全 文 ：植物生态学报 2012, 36 (10): 1095–1105 doi: 10.3724/SP.J.1258.2012.01095
Chinese Journal of Plant Ecology http://www.plant-ecology.com
——————————————————
收稿日期Received: 2012-02-13 接受日期Accepted: 2012-07-23
* E-mail: caf.pang@gmail.com
基于机载激光雷达的小兴安岭温带森林组分生物
量反演
庞 勇* 李增元
中国林业科学研究院资源信息研究所, 北京 100091
摘 要 使用小兴安岭温带森林机载遥感-地面观测同步试验获取的机载激光雷达(light detection and ranging, Lidar)点云数据
和地面实测样地数据, 估测了典型森林类型的树叶、树枝、树干、地上、树根和总生物量等组分的生物量。从激光雷达数据
中提取了两组变量(树冠高度变量组和植被密度变量组)作为自变量, 并采用逐步回归方法进行自变量选择。结果表明: 激光
雷达数据得到的变量与森林各组分生物量有很强的相关性; 对于针叶林、阔叶林和针阔叶混交林三种不同森林类型生物量的
估测结果是: 针叶林优于阔叶林, 阔叶林优于针阔叶混交林; 不区分森林类型的各组分生物量估测与地面实测值显著相关,
模型决定系数在0.6以上; 区分森林类型进行建模可以进一步提高生物量的估测精度。
关键词 地上生物量, 机载激光雷达, 组分生物量, 根生物量, 温带森林
Inversion of biomass components of the temperate forest using airborne Lidar technology in
Xiaoxing’an Mountains, Northeastern of China
PANG Yong* and LI Zeng-Yuan
Institute of Forest Resource Information Technique, Chinese Academy of Forestry, Beijing 100091, China
Abstract
Aims Our purpose was to demonstrate the potential of using airborne laser to estimate biomass components of
temperate forest. The airborne Lidar data and field data of concomitant plots were used in a forest of the North-
eastern China.
Methods A set of biomass components, i.e., leaf biomass, branch biomass, trunk biomass, aboveground biomass
and belowground biomass, were calculated from field data using species-specific allometric equations. Canopy
height indices and density indices were calculated from Lidar point cloud data. The height indices evaluated in-
cluded maximum height of all points, mean height of all points, quadratic mean height (square root of the mean
squared height of each Lidar point) as well as height percentiles. Canopy density indices were computed as the
proportions of laser points above each percentile height to total number of points. Then statistical models between
these biomass components from field data and Lidar indices were built. Stepwise regression was used for variable
selection and the maximum coefficient of determination (R2) improvement variable selection techniques were ap-
plied to select the ALS-derived variables to be included in the models. The least squares method was used gener-
ally and repeated until all the independent variables of the regression equation were accord with the requirements
of entering models.
Important findings There were good correlations between biomass components and Lidar indices. The R2 was
>0.6 for all the biomass components when we put all three types of forest (i.e., needle-leaved, broad-leaved and
mixed) together. Needle-leaved forest had best estimation followed by broad-leaved and mixed forests when we
built separate models for the three types of forest. This estimation capability is better when the regression models
are built for different forest types.
Key words aboveground biomass, airborne Lidar, biomass component, root biomass, temperate forest

森林是陆地生态系统的主体, 是林业发展的物
质基础。从《京都议定书》到“巴厘岛路线图”, 都
迫切需要世界各国实施应对气候变化的国家方案。
2009年底在哥本哈根召开的《联合国气候变化框架
1096 植物生态学报 Chinese Journal of Plant Ecology 2012, 36 (10): 1095–1105

