基于多源遥感数据的森林蓄积量估测研究——以北方孟家岗林场为例.pdf

29Aug.20232023年8 月CENTRAL SOUTHFOREST INVENTORY AND PLANNINGVol.42.No.3中南林业调查规划第42 卷第3期基于多源遥感数据的森林蓄积量估测研究以北方孟家岗林场为例邹泽林,刘紫薇,文敏?，黄鑫（1.国家林业和草原局中南调查规划院，湖南长沙410 0 14；2.长沙中南林业调查规划设计有限公司，湖南长沙410 0 14)摘要：以北方孟家岗林场的落叶松人工林为研究对象，引入遥感技术作为一种更高效、适用于大区域的遥感监测方法，利用Sentinel-1和Sentinel-2遥感数据，提取光谱特征、纹理特征、植被指数和后向散射系数等特征指标，基于Pearson相关系数和距离相关系数这两种特征选择方式，结合KNN、SVR和RF等3种机器学习模型，开展了6 种人工林蓄积量估测方案的对比。研究表明：遥感数据源对模型的估测精度影响最大；以单一Sentinel-1数据作为来源的模型估测精度最低，而基于Sentinel-1和Sentinel-2综合数据的估测模型精度最高，其中RF回归模型结合DC特征重要性评价方案获得了最佳的蓄积量估测结果，RMse和R分别为2 2.94%和0.5 9。利用特征选择的方式结合多源遥感数据可以有效提升模型精度和泛化能力，得到更优的人工林蓄积量估测结果，为森林资源的保护、管理和可持续利用提供科学依据。关键词：森林蓄积量；Sentinel-l；Se n t i n e l-2；K NN；SVR；R F；遥感数据中图分类号：S757.3文献标识码：A文章编号：10 0 3-6 0 7 5（2 0 2 3）0 3-0 0 2 9-0 7D0I:10.16166/43-1095.2023.03.008Research on Forest Volume Estimation Based on MultisourceRemote Sensing Data-Taking Mengjiagang Forest Farm in the north as an ExampleZOU Zelin,LIU Ziwei,WEN Min?,HUANG Xin(1.Central South Academy of Inventory and Planning of NFGA,Changsha 410014,Hunan,China;2.Changsha Central South ForestryInvestigation,Planning and Design Co.,Ltd.,Changsha 410014,Hunan,China)Abstract:Taking the artificial larch forest in Mengjiagang Forest Farm in the north as the research object,re-mote sensing technology is introduced as a more efficient and suitable remote sensing monitoring method forlarge regions.Using Sentinel-1 and Sentinel-2 remote sensing data,feature indicators such as spectral features,texture features,vegetation index,and backscatter coefficient are extracted.Based on such two feature selec-ting modes as Pearson correlation coefficient and distance correlation coefficient,three machine learning mod-els,KNN,SVR,and RF,are combined.We conduct a comparison of six artificial forest volume estimationschemes.Research shows that remote sensing data sources have the greatest impact on the estimation accuracyof models;the model using a single Sentinel-1 data source has the lowest estimation accuracy,while the estima-tion model based on Sentinel-1 and Sentinel-2 comprehensive data has the highest accuracy.Among them,the*收稿日期：2 0 2 2-12-0 6作者简介：邹泽林（1991一），男，湖南祁东人，工程师，主要从事森林资源监测和林业信息化应用等工作。