關(guān)鍵詞森林蓄積量;遙感反演；隨機(jī)森林；支持向量機(jī)；多元線性逐步回歸

中圖分類號S771.8文獻(xiàn)標(biāo)識碼A

文章編號 0517-6611（2025）14-0121-05

doi：10.3969/j.issn.0517-6611.2025.14.024

開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：

Estimation of Arbor Forest Volume in Huashan Mystery Cave-Jianjiang Scenic Area

TANG Xue-ai，QANZi-yue12，WANGPei2etal（1.CollgeofForestrndLanscape Achitecture，niAgricuualUnvesiy， Hefei，Anhui 230o36;2.Anhui Provincial KeyLaboratoryofForest Resources and Silviculture，Hefei，Anhui 230036）

AbstractTheHuashanMysteryCave-JianjangScenicAreawasselectedastheresearchobjectTakingtheLandsatremotesensingageand DEMastheataosleualpogcracestsetacedelgguir sion，supportvectormacneandadomforestTeotaloelwassetedtopredicthearborvoueintestudyarea.Teftf determination（ R² ） and the root mean square error（RMSE）of the three models were as folows：MLSR model was 0.46 and 113.14m³/hm² ， SVM model was 0.57 and 98.36m³/hm² ，RF model was 0.65 and 91.01 m³/hm² .Based on the accuracy evaluation indexes，RF model was used tonvertthearborvolumeofteHuashanMysteryCace-JianjiangScenicAreandtheetimatedValueof otalvolumeandmeanvoluere spectively was 688516.275m³ and 245.467m³/hm² .The results can provide data support for assessment of forest ecological service function in scenic spots.

Key wordsForestvolume;Remotesensing inversion;Randm forest;Support vector machine;Multiple linearstepwiseregression

作為地球上最重要的生態(tài)系統(tǒng)之一，森林是地球的基因庫、碳貯庫、蓄水庫和能源庫，對全球生態(tài)平衡具有重要意義，是人類和多種生物賴以生存和發(fā)展的基礎(chǔ)，其數(shù)量和質(zhì)量是決定森林經(jīng)濟(jì)效益和生態(tài)服務(wù)功能的關(guān)鍵[1]。通過有效的保護(hù)措施及有針對性的管理活動，能夠充分發(fā)揮森林作為景觀層面碳匯的功能，積極吸收并儲存大氣中的二氧化碳，可為減緩全球氣候變暖作出重要貢獻(xiàn)。但人為干擾（如過度采伐）和自然干擾（如野火）等不利因素，會嚴(yán)重破壞森林的生態(tài)平衡，使其由碳匯轉(zhuǎn)變?yōu)樘荚?，釋放大量二氧化碳回到大氣中，加劇全球氣候變化的挑?zhàn)[2]。蓄積量作為林業(yè)資源管理的重要指標(biāo)之一，與生物量和碳儲量有很強(qiáng)的相關(guān)性，是固碳量在空間上分布的直接體現(xiàn)，準(zhǔn)確估算蓄積量增長對于了解森林固碳趨勢及實現(xiàn)未來碳中和目標(biāo)至關(guān)重要[3]。傳統(tǒng)樣地調(diào)查法雖可以獲得較高精度數(shù)據(jù)，但人力物力耗費巨大，且數(shù)據(jù)時效性差。遙感技術(shù)快速、準(zhǔn)確、實時大面積監(jiān)測的優(yōu)點，為森林資源監(jiān)測提供了全新的可能[4]。蓄積估算中線性或非線性回歸、混合效應(yīng)模型等傳統(tǒng)統(tǒng)計模型應(yīng)用廣泛。近年來，隨著計算機(jī)技術(shù)的發(fā)展，機(jī)器學(xué)習(xí)（如支持向量機(jī)、決策樹、隨機(jī)森林等）估測方法成為熱點。