www.plant-ecology.com
公约》缔约方第15次会议上, 我国提出减排增汇举
措: 到2020年, 我国单位国内生产总值(GDP) CO2
排放量将比2005年下降40%–45%, 增加森林碳汇,
使森林面积比2005年增加4 000万hm2, 森林蓄积量
比2005年增加13亿m3等。“巴厘岛路线图”明确规
定, 签署《联合国气候变化框架公约》的所有发达
国家缔约方都要履行可测量、可报告、可核实的温
室气体减排责任。在哥本哈根会议上, 美国和欧洲
许多发达国家要求我国减排指标接受这一规则。
2007年6月5日, 我国国家发展和改革委员会正式
发布《中国应对气候变化国家方案》, 该方案明确
提出遥感信息的提取和反演技术是碳源汇观测体
系建设中所急需的。森林在全球碳循环中的贡献,
代表了森林经营活动对全球生态系统功能的影响。
而森林生物量及其生产力的大小是评价森林碳循
环贡献的基础。因此, 开展森林生物量的精确估算
和评估具有重要意义, 它不仅是估测森林碳储量
和评价森林碳循环贡献的基础, 而且也是森林生
态功能评价的重要参数。传统的森林参数测定需要
外业实地测量, 仅能获得一些点上的数据, 很难
及时地获取区域或大范围有空间分布信息的森林
参数。激光雷达(light detection and ranging, Lidar)
遥感获得的高精度三维测量数据, 能够大大地提
高森林生物量的估测精度, 从而更好地计算森林
的碳储量(庞勇等, 2005)。
激光雷达是一项通过由传感器所发出的激光
脉冲来测定传感器与目标物之间距离的主动遥感
技术, 20世纪80年代中期开始应用于林业研究, 早
期的研究发现激光脉冲的穿透力与冠层郁闭度高
度相关, 并指出激光雷达系统可以用于遥感森林垂
直结构并估测林木高度(Nelson et al., 1984, 1988)。
MacLean和Krabill (1986)使用摄影测量和光密度测
量的方法发现树冠垂直剖面与森林蓄积量的对数
呈线性关系, 从而设想如果激光雷达可以精确地重
建树冠剖面, 那么森林蓄积量可以被估测出来。随
后, 许多研究证明激光雷达扫描数据能够准确地估
测森林参数 , 如树高、胸高断面积、生物量等
(Næsset, 1997; Nelson et al., 1997; Maltamo et al.,
2004; Popescu, 2007; 庞勇等 , 2008; 刘清旺等 ,
2010; 付甜等, 2011)。
与建立在高密度激光点云基础上的单木生物
量估测方式相比, 更多的森林生物量估测研究是基
于较低密度点云数据的空间分布情况来估计生物
量。Nelson等(1997)应用激光雷达数据估测了哥斯
达黎加原始热带森林的胸高断面积、蓄积量和生物
量, 研究采用多元回归分析方法, 结果表明: 有用
的激光雷达测量数据包括所有回波的平均高度、植
被回波的平均高度以及它们各自的变动系数, 模型
决定系数(R2)达0.4–0.6。Lim和Treitz (2004)利用点
云数据统计分析计算四分位高度数据对5个树种分
别进行了生物量估测, 针对不同生物量部分(包括
地上总生物量、树干生物量、树皮生物量、树枝生
物量、树叶生物量), 将四分位高度变量h25、h50、h75、
h100分别带入对数变量线性回归方程进行分析, 得
出的相关系数均高于0.8。Næsset和Gobakken (2008)
考虑到森林生物量与郁闭度的关系, 采用了激光雷
达首回波数据的两组自变量来估测生物量, 一组为
百分位高度变量, 另一组为密度变量, 同时引入立
地、龄级等作为虚变量, 树种组成作为连续变量构
建了回归模型, 估计了地上生物量和地下生物量,
其R2也达到了0.7以上。Zhao等(2009)提出两种尺度
不变模型(线性函数模型和等值的非线性模型)来估
计生物量, 利用激光雷达数据得到树冠高度分布
(CHD)和树冠高度分位数函数(CHQ), 实验结果表
明, 这两个模型能够精确地估计生物量, 并且预测
结果在各种尺度的表现都基本一致, 其中R2的范围
在0.80到0.95 (均方根误差RMSE从14.3 t·hm–2到33.7
t·hm–2)。Latifi等(2010)尝试了非参数估计方法反演
森林生物量的潜力, 结果表明随机森林的方法比其
他最近邻的方法要好。
在过去采用类似激光雷达分位数变量和密度
相关变量的估测森林参数的研究中, 一般情况下都
是逐步回归选择出植被首回波的80%–90%分位数
或最大高度用于估测平均树高或优势树高, 而胸高
断面积、蓄积量、平均胸径或株数的预测回归模型
则多半既包含分位数变量又包含与密度相关的变
量, 20%或30%的分位数变量表现出很强的相关性,
且关系显著。有研究表明, 森林参数与激光雷达数
据之间的关系受地域、树种构成、立地质量等条件
的影响(Holmgren, 2004; Hall et al., 2005; Næsset &
Gobakken, 2008)。已有的一些研究多关注于地上的
森林参数及地上部分的各组分生物量(Lim & Treitz,
2004; 付甜等, 2011), Næsset和Gobakken (2008)首
次利用Lidar估计了地下生物量。本文以黑龙江省小
庞勇等: 基于机载激光雷达的小兴安岭温带森林组分生物量反演 1097

doi: 10.3724/SP.J.1258.2012.01095
兴安岭凉水自然保护区的温带森林为研究对象, 进
行机载Lidar反演叶生物量(Wf)、活枝生物量(Wb)、
树干生物量(Ws)、地上总生物量(Wa)、根部生物量
(Wr)和总生物量(Wt)等各组分生物量的试验, 评价
这一技术在我国温带森林的适用性, 探讨反演森林
各组分生物量的潜力, 有助于科学准确地估算温带
森林的碳储量。
1 试验区和数据获取
1.1 研究区概况
研究区选在黑龙江省伊春市带岭区凉水国家
级自然保护区, 位于47°10′50″ N, 128°53′20″ E, 森
林覆盖率为98%。保护区内以山地为主, 属于小兴
安岭南部达里带岭支脉的东坡。地形比较复杂, 最
高山峰为北部的岭来东山, 海拔为707 m, 由北向
南逐渐降低至东南端的280 m。山脉一般高100–200
m, 平均坡度为10°–15°, 北坡缓而长, 南坡陡而短,
山岭部分可以达到25°以上甚至40°的陡坡。年平均
气温–0.3 , ℃ 年降水量676 mm, 年相对湿度78%,
无霜期100–120天。境内地带性土壤为山地暗棕壤。
气候具有明显的温带大陆性季风特征: 春季风大;
夏季气温较高, 降雨集中; 秋季降温急剧; 冬季漫
长, 寒冷干燥而多风雪。
保护区面积为1.2万hm2, 森林总蓄积量170万
m3。保护区内自然资源丰富, 植被群落类型复杂多
样, 既有处于演替顶极状态的原始阔叶红松(Pinus
koraiensis)林、鱼鳞云杉(Picea jezoensis var. mi-
crosperma)林和兴安落叶松(Larix gmelinii)林, 又有
处于不同演替阶段的次生林。大片较原始的红松针
阔混交林是我国目前保存下来的最为典型和完整
的原生红松针阔混交林, 也是我国和亚洲东北部很
具代表性的温带原始红松针阔混交林。主要树种有
红松、鱼鳞云杉、兴安落叶松、白桦(Betula platy-
phylla)、水曲柳(Fraxinus mandschurica)、紫椴(Tilia
amurensis)、山杨(Populus davidiana)、蒙古栎(Que-
rcus mongolica)、黄檗(Phellodendron amurense)、
胡桃楸(Juglans mandshurica)等。
1.2 遥感数据的获取
于2009年9月4日和13日利用激光雷达传感器
在凉水自然保护区进行机载实验数据采集。使用国
产运-5小型多用途飞机作为飞行平台, 飞行时地面
相对速度约180 km·h–1, 总覆盖面积约200 km2。获
取数据时天气以晴为主, 有少量高云分布, 对激光
雷达的数据采集没有影响。
此次飞行使用的激光雷达系统为LiteMapper
5600 (LiteMapper 5600, Ingenieur-Gesellschaft fuer
Interfaces mbH, Kreuztal, Germany), 激光扫描仪采
用LMS-Q560 (RIEGL Laser Measurement Systems
GmbH, Horn, Austria), CCD相机采用DigiCAM-
H/22 (DigiCAM-H/22, Ingenieur-Gesellschaft fuer
Interfaces mbH, Kreuztal, Germany)。该系统集激光
测距、全球定位系统(GPS)和惯性导航系统(INS)于
一体, 包括一个单束窄带激光器和一个接收系统。
激光器工作波长为1 550 nm, 激光束发散角为0.5
mrad, 波形数据记录间隔为1 ns。获得的平均点云
密度约2点·m–2, 小范围精细飞行区达5点·m–2 (相对
航高约650 m)。为确保低反射率目标的有效接收,
脉冲重复频率为50 kHz。记录全波形数据, 地表定
位精度为水平0.2 m, 垂直0.15 m (平地)。此外, CCD
相机同步获取了该区域的航空影像数据, 空间分辨
率为0.2 m。经过与差分GPS实测高程的比较, 本实
验获取的Lidar数据的高程精度优于0.3 m, 平面精
度优于0.5 m。
1.3 地面样地数据的获取及处理
2009年8月进行了为期18天的外业样地调查,
对飞行区域进行样地数据的地面调查。选择凉水林
场典型森林类型(红松阔叶林、落叶松林、白桦林)
为对象, 按蓄积量大小分高、中、低3个梯度, 每个
梯度抽取3–4个森林区划小班布设样地。共设置78
块样地进行调查 , 并使用Trimble GeoXT GPS
(GeoXT, Trimble Navigation Limited, Sunnyvale,
USA)进行差分定位。其中4块样地的GPS坐标未能
进行差分处理, 本研究仅使用有差分GPS坐标的74
块样地, 包括27块阔叶林样地(主要为白桦林)、23
块针叶林样地(主要为落叶松)、24块针阔叶混交林
样地(主要为红松阔叶混交林)。
样地为圆形样地, 半径为13.8 m, 面积为0.06
hm2。进行每木检尺调查, 起测胸径为5 cm, 对每株
被测木测量树种、胸径、树高和冠幅等测树因子。
单株木的胸径用围尺测量, 树高和枝下高使用激光
测高仪(TruPulse 360B, Laser Technology Inc., Cen-
tennial CO, USA)、超声波测高仪 (VERTEX III,
HAGLOF Company, Långsele, Sweden)进行测量 ,
冠幅的两个主方向使用皮尺测量。使用差分GPS定
1098 植物生态学报 Chinese Journal of Plant Ecology 2012, 36 (10): 1095–1105

