森林为人类提供多种生态系统服务,但随着森林覆盖的动态变化,森林生态系统服务的提供因时空而异。然而仍然缺乏能够预测森林覆盖空间分布的工具,同样需要了解森林覆盖变化的影响因素,以保护或加强其长期提供的生态系统服务。因此迫切需要利用森林预测模型以分析森林覆盖变化中的关键驱动因素。针对澳大利亚科学院水土所（CSIRO）提供的澳大利亚塔斯马尼亚洲森林数据集,先后基于支持向量回归（SVR）、人工神经网络（ANN）、随机森林（RF）和梯度增强回归树（GBRT）研究建立森林覆盖率空间模型,并用于森林覆盖率预测。首先分析处理森林覆盖率数据。针对空间模型的需求,从CSIRO提供的总数据集中统计分析各个解释变量含义与数据类型,筛选出28个空间因素变量并进行预处理分析,进一步排除共线性程度高的变量,最终采用海拔高度、倾斜度、土壤酸碱度等25个空间因素变量作为模型的输入参数,确定森林覆盖率指数值为输出参数。针对森林覆盖率数据集的高维和样本量大的特点,本文分析四种机器学习算法用于回归模型构建的关键原理并制定详细的模型构建流程:建立基于SVR森林覆盖率空间模型,采用高斯核函数和SMO-type优化算法来解决高维空间中函数求解问题;建立基于多层感知机建立空间模型,其网络结构中隐含层到输出层不具备激活函数功能并且使用随机梯度优化算法Adam去解决误差反向传播中的权重系数更新问题;建立RF空间预测模型,采用Bagging和随机子空间方法生成多个未经修剪的CART回归树,将所有树的结果求取平均值得到森林覆盖率预测值;建立基于最小二乘法方法的GBRT模型,采用Boosting的方法逐个拟合CART回归树去减少当前迭代步骤的森林覆盖率预测偏差,最终累加所有树的结论得到森林覆盖率预测值。其次为了改善机器学习模型预测性能,本文详细分析了各个模型的所有超参数对模型的意义以及影响机理,通过经验分析与文献对比,合理地选择了各个模型的主要的超参数及其数值调整范围,通过带有五折交叉验证的随机搜索和网格搜索方法进行参数优化,并制定了参数调整的具体顺序,实现了模型性能的最优提升。最后模型性能对比分析。本文从预测精度R~2、均方根误差RMSE、训练时间以及超参数调整数量等四个方面分析四个空间模型的性能,评估了所有解释变量对森林覆盖空间格局预测的影响。