遥感在森林地上生物量估算中的应用

遥感在森林地上生物量估算中的应用

3

何红艳　郭志华

33

　肖文发

(中国林业科学研究院森林生态环境与保护研究所,北京100091)

摘　要　生物量是地表C 循环研究的重要组成部分,生物量研究有助于深入认识区域乃至

全球的C 平衡。森林作为地球最重要的陆地生态系统,区域乃至全球尺度的森林地上生物量估算一直是生态学研究的难点之一。在大的空间尺度上,遥感技术是估算森林地上生物量的有效手段。T M 、AVHRR 、S AR 等数据以及多源数据的融合在森林生物量估算方面广泛应用,并取得了显著效果。运用遥感技术进行森林生物量估算时,所采用的数据源不同,分析方法也不相同,主要分析方法有:相关分析、多元回归分析、神经网络和数学模型模拟等。随着测定不同空间、时间和波谱分辨率的各种传感器的广泛使用,以及生物量遥感估算模型的进一步发展和完善,大尺度森林生物量的遥感估算研究必将向前迈进一大步。关键词　生物量;遥感;神经网络;数学模型中图分类号　S718.55　文献标识码　A 文章编号　1000-4890(2007)08-1317-06Appli ca ti on of re m ote sen si n g i n forest aboveground b i oma ss esti m a ti on.HE Hong 2yan,G UO Zhi 2hua,X I A O W en 2fa (Institute of Forest Ecology,Environm ent and P rotection,Ch inese A cade m y of Forestry,B eijing 100091,China ).Chinese Journa l of Ecology ,2007,26(8):1317-1322.

Abstract:B i omass is an i m portant variable in many ecol ogical and envir on mental models,and its large scale esti m ati on would be hel pful t o understand the gl obal C balance .Forest p lays an i m 2portant r ole in the gl obal carbon budget because it deter m ines the dyna m ics of terrestrial carbon cycle,but the measure ment of its abovegr ound bi omass involves extensive field surveys .On large regi onal scale,using satellite data is an effective way t o esti m ate forest bi omass .Up t o now,T M ,AVHRR ,radar data and the fusi on of multi p le satellite data have been widely used in f orest bi o 2mass esti m ati on .During esti m ating with satellite data,different mathe matic methods may be re 2quired if the data s ources are different .The main methods for the esti m ati on are correlati on analy 2sis,regressi on analysis,neural net w ork,and other mathe matic models .Ne w instru ments with different res oluti on in s patial,te mporal and s pectru m are devised f or the relatively reliable deter 2m inati on of f orest abovegr ound bi omass .W ith the devel opment and i m p r ove ment of the theories and models for bi omass esti m ati on by using re mote sensing data,great p r ogress will be achieved in the research of forest bi omass on large scales .Key words:bi omass;re mote sensing;neural net w ork;mathe matical model .

3国家自然科学基金重大研究计划项目(90211006)、国家重点基础研究发展规划项目(2002CB412508)、国家自然科学基金重大项目(30590383)、国家科技十一五攻关计划项目(2006037002027)和国家林业局重点试验室开放基金资助项目。33通讯作者E 2mail:guozh@caf .ac .cn 收稿日期:2006209230 接受日期:2007205205

1　引　言

作为生态和环境应用研究的重要变量之一,生物量的长期定位研究有助于加深对全球碳平衡的认识

和理解(Field et al .,1995;Fang et al .,2001;方精云

等,2002)。作为地球上最重要的陆地生态系统,森林在全球碳循环中居重要地位,对陆地生物圈和其它地表过程有着重要影响。因此,大尺度森林地上生物量的有效估算是生态学研究的重要内容之一。

利用遥感进行森林生物量估算是基于植物的反射光谱特征实现的。这是因为:不同植物及同种植物在不同的生长发育阶段,其反射光谱曲线形态和特征不同;并且,病虫害、灌溉和施肥等条件的不同

也会引起植物反射光谱曲线的变化(彭少麟等,

生态学杂志Chinese Journal of Ecol ogy 2007,26(8):1317-1322

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Landsat T M、NOAA/AVHRR、S AR等。

2　森林生物量估算中的遥感数据源

211　T M数据

由美国陆地卫星五号(LANDS AT5)携带的主题成像传感器(The matic Mapper,T M)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(Ha me et al.,1997;M ichalek et al.,2000;Foody et al.,2001; Houghi on et al.,2001;T omppo et al.,2002;Foody et al.,2003;R ichards&B rack,2004)。

