全 文 ：第 ３６ 卷第 １３ 期
２０１６年 ７月
生 态 学 报
ＡＣＴＡ ＥＣＯＬＯＧＩＣＡ ＳＩＮＩＣＡ
Ｖｏｌ．３６，Ｎｏ．１３
Ｊｕｌ．，２０１６
ｈｔｔｐ： ／ ／ ｗｗｗ．ｅｃｏｌｏｇｉｃａ．ｃｎ
基金项目：宁夏自然科学基金项目（ＮＺ１１１１）
收稿日期：２０１４⁃１０⁃２１； 　 　 网络出版日期：２０１５⁃１０⁃２９
∗通讯作者 Ｃｏｒｒｅｓｐｏｎｄｉｎｇ ａｕｔｈｏｒ．Ｅ⁃ｍａｉｌ： ｗｘｙ＿ｗｈｕ＠ ｈｏｔｍａｉｌ．ｃｏｍ
ＤＯＩ： １０．５８４６ ／ ｓｔｘｂ２０１４１０２１２０６２
王新云，郭艺歌，何杰．基于 ＨＪ１Ｂ和 ＡＬＯＳ ／ ＰＡＬＳＡＲ数据的森林地上生物量遥感估算．生态学报，２０１６，３６（１３）：４１０９⁃４１２１．
Ｗａｎｇ Ｘ Ｙ， Ｇｕｏ Ｙ Ｇ， Ｈｅ Ｊ．Ｅｓｔｉｍａｔｉｏｎ ｏｆ ｆｏｒｅｓｔ ａｂｏｖｅ⁃ｇｒｏｕｎｄ ｂｉｏｍａｓｓ ｂａｓｅｄ ｏｎ ＨＪ１Ｂ ａｎｄ ＡＬＯＳ ／ ＰＡＬＳＡＲ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｄａｔａ．Ａｃｔａ Ｅｃｏｌｏｇｉｃａ Ｓｉｎｉｃａ，
２０１６，３６（１３）：４１０９⁃４１２１．
基于 ＨＪ１Ｂ和 ＡＬＯＳ ／ ＰＡＬＳＡＲ数据的森林地上生物量
遥感估算
王新云１，２，∗，郭艺歌１，２，何　 杰３
１ 宁夏大学 西北土地退化与生态恢复省部共建国家重点实验室培育基地，银川　 ７５００２１
２ 宁夏大学 西北退化生态系统恢复与重建教育部重点实验室，银川 ７５００２１
３ 宁夏大学 资源与环境学院，银川　 ７５００２１
摘要：森林地上生物量的精确估算能够减小碳储量估算的不确定性。 为了探寻一种有效地提高森林生物量估算精度的方法，探
讨了基于遥感物理模型和经验统计模型估算山地森林地上生物量的方法。 首先，基于 Ｌｉ⁃Ｓｔｒａｈｌｅｒ 几何光学模型和多元前向模
式（ＭＦＭ）进行模型模拟，结合查找表算法（ＬＵＴ）从多光谱图像 ＨＪ１Ｂ估算贺兰山研究区的森林地上生物量。 其次，采用统计方
法建立了 ２种回归模型：（１）多光谱图像 ＨＪ１Ｂ进行混合像元分解（ＳＭＡ），并与雷达图像 ＡＬＯＳ ／ ＰＡＬＳＡＲ 进行图像融合建立生
物量回归模型；（２）雷达图像 ＡＬＯＳ ／ ＰＡＬＳＡＲ后向散射系数和实测生物量建立了生物量回归模型。 用实测数据对 ３种算法估算
结果进行精度验证。 研究结果表明：采用几何光学模型和 ＭＦＭ算法估算的森林地上生物量精度最好（决定系数 Ｒ２ ＝ ０．６１，均方
根误差 ＲＭＳＥ＝ ８．３３ ｔ ／ ｈｍ２，Ｐ＜０．００１），其估算地上生物量与实测值一致性较好，估算生物量精度略优于 ＳＭＡ估算的精度（Ｒ２ ＝
０．６０，ＲＭＳＥ＝ ９．４１７ ｔ ／ ｈｍ２）；ＡＬＯＳ ／ ＰＡＬＳＡＲ多元回归估算的精度最差（Ｒ２ ＝ ０．３９，ＲＭＳＥ＝ １４．８９ ｔ ／ ｈｍ２）。 由此可见，采用几何光
学模型和混合像元分解 ＳＭＡ适合估算森林地上生物量，利用这 ２ 种方法进行森林地上生物量遥感监测研究具有一定的应用
潜力。
关键词：森林；地上生物量；环境卫星；ＡＬＯＳ ／ ＰＡＬＳＡＲ；多元前向模式（ＭＦＭ）；混合像元分解（ＳＭＡ）
Ｅｓｔｉｍａｔｉｏｎ ｏｆ ｆｏｒｅｓｔ ａｂｏｖｅ⁃ｇｒｏｕｎｄ ｂｉｏｍａｓｓ ｂａｓｅｄ ｏｎ ＨＪ１Ｂ ａｎｄ ＡＬＯＳ ／ ＰＡＬＳＡＲ
ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｄａｔａ
ＷＡＮＧ Ｘｉｎｙｕｎ１，２，∗， ＧＵＯ Ｙｉｇｅ１，２， ＨＥ Ｊｉｅ３
１ Ｓｔａｔｅ Ｋｅｙ Ｌａｂｏｒａｔｏｒｙ Ｂｒｅｅｄｉｎｇ Ｂａｓｅ ｏｆ Ｌａｎｄ Ｄｅｇｒａｄａｔｉｏｎ ａｎｄ Ｅｃｏｌｏｇｉｃａｌ Ｒｅｓｔｏｒａｔｉｏｎ ｏｆ Ｎｏｒｔｈｗｅｓｔ Ｃｈｉｎａ， Ｎｉｎｇｘｉａ Ｕｎｉｖｅｒｓｉｔｙ， Ｙｉｎｃｈｕａｎ ７５００２１， Ｃｈｉｎａ
２ Ｋｅｙ Ｌａｂｏｒａｔｏｒｙ ｆｏｒ Ｒｅｓｔｏｒａｔｉｏｎ ａｎｄ Ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ ｏｆ Ｄｅｇｒａｄｅｄ Ｅｃｏｓｙｓｔｅｍ ｉｎ Ｎｏｒｔｈｗｅｓｔｅｒｎ Ｃｈｉｎａ ｏｆ Ｍｉｎｉｓｔｒｙ ｏｆ Ｅｄｕｃａｔｉｏｎ， Ｎｉｎｇｘｉａ Ｕｎｉｖｅｒｓｉｔｙ， Ｙｉｎｃｈｕａｎ
７５００２１， Ｃｈｉｎａ
３ Ｓｃｈｏｏｌ ｏｆ Ｒｅｓｏｕｒｃｅｓ ａｎｄ Ｅｎｖｉｒｏｎｍｅｎｔ， Ｎｉｎｇｘｉａ Ｕｎｉｖｅｒｓｉｔｙ， Ｙｉｎｃｈｕａｎ ７５００２１， Ｃｈｉｎａ
Ａｂｓｔｒａｃｔ： Ｆｏｒｅｓｔ ｉｓ ｏｎｅ ｏｆ ｔｈｅ ｍｏｓｔ ｗｉｄｅｌｙ ｄｉｓｔｒｉｂｕｔｅｄ ｔｅｒｒｅｓｔｒｉａｌ ｅｃｏｓｙｓｔｅｍｓ ｏｎ ｅａｒｔｈ． Ｇｌｏｂａｌ⁃ｓｃａｌｅ ｂｉｏｍａｓｓ ｅｓｔｉｍａｔｉｏｎ ｈａｓ
ｂｅｃｏｍｅ ａ ｒｅｓｅａｒｃｈ ｈｏｔｓｐｏｔ． Ｉｔ ｉｓ ｉｍｐｏｒｔａｎｔ ｔｏ ａｃｃｕｒａｔｅｌｙ ｅｓｔｉｍａｔｅ ｔｈｅ ｓｐａｔｉａｌ ｄｉｓｔｒｉｂｕｔｉｏｎ ｏｆ ｆｏｒｅｓｔ ａｂｏｖｅ⁃ｇｒｏｕｎｄ ｂｉｏｍａｓｓ
（ＡＧＢ） ｂｅｃａｕｓｅ ｉｔｓ ｃａｒｂｏｎ ｂｕｄｇｅｔ ｆｏｒｍｓ ｐａｒｔ ｏｆ ｔｈｅ ｇｌｏｂａｌ ｃａｒｂｏｎ ｃｙｃｌｅ ａｎｄ ｅｃｏｓｙｓｔｅｍ ｐｒｏｄｕｃｔｉｖｉｔｙ． Ｒｅｍｏｔｅｌｙ ｓｅｎｓｅｄ ｄａｔａ
ｈａｖｅ ｂｅｅｎ ｗｉｄｅｌｙ ｕｓｅｄ ｔｏ ｑｕａｎｔｉｔａｔｉｖｅｌｙ ｏｂｔａｉｎ ｔｈｅ ｂｉｏｐｈｙｓｉｃａｌ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｖｅｇｅｔａｔｉｏｎ ｃａｎｏｐｙ ｓｔｒｕｃｔｕｒｅ． Ｔｈｅ ｕｓｅ ｏｆ
ｏｐｔｉｃａｌ ａｎｄ ｍｉｃｒｏｗａｖｅ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｎ ｃｏｍｂｉｎａｔｉｏｎ ｗｉｔｈ ｆｉｅｌｄ ｍｅａｓｕｒｅｍｅｎｔｓ ｃａｎ ｐｒｏｖｉｄｅ ａｎ ｅｆｆｅｃｔｉｖｅ ｍｅｔｈｏｄ ｔｏ ｉｍｐｒｏｖｅ ｔｈｅ
ｅｓｔｉｍａｔｉｏｎ ｏｆ ｆｏｒｅｓｔ ｂｉｏｍａｓｓ ｏｖｅｒ ｌａｒｇｅ ｒｅｇｉｏｎｓ． Ｉｎ ｏｒｄｅｒ ｔｏ ｉｍｐｒｏｖｅ ｔｈｅ ａｃｃｕｒａｃｙ ｏｆ ｅｓｔｉｍａｔｉｎｇ ｆｏｒｅｓｔ ａｂｏｖｅ⁃ｇｒｏｕｎｄ ｂｉｏｍａｓｓ
ｈｔｔｐ： ／ ／ ｗｗｗ．ｅｃｏｌｏｇｉｃａ．ｃｎ
ｆｒｏｍ ｒｅｍｏｔｅｌｙ ｓｅｎｓｅｄ ｄａｔａ， ｔｈｅ ｍｅｔｈｏｄｓ ｆｏｒ ｏｂｔａｉｎｉｎｇ ＡＧＢ ｄａｔａ ｕｓｉｎｇ ａ ｐｈｙｓｉｃａｌｌｙ⁃ｂａｓｅｄ ｃａｎｏｐｙ ｒｅｆｌｅｃｔａｎｃｅ ｍｏｄｅｌ ｉｎｖｅｒｓｉｏｎ
ａｐｐｒｏａｃｈ ａｎｄ ｔｗｏ ｏｔｈｅｒ ｅｍｐｉｒｉｃａｌ ｓｔａｔｉｓｔｉｃａｌ ｒｅｇｒｅｓｓｉｏｎ ｍｅｔｈｏｄｓ ｗｅｒｅ ｉｎｔｒｏｄｕｃｅｄ ｉｎ ｔｈｉｓ ｐａｐｅｒ． Ａ ｇｅｏｍｅｔｒｉｃ⁃ｏｐｔｉｃａｌ ｃａｎｏｐｙ
ｒｅｆｌｅｃｔａｎｃｅ ｍｏｄｅｌ ｗａｓ ｒｕｎ ｉｎ ｍｕｌｔｉｐｌｅ⁃ｆｏｒｗａｒｄ ｍｏｄｅ （ＭＦＭ） ｕｓｉｎｇ ｍｕｌｔｉｓｐｅｃｔｒａｌ ＨＪ１Ｂ ｉｍａｇｅｒｙ ｔｏ ｄｅｒｉｖｅ ｆｏｒｅｓｔ ｂｉｏｍａｓｓ ａｔ
ｔｈｅ Ｈｅｌａｎ Ｍｏｕｎｔａｉｎ Ｎａｔｕｒｅ Ｒｅｓｅｒｖｅ ｒｅｇｉｏｎ ｉｎ ｔｈｅ ｎｏｒｔｈｗｅｓｔ ｏｆ Ｃｈｉｎａ． Ｓｔｒｕｃｔｕｒａｌ ｐａｒａｍｅｔｅｒｓ ｏｆ ｔｈｅ ｆｏｒｅｓｔ ｉｎｖｅｎｔｏｒｙ ｗｅｒｅ
ｃａｒｒｉｅｄ ｏｕｔ ｉｎ ５０ ｓｅｐａｒａｔｅ ３０ ｍ ｂｙ ３０ ｍ ｒａｎｄｏｍｌｙ ｄｉｓｔｒｉｂｕｔｅｄ ｐｌｏｔｓ， ａｎｄ ｔｈｅ ｄａｔａ ｗａｓ ｕｓｅｄ ｆｏｒ ｅｉｔｈｅｒ ｍｏｄｅｌ ｄｅｖｅｌｏｐｍｅｎｔ ｏｒ
ｖａｌｉｄａｔｉｏｎ． Ｔｈｅ ｔｗｏ ｏｔｈｅｒ ｅｍｐｉｒｉｃａｌ⁃ｓｔａｔｉｓｔｉｃａｌ ｍｏｄｅｌｓ ｗｅｒｅ ａｌｓｏ ｅｓｔａｂｌｉｓｈｅｄ ｔｏ ｅｓｔｉｍａｔｅ ｔｈｅ ｂｉｏｍａｓｓ ｉｎ ｔｈｅ ａｒｅａ． Ａ ｍｕｌｔｉｐｌｅ
