周俊宏，王子芝，廖聲熙※，吳文君，李 立，劉文斗

（1. 中國(guó)林業(yè)科學(xué)研究院資源昆蟲研究所，昆明 650224；2. 南京林業(yè)大學(xué)，南京 210037；3. 國(guó)家林業(yè)和草原局香格里拉草地生態(tài)系統(tǒng)國(guó)家定位觀測(cè)研究站，迪慶 674499）

0 引 言

森林是地球上最大的碳庫(kù)，最為復(fù)雜的陸地生態(tài)系統(tǒng)，維持著生態(tài)環(huán)境平衡，為人類提供了至關(guān)重要的資源和服務(wù)[1]。森林地上生物量（Aboveground Biomass，AGB）可以反映森林生態(tài)系統(tǒng)質(zhì)量，常作為森林長(zhǎng)勢(shì)和生產(chǎn)力估測(cè)的重要指標(biāo)，在全球碳循環(huán)中扮演重要角色[2]。準(zhǔn)確估算森林AGB及其分布對(duì)碳循環(huán)研究具有重要作用。目前，森林生物量估算方法主要包括傳統(tǒng)測(cè)量法和遙感監(jiān)測(cè)法，其中遙感技術(shù)具有快速、準(zhǔn)確和無(wú)破壞地進(jìn)行大面積監(jiān)測(cè)等優(yōu)點(diǎn)，成為森林AGB研究的主要技術(shù)手段。許多學(xué)者研究證明森林生物量與遙感因子之間存在著復(fù)雜的非線性關(guān)系[3-4]。潘磊等[5]通過(guò)Sentinel影像構(gòu)建多元線性逐步回歸模型估算了林場(chǎng)杉木林地上生物量。曾晶等[6]利用GF-1遙感影像提取波段信息和植被指數(shù)，結(jié)合實(shí)測(cè)數(shù)據(jù)估算嶗山林場(chǎng)森林地上生物量。此外，高空間分辨率遙感數(shù)據(jù)豐富的紋理和空間拓?fù)湫畔?，可有效提高生物量的估算精度。黃金龍等[7]基于伊科諾斯（IKONOS）遙感影像提取的樹冠信息構(gòu)建紫金山針、闊葉林的生物量估算模型，決定系數(shù)均達(dá)到0.5以上；Zhang等[8]在估算生物量時(shí)考慮GF-1光譜、紋理信息，其估算精度提高了53.54%；蒙詩(shī)櫟等[9]利用WorldView-2遙感影像構(gòu)建的植被指數(shù)和紋理信息生物量估算模型，決定系數(shù)提高到0.85。這些研究表明高分辨率影像在森林生物量估算中具有一定潛力和優(yōu)勢(shì)，但僅針對(duì)較小的研究區(qū)域，而且構(gòu)建多因子森林生物量估算模型的研究較少，同時(shí)，遙感衛(wèi)星數(shù)據(jù)估算森林生物量還存在著不同區(qū)域估算模型可轉(zhuǎn)移性弱的問(wèn)題[10]。

普達(dá)措國(guó)家公園于2006年成立，是中國(guó)第一個(gè)國(guó)家公園，位于青藏高原東南緣滇西北“三江并流”世界自然遺產(chǎn)中心地帶，生物多樣性極其豐富，對(duì)國(guó)家重點(diǎn)生態(tài)功能區(qū)的生態(tài)環(huán)境保護(hù)和利用有著舉足輕重的作用[11]。在全球氣候變化加劇背景下，研究森林生物量與生態(tài)環(huán)境的關(guān)系成為重點(diǎn)和熱點(diǎn)問(wèn)題[1,12]。目前，學(xué)者主要對(duì)香格里拉地區(qū)云、冷杉、高山松等[13-14]優(yōu)勢(shì)樹種和納帕海高原濕地植被[15-16]生物量進(jìn)行了大量研究，更多使用傳統(tǒng)地面調(diào)查方法和中低分辨率遙感數(shù)據(jù)，而且缺乏對(duì)該區(qū)代表性森林植被群落生物量的遙感監(jiān)測(cè)和分布研究。隨著高分辨率遙感衛(wèi)星數(shù)據(jù)的廣泛應(yīng)用，其在生物量估算研究的優(yōu)勢(shì)逐步顯現(xiàn)，國(guó)產(chǎn)高分一號(hào)（GF-1）遙感數(shù)據(jù)空間分辨率最高可達(dá)2 m[17]，有望解決亞高山天然林森林生物量遙感估算精度較低的問(wèn)題。

