基于GF-7立体特征和GEDI波形数据的森林地上生物量制图

Forest Aboveground Biomass Mapping Based on GF-7 Stereo Features and GEDI Waveform Data

摘要

星载全波形激光雷达数据波形特征提取的复杂性和不准确性，影响森林地上生物量（aboveground biomass， AGB）的估算精度。为此，以云南思茅区为例，结合全球生态系统动态调查（global ecosystem dynamics investigation，GEDI）激光雷达波形数据和高分七号（GF-7）立体影像数据，通过利用其多角度立体几何特征生成的数字表面模型（digital surface model，DSM），精确定位GEDI波形的起始点，优化波形特征。采用多元逐步回归法构建针叶林、阔叶林和混交林的光斑尺度生物量估计模型，并结合随机森林算法将其外推至区域尺度。研究结果表明，优化波形特征后的光斑尺度生物量估计精度显著提高，针叶林均方根误差（RMSE）为20.11 Mg/hm²，决定系数（R²）为0.89，精度（ACC）为82.87%；阔叶林RMSE为22.07 Mg/hm²，R²为0.89，ACC为81.77%；混交林RMSE为24.51 Mg/hm²，R²为0.88，ACC为80.54%。最终，基于优化后的GEDI生物量光斑点，成功生成了25 m分辨率的区域森林AGB分布图。

Abstract

The complexity and inaccuracy of extracting waveform features from spaceborne full waveform LiDAR data affect the accuracy of forest aboveground biomass （AGB） estimation. To address this problem， this study combined Global Ecosystem Dynamics Investigation （GEDI） LiDAR waveform data with GF-7 stereo imagery data in the Simao region of Yunnan as an example. The digital surface model （DSM） generated by multi-angle stereo geometry was used to accurately locate the starting point of the GEDI waveform and optimize the waveform features. Multiple stepwise regression methods were used to construct biomass estimation models for coniferous， broadleaf and mixed forests at the footprint scale. These models were then extrapolated to the regional scale using a random forest algorithm. The results showed that the biomass estimation accuracy at the footprint scale was significantly improved after optimizing the waveform features. The root mean square error （RMSE） for the coniferous forest was 20.11 Mg/hm²， the coefficient of determination （R²） was 0.89， and the accuracy （ACC） was 82.87%. The RMSE of broadleaf forest was 22.07 Mg/hm² with R² of 0.89 and ACC of 81.77%. The RMSE of the mixed forest was 24.51 Mg/hm² with R² of 0.88 and ACC of 80.54%. Finally， based on the optimized GEDI biomass footprints， the regional forest AGB distribution map was successfully generated at 25 m resolution.

Graphical abstract

关键词

GF-7 / GEDI / 立体几何特征 / 波形特征 / 森林地上生物量

Key words

GF-7 / GEDI / stereoscopic geometric features / waveform features / forest aboveground biomass

0 引言

截至2024年底，全球森林总面积约为40.6亿hm²，其中我国的森林覆盖面积为2.3亿hm^2［1］。森林地上生物量（aboveground biomass，AGB）约占陆地生态系统植被总生物量的90%。准确测定森林AGB不仅对森林生态学研究至关重要，还对全球碳储量评估及气候变化研究具有深远影响^［2］。传统的森林AGB估算方法通常依赖实地测量数据进行推算，但这种方法难以在大区域内获取森林AGB信息^［3］。激光雷达（如背包式、无人机载激光雷达）被广泛应用于森林结构参数的估测，但是成本高且估测范围有限^［4］。相比之下，星载全波形激光雷达技术能够大范围获取森林垂直结构信息，尤其在复杂地形和密集森林区域，为森林AGB的精确估算提供了重要的数据支持^［5］。

全球生态系统动态调查（Global Ecosystem Dynamics Investigation，GEDI）是一种星载多波束波形激光雷达，能够通过激光脉冲穿透森林冠层，获取森林的高精度三维结构数据，成为森林AGB估算的重要数据源^［6］。吴贞江等^［7］利用GEDI波形数据分析了波形的长度和回波强度等特征，研究发现这些波形特征与森林AGB具有较强的相关性。罗绍龙等^［8］进一步验证了这一点，研究发现波形的前缘特征与森林冠层的密度和高度呈正相关，表明波形特征在森林AGB估算中具有很大潜力。然而，在森林结构复杂的区域，波形特征的提取受到较大影响。Dorado-Roda等^［9］在地中海区域的研究中评估了基于GEDI相对高度和垂直冠层指标的足迹级森林AGB，研究发现GEDI在高度分层复杂的森林中存在一定的不确定性，且在某些情况下出现了低估现象，揭示了GEDI波形数据在复杂环境中的适用性问题。为了提高GEDI波形数据的适用性，Wang等^［10］提出了一种坡度自适应度量方法，通过提取的波形特征参数，成功提高了生物量估算精度，并有效减少了地形引起的波形干扰。张鹏等^［11］则提出了一种基于机器学习的波形特征优化方法，通过集成优化后的波形特征和地面样地数据，提升了森林AGB估算精度，并在热带和温带森林中得到了有效验证。然而，这些研究通常面临波形数据受噪声、背景干扰和波形起止点不准确的问题，导致波形特征提取过程复杂且不精确，从而影响森林AGB估算结果^［12］。