ｓｔｅｐｗｉｓｅ ｒｅｇｒｅｓｓｉｏｎ ｍｏｄｅｌ ｗａｓ ｄｅｖｅｌｏｐｅｄ ｔｏ ｅｓｔｉｍａｔｅ ｔｈｅ ｆｏｒｅｓｔ ａｂｏｖｅ⁃ｇｒｏｕｎｄ ｂｉｏｍａｓｓ ｂｙ ｉｎｔｅｇｒａｔｉｎｇ ｔｈｅ ｆｉｅｌｄ ｍｅａｓｕｒｅｍｅｎｔｓ
ｏｆ ３０ ｓａｍｐｌｅ ｐｌｏｔｓ ｗｉｔｈ ＡＬＯＳ ／ ＰＡＬＳＡＲ Ｓｙｎｔｈｅｔｉｃ Ａｐｅｒｔｕｒｅ Ｒａｄａｒ （ ＳＡＲ） ｂａｃｋｓｃａｔｔｅｒ ｒｅｍｏｔｅｌｙ ｓｅｎｓｅｄ ｄａｔａ． Ｔｈｅ ｐｒｅ⁃
ｐｒｏｃｅｓｓｉｎｇ ｏｆ ｔｈｅ ＨＪ１Ｂ ｓｃｅｎｅｓ ｉｎｃｌｕｄｅｄ ｒａｄｉｏｍｅｔｒｉｃ ｃａｌｉｂｒａｔｉｏｎ， ａｔｍｏｓｐｈｅｒｉｃ ｃｏｒｒｅｃｔｉｏｎ， ａｎｄ ｇｅｏｒｅｆｅｒｅｎｃｉｎｇ． Ｒａｄｉｏｍｅｔｒｉｃ
ｄａｔａ ｗｅｒｅ ｃｏｎｖｅｒｔｅｄ ｆｒｏｍ ｒａｄｉａｎｃｅ ｔｏ ｒｅｆｌｅｃｔａｎｃｅ． Ａｄｄｉｔｉｏｎａｌｌｙ， ｓｐｅｃｔｒａｌ ｍｉｘｔｕｒｅ ａｎａｌｙｓｉｓ （ＳＭＡ） ｗａｓ ａｐｐｌｉｅｄ ｔｏ ｄｅｃｏｍｐｏｓｅ
ａ ｍｉｘｔｕｒｅ ｏｆ ｓｐｅｃｔｒａｌ ｃｏｍｐｏｎｅｎｔｓ ｏｆ ＨＪ１Ｂ ｉｎｔｏ ｖｅｇｅｔａｔｉｏｎ， ｓｏｉｌ， ａｎｄ ｓｈａｄｅ ｆｒａｃｔｉｏｎｓ． Ｔｈｅ ｖｅｇｅｔａｔｉｏｎ ｆｒａｃｔｉｏｎ ｉｍａｇｅ ｗａｓ ｆｕｓｅｄ
ｗｉｔｈ ＰＡＬＳＡＲ ｄａｔａ ｕｓｉｎｇ ｔｈｅ ｄｉｓｃｒｅｔｅ ｗａｖｅｌｅｔ ｔｒａｎｓｆｏｒｍ （ＤＷＴ） ｍｅｔｈｏｄ． Ａｓ ａ ｃｏｍｐａｒｉｓｏｎ， ａ ｒｅｇｒｅｓｓｉｏｎ ｍｏｄｅｌ ｗａｓ ａｌｓｏ
ｃｒｅａｔｅｄ ｂｙ ｉｎｔｅｇｒａｔｉｎｇ ｆｉｅｌｄ ｍｅａｓｕｒｅｍｅｎｔｓ ｗｉｔｈ ｔｈｅ ｆｕｓｅｄ ｉｍａｇｅ． Ｅｒｒｏｒ ｌｅｖｅｌｓ ｆｏｒ ｔｈｅ ｔｈｒｅｅ ｍｏｄｅｌｓ ａｎｄ ｔｈｅ ｆｉｅｌｄ⁃ｍｅａｓｕｒｅｄ ｄａｔａ
ｗｅｒｅ ａｎａｌｙｚｅｄ． ＭＦＭ ｐｒｅｄｉｃｔｉｏｎｓ ｏｆ ＡＧＢ ｆｒｏｍ ＨＪ１Ｂ ｉｍａｇｅｒｙ ｗｅｒｅ ｃｏｍｐａｒｅｄ ｗｉｔｈ ｔｈｅ ｒｅｓｕｌｔｓ ｆｒｏｍ ｔｈｅ ＳＭＡ ａｎｄ ＰＡＬＳＡＲ
ｍｕｌｔｉｐｌｅ ｓｔｅｐｗｉｓｅ ｒｅｇｒｅｓｓｉｏｎ ｍｏｄｅｌｓ． Ｓｉｍｕｌｔａｎｅｏｕｓｌｙ， ｔｈｅ ｅｓｔｉｍａｔｉｏｎ ｂｉｏｍａｓｓ ｕｓｉｎｇ ｔｈｅ ｔｈｒｅｅ ｍｅｔｈｏｄｓ ｗａｓ ｅｖａｌｕａｔｅｄ ｆｏｒ ２０
ｆｉｅｌｄ ｖａｌｉｄａｔｉｏｎ ｓｉｔｅｓ． Ｔｈｅ ｒｅｓｕｌｔ ｓｈｏｗｓ ｔｈａｔ ａ ｇｏｏｄ ｆｉｔ ｃａｎ ｂｅ ｆｏｕｎｄ ｂｅｔｗｅｅｎ ｔｈｅ ＡＧＢ ｅｓｔｉｍａｔｅｄ ｂｙ ｇｅｏｍｅｔｒｉｃ⁃ｏｐｔｉｃａｌ ｃａｎｏｐｙ
ｒｅｆｌｅｃｔａｎｃｅ ｍｏｄｅｌ ａｎｄ ｔｈｅ ｆｉｅｌｄ⁃ｍｅａｓｕｒｅｄ ｂｉｏｍａｓｓ ｗｉｔｈ ａ Ｒ２（ ｃｏｅｆｆｉｃｉｅｎｔ ｏｆ ｄｅｔｅｒｍｉｎａｔｉｏｎ） ａｎｄ ＲＭＳＥ （ ｒｏｏｔ ｍｅａｎ⁃ｓｑｕａｒｅ
ｅｒｒｏｒ） ｏｆ ０． ６１ ａｎｄ ８． ３３ ｔ ／ ｈｍ２， ｒｅｓｐｅｃｔｉｖｅｌｙ． ＭＦＭ ｐｒｏｖｉｄｅｄ ｔｈｅ ｌｏｗｅｓｔ ｅｒｒｏｒ ｆｏｒ ａｌｌ ｖａｌｉｄａｔｉｏｎ ｐｌｏｔｓ ａｎｄ ｉｔｓ ｅｓｔｉｍａｔｅｄ
ａｃｃｕｒａｃｙ ｉｓ ａ ｌｉｔｔｌｅ ｂｅｔｔｅｒ ｔｈａｎ ｔｈａｔ ｏｆ ｔｈｅ ＳＭＡ ｍｏｄｅｌ （Ｒ２ ＝ ０．６０， ＲＭＳＥ ＝ ９．４１７ ｔ ／ ｈｍ２ ）． ＰＡＬＳＡＲ ｍｕｌｔｉｐｌｅ ｓｔｅｐｗｉｓｅ
ｒｅｇｒｅｓｓｉｏｎ ｍｏｄｅｌ ｈａｓ ｔｈｅ ｗｏｒｓｔ ｅｓｔｉｍａｔｉｏｎ ａｃｃｕｒａｃｙ （ Ｒ２ ＝ ０． ３９， ＲＭＳＥ ＝ １４． ８９ ｔ ／ ｈｍ２ ） ａｎｄ ｈａｄ ａ ｈｉｇｈｅｒ ｅｒｒｏｒ．
Ｃｏｎｓｅｑｕｅｎｔｌｙ， ｉｔ ｃａｎ ｃｏｎｃｌｕｄｅ ｔｈａｔ ｇｅｏｍｅｔｒｉｃ⁃ｏｐｔｉｃａｌ ｃａｎｏｐｙ ｒｅｆｌｅｃｔａｎｃｅ ｍｏｄｅｌ ａｎｄ ｓｐｅｃｔｒａｌ ｍｉｘｔｕｒｅ ａｎａｌｙｓｉｓ （ ＳＭＡ）
ａｐｐｒｏａｃｈ ｗｅｒｅ ｃｏｎｓｉｄｅｒａｂｌｙ ｍｏｒｅ ｓｕｉｔａｂｌｅ ｆｏｒ ｅｓｔｉｍａｔｉｎｇ ｔｈｅ ｆｏｒｅｓｔ ｂｉｏｍａｓｓ ｉｎ ｍｏｕｎｔａｉｎｏｕｓ ｔｅｒｒａｉｎ． Ｍｏｒｅｏｖｅｒ， ｉｔ ｄｅｍｏｎｓｔｒａｔｅｓ
ａ ｇｏｏｄ ｐｏｔｅｎｔｉａｌ ｆｏｒ ｍｏｎｉｔｏｒｉｎｇ ｔｈｅ ｉｎｄｉｃａｔｏｒｓ ｏｆ ｆｏｒｅｓｔ ｅｃｏｓｙｓｔｅｍ ｂｙ ｃｏｍｂｉｎｅｄ ｗｉｔｈ ｔｈｅ ｏｐｔｉｃａｌ ａｎｄ ｐｏｌａｒｉｍｅｔｒｉｃ ＳＡＲ ｒｅｍｏｔｅ
ｓｅｎｓｉｎｇ ｓｙｎｅｒｇｉｓｔｉｃ ｒｅｓｅａｒｃｈ．
Ｋｅｙ Ｗｏｒｄｓ： ｆｏｒｅｓｔ； ａｂｏｖｅ⁃ｇｒｏｕｎｄ ｂｉｏｍａｓｓ （ＡＧＢ）； ＨＪ１Ｂ； ＡＬＯＳ ／ ＰＡＬＳＡＲ； ＭＦＭ； ＳＭＡ
森林是地球上分布范围最广的陆地生态系统类型之一，区域乃至全球尺度的森林地上生物量遥感估算一
直是生态学研究的重要内容。 森林作为陆地生态系统最大的碳库和土壤碳库的最重要输入源，因其巨大的碳
储量和固碳能力而备受关注［１⁃２］。 森林地上生物量的研究有助于对区域乃至全球的碳循环深入地理解和认
识［３］。 森林地上生物量不仅是森林固碳能力的重要标志，也是森林生态系统服务功能和生态资产评价的重
要参数。 利用遥感技术可以获取区域乃至全球尺度的陆表参数。 光学、微波遥感数据和野外观测数据集成应
用是提高区域尺度森林地上生物量估算精度的一种有效方法［４⁃５］。 Ｂａｓｕｋｉ等分别采用混合像元分解、离散小
波变换和 Ｂｒｏｖｅｙ变换将 Ｌａｎｄｓａｔ⁃７ ＥＴＭ＋和 ＡＬＯＳ ／ ＰＡＬＳＡＲ进行图像融合来估算热带森林地上生物量，结果表
明采用光学和微波图像融合的方法能够提高生物量估算的精度［４］。 Ｔｒｅｕｈａｆｔ 等认为基于森林结构剖面的生
物量估算比微波或光学遥感的方法更精确，通过融合高光谱和雷达数据所测得的叶面积指数和叶面积密度来
提高生物量估算的精度［６］。
由于地形对卫星接收的反射信号的影响，经验统计模型估算的森林地上生物量精度受到很大影响。 利用
植被指数和生物量建立的统计关系受土壤等下垫面背景的光谱特征影响比较明显［７］。 统计模型只能用于特
定的研究区域和数据源，同时植被冠层的反射特性也受到外界条件的影响，利用植被的光谱特征和植被结构
参数建立的统计关系不适合在区域尺度和多传感器之间应用。 为了克服下垫面背景的空间异质性对经验统
计关系的影响，利用遥感物理模型估算森林生态参数是一种可行的方法［８］。 遥感物理模型通过输入林分几
０１１４ 　 生　 态　 学　 报　 　 　 ３６卷　
ｈｔｔｐ： ／ ／ ｗｗｗ．ｅｃｏｌｏｇｉｃａ．ｃｎ
何结构、地形特征、纯像元的光谱信息来模拟图像像元的光谱特性，输出林分的生态参数。 Ｓｏｅｎｅｎ 等人采用
几何光学模型和查找表方法从遥感图像 ＳＰＯＴ⁃５估算了加拿大卡南纳斯基斯市落基山的森林参数，研究表明
几何光学模型适合对复杂地形条件下的森林植被进行遥感监测研究［９］。
贺兰山是我国西部温带草原与荒漠的分界线和连接青藏高原、蒙古高原及华北植物区系的枢纽［１０⁃１１］。
国内研究人员对贺兰山的森林生长状况、群落特征、生物多样性在海拔梯度上的变化规律等进行了深入研
究［１２⁃１５］。 穆天民采用生态学统计的方法对贺兰山地区的青海云杉林地上生物量进行了研究，结果表明乔木
层的生物量达到 １２７．２６ ｔ ／ ｈｍ２，青海云杉林的地上生物量不亚于东北地区的云冷杉和落叶松林［１６］。 近年来很
少见到利用遥感技术研究该地区森林分布状况、水文、生物量、碳循环、气候变化和生态资产评价等内容的相
关报道。 由于贺兰山受不合理土地利用和气候变化的影响，生态系统极其脆弱。 因此，利用遥感技术对贺兰
山的森林生态系统的生态参数和服务功能进行深入系统的研究尤为必要。
本文选择位于干旱半干旱地区的贺兰山自然保护区的乔木林（主要为针叶林、阔叶林和混交林）为研究
对象，建立基于光学遥感 ＨＪ１Ｂ和微波遥感 ＡＬＯＳ ／ ＰＡＬＳＡＲ 等多源遥感数据的森林地上生物量反演模型，并
进行森林地上生物量制图，为进一步对该区域的森林生态系统服务功能和生态资产进行综合评价提供理论
依据。
１　 研究区与数据处理
１．１　 研究区概况
本文的研究区选择位于宁夏和内蒙古自治区交界的贺兰山自然保护区境内，中心坐标为 ３８°４３′４７．９″Ｎ，
