黃金龍，居為民，鄭 光，康婷婷

(南京大學國際地球系統(tǒng)科學研究所，南京 210046)

森林是重要的陸地生態(tài)系統(tǒng)，在陸地生物圈層和大氣圈層之間的碳循環(huán)交換過程中起著重要作用［1］。森林生物量約占全球陸地植被生物量的90%［2］，不僅是森林固碳能力的重要標志，也是評估森林碳收支的重要參數(shù)［3］。森林生物量按來源的部位不同可分為根、干、枝和葉生物量。其中，干、枝、葉生物量合稱為森林地上生物量［4］。地上生物量是森林生態(tài)系統(tǒng)碳匯潛力評估的重要基礎，如何快速、準確地獲取森林地上生物量信息，成為近年來森林生態(tài)系統(tǒng)與全球氣候變化研究的關鍵［5］。

傳統(tǒng)的森林地上生物量估算方法以野外實測數(shù)據(jù)為基礎，這種方法精度較高，但通常只能獲得觀測點上的數(shù)據(jù)，且勞動強度大、成本高，不利于研究生物量的空間分布和動態(tài)變化。遙感技術具有宏觀、大面積、動態(tài)、快速、可重復等特點，所收集的光譜信息和森林地上生物量具有一定的相關性，已經(jīng)成為區(qū)域森林生物量估算的主要方法［6］。

隨著遙感技術的快速發(fā)展，多源遙感數(shù)據(jù)已經(jīng)被用于各種尺度上的森林生物量估算。光學遙感數(shù)據(jù)最早被用于森林生物量的估算，Hame等［7］利用AVHRR數(shù)據(jù)提取NDVI植被指數(shù)，結合實地調查的生物量數(shù)據(jù)，在歐洲以針葉林為主的北方森林地區(qū)分別建立針葉林和落葉林生物量估算模型，進行區(qū)域生物量的估算。Zheng等［8］結合Landsat7 ETM+數(shù)據(jù)和野外實測生物量數(shù)據(jù)估算了美國威斯康辛州確夸美光國家森林的地上生物量，并生成了生物量分布圖。黃國勝等［9］以MODIS數(shù)據(jù)為源數(shù)據(jù)驅動Dong模型，估測了我國東北地區(qū)的森林生物量。已有的利用光學遙感數(shù)據(jù)進行生物量估算的研究大部分采用的是中低空間分辨率的光學遙感數(shù)據(jù)，比如AVHRR、MODIS和Landsat TM/ETM等數(shù)據(jù)［3，5］，存在混合像元和野外實測樣方面積與遙感影像像元大小難以匹配等突出問題，結果易存在不確定性。近年來，國內外學者開始借助微波雷達和激光雷達等遙感數(shù)據(jù)進行地上生物量的估算工作［10-13］。

商用高空間分辨率衛(wèi)星數(shù)據(jù)的出現(xiàn)，為人們利用遙感技術研究樹冠結構提供了新的數(shù)據(jù)源［14］。與低空間分辨率遙感影像相比，高空間分辨率遙感影像包含了大量的紋理、形狀、位置等空間幾何信息，具有細節(jié)更加清晰、信息更加豐富等特點。在高空間分辨率遙感影像上，森林中每棵樹木的樹冠都清晰可辨，紋理和細節(jié)信息非常明顯，這對于高效而精準地提取森林參數(shù)十分有利［15］。利用高空間分辨率衛(wèi)星數(shù)據(jù)提取森林參數(shù)，國外已經(jīng)進行了很多年的研究，取得了很多重要成果，而國內目前仍處于起步階段［16］。Hay等［17］針對高分辨率遙感影像提出了一種面向對象的多尺度分割方法，并通過實驗表明該方法用于高分影像的樹冠及林分信息的提取能夠取得較好的效果。Read等［18］認為可利用高空間分辨率數(shù)據(jù)提取樹冠大小進行生物量估算，他們利用IKONOS影像得到的樹冠面積與胸徑存在明顯的相關性(R2=0.84)。大量研究都已證明胸徑或生物量與樹冠大小有密切的關系［19-20］。因此，用單木樹冠自動提取方法得到的樹冠直徑或面積結合各種模型推算樹木胸徑和森林生物量是一個便捷可行的選擇［21］。目前國內在這方面的研究主要是利用高分辨率衛(wèi)星數(shù)據(jù)提取森林參數(shù)［22-23］，而應用高空間分辨率數(shù)據(jù)進行森林地上生物量估算的研究還有待加強和深入。

