基于Landsat 8 OLI 的云南元江流域森林生物量光學遙感估測及其飽和點分析

李紫荊 劉彥楓 冉 嬌 歐光龍 胥 輝

（西南林業大學林學院，西南林業大學西南地區生物多樣性保育國家林業局重點實驗室，云南 昆明 650233）

全球碳循環的相對重要組成部分是陸地生態系統循環，其中森林生態系統碳匯潛力評估的重要基礎是森林地上生物量，森林地上生物量的重要性決定了對森林生物量的精準估測已然成為研究地球碳循環和全球氣候變化的重要內容之一[1-3]。傳統的生物量估算方法周期長、成本高、耗費大量人力，而目前森林生物量及碳貯量的估測則更多地依賴于發展得不僅快速并且穩定的遙感技術[4-5]。不同于傳統生物量估測技術，遙感技術具有快速、準確、對森林無破壞性并能進行宏觀監測的優勢，成為獲取森林地上生物量的主要途徑[6-7]。常用的遙感估測模型有參數模型的多元線性回歸模型和非參數模型的人工神經網絡模型、支持向量機回歸模型、隨機森林回歸模型等[8]。眾多學者在利用現代遙感技術去估測生物量時發現其存在諸多不確定性問題，不確定性問題來源于遙感數據源獲取時影像分辨率、野外實測樣地數據采集、森林空間異質性以及生物量估測模型等[9]。其中，遙感估測中存在光飽和點的問題尤為突出，即當森林植被密度達到一定閾值時，遙感影像就會出現光飽和點問題，從而無法準確估測研究區高生物量分布區情況[1,10-11]，造成森林植被密度高地區高值低估的問題。光飽和值不僅受到森林結構的影響，也會因傳感器分辨率的高低而發生變化，因此，基于光飽和點估測森林生物量時，在生物量估測模型上尋求合適的遙感模型提高生物量估測精度已成為學者們的研究熱點之一[12-14]。現代遙感技術估測森林生物量主要通過建立如多元線性逐步回歸、偏最小二乘法、數量化法等參數模型，然而當針對森林生物量較高的研究區進行生物量估測時，不能很好地擬合模型，便出現了高值低估的情況，但非參數模型相較于參數模型能夠有效克服這種缺陷。孫雪蓮等[13]、吳嬌嬌等[14]利用隨機森林模型以及BP 神經網絡模型提高了思茅松生物量遙感估測精度；盧騰飛等[12]、徐小強等[15]以探索光飽和現象造成的估測精度問題，利用混合效應模型以及支持向量機回歸模型構建不同非參數模型對森林生物量遙感進行估測并得到了較好實驗結果。以上研究表明非參數模型對提高森林生物量估測精度具有較大的潛力。

元江流域貫穿云南省中部、東南部并流經廣西壯族自治區西南部。流域內具有兩種不同的地貌特征，大致以元江為界，其東北部多屬滇東高原，高原上石灰巖廣布，具有明顯的喀斯特地貌；西南部為西北東南走向的哀牢山，山區地形復雜，具有非常重要的生態價值。國內眾多學者已對元江流域進行了大量的研究[16-17]，但是這些研究大多集中在干熱河谷的景觀格局、植物區系等方面[18-19]，但對于該流域內森林生物量的遙感估測還未見報道。基于此，本研究擬以云南省元江流域11 種優勢樹種作為研究對象，以2016年的森林資源二類調查數據和同期Landsat 8 OLI遙感影像為數據源，通過構建參數模型與非參數模型估測研究區森林生物量，反演研究區11 種優勢樹種地上生物量，并探索森林生物量估測中光學遙感數據源的光飽和點確定方法，以期為其他地區森林生物量遙感估測以及光學遙感數據源光飽和點的確定提供方法參考，實現對森林生物量的精準估測。