綜上，本研究以普達(dá)措國(guó)家公園為研究區(qū)，結(jié)合GF-1遙感數(shù)據(jù)與數(shù)字高程數(shù)據(jù)，通過(guò)提取多個(gè)表征森林生物量的建模因子，采用多元線性逐步回歸（Multiple Linear Step Regression，MLSR）模型、支持向量機(jī)（Support Vector Machine，SVM）模型、BP神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network，BPNN）模型和隨機(jī)森林（Random Forest，RF）模型估算森林地上生物量，比較各模型估算生物量的精度，分析普達(dá)措國(guó)家公園森林生物量空間分布特征。研究結(jié)果將為普達(dá)措國(guó)家公園森林資源的動(dòng)態(tài)監(jiān)測(cè)、功能區(qū)劃和保護(hù)管理提供科學(xué)依據(jù)。

1 材料與方法

1.1 研究區(qū)概況

普達(dá)措國(guó)家公園隸屬云南省迪慶藏族自治州香格里拉 市（99°52′17″E～100°11′38″E，27°43′56″N～28°04′28″N），地處中國(guó)青藏高原與云貴高原過(guò)渡帶，位居橫斷山脈高山峽谷區(qū)北段，地質(zhì)構(gòu)造復(fù)雜，地勢(shì)東南高西北低，海拔跨度大，如圖1所示。屬高原季風(fēng)氣候，太陽(yáng)輻射強(qiáng)、氣溫低、干濕季分明、季節(jié)差異大，年均降水量606～700 mm，年均氣溫5.4 ℃。公園森林覆蓋率達(dá)84%，主要為云、冷杉林和硬葉常綠闊葉林，保存了發(fā)育良好的森林、濕地和草甸生態(tài)系統(tǒng)，是中國(guó)種子植物特有屬、種高度集中的中心地區(qū)之一[18]。

1.2 數(shù)據(jù)來(lái)源與預(yù)處理

1）遙感影像數(shù)據(jù)

本研究使用的遙感影像為2015年8月6日成像的2景GF-1全色多光譜（Panchromatic Multispectral Sensor，PMS）衛(wèi)星數(shù)據(jù)，下載自中國(guó)資源衛(wèi)星應(yīng)用中心（http://www.cresda.com/CN/），影像質(zhì)量良好，包括2 m全色和8 m多光譜，具有豐富的地表信息[17]。在ENVI 5.3遙感圖像處理軟件中對(duì)影像進(jìn)行預(yù)處理，步驟如下：對(duì)GF-1 PMS影像進(jìn)行輻射定標(biāo)、大氣校正，以消除傳感器本身及大氣的影響，提高植被反射率的準(zhǔn)確性[19]；經(jīng)正射校正和幾何校正后，使用地形校正（topographic correction）擴(kuò)展工具中引入半經(jīng)驗(yàn)系數(shù)的森林地形輻射校正模型實(shí)現(xiàn)地形校正，去除研究區(qū)地形的影響；最后對(duì)影像進(jìn)行最鄰近擴(kuò)散融合、拼接和裁剪處理[20]。

2）樣地?cái)?shù)據(jù)

樣地調(diào)查數(shù)據(jù)采用迪慶州森林資源規(guī)劃設(shè)計(jì)調(diào)查數(shù)據(jù)，調(diào)查時(shí)間為2016年，普達(dá)措國(guó)家公園范圍內(nèi)共計(jì)3 464個(gè)小班，其中森林有1 794個(gè)小班（表1），用于森林樣本生物量統(tǒng)計(jì)及生物量估算模型構(gòu)建。根據(jù)林齡信息將普達(dá)措國(guó)家公園森林劃分為幼齡林、中齡林、近熟林、成熟林和過(guò)熟林。