针对上述问题，本研究结合高分七号（GF-7）卫星的立体影像数据，通过利用其多角度几何特征生成的数字表面模型（digital surface model，DSM），将DSM高程值作为GEDI波形起始点，优化GEDI波形特征。基于这些优化后的特征，利用多元逐步回归算法分别构建针叶林、阔叶林和混交林的森林地上生物量估计模型。此外，本研究还结合光斑点生物量、随机森林算法及GF-7影像的植被指数特征，将GEDI光斑尺度的森林AGB外推至区域尺度，最终获得了25 m分辨率的森林AGB空间分布图。

1 研究区与数据

1.1 研究区

普洱市思茅区位于云南省南部，地处澜沧江流域，地理坐标为100°19′—101°27′E，22°27′—23°06′N。该区总面积为3 877 km²，根据2016年云南省二类调查结果，思茅区的森林覆盖率达72.64%^［13］。其地势起伏较大，海拔范围为578.21~2 154.83 m，地形复杂，交通条件不便，这也使得林业野外调查面临较大的困难。思茅区属于南亚热带季风气候区，年均气温为17.8 ℃，年均降水量为1 524.47 mm。得益于优越的雨热条件，该地区植被繁茂，森林资源丰富，主要树种包括思茅松（Pinus kesiya var. langbianensis）、茶梨（Anneslea fragrans）、石粟（Aleurites moluccana）和大叶冬青（Ilex latifolia）等。

1.2 数据

1.2.1 样地数据

2020年8月，在研究区选择96块方形样地（25 m×25 m）进行调查，如图1所示。样地调查过程中，通过差分GPS定位样地中心，测量了每株树的胸径、树高，记录树种。根据异速生长方程计算每株树的地上生物量，再累加得到样地总地上生物量^［14-15］。

2020年9月，利用新舟60飞机进行机载LiDAR数据采集，飞行高度1 500 m，采用中国林科院第二代机载遥感系统（chinese academy of forestry-LiDAR，thermal，hyperspectral，CAF-LiTHy），搭载Rigle 580Ⅱ激光器，发射1 064 nm激光，脉冲频率为150 kHz或300 kHz，共采集349.72 km²的激光雷达数据（light detection and ranging，LiDAR），激光光斑大小约30 cm，点云密度为每平方米2~3个/m²。

依据相关研究成果^［16］，结合样地森林AGB数据与机载LiDAR数据，并采用多元逐步回归方法，构建机载激光雷达飞行区域的森林AGB模型。利用该方法生成了机载区域内25 m分辨率的森林AGB产品作为实测值。结果显示该区域森林AGB范围为1.17~234.55 Mg/hm²，平均值为99.72 Mg/hm²。计算公式为

W_{\mathrm{a}\mathrm{i}\mathrm{r}}={\mathrm{e}}^{\mathrm{2.165}}\times {h_{\mathrm{50}}}^{\mathrm{1.343}}\times {d_{\mathrm{60}}}^{\mathrm{1.022}}。（1）

式中:W_{\mathrm{a}\mathrm{i}\mathrm{r}}为机载LiDAR估测的森林地上生物量；h_{\mathrm{50}}为机载LiDAR第50百分位点云高度值；d_{\mathrm{60}}为第60百分位点云密度值。

1.2.2 GF-7多角度立体影像数据

GF-7卫星于2019年11月3日成功发射，是我国首颗民用亚米级光学传输型立体测绘卫星，具备高时空分辨率^［17］。卫星采用主被动光学复合测绘体制，主要载荷包括前视和后视影像系统及激光测高仪。前视相机倾角为26°，用于获取前视影像，分辨率为0.8 m；后视相机倾角为-5°，用于获取后视影像，分辨率为0.65 m。本研究获取了2022—2024年生长季内的15景清晰无云的GF-7影像，通过前视和后视影像得到立体影像结构特征构建DSM，并利用多光谱影像数据进行区域外推。