www.plant-ecology.com
位样地中心地理坐标, 差分处理后的位置精度在
1 m以内, 差分基站与机载Lidar的基站相同, 可以
确保外业测量数据与机载飞行数据在位置上有很
好的重合。
2 方法
2.1 地面样地数据的各组分生物量计算
根据调查数据计算相关森林参数, 应用分树种
的异速生长方程计算每株检尺树木的Wf、Wb、Ws、
Wa、Wr和Wt。然后将所有检尺树木的组分生物量累
加得到该样地的组分生物量, 进而换算为单位面积
(本研究采用hm2)的组分生物量。
异速生长方程使用了陈传国和朱俊凤(1989)的
幂函数形式的方程和Wang (2006)对数形式的方程,
为了计算方便, 我们将Wang (2006)的方程转换为
幂函数形式的方程, 即公式(1):
W = aDBHb (1)
式中, W为待计算的各组分生物量, DBH为胸径, a和
b为方程系数。所使用的各树种异速生长方程系数
见附录1, 模型拟合的R2都大于0.8。
2.2 激光雷达数据处理及变量计算
为了进行森林参数反演, 首先需要将地面点与
地物点分离。在本研究中将激光点分为3类: 地面
点、植被点和其他。地面点指来自地面的激光回波,
植被点则指植被的激光回波, 其他点是指除植被点
以外的非地面点。Lidar数据在空间的分布为不规则
的离散三维点云, 每个点具有精确的三维坐标, 即
水平方向的地理坐标(x, y)及垂直方向的高程值z。
对于植被, 激光脉冲可以通过孔隙穿透植被, 通过
透射或多次散射形成多次回波, 点云分布呈团状聚
集等不规则形状。在植被密集的地方, 激光回波的
情况比较复杂, 有些来自于植被顶部, 有些来自于
下层的树枝, 还有一些来自于植被覆盖下的地表。
本文采用基于不规则三角网 (TIN)的过滤方法
(Axelsson, 2001), TIN算法是一个从粗放到精细的
过程, 等效于三角网逐步加密的过程。算法首先在
粗放的尺度寻找地面点, 并根据这些地面点建立粗
尺度的TIN网络表面。随后逐一判断其余的三维点
与TIN表面的垂直距离及角度, 当距离与角度小于
阈值, 就将该点纳入并重构新的TIN表面, 否则就
将该点删除。如此往复, 逐步纳入新的地面点, 直
至所有点判断完成, 将所有的激光雷达点云数据分
为地面点和非地面点。进一步利用高程阈值法结合
人工编辑, 将非地面点分为植被点和其他类型的激
光回波点。
将分类后的地面激光点数据使用TIN插值方法
生成数字高程模型(DEM)。然后利用DEM的高程值
对植被回波点的高度进行归一化处理, 即去除地形
的高程 , 使植被点的高度值为相对于地面的高
度值。
对于不同的激光器构造和飞行高度而言, 第一
回波更趋于稳定, 因此多采用第一回波来计算森林


表1 按不同森林类型进行统计的组分生物量回归模型结果
Table 1 Results of biomass component regression models from different forest types
组分生物量 Biomass component 评价指标
Evaluation index
森林类型
Forest type Wf Wb Ws Wa Wr Wt
阔叶林 Broad-leaved forest 0.44 0.44 0.60 0.60 0.43 0.64
针叶林 Needle-leaved forest 0.82 0.91 0.87 0.88 0.84 0.89
决定系数
Coefficient of
determination R2
针阔叶混交林 Needle-broad-leaved mixed forest 0.20 0.42 0.62 0.61 0.43 0.63
阔叶林 Broad-leaved forest 1.1 2.0 17.1 19.3 4.4 21.5
针叶林 Needle-leaved forest 1.1 1.4 17.3 20.0 2.3 20.2
均方根误差
Root mean square
error RMSE
针阔叶混交林 Needle-broad-leaved mixed forest 1.8 4.0 66.6 68.2 6.1 69.1
阔叶林 Broad-leaved forest 0.36 0.23 0.22 0.21 0.21 0.19
针叶林 Needle-leaved forest 0.21 0.15 0.18 0.18 0.18 0.16
相对均方根误差
Relative root mean
square error rRMSE
针阔叶混交林 Needle-broad-leaved mixed forest 0.28 0.25 0.27 0.26 0.23 0.24
Wa, 地上总生物量; Wb, 活枝生物量; Wf, 叶生物量; Wr, 根生物量; Ws, 树干生物量; Wt, 总生物量。
Wa, aboveground biomass; Wb, live branch biomass; Wf, leaf biomass; Wr, root biomass; Ws, trunk biomass; Wt, total biomass.


