胡凱龍 劉清旺 李世明 龐勇 李梅

(中國礦業(yè)大學(北京)，北京，100083) (中國林業(yè)科學研究院資源信息研究所) (中國林業(yè)科學研究院荒漠化研究所)

森林地上生物量作為森林結構參數(shù)的重要組成部分，可以間接反映森林的固碳能力。準確估測區(qū)域尺度的森林地上生物量，是研究地球陸地生態(tài)循環(huán)，探測森林環(huán)境變化的重要手段[1-2]。光學遙感影像作為起步較早的遙感技術，被廣泛應用于區(qū)域性森林的生理與結構特征的研究。根據(jù)不同的光譜波段信息計算的植被指數(shù)可以表示植被的分布。因此，在反演森林地上生物量時，植被指數(shù)比單一的波段信息更加穩(wěn)定[3-4]。但是，在森林郁閉度以及蓄積量較高的地區(qū)，冠層的層疊以及物種分布的多樣性會導致遙感信息的飽和，從而使得用植被指數(shù)估測的地上生物量值普遍偏低[5]。紋理特征作為一種遙感影像增強的表達方式，經常被應用于特征地物的識別[6]。Kuplich et al.[7]認為對于相同的地物類型，紋理特征所表征的不同相鄰像素空間色調的空間差異性，可以直觀地體現(xiàn)出相同森林類型，森林生物量分布的差異性，從而可以潛在地提高森林地上生物量較高區(qū)域的估測精度。但是，紋理屬于相對復雜圖像特征屬性，受目標物地理條件復雜程度以及運算窗口大小的影響較為明顯[8]。另外，過往的研究中很難指示出哪些紋理或紋理組合可以最大限度地反映森林生物量的分布狀況。因此，單一地利用紋理特征估測森林地上生物量存在諸多不確定性。

激光雷達(LiDAR)作為一種主動式遙感系統(tǒng)，所發(fā)出激光脈沖能夠穿透森林冠層到達地表，從而獲取植被的三維結構特征[9-11]。小光斑機載LiDAR系統(tǒng)的激光束覆蓋地面區(qū)域的直徑小于50 cm，光斑點密度可達0.5～10點/m2，所得到的森林冠層點云受地形起伏影響較小。由機載LiDAR點云派生的點云特征變量(例如，高度分位變量、密度分位變量以及能量分位變量等)能夠定量的描述森林植被的冠層分布特征[12-13]。通過建立這些特征變量與森林地上生物量的空間模型，可以估測區(qū)域性的森林地上生物量分布。對比已有的研究，機載LiDAR估測森林地上生物量的精度要優(yōu)于星載光學傳感器[14-15]、機載高光譜傳感器[16]和機載SAR傳感器[17]。另外，對于高蓄積量森林區(qū)域，機載LiDAR不會出現(xiàn)遙感信息飽和的問題，特別是大于1 300 t/hm2的森林區(qū)域，機載LiDAR有著更高的估測精度。

LiDAR變量的簡單的統(tǒng)計回歸模型，雖然對森林地上生物量估測有較好的精度，但是隨著研究區(qū)的不同，模型需要在大量假設的基礎上，考慮不同的影響因素。Zhao et al.[18]研究發(fā)現(xiàn)，尺度問題經常會影響回歸模型的整個建模過程，樣地大小的變化會直接影響森林地上生物量估測精度。支持向量機(SVM)作為一種基于監(jiān)督統(tǒng)計的機器學習技術，已經被成功應用于土地覆蓋和森林類型分類的研究。作為SVM的另一種應用形式，支持向量回歸(SVR)在森林參數(shù)估測中應用較少，但是仍然有一些研究值得參考。Gleason et al.[19]使用不同的機器學習方法(SVM、隨機森林、線性混合效應回歸以及Cubist?)對中等郁閉度的森林生物量進行了估測，結果顯示：在樣地尺度下，每380 m2的森林覆蓋，用SVR估測森林生物量的均方根誤差(RMSE)為671 kg，精度優(yōu)于其他機器學習的方法。Durbha et al.[20]利用多角度衛(wèi)星遙感數(shù)據(jù)MISR的近紅外和紅光波段估測植被葉面積指數(shù)(LAI)，SVR模型估測的葉面積指數(shù)RMSE為0.64。本文利用光學影像紋理特征，機載LiDAR特征，結合SVR建模方法，對研究區(qū)森林地上生物量進行估測。