1.2.3 GEDI星载激光雷达数据

GEDI星载激光雷达是一种能够收集大尺度数据的主动遥感技术，利用短波长激光脉冲穿透森林冠层，获取精确的三维森林结构信息。其采样范围为北纬51.6°至南纬51.6°，除了高纬度地区外，其他地区的森林结构参数均可进行反演。GEDI卫星载荷参数见表1。

本研究使用了GEDI卫星的全功率激光器数据。GEDI卫星发射器由3个近红外激光器组成，其中2个为全功率激光器，通过光束抖动单元改变激光器的偏转，使得这2个激光束被分成4个强激光波束；另一个为半功率激光器，其激光束先被拆分为2个波束，再通过光学抖动偏转，将这2个光束分成4个弱激光波束。最终，这3个激光器在地面上生成了8个地面轨道。本研究获取了2022年生长季（5—10月）的GEDI 1B级强波束激光数据，共42 657个光斑点，其中5 025个与机载LiDAR数据重叠，作为建模数据用于估算森林AGB。

1.2.4 土地覆盖类型数据

本研究采用2020年发布的30 m分辨率的全球土地覆盖精细分类系统数据（global Land cover with fine classification system at 30 m resolution，GLC_FCS30_2020），提取研究区内的针叶林、阔叶林和混交林覆盖区，以用于GEDI光斑点的筛选。该产品是结合了时序Landsat反射率数据、高质量训练样本及谷歌地球引擎 （google earth engine，GEE）云计算平台生成的，涵盖了29种地表覆盖类型，空间分辨率为30 m^［18］。

2 研究方法

本研究方法流程如图2所示。基于GF-7的多角度立体几何特征生成DSM，精确定位森林冠层顶部，并优化GEDI波形特征。然后，结合机载LiDAR区域的森林 AGB数据，采用多元逐步回归算法构建针叶林、阔叶林和混交林的生物量估计模型，估算GEDI光斑点内的森林AGB。最后，引入GF-7的多光谱影像植被指数特征，构建逐像元尺度的随机森林算法外推模型，获得研究区25 m分辨率的森林AGB空间分布图。

2.1 GF-7影像数据处理

利用Geomatica 2018软件的OrthoEngine模块，基于共面方程建立相对定向，利用GF-7数据文件中提供的有理多项式系数（rational rolynomial coefficients， RPC）来确定立体影像的相对位置。再基于样地数据采集的坐标信息，采用区域网平差方法对前视、后视立体影像及多光谱影像进行正射纠正，并对前视和后视影像提取立体几何特征，生成DSM数据，其平均误差为0.85 m。由于DSM数据能直接反映林区的森林冠层顶部，所以本研究将DSM的高程值作为GEDI波形数据的冠层起始点。为与GEDI光斑直径保持一致，进一步将DSM重采样至25 m。本研究还从GF-7影像中提取了7个关键植被指数^［19-20］，用于区域森林AGB外推，见表2。

2.2 顾及GF-7立体几何特征的GEDI波形参数优化及提取

为了确保数据的准确性和可靠性，本研究通过噪声滤除与质量筛选对GEDI 1B级强波束数据进行双重控制。首先，基于背景噪声值及其3倍标准差确定噪声阈值，用于区分有效信号与背景噪声，然后，剔除信噪比低、受云层干扰及最大回波强度小于100的低质量数据。在有效信号判定中，将超阈值波形数据视为有效信号，并据此确定波形终止位置，同时，结合GF-7立体几何特征生成的DSM高程值，作为波形起始位置，对波形范围进行空间约束，在此基础上，优化一系列波形特征参数，具体内容见表3，相关波形约束处理如图3所示。同时利用统计方法检测每个波形特征参数是否在正常范围内，并对超出范围的波形和参数进行筛选和剔除，以保证提取到的波形特征参数的准确性和可靠性。这一过程有助于提高森林AGB预测的准确性。

2.3 GEDI光斑内森林AGB估测

根据5 025个与机载区域重叠的GEDI强波束激光点，针对针叶林、阔叶林和混交林，考虑空间分布均匀性，采用分层随机抽样法选取用于生物量建模的GEDI激光点，每种林型均选取170个点。

以机载LiDAR提取的森林AGB为因变量，以GEDI波形特征为自变量，分析其与上述提取的波形特征之间的关系，用于探讨不同波形特征对森林AGB估测的影响，并采用逐步回归方法^［21］将自变量逐步引入回归方程，并在每一步对自变量进行显著性检验，保留对因变量影响显著的变量，从而使回归方程更合理地反映自变量与因变量的关系。逐步回归模型为

Y={\beta }_{\mathrm{0}}+{\beta }_{\mathrm{1}}{x}_{\mathrm{1}}+{\beta }_{\mathrm{2}}{x}_{\mathrm{2}}+\cdots +{\beta }_n{x}_n+ϵ。（2）

