基于高分辨率遥感影像的森林地上生物量估算

2013-12-21黄金龙居为民康婷婷

生态学报 2013年20期

黄金龙，居为民，郑光，康婷婷

(南京大学国际地球系统科学研究所，南京 210046)

森林是重要的陆地生态系统，在陆地生物圈层和大气圈层之间的碳循环交换过程中起着重要作用［1］。森林生物量约占全球陆地植被生物量的90%［2］，不仅是森林固碳能力的重要标志，也是评估森林碳收支的重要参数［3］。森林生物量按来源的部位不同可分为根、干、枝和叶生物量。其中，干、枝、叶生物量合称为森林地上生物量［4］。地上生物量是森林生态系统碳汇潜力评估的重要基础，如何快速、准确地获取森林地上生物量信息，成为近年来森林生态系统与全球气候变化研究的关键［5］。

传统的森林地上生物量估算方法以野外实测数据为基础，这种方法精度较高，但通常只能获得观测点上的数据，且劳动强度大、成本高，不利于研究生物量的空间分布和动态变化。遥感技术具有宏观、大面积、动态、快速、可重复等特点，所收集的光谱信息和森林地上生物量具有一定的相关性，已经成为区域森林生物量估算的主要方法［6］。

随着遥感技术的快速发展，多源遥感数据已经被用于各种尺度上的森林生物量估算。光学遥感数据最早被用于森林生物量的估算，Hame等［7］利用AVHRR数据提取NDVI植被指数，结合实地调查的生物量数据，在欧洲以针叶林为主的北方森林地区分别建立针叶林和落叶林生物量估算模型，进行区域生物量的估算。Zheng等［8］结合Landsat7 ETM+数据和野外实测生物量数据估算了美国威斯康辛州确夸美光国家森林的地上生物量，并生成了生物量分布图。黄国胜等［9］以MODIS数据为源数据驱动Dong模型，估测了我国东北地区的森林生物量。已有的利用光学遥感数据进行生物量估算的研究大部分采用的是中低空间分辨率的光学遥感数据，比如AVHRR、MODIS和Landsat TM/ETM等数据［3，5］，存在混合像元和野外实测样方面积与遥感影像像元大小难以匹配等突出问题，结果易存在不确定性。近年来，国内外学者开始借助微波雷达和激光雷达等遥感数据进行地上生物量的估算工作［10-13］。

商用高空间分辨率卫星数据的出现，为人们利用遥感技术研究树冠结构提供了新的数据源［14］。与低空间分辨率遥感影像相比，高空间分辨率遥感影像包含了大量的纹理、形状、位置等空间几何信息，具有细节更加清晰、信息更加丰富等特点。在高空间分辨率遥感影像上，森林中每棵树木的树冠都清晰可辨，纹理和细节信息非常明显，这对于高效而精准地提取森林参数十分有利［15］。利用高空间分辨率卫星数据提取森林参数，国外已经进行了很多年的研究，取得了很多重要成果，而国内目前仍处于起步阶段［16］。Hay等［17］针对高分辨率遥感影像提出了一种面向对象的多尺度分割方法，并通过实验表明该方法用于高分影像的树冠及林分信息的提取能够取得较好的效果。Read等［18］认为可利用高空间分辨率数据提取树冠大小进行生物量估算，他们利用IKONOS影像得到的树冠面积与胸径存在明显的相关性(R2=0.84)。大量研究都已证明胸径或生物量与树冠大小有密切的关系［19-20］。因此，用单木树冠自动提取方法得到的树冠直径或面积结合各种模型推算树木胸径和森林生物量是一个便捷可行的选择［21］。目前国内在这方面的研究主要是利用高分辨率卫星数据提取森林参数［22-23］，而应用高空间分辨率数据进行森林地上生物量估算的研究还有待加强和深入。

在利用高分辨率遥感数据提取树冠大小进行生物量估算时会遇到这样的挑战，森林中树冠相互重叠的现象，利用现有的高分辨率遥感数据提取的不是树冠的真实冠幅，而是没有被遮挡的阳性冠幅(PoCA)。近年来，国内已有不少学者对PoCA的定义和应用进行了探讨［24-26］。阳性冠是指四周与林木接触点最高处枝条基部以上的树冠部分，阳性冠的冠幅大小即称作PoCA。通俗地说，阳性冠幅就是林分中单株林木垂直投影且不与其它林木重叠的那一部分冠幅［25］。Ren等［27］认为，阳性冠幅部分光合效率最高，是树木体内光合有机产物的主要来源，而下部的枝条净光合效率低，对树木机体生长贡献很小。因此，PoCA的大小真实体现了单株林木的营养空间，用其研究林分密度是最合适的［26］，从而可以应用于生物量的估算。