E-mail：397 10 17 5 2 。302023年第3期中南林业调查规划第42 卷RF regression model combined with the DC feature importance evaluation scheme obtains the best stock estima-tion results,while Rmse and R being 22.94%and 0.59%respectively.Combining feature selection withmulti-source remote sensing data can effectively improve model accuracy and generalization ability,obtainsthebest estimation results of artificial forest volume,and provide scientific basis for the protection,management,and sustainable use of forest resources.Key words:forestvolume;Sentinel-1;Sentinel-2;KNN;SVR;RF;remote sensing data随着全球气候问题日益严重以及天然林面积的急剧减少，人工林在应对气候变化和生态环境保护中扮演着越来越关键的角色1-2 。通过促进碳吸收与储存、改善水土保持、维护生物多样性以及提供可持续木材资源等途径，人工林在缓解生态压力、保障人类福让等方面发挥着重要的作用3-4。森林蓄积量是反映国家或地区森林资源规模和水平的关键指标，对于人工林的蓄积量监测尤为重要。人工林蓄积量的准确监测有助于客观评价人工林在生态系统中的贡献，为森林管理和政策制定提供科学依据，进而有针对性地保护和改善森林生态环境，确保森林资源的可持续利用。传统人工监测方法在测量森林资源时具有较高的准确性，然而这种方法耗时长且成本高，特别是在人迹罕至的山区，实地调查的难度更大5-7 。传统人工监测并不适用于大尺度的森林蓄积量连续监测。因此，呕须开发更高效且适用于大区域的森林资源监测方法。遥感技术的不断发展，为森林资源的持续监测提供了新的途径18-12)。遥感监测具有覆盖范围广、时效性好、成本相对较低的优点，但在分辨率、数据质量和解译准确性等方面可能受到限制。通过遥感建模的方式将遥感监测与传统人工监测结合运用，能够在保证森林资源监测准确性的同时，提高监测的效率和范围，更好地为森林资源的保护、管理和可持续利用提供科学依据。遥感建模是森林蓄积量估计的一种重要方法，已在实践中取得了大量成果。遥感数据来源日益丰富，可用于森林蓄积量估算的数据类型主要有3类13-17 ：激光探测和测距（LiDAR）数据、合成孔径雷达（SAR）数据以及光学数据。LiDAR在估测森林蓄积量方面具有显著优势，如高空间分辨率、对地形和林冠结构的精确测量以及较好的穿透能力。然而，它也存在一定的局限性，如成本较高、数据获取受限以及对复杂林冠结构和植被类型的处理仍具挑战性。因此，对于大尺度或短期连续的森林蓄积量监测任务，利用LiDAR可能导致整体监测成本过高。SAR数据不受天气影响，具备全天候监测的能力。此外，SAR数据对地形与植被结构都有一定的敏感性。它可以捕捉到地形的细微变化，如山脉、沟等，以及植被的不同特点，如森林的密度、草地的分布等。这使SAR成为多种地形观测任务的理想选择。然而，SAR数据在处理过程中可能受到散射、径向畸变以及复杂林冠结构的影响，导致处理难度增大。单独基于SAR数据难以获得高精度的森林蓄积量估测结果。光学数据的光谱信息丰富、易于获取和处理，且在多尺度和多时相方面的应用灵活。然而，光学数据受天气条件和光照影响较大，如云遮和雨天等不利环境条件可能导致数据质量下降。此外，对于复杂林冠结构和密集植被覆盖区域，光学数据的敏感性可能受限。因此，SAR数据和光学数据联合应用于遥感建模可以在一定程度上弥补各自的不足，提高森林蓄积量估测的准确性和稳定性。同时，由于两者的获取成本相对较低，这种组合方法更适用于大尺度或短期连续的森林蓄积量监测任务。在实际应用中，通过将SAR和光学数据相结合，充分利用多源遥感数据的优势，可为森林资源管理提供更为全面和准确的信息。本次研究使用Sentinel-1和Sentinel-2遥感数据，两者分别属于SAR数据和光学数据。Sentinel-1和Sentinel-2遥感数据能实现全天候和全覆盖的监测，提供高时间、高分辨率的连续数据，以及降低大规模和长期监测的成本。本次研究通过使用特征选择的方式，从Sentinel-1和Sentinel-2中筛选出对蓄积量响应程度最高的特征变量，从而充分发挥它们各自的优势。这有助于消除穴余和不相关特征，提高遥感建模的准确性和稳定性。