基于機(jī)載激光雷達(dá)的森林地上碳儲量估測1)

穆喜云 劉清旺 龐勇 胡凱龍 張秋良

(赤峰市林業(yè)科學(xué)研究院森林生態(tài)研究所， 內(nèi)蒙古·赤峰， 024000)(中國林業(yè)科學(xué)研究院資源信息研究所) (中國礦業(yè)大學(xué)(北京)地球科學(xué)與測繪工程學(xué)院) (內(nèi)蒙古農(nóng)業(yè)大學(xué)林學(xué)院)

?

基于機(jī)載激光雷達(dá)的森林地上碳儲量估測1)

穆喜云 劉清旺 龐勇 胡凱龍 張秋良

(赤峰市林業(yè)科學(xué)研究院森林生態(tài)研究所， 內(nèi)蒙古·赤峰， 024000)(中國林業(yè)科學(xué)研究院資源信息研究所) (中國礦業(yè)大學(xué)(北京)地球科學(xué)與測繪工程學(xué)院) (內(nèi)蒙古農(nóng)業(yè)大學(xué)林學(xué)院)

以內(nèi)蒙古大興安嶺生態(tài)站為研究對象，以2012、2013年的66塊樣地數(shù)據(jù)和2012年同步獲取的機(jī)載LiDAR遙感數(shù)據(jù)為數(shù)據(jù)源，分別采用多元線性回歸和隨機(jī)森林回歸算法，通過對比不同算法間的估測精度差異，選擇更適于研究區(qū)的估測方法，實(shí)現(xiàn)研究區(qū)森林地上碳儲量的遙感估測。結(jié)果表明：隨機(jī)森林回歸算法的估測精度最優(yōu)，模型訓(xùn)練精度(R2為0.861，RMSE為11.133 t/hm2，rRMSE為0.279)和預(yù)測精度(RMSE為17.956 t/hm2，rRMSE為0.342，估測精度范圍40.898%～95.129%，平均估測精度76.385%)均優(yōu)于多元線性回歸的模型訓(xùn)練結(jié)果(R2為0.676，RMSE為11.846 t/ha，rRMSE為0.351)和模型預(yù)測結(jié)果(RMSE為22.703 t/hm2，rRMSE為0.636，估測精度范圍45.824%～94.752%，平均估測精度69.859%)。機(jī)載LiDAR數(shù)據(jù)的高度變量和密度變量與森林地上碳儲量均具有顯著相關(guān)性，高度變量相關(guān)性更為顯著。隨機(jī)森林回歸算法對區(qū)域森林地上碳儲量的估測結(jié)果趨于真實(shí)分布情況，效果比較理想。

機(jī)載LiDAR；隨機(jī)森林回歸；多元線性回歸；森林地上碳儲量

In the Great Khingan State Ecosysterm Research Station in Inner Mongolia, we chose a more suitable method to estimate forest aboveground carbon storage with the plots data from 2012, 2013 and the synchronously acquired airborne LiDAR data of 2012 as data sources in the study area, by comparing the model estimated accuracy of multiple linear stepwise regression and random forest regression algorithms to realize the remote sensing estimation of forest aboveground carbon storage of study area. The random forest regression algorithm was training higher accuracy (model training accuracyR2=0.861, RMSE=11.133 t/ha andrRMSE=0.279; testing accuracyR2=0.826, RMSE=17.956 t/ha,rRMSE=0.342, the estimate accuracy range is in 40.898%-95.129% and its average estimate accuracy is 76.385%) than the multiple linear stepwise regression algorithm (model training accuracyR2=0.676, RMSE=11.846 t/ha andrRMSE=0.351; testing accuracyR2=0.727, RMSE=22.703 t/ha,rRMSE=0.636, the estimate accuracy range is in 45.824%-94.752% and the average estimate accuracy is 69.859%). The percentile height and density variables of LiDAR data had significant correlation with the forest aboveground carbon storage, percentile height variable correlation is more significant. Therefore, the estimate results of total forest carbon storage on regional scale using random forest regression algorithm was closer to its true distribution with ideal effects.