1 研究區(qū)概況

研究區(qū)域位于內蒙古自治區(qū)根河市境內的大興安嶺森林生態(tài)系統(tǒng)國家野外科學觀測研究站，是我國緯度最高的森林生態(tài)系統(tǒng)野外科學觀測站。地理坐標為東經121°27′～121°37′，北緯50°54′～51°9′，區(qū)域總面積為1.1×104hm2。其隸屬于我國東北部大興安嶺山脈，地貌類型以山地為主，多坡地分布，地形條件復雜多變，平均海拔963 m，年平均氣溫-2.6 ℃，年降水量428～526 mm[21]。森林植被呈明顯地帶性分布，從北部針葉林帶，落葉闊葉林帶到森林草原帶和草原帶。植被類型針葉林以興安落葉松(Larixgmelinii)為主，伴有杜香(Ledunpalustre)落葉松林和杜鵑(Rhododendrondauricum)落葉松林，闊葉樹種以白樺(Betulaplatyphylla)為主，伴生樹種為山楊(Populusdavidiana)。

2 研究方法

2.1 樣地數(shù)據(jù)

研究于2016年8月在覆蓋機載LiDAR飛行區(qū)域范圍里實地調查68塊樣地，其中針葉林樣地37塊，混交林樣地31塊。對樣地所有樹木進行每木調查，起測胸徑為5 cm，每株被測木測量胸徑、樹高和冠幅等測樹因子，同時記錄相應的林分特征(草本覆蓋度、灌木覆蓋度和郁閉度等)。胸徑測量使用胸徑圍尺，樹高使用激光測高儀進行測量。手持差分GNSS接收機用于精確定位樣地中心點地理坐標，差分所用基準站數(shù)據(jù)與機載LiDAR相同，從而保證數(shù)據(jù)處理的一致性。通過后差分處理得到，林下水平定位精度為1～2 m，高程定位精度為1～3 m。

為了得到樣地尺度內森林地上生物量，需要對單株木的生物量進行計算。本研究使用二元冪函數(shù)和對數(shù)異速生長模型。其方程如下:W=a(D2H)b；lg(W)=a+blg(D2H)。其中，W為待計算的樹木各組分生物量，D為所求樹木的胸徑，H為樹高，a和b為方程系數(shù)。森林地上部分的生物量通過樹木的干、皮、枝和葉生物量加和得到，不同樹種的模型參數(shù)見表1。由于樣地大小和遙感影像的像元分辨率不一致，本文利用樣地面積把樣地地上生物量轉化為單位面積下的森林地上生物量。

表1 不同樹種生物量模型系數(shù)表

2.2 光學遙感數(shù)據(jù)及預處理

光學遙感影像的光譜信息是反映描述植被生長及地表覆蓋的重要特征。從美國地質勘探局網(wǎng)站下載一景與研究區(qū)位置相對應的Landsat 8 OLI數(shù)據(jù)，數(shù)據(jù)行列號為122/25。影像成像時間為2016年8月1日，處于研究區(qū)植被生長季并且與機載LiDAR飛行時間相匹配[25]。利用ENVI 5.1對影像進行預處理，通過輻射定標將原始影像DN值轉化為輻射亮度值；利用FLAASH模型對影像進行大氣校正，將輻射亮度值轉化為地表反射率；選取30個地表控制點對影像進行幾何精校正，以減小圖形畸變誤差；為了對研究區(qū)進行分森林類型建模，利用地物特征點對影像進行監(jiān)督分類，主要分為針葉林、闊葉林、混交林和非森林4類。

2.3 LiDAR數(shù)據(jù)及預處理

機載LiDAR點云高密度屬性，可以反映森林的三維結構信息，從而可以彌補光學影像表征單一平面信息的不足。本研究于2016年8月在試驗區(qū)進行了機載LiDAR飛行實驗，用RIGEL公司的LMS-Q680i激光掃描系統(tǒng)獲取了177 km2的機載激光雷達全波形數(shù)據(jù)，激光器的工作波長為1 550 nm，激光束離散角為0.5 mrad，脈沖寬度3.5 ns，掃描角±30°。設計15條平行航線且飛行高度為1 900 m，通過高斯分解獲得離散點云信息，平均點云密度為8.9點/m2。利用Terrasolid軟件對原始點云進行分類，得到噪聲點、地面點和植被點。利用地面點進行不規(guī)則三角網(wǎng)(TIN)空間插值得到研究區(qū)的DEM(數(shù)字高程模型)。利用DEM對植被點的絕對高程進行高度歸一化處理，從而消除地形影響。