在利用高分辨率遙感數(shù)據(jù)提取樹冠大小進行生物量估算時會遇到這樣的挑戰(zhàn)，森林中樹冠相互重疊的現(xiàn)象，利用現(xiàn)有的高分辨率遙感數(shù)據(jù)提取的不是樹冠的真實冠幅，而是沒有被遮擋的陽性冠幅(PoCA)。近年來，國內已有不少學者對PoCA的定義和應用進行了探討［24-26］。陽性冠是指四周與林木接觸點最高處枝條基部以上的樹冠部分，陽性冠的冠幅大小即稱作PoCA。通俗地說，陽性冠幅就是林分中單株林木垂直投影且不與其它林木重疊的那一部分冠幅［25］。Ren等［27］認為，陽性冠幅部分光合效率最高，是樹木體內光合有機產(chǎn)物的主要來源，而下部的枝條凈光合效率低，對樹木機體生長貢獻很小。因此，PoCA的大小真實體現(xiàn)了單株林木的營養(yǎng)空間，用其研究林分密度是最合適的［26］，從而可以應用于生物量的估算。

本文旨在發(fā)展一種利用高空間分辨率光學遙感數(shù)據(jù)估算森林地上生物量的方法，即利用高空間分辨率遙感影像，提取單木的PoCA，結合野外實測生物量數(shù)據(jù)，建立研究區(qū)內森林AGB的遙感估算模型，并對模型可靠性進行驗證，以期為利用高分辨遙感數(shù)據(jù)估算森林生物量提供參考。

1 研究資料與研究方法

本研究的基本思路是在對IKONOS高分辨率遙感影像進行預處理的基礎上，利用面向對象的分類軟件e-Cognition對影像進行多尺度分割以及面向對象分析，提取出單木樹冠的輪廓信息，然后結合野外實測生物量數(shù)據(jù)建立樣地水平的陽性冠幅與地上生物量的回歸模型，進行森林生物量的估算，技術流程圖見圖1。由于IKONOS遙感影像太陽天頂角(8°)較小，可以將該景影像近似認為垂直投影成像，因此所提取的樹冠可認為是陽性冠幅。

圖1 研究技術流程圖Fig.1 Flow chart of this study

1.1 研究區(qū)概況

本研究于南京市紫金山林區(qū)進行，紫金山位于江蘇省南京市東部，地理位置為118°48'24″—118°53'04″E，32°01'57″—32°16'15″N(圖2)，屬亞熱帶向暖溫帶過渡地帶，四季分明，光能資源充足，年平均氣溫為15.7 ℃，年降水量平均為1106 mm，全年無霜期達237 d?？偯娣e3008.8 hm2，其中森林面積有2107.6 hm2，森林郁閉度為0.75—0.80，最高峰海拔448.9 m，是寧鎮(zhèn)山脈的最高峰。降水量豐富，年平均降雨117 d，降雨量1021 mm左右，6月下旬到7月中旬的梅雨季節(jié)，有較長的陰沉多雨天氣，夏季和秋季有西太平洋臺風帶來的大量雨水。夏季主導風向為東南、東風，冬季主導風向為東北、東風。土壤為黃棕壤和黃褐土類。目前紫金山植被的主要為人工林和天然恢復的次生林，各類植物資源比較豐富，喬木、灌木、藤本、草本共113科600種以上，各類樹種所占比例為:40%的櫟類、楓香樹，21%的馬尾松、黑松、火炬松、濕地松，32%的其他闊葉樹，4%的刺槐，1.5%的毛竹，其他樹種1.5%。