本文旨在发展一种利用高空间分辨率光学遥感数据估算森林地上生物量的方法，即利用高空间分辨率遥感影像，提取单木的PoCA，结合野外实测生物量数据，建立研究区内森林AGB的遥感估算模型，并对模型可靠性进行验证，以期为利用高分辨遥感数据估算森林生物量提供参考。

1 研究资料与研究方法

本研究的基本思路是在对IKONOS高分辨率遥感影像进行预处理的基础上，利用面向对象的分类软件e-Cognition对影像进行多尺度分割以及面向对象分析，提取出单木树冠的轮廓信息，然后结合野外实测生物量数据建立样地水平的阳性冠幅与地上生物量的回归模型，进行森林生物量的估算，技术流程图见图1。由于IKONOS遥感影像太阳天顶角(8°)较小，可以将该景影像近似认为垂直投影成像，因此所提取的树冠可认为是阳性冠幅。

图1 研究技术流程图Fig.1 Flow chart of this study

1.1 研究区概况

本研究于南京市紫金山林区进行，紫金山位于江苏省南京市东部，地理位置为118°48'24″—118°53'04″E，32°01'57″—32°16'15″N(图2)，属亚热带向暖温带过渡地带，四季分明，光能资源充足，年平均气温为15.7 ℃，年降水量平均为1106 mm，全年无霜期达237 d。总面积3008.8 hm2，其中森林面积有2107.6 hm2，森林郁闭度为0.75—0.80，最高峰海拔448.9 m，是宁镇山脉的最高峰。降水量丰富，年平均降雨117 d，降雨量1021 mm左右，6月下旬到7月中旬的梅雨季节，有较长的阴沉多雨天气，夏季和秋季有西太平洋台风带来的大量雨水。夏季主导风向为东南、东风，冬季主导风向为东北、东风。土壤为黄棕壤和黄褐土类。目前紫金山植被的主要为人工林和天然恢复的次生林，各类植物资源比较丰富，乔木、灌木、藤本、草本共113科600种以上，各类树种所占比例为:40%的栎类、枫香树，21%的马尾松、黑松、火炬松、湿地松，32%的其他阔叶树，4%的刺槐，1.5%的毛竹，其他树种1.5%。

1.2 野外观测数据采集与处理

为了获得实测生物量数据，于2011年11月在研究区进行了地面样地调查。按不同立地条件、林型选取有代表性的标准样地，最终设置了25 m×25 m的标准样地41个(26个阔叶林样地、15个针叶林样地)。研究区内阔叶主要为麻栎和枫香，针叶主要为马尾松和黑松，所选样地基本包括了所有优势树种。对每个样地分别进行立地环境调查和每木检尺调查，记录胸径大于6 cm的每棵树的胸径，在每个样地中选取3棵标准木观测树高和真实冠幅，同时记录每个样地的坡度、坡向、海拔和和中心位置等信息。

利用同时观测的树高和胸径数据，建立由胸径估算树高的模型，得到样地中每棵树的高度，再利用生物量方程计算单木生物量，使用的优势树种的生物量方程见表1。

1.3 遥感数据的获取与预处理

本研究采用的是2009年6月18日获取的南京市IKONOS遥感影像，数据包括一个空间分辨率为1 m的全色波段和四个空间分辨率为4 m的多光谱波段(蓝色:0.45—0.52 μm;绿色:0.51—0.60 μm;红色:0.63—0.70 μm;近红外:0.76—0.85 μm;全色:0.45—0.90μm)。影像数据质量很好，太阳天顶角为8°，没有云覆盖。