１０５°５５′７．４″Ｅ（图 １）。 贺兰山地处内陆，属于典型的大陆性气候，冬季严寒，夏季干燥炎热，降水量稀少，年平
均气温 ８．２—８．６℃，年平均降水量 ２５０—４３８ ｍｍ，年平均蒸发量 １６００—１８００ ｍｍ之间［１５］。 主要的乔木树种有
青海云杉（Ｐｉｃｅａ ｃｒａｓｓｉｆｏｌｉａ）、油松（Ｐｉｎｕｓ ｔａｂｕｌａｅｆｏｒｍｉｓ）、山杨（Ｐｏｐｕｌｕｓ ｄａｖｉｄｉａｎａ Ｄｏｄｅ）、灰榆（Ｕｌｍｕｓ ｇｌａｕｃｅｓｃｅｎｓ
Ｆｒａｎｃｈ）和杜松（Ｊｕｎｉｐｅｒｕｓ ｒｉｇｉｄａ）。 灌木树种主要有小叶金露梅、蒙古扁桃、蒙古绣线菊、华西银露梅和忍冬。
图 １　 研究区地理位置及样地在图像（ＨＪ１Ｂ）上的分布
Ｆｉｇ．１　 Ｇｅｏｇｒａｐｈｉｃａｌ ｌｏｃａｔｉｏｎ ｏｆ ｔｈｅ ｓｔｕｄｙ ａｒｅａｓ
１．２　 遥感图像数据的获取与预处理
研究中使用的图像数据包括 ＨＪ１Ｂ⁃ＣＣＤ１ 多光谱图像和 ＡＬＯＳ ／ ＰＡＬＳＡＲ 雷达图像数据。 光学图像数据
１１１４　 １３期 　 　 　 王新云　 等：基于 ＨＪ１Ｂ和 ＡＬＯＳ ／ ＰＡＬＳＡＲ数据的森林地上生物量遥感估算 　
ｈｔｔｐ： ／ ／ ｗｗｗ．ｅｃｏｌｏｇｉｃａ．ｃｎ
ＨＪ１Ｂ—ＣＣＤ１获取时间为 ２０１０年 ７月 ２０日，卫星轨道 １７ ／ ６８，图像分辨率为 ３０ ｍ。 ＰＡＬＳＡＲ是 ＡＬＯＳ卫星上
携带的一个 Ｌ波段的主动式合成孔径雷达传感器，工作波段为 Ｌ波段。 原始图像为 ｌｅｖｅｌ １．１ 双极化数据，极
化方式为 ＨＨ、ＨＶ极化，其中 ＨＨ表示水平极化（ｈｏｒｉｚｏｎｔａｌ ｐｏｌａｒｉｚａｔｉｏｎ），ＨＶ表示交叉极化（ｃｒｏｓｓ ｐｏｌａｒｉｚａｔｉｏｎ）。
入射角为 ３８．７２２°，数据类型为单视复数据（ＳＬＣ），像元大小为 ９．３６８ ｍ × ３．１６４ ｍ，成像时间分别为 ２０１０ 年 ６
月 ３０日和 ２０１０年 ８月 １５日。
ＨＪ１Ｂ⁃ＣＣＤ１图像的预处理包括几何精校正、辐射定标和大气校正。 利用 ＨＪ１Ｂ 数据处理工具将灰度值
（ＤＮ）值转为辐亮度值，利用野外采集的研究区 ＧＰＳ 控制点在 ＥＮＶＩ４．８ 中对影像进行几何精校正和大气校
正，将辐亮度图像校正为反射率图像。
ＡＬＯＳ ／ ＰＡＬＳＡＲ图像的预处理采用 ＧＡＭＭＡ 软件进行，利用分辨率为 ９０ ｍ 的 ＳＲＴＭ （ ｓｈｕｔｔｌｅ ｒａｄａｒ
ｔｏｐｏｇｒａｐｈｙ ｍｉｓｓｉｏｎ）将 ＡＬＯＳ ／ ＰＡＬＳＡＲ校正为像元大小为 ２５ｍ分辨率的图像。 为了校正地形对雷达信号强度
的影响，采用 Ｚｈｏｕ［１７］提出的地形校正算法计算雷达成像斜距平面与地面的夹角，再进行几何平面的地形辐射
纠正得到雷达地形辐射校正后的图像。 最后将 ＨＪ１Ｂ 和 ＡＬＯＳ ／ ＰＡＬＳＡＲ 进行了图像配准，选择了 ２０ 个控制
点，配准精度在 ０．２个像元以内，均方根误差 ＲＭＳＥ为 ０．１。
１．３　 遥感图像融合分类
为了得到较高精度的分类图像，首先对配准后的 ＨＪ１Ｂ图像（图 ２ａ）和 ＡＬＯＳ ／ ＰＡＬＳＡＲ ＳＡＲ图像进行了图
像融合处理，然后再进行图像分类。 采用离散小波变换将预处理后的 ２０１０ 年 ６ 月 ３０ 日 ＨＨ 极化 ＳＡＲ 图像
（图 ２ｂ）、ＨＪ１Ｂ反射率图像、主成分变换图像和归一化植被指数（ＮＤＶＩ）图像进行了图像融合处理。
决策树分类法已经广泛应用于遥感影像信息提取和土地利用 ／土地覆被分类研究中［１８］。 采用决策树分
类将融合后的图像进行分类处理，分类结果如图 ２ｃ所示。 图像共分为 １０类，分别为建筑、农田、针叶林、灌木
林、阔叶林、混交林、沙地、草地、水体和道路。 分类的总体精度为 ８５．６０％，Ｋａｐｐａ系数为 ０．８２６９。
图 ２　 ＨＪ１Ｂ反射率图像（ａ）；６月 ３０日 ＡＬＯＳ ／ ＰＡＬＳＡＲ ＨＨ极化图像（ｂ）；分类图（ｃ）
Ｆｉｇ．２　 ＨＪ１Ｂ ｒｅｆｌｅｃｔａｎｃｅ ｉｍａｇｅ （ａ）； ＡＬＯＳ ／ ＰＡＬＳＡＲ ＨＨ ｐｏｌａｒｉｚａｔｉｏｎ ｉｍａｇｅ ａｃｑｕｉｒｅｄ ｏｎ Ｊｕｎｅ ３０ （ｂ） ａｎｄ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｍａｐｐｉｎｇ （ｃ）
１．４　 野外数据采集与处理
２０１２年 ７月 １３日—７月 ３０日在研究区开展了野外实地考察和森林参数测量。 在研究区内布设样地，选
择地形坡度小、植被分布相对比较均匀，布设了 ５０个有代表性的 ３０ ｍ×３０ ｍ标准样地（针叶林 ２９ 个，平均树
龄 １０５ａ，郁闭度 ４０％—８０％；阔叶林 ２个，平均树龄 ３８ａ，郁闭度 ３０％—６０％；混交林 １９个，平均树龄 ７３ａ，郁闭
度 ４０％—７０％），用手持 ＧＰＳ 记录每个样地的四角坐标，选择胸径在 ５ ｃｍ 以上的林木实行每木检尺，测量胸
径和树高，随机选择几株林木测量枝下高，东西和南北两个方向的冠幅。 在室内对测量数据进行处理。
２１１４ 　 生　 态　 学　 报　 　 　 ３６卷　
ｈｔｔｐ： ／ ／ ｗｗｗ．ｅｃｏｌｏｇｉｃａ．ｃｎ
１．５　 样方生物量计算
森林生物量模型的建立采用 Ｋｉｔｔｒｅｄｇｅ提出的 ＣＡＲ（Ｃｏｎｓｔａｎｔ Ａｌｌｏｍｅｔｒｉｃ Ｒａｔｉｏ）算法［１９］，其数学表达式为：
Ｙ ＝ ａＸｂ 。 穆天民［１６］、刘斌［２０］、梁咏亮［２１］等人分别对贺兰山的青海云杉、天然油松林、灰榆疏林等的生物量模
型进行了研究，建立了以胸径（ＤＢＨ）、树高（Ｈ）、胸径平方乘树高（Ｄ２Ｈ）等为自变量的生物量幂指数回归模
型，根据这些数学模型计算得到单株树的实测生物量。 样地内所有的林木生物量累加得到各样地生物量总
和。 生物量总和除以样地的面积得到林分地上生物量（ｔ ／ ｈｍ２），计算结果见表 １。
表 １　 样地生物量
Ｔａｂｌｅ １　 Ｓｔａｔｉｓｔｉｃａｌ ｆｉｅｌｄ ｍｅａｓｕｒｅｄ ＡＧＢ ｏｆ ｅｖｅｒｙ ｓａｍｐｌｅ ｐｌｏｔ
样方号
Ｑｕａｄｒａｔ ｎｕｍｂｅｒ
优势树种
Ｄｏｍｉｎａｎｔ Ｓｐｅｃｉｅｓ
株数
Ｔｒｅｅ ｎｕｍｂｅｒ
平均树高 ／ ｍ
Ａｖｅｒａｇｅ ｈｅｉｇｈｔ
平均胸径 ／ ｃｍ
Ａｖｅｒａｇｅ ＤＢＨ
林分生物量
Ｓｔａｎｄ ＡＧＢ ／ （ ｔ ／ ｈｍ２）
０１ 油松 ８３ ９．０７ １６．９７ ６７．６８
０２ 青海云杉 ／山杨 １３０ ９．６８ １２．５３ １０３．７４
０３ 青海云杉 ／山杨 １３６ ８．７４ １０．６９ ６０．４３
０４ 油松 １４７ ８．０７ １３．７９ ８４．９１
０５ 油松 ／山杨 １６２ ７．５１ ９．７９ ４５．６５
０６ 青海云杉 １２３ ８．３７ １４．５１ ９４．０５
０７ 青海云杉 ／山杨 １２０ ９．２９ １３．０９ ８８．１５
０８ 青海云杉 ／山杨 １６５ ８．２２ ９．６９ ６４．６６
０９ 油松 １０４ ７．６７ １５．８６ ５４．４９
１０ 油松 ８８ ８．８７ １４．１４ ６９．６１
１１ 油松 １４８ ８．３５ １５．８１ １０２．９８
１２ 油松 ／青海云杉 ９１ ９．０２ １４．６９ ７２．６６
１３ 油松 １１０ ７．０９ １２．６９ ６４．２７
１４ 青海云杉 ／山杨 １６４ ８．４９ １０．５１ ８９．５４
１５ 油松 ８３ ７．２０ １３．７５ ３９．１３
１６ 油松 ９０ ７．１９ １３．６０ ３９．７３
１７ 青海云杉 ９１ ６．７４ １２．５６ ４６．２０
１８ 青海云杉 １０１ ８．０１ １４．９８ ７７．２１
１９ 青海云杉 ９０ １０．３４ １４．７１ ８６．６３
２０ 青海云杉 １５７ ８．５５ １２．１０ ９５．９１
２１ 青海云杉 ／油松 １００ ８．３１ １４．６９ ６７．９７
２２ 青海云杉 ／山杨 １７６ ９．５４ １０．６５ １０２．００
２３ 青海云杉 ／山杨 ２０８ ８．９４ ９．５７ ９２．３０
２４ 山杨 １８９ ７．９２ １０．１６ ７６．０２
２５ 青海云杉 ２０５ ７．３８ １１．０３ １０４．３９
２６ 青海云杉 ／山杨 １７４ ７．９５ １３．０５ １１９．８８
２７ 青海云杉 ／油松 １０５ ８．５５ １４．１５ ６８．２６
２８ 油松 １０４ ８．９５ １４．２６ ７４．９８
２９ 青海云杉 ／油松 １２０ ８．３５ １２．１８ ７０．５８
３０ 青海云杉 ／山杨 １９８ ９．５０ １２．２０ １５３．３１
３１ 青海云杉 ／山杨 １２３ ７．５４ １１．８４ ５４．６４
