蔣小凡，李 東，邵 飛，張肖清，孟 暉，顧志康*，李榮華，岳言龍

（1. 浙江省湖州市林業(yè)科學研究所，浙江 湖州 313000；2. 山東省國有林場管理站，山東 濟南 250014；3. 浙江省湖州市湖州木材檢查站，浙江 湖州 313000；4. 浙江省湖州市太湖旅游度假區(qū)仁皇山街道，浙江 湖州 313100；5. 浙江省湖州市林業(yè)局，浙江 湖州 313000）

林地生物量遙感估算模型進展及在竹林碳匯移植前景

蔣小凡1，李 東1，邵 飛2，張肖清3，孟 暉4，顧志康1*，李榮華5，岳言龍5

（1. 浙江省湖州市林業(yè)科學研究所，浙江 湖州 313000；2. 山東省國有林場管理站，山東 濟南 250014；3. 浙江省湖州市湖州木材檢查站，浙江 湖州 313000；4. 浙江省湖州市太湖旅游度假區(qū)仁皇山街道，浙江 湖州 313100；5. 浙江省湖州市林業(yè)局，浙江 湖州 313000）

從林地生物量的估算方法、遙感估算模型的分類、遙感經(jīng)驗估算模型和遙感經(jīng)驗估算模型的可移植性方面概述了森林碳匯研究中的生物量估算研究進展，分析了在竹林碳匯研究中移植前景。

遙感估算；生物量；竹林；碳匯

近年來由于全球氣候變化，使不少專家學者的研究集中在植被對全球碳循環(huán)和平衡作用方面。通過植被生物量來探討植被生態(tài)系統(tǒng)的碳“匯”功能，更是重要的研究內(nèi)容[1]。森林生物量約占全球陸地植被生物量90%，不僅是森林固碳能力的重要標志，也是評估森林碳收支的重要參數(shù)，因此，森林生態(tài)系統(tǒng)總生物量和生產(chǎn)力的研究，是判斷森林生態(tài)系統(tǒng)中大氣CO2的源和匯的重要標志[2]。

毛竹（Phyllostachys heterocycla cv. pubescens）林生態(tài)系統(tǒng)特有的結(jié)構(gòu)與功能及人為經(jīng)營方式使其有別于其他類型的森林生態(tài)系統(tǒng)，是我國竹林中分布最廣、面積最大的一種竹林[3]，在全球森林面積急劇下降的今天，竹林面積卻以3%的速度在遞增，這也就是意味著，竹林是一個不斷增大的碳匯[4]。在自然界中竹類的營養(yǎng)生長和無性繁殖能力較強，竹林生態(tài)系統(tǒng)的實際貯碳能力不容忽視。目前，許多學者已對世界范圍內(nèi)不同地區(qū)、不同類型森林的生物量和碳儲量進行了估算。

為此，筆者對林地生物量的估算方法、遙感估算模型的分類、遙感經(jīng)驗估算模型和遙感經(jīng)驗估算模型的可移植性4個方面的研究做如下概述。

1 林地生物量常規(guī)估算方法

傳統(tǒng)的生物量研究一般采用以實測數(shù)據(jù)為基礎進行宏觀拓展估算或相關分析的方法：先選取樣區(qū)，利用收獲法實地稱量林木的干重、濕重、樹干重量、葉重、地下部分重量等數(shù)據(jù)，或以收獲法為基礎，利用每木調(diào)查、樹干解析、材積轉(zhuǎn)換等方法進行各部分生物量及總生物量的測量，而后利用這些數(shù)據(jù)進行宏觀估算，以獲知整個研究區(qū)域的生物量狀況；或者對樣區(qū)內(nèi)生物量及其影響因素進行分析，建立相關模型并推而廣之。傳統(tǒng)生物量的研究方法有皆伐法、平均生物量法、生物量回歸模型估計法、材積源生物量法。生物量的研究方法比較成熟，國內(nèi)外都取得了一定的研究成果[5]。