森林作為陸地生態(tài)系統(tǒng)的主體，蓄儲了全球陸地生態(tài)系統(tǒng)中約80%以上的碳[1]，作為陸地生態(tài)系統(tǒng)中最大的碳庫，對吸收CO2等溫室氣體，減緩氣候變化發(fā)揮著關(guān)鍵作用。森林碳儲量是判斷系統(tǒng)中碳源和碳匯的關(guān)鍵因子[2]，也是森林與環(huán)境間物質(zhì)循環(huán)和能量流動復(fù)雜關(guān)系的衡量指標(biāo)，對全球碳收支平衡、氣候變化及全球碳循環(huán)研究具有重要意義。遙感作為有效的技術(shù)手段，解決了大區(qū)域定量估算問題，減少了對森林的破壞性，提高了工作效率。但眾多遙感數(shù)據(jù)中，光學(xué)遙感數(shù)據(jù)含有豐富的光譜信息，數(shù)值獲取受天氣條件限制。激光雷達(dá)(LiDAR)是一種新興的技術(shù)手段，通過測算激光信號由傳感器到達(dá)目標(biāo)物之間的時間進(jìn)行距離換算的一種主動遙感技術(shù)，被廣泛地應(yīng)用于城市三維建模、資源勘探、土地利用、古建筑物保護(hù)與修繕、軍事及森林參數(shù)估算等方面。近年來LiDAR已成功應(yīng)用于林業(yè)領(lǐng)域，對森林生態(tài)系統(tǒng)小氣候、徑流、能量循環(huán)、生物多樣性及立地質(zhì)量評價具有重要的研究意義[3]，憑借其獲取植被垂直結(jié)構(gòu)信息的優(yōu)勢，實(shí)現(xiàn)了森林參數(shù)的定量測量與反演，估測精度可達(dá)亞米級[4]。

近年來，一些學(xué)者將支持向量機(jī)算法[5]、最近鄰算法[6]和隨機(jī)森林算法[7-11]等非參數(shù)化機(jī)器學(xué)習(xí)算法應(yīng)用于森林生物量遙感估算研究中。

隨機(jī)森林是一種集成學(xué)習(xí)方法，最早由Leo Breiman[12]提出，通過多個決策樹的組合提高模型預(yù)測精度，其優(yōu)點(diǎn)體現(xiàn)在處理大數(shù)據(jù)時，學(xué)習(xí)過程快，效率高[13]。決策樹的非參數(shù)化方法具有顯著的優(yōu)勢，不需要假設(shè)先驗(yàn)概率分布，具有更好的靈活性和魯棒性。

以內(nèi)蒙古大興安嶺生態(tài)站寒溫帶典型森林為研究對象，利用機(jī)載LiDAR數(shù)據(jù)結(jié)合隨機(jī)森林回歸算法對研究區(qū)森林地上碳儲量進(jìn)行估測。通過實(shí)測數(shù)據(jù)進(jìn)行驗(yàn)證，隨機(jī)森林回歸算法表現(xiàn)出了較高的模型擬合效果，為提高研究區(qū)森林地上碳儲量估測精度提供參考數(shù)據(jù)。

1 試驗(yàn)區(qū)概況

研究區(qū)位于根河市的內(nèi)蒙古大興安嶺森林生態(tài)系統(tǒng)國家野外科學(xué)觀測研究站，簡稱“大興安嶺生態(tài)站”。試驗(yàn)區(qū)面積102 km2，地理坐標(biāo)121°30′～121°31′E，50°49′～50°51′N，高程變化范圍為810～1 116 m，是我國目前緯度最高的森林生態(tài)系統(tǒng)野外科學(xué)觀測站。屬寒溫帶濕潤氣候區(qū)，典型寒溫帶北方森林，森林覆蓋率為75%。主要森林類型為針葉林(興安落葉松(Larixgmelinii))、闊葉林((Betulaplatyphylla))和混交林(興安落葉松-白樺)，有少量山楊(PopulusdavidianaDode)伴生[14]。