庞勇等: 基于机载激光雷达的小兴安岭温带森林组分生物量反演 1099

doi: 10.3724/SP.J.1258.2012.01095
参数(Næsset & Gobakken, 2008)。一般情况下, 植被
点是取高于地面2 m的回波点(Nilsson, 1996)。百分
位数能很好地体现激光点数据的分布情况(庞勇等,
2008)。因此, 提取一组变量取每块样地中的激光雷
达植被回波点的百分位高度5% (h5), 10% (h10), …
95% (h95), 以及最大高度hmax。然后将激光雷达对应
高度分位数内的点在所有点中所占的比例定义为
密度变量组, 即d5, d10, …d95。另外, 再提取密度变量
c, 定义为高于1.8 m的回波点在所有回波点中所占
的比例。
2.3 基于Lidar点云数据的组分生物量模型构建
本研究是在假设激光雷达数据与所要估测的
内容存在相关性的情况下, 对所得到的高度归一化
后的激光雷达数据进行变量的提取。将“2.2”中得到
的变量与需要预测的参数进行了Pearson相关分析,
结果显示大部分激光雷达变量与所需估测的森林
参数之间的Pearson相关系数均高于0.6, 且相关关
系显著, 说明它们之间有较好的线性关系。为了克
服变量的非线性问题, 对变量进行对数变换, 用对
数变量线性回归来估测地上生物量, 见公式(2)。
lnWi = β0 + β1lnh5 + β2lnh10 +…+ β19lnh95 +
β20lnhmax + β21lnd5 + β22lnd10 + …+ β39lnd95+ β40lnc + ε

(2)
式中, Wi为根据地面实测数据计算的Wa、Ws、Wb、
Wf、Wr或Wt; β0, β5, …, β40为待定的回归系数; ε为
误差项。
多元线性回归是研究多个变量之间因果关系
的最常用方法, 并且每个自变量与因变量之间的关
系都应该是线性的。建立回归模型的过程中, 运用
逐步回归法和观察R2的变化情况来选择进入模型
的合适变量(Næsset & Gobakken, 2008)。如果有自
变量使统计量F值过小并且t检验达不到显著水平(p
> 0.1), 则予以剔除; F值较大且t检验达到显著水平
(p < 0.05)则可以进入。这样重复进行, 直到回归方
程中所有的自变量均符合进入模型的要求, 方程外
的自变量均不符合进入模型的要求为止。
2.4 组分生物量模型的评价
回归模型的评价采用最常用的R2、RMSE和相
对均方根误差(rRMSE)进行。
(1) R2。R2值越大, 则因变量与自变量之间的相
关性越强, 这是对回归直线拟合优度的检验。计算
公式为:

(2)实际值与预测值之间的RMSE。RMSE越小,
则表明模型预测的效果越好。计算公式为:

(3) rRMSE。定义为RMSE与估测结果算术平均
值的比值, rRMSE越小, 表明模型预测的效果越好。
计算公式为:

RMSE数值的高低与所评价对象的数量级关系
很大, 如本文研究的森林各组分生物量在数值上变
化很大, RMSE值在各组分生物量间的变化范围很
大, 不能很好地比较不同估测模型的误差情况。
rRMSE作为一个相对量, 与评价量本身的数量级水
平无关, 能够更好地体现总体值域差别较大的模型
的预测精度。
由于生物量反演模型(公式2)是对数形式, 在计
算每个估计模型的R2、RMSE和rRMSE时, 利用建立
的模型计算出预测的生物量, 然后利用公式(3)–(5)
计算。
2.5 组分生物量建模的试验设计
在统计分析过程中, 按照是否分别森林类型进
行建模分成两种情况进行了分析。即:
(1)对所有样地无区分的统计分析, 即将74块样
地一起进行“2.3”中描述的变量筛选和模型建立。
(2)区分森林类型的统计分析, 即将样地按树种
组成分成针叶林、阔叶林和混交林3种森林类型分
别进行分析。我们分析了两种情形, 一是用步骤(1)
中所有样地建立的模型分别3种森林类型进行参数
估计; 二是对27块阔叶林样地、23块针叶林样地、
24块针阔混交林样地分别进行“2.3”中描述的变量
筛选和模型建立, 由于第二种情形针对每种森林类
型进行了变量筛选和建模, 估测精度有可能进一步
提高, 本文中称为“最大相关系数回归方法”。
1100 植物生态学报 Chinese Journal of Plant Ecology 2012, 36 (10): 1095–1105