图2 研究区示意图Fig.2 Location of the study area

表1 各优势树种生物量估算方程Table 1 Allometric biomass equations of dominant species

对原始影像进行了几何和辐射校正，首先利用野外采集的研究区内17个控制点对影像进行几何精校正，校正误差控制在半个像元以内，采用二阶双线性内插法进行重采样，再完成全色波段和多光谱波段的相对配准。再采用ENVI 4.7软件对IKONOS数据进行辐射定标，消除传感器本身产生的误差;接着利用FLAASH模块进行IKONOS数据的大气校正，从而消除大气的影响，得到地表反射率数据。

为了更好地利用IKONOS数据的高空间分辨率和光谱信息，对该影像数据进行了融合处理。目前有多种方法可以应用于IKONOS影像的融合［35-37］，本研究分别采用了PC变换法、Brovey变换法和Gram-schmidt变换法对IKONOS全色和多光谱影像进行了融合处理，得到空间分辨率为1m的融合影像。通过目视比较和分析融合前后NDVI值的变化，发现采用Brovey变换法得到的融合影像效果最好(图3)。因此，采用该方法融合生成的数据进行后续处理和计算。

图3 原始影像(左)和用Brovey方法融合后的影像(右)(2、4、3波段合成)Fig.3 Comparison of the original image(left)and the image after fusion using the Brovey method(right)(Composition of bands 2，4，and 3)

1.4 单木树冠轮廓提取

目前常用的单木树冠提取方法有局部最大值法、模版匹配法、种子区域生长法、分水岭分割法、谷地跟踪法和多尺度分割法［21］。其中，多尺度分割法是一种从单像素对象开始的自下而上的区域合并技术，随后根据光谱同质性将小的对象与邻近像元合并为大的对象。分割尺度和同质性因子是影像分割的两个重要参数，其中影像分割尺度是一个表征多边形对象异质性最小的阈值，与空间分辨率是两个不同的概念，前者决定了生成的最小多边形的大小，分割尺度值越大，生成的影像对象多边形面积越大而数目越少。均质性因子包括颜色(光谱)和形状两个属性因子，其中形状因子又包括光滑度和紧致度两个因子。大多数情况下，光谱因子是生成对象最重要的因子，而形状因子则可以避免影像对象过于破碎，进行多尺度分割时，形状参数与颜色参数是相对的，这两个参数值之和为1，形状参数设置的值越大，颜色(光谱)在分割时的权重相应就小。本研究采用eCognition软件的多尺度分割功能，对遥感影像进行图像分割处理。为找到最佳的分割尺度参数，分别将分割尺度设置为1、2、3、4、5、8和10进行试验，通过对分割结果分析对比发现，分割尺度设置为2时，分割效果最好。在分割过程中，还需要设置颜色因子，形状因子，光滑度参数和紧致度参数。在本研究中选择Shape因子为 0.5，Compactness为 0.7，则 Color因子为 0.5，Smoothness为 0.3。部分影像的分割结果如图 4 所示。

图4 部分影像的分割结果(2、4、3波段合成)Fig.4 Part of the segmented image composed of bands 2，4 and 3

1.5 面向对象分类

面向对象的遥感影像分类方法是针对高分辨率影像应用而兴起的一种新的遥感分类技术，分类时不仅依靠地物的光谱特性，而且根据像元的形状、纹理等几何特征和结构信息，把具有相同特征的像元组成一个对象，然后根据每一个对象的特征进行分类。因此，可以有效地克服基于像元层次分类的不足。影像分割完成后，影像的基本单元由单个像元上升到许多同质像元组成的多边形对象，每个多边形对象可计算出所包含像元的平均光谱信息以及多边形的形状信息、纹理信息、位置信息和多边形间的拓扑关系等属性。分类规则的建立可以充分地利用对象所提供的各种信息进行组合，以提取具体的地物。

在分类时，特征参数值的选取比较困难，通常需要基于先验知识，反复尝试，操作繁琐且分类效果难以理想［38］。本研究中使用了智能数据分析软件 See5［39］，它是一个通过分析和快速训练样本，并以决策树和规律集的形式来生成分类器的程序。使用eCognition在研究区内均匀地选择各类地物的样本进行训练，经过See5的聚类分析后，得到了各种地物类别的分类特征集(图5)，从而在eCognition中建立分类规则进行分类(文中分别选取了亮度、绿光波段光谱值、红光波段光谱值、近红外波段光谱值和NDVI等的均值作为多边形对象的特征信息)。为了保证分类规则的精度，在使用See5软件训练样本时要保证所选样本误差尽可能的小(≤3%)。

