結合UAV-LiDAR和Sentinel-2的森林蓄積量估測

雷宇宙 毛學剛

摘 要：遙感技術結合實測樣地數據能夠實現穩健和高效的森林蓄積量（growing stock volume）估測，可以大大減少調查時間和成本，同時便于定期監測。以內蒙古自治區赤峰市旺業甸林場為研究區，以典型溫帶針葉人工林為研究對象，通過兩階段外推法，利用隨機森林算法結合實測樣地數據、UAV-LiDAR數據和Sentinel-2多光譜數據估測整個研究區人工林的森林蓄積量。將實測樣地數據外推至UAV-LiDAR樣地，建立Field-UAV-LiDAR模型；將第一階段生成的UAV-LiDAR估測的森林蓄積量外推至全覆蓋的Sentinel-2衛星圖像，建立Field-UAV-LiDAR-S-2模型。通過與實測樣地數據和Sentinel-2提取的特征變量建立的直接預測模型（Field -S-2）進行對比。研究結果表明，基于Field-UAV-LiDAR模型的森林蓄積量估測精度最高（R=0.79、RMSE為42.34 m/hm、rRMSE為19.24%），其次是基于Field-UAV-LiDAR-S-2模型的森林蓄積量估測精度（R=0.68、RMSE為50.19 m/hm、rRMSE為29.43%），基于Field-S-2模型的森林蓄積量估測精度最低（R=0.49、RMSE為63.25 m/hm、rRMSE為33.08%）。研究結果驗證了結合UAV-LiDAR和Sentinel-2數據估測森林蓄積量有效性，為大面積森林蓄積量估測提供參考思路。

關鍵詞：森林蓄積量；Sentinel-2；UAV-LiDAR；兩階段外推；隨機森林

中圖分類號：S758.5 文獻標識碼：A 文章編號：1006-8023（2023）06-0046-09

Integrating UAV-LiDAR and Sentinel-2 for Growing

Stock Volume Estimation

LEI Yuzhou， MAO Xuegang

（School of Forestry， Northeast Forestry University， Harbin 150040， China）

Abstract：Remote sensing technology combined with sample plot data allows for robust and efficient estimation of growing stock volume， which greatly reduces survey time and costs and facilitates regular monitoring. Taking Wangyedian Forest Farm in Chifeng City， Inner Mongolia Autonomous Region as the study area and a typical temperate coniferous plantation forest as the research object， the forest stock volume of the plantation forest in the whole study area was estimated by the two-stage extrapolation method using the random forest algorithm in combination with the measured sample data， the UAV-LiDAR data and the Sentinel-2 multispectral data. The measured sample plot data were extrapolated to the UAV-LiDAR sample plots to build the Field-UAV-LiDAR model， and the UAV-LiDAR estimated forest stock volume generated in the first stage was extrapolated to the full-coverage Sentinel-2 satellite image to build the Field-UAV-LiDAR-S-2 model. The direct prediction model （Field -S-2） was compared by combining with the measured sample plot data and the feature variables extracted from Sentinel-2. The results showed that the highest accuracy of growing stock volume estimation （R=0.79， RMSE=42.34 m/hm， rRMSE=19.24%） was based on the Field-UAV-LiDAR model， followed by the accuracy of growing stock volume estimation based on the Field-UAV-LiDAR-S-2 model （R=0.68， RMSE=50.19 m/hm， rRMSE=29.43%）， and the lowest accuracy of growing stock volume estimation based on Field-S-2 model （R=0.49， RMSE=63.25 m/hm， rRMSE=33.08%）. The results of the study verified the validity of combining UAV-LiDAR and Sentinel-2 data to estimate forest stock volume， which provides a reference idea for estimating forest stock volume in large areas.

Keywords：Growing stock volume; Sentinel-2; UAV-LiDAR; two-stage extrapolation; random forest

收稿日期：2023-04-07

基金項目：黑龍江省自然科學基金（LH2021D001）。

第一作者簡介：雷宇宙，碩士研究生。研究方向為森林經理學。E-mail： lyz121380@nefu.edu.cn

*通信作者：毛學剛，博士，副教授。研究方向為林業遙感。E-mail： maoxuegang@aliyun.com

引文格式：雷宇宙，毛學剛. 結合UAV-LiDAR和Sentinel-2的森林蓄積量估測[J].森林工程，2023，39（6）：46-54.

