劉 俊 ，孟 雪 ，高媛赟 ，溫小榮 ，林國忠 ，佘光輝 ，劉雪慧

（南京林業(yè)大學(xué) a.南方現(xiàn)代林業(yè)協(xié)同創(chuàng)新中心；b.林學(xué)院，江蘇 南京 210037）

基于不同立地質(zhì)量的松樹林分生物量遙感估測

劉 俊a，b，孟 雪a，b，高媛赟a，b，溫小榮a，b，林國忠a，b，佘光輝a，b，劉雪慧a，b

（南京林業(yè)大學(xué) a.南方現(xiàn)代林業(yè)協(xié)同創(chuàng)新中心；b.林學(xué)院，江蘇 南京 210037）

基于2007年建德市森林資源二類調(diào)查數(shù)據(jù)和TM影像數(shù)據(jù)，采用蓄積量—生物量換算因子連續(xù)函數(shù)法計(jì)算松樹生物量，對松樹樹種分立地質(zhì)量等級和不分地位等級2種類型建立生物量的遙感估測模型，并進(jìn)行精度檢驗(yàn)。結(jié)果表明：（1）以TM遙感影像主成分分析中第一主成分為自變量的模型擬合效果最好，決定系數(shù)R2均在0.6以上，最高0.773。（2）利用預(yù)留獨(dú)立樣本對模型精度進(jìn)行驗(yàn)證，不分地位級總體估測精度為92.51%，分立地質(zhì)量等級好、中、差3種類型總體估測精度分別為97.66%、96.56%、97.32%，分不同立地質(zhì)量等級建模精度明顯優(yōu)于統(tǒng)一建模的精度。研究結(jié)果為森林生物量遙感估測提供一種改進(jìn)的思路，且為提高森林生物量和碳儲(chǔ)量遙感估測精度提供一種參考方法。

TM影像；森林生物量；立地等級；一元線性回歸

森林生物量是森林在一定時(shí)期內(nèi)森林群落所積累的干物質(zhì)的總量，是評價(jià)森林生態(tài)系統(tǒng)生產(chǎn)力和陸地生態(tài)系統(tǒng)功能的重要指標(biāo)，準(zhǔn)確估算森林生態(tài)系統(tǒng)生物量對研究陸地生態(tài)系統(tǒng)碳循環(huán)及全球氣候變化研究具有重要意義[1-3]。20世紀(jì)70年代，遙感技術(shù)被引進(jìn)我國，隨著遙感事業(yè)的長足發(fā)展，遙感技術(shù)很快被應(yīng)用于林業(yè)領(lǐng)域，森林生物量的遙感定量估測也成為了研究的熱點(diǎn)問題[4-6]。

基于遙感技術(shù)進(jìn)行森林生物量估算研究時(shí)，主要是利用遙感影像數(shù)據(jù)、地形圖結(jié)合少量樣地調(diào)查數(shù)據(jù)，采用一元線性回歸和逐步回歸、偏最小二乘、嶺估計(jì)的多元回歸估計(jì)等方法建立生物量估測模型。張艷楠等[7]以各植被指數(shù)為自變量，通過一元線性回歸模型和指數(shù)模型，對內(nèi)蒙古錫林浩特市白音錫勒典型草原生物量遙感估測應(yīng)用中的問題進(jìn)行了探討。王清梅等[8]以華北落葉松人工林為研究對象，基于TM遙感影像數(shù)據(jù)和野外實(shí)測樣地生物量數(shù)據(jù)，利用一元回歸和逐步多遠(yuǎn)回歸分析法建立森林生物量的回歸模型，并對二者進(jìn)行了對比分析。王霓虹等[9]以孟家崗林場的三類小班清查數(shù)據(jù)為基礎(chǔ)，選取與生物量水平相關(guān)的11個(gè)因子,利用C5.0算法和Apriori算法進(jìn)行生物量決策樹建模，結(jié)果表明生物量決策樹模型的分類預(yù)測精度為88.78%。劉瓊閣等[10]基于TM遙感影像和國家森林資源清查資料，選取遙感因子、地形因子在內(nèi)的16個(gè)因子為自變量，利用偏最小二乘法對密云縣森林生物量進(jìn)行了遙感估測，精度達(dá)90.1%。徐婷等[11]基于Landsat8 OLI影像和樣地調(diào)查數(shù)據(jù)，選取不同波段線性和非線性組合、紋理信息以及主成分分析、最小噪聲分離變換等在內(nèi)的53個(gè)特征變量，利用多元逐步回歸法建立了森林生物量估測模型，結(jié)果表明分不同森林類型比不分類型估測精度有明顯的提高。龐勇[12]用機(jī)載激光雷達(dá)點(diǎn)云數(shù)據(jù)和地面實(shí)測樣地?cái)?shù)據(jù)，估測了典型森林類型的樹葉、樹枝、樹干、地上、樹根和總生物量等組分的生物量。王紅巖等[13]基于SPOT5遙感影像數(shù)據(jù)和野外調(diào)查樣地?cái)?shù)據(jù)，利用多元線性回歸模型性、指數(shù)模型、一元線性回歸模型分別建立豐寧縣森林、灌叢、草地地上生物量。以上研究通常只針對遙感影像傳感器、光譜和紋理特征組合、不同數(shù)學(xué)建模方法進(jìn)行改進(jìn)研究，很少區(qū)分森林類型和立地質(zhì)量類型分別討論反演精度。因此，本研究以2007年TM遙感影像數(shù)據(jù)和建德市森林資源二類小班數(shù)據(jù)為數(shù)據(jù)源，采用地位級法評定林分的立地質(zhì)量，對松樹林分不同立地質(zhì)量等級和不分地位級兩種類型建立森林生物量的一元線性遙感估測模型，并進(jìn)行相關(guān)的精度評價(jià)，旨在為進(jìn)一步提高和完善森林生物量遙感監(jiān)測體系提供一種新的思路和方法。