为了消除非植被的影响，首先选取了一个分割尺度(分割尺度为 4，Shape 为 0.5，Compactness为 0.7，则 Color为 0.5，Smoothness为 0.3)进行植被的提取，得到植被分布图，然后选择一个最佳尺度 (分割尺度为2，Shape 为0.5，Compactness为0.7，则 Color为0.5，Smoothness为0.3)对植被区进行分割，得到树冠阳性冠幅对象，再对阳性冠幅对象进行面向对象分类。由于在研究区内绝大部分植被是森林，因此将地物最终分为非植被、针叶林和阔叶林。分类完成后将分类结果导出成shp文件，在ArcGIS软件中转成img格式文件，导入到ERDAS软件中进行分类精度评价。得到满意分类精度后，计算样地水平的阳性冠幅面积。

1.6 地上生物量估算模型的建立与验证

回归模型常常被用来建立生物量与各种实测树木生物物理参数(胸径、树高、冠幅等)之间的相关关系，回归方程是地上生物量估算中常用的统计方法［40］。研究中将样地观测数据按60%和40%比例随机选取，分为用于模型建立和验证。在建立模型时，以样地的总PoCA为自变量、AGB为因变量，建立线性和非线性(指数和对数等)模型，以模拟的AGB与观测数据比较的R2为指标选择模型。

2 结果与分析

2.1 分类精度评价及PoCA提取结果

对非植被、针叶林和阔叶林的分类精度评价在ERDAS软件中进行，利用其精度评价模块，在研究区遥感影像上随机选取256个样点，生成误差矩阵。由分类精度评价结果(表2)看出，除了针叶林的生产者精度偏低外，其他所有分类精度都达到80%以上，总体精度为83.20%，Kappa系数为0.7370，分类精度较高。

图6是提取的部分研究区的PoCA分布图，可以发现针叶林和阔叶林的单木PoCA都存在明显的空间变化，具有较大PoCA的单木分布相对分散，而具有较小PoCA的单木分布相对集中。表3给出了每个样地的实测生物量和阳性冠幅面积。在41个样方中，AGB的变化范围为4.57—29.21 kg/m2，其中针叶林样方的AGB平均值为12.51 kg/m2，阔叶林样方的 AGB平均值为 16.61 kg/m2。提取的 PoCA的变化范围为 0.64—41.6 m2，其中针叶林样方的PoCA平均值为11.32 m2，阔叶林样方的PoCA平均值为12.78 m2。

图5 利用see5软件训练得到的分类规则(括号中的数值为训练样本数)Fig.5 Classification rule constructed by using the See5 program(Values in brackets represent the number of training samples)

表2 面向对象分类精度评价Table 2 Accuracy evaluation of Object-oriented classification

图6 部分研究区阳性冠幅提取结果图Fig.6 PoCA extraction results for part of the study area

2.2 基于PoCA的地上生物量估算模型

通过回归分析发现，样地水平的PoCA与AGB之间呈较好的相关关系，建立针叶林和阔叶林的AGB估算模型分别为 AGB=10.148PoCA1.051和 AGB=3.0836PoCA1.245。模型估算的针叶林和阔叶林 AGB 与观测数据比较的R2分别为0.62(P＜0.01，n=9)和0.56(P＜0.01，n=16)。模型验证结果表明，所建AGB估算模型的可靠性较高，估算的针叶林和阔叶林AGB与观测数据比较的R2分别为0.55(P＜0.01，n=5)和0.52(0.01，n=10)。但地上生物量较低时，模型结果偏高;而当地上生物量较高时，模型结果偏低。所建针叶林AGB估算模型优于阔叶林模型，这与树冠结构特征有关，针叶树冠形状较为规则，一般呈伞状，树木相互之间的重叠较少，

利用遥感数据提取的树冠轮廓精度较高，提取得到的PoCA基本近似于真实的树冠面积。而阔叶树的树冠很不规则，当林分郁闭度较高时树冠之间的重叠现象比较严重，导致自动提取的阔叶树PoCA与真实的树冠面积差别较大，估算的AGB误差较大(图7)。

表3 样方生物量和提取的阳性冠幅面积统计Table 3 Statistical field measured AGB and extracted PoCA of every sample plot