1 研究區概況

元江流域地處100°06′～105°40′ E、22°27′～25°32′ N，該流域起始于中國云南省西部哀牢山東麓，其地勢西北高東南地，形呈狹弓帶狀，海拔高度在300～1 200 m，平均寬度約120 km，元江流域平壩面積很小，絕大部分屬于山區。元江流域土壤類型有10 種，其中紅壤和紫色土分布廣泛，在海拔800 m 以下的土壤主要是燥紅土，較高的土壤豐富度具有極高的研究價值。元江流域屬于亞熱帶高原季風氣候，年均溫15～24 ℃，因受季風氣候影響，導致該地區降水量豐富，年降水量在1 100 mm 左右。該流域屬國際河流，南流入南海，江水年出境水量為479 億m3，除農業少量耗水外，占河口入海水量的四成以上，占中國入海總水量17 243 億m3的2.8%。元江流域森林資源極其豐富，森林覆蓋率達到66.67%，其中云南松（Pinus yunnanensis）、思茅松（Pinus kesiyavar.langbianensis）、華山松（Pinus armandii）、橡膠（Hevea brasiliensis）、杉木（Cunninghamia lanceolata）、桉樹（Eucalyptus robusta）常綠闊葉樹等作為優勢樹種在該區域分布[18-20]。

2 材料與方法

2.1 數據來源

2.1.1 森林資源二類調查數據收集與處理

從相關林業部門獲取2016 年森林資源二類調查數據，根據二類調查數據利用蓄積量-生物量的轉換公式完成生物量的計算，計算方法見表1。

表1 生物量模型Table 1 Biomass models

本研究為提高生物量估測的精度，選擇研究樹種平均胸徑大于6 cm 的小班，再利用ArcGIS 10.5 分別對各樹種樣本進行篩選（按照7∶3 的比例確定建模樣本數和檢驗樣本數），采用3 倍標準差法篩選生物量數據以減小誤差。小班盡可能的為近純林，且保證小班內部不包括其他非植被像元。可通過目視解譯的方法剔除含有其他地類的小班，從而提高數據的準確性，具體情況如表2。

表2 小班分布情況Table 2 The distribution of sample plots from subcompartment

2.1.2 遙感數據收集與整理

遙感數據源為地理空間數據云（http://www.gscloud.cn/）上下載的與森林資源二類調查數據同期的Landsat 8 OLI 遙感影像數據以及元江流域DEM 數據，數據分辨率為30 m，相關信息見表3。

表3 研究區 Landsat8 影像基本信息Table 3 The basic information of Landsat 8 images in study area

2.2 遙感特征因子提取及篩選

植被定量遙感將地形效應定義為傳感器接收到的地表斜面與地表水平面輻射亮度的差異，是地物相對于光源和傳感器位置的函數[21-22]。

以云南省云江流域森林資源二類調查數據中11 種優勢樹種小班面狀矢量數據為單位，利用ArcGIS 10.5 軟件其中一個功能“分區統計”，在地理坐標相同的情況下將遙感特征因子數據垂直投影小班面狀矢量數據上層相疊加，光學遙感估測森林生物量的關鍵在于采用統計檢驗的方法來確定影響因子。本研究提取了3 類遙感因子，分別為原始單波段因子、植被指數因子、信息增強因子（進行穗帽變換（K-T）和主成分分析（PCA）），具體見表4。皮爾遜相關性分析是針對森林生物量與遙感因子之間的，選擇相關性顯著（P＜0.05）的遙感特征因子作為建模備選變量。

表4 遙感特征因子基本信息Table 4 Basic information of remote sensing characteristic factors

2.3 生物量遙感估測飽和點的確定方法

根據地上生物量與各波段光譜反射率相關性（P＜ 0.05），選擇生物量（X 軸）與相關性最為顯著的波段反射率（Y 軸）做散點圖，發現波段反射率會隨著生物量的增大逐步減小，當生物量達到一定水平時波段反射率不再發生變化，該水平值即為光學遙感估測生物量時的飽和點。參考趙盼盼等[29]和孫雪蓮等[30]的方法，利用參數估計方對比9 種模型建模效果，得出二次項、三次項模型能較好的擬合曲線方程，如公式（1）。本研究結合最值的求解方法，構建單波段信息與生物量之間的曲線關系，選用立方項模型求解光學遙感生物量的飽和點。

式中：h表示模型極值（光學遙感生物量飽和點）；a、b、c、d分別表示模型參數。

2.4 生物量光學遙感估測模型的構建

2.4.1 模型選擇

本研究選擇2 種數學模型估測元江流域優勢樹種的地上生物量，其中，一種為參數模型多元線性回歸（MLR），另一種為非參數模型支持向量機（SVM）。

多元線性回歸生物量遙感模型見式（2）。

式中：Y為生物量， β0為 常數項， β1,β2,···,βn為模型系數，x1,x2,···,xn為相關遙感因子， ε為模型滿足隨機正態分布下的隨機殘差，n為自變量個數。