本次以孟家岗林场的落叶松人工林为研究对象，利用Sentinel-1（SA R 数据）和Senti-nel-2（光学数据）遥感数据，提取了光谱特征、纹理特征、植被指数和后向散射系数等遥感特征指标，采用基于特征重要性的前向选择方法，研究Sentinel-1和Sentinel-2遥感数据对森林蓄积量估测能力及多源遥感数据的相互作用。31第42 卷以北方孟家岗林场为例2023年第3期邹泽林，等：基于多源遥感数据的森林蓄积量估测研究研究区概况与数据采集1.1研究区概况研究区为北方孟家岗林场（130 32 130 5 2 E，4620一46 30 N），地处完达山西麓余脉，坡度总体相对平缓。该区域的土壤以暗棕壤为主，属东亚大陆性季风气候带，春季少雨干旱，夏季温暖湿润，秋季降温迅速，冬季寒冷干燥，年均气温2.7，年均降水量5 5 0 mm，全年日照时数195 5 h，主要树种包括落叶松、樟子松、云杉、蒙古栎等。本研究共布设了16 4个落叶松人工林样地。为了确保样地的代表性，基于海拔高度、龄组和材积等多个因子进行随机分层抽样，确保所选样地涵盖了不同的地理、生长和结构条件，从而为研究提供了全面和多样化的数据。样地设置远离林分边界，面积为2 5 m25m，对样地内胸径5 cm的林木进行测量，并计算样地内的林木蓄积量。1.2遥感数据的收集与预处理本研究获取了离调查日期（2 0 2 1年8 月15 日一2021年9月2 0 日）最近的1期Sentinel-1数据（2 0 2 1年8 月2 0 日，GRDH级别）和Sentinel-2（2 0 2 1年9月30 日，L1C级别）无云影像数据。本研究使用Sentinel-1和Sentinel-2数据的原始波段信息及其衍生信息，其中Sentinel-1中VV和VH极化的影像重采样为2 0 m分辨率；Sentinel-2中VRE1、VR E2、VR E3、NIR、VR E4波段的分辨率保持为2 0 m，将Blue、Green、R e d、NIR 波段重采样为2 0 m分辨率。Sentinel-1数据中提供的轨道状态向量通常不够准确。通过使用精确的轨道文件提供准确的卫星位置和速度信息，完善轨道状态矢量。通过辐射校正将数字像素值转换为经过辐射校正的背向散射，并以多视处理减少斑点，以提高图像的可解释性。Sentinel-1图像中的信息可能会由于地形变化和卫星传感器的倾斜而失真，使用距离多普勒地形校正来补偿这种失真。关于Sentinel-2数据的预处理，由于下载的图像数据是L1C级产品，已经进行了辐射校正、几何校正等相关操作，因此可以直接进行大气校正。本次研究以L1C级产品为输人数据，使用Sen2Cor处理器进行大气校正，即得到校正后的反射率图像。2研究方法2.1遥感影像特征在本研究中，参与遥感建模特征均是来自Senti-nel-1和Sentinel-2原始特征或衍生特征，如表1所示。其中Sentinel-1与Sentinel-2的原始特征均可分别生成8 种纹理，Sentinel-1和Sentinel-2分别是2+3+28=21和8+6+8 8=7 8 个特征，即从Sentinel-1和Sentinel-2影像中分别提取了2 1和7 8 个遥感特征。其中原始特征主要是从遥感图像的原始像素值中提取出的信息，直接反映了地物的辐射反射或散射特性。植被指数/图像变换特征则是通过对原始特征进行算法处理或数学变换得到的。本研究使用了9个图像变换特征，其中6 个为植被指数，分别是：增强型植被指数（EnhancedVegetation Index，EVI）、增强型植被指数-2（Enhanced Vegetation Index-2，EVI-2）、归一化植被指数（Normalized DifferenceVegetation Index，NDVI）、比值植被指数（RatioVegetationIndex，R VI）、简单植被指数文（Simple Vegetation Index，SVI）和调整土壤亮度的植被指数（SoilAdjustedVegetationIndex，SAVI)。每一个指数都能从不同的角度反映植被的生长状况和健康度。纹理特征则是通过分析图像中像素间的空间关系得到的，它们能反映地物的空间分布规律和局部变化情况。表1遥感特征类型植被指数/遥感数据源原始特征纹理特征（缩写）图像变换特征Sentinel-1VH.VVVH/VV,VH-dB,VV-dBMean(M),Variance(V),Homogenei-ty(H),Contrast(Con),DissimilarityBand2、Ba n d 3、Ba n d 4、Ba n d 5、EVI、EV I-2、ND V I、R V I(D),Entropy(E),Second momentSentinel-2Band6、Ba n d 7、Ba n d 8、Ba n d 8 ASVI,SAVI(S),Correlation(Cor)2.2特征的评价标准在遥感应用中，Pearson相关系数和距离相关系数通常用于筛选可能与目标变量（如森林蓄积量）相关的遥感特征，为后续的特征选择和模型建立提供322023年第3期第42 卷中南林业调查规划参考。1）Pe a r s o n 相关系数。