2.4 總體技術流程

1)應用樹木異速生長模型計算樣地內森林地上生物量，并與樣地坐標進行匹配，生成相應樣地森林地上生物量矢量點文件。

2)對機載激光雷達點云進行地形歸一化，得到消除地形信息的點云相對高度并提取相應LiDAR點云特征；對Landsat 8數(shù)據(jù)進行預處理，提取紅、綠、藍和近紅外4個波段在不同運算窗口下的5種紋理特征。

3)利用樣地生物量矢量文件匹配遙感特征因子，得到樣本數(shù)據(jù)。隨機選取60%樣本數(shù)據(jù)作為訓練樣本分別對點云和紋理特征進行單一因子建模并分析模型精度。

4)選擇精度較高的建模因子對研究區(qū)進行區(qū)分森林類型的多因子SVR建模，并對整個研究區(qū)進行森林地上生物量估測，利用剩余40%樣本進行精度驗證以及不確定性分析。技術路線如圖1所示。

圖1 研究路線圖

2.5 遙感影像紋理特征提取

根據(jù)分析不同相鄰像素之間差異性方法的不同，紋理特征提取算法也會存在一定差異?；叶裙采仃?GLCM)是目前最為常見的紋理統(tǒng)計分析方法，被廣泛應用于光學影像的森林參數(shù)估測。從原理上講，共生矩陣是用不同位置上像素的聯(lián)合概率密度所定義，主要包括一階概率統(tǒng)計和二階概率統(tǒng)計，它不僅可以描述影像亮度的分布規(guī)律，也可以反映相同灰度像素之間的位置分布特征[26]。對于給定像元在圖像(x,y)中的灰度值i，統(tǒng)計與距離為δ、灰度為j的像素(x+Δx,y+Δy)同時出現(xiàn)的概率P(i,j,δ,θ)，數(shù)學表達式如下：

P(i,j,δ,θ)={[(x,y),(x+Δx,y+Δy)]|f(x,y)=

i,f(x+Δx,y+Δy)=j;x=0,1,…,Nx-1;

y=0,1,…,Ny-1}。

其中：i,j=0,1,…L-1；x、y分別是圖像中的像素的橫縱坐標值；L為圖像的灰度級數(shù)；Nx、Ny分別為圖像的行列數(shù)。與光譜特征提取不同，紋理特征涉及到像元鄰域信息，本文通過設置運算窗口為3×3、5×5和7×7，對影像的紋理特征進行提取(見表2)。

2.6 機載激光雷達點云變量提取

機載衛(wèi)星定位系統(tǒng)所記錄點云高度為基于地球橢球面的大地高度，這種絕對高度與森林地上生物量沒有直接關系。點云高度歸一化是通過對點云的絕對高度減去對應點的DEM高程，得到地物點相對于地面的高度，從而消除地形的影響。首先，對分類后的地面點建立不規(guī)則三角網(wǎng)TIN，構建地表高程模型。然后，計算所有植被點到TIN表面的垂直高度，得到歸一化后的相對高度。由于點云分類算法的誤差，使得一些植被點可能會低于TIN表面，導致點云歸一化后的高度小于零，這些小于零的值在參數(shù)提取時沒有實際意義，需要把這些點的高度值歸為零，具體公式如下：

其中：Hc表示為歸一化后點云相對高度，h表示為點云絕對高程，hTIN表示地面點不規(guī)則三角網(wǎng)絕對高程。

由歸一化點云提取的高度分位數(shù)變量可以定量的描述植被冠層的高度分布(見圖2)，其統(tǒng)計學定義為：對于總體X和給定的α(0<α<1)，如果存在xα使得P{X≥xα}=α，則xα即為總體X的α分位數(shù)。

過大或過小的計算窗口都會使統(tǒng)計信息失去意義，根據(jù)不同尺度以及點云密度，計算窗口一般選擇為20～50 m。為了與Landsat 8影像分辨率匹配，選擇30 m×30 m的計算窗口進行H5、H10、H25、H50、H75、H90、H95和H99共8個點云高度分位數(shù)的提取。除了點云的高度變量，還對點云高度的進行了統(tǒng)計，并提取了最大值(Hmax)、平均值(Hmean)、標準差(Hstd)、植被回波與總回波比(Cov)和植被回波與地面回波比(Den)。

