总初级生产力（Gross Primary Production,GPP）既是环境承载力计算和生态环境评估的重要指标,又是陆地碳循环的关键变量与碳达峰、碳中和、碳源汇和气候变化研究的关键指标。因此,科学和准确估算GPP很重要。草地生态系统是陆地生态系统的重要组分,对区域乃至全球的气候变化有重要影响。可见,准确估算草地生态系统的碳通量对研究陆地碳循环机制和全球碳收支平衡有重要意义。云雪等因素影响卫星遥感数据的质量,因此基于遥感光能利用率（Light Use Efficiency,LUE）模型估算的GPP值精度较低且不稳定。与涡动GPP相比,LUE模型估算的黑河上游高寒草甸GPP比中分辨率成像光谱仪（Moderate-resolution Imaging Spectroradiometer,MODIS）估算的GPP偏低30%。物候相机照片则不容易受到云的影响,与卫星遥感数据互补的话,有可能提高GPP估算的精度。机器学习方法擅长处理大范围、长时间序列和高精度要求的数据。机器学习神经网络（Machine Learning Neural Network,MLNN）是常见而成熟的机器学习方法之一。因此,神经网络模型与物候照片、气象数据和遥感数据相结合有望提高LUE模型估算黑河上游高寒草甸GPP的精度。本文基于黑河上游阿柔超级站2017-2018年的气象数据、涡动GPP数据和物候照片,采用MOD09GA和MCD43A4遥感产品的两种植被指数（NDVI与EVI）,使用遥感LUE模型和机器学习BP神经网络（Back Propagation Neural Network Algorithm,BNNA）方法,估算高寒草甸的GPP值,比较不同方法和数据的估算精度差异,并讨论GPP估算的影响因素。结果表明:1.基于遥感LUE模型估算GPP时,使用MOD09GA数据估算的GPP精度从高到低依次为GPP＿CInorm、GPP＿EVI和GPP＿NDVI;使用MCD43A4数据估算的GPP精度从高到低依次为GPP＿EVI、GPP＿NDVI和GPP＿CInorm;使用GCC估算的GPP精度存在季节差异（24%-49%）,表现为春季和秋季存在显著偏差（P<0.05）。2.使用机器学习BNNA方法同时融合物候照片和MOD09GA植被指数估算的GPP精度最高（R2=0.71）;使用机器学习方法同时融合物候照片和MCD43A4植被指数估算的GPP精度较验证实验三提高的不明显（R2=0.73）。随着物候相机的大量布设,如何结合物候相机和卫星遥感数据提高GPP的估算精度就具有了实际需求。本研究表明,机器学习方法可以为大范围、长时间序列和高精度的植被GPP估算提供新方法,为黑河流域生态环境评估和环境承载力计算以及碳达峰、碳中和与碳源汇核算目标的实现提供新的视角。