表1 不同森林類型小班信息Table 1 Information on subcompartment of different forest types

3）數(shù)字高程數(shù)據(jù)

從美國(guó)地質(zhì)勘探局（https://earthexplorer.usgs.gov/）下載研究區(qū)范圍的4景30 m航天飛機(jī)雷達(dá)地形測(cè)繪數(shù)字高程數(shù)據(jù)（Digital Elevation Model，DEM），用于上述GF-1影像地形校正及研究區(qū)海拔（m）、坡度（°）和坡向的數(shù)據(jù)提取。

1.3 生物量估算

1.3.1 樣本生物量計(jì)算

根據(jù)方精云等[21]研究，森林蓄積量與生物量之間呈一定的線性函數(shù)關(guān)系如式（1）所示

式中B為單位面積樣本生物量，t/hm2；V為單位面積樣本蓄積量，m3/hm2；a、b為對(duì)應(yīng)森林類型系數(shù)[22]。本研究采用Wang等[22]推導(dǎo)的不同森林類型生物量與蓄積量轉(zhuǎn)換公式，計(jì)算研究區(qū)各森林類型的樣本生物量。

1.3.2 建模因子的選取

構(gòu)建生物量估算模型，首先需考慮建模因子選取。本研究基于GF-1影像和DEM數(shù)據(jù)，提取波段信息、植被指數(shù)、紋理信息和地形因子特征變量。首先利用地理信息系統(tǒng)平臺(tái)ArcGIS 10.3提取出3個(gè)DEM地形因子、4個(gè)原始波段特征；并通過(guò)波段運(yùn)算[23]得到28個(gè)波段比值和6個(gè)植被指數(shù)特征；同時(shí)采用灰度共生矩陣方法提取遙感影像3×3和9×9窗口大小[24]的64個(gè)紋理特征。最后，利用統(tǒng)計(jì)分析軟件R中的隨機(jī)森林算法評(píng)價(jià)這105個(gè)特征變量的重要性，根據(jù)節(jié)點(diǎn)純度（IncNodePurity）越高表示變量重要性越強(qiáng)原則[25]，選取前15個(gè)高節(jié)點(diǎn)純度特征變量為建模因子，并采用最大最小歸一化法消除各因子間的數(shù)量級(jí)差別，均轉(zhuǎn)換為無(wú)量綱數(shù)值。

1.3.3 模型構(gòu)建與精度評(píng)價(jià)

根據(jù)建立的建模因子與樣本生物量數(shù)據(jù)集，在統(tǒng)計(jì)分析軟件R中分別構(gòu)建多元線性逐步回歸、支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)和隨機(jī)森林經(jīng)驗(yàn)?zāi)Ｐ汀?/p>

多元線性逐步回歸方法的建模方程如式（2）所示

式中y為樣本生物量，無(wú)量綱；xj為篩選所得各個(gè)建模因子，無(wú)量綱；aj為回歸系數(shù)；C為方程常數(shù)項(xiàng)。逐步回歸法確定進(jìn)入回歸模型的建模因子時(shí)，需對(duì)建模因子進(jìn)行共線性檢驗(yàn)，并移除相應(yīng)變量以去除各建模因子之間的共線性。

支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)和隨機(jī)森林均屬于非參數(shù)化方法[26-27]。支持向量機(jī)模型使用e1071程序包構(gòu)建，經(jīng)調(diào)試、精度驗(yàn)證后，得出精度最高的函數(shù)Kernel和徑向基核函數(shù)的參數(shù)gamma，本研究分別調(diào)試為radial和0.05。通過(guò)neuralnet程序包構(gòu)建神經(jīng)網(wǎng)絡(luò)生物量估算模型，建模過(guò)程中主要調(diào)試隱含層數(shù)量hidden和訓(xùn)練步長(zhǎng)stepmax 2個(gè)參數(shù)，本研究分別調(diào)試為c(15，5)、10 000 000。隨機(jī)森林算法則采用randomForest程序包實(shí)現(xiàn)，影響該模型精度的參數(shù)為決策樹的數(shù)量ntree和特征個(gè)數(shù)mtry，本研究分別調(diào)試為3 000和5。

