第九届青年地学论坛

长链正构烷烃是陆生高等植物叶蜡的主要成分之一，根据其分子组成特征、碳链比值和平均链长（ACL）等可以定性反映植被类型变化。但是部分草本和木本植物的碳主峰存在重叠，并且有研究发现水生大型植物对部分中长链正构烷烃也有贡献，进而影响碳链比值、ACL 对植被类型的指示意义。机器学习方法提供了利用正构烷烃开展植被定量重建的一种新思路：通过系统采集现代植物样品（水生植物、草本、灌丛、乔木等）和湖泊表层沉积物，利用机器学习方法精准量化现代样品正构烷烃的分布差异以及沉积物正构烷烃和流域植被覆盖度的关系，建立定量模型。针对前期工作已获得的青藏高原中西部地区55 个湖泊表层沉积物样品的正构烷烃数据，初步分析了其对流域植被覆盖度的指示意义：利用MODIS 44B 提供的全球土地覆盖度数据，提取湖泊流域内近20 年的均值作为湖泊样点的植被覆盖度，对比湖泊沉积物正构烷烃与草地覆盖度的关系（青藏高原中西部植被以草地为主，林地占比极低，通常不足3%）。结果显示，相较于绝对含量而言，正构烷烃相对含量与流域内草地覆盖度的线性关系更好。通过多元线性回归，发现湖泊沉积物正构烷烃对流域草地覆盖度变化的解释量达到58%。考虑到正构烷烃部分组分与草地覆盖度的非线性关系，进一步利用其他机器学习方法进行模型构建，发现随机森林效果最好，正构烷烃对草地覆盖度的解释量（89%）得到了显著提升，并且误差（RMSE）由4.96%降至2.57%（图9）。结果表明利用青藏高原湖泊沉积物正构烷烃开展植被覆盖度变化研究具有可行性。

正构烷烃,植被覆盖度,青藏高原,湖泊沉积物,机器学习