一种基于可解释机器学习的植被碳汇空间优化方法及系统

本发明公开了一种基于可解释机器学习的植被碳汇空间优化方法及系统。该方法首先获取目标区域的行政区划、环境因子及目标变量等多源环境数据，形成空间表格数据集；基于该数据集训练XGBoost回归模型，对植被碳汇量进行预测并评价模型性能；结合SHAP解释器量化各环境因子对碳汇的贡献，生成特征重要性与解释性图谱，并通过LOWESS算法拟合得到环境因子与碳汇响应关系曲线，提取最优阈值区间；进一步依据优化阈值预测碳汇增益，划定优化分区，形成空间优化方案；最终输出植被碳汇优化建议报告。该方法能够实现碳汇空间优化的科学量化，提升碳汇提升策略的可解释性与决策支持价值。