以上4種模型均采用十折交叉驗(yàn)證[28]，將數(shù)據(jù)集隨機(jī)分成10份，依次將其中9份用于訓(xùn)練建立估算模型，1份用于驗(yàn)證。每個(gè)模型精度均由決定系數(shù)（coefficient of determination，R2）、均方根誤差（Root Mean Square Error，RMSE）和相對(duì)均方根誤差（Relative Root Mean Square Error，RRMSE，%）評(píng)價(jià)[23]，分別如式（3）～式（5）所示

1.4 普達(dá)措森林地上生物量空間分析

利用生物量估算模型與樣本數(shù)據(jù)反演區(qū)域森林生物量，是研究森林生物量空間格局的方法之一[7]。本研究以30 m×30 m為單位網(wǎng)格，基于GF-1 PMS影像提取用于模型構(gòu)建的建模因子，再對(duì)比MLSR、SVM、BPNN和RF模型的精度效果，從中選擇最優(yōu)生物量估算模型進(jìn)行普達(dá)措國(guó)家公園森林地上生物量反演，并制成生物量空間分布圖。同時(shí)，基于DEM高程數(shù)據(jù)，將海拔按500 m間隔劃分為5級(jí)：≤2 500 m、＞2 500～3 000 m、＞3 000～3 500 m、＞3 500～4 000 m、＞4 000 m；坡向則根據(jù)坡向值劃分為4類：陰坡（0～22.5，337.5～360）、半陰坡（22.5～112.5，292.5～337.5）、陽(yáng)坡（157.5～202.5）、半陽(yáng)坡（112.5～157.5，202.5～292.5）[29]，最后利用ArcGIS 10.3空間疊加與統(tǒng)計(jì)工具，分析不同海拔、坡向森林地上生物量的空間分布特征。

2 結(jié)果與分析

2.1 樣本生物量統(tǒng)計(jì)

研究區(qū)森林類型以云、冷杉、高山松、落葉松和櫟類居多，根據(jù)生物量與蓄積量轉(zhuǎn)換公式計(jì)算得到森林樣本生物量（圖2）。研究區(qū)樣本生物量為3.80～295.97 t/hm2，生物量高于100 t/hm2主要為過(guò)熟林和成熟林，分別占有林地面積54.75%和31.80%。由圖2可以看出樣本生物量集中在80～130 t/hm2，以成熟林為主，總體上普達(dá)措國(guó)家公園以熟齡林為主，境內(nèi)天然林保育良好，生物量較高。

2.2 建模因子選取結(jié)果

為篩選生物量估算模型的建模因子，利用R軟件中隨機(jī)森林包的IncNodePurity對(duì)基于GF-1影像和DEM數(shù)據(jù)提取的105個(gè)特征變量與樣本生物量進(jìn)行重要性分析，重要性越大，表明其在模型中起到的作用越大。選出15個(gè)高節(jié)點(diǎn)純度的特征變量（表2），包括8個(gè)波段特征、5個(gè)紋理特征和2個(gè)植被指數(shù)特征。重要性從大到小依次為9MEA2、9MEA3、3MEA2、3MEA3、R432、R412、I2、9MEA1、R324、G、R132、SAVI、NDVI、R和R12。其中，波段特征數(shù)量過(guò)半，可以看出GF-1影像波段信息對(duì)生物量估算影響較大，尤其是與植被生長(zhǎng)密切相關(guān)的紅波段和近紅波段；紋理特征僅保留了均值紋理濾波，說(shuō)明他對(duì)生物量估算有較高貢獻(xiàn)[8,30]，以9×9窗口紋理值的重要性最高；而植被指數(shù)特征中，僅SAVI和NDVI具有較高重要性。因此，將他們作為建模因子構(gòu)建生物量估算模型，這與前人研究結(jié)果相似[30-32]。

