為k1；fRF (x)隨機森林模型擬合結果，其權重為k2；fsvm (x)為支持向量機模型擬合結果，其權重為k3；fmars(x)為多元自適應回歸樣條模型擬合結果，其權重為k4。

1.3.7 樣地調查方法

采用分層抽樣和隨機抽樣相結合的方法，于2012—2016年以及2022年，在溫性草甸草原、溫性草原、溫性荒漠草原、溫性草原化荒漠、溫性荒漠和山地草甸共6種草原類型設置樣地。

02

結果與分析

2.1 寧夏草原健康狀況時間動態特征

2012—2022年，寧夏草原的GHI均處在健康水平，且狀況穩定（圖3），其中2012年的GHI最高，而2016年的GHI最低；從2012—2016年，GHI略有下降，到2022年，GHI開始回升。10年間GHI并未呈現顯著差異（P>0.05）。隨著近年來生態工程的逐步開展，GHI在2022年開始顯示出回升的趨勢，草原健康狀況有望進一步提高。

圖3 2012—2022年寧夏草原健康狀況時間動態

從草原各類組分看（圖4），2012年山地草甸類GHI均值最高，溫性草原化荒漠GHI均值最低，各草原類型GHI均值都達到了健康水平。2022年與2012年數值分布趨勢相同。

圖4 寧夏各草原類型草原健康指數均值

2.2 寧夏草原健康狀況空間分布特征

10年間，寧夏草原健康狀況的空間分布表現出明顯變化（圖5），研究區的草地健康在2012年至2014年間整體處于健康和亞健康狀況。2016年，草地健康狀況經歷了一次明顯下降，不健康和亞健康面積增加。健康水平下降的趨勢在2016年后得到了有效遏制和逆轉。到2022年，草地健康狀況實現了恢復，不健康區域已完全消失，亞健康區域也大幅縮減。在未來的草原保護和管理中，應重點關注中部和西南部地區的草原健康狀況。

圖5 寧夏草原健康狀況空間分布

對寧夏各市的 GHI 進行分析（圖6），2012年固原市GHI均值最高，石嘴山市GHI均值最低；2022年固原市GHI均值仍是各市中的最高值，而中衛市GHI均值最低。2022年與2012年相比，石嘴山市、吳忠市、銀川市草原健康有所改善，石嘴山市改善幅度最大；固原市和中衛市草原健康狀況有所下降。

圖6 寧夏各市草原健康指數均值

2.3 寧夏草原退化空間分布特征

通過基準期（2012年）與評估期（2022年）草原健康指數的變化情況（?GHI）判斷草原是否退化（圖7），2012—2022年寧夏草原整體呈現穩定恢復狀況。空間分布方面，草原退化區域（中度退化和輕度退化）集中分布在寧夏西南部的中衛市，其余地區均保持未退化或呈現恢復狀況。

圖7 寧夏草原退化恢復狀況空間分布

2.4 精度驗證與分析

關鍵指標以產草量為例，通過集成多源數據，提高了數據處理的靈活性與可靠性。輸入數據包括遙感圖像、地面監測數據和氣象數據，輸出則為精細化的草地產量分布圖，提升了模擬產草量空間分布的精度和可操作性。將模型預測值與樣地實測值進行對比分析，結果如圖8所示，模型的擬合線接近1:1線，表明模擬值與實測值高度一致，模型能夠很好地對關鍵指標進行模擬，具有較強的泛化能力。

圖8 樣地實測值與模型模擬值對比（以產草量為例）

03

分析與討論

3.1 禁牧封育與草原健康

自2003年以來，寧夏開展了禁牧封育等生態恢復措施，已有近3000萬畝（含水土保持生態功能區）的退化荒漠（沙）地得到有效治理。通過分析歷年地面調查監測數據，2012—2022年寧夏草原植被覆蓋度、植物種數以及產草量指標均呈上升趨勢。全區禁牧封育有效防止了放牧對原生植被的破壞，在促進原生植被自然恢復的同時，也提升了人工治理區植被的成活率與保有率。

2012—2022年寧夏草原生態系統健康狀況總體健康，各年草原健康指數值均在健康范圍內，健康和亞健康等級的草原總面積超過90%，表明封育措施下的草原得到了休養生息，已度過了恢復初期的快速響應階段，進入相對穩定的演替階段。“整體向好、局部退化”的格局反映了草原生態系統恢復的空間異質性特征。一方面，禁牧封育政策在大部分區域取得了顯著成效，使退化草原得到有效恢復；另一方面，部分區域由于氣候條件變化、生態本底差異以及恢復措施針對性不足等因素，在研究時段內仍呈現動態變化的趨勢。

