森林是陆地生态系统的主体，也是生物圈中最大的碳储库，在全球碳循环和气候变化中起着至关重要的作用。森林地上生物量（AGB）作为评价森林服务功能和森林质量的主要指标之一，对其进行准确地估测是森林资源管理和生态系统动态监测的基础性工作。与传统的人工调查相比，遥感技术具有快速获取大尺度植被生长状况的潜力，通过抽样调查获取少量野外样地数据，结合光学遥感影像建立反演模型已成为获取区域AGB的一种有效方式。然而，常用的光谱变量能获取的地表植被生长信息有限。已有研究证明环境变量能提高叶面积指数等森林冠层参数的估测精度（Neinavaz et al，2019），但地表温度（LST）和土壤含水率（SM）对于AGB反演的有效性仍然需要进一步验证。此外，合适的变量组合能显著提高模型的运行效率和估测精度，传统的线性特征变量筛选方式在复杂的森林生态系统应用效果有限。

研究利用线性指标（Pearson correlation coefficient）和多个非线性指标（Kendall coefficient，Spearman coefficient，Distance correlation coefficient以及Importance evaluation）分别进行变量筛选，利用Landsat 8影像提取光谱变量，通过双通道劈窗算法和三角法分别提取地表温度、土壤含水率，结合野外实测调查数据，对中国东北地区针叶林AGB进行反演。利用变量筛选结果建立超参数优化随机森林回归模型以验证地表温度和土壤含水率对于针叶林地上生物量反演的有效性。结果表明，非线性指标相比线性指标效果更好，其中Importance evaluation表现最佳。相比仅使用光谱变量，地表温度和土壤含水率的加入能显著提高AGB反演模型估测精度和制图效果，取得了最佳的拟合系数和最低的误差。

该研究成果于4月24日在线发表于国际学术期刊SCIENCE OF THE TOTAL ENVIRONMENT（IF=7.96，中科院JCR一区TOP）。2020级森林经理学博士研究生蒋馥根为论文第一作者，孙华教授为通讯作者。该研究得到国家自然科学基金、“十三五”国家重点研发计划项目等项目的资助。

文章链接：

https://www.sciencedirect.com/science/article/abs/pii/S0048969721024062

感信号或遥感数据与地表实用参数之间的定量关系模型，也称为遥感模型。