2 研究方法

2.1 數(shù)據(jù)獲取

機(jī)載LiDAR數(shù)據(jù)：2012年8月至9月在研究區(qū)開展飛行試驗(yàn)，以“運(yùn)-5”飛機(jī)搭載Leica ALS60機(jī)載雷達(dá)系統(tǒng)，對地發(fā)射激光信號(波長1 550 nm，頻率100～200 kHz，掃描角±35°，平均飛行高2 700 m，飛行速度220 km/h)共獲得32條航帶數(shù)據(jù)，覆蓋面積213 km2，獲取的LiDAR數(shù)據(jù)的航帶平均掃描寬度1 000 m，航帶最高重疊率為80%，激光點(diǎn)云平均密度為5.6個/m2。

地面調(diào)查數(shù)據(jù)：2012年8—9月份，在大興安嶺生態(tài)站研究區(qū)內(nèi)，設(shè)置固定樣地(40 m×40 m)48塊，2013年8月設(shè)置45 m×45 m的固定樣地9塊和臨時樣地9塊。設(shè)置的66塊樣地，以針葉林為主，針闊混交林其次，闊葉林?jǐn)?shù)量較少，涵蓋幼齡林、中齡林和成熟林。樣地每木調(diào)查因子包括：胸徑、樹高、枝下高、冠幅、郁閉度、覆蓋度等林分基本信息。臨時樣地僅進(jìn)行每木胸徑檢尺，按照徑階抽取部分林木測定樹高和冠幅。

胸徑尺測定每木胸高處直徑，激光測高儀(USA)測定樹高和枝下高，皮尺測定東西、南北兩個主方向的冠幅，對樣地的四角分別進(jìn)行差分GPS(DGPS)定位，精度控制在米級(1 m以內(nèi))。

2.2 數(shù)據(jù)預(yù)處理

機(jī)載LiDAR數(shù)據(jù)：對機(jī)載LiDAR數(shù)據(jù)進(jìn)行去噪、分類等預(yù)處理。主要進(jìn)行地面點(diǎn)、植被點(diǎn)的提取和分類。將研究區(qū)域范圍內(nèi)的點(diǎn)云數(shù)據(jù)進(jìn)行歸一化處理，去除地形起伏等因素對LiDAR高度變量提取過程中精度的影響。機(jī)載LiDAR的第一回波在多次回波中較穩(wěn)定，故采用第一回波進(jìn)行森林參數(shù)運(yùn)算。本文定義高于地面2米的回波點(diǎn)為植被點(diǎn)[15]，對點(diǎn)云數(shù)據(jù)進(jìn)行歸一化處理，提取各樣地的百分位高度變量5%(h5)、10%(h10)、15%(h15)……95%(h95)，最大高度(hmax)、平均高度(hmean)；百分位密度變量，定義為分位高度內(nèi)的點(diǎn)占所有點(diǎn)的比例，即5%(d5)、10%(d10)、15%(d15)……95%(d95)和變量c，c為所有大于2.0 m的回波點(diǎn)占所有點(diǎn)云的比例[16]。百分位數(shù)能很好地體現(xiàn)激光點(diǎn)云的分布情況，樣本分布和位置的統(tǒng)計量由分位數(shù)來描述。分位數(shù)為p，定義為對于總體X和給定的p，如果存在使得P(X≤θp)=P，則θp為總體X的p分位數(shù)。先對植被點(diǎn)云高度進(jìn)行排序，然后計算總高度的p處分位樹高。

