尤號田，邢艷秋，王 萌，王 蕊，孫小添

(東北林業(yè)大學(xué) 森林作業(yè)與環(huán)境研究中心，哈爾濱 150040)

林業(yè)研究所用生物量通常指森林地上生物量，即除樹樁、樹根外，所有活林木的木質(zhì)部分(樹干、樹皮、樹葉、樹枝和嫩枝)絕干質(zhì)量之和(Food and Agriculture Organization of the United Nations-Global Forest Resources Assessment 2005)。近年來生物量的測定已受到廣泛的重視，因?yàn)樯锪靠梢院苋菀椎剞D(zhuǎn)換成碳儲量，而碳儲量的定量化在理解碳循環(huán)中是非常重要的。雖然通常可以借助地面測量數(shù)據(jù)估算森林生物量，但人工調(diào)查費(fèi)時費(fèi)力，難于獲取大區(qū)域的森林生物量，且更新較慢。遙感技術(shù)的出現(xiàn)彌補(bǔ)了傳統(tǒng)調(diào)查方法的不足，借助遙感技術(shù)可以很容易的實(shí)現(xiàn)森林?jǐn)?shù)據(jù)的大面積獲取，數(shù)據(jù)的快速處理，數(shù)據(jù)獲取成本相對低廉，數(shù)據(jù)更新頻率較快等，甚至可以對條件惡劣不適宜人工采集的林區(qū)進(jìn)行數(shù)據(jù)采集。憑借上述優(yōu)點(diǎn)，遙感技術(shù)已成功用于森林生物量的研究，主要包括光學(xué)遙感影像、合成孔徑雷達(dá)數(shù)據(jù)和激光雷達(dá)數(shù)據(jù)。激光雷達(dá)不僅克服了光學(xué)遙感影像和合成孔徑雷達(dá)數(shù)據(jù)存在的信號飽和現(xiàn)象，而且能夠同時獲取森林的水平和垂直結(jié)構(gòu)參數(shù)，如：樹高、冠幅、胸徑和生物量等，這對于碳循環(huán)、環(huán)境建模等一系列活動具有重要的意義。

激光雷達(dá)數(shù)據(jù)十分適合估計(jì)森林生物量，因?yàn)閺纳止趯由傻狞c(diǎn)云或波形數(shù)據(jù)能夠精確地描述冠層的物理特性。根據(jù)激光脈沖打到地面上形成光斑尺寸的差異，激光雷達(dá)又可以分為大光斑激光雷達(dá)和小光斑激光雷達(dá)。大光斑激光雷達(dá)光斑直徑較大，通常在5 m以上，適于估計(jì)大區(qū)域的森林生物量；小光斑激光雷達(dá)光斑直徑通常小于1 m，適于估計(jì)小區(qū)域森林生物量，其中數(shù)據(jù)獲取成本是限制小光斑激光雷達(dá)廣泛應(yīng)用于林業(yè)的主要困難。隨著科學(xué)技術(shù)的發(fā)展，小光斑激光雷達(dá)數(shù)據(jù)獲取成本不斷下降，因此得到研究人員越來越多的親睞，其應(yīng)用于林業(yè)方面的研究也越來越多。

1 小光斑激光雷達(dá)系統(tǒng)簡介

小光斑激光雷達(dá)系統(tǒng)是一種以飛機(jī)為載體，集激光掃描系統(tǒng)、全球定位系統(tǒng)、慣性測量單元以及監(jiān)視控制系統(tǒng)于一身的系統(tǒng)，通過上述系統(tǒng)記錄的飛行器的高度、位置、激光掃描角和發(fā)射方向等一系列的數(shù)據(jù)，經(jīng)過一定算法可以利用傳感器記錄的信息準(zhǔn)確計(jì)算出激光束打到物體上形成光斑的精確坐標(biāo)X，Y，Z。機(jī)載激光雷達(dá)系統(tǒng)組成如圖1所示。