www.plant-ecology.com
针对每种模型对样地各组分生物量的预测值,
我们分别计算了R2、RMSE和rRMSE作为评价Lidar
反演各组分生物量精度的标准。
3 结果和分析
3.1 不区分森林类型的生物量估计
估测各组分生物量及总生物量时, 将所有高度
变量和密度变量带入方程进行了逐步回归分析, 结
果表明激光雷达数据与各部分生物量的相关性较
高。如图1所示, 在不区别样地类型的预测结果中,
各组分生物量模型的R2均高于0.6, 即除根生物量外
的各组分生物量的模型相关系数r均高于0.8 (根生
物量的相关系数为0.79), 可解释的变异占总变异的
比例均在75%以上; 总的树叶、树枝、树干、地上、
树根和总生物量的RMSE分别为1.4、2.7、44.8、43.9、
5.3和47.1 t·hm–2。
3.2 区分森林类型的生物量估计
分别森林类型(阔叶林、针叶林、针阔叶混交林)
进行了树叶、树枝、树干、地上、树根和总生物量
等组分生物量反演模型建立(表1), 总体上表现为针
叶林优于阔叶林, 阔叶林优于红松针阔叶混交林。
其中针叶林的R2都在0.8以上; 阔叶林的R2都在0.4
以上; 而红松针阔叶混交林的R2变化较大, 从叶生
物量模型的0.20变动到总生物量模型的0.63。相对
而言, 3种森林类型在总生物量、树干生物量、地上
生物量上都表现出了较好的一致性, 3种森林类型
联合建立的这3种生物量模型对各类型都能进行很
好的估计。由RMSE和rRMSE可以看出, 不区分森林
类型建立的模型对针叶林各组分生物量的估计精
度最高, 阔叶林和混交林的精度相当, 其中阔叶林
的叶生物量估计最差(rRMSE为0.36)。
如表2所示, 如果使用最大相关系数的回归方
法, 分别森林类型单独进行变量筛选、建立回归模
型, R2都有所提高, 尤其是阔叶林和红松针阔混交
林提高得更加明显, 如阔叶林叶生物量的R2从0.44
提高到0.96 (rRMSE也由0.36提高到0.10), 红松针阔
混交林生物量的R2从0.20提高到0.82。这表明如果
详细地区分森林类型, 分别进行变量筛选、建立回
归模型, 可以进一步提高精度。但这同时也要求在
遥感反演各组分生物量时要知道森林类型的信息。
森林类型可以通过高光谱遥感等手段分析获得。
4 讨论
利用联合建立的模型分别森林类型进行生物
量估计时, 针叶林的精度提高较多, 阔叶林的精度
变化不大, 而红松针阔叶混交林的精度降低较多
(表1)。对3种森林类型分别建立回归模型时, 各组分
生物量反演的精度都有很大的提高(表2)。这与实验
区中这3类森林的生长状况有关。针叶林主要是落
叶松林, 由于落叶松不是该区域的天然树种, 全部
为人工林, 表现为林相整齐, 均质度高, 生物量估
计时, 无论是遥感观测数据还是地面实测数据都能
很好地代表林分水平的状态。阔叶林主要是天然更
新的白桦林和少量的人工杨树林, 林分的均质度也


表2 用不同森林类型进行变量筛选、建立回归模型时的组分生物量模拟结果
Table 2 Results of biomass component regression models from variable selection and model establishment categoried by forest
types
组分生物量 Biomass component 评价指标
Evaluation index
森林类型
Forest type Wf Wb Ws Wa Wr Wt
阔叶林 Broad-leaved forest 0.96 0.92 0.89 0.88 0.82 0.95
针叶林 Needle-leaved forest 0.97 0.91 0.97 0.95 0.85 0.95
决定系数
Coefficient of
determination R2
针阔叶混交林 Needle-broad-leaved mixed forest 0.82 0.61 0.79 0.80 0.79 0.82
阔叶林 Broad-leaved forest 0.30 0.80 8.90 10.30 2.50 8.10
针叶林 Needle-leaved forest 0.50 1.30 8.30 12.20 2.20 13.30
均方根误差
Root mean square error
RMSE
针阔叶混交林 Needle-broad-leaved mixed forest 0.90 3.30 49.5 48.90 3.70 48.90
阔叶林 Broad-leaved forest 0.10 0.09 0.11 0.11 0.12 0.07
针叶林 Needle-leaved forest 0.10 0.14 0.08 0.11 0.18 0.11
相对均方根误差
Relative root mean
square error rRMSE
针阔叶混交林 Needle-broad-leaved mixed forest 0.14 0.20 0.20 0.18 0.14 0.17
Wa, 地上总生物量; Wb, 活枝生物量; Wf, 叶生物量; Wr, 根生物量; Ws, 树干生物量; Wt, 总生物量。
Wa, aboveground biomass; Wb, live branch biomass; Wf, leaf biomass; Wr, root biomass; Ws, trunk biomass; Wt, total biomass.
庞勇等: 基于机载激光雷达的小兴安岭温带森林组分生物量反演 1101

doi: 10.3724/SP.J.1258.2012.01095



图1 样地各组分生物量实测值与激光雷达估测值的对比(单位为: t·hm–2)。*, 阔叶林; ○, 针叶林; × , 针阔叶混交林; R2, 决定
系数; RMSE, 均方根误差; Wa, 地上总生物量; Wb, 活枝生物量; Wf, 叶生物量; Wr, 根生物量; Ws, 树干生物量; Wt, 总生物量。
Fig. 1 Comparison of estimated biomass components from field measurements and airborne Lidar (unit: t·hm–2). *, broad-leaved
forest; ○, needle-leaved forest; × , needle-broad-leaved mixed forest; R2, coefficient of determination; RMSE, root mean square error;
Wa, aboveground biomass; Wb, live branch biomass; Wf, leaf biomass; Wr, root biomass; Ws, trunk biomass; Wt, total biomass.



1102 植物生态学报 Chinese Journal of Plant Ecology 2012, 36 (10): 1095–1105

www.plant-ecology.com


图2 地面测量胸高断面积平均高与激光雷达75%分位数高
度的对比。*, 阔叶林; ○, 针叶林; × , 针阔叶混交林; R2, 决
定系数; RMSE, 均方根误差。
Fig. 2 Comparison of Lorey’s height (basal area weighted
mean height) from field measurements and 75% percentile
height from airborne Lidar data. *, broad-leaved forest; ○, nee-
dle-leaved forest; × , needle-broad-leaved mixed forest; R2,
coefficient of determination; RMSE, root mean square error.