現(xiàn)代社會的飛速發(fā)展給自然環(huán)境帶來了日益嚴(yán)重的負(fù)面影響，隨著環(huán)境問題的日益凸顯，生態(tài)環(huán)境問題為各界所關(guān)注。黨的十八大報告將“生態(tài)文明”正式納入黨代會報告，并明確提出要加強(qiáng)生態(tài)環(huán)境保護(hù)，以增強(qiáng)可持續(xù)發(fā)展的能力，因此，評估森林生態(tài)服務(wù)功能價值至關(guān)重要。筆者提出基于Landsat影像與DEM數(shù)據(jù)，分別用多元線性逐步回歸（multiple linear stepwise regression，MLSR）、支持向量機(jī)（sup-portvectormachine，SVM）和隨機(jī)森林（randomforest，RF）構(gòu)建遙感蓄積模型，并選擇最優(yōu)模型反演花山謎窟一漸江風(fēng)景名勝區(qū)區(qū)域喬木蓄積，準(zhǔn)確評估蓄積量這一反映森林?jǐn)?shù)量與質(zhì)量的重要指標(biāo)，有助于把握森林生態(tài)系統(tǒng)的當(dāng)前狀況與未來走向，可為進(jìn)一步的生態(tài)服務(wù)評價和科學(xué)合理的森林保護(hù)與利用政策制定提供科學(xué)依據(jù)。

1 研究區(qū)概況

花山謎窟一漸江風(fēng)景名勝區(qū)位于安徽省黃山市，屯溪與歙縣的交界處，共涉及屯光鎮(zhèn)、王村鎮(zhèn)、雄村鎮(zhèn)3鎮(zhèn)12個行政村，總面積為 6120hm² 。其中，包括花山、煙村和雄村3個主體景區(qū)，篁墩、里田2個獨立景點以及漸江沿岸其他良好的風(fēng)景資源。風(fēng)景名勝區(qū)地理位置為 118^°21^′08^′′～118^°28^′ 39^′′E，29^°43^′54^′′～29^°50^′55^′′N. 。圖1中行政區(qū)邊界及遙感影像均來源于地理空間數(shù)據(jù)云（https：//www.gscloud.cn）。

2材料與方法

2.1 數(shù)據(jù)源

2.1.1Landsat-8OLI數(shù)據(jù)。為使遙感數(shù)據(jù)與風(fēng)景名勝區(qū)喬木蓄積量的實測數(shù)據(jù)在時相上更加吻合，獲取與森林蓄積量影響因子更為契合的遙感信息，該研究在地理空間數(shù)據(jù)云（https：//www.gscloud.cn）下載2023年4月17日云量覆蓋率低、多光譜波段空間分辨率 30m 和全色波段分辨率 15m 的Landsat-8OLI遙感影像

2.1.2DEM數(shù)據(jù)。數(shù)字高程模型（DEM）是一種數(shù)字化模擬地面地形的工具，其基于有限的地形高程數(shù)據(jù)，通過有序數(shù)值陣列的形式來精確表示地面高程。這種實體地面模型具備高分辨率特性，能夠精準(zhǔn)反映局部地形的細(xì)微特征。因此，利用DEM數(shù)據(jù)，可提取豐富的地表形態(tài)信息。該研究所采用的數(shù)據(jù)來源于https：//search.asf.alaska.edu，空間分辨率為 12.5m 。

2.1.3標(biāo)準(zhǔn)地調(diào)查數(shù)據(jù)。標(biāo)準(zhǔn)地調(diào)查數(shù)據(jù)于2023年5—9月采集完成?；谕拖挽h2類調(diào)查數(shù)據(jù)，選擇林地面積占比較大的馬尾松林、杉木林和闊葉林，使用 ArcMap10.8 軟件，檢索屯溪和歙縣的“林地資源一張圖”數(shù)據(jù)，從中獲取了小班的樹種和齡組信息。按照齡組和3個優(yōu)勢樹種類型進(jìn)行了分類篩選，按照面積比例及齡組選取小班，最后布設(shè)40塊標(biāo)準(zhǔn)地（ 25.82m×25.82m） ，其中，馬尾松標(biāo)準(zhǔn)地15塊（幼齡林4塊，中齡林4塊，近熟林4塊，成熟林3塊），杉木標(biāo)準(zhǔn)地15塊（幼齡林3塊，中齡林3塊，近熟林3塊，成熟林3塊，過熟林3塊），闊葉類標(biāo)準(zhǔn)地10塊（幼齡林4塊，中齡林3塊，近熟林3塊）。以正南正北方向為基準(zhǔn)，利用全站儀確定標(biāo)準(zhǔn)地的邊界，標(biāo)準(zhǔn)地的分布情況如圖2所示。對標(biāo)準(zhǔn)地內(nèi)活立木 D （胸徑） ?5cm 的樹木進(jìn)行每木檢尺，使用胸徑卷尺在樹木 1.3m 處測量胸徑；采用超聲波測高儀測量每木樹高；記錄坡度，坡向，海拔等林地因子；使用打釘器掛牌編號，避免漏測或重測。

