In recent years, remote sensing technologies, particularly the use of multi-source datasets with high spectral and spatial resolution, have become increasingly important for estimating in above ground biomass (AGB). The integration of artificial intelligence and machine learning methods enables more accurate and efficient biomass modeling. This study aims to estimate and map grassland biomass in Bayandelger soum using field-measured biomass data and high-resolution Sentinel-2 satellite imagery through five machine learning algorithms: Random Forest Regression (RF), Support Vector Regression (SVR), Extra Trees Regression (ETR), Gradient Boosted Regression Trees (GBRT), and Extreme Gradient Boosting (XGB). Field measurements were conducted at 65 sampling sites in June 2020. The results showed that the average above-ground biomass was 37.9 g/m² in Carex pp-dominated pastures (22 points), 30.1 g/m² in Stipa sp -dominated pastures (24 points), 64.9 g/m² in Artemisia sp-dominated pastures (8 points), 22.4 g/m² in Cleistogenes squarrosa-dominated pastures (5 points), and 34.4 g/m² in Agropyron repens (L.) P. B -dominated pastures (3 points). Among the five models, the comparison between estimated and field-measured biomass indicated that SVR achieved the highest performance (RMSE = 67.1 kg/ha, R² = 0.70), followed by GBRT (RMSE = 72.1 kg/ha, R² = 0.65), RF (RMSE = 72.3 kg/ha, R² = 0.65), ETR (RMSE = 72.5 kg/ha, R² = 0.65), and XGB (RMSE = 83.9 kg/ha, R² = 0.53). Our findings demonstrate that machine learning models, combined with Sentinel-2 imagery, can effectively estimate and map grassland biomass at the regional scale. This research provides valuable insights for assessing grassland degradation, desertification, and improving sustainable rangeland management in Mongolia. Зайнаас тандан судлалын олон эх сурвалжийн өгөгдлийг ашиглан бэлчээрийн биомассыг тооцоолох арга зүйн асуудалд (Төв аймгийн Баяндэлгэр сумын жишээн дээр) ХУРААНГУЙ: Орчин үед бэлчээрийн биомассын судалгаанд зайнаас тандан судлал тэр дундаа спектрийн өндөр нарийвчлал бүхий олон эх сурвалжийн өгөгдөл, ялангуяа хиймэл оюун ухааны арга зүйг ашиглах нь нэн чухал юм. Энэхүү судалгааны ажлын зорилго нь хээрийн хэмжилтээр бэлчээрийн ургамлын биомассыг тодорхойлж, өндөр нарийвчлал бүхий Sentinel-2 хиймэл дагуулын өгөгдөл ашиглан хиймэл оюуны машин сургалтын 5 загвар (санамсаргүй ойн регрессийн алгоритм /Random forest regression algorithm/, тулах векторын регрессийн алгоритм/Support Vector Regression algorithm, сайжруулсан модны регрессийн алгоритм/Extra tree regression algorithm/, градиентаар хөгжих/Gradient Boosted Regression tree, хүчтэй градиентаар хөгжих/Extreme Gradient Boosting)-аар Баяндэлгэр сумын хэмжээнд бэлчээрийн биомассыг зураглахыг зорилоо. Судалгааны талбайн хэмжээнд 2020 оны 6 – р сард бэлчээрийн ургамлын биомассыг нийт 65 цэгт хэмжилт хийлээ. Бэлчээрийн биомассын боловсруулсан үр дүнгээс үзвэл улалж зонхилсон бэлчээрийн биомассын дундаж хэмжээ 37.9 гр/м² (22 цэгт), хялгана зонхилсон бэлчээрт 30.1 гр/м² (24 цэгт), шарилж зонхилсон бэлчээрт 64.9 гр/м² (8 цэгт), хазаар өвс зонхилсон бэлчээрт 22.4 гр/м² (5 цэгт), хиаг зонхилсон бэлчээрт 34.4 гр/м² (3 цэгт) тус тус байлаа. Баяндэлгэр сумын хэмжээнд бэлчээрийн биомассын машин сургалтын 5 загвараар тооцоолсон үр дүн болон хээрийн хэмжилтийн хооронд өндөр хамааралтай RF дундаж квадрат алдаа (RMSE)=72.3 кг/га, детерминацийн коэффициент (R²)=0.65, XGB (RMSE=83.9 кг/га, R²=0.53), GBRT (RMSE=72.1 кг/га, R²=0.65), ETR (RMSE=72.5 кг/га, R²=0.65) байсан бол хамгийн өндөр гүйцэтгэлтэй загвар нь SVR (RMSE=67.1 кг/га, R²=0.7) байлаа. Бидний судалгааны ажил нь бэлчээрийн доройтол, талхагдал, менежментэд онолын болон практик ач холбогдолтой юм. Түлхүүр үг: Машин сургалт, Sentinel, Биомасс