2 遙感估算模型的分類

生物量的遙感估算多利用紅波段和近紅外波段的組合即植被指數(shù)（Vegetation Indices）和葉面積指數(shù)（LAI）及植被覆蓋度等的關系，推斷出植被指數(shù)與生物量之間的關系進而求得生物量。在森林生物量的研究中，常用的遙感數(shù)據(jù)源主要包括光學遙感、熱紅外遙感、微波遙感和高光譜遙感等[6]。

在可見光至紅外光波譜段，植物的反射光譜曲線具有顯著的特征，但是不同類型的植物之間反射光譜特性曲線存在著一定的差異，即使是同一種植物，也由于其生長狀態(tài)的不同，使其在各個波段的反射率發(fā)生變化[7]，因此可以利用植物的這一光譜特性，監(jiān)測植被狀況及其變化動態(tài)。衛(wèi)星遙感數(shù)據(jù)中屬于這一類的主要有Landsat TM數(shù)據(jù)、MSS數(shù)據(jù)、SPOT數(shù)據(jù)以及NOAA AVHRR數(shù)據(jù)等。最初，人們利用Landsat MSS數(shù)據(jù)來監(jiān)測植被的葉面積指數(shù)和活體生物量[8]。后來，更多的是利用Landsat TM和NOAA AVHRR數(shù)據(jù)來監(jiān)測植被生長和生物量[9]。Lefsky等[10]利用地面調(diào)查數(shù)據(jù)和TM數(shù)據(jù)對美國EasMaryland落葉林的地上部分生物量進行了估算。Boyd 等[11]對喀麥隆的熱帶森林生物量的遙感研究表明，中紅外植被指數(shù)與熱帶森林植被的總生物量具有較好的相關性，其相關系數(shù)為0.47。在國內(nèi)，郭志華等[12]通過樣方調(diào)查獲取森林材積，借助于全球定位系統(tǒng)技術(shù)為調(diào)查樣方準確定位。根據(jù)Landsat TM數(shù)據(jù)7個波段信息及其線形與非線形組合，應用逐步回歸技術(shù)分別建立估算針葉林和闊葉林材積的最優(yōu)光譜模型，進而確定了粵西及附近地區(qū)的森林生物量。馬澤清等[13]利用TM數(shù)據(jù)對江西千煙洲地區(qū)的濕地松林生物量估算，建立了生物量多元回歸模型。Hame等[13]結(jié)合地面調(diào)查數(shù)據(jù)、TM 數(shù)據(jù)和AVHRR數(shù)據(jù)，對數(shù)百萬平方公里歐洲森林生物量進行了準確的估算。

合成孔徑雷達是在真實孔徑側(cè)視雷達的基礎上發(fā)展起來的，克服了真實孔徑雷達受到天線長度限制而無法較大幅度地提高分辨率的困難[14]。研究表明，不同波段的雷達數(shù)據(jù)對森林生物量的敏感度不同，雷達后向散射對森林生物量的敏感性或相關性隨著波長的增加而增加，即P-波段與生物量的關系最為密切，而C-波段則較差[15]。Harrll[16]曾指出，合成孔徑雷達（SAR）在區(qū)域或局部尺度的生物量監(jiān)測、生物量分布等領域是一種非常有希望、有前途的工具，能獲取生物量計算所需的主要參數(shù)（密度、胸徑、高度和年齡等）。開展了星載SAR對森林蓄積量估算的研究，也取得了一些成果[17]。

傳統(tǒng)的多光譜遙感只是在幾個離散的波段，以不同的波段寬度（常為100 ～ 200 nm）來獲取圖像，這樣就丟失了對地物識別有用的大量光譜吸收特征信息。而高光譜遙感波段寬度一般小于 10 nm，它可以將光譜波段在某一特定光譜域進行細分，從而獲得多波段的詳實、連續(xù)的光譜信息，這些光譜可以很好地描述植被特征。童慶禧等[18]建立了 LAI及生物量與高光譜遙感圖像的植被因子之間的理論模型。張良培等[19]利用高光譜對APAR和生物量進行了估算。Thenkabail等[20]則研究了最適多窄波段反射系數(shù)OMNBR（Optimum Multiple Narrow Band Reflectivity）、窄波段NDVI、窄波段TSAVI以及NDVI（寬波段）和作物特征的關系，指出窄波段模型要比寬波段模型更好。