1 研究區(qū)概況

建德市地處浙江省西部，錢塘江水系中上游，杭州—黃山黃金旅游線中段。地理位置為東經(jīng)118°54'～ 119°45'，北緯 29°13'～ 29°46'。該區(qū)屬亞熱帶季風(fēng)氣候區(qū)，具溫暖濕潤、雨量充沛、四季分明的亞熱帶季風(fēng)氣候特點(diǎn)。年平均氣溫16.9 ℃，最低月（一月）均溫4.8 ℃，最高月（七月）均溫35.1℃。土壤類型主要有紅壤、黃壤、巖性土、潮土和水稻土5類，森林植被類型主要有常綠闊葉林、針葉林、落葉闊葉林、竹林、經(jīng)濟(jì)林等。

2 數(shù)據(jù)來源與研究方法

2.1 數(shù)據(jù)獲取

建德市森林生物量遙感定量估測研究的基礎(chǔ)資料如下。

1）森林資源二類調(diào)查數(shù)據(jù)：獲取建德市2007年森林資源二類規(guī)劃調(diào)查小班矢量數(shù)據(jù)，屬性表中包括小班優(yōu)勢樹種、處理年份、地類、林種起源、樹種組成、優(yōu)勢樹種、年齡、齡組、平均胸徑、平均高、郁閉度、單位株數(shù)、計(jì)株數(shù)、單位蓄積、計(jì)蓄積、坡度、坡向、海拔等。其中優(yōu)勢樹種為松樹且蓄積量大于0的小班7 505個(gè)，各小班平均年齡在5～60 a之間，平均高4～21 m，平均胸徑4～42 cm，各小班平均每公頃蓄積量為4.5～316.5 m3。

2）遙感數(shù)據(jù)：本研究使用Landsat TM遙感影像。影像數(shù)據(jù)為http：//www.glovis.usgs.gov網(wǎng)站上獲取，綜合考慮時(shí)相和云量等因素選取成像時(shí)間為2007年03月29日，條帶號(hào)為119～040和119～039，覆蓋建德市的2景TM遙感影像。波段1～5和波段7空間分辨率為30 m，波段6分辨率為120 m。由于波段6為熱紅外波段，用于感應(yīng)發(fā)出熱輻射的目標(biāo)，所以本研究不考慮該波段，只研究波段1～5和波段7與生物量的相關(guān)性。利用ENVI5.1和ArcGIS10.1對影像進(jìn)行輻射定標(biāo)、大氣校正、裁剪與鑲嵌，并利用已經(jīng)校正過的地形圖，選取地面控制點(diǎn)50個(gè)，采用二次多項(xiàng)式模型，平均誤差控制在1個(gè)像元對影像數(shù)據(jù)進(jìn)行幾何精校正，以滿足森林生物量遙感定量估測分析需要。