３２ 青海云杉 ／山杨 １４４ ８．１３ １０．５２ ５６．７０
３３ 青海云杉 １２４ １０．３４ ９．１５ ４７．４３
３４ 青海云杉 ８２ ７．８３ １２．３０ ３９．６８
３５ 青海云杉 ／山杨 １４３ ８．６３ ９．８７ ５３．５１
３６ 青海云杉 ／山杨 １１９ ７．７０ １５．２０ ７８．１２
３７ 青海云杉 ９４ ９．２３ １３．４６ ５８．９１
３８ 青海云杉 ８１ １２．３４ １０．３０ ４２．２５
３９ 青海云杉 １０１ ９．５０ １２．５０ ５７．８８
４０ 油松 ／山杨 １０４ １１．５０ １２．３０ ６７．１４
４１ 青海云杉 １０８ １１．６０ ９．２３ ４５．６２
３１１４　 １３期 　 　 　 王新云　 等：基于 ＨＪ１Ｂ和 ＡＬＯＳ ／ ＰＡＬＳＡＲ数据的森林地上生物量遥感估算 　
ｈｔｔｐ： ／ ／ ｗｗｗ．ｅｃｏｌｏｇｉｃａ．ｃｎ
续表
样方号
Ｑｕａｄｒａｔ ｎｕｍｂｅｒ
优势树种
Ｄｏｍｉｎａｎｔ Ｓｐｅｃｉｅｓ
株数
Ｔｒｅｅ ｎｕｍｂｅｒ
平均树高 ／ ｍ
Ａｖｅｒａｇｅ ｈｅｉｇｈｔ
平均胸径 ／ ｃｍ
Ａｖｅｒａｇｅ ＤＢＨ
林分生物量
Ｓｔａｎｄ ＡＧＢ ／ （ ｔ ／ ｈｍ２）
４２ 青海云杉 １１６ ９．１２ １４．５０ ８０．５６
４３ 青海云杉 １２０ ８．６０ １４．１０ ７６．４７
４４ 山杨 １３４ ４．８０ １６．７ ７１．０７
４５ 青海云杉 ／山杨 ９６ １０．３５ １３．５ ６５．８５
４６ 青海云杉 １２３ １２．７０ ９．１０ ５４．４４
４７ 青海云杉 ／山杨 ８２ １１．１０ １２．１４ ５０．５５
４８ 青海云杉 ／山杨 ９７ ７．４０ １５．６０ ６４．２７
４９ 青海云杉 ２０３ １３．２ ９．４０ ９７．０９
５０ 青海云杉 ／山杨 １３５ １４．３０ １０．２０ ７７．５０
２　 反演方法
２．１　 ＧＯＭＳ⁃ＭＦＭ反演算法
Ｌｉ⁃Ｓｔｒａｈｌｅｒ几何光学模型（ｇｅｏｍｅｔｒｉｃ⁃ｏｐｔｉｃａｌ ｍｕｔｕａｌ ｓｈａｄｏｗｉｎｇ，ＧＯＭＳ） ［２２］主要用于遥感影像像元尺度的森
林结构参数的反演。 多元前向模式（ｍｕｌｔｉｐｌｅ ｆｏｒｗａｒｄ ｍｏｄｅ，ＭＦＭ）是利用几何光学模型和查找表（ＬＵＴ）反演生
态结构参数的常用方法，它由遥感物理模型正向模拟计算建立参数查找表数据库［２３⁃２４］。 利用 ＭＦＭ 算法进行
参数反演，需要从查找表里搜索和图像像元反射率比较接近的值作为模型的最优解。 为了得到比较好的反演
结果，需要建立比较大的查找表［２５］。 国外一些学者利用几何光学模型和 ＭＦＭ算法从多光谱图像数据反演了
森林结构参数［８⁃９，２６⁃２７］。
ＧＯＭＳ模型的输入参数包括树的结构、地形和光谱信息（表 ２）。 树的结构参数包括：树密度（λ，ｔｒｅｅｓ ／
ｍ２）、树冠短半轴（ ｒ，ｍ）、树冠长半轴（ｂ，ｍ）、树冠中心高度（ｈ，ｍ）、树高分布（ｄｈ，ｍ）。 根据样地实测数据统
计结果输入树的结构参数的最小值、最大值和增加值。 地形信息包括坡度（°）和坡向（°），利用分辨率为 ３０ ｍ
的 ＡＳＴＥＲ ＧＤＥＭ数据提取研究区的地形坡度和坡向图，统计坡度和坡向的变化范围。 模型的光谱信息包括：
光照冠层、光照背景和阴影等纯像元组分端元的光谱信息。 采用 ＥＮＶＩ 软件纯像元指数（ｐｉｘｅｌ ｐｕｒｉｔｙ ｉｎｄｅｘ，
ＰＰＩ）从 ＨＪ１Ｂ反射率图像提取 ３种森林类型（阔叶林、针叶林和混交林）的纯像元的组分端元光谱信息。 根据
ＧＯＭＳ模型的输入格式要求，将 ３种森林类型输入参数的变化范围和增加值在表 ２中分别列出。
表 ２　 ＧＯＭＳ⁃ＭＦＭ建立查找表森林结构和地形输入文件
Ｔａｂｌｅ ２　 ＧＯＭＳ⁃ＭＦＭ ｆｏｒｅｓｔ ｓｔｒｕｃｔｕｒａｌ ａｎｄ ｔｅｒｒａｉｎ ｉｎｐｕｔｓ ｕｓｅｄ ｉｎ ｃｒｅａｔｉｎｇ ａ ｓｅｔ ｏｆ Ｌｏｏｋ⁃ｕｐ ｔａｂｌｅ （ＬＵＴ）
林型
Ｆｏｒｅｓｔ ｔｙｐｅ
结构参数
Ｓｔｒｕｃｔｕｒａｌ
ｐａｒａｍｅｔｅｒ
树密度 λ
ｄｅｎｓｉｔｙ
树冠短
半轴 ｒ
Ｈｏｒｉｚｏｎｔａｌ
ｃｒｏｗｎ ｒａｄｉｕｓ
树冠长
半轴 ｂ
Ｖｅｒｔｉｃａｌ
ｃｒｏｗｎ ｒａｄｉｕｓ
树冠中心
高度 ｈ
Ｈｅｉｇｈｔ ｔｏ
ｃｒｏｗｎ ｃｅｎｔｅｒ
树高分布
Ｈｅｉｇｈｔ
ｄｉｓｔｒｉｂｕｔｉｏｎ
坡度
Ｓｌｏｐｅ
坡向
Ｓｐｅｃｔ
查找表
大小
Ｓｉｚｅ ｏｆ
ｐａｒａｍｅｔｅｒ ｓｅｔ
针叶林 最小值 ０．０５ ０．５ ０．５ ４ ５ ０ ０ １３８２４００
Ｃｏｎｉｆｅｒｏｕｓ ｆｏｒｅｓｔ 最大值 ０．５ ７．５ １０．５ ２０ ２５ ７０ ３１５
增加值 ０．０５ １ ２ ２ ５ １０ ４５
阔叶林 最小值 ０．０５ ０．５ ０．５ ４ ５ ０ ０ ８６０１６０
Ｂｒｏａｄｌｅａｖｅｄ ｆｏｒｅｓｔ 最大值 ０．５ ６．５ １０．５ １８ ２０ ７０ ３１５
增加值 ０．０５ １ ２ ２ ５ １０ ４５
混交林 最小值 ０．０５ ０．５ ０．５ ４ ５ ０ ０ １２０９６００
Ｍｉｘｅｄ ｆｏｒｅｓｔ 最大值 ０．５ ６．５ １０．５ ２０ ２５ ７０ ３１５
增加值 ０．０５ １ ２ ２ ５ １０ ４５
Ｓｏｅｎｅｎ等人以树冠表面积（ＳＡ）和测量的单木的生物量（Ｂ，ｔ ／株）建立了单木生物量幂指数生长方程来计
算林分地上生物量［９］。 为了利用遥感图像估算像元尺度的森林地上生物量，根据野外测量的 ３ 种森林类型
４１１４ 　 生　 态　 学　 报　 　 　 ３６卷　
ｈｔｔｐ： ／ ／ ｗｗｗ．ｅｃｏｌｏｇｉｃａ．ｃｎ
（阔叶林、针叶林和混交林）结构参数数据，以实测树高 Ｈ为自变量建立 ３种林型单木生物量和树高 Ｈ之间的
幂指数函数回归模型如（１）式所示：
ｌｎ（Ｂ） ＝ ｂ０ ＋ ｂ１ ｌｎ（Ｈ） （１）
式中，Ｂ为单株树地上生物量（ｋｇ ／株），Ｈ 为树高（Ｈ，ｍ），ｂ０和 ｂ１为回归方程的系数。 由公式（１）计算得到单
株树的地上生物量。 利用 ＧＯＭＳ模型模拟计算建立参数查找表时，根据树密度参数 λ和公式（１）建立的树高
和生物量回归模型可以得到像元尺度的森林地上生物量。
利用 ＨＪ１Ｂ图像和 ＧＯＭＳ模型反演森林参数的过程包括两步：（１）光谱模拟和林分地上生物量数据库建
立。 由公式（１）建立的生物量模型计算得到单木的地上生物量 Ｂ（Ｂ，ｋｇ ／株），像元尺度的森林地上生物量
ＡＧＢ（ｔ ／ ｈｍ２）为：ＡＧＢ＝λＢ，λ为树密度。 ＧＯＭＳ模型正向模拟输出 ４ 个波段反射率和生物量信息，然后建立
参数查找表文件。 （２）模型解的查找。 采用光谱距离的均方根误差（ＲＭＳＥ）优化技术从查找表中搜索图像中
每个像元 ４个波段反射率和模型模拟的对应波段反射率最接近的值，作为模型的最优解。 通过查找模型的最
优解便得到每个像素的生物量。 ＲＭＳＥ的计算公式如式（２）所示［２８⁃２９］：
ＲＭＳＥ ＝ １
ｎｂ
∑
ｎｂ
ｉ ＝ １
（ρｉ － ρ＾ｉ） （２）
式中， ρｉ 表示图像的反射率， ρ＾ｉ 表示模拟的反射率， ｎｂ 为图像的波段个数。
２．２　 线性光谱混合分解
线性光谱混合分解模型（ ｌｉｎｅａｒ ｓｐｅｃｔｒａｌ ｍｉｘｉｎｇ ｍｏｄｅｌ，ＬＳＭＭ）是混合像元分解（ ｓｐｅｃｔｒａｌ ｍｉｘｔｕｒｅ ａｎａｌｙｓｉｓ，
ＳＭＡ）的常用方法，它假设图像中每个像元的反射率是由该像元中每种地物（纯像元）反射率以及它们的地物
类型在该像元内所占像元面积的比例作为权重系数的线性组合［３０⁃３１］。 它的数学表达式如式（３，４）：
Ｓ ｊ ＝∑
ｍ
ｉ ＝ １
Ｋ ｉＲ ｉ，ｊ ＋ ｖｊ 　 ｊ ＝ １，２，．．．，ｐ （３）
１ ＝∑
ｍ
ｉ ＝ １
Ｋ ｉ 　 Ｋ ｉ ＞ ＝ ０ （４）
式中，Ｒ ｉ，ｊ是第 ｉ个纯像元、第 ｊ个波段的反射率，Ｋ ｉ 是第 ｉ个纯像元的面积百分比，ｖｊ 是第 ｊ 个波段的误差。 ｍ
为组分的个数，ｐ为图像波段的个数。
２．３　 混合像元分解 ＳＭＡ模型
利用地形校正模型和 ＡＳＴＥＲ ＧＤＥＭ数据对配准后的 ＨＪ１Ｂ 反射率图像进行地形校正，消除了地形变形
对遥感图像反射率的影响，将坡地光谱信号校正为水平地面信号［３２］。 对地形校正后的图像 ＨＪ１Ｂ进行线性光
谱混合分解，分解后得到植被组分图像 ｖｅｇ（图 ３ａ）。 分别将植被组分图像（ｖｅｇ）和雷达图像 ＡＬＯＳ ／ ＰＡＬＳＡＲ