國外許多研究已經(jīng)證明機載小光斑雷達數(shù)據(jù)在森林資源調(diào)查中的重要性，通過激光掃描數(shù)據(jù)可以準確地估測林分特征，如樹高、胸高斷面積以及林分蓄積量。Lefsky等根據(jù)植被材積及生物量與高度的關系，發(fā)現(xiàn)運用激光雷達信號可以很好地估算森林生物量。Popescu等[21]用小光斑雷達數(shù)據(jù)和多光譜數(shù)據(jù)進行小樣區(qū)（0.017 hm2）水平的材積和生物量的估測，研究首先用局部最大值法得到單株木樹高和冠幅，然后用回歸模型計算胸徑和胸高斷面積，根據(jù)已有的生物量和材積計算公式分別計算其生物量和材積。在國外已經(jīng)有了許多此類研究，但是，國內(nèi)激光雷達在林業(yè)應用領域的研究則剛剛起步。

3 遙感經(jīng)驗估算模型

經(jīng)驗模型[2]一般是描述性的，不涉及機理問題，主要是對觀測數(shù)據(jù)進行經(jīng)驗性的統(tǒng)計描述或者是通過相關分析，建立適當?shù)墓接糜诠浪恪Ｄ壳爸饕慕?jīng)驗模型是將植被指數(shù)如NDVI等與生物量進行回歸分析，從而得到估算的經(jīng)驗式。這些回歸式有線性、冪函數(shù)和對數(shù)形式，而且系數(shù)也各不相同。除了植被指數(shù)，還可以直接利用遙感器各波段的線性或非線性組合來建立生物量的估算公式。這些估算模型的優(yōu)點是簡單、便于計算，缺點是形式多種多樣，易受植被類型以及非植被因素如土壤背景、大氣條件、地形和地表二向性反射特性的影響。而且，這些模型中參數(shù)的生態(tài)學原理目前尚不清楚。由于遙感象元表達的是植被和其它因素的混合反應，未來的植被指數(shù)的研究應以“植被—土壤—大氣”系統(tǒng)為一個整體目標，并考慮到遙感器和電磁波的輻射特性。

為了克服經(jīng)驗模型的缺陷，許多學者提出了基于植被二向反射特性的物理模型，如考慮輻射傳輸?shù)?3D模型、幾何光學的間隙率模型。由植被的結(jié)構(gòu)特征和光譜特征計算植被BRDF是遙感的正向問題；由植被BRDF使用相應的計算方法生成植被結(jié)構(gòu)稱為反演問題。植被冠層的反演有兩種方案：一是用多光譜信息反演即通過光譜變換得到各種植被系數(shù)，這類方法存在著許多問題和困難，精度也不夠；二是通過多角度遙感信息進行反演。

半經(jīng)驗模型綜合了經(jīng)驗模型與物理模型的優(yōu)點，通常使用的參數(shù)很少，但這些參數(shù)多少具有一定的物理學意義，例如Ross表層核、Roujoan模型、Verstraote模型、Wannor核驅(qū)動模型等，這種折衷模型具有一定的應用前景。

綜合模型借助遙感信息和植被信息、氣象因子等來建立，由于包含了更多的信息量，可以更加精確地反映植被的生物物理參數(shù)。

3.1 線性回歸模型

3.1.1 植被指數(shù)作為自變量構(gòu)建模型 李仁東[22]等在應用Landsat ETM數(shù)據(jù)估算鄱陽湖濕生植被生物量研究中分析采樣數(shù)據(jù)與遙感數(shù)據(jù)之間的相關關系，結(jié)果表明：采樣數(shù)據(jù)與ETM 4波段數(shù)據(jù)相關性最高，其相關系數(shù)達到0.86。采樣數(shù)據(jù)與差值植被指數(shù)（DVI，Difference Vegetation Index）、歸一化植被指數(shù)（NDVI，Normalized Difference Vegetation Index）數(shù)據(jù)的相關系數(shù)分別為0.83、0.80。采樣數(shù)據(jù)與第一主成分數(shù)據(jù)之間的相關關系不顯著，僅0.40，并建立了采樣數(shù)據(jù)與ETM4波段數(shù)據(jù)的線性相關模型。Lee[23]等發(fā)現(xiàn)日本西部Hiroshima地區(qū)森林生物量與NDVI及DVI之間存在線性關系，松樹與NDVI的相關系數(shù)為0.85，日本雪松和落葉闊葉林與DVI的相關系數(shù)分別為-0.83和0.8。