2.2 蓄積量與生物量轉(zhuǎn)換方法

根據(jù)建德市2007年森林資源二類調(diào)查數(shù)據(jù)、林相圖以小班為單位算出優(yōu)勢樹種為松樹的面積和蓄積，采用基于生物量與蓄積量之間關(guān)系的生物量換算因子連續(xù)函數(shù)法，對建德市優(yōu)勢樹種為松樹的小班森林生物量和生產(chǎn)力進(jìn)行估算，其中樹種類型為松樹的轉(zhuǎn)換模型參數(shù)計(jì)算方法見公式（1）[14]。

式中：B為每公頃生物量（t/hm2）；V為每公頃蓄積量（m3/hm2）。

把優(yōu)勢樹種為松樹的各小班每公頃平均蓄積量代入公式（1），算出對應(yīng)各小班每公頃的平均生物量，再根據(jù)各小班的面積得出各小班的總生物量。

2.3 立地質(zhì)量評價(jià)方法

本文中采用地位級法進(jìn)行立地質(zhì)量的評價(jià)。地位級法是反映林地生產(chǎn)力的一種相對度量指標(biāo)，它是依據(jù)林分平均高與林分平均年齡的關(guān)系，按相同年齡時(shí)林分平均高的變動(dòng)幅度劃分為若干個(gè)級數(shù)，通常為5～7級，以羅馬數(shù)字Ⅰ、Ⅱ、Ⅲ…符號(hào)依次表示立地質(zhì)量的高低，將每一地位級所對應(yīng)的各個(gè)年齡時(shí)的平均高列成表即為地位級表[15]。導(dǎo)向曲線的選定是編制地位級表的關(guān)鍵。本文中基于建德市森林資源二類小班調(diào)查數(shù)據(jù)，對優(yōu)勢樹種為松樹且郁閉度0.5以上的小班，依據(jù)平均高和平均年齡建立一條代表中等立地等級條件下的地位級導(dǎo)向曲線[16]。通過不同數(shù)學(xué)模型比較選出對數(shù)曲線H=a+bln(A)作為松樹地位級導(dǎo)向曲線的最優(yōu)模型，方程如下：

以導(dǎo)線曲線為基礎(chǔ)，采用比例法確定地位等級的上下界線，以導(dǎo)向曲線的1.8倍高處為上界線，0.3倍為下界線[17]。用f(A)表示導(dǎo)向曲線方程，則上下界模型分別為1.8f(A)和0.3f(A)。把松樹分為5個(gè)地位級數(shù)，各等分高度間隔為(1.8-0.3)f(A)/5=0.3f(A)，各等級下界限曲線表達(dá)式為：H=f(A)(1.80-0.3K)，K=1，2，…，5，K值等于地位級值，即Ⅰ地位級的K=1，Ⅱ地位級K=2，…，Ⅴ地位級的K=5，相鄰兩地位級下界限就是各地位級不同年齡時(shí)的H上下限值，按不同年齡列成表就是地位級表（見表1）。

表1 松樹地位級表Table 1 The site class table of pine

2.4 特征變量的選取

根據(jù)已有的研究，對單波段進(jìn)行線性和非線性組合，可以在不同程度上增強(qiáng)植被信息或抑制非植被信息，選取包括單波段、植被指數(shù)、波段運(yùn)算、第一主成分等在內(nèi)的13個(gè)遙感因子作為備選自變量[18]，其中第一主成分為TM影像各波段（TM1～5、TM7）做主成分分析中得到的第一主成分，包含了原數(shù)據(jù)99.81%的信息。利用ENVI5.1和ArcGIS10.1提取對應(yīng)小班的各遙感因子，然后再篩選出與森林生物量密切相關(guān)的特征參數(shù)，進(jìn)而完成對森林生物量的遙感估測。

