万方数据生态学杂志第２６卷第８期１９９９）。因此，可以利用植物的这一特征，借助遥感技术。并结合地面调查，进行区域和全球尺度上的森林生物量估算研究。多种遥感数据被广泛用于森林生物量估算，这些遥感数据主要包括ＬａｎｄｓａｔＴＭ、ＮＯＡＡ／ＡＶＨＲＲ、ＳＡＲ等。２森林生物量估算中的遥感数据源２．１ＴＭ数据由美国陆地卫星五号（ＬＡＮＤＳＡＴ５）携带的主题成像传感器（ＴｈｅｍａｔｉｃＭａｐｐｅｒ，ＴＭ）有７个波段，利用这７个波段的不同组合可以提取不同的植被指数，然后利用植被指数估算区域生物量（Ｈａｍｅｅｔａ１．，１９９７；Ｍｉｃｈａｌｅｋｅｔａ１．，２０００；Ｆｏｏｄｙｅｔａ１．，２００１；Ｈｏｕｇｈｉｏｎｅｔａ１．，２００１；Ｔｏｍｐｐｏｅｔａ１．，２００２；Ｆｏｏｄｙｅｔａ１．，２００３；Ｒｉｃｈａｒｄｓ＆Ｂｒａｃｋ，２００４）。利用ＴＭ数据估算区域生物量时，往往在研究区域内实测生物量或与生物量有密切关系的数据如材积（Ｈａｍｅｅｔａ１．，１９９７；郭志华等，２００２）和叶面积指数（１ｅａｆａｒｅａｉｎｄｅｘ，ＬＡＩ）（Ｐｈｕａ＆Ｓａｔｉｏ，２００３）等，利用ＴＭ数据的７个波段及各波段的组合如归一化植被指数（ｎｏｒｍａｌｉｚｅｄｄｉｆｆｅｒｅｎｃｅｖｅｇｅｔａｔｉｏｎｉｎｄｅｘ，ＮＤ—ｖｉ）（Ｈｏｕｇｈｉｏｎｅｔａ１．，２００１；Ｄｏｎｇｅｔａ１．，２００３）等与生物量或者材积等的关系进行多元回归分析建模。郭志华等（２００２）利用ＴＭ数据的７个波段及其各种组合与材积的关系，估算了粤西地区的森林生物量。Ｆｏｏｄｙ等（２００３）在对热带雨林（婆罗洲）的生物量制图时，基于ＴＭ数据和回归分析模型，有效提高了生物量估算精度。Ｐｈｕａ和Ｓａｔｉｏ（２００３）利用ＴＭ数据的６个波段（未使用第６波段）及植被指数信息，并结合其它因子，进行多元回归建模和生物量估算。２．２ＮＯＡＡ／ＡＶＨＲＲ数据ＡＶＨＲＲ是ＮＯＡＡ系列卫星的主要探测仪器，包含有一个５通道的光谱扫描辐射仪。利用ＡＶＨＲＲ数据进行生物量估算时，主要是通过ＡＶＨＲＲ数据计算ＮＤＶＩ指数。利用ＡＶＨＲＲ数据提取ＮＤＶＩ植被指数，然后通过ＮＤＶＩ估算区域的生物量，是一种比较常用的方法（Ｈａｍｅｅｔａ１．，１９９７；Ｈｏｕｇｈｉｏｎｅｔａ１．，２００ｌ；Ｓａｎ·ｎｉｅｒ＆’Ｔａｙｌｏｒ，２００２；Ｄｏｎｇｅｔａ１．，２００３；ＡＩ—Ｂａｋｒｉ＆Ｔａｙｌｏｒ，２００３；Ｍｏｒｅａｕｅｔａ１．，２００３）。Ｄｏｎｇ等（２００３）利用遥感估算１６个国家（加拿大、芬兰、挪威、德国等）１６７个省份的北部森林和温带森林的生物量时，利用ＡＶＨＲＲ数据提取ＮＤＶＩ植被指数，根据针叶林和阔叶林的不同，建立了估算生物量的不同模型，有效估算了这些区域的地上部分生物量。ＡＶＨＲＲ数据也用于森林的分类（Ｍｉｃｈａｌｅｋｅｔ
ａ１．，２０００），但其分类精度不如ＴＭ数据（Ｈｏｕｇｈｉｏｎｅｔ
ａ１．，２００１）。２．３雷达数据雷达遥感又叫微波遥感，可分为主动和被动２种方式，被动方式与可见光和红外遥感类似，是由微波扫描辐射计接收地表目标的微波辐射。目前多数星载雷达采用主动方式，即由遥感平台发射电磁波，然后接收辐射和散射回波信号，主要探测地物的后向散射系数和介电常数。微波遥感不依赖于太阳辐射的变化，能够全天候观测，可以随时随地获取植被信息，特别适用于云层覆盖的地区。而且，微波具有一定的穿透力和对某些地物明显的区分能力，利用雷达数据进行生物量估算相当普遍（Ｈｏｅｋｍａｎ＆Ｑｕｉｆｉｏｎｅｓ，２０００；Ｉｍｈｏｆｆ＆Ｊｏｈｎｓｏｎ，２０００；Ｈｏｕｇｈｉｏｎｅｔａ１．，２００１；Ｓａｎｔｏｓ