表2 提取紋理特征列表

圖2 點云冠層高度模擬

3 結果與分析

3.1 紋理特征建模

由表3可知，由于綠色植被對不同波段的波譜響應不同，模型的精度差異較大。綠光波段主要應用于區(qū)分森林類型或樹種，對健康茂盛植被的光譜反射能力較為敏感，對植被生化參數(shù)的差異性反映并不明顯，因此，對森林地上生物量建模精度較低，最高的建模精度出現(xiàn)在5×5窗口，R2=0.31，RMSE=35.54 t/hm2。藍光、紅光和近紅外波段對植被的葉綠素差異性較為敏感，在不同窗口，都有建模精度較高的情況出現(xiàn)，最高建模精度(R2=0.73，RMSE=22.32 t/hm2)出現(xiàn)在藍光波段7×7窗口處。同一波段不同窗口尺寸的建模精度差異較大，其中3×3窗口的建模精度最低(R2=0.09～0.17)。5×5和7×7建模精度相對較高，主要是因為較大的運算窗口使得像素間的樹冠和陰影比例差異更大，對應的紋理特征對地物之間的差異性反映更為敏感，從而導致較大運算窗口建模精度相對較高。

表3 不同波段和窗口大小的紋理特征建模結果

3.2 機載LiDAR點云特征建模

由圖3可知，歸一化后每棵樹的點云分布處于同一高度參考下，樹冠的點云分布剖面結構更加明顯。有利于利用樣地位置匹配點云，提取不同點云特征，并對每一個LiDAR點云變量進行SVR建模。

圖3 機載LiDAR點云歸一化結果對比

由表4可知，不同點云變量的的模型決定系數(shù)R2與RMSE變化趨勢一致，R2變化范圍為0.11～0.75，RMSE變化范圍為19.24～48.12 t/hm2。其中，點云的統(tǒng)計變量中，Hmean建模精度相對較高R2=0.60；植被覆蓋度變量(Cov)和植被點密度變量(Den)建模精度相對較低，R2分別為0.31和0.21；高度分位數(shù)變量的建模R2呈現(xiàn)正態(tài)分布趨勢，建模精度最高出現(xiàn)在H50，R2=0.75，之后向兩邊逐漸減小。這主要由于樹木冠層頂端分布面積較小，冠頂分布的激光點較少，使得高分位數(shù)不能充分描述樹木的冠層頂部，從而導致建模精度相對較低；隨著樹葉枝干的逐漸向外延伸，激光點數(shù)逐漸增多，當達到最大冠幅所處的高度位置(約為H50所在高度)時，激光點數(shù)達到一個峰值，此時高度信息較為穩(wěn)定，建模精度達到最高；隨著冠幅的不斷減小，由于遮擋等原因，激光點數(shù)呈現(xiàn)降低的趨勢，建模精度也隨之下降。

表4 LiDAR點云特征建模結果

3.3 融合點云和紋理特征的建模

SVR模型中，懲罰系數(shù)(C)以及核函數(shù)參數(shù)γ是主要的模型參數(shù)。當訓練數(shù)據(jù)被映射到高維空間中，γ主要反映訓練數(shù)據(jù)的可分離程度；過大的C值會導致過高的回歸精度，從而出現(xiàn)過擬合現(xiàn)象；過小的C值會降低模型對訓練樣本的擬合能力，從而導致模型精度降低。因此，選擇R2>0.5的變量進行森林地上生物量SVR建模。SVR建模結果如表5所示，C和γ值的浮動范圍分別為64～1024和16～512，不同森林類型的模型最優(yōu)參數(shù)值差異較大，如果針對不同森林類型使用相同的模型參數(shù)值，會導致模型精度降低，從而失去參數(shù)優(yōu)化的意義。對于不區(qū)分森林類型的情況，建模R2=0.76，相對于只考慮單一的點云特征H50(R2=0.75)提高了0.01。對于區(qū)分森林類型，建模R2和RMSE相對于不區(qū)分森林類型的模型有了一定程度提高，具體表現(xiàn)為針葉林優(yōu)于混交林，主要由于混交林的樹種和成份較為復雜，林分異質性較大，因而紋理信息和激光雷達回波信息的變化也較大，從而導致模型擬合程度較低。

表5 不同森林類型的融合特征建模結果

分別利用不同森林類型SVR模型，對整個研究區(qū)進行森林地上生物量估測，由于缺少闊葉林建模樣本，闊葉林區(qū)域用混交林模型進行預測。利用剩余40%獨立驗證樣本，對估測結果進行預測能力分析。