以森林資源二類調(diào)查數(shù)據(jù)中各小班的生物量總量為因變量，以各小班單遙感因子的信息總量為自變量，把松樹分為不分地位級和分不同立地質(zhì)量等級兩類，其中把地位級為Ⅱ、Ⅰ的立地質(zhì)量評價(jià)為好，地位級為Ⅲ的立地質(zhì)量評為中等，地位級為Ⅴ、Ⅳ的立地質(zhì)量評為差，剔除郁閉度、計(jì)蓄積為0的小班數(shù)據(jù)，并依據(jù)生物量與各遙感因子的散點(diǎn)圖剔除明顯異常的數(shù)據(jù)以及運(yùn)用標(biāo)準(zhǔn)差分析法進(jìn)行篩選，剔除各遙感因子中＞2Sj的樣本數(shù)據(jù)，其中xij為第i個(gè)立地質(zhì)量類型樣本的第j個(gè)變量的測量數(shù)據(jù)，為第j個(gè)變量的樣本平均值，Sj為第j個(gè)變量的樣本標(biāo)準(zhǔn)差。剔除異常樣本數(shù)據(jù)后松樹全體和分不同質(zhì)量類型的建模和驗(yàn)證樣本數(shù)見表2。

表2 松樹不同立地質(zhì)量等級的建模、驗(yàn)證樣本數(shù)Table 2 Modeling and validation samples of different site quality of pine

3 結(jié)果與分析

3.1 特征變量與生物量的相關(guān)分析及優(yōu)選結(jié)果

回歸自變量的篩選是建立回歸模型的關(guān)鍵之處。對松樹分不同立地質(zhì)量等級和不分地位級兩種類型計(jì)算各因子與生物量之間的相關(guān)性及方差擴(kuò)大因子，選取與生物量相關(guān)性強(qiáng)的因子，分析結(jié)果如表3所示。

從表3可以看出，生物量與TM影像第一主成 分、NDVI、DVI、RVI、TM4、TM2/TM4、TM5/TM4決定系數(shù)R2均較高，其中分不同立地質(zhì)量等級和不分地位級兩種類型的第一主成分決定系數(shù)R2均最高，其它因子決定系數(shù)較低?？梢娺b感因子中與植被有關(guān)的紅外、近紅外、植被指數(shù)、和第一主成分對生物量的解釋能力較強(qiáng)。所選變量的方差擴(kuò)大因子均大于100，可知變量因子之間存在強(qiáng)相關(guān)性，多項(xiàng)式模型容易過度擬合，且生物學(xué)意義不明確[19]。因此本研究將采用以TM影像主成分分析中小班的第一主成分因子信息量總和為自變量，各小班的總生物量為因變量，采用一元線性回歸建立森林生物量估測模型，降低變量之間的相關(guān)性。

3.2 生物量估測模型的建立

本研究利用SPSS統(tǒng)計(jì)軟件，采用一元線性回歸方法, 以小班的生物量為因變量，小班提取的第一主成分遙感因子為自變量，對松樹分不同立地質(zhì)量等級和不分地位級兩種類別分別建立生物量估測模型，結(jié)果見表4。

表4 松樹不同立地質(zhì)量等級建模結(jié)果Table 4 The models of different site quality types of pine

從表4可知，各類模型擬合決定系數(shù)R2均在0.6以上，最高為0.773。對不同立地質(zhì)量類型建模方程進(jìn)行F檢驗(yàn)，通過查F分布表可知在顯著水平0.01的水平上，林分生物量估測模型的F值均＞F0.01且P=0.000，F(xiàn)檢驗(yàn)均達(dá)到極顯著水平，表明一元線性方程擬合度好，線性相關(guān)性顯著。

3.3 生物量估測模型驗(yàn)證及精度分析

為了驗(yàn)證模型的精度，將預(yù)留樣本中的自變量值代入式（1）～式（4），得到松樹不分地位級和分3種不同立地質(zhì)量等級的樣地生物量估測值，并與真實(shí)值進(jìn)行精度檢驗(yàn)。由表5可知，其總體估計(jì)精度分別如下：松樹不分地位級為92.51%，立地質(zhì)量好為97.66%，立地質(zhì)量中等為96.56%，立地質(zhì)量差為97.32%，估測精度均較高，且分不同立地質(zhì)量等級的估測精度要比不分地位級的估測精度有明顯提高。對估測值和實(shí)測值進(jìn)行線性擬合，結(jié)果如圖1、2所示，二者決定系數(shù)R2均在0.7以上，通過查F分布表可知在顯著水平0.01的水平上，林分生物量估測模型的F值均＞F0.01且P=0.000，F(xiàn)檢驗(yàn)均達(dá)到極顯著水平，表明生物量樣本估測值與實(shí)測值擬合較好，線性相關(guān)性顯著。

表5 松樹不同立地質(zhì)量類型生物量估測及精度結(jié)果Table 5 Biomass estimation and accuracy of different site quality types of pine