圖1 激光雷達(dá)系統(tǒng)組成示意圖

2 研究現(xiàn)狀與分析

Hyypp?和Inkinen[1]在1999年將小光斑激光雷達(dá)引入到林業(yè)研究中，因成本、技術(shù)和點(diǎn)云密度等各方面的限制，并未在實(shí)際林業(yè)操作中得到廣泛應(yīng)用。直到近年技術(shù)的發(fā)展、數(shù)據(jù)獲取成本的不斷下降，小光斑激光雷達(dá)才廣泛應(yīng)用于林業(yè)研究中。由于小光斑激光雷達(dá)的光斑直徑通常較小，所以可以精細(xì)到森林單木結(jié)構(gòu)參數(shù)估計(jì)，因此小光斑激光雷達(dá)在估計(jì)森林結(jié)構(gòu)參數(shù)時可以分為兩個不同的尺度，即單木水平和樣方水平。

2.1 小光斑激光雷達(dá)估計(jì)單木水平森林生物量和蓄積量

利用數(shù)字冠層模型估計(jì)森林單木生物量的主要步驟是首先將原始點(diǎn)云數(shù)據(jù)進(jìn)行濾波處理，分離出地面點(diǎn)和非地面點(diǎn)，應(yīng)用插值算法對分離得到的地面點(diǎn)和非地面點(diǎn)進(jìn)行插值運(yùn)算分別得到數(shù)字地形模型(Digital Terrain Model，DTM)和數(shù)字表面模型(Digital Surface Model，DSM)，之后對DSM和DTM做差值運(yùn)算得到數(shù)字冠層模型(Digital Canopy Model，DCM)，得到DCM，接著在DCM上完成單木分割，從分割得到的單木中衍生出單木結(jié)構(gòu)參數(shù)，對衍生得到的單木結(jié)構(gòu)參數(shù)和實(shí)測參數(shù)進(jìn)行回歸分析，并與已存在的以實(shí)測單木參數(shù)為變量的生物量方程聯(lián)立，得到相應(yīng)的單木生物量預(yù)測方程，進(jìn)而估計(jì)森林單木的生物量；或者利用從單木中衍生的單木結(jié)構(gòu)參數(shù)直接和野外測量的單木生物量進(jìn)行回歸分析得單木生物量估測方程，進(jìn)而用此生物量方程估測單木生物量。

單木的準(zhǔn)確分割不僅是單木樹高估計(jì)的瓶頸，也是單木生物量估計(jì)的瓶頸，對于如何提高單木的分割率及開發(fā)出不受單木分割精度影響的生物量模型一直是林業(yè)工作者研究的熱點(diǎn)。Yu等[2]用最小曲率分割和隨機(jī)森林法估計(jì)了森林單木的蓄積量，R2為0.87。Yao等[3]分別用分水嶺分割和標(biāo)準(zhǔn)化切割三維分割法對研究區(qū)單木分割，進(jìn)而估計(jì)森林單木蓄積量，結(jié)果表明針葉樹的精度相對較高，RMSE分別為0.46 m3和0.43 m3，闊葉樹精度相對比較低，產(chǎn)生差異的主要原因是闊葉樹的樹冠結(jié)構(gòu)比較復(fù)雜難以準(zhǔn)確分割。為了減小分割時的誤差，提高分割精度，Breidenbach等[4]對分割方法進(jìn)行改進(jìn)，將單木探測和面積統(tǒng)計(jì)法想結(jié)合共同用于單木分割，此方法也有效地減少了單木分割的誤差，提高了蓄積量估計(jì)精度。Chen等[5]對單木模型進(jìn)行改進(jìn)，將從小光斑激光雷達(dá)數(shù)據(jù)中衍生得出冠層幾何量用于估算單木莖蓄積量，經(jīng)過試驗(yàn)得出不受單木分割影響的估測模型。用改進(jìn)模型對加利福尼亞落葉櫟樹林的單木進(jìn)行估計(jì)，當(dāng)樹冠錯誤分割時，模型的R2為 0.78；當(dāng)樹冠正確分割時，模型R2為0.79。此研究的缺點(diǎn)是未用不同的數(shù)據(jù)對模型進(jìn)行驗(yàn)證，模型的適用性有待進(jìn)一步驗(yàn)證。Shrestha等[6]對模型的外推性進(jìn)行了一定的探索，將林區(qū)單木生物量模型用于估計(jì)城區(qū)單木的生物量，結(jié)果精度較低，總體R2僅為0.67，主要是由于林區(qū)得到的生物量模型不適于估計(jì)城區(qū)單木生物量；若能采用適合的生物量模型及做到單木的準(zhǔn)確分割，估測精度會得到相應(yīng)的提高因此單木的準(zhǔn)確分割仍是單木生物量估計(jì)的一大難點(diǎn)。