由圖4可知，針葉林和混交林的驗證R2分別為0.80和0.75，相比于建模R2分別降低了0.01和0.03，降低程度并不明顯；體現(xiàn)在RMSE上，預測的RMSE分別為19.63和20.40 t/hm2，相比于建模的RMSE，針葉林提高了2.31 t/hm2，混交林提高了1.11 t/hm2，沒有出現(xiàn)過大的降低或升高，說明模型的泛化能力較好，沒有出現(xiàn)過擬合的現(xiàn)象。

圖4 生物量估測結果驗證

4 結論與討論

以大興安嶺生態(tài)觀測站為研究區(qū)，綜合利用光學影像紋理特征和機載激光雷達點云特征，采用SVR建模方法，對森林地上生物量進行了估測，得到結論如下：

(1)不同波段和窗口尺寸的紋理因子建模精度差異較大，綠光波段對森林地上生物量的差異性反映較弱，建模精度較低，R2=0.31；較大的運算窗口使得像素間的差異性被放大，從而使得建模精度較高，R2=0.73。紋理因子所體現(xiàn)出的林層結構和冠層陰影間的差異性，使得光學影像的紋理特征可以作為森林生物量估測的參考。

(2)機載激光雷達點云能夠精細描述森林冠層結構特征，對于點云的統(tǒng)計變量，Hmean的建模R2相對較高為0.60；點云高度分位數(shù)變量的建模精度呈正態(tài)分布，H50處的點云高度信息較為穩(wěn)定，建模的R2最高為0.75。

(3)不同森林類型的SVR模型最優(yōu)參數(shù)值變化較大，說明SVR模型的內在參數(shù)在一定程度上影響著建模的精度；融合紋理特征和點云特征的建模精度相較于單一變量有了一定程度的提高，針葉林模型的精度優(yōu)于混交林，且建模精度和預測精度呈現(xiàn)較好的一致性，模型的泛化能力較好。

由于區(qū)域性森林地上生物量估測不同于小范圍森林地上生物量估測，影響其估測精度的不確定性誤差因素較多，雖然本文綜合利用光學影像紋理特征和機載激光雷達點云特征，對區(qū)域性的森林地上生物量進行了估測，但是仍有一些不確定的因素未考慮到。光學影像的紋理特征主要通過分析像元光譜信息特征，體現(xiàn)不同地物特征之間的差異性，F(xiàn)oody et al.[5]認為在低郁閉度或地形起伏較大的森林覆蓋區(qū)域，較低分辨率的Landsat 8 OLI數(shù)據(jù)的光譜信息易受土壤的生理特性或地形高差影響，導致由單一的光譜波段產生的紋理信息不能準確描述真實的植被特征，從而使得森林地上生物量的估測誤差產生10～15 t/hm2的不確定性。另外，同樣受到地形起伏的影響，機載激光雷達點云的濾波算法會不可避免的產生錯分誤差，某些明顯的植被點或建筑物點會歸為地面點，從而導致由地面點產生的TIN三角網(wǎng)不能準確描述地形特征，進而使得歸一化后的點云高度與實際地物高度產生偏差，這些偏差會直接影響點云變量的提取精度。龐勇等[12]用激光雷達點云數(shù)據(jù)對地形起伏相對較小的小興安嶺森林組分生物量進行了反演，反演結果R2均大于0.8，優(yōu)于本文的估測結果。雖然這些誤差來源會在一定程度上影響建模精度，但是本文的結果與Sarker et al.[27]和付甜等[28]的估測結果相比，精度有了相應的提高。因此，融合紋理和機載激光雷達點云特征的森林地上生物量估測思路可以為后續(xù)的研究提供相應的理論和實踐支持。

[1] 張志,田昕,陳爾學,等.森林地上生物量估測方法研究綜述[J].北京林業(yè)大學學報,2011,33(5):144-150.

[2] 王維芳,宋麗楠,隋欣.帽兒山林場森林生物量估測及時空動態(tài)格局分析[J].東北林業(yè)大學學報,2010,38(1):47-49.

[3] 張志東,臧潤國.基于植被指數(shù)的海南島霸王嶺熱帶森林地上生物量空間分布模擬[J].植物生態(tài)學報,2009,33(5):833-841.

[4] 國慶喜,張鋒.基于遙感信息估測森林的生物量[J].東北林業(yè)大學學報,2003,31(2):13-16.

[5] FOODY G M, BOYD D S, CUTLER M E J. Predictive relations of tropical forest biomass from Landsat TM data and their transferability between regions[J].Remote Sensing of Environment,2003,85(4):463-474.

[6] 李明詩,譚瑩,潘潔,等.結合光譜、紋理及地形特征的森林生物量建模研究[J].遙感信息,2006(6):6-9.

