结合UAV-LiDAR和Sentinel-2的森林蓄积量估测

雷宇宙 毛学刚

摘 要：遙感技术结合实测样地数据能够实现稳健和高效的森林蓄积量（growing stock volume）估测，可以大大减少调查时间和成本，同时便于定期监测。以内蒙古自治区赤峰市旺业甸林场为研究区，以典型温带针叶人工林为研究对象，通过两阶段外推法，利用随机森林算法结合实测样地数据、UAV-LiDAR数据和Sentinel-2多光谱数据估测整个研究区人工林的森林蓄积量。将实测样地数据外推至UAV-LiDAR样地，建立Field-UAV-LiDAR模型；将第一阶段生成的UAV-LiDAR估测的森林蓄积量外推至全覆盖的Sentinel-2卫星图像，建立Field-UAV-LiDAR-S-2模型。通过与实测样地数据和Sentinel-2提取的特征变量建立的直接预测模型（Field -S-2）进行对比。研究结果表明，基于Field-UAV-LiDAR模型的森林蓄积量估测精度最高（R=0.79、RMSE为42.34 m/hm、rRMSE为19.24%），其次是基于Field-UAV-LiDAR-S-2模型的森林蓄积量估测精度（R=0.68、RMSE为50.19 m/hm、rRMSE为29.43%），基于Field-S-2模型的森林蓄积量估测精度最低（R=0.49、RMSE为63.25 m/hm、rRMSE为33.08%）。研究结果验证了结合UAV-LiDAR和Sentinel-2数据估测森林蓄积量有效性，为大面积森林蓄积量估测提供参考思路。

关键词：森林蓄积量；Sentinel-2；UAV-LiDAR；两阶段外推；随机森林

中图分类号：S758.5 文献标识码：A 文章编号：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

基金项目：黑龙江省自然科学基金（LH2021D001）。

第一作者简介：雷宇宙，硕士研究生。研究方向为森林经理学。E-mail： lyz121380@nefu.edu.cn

*通信作者：毛学刚，博士，副教授。研究方向为林业遥感。E-mail： maoxuegang@aliyun.com

引文格式：雷宇宙，毛学刚. 结合UAV-LiDAR和Sentinel-2的森林蓄积量估测[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

森林蓄积量是单位面积上所有活立木的树干体积之和，是地方、区域和国家尺度上森林资源管理和评估的关键森林变量之一^[1-2]。精确的森林蓄积量估测对于监测森林碳动态、确定森林生产力、评估生态系统森林服务和评估森林质量至关重要。传统上，通过实地测量森林蓄积量的作业是劳力密集和费时的。目前，作为森林调查的重要工具，遥感技术已成为一种具有时间成本效益的森林调查方法，可以提供持续的、最新的森林蓄积量信息。在过去十年中，遥感技术已被广泛用于森林蓄积量估测。主要方法是将一定数量的地面森林蓄积量测量与从重合遥感数据中提取的特征变量相结合所建立的统计模型，随后，模型被推广至整个研究区域。例如，Chrysafis等使用Sentinel-2和Landsat 8OLI，通过光谱波段和植被指数来对地中海区域的森林蓄积量进行估测。刘伯涛等利用GF-1影像结合光谱和纹理信息构建森林蓄积量估测模型。

对于森林蓄积量的估测，激光雷达（Light Detection and Ranging， LiDAR）数据也显出巨大的潜力，因为激光雷达传感器发出的激光脉冲能够穿透森林冠层，并提供关于垂直结构（如高度、冠层覆盖）的信息，同时激光雷达数据可以在信号不饱和的情况下对森林蓄积量进行精确的估测。然而，鉴于激光雷达的数据采集和处理成本，在更广泛的森林景观中的应用有限。在大面积的森林调查中估测森林蓄积量的一个经济有效的解决方案是利用两阶段外推法把机载或星载激光雷达数据作为中间数据，将地面测量与全覆盖的图像相结合。第一阶段，将实地测量的森林蓄积量与激光雷达参数建立关系，生成高精度的激光雷达估测的森林蓄积量。然后，激光雷达估测的森林蓄积量被当作参考数据与全覆盖的卫星图像参数建立模型，以获得整个研究区域的森林蓄积量。与此同时，安装在无人驾驶飞行器（Unmanned Aerial Vehicle）上的LiDAR在森林蓄积量估测方面也显示出的巨大潜力。与传统的机载和星载激光雷达相比，UAV-LiDAR更有利于以低成本和高机动性捕捉森林和数字地形的高分辨率三维结构。由于这些优势和无人机空间覆盖范围小的限制，UAV-LiDAR可能更适合作为采样工具或中间数据。