图7 基于PoCA的AGB估算模型和模型验证结果Fig.7 Empirical models for estimating AGB of conifer and broadleaf forests based on PoCA and validation of modeled AGB for conifer and broadleaf forests

最终，根据建立的生物量估算模型，进行森林地上生物量制图，生成了研究区内森林地上生物量空间分布图(图8)。从图8可以看出，单木的AGB存在明显的空间变化特征，单木的AGB主要集中在0—400 kg之内，其空间分布相对集中;AGB介于400—700 kg之间的单木数量较少，空间分布相对分散;而AGB高于700 kg的单木数目很少，空间分布很零散。

3 结论与讨论

本研究基于冠层冠幅可以估算AGB，而阳性冠幅与冠层冠幅相关的事实，采用面向对象的图像分析方法，从融合的IKONOS影像中提取单木的阳性冠幅，用于估算生物量。结果表明，在经过充分训练后面向对象的分析方法应用于单木PoCA的提取具有较高精度(总体精度为83.20%，Kappa系数为0.7370)，在样地尺度，PoCA与AGB之间具有较好的相关性，基于PoCA建立的针叶林和阔叶林AGB估算模型的R2分别达到了0.62(P＜0.01，n=9)和 0.56(P＜0.01，n=16)，模型验证也表明，所建模型具有较好的可靠性。从而说明，通过高分辨率遥感数据提取PoCA进行森林地上生物量的是可行性的。同时，针叶林PoCA与AGB之间的相关性优于阔叶林，表明这一方法更适用于针叶林地上生物量的遥感估算。

但是，本研究尚存在一些不足，需要进一步深入研究。

由于树冠之间的重叠，使得进行图像分割时分割尺度的选择存在一定的困难，分割尺度设置过小时会发生过度分割现象，而分割尺度设置过大时则会导致欠分割的问题。本研究采取尺度分割试验的方法确定该参数，具有一定的主观性。随着激光雷达的不断发展，今后可以考虑加入激光雷达数据，结合其高度信息，提高树冠分割精度。

图8 部分研究区地上生物量分布图Fig.8 AGB map for part of the study area

图像分割是高分辨率遥感图像进行面向对象分析的前提和基础，图像分割结果的质量直接影响后续处理的精度，但是，目前还缺乏统一可靠的图像分割精度评价标准。因此，如何建立统一可靠的图像分割精度评价标准将是今后需要进一步研究的问题。

由于IKONOS数据的全色波段空间分辨率实际可达到81 cm，理论上大于81 cm的单木树冠都可以通过相关的图像分析方法从影像上提取出来，由于卫星扫描姿态偏移以及太阳天顶角偏大等因素，图像上会存在地物阴影，影响树冠提取精度。本研究所采用的影像数据太阳天顶角较小，所以没有考虑阴影的影响。

在进行样地AGB计算时，使用的是文献中发表的生物量计算方程，其建模使用数据的样地条件与本研究的样地存在一定的差异，会导致AGB的计算结果的一定误差，从而在一定程度上影响到AGB估算模型的精度评价结果。加之由于观测条件的限制，野外观测数据样本数相对偏少，对提取的PoCA无法进行有效验证等缺陷。所以，本文所建立模型的适用性还有待进一步的验证。

冠幅与AGB之间关系随树种和森林年龄变化，由于植被冠层光谱的相似性，要从影像上对每一种树种进行分类在现研究阶段还很困难，本研究中只分为针叶林和阔叶林两大类，分别进行建模，也没有考虑森林年龄的作用。

［1］Houghton R A.Aboveground forest biomass and the global carbon balance.Global Change Biology，2005，11(6):945-958.

［2］Winjum J K，Dixon R K，Schroeder P E.Forest management and carbon storage:An analysis of 12 key forest nations.Water，Air，and Soil Pollution，1993，70(1/4):239-257.

［3］Xu X L，Cao M K.An analysis of the applications of remote sensing method to the forest biomass estimation.Geo-Information Science，2006，8(4):122-128.

［4］Lou X T，Zeng Y，Wu B F.Advances in the estimation of above-ground biomass of forest using remote sensing.Remote Sensing for Land and Resources，2011，23(1):1-8.