1.2 野外觀測數(shù)據(jù)采集與處理

為了獲得實測生物量數(shù)據(jù)，于2011年11月在研究區(qū)進行了地面樣地調查。按不同立地條件、林型選取有代表性的標準樣地，最終設置了25 m×25 m的標準樣地41個(26個闊葉林樣地、15個針葉林樣地)。研究區(qū)內闊葉主要為麻櫟和楓香，針葉主要為馬尾松和黑松，所選樣地基本包括了所有優(yōu)勢樹種。對每個樣地分別進行立地環(huán)境調查和每木檢尺調查，記錄胸徑大于6 cm的每棵樹的胸徑，在每個樣地中選取3棵標準木觀測樹高和真實冠幅，同時記錄每個樣地的坡度、坡向、海拔和和中心位置等信息。

利用同時觀測的樹高和胸徑數(shù)據(jù)，建立由胸徑估算樹高的模型，得到樣地中每棵樹的高度，再利用生物量方程計算單木生物量，使用的優(yōu)勢樹種的生物量方程見表1。

1.3 遙感數(shù)據(jù)的獲取與預處理

本研究采用的是2009年6月18日獲取的南京市IKONOS遙感影像，數(shù)據(jù)包括一個空間分辨率為1 m的全色波段和四個空間分辨率為4 m的多光譜波段(藍色:0.45—0.52 μm;綠色:0.51—0.60 μm;紅色:0.63—0.70 μm;近 紅 外:0.76—0.85 μm;全 色:0.45—0.90μm)。影像數(shù)據(jù)質量很好，太陽天頂角為8°，沒有云覆蓋。

圖2 研究區(qū)示意圖Fig.2 Location of the study area

表1 各優(yōu)勢樹種生物量估算方程Table 1 Allometric biomass equations of dominant species

對原始影像進行了幾何和輻射校正，首先利用野外采集的研究區(qū)內17個控制點對影像進行幾何精校正，校正誤差控制在半個像元以內，采用二階雙線性內插法進行重采樣，再完成全色波段和多光譜波段的相對配準。再采用ENVI 4.7軟件對IKONOS數(shù)據(jù)進行輻射定標，消除傳感器本身產(chǎn)生的誤差;接著利用FLAASH模塊進行IKONOS數(shù)據(jù)的大氣校正，從而消除大氣的影響，得到地表反射率數(shù)據(jù)。

為了更好地利用IKONOS數(shù)據(jù)的高空間分辨率和光譜信息，對該影像數(shù)據(jù)進行了融合處理。目前有多種方法可以應用于IKONOS影像的融合［35-37］，本研究分別采用了PC變換法、Brovey變換法和Gram-schmidt變換法對IKONOS全色和多光譜影像進行了融合處理，得到空間分辨率為1m的融合影像。通過目視比較和分析融合前后NDVI值的變化，發(fā)現(xiàn)采用Brovey變換法得到的融合影像效果最好(圖3)。因此，采用該方法融合生成的數(shù)據(jù)進行后續(xù)處理和計算。