[7] KUPLICH T. M, CURRAN P. J, ATKINSON P. M. Relating SAR image texture to the biomass of regenerating tropical forests[J]. International Journal of Remote Sensing,2005,26(21):4829-4854.

[8] CHAMPION I, DUBOIS‐FERNANDEZ P, GUYON D, et al. Radar image texture as a function of forest stand age[J]. International Journal of Remote Sensing,2008,29(6):1795-1800.

[9] 劉東起,范文義,李明澤.利用小光斑激光雷達估測林分參數(shù)和生物量[J].東北林業(yè)大學學報,2012,40(1):39-43.

[10] 尤號田,邢艷秋,王萌,等.小光斑激光雷達數(shù)據(jù)估測森林生物量研究進展[J].森林工程,2014,30(3):39-42.

[11] 曹林,佘光輝,代勁松,等.激光雷達技術估測森林生物量的研究現(xiàn)狀及展望[J].南京林業(yè)大學學報(自然科學版),2013,37(3):163-169.

[12] 龐勇,李增元.基于機載激光雷達的小興安嶺溫帶森林組分生物量反演[J].植物生態(tài)學報,2012,36(10):1095-1105.

[13] TAKAGI K, YONE Y, TAKAHASHI H, et al. Forest biomass and volume estimation using airborne LiDAR in a cool-temperate forest of northern Hokkaido, Japan[J]. Ecological Informatics,2015,26(3):54-60.

[14] GONZALEZ P, ASNER G P, BATTLES J J, et al. Forest carbon densities and uncertainties from Lidar, QuickBird, and field measurements in California[J]. Remote Sensing of Environment,2010,114(7):1561-1575.

[15] LEFSKY M A, COHEN W B, HARDING D J, et al. Lidar remote sensing of above‐ground biomass in three biomes[J]. Global Ecology and Biogeography,2002,11(5):393-399.

[16] 申鑫,曹林,佘光輝.高光譜與高空間分辨率遙感數(shù)據(jù)的亞熱帶森林生物量反演[J].遙感學報,2016,20(6):1446-1460.

[17] NELSON R F, HYDE P, JOHNSON P, et al. Investigating RaDAR-LiDAR synergy in a North Carolina pine forest[J]. Remote Sensing of Environment,2007,110(1):98-108.

[18] ZHAO K, POPESCU S, NELSON R. Lidar remote sensing of forest biomass: A scale-invariant estimation approach using airborne lasers[J]. Remote Sensing of Environment,2009,113(1):182-196.

[19] GLEASON C J, IM J. Forest biomass estimation from airborne LiDAR data using machine learning approaches[J]. Remote Sensing of Environment,2012，125:80-91.

[20] DURBHA S S, KING R L, YOUNAN N H, et al. Support vector machines regression for retrieval of leaf area index from multiangle imaging spectroradiometer[J]. Remote Sensing of Environment,2007,107(1/2):348-361.

[21] 穆喜云,張秋良,劉清旺,等.基于機載LiDAR數(shù)據(jù)的林分平均高及郁閉度反演[J].東北林業(yè)大學學報,2015(9):84-89.

[22] 鮑春生,白艷,青梅,等.興安落葉松天然林生物生產力及碳儲量研究[J].內蒙古農業(yè)大學學報(自然科學版),2010,31(2):77-82.

[23] 韓銘哲,周曉峰.興安落葉松-白樺林生態(tài)系統(tǒng)生物量和凈初級生產量的研究[M].哈爾濱:東北林業(yè)大學出版社,1994.451-458.

[24] 羅云建,王效科等.中國主要林木生物量模型手冊[M].北京,中國林業(yè)出版社,2015:170-171.

[25] 徐婷,曹林,申鑫,等.基于機載激光雷達與Landsat 8 OLI數(shù)據(jù)的亞熱帶森林生物量估算[J].植物生態(tài)學報,2015,39(4):309-321.

[26] 侯群群,王飛,嚴麗.基于灰度共生矩陣的彩色遙感圖像紋理特征提取[J].國土資源遙感,2013,25(4):26-32.

[27] SARKER L R, NICHOL J E. Improved forest biomass estimates using ALOS AVNIR-2 texture indices[J]. Remote Sensing of Environment,2011,115(4):968-977.

[28] 付甜,龐勇,黃慶豐,等.亞熱帶森林參數(shù)的機載激光雷達估測[J].遙感學報,2011,15(5):1092-1104.