【目的】水云模型（WCM）是一种采用SAR数据反演森林地上生物量（AGB）应用较为广泛的半经验模型，探索将不同波长、极化方式、极化信息等引入WCM，以期为提高森林AGB反演精度提供科学依据。【方法】本文以X、C、L、P波段多频极化SAR数据为数据源，首先将各波长各极化后向散射系数用于WCM进行森林AGB反演，对比其反演精度；接着采用极化分解分量构建地体散射比参数，并将其引入WCM发展为极化水云模型（PolWCM），同时对比分析其在X、C、L、P波段森林AGB的反演结果。【结果】（1）在X、C、L、P 4个波段中，除X波段外，将HV极化后向散射系数代入WCM进行森林AGB反演，精度均高于基于其他极化通道后向散射系数的反演结果；且长波长（L和P）的反演精度高于短波长（X和C）的反演精度。在L波段，将HV极化后向散射系数代入WCM进行森林AGB反演，R~2和RMSE分别为0.46和18.00 t/hm~2;P波段HV极化反演结果的R~2和RMSE分别为0.43和21.18 t/hm~2。（2）将极化信息以地体散射比的形式引入WCM,PolWCM模型在X、C、L、P各个波段均可提高反演精度，反演结果的RMSE值分别为24.90、24.71、17.70和18.08 t/hm~2。【结论】采用WCM进行森林AGB反演具有极化、波长依赖性，其中将L波段HV极化后向散射系数代入WCM进行森林AGB反演时精度最优；将极化信息以地体散射比的方式引入WCM，发展PolWCM，可以明显提高森林AGB的反演精度。

【目的】森林生物量是评价森林生态系统结构、功能和生产力的重要指标之一,区域尺度上的森林生物量的准确估测对了解森林现状和科学经营森林具有重要指导意义。本文旨在利用SAR影像结合Landsat5 TM影像对区域尺度上的森林生物量进行定量估测。【方法】首先利用极化分解的方法对极化合成孔径雷达(SAR)数据进行处理获得45个极化分解参数,然后将45个极化分解参数与6个Landsat5 TM波段参数共51个参数作为自变量,森林生物量W作为因变量构建统计回归模型,最后利用最优模型反演研究区的森林生物量。【结果】使用两

[目的]通过对不同生物量和碳储量的估计方法进行对比分析,为确定在国家森林资源清查中生物量和碳储量的具体估计方法提供依据。[方法]以广东省2012年森林资源清查的100个杉木林和80个马尾松林的实测样地资料为基础,利用近年来我国建立的主要树种立木生物量模型,对改进IPCC法、生物量模型法和转换因子连续函数法(即方精云法)3种方法按一元和二元模型共6种方案进行了对比;同时,基于改进IPCC法一元和二元模型的生物量估计值,用平均含碳系数法、组分含碳系数法和固定含碳系数(0.5或0.47)法分别对碳储量进行估计。

森林生物量是指一个森林群落在一定时间内积累的有机质总量,是森林生态系统重要的特征数据,因此世界各国越来越重视对森林生物量的监测与研究[1-3],建立的生物量模型众多[4-6]。大尺度森林生物量监测,是以省、流域、国家乃至全球为对象,在估算方法一致的前提下,对多个时间点的森林生物

【目的】利用国产合成孔径雷达（ＳＡＲ）系统（ＣＡＳＭＳＡＲ）获取的机载Ｐ－波段全极化ＳＡＲ（ＰｏｌＳＡＲ）数据，分析ＳＡＲ对森林地上生物量（ＡＧＢ）的响应与地形的关系，建立融合地形因子的高精度多项式模型，以提高森林ＡＧＢ的估测精度。【方法】首先以基于机载激光雷达（ｌｉ ＤＡＲ）数据得到的研究区坡度分布图与结合实测样地ＡＧＢ数据得到的森林ＡＧＢ分布图作为参考数据进行系统抽样，分析森林ＡＧＢ与Ｐ－波段ＰｏｌＳＡＲ后向散射强度的关系以及不同坡度下二者的相关性变化；然后利用ｌｉ ＤＡＲ得到的高精度数字高程模型（ＤＥＭ）结合机载Ｐ－波段的轨道数据计算当地入射角，进而建立以后向散射强度、当地入射角以及雷达．．．