的 ＨＨ和 ＨＶ极化的雷达后向散射系数图像进行离散小波融合。 利用 Ｓ⁃Ｐｌｕｓ 软件的线性回归将样地实测生
物量和不同的融合图像（图 ３ｂ）对应的图像像元值建立了回归模型，从建立的回归模型中选择精度最好的模
型，作为最后的回归模型如式（５）：
ＡＧＢ＝－９３．０７３＋２４１．０４３×ｖｅｇ＿ｈｈ （５）
式中，ｖｅｇ＿ｈｈ表示 ＨＪ１Ｂ混合像元分解后的植被组分图像 ｖｅｇ 和 ２０１０ 年 ６ 月 ３０ 日的 ＰＡＬＳＡＲ 的 ＨＨ 极化融
合后的图像。 决定系数 Ｒ２ ＝ ０．６１，均方根误差 ＲＭＳＥ＝ １７．１１ ｔ ／ ｈｍ２，Ｆ值为 ２０．０７５２，Ｐ＜０．０１。
２．４　 ＰＡＬＳＡＲ多元逐步回归模型
采用 Ｓ⁃Ｐｌｕｓ软件的多元逐步回归算法，将两个时相雷达图像 ＨＨ和 ＨＶ极化雷达后向散射系数和样地实
测生物量进行多元逐步回归分析，建立的地上生物量模型如式（６）：
ＡＧＢ＝ １５５．９１３＋３．９３６σ０６３０ＨＶ ＋２．４７７σ０８１５ＨＨ （６）
式中，σ０６３０ＨＶ 、σ０８１５ＨＨ 分别表示 ６月 ３０日获取图像的 ＨＶ极化雷达后向散射系数和 ８月 １５日获取图像的 ＨＨ极化
雷达后向散射系数。 决定系数 Ｒ２ ＝ ０．６３，均方根误差 ＲＭＳＥ＝ １２．９４ ｔ ／ ｈｍ２，Ｆ值为 ２１．６２，Ｐ＜０．０１。
５１１４　 １３期 　 　 　 王新云　 等：基于 ＨＪ１Ｂ和 ＡＬＯＳ ／ ＰＡＬＳＡＲ数据的森林地上生物量遥感估算 　
ｈｔｔｐ： ／ ／ ｗｗｗ．ｅｃｏｌｏｇｉｃａ．ｃｎ
图 ３　 植被组分图像（ａ）和离散小波融合图像（ｂ）
Ｆｉｇ．３ 　 Ｖｅｇｅｔａｔｉｏｎ ｆｒａｃｔｉｏｎ ｉｍａｇｅ ｒｅｓｕｌｔｉｎｇ ｆｒｏｍ ｓｐｅｃｔｒａｌ ｍｉｘｔｕｒｅ ａｎａｌｙｓｉｓ （ ａ） ａｎｄ ｆｕｓｉｏｎ ｏｆ ｖｅｇｅｔａｔｉｏｎ ｆｒａｃｔｉｏｎｓ ｗｉｔｈ ＰＡＬＳＡＲ ＨＨ
ｐｏｌａｒｉｚａｔｉｏｎ （ｂ）
３　 结果与分析
３．１　 ３种森林类型地上生物量模型
根据 ３种不同的森林类型，分别从实测数据中选择 ２００株树，采用公式（１）计算像元尺度地上生物量，拟
合 ３种森林（阔叶林、针叶林和混交林）地上生物量模型的回归系数、Ｒ２、ＲＭＳＥ（ｋｇ ／株）和 Ｆ 值如表 ３ 所示
（Ｐ＜０．０１）。 利用该生物量回归模型模拟计算得到不同森林类型的林分地上生物量（ｔ ／ ｈｍ２）。
表 ３　 三种森林类型生物量模型回归系数
Ｔａｂｌｅ ３　 Ｔｒｅｅ ｌｅｖｅｌ ｒｅｇｒｅｓｓｉｏｎ ｃｏｅｆｆｉｃｉｅｎｔｓ ｏｆ ｔｈｒｅｅ ｆｏｒｅｓｔ ｔｙｐｅｓ ｕｓｅｄ ｉｎ ｔｈｅ ｅｓｔｉｍａｔｉｏｎ ｔｒｅｅ ｂｉｏｍａｓｓ ｆｒｏｍ ｆｉｅｌｄ ｄａｔａ
森林类型 Ｆｏｒｅｓｔ ｔｙｐｅ ｂ０ ｂ１ Ｒ２ ＲＭＳＥ（ｋｇ ／株） Ｆ值
阔叶林 Ｂｒｏａｄｌｅａｖｅｄ ｆｏｒｅｓｔ －１．５１５ ２．３１７ ０．５１ ０．３９ ２０５．９４８
针叶林 Ｃｏｎｉｆｅｒｏｕｓ ｆｏｒｅｓｔ －１．４５６ ２．４２８ ０．７４ ０．５７ ５６７．７０６
混交林 Ｍｉｘｅｄ ｆｏｒｅｓｔ －２．８６５ ２．７８９ ０．５８ ０．６０ ２７６．３３３
３．２　 生物量制图
利用本文介绍的 ３种算法对贺兰山研究区的森林进行生物量制图，研究区的森林地上生物量分布制图分
别如图 ４所示。 根据遥感图像分类图（图 ２ｃ），将分类图上非森林覆盖区域（包括建筑物、道路、草地、灌木）合
并为一类，定义为非林地。 图 ４ａ 为利用 ＧＯＭＳ 模型和 ＭＦＭ 方法估算的生物量分布图，其中非林地约占
２７．５７％，乔木林地面积占整个图像区域的 ７２．４３％，乔木林最大生物量为 ３３２．８７ ｔ ／ ｈｍ２。 生物量在范围 ０—５０、
５０—１００、１００—１５０、１５０—２００、２００—２５０、 ＞ ２５０ ｔ ／ ｈｍ２，分别占总图像覆盖区域面积的 ２８． ５４％、１９． ４９％、
１２．０７％、６．１７％、３．０３％、３．１２％，其中 ０—１５０ ｔ ／ ｈｍ２ 约占 ６０．１１％，＞１５０ ｔ ／ ｈｍ２ 约占 １２．３２％。 图 ４ｂ 为利用 ＳＭＡ
模型估算的生物量分布图，其中非林地约占 ２９．３９％，乔木林最大生物量为 ２４１．９３ ｔ ／ ｈｍ２。 生物量在范围 ０—
５０、５０—１００、１００—１５０、１５０—２００、２００—２５０ ｔ ／ ｈｍ２，分别占总图像覆盖区域面积的 １２．００％、２９．７９％、２４．９７％、
３．７０％、０．１４％，其中 ０—１５０ ｔ ／ ｈｍ２ 约占 ６６．７６％，＞１５０ ｔ ／ ｈｍ２ 约占 ３．８４％。 图 ４ｃ 为利用 ＰＡＬＳＡＲ 回归模型估
算的生物量分布图，其中非林地约占 ３４．２５％，乔木林最大生物量为 １７７．３５ｔ ／ ｈｍ２。 生物量在范围 ０—５０、５０—
１００、１００—１５０、１５０—２００ ｔ ／ ｈｍ２，分别占总图像覆盖区域面积的 ２４．３５％、３２．５０％、８．６４％、０．２５％，其中 ０—１５０
ｔ ／ ｈｍ２ 约占 ６５．４９％，＞１５０ ｔ ／ ｈｍ２ 约占 ０．２５％。
由 ３种算法的统计结果可以看到：３种算法估算的生物量主要分布在范围 ０—１５０ ｔ ／ ｈｍ２，不同方法估算的
生物量结果之间存在一定的差异。 采用混合像元分解和 ＰＡＬＳＡＲ雷达后向散射系数图像估算的生物量大于
１５０ ｔ ／ ｈｍ２ 时达到饱和，建立的回归模型无法正确反演，反演的结果存在较大的误差［６］。 ＳＭＡ方法将 ＰＡＬＳＡＲ
和光学图像进行融合处理减少了生物量估算的误差。
６１１４ 　 生　 态　 学　 报　 　 　 ３６卷　
ｈｔｔｐ： ／ ／ ｗｗｗ．ｅｃｏｌｏｇｉｃａ．ｃｎ
图 ４　 ３种算法估算的森林生物量分布图
Ｆｉｇ．４　 Ｍａｐｐｉｎｇ ｏｆ ｆｏｒｅｓｔ ＡＧＢ ｄｉｓｔｒｉｂｕｔｉｏｎ ｂａｓｅｄ ｏｎ ＭＦＭ ｍｅｔｈｏｄ （ａ）； Ｍａｐｐｉｎｇ ｏｆ ｆｏｒｅｓｔ ＡＧＢ ｄｉｓｔｒｉｂｕｔｉｏｎ ｂａｓｅｄ ｏｎ ＳＭＡ ｍｅｔｈｏｄ （ｂ）；
Ｍａｐｐｉｎｇ ｏｆ ｆｏｒｅｓｔ ＡＧＢ ｄｉｓｔｒｉｂｕｔｉｏｎ ｂａｓｅｄ ｏｎ ＰＡＬＳＡＲ ｒｅｇｒｅｓｓｉｏｎ（ｃ）
３．３　 估算误差分析
为了进一步对 ３种方法估算的生物量进行误差分析，根据野外实测生物量数据，将 ＭＦＭ、混合像元分解
ＳＭＡ和 ＰＡＬＳＡＲ多元逐步回归等 ３种方法估算的森林地上生物量进行分析。 将模型估算地上生物量和实测
生物量的差值作为模型估算误差。 选择其余的 ２０个实测样地（ｐｌｏｔｓ）生物量数据作为真值，计算它们的平均
值和标准差（ＳＤ）。 把实测值落在区间 ａｖｇ－ＳＤ和 ａｖｇ＋ＳＤ内的值记为 ｐｌｏｔｓ ＜１ ＳＤ，反之则记为 ｐｌｏｔｓ ＞ １ ＳＤ。
根据这个划分标准，这 ２０个实测生物量值分成两组，其中 ｐｌｏｔｓ ＜ １ ＳＤ共有 １１个，ｐｌｏｔｓ ＞ １ ＳＤ共有 ９个数据。
然后分别计算实测生物量、模型估算的生物量、模型估算生物量误差、模型估算生物量 ｐｌｏｔｓ ＜ １ ＳＤ 误差（１１
个数据）和 ｐｌｏｔｓ ＞ １ ＳＤ（９个数据）误差的平均值、标准差、最小值、最小值和变化范围，统计结果如表 ４和图 ５
所示。
表 ４　 估算生物量与实测生物量误差分析
Ｔａｂｌｅ ４　 Ｅｒｒｏｒ ａｎａｌｙｓｉｓ ｆｏｒ ｅｓｔｉｍａｔｏｒｓ ａｎｄ ｍｅａｓｕｒｅｄ ＡＧＢ
误差分析 Ｅｒｒｏｒ ａｎａｌｙｓｉｓ 样方数Ｐｌｏｔｓ
平均值
Ｂｉｏｍａｓｓ ａｖｇ ／
（ ｔ ／ ｈｍ２）
标准差 ＳＤ ／
（ ｔ ／ ｈｍ２）
最小值
Ｍｉｎ ／
（ ｔ ／ ｈｍ２）
最大值
Ｍａｘ ／
（ ｔ ／ ｈｍ２）
范围
Ｒａｎｇｅ ／
（ ｔ ／ ｈｍ２）
样地实测生物量 Ｆｉｅｌｄ ｄａｔａ ２０ ８５．９ １５．８ ６０．４ １１９．９ ５９．４
ＭＦＭ法估算样地生物量 Ｅｓｔｉｍａｔｅｄ ＡＧＢ ｆｒｏｍ ＭＦＭ ２０ ８２．７ １２．６ ６５．５ １０８．３ ４２．８
ＭＦＭ估算的总误差 Ｏｖｅｒａｌｌ ｅｒｒｏｒ ｆｏｒ ａｌｌ ｐｌｏｔｓ ２０ ８．０ ６．６ ０．１ ２５．０ ２４．９
ｐｌｏｔｓ ＜１ ＳＤ误差 Ｅｒｒｏｒ ｆｏｒ ｐｌｏｔｓ＜１ ＳＤ １１ ７．１ ５．９ ０．１ ２２．７ ２２．５
ｐｌｏｔｓ ＞１ ＳＤ误差 Ｅｒｒｏｒ ｆｏｒ ｐｌｏｔｓ ＞１ ＳＤ ９ ９．１ ７．１ ２．８ ２５．０ ２２．２