［5］Tang X G，Liu DW，Wang Z M，Jia M M，Dong Z Y，Liu JY，Xu WM.Estimation of forest aboveground biomass based on remote sensing data:A review.Chinese Journal of Ecology，2012，31(5):1311-1318.

［6］Li D R，Wang C W，Hu Y M，Liu SG.General review on remote sensing-based biomass estimation.Geomatics and Information Science of Wuhan University，2012，37(6):631-635.

［7］Hame T，Salli A，Andersson K，Lohi A.A new methodology for the estimation of biomass of conifer-dominated boreal forest using NOAA AVHRR data.International Journal of Remote Sensing，1997，18(15):3211-3243.

［8］Zheng D L，Rademacherb J，Chena JQ，Crow T，Bresee M，Moine J L，Ryu S R.Estimating aboveground biomass using landsat7 ETM+data across a managed landscape in Northern Wisconsin，USA.Remote Sensing of Environment，2004，93(3):402-411.

［9］Huang G S，Xia C Z.MODIS-based estimation of forest biomass in Northeast China.Forest Resources Management，2005，(4):40-44.

［10］Solberg S，Astrup R，Gobakken T，Nasset E，Weydahl D J.Estimating spruce and pine biomass with interferometric X-band SAR.Remote Sensing of Environment，2010，114(10):2353-2360.

［11］Yu Y，Fan W Y，Li M Z，Yang X G.Estimation of forest tree heights and biomass from GLASdata.Scientia Silvae Sinicae，2010，46(9):84-87.

［12］Clark M L，Roberts D A，Ewel JJ，Clark D B.Estimation of tropical rain forest aboveground biomass with small-footprint lidar and hyperspectral sensors.Remote Sensing of Environment，2011，115(11):2931-2942.

［13］Song Q，Fan W Y.ALOSPALSAR estimation of vegetation biomass in Daxing'anling region.Chinese Journal of Applied Ecology，2011，22(2):303-308.

［14］Qin X L，Li Z Y，Yi H R.Extraction method of tree crown using high-resolution satellite image.Remote Sensing Technology and Application，2005，20(2):228-232.

［15］Liu X S，Huang J W，Ju H B.Study on extraction of forest parameters by high spatial resolution remote sensing.Forest Resources Management，2009，4(2):111-117.

［16］Cui S W.Study on Individual Tree Crown Extraction based on High Resolution Remote Sensing［D］.Heilongjiang:Northeast Forestry University，2011.

［17］Hay G J，Castilla G，Wulder M A，Ruiz J R.An automated object-based approach for the multiscale image segmentation of forest scenes.International Journal of Applied Earth Observation and Geoinformation，2005，7(4):339-359.

［18］Read JM，Clark D B，Venticinque E M，Moreira M P.Application of merged 1-m and 4-m resolution satellite data to research and management in tropical forests.Journal of Applied Ecology，2003，40(3):592-600.

［19］Shimano K.Analysis of the relationship between DBH and crown projection area using a new model.Journal of Forest Research，1997，2(4):237-242.

［20］Hemery G E，Savill P S，Pryor SN.Applications of the crown diameter-stem diameter relationship for different species of broadleaved trees.Forest Ecology Management，2005，215(1/3):285-294.

［21］Liu X S，Huang J W，Ju H B.Research progress in the methods and applications of individual tree crown's automatic extraction by high spatial resolution remote sensing.Journal of Zhejiang Forestry College，2010，27(1):126-133.

［22］Huang J W，Chen Y F，Ju H B.Study on tree crown extraction from QuickBird imagery based on object oriented approach in the project of converting cropland to forest.Scientia Silvae Sinicae，2006，42(z1):68-71.

［23］Wang R W，Peng D L，Wu T，Xu D.Study on tree-crown extraction from QuickBird data based on object-oriented method.Chinese Agricultural Science Bulletin，2010，26(15):128-134.

［24］Wang D S，Song X M.A new singe-tree competition measure-relative effective crown ratio.Forest Research，1994，7(3):337-341.

［25］Zhu X Q.Relationship between crown size and tree diameter breast height of pinus sylvestris var mongovica.Hebei Journal of Forestry and Orchard Research，2001，16(2):124-124.

［26］Shi M Z，Zhang F D.Studies on relationship between crown size and tree diameter at breast height of 107 Populus.Journal of Fujian Science and Technology，2005，32(4):97-98.