圖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 單木樹冠輪廓提取

目前常用的單木樹冠提取方法有局部最大值法、模版匹配法、種子區(qū)域生長法、分水嶺分割法、谷地跟蹤法和多尺度分割法［21］。其中，多尺度分割法是一種從單像素對象開始的自下而上的區(qū)域合并技術，隨后根據(jù)光譜同質性將小的對象與鄰近像元合并為大的對象。分割尺度和同質性因子是影像分割的兩個重要參數(shù)，其中影像分割尺度是一個表征多邊形對象異質性最小的閾值，與空間分辨率是兩個不同的概念，前者決定了生成的最小多邊形的大小，分割尺度值越大，生成的影像對象多邊形面積越大而數(shù)目越少。均質性因子包括顏色(光譜)和形狀兩個屬性因子，其中形狀因子又包括光滑度和緊致度兩個因子。大多數(shù)情況下，光譜因子是生成對象最重要的因子，而形狀因子則可以避免影像對象過于破碎，進行多尺度分割時，形狀參數(shù)與顏色參數(shù)是相對的，這兩個參數(shù)值之和為1，形狀參數(shù)設置的值越大，顏色(光譜)在分割時的權重相應就小。本研究采用eCognition軟件的多尺度分割功能，對遙感影像進行圖像分割處理。為找到最佳的分割尺度參數(shù)，分別將分割尺度設置為1、2、3、4、5、8和10進行試驗，通過對分割結果分析對比發(fā)現(xiàn)，分割尺度設置為2時，分割效果最好。在分割過程中，還需要設置顏色因子，形狀因子，光滑度參數(shù)和緊致度參數(shù)。在本研究中選擇Shape因子為 0.5，Compactness為 0.7，則 Color因子為 0.5，Smoothness為 0.3。部分影像的分割結果如圖 4 所示。

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

1.5 面向對象分類

面向對象的遙感影像分類方法是針對高分辨率影像應用而興起的一種新的遙感分類技術，分類時不僅依靠地物的光譜特性，而且根據(jù)像元的形狀、紋理等幾何特征和結構信息，把具有相同特征的像元組成一個對象，然后根據(jù)每一個對象的特征進行分類。因此，可以有效地克服基于像元層次分類的不足。影像分割完成后，影像的基本單元由單個像元上升到許多同質像元組成的多邊形對象，每個多邊形對象可計算出所包含像元的平均光譜信息以及多邊形的形狀信息、紋理信息、位置信息和多邊形間的拓撲關系等屬性。分類規(guī)則的建立可以充分地利用對象所提供的各種信息進行組合，以提取具體的地物。

在分類時，特征參數(shù)值的選取比較困難，通常需要基于先驗知識，反復嘗試，操作繁瑣且分類效果難以理想［38］。本研究中使用了智能數(shù)據(jù)分析軟件 See5［39］，它是一個通過分析和快速訓練樣本，并以決策樹和規(guī)律集的形式來生成分類器的程序。使用eCognition在研究區(qū)內均勻地選擇各類地物的樣本進行訓練，經(jīng)過See5的聚類分析后，得到了各種地物類別的分類特征集(圖5)，從而在eCognition中建立分類規(guī)則進行分類(文中分別選取了亮度、綠光波段光譜值、紅光波段光譜值、近紅外波段光譜值和NDVI等的均值作為多邊形對象的特征信息)。為了保證分類規(guī)則的精度，在使用See5軟件訓練樣本時要保證所選樣本誤差盡可能的小(≤3%)。

為了消除非植被的影響，首先選取了一個分割尺度(分割尺度為 4，Shape 為 0.5，Compactness為 0.7，則 Color為 0.5，Smoothness為 0.3)進行植被的提取，得到植被分布圖，然后選擇一個最佳尺度 (分割尺度為2，Shape 為0.5，Compactness為0.7，則 Color為0.5，Smoothness為0.3)對植被區(qū)進行分割，得到樹冠陽性冠幅對象，再對陽性冠幅對象進行面向對象分類。由于在研究區(qū)內絕大部分植被是森林，因此將地物最終分為非植被、針葉林和闊葉林。分類完成后將分類結果導出成shp文件，在ArcGIS軟件中轉成img格式文件，導入到ERDAS軟件中進行分類精度評價。得到滿意分類精度后，計算樣地水平的陽性冠幅面積。

1.6 地上生物量估算模型的建立與驗證

回歸模型常常被用來建立生物量與各種實測樹木生物物理參數(shù)(胸徑、樹高、冠幅等)之間的相關關系，回歸方程是地上生物量估算中常用的統(tǒng)計方法［40］。研究中將樣地觀測數(shù)據(jù)按60%和40%比例隨機選取，分為用于模型建立和驗證。在建立模型時，以樣地的總PoCA為自變量、AGB為因變量，建立線性和非線性(指數(shù)和對數(shù)等)模型，以模擬的AGB與觀測數(shù)據(jù)比較的R2為指標選擇模型。