除了單木分割外，不同生物量模型對單木生物量估計(jì)的影響也是研究人員關(guān)注的熱點(diǎn)。Popescu[7]用兩種方法估計(jì)了美國東南部火炬松的單木生物量，一種是用從DCM上衍生的得到的單木樹高和冠幅為變量估計(jì)單木胸徑，再以估計(jì)得到的胸徑為線性回歸方程的自變量得到單木生物量，精度為87％；另一種以從DCM上衍生的得到的單木樹高和冠幅為自變量，用非線性回歸方程估計(jì)單木生物量，精度大于85％，雙變量非線性回歸模型精度比單變量線性回歸模型的精度稍低，表明有時增加模型變量并不能提高模型估計(jì)精度。劉清旺等[8]同樣以從分割單木衍生得到的樹高和冠幅為自變量，分別用線性和對數(shù)回歸模型對單木生物量進(jìn)行估計(jì)，結(jié)果兩種模型精度都較高，在72％以上，且兩種生物量模型精度相差很小，說明不同的回歸模型對單木生物量的估計(jì)產(chǎn)生的差別不大，Gleason等[9]也得出類似的結(jié)論，用支持向量回歸等4種方法分別估計(jì)了森林單木生物量，結(jié)果表明4種方法得到的生物量模型精度差別不大，采用相同變量估計(jì)精度產(chǎn)生差異的原因可能是地形坡度、點(diǎn)云密度、模型差異及單木分割精度的影響。

綜上所述，與單木樹高估計(jì)類似，點(diǎn)云濾波、單木分割及模型建立仍是單木生物量估計(jì)的重點(diǎn)和難點(diǎn)。

2.2 小光斑激光雷達(dá)估計(jì)樣方水平森林生物量和蓄積量

小光斑激光雷達(dá)憑借其光斑直徑較小的優(yōu)勢，既能做到單木水平結(jié)構(gòu)參數(shù)的準(zhǔn)確估計(jì)又能做到樣方水平結(jié)構(gòu)參數(shù)的估計(jì)。因此用小光斑激光雷達(dá)估測森林樣方生物量時可以分2種方法，一種是以單木探測為基礎(chǔ)的單木集成法，一種是以樹冠高度分布為基礎(chǔ)的林分回歸法。

2.2.1 單木集成法

單木集成法估計(jì)樣方生物量的計(jì)算思路是首先從激光雷達(dá)點(diǎn)云數(shù)據(jù)中得到單木生物量，然后將樣方內(nèi)所有單木的生物量相加得到森林樣方生物量。因此單木集成法估計(jì)森林樣方生物量的精度在于單木生物量的估計(jì)精度以及森林單木探測率。Yu等[10]用單木集成法估計(jì)了樣方的平均蓄積量，單木分割精度一般時，樣方平均蓄積量的R2為0.75，RMSE為35％；但當(dāng)單木分割精度提高時，R2提高到0.95，RMSE提高到15.35％。Vastaranta等[11]用單木自動分割法，即最小曲率區(qū)域探測法，對CHM進(jìn)行處理，然后采用局部最大值尋找單木樹頂并進(jìn)行標(biāo)記，之后采用標(biāo)記控制分水嶺分割算法對單木樹冠進(jìn)行劃分，最后采用單木自動分割和目視解譯相結(jié)合的方法對森林樣方蓄積量進(jìn)行估計(jì)，結(jié)果表明相結(jié)合的方法得到的樣方蓄積量精度較高，RMSE為53.8 m3/hm2，但偏差也較大，為15.0 m3/hm2；自動分割法估計(jì)得到的蓄積量RMSE為56.7 m3/hm2，偏差為4.6 m3/hm2，結(jié)合法能更有效地估計(jì)森林蓄積量主要是目視解譯法能夠有效地消除單木探測時產(chǎn)生的過分割和遺漏分割，提高了單木分割精度。