地面調(diào)查數(shù)據(jù)：以森林地上碳儲量為研究對象，根據(jù)生物量和碳儲量的關(guān)系，首先計算森林地上生物量，利用生物量方程分樹種計算每木的生物量，然后累加得到樣地尺度的森林地上生物量。生物量方程采用陳傳國等[17]冪函數(shù)方程。以獲取的生物量乘以含碳轉(zhuǎn)換率，含碳轉(zhuǎn)換率采用國際上常用的轉(zhuǎn)換系數(shù)0.5[18]，計算樣地水平內(nèi)的森林地上碳儲量。待測生物量方程如下：

W=aDb。

(1)

式中：W為待測生物量，D為胸徑，a和b為方程系數(shù)(見表1)。

以森林地上碳儲量為研究對象，分別采用多元線性逐步回歸法和隨機(jī)森林回歸法，結(jié)合樣地實(shí)測數(shù)據(jù)，對研究區(qū)的森林地上碳儲量估測。選取43個樣本數(shù)據(jù)進(jìn)行模型的構(gòu)建，對比分析2種回歸算法的R2變化情況，選擇更適合研究區(qū)森林地上碳儲量估測的遙感模型。

表1 相關(guān)樹種生物量方程系數(shù)

2.3 多元逐步回歸

以提取的LiDAR變量和計算獲得的樣地森林地上碳儲量進(jìn)行多元逐步回歸分析，采用對數(shù)變換的形式進(jìn)行回歸建模。通過逐步漸進(jìn)的方式篩選變量因子，直到滿足F值較大且達(dá)到t檢驗(yàn)的顯著性水平(p<0.05)則進(jìn)入模型，否則剔除[19]。具體回歸方程如下：

lnWi=β0+β1lnh5+β2lnh10+…+β19lnh95+β20lnhmean+β21lnhmax+β22lnd5+β23lnd10+…+β40lnd95+β41lnc+ε。

(2)

式中：Wi為地面實(shí)測生物量；β0、β5、…、β41為待定的回歸系數(shù)；ε為誤差項(xiàng)。

2.4 隨機(jī)森林回歸

首先，從訓(xùn)練樣本數(shù)據(jù)集中，隨機(jī)有放回地抽取N個樣本；從特征變量數(shù)據(jù)集中，隨機(jī)地抽出M個變量；依據(jù)上述得到的子集實(shí)施CART方法(無需剪枝)，從而形成一個單獨(dú)的決策樹；重復(fù)上面步驟X次，就構(gòu)建了有X棵樹的隨機(jī)森林模型。在對新數(shù)據(jù)進(jìn)行預(yù)測分類時，由X棵樹分別預(yù)測，綜合最終投票結(jié)果，獲取預(yù)測結(jié)果。

本文基于R語言進(jìn)行隨機(jī)森林算法的實(shí)現(xiàn)，R語言是一種用于統(tǒng)計分析和繪圖的語言和操作環(huán)境。本研究選擇randomForest函數(shù)包進(jìn)行的隨機(jī)森林回歸。

R語言的randomForest函數(shù)在進(jìn)行隨機(jī)森林回歸時，程序通過兩個指標(biāo)判斷每個自變量的重要性，對自變量進(jìn)行選擇，一是自變量出現(xiàn)在袋外數(shù)據(jù)時，模型的MSE增量，二是自變量出現(xiàn)在袋外數(shù)據(jù)時，對模型樹節(jié)點(diǎn)純度的影響力，由殘差平方和來衡量，對應(yīng)數(shù)值越高，該變量的重要性越大，程序會選擇進(jìn)入模型的自變量。通過構(gòu)建不同的模型，進(jìn)行模型運(yùn)算，最終輸出模型的預(yù)測結(jié)果。

2.5 模型評價方法

通常采用決定系數(shù)(R2)，均方根誤差(RMSE)和相對均方根誤差(rRMSE)對回歸模型進(jìn)行模型擬合優(yōu)度評價[20]。

R2的數(shù)值越大越好，越大表示模型的擬合能力越強(qiáng)，RMSE和rRMSE越小代表模型的預(yù)測能力越強(qiáng)。由于RMSE受數(shù)量級的影響，本文對變量進(jìn)行過對數(shù)變換，因此，更進(jìn)一步地選擇rRMSE對模型預(yù)測能力進(jìn)行評價。