利用T M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(Ha me et al.,1997;郭志华等,2002)和叶面积指数(leaf area index,LA I)(Phua&Sati o,2003)等,利用T M数据的7个波段及各波段的组合如归一化植被指数(nor malized difference vegetati on index,ND2 V I)(Houghi on et al.,2001;Dong et al.,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T M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T M数据和回归分析模型,有效提高了生物量估算精度。Phua和Sati o(2003)利用T M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。212　NOAA/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NDV I指数。

利用AVHRR数据提取NDV I植被指数,然后通过NDV I估算区域的生物量,是一种比较常用的方法(Ha me et al.,1997;Houghi on et a l.,2001;San2 nier&Tayl or,2002;Dong et a l.,2003;A l2Bakri& Tayl or,2003;Moreau et al.,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NDV I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(M ichalek et a l.,2000),但其分类精度不如T M数据(Houghi on et a l.,2001)。

213　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(Hoek man& Qui ones,2000;I m hoff&Johns on,2000;Houghi on et al.,2001;Sant os et al.,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。

21311　合成孔径雷达　合成孔径雷达(S AR)利用波长01001～1μm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(Hoek2 man&Qui ones,2000;I m hoff&Johns on,2000;Sant os et al.,2003)。

Hoekman和Qui ones(2000)利用S AR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。Sant os等(2003)利用了S AR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。

8131 生态学杂志　第26卷　第8期　

21312　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。Houghi on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。

214　其它数据源

除了T M、NOAA/AVHRR、S AR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(Meer et al.,2001;Benchalli&Prajapati, 2004),如MOD I S(Ka wa mura&Akiya ma,2005)、SP OT(Carl os et a l.,2003)、I K NOS(Carl os et a l., 2003;Read et a l.,2003)、QU I CK B I RD(Clark et a l., 2004)等。

Benchalli和Prajapati(2004)利用I RS-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(V I)和归一化植被指数(NDV I),然后结合平均高度(average stand height,HT)、林冠覆盖百分率(cr own cover percentage,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ET M+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<0126),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=01881)。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。

215　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(Toan et a l.,1992; Franss on&Israelss on,1999;Kurvonen et al.,1999; Ts ol m on et al.,2002;Sa m i m i&Kraus,2004)。Kur2 vonen等(1999)利用ERS21的C波段和JERS21 S AR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(LA I),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(Ha me et al., 1997;Tomppo et al.,2002;R ichards&B rack,2004)。Ha me等(1997)利用T M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。T omppo等(2002)利用Landsat2T M数据和I RS21C W iFS数据,并结合国家森林清查数据(NF Is)估算了区域的材积和生物量,他们将Landsat2T M作为高分辨率数据用于森林参数的估计,将I RS21C W iFS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,R ichards和B rack(2004)利用LandsatMSS(1972—1988)和T M/ET M+(1988—2002)数据集,建立了生理主成分预测生长模型(physi ol ogical p rinci p les p redicting gr owth,3PG)进行多时间尺度制图。

3　森林生物量的遥感估算方法

311　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。T omppo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。312　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(Foody et al., 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

9131

何红艳等:遥感在森林地上生物量估算中的应用

能力、计算能力以及智能处理功能,并在不同程度和层次上模仿人脑神经系统的信息处理、存储和检索功能,它具有非线性、非局域性、非定常性等特点。神经网络所涉及到的网络模型有:线性网络、后向(BP)神经网络、径向基函数网络和回归网络等。

Foody等(2001)对婆罗洲热带雨林的生物量进行制图分析时,运用神经网络,利用T M影像的7个波段进行了回归分析,有效提高了生物量的估算精度;运用神经网络分析时,他们比较了3种不同神经网络的精度:感知器神经网络(MLP)、径向基函数神经网络(RBF)和回归网络,其中感知器神经网络的精度最好。后来,Foody等(2003)基于T M数据提取的10种植被指数,采用多元回归分析和后向神经网络2种方法对巴西、马来群岛和泰国3个区域的生物量进行估算。

虽然神经网络具有多元回归无法取代的优点,但神经网络难以描述变量和输出数据之间的关系,因此限制了其在区域尺度上的应用。

313　数学建模

估算区域生物量还可以通过数学方法建模实现。不同的森林类型和树种类型,所建立的数学模型不尽相同。Houghi on等(2001)结合前人的研究成果,比较了几种不同的生物量估算模型,对它们各自的优缺点进行了评估,但一个通用的生物量模型始终是不存在的。

