【目的】为了提高高山松地上生物量估测的精度，开发一种滤波算法，减少Landsat时间序列数据的噪声。【方法】基于1987、1992、1997、2002、2007、2012、2017年国家森林资源连续清查固定样地的数据以及1987—2017年的Landsat时间序列影像，利用谷歌地球引擎(Google earth engine,GEE)以及Python，通过Land Trendr滤波、Savitzky-Golay滤波、Horn卷积以及基于空间卷积理论开发的自适应霍恩地形卷积(Adaptive horn topography convolution,AHTC)算法对Landsat时间序列数据进行滤波，应用随机森林回归算法(Random forest regression,RFR)构建香格里拉市高山松地上生物量估测模型，并选择最优估测模型对1987、1992、1997、2002、2007、2012、2017年高山松地上生物量进行反演制图。【结果】1)从图像的直接评价指标均方根误差(Root mean square error,R_(MSE))以及峰值信噪比(Peak signal-to-noise ratio,P_(SNR))来看，经过AHTC算法滤波后的图像质量最好；2)在使用RFR方法的情况下，滤波后的数据均表现出比原始数据更高的估测精度；3)经过AHTC算法滤波后的时间序列数据对高山松地上生物量的估测效果最优，其决定系数R~2为0.885、均方根误差R_(MSE)为34.63 t/hm~2、预测精度P为60.75%、相对均方根误差r RMSE为43.59%;4)采用AHTC和RFR方法反演结果分别为1 236万t(1987年)、1 155万t(1992年)、1 455万t(1997年)、1 330万t(2002年)、1 314万t(2007年)、1 345万t(2012年)、1 654万t(2017年)。【结论】使用AHTC滤波方法在一定程度消除了时间序列影像自身所携带的大量噪声和不确定性，有效地提高了时间序列影像的质量，同时也为提高高山松地上生物量遥感估测精度提供了一种新思路。

针对传统k-最近邻法(k-nearest neighbor,k-NN)在搜索最近邻单元时赋予特征变量相等的权重,缺少对特征变量加权优化等不足问题,在云南省香格里拉市,以高山松Pinus densata为研究对象,基于49块实测标准地,116株高山松样木和Landsat 8/OLI影像,在前期进行基于遗传算法(genetic algorithm,GA)优化的k-NN模型实现的基础上,对k-NN的3个参数(k,t和d)进行反复测试优化组合,在像元尺度上对研究区高山松地上生物量进行遥感估算。结果表明:基于遗传算法优化的k-NN模型精度优于传统的k-NN模型,优化前均方根误差为30.0 t·hm~(-2),偏差为-0.418 t·hm~(-2),相对标准误差百分比(R_(MSE))为54.8%;优化后均方根误差为24.0 t·hm~(-2),偏差为-0.123 t·hm~(-2),R_(MSE)为43.7%。基于优化k-NN模型的研究区高山松地上生物量总储量估测结果为0.89×10~7t。图7表6参20

【目的】基于浙江省中分辨率成像光谱仪(MODIS)时间序列数据，对浙江省竹林地上生物量进行估算，为竹林碳汇遥感监测提供参考。【方法】以MODIS叶面积指数(LAI)、增强型植被指数(EVI)和比值指数(RVI)时间序列数据为变量，利用随机森林模型筛选变量，采用支持向量回归(SVR)模型估算研究区竹林地上生物量。【结果】随机森林模型共筛选出43个对竹林地上生物量影响最大的变量；基于43个变量，采用radial核函数构建的SVR模型预测能力最强，模型训练精度和测试精度分别为0.76和0.72，均方根误差分别为5.15和8.03 Mg·hm~(-2)。浙江省全省竹林地上生物量均值为7.85 Mg·hm~(-2)，总地上生物量为3.31×10~7 Mg；浙江省竹林地上生物量在各市具有明显的差异性，其中，湖州市、杭州市、金华市、绍兴市和宁波市的竹林地上生物量均值均大于全省均值，湖州市竹林地上生物量均值最大，为13.56Mg·hm~(-2)，舟山市地上生物量均值最小，为5.72 Mg·hm~(-2)。【结论】耦合了MODIS LAI、EVI、RVI时间序列数据的SVR模型可实现浙江省竹林地上生物量较高精度的估算。图3表1参31