较好。而阔叶红松混交林为小兴安岭南部的典型地
带性植被, 也是试验区森林演替的顶级群落, 不同
阔叶树的构成往往有着不同的生物量水平, 如柞树
(Quercus sp.)红树林>灌木阔叶红松林>阔叶红松林
>红松阔叶林(冯宗炜等, 1999)。本研究测量的阔叶
红松林样地中阔叶树的树种和成数都有很大变化,
林内异质性较大, 结构复杂, 因而激光雷达返回信
号的变化也较大, 从而降低了生物量的估测精度。
而对3种森林类型分别进行Lidar的变量筛选, 3种森
林类型筛选出的Lidar高度变量和密度变量均有一
定差异, 这与相应的森林类型的垂直结构、各组分
的分布特点是相关的。
由于Lidar进行生物量反演多采用对数形式的
统计模型, 已有的大多数研究仅给出了对数形式下
的模型统计结果(Næsset & Gobakken, 2008; 付甜
等, 2011), 不便于模型精度的直接比较。就模型的
R2而言, 本文的结果优于付甜等(2011)的结果, 不
区分森林类型的结果略低于Næsset和Gobakken
(2008)的结果, 区分森林类型建模后, 本研究的阔
叶林、针叶林均优于Næsset和Gobakken (2008)的结
果 , 混交林略低于Næsset和Gobakken (2008)的结
果。这可能是由于本文的研究区域是我国小兴安岭
的温带森林, 复杂性比付甜等(2011)的云南亚热带
森林简单, 比Næsset和Gobakken (2008)的北方针叶
林复杂。森林结构的复杂性对森林组分生物量的反
演精度可能有较大的影响。
图2所示为地面测量胸高断面积平均高与激光
雷达75%分位数高度的关系 , R2为77%, RMSE为
2.5 m, 说明从实测数据计算的胸高断面积平均高
(LoreyH)与从激光雷达点云数据中计算的上四分位
数高度(h75)有很好的相关性(庞勇等, 2008)。由于林
分的LoreyH与生物量和林龄密切相关, 与树高的相
关性高也说明Lidar可以对生物量进行较好的估计。
本研究利用Lidar点云数据中提取的分位数高度变
量组与反映了林分郁闭度状况的密度变量组对森
林各组分生物量进行了很好的估计。
5 结论
本文以黑龙江省小兴安岭凉水自然保护区的
温带森林为研究对象, 开展了机载Lidar反演Wf、
Wb、Ws、Wa、Wr和Wt等各组分生物量的试验, 结果
表明:
利用机载激光雷达技术提取的两组变量(即树
冠高度变量组和林分密度变量组)进行我国温带森
林组分生物量反演是可行的, 尤其是反演森林根、
干、枝、叶等组分生物量都得到了可靠且一致性好
的结果, 相关系数都在0.8以上;
分别3种不同森林类型(针叶林、阔叶林和针阔
叶混交林)生物量的估测结果是: 针叶林优于阔叶
林, 阔叶林优于针阔叶混交林;
对于每一种森林类型, 分别进行变量筛选、建
立回归模型, 可以进一步提高生物量的反演精度。
致谢 国家林业局林业公益性行业科研专项
(200804001和 200704019)和国家自然科学基金
(41071272)资助。感谢中国林业科学研究院资源信
息研究所、东北林业大学林学院、中国科学院遥感
应用研究所、凉水国家自然保护区管理局参加
“2009年东北林区机载遥感-地面观测同步试验”的
老师和同学。
参考文献
Axelsson P (2001). Ground estimation of laser data using adap-
tive TIN-models. In: Torlegård K, Nelson J eds. Proceed-
ings of OEEPE Workshop on Airborne Laserscanning
and Interferometric SAR for Detailed Digital Elevation

庞勇等: 基于机载激光雷达的小兴安岭温带森林组分生物量反演 1103

doi: 10.3724/SP.J.1258.2012.01095
Models. Royal Institute of Technology, Stockholm, Swe-
den. 185–208.
Chen CG (陈传国), Zhu JF (朱俊凤) (1989)．Woody Biomass
Manual of Typical Species in the Northeast of China (东
北主要林木生物量手册)．China Forestry Publishing
House, Beijing. (in Chinese)
Feng ZW (冯宗炜), Wang XK (王效科), Wu G (吴刚) (1999).
Biomass and Productivity of Chinese Forest Ecosystem
(中国森林生态系统的生物量和生产力). Science Press,
Beijing. (in Chinese)
Fu T (付甜), Pang Y (庞勇), Huang QF (黄庆丰), Liu QW (刘
清旺), Xu GC (徐光彩) (2011). Subtropical forest pa-
rameters estimation using airborne Lidar data. Journal of
Remote Sensing (遥感学报), 15, 1092–1098. (in Chinese
with English abstract)
Hall SA, Burke IC, Box DO, Kaufmann MR, Stoker JM
(2005). Estimating stand structure using discrete-return
lidar: an example from low density, fire prone ponderosa
pine forests. Forest Ecology and Management, 208,
189–209.
Holmgren J (2004). Prediction of tree height, basal area and
stem volume in forest stands using airborne laser scan-
ning. Scandinavian Journal of Forest Research, 19, 543–
553.
Latifi H, Nothdurft A, Koch B (2010). Non-parametric predic-
tion and mapping of standing timber volume and biomass
in a temperate forest: application of multiple optical/
LiDAR-derived predictors. Forestry, 83, 395–407.
Lim KS, Treitz PM (2004). Estimation of aboveground forest
biomass from airborne discrete return laser scanner data
using canopy-based quantile estimators. Scandinavian
Journal of Forest Research, 19, 558–570.
Liu QW (刘清旺), Li ZY (李增元), Chen EX (陈尔学), Pang
Y (庞勇), Tian X (田欣), Cao CX (曹春香) (2010). Esti-
mating biomass of individual trees using point cloud data
of airborne Lidar. Chinese High Technology Letters (高技
术通讯), 20, 765–770. (in Chinese with English abstract)
MacLean GA, Krabill WB (1986)．Gross merchantable timber
volume estimation using an airborne LiDAR sys-
tem．Canadian Journal of Remote Sensing, 12, 7–l8.
Maltamo M, Eerikäinen K, Pitkänen J, Hyyppä J, Vehmas M
(2004). Estimation of timber volume and stem density
based on scanning laser altimetry and expected tree size
distribution functions. Remote Sensing of Environment,
90, 319–330.
Næsset E (1997). Determination of mean tree height of forest
stands using airborne laser scanner data. ISPRS Journal of
Photogrammetry and Remote Sensing, 52, 49–56.
Næsset E, Gobakken T (2008). Estimation of above- and
below-ground biomass across regions of the boreal forest
zone using airborne laser. Remote Sensing of Environment,
112, 3079–3090.
Nelson R, Krabill W, MacLean G (1984). Determining forest
canopy characteristics using airborne laser data. Remote
Sensing of Environment, 15, 201–212.
Nelson R, Krabill W, Tonelli J (1988). Estimating forest bio-
mass and volume using airborne laser data. Remote Sens-
ing of Environment, 24, 247–267.
Nelson R, Oderwald R, Gregoire TG (1997). Separating the
ground and airborne laser sampling phases to estimate
tropical forest basal area, volume, and biomass. Remote
Sensing of Environment, 60, 311–326.
Nilsson M (1996). Estimation of tree heights and stand volume
using an airborne Lidar system. Remote Sensing of Envi-
ronment, 56, 1–7.
Pang Y (庞勇), Li ZY (李增元), Chen EX (陈尔学), Sun GQ
(孙国清) (2005). Lidar remote sensing technology and its
application in forestry. Scientia Silvae Sinicae (林业科
学), 41(3), 129–136. (in Chinese with English abstract)
Pang Y (庞勇), Zhao F (赵峰), Li ZY (李增元), Zhou SF (周
淑芳), Deng G (邓广), Liu Q (刘清旺), Chen E (陈尔学)
(2008). Forest height inversion using airborne Lidar tech-
nology. Journal of Remote Sensing (遥感学报 ), 12,
152–158. (in Chinese with English abstract)
Popescu SC (2007). Estimating biomass of individual pine trees
using airborne Lidar. Biomass and Bioenergy, 31, 646–
655.
Wang C (2006). Biomass allometric equations for 10 co-
occurring tree species in Chinese temperate forests. Forest
Ecology and Management, 222, 9–16.
Zhao K, Popescu S, Nelson R (2009). Lidar remote sensing of
forest biomass: a scale-invariant estimation approach us-
ing airborne lasers. Remote Sensing of Environment, 113,
182–196.