3.1.2 原始波段及其派生波段作為自變量構(gòu)建模型 郭志華[24]等對粵西地區(qū)闊葉林和針葉林材積與反射輻射的關系進行研究，發(fā)現(xiàn)波段TM1、TM2、TM3和TM6與闊葉林和針葉林材積之間呈極顯著負相關（p < 0.01）；闊葉林和針葉林材積與NDVI、比值植被指數(shù)（RVI，Ratio vegetation index）間呈極顯著正相關（p < 0.01）。進一步的研究表明僅以TM3為自變量就可獲得估算闊葉林和針葉林材積的光譜模型，模型的常數(shù)項和系數(shù)也均達到0.001的顯著水平，模型相關性較高。

式中，V為材積，x1、x2、x3分別為波段TM1、TM2、TM3，x4為比值植被指數(shù)。3.1.3 地形或生物因子參與下的線性模型 國慶喜[25]等以海拔、坡度、土壤厚度、平均年齡、郁閉度、平均直徑、平均樹高、TM1、TM2、TM3、TM4、TM5、TM6、TM7、共20個變量因子為待選自變量，進行逐步回歸篩選出以下13個自變量包括海拔、坡度、土壤厚度、平均年齡、郁閉度、TM2、TM3、TM4、TM6、TM7、TM4、來估測森林的生物量依次編

3號為X1～ X13回歸模型為（3）式，回歸方程決定系數(shù)R2= 0.712 5。

LU[26]等利用TM數(shù)據(jù)探討影像紋理（texture）與森林地上生物量相關性。研究結(jié)果表明：紋理能夠提高成熟林生物量估算精度，尤其是對于林分結(jié)構(gòu)復雜的森林，而對演替林生物量估算所起的作用不明顯。將紋理與光譜信號相結(jié)合估測生物量比單單用紋理或光譜信號估測精度高。

3.2 非線性回歸模型

3.2.1 指數(shù)模型 金麗芳[27]等利用Landsat TM數(shù)據(jù)求得歸一化植被指數(shù)（NDVI）并以它為自變量與生物量之間建立指數(shù)函數(shù)模型，決定系數(shù)R2達到0.91；Gilabert等[25]利用實驗遙感方法對作物冠層的葉面積指數(shù)（LAI）、生物量與NDVI的關系進行研究，構(gòu)建 X =A+ BlnY 模型：

式中，為Y為生物量，X為歸一化植被指數(shù)，A、B是據(jù)研究區(qū)狀況而調(diào)整的參數(shù)。

3.2.2 冪函數(shù)模型 洪保章[28]利用650、700、750、800 nm波段的RVI（R750/R650、R750/R700、R800/R650、R800/R700）作為自變量，分別與毛豆地上鮮生物量進行對數(shù)、指數(shù)、冪函數(shù)以及多項式回歸分析，發(fā)現(xiàn)R750/R700構(gòu)造的RVI與毛豆地上鮮生物量之間存在較好的冪函數(shù)關系。

3.2.3 多項式模型 李健[29]等在基于 Landsat_TM 數(shù)據(jù)建立鄱陽湖濕地植被生物量遙感監(jiān)測模型中，利用生物量數(shù)據(jù)與植被指數(shù)DVI、RVI、NDVI、SAVI以及變換歸一化植被指數(shù)（TNDVI）進行了三次多項式的非線性回歸分析，結(jié)果顯示DVI和生物量的三次函數(shù)非線性回歸分析擬合度較高，其模型為：