本研究以内蒙古自治区赤峰市旺业甸林场为研究区，以典型温带针叶人工林为研究对象，采用两阶段外推，利用随机森林算法结合实测样地数据、UAV-LiDAR数据和Sentinel-2影像数据，构建Field-UAV-LiDAR～S-2模型、Field-UAV-LiDAR模型和Field-S-2模型，通过比较分析，建立实测样地-无人机抽样-卫星遥感集合的人工林森林蓄积量估测方法，验证该方法的可行性和有效性，为森林蓄积量估测提供技術支持。

1 研究方法

1.1 研究区概况

研究区位于内蒙古自治区赤峰市旺业甸林场（41°35′～41°50′N，127°26′～127°39′E），如图1所示。海拔为800～1 890 m，坡度一般为15°～35°。属中温带大陆性季风气候，年平均气温3.5 ～ 7.0 ℃，年平均降水量在400 mm 。林场由47%的人工林和53%的天然林组成，森林覆盖率为92.10%，森林面积为2.33×10hm，其中人工林1.16×10hm。人工林的树种主要是油松（Pinus tabuliformis）和落叶松（Larix gmelinii），其中51%的种植面积为油松林，47%为落叶松林。

1.2 实测样地数据

样地蓄积量的调查于2019年9月7日至9月21日进行，采用系统抽样的方法在研究区的针叶人工林中设置了82块25 m × 25 m的样地。采用Trimble Geo 7x全球定位系统（GPS）记录每个样地的中心点坐标以及确定样地边界。选择胸径（DBH）大于5 cm的树木进行测量，测量的内容包括每个树木的DBH（D）、树高（H）、坡度和冠幅。每棵树的单木材积是使用基于DBH和树高的异速生长方程（http：//www.forestry.gov.cn）计算，见表1。

1.3 遥感数据

UAV-LiDAR数据采集时间为2019年10月8—18日。无人机采用LiAir 1350无人机，LiDAR传感器采用的Riegl VUX-1LR轻型激光雷达传感器。无人机飞行高度为250 m，飞行速度为7 m/s，扫描宽度为200 m，脉冲重复频率为200 kHz。飞行轨迹预先设计为覆盖所有18个无人机采样样地，为保证点云数据的密度，对样地区域进行Ｙ字形飞行设计，预处理点云的平均点密度约为110点/m。

卫星影像数据采用Sentinel-2多光谱影像，数据来源于欧空局（https：//scihub.copernicus.eu），获取时间为2019年9月17日。Sentinel-2多光譜影像包括13个光谱波段，空间分辨率分别为10 、20、60 m。Sentinel-2数据是唯一一个在红边范围含有3个波段的数据，见表2。

1.4 遥感数据预处理及特征变量提取

1.4.1 UAV-LiDAR数据

UAV-LiDAR数据的预处理主要包括样地切片、点云去噪、地面点识别和点云归一化。通过去除由高斯滤波器检测到的异常值可以将对齐的地理参考点云去除离群点和高程异常点，将点云数据分为地面点和非地面点。在LiDAR360 3.2软件（中国北京，数字绿土）中，制作数字高程模型（Digital Elevation Model， DEM）来归一化被分类为地面点的点云，然后生成样地尺度的归一化点云，并为特征变量提取做准备。最后，通过样地LiDAR归一化点云数据提取高度变量、密度变量和冠层变量共3组变量，见表3。