支持向量機方法在回歸問題上的推廣為支持向量回歸（SVR），在很多方面都表現出較好的性能。支持向量機方法不僅實現了結構風險最小化原則并且保證即使在有限的樣本情況下時仍具有較好推廣能力，SVR 在解決回歸問題上也具有相同的性能。因此，本研究將用SVR 來建立森林生物量遙感模型，以解決森林生物量遙感估測中的遙感因子與預測的森林生物量的非線性關系。SVR 算法的具體實現步驟：

1）獲取訓練樣本集：(x1,y1), (x2,y2), ···,(xl,yl),xi∈Rn,yi∈Rn,i=1, 2, ···,l；

2）確定特征空間—選擇徑向基核函數；

3）對自由參數? 的選擇，確定經驗風險；

4）將原二次規劃問題轉化為凸優化問題進行求解；

5）確定最優超平面，獲得SVR 模型；

6）通過獲得的模型對測試樣本集進行預測，輸出結果。

2.4.2 模型評價與獨立性檢驗

模型評估是檢驗模型參考價值高低的重要組成部分，本研究評價模型精度主要使用以下2 種指標模型的決定系數（R2）、均方根誤差（RMSE），模型的獨立性檢驗指標選用相對均方根誤差（rRMSE）、平均相對絕對誤差值（MARE）和平均絕對誤差（MAE），計算方法見式（3）～（7）。

式中：yi是實測值；是預測值；是樣本平均值；n是樣本總數。

2.4.3 “刀切法”殘差分析

對各植被類型在森林生物量估測中存在的光飽和點進行確定時，能更好體現檢驗模型對高值和低值的處理情況。本研究采用“刀切法”殘差檢驗，選取平均殘差（ME）、相對平均殘差（MRE）對各個模型在不同林組下的預估能力進行分析，RMSE 作為殘差檢驗的評價指標。

式 中：yi是實測值；是預測值；n是樣本總數。

3 結果與分析

3.1 生物量遙感因子相關性分析

本研究選取森林生物量估測的基礎變量為45 個特征因子的均值。并利用統計檢驗的方法，在SPSS 中分析比較了各特征因子與地上單位面積生物量的相關性，選取顯著相關性（P＜ 0.05）且獨立性好的因子，其中海拔、坡度和坡向的相關性都未通過檢驗，故模型將不采用地形因子。

為確定不同植被的生物量飽和值，將云南省元江流域11 中優勢樹種森林生物量與Landsat 8 OLI 影像各波段的光譜反射率進行皮爾遜相關性分析，結果見表5。由表5 可知，B3、B6、B7 波段與11 中優勢樹種生物量均呈極顯著相關（P＜0.01），因此本研究基于B3、B6、B7 波段進行分析和確定云南省元江流域11 中優勢樹種森林生物量飽和值。

表5 光譜波段與生物量相關系數Table 5 Relationships between AGB and spectral band

結果表明：各類型植被波段與生物量均呈負相關，研究選擇與各類型植被相關性最強的波段來確定其生物量飽和值。各類型植被生物量與相關性最強的波段反射率散點圖均表現出隨著生物量的增加反射率逐漸減小，直至趨于穩定。波段反射率趨于穩定時的值所對應的生物量為遙感估測生物量的飽和點。

3.2 生物量遙感估測光飽和值的確定

本研究采用三次項模型擬合曲線并求得其拐點的值，其拐點所對應的值即為11 種優勢樹種遙感估測森林生物量的飽和值。生物量采用立方項模型的主要原因是因為在波段變換區間內，它能夠較好地反映極小范圍內波段光譜值與生物量的關系，各植被類型的飽和點模型見表6。

為了進一步確定不同植被類型在光學遙感下的生物量飽和點，研究采用立方項模型求解不同植被類型與對應波段之間的函數關系，函數在區間內的極值所對應的自變量值為光學遙感生物量估測的光飽和值。通過各植被類型單波段的分析比較，最終選擇決定系數R2最大的波段作為光學遙感估測的飽和點模型并繪制相關的飽和點曲線圖，飽和點曲線見圖1，得出各植被類型飽和值見表6。