2.2 數(shù)據(jù)預(yù)處理及特征因子提取

2.2.1遙感數(shù)據(jù)預(yù)處理。遙感衛(wèi)星在數(shù)據(jù)獲取過程中受到地球自轉(zhuǎn)、衛(wèi)星軌道等因素的影響，導(dǎo)致影像上出現(xiàn)幾何畸變，如圖像扭曲、位移和傾斜。預(yù)處理可以校正這些畸變，確保圖像在地理坐標(biāo)系統(tǒng)下準(zhǔn)確投影到地球表面。遙感數(shù)據(jù)預(yù)處理流程見圖3。

2.2.2特征因子提取。該研究選取了Landsat-8OLI遙感影像中的波段信息、植被指數(shù)、主成分分析、紋理因子以及DEM數(shù)據(jù)中地形因子等遙感參數(shù)，共84個變量作為森林蓄積量反演自變量。

2.3遙感蓄積量模型構(gòu)建

2.3.1模型變量篩選及驗證。受幾何校正及GPS定位誤差的影響，往往出現(xiàn)地面調(diào)查樣地與影像對應(yīng)的像元難以匹配的現(xiàn)象。為了降低誤差帶來的影響，該研究選取預(yù)處理后的遙感影像為數(shù)據(jù)源，選用標(biāo)準(zhǔn)地周圍4個像元，采用雙線性內(nèi)插法獲取像元值[5]。利用ArcMap 10.8中的“多值提取到點工具\"將變量值賦到樣本點上。對特征變量進(jìn)行篩選，確定構(gòu)建模型的自變量。將提取的遙感變量及標(biāo)準(zhǔn)地森林蓄積量實測值導(dǎo)人SPSS平臺中，采用雙變量分析中皮爾遜相關(guān)性檢測篩選出與因變量相關(guān)性顯著的變量，以保證變量子集中的每個變量都是重要的。對篩選后的建模變量在Rstu-dio平臺上進(jìn)行自變量的檢驗，采用Pearson相關(guān)系數(shù)度量2個變量之間的線性相關(guān)性以及與目標(biāo)變量之間的相關(guān)性，避免自變量之間的高相關(guān)性[]

2.3.2多元線性逐步回歸蓄積量估測模型。多元逐步回歸模型是一種在多元線性回歸模型的基礎(chǔ)上，通過逐步引入自變量和剔除不顯著的變量，以自動擬合最優(yōu)回歸模型的方法。線性回歸分析有2種方式：一是單一變量線性回歸分析，利用單一變量與目標(biāo)變量建模；二是多變量線性回歸分析，使用多個變量與目標(biāo)變量建模，又稱為多元線性回歸模型[7-8]。其基本思想是每次迭代都沿著上一次迭代的方向進(jìn)行，不能反悔或丟棄已經(jīng)選擇的變量。逐步回歸法包括向前選擇、向后選擇和逐步篩選法等具體方法。在向前選擇中，將自變量逐個引入模型，如果引入某個變量后模型發(fā)生顯著性變化，則將該變量納入模型中，否則忽略該變量。這種方法的特點是自變量一旦選入模型，則永遠(yuǎn)保存在模型中，難以反映自變量選進(jìn)模型后的模型本身的變化情況；在向后選擇中，將所有變量放入模型，然后嘗試將某一變量進(jìn)行剔除，查看剔除后對整個模型是否有顯著性變化。如果沒有顯著性變化則剔除該變量，否則保留該變量。這種方法的特點是自變量一旦剔除，則不再進(jìn)入模型。開始把全部自變量引入模型，計算量過大，逐步篩選法則是結(jié)合向前選擇和向后選擇的一種方法，通過逐步將自變量輸入模型，如果模型具有統(tǒng)計學(xué)意義，并將其納入回歸模型中，同時移出不具有統(tǒng)計學(xué)意義的變量，最終得到一個自動擬合的回歸模型