Pearson相关系数是用于度量两个变量之间的线性相关性18 ，其取值范围为-11,最大值为1，表示完全的正相关；最小值为1，表示完全的负相关；0 表示无相关性。在遥感特征与蓄积量的相关性研究中，Pearson相关系数常被用于衡量这两者之间的线性关系，当一个遥感特征与蓄积量之间的Pearson相关系数值的绝对值较高时，这意味着这个特定的遥感特征与蓄积量有较强的线性关系。2）距离相关系数。距离相关系数（DistanceCor-relation，D C）是一种衡量两个随机变量相关性的统计指标，可检测线性及非线性相关性19。其取值范围为0 1，0 表示两变量无相关性，1表示完全相关。在遥感特征与森林蓄积量的相关性研究中，DC可作为响应度的衡量工具。若遥感特征与森林蓄积量的DC值接近1，则该遥感特征可能是预测森林蓄积量的高响应指标2.3机器学习模型1）K 近邻模型。K近邻（K-Nearest Neighbors，KNN)模型是一种监督学习方法，适用于森林蓄积量的遥感建模2 。其基本思想是对需要预测的地点，在特征空间中找到最近的K个样地，然后根据这些样地的蓄积量进行预测。KNN算法的优点在于简单易用，并且能够处理各种类型的数据关系。2）支持向量机模型。支持向量回归（SupportVectorRegression，SVR）是一种基于支持向量机原理的回归方法，适用于森林蓄积量的遥感建模2 1。SVR创建了一个边界，该边界尽量靠近所有训练数据点，而预测则是基于这个边界来完成的。SVR能有效处理高维、非线性问题，具有较好的鲁棒性和泛化能力。3）随机森林模型。随机森林（RandomForest，RF）是一种集成学习方法，其结合多个决策树进行预测，适用于森林蓄积量的遥感建模2 。RF通过引入样本和特征的随机性，提高模型的泛化能力和鲁棒性。在森林蓄积量的预测中，RF能有效处理高维数据、探索特征之间的复杂交互关系，不容易造成模型过拟合的问题2.4特征选择及模型评价指标为了优化遥感建模并提高其精度，使用基于遥感特征重要性的特征选择方法2 3，即首先计算每个遥感特征与森林蓄积量的相关性，并根据特征的重要性进行排序，进而将它们逐个加人模型中进行训练。这意味着，先把最重要的特征纳人模型训练，并进行蓄积量的估测，再加入第二重要的特征，以此类推，直到加人所有的特征。在每次添加新的特征并训练模型后，都会计算并比较模型的训练精度。该特征选择过程在估测模型的训练阶段进行，因此基于不同估测模型或特征重要性评价指标即为不同的特征选择方法。本研究基于Pearson相关系数和DC这两种方式进行特征选择，结合3种机器学习模型（KNN、SVR 和RF），并以相对均方根误差（RMsE）和决策系数（R）作为评价模型精度的指标。相对均方根误差（RRMsE）和决策系数（R）的计算过程如下：RMSE(:-5.)(1/7)(1)nR=1-Z(y-:)/-,(y:-5)(2）式中：yi为测量值，;为估测值；为真实值均值；n为真实值数量。3结果与分析在森林蓄积量遥感建模中，特征选择是重要的过程之一，不同的特征选择方法会产生不同的特征组合，而这些特征组合对于模型的估测精度会有显著影响。为方便阐述由不同回归模型和特征重要性评价指标组成的特征选择方法，以“回归模型-特征重要性评价指标”的方式表示不同的特征选择方法，如KNN-Pearson表示基于KNN回归模型并以Peason作为特征重要性的评价指标的特征选择方法。基于不同特征选择方法选择的特征数量如图1所示。其中基于Sentinel-1数据的特征选择中，不同特征选择方法均选择了2 1个遥感特征，即选择了来自Sentinel-1数据的所有遥感特征；不同特征选择方法基于Sentinel-2数据选择了16 2 8 个遥感特征；基于Sentinel-1和Sentinel-2数据，不同特征选择方法选择了142 9个遥感特征。不同特征选择方法选择的特征数量差异更大。基于不同特征选择方法的模型精度如图2 所示，其中折线“Mean”表示KNN、SVR 和RF三种回归模型精度的均值。基于不同的遥感数据源、回归模型和特征重要性评价指标，模型的估测精度不同。整体上33(b)以DC作为特征重要性评价指标遥感数据源Sentinel-Sentinel-2Sentinel-1和Sentinel-220%25%28.64%27.98%26.84%26.04%25.03%22.94%30%R35%35.47%MeanRF40%KNNSVR以北方孟家岗林场为例2023年第3期第42 卷邹泽林，等基于多源遥感数据的森林蓄积量估测研究KNN-PearsonSVR-PearsonRF-PearsonKNN-DCSVR-DCRF-DCSentinel-1212121212121Sentinel-2271825162817Sentinel-1和262620141529Sentinel-2图1基于不同特征选择方法选择的特征数量40%VAKNNMVSVRRFMean37.17%36.96%35.67%35%29.91%30%29.23%27.83%28.14%26.96925%24.11%20%Sentinel-lSentinel-2Sentinel-1和Sentinel-2遥感数据源(a)以Pearson相关系数作为特征重要性评价指标图2基于不同特征选择方法的模型RLRMSE看，模型的估测精度受遥感数据源的影响最大。