雖然在某些特定林分環(huán)境下建立的森林生物量估測模型精度較高，但因森林環(huán)境差異的影響使得模型推廣到其他區(qū)域時精度下降甚至不能估計(jì)森林生物量，如Shrestha等[6]將林區(qū)所建生物量模型推廣到城區(qū)時模型的精度大幅下降。為了克服模型無法區(qū)域推廣的難題，Bortolot等[12]開嘗試發(fā)了一種適用于不同區(qū)域不同森林類型生物量估計(jì)的計(jì)算機(jī)可視化算法，此算法以單木分割為基礎(chǔ)，用生物量、密度和LiDAR數(shù)據(jù)已知的樣方為訓(xùn)練數(shù)據(jù)，通過在訓(xùn)練數(shù)據(jù)衍生得到的參數(shù)和生物量之間建立回歸方程，之后用得到的回歸方程估計(jì)新區(qū)域不同類型的森林生物量。結(jié)果表明：生物量的實(shí)測值和預(yù)測值之間的相關(guān)性介于0.59和0.82之間，RMSE隨著選擇訓(xùn)練、測試樣方的不同在13.6和140.4t/hm2之間變化，首次使用訓(xùn)練數(shù)據(jù)來估計(jì)不同區(qū)域得森林生物量，精度不算太高，但仍成功的估計(jì)了森林的生物量。

無論是用機(jī)器學(xué)習(xí)法還是人機(jī)協(xié)同估計(jì)森林樣方生物量，所得結(jié)果都依賴于單木生物量估計(jì)結(jié)果的好壞，歸根結(jié)底在于點(diǎn)云數(shù)據(jù)濾波的好壞、單木分割的準(zhǔn)確性以及單木探測的準(zhǔn)確率。

2.2.2 林分回歸法

林分回歸法是通過在樣方水平的冠層結(jié)構(gòu)參數(shù)和激光雷達(dá)脈沖統(tǒng)計(jì)量之間建立起回歸模型，然后利用建立的回歸模型估計(jì)樣方或更大區(qū)域的森林生物量。通過對先前文獻(xiàn)進(jìn)行統(tǒng)計(jì)分析得出建立回歸模型所采用的變量主要有平均樹高、樹冠高度、冠幅大小、胸高斷面積、樣方單木數(shù)量和樹冠回波百分比等。

Holmgren等[13]以從激光雷達(dá)數(shù)據(jù)衍生得到的平均樹高、冠幅和樣方內(nèi)的單木數(shù)量為自變量，分別采用2種方法對樣方的蓄積量進(jìn)行估計(jì)，一種是以平均樹高和冠幅為變量的非線性回歸模型，R2為0.90；另一種是以平均樹高和單木數(shù)量為變量的非線性回歸模型，R2為0.82。結(jié)果表明冠幅對蓄積量估計(jì)精度的提高有顯著影響。Nsset等[14]對其他變量估計(jì)森林生物量的能力進(jìn)行了嘗試，得出了不受森林類型影響的生物量估計(jì)模型。以樹冠高度和郁閉度為回歸方程的自變量，對樣地內(nèi)的幼齡和成熟針葉林的地上生物量和地下生物量進(jìn)行估計(jì)，結(jié)果精度較高，都在85％以上，其中闊葉林的比例對地上生物量有著顯著影響，樹木的年齡等級對地下生物量模型影響顯著，但森林類型對估計(jì)模型沒有顯著影響。Zhao等[15]以激光雷達(dá)衍生的樹冠高度分布和樹冠高度位數(shù)函數(shù)為自變量，分別采用線性函數(shù)模型和等效的非線性模型對特克薩斯州東部溫帶森林的生物量進(jìn)行估計(jì)，結(jié)果表明不同模型之間的差異不大，生物量R2的范圍從0.80到0.95，RMSE從14.3 Mg/hm2到33.7 Mg/hm2。劉東起等[16]以胸高斷面積和樣地單木數(shù)量為變量，對不同林分類型的蓄積量、生物量進(jìn)行估計(jì)，結(jié)果精度都在90％以上且林分回歸法的精度比單木集成法要高。雖然林分回歸法的精度較高，但和單木集成法相比，林分回歸模型的建立需要很多樣方或林分的地面真實(shí)樹冠結(jié)構(gòu)測量值，這樣就極大地增加了野外調(diào)查的工作量。盡管單木集成法在野外調(diào)查方面有著很大的優(yōu)勢，但并沒有許多研究用單木集成法進(jìn)行大規(guī)模的森林生物量估計(jì)，因?yàn)檠芯勘砻鳎瑯涔诒砻娴膹?fù)雜性使得單木分割的準(zhǔn)確性通常較低，進(jìn)而會影響大規(guī)模森林生物量的估計(jì)。由于單木集成法能夠減少野外工作量，若能建立起一些不受單木分割誤差影響的單木生物量模型，單木集成法便可廣泛用于大規(guī)模森林資源清查。