式中：Y为GEDI在机载区域内提取的森林地上生物量；{\beta }_{\mathrm{0}}、{\beta }_{\mathrm{1}}、…、{\beta }_n为模型系数；x_{\mathrm{1}}、x_{\mathrm{2}}、…、x_n为波形特征参数；n为参与逐步回归的自变量总数；ϵ为正态分布误差项［ϵ~N（0，\sigma²）］，N表示误差服从正态分布，\sigma²表示误差项的方差，方差越大，模型拟合的不确定性越高。通过决定系数（R²）、均方根误差（RMSE）和精度（ACC）等指标评估逐步回归模型的预测效果。为了验证模型的有效性，本研究针对每种林型，采用70%的光斑点进行模型训练，剩余30%的光斑点用于模型验证。最终确定针叶林、阔叶林和混交林的最佳森林AGB估计模型，得到每个GEDI光斑内的森林AGB。

2.4 区域森林地上生物量制图

随机森林是一种集成学习算法，通过集成多棵决策树进行预测。该算法采用有放回的随机抽样方法，具有较高的预测准确性，并且对异常值和噪声具有较强的容忍度，能够有效处理大规模数据集^［22-24］。为了将上述得到的GEDI光斑内森林AGB外推至空间连续的像元尺度上，本研究以光斑内的森林AGB为样本，以GF-7影像植被指数（表2）为输入变量，采用随机森林算法进行回归预测。在构建随机森林模型之前，本研究对植被指数特征进行重要性排序，并选择重要性评分大于0.1的植被指数作为外推模型的输入变量。然后，将70%的光斑尺度森林地上生物量数据作为训练集，剩余30%作为测试集。使用R语言进行随机森林建模，设置决策树数量（ntree）为500，以确保模型的稳定性和准确性，并使每棵树的随机特征数（mtry）自适应。模型输出为研究区光斑处的森林AGB预测值。最后，通过测试集计算R²、RMSE和ACC等模型精度指标，从而评估模型的预测性能，并最终得到基于随机森林算法的森林AGB外推模型。

2.5 精度评价

本研究利用均方根误差（\mathrm{R}\mathrm{M}\mathrm{S}\mathrm{E}，式中记为R_MSE），决定系数（R^{\mathrm{2}}）和精度（ACC，式中记为A_CC）进行光斑内森林AGB预测精度验证。\mathrm{R}\mathrm{M}\mathrm{S}\mathrm{E}值越小，R^{\mathrm{2}}越大，\mathrm{A}\mathrm{C}\mathrm{C}值越大，表明模型的预测精度越高。公式为

R_{\mathrm{M}\mathrm{S}\mathrm{E}}=\sqrt[]{\frac{\mathrm{1}}{m}{\displaystyle \sum _{i=\mathrm{1}}^m}(x_i-y_i{)}^{\mathrm{2}}}。（3）

R^{\mathrm{2}}=\mathrm{1}-\frac{{\displaystyle \sum _{i=\mathrm{1}}^m}(x_i-y_i{)}^{\mathrm{2}}}{{\displaystyle \sum _{i=\mathrm{1}}^m}(x_i-{\overline{y}}_i{)}^{\mathrm{2}}}。（4）

A_{\mathrm{C}\mathrm{C}}=\left(\mathrm{1}-\frac{{\displaystyle \sum _{i=\mathrm{1}}^m}(x_i-y_i{)}^{\mathrm{2}}}{{\displaystyle \sum _{i=\mathrm{1}}^m}(y_i{)}^{\mathrm{2}}}\right)\times \mathrm{100}\mathrm{\%}。（5）

式中:m为光斑个数；x_i为光斑内预测的森林AGB；y_i为光斑内对应的机载森林AGB；{\overline{y}}_i\mathrm{为}光斑内对应的机载森林AGB的平均值。

3 结果与分析

3.1 波形参数提取结果

本研究利用GF-7多角度立体几何特征生成的DSM数据，优化了GEDI提取的波形特征，并分析了这些波形特征与森林AGB之间的相关性，见表4。结果显示，W_{\mathrm{1}}的相关系数高达0.91，P为0.001，表明其与森林AGB存在显著的正相关关系，在生物量估算中具有较强的预测能力。同样，W_{\mathrm{2}}和\theta也表现出较高的相关性，相关系数分别为0.88和0.79，且P均为0.001。此外，H₇₅和lead的相关系数分别是0.75和0.74，显著性均低于0.05。也说明这些波形参数对森林AGB预测具有较高潜力。