1.4.2 Sentinel-2多光谱数据

Sentinel-2多光谱数据预处理包括大气校正、重采样和配准。Sentinel-2数据使用的是L1C级产品，是大气反射数据的正射校正顶部。为了生成作为大气层底部反射率数据的L2A级产品，使用了Sen2Cor大气相关处理器进行大气校正。然后，使用双线性内插法将L2A级图像重采样到10 m的空间分辨率，而波段1、9和10没有使用，因为这3个专用于大气校正，并且具有60 m的低空间分辨率。为了将UAV-LiDAR数据和Sentinel-2数据配准，本研究把UAV-LiDAR 提取的DEM和Sentinel-2影像设置了25个地面控制点，主要分布在研究区域内的道路上，然后在配准过程中使用。使用研究区域的范围多边形提取感兴趣区域的影像。最后，Sentinel-2多光谱数据以小于0.5像元大小的精度与UAV-LiDAR点云共配准。除了Sentinel-2数据的10个原始光谱波段之外，表4中的22个光谱植被指数也被用来构建森林蓄积量估测模型。

1.5 森林蓄积量估测方法

1.5.1 两阶段外推

本研究采用了一个两阶段外推方法，结合随机森林算法构建实测样地-无人机抽样-卫星遥感集合的森林蓄积量估测框架，如图2所示。在这个模型中，UAV-LiDAR数据被当作中间数据，来连接实测样地数据和全覆盖的Sentinel-2数据。在第一阶段，首先利用随机森林算法结合实测样地数据和UAV-LiDAR数据，构建Field-UAV-LiDAR模型，通过Field-UAV-LiDAR模型生成高精度的森林蓄积量估测结果。在第二阶段中，第一阶段生成的高精度结果被用来当作参考数据，与全覆盖的Sentinel-2数据建立关系，生成两阶段外推模型，即Field-UAV-LiDAR-S-2模型。总共使用了12 264个UAV-LiDAR样地和 30个实测样地数据来验证模型的准确性，见表5。

1.5.2 随机森林算法和特征变量选择

随机森林算法作为应用最广泛的机器学习算法，是一种典型的非参数模型，无须假设先验概率分布。RF模型有2个基本的参数：mtry和ntree。mtry为随机特征的数量，ntree为决策树的数量，随着ntree的提高模型的精度会提升直到相对稳定。设置随机森林模型参数：mtry为输入特征变量的平方根，ntree大于5 000时，模型的误差趋于稳定，因此本研究设置ntree为5 000。UAV-LiDAR数据（51）和 Sentinel-2影像（32）的特征变量的大量输入，在构建森林蓄积量估测模型之前，通过后向特征消除方法进行了特征变量选择。通常，由少量特征变量构建的模型更容易解释，消除不相关和高度相关的变量可以提高预测能力。后向特征消除方法基于随机森林算法，并在消除一定比例的预测因子时比较模型的交叉验证预测结果。该方法通过随机森林包中（R语言）的rfcv函数实现，并通过5倍交叉验证重复100次，以获得最佳变量，见表6。

1.5.3 精度评价

森林蓄积量估测精度采用相关独立的验证样本进行评价，精度评价指标采用决定系数R、均方根误差（RMSE，式中用R表示）和相对均方根误差（rRMSE，式中用r表示），将估测值与实测值进行对比。