【目的】森林生物量的空间精准量化对了解陆地碳储量、碳收支、碳平衡，以及揭示森林碳储量与全球气候变化的影响过程具有重要意义。P波段波长较长，在森林中具有更高的穿透能力，研究机载P波段SAR数据提高森林地上生物量(AGB)估测精度的可行性。【方法】以机载P波段全极化合成孔径雷达(SAR)数据和高精度激光雷达(LiDAR)数据估测的森林AGB抽样点为基础，提取20个极化SAR特征，并分别与森林AGB变化作敏感性响应情况分析。采用多元线性回归模型(MLR)、K近邻方法 (KNN)、支持向量回归(SVR)和随机森林(RF)4种估测方法，探究机载P波段SAR数据的森林AGB估测精度。【结果】在较低森林AGB(均值约45 t·hm~(-2))的森林覆盖区中，P波段的同极化后向散射系数、Freeman-Durden和Yamaguchi分解中的表面和二次散射分量对森林AGB变化敏感；此外H-A-ALPHA极化分解的散射角(alpha)、拓展极化参数极化辨别率参数(PDR)也对森林AGB变化敏感。4种方法估测的森林AGB相对误差均约30%，其中MLR估测结果精度最低，估测精度为63.55%，均方根误差(RMSE)为19.16 t·hm~(-2);RF估测结果精度最高，估测精度为72.97%,RMSE为15.98 t·hm~(-2);KNN和SVR估计结果差别不明显，RMSE分别为17.04和17.09 t·hm~(-2)。【结论】P波段SAR数据对估测森林AGB具有一定潜力，3种非参数方法的估测结果明显优于MLR参数方法。此外，P波段的森林AGB估测精度受到待估森林AGB水平高低的影响明显，在森林AGB水平较高的分组中估测精度较高。在森林AGB均值为45 t·hm~(-2)，最大值为120 t·hm~(-2)的森林覆盖区，以50 t·hm~(-2)将森林AGB样点分为2组时，高森林AGB组的估测精度高出低AGB组约6%。图5表3参34

应用机载单基线极化干涉SAR(Pol-InSAR)数据,基于极化相干层析(PCT)技术提出了一种反演森林地上生物量的新方法。首先采用单基线PCT提取每个像元的森林相对反射率垂直分布,然后按林分统计得到森林平均相对反射率垂直分布;再次对森林平均相对反射率垂直分布进行高斯函数拟合,提取林分层析测量高;最后以通过样地调查统计得到的20个林分的地上生物量为参考数据,采用交叉验证方法建立和评价基于层析测量树高的地上生物量估测模型,并与基于经典三阶段反演的林分优势木平均树高估测地上生物量的方法进行对比。结果表明:基于层析测量高的反演模型决定系数(R2)为0.822,均方根误差(RMSE)为53.14 t·...

为提高森林资源的监测质量、数量化森林生物量的测定精度,该文论述了采用经典方法进行森林生物量测定的误差来源:①样地抽样误差;②样地每木检尺误差;③标准木生物量的测定误差;④模型误差;⑤下木层和草本地被物生物量测量误差.然后广泛运用误差传播定律,分别对样地设置、生物量调查及生物量模型进行了相应的精度分析,并结合实例进行了理论验证,最终得出了采用经典方法调查森林生物量的误差为7.63%~14.56%的结论.

合成孔径雷达(SAR)技术以其独特的成像机制及其全天候、全天时成像能力,在森林生物量估测方面发挥着越来越重要的作用。利用野外实测数据分析了ALOS PALSAR双极化数据后向散射系数(σH0H,σH0V,σH0V/HH)与云南山区松林蓄积量的关系,并分别构建简单线性、自然指数和加入地理因子的多元回归模型。研究结果表明:极化比值(σH0V/HH)与蓄积量的相关系数(r=-0.407)比任何单极化(σH0H和σH0V分别为0.204和-0.242)都要高,加入地理因子的多元回归模型在森林蓄积量估算中有较好的精度。图3表2参12