式中，Y為生物量，X為DVI，決定系數(shù)R2達到0.859 5。

3.2.4 雙曲函數(shù)曲線 邢素麗[30]等探討基于ETM數(shù)據(jù)的落葉松林生物量的估算方法和模式，開發(fā)18個自變量，經(jīng)過逐步回歸分析得出：ETM3數(shù)據(jù)是落葉松林生物量的最好估計因子，生物量與ETM3數(shù)據(jù)具有雙曲函數(shù)關系，與1/ETM3呈極顯著正相關，相關系數(shù)為0.878。

3.3 人工神經(jīng)元網(wǎng)絡模型

人工神經(jīng)元網(wǎng)絡（Artificial Neural Networks, ANN）是一種較好的非參數(shù)模型，其在遙感應用研究中屬于一種較新的方法。范文義等[31]采用黑龍江長白山地區(qū)的TM影像和133塊森林資源一類清查樣地的數(shù)據(jù)，選取地學參數(shù)、遙感反演參數(shù)等71個自變量分別構(gòu)建神經(jīng)網(wǎng)絡模型模型，進而估算該地區(qū)的森林生物量，結(jié)果表明，傳統(tǒng)神經(jīng)網(wǎng)絡模型估測森林生物量精度較好。

國慶喜[25]等以13個因子作為輸入變量，用BP（后向傳播Back propagation）神經(jīng)網(wǎng)絡模型進行模擬，經(jīng)模型反演得出的估計值與實測值比較得出決定系數(shù)R2= 0.906。宋開山等[32]對玉米地上鮮生物量的高光譜遙感估算模型進行研究，表明以光譜的550 nm、660 nm與680 nm以及710 nm處的反射率為輸入變量建立BP網(wǎng)絡能夠準確預測玉米的地上鮮生物量，模型預測結(jié)果相對與由550 nm、700 nm兩個光譜反射率構(gòu)成的二元線性模型來說，其精度較高。

人工神經(jīng)網(wǎng)絡模型的精度相對較高，不足之處主要是由于人工神經(jīng)網(wǎng)絡方法的“黑箱”操作，使得它不利于揭示森林生物量形成的內(nèi)在機理。

4 遙感經(jīng)驗估算模型的可移植性的研究

在經(jīng)驗模型的研究中，許多學者在研究中對模型移植的不確定因素取得了一定程度上的突破。國內(nèi) CHEN Liangfu等[33]用中巴地球資源衛(wèi)星CBERS-02CCD數(shù)據(jù)提取的NDVI和樣地測量數(shù)據(jù)估算了千煙洲附近馬尾松和濕地松的生物量，發(fā)現(xiàn)由于植被指數(shù)的飽和、重采樣時像元大小的改變引起空間和光譜的改變、表面異質(zhì)性、分辨率的差異等原因的存在，使得該模型有一定的局限性。國外Giles M Foodya等[34]基于TM波段數(shù)據(jù)，利用植被指數(shù)法、多重回歸和前饋神經(jīng)網(wǎng)絡三種模型，對熱帶森林生物量進行估算預測，并比較三種模型的預測效果，結(jié)果表明，人工神經(jīng)網(wǎng)絡反映的預測值和實測值關系最強（相關系數(shù)擴 > 0.71，置信水平為99%）；模型移植后精度均會降低，其中人工神經(jīng)網(wǎng)絡模型的移植性相對較好。研究發(fā)現(xiàn)遙感數(shù)據(jù)在預處理時的處理方法相同與否、地面調(diào)查數(shù)據(jù)測量數(shù)據(jù)不準確、時空尺度的差異導致遙感和地面數(shù)據(jù)的不禍合等原因都是模型移植的不確定因素。

近年來，森林生態(tài)系統(tǒng)碳儲量及其碳匯功能的研究已日益深入，但毛竹林生態(tài)系統(tǒng)研究由于起步較晚，在這方面還存在著較大的差距，尤其國內(nèi)的竹林碳儲量估算研究還處于區(qū)域性的研究階段，普適性估算模型的較少，今后應加大毛竹林生態(tài)系統(tǒng)研究的科技發(fā)展力度，在研究方法上還要不斷改進、完善和創(chuàng)新，在研究內(nèi)容上將日益豐富和深入，綜合運用多種方法，使普適性估算模型研究向更高層次發(fā)展，為更高層次的竹林碳匯研究奠定基礎。

[1] 魏晶，吳鋼，鄧紅兵. 長白山高山凍原植被生物量的分布規(guī)律[J]. 應用生態(tài)學報，2004，15（11）：1999-2004.