LEI Y Z， MAO X G. Integrating UAV-LiDAR and Sentinel-2 for growing stock volume estimation[J]. Forest Engineering， 2023， 39（6）： 46-54.

0 引言

森林蓄積量是單位面積上所有活立木的樹干體積之和，是地方、區域和國家尺度上森林資源管理和評估的關鍵森林變量之一^[1-2]。精確的森林蓄積量估測對于監測森林碳動態、確定森林生產力、評估生態系統森林服務和評估森林質量至關重要。傳統上，通過實地測量森林蓄積量的作業是勞力密集和費時的。目前，作為森林調查的重要工具，遙感技術已成為一種具有時間成本效益的森林調查方法，可以提供持續的、最新的森林蓄積量信息。在過去十年中，遙感技術已被廣泛用于森林蓄積量估測。主要方法是將一定數量的地面森林蓄積量測量與從重合遙感數據中提取的特征變量相結合所建立的統計模型，隨后，模型被推廣至整個研究區域。例如，Chrysafis等使用Sentinel-2和Landsat 8OLI，通過光譜波段和植被指數來對地中海區域的森林蓄積量進行估測。劉伯濤等利用GF-1影像結合光譜和紋理信息構建森林蓄積量估測模型。

對于森林蓄積量的估測，激光雷達（Light Detection and Ranging， LiDAR）數據也顯出巨大的潛力，因為激光雷達傳感器發出的激光脈沖能夠穿透森林冠層，并提供關于垂直結構（如高度、冠層覆蓋）的信息，同時激光雷達數據可以在信號不飽和的情況下對森林蓄積量進行精確的估測。然而，鑒于激光雷達的數據采集和處理成本，在更廣泛的森林景觀中的應用有限。在大面積的森林調查中估測森林蓄積量的一個經濟有效的解決方案是利用兩階段外推法把機載或星載激光雷達數據作為中間數據，將地面測量與全覆蓋的圖像相結合。第一階段，將實地測量的森林蓄積量與激光雷達參數建立關系，生成高精度的激光雷達估測的森林蓄積量。然后，激光雷達估測的森林蓄積量被當作參考數據與全覆蓋的衛星圖像參數建立模型，以獲得整個研究區域的森林蓄積量。與此同時，安裝在無人駕駛飛行器（Unmanned Aerial Vehicle）上的LiDAR在森林蓄積量估測方面也顯示出的巨大潛力。與傳統的機載和星載激光雷達相比，UAV-LiDAR更有利于以低成本和高機動性捕捉森林和數字地形的高分辨率三維結構。由于這些優勢和無人機空間覆蓋范圍小的限制，UAV-LiDAR可能更適合作為采樣工具或中間數據。

本研究以內蒙古自治區赤峰市旺業甸林場為研究區，以典型溫帶針葉人工林為研究對象，采用兩階段外推，利用隨機森林算法結合實測樣地數據、UAV-LiDAR數據和Sentinel-2影像數據，構建Field-UAV-LiDAR～S-2模型、Field-UAV-LiDAR模型和Field-S-2模型，通過比較分析，建立實測樣地-無人機抽樣-衛星遙感集合的人工林森林蓄積量估測方法，驗證該方法的可行性和有效性，為森林蓄積量估測提供技術支持。

1 研究方法

1.1 研究區概況

研究區位于內蒙古自治區赤峰市旺業甸林場（41°35′～41°50′N，127°26′～127°39′E），如圖1所示。海拔為800～1 890 m，坡度一般為15°～35°。屬中溫帶大陸性季風氣候，年平均氣溫3.5 ～ 7.0 ℃，年平均降水量在400 mm 。林場由47%的人工林和53%的天然林組成，森林覆蓋率為92.10%，森林面積為2.33×10hm，其中人工林1.16×10hm。人工林的樹種主要是油松（Pinus tabuliformis）和落葉松（Larix gmelinii），其中51%的種植面積為油松林，47%為落葉松林。