此外，其他波形参数如Meanh、Medh、H₂₅、H₅₀、\mathrm{t}\mathrm{r}\mathrm{a}\mathrm{i}\mathrm{l}和\mathrm{T}\mathrm{S}尽管与森林AGB的相关性低，但具有一定的统计显著性。具体而言，H₅₀的相关系数为0.70，P为0.001；H₂₅的相关系数为0.63，P为0.03；\mathrm{T}\mathrm{S}的相关系数为0.65，P为0.01。Meanh、Medh和\mathrm{t}\mathrm{r}\mathrm{a}\mathrm{i}\mathrm{l}虽然相关性均低于0.60，但是其均显示出显著性。这些结果表明，尽管其相关性较低，但在生物量估算中仍具有一定的贡献。

3.2 光斑内森林AGB估测结果

基于多元逐步回归方法，本研究分别构建了针叶林、阔叶林和混交林的最佳光斑内森林AGB估计模型，公式为

Y_针叶林=0.84×W₁+1.82×W₂-6.97×θ-2.25×H₇₅+

3.21×L_ead+0.34×T_S+102.42。（6）

Y_阔叶林=0.65×W₂+4.65×H₇₅+3.54×H₅₀-4.53×T_rail-

7.88×θ-1.02×T_S+148.12。（7）

Y_混交林=0.33×W₁+1.32×W₂+0.82×H₇₅-0.32×H₅₀+

2.25×L_ead+0.86×T_S-0.12×T_rail+122.08。（8）

利用3种林型的光斑点测试集对所构建的估计模型进行了验证，结果如图4所示。3种模型的R²、RMSE和ACC数值存在一定差异。针叶林、阔叶林和混交林的森林AGB估计模型分别使用了不同的波形特征参数。针叶林AGB估计模型使用了W₁、W₂、θ、H_{\mathrm{75}}、Lead、TS作为主要波形特征参数，其RMSE值为20.11 Mg/hm²，R²为0.89，ACC值为82.87%。阔叶林AGB估计模型则主要使用W_{\mathrm{2}}、H_{\mathrm{75}}、H_{\mathrm{50}}、\mathrm{T}\mathrm{r}\mathrm{a}\mathrm{i}\mathrm{l}、\theta、\mathrm{T}\mathrm{S}，其RMSE值为22.07 Mg/hm²，R²为0.89，ACC值为81.77%。混交林AGB估计模型应用的特征参数是W_{\mathrm{1}}、W_{\mathrm{2}}、H_{\mathrm{75}}、H_{\mathrm{50}}、\mathrm{L}\mathrm{e}\mathrm{a}\mathrm{d}、\mathrm{T}\mathrm{S}和\mathrm{T}\mathrm{r}\mathrm{a}\mathrm{i}\mathrm{l}，RMSE值为24.51 Mg/hm²，R²为0.88，ACC值为80.54%。根据这些预测的研究区光斑内的森林AGB数据，将用于下一步的建模中。

3.3 区域森林AGB制图

为了识别外推模型中最优的变量，减少数据冗余。通过随机森林算法对表2中的7个植被指数变量进行特征重要性排序，结果如图5所示。本研究选择特征重要性大于0.1的变量作为森林地上生物量外推的主要输入特征，包括NDVI、GNDVI、EVI、DVI和SAVI。

在联合GEDI光斑点森林AGB与GF-7植被指数数据后，采用随机森林算法进行区域外推，得到研究区逐像元尺度的森林AGB空间分布图，如图6所示，其中，白色区域代表居民区、农田和草地等非林地。研究区森林AGB的估计值范围为0~239.56 Mg/hm²，平均估计值为105.66 Mg/hm²，与外业采样数据的统计结果一致。图6中显示森林AGB主要集中在70~110.21 Mg/hm²，且沿山脉呈明显的分布趋势。估计值较大的区域位于西部和东南部，尤其是东南部的估计值有的超过了200 Mg/hm²，集中在普洱太阳河森林公园，该区域内有多个林业保护区和思茅松分布。

利用GEDI光斑点测试集对外推的区域生物量分布图进行检验，图7展示了2组数据之间的关系。结果显示，RMSE值为26.62 Mg/hm²，R²为0.82，表明外推的区域生物量与GEDI光斑点生物量之间存在显著的线性相关性。此外，高密度区域主要集中在中高森林AGB的区域。

4 讨论与结论

4.1 讨论

本研究提出了一种结合GF-7立体影像与GEDI波形数据的森林AGB估算新方法。通过利用GF-7的立体几何特征生成的DSM数据精确定位GEDI波形起始点并优化波形特征，从而提高森林AGB估算的精度。