【目的】森林生物量是评价森林质量的重要指标，也是研究碳循环的重要基础，准确估测珠三角森林生物量对珠三角国家森林城市群建设高质量提升具有重要指导意义。【方法】以珠三角国家森林城市群为研究区，通过Landsat-8 Oli影像、DEM影像和2017年森林资源连续清查数据，分别提取单波段因子、植被指数、纹理特征和地形因子，采用多元逐步回归方法和BP神经网络模型分别构建阔叶林、针叶林、针阔混交林生物量估测模型。【结果】1）针对阔叶林、针叶林、针阔混交林3种不同森林类型，BP神经网络的预测精度都优于多元逐步回归模型，用BP神经网络预测的决定系数R~2相比于多元逐步回归有了一定的提高，阔叶林提高了0.10，针叶林提高了0.14，针阔混交林的R2提高的最为明显，提高了0.29。相对于多元逐步回归，BP神经网络的RMSE也有了一定程度的降低，阔叶林降低了5.32 t/hm~2，针叶林降低了10.57 t/hm~2，针阔混交林降低了0.28 t/hm~2。2）利用BP神经网络反演珠三角样地生物量，阔叶林为66.18 t/hm~2，针叶林为61.88 t/hm~2、针阔混交林58.29 t/hm~2，珠三角的乔木林平均生物量为64.46 t/hm~2，总的生物量为1 435.99 t，大部分地区森林生物量为40～80 t/hm~2，低于全国平均水平。3）地上生物量较高的地区分别分布在肇庆北部、广州北部、惠州西北部和东莞等地区。【结论】Landsat-8 OLI可以很好地用于森林地上生物量的估算，BP神经网络模型的反演精度要优于多元逐步回归方法，森林地上生物量与龄组和树种有关，生物量高的地区以近熟林和成熟林为主，木荷、马尾松、栎类和针阔混交林等树种的生物量较高，桉树的生物量偏低。

【目的】科学估测阿尔泰山天然林生物量，提高山区天然林生物量反演模型精度，同时为阿尔泰山天然乔木林的科学管护提供理论基础支持。【方法】基于6月6日、7月8日、7月24日和9月10日等4期Landsat 8遥感影像和新疆第九次全国森林资源连续清查数据，以岭回归、主成分分析、偏最小二乘法为建模方法分别构建阿尔泰山天然乔木林生物量反演模型，并验证其精度，从中选取最优模型，根据所选模型测算研究区天然乔木林生物量并分析其空间分布。【结果】从7月8日遥感影像所提取的与生物量显著相关的特征变量在数量和质量上都优于其他3期影像，最适宜用于研究区生物量反演；岭回归构建的生物量模型拟合出的预测值确定系数（R~2）为0.918，预测值标准差（SEE）为16.70 t/hm~2，平均系统误差（MSE）为5.39%，拟合精度（P）为85.55%，各项模型精度指标均优于主成分分析（R~2:0.824、SEE:20.19 t/hm~2、MSE:8.37%、P:80.88%）和偏最小二乘法（R~2:0.626、SEE:44.77 t/hm~2、MSE:-13.79%、P:70.21%）构建的模型。【结论】基于7月8日Landsat 8遥感影像，采用岭回归构建的模型最适用于研究区天然乔木林生物量估测。研究区天然乔木林生物量整体呈现南部低北部高的趋势，随海拔的升高先升高后降低，阴坡、半阴坡大于阳坡、半阳坡，随坡度的增大先升高后降低。精准估算山区天然乔木林生物量对于研究森林生态系统固碳能力、生产力以及评估天然乔木林的质量和生态效益具有重要意义。

【目的】研究基于遥感因子与地形因子构建香格里拉市高山松地上生物量非线性混合效应估测模型，提高高山松地上生物量估测精度。【方法】以2015年和2018年Landsat 8 OLI与对应年份样地实测数据为基础，通过二元生物量模型计算出高山松地上生物量。提取植被指数、纹理等遥感因子。将地形因子按照一定等级进行划分后作为模型因变量，基于8种非线性模型，考虑地形特征，构建非线性混合效应模型估测高山松地上生物量并进行模型检验，然后与多元线性回归、线性混合效应模型两种参数模型，以及随机森林(Random Forest,RF)、梯度提升回归树(Gradient Boosted Regression Trees, GBRT)、K-近邻(K Nearest Neighbors, KNN)3种非参数模型的预估精度进行对比。【结果】1)8种非线性基础模型中增长模型的拟合效果最优；2)共输出12个具体增长模型，其中以样地号(Number)、海拔等级(Elevation Class)为固定效应，坡向等级(Aspect Class)为随机效应时，模型Log Likelihood值最大，为-56.53,AIC、BIC的值最小，分别为133.06、155.55;3)经检验非线性混合效应模型的RMSE为13.94 t/hm~2,AMRE为15.64%，预估精度P为84.34%。【结论】采用Landsat影像和地形因子构建的非线性混合效应模型的拟合优度和预估精度较多元线性回归、线性混合效应模型均有明显提高，并且预估精度高于非参数模型。加入地形因子作为混合效应因子构建的非线性混合效应模型可以提高高山松地上乔木层生物量的估测精度。