ＳＭＡ法估算样地生物量 Ｅｓｔｉｍａｔｅｄ ＡＧＢ ｆｒｏｍ ＳＭＡ ２０ ８６．２ １４．２ ５２．７ １１６．９ ６４．２
ＳＭＡ估算的总误差 Ｏｖｅｒａｌｌ ｅｒｒｏｒ ｆｏｒ ａｌｌ ｐｌｏｔｓ ２０ ８．２ ５．９ １．２ ２３．３ ２２．１
ｐｌｏｔｓ ＜１ ＳＤ误差 Ｅｒｒｏｒ ｆｏｒ ｐｌｏｔｓ＜１ ＳＤ １１ ７．５ ６．１ １．２ ２３．３ ２２．１
ｐｌｏｔｓ ＞１ ＳＤ误差 Ｅｒｒｏｒ ｆｏｒ ｐｌｏｔｓ ＞１ ＳＤ ９ ９．０ ５．２ ２．０ ２０．６ １８．７
ＰＡＬＳＡＲ多元逐步回归估算样地生物量
Ｅｓｔｉｍａｔｅｄ ＡＧＢ ｆｒｏｍ ＰＡＬＳＡＲ ｓｔｅｐｗｉｓｅ ｒｅｇｒｅｓｓｉｏｎ ２０ ７２．２ １８．０ ３６．３ １０９．７ ７３．５
样地总误差 Ｏｖｅｒａｌｌ ｅｒｒｏｒ ｆｏｒ ａｌｌ ｐｌｏｔｓ ２０ １５．１ １３．５ １．２ ３９．７ ３８．５
ｐｌｏｔｓ ＜１ ＳＤ误差 Ｅｒｒｏｒ ｆｏｒ ｐｌｏｔｓ＜１ ＳＤ １１ １７．６ １３．９ １．７ ３９．７ ３８．１
ｐｌｏｔｓ ＞１ ＳＤ误差 Ｅｒｒｏｒ ｆｏｒ ｐｌｏｔｓ ＞１ ＳＤ ９ １２．１ １１．３ １．２ ３６．５ ３５．３
　 　 ＳＤ表示标准差 ｉｎｄｉｃａｔｅｄ ｓｔａｎｄａｒｄ ｄｅｖｉａｔｉｏｎ；ＭＦＭ表示多元前向模式算法 ｍｕｌｔｉｐｌｅ ｆｏｒｗａｒｄ ｍｏｄｅ；ＳＭＡ表示混合像元分解算法 ｓｐｅｃｔｒａｌ ｍｉｘｔｕｒｅ
ａｎａｌｙｓｉｓ， ｒｅｓｐｅｃｔｉｖｅｌｙ
７１１４　 １３期 　 　 　 王新云　 等：基于 ＨＪ１Ｂ和 ＡＬＯＳ ／ ＰＡＬＳＡＲ数据的森林地上生物量遥感估算 　
ｈｔｔｐ： ／ ／ ｗｗｗ．ｅｃｏｌｏｇｉｃａ．ｃｎ
图 ５　 三种方法生物量估算误差对比
　 Ｆｉｇ．５　 Ｃｏｍｐａｒｉｓｏｎ ｏｆ ｂｉｏｍａｓｓ ｅｓｔｉｍａｔｉｏｎ ｅｒｒｏｒ ｆｏｒ ＭＦＭ， ＳＭＡ
ａｎｄ ｒｅｇｒｅｓｓｉｏｎ ｍｏｄｅｌ
ＭＦＭ表示多元前向模式算法； ＳＭＡ 表示混合像元分解算法；
ＰＡＬＳＡＲ ｒｅｇｒｅｓｓｉｏｎ 表示 ＰＡＬＳＡＲ 多元逐步回归算法； Ａｌｌ Ｆｉｅｌｄ
Ｄａｔａ表示 ２０个样地实测数据；Ｐｌｏｔｓ＜１ ＳＤ ｏｆ Ｆｉｅｌｄ Ｍｅａｎ 表示落在
区间 ａｖｇ － ＳＤ和 ａｖｇ ＋ ＳＤ内的实测值；Ｐｌｏｔｓ＞１ ＳＤ ｏｆ Ｆｉｅｌｄ Ｍｅａｎ表
示落在区间 ａｖｇ － ＳＤ和 ａｖｇ ＋ ＳＤ外的实测值 ｒｆ
根据表 ４ 和图 ５ 的误差统计结果分析可以看到：
ＭＦＭ、ＳＭＡ和 ＰＡＬＳＡＲ多元逐步回归等 ３ 种方法的平
均误差分别为 ８．０、８．２、１５．１ ｔ ／ ｈｍ２，ＭＦＭ和 ＳＭＡ估算误
差比较接近，ＭＦＭ误差最小；ＳＭＡ法估算生物量的最小
值、最大值和变化范围比实测生物量略宽，而ＭＦＭ法估
算生物量变化范围比实测值变化范围窄，ＰＡＬＳＡＲ回归
模型估算生物量变化范围最宽；ＭＦＭ 法和 ＳＭＡ 法估算
生物量的平均值和实测结果比较接近，而 ＰＡＬＳＡＲ 回
归法估算生物量平均值比实测结果小；ＭＦＭ 法和 ＳＭＡ
法估算生物量标准差比实测结果略低，而 ＰＡＬＳＡＲ 回
归模型估算生物量标准差要大于实测结果；１１ 个数据
误差（ｐｌｏｔｓ ＜１ ＳＤ），ＭＦＭ法和 ＳＭＡ 法的平均误差和标
准差都接近总误差（２０ 个数据），而 ＰＡＬＳＡＲ 回归比总
误差（２０个数据）大；９ 个数据误差（ｐｌｏｔｓ ＞１ ＳＤ），与＜
ｐｌｏｔｓ １ ＳＤ情况正好相反。
由以上的分析可以看出，采用经验统计和基于遥感
物理模型的反演方法从遥感图像数据估算森林地上生
物量，不同的反演算法估算的森林地上生物量的精度有
一定的差异，原因主要有以下几点：（１）森林下垫面背
景对卫星图像信息有一定的影响。 数学模型很难真实的描模拟森林的三维结构及下垫面背景，会造成一定的
反演误差。 （２）地形对反演精度的影响。 地形改变了太阳、地表和卫星传感器三者所构成的相对观测几何变
化，从而造成方向性反射的变化［３３］，地形对遥感图像的质量和反演精度的影响比较大。 （３）野外实测数据误
差的影响。 由于地形和林下植被的影响，在野外很难保证实测样地大小为标准样地，同时卫星接收的图像数
据受地形坡度和坡向的影响，野外样地的位置很难与图像完全匹配，这对反演的验证精度有一定的影响。
３．４　 估算结果验证
为了检验参数反演过程的过拟合现象，有必要结合野外实测数据对模型进行验证。 选择 ２０ 个样地实测
生物量和 ３种方法估算的生物量进行了对比，用实测生物量值验证模型，结果见图 ６。 图 ６ 分别验证了 ＭＦＭ
和 ＳＭＡ法估算生物量结果，Ｒ２分别为 ０．６１和 ０．６０，实测值与估算值之间的 ＲＭＳＥ分别为 ８．３３、９．４１７ ｔ ／ ｈｍ２，图
中各点均分布在 １∶１线附近。 图 ６还验证了 ＰＡＬＳＡＲ回归法估算生物量结果，Ｒ２ ＝ ０．３９，ＲＭＳＥ＝ １４．８９ ｔ ／ ｈｍ２。
３种模型估算的生物量和实测生物量的误差变化范围和模型的验证结果进一步表明：ＭＦＭ 和 ＳＭＡ 两种
方法估算的生物量结果比较接近实测值，而 ＰＡＬＳＡＲ多元逐步回归模型估算的生物量精度最差。 由此可见，
采用 ＰＡＬＳＡＲ多元回归模型估算的山地森林生物量与实测的生物量相差比较大，精度比较低，决定系数小于
０．５，该方法估算的生物量精度明显低于其它两种方法估算的生物量。 这表明采用几何光学模型和混合像元
分解 ＳＭＡ更适合估算山地森林地上生物量。
３．５　 讨论
植被的生态结构参数不能通过卫星图像数据直接获取，需要利用经验统计或遥感物理模型反演的方法从
卫星图像估算得到。 利用 Ｌｉ⁃Ｓｔｒａｈｌｅｒ几何光学模型反演森林生物量不需要较多的地面验证数据，模型的输入
参数不需要每棵树的详细信息。 利用几何光学模型模拟建立查找表时，根据野外直接测量的数据，如树高
（Ｈ）、胸径（ＤＢＨ）、胸径平方乘树高（Ｄ２Ｈ）等数据与生物量建立回归模型，然后通过中间变量（胸径或树高）
从遥感图像上估算森林地上生物量。
由于地形引起雷达成像几何关系的变化，进而导致雷达后向散射系数的变化。 利用雷达图像 ＰＡＬＳＡＲ
８１１４ 　 生　 态　 学　 报　 　 　 ３６卷　
ｈｔｔｐ： ／ ／ ｗｗｗ．ｅｃｏｌｏｇｉｃａ．ｃｎ
图 ６　 生物量实测值与估算值对比值散点图
Ｆｉｇ．６　 Ｓｃａｔｔｅｒ ｐｌｏｔ ｏｎ ｍｅａｓｕｒｅｄ ａｎｄ ＭＦＭ ｅｓｔｉｍａｔｅｄ ＡＧＢ； Ｓｃａｔｔｅｒ ｐｌｏｔ ｏｎ ｍｅａｓｕｒｅｄ ａｎｄ ＳＭＡ ｅｓｔｉｍａｔｅｄ ＡＧＢ； ａｎｄ Ｓｃａｔｔｅｒ ｐｌｏｔ ｏｎ
ｍｅａｓｕｒｅｄ ａｎｄ ＰＡＬＳＡＲ ｒｅｇｒｅｓｓｉｏｎ ｍｏｄｅｌ ｅｓｔｉｍａｔｅｄ ＡＧＢ
估算森林结构参数时，地形对估算精度影响较大。 因此，采用雷达图像估算森林参数精度较低，反演的结果存
在较大的误差。 结合雷达图像和光学图像能够减少生物量估算的误差，改善地形对森林参数估算的精度的影
响。 采用离散小波变换将混合像元分解后的组分图像和雷达图像进行融合，然后建立生物量多元逐步回归模
型，该模型比利用雷达后向散射系数建立的生物量模型估算精度更高，这是由于组分图像改善了地形对雷达
后向散射系数的影响。 因此，利用混合像元分解和离散小波融合可以有效的提高森林生物量的估算精度。
采用光谱距离的均方根误差（ＲＭＳＥ）最小从查找表中搜索模型的最优解，由于测量误差和模型模拟数据
的问题，方程的解不唯一或无解，从而导致方程的病态问题［３４⁃３５］，在实际应用中可以结合一些其它的植被指
数如归一化植被指数 ＮＤＶＩ或比值植被指数（ＳＲ）来查找方程解。 采用查找表进行查找时，如果图像的覆盖
范围比较大，同时建立的查找表数据库比较大时，在查找过程中查找速度会比较慢，需要对查找表结构和查找
算法进行优化。
４　 结论
本文探讨了利用 ＧＯＭＳ几何光学模型和经验统计模型估算山地森林地上生物量的方法。 利用几何光学
模型模拟时将可直接测量的参数，如胸径（ＤＢＨ）或树高（Ｈ）作为中间变量，建立树高和森林地上生物量回归
模型，计算像元尺度的林分地上生物量，通过 ＭＦＭ 方法从卫星图像 ＨＪ１Ｂ 数据反演研究区的森林地上生物
量，同时将反演结果和经验统计模型方法进行了对比。 研究结果表明，ＭＦＭ方法比经验统计模型估算森林地
上生物量精度更高。 采用几何光学模型反演的生物量精度最好，利用混合像元分解和图像融合可以改善地形
９１１４　 １３期 　 　 　 王新云　 等：基于 ＨＪ１Ｂ和 ＡＬＯＳ ／ ＰＡＬＳＡＲ数据的森林地上生物量遥感估算 　