全波形數(shù)字化小光斑激光雷達(dá)數(shù)據(jù)的出現(xiàn)改變了森林結(jié)構(gòu)參數(shù)的估測方法，克服了離散點(diǎn)云數(shù)據(jù)因單木分割對森林結(jié)構(gòu)參數(shù)估測造成的影響，因?yàn)槿ㄐ渭す饫走_(dá)記錄的是地物的波形和強(qiáng)度，不同地物或同一地物不同高度的波形形態(tài)和強(qiáng)度不同，所以可以通過對小光斑激光雷達(dá)的波形進(jìn)行分析來獲得與森林結(jié)構(gòu)參數(shù)相關(guān)的信息。Marianoa等[17]分別激光雷達(dá)高度、強(qiáng)度、高度和強(qiáng)度數(shù)據(jù)相結(jié)合的生物量模型對西班牙中部地中海天然林不同組分的生物量進(jìn)行了估計(jì)，結(jié)果表明不同組分生物量的R2值都大于0.58，若將每個樣方內(nèi)的主要樹種帶入具體的樹種生物量模型，結(jié)果會得到極大地提高，黑松、西班牙杜松和霍爾姆橡木的R2值分別大于0.85，0.70和0.90。

3 結(jié)論與展望

小光斑激光雷達(dá)憑借自身的優(yōu)點(diǎn)現(xiàn)已成功用于森林生物量的研究中，所得結(jié)果精度相對較高，但由于系統(tǒng)本身及估測過程中所用方法和技術(shù)的限制，致使其在應(yīng)用中仍存在一定的問題。

3.1 局限性

雖然小光斑激光雷達(dá)已經(jīng)廣泛應(yīng)用于森林生物物理參數(shù)的估計(jì)，但仍有局限性，主要有以下幾方面。

(1)數(shù)據(jù)獲取時對天氣條件要求比較苛刻，不能在陰雨天獲取數(shù)據(jù)，否則影響數(shù)據(jù)的準(zhǔn)確性，而且數(shù)據(jù)獲取成本相對較高，難以應(yīng)用于大區(qū)域。

(2)生物量估計(jì)方面，單木生物量主要受點(diǎn)云濾波和單木分割精度的影響；用林分回歸法估計(jì)樣方生物量時需要大量的野外數(shù)據(jù)建立生物量模型，費(fèi)時費(fèi)力；單木集成法估計(jì)樣方生物量時受點(diǎn)云濾波、單木分割精度和單木探測率的影響。

(3)大多數(shù)模型和算法受區(qū)域條件限制，不具有外推性，模型和算法都是在特定區(qū)域條件下得到，區(qū)域改變時條件也會發(fā)生變化，應(yīng)用結(jié)果不理想，如何找到不受區(qū)域條件限制的普遍適用模型和方法是未來的研究方向。

3.2 展 望

針對小光斑激光雷達(dá)在林業(yè)應(yīng)用中的局限性，結(jié)合自己的見解現(xiàn)提出幾點(diǎn)建議，希望能夠提高未來生物量的估計(jì)精度，具體如下。

(1)應(yīng)用全波形數(shù)字化小光斑激光雷達(dá)代替離散點(diǎn)云小光斑激光雷達(dá)，減小天氣情況對獲取數(shù)據(jù)的影響，而且對波形數(shù)據(jù)進(jìn)行分解還能增加點(diǎn)云密度，提高單木點(diǎn)云的三維分割精度。

(2)針對激光雷達(dá)點(diǎn)云濾波處理問題，因?yàn)楝F(xiàn)有算法都不能實(shí)現(xiàn)點(diǎn)云的精確分類，且適應(yīng)性較差，未來可以嘗試多種濾波算法的聯(lián)合應(yīng)用，實(shí)現(xiàn)優(yōu)勢互補(bǔ)；可以開發(fā)出自適應(yīng)的濾波算法，增強(qiáng)算法的適用性。

(3)針對單木分割及單木識別問題，采用點(diǎn)云三維分割代替DCM分割并輔助一定的人工修正；嘗試多源數(shù)據(jù)融合提高單木分割精度，如可以將激光雷達(dá)點(diǎn)云數(shù)據(jù)和影像數(shù)據(jù)相結(jié)合共同用于單木分割和識別。