2 結果與分析

2.1 分類精度評價及PoCA提取結果

對非植被、針葉林和闊葉林的分類精度評價在ERDAS軟件中進行，利用其精度評價模塊，在研究區(qū)遙感影像上隨機選取256個樣點，生成誤差矩陣。由分類精度評價結果(表2)看出，除了針葉林的生產(chǎn)者精度偏低外，其他所有分類精度都達到80%以上，總體精度為83.20%，Kappa系數(shù)為0.7370，分類精度較高。

圖6是提取的部分研究區(qū)的PoCA分布圖，可以發(fā)現(xiàn)針葉林和闊葉林的單木PoCA都存在明顯的空間變化，具有較大PoCA的單木分布相對分散，而具有較小PoCA的單木分布相對集中。表3給出了每個樣地的實測生物量和陽性冠幅面積。在41個樣方中，AGB的變化范圍為4.57—29.21 kg/m2，其中針葉林樣方的AGB平均值為12.51 kg/m2，闊葉林樣方的 AGB平均值為 16.61 kg/m2。提取的 PoCA的變化范圍為 0.64—41.6 m2，其中針葉林樣方的PoCA平均值為11.32 m2，闊葉林樣方的PoCA平均值為12.78 m2。

圖5 利用see5軟件訓練得到的分類規(guī)則(括號中的數(shù)值為訓練樣本數(shù))Fig.5 Classification rule constructed by using the See5 program(Values in brackets represent the number of training samples)

表2 面向對象分類精度評價Table 2 Accuracy evaluation of Object-oriented classification

圖6 部分研究區(qū)陽性冠幅提取結果圖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

通過回歸分析發(fā)現(xiàn)，樣地水平的PoCA與AGB之間呈較好的相關關系，建立針葉林和闊葉林的AGB估算模型分別為 AGB=10.148PoCA1.051和 AGB=3.0836PoCA1.245。模型估算的針葉林和闊葉林 AGB 與觀測數(shù)據(jù)比較的R2分別為0.62(P＜0.01，n=9)和0.56(P＜0.01，n=16)。模型驗證結果表明，所建AGB估算模型的可靠性較高，估算的針葉林和闊葉林AGB與觀測數(shù)據(jù)比較的R2分別為0.55(P＜0.01，n=5)和0.52(0.01，n=10)。但地上生物量較低時，模型結果偏高;而當?shù)厣仙锪枯^高時，模型結果偏低。所建針葉林AGB估算模型優(yōu)于闊葉林模型，這與樹冠結構特征有關，針葉樹冠形狀較為規(guī)則，一般呈傘狀，樹木相互之間的重疊較少，

利用遙感數(shù)據(jù)提取的樹冠輪廓精度較高，提取得到的PoCA基本近似于真實的樹冠面積。而闊葉樹的樹冠很不規(guī)則，當林分郁閉度較高時樹冠之間的重疊現(xiàn)象比較嚴重，導致自動提取的闊葉樹PoCA與真實的樹冠面積差別較大，估算的AGB誤差較大(圖7)。

表3 樣方生物量和提取的陽性冠幅面積統(tǒng)計Table 3 Statistical field measured AGB and extracted PoCA of every sample plot

圖7 基于PoCA的AGB估算模型和模型驗證結果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

最終，根據(jù)建立的生物量估算模型，進行森林地上生物量制圖，生成了研究區(qū)內森林地上生物量空間分布圖(圖8)。從圖8可以看出，單木的AGB存在明顯的空間變化特征，單木的AGB主要集中在0—400 kg之內，其空間分布相對集中;AGB介于400—700 kg之間的單木數(shù)量較少，空間分布相對分散;而AGB高于700 kg的單木數(shù)目很少，空間分布很零散。