該研究采用的線性回歸公式為

y=a₀+a₁X₁+a₂X₂+…+a_nX_n

式中： a₀、a₁、a₂、a_n 為回歸系數(shù)； y 為因變量（蓄積量）； X₁，X₂ 、X_n 為自變量。

2.3.3隨機(jī)森林蓄積量估測模型。隨機(jī)森林是一種基于決策樹技術(shù)的機(jī)器學(xué)習(xí)算法，機(jī)器學(xué)習(xí)是人工智能中快速發(fā)展的研究領(lǐng)域，其在森林建模中發(fā)揮了重要作用，能夠產(chǎn)生比傳統(tǒng)數(shù)據(jù)建模方法更好的模型[9-10]。該研究用到的隨機(jī)森林模型是通過構(gòu)建多個決策樹預(yù)測器并將它們組合在一起，形成一個隨機(jī)的“森林”進(jìn)行預(yù)測。在隨機(jī)森林中，每株決策樹都是基于觀察值的隨機(jī)樣本構(gòu)建的，這意味著每次構(gòu)建樹時都會從原始數(shù)據(jù)集中隨機(jī)抽取一部分樣本進(jìn)行訓(xùn)練[11-13]。2.3.4支持向量機(jī)蓄積量估測模型。支持向量模型是以數(shù)理統(tǒng)計為基礎(chǔ)建立的機(jī)器學(xué)習(xí)算法，在進(jìn)行回歸預(yù)測時，也被稱為支持向量回歸（support vector regresson，SVR），在處理小樣本和復(fù)雜的非線性模型問題時具有顯著優(yōu)勢，其學(xué)習(xí)效果比其他模式識別和回歸預(yù)測方法更為明顯[14-15]。支持向量機(jī)中用到的函數(shù)主要有核函數(shù)和損失函數(shù)。核函數(shù)用于將輸入空間映射到特征空間，以便在特征空間進(jìn)行線性分類或回歸。常見的核函數(shù)包括線性核函數(shù)、多項式核函數(shù)、高斯核函數(shù)、Sigmoid核函數(shù)等。損失函數(shù)用于衡量模型的預(yù)測誤差，常用的損失函數(shù)包括平方損失函數(shù)、鉸鏈損失函數(shù)等[16-17]

2.3.5模型精度驗證。該研究利用決定系數(shù)（determinationcoefficient， R² ）和均方根誤差（root mean square error，RMSE）來評價估測模型的精度。決定系數(shù) （R² ）用來衡量估測值與實測值之間的相關(guān)性，其數(shù)值越大，則相關(guān)性越強(qiáng)，計算公式為

均方根誤差（RMSE）用來表示模型估測的效果，其數(shù)值越小，則估測結(jié)果越好，計算公式為

式中： 為蓄積量估測值； 為蓄積量實測平均值； y_i 為蓄積量實測值： n 為樣本個數(shù)。

3結(jié)果與分析

3.1蓄積量實測數(shù)據(jù)將外業(yè)調(diào)查所得數(shù)據(jù)采用標(biāo)準(zhǔn)木法計算標(biāo)準(zhǔn)地平均蓄積量，并使用SPSS26.0軟件，對風(fēng)景名勝區(qū)40個標(biāo)準(zhǔn)地的總蓄積量進(jìn)行描述統(tǒng)計，標(biāo)準(zhǔn)地森林蓄積量為25.63～630.14m³/hm² ，平均森林蓄積量為 263.08m³/hm² ，變異系數(shù)為 58.01% 。標(biāo)準(zhǔn)地蓄積量分布情況見圖4。

3.2森林蓄積量反演模型的構(gòu)建及精度評價

3.2.1森林蓄積量反演模型的構(gòu)建。在SPSS軟件篩選后最終選擇b2、b4、elevation ?^b7 _mean、b5_mean、PCA6、PCA4作為構(gòu)建蓄積量反演模型的自變量，其顯著水平見表1。

注：b4是Landsat8OLI第4波段信息，b2是Landsat8OLI第2波段信息，PCA6、PCA4分別是b6、b4波段進(jìn)行主成分轉(zhuǎn)換后所選擇的主成分;b7_mean、b5_mean分別是b7、b5波段紋理平均值（mean）特征；elevation是海拔。**.在0.01級別（雙尾）相關(guān)性顯著；*.在0.05級別（雙尾）相關(guān)性顯著。

3.2.2模型精度評價。將篩選出的建模變量按照訓(xùn)練集與測試集 8：2 的比例構(gòu)建3種森林蓄積量估算模型，精度檢驗結(jié)果見圖5。對比3種模型估測結(jié)果的精度評價指標(biāo) R² 與RMSE得出支持向量機(jī)的 R²=0.57，RMSE=98.36m³/hm² （圖5a），隨機(jī)森林的 R²=0.65，RMSE= 91.01m³/hm² （圖5b），多元線性逐步回歸的 R²=0.46，RMSE=113.14m³/hm² （圖5c），可以看出隨機(jī)森林的決定系數(shù) R² 最高，表明其擬合數(shù)據(jù)的效果優(yōu)于支持向量機(jī)與多元線性逐步回歸。隨機(jī)森林的RMSE明顯低于其他2種模型，表明隨機(jī)森林模型的預(yù)測精度最高。由此可以得出，隨機(jī)森林模型在森林蓄積量估測中效果最好。