利用遥感数据对生物量进行估算不是直接进行的,而是利用遥感数据计算植被指数、叶面积指数、材积等,然后利用这些因子与生物量的密切关系估算区域的生物量。Ha me等(1997)估算针叶为主的北方森林时,利用地面调查数据、高分辨率T M数据和低分辨率AVHRR数据,鉴于针叶树种和阔叶树种的反射光谱特征的差异,根据光谱信息估算阔叶树种和针叶树种所占比例,然后利用材积和生物量的关系,建立估算生物量的数学模型。

Hari p riya(2000)在估算印度的生物量时,利用几个州样区的森林清查材积数据,引入生物量换算因子(bi o mass expansi on fact or,BEF),将材积转换为地上部分的生物量。由于缺乏充分的资料,Har2 i p riya对不同龄林和不同类型的所有森林都使用同一的BEF,这是不准确的。Fang等(2001)估算中国1949—1998年森林生物量时,也是利用生物量换算因子(BEF),但其换算因子是连续变化的。

Baccini等(2004)利用一般加法模型G AM(gen2eralized additive model)和决策树模型(tree2based model)建立了哥伦比亚森林生物量模型,获得了较高的精度;但是在基于样地数据估算区域尺度上的森林生物量时,决策树模型都不适用。

另外,直接建立适合研究区域的数学模型也不失为一种估算区域生物量的好方法(Sant os,et al., 2003;R ichards&B rack,2004)。比如:利用Landsat MSS(1972—1988年)和T M/ET M+(1988—2002年)建立的生理主成分预测生长(3PG)模型用于估算澳大利亚的生物量清查和清查变化情况;由3个地面调查数据集的林冠高度模型(canopy height models,CH M s)与机载激光雷达数据结合,估算了哥斯达黎加热带森林的生物量(Nels on et al., 2000)。

4　展　望

411　多种传感器的使用

航天遥感具有对地球进行宏观、综合、动态、快速观察的特点,为大区域的森林生物量估算提供了很好的条件。各种不同的卫星平台在森林生物量的研究中起着重要作用,如Landsat5、Landsat7、NO2 AA、SP OT、Terra和Aqua卫星等。同时,更多更高几何分辨率和光谱分辨率的传感器如MOD I S、L I SS-4等搭载于卫星平台上,将使得生物量的研究更进一步。

MOD I S是当今世界上新一代“图谱合一”的光学遥感仪器,具有36个光谱通道,分布在014～14μm的电磁波谱范围内。MOD I S数据的增强型植被指数(enhanced vegetati on index,E V I)对基础数据进行了全面的大气校正(王正兴等,2003),该指数可以在植被变化检测以及全球植被变化研究方面与NDV I指数实现互补(Huete et al.,2002),对生物量含量高的区域的敏感度较高(Fensholt,2004),可以更有效提高生物量估算精度。

另外,由于微波遥感具有全天候工作的能力,也在生物量估算中得到广泛使用。今后,更高时间和空间分辨率雷达数据在生物量估算中的应用将会越来越广泛。

412　森林生物量遥感估算模型的进一步发展和完善森林生物量的估算离不开数学,数学贯穿于森林生物量估算的始终。无论是多元回归分析、神经网络,还是决策回归树等其它模型的建立,都是数学方法运用的充分体现。

0231 生态学杂志　第26卷　第8期　

对于不同区域的森林生物量,生物量模型都不相同,建模方法也不尽相同(Foody et al.,2001)。如何进一步更好的利用数学工具,将更多的方法如神经网络、地统计学、遗传算法等融入森林生物量估算,建立合适的遥感估算森林生物量模型,是森林生物量遥感估算研究的热点之一。

随着遥感和计算机软硬件的发展与完善,利用遥感数据进行生物量估算已经深入到生态学研究的各个领域,已取得了丰硕的成果,并将继续在生物量估算中发挥重要作用。

413　森林生物量遥感估算的系统集成

研究是为生产服务,将遥感估算森林生物量的成果进行系统集成,开发成基于软件平台的系统,是森林生物量遥感估算的一个很有前景的方向。

利用遥感数据、DE M影像及部分控制点等数据,建立一个估算森林生物量的平台,使得生物量的遥感估算显得更为简单和适用,也将成为可能。

5　结　语

准确估算森林地上生物量(特别是大区域尺度上的森林生物量估算)是个相当复杂的问题,涉及地面数据采集、遥感数据源、建模及精度验证等;并且,不同地区、数据源和数学建模方法不同。如何进一步提高大尺度森林生物量的遥感估算精度,是森林生态学研究的难点之一。

参考文献

方精云,陈安平,赵淑清,等.2002.中国森林生物量的估算:对Fang等Science一文(Science,2001,291:2320-

2322)的若干说明.植物生态学报,26(2):243-249.