1.2 實測樣地數據

樣地蓄積量的調查于2019年9月7日至9月21日進行，采用系統抽樣的方法在研究區的針葉人工林中設置了82塊25 m × 25 m的樣地。采用Trimble Geo 7x全球定位系統（GPS）記錄每個樣地的中心點坐標以及確定樣地邊界。選擇胸徑（DBH）大于5 cm的樹木進行測量，測量的內容包括每個樹木的DBH（D）、樹高（H）、坡度和冠幅。每棵樹的單木材積是使用基于DBH和樹高的異速生長方程（http：//www.forestry.gov.cn）計算，見表1。

1.3 遙感數據

UAV-LiDAR數據采集時間為2019年10月8—18日。無人機采用LiAir 1350無人機，LiDAR傳感器采用的Riegl VUX-1LR輕型激光雷達傳感器。無人機飛行高度為250 m，飛行速度為7 m/s，掃描寬度為200 m，脈沖重復頻率為200 kHz。飛行軌跡預先設計為覆蓋所有18個無人機采樣樣地，為保證點云數據的密度，對樣地區域進行Ｙ字形飛行設計，預處理點云的平均點密度約為110點/m。

衛星影像數據采用Sentinel-2多光譜影像，數據來源于歐空局（https：//scihub.copernicus.eu），獲取時間為2019年9月17日。Sentinel-2多光譜影像包括13個光譜波段，空間分辨率分別為10 、20、60 m。Sentinel-2數據是唯一一個在紅邊范圍含有3個波段的數據，見表2。

1.4 遙感數據預處理及特征變量提取

1.4.1 UAV-LiDAR數據

UAV-LiDAR數據的預處理主要包括樣地切片、點云去噪、地面點識別和點云歸一化。通過去除由高斯濾波器檢測到的異常值可以將對齊的地理參考點云去除離群點和高程異常點，將點云數據分為地面點和非地面點。在LiDAR360 3.2軟件（中國北京，數字綠土）中，制作數字高程模型（Digital Elevation Model， DEM）來歸一化被分類為地面點的點云，然后生成樣地尺度的歸一化點云，并為特征變量提取做準備。最后，通過樣地LiDAR歸一化點云數據提取高度變量、密度變量和冠層變量共3組變量，見表3。

1.4.2 Sentinel-2多光譜數據

Sentinel-2多光譜數據預處理包括大氣校正、重采樣和配準。Sentinel-2數據使用的是L1C級產品，是大氣反射數據的正射校正頂部。為了生成作為大氣層底部反射率數據的L2A級產品，使用了Sen2Cor大氣相關處理器進行大氣校正。然后，使用雙線性內插法將L2A級圖像重采樣到10 m的空間分辨率，而波段1、9和10沒有使用，因為這3個專用于大氣校正，并且具有60 m的低空間分辨率。為了將UAV-LiDAR數據和Sentinel-2數據配準，本研究把UAV-LiDAR 提取的DEM和Sentinel-2影像設置了25個地面控制點，主要分布在研究區域內的道路上，然后在配準過程中使用。使用研究區域的范圍多邊形提取感興趣區域的影像。最后，Sentinel-2多光譜數據以小于0.5像元大小的精度與UAV-LiDAR點云共配準。除了Sentinel-2數據的10個原始光譜波段之外，表4中的22個光譜植被指數也被用來構建森林蓄積量估測模型。

1.5 森林蓄積量估測方法

1.5.1 兩階段外推

本研究采用了一個兩階段外推方法，結合隨機森林算法構建實測樣地-無人機抽樣-衛星遙感集合的森林蓄積量估測框架，如圖2所示。在這個模型中，UAV-LiDAR數據被當作中間數據，來連接實測樣地數據和全覆蓋的Sentinel-2數據。在第一階段，首先利用隨機森林算法結合實測樣地數據和UAV-LiDAR數據，構建Field-UAV-LiDAR模型，通過Field-UAV-LiDAR模型生成高精度的森林蓄積量估測結果。在第二階段中，第一階段生成的高精度結果被用來當作參考數據，與全覆蓋的Sentinel-2數據建立關系，生成兩階段外推模型，即Field-UAV-LiDAR-S-2模型。總共使用了12 264個UAV-LiDAR樣地和 30個實測樣地數據來驗證模型的準確性，見表5。