2.3 生物量估算模型及精度驗(yàn)證

利用建模因子與樣本生物量構(gòu)建多元線性逐步回歸（Multiple Linear Step Regression，MLSR）模型、支持向量機(jī)（Support Vector Machine，SVM）模型、BP神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network，BPNN）模型和隨機(jī)森林（Random Forest，RF）模型，經(jīng)回歸分析，發(fā)現(xiàn)優(yōu)化后的模型能更好模擬生物量與各因子之間的關(guān)系，有效提高了生物量的估算精度。其中MLSR模型表達(dá)式為

經(jīng)十折交叉驗(yàn)證，模型精度評(píng)價(jià)如圖3所示，非參數(shù)模型在描述生物量與因子關(guān)系時(shí)更具優(yōu)勢(shì)，3個(gè)非參數(shù)模型的估算精度（R2為0.49～0.77）均高于線性模型（R2為0.39）。根據(jù)RMSE和RRMSE值，RF模型的效果最好，分別為27.53 t/hm2、21.53%，其R2為0.77，比MLSR模型約高出1倍，有效提高了生物量的估算精度。對(duì)比4種算法，RF模型效果最優(yōu)，BPNN模型和SVM模型精度較為接近，效果次之，MLSR模型效果欠佳。4種模型在樣本生物量為50～150 t/hm2期間的估算效果最好，但出現(xiàn)的生物量高值區(qū)域部分估值偏低、低值區(qū)域部分估值偏高現(xiàn)象，導(dǎo)致RMSE偏大，可考慮按森林齡組分別估算生物量[33]以減小誤差。

表2 建模因子匯總Table 2 Summary of modeling factors

2.4 研究區(qū)森林地上生物量空間分布

普達(dá)措國(guó)家公園位于怒江、瀾滄江、金沙江三江并流區(qū)域，森林立地環(huán)境優(yōu)良，植被茂盛。通過(guò)模型精度效果對(duì)比，選擇綜合性能最優(yōu)的RF模型進(jìn)行該區(qū)森林地上生物量遙感估算。得出研究區(qū)森林生物量總量為7 085 614 t，生物量在35～229 t/hm2，平均值為136.01 t/hm2。與岳彩榮[4]利用TM數(shù)據(jù)估算的香格里拉市主要森林平均生物量123.21 t/hm2相比，高于全市平均水平，表明普達(dá)措國(guó)家公園森林質(zhì)量?jī)?yōu)，成、過(guò)熟林較多，森林生物量較高，與上述統(tǒng)計(jì)的研究區(qū)森林樣本生物量情況基本一致。根據(jù)方精云等[21]研究結(jié)果，亞高山針葉林生物量平均值為135～140 t/hm2，常綠闊葉林和溫帶落葉闊葉林生物量平均值為70～90 t/hm2，針葉林生物量比闊葉林高出71.88%，普達(dá)措國(guó)家公園主要為亞高山暗針葉林和寒溫帶針葉林，包含部分常綠闊葉林和落葉闊葉林，因此森林生物量密度較大。

按自然間斷點(diǎn)分類法將RF模型估算的生物量劃分等級(jí)（表3），生成普達(dá)措國(guó)家公園生物量空間分布圖（圖 4）。由表3可知，較高生物量區(qū)森林面積占比最大，其次是中等生物量區(qū)，較高和中等生物量區(qū)域面積之和占研究區(qū)森林面積的67.1%，為普達(dá)措國(guó)家公園貢獻(xiàn)了70%生物量；整體分布與劉莉等[34]所得結(jié)果一致，估算結(jié)果合理。

表3 普達(dá)措國(guó)家公園森林不同分級(jí)生物量統(tǒng)計(jì)Table 3 Different classification statistics of forest biomass in the Potatso National Park