3 結論與討論

本研究基于冠層冠幅可以估算AGB，而陽性冠幅與冠層冠幅相關的事實，采用面向對象的圖像分析方法，從融合的IKONOS影像中提取單木的陽性冠幅，用于估算生物量。結果表明，在經(jīng)過充分訓練后面向對象的分析方法應用于單木PoCA的提取具有較高精度(總體精度為83.20%，Kappa系數(shù)為0.7370)，在樣地尺度，PoCA與AGB之間具有較好的相關性，基于PoCA建立的針葉林和闊葉林AGB估算模型的R2分別達到了0.62(P＜0.01，n=9)和 0.56(P＜0.01，n=16)，模型驗證也表明，所建模型具有較好的可靠性。從而說明，通過高分辨率遙感數(shù)據(jù)提取PoCA進行森林地上生物量的是可行性的。同時，針葉林PoCA與AGB之間的相關性優(yōu)于闊葉林，表明這一方法更適用于針葉林地上生物量的遙感估算。

但是，本研究尚存在一些不足，需要進一步深入研究。

由于樹冠之間的重疊，使得進行圖像分割時分割尺度的選擇存在一定的困難，分割尺度設置過小時會發(fā)生過度分割現(xiàn)象，而分割尺度設置過大時則會導致欠分割的問題。本研究采取尺度分割試驗的方法確定該參數(shù)，具有一定的主觀性。隨著激光雷達的不斷發(fā)展，今后可以考慮加入激光雷達數(shù)據(jù)，結合其高度信息，提高樹冠分割精度。

圖8 部分研究區(qū)地上生物量分布圖Fig.8 AGB map for part of the study area

圖像分割是高分辨率遙感圖像進行面向對象分析的前提和基礎，圖像分割結果的質量直接影響后續(xù)處理的精度，但是，目前還缺乏統(tǒng)一可靠的圖像分割精度評價標準。因此，如何建立統(tǒng)一可靠的圖像分割精度評價標準將是今后需要進一步研究的問題。

由于IKONOS數(shù)據(jù)的全色波段空間分辨率實際可達到81 cm，理論上大于81 cm的單木樹冠都可以通過相關的圖像分析方法從影像上提取出來，由于衛(wèi)星掃描姿態(tài)偏移以及太陽天頂角偏大等因素，圖像上會存在地物陰影，影響樹冠提取精度。本研究所采用的影像數(shù)據(jù)太陽天頂角較小，所以沒有考慮陰影的影響。

在進行樣地AGB計算時，使用的是文獻中發(fā)表的生物量計算方程，其建模使用數(shù)據(jù)的樣地條件與本研究的樣地存在一定的差異，會導致AGB的計算結果的一定誤差，從而在一定程度上影響到AGB估算模型的精度評價結果。加之由于觀測條件的限制，野外觀測數(shù)據(jù)樣本數(shù)相對偏少，對提取的PoCA無法進行有效驗證等缺陷。所以，本文所建立模型的適用性還有待進一步的驗證。

冠幅與AGB之間關系隨樹種和森林年齡變化，由于植被冠層光譜的相似性，要從影像上對每一種樹種進行分類在現(xiàn)研究階段還很困難，本研究中只分為針葉林和闊葉林兩大類，分別進行建模，也沒有考慮森林年齡的作用。

［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，F(xiàn)an 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，F(xiàn)an 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.

參考文獻:

［3］徐新良，曹明奎.森林生物量遙感估算與應用分析.地球信息科學，2006，8(4):122-128.

［4］婁雪婷，曾源，吳炳方.森林地上生物量遙感估測研究進展.國土資源遙感，2011，23(1):1-8.

［5］湯旭光，劉殿偉，王宗明，賈明明，董張玉，劉婧怡，徐文明.森林地上生物量遙感估算研究進展.生態(tài)學雜志，2012，31(5):1311-1318.

［6］李德仁，王長委，胡月明，劉曙光.遙感技術估算森林生物量的研究進展.武漢大學學報:信息科學版，2012，37(6):631-635.

［9］黃國勝，夏朝宗.基于MODIS的東北地區(qū)森林生物量研究.林業(yè)資源管理，2005，(4):40-44.