3.2 草原退化與恢復成因分析

寧夏草原呈現出退化與當前恢復并存的特征，動態變化過程主要受人類活動和氣候變化的雙重影響。禁牧封育減輕了放牧壓力，使植被得以自然更新。同時，退化草原修復工程的實施，加速了退化草原的恢復進程。局部區域的持續退化也與人類活動密切相關，中衛市等退化區域歷史上草畜矛盾突出，長期超載過牧導致草地承載力透支。

從氣候變化角度看，2012—2016年寧夏草原健康指數的下降與該時期的氣候波動密切相關。干旱事件的發生使得植被生長受到抑制，特別是在生態脆弱區域，氣候脅迫的影響更為顯著。2016年后草原健康指數的回升，則得益于降水條件的改善以及溫度的適度升高。

因此，寧夏草原退化與恢復的空間格局是人類活動和氣候變化共同作用的結果。未來的草原保護與管理應充分考慮區域差異性，對恢復良好的區域繼續鞏固禁牧成果，對持續退化的區域則需要加強主動修復措施，實施更具針對性的生態治理工程，以實現草原生態系統的全面恢復與可持續管理。

3.3 方法經驗性與適用范圍

研究遵循“文獻循證與專家知識相結合”的基本原則，通過系統梳理相關文獻確定指標候選集，并依據AHP邀請草地生態學、草原監測與管理領域專家進行兩兩比較打分，構建判斷矩陣，經一致性檢驗（CR<0.10）后確定最終權重。參考值則基于20世紀80年代寧夏歷史草原調查監測數據，按草原類型分類整理，并經專家核驗后確定，保證了評估基準的歷史可比性。

研究構建的草原健康智能評估框架具有明確的應用前提與邊界條件。就適用情境而言，該框架設計之初即針對寧夏禁牧封育草原的區域特點與管理政策背景，在具有類似干旱/半干旱氣候條件、實施全域或大范圍禁牧封育管理的溫性草原區域（如內蒙古自治區、甘肅省、青海省北部等）具有較好的參考價值和推廣潛力。研究以寧夏為典型案例，旨在提供一套可操作、可量化的技術范式，供其他地區在實際應用中結合本地生態條件進行合理調整與優化。

機器學習驅動的草原健康智能評估框架可以精準量化禁牧封育成效并識別退化風險區。未來應依托此技術優勢，構建草原健康智能監測預警平臺，實現從靜態評估向動態預警、從宏觀管理向精準施策的轉變，為草原管理提供高時效、高精度的決策支持。同時，草原可持續管理需健全的政策與科技支撐，建議將智能評估結果納入生態補償與成效考核體系，并持續研發與推廣相關智能技術和裝備，形成“監測—評估—決策—管理”的閉環，最終實現草原生態系統的長效穩定與永續利用。

04

結論

研究基于生態系統健康理論，綜合考慮寧夏區域特點，結合專家經驗，構建了適用于寧夏草原健康評價的指標體系，評估了2012—2022年寧夏草原健康狀況及其時空動態變化特征，主要得出以下結論。

1）2012—2022年寧夏草原健康狀況良好穩定。2012—2016年，草原健康指數略有下降，并在2016年達到最低值；然而到2022年，草原健康指數開始回升，草原健康狀況有望進一步提高。

2）2012—2022年寧夏草原健康狀況存在明顯空間差異。草原退化區域（中度退化和輕度退化）集中分布在寧夏西南部的中衛市，在未來的草原保護和管理中，應重點關注寧夏西南部地區的草原健康狀況。

3）基于機器學習與多源時空數據的草原健康智能評估技術體系能夠有效提升禁牧封育成效的精準量化與動態預警。基于評估結果提出的“分區治理、智慧管理”對策，形成了“監測?評估?決策”一體化管理閉環，為推進草原生態修復與可持續利用提供了可靠的技術路徑和決策范式。

本文作者：朱炳淑、樊江文、范云豹、張海燕、王浩、田海靜、王林

作者簡介：朱炳淑，中國科學院地理科學與資源研究所、中國科學院大學，博士研究生，研究方向為草地生態學；張海燕（通信作者），中國科學院地理科學與資源研究所，副研究員，研究方向為自然資源可持續利用。

文章來 源 ：朱炳淑, 樊江文, 范云豹, 等. 機器學習驅動的草原健康智能評估應用[J]. 科技導報, 2026, 44(6): 35?47.

本文有刪改，

內容為【科技導報】公眾號原創，歡迎轉載
白名單回復后臺「轉載」

《科技導報》創刊于1980年，中國科協學術會刊，主要刊登科學前沿和技術熱點領域突破性的研究成果、權威性的科學評論、引領性的高端綜述，發表促進經濟社會發展、完善科技管理、優化科研環境、培育科學文化、促進科技創新和科技成果轉化的決策咨詢建議。常設欄目有院士卷首語、科技新聞、科技評論、本刊專稿、特色專題、研究論文、政策建議、科技人文等。