［27］Ren X B，Wang X T，Tadaki T，Shimizu K.Theoretical study of coexistence of ordering and spinodal decomposition.Science in China(Series E)，1996，39(4):412-423.

［28］Feng Z W，Chen CY，Zhang JW，Wang K P，Zhao JL，Gao H.Determination of Biomass of Pinusmassoniana stand in Huitong county，Hunan province.Scientia Silvae Sinicae，1982，18(2):127-134.

［29］Zhang X D，Wu Z M，Peng Z H.Mathematical models of the Biomass structure of Pinus Thunbergii plantation.Journal of Biomathematics，1994，9(5):60-65.

［30］Ye JZ，Jiang Z L.A study on the above ground Biomass of Chinese fir forest in a hilly region of southern Jiangsu.Journal of Nanjing Forestry University，1982，(3):109-115.

［31］Xu J H，Wang M L，Huang Q F，Gong SF.Study on aboveground biomass model of natural individual trees of Quercus acutissima.Anhui Forestry Science and Technology，2011，37(4):3-6.

［32］Qian G Q.Studies on the dynamic change of the net production quantity of Liquidambar formosana Plantation.Acta Agriculturae Universitis Jiangxiensis，2000，22(3):399-404.

［33］Zhang B L，Chen CG.Biomass and production of Robinia pseudoacacia plantation in Hongxing Tree Farm of Changwu county，Shaanxi Province.Shaanxi Forest Science and Technology，1992，(3):13-17.

［34］Wang Z，Han Y J，Kang H Z，Huang D，Xue CY，Yin S，Liu CJ.Carbon storage of main tree species plantations for water resources conversation in upper reaches of Huangpu River，Shanghai.Chinese Journal of Ecology，2012，31(8):1930-1935.

［35］Weng Y L，Tian Q J，Hui F M.Research on the fusion effects of IKONOShigh-resolution remote sensing image.Journal of Southeast University:Natural Science Edition，2004，34(2):274-277.

［36］Song G X，Pan JJ，Zhu WJ.Study on optimum fusion technology of IKONOSimage.Science of Surveying and Mapping，2009，34(2):106-108.

［37］Wang Z W，Liu SX，Chen X D.An automatic method of simulating low resolution panchromatic image in IKONOS image fusion.Geomatics and Information Science of Wuhan University，2010，35(11):1283-1287.

［38］Xing B L.The effects of land cover change on net primary productivity of terrestrial ecosystems in Nanjing City［D］.Nanjing:Nanjing University，2012.

［39］Liang K，Chang L Q.A study of construction and classification of decision tree classifiersbased on See5.0 Algorithm.Mine Surveying，2009，(2):41-43.

［40］Lu D S.The potential and challenge of remote sensing-based biomass estimation.International Journal of Remote Sensing，2006，27(7):1297-1328.

参考文献:

［3］徐新良，曹明奎.森林生物量遥感估算与应用分析.地球信息科学，2006，8(4):122-128.

［4］娄雪婷，曾源，吴炳方.森林地上生物量遥感估测研究进展.国土资源遥感，2011，23(1):1-8.

［5］汤旭光，刘殿伟，王宗明，贾明明，董张玉，刘婧怡，徐文明.森林地上生物量遥感估算研究进展.生态学杂志，2012，31(5):1311-1318.

［6］李德仁，王长委，胡月明，刘曙光.遥感技术估算森林生物量的研究进展.武汉大学学报:信息科学版，2012，37(6):631-635.

［9］黄国胜，夏朝宗.基于MODIS的东北地区森林生物量研究.林业资源管理，2005，(4):40-44.

［11］于颖，范文义，李明泽，杨曦光.利用大光斑激光雷达数据估测树高和生物量.林业科学，2010，46(9):84-87.

［13］宋茜，范文义.大兴安岭植被生物量的ALOSPALSAR估算.应用生态学报，2011，22(2):303-308.

［14］覃先林，李增元，易浩若.高空间分辨率卫星遥感影像树冠信息提取方法研究.遥感技术与应用，2005，20(2):228-232.

［15］刘晓双，黄建文，鞠洪波.高空间分辨率遥感森林参数提取探讨.林业资源管理，2009，4(2):111-117.