ｅｔ
ａ１．，２００３）。Ｌｅｆｓｋｙ等（２００２）
利用雷达遥感数据，估算了北方针叶林、温带针叶林和温带落叶林３类森林生态系统的地上部分生物量。２．３．１合成孔径雷达合成孔径雷达（ＳＡＲ）利用波长０．００１～１Ｉｘｍ的微波来探测地物，这种雷达
数据在森林生物量估算中的应用越来越广（Ｈｏｅｋ－ｍａｎ＆Ｑｕｉｆｉｏｎｅｓ，２０００；Ｉｍｈｏｆｆ＆Ｊｏｈｎｓｏｎ，２０００；Ｓａｎｔｏｓｅｔａ１．，２００３）。
Ｈｏｅｋｍａｎ和Ｑｕｉｆｉｏｎｅｓ（２０００）利用ＳＡＲ数据分析了亚马逊流域（哥伦比亚）的陆地覆盖类型和生物量。为了区分不同的陆地覆盖类型并估算其生物量，他们首先将陆地覆盖分为４类，即原始林、次生林、近期砍伐林区和草地；然后，比较分析不同波段及极化数据的不同组合在土地覆盖分类和生物量估算中的精度，发现Ｌ波段和ＨＶ极化的组合或者Ｐ波段的效果最好；最后，基于地面调查资料、Ｌ波段与ＨＶ极化的组合和Ｐ波段数据，对该地区的生物量进行制图，并根据大小将生物量分为８类。虽然Ｐ波段在区分原始林、次生林和草地方面具有最好的效果，但它不能很好的区分森林和近期砍伐地，而且在使用Ｐ波段上还存在技术困难。Ｓａｎｔｏｓ等（２００３）利用了ＳＡＲ数据的Ｐ波段能够很好区分原始林、次生林的优势，用该波段数据估算了巴西热带雨林的生物量。
万方数据何红艳等：遥感在森林地上生物量估算中的应用２．３．２激光雷达激光雷达可以直接测量植被的垂直分布，并可以提供植被结构的三维特征，也用于森林生物量的估算。Ｈｏｕｇｈｉｏｎ等（２００１）指出，由于生物量是个动态变化量，对生物量深度和广度的研究还需要进一步加强，而激光雷达数据和森林生物量具有很好的相关性，而且可以很好的测出树高，是一种有广阔应用前途的新方法。２．４其它数据源除了ＴＭ、ＮＯＡＡＺＡＶＨＲＲ、ＳＡＲ数据等被用来估算森林生物量外，其它数据源也可用于区域生物量估算（Ｍｅｅｒｅｔａ１．，２００１；Ｂｅｎｃｈａｌｌｉ＆Ｐｒａｊａｐａｔｉ，２００４），如ＭＯＤＩＳ（Ｋａｗａｍｕｒａ＆Ａｋｉｙａｍａ，２００５）、ＳＰＯＴ（Ｃａｒｌｏｓｅｔａ１．，２００３）、ＩＫＮＯＳ（Ｃａｒｌｏｓｅｔａ１．，２００３；Ｒｅａｄｅｔａ１．，２００３）、ＱＵＩＣＫＢＩＲＤ（Ｃｌａｒｋｅｔａ１．，２００４）等。Ｂｅｎｃｈａｌｌｉ和Ｐｒａｊａｐａｔｉ（２００４）利用ＩＲＳ一１Ｂ卫星数据对印度Ｈａｌｉｙａｌ地区的森林生物量进行了预测。Ｂｅｎｃｈａｌｌｉ和Ｐｒａｊａｐａｔｉ首先从遥感数据中提取植被指数（ＶＩ）和归一化植被指数（ＮＤＶＩ），然后结合平均高度（ａｖｅｒａｇｅｓｔａｎｄｈｅｉｇｈｔ，ＨＴ）、林冠覆盖百分率（ｃｒｏｗｎｃｏｖｅｒｐｅｒｃｅｎｔａｇｅ，ＣＲ）和降水（Ｒ），运用多元回归分析方法，建立生物量的遥感估算模型，有效地估算了该地区的森林生物量。Ｒａｈｍａｎ等（２００５）利用ＥＴＭ＋数据估算了孟加拉国东南部热带森林的生物量。通过研究发现，直接利用各波段建立回归模型来估算生物量所得到的回归系数较低（ｒ２＜０．