1104 植物生态学报 Chinese Journal of Plant Ecology 2012, 36 (10): 1095–1105

www.plant-ecology.com
附录1 小兴安岭主要树种的组分生物量异速生长方程
Appendix 1 Biomass components allometric equations of main species in Xiaoxing’an Mountains
树种 Tree species 组分 Component a b 来源 Source
红松 Pinus koraiensis 叶 Foliage 0.074 75 1.401 41 Chen & Zhu, 1989
红松 Pinus koraiensis 枝 Branch 0.016 37 2.045 18 Chen & Zhu, 1989
红松 Pinus koraiensis 干 Stem 0.030 19 2.679 45 Chen & Zhu, 1989
红松 Pinus koraiensis 地上部分 Aboveground 0.047 2.580 29 Chen & Zhu, 1989
红松 Pinus koraiensis 根 Root 0.034 59 1.967 95 Chen & Zhu, 1989
红松 Pinus koraiensis 总 Total 0.063 2.521 34 Chen & Zhu, 1989
白桦 Betula platyphylla 叶 Foliage 0.022 83 1.660 4 Chen & Zhu, 1989
白桦 Betula platyphylla 枝 Branch 0.035 4 1.960 42 Chen & Zhu, 1989
白桦 Betula platyphylla 干 Stem 0.146 22 2.284 24 Chen & Zhu, 1989
白桦 Betula platyphylla 地上部分 Aboveground 0.190 5 2.243 22 Chen & Zhu, 1989
白桦 Betula platyphylla 根 Root 0.032 87 2.350 14 Chen & Zhu, 1989
白桦 Betula platyphylla 总 Total 0.222 7 2.262 51 Chen & Zhu, 1989
鱼鳞云杉 Picea jezoensis var. microsperma 叶 Foliage 0.008 3 2.373 01 Chen & Zhu, 1989
鱼鳞云杉 Picea jezoensis var. microsperma 枝 Branch 0.011 6 2.405 17 Chen & Zhu, 1989
鱼鳞云杉 Picea jezoensis var. microsperma 干 Stem 0.056 7 2.475 23 Chen & Zhu, 1989
鱼鳞云杉 Picea jezoensis var. microsperma 地上部分 Aboveground 0.076 3 2.457 62 Chen & Zhu, 1989
鱼鳞云杉 Picea jezoensis var. microsperma 根 Root 0.008 8 2.588 27 Chen & Zhu, 1989
鱼鳞云杉 Picea jezoensis var. microsperma 总 Total 0.073 7 2.512 84 Chen & Zhu, 1989
落叶松 Larix gmelinii 叶 Foliage 0.001 2 2.818 41 Chen & Zhu, 1989
落叶松 Larix gmelinii 枝 Branch 0.002 1 2.804 13 Chen & Zhu, 1989
落叶松 Larix gmelinii 干 Stem 0.024 3 2.795 42 Chen & Zhu, 1989
落叶松 Larix gmelinii 地上部分 Aboveground 0.027 7 2.793 26 Chen & Zhu, 1989
落叶松 Larix gmelinii 根 Root 0.002 4 2.801 24 Chen & Zhu, 1989
落叶松 Larix gmelinii 总 Total 0.026 7 2.831 84 Chen & Zhu, 1989
山杨 Populus davidiana 叶 Foliage 0.018 6 2.267 03 Chen & Zhu, 1989
山杨 Populus davidiana 枝 Branch 0.040 3 2.044 12 Chen & Zhu, 1989
山杨 Populus davidiana 干 Stem 0.457 3 1.921 13 Chen & Zhu, 1989
山杨 Populus davidiana 地上部分 Aboveground 0.505 3 1.961 Chen & Zhu, 1989
山杨 Populus davidiana 根 Root 0.210 5 1.671 7 Chen & Zhu, 1989
山杨 Populus davidiana 总 Total 0.685 8 1.913 8 Chen & Zhu, 1989
色木槭 Acer mono 叶 Foliage 0.090 56 1.612 42 Chen & Zhu, 1989
色木槭 Acer mono 枝 Branch 0.055 79 1.669 07 Chen & Zhu, 1989
色木槭 Acer mono 干 Stem 1.370 9 1.671 34 Chen & Zhu, 1989
色木槭 Acer mono 地上部分 Aboveground 1.555 4 1.658 03 Chen & Zhu, 1989
色木槭 Acer mono 根 Root 0.382 3 1.606 01 Chen & Zhu, 1989
色木槭 Acer mono 总 Total 1.939 4 1.648 38 Chen & Zhu, 1989
紫椴 Tilia amurensis 叶 Foliage 0.006 02 2.545 627 Chen & Zhu, 1989
紫椴 Tilia amurensis 枝 Branch 0.004 72 2.565 427 Chen & Zhu, 1989
紫椴 Tilia amurensis 干 Stem 0.656 2.391 06 Chen & Zhu, 1989
紫椴 Tilia amurensis 地上部分 Aboveground 0.039 3 2.620 23 Chen & Zhu, 1989
紫椴 Tilia amurensis 根 Root 0.270 4 1.298 15 Chen & Zhu, 1989
紫椴 Tilia amurensis 总 Total 0.054 9 2.580 32 Chen & Zhu, 1989