圖1 立方項模型模擬的不同植被生物量飽和曲線Fig. 1 Saturation curves of different vegetation biomass model

表6 不同植被光學遙感生物量估測模型以及飽和值Table 6 Biomass estimation model and saturation value of different vegetation by optical remote sensing

3.3 森林生物量遙感估測模型

3.3.1 多元線性回歸模型結果

本研究采用SPSS 優選出自變量與森林生物量構建多元線性逐步回歸模型。多元線性逐步回歸模型中，自變量選擇了顯著性水平值為P＜ 0.05的，變量剔除選擇水平設置為P＞ 0.1 的；同時調用VIF 函數對模型中各個自變量做多重共線性檢驗并選取VIF ＜ 10 的遙感特征因子建立多元線性逐步回歸模型。對各植被類型的線性回歸分析，模型和精度評價見表7。

表7 多元線性回歸模型精度評價結果和獨立檢驗結果Table 7 Multiple linear regression model accuracy evaluation results and independent test results

通過模型的決定系數（R2）和均方根誤差（RMSE）的計算發現，常綠闊葉樹和其他闊葉樹的模型決定系數最大，分別為0.423 和0.652。其他闊葉樹的R2最高，云南松、華山松、其他針葉樹、桉樹和橡膠的R2均在0.2 以上但小于0.4，思茅松、杉木、落葉闊葉樹和其他喬木經濟樹的R2均小于0.2。綜上說明其他闊葉樹的生物量模型最好，而常綠闊葉樹次之，其他各植被類型的模型模型精度和獨立性檢驗結果較差，原因需要進一步探索。

3.3.2 支持向量機回歸建模結果

根據前文提到的模型精度評價方法，對支持向量機模型進行了泛化處理，提高了模型估測的穩定性。各樹種的生物量估測模型擬合精度結果見表8。

表8 支持向量機模型精度評價結果和獨立檢驗結果Table 8 Support vector machine model accuracy evaluation results and independent test results

由表8 可知，其他闊葉樹的生物量模型精度最高，達到了0.841，其次是橡膠和常綠闊葉樹生物量估測模型，其精度也達到了0.650 和0.524，其他各植被類型的模型精度和獨立性檢驗結果較差。結合表7 和表8 可看出同一優勢樹種在2種模型下，支持向量機回歸模型的模型精度以及檢驗指標均高于多元線性逐步回歸模型精度以及檢驗指標，支持向量機模型在一定程度上提高了生物量的遙感估測精度，通過使用支持向量機模型，能夠很大程度上提高生物量估測的能力。

3.3.3 “刀切法”殘差分析

本研究將不同植被類型的生物量進行分段處理，對比在不同植被類型生物量的各個分段下模型的估測精度，結合表9 可知，2 種模型在不同生物量分段處其預估能力有所差異，根據ME 值的變化，發現各樹種所對應的模型都存在著一定程度上的低值高估和高值低估的現象。ME ＜ 0，表示低值高估；ME ＞ 0，表示高值低估。

由表9 可知，11 種優勢樹種多元線性逐步回歸模型在低生物量段（0～50 t/hm2）時，多元線性回歸模型下其他喬木經濟樹ME（2.801）、MRE（-0.067）與支持向量機回歸模型下其他喬木經濟樹ME（0.358）、MRE（-0.008）最低，與其他樹種的模型比較，ME、MRE 絕對值降低了。多元線性回歸模型下其他闊葉樹在生物量段（50～100 t/hm2）有最好的表現，支持向量機模型下橡膠在生物量段（50～100 t/hm2）有最好的表現。橡膠對于2 種模型高生物量段（＞150 t/hm2）的估測誤差值最小。由此可見，2 個模型對各個植被類型不同生物量段的生物量估測能力的程度是不同的。