(3)

(4)

(5)

3 結(jié)果與分析

如表2所示，多元逐步回歸(MLR)的模型相關(guān)系數(shù)R為0.822，自變量與因變量間顯著相關(guān)性較高，決定系數(shù)R2為0.676，可以解釋總體變異的67.6%，訓(xùn)練RMSE為11.846 t/hm2，模型驗(yàn)證R2為0.727，驗(yàn)證RMSE為22.703 t/hm2，驗(yàn)證rRMSE為0.636，驗(yàn)證樣本的估測精度范圍為45.824%～94.752%，平均估測精度為69.859%。

隨機(jī)森林回歸(RF)，模型訓(xùn)練R2為0.861，可以解釋總體變異的比例為86.1%，訓(xùn)練RMSE為11.133 t/hm2，模型驗(yàn)證R2為0.826，驗(yàn)證RMSE為17.956 t/hm2，驗(yàn)證rRMSE為0.342，模型估測精度范圍為40.898%～95.129%，平均估測精度為76.385%。

表2 森林地上碳儲量模型評價指標(biāo)運(yùn)算結(jié)果

RF回歸模型的訓(xùn)練精度和預(yù)測精度均優(yōu)于MLR回歸模型的運(yùn)算結(jié)果。本文中采用相同的訓(xùn)練樣本數(shù)據(jù)和驗(yàn)證樣本數(shù)據(jù)，在統(tǒng)一數(shù)據(jù)選擇的基礎(chǔ)上，對兩種不同的模型運(yùn)算方法進(jìn)行精度對比，由此可見，RF模型的訓(xùn)練和驗(yàn)證R2和RMSE效果較理想，用于估測森林地上碳儲量可行，其模型的學(xué)習(xí)能力比MLR模型R2提高了18.5%，RMSE提高了0.713 t/hm2，平均估測精度提高了6.526%，但MLR模型的最低估測精度高于RF模型的最低估測結(jié)果，兩種模型的最高估測精度差異不顯著。雖然RF模型構(gòu)建的樹較復(fù)雜，此算法對數(shù)據(jù)的學(xué)習(xí)性較好，但由于抽樣過程隨機(jī)，屬于暗箱操作，如與噪聲(即誤差)部分過度學(xué)習(xí)，即會導(dǎo)致數(shù)據(jù)估測結(jié)果的整體偏差。

如圖1所示，RF估測結(jié)果與實(shí)測值間的差異性明顯小于MLR的估測結(jié)果。各別樣點(diǎn)的實(shí)測值與估測值偏差較大，估測結(jié)果偏低，由于這些樣地內(nèi)單木株數(shù)較少，且為成熟林，所以樣地實(shí)測生物量較高；而機(jī)載點(diǎn)云在獲取樣地內(nèi)點(diǎn)云分位變量時，對冠頂?shù)腻e失，導(dǎo)致對樣地內(nèi)分位高度統(tǒng)計的誤差，從而增加了模型的估測誤差?？傊?，兩模型的預(yù)測值均偏低，如圖2所示，大部分的數(shù)據(jù)點(diǎn)分布于對比線上方，模型估測值低于實(shí)測值。本文中實(shí)測值采用的單因素生物量方程，由此計算的生物量必然存在一定的誤差，而含碳系數(shù)統(tǒng)一為0.5，按照不同樹種，不同林齡其含碳率是各不相同的，因此又造成了誤差的累積，在模型的學(xué)習(xí)過程中，隨機(jī)的訓(xùn)練樣本數(shù)據(jù)，使得模型對該部分?jǐn)?shù)據(jù)的學(xué)習(xí)能力較強(qiáng)，但是模型的普適性，仍然存在一定的局限性。