1.5.2 隨機森林算法和特征變量選擇

隨機森林算法作為應用最廣泛的機器學習算法，是一種典型的非參數模型，無須假設先驗概率分布。RF模型有2個基本的參數：mtry和ntree。mtry為隨機特征的數量，ntree為決策樹的數量，隨著ntree的提高模型的精度會提升直到相對穩定。設置隨機森林模型參數：mtry為輸入特征變量的平方根，ntree大于5 000時，模型的誤差趨于穩定，因此本研究設置ntree為5 000。UAV-LiDAR數據（51）和 Sentinel-2影像（32）的特征變量的大量輸入，在構建森林蓄積量估測模型之前，通過后向特征消除方法進行了特征變量選擇。通常，由少量特征變量構建的模型更容易解釋，消除不相關和高度相關的變量可以提高預測能力。后向特征消除方法基于隨機森林算法，并在消除一定比例的預測因子時比較模型的交叉驗證預測結果。該方法通過隨機森林包中（R語言）的rfcv函數實現，并通過5倍交叉驗證重復100次，以獲得最佳變量，見表6。

1.5.3 精度評價

森林蓄積量估測精度采用相關獨立的驗證樣本進行評價，精度評價指標采用決定系數R、均方根誤差（RMSE，式中用R表示）和相對均方根誤差（rRMSE，式中用r表示），將估測值與實測值進行對比。

2 結果

2.1 森林蓄積量估測精度

表7總結了Field-UAV-LiDAR、Field-UAV-LiDAR-S-2和Field-S-2不同的森林蓄積量估測模型在研究區域的校準和驗證結果。與Field-UAV-LiDAR模型相比，Field-UAV-LiDAR-S-2模型獲取的森林蓄積量估算精度并不高（R=0.68<0.79；RMSE為50.19 m/hm>42.34 m/hm；rRMSE為29.43%>19.24%），但始終優于Field-S-2模型（R=0.68>0.49；RMSE為50.19 m/hm<63.25 m/hm；rRMSE為29.43%>33.08%）。此外，圖3描繪出利用Field-UAV-LiDAR-S-2模型估測的最終森林蓄積量值與實地測量估測的森林蓄積量值的關系。結果表明，Field-UAV-LiDAR-S-2模型高估了低森林蓄積量，而低估了高森林蓄積量。對于100 ～300 m/hm的中等森林蓄積量值，這是該研究區域森林蓄積量的主要分布范圍。與Field-S-2模型相比，Field-UAV-LiDAR-S-2模型顯示出更強的解釋力，點分散在更接近1∶1的線上。

2.2 森林蓄積量制圖

圖4給出了研究區最終的森林蓄積量空間分布圖，該圖是使用結合隨機森林算法和Field-UAV-LiDAR-S-2模型得到的。基于Field-UAV-LiDAR-S-2模型獲取研究區的森林蓄積量空間分布與實際森林分布較為吻合。森林蓄積量的分布主要在100～300 m/hm，超過400 m/hm的森林蓄積量值主要分布在林場的西北部和西部。東部和中部地區主要是農田和建筑區，森林蓄積量的分布較少。

3 討論

本研究采用的兩階段外推法為提升大面積的森林蓄積量估測精度提供了一個實用的解決方案，該方案依賴于UAV-LiDAR數據和Sentinel-2衛星圖像的結合。在兩階段外推的過程中，部分覆蓋的UAV-LiDAR樣地數據作為連接實測數據和Sentinel-2多光譜數據的中間數據，對于構建Field-UAV-LiDAR-S-2模型是很重要的。UAV-LiDAR是表征森林冠層結構和估計森林結構參數的有效技術，具有探測森林水平和垂直信息的優勢，特別是森林蓄積量與垂直高度信息變量非常相關。與以前研究中使用的機載和星載激光雷達相比，UAV-LiDAR的主要優勢是靈活性、低成本和高點密度。本研究基于Field-UAV-LiDAR模型的森林蓄積量估測精度最高（R=0.79、RMSE為42.34 m/hm、rRMSE為19.24%），這不僅在預料之中，也與Wang等和Liu等的研究結果一致。考慮到低成本和易于獲取的優勢，高分辨率UAV-LiDAR或UAV-DAP數據可能有希望在空間外推研究中作為中間數據。例如，Puliti等結合UAV-DAP和Sentinel-2輔助數據的基于分層模型的推斷來估測森林蓄積量。除了UAV-LiDAR或UAV-DAP之外，部分覆蓋的中間數據可以從不同類型的平臺獲得，例如背包和移動激光雷達、機載激光雷達和星載激光雷達。