[2] 劉煒洋，梁嘉鑫，李志新. 生物量的遙感估算方法及影響因素[J]. 林業(yè)科技情報，2010，42（2）：1-2.

[3] 王燕，王兵，趙廣東，等. 我國毛竹林生態(tài)系統(tǒng)碳平衡研究進展[J]. 林業(yè)科技開發(fā)，2008，22（4）：9-12.

[4] 郭起榮，楊光耀，杜天真，等. 中國竹林的碳素特征[J]. 世界竹藤通訊，2005，3（3）：25-28.

[5] 王維楓，雷淵才，王雪峰，等. 森林生物量模型綜述[J]. 西北林學院學報，2008，23（2）：58-63.

[6] 萬猛，李志剛，李富海，等. 基于遙感信息的森林生物量估算研究進展[J]. 河南林業(yè)科技，2009，29（4）：42-45.

[7] 呂國揩. 遙感概論[M]. 北京：高等教育出版社，1994.

[8] Peng S L, Guo Z H, Wang B S. Application of RS and GIS on Terrestrial Vegetation Ecology[J]. Chin J Ecol, 1999, 18（5）：52-64.

[9] Hame T, Salli A, Andersson K, et al. A New Methodology for the Estimation of Biomass of Conifer-Dominated Boreal Forest Using NOAA-AVHRR Data[J]. Int J Remote Sens, 1997, 18（15）：3 211-3 243.

[10] Lefsky M A, Harding D, Cohen W B, et al. Surface Lidar Remote Sensing of Basal Area and Biomass in Deciduous Forests of Eastern Maryland, USA[J]. Remote Sens Environ, 1999（67）：83-98.

[11] Boyd D S, Foody G M, Curran P J. The relationship between the biomass of Cameroonian tropical forests and radiation reflected in middle infrared wavelengths[J]. Int J Remote Sens, 1999, 20（5）：1 017-1 023.

[12] 郭志華，彭少麟，王伯蘇. 利用TM數(shù)據(jù)提取粵西地區(qū)的森林生物量[J]. 生態(tài)學報，2002，22（11）：1 832-1 839.

[13] 馬澤清，劉琪璟，徐雯佳，等. 江西千煙洲人工林生態(tài)系統(tǒng)的碳蓄積特征[J]. 林業(yè)科學，2007，43（11）：1-7.

[14] 張鈞屏. 對地觀測與對空監(jiān)視[M]. 北京：科學出版社，2001.

[15] Toan L, Beaudoin T, Riom A, et al. Relating forestbiomass to SAR data[J]. Geosci Remote Sens, 1992, 30（2）：403-411.

[16] Harrell P A, Bourgeau-Chavez L L, Kasischke E S, et al. Sensitivity of ERS-1 and JERS-1 radar data to biomass and stand structure in Alaskan Boreal Forest[J]. Remote Sens Environ, 1995（54）：247-260.

[17] 李增元，車學儉.ERS-1SAR影像森林應用研究初探[J]. 林業(yè)科學研究，1994，7（6）：692-696.

[18] 童慶禧，鄭蘭芬. 濕地植被成像光譜遙感研究[J]. 遙感學報，1997，1（1）：50-57.

[19] 張良培，鄭蘭芬，童慶禧. 利用高光譜對生物量進行估計[J]. 遙感學報，1997，1（2）：111-114.

[20] Thenkabail P S, R B Smith, E De Pauw. Hyperspectral vegetation indices and their relationships with agricultural crop characteristics[J]. Remote Sens Environ, 2000, 7（1）：158-182.

[21] Popescu S C, Wynne R H, Scrivani J A. Fusion of small-footprint LiDAR and multispectral data to estimateplot-level volume and biomass in deciduous and pine forests in Virginia, USA[J]. For Sci, 2004, 50（4）：551-565.