2 结果

2.1 森林蓄积量估测精度

表7总结了Field-UAV-LiDAR、Field-UAV-LiDAR-S-2和Field-S-2不同的森林蓄积量估测模型在研究区域的校准和验证结果。与Field-UAV-LiDAR模型相比，Field-UAV-LiDAR-S-2模型获取的森林蓄积量估算精度并不高（R=0.68<0.79；RMSE为50.19 m/hm>42.34 m/hm；rRMSE为29.43%>19.24%），但始终优于Field-S-2模型（R=0.68>0.49；RMSE为50.19 m/hm<63.25 m/hm；rRMSE为29.43%>33.08%）。此外，图3描绘出利用Field-UAV-LiDAR-S-2模型估测的最终森林蓄积量值与实地测量估测的森林蓄积量值的关系。结果表明，Field-UAV-LiDAR-S-2模型高估了低森林蓄积量，而低估了高森林蓄积量。对于100 ～300 m/hm的中等森林蓄积量值，这是该研究区域森林蓄积量的主要分布范围。与Field-S-2模型相比，Field-UAV-LiDAR-S-2模型显示出更强的解释力，点分散在更接近1∶1的线上。

2.2 森林蓄积量制图

图4给出了研究区最终的森林蓄积量空间分布图，该图是使用结合随机森林算法和Field-UAV-LiDAR-S-2模型得到的。基于Field-UAV-LiDAR-S-2模型获取研究区的森林蓄积量空间分布与实际森林分布较为吻合。森林蓄积量的分布主要在100～300 m/hm，超过400 m/hm的森林蓄积量值主要分布在林场的西北部和西部。东部和中部地区主要是农田和建筑区，森林蓄积量的分布较少。

3 讨论

本研究采用的两阶段外推法为提升大面积的森林蓄积量估测精度提供了一个实用的解决方案，该方案依赖于UAV-LiDAR数据和Sentinel-2卫星图像的结合。在两阶段外推的过程中，部分覆盖的UAV-LiDAR样地数据作为连接实测数据和Sentinel-2多光谱数据的中间数据，对于构建Field-UAV-LiDAR-S-2模型是很重要的。UAV-LiDAR是表征森林冠层结构和估计森林结构参数的有效技术，具有探测森林水平和垂直信息的优势，特别是森林蓄积量与垂直高度信息变量非常相关。与以前研究中使用的机载和星载激光雷达相比，UAV-LiDAR的主要优势是灵活性、低成本和高点密度。本研究基于Field-UAV-LiDAR模型的森林蓄积量估测精度最高（R=0.79、RMSE为42.34 m/hm、rRMSE为19.24%），这不仅在预料之中，也与Wang等和Liu等的研究结果一致。考虑到低成本和易于获取的优势，高分辨率UAV-LiDAR或UAV-DAP数据可能有希望在空间外推研究中作为中间数据。例如，Puliti等结合UAV-DAP和Sentinel-2辅助数据的基于分层模型的推断来估测森林蓄积量。除了UAV-LiDAR或UAV-DAP之外，部分覆盖的中间数据可以从不同类型的平台获得，例如背包和移动激光雷达、机载激光雷达和星载激光雷达。

本研究构建的Field-UAV-LiDAR-S-2模型大大受益于Sentinel-2多光谱数据。尽管基于Field-S-2模型的森林蓄积量估测精度最低（R=0.49、RMSE为63.25 m/hm、rRMSE为33.08%），与Jiang等仅利用Sentinel-2多光谱数据估测人工林的森林蓄积量的结果相似。首先，无论在区域还是更大范围内，Sentinel-2多光谱数据是唯一的免费全球可用的空间分辨率为10 m的遥感数据。第二，Sentinel-2多光谱数据有3个红边带。植物的光谱反射率曲线通常在红色边缘快速上升，这为提升森林蓄积量的估测精度提供了新的机会。第三，Sentinel-2多光谱数据由于其双卫星系统而具有5 d的短暂重访期，这比其他卫星更有可能提供高质量的无云图像。

基于Field-UAV-LiDAR-S-2模型估测森林蓄积量获得令人满意的预测精度（R=0.68、RMSE为50.19 m/ hm、rRMSE为29.43%），同时也证明并验证了本研究采用的两阶段外推方法的可行性和有效性，该方法对获取森林蓄积量以及其他森林参数非常价值。获取的结果也与Liu等结合GF-6号高空间分辨率数据和UAV-LiDAR估测中国南方桉树人工林的森林参数相一致。随着卫星技术的发展，非常高分辨率卫星图像（如Worldview、Quickbird）或星载激光雷达（如GEDI、ICESat-2）提供了提高森林结构参数监测能力的潜力，因为其覆盖全球并增加了相关信号。在未来的工作中，可以检验各种新的遥感数据对大面积森林蓄积量估测和制图的能力。