研究區(qū)內(nèi)森林群落結(jié)構(gòu)穩(wěn)定，保持著天然的植被生長(zhǎng)環(huán)境。生物量≤64 t/hm2的林區(qū)主要分布于公園中部溝谷地區(qū)、北部及南部邊緣地區(qū)；生物量范圍在＞64～100 t/hm2的林區(qū)分布范圍廣，集中于公園中部；生物量范圍在＞100～135 t/hm2的林區(qū)廣布山區(qū)的中下部分；生物量范圍在＞135～171 t/hm2的林區(qū)分布面積大，主要集中于公園東南及北部；生物量＞171 t/hm2的林區(qū)面積較小，散落在公園北部。高生物量區(qū)域主要集中于交通不便、人為干擾活動(dòng)少的北部和南部地區(qū)，保存有云南紅豆杉（Taxus yunnanensis）、云南榧樹（Torreya fargesiivar.yunnanensis）和油麥吊云杉（Picea brachytyla）等珍稀瀕危植物，被區(qū)劃為普達(dá)措國(guó)家公園嚴(yán)格保護(hù)區(qū)，森林植被類型有亞高山暗針葉林群落和寒溫帶針葉林群落，貢獻(xiàn)較高生物量；而低生物量區(qū)域被區(qū)劃為生態(tài)保育區(qū)和傳統(tǒng)利用區(qū)，主要分布在道路周圍和人類活動(dòng)密集區(qū)域，植被類型有硬葉常綠闊葉林和山地溫帶落葉闊葉林?？傊者_(dá)措國(guó)家公園森林生物量密度大，具有較高的碳儲(chǔ)量和固碳潛力，在中國(guó)滇西北高原生物多樣性保護(hù)與水源涵養(yǎng)中占有重要地位，但其生態(tài)保育區(qū)及傳統(tǒng)利用區(qū)受人類活動(dòng)影響使之森林生物量相對(duì)較低，應(yīng)采取相關(guān)管控措施加強(qiáng)普達(dá)措國(guó)家公園的保護(hù)和管理。

地形是影響森林分布的重要因素，王曉莉等[29]研究發(fā)現(xiàn)地形因子對(duì)森林生物量空間格局有顯著影響。通過(guò)將普達(dá)措森林生物量與DEM數(shù)據(jù)進(jìn)行疊加分析，得出不同坡向、海拔的生物量分布情況（圖5）。由圖5a可知，半陰坡森林總生物量大于陰坡、陽(yáng)坡和半陽(yáng)坡，但陰坡的平均生物量最高，為124.66 t/hm2；其次，半陰坡和半陽(yáng)坡森林面積占比大，生物量高，為研究區(qū)森林生物量的主要分布區(qū)域。結(jié)果顯示，從坡向來(lái)看，陰坡、陽(yáng)坡、半陰坡和半陽(yáng)坡森林面積占比分別為13.01%、11.59%、38.91%和36.49%，其生物量均值在105.61～124.66 t/hm2之間。各坡向總生物量占比差異明顯：陰坡13.70%、陽(yáng)坡10.37%、半陰坡40.95%、半陽(yáng)坡34.98%。從平均生物量來(lái)看，陰坡、半陰坡較高，平均高出其他坡向20.48%，森林長(zhǎng)勢(shì)更好，其余依次為半陽(yáng)坡和陽(yáng)坡。

由圖5b可知，海拔對(duì)普達(dá)措國(guó)家公園森林生物量空間格局影響更為顯著。研究區(qū)海拔范圍2 308～4 550 m，其中＞3 500～4 000 m區(qū)域面積最大，約占研究區(qū)森林總面積62%，≤2 500 m區(qū)域森林面積最小。結(jié)果顯示，隨著海拔升高，總體上生物量呈近似正態(tài)分布規(guī)律的空間分布特征，與前人研究結(jié)果相似[14]，≤2 500 m區(qū)域生物量?jī)H占總生物量0.39%，而海拔＞3 000～4 000 m生物量占83.67%。平均生物量隨著海拔升高總體呈先增加后減小的趨勢(shì)，其中，＞3 500～4 000 m寒溫性針葉林和硬葉常綠闊葉林成熟林較多，平均生物量最高，為126.56 t/hm2；而≤2 500 m區(qū)域，由于人類生產(chǎn)活動(dòng)，中幼林偏多，且植被長(zhǎng)勢(shì)較差，平均生物量最低；其余大小順序依次為＞4 000 m、＞3 000～3 500 m、＞2 500～3 000 m。