森林生物量的定量估算为全球碳储量循环及气候变化研究提供了重要的参考依据。以肇庆市马尾松生物量为研究对象,基于SPOT-7影像数据,提取出单波段、波段比值、纹理特征、地形等因子并进行优选,对优选后的变量因子进行分组,生成光谱特征、纹理特征、光谱和纹理特征相结合的3种自变量集,采用偏最小二乘回归法和3种自变量集构建马尾松生物量估测模型并进行优选。结果显示:基于光谱特征构建的马尾松生物量估测模型的决定系数R2为0.81,均方根误差为15.30 t/hm2,误差平均值为-5.65 t/hm2,总预报偏差的相对误差为9.30%;基于纹理特征构建的马尾松生物量估测模型的决定系数R2为0.84,均方根误差为15.69 t/hm2,误差平均值为-4.73 t/hm2,总预报偏差的相对误差为7.78%;基于光谱和纹理特征相结合构建的马尾松生物量估测模型的决定系数R2为0.83,均方根误差为15.24 t/hm2,误差平均值为-5.27 t/hm2,总预报偏差的相对误差为8.67%。由此可知,基于纹理特征构建的马尾松生物量模型要好于其他两种方法,估算精度更高。

【目的】森林地上生物量对评价全球碳平衡和气候变化有重要作用,以安徽省霍山县为研究区,Landsat OLI和TIRS影像为基础数据,研究地表温度对森林地上生物量的影响效应。【方法】以Landsat OLI为遥感数据源,在基于灰度共生矩阵的支持下,提取覆盖研究区的遥感影像的纹理特征,并结合原始多光谱遥感影像和研究区的地形特征构建基于3种因子的森林蓄积量反演模型,并根据最优模型来推算研究区的森林地上生物量。根据Landsat TIRS数据对研究区的地表温度进行反演,并将森林地上生物量和地表温度反演数据结合,分析地表温度对森林地上生物量的影响机制。【结果】1)本研究共构建3种模型对森林蓄积量进行反演研究,包括:基于光谱特征的森林蓄积量反演模型,基于纹理特征的森林蓄积量反演模型和基于多特征的森林蓄积量反演模型。2)对森林蓄积量反演模型的精度进行评价,结果显示基于多特征的森林蓄积量反演模型精度最高,复相关系数达到0.751 9,说明该模型可用于研究区的森林蓄积量反演研究,森林蓄积量反演结果可用于研究区的森林地上生物量推算。【结论】研究结果表明在研究区内海拔200 m以下和700 m以上的区域,地表温度对森林地上生物量的影响效应不明显;在海拔200～400 m梯度范围内,森林地上生物量与地表温度的相关性逐渐增大;海拔400 m以上,森林地上生物量与地表温度的相关性与200～400 m范围内相比逐渐减小,但总体上,在400～700 m海拔梯度内,两者仍呈现出较强相关性。

【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 ]为了解决碳储量的不确定性受单一类型变量的影响，而忽略了残差变异导致模型不确定性的问题，研究不同类型变量对碳储量估测模型的不确定性。[方法 ]以香格里拉市高山松为研究对象，采用随机森林联立蒙特卡洛（RF-MC），基于不同变量组合建立回归模型，判断各模型的不确定性。[结果 ]表明：（1）光谱和样地数据直接参与RF-MC模型的估测精度及不确定性最差。（2）在上一步的基础上引入纹理特征的模型预测结果优于引入DEM。（3）同时引入DEM和纹理特征的RF-MC模型效果最优（R2=0.892,RMSE=5.539 t·hm~(-2),MAE=4.319 t·hm~(-2), rRMSE=18.7%）。模型拟合度提高了0.343，模型的不确定性降低了19.43%。[结论 ]基于多特征的RF-MC方法在碳储量估测中效果较好，不同类型的变量对碳储量估测精度及不确定性有一定的影响。