圖1 各驗(yàn)證樣本點(diǎn)的森林地上碳儲量估測

由RF模型運(yùn)算生成的研究區(qū)森林地上碳儲量空間等級分布圖(見圖3)，最大估測值86.78 t/hm2，單位面積碳儲量為38.299 t/hm2，總碳儲量為394 037.454 t。MLR模型對研究區(qū)域范圍的運(yùn)算結(jié)果最大估測值為59.10 t/hm2，總碳儲量估測值為169 330.987 t，單位面積碳儲量估測值為16.586 t/hm2。本文以2005年小班數(shù)據(jù)為參考，將小班蓄積進(jìn)行換算，得到研究區(qū)范圍內(nèi)的總碳儲量為247 542.6 t，單位面積碳儲量為19.908 t/hm2。MLR估測結(jié)果與小班結(jié)果差異性較大，本文中的LiDAR數(shù)據(jù)為2012年獲取，與小班數(shù)據(jù)獲取的時間間隔較長，這段時間內(nèi)，森林地上碳儲量以一定的速率進(jìn)行增匯，總碳儲量應(yīng)呈現(xiàn)增長的趨勢，而MLR估測結(jié)果較低，低于2005年的森林地上碳儲量，RF估測結(jié)果符合該區(qū)域碳儲量增匯的情況，具體數(shù)值估算精度，有待于進(jìn)一步結(jié)合林業(yè)部門的最新調(diào)查數(shù)據(jù)進(jìn)行對比分析。MLR估測結(jié)果的趨勢分布與RF的估測結(jié)果相一致，表現(xiàn)為由北向南逐漸遞減，森林地上碳儲量最高值分布區(qū)域位于北部的原始林區(qū)，人為干擾較少，該區(qū)域碳密度較大，而靠近公路的區(qū)域較易受到人為干擾與破壞，導(dǎo)致森林地上碳儲量相對較低，碳密度較小，如圖3中碳密度的局部分布情況(采伐帶)清晰可見。

圖2 MLR和RF模型的森林地上碳儲量估測

圖3 RF模型估測研究區(qū)森林碳儲量等級分布

4 結(jié)論與討論

以機(jī)載LiDAR數(shù)據(jù)結(jié)合地面調(diào)查數(shù)據(jù)，對根河內(nèi)蒙古大興安嶺生態(tài)站，具有典型區(qū)域代表性的寒溫帶研究區(qū)進(jìn)行森林地上碳儲量估測，采用兩種回歸算法進(jìn)行對比分析，RF回歸模型的估測效果較理想，估測精度均優(yōu)于MLR模型的估測結(jié)果。在相同樣本的前提下，隨機(jī)森林回歸算法對參與建模的樣本數(shù)據(jù)具有較強(qiáng)的學(xué)習(xí)能力，泛化精度較穩(wěn)定，驗(yàn)證樣本點(diǎn)的估測值未出現(xiàn)較大偏差。RF算法更適合處理多自變量的問題，可根據(jù)變量的重要性，得出各自變量對因變量的重要性排序，選擇進(jìn)入模型，避免了信息的冗余，提高了模型的運(yùn)算效率。在以往的研究中，RF模型的估算結(jié)果出現(xiàn)過擬合現(xiàn)象[21-22]，本文中未出現(xiàn)過擬合現(xiàn)象原因是數(shù)據(jù)采集、抽樣方法以及運(yùn)行程序有關(guān)。

隨機(jī)森林回歸算法的估測結(jié)果優(yōu)于李明陽等[23]在福建武夷山篩選出的最優(yōu)人工神經(jīng)網(wǎng)絡(luò)碳儲量遙感估測模型的結(jié)果。由此可見，隨機(jī)森林回歸算法具有一定的優(yōu)越性，但是其運(yùn)算過程屬于暗箱操作，回歸模型不可見，參與建模的樣本隨機(jī)性較大。因此，隨機(jī)森林回歸算法的研究領(lǐng)域仍具有一定的提升空間，算法原理性及參數(shù)優(yōu)選意義方面有待進(jìn)一步的深入研究。

