森林地上生物量是衡量生态系统生产力的重要指标，也是研究森林生态系统碳循环的重要基础。快速准确地获取森林地上生物量信息，是森林生态系统与全球气候变化研究的重要组成部分。与传统的地面调查方法相比，遥感技术具有观测范围广、更新周期短、节约人力物力等特点，能够实现长期、连续、动态监测，在大尺度森林地上生物量估算中具有不可替代的优势。近年来，融合多源遥感数据及智能算法协同反演森林地上生物量已成为国内外研究的热点。如何从大量数据中提取有用信息，充分发挥多源遥感数据的优势，提高森林地上生物量反演精度，是目前亟待解决的难点。因此，深入探讨森林地上生物量遥感反演的有效因子和算法组合、不确定性来源，对于准确估算森林地上生物量，支撑森林可持续管理与保护，维护区域生态系统安全等具有重要的科学和现实意义。
　　中科院东北地理所地理景观遥感学科组研究人员利用ALOS-2 L波段雷达数据、Sentinel系列卫星的C波段雷达和可见光影像、SRTM DEM数据，结合东北森林典型样区的野外调查数据，系统分析了不同遥感数据源及其特征因子（如后向散射、纹理特征、植被因子、生物物理变量、地形因子等）对森林地上生物量空间变异的敏感性差异，定量解析了不同算法（如参数化、非参数化和混合算法）及遥感因子组合对森林地上生物量遥感反演精度的影响，构建了区域尺度森林地上生物量高精度遥感反演模型，并提出了森林可持续管理建议。

图1 随机森林克里金混合算法技术路线示意图
　　研究发现，在森林地上生物量遥感反演中，遥感数据源及其因子的组合产生的影响大于算法的选择。在众多遥感预测因子中，L波段雷达的纹理特征和可见光的植被指数对森林地上生物量敏感性最高。C波段干涉雷达的地形因子比C波段雷达的后向散射和纹理特征对森林地上生物量反演贡献更大。雷达因子相较于可见光因子饱和度问题更为突出，反映了森林垂直结构相较于水平结构更为复杂。机器学习（如人工神经网络、支持向量机和随机森林等）为代表的非参数化算法比参数化方法（如逐步回归和地理加权回归等）反演精度更高。在机器学习算法中，支持向量机适合于小样本训练的森林生物量反演，但随机森林的反演精度最高。随机森林克里金混合算法在森林地上生物量反演中提高了随机森林算法的估算精度，而且混合算法在单传感器反演生物量中对原算法精度的提高更为明显。
　　本研究开展了东北森林地上生物量遥感反演的多源遥感数据和算法的综合比较，并首次将随机森林克里金混合算法应用于地上生物量遥感反演。研究结果不仅有助于深入理解东北森林典型样区地上生物量的分布，且可为制定东北森林可持续利用与科学保护的管理决策提供重要的数据支撑。

图2 非参数化方法与参数化方法对比
　　该研究由东北地理所博士生陈琳、任春颖副研究员、张柏研究员、王宗明研究员和美国罗德岛大学王野乔教授等共同完成。相关研究成果发布在Forest Ecology and Management、Remote Sensing、Forests等国际期刊上。该研究由国家重点研发计划项目（2016YFC0500300）资助完成。论文信息列表如下：
　　Chen, L., Wang, Y., Ren, C.*, Zhang, B., Wang, Z., 2019. Assessment of multi-wavelength SAR and multispectral instrument data for forest aboveground biomass mapping using random forest kriging. Forest Ecology and Management 447, 12-25, doi.org/10.1016/j.foreco.2019.05.057.
　　Chen, L., Wang, Y., Ren, C.*, Zhang, B., Wang, Z., 2019. Optimal combination of predictors and algorithms for forest above-ground biomass mapping from Sentinel and SRTM data. Remote Sensing 11, 414, doi:10.3390/rs11040414.
　　Chen, L., Ren, C., Zhang, B. *, Wang, Z., Xi, Y., 2018. Estimation of forest above-ground biomass by geographically weighted regression and machine learning with Sentinel imagery. Forests 9, 582, doi:10.3390/f9100582.