【目的】准确地估测森林地上生物量（above ground biomass,AGB）对大区域森林资源调查和管理至关重要，机器学习算法能实现森林AGB高精度估测，但超参数的设置能直接影响模型效果。为了提升模型的构建效率和预测精度，研究通过构建超参数优化的机器学习算法进行森林AGB估测，并比较不同超参数下的模型误差变化。【方法】以西藏自治区江达县天然林为研究对象，利用森林资源调查数据提取实测森林AGB数据，结合Sentinel-2多光谱影像提取遥感变量。采用逐步回归法和Boruta法分别进行遥感变量筛选，构建多元线性回归模型、支持向量机模型和随机森林模型进行森林AGB反演。此外，对支持向量机模型和随机森林模型进行超参数优化，以提高模型反演精度。【结果】1）随机森林模型在所有反演模型中实现了最佳的估测精度，模型决定系数达到了0.63，同时实现了最低的均方根误差和相对均方根误差，分别为28.06 t/hm~2和23.03%。均方根误差相比多元线性回归模型和支持向量机模型分别降低了22.2%和12.1%。2）超参数优化可以有效地提高模型估测精度。通过分析不同参数组合下的误差变化趋势，确定最佳的参数组合，能有效地降低模型估测误差。3）较高的森林AGB值主要分布在东部、南部和东南部地区，中部地区和北部部分地区森林AGB值较小。超参数优化的随机森林模型森林AGB反演结果与研究区实际森林分布情况具有较好的一致性，整体反演效果较好。【结论】利用超参数优化的随机森林模型结合Sentinel-2遥感影像能实现较好的森林AGB反演效果，能为森林资源动态监测提供有效参考。

采用黑龙江长白山地区TM图像和143块森林资源连续清查固定样地数据及野外调查补充样地数据,选择包括各波段灰度值、不同波段灰度值之间的线性和非线性组合(包括11种植被指数)、纹理信息以及环境因子在内的75个自变量,分别采用逐步回归分析法和偏最小二乘回归法建立黑龙江长白山林区森林生物量遥感估测模型:逐步回归法采用5个自变量所建模型平均拟合精度为76.5%,均方根误差为19.12t·hm-2,样地生物量真实值与预测值相关系数为0.5434;偏最小二乘回归法采用10个自变量所建模型平均拟合精度85.8%,均方根误差9.92t·hm-2,样地生物量真实值与预测值相关系数0.8603,偏最小二乘回归法要优...

森林地上生物量(Above Ground Biomass,AGB)作为重要的森林参数,在全球碳循环和气候变化中扮演着重要的角色。因此,实现大区域或全球尺度的森林AGB精确估测,对于人类的生产生活具有重要的意义。多维度合成孔径雷达(Synthetic Aperture Radar,SAR)是目前众多遥感技术中最有潜力实现大区域森林AGB估测的技术手段之一。相比于单波段,单极化,单基线的SAR,具备多极化,多波段,多基线等不同观测模式组合的多维度SAR技术可以获得更多与森林AGB有物理含义关联的特征参数,从而

大兴安岭林区是我国最大的天然林区，估算该区域的森林生物量，并研究该区域的森林生物量的空间格局特征具有重要意义。以２０世纪末至２１世纪１０年代期间（１９９４—１９９７、２００６—２００７、２０１０—２０１１）的Ｌａｎｄｓａｔ５系列ｔＭ遥感影像为基础数据，建立遥感信息模型，估算黑龙江省大兴安岭地区３个时期的森林生物量。采用０°、４５°、９０°、１３５°方向以及全局Ｍｏｒａｎ＇ｓ Ｉ系数和半变异函数块金值、基台值、变程、块金值与基台值比值、拱高与基台值比值５个参数，对２０世纪末至２１世纪１０年代研究区域３个时期的森林生物量进行异质性和空间自相关性分析。结果表明：研究区３个时期的森林生物量的整体性良好．．．