２６），而虚拟变量（该文中主要是指根据植被类型确定的分类系数）的引入有效提高了生物量估算模型的精度（ｒ２＝０．８８１）。因此，根据遥感图像确定不同的分类组以及虚拟变量的选择至关重要。２．５多源遥感数据的融合将不同传感器的不同波段进行融合，借此估算森林生物量也是一种有效的方法（Ｔｏａｎｅｔａ１．，１９９２；Ｆｒａｎｓｓｏｎ＆Ｉｓｒａｅｌｓｓｏｎ，１９９９；Ｋｕｒｖｏｎｅｎｅｔａ１．，１９９９；Ｔｓｏｌｍｏｎｅｔａ１．，２００２；Ｓａｍｉｍｉ＆Ｋｒａｕｓ，２００４）。Ｋｕｒ－ｖｏｎｅｎ等（１９９９）利用ＥＲＳ．１的Ｃ波段和ＪＥＲＳ一１ＳＡＲ的Ｌ波段和ＨＨ极化数据估算了北方森林的材积。Ｔｒｅｕｈａｆｔ（２００３）将雷达数据和高光谱数据融合，从中获得了基于结构的森林生物量。Ｔｒｅｕｈａｆｔ认为基于森林结构纵剖面的生物量估测比微波或光学遥感的方法准确，不同高度的ｃ波段雷达干涉仪可测量叶面积密度（ＬＡＤ），而高光谱光学遥感可测得叶面积指数（ＬＡＩ），因此，可以通过融合遥感数据
的方法，即通过遥感图像所反映的叶面积指数和叶面积密度（ＬＡＤ）来提高对生物量的估算精度。高分辨率可为低分辨率数据提供误差校正，将高分辨率数据与中低分辨率遥感数据有效结合，能有效提高森林生物量的估算精度（Ｈａｍｅｅｔａ１．，
１９９７；Ｔｏｍｐｐｏｅｔａ１．，２００２；Ｒｉｃｈａｒｄｓ＆Ｂｒａｃｋ，２００４）。Ｈａｍｅ等（１９９７）利用ＴＭ数据和ＡＶＨＲＲ数据，在欧洲以针叶为主的北方森林地区分别建立针叶林和落叶林生物量估算模型。Ｔｏｍｐｐｏ等（２００２）利用Ｌａｎｄｓａｔ—ＴＭ数据和ＩＲＳ一１ＣＷｉＦＳ数据，并结合国家森林清查数据（ＮＦＩｓ）估算了区域的材积和生物量，他们将Ｌａｎｄｓａｔ－ＴＭ作为高分辨率数据用于森林参数的估计，将ＩＲＳ一１ＣＷｉＦＳ作为中分辨率数据用于生物量估算模型的建立。在估算澳大利亚的生物量清查和清查变化情况时，Ｒｉｃｈａｒｄｓ和Ｂｒａｃｋ（２００４）利用ＬａｎｄｓａｔＭＳＳ（１９７２——１９８８）和ＴＮＬ／ＥＴＭ＋（１９８８——２００２）数据集，建立了生理主成分预测生长模型（ｐｈｙｓｉｏｌｏｇｉｃａｌｐｒｉｎｃｉｐｌｅｓｐｒｅｄｉｃｔｉｎｇｇｒｏｗｔｈ，３ＰＧ）进行多时间尺度制图。
３森林生物量的遥感估算方法３．１多元回归分析森林生物量与众多因素相关，而多元回归分析可以解决一个因变量与多个自变量之间的数量关系问题，因而被广泛用于森林生物量的遥感估算研究。Ｆｏｏｄｙ等（２００１）认为，尽可能多地利用遥感数据的相关波段可提高生物量的估算精度。Ｂｅｎｃｈａｌｌｉ和Ｐｒａｊａｐａｔｉ（２００４）利用全色航空摄影像片对印度的Ｈａｌｉｙａｌ森林的生物量进行预测时，运用多元回归分析和相关分析，建立了估算生物量的模型。Ｔｏｍｐｐｏ等（２００２）通过建立多元非线性回归模型，估算出芬兰森林的材积和地上生物量。３．２人工神经网络
由于多元回归分析要求各变量之间无相关性，遥感数据的各波段无法满足这一要求，神经网络可以实现多元回归分析功能，又不要求变量独立。因此可以利用神经网络来估算生物量（Ｆｏｏｄｙｅｔａ１．，
２００１）。神经网络又称人工神经网络，是由大量处理单元（类似于生物神经网络系统的神经元）组成的非线性大规模自适应动力学系统，具有学习能力、记忆
万方数据