圖1 不分地位級小班生物量預(yù)測值與實(shí)測值的擬合曲線(t)Fig.1 The fi tting curve of forecast value and actual value of sample of non status

4 結(jié) 論

本研究以森林資源二類調(diào)查數(shù)據(jù)和TM影像為基礎(chǔ)，基于生物量與蓄積量之間關(guān)系的生物量換算因子連續(xù)函數(shù)法算出每個(gè)小班對應(yīng)的生物量，以各小班總生物量為因變量，各遙感因子小班面積提取信息總量為自變量，研究了松樹分不同立地質(zhì)量等級和不分地位級的兩種類型分別建立一元線性回歸的森林生物量估測模型。得到的主要結(jié)論如下。

(1)通過對遙感因子與生物量的相關(guān)性比較分析，得出TM影像主成分分析得到的第一主成分相關(guān)性最好，并以此作為自變量。

(2)按樹種類型和立地質(zhì)量類型建立一元線性回歸模型，模型分別為：

松樹(不分地位級)，Y=0.000 78×XPC1+5.984，R2=0.628；

松樹(立地質(zhì)量好)，Y=0.000 12×XPC1+5.501，R2=0.714；

松樹(立地質(zhì)量中等)，Y=0.000 84×XPC1+0.970，R2=0.720；

松樹(立地質(zhì)量差)，Y=0.000 73×XPC1-7.805，R2=0.773。

模型決定系數(shù)R2均在0.6以上,最高0.773，且F顯著性檢驗(yàn)概率P值均小于0.001，線性擬合度好，線性相關(guān)性顯著。

（3）經(jīng)過驗(yàn)證樣本的檢驗(yàn)，松樹分不同立地質(zhì)量等級比不分地位級估測精度有明顯提高。各類別一元線性回歸樣本總體估測精度分別如下：松樹（不分地位級）92.51%，立地質(zhì)量好97.66%，立地質(zhì)量中等96.56%，立地質(zhì)量差97.32%。并對實(shí)測生物量與模型反演生物量進(jìn)行線性擬合，得到的決定系數(shù)R2均在0.7以上，兩者F檢驗(yàn)線性相關(guān)性顯著（P＜0.001)。研究結(jié)果基于樹種類型和不同立地質(zhì)量類型的小班組合為森林生物量遙感估測提供一種改進(jìn)的思路，且為提高森林生物量和碳儲(chǔ)量遙感估測精度提供一種參考方法。

圖2 不同立地質(zhì)量等級小班生物量預(yù)測值與實(shí)測值的擬合曲線Fig.2 Fitting curve of forecast value and actual value of sample of different site quality

[1]李海奎,雷淵才.中國森林植被生物量和碳儲(chǔ)量評估[M].北京:中國林業(yè)出版社,2010.

[2]馮宗煒,王效科,吳 剛.中國森林生態(tài)系統(tǒng)的生物量和生產(chǎn)力[M].北京:科學(xué)出版社,1999.

[3]Brown S, Sathaye J, Canell M, et al. Mitigationof carbon emission to the atmosphere by forest management [J].Common For. Review, 1996, 75(1):80-91,109,111-112.

[4]趙憲文,李崇貴,斯 林,等.森林資源遙感估測的重要進(jìn)展[J].中國工程科學(xué),2001,3(8):15-24.

[5]Andre T C D, Eduardo A M.SimoneAparecida aboveground biomass stock of native woodland on a Brazilian sandy coastal plain: Estimates based on the dominant tree species [J]. Forest Ecology and Management,2006,226:364-367.

[6]WIJAY A, KUSNADI S, GLOAGUEN R, et al. Improved strategy for estimating stem volume and forest biomass using moderate resolution remote sensing data and GIS[J]. Journal of Forestry Research,2010, 21(1):1-12.

[7]張艷楠,張 慶,楊 艷,等.植被指數(shù)在典型草原生物量遙感估測應(yīng)用中的問題探討[J].草業(yè)學(xué)報(bào),2012,21(1):229-238.

[8]王清梅,包 亮,周 梅,等.華北落葉松人工林生物量及碳儲(chǔ)量遙感模型研究[J].林業(yè)資源管理,2014,(4):52-57.