[22] 李仁東，劉紀遠. 應用Landsat ETM數(shù)據(jù)估算鄱陽湖濕生植被生物量[J]. 地理學報，2001，56（5）：532-540.

[23] Lee N J, Nakane K. Forest vegetation classification and biomass estimation based on Landsat TM data in a mountainous region of west Japan[A]. Gholz H L, K Nakane, H Himoda eds. The use of remote sensing in the modeling of forest productivity[C]. Kluwer Academic Publishers, Netherlands, 1997. 159-171.

[24] 郭志華，彭少麟，王伯蓀. 利用TM數(shù)據(jù)提取粵西地區(qū)的森林生物量[J]. 生態(tài)學報，2002，22（11）：832-839.

[25] 國慶喜，張鋒. 基于遙感信息估測森林的生物量[J]. 東北林業(yè)大學學報，2003，31（2）：13-16.

[26] Lu D, Mausel P, Brondízio E, et al. Relationships between Forest Stand Parameters and Landsat Thematic Mapper Spectral Responses in the

Brazilian Amazon Basin[J]. For Ecol Manage, 2004（198）：149-167.

[27] 金麗芳，徐希孺，張猛，等. 內(nèi)蒙古典型草原地帶牧草產(chǎn)量估算的光譜模型[J]. 中國草原與牧草雜志，1986，3（2）：51-54.

[28] 洪保章. 毛豆遙感光譜與地上鮮生物量的相關性分析[D]. 福州：福建農(nóng)林大學，2006.

[29] 李健，舒曉波，陳水森. 基于Landsat-TM數(shù)據(jù)鄱陽湖濕地植被生物量遙感監(jiān)測模型的建立[J]. 廣州大學學報（自然科學版），2005，4 （6）：494-498

[30] 邢素麗，張廣錄，劉慧濤，等. 基于Landsat ETM數(shù)據(jù)的落葉松林生物量估算模式[J]. 福建林學院學報，2004，24（2）：153-156.

[31] 范文義，張海玉，于穎，等. 三種森林生物量估測模型的比較分析[J]. 植物生態(tài)學報，2011，35（4）：402-410.

[32] 宋開山，張柏，于磊. 玉米地上鮮生物量的高光譜遙感估算模型研究[J] .農(nóng)業(yè)系統(tǒng)科學與綜合研究，2005，21（1）：65-67.

[33] CHEN L F, GAO Y H, CHENG Y, et a1. Biomass estimation and uncertainty analysis based on CBERS-02 CCD camera data and field

measurement[J]. Sci Chin（Ser E）Eng Mater Sci, 2005, 48（1）：116-128.

[34] FOODY G M, BOYD D S. CULTER M E J. Predictive relations of tropical forest biomass from Landsat TM data and their transferability

between regions[J]. Remote Sens Environ, 2003（85）：463-474.

Advance of Remote Sensing Estimation Model for Forest Biomass and Transferability for Bamboo Forest Carbon Storage

JIANG Xiao-fan1，LI Dong1，SHAO Fei2，ZHANG Xiao-qing3，MENG Hui4GU Zhi-kang1，LI Rong-hua5，YUE Yan-long5
（1. Huzhou Forestry Institute of Zhejiang, Huzhou 313000, China; 2. Administration of State Forest Farm of Shandong, Ji’nan 250014, China; 3. Huzhou Forestry Bureau of Zhejiang，Huzhou 313000, China; 4. Renhuangshan Street of Taihu Tourism Resort of Zhejiang, Huzhou 313000, China; 5. Huzhou Wood Inspection Station of Zhejiang, Huzhou 313000, China）

Introductions were made on estimation method of forest biomass, classification of remote sensing estimation models, remote sensing experience estimate model method and transferability of remote sensing experience estimate models. Advances were put forward to biomass estimation of forest carbon storage as well as to transferability for bamboo forest.

remote sensing estimation; biomass; bamboo forest; carbon storage;

S718.5

A

1001-3776（2015）02-0089-06

2014-09-11；

2015-01-10

蔣小凡（1973-），男，浙江長興人，工程師，從事竹林培育與利用；*通訊作者。