不同的森林类型对森林AGB估算的精度有显著影响^［25］。本研究中，针叶林的预测效果优于阔叶林，阔叶林又优于混交林。这一差异主要源于森林类型冠层结构的不同。针叶林冠层形似锥体且粗糙，GF-7立体影像生成的DSM呈现凹凸表面，能够准确地识别出针叶林波形的起始点。由于针叶林的光穿透性强，波形特征清晰，因此模型对W₁、W₂、θ、H_{\mathrm{75}}、Lead和TS等特征敏感。阔叶林树叶宽大，冠层起伏小，DSM能够准确反映阔叶林冠层的平整度。然而，阔叶林光穿透性较差，波形回波集中在冠层，对W_{\mathrm{2}}、H_{\mathrm{75}}、H_{\mathrm{50}}、\mathrm{T}\mathrm{r}\mathrm{a}\mathrm{i}\mathrm{l}、\theta和\mathrm{T}\mathrm{S}更为敏感。混交林由于同时包含针叶林和阔叶林，冠层结构更加复杂，进而也会影响到DSM表面高程值，波形信号会受到树种和树高差异的干扰，经过多元逐步回归分析，筛选出波形特征组合W_{\mathrm{1}}、W_{\mathrm{2}}、H_{\mathrm{75}}、H_{\mathrm{50}}、\mathrm{L}\mathrm{e}\mathrm{a}\mathrm{d}、\mathrm{T}\mathrm{S}和\mathrm{T}\mathrm{r}\mathrm{a}\mathrm{i}\mathrm{l}。

不同地形坡度对森林AGB估计也具有显著影响。随着坡度增加，波形呈现展宽现象^［26］。为了验证该方法在不同坡度下的有效性，采用机载数据将坡度划分为［0°，15°）、［15°，30°）和≥30°这3个区间，并选取郁闭度范围为［0.2，0.7）的GEDI测试集数据，评估不同坡度条件下的森林AGB估算精度，见表5。

由表5可以看出，随着坡度的增加，森林AGB估算精度逐渐下降，但其下降幅度与其他研究同类结果相比要小^［27］，表明本研究顾及GF-7立体几何特征的波形特征提取方法有效优化了相关特征参数。基于GF-7立体影像生成的DSM能够精确地反映森林冠层和地面的高度差异，即使在较高坡度区域，依然能够有效捕捉森林冠层的几何形态和地形趋势，有效约束了波形起始点并提高了波形特征的提取精度，减少了由坡度变化带来的误差。

不同郁闭度对森林AGB的估计同样具有影响^［28］。本研究选取坡度为［0°， 15°）的区域，分析森林AGB估测精度随郁闭度变化的情况，见表6。

由表6可以看出，在森林郁闭度［0，0.2）［0.2，0.7）和［0.7，1］区域，森林AGB的估算精度分别为79.33%，81.88%和80.22%，估算精度呈现先升高又降低的现象。分析原因发现，在郁闭度［0，0.2）区域，尽管GF-7立体影像生成的DSM能够定位波形起始点，但森林结构稀疏，波形信号受到地面影响大，导致波形特征提取不稳定，从而影响森林AGB估算的精度。而在郁闭度［0.2，0.7）区域，这个区域的森林结构较为均匀，波形回波信号较为稳定，DSM能够准确捕捉森林冠层的结构特征和高度变化，并精确定位波形起始点，显著提高了波形特征提取的精度。在［0.7，1］区域，虽然DSM仍能准确定位波形的起始点，但高密度的森林冠层会遮挡波形，波形信号会受到更多散射，导致波形特征的提取变得复杂，从而影响森林AGB估算的精度。

4.2 结论

本研究联合GF-7立体影像数据和GEDI全波形数据对不同森林类型进行了森林AGB估测，并进行区域外推制图。结果表明，在光斑尺度上，通过提取GF-7多角度立体几何特征构建的DSM数据，约束GEDI波形起点，并结合优化后的波形特征，构建的针叶林、阔叶林和混交林的光斑内森林AGB估计模型，相应的模型精度分别为82.87%、81.77%和80.54%，RMSE分别为20.11、22.07、24.51 Mg/hm²，并应用随机森林算法生成了25 m分辨率的区域森林AGB分布图。由于样本数据的区域性和模型参数的局限性，模型的普适性尚未得到充分验证，未来的研究应在不同区域和森林类型中验证本研究模型的适用性，并进一步优化其区域适应能力。

参考文献

[1] 铁铮，何建勇.联合国粮农组织新发布世界森林状况［J］.绿化与生活，2024（9）：12-16.

[2] TIE Z， HE J Y.New release of the world forest status by the food and agriculture organization of the United Nations［J］.Greening and Life，2024（9）：12-16.