表9 “刀切法”殘差檢驗結果Table 9 Jack knife error results

續表9

3.4 森林生物量反演

由圖2 可知，多元線性回歸模型下云南省元江流域中云南松林生物量集中在30～100 t/hm2，少數分布在100 t/hm2以上。思茅松林生物量主要在0～60 t/hm2，少數分布在60～100 t/hm2；華山松林生物量主要在30～70 t/hm2，少數分布在70～150 t/hm2；杉木林生物量主要集中在0～100 t/hm2，少數分布在100 t/hm2以上；其他針葉樹林生物量主要集中在20～100 t/hm2，少數分布在100 t/hm2以上。桉樹林生物量估測主要在0～100 t/hm2，少數分布在100 t/hm2以上；橡膠林生物量分布在0～100 t/hm2，少數分布在100 t/hm2以上。常綠闊葉林生物量主要在30～100 t/hm2之間，少數分布在30 t/hm2以下，100 t/hm2以上；落葉闊葉林生物量主要在60～100 t/hm2之間，少數分布在60 t/hm2以下，100 t/hm2以上；其他闊葉林生物量主要在0～100 t/hm2之間，少數分布在100 t/hm2以上。喬木經濟樹林生物量主要在0～50 t/hm2之間，少數分布在50 t/hm2以上。

圖2 2 種模型下11 種優勢樹種生物量反演Fig. 2 Biomass inversion of 11 dominant tree species based on support vector machine model

支持向量機回歸模型下云南省元江流域中云南松林生物量集中在0～70 t/hm2，少數分布在70 t/hm2以上；思茅松林生物量主要在30～100 t/hm2，少數分布在30 t/hm2以下，100 t/hm2以上；華山松林生物量主要在0～100 t/hm2，少數分布在100 t/hm2以上；杉木林生物量主要集中在0～150 t/hm2，少數分布在150 t/hm2以上；其他針葉樹林生物量主要集中在70～100 t/hm2，少數分布在70 t/hm2以下，100 t/hm2以上。桉樹林生物量估測主要在0～100 t/hm2之間，少數分布在100 t/hm2以上；橡膠林生物量分布在0～100 t/hm2，少數分布在100 t/hm2以上。常綠闊葉林生物量主要在50～100 t/hm2，少數分布在50 t/hm2以下，100 t/hm2以上；落葉闊葉林生物量主要在0～100 t/hm2之間，少數分布在100 t/hm2以上；其他闊葉林生物量主要在0～100 t/hm2之間，少數分布在100 t/hm2以上。喬木經濟樹林生物量主要在0～50 t/hm2之間，少數分布在50 t/hm2以上。

4 結論與討論

4.1 討論

4.1.1 數據飽和

由于光譜影像受光譜反射率、輻射分辨率、空間分辨率等制約，光譜信息對生物量的敏感度會隨著生物量的增大而降低，從而出現數據飽和現象[31]。單位面積生物量數據飽和情況是無法避免的，諸多森林生物量估測研究都發現了影響生物量估測精度的重要原因為數據飽和[28,32]。研究學者們采用了各種各樣不同的方法來提高生物量的估測精度，大多以結合不同數據源及利用高光譜影像估測生物量來減少生物量的飽和、提高生物估測精度[33-36]。由于樣地數據的不足，針對不同植被類型進行生物量飽和的研究也很少。本研究在龐大的二調數據支撐下，通過對比Landsat 8 OLI 影像的各個波段與不同植被生物量間的相關性，發現各植被類型均有與生物量呈相關性的波段。因此，研究利用不同類型植被最強波段來確定生物量的飽和值，并采用立方項模型對Landsat 8 OLI 影像估測元江流域不同森林類型的飽和值進行了定量的研究。結果表明常綠闊葉樹具有最高的生物量飽和值，華山松、其他針葉樹、其他闊葉樹次之，云南松、思茅松、杉木、桉樹、橡膠、落葉闊葉樹、其他喬木經濟樹的飽和值均不高。

本研究采用植被分類的方法定量研究遙感估測森林生物量數據飽和的問題。采用不同的估測方法，可以減少生物量遙感估測的數據飽和，從而提高生物量模型的估測精度。其中闊葉樹的估測精度基本高于針葉樹種，在估測模型中針葉樹數據飽和也較為嚴重。因此，僅使用光學遙感信息并不能解決數據飽和的問題，可以向自然環境和多源數據方面進行進一步探索。

4.1.2 建模方法

本研究采用相關性分析的方法從大量的遙感特征因子中選取與單位面積生物量密切相關且獨立性強的自變量建立森林生物量遙感估測模型，這種特征的篩選的方法是依據線性相關的大小選取的。然而很多研究表明遙感特征因子與單位面積生物量間多存在明顯的非線性特征。某些與生物量相關性較低特征與相關性較高的特征一起進入模型時，低特征會在很大程度上影響模型精度，所以利用線性相關性大小進行特征選取的合理性存在質疑。而且多元逐步回歸模型必須滿足一定的假設條件（正態、獨立、線性、等方差），往往使得能夠進入模型的變量較少（通常2～3 個），導致了遙感信息不充分利用，制約了模型的參考性[37]。