3 結(jié) 論

基于國(guó)產(chǎn)高分一號(hào)（GF-1）全色多光譜（Panchromatic Multispectral Sensor，PMS）衛(wèi)星影像和數(shù)字高程數(shù)據(jù)，通過(guò)構(gòu)建不同經(jīng)驗(yàn)?zāi)Ｐ蛯?duì)普達(dá)措國(guó)家公園進(jìn)行森林地上生物量估算，在克服構(gòu)建區(qū)域多特征因子高精度模型困難的同時(shí)填補(bǔ)了滇西北亞高山地區(qū)高分辨率森林資源信息。本研究主要有以下結(jié)論：

1）GF-1數(shù)據(jù)的紋理及波段信息能較好表達(dá)森林生物量，在估算生物量中具有明顯優(yōu)勢(shì)。本研究中，利用十折交叉驗(yàn)證獲得模型評(píng)價(jià)結(jié)果：非參數(shù)模型決定系數(shù)（coefficient of determination，R2）為0.49～0.77，優(yōu)于線性模型（R2為0.39）；構(gòu)建的隨機(jī)森林經(jīng)驗(yàn)?zāi)Ｐ驮谶b感估算森林地上生物量中具有重要潛力，R2為0.77，均方根誤差（Root Mean Square Error，RMSE）為27.53 t/hm2，相對(duì)均方根誤差（Relative Root Mean Square Error，RRMSE）為21.53%，生物量估算的結(jié)果可靠，滿足一般生產(chǎn)需求，可應(yīng)用于農(nóng)林生產(chǎn)和經(jīng)營(yíng)監(jiān)測(cè)；

2）利用最優(yōu)模型隨機(jī)森林算法估算普達(dá)措國(guó)家公園森林地上生物量，研究區(qū)生物量總計(jì)7 085 614 t，平均值為136.01 t/hm2，生物量空間分布呈北高南低，天然林長(zhǎng)勢(shì)較好。不同生物量等級(jí)所占面積大小順序?yàn)檩^高生物量區(qū)、中等生物量區(qū)、較低生物量區(qū)、低生物量區(qū)、高生物量區(qū)。較高和中等生物量區(qū)域面積之和占研究區(qū)森林面積的67.1%，主要植被類型為亞高山暗針葉林和寒溫帶針葉林群落，是國(guó)家公園的嚴(yán)格保護(hù)區(qū)，原始森林保育及生態(tài)保護(hù)較好，為云南紅豆杉（Taxus yunnanensis）、云南榧樹（Torreya fargesiivar.yunnanensis）和油麥吊云杉（Picea brachytyla）等珍稀瀕危植物提供了良好生境；

3）在坡向方面，普達(dá)措的陰坡、半陰坡平均森林生物量明顯高于其他坡向，立地條件較好。不同海拔帶生物量分布以＞3 500～4 000 m最多，且平均生物量最高，與保護(hù)目標(biāo)“天然寒溫性針葉林和硬葉常綠闊葉林”的海拔分布范圍相符；海拔由低到高其平均生物量呈現(xiàn)先增加后降低的分布規(guī)律，與高山地區(qū)的水熱分布規(guī)律和人類干擾情況趨于一致。

總之，普達(dá)措國(guó)家公園森林生物量較高，成、過(guò)熟林占比大，森林生態(tài)系統(tǒng)穩(wěn)定，本研究結(jié)果有助于認(rèn)識(shí)普達(dá)措國(guó)家森林公園植被分布特征，在制定公園內(nèi)植物多樣性保護(hù)規(guī)劃時(shí)應(yīng)優(yōu)先保護(hù)生物量較高的區(qū)域，為該區(qū)域資源管理及相關(guān)研究提供借鑒。