研究团队构建了跨层级、跨数据源的融合技术框架，整合了卫星遥感观测数据、生态水文过程模型模拟结果和地面实测数据，降低了对高密度地面采样点的依赖性。团队以多源卫星观测数据为基础，结合水量平衡与作物生长机理模型生成高质量训练样本，运用集成学习、迁移学习等机器学习方法，准确反演关键生产要素如灌溉用水量、植被净初级生产力和土壤有机碳的空间分布，反演精度可达90%以上；同时引入分布对齐与分位映射等技术，消除了43%的区域偏差，最优饲草带区域位置准确度达85%以上。
区别于传统评估侧重单一产量或生态指标的做法，此次研究将饲草种植决策表述为追求“水资源消耗、土壤固碳效益、饲草产能产出”三维协同最优的空间优化问题。通过将生态效益、经济收益与用水成本放在同一把尺子上衡量，并直观显示为“一张图”，使管理者一眼就能看到哪些地块最值得优先种植饲草、投入产出比如何，从而更科学地安排人力物力与资金。
据悉，这一研究为我国北方干旱半干旱流域的生态修复、水资源高效利用，提供了一套可复制、成本效益高的先进量化工具，有望实现生态系统功能稳步恢复与区域农业高质量发展双赢目标。同时，该技术框架具备向内蒙古-宁夏生态过渡带、河西走廊-塔里木盆地绿洲边缘等典型干旱区推广的潜力，也对全球其他干旱半干旱区域具有参考价值。