其中单独基于Sentinel-1数据的模型估测精度最低，RRSE的范围为35.34%37.17%；基于Sentinel-1和Sen-tinel-2综合数据的估测模型精度最高，RMse的范围为2 2.94%2 8.14%。三种回归模型中，RF的估测精度相对最佳。结合多源遥感数据（Sentinel-1和Sentinel-2）使RF模型精度最佳，其中RF-Pearson和RF-DC的RRMSe分别为2 4.11%和2 2.94%。基于特征重要性的特征选择方法结合DC的评价指标效果更佳，但与结合Pearson的评价指标效果没有显著差异。结合多源遥感数据居（Sentinel-1和 Sentinel-2），将得到较优的蓄积量估测结果。其中，不同特征选择方法的真实值与预测值分布散点如图3所示。虚线表示估测误差为真实值均值的5 0%的临界线，超过虚线范围则认为是估测误差过大。基于特征重要性的特征选择方法，结合不同的特征重要性评价指标得到的模型估测精度差异较小。KNN、SVR 和RF三种估测模型得到的估测结果中，估测误差过大的样地数量较少（2 5 个）。其中，基于RF得到的估测精度最佳，仅有2 3个样地的估测误差过大，如图3（c）和3（f）所示。其中RF结合DC的特征重要性评价指标的估测结果最佳，RRMSe和R分别为22.94%和0.5 9。以精度最佳的RF-DC特征选择方法结合多源遥感数据进行蓄积量估测并对研究区落叶松人工林进行反演发现，研究区整体森林资源丰富，蓄积量集中分布在2 0 0 30 0 m/hm之间。其中低海拔地区受人为影响较大的区域落叶松人工林蓄积量相对较低，而高海拔地区蓄积量相对较高。34第42 卷中南林业调查规划2023年第3期a:KNN-Pearsonb:SVR-Pearsonc:RF-Pearson400400400(）/22300300300333/?/200200200/2100F21002R=0.39R=0.38R=0.54RMSE=227.83%RMSE=228.14%RMSE-24.11%00011100200300,400100200300400100200300400323232真实值/（m/hm真实值m/hm真实值/（m/hmd:KNN-DCe:SVR-DCf:RF-DC40040040022300300300333200200200/100100210022R=0.47R=0.59R=0.43RMSE-2684%RMSE=26.04%RMSE-22.94%一00110020030040010020030040010020030040032323真实值/（m真实值/（m/hm2/hm真实值/（m/hm图3基于不同特征选择方法的真实值与预测值的散点分布4讨论与结论4.1讨论结合遥感数据进行森林蓄积量估测正受到越来越多的关注2 4-2 8 。研究表明，利用特征选择结合多源遥感数据是一种有效提高模型精度的方法2 。这是因为不同的遥感数据源提供了不同类型的信息，可以从多个角度描述森林的蓄积量。其中，特征选择不仅影响了模型的复杂性，还在很大程度上影响了模型的估测精度。本研究中，使用“回归模型特征重要性评价指标”的组合方式来表示不同的特征选择方法为一个突出的策略。从研究结果可以明显看出，Senti-nel-1和Sentinel-2的数据都被视为关键特征，但在不同的特征选择策略中，它们被选中的频率和模式存在差异。这进一步强调了多源遥感数据在森林蓄积量估测中的作用，以及选择合适的特征选择方法的重要性。值得注意的是，基于Sentinel-1和Sentinel-2综合数据，RF回归模型展现出了较高的估测精度，尤其是当结合了DC特征重要性评价方法时，最优的RMSE和R分别为2 2.9 4%和0.5 94.2结论基于本研究的结果，可以得出以下几点结论：结合多源遥感数据进行特征选择与建模，尤其是综合使用Sentinel-1和Sentinel-2的数据，能显著提高森林蓄积量的估测精度；RF回归模型在所有考虑的模型中具有最佳的估测性能，特别是当使用DC作为特征重要性的评价指标时；通过适当的特征选择方法，如RF-DC，对特定区域（如研究中的落叶松人工林）的蓄积量进行反演，可以获得较为准确的蓄积量空间分布，这为未来的森林资源管理和政策制定提供了关键的信息。Sentinel-1和Sentinel-2卫星数据为深人的森林研究和管理提供了坚实的数据基础。通过整合这些数据源，可以显著提高模型的准确性和稳定性。利用多源遥感数据、适当的特征选择及建模技术，已经成为估计森林蓄积量的强大工具。随着遥感技术的进一步发展，期待在未来能够实现更高的预测精度和应用在更多领域中。