使用的LiDAR數(shù)據(jù)，雖然在估算森林生物量、碳儲量方面具有較好的應(yīng)用前景，但其也存在一定的局限性，數(shù)據(jù)獲取成本較高等[24]。有學(xué)者利用HJ星數(shù)據(jù)進(jìn)行生物量和碳密度制圖，其運(yùn)算結(jié)果能夠滿足反演制圖的需要[25]。由此可見，聯(lián)合不同數(shù)據(jù)源，有助于提高森林參數(shù)的估測精度。為保證模型的穩(wěn)定性和可靠性，在后續(xù)的研究中，結(jié)合森林調(diào)查數(shù)據(jù)和充足的樣數(shù)量，優(yōu)化抽樣算法，以提高模型的魯棒性和普適應(yīng)。

遙感估測手段，從定性研究到定量研究，從小區(qū)域到大尺度乃至全球范圍的估測研究，為林業(yè)研究提供了有效的技術(shù)手段，多傳感器的聯(lián)合估算，通過聯(lián)立方程組模型的方式進(jìn)行多元化的森林碳儲量估測[26]。本文僅以小區(qū)域范圍的研究為基礎(chǔ)，探討隨機(jī)森林回歸算法的可行性，為下一步的研究奠定基礎(chǔ)。

[1] 周廣勝.全球碳循環(huán)[M].北京：氣象出版社，2003.

[2] 孟憲宇.測樹學(xué)[M].北京：中國林業(yè)出版社，1995.

[3] HANSEN A J, PHILLIPS L B, DUBAYAH R, et al. Regional-scale application of lidar: Variation in forest canopy structure across the southeastern US[J]. Forest Ecology and Management,2014,329(1):214-226.

[4] LEFSKY M A, COHEN W B, HARDING D J, et al. Lidar remote sensing of above-ground biomass in three biomes[J]. Global Ecology and Biogeography,2002,11(5):393-399.

[5] LI M, IM J, QUACKENBUSH L J, et al. Forest biomass and carbon stock quantification using airborne lidar data: A case study over huntington wildlife forest in the adirondack park[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2014，7(7)：3143-3156.

[6] GUO Y, TIAN X, LI Z, et al. Comparison of estimating forest above-ground biomass over montane area by two non-parametric methods[C]//Geoscience and Remote Sensing Symposium (IGARSS), 2014 IEEE International. IEEE,2014:741-744.

[7] 孫雪蓮,舒清態(tài),歐光龍,等.基于隨機(jī)森林回歸模型的思茅松人工林生物量遙感估測[J].林業(yè)資源管理,2015(1)：71-76.

[8] 孫雪蓮,舒清態(tài),歐光龍，等.基于隨機(jī)森林回歸的不同齡組思茅松人工林生物量遙感估測[J].廣東農(nóng)業(yè)科學(xué),2015,42(15):148-153.

[9] ZHANG J, HUANG S, HOGG E H, et al. Estimating spatial variation in Alberta forest biomass from a combination of forest inventory and remote sensing data[J]. Biogeosciences，2014,11(10):2793-2808.

[10] TORRESAN C L, STRUNK J, ZALD H S J, et al. Comparing statistical techniques to classify the structure of mountain forest stands using CHM-derived metrics in Trento province (Italy)[J]. European Journal of Remote Sensing，2014,47:75-94.

[11] AHMED O S, FRANKLIN S E, WULDER M A, et al. Characterizing stand-level forest canopy cover and height using landsat time series, samples of airborne LiDAR, and the random forest algorithm[J]. ISPRS Journal of Photogrammetry and Remote Sensing,2015,101:89-101.

[12] BREIMAN L. Random forests[J]. Machine Learning，2001，45(1):5-32.

[13] 李欣海.隨機(jī)森林模型在分類與回歸分析中的應(yīng)用[J].應(yīng)用昆蟲學(xué)報,2013,50(4):1190-1197.

[14] 張秋良，王立明.內(nèi)蒙古大興安嶺森林生態(tài)系統(tǒng)研究[M].北京：中國林業(yè)出版社，2014.