本研究采用了多元線性逐步回歸和支持向量機回歸2 種建模方法進行對比研究。通過對比發現，多元線性逐步回歸在生物量估測中不能很好地反映實地生物量的分布情況，其基本參數模型的決定系數R2總體偏低，其結果與其他研究類似。而支持向量機回歸模型有效描述森林生物量和遙感特征數據之間復雜的非線性關系。利用該模型各樹種估測模型確定系數顯著提高，較充分地利用了各類遙感特征信息，說明非參數模型比參數模型有更好的解釋能力。

4.1.3 模型精度

本研究采用2 種建模方法得出的結果表明，支持向量機回歸模型的精度較好。導致模型精度的原因有很多方面。本研究所用的建模樣本為2016 年的森林資源二類調查數據，樣地調查采用角規控制檢尺的方法，樣地大小不一，還受調查者經驗及調查時天氣影響等，導致調查精度不高，加之遙感影像在高山峽谷處易變形，導致與地面實際樣地的空間位置匹配度降低，影響模型的精度。其次，建模樣本數據中的生物量并非專業人士實地獲取的實測生物量，而是用相似地區的蓄積量-生物量的轉換公式，實際跟研究區實測樣地數據存在差異，導致樣地生物量的不準確性，從而影響模型精度。此外，Landsat 8 OLI 數據主要包括的是森林植被表層的光譜數據信息，缺少垂直結構的信息，并且在一定程度上還會出現遙感信息飽和，導致了生物量估測精度低。最后，由于地形、大氣和傳感器的不同等造成了遙感數據與地物間的對應關系極其復雜。

4.2 結論

本研究以元江流域為研究區，采用線性（多元線性逐步回歸模型）和非線性（支持向量機回歸模型）遙感估測方法，通過相關性分析確定最佳的生物量估測波段，采用立方項模型定量研究了元江流域11 種不同類型植被森林生物量的飽和值，研究表明：

1）各樹種地上單位面積生物量與遙感特征變量的相關性均極為顯著（P＜ 0.01），其中常綠闊葉最高達到0.615，杉木最低僅0.287，這是由于受到林分結構和樹種間差異所致；

2）各個樹種則具有不同的飽和閾值，其中華山松（125 t/hm2） ＞ 常綠闊葉（117 t/hm2） ＞ 其他針葉樹（89 t/hm2） ＞ 其他闊葉樹（85 t/hm2） ＞云南松（83 t/hm2） ＞ 思茅松（79 t/hm2） ＞ 桉樹（74 t/hm2） ＞ 杉 木（69 t/hm2） ＞ 橡 膠（66 t/hm2） ＞ 落葉闊葉樹（56 t/hm2） ＞ 其他喬木經濟樹（55 t/hm2）；

3）檢驗結果表明，多元線性逐步回歸模型的精度較低，支持向量機回歸模型精度高；在保證了足夠樣本數量的情況下，基于方法的不同建立多個生物量估測模型進行對比，能有效地提高生物量估測的精度。

本研究旨在通過改變建模方法，充分考慮林分異質性，提高遙感估測森林生物量的精度，減小數據飽和帶來的不確定性，但其仍然存在一些不足，需要未來的研究加以重視。首先，本研究使用的多元線性回歸模型，公式簡單且便于計算，但線性關系很難反映描述出各個參數間的復雜非線性關系，模型泛化能力較差。因此開發出更具有適用性，同時能夠減小因為數據飽和的存在造成的遙感估算誤差的非線性和非參數建模方法是今后重要的研究課題。另外，本研究僅僅基于Landsat 8 OLI 遙感數據源對云南省元江流域的優勢樹種進行生物量的估測，遙感數據源單一，缺少多源遙感獲取的方法及利用。最后，遙感估測森林生物量普遍存在低值高估與高值低估現象，減小數據飽和問題的影響主要是解決高值低估帶來的誤差，同樣低值高估帶來的誤差也應引起重視，選擇更合適的建模方法，以及充分利用遙感數據信息對提高整體森林生物量的遙感估測精度具有很重要的幫助，這一方面需要進一步的研究與實踐。