参考文献：1 Ratcliffe S,Holzwarth F,Nadrowski K,et al.Tree neighbour-hood matters-Tree species composition drives diversity-productivitypatterns in a near-natural beech forest J.Forest Ecology andManagement,2015,335:225-234.2 Yu T,Wu W,Gong C,et al.Residual Multi-Attention Classi-fication Network for A Forest Dominated Tropical Landscape UsingHigh-Resolution Remote Sensing Imagery J.International Jour-nal of Geo-lnformation,2021,10(1):22.35第42 卷以北方孟家岗林场为例邹泽林，等基于多源遥感数据的森林蓄积量估测研究2023年第3期3 Pham T T,Le T T,Tuyet H N,et al.Impacts of Payment for For-est Ecosystem Services in Protecting Forests in Dak Lak Province,VietnamJ.Forests,2021,12(10):1383.4 Lyu J.Endogenous Transmission Mechanism and Spatial Effect ofForest Ecological Security in China J.Forests,2021,12(4):508.5刘三平，李利，曾伟生关于完善地方森林资源监测体系的思考J中南林业调查规划，2 0 11，30（3)：1-3，8.6曾伟生关于森林资源年度监测总体方案的思考J中南林业调查规划，2 0 18，37（2）：1-5.7】孟京辉，陆元昌，柳新红，等国家森林资源调查体系改进探讨J浙江林业科技，2 0 0 9（6）：7 6-7 9.8 Smith W,Lara R,Delgado Caballero C E,et al.The North A-merican Forest Database:going beyond national-level forest resourceassessment statistics J.Environmental Monitoring and Assess-ment,2018,190(6):350.9 Anh D,Viet H,Hung N.Monitoring of Forest Land Cover Changein Nui Ba Ra Protected Landscape in Vietnam Using Remote Sens-ing Methods and GIS techniques J.IOP Conference Series:Earth and Environmental Science,2021,666:52009.10 Lin M,Ling Q,Pei H,et al.Remote Sensing of Tropical Rain-forest Biomass Changes in Hainan Island,China from 2003 to2018J.Remote Sensing,2021,13:1696.11 Singh C,Karan S K,Sardar P,et al.Remote sensing-based bio-mass estimation of dry deciduous tropical forest using machinelearning and ensemble analysis J.Journal of EnvironmentalManagement,2022,308:114639.12 Naik P,Dalponte M,Bruzzone L.Prediction of Forest AbovegroundBiomass Using Multitemporal Multispectral Remote Sensing Data J.Remote Sensing，2 0 2 1,13(7):12 8 2.13 Long J,Lin H,Wang G,et al.Mapping Growing Stem Volumeof Chinese Fir Plantation Using a Saturation-based MultivariateMethod and Quad-polarimetric SAR Images J.R e mo t eSensing,2019,11(16):1872.14 Hu Y,Xu X,Wu F,et al.Estimating Forest Stock Volume inHunan Province,China,by Integrating In Situ Plot Data,Sentinel-2 Images,and Linear and