[3] 刘磊，贾炜玮，张小勇，等.北方森林乔木层碳储量的估计及空间分析［J］.森林工程，2024，40（4）：137-149.

[4] LIU L， JIA W W， ZHANG X Y，et al.Estimation and spatial analysis of carbon storage in tree layers of northern forests［J］.Forest Engineering，2024，40（4）：137-149.

[5] 杨焕芬，秦蓁，胥丽，等.遥感技术估算森林生物量的研究进展和挑战［J/OL］.林业科技通讯，1-8［2025-02-06］.

[6] YANG H F， QIN Z， XU L，et al.Research progress and challenges in estimating forest biomass by remote sensing technology［J/OL］.Forest Science and Technology，1-8 ［2025-02-06］.

[7] 李馨，岳彩荣，罗洪斌，等.应用背包和无人机LiDAR数据对森林地上生物量估测［J］.东北林业大学学报，2025，53（2）：105-113.

[8] LI X， YUE C R， LUO H B，et al.Estimation of forest aboveground biomass using backpack and UAV LiDAR data［J］.Journal of Northeast Forestry University，2025，53（2）：105-113.

[9] 邢艳秋，姚松涛，李梦颖，等.基于机载全波形LiDAR数据的森林地上生物量估测算法研究［J］.森林工程，2017，33（4）：21-26.

[10] XING Y Q， YAO S T， LI M Y，et al.Estimation algorithm of forest aboveground biomass based on airborne full-waveform LiDAR data［J］.Forest Engineering，2017，33（4）：21-26.

[11] 蔡龙涛，何家胜，吴军，等.基于GEDI波形数据的不同季节森林冠层高度估测［J/OL］.农业机械学报，1-11［2025-02-06］.

[12] CAI L T， HE J S， WU J，et al.Estimation of forest canopy height in different seasons based on GEDI waveform data［J/OL］.Transactions of the Chinese Society for Agricultural Machinery，1-11 ［2025-02-06］.

[13] 吴贞江，张佳华.基于激光雷达卫星（GEDI）的广东省森林冠层高度和生物量估算［J］.测绘通报，2023（12）：102-105.

[14] WU Z J， ZHANG J H.Forest canopy height and biomass estimation based on LiDAR satellite （GEDI） in Guangdong Province［J］.Bulletin of Surveying and Mapping，2023（12）：102-105.

[15] 罗绍龙，舒清态，余金格，等.基于序贯高斯条件模拟的GEDI数据联合Landsat8反演森林地上生物量［J］.林业科学研究，2024，37（3）：49-60.

[16] LUO S L， SHU Q T， YU J G.et al.Combined GEDI data and Landsat 8 for inversion of forest aboveground biomass based on sequential Gaussian condition simulation［J］.Forest Research，2024，37（3）：49-60.

[17] DORADO-RODA I， PASCUAL A， GODINHO S，et al.Assessing the accuracy of GEDI data for canopy height and aboveground biomass estimates in mediterranean forests［J］.Remote Sensing，2021，13（12）：2279.

[18] WANG Y， NI W， SUN G，et al.Slope-adaptive waveform metrics of large footprint LiDAR for estimation of forest aboveground biomass［J］.Remote Sensing of Environment，2019，224：386-400.

[19] 张鹏，马庆勋，吕杰，等.机器学习算法在森林地上生物量估算中的应用［J］.测绘通报，2021（12）：28-32.

[20] ZHANG P， MA Q X，LYU J，et al.Application of machine learning algorithms in forest aboveground biomass estimation［J］.Bulletin of Surveying and Mapping，2021（12）：28-32.

[21] 王泽源，森林地上生物量估测现状研究［J］.现代园艺，2022，45（6）：186-188.

[22] WANG Z Y.Study on the current status of forest aboveground biomass estimation［J］.Contemporary Horticulture，2022，45（6）：186-188.

[23] 云南省林业厅.云南省森林资源调查报告［M］.昆明：云南科技出版社，2017.

[24] Yunnan Provincial Forestry Department.Yunnan forest resources investigation report 2016［M］.Kunming：Yunnan Science and Technology Press，2017.

[25] 贾呈鑫卓，李帅锋，苏建荣，等.思茅松人工林根系特征与生物量分配［J］.生态学杂志，2017，36（1）：21-28.

[26] JIA C X Z， LI S F， SU J R，et al.Root characteristics and biomass allocation for Pinus kesiya var.langbianensis plantation［J］.Chinese Journal of Ecology，2017，36（1）：21-28.

[27] 林开淼.亚热带常绿阔叶林生物量模型及其分析［J］.中南林业科技大学学报，2017，37（11）：115-120，126.