3.2.3森林蓄積量空間分布格局。根據(jù)森林資源一張圖將有林地中的喬木林地圖斑篩選出來，將篩選出來的圖斑用作掩膜遙感影像的矢量文件，將掩膜后的遙感影像在ArcMap10.8中重采樣成標(biāo)準(zhǔn)地大小的像元（ 25.82m×25.82m） ，采用柵格轉(zhuǎn)點—添加 X，Y 字段一計算中心點坐標(biāo)一提取特征值一導(dǎo)人訓(xùn)練好的隨機(jī)森林模型預(yù)測反演一 ?X，Y 轉(zhuǎn)點一點轉(zhuǎn)柵格的步驟，得到風(fēng)景名勝區(qū)喬木林蓄積量空間分布（圖6）。

對風(fēng)景名勝區(qū)喬木林單位面積森林蓄積量統(tǒng)計發(fā)現(xiàn)，風(fēng)景名勝區(qū)喬木林蓄積量主要集中在 200～300m³/hm² ，最高蓄積量為 422.98m³/hm² ，最低為 91.00m³/hm² ，總蓄積量為688516.28m³/hm² ，平均蓄積量為 245.47m³/hm² （圖7a）。分析森林蓄積量在海拔上的分布可知，隨著海拔的增加平均單位面積森林蓄積量先增加后減少，其中在 170～lt;210m 達(dá)到最高（圖7b），這可能是由于森林的生長條件通常比較優(yōu)越，如水分、光照、土壤條件等。這些條件有利于樹木的生長和材積的積累，因此森林蓄積量相對較高，隨著海拔的進(jìn)一步升高，環(huán)境條件逐漸變得不利于樹木生長，如氣溫降低，光照減少，土壤貧瘠等，這些因素限制了樹木的生長速度和材積的積累，因此森林蓄積量開始減少。

4討論與結(jié)論

該研究所提取的建模因子涵蓋影像的7個單波段、植被指數(shù)、紋理共生矩陣、海拔、坡度和坡向等關(guān)鍵指標(biāo)，通過分析，波段信息、主成分信息以及紋理因子與蓄積量的相關(guān)性尤為顯著，地形因子次之，這一結(jié)果與魏金龍等[18]針對森林蓄積量的研究結(jié)果一致。這表明平均紋理特征在刻畫森林空間分布形態(tài)方面表現(xiàn)出較好的趨勢，對蓄積量的準(zhǔn)確估測具有重要意義[19]。對比隨機(jī)森林、支持向量機(jī)和多元逐步線性回歸3種模型的精度時，隨機(jī)森林模型表現(xiàn)出最高的預(yù)測精度，這與相關(guān)研究結(jié)論表現(xiàn)一致[20-22]，但是比劉美艷等[23]的估測精度偏低。推測原因可能是與采用森林資源二類調(diào)查數(shù)據(jù)參與訓(xùn)練的樣本數(shù)量多少有關(guān)，林木的自然生長特性決定森林蓄積量隨時間呈持續(xù)變化，直接采用平均胸徑和樹高數(shù)據(jù)可能難以準(zhǔn)確反映當(dāng)前的森林狀況。該研究選擇實地調(diào)查采集數(shù)據(jù)進(jìn)行建模，盡管采集的樣本數(shù)量相對較少，但隨機(jī)森林算法能夠較好地規(guī)避因樣本量小而導(dǎo)致的建模估算問題。

參考文獻(xiàn)

[1]劉瓊閣，彭道黎，涂云燕.基于偏最小二乘回歸的森林蓄積量遙感估測 [J].中南林業(yè)科技大學(xué)學(xué)報，2014，34（2）：81-84，132.

[2] TROFYMOW JA，STINSON G，KURZ W A.Derivation of a spatially explicit 86-year retrospective carbon budget fora landscapeundergoingconversion from old-growth tomanaged forests on Vancouver Island，BC[J]. Forest ecology and management，2008，256（10）：1677-1691.

[3]TIAN HL，ZHU JH，HE X，et al.Using machine learning algorithms to estimate stand volume growth ofLarix and Quercus forest based on nationalscaleForest Inventorydata in China[J].Forest ecosystems，2O22，9（3）： 396-406.