ｈｔｔｐ： ／ ／ ｗｗｗ．ｅｃｏｌｏｇｉｃａ．ｃｎ
对森林参数估算的精度的影响，利用 ＰＡＬＳＡＲ图像估算的森林生物量的精度最差。 因此，几何光学模型和混
合像元分解模型适合估算森林地上生物量。
利用几何光学模型进行前向模拟的输入参数不需要较多的先验信息和野外样地调查数据，该方法更适合
于通过多时相多传感器的遥感图像反演区域尺度的植被生态结构参数。 因此，本文介绍的方法进行森林地上
生物量遥感监测研究具有一定的应用潜力。 然而，本研究所用的野外观测样方的数量相对偏少，采用统计方
法所建立的生物量模型的适用性需要进行一步验证。 在今后的研究中，可以考虑通过增加野外观测的数量和
小样本回归的方法，比如机器学习算法建立回归模型，并对模型的适用性进行进一步的验证。
致谢：中国林业科学研究院资源信息研究所谭炳香老师帮助写作，特此致谢。
参考文献（Ｒｅｆｅｒｅｎｃｅｓ）：
［ １ ］　 徐德福， 王让会， 李映雪， 张慧． 陆地生态系统碳收支及其主要影响因素分析． 中国农业气象， ２００９， ３０（４）： ５１９⁃５２４．
［ ２ ］ 　 刘双娜， 周涛， 舒阳， 戴铭， 魏林艳， 张鑫． 基于遥感降尺度估算中国森林生物量的空间分布． 生态学报， ２０１２， ３２（８）： ２３２０⁃２３３０．
［ ３ ］ 　 何红艳， 郭志华， 肖文发． 遥感在森林地上生物量估算中的应用． 生态学杂志， ２００７， ２６（８）： １３１７⁃１３２２．
［ ４ ］ 　 Ｂａｓｕｋｉ Ｔ Ｍ， Ｓｋｉｄｍｏｒｅ Ａ Ｋ， Ｈｕｓｓｉｎ Ｙ Ａ， Ｄｕｒｅｎ Ｉ Ｖ． Ｅｓｔｉｍａｔｉｎｇ ｔｒｏｐｉｃａｌ ｆｏｒｅｓｔ ｂｉｏｍａｓｓ ｍｏｒｅ ａｃｃｕｒａｔｅｌｙ ｂｙ ｉｎｔｅｇｒａｔｉｎｇ ＡＬＯＳ ／ ＰＡＬＳＡＲ ａｎｄ
Ｌａｎｄｓａｔ⁃ ７ ＥＴＭ＋ ｄａｔａ． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２０１３， ３４（１３）： ４８７１⁃４８８８．
［ ５ ］ 　 Ｒａｕｓｔｅ Ｙ． Ｍｕｌｔｉ⁃ｔｅｍｐｏｒａｌ ＪＥＲＳ ＳＡＲ ｄａｔａ ｉｎ ｂｏｒｅａｌ ｆｏｒｅｓｔ ｂｉｏｍａｓｓ ｍａｐｐｉｎｇ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ， ２００５， ９７（２）： ２６３⁃２７５．
［ ６ ］ 　 Ｔｒｅｕｈａｆｔ Ｒ Ｎ， Ａｓｎｅｒ Ｇ Ｐ， Ｌａｗ Ｂ Ｅ． Ｓｔｒｕｃｔｕｒｅ⁃ｂａｓｅｄ ｆｏｒｅｓｔ ｂｉｏｍａｓｓ ｆｒｏｍ ｆｕｓｉｏｎ ｏｆ ｒａｄａｒ ａｎｄ ｈｙｐｅｒｓｐｅｃｔｒａｌ ｏｂｓｅｒｖａｔｉｏｎ． Ｇｅｏｐｈｙｓｉｃａｌ Ｒｅｓｅａｒｃｈ
Ｌｅｔｔｅｒｓ， ２００３， ３０（９）： １４７２⁃１４７５．
［ ７ ］ 　 Ｅｌｖｉｄｇｅ Ｃ Ｄ， Ｌｙｏｎ Ｒ Ｊ Ｐ． Ｉｎｆｌｕｅｎｃｅ ｏｆ ｒｏｃｋ⁃ｓｏｉｌ ｓｐｅｃｔｒａｌ ｖａｒｉａｔｉｏｎ ｏｎ ｔｈｅ ａｓｓｅｓｓｍｅｎｔ ｏｆ ｇｒｅｅｎ ｂｉｏｍａｓｓ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ， １９８５， １７
（３）： ２６５⁃２７９．
［ ８ ］ 　 Ｓｃａｒｔｈ Ｐ， Ｐｈｉｎｎ Ｓ． Ｄｅｔｅｒｍｉｎｉｎｇ ｆｏｒｅｓｔ ｓｔｒｕｃｔｕｒａｌ ａｔｔｒｉｂｕｔｅｓ ｕｓｉｎｇ ａｎ ｉｎｖｅｒｔｅｄ ｇｅｏｍｅｔｒｉｃ⁃ｏｐｔｉｃａｌ ｍｏｄｅｌ ｉｎ ｍｉｘｅｄ ｅｕｃａｌｙｐｔ ｆｏｒｅｓｔ， Ｓｏｕｔｈｅａｓｔ
Ｑｕｅｅｎｓｌａｎｄ， Ａｕｓｔｒａｌｉａ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ， ２０００， ７１（２）： １４１⁃１５７．
［ ９ ］ 　 Ｓｏｅｎｅｎ Ｓ Ａ， Ｐｅｄｄｌｅ Ｄ Ｒ， Ｈａｌｌ Ｒ Ｊ， Ｃｏｂｕｒｎ Ｃ Ａ， Ｈａｌｌ Ｆ Ｇ． Ｅｓｔｉｍａｔｉｎｇ ａｂｏｖｅｇｒｏｕｎｄ ｆｏｒｅｓｔ ｂｉｏｍａｓｓ ｆｒｏｍ ｃａｎｏｐｙ ｒｅｆｌｅｃｔａｎｃｅ ｍｏｄｅｌ ｉｎｖｅｒｓｉｏｎ ｉｎ
ｍｏｕｎｔａｉｎｏｕｓ ｔｅｒｒａｉｎ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ， ２０１０， １１４（７）： １３２５⁃１３３７．
［１０］ 　 梁存柱， 朱宗元， 王炜， 裴浩， 张韬， 王永利． 贺兰山植物群落类型多样性及其空间分异． 植被生态学报， ２００４， ２８（３）： ３６１⁃３６８．
［１１］ 　 郑敬刚， 董东平， 赵登海， 何明珠， 李新荣． 贺兰山西坡植被群落特征及其与环境因子的关系． 生态学报， ２００８， ２８（９）： ４５５９⁃４５６７．
［１２］ 　 俞益民， 赵登海， 梅曙光， 董仁才，孙萍， 张源润， 周惠玉． 贺兰山地区青海云杉生长与环境的关系． 西北林学院学报， １９９９， １４（１）：
１６⁃２１．
［１３］ 　 朱源， 康慕谊， 刘全儒， 江源， 和克俭． 贺兰山油松和青海云杉交错区的物种丰富度研究． 植被资源与环境学报， ２００７， １６（３）： １⁃６．
［１４］ 　 朱源， 康慕谊， 刘全儒，苏云，江源． 贺兰山针叶林结构特征与种类组成的比较． 地理研究， ２００７， ２６（２）： ３０５⁃３１３．
［１５］ 　 Ｊｉａｎｇ Ｙ， Ｋａｎｇ Ｍ Ｙ， Ｚｈｕ Ｙ， Ｘｕ Ｇ Ｃ． Ｐｌａｎｔ ｂｉｏｄｉｖｅｒｓｉｔｙ ｐａｔｔｅｒｎｓ ｏｎ Ｈｅｌａｎ Ｍｏｕｎｔａｉｎ， Ｃｈｉｎａ． Ａｃｔａ Ｏｅｃｏｌｏｇｉｃａ， ２００７， ３２（２）： １２５⁃１３３．
［１６］ 　 穆天民． 贺兰山区青海云杉森林群落的生物量． 内蒙古林业科技， １９８２， １（１）： ３４⁃４５．
［１７］ 　 Ｚｈｏｕ Ｚ Ｓ， Ｌｅｈｍａｎｎ Ｅ， Ｗｕ Ｘ， Ｃａｃｃｅｔｔａ Ｐ， ＭｃＮｅｉｌ Ｓ， Ｍｉｔｃｈｅｌｌ Ａ， Ｍｉｌｎｅ Ａ， Ｔａｐｌｅｙ Ｉ， Ｌｏｗｅｌｌ Ｋ． Ｔｅｒｒａｉｎ ｓｌｏｐｅ ｃｏｒｒｅｃｔｉｏｎ ａｎｄ ｐｒｅｃｉｓｅ ｒｅｇｉｓｔｒａｔｉｏｎ
ｏｆ ＳＡＲ ｄａｔａ ｆｏｒ ｆｏｒｅｓｔ ｍａｐｐｉｎｇ ａｎｄ ｍｏｎｉｔｏｒｉｎｇ ／ ／ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｓｙｍｐｏｓｉｕｍ ｆｏｒ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ ｔｈｅ Ｅｎｖｉｒｏｎｍｅｎｔ． Ｓｙｄｎｅｙ， Ａｕｓｔｒａｌｉａ， ２０１１： １⁃４．
［１８］ 　 Ｍｃｌｖｅｒ Ｄ Ｋ， Ｆｒｉｅｄｌ Ｍ Ａ． Ｕｓｉｎ ｐｒｉｏｒ ｐｒｏｂａｂｉｌｉｔｉｅｓ ｉｎ ｄｅｃｉｓｉｏｎ⁃ｔｒｅｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ ｒｅｍｏｔｅｌｙ ｓｅｎｓｅｄ ｄａｔａ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ， ２００２， ８１
（２ ／ ３）： ２５３⁃２６１．
［１９］ 　 Ｋｉｔｔｒｅｄｇｅ Ｊ． Ｅｓｔｉｍａｔｉｏｎ ｏｆ ａｍｏｕｎｔ ｏｆ ｆｏｌｉａｇｅ ｏｆ ｔｒｅｅｓ ａｎｄ ｓｈｒｕｂｓ． Ｊｏｕｒｎａｌ ｏｆ Ｆｏｒｅｓｔ Ｒｅｓｅａｒｃｈ， １９４４， ４２（１）： ９０５⁃９１２．
［２０］ 　 刘斌， 刘建军， 任军辉， 杜承星． 贺兰山天然油松林单株生物量回归模型的研究． 西北林学院学报， ２０１０， ２５（６）： ６９⁃７４．
［２１］ 　 梁永亮． 贺兰山灰榆梳林单株生物量回归模型的研究． 林业资源管理， ２０１２， （５）： ９８⁃１０４．
［２２］ 　 Ｌｉ Ｘ Ｗ， Ｓｔｒａｈｌｅｒ Ａ Ｈ． Ｇｅｏｍｅｔｒｉｃ⁃ｏｐｔｉｃａｌ ｂｉｄｉｒｅｃｔｉｏｎａｌ ｒｅｆｌｅｃｔａｎｃｅ ｍｏｄｅｌｉｎｇ ｏｆ ｔｈｅ ｄｉｓｃｒｅｔｅ ｃｒｏｗｎ ｖｅｇｅｔａｔｉｏｎ ｃａｎｏｐｙ： Ｅｆｆｅｃｔ ｏｆ ｃｒｏｗｎ ｓｈａｐｅ ａｎｄ
ｍｕｔｕａｌ ｓｈａｄｏｗｉｎｇ． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｇｅｏｓｃｉｅｎｃｅ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， １９９２， ３０（２）： ２７６⁃２９２．