[15] NILLSSON M. Estimation of tree heights and stand volume using an airborne lidar system[J]. Remote Sensing of Environment，1996，56(1):1-7.

[16] NASSET E, GOBAKKEN T. Estimation of above and below ground biomass across regions of the boreal forest zone using airborne laser[J]. Remote Sensing of Environment,2008，112(6):3079-3090.

[17] 陳傳國，朱俊鳳.東北主要林木生物量手冊[M].北京:中國林業(yè)出版社，1989.

[18] KNIGGE W, SCHULZ H. Grundriss der forstbenutzung: entstehung, eigenschaften, verwertung und verwendung des holzes und anderer forstprodukte[M]. Hamburgund Berlin: Verlag Paul Parey,1966.

[19] 穆喜云,張秋良,劉清旺,等.基于激光雷達(dá)的大興安嶺典型森林生物量制圖技術(shù)研究[J].遙感技術(shù)與應(yīng)用,2015，30(2):220-225.

[20] 龐勇，李增元.基于機(jī)載激光雷達(dá)的小興安嶺溫帶森林組分生物量反演[J].植物生態(tài)學(xué)報,2012,36(10):1095-1105.

[21] ELITH J, GRAHAM C H. Do they? How do they? WHY do they differ? On finding reasons for differing performances of species distribution models[J]. Ecography,2009,32(1):66-77.

[22] 穆喜云.森林地上生物量遙感估測方法研究[D].呼和浩特：內(nèi)蒙古農(nóng)業(yè)大學(xué)，2015：62-63.

[23] 李明陽,吳軍,余超，等.福建武夷山自然保護(hù)區(qū)森林碳儲量遙感估測方法與空間分析[J].南京林業(yè)大學(xué)學(xué)報(自然科學(xué)版),2014,38(6):6-10.

[24] 曹林,佘光輝,代勁松,等.激光雷達(dá)技術(shù)估測森林生物量的研究現(xiàn)狀及展望[J].南京林業(yè)大學(xué)學(xué)報(自然科學(xué)版),2013,37(3):163-168.

[25] 曹林,阮宏華,代勁松，等.基于HJ-1A/1B CCD數(shù)據(jù)的區(qū)域銀杏生物量估測及碳密度制圖[J].南京林業(yè)大學(xué)學(xué)報(自然科學(xué)版),2013,37(2):8-14.

[26] 肖湘,王西峰,范文義,等.黑龍江省區(qū)小興安嶺森林生態(tài)系統(tǒng)碳密度遙感估算[J].東北林業(yè)大學(xué)學(xué)報,2015,43(4):127-130.

Forest Aboveground Carbon Storage Using RF Algorithmic Model and Airborne LiDAR Data//

Mu Xiyun; Liu Qingwang, Pang Yong; Zhang Qiuliang

(Institute of Forestry Ecology, Chifeng Academy of Forestry, Chifeng 024000, P. R. China)(Institute of Forest Resource Information Techniques, Chinese Academy of Forestry); Hu Kailong(China University of Mining & Technology (Beijing))(Inner Mongolia Agricultural University)//Journal of Northeast Forestry University，2016,44(11)：52-56.

Airborne LiDAR data; Random forest regression; Multiple linear regression; Forest aboveground carbon storage

1)國家高技術(shù)研究發(fā)展計劃(863計劃)項(xiàng)目(2013AA12A302)；國家重點(diǎn)基礎(chǔ)研究發(fā)展計劃(973計劃)項(xiàng)目(2013CB733404)。

穆喜云，女，1987年11月生，赤峰市林業(yè)科學(xué)研究院森林生態(tài)研究所，助理研究員。E-mail:xiyunmuyd@126.com。

劉清旺，男，中國林業(yè)科學(xué)研究院資源信息研究所，助理研究員。E-mail:liuqw@caf.ac.cn。

2016年5月24日。

S757

責(zé)任編輯：王廣建。