［11］于穎，范文義，李明澤，楊曦光.利用大光斑激光雷達數(shù)據(jù)估測樹高和生物量.林業(yè)科學，2010，46(9):84-87.

［13］宋茜，范文義.大興安嶺植被生物量的ALOSPALSAR估算.應用生態(tài)學報，2011，22(2):303-308.

［14］覃先林，李增元，易浩若.高空間分辨率衛(wèi)星遙感影像樹冠信息提取方法研究.遙感技術與應用，2005，20(2):228-232.

［15］劉曉雙，黃建文，鞠洪波.高空間分辨率遙感森林參數(shù)提取探討.林業(yè)資源管理，2009，4(2):111-117.

［16］崔少偉.基于高分辨率遙感數(shù)據(jù)單木樹冠提取研究［D］.黑龍江:東北林業(yè)大學，2011.

［21］劉曉雙，黃建文，鞠洪波.高空間分辨率遙感的單木樹冠自動提取方法與應用.浙江林學院學報，2010，27(1):126-133.

［22］黃建文，陳永富，鞠洪波.基于面向對象技術的退耕還林樹冠遙感信息提取研究.林業(yè)科學，2006，42(z1):68-71.

［23］王茹雯，彭道黎，吳濤，徐定.利用面向對象的技術進行樹冠信息提取研究.中國農(nóng)學通報，2010，26(15):128-134.

［24］王迪生，宋新民.一個新的單木競爭指標——相對有效冠幅比.林業(yè)科學研究，1994，7(3):337-341.

［25］朱曉青.樟子松陽性冠幅與胸徑關系的研究.河北林果研究，2001，16(2):124-124.

［26］時明芝，張凡東.107楊樹陽性冠幅與胸徑關系的研究.福建林業(yè)科技，2005，32(4):97-98.

［28］馮宗煒，陳楚瑩，張家武，王開平，趙吉錄，高虹.湖南會同地區(qū)馬尾松林生物量的測定.林業(yè)科學，1982，18(2):127-134.

［29］張旭東，吳澤民，彭鎮(zhèn)華.黑松人工林生物量結構的數(shù)學模型.生物數(shù)學學報，1994，9(5):60-65.

［30］葉鏡中，姜志林.蘇南丘陵區(qū)杉木林地上部分生物量的研究.南京林產(chǎn)工業(yè)學院學報，1982，(3):109-115.

［31］許劍輝，汪茂林，黃慶豐，宮守飛.天然麻櫟單木地上生物量模型研究.安徽林業(yè)科技，2011，37(4):3-6.

［32］錢國欽.楓香人工林凈生產(chǎn)量動態(tài)變化研究.江西農(nóng)業(yè)大學學報，2000，22(3):399-404.

［33］張柏林，陳存根.長武縣紅星林場刺槐人工林的生物量和生產(chǎn)量.陜西林業(yè)科技，1992，(3):13-17.

［34］王哲，韓玉潔，康宏樟，黃丹，薛春燕，殷杉，劉春江.黃浦江上游主要樹種水源涵養(yǎng)林生態(tài)系統(tǒng)碳儲量.生態(tài)學雜志，2012，31(8):1930-1935.

［35］翁永玲，田慶久，惠鳳鳴.IKONOS高分辨率遙感影像自身融合效果分析.東南大學學報:自然科學版，2004，34(2):274-277.

［36］宋剛賢，潘劍君，朱文娟.IKONOS影像的最佳融合技術研究.測繪科學，2009，34(2):106-108.

［37］王忠武，劉順喜，陳曉東.IKONOS圖像融合中自動擬合低分辨率全色圖像的方法.武漢大學學報:信息科學版，2010，35(11):1283-1287.

［38］邢白靈.地表覆蓋變化對南京市生態(tài)系統(tǒng)凈初級生產(chǎn)力的影響［D］.南京:南京大學，2012.

［39］梁坤，常魯群.基于See5.0算法的決策樹構建與分類研究.礦山測量，2009，(2):41-43.