［２３］ 　 Ｋｉｍｅｓ Ｄ Ｓ， Ｋｎｙａｚｉｋｈｉｎ Ｙ， Ｐｒｉｖｅｔｔｅ Ｊ Ｌ， Ａｂｕｅｌｇａｓｉｍ Ａ Ａ， Ｇａｏ Ｆ． Ｉｎｖｅｒｓｉｏｎ ｍｅｔｈｏｄｓ ｆｏｒ ｐｈｙｓｉｃａｌｌｙ⁃ｂａｓｅｄ ｍｏｄｅｌｓ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｒｅｖｉｅｗ， ２０００，
１８（２ ／ ４）： ３８１⁃４４０．
［２４］ 　 Ｐｅｄｄｌｅ Ｄ Ｒ， Ｆｒａｎｋｌｉｎ Ｓ Ｅ， Ｊｏｈｎｓｏｎ Ｒ Ｌ， Ｌａｖｉｇｎｅ Ｍ Ｂ， Ｗｕｌｄｅｒ Ｍ Ａ． Ｓｔｒｕｃｔｕｒａｌ ｃｈａｎｇｅ ｄｅｔｅｃｔｉｏｎ ｉｎ ａ ｄｉｓｔｕｒｂｅｄ ｃｏｎｉｆｅｒ ｆｏｒｅｓｔ ｕｓｉｎｇ ａ ｇｅｏｍｅｔｒｉｃ
ｏｐｔｉｃａｌ ｒｅｆｌｅｃｔａｎｃｅ ｍｏｄｅｌ ｉｎ ｍｕｌｔｉｐｌｅ⁃ｆｏｒｗａｒｄ ｍｏｄｅ． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｇｅｏｓｃｉｅｎｃｅ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２００３， ４１（１）： １６３⁃１６６．
［２５］ 　 Ｄａｒｖｉｓｈｚａｄｅｈ Ｒ， Ｓｋｉｄｍｏｒｅ Ａ， Ｓｃｈｌｅｒｆ Ｍ， Ａｔｚｂｅｒｇｅｒ Ｃ． Ｉｎｖｅｒｓｉｏｎ ｏｆ ａ ｒａｄｉａｔｉｖｅ ｔｒａｎｓｆｅｒ ｍｏｄｅｌ ｆｏｒ ｅｓｔｉｍａｔｉｎｇ ｖｅｇｅｔａｔｉｏｎ ＬＡＩ ａｎｄ ｃｈｏｒｏｐｈｙｌｌ ｉｎ ａ
０２１４ 　 生　 态　 学　 报　 　 　 ３６卷　
ｈｔｔｐ： ／ ／ ｗｗｗ．ｅｃｏｌｏｇｉｃａ．ｃｎ
ｈｅｔｅｒｏｇｅｎｅｏｕｓ ｇｒａｓｓｌａｎｄ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ， ２００８， １１２（５）： ２５９２⁃２６０４．
［２６］ 　 Ｐｅｄｄｌｅ Ｄ Ｒ， Ｊｏｈｎｓｏｎ Ｒ Ｌ， Ｃｉｈｌａｒ Ｊ， Ｌａｔｉｆｏｖｉｃ Ｒ． Ｌａｒｇｅ ａｒｅａ ｆｏｒｅｓｔ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ａｎｄ ｂｉｏｐｈｙｓｉｃａｌ ｐａｒａｍｅｔｅｒ ｅｓｔｉｍａｔｉｏｎ ｕｓｉｎｇ ｔｈｅ ５⁃ｓｃａｌｅ ｃａｎｏｐｙ
ｒｅｆｌｅｃｔａｎｃｅ ｍｏｄｅｌ ｉｎ Ｍｕｌｔｉｐｌｅ⁃Ｆｏｒｗａｒｄ⁃Ｍｏｄｅ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ， ２００４， ８９（２）： ２５２⁃２６３．
［２７］ 　 Ｐｅｄｄｌｅ Ｄ Ｒ， Ｊｏｈｎｓｏｎ Ｒ Ｌ， Ｃｉｈｌａｒ Ｊ， Ｌｅｂｌａｎｃ Ｓ Ｇ， Ｃｈｅｎ Ｊ Ｍ， Ｈａｌｌ Ｆ Ｇ． Ｐｈｙｓｉｃａｌｌｙ ｂａｓｅｄ ｉｎｖｅｒｓｉｏｎ ｍｏｄｅｌｉｎｇ ｆｏｒ ｕｎｓｕｐｅｒｖｉｓｅｄ ｃｌｕｓｔｅｒ ｌａｂｅｌｉｎｇ，
ｉｎｄｅｐｅｎｄｅｎｔ ｆｏｒｅｓｔ ｃｌａｓｓｉｆｉｃａｔｉｏｎ， ａｎｄ ＬＡＩ ｅｓｔｉｍａｔｉｏｎ ｕｓｉｎｇ ＭＦＭ⁃５⁃Ｓｃａｌｅ． Ｃａｎａｄｉａｎ Ｊｏｕｒｎａｌ ｏｆ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２００７， ３３（３）： ２１４⁃２２５．
［２８］ 　 Ｗｅｉｓｓ Ｍ， Ｂａｒｅｔ Ｆ， Ｍｙｎｅｎｉ Ｒ Ｂ， Ｐｒａｇｎèｒｅ Ａ， Ｋｎｙａｚｉｋｈｉｎ Ｙ． Ｉｎｖｅｓｔｉｇａｔｉｏｎ ｏｆ ａ ｍｏｄｅｌ ｉｎｖｅｒｓｉｏｎ ｔｅｃｈｎｉｑｕｅ ｔｏ ｅｓｔｉｍａｔｉｏｎ ｃａｎｏｐｙ ｂｉｏｐｈｙｓｉｃａｌ ｖａｒｉａｂｌｅｓ
ｆｒｏｍ ｓｐｅｃｔｒａｌ ａｎｄ ｄｉｒｅｃｔｉｏｎａｌ ｒｅｆｌｅｃｔａｎｃｅ ｄａｔａ． Ａｇｒｏｎｏｍｉｅ， ２０００， ２０（１）： ３⁃２２．
［２９］ 　 Ｃｏｍｂａｌ Ｂ， Ｂａｒｅｔ Ｆ， Ｗｅｉｓｓ Ｍ， Ｔｒｕｂｕｉｌ Ａ， Ｍａｃé Ｄ， Ｐｒａｇｎèｒｅ Ａ， Ｍｙｎｅｎｉ Ｒ， Ｋｎｙａｚｉｋｈｉｎ Ｙ， Ｗａｎｇ Ｌ． Ｒｅｔｒｉｅｖａｌ ｏｆ ｃａｎｏｐｙ ｂｉｏｐｈｙｓｉｃａｌ ｖａｒｉａｂｌｅ ｆｒｏｍ
ｂｉｄｉｒｅｃｔｉｏｎａｌ ｒｅｆｌｅｃｔａｎｃｅ： Ｕｓｉｎｇ ｐｒｉｏｒ ｉｎｆｏｒｍａｔｉｏｎ ｔｏ ｓｏｌｖｅ ｔｈｅ ｉｌｌ⁃ｐｏｓｅｄ ｉｎｖｅｒｓｅ ｐｒｏｂｌｅｍ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ， ２００３， ８４（１）： １⁃１５．
［３０］ 　 Ｊａｃｏｂ Ｂ Ｇ， Ｍｗａｎｇａｎｇｉ Ｊ Ｍ， Ｍｂｏｇｏ Ｃ Ｍ， Ｎｏｖａｋ Ｒ Ｊ． Ａ ｔａｘｏｎｏｍｙ ｏｆ ｕｎｍｉｘｉｎｇ ａｌｇｏｒｉｔｈｍｓ ｕｓｉｎｇ Ｌｉ⁃Ｓｔｒａｈｌｅｒ ｇｅｏｍｅｔｒｉｃ⁃ｏｐｔｉｃａｌ ｍｏｄｅｌ ａｎｄ ｏｔｈｅｒ
ｓｐｅｃｔｒａｌ ｅｎｄｍｅｍｂｅｒ ｅｘｔｒａｃｔｉｏｎ ｔｅｃｈｎｉｑｕｅｓ ｆｏｒ ｄｅｃｏｍｐｏｓｉｎｇ ａ ＱｕｉｃｋＢｉｒｄ ｖｉｓｉｂｌｅ ａｎｄ ｎｅａｒ ｉｎｆｒａ⁃ｒｅｄ ｐｉｘｅｌ ｏｆ ａｎ Ａｎｏｐｈｅｌｅｓ ａｒａｂｉｅｎｓｉｓ ｈａｂｉｔａｔ． Ｔｈｅ Ｏｐｅｎ
Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｊｏｕｒｎａｌ， ２０１１， ４（１）： １⁃２５．
［３１］ 　 Ｔｏｍｐｋｉｎｓ Ｓ， Ｍｕｓｔａｒｄ Ｊ Ｆ， Ｐｉｅｔｅｒｓ Ｃ Ｍ， Ｆｏｒｓｙｔｈ Ｄ Ｗ． Ｏｐｔｉｍｉｚａｔｉｏｎ ｏｆ ｅｎｄｍｅｍｂｅｒｓ ｆｏｒ ｓｐｅｃｔｒａｌ ｍｉｘｔｕｒｅ ａｎａｌｙｓｉｓ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ，
１９９７， ５９（３）： ４７２⁃４８９．
［３２］ 　 Ｒｉａñｏ Ｄ， Ｃｈｕｖｉｅｃｏ Ｅ， Ｓａｌａｓ Ｊ， Ａｇｕａｄｏ Ｉ． Ａｓｓｅｓｓｍｅｎｔ ｏｆ ｄｉｆｆｅｒｅｎｔ ｔｏｐｏｇｒａｐｈｉｃ ｃｏｒｒｅｃｔｉｏｎｓ ｉｎ ｌａｎｄｓａｔ⁃ＴＭ ｄａｔａ ｆｏｒ ｍａｐｐｉｎｇ ｖｅｇｅｔａｔｉｏｎ ｔｙｐｅｓ． ＩＥＥＥ
Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｇｅｏｓｃｉｅｎｃｅ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２００３， ４１（５）： １０５６⁃１０６１．
［３３］ 　 王新云， 郭艺歌， 过志峰， 覃文汉， 孙国清． 地形因子对森林冠层 ＢＲＦ模拟的影响分析． 遥感信息， ２０１２， ２７（４）： ８２⁃８５．
［３４］ 　 Ｂａｃｏｕｒ Ｃ， Ｊａｃｑｕｅｍｏｕｄ Ｓ， Ｌｅｒｏｙ Ｍ， Ｈａｕｔｅｃｏｅｕｒ Ｏ， Ｗｅｉｓｓ Ｍ， Ｐｒéｖｏｔ Ｌ， Ｂｒｕｇｕｉｅｒ Ｎ， Ｃｈａｕｋｉ Ｈ． Ｒｅｌｉａｂｉｌｉｔｙ ｏｆ ｔｈｅ ｅｓｔｉｍａｔｉｏｎ ｏｆ ｖｅｇｅｔａｔｉｏｎ
ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｂｙ ｉｎｖｅｒｓｉｏｎ ｏｆ ｔｈｒｅｅ ｃａｎｏｐｙ ｒｅｆｌｅｃｔａｎｃｅ ｍｏｄｅｌｓ ｏｎ ａｉｒｂｏｎｅ ＰｏｌＤＥＲ ｄａｔａ． Ａｇｒｏｎｏｍｙ， ２００２， ２２（６）： ５５５⁃５６５．
［３５］ 　 Ｍｅｒｏｎｉ Ｍ， Ｃｏｌｏｍｂｏ Ｒ， Ｐａｎｉｇａｄａ Ｃ． Ｉｎｖｅｒｓｉｏｎ ｏｆ ａ ｒａｄｉａｔｉｖｅ ｔｒａｎｓｆｅｒ ｍｏｄｅｌ ｗｉｔｈ ｈｙｐｅｒｓｐｅｃｔｒａｌ ｏｂｓｅｒｖａｔｉｏｎ ｆｏｒ ＬＡＩ ｍａｐｐｉｎｇ ｉｎ ｐｏｌａｒ ｐｌａｎｔａｔｉｏｎ．
Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ， ２００４， ９２（２）： １９５⁃２０６．
１２１４　 １３期 　 　 　 王新云　 等：基于 ＨＪ１Ｂ和 ＡＬＯＳ ／ ＰＡＬＳＡＲ数据的森林地上生物量遥感估算