【目的】构建广东省主要森林类型林分生物量和碳储量模型，为省内储量数据的本底摸查、省级与县市级储量数据的有效衔接提供模型支撑；分析树种结构和气候条件对模型的影响和作用机制，为更精细的碳汇监测及森林质量提升提供理论指导。【方法】以广东省12种主要森林类型为研究对象，基于2007、2012和2017年3期森林资源连续清查数据，采用非线性误差变量联立方程组构建各森林类型与蓄积量兼容的地上和地下生物量、地上和地下碳储量模型。以哑变量形式区分树种结构，以再参数化方法建立气候敏感的林分生物量和碳储量模型，评价模型拟合结果，分析气候变量对林分生物量和碳储量的影响。【结果】研究得到各森林类型的蓄积量、地上和地下生物量模型以及地上和地下林分平均含碳系数。1）基于胸高断面积和平均树高的基础模型调整决定系数（R_a~2）为0.947～0.997，总相对误差（TRE）和平均系统误差（MSE）分别在±1.54%和±2.48%范围，均不超±3%。平均预估误差（MPE）为0.30%～3.61%，仅栎树林、相思林部分模型略超3%。平均百分标准误差（MPSE）为3.30%～13.39%，均不超15%。2）基于胸高断面积的简化模型R_a~2为0.876～0.996，除相思林地下生物量模型拟合效果较差外，其余模型的TRE和MSE分别在±3.19%和±2.74%范围，MPE为0.36%～4.70%,MPSE为4.18%～15.61%。基于平均胸径和林分密度的补充模型R_a~2为0.775～0.977，多数在0.9以上，除相思林部分模型拟合效果较差外，其余模型的TRE和MSE分别在±2.28%和±1.83%范围，MPE为1.12%～6.24%,MPSE为5.91%～17.44%。3）区分树种结构的林分模型R_a~2为0.960～0.997,TRE和MSE分别在±1.61%和±2.33%范围，MPE为0.30%～3.41%,MPSE为2.67%～12.92%，多数模型显著优于基础模型。4）建立8种森林类型气候敏感的林分生物量和碳储量模型，R_a~2为0.947～0.998, TRE和MSE分别在±1.86%和±1.96%范围，MPE为0.29%～2.65%, MPSE为3.18%～13.29%，多数模型较基础模型得到显著改进。生物量大多情况下与温度呈负相关，与蒸散量呈负相关或与降水量呈正相关。【结论】所建模型具有较好拟合效果和较高预估精度，实际应用时可根据数据详略和估算范围选择合适模型。温度过高、蒸散过多或降水不足是限制广东省森林生物量和碳储量增长的主要因素。

[目的]单一遥感技术估测森林生物量存在较大局限性，本研究旨在利用多源遥感协同技术互补激光雷达和光学遥感的优势，提高生物量估测精度。[方法]以星载激光雷达GEDI和光学遥感Landsat8数据为主要信息源，采用序贯高斯条件模拟方法实现GEDI光斑数据由“点”到“面”的空间扩展，结合地面138块生物量调查样地，利用随机森林回归方法估测云南省香格里拉云冷杉林的地上生物量。[结果]（1）采用序贯高斯条件模拟方法对GEDI光斑点进行空间插值，模拟的12个生物物理指标在空间分布上呈现出随机性、破碎化的特征，这与森林的空间分布聚集性非常相似，参与建模的9个指标OEC均大于0.90;(2)利用单一Landsat8光学遥感数据和地形因子构建的随机森林模型精度为：R~2=0.82,RMSE=35.51 t·hm~(-2),P=0.77;Landsat8数据协同星载激光雷达GEDI数据构建的随机森林模型精度为：R~2=0.86,RMSE=32.11 t·hm~(-2),P=0.80，模型精度明显提升；（3）利用多源遥感技术估测的香格里拉2019年云冷杉林地上的生物量总量为37 042 605.68 t，平均生物量为123.28 t·hm~(-2)。[结论]基于地统计学的序贯高斯条件模拟方法考虑到研究对象的空间异质性、能克服一定的平滑效应，用于实现激光点由“点”到“面”的空间扩展是可行的。星载激光雷达GEDI与光学遥感Landsat8协同的多源遥感数据可有效填补单一遥感数据源的缺陷，提高森林生物量的估测精度，能为激光雷达联合光学遥感估测大范围、全覆盖的森林生物量提供参考。