Machine Learning RegressionModels J.Remote Sensing,2020,12(1):186.15 Li X,Liu Z,Lin H,et al.Estimating the Growing Stem Volumeof Chinese Pine and Larch Plantations based on Fused Optical DataUsing an Improved Variable Screening Method and StackingAlgorithmJ.Remote Sensing,2020,12(5):871.16 Cai X,Zhang B,Lyu J.Endogenous Transmission Mechanismand Spatial Effect of Forest Ecological Security in China J.Forests,2021,12(4):508.17 Wolter P T,Olbrich JJ,Johnson P J.Modeling sub-boreal forestcanopy bulk density in Minnesota,USA,using synthetic apertureradar and optical satellite sensor data J.Fire Ecology,2021,17(1):26.18 Pearson K.Note on regression and inheritance in the case of twoparents J.Proceedings of the Royal Society of London,1895,58:240-242.19 Szekely,Gabor J,Rizzo M L,et al.Measuring and TestingDependence by Correlation of Distances J.The Annals ofStatistics,2007,35:2769-2794.20 Cover T,Hart P.Nearest neighbor pattern classification J.IEEETransactions on Information Theory,1967,13(1):21-27.21 Cortes C,Vapnik V.Support-vector networks J.MachineLearning,1995,20(3):273-297.22 Breiman L.Random Forests J.Machine Learning,2001,45(1):5-32.23 Tang C,Ye Z,Long J,et al.Mapping forest and site quality ofplanted Chinese fir forest using sentinel images J.Frontiers inplant science,2022,13:949598.24郑冬梅，夏朝宗，王海宾，等。基于SPOT-7影像的马尾松生物量估测模型研究J中南林业科技大学学报，2 0 18，38(9):82-88.25 Mura M,Bottalico F,Giannetti F,et al.Exploiting thecapabilities of the Sentinel-2 multi spectral instrument forpredicting growing stock volume in forest ecosystems J.InternationalJournalofAppliedEarthObservationandGeoinformation,2018,66:126-134.26 Pu n g p a S,Ch u m k i e w S,Pi y a t a d s a n a n o n P.Es t i m a t i o n o fAboveground Biomass and Carbon Stock Using Remote SensingData in Sakaerat Environmental Research Station,Thailand J,2023:207 215.27 Van Passel J,Keersmaecker W,Somers B.Monitoring WoodyCover Dynamics in Tropical Dry Forest Ecosystems Using Sentinel-2 Satellite Imagery J.Remote Sensing,2020,12:1276.28 Shiferaw H,Kassawmar T,Zeleke G.Above and belowgroundwoody-biomass and carbon stock estimations at Kunzila watershed,Northwest Ethiopia J