[9]王霓虹,高 萌,李 丹,等.基于C5.0與Apriori算法的森林生物量等級評價(jià)與因子關(guān)聯(lián)分析[J].中南林業(yè)科技大學(xué)學(xué)報(bào),2015,3(35):1-6.

[10]劉瓊閣,彭道黎,涂云燕,等.基于偏最小二乘的森林生物量遙感估測[J].東北林業(yè)大學(xué)學(xué)報(bào),2014,42(7):44-47.

[11]徐 婷,曹 林,佘光輝.基于Landsat8OLI的特征變量優(yōu)化提取及森林生物量反演[J].遙感技術(shù)與應(yīng)用,2015,30(2):226-234.

[12]龐 勇,李增元.基于機(jī)載激光雷達(dá)的小興安嶺溫帶森林組分生物量反演[J].植物生態(tài)學(xué)報(bào),2012,36(10):1095-1105.

[13]王紅巖,高志海,王琫瑜,等.基于SPOT5遙感影像豐寧縣植被地上生物量估測研究[J].遙感技術(shù)與應(yīng)用,2010, 25(5):639-646.

[14]劉 磊.基于多源數(shù)據(jù)的森林生物量與生產(chǎn)力估算研究[D].南京:南京林業(yè)大學(xué),2010.

[15]孟憲宇.測樹學(xué)[M].北京:中國林業(yè)出版社,2006: 99-111.

[16]周春國,徐雁南.地位級表編制的新方法[J].華東森林經(jīng)理,1997, (11):11-13.

[17]林昌庚,周春國,林俊欽,等.關(guān)于地位級表[J].林業(yè)資源管理,1997,(5):30-33.

[18]張 超,彭道黎,涂云燕,等.利用TM影像和偏最小二乘回歸方法估測三峽庫區(qū)森林蓄積量[J].北京林業(yè)大學(xué)學(xué)報(bào),2013, 35(3): 11-17.

[19]Gao J. Quanti fi cationof grassland properties :how it can bene fi t from geoinformatic technologies [J].International Journal of Remote Sensing, 2006, 27(7):1351-1365.

Remote sensing estimation of pinestand biomass based on different site quality

LIU Juna,b, MENG Xuea,b, GAO Yuan-yuna,b, WEN Xiao-ronga,b, LIN Guo-zhonga,b, SHE Guang-huia,b, LIU Xue-huia,b
(a. Co-Innovation for Sustainable Forestry in Southern China; b. College of Forestry, Nanjing Forestry University, Nanjing 210037,Jiangsu, China)

Based on the forest resource survey data of Jiande and TM image data in 2007, pine biomass was calculated by the expansion factor function method which was derived from the relationship between biomass and volumeto establish and evaluate the precise of the volume remote sensing estimation model, which is on pine trees with or without the discrete quality grades. Site quality grade according to the average height of the small class and the average age of the establishment of the status table is divided into good, medium and poor three types.Total volume of the sub-compartment is the dependent variable, andeach individual remote sensing contentis the independent variable.As the results showed: (1) the fi rst principal component analysis of R2Landsat TM image is the best, the coef fi cient of determination is 0.6, the highest is 0.773.(2) The reserved independent sample on the accuracy of the model is validated, not separate the overall level of quality estimation accuracy was 92.51%, discrete to the overall level of quality estimation accuracy was 97.66%,96.56%, 97.32% respectively, the classi fi cation modeling precision is much better than the uni fi ed modeling accuracy. The research results provide an improved method for the estimation of forest volume, and provide a reference for improving the accuracy of forest biomass and carbon storage estimation.

TM image; forest biomass; site class; linear regression

S757

A

1673-923X(2016)05-0041-06

10.14067/j.cnki.1673-923x.2016.05.008

2015-03-10

國家948計(jì)劃項(xiàng)目（2013-4-63）；南京林業(yè)大學(xué)科技創(chuàng)新基金項(xiàng)目（CX2011-24）；江蘇省林業(yè)三新工程（LYSX[2015]19）；江蘇高校優(yōu)勢學(xué)科建設(shè)工程資助項(xiàng)目（PAPD）

劉 俊，碩士研究生 通訊作者：溫小榮，副教授；E-mail：njw9872e@163.com

劉 俊，孟 雪，高媛赟，等.基于不同立地質(zhì)量的松樹林分生物量遙感估測[J].中南林業(yè)科技大學(xué)學(xué)報(bào),2016,36(5):41-46.

[本文編校：謝榮秀]