庞勇等: 基于机载激光雷达的小兴安岭温带森林组分生物量反演 1105

doi: 10.3724/SP.J.1258.2012.01095
附录1 (续) Appendix 1 (continued)
树种 Tree species 组分 Component a b 来源 Source
蒙古栎 Quercus mongolica 叶 Foliage 0.003 21 2.473 23 Chen & Zhu, 1989
蒙古栎 Quercus mongolica 枝 Branch 0.002 12 2.95 Chen & Zhu, 1989
蒙古栎 Quercus mongolica 干 Stem 0.304 9 2.168 01 Chen & Zhu, 1989
蒙古栎 Quercus mongolica 地上部分 Aboveground 0.270 09 2.242 91 Chen & Zhu, 1989
蒙古栎 Quercus mongolica 根 Root 0.090 17 2.000 2 Chen & Zhu, 1989
蒙古栎 Quercus mongolica 总 Total 0.344 33 2.212 Chen & Zhu, 1989
春榆 Ulmus davidiana var. japonica 叶 Foliage 0.002 75 2.496 03 Chen & Zhu, 1989
春榆 Ulmus davidiana var. japonica 枝 Branch 0.007 42 2.874 11 Chen & Zhu, 1989
春榆 Ulmus davidiana var. japonica 干 Stem 0.004 32 2.873 12 Chen & Zhu, 1989
春榆 Ulmus davidiana var. japonica 地上部分 Aboveground 0.013 42 2.751 83 Chen & Zhu, 1989
春榆 Ulmus davidiana var. japonica 根 Root 0.345 9 1.584 2 Chen & Zhu, 1989
春榆 Ulmus davidiana var. japonica 总 Total 0.098 02 2.299 8 Chen & Zhu, 1989
大青杨 Populus ussuriensis 叶 Foliage 0.014 9 2.254 1 Chen & Zhu, 1989
大青杨 Populus ussuriensis 枝 Branch 0.031 72 2.039 75 Chen & Zhu, 1989
大青杨 Populus ussuriensis 干 Stem 0.364 17 2.004 3 Chen & Zhu, 1989
大青杨 Populus ussuriensis 地上部分 Aboveground 0.403 56 2.027 1 Chen & Zhu, 1989
大青杨 Populus ussuriensis 根 Root 0.094 21 1.642 31 Chen & Zhu, 1989
大青杨 Populus ussuriensis 总 Total 0.469 02 2.001 56 Chen & Zhu, 1989
水曲柳 Fraxinus mandschurica 叶 Foliage 0.008 57 2.18 Wang, 2006
水曲柳 Fraxinus mandschurica 枝 Branch 0.009 183 2.785 Wang, 2006
水曲柳 Fraxinus mandschurica 干 Stem 0.130 617 2.316 Wang, 2006
水曲柳 Fraxinus mandschurica 地上部分 Aboveground 0.136 773 2.408 Wang, 2006
水曲柳 Fraxinus mandschurica 根 Root 0.024 889 2.467 Wang, 2006
水曲柳 Fraxinus mandschurica 总 Total 0.163 305 2.417 Wang, 2006
黄檗 Phellodendron amurense 叶 Foliage 0.001 945 2.479 Wang, 2006
黄檗 Phellodendron amurense 枝 Branch 0.002 851 2.873 Wang, 2006
黄檗 Phellodendron amurense 干 Stem 0.111 173 2.168 Wang, 2006
黄檗 Phellodendron amurense 地上部分 Aboveground 0.087 498 2.332 Wang, 2006
黄檗 Phellodendron amurense 根 Root 0.010 568 2.617 Wang, 2006
黄檗 Phellodendron amurense 总 Total 0.074 302 2.468 Wang, 2006
胡桃楸 Juglans mandshurica 叶 Foliage 0.038 548 1.639 Wang, 2006
胡桃楸 Juglans mandshurica 枝 Branch 0.004 375 2.898 Wang, 2006
胡桃楸 Juglans mandshurica 干 Stem 0.165 196 2.194 Wang, 2006
胡桃楸 Juglans mandshurica 地上部分 Aboveground 0.171 791 2.287 Wang, 2006
胡桃楸 Juglans mandshurica 根 Root 0.018 45 2.397 Wang, 2006
胡桃楸 Juglans mandshurica 总 Total 0.187 499 2.308 Wang, 2006
组分生物量异速生长方程为: W = aDBHb, 其中W表示生物量(单位: g), DBH表示胸径(单位: cm), a和b是方程的回归系数。
Biomass components allometric equations is: W = aDBHb, where W represents biomass (unit: g), DBH represents diameter at breast height (unit: cm),
a and b are regression coefficients in the equation.
Chen CG (陈传国), Zhu JF (朱俊凤) (1989). Woody Biomass Manual of Typical Species in the Northeast of China (东北主要林木生物量手册).
China Forestry Publishing House, Beijing. (in Chinese)
Wang C (2006). Biomass allometric equations for 10 co-occurring tree species in Chinese temperate forests. Forest Ecology and Management, 222,
9–16.


责任编委: 罗天祥 责任编辑: 王 葳