长期和系统地监测草地地上生物量（aboveground biomass,AGB）时空动态变化是评估草地生产力水平、维持草地资源可持续利用以及分析气候变化和人为因素对草地生态系统影响的关键。遥感是快速监测区域尺度草地AGB的最有效途径。目前草地AGB遥感监测研究重点聚焦于多因素机器学习模型构建和区域尺度草地AGB时空动态变化分析。然而,已有研究在多变量数据集构建、变量筛选、模型对比分析、实测样本量、观测年限、研究地域范围和驱动因素分析等方面还存在一些不足和局限性。构建大尺度、长时序的草地AGB精准估测模型以支撑大范围（涵盖众多草地类型）、长时间序列的草地AGB动态变化及其驱动因素分析仍然面临巨大的挑战。为了解决已有草地AGB遥感监测研究中存在的问题,明晰中国北方地区近几十年草地AGB的时空动态变化及其驱动因素,本论文以在中国北方地区长达20年（2000-2019）调查采集的大量（6316条）生长季实测草地AGB数据为基础,结合MODIS波段反射率和植被指数以及气候、地形和土壤各类环境因素数据集,采用连续投影算法（successive projections algorithm,SPA）、逐步回归（stepwise regression,STEP）、遗传算法（genetic algorithms,GA）和套索算法（least absolute shrinkage and selection operator,LASSO）)4种变量筛选方法以及随机森林（random forest,RF）、支持向量机（support vector machine,SVM）、人工神经网络（artificial neural network,ANN）和极限学习机（extreme learning machine,ELM）)4种机器学习算法,分别构建了中国北方地区及5个分区的草地AGB遥感估测模型。基于对比确立的研究区最优草地AGB估测模型模拟了中国北方地区2000-2019年每年的草地AGB空间分布格局;进而利用Slope趋势模型和Hurst指数综合分析了研究区2000-2019年草地AGB的时间变化特征以及2019年之后草地AGB可能的未来变化趋势。最后使用地理探测器和LMG两种方法定量化探讨了自然因素和人为因素对中国北方地区2000-2019年草地AGB变化的影响。研究结果表明:（1）利用SPA筛选的变量集构建的RF模型更加适用于研究区草地AGB的遥感估测。4种变量筛选方法均可极大地简化模型,降低变量间的多重共线性,以及提高草地AGB机器学习模型的预测精度。相比之下,SPA对变量间的多重共线性削弱能力最强、筛选结果稳定、运算效率高且筛选的变量构建的模型性能更好。在4种机器学习算法中,综合考虑预测精度、模型稳定性和运算效率,RF比SVM、ANN和ELM表现更好。（2）当样本量充足,样地在研究区域内相对均匀地分布,并且建模变量涵盖多种植被指数和各类环境要素的情况下,对整个研究区构建的草地AGB机器学习模型比分区模型的稳定性和估测精度更高。中国北方地区最优草地AGB遥感估测模型是利用研究区域内的全部样本数据构建的SPA-RF模型,该模型的测试集R~2和RMSE分别为0.64和596.88 kg/ha。（3）中国北方地区20年（2000-2019）平均年最大草地AGB介于161.83-3663.09 kg/ha,整体呈现中西部低、东南部高的空间分布格局,与年降水量在空间上的变化梯度相似。2000-2019年间,研究区绝大多数（85.87%）地区的年最大草地AGB呈现增加趋势;并且在2019年之后,研究区草地AGB可能的未来变化趋势同样整体向好,71.12%的草地AGB在未来可能表现出增加趋势。（4）降水量、太阳辐射、土壤有机质和家畜密度是中国北方地区大区域尺度下草地AGB变化的主要驱动因素。自然因素对草地AGB变化的影响大于人为因素的影响。另一方面,驱动因素对研究区草地AGB变化的影响并不是独立的,而是表现为相互增强。自然因素之间更多表现为双变量增强,而人为因素之间以及人为因素和自然因素之间更容易出现非线性增强。（5）气候驱动因素对研究区草地AGB时空动态变化的影响存在一定的空间差异。研究区52.95%草地区域的AGB时空动态变化受降水主导;温度主导AGB变化的草地区域面积占比为17.67%,且温度对草地AGB的主导影响主要体现在水热条件更好的半湿润地区;而太阳辐射主导了29.38%草地区域的AGB时空动态变化,且太阳辐射主要在水热条件相对适中、日照充足的草地区域发挥更强的作用。