(4)多源遙感數(shù)據(jù)綜合應(yīng)用，利用其他遙感數(shù)據(jù)在密林區(qū)域的優(yōu)勢來彌補(bǔ)小光斑激光雷達(dá)數(shù)據(jù)在密林地區(qū)的不足，進(jìn)而提高估計(jì)結(jié)果的精度。

(5)采用機(jī)器學(xué)習(xí)法來訓(xùn)練數(shù)據(jù)，通過采用不同區(qū)域的數(shù)據(jù)集作為訓(xùn)練數(shù)據(jù)來獲得不受區(qū)域條件影響的估測模型和算法，進(jìn)而做到大區(qū)域推廣。

【參 考 文 獻(xiàn)】

[1]Hyypp? J，Inkinen M.Detecting and estimating attributes for single trees using laser scanner[J].The Photogrammetric Journal of Finland，1999，16(2)：27-42.

[2]Yu X，Hyypp? J，Vastaranta M，et al.Predicting individual tree attributes from airborne laser point clouds based on the random forests technique[J].Isprs Journal of Photogrammetry and Remote Sensing，2011，66(1)：28-37.

[3]Yao W，Krzystek P，Heurich M.Tree species classification and estimation of stem volume and DBH based on single tree extraction by exploiting airborne full-waveform LiDAR data[J].Remote Sensing of Environment，2012，123：368-380.

[4]Breidenbach J，Erik N，Vegard L，et al.Prediction of species specific forest inventory attributes using a nonparametric semi-individual tree crown approach based on fused airborne laser scanning and multispectral data[J].Remote Sensing of Environment，2010，114(4)：911-924.

[5]Chen Q.Airborne lidar data processing and information extraction[J].Photogrammetric Engineering and Remote Sensing，2007，73(2)：109.

[6]Shrestha R，Wynne R H.Estimating biophysical parameters of individual trees in an urban environment using small footprint discrete-return imaging lidar[J].Remote Sensing，2012，4(2)：484-508.

[7]Popescu S C.Estimating biomass of individual pine trees using airborne lidar[J].Biomass and Bioenergy，2007，31(9)：646-655.

[8]劉清旺，李增元，陳爾學(xué)，等.機(jī)載LIDAR點(diǎn)云數(shù)據(jù)估測單株木生物量[J].高技術(shù)通訊，2010，20(7)：765-770.

[9]Gleason C J，Im J.Forest biomass estimation from airborne LiDAR data using machine learning approaches[J].Remote Sensing of Environment，2012，125：80-91.

[10]Yu X，Hyypp? J，Holopainen M，et al.Comparison of area-based and individual tree-based methods for predicting plot-level forest attributes[J].Remote Sensing，2010，2(6)：1481-1495.

[11]Vastaranta M，Kankare V，Holopainen M，et al.Combination of individual tree detection and area-based approach in imputation of forest variables using airborne laser data[J].Isprs Journal of Photogrammetry and Remote Sensing，2012，67：73-79.

[12]Bortolot Z J，Wynne R H.Estimating forest biomass using small footprint LiDAR data：An individual tree-based approach that incorporates training data[J].Isprs Journal of Photogrammetry and Remote Sensing，2005，59(6)：342-360.

[13]Holmgren J，Nilsson M，Olsson H.Estimation of tree height and stem volume on plots using airborne laser scanning[J].Forest Science，2003，49(3)：419-428.

[15]Zhao K G，Sorin P，Ross N.Lidar remote sensing of forest biomass：A scale-invariant estimation approach using airborne lasers[J].Remote Sensing of Environment，2009，113(1)：182-196.

[16]劉東起，范文義，李明澤.利用小光斑激光雷達(dá)估測林分參數(shù)和生物量[J].東北林業(yè)大學(xué)學(xué)報(bào)，2012，40(1)：39-43.

[17]Mariano G，David R，Emilio C，et al.Estimating biomass Carbon stocks for a Mediterranean forest in central Spain using LiDAR height and intensity data[J].Remote Sensing of Environment，2010，114(4)：816-830.

[18]邢艷秋，王立海.基于森林生物量相容性模型長白山天然林生物量估測[J].森林工程，2008，24(2)：1-4.