【目的】针对多源遥感数据及其派生特征因子数据维度高、信息冗余、易造成估测模型过拟合等问题,从高维度遥感特征因子中高效优化特征组合,优化区域森林地上生物量(AGB)的k最近邻(k-NN)估测模型。【方法】提出基于快速迭代特征选择的k最近邻法(KNN-FIFS),以森林资源样地调查数据计算的森林AGB为参考,以留一法交叉验证(LOO)相应的k-NN模型反演的森林AGB均方根误差(RMSE)最小为原则,依次迭代选取遥感特征,优化区域森林AGB的k-NN估测模型。以大兴安岭根河森林保护区为研究区,结合Landsat-8 OLI各波段光谱信息、植被指数、纹理、地形因子、机载合成孔径雷达(SAR)P-波段HV极化后向散射强度信息(PHV)以及森林资源样地调查数据,利用KNN-FIFS方法估测研究区森林AGB,并与多元线性逐步回归法(SMLR)进行对比分析。【结果】利用KNN-FIFS方法,得到当k为3,特征组合为PHV、短波红外波段一均一性(H6)、短波红外波段一二阶矩(S6)、短波红外波段二二阶矩(S7)、海蓝波段相关性(Cr1)、近红外波段相关性(Cr5)、海蓝波段相异性(D1)、增强型植被指数(EVI)时,研究区森林AGB估测结果最优,其精度(R~2=0.77,RMSE=22.74 t·hm~(-2))显著优于SMLR估测精度(R~2=0.53,RMSE=32.37 t·hm~(-2))。【结论】KNN-FIFS方法相比SMLR更适用于森林AGB多源遥感估测;KNN-FIFS方法可以从高维度遥感特征因子中高效选取相关特征进行森林AGB估测。

【目的】森林生物量的精确测定,对于全球气候变化和碳循环研究具有重要的意义。【方法】以东北林业大学城市林业示范基地为研究区域,首先利用无人机平台获取整个研究区域的高分辨率无人机影像;然后在研究区域四种人工林样地中分别选取20 m×20 m的4块建模样方和4块测试样方,通过每木检尺法实测建模样方内林木的树高和胸径数据,建立H-DBH(树高-胸径)估算模型,并结合已有的DBH-SB(胸径-树干生物量)模型得到测试样方的森林生物量数据;在处理后的数字冠层高度模型(DCHM)基础上利用局部最大值法提取树高与树冠中心点位置,建立一种结合无人机影像提取树高与H-SB(树高-树干生物量)经验模型的森林生物量制图方法。【结果】不同样方的H-DBH模型R2均大于0.70,测试样方的总地上生物量平均值为6 915.85 kg,总的估测精度为87%。通过ArcGIS软件结合本研究提出的方法快速得到了整个研究区域的地上生物量分布图,估测总地上生物量为4 396.18 t。【结论】研究结果可为快速准确的进行森林生物量的估测提供基础数据和技术参考。

根据所采用数据源的不同,介绍了当前国内外森林地上生物量测算中所用的主要方法,即基于森林资源清查的方法和基于遥感估测的方法。根据国内外前期研究成果,概括了这两种方法的特点及其存在的一些不足,初步探讨了结合多源数据联合估测森林地上生物量的方法。结合当前森林地上生物量研究中存在的问题,讨论了估测方法的尺度、模型与参数化以及精度与验证的问题,最后提出了今后森林地上生物量研究中应重点开展的工作。

结合Landsat TM遥感数据和雷竹林样地调查数据,采用偏最小二乘回归法(PLS)建立雷竹林地上生物量估算模型,利用该模型估算临安市雷竹林地上部分生物量。结果表明:雷竹单株地上部分生物量与胸径及雷竹林地上部分生物量与株数之间都呈极显著相关(P<0.01);通过PLS-Bootstrap法筛选自变量能够提高模型精度;模型预测的雷竹林地上生物量均方根误差为3.45t·hm-2,满足大范围估算的精度要求;临安市雷竹林地上生物量为13～25t·hm-2,均值为19.52t·hm-2。

基于２００７年建德市森林资源二类调查数据和ＴＭ影像数据，采用蓄积量—生物量换算因子连续函数法计算松树生物量，对松树树种分立地质量等级和不分地位等级２种类型建立生物量的遥感估测模型，并进行精度检验。结果表明：（１）以ＴＭ遥感影像主成分分析中第一主成分为自变量的模型拟合效果最好，决定系数Ｒ２均在０．６以上，最高０．７７３。（２）利用预留独立样本对模型精度进行验证，不分地位级总体估测精度为９２．５１％，分立地质量等级好、中、差３种类型总体估测精度分别为９７．６６％、９６．５６％、９７．３２％，分不同立地质量等级建模精度明显优于统一建模的精度。研究结果为森林生物量遥感估测提供一种改进的思路，且为提高森．．．