郭志华,彭少麟,王伯荪.2002.利用T M数据提取粤西地区的森林生物量.生态学报,22(11):1832-1840.

彭少麟,郭志华,王伯荪.1999.RS和GI S在植被生态学中的应用及其前景.生态学杂志,18(5):52-64.

王正兴,刘　闯,A lfredo HE.2003.植被指数研究进展:从AVHRR2NDV I到MOD I S2E V I.生态学报,23(5):980-

987.

A l2Bakri JT,Tayl or JC.2003.App licati on of NOAA AVHRR

f or monit orin

g vegetati on conditi ons and bi omass in Jordan.

Journal of A rid Environm ents,54:579-593.

Baccini A,FriedlMA,Woodcock CE,et al.2004.Forest bi o2 mass esti m ati on over regi onal scales using multis ource data.

Geophysical Research L etters,31:L10501.

Benchalli SS,Prajapati RC.2004.B i omass p redicti on thr ough re mote sensing.Indian Forester,130:599-604.

Carl os S J r,Firest one L,Silva L M,et al.2003.M app ing f orest

degradati on in the Eastern Amazon fr om SP OT4thr ough s pectral m ixture models.Re m ote Sensing of Environm ent, 87:494-506.

Clark DB,Read J M,Clark ML,et al.2004.App licati on of12 M and42M res oluti on satellite data t o ecol ogical studies of tr op ical rain forests.Ecological A pplications,24:1051-0761.

Dong JR,Kauf mann RK,M yneni RB,et al.2003.Re mote sensing esti m ates of boreal and temperate f orest woody bi o2 mass:Carbon pools,s ources,and sinks.Re m ote Sensing of Environm ent,84:393-410.

Fang JY,Chen AP,Peng CH,et al.2001.Changes in f orest bi omass carbon st orage in china bet w een1949and1998.

Science,292:2320-2322.

Fensholt R.2004.Earth observati on of vegetati on status in the Sahelian and Sudanian W est Africa:Comparis on of Terra MOD I S and NOAA AVHRR satellite data.International Journal of Re m ote Sensing,25:1641-1659.

Field CB,Randers on JT,M al m str om C M.1995.Gl obal net p ri2 mary p r oducti on:Combining ecol ogy and re mote sensing.

Re m ote Sensing of Environm ent,51:74-88.

Foody G M,CutlerME,Mc morr ow J,et al.2001.Mapp ing the bi omass of Bornean tr op ical rain forest fr om re motely sensed data.Global Ecology&B iogeography,10:379-387. Foody G M,Boyd DS,CutlerME.2003.Predictive relati ons of tr op ical forest bi omass fr om Landsat T M data and their transferability bet w een regi ons.Re m ote Sensing of Environ2 m ent,85:463-474.

Franss on JE,Israelss on H.1999.Esti m ati on of ste m volu me in boreal forests using ERS21C2band JERS21L2band S AR da2 ta.International Journal of Re m ote Sensing,20:213-138. Ha me T,Salli A,Anderss on K,et al.1997.A ne w methodol o2 gy f or the esti m ati on of bi omass of conifer2dom inated boreal

f orest usin

g NOAA AVHRR data.International Journal of

Re m ote Sensing,18:3211-3243.

Hari p riya GS.2000.Esti m ates of bi omass in I ndian forests.B i2 o m ass and B ioenergy,19:245-258.

Hoek man DH,Qui ones https://www.wendangku.net/doc/38399626.html,nd cover type and bi o2 mass classificati on using A irS AR data f or evaluati on of mo2 nit oring scenari os in the Col obian Amazon.IEEE T ransac2 tions on Geoscience and Re m ote Sensing,38:685-696. Houghi on RA,La wrence KI,Hackler JL,et al.2001.The s pa2 tial distributi on of forest bi omass in the B razilian Amazon:

A comparis on of esti m ates.Global Change

B iology,7:731

-746.

Huete A,D idan K,M iura T,et al.2002.Overvie w of the ra2 di ometric and bi ophysical perf or mance of the MOD I S vege2 tati on indices.Re m ote Sensing of Environm ent,83:195-213.