本研究構建的Field-UAV-LiDAR-S-2模型大大受益于Sentinel-2多光譜數據。盡管基于Field-S-2模型的森林蓄積量估測精度最低（R=0.49、RMSE為63.25 m/hm、rRMSE為33.08%），與Jiang等僅利用Sentinel-2多光譜數據估測人工林的森林蓄積量的結果相似。首先，無論在區域還是更大范圍內，Sentinel-2多光譜數據是唯一的免費全球可用的空間分辨率為10 m的遙感數據。第二，Sentinel-2多光譜數據有3個紅邊帶。植物的光譜反射率曲線通常在紅色邊緣快速上升，這為提升森林蓄積量的估測精度提供了新的機會。第三，Sentinel-2多光譜數據由于其雙衛星系統而具有5 d的短暫重訪期，這比其他衛星更有可能提供高質量的無云圖像。

基于Field-UAV-LiDAR-S-2模型估測森林蓄積量獲得令人滿意的預測精度（R=0.68、RMSE為50.19 m/ hm、rRMSE為29.43%），同時也證明并驗證了本研究采用的兩階段外推方法的可行性和有效性，該方法對獲取森林蓄積量以及其他森林參數非常價值。獲取的結果也與Liu等結合GF-6號高空間分辨率數據和UAV-LiDAR估測中國南方桉樹人工林的森林參數相一致。隨著衛星技術的發展，非常高分辨率衛星圖像（如Worldview、Quickbird）或星載激光雷達（如GEDI、ICESat-2）提供了提高森林結構參數監測能力的潛力，因為其覆蓋全球并增加了相關信號。在未來的工作中，可以檢驗各種新的遙感數據對大面積森林蓄積量估測和制圖的能力。

盡管本研究基于Field-UAV-LiDAR模型獲取的森林蓄積量估測精度最高，但UAV-LiDAR不能連續地監測，如果研究區比較大，使用UAV-LiDAR對整個研究區進行采樣，采樣成本會偏高。雖然基于Field-S-2模型獲取的森林蓄積量估測精度也比較合理且能夠以更低的成本估測整個研究區的森林蓄積量，但獲取的精度往往低于基于Field-UAV-LiDAR-S-2模型獲取的精度。此外，由于受到實測樣地數量較少的限制下，本研究并沒有基于Field-UAV-LiDAR-S-2模型分別對油松和落葉松的森林蓄積量估測精度進行討論。在未來的研究中，建議在實測數據足夠多的情況下，探究結合兩階段外推和多遙感數據的有效性。最后，本研究的Field-UAV-LiDAR-S-2模型在人工林的森林調查中是適用的，該方法在天然林或混交林中的可轉移性還有待進一步研究。

4 結論

準確地估測森林蓄積量對于可持續的森林資源管理和生態系統動態監測具有重要意義。本研究證明了結合UAV-LiDAR點云數據和Sentinel-2多光譜影像，采用兩階段外推法估測典型溫帶針葉人工林森林蓄積量的可行性和有效性。該兩階段外推法綜合了使用UAV-LiDAR數據表征森林冠層三維結構信息（特別是高度信息）的優勢和Sentinel-2多光譜影像捕捉水平方向光譜特征信息的優勢。結果顯示，基于Field-UAV-LiDAR-S-2模型（R=0.68、rRMSE為29.43%）的表現最佳，模型的估測精度比直接關聯實測數據和Sentinel-2數據的Field-S-2模型（R=0.49、rRMSE為33.08%）的精度分別提升了0.19和3.65%。盡管基于Field-UAV-LiDAR模型的估測精度最高（R=0.79、rRMSE為19.24%），但考慮到數據的覆蓋范圍、成本效益和估測精度，本研究基于Field-UAV-LiDAR-S-2模型估測整個研究區的森林蓄積量。因此，有效地結合UAV-LiDAR和Sentinel-2數據，不僅可以提升森林蓄積量的估測精度，也為以后大范圍的森林資源調查提供了新的參考思路。

【參 考 文 獻】

[1]HANSEN M C， POTAPOV P V， MOORE R， et al. High-resolution global maps of 21st-century forest cover change[J]. Science， 2013， 342（6160）： 850-853.