[28] LIN K M.Research and analysis on biomass allometric equations of subtropical broad-leaved forest［J］.Journal of Central South University of Forestry & Technology，2017，37（11）：115-120，126.

[29] 黄克标，庞勇，舒清态，等.基于ICESat GLAS的云南省森林地上生物量反演［J］.遥感学报，2013，17（1）：165-179.

[30] HUANG K B， PANG Y， SHU Q T，et al.Aboveground forest biomass estimation using ICESat GLAS in Yunnan，China［J］.National Remote Sensing Bulletin，2013，17（1）：165-179.

[31] 胡柳茹，唐新明，张智，等.高分七号卫星多源遥感数据精度优化与评估［J］.红外与激光工程，2022，51（6）：230-239.

[32] HU L R， TANG X M， ZHANG Z，et al.Accuracy optimization and assessment of GF-7 satellite multi-source remote sensing data［J］.Infrared and Laser Engineering，2022，51（6）：230-239.

[33] ZHANG X， LIU L Y， CHEN X D，et al.GLCFCS30：global land-cover product with fine classification system at 30 m using time-series Landsat imagery［J］.Earth System Science Data，2021，13（6）：2753-2776.

[34] NANDY S， SRINET R， PADALIA H.Mapping forest height and aboveground biomass by integrating ICESat-2，Sentinel-1 and Sentinel-2 data using random forest algorithm in Northwest Himalayan foothills of India［J］.Geophysical Research Letters，2021，48（14），e2021GL093799.

[35] LIU Y， GONG W， XING Y，et al.Estimation of the forest stand mean height and aboveground biomass in Northeast China using SAR Sentinel-1B，multispectral Sentinel-2A，and DEM imagery［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2019，151，277-289.

[36] LUO S Z， WANG C， XI X H，et al.Estimating forest aboveground biomass using small-footprint full-waveform airborne LiDAR data［J］.International Journal of Applied Earth Observation and Geoinformation，2019，83：101922.

[37] MAHDIANPARI M， SALEHI B， MOHAMMADIMAN-ESH F，et al.Random forest wetland classification using ALOS-2 L-band，RADARSAT-2 C-band，and TerraSAR-X imagery［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2017，130：13-31.

[38] 李会朋，胥辉，张超，等.基于随机森林模型的云南松天然林生物量遥感估测［J］.西部林业科学，2022，51（3）：60-66，80.

[39] LI H P， XU H， ZHANG C，et al.Remote sensing stimation of Pinus yunnanensis natural forest biomass based on random forest model［J］.Journal of West China Forestry Science，2022，51（3）：60-66，80.

[40] 刘彦枫，李紫荆，吴勇，等.西双版纳栎林和思茅松林地上生物量遥感估测［J］.西部林业科学，2023，52（1）：147-155.

[41] LIU Y F， LI Z J， WU Y，et al.Incorporating stratification of age groups and topography for aboveground biomass estimation of Quercus spp.forests and Pinus kesiya var.langbianensis forests in Xishuangbanna by remote sensing［J］.Journal of West China Forestry Science，2023，52（1）：147-155.

[42] 杜洁，史硕，刘晨曦.基于ICESat-2光斑尺度外推建模的不同森林类型地上生物量反演［J］.测绘通报，2024（10）：32-38.

[43] DU J， SHI S， LIU C X.Extrapolation modeling of aboveground biomass for different forest types based on ICESat-2 footprint scale［J］.Bulletin of Surveying and Mapping，2024（10）：32-38.

[44] NI W， ZHANG Z， SUN G.Assessment of slope-adaptive netrics of GEDI waveforms for estimations of forest aboveground biomass over mountainous areas［J］.Journal of Remote Sensing，2021，28（6）：9805364.

[45] 韩东阳，张加龙，杨健，等.考虑地形效应的高山松地上生物量遥感估测模型构建［J］.中南林业科技大学学报，2022，42（4）：12-21，67.

[46] HAN D Y， ZHANG J L， YANG J，et al.Establishment of the remote sensing estimation model of the above-ground biomass of Pinus densata Mast.considering topographic effects［J］.Journal of Central South University of Forestry & Technology，2022，42（4）：12-21，67.

[47] 吴发云，高显连，周蓉，等.基于林分高度及郁闭度的森林生物量和蓄积量模型研究［J］.林业资源管理，2021（2）：61-67.

[48] WU F Y， GAO X L， ZHOU R，et al.Research on forest biomass and stock volume model based on stand height and canopy density［J］.Forest Resources Management，2021（2）：61-67.

基金资助

国家重点研发计划项目(2021YFE0117700-6)