I m hoff ML,Johns on P.2000.B i oS AR/sup T M/:An inexpen2

sive airborne VHF multiband S AR syste m for vegetati on bi2 omass measure ment.IEEE Transactions on Geoscience and

1231

何红艳等:遥感在森林地上生物量估算中的应用

Re m ote Sensing,38:1458-1462.

Ka wa mura K,Akiya ma T.2005.Monit oring of f orage conditi ons with MOD I S i m agery in the Xilingol steppe,I nner China.

International Journal of R e m ote Sensing,26:1423-1436. Kurvonen L,Pulliainen J,Hallikainen M,et al.1999.Retriev2 al of bi omass in boreal forests fr om multite mpotal ERS21 and JERS21S AR i m ages.IEEE Transactions on Geoscience and Re m ote Sensing,37:198-205.

Lefsky MA,Cohen WB,Harding DJ,et al.2002.L idar re mote sensing of above2gr ound bi omass in three bi omes.Global Ecology&B iogeography,11:393-399.

Meer F D,BakkerW,Scholte K,et al.2001.Spatial scale var2 iati ons in vegetati on indices and above2gr ound bi omass esti2 mates:I m p licati ons for MER I S.International Journal of Re m ote Sensing,22:3381-3396.

M ichalek JL,French NHF,Kasischke ES,et al.2000.U sing Landsat T M data t o esti m ate carbon release fr om burned bi2 omass in an A laska s p ruce forest comp lex.International Journal of Re m ote Sensing,21:323-338.

Moreau S,Bosseno R,Gu XF,et al.2003.A ssessing the bi o2 mass dyna m ics of Andean bofedal and t ot ora high2p r otein wetland grasses fr om NOAA/AVHRR.Re m ote Sensing of Environm ent,85:516-529.

Nels on R,J i m enez J,Schnell CE,et al.2000.Canopy height models and airborne lasers t o esti m ate f orest bi omass:T wo p r oble m s.International Journal of Re m ote Sensing,21: 2153-2162.

Phua MH,Sati o H.2003.Esti m ati on of bi omass of a mountain2 ous tr op ical forest using Landsat T M data.Canadian Jour2 nal of Re m ote Sensing,29:429-440.

Rah man MM,Csap l ovics E,Koch B.2005.An efficient regres2 si on strategy for extracting f orest bi omass inf or mati on fr om satellite sens or data.International Journal of R e m ote Sens2 ing,26:1511-1519.

Read J M,Clark DB,Venticinque E M,et al.2003.App licati on of merged12m and42m res oluti on satellite data t o research

and manage ment in tr op ical forests.Journal of A pplied Ecology,40:592-600.

R ichards GP,B rack C.2004.A continental bi omass st ock and st ock change esti m ati on app r oach for Australia.A ustralian Forestry,67:284-288.

Sa m i m i C,Kraus T.2004.B i omass esti m ati on using Landsat2 T M and2ET M+t owards a regi onal model f or Southern Africa.GeoJournal,59:177-187.

Sannier C AD,Tayl or JC.2002.　Real2ti m e monit oring of vege2 tati on bi omass with NOAA2AVHRR in Et osha Nati onal Park,Na m ibia,f or fire risk assess ment.International Journal of Re m ote Sensing,23:71-89.

Sant os JR,Freitas CC,A rauj o LS,et al.2003.A irborne P2band S AR app lied t o the abovegr ound bi omass studies in the B razilian tr op ical rainforest.R e m ote Sensing of Environ2 m ent,87:482-493.

Treuhaft RN.2003.Structure2based f orest bi omass fr om fusi on of radar and hypers pectral observati ons.Geophysical Research L etters,30:1472-1475.

Ts ol m on R,Tateishi R,Tetuko JS.2002.A method t o esti m ate

f orest bi omass and its app licati on t o monit orMongolian Tai2

ga using ERS21S AR data.International Journal of Re m ote Sensing,23:4971-4978.

Toan T L,Beaudo A,R i om J,et al.1992.Relating forest bi o2 mass t o S AR data.IEEE Transactions on Geoscience and Re m ote Sensing,30:403-411.

Tomppo E,N ilss on M,Rosengren M,et al.2002.Si m ultane2 ous use of Landsat2T M and I RS21C W iFS data in esti m ating large area tree ste m volu me and abovegr ound bi omass.

Re m ote Sensing of Environm ent,82:156-171.

作者简介　何红艳,女,1981年生,硕士研究生。主要从事3S在生态学中的应用研究,发表论文4篇。E2mail:hy_he@163.co m

责任编辑　王　伟

2231 生态学杂志　第26卷　第8期