[2] BELAND M， PARKER G， SPARROW B， et al. On promoting the use of LiDAR systems in forest ecosystem research[J]. Forest Ecology and Management， 2019， 450： 117484.

[3]CHRYSAFIS I， MALLINIS G， SIACHALOU S， et al. Assessing the relationships between growing stock volume and Sentinel-2 imagery in a Mediterranean forest ecosystem[J]. Remote Sensing Letters， 2017， 8（6）： 508-517.

[4]孫忠秋，高金萍，吳發云，等.基于機載激光雷達點云和隨機森林算法的森林蓄積量估測[J].林業科學，2021，57（8）：68-81.

SUN Z Q， GAO J P， WU F Y， et al. Estimating forest stock volume via small-footprint LiDAR point cloud data and random forest algorithm[J]. Scientia Silvae Sinicae， 2021， 57（8）： 68-81.

[5]GALLAUN H， ZANCHI G， NABUURS G J， et al. EU-wide maps of growing stock and above-ground biomass in forests based on remote sensing and field measurements[J]. Forest Ecology and Management， 2010， 260（3）： 252-261.

[6]雷令婷，高金萍，張曉麗，等.基于Sentinel-1和Sentinel-2A數據的森林蓄積量估算[J].云南大學學報（自然科學版），2022，44（6）：1174-1182.

LEI L T， GAO J P， ZHANG X L， et al. Estimation of forest stock volume based on Sentinel-1 and Sentinel-2A data[J]. Journal of Yunnan University （Natural Sciences Edition）， 2022， 44（6）： 1174-1182.

[7]HAWRYL O P， TOMPALSKI P， WEZYK P. Area-based estimation of growing stock volume in Scots pine stands using ALS and airborne image-based point clouds[J]. Forestry， 2017， 90（5）： 686-696.

[8]龍植豪，羅鵬，許等平，等.Sentinel-2A紅邊波段森林蓄積量反演研究[J].林業資源管理，2022（2）：126-134.

LONG Z H， LUO P， XU D P， et al. Inversion research of forest stock volume using the red edge bands of sentinel-2A[J]. Forest Resources Management， 2022（2）： 126-134.

[9]MURA M， BOTTALICO F， GIANNETTI F， et al. Exploiting the capabilities of the Sentinel-2 multi spectral instrument for predicting growing stock volume in forest ecosystems[J]. International Journal of Applied Earth Observation and Geoinformation， 2018， 66： 126-134.

[10]劉伯濤，李崇貴，郭瑞霞，等.運用GF-1影像光譜和紋理信息構建森林蓄積量估測模型[J].東北林業大學學報，2020，48（1）：9-12，28.

LIU B T， LI C G， GUO R X， et al. Building forest volume estimation model using GF-1 image spectral and texture information[J]. Journal of Northeast Forestry University， 2020， 48（1）： 9-12， 28.

[11]尤號田，邢艷秋，王萌，等.小光斑激光雷達數據估測森林生物量研究進展[J].森林工程，2014，30（3）：39-42，46.

YOU H T， XING Y Q， WANG M， et al. The progress on estimating forest biomass using small footprint LiDAR data[J]. Forest Engineering， 2014， 30（3）： 39-42， 46.

[12]PULITI S， BREIDENBACH J， ASTRUP R. Estimation of forest growing stock volume with UAV laser scanning data： can it be done without field data？[J]. Remote Sensing， 2020， 12（8）： 1245.

[13]WANG D Z， WAN B， LIU J， et al. Estimating aboveground biomass of the mangrove forests on northeast Hainan Island in China using an upscaling method from field plots， UAV-LiDAR data and Sentinel-2 imagery[J]. International Journal of Applied Earth Observation and Geoinformation， 2020， 85： 101986.