[4]YAMBAHADURKC，LIUQJ，SAUDP，etal.Estimationof above-ground forest biomass in Nepal by the use of airborne LiDAR，and forest inventory data[J].Land，2024，13（2）：1-17.

[5]羅旭，李春干，李崇貴，等.星基差分GPS用于林區(qū)高分辨率遙感圖像 幾何精校正[J].北京林業(yè)大學(xué)學(xué)報，2005，27（S2）：48-51.

[6]HUT，SUNYM，JIAWW，etal.Studyontheestimationofforestvolume based on multi-source data[J].Sensors，2021，21（23） ：1-25.

[7]LIC，LI YC，LI MY.Improving forest aboveground biomass（AGB）estimationbyincorporating crown densityand usingLandsat 8 OLI images of a subtropical forestinWesternHunanin Central China[J].Forests，2O19，10 （2）：1-17.

[8］雷媛媛，王新杰.應(yīng)用機(jī)器學(xué)習(xí)模型與線性模型預(yù)測森林蓄積生長量的 精度[J].東北林業(yè)大學(xué)學(xué)報，2023，51（9）：72-75，82.

[9]GLEASONCJ，IMJ.Forest biomass estimation from airborneLiDAR data using machine learning approaches[J].Remote sensing of environment， 2012，125：80-91.

[10]WANGXR，ZHANG C，QIANGZP，et al.A new forest growing stock volume estimation model based on AdaBoost and random forest model[J]. Forests，2024，15（2） ：1-17.

[11]楊柳，馮仲科，岳德鵬，等.結(jié)合紋理因子和地形因子的森林蓄積量多 光譜估測模型[J].光譜學(xué)與光譜分析，2017，37（7）：2140-2145.

[12]ZHOU YY，F(xiàn)ENG ZK.Estimation of forest stock volume using Sentinel-2 MSI，Landsat 8 OLI imagery and forest inventory data[J].Forests，2023，14 （7） ：1-21.

[13]LIUKL，WANGJD，ZENGWS，et al.Comparison and evaluating of three methods for estimating forest above ground biomass using TM and GLAS data[J].Remote sensing，2017，9（4） ：1-20.

[14]NALEPA J，KAWULOK M.Selecting training sets for support vector machines：A review[J].Artificial intelligencereview，2019，52（2）：857-900.

[15]TANX，YUFS，ZHAO XF.Support vector machinealgorithm forartificial intelligence optimization[J].Cluster computing，2019，22（5）：15015- 15021.

[16] BULUT S，GUNLU A，CAKIR G.Modelling some stand parameters using Landsat8 OLI and Sentinel-2 satelliteimages by machine learning techniques：Acase studyin Turkiye[J].Geocartointernational，2O23，38（1）： 1-22.

[17]OPELELEOM，YUY，F(xiàn)ANW，etal.Biomassestimationbasedonmultilinearregression and machine learning algorithms in the Mayombe tropi-cal forest，in the Democratic Republic of Congo[J].Applied ecology andenvironmental research，2021，19（1）：359-377.

[18]魏金龍，李明陽，趙邑晨，等.基于稀疏型機(jī)載激光雷達(dá)數(shù)據(jù)的風(fēng)景林參數(shù)估測[J].西北林學(xué)院學(xué)報，2021，36（2）：164-171.

[19]李子朝，畢守東，崔玉環(huán)，等.耦合多種特征的森林蓄積量反演方法比較：以雅魯藏布江流域森林為例[J].光譜學(xué)與光譜分析，2022，42（10） ：3263-3268.

[20]SANTANADC，DOSSANTOSRG，DASILVAPHN，etal.Machinelearning methods forwoodyvolumepredictionin Eucalyptus[J].Sustain-ability，2023，15（14） ：1-11.

[21]朱妍.基于Landsat8OLI和ALOS-2PALSAR-2數(shù)據(jù)的北京市森林生物量估測研究[D].北京：北京林業(yè)大學(xué)，2020.

[22]周俊宏，王子芝，廖聲熙，等.基于GF-1影像的普達(dá)措國家公園森林地上生物量遙感估算[J].農(nóng)業(yè)工程學(xué)報，2021，37（4）：216-223.

[23]劉美艷，聶勝，王成，等.基于ICESat-2和Sentinel-2A數(shù)據(jù)的森林蓄積量反演[J].自然資源遙感，2024，36（1）：210-216.