尽管本研究基于Field-UAV-LiDAR模型获取的森林蓄积量估测精度最高，但UAV-LiDAR不能连续地监测，如果研究区比较大，使用UAV-LiDAR对整个研究区进行采样，采样成本会偏高。虽然基于Field-S-2模型获取的森林蓄积量估测精度也比较合理且能够以更低的成本估测整个研究区的森林蓄积量，但获取的精度往往低于基于Field-UAV-LiDAR-S-2模型获取的精度。此外，由于受到实测样地数量较少的限制下，本研究并没有基于Field-UAV-LiDAR-S-2模型分别对油松和落叶松的森林蓄积量估测精度进行讨论。在未来的研究中，建议在实测数据足够多的情况下，探究结合两阶段外推和多遥感数据的有效性。最后，本研究的Field-UAV-LiDAR-S-2模型在人工林的森林调查中是适用的，该方法在天然林或混交林中的可转移性还有待进一步研究。

4 结论

准确地估测森林蓄积量对于可持续的森林资源管理和生态系统动态监测具有重要意义。本研究证明了结合UAV-LiDAR点云数据和Sentinel-2多光谱影像，采用两阶段外推法估测典型温带针叶人工林森林蓄积量的可行性和有效性。该两阶段外推法综合了使用UAV-LiDAR数据表征森林冠层三维结构信息（特别是高度信息）的优势和Sentinel-2多光谱影像捕捉水平方向光谱特征信息的优势。结果显示，基于Field-UAV-LiDAR-S-2模型（R=0.68、rRMSE為29.43%）的表现最佳，模型的估测精度比直接关联实测数据和Sentinel-2数据的Field-S-2模型（R=0.49、rRMSE为33.08%）的精度分别提升了0.19和3.65%。尽管基于Field-UAV-LiDAR模型的估测精度最高（R=0.79、rRMSE为19.24%），但考虑到数据的覆盖范围、成本效益和估测精度，本研究基于Field-UAV-LiDAR-S-2模型估测整个研究区的森林蓄积量。因此，有效地结合UAV-LiDAR和Sentinel-2数据，不仅可以提升森林蓄积量的估测精度，也为以后大范围的森林资源调查提供了新的参考思路。

【参 考 文 献】

[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]孙忠秋，高金萍，吴发云，等.基于机载激光雷达点云和随机森林算法的森林蓄积量估测[J].林业科学，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，张晓丽，等.基于Sentinel-1和Sentinel-2A数据的森林蓄积量估算[J].云南大学学报（自然科学版），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]龙植豪，罗鹏，许等平，等.Sentinel-2A红边波段森林蓄积量反演研究[J].林业资源管理，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]刘伯涛，李崇贵，郭瑞霞，等.运用GF-1影像光谱和纹理信息构建森林蓄积量估测模型[J].东北林业大学学报，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，邢艳秋，王萌，等.小光斑激光雷达数据估测森林生物量研究进展[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.应用Sentinel-2A卫星光谱与纹理信息的森林蓄积量估算[J].东北林业大学学报，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]田晓敏，张晓丽.森林地上生物量遥感估算方法[J].北京林业大学学报，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]赵颖慧，蔡鑫垚，甄贞.基于随机森林偏差校正和多源遥感数据的天然次生林地上生物量估测[J].中南林业科技大学学报，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]蒋馥根，孙华，林辉，等.旺业甸林场人工林生物量遥感反演研究[J].中南林业科技大学学报，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]王鹏杰，张绘芳，田昕，等.主被动遥感特征优化的天然林森林蓄积量估测：以新疆巩留县为例[J].遥感技术与应用，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，刘可宁.基于无人机光学遥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.