[14]LIU K， SHEN X， CAO L， et al. Estimating forest structural attributes using UAV-LiDAR data in Ginkgo plantations[J]. ISPRS Journal of Photogrammetry and Remote Sensing， 2018， 146： 465-482.

[15]LIU H， CAO F L， SHE G H， et al. Extrapolation assessment for forest structural parameters in planted forests of Southern China by UAV-LiDAR samples and multispectral satellite imagery[J]. Remote Sensing， 2022， 14（11）： 2677.

[16]CHEN L， REN C Y， ZHANG B， et al. Improved estimation of forest stand volume by the integration of GEDI LiDAR data and multi-sensor imagery in the Changbai Mountains Mixed forests Ecoregion （CMMFE）， northeast China[J]. International Journal of Applied Earth Observation and Geoinformation， 2021， 100： 102326.

[17]XIE B， CAO C X， XU M， et al. Regional forest volume estimation by expanding LiDAR samples using multi-sensor satellite data[J]. Remote Sensing， 2020， 12（3）： 360.

[18] KELLNER J R， ARMSTON J， BIRRER M， et al. New opportunities for forest remote sensing through ultra-high-density drone lidar[J]. Surveys in Geophysics， 2019， 40（4）： 959-977.

[19]曹霖，彭道黎，王雪軍，等.應用Sentinel-2A衛星光譜與紋理信息的森林蓄積量估算[J].東北林業大學學報，2018，46（9）：54-58.

CAO L， PENG D L， WANG X J， et al. Estimation of forest stock volume with spectral and textural information from the sentinel-2A[J]. Journal of Northeast Forestry University， 2018， 46（9）： 54-58.

[20]田曉敏，張曉麗.森林地上生物量遙感估算方法[J].北京林業大學學報，2021，43（8）：137-148.

TIAN X M， ZHANG X L. Estimation of forest aboveground biomass by remote sensing[J]. Journal of Beijing Forestry University， 2021， 43（8）： 137-148.

[21]趙穎慧，蔡鑫垚，甄貞.基于隨機森林偏差校正和多源遙感數據的天然次生林地上生物量估測[J].中南林業科技大學學報，2021，41（7）：96-106，141.

ZHAO Y H， CAI X Y， ZHEN Z. Estimation of aboveground biomass of natural secondary forest based on bias-corrected random forest and multi-source data[J]. Journal of Central South University of Forestry & Technology， 2021， 41（7）： 96-106， 141.

[22]蔣馥根，孫華，林輝，等.旺業甸林場人工林生物量遙感反演研究[J].中南林業科技大學學報，2019，39（10）：88-94.

JIANG F G， SUN H， LIN H， et al. Remote sensing inversion of plantation biomass in Wangyedian forest farm[J]. Journal of Central South University of Forestry & Technology， 2019， 39（10）： 88-94.

[23]PHAM L T H， BRABYN L. Monitoring mangrove biomass change in Vietnam using SPOT images and an object-based approach combined with machine learning algorithms[J]. ISPRS Journal of Photogrammetry and Remote Sensing， 2017， 128： 86-97.

[24]PULITI S， SAARELA S， GOBAKKEN T， et al. Combining UAV and Sentinel-2 auxiliary data for forest growing stock volume estimation through hierarchical model-based inference[J]. Remote Sensing of Environment， 2018， 204： 485-497.

[25]王鵬杰，張繪芳，田昕，等.主被動遙感特征優化的天然林森林蓄積量估測：以新疆鞏留縣為例[J].遙感技術與應用，2022，37（3）：672-680.

WANG P J， ZHANG H F， TIAN X， et al. Estimation of forest stem volume of natural forests based on the optimization of active and passive remote sensing features—a case study over Gongliu County of Xinjiang[J]. Remote Sensing Technology and Application， 2022， 37（3）： 672-680.

[26]李濱，劉可寧.基于無人機光學遙感的森林生物量估算研究[J].森林工程，2022，38（5）：83-92.

LI B， LIU K N. Forest biomass estimation based on UAV optical remote sensing[J]. Forest Engineering， 2022， 38（5）： 83-92.

[27]JIANG F G， KUTIA M， SARKISSIAN A J， et al. Estimating the growing stem volume of coniferous plantations based on random forest using an optimized variable selection method[J]. Sensors， 2020， 20（24）： 7248.