植被生态水是指与地表植被紧密相联的水体,包括植被叶面、根系、腐殖层、表层根系土壤层及植物体本身所截留或涵养的水量。植被生态水是陆地生态系统水循环中的一个特殊过渡带,其可以调节地表水与地下水,影响蒸散发,具有重要的生态功能作用。植被地上生态水储量是植被地上部分所涵养水量的总和,是植被生态水研究的重要部分。岷江上游具有独特的地理位置、复杂的自然环境、脆弱的生态环境及重要的生态功能地位。遥感技术具有获取信息量大、快速高效及覆盖面积大等优势,能有效探明植被地上生态水的储量及其时空分布特征。因此,利用遥感技术对岷江上游植被地上生态水储量的研究,有助于了解岷江上游植被生态水的储水特征与分布状况,进一步分析生态环境恶化、灾害频发及水资源短缺等问题,指导该地区的环境保护、生态恢复重建及水资源计算等工作。本文在项目组长期的植被生态水研究与国内外相关研究基础之上,针对前人研究中缺乏对整个植被地上部分生态水储量反演的问题,以岷江上游茂县为研究区,利用哨兵二号数据和机器算法研究植被地上生态水储量。首先通过野外样地调查,获取样地植被地上生态水储量;然后采用支持向量机对研究区哨兵二号数据进行土地利用/覆被分类;再根据哨兵二号波段反射率、光谱指数、纹理指数以及土地利用/覆被分类数据等,通过预测变量选择,利用随机森林和人工神经网络两种机器算法进行回归分析,建立植被地上生态水储量反演模型;最后选择最优的随机森林模型对研究区植被地上生态水储量进行反演。主要研究成果如下:（1）将哨兵二号数据的蓝波段、绿波段、红波段、近红外波段、4个红边波段、归一化差异植被指数以及高程数据作为特征波段,采用支持向量机分类方法对研究区进行土地利用/覆被分类,取得较好的分类结果,其总体精度为90.45%,Kappa系数为0.88。（2）随机森林与人工神经网络两种机器算法所选择建立模型的预测变量差异较大。在35个初始预测变量中,随机森林算法根据10折交叉验证与变量重要性排序,选择蓝波段、绿波段、归一化差异近红外指数、归一化差异植被指数（band5红边波段与红波段计算得到）、植被类型、高程、土壤容重作为最终预测变量建立模型;而人工神经网络算法则根据变量重要性排序,通过反复比较,选择归一化差异植被指数、归一化差异近红外指数、土壤调节植被指数、纹理指数中的信息熵、植被类型与土壤容重作为最终预测变量建立模型。（3）利用10折交叉分别对两种机器算法所建立的植被地上生态水储量反演模型进行精度验证,发现随机森林模型更好,其模型效率（R²）为0.74,均方根误差（RMSE）为49 Mg ha^-1（1 Mg=10⁶ g）,而人工神经网络模型R²为0.64,RMSE为57 Mg ha^-1。（4）根据随机森林模型反演得到的研究区植被地上生态水储量,发现不同土地利用/覆被类型的植被地上生态水储量的差异比较明显。平均储量由大到小依次为针叶林(217.81 Mg ha^-1)、阔叶林(158.78 Mg ha^-1)、果园(76.07 Mg ha^-1)、灌草地(36.63 Mg ha^-1),而总的储量由大到小依次为针叶林（2.61×10⁷ Mg）、阔叶林（5.45×10⁶ Mg）、灌草地（4.74×10⁶ Mg）、果园（3.55×10⁵ Mg）,研究区总的植被地上生态水储量为3.66×10⁷Mg。在空间分布上,植被地上生态水储量较大的主要分布在海拔相对较高的地方,而储量较小的主要是沿岷江两侧分布。本文在前人植被含水量与植被生态水研究的基础上,创新性地量化植被地上部分的生态水储量。研究结果表明遥感技术结合机器算法能有效估算植被地上生态水储量,且植被地上生态水储量与生态环境状况息息相关。该研究有助于了解岷江上游植被生态水的储水特征与分布状况,为生态环境保护与水资源计算提供依据。