联合GF-6和Sentinel-2红边波段的森林地上生物量反演

光谱反射率能反映地物差异,是森林地上生物量（Aboveground Biomass,AGB）遥感反演的理论基础。红边波段处于近红外与红光波段交界处快速变化的区域,能对植被冠层结构和叶绿素含量的微小变化做出快速反应,对植被生长状况较敏感。研究以GF-6和Sentinel-2多光谱影像作为数据源,结合野外调查AGB数据,构建落叶松和樟子松AGB线性和非线性估测模型,通过比较模型精度选择最优模型进行森林AGB反演和空间分布制图。结果表明：GF-6和Sentinel-2影像红边波段反射率与落叶松、樟子松AGB均呈显著相关（P<0.05）,红边波段对AGB估测较敏感。多变量估测模型整体估测效果优于单变量模型,所有模型中多元线性回归模型取得了最优的决定系数（落叶松R²=0.66,樟子松R²=0.65）和最低的均方根误差（落叶松RMSE=31.45 t/hm²,樟子松RMSE=54.77 t/hm²）。相比单个数据源,联合GF-6和Sentinel-2影像构建的多元线性回归模型估测效果得到了显著提升,模型RMSE对于落叶松和樟子松AGB估测分别最大降低了22.9%和11.2%。增加红边波段进行AGB估测能显著提高模型估测精度,三组数据源分别加入红边波段信息后进行建模,模型RMSE得到了显著降低。GF-6拥有800 km观测幅宽和高效的重访周期,可以快速地提供大尺度时间序列数据,在森林地上生物量反演和动态监测方面有着很大潜力。     

青藏高原草地地上生物量估算

及时准确评估草地产草量对草地资源的科学管理和可持续发展具有重要意义。青藏高原自然环境特殊,气候差异显著,地形复杂,仅依靠遥感信息准确监测草地地上生物量(Aboveground Biomass,AGB)变化有较大限制。基于青藏高原草地AGB野外实测数据与Landsat遥感影像,探索了植被指数表征草地AGB信息的有效性,评估了气象和地形信息对准确估算草地AGB的影响,综合利用气象、地形和遥感信息,在新一代地球科学数据和分析应用平台(Google Earth Engine)上构建了梯度增强回归树草地AGB估算模型,绘制了青藏高原多年草地AGB空间分布图。结果表明:(1)基于单因素遥感因子的线性回归模型仅能解释8%-40%的草地AGB变化情况,其中绿色归一化植被指数(Green Normalized Difference Vegetation Index, GNDVI)对草地AGB解释能力较强(40%)。(2)基于遥感因子构建的梯度增强回归树模型测试集R²为0.57。分别添加气象、地形信息,模型对草地AGB的估测准确性有所提升,测试R²为0.62和0.63。(3)基于气象、地形和遥感因子的多因素估测模型能够提高草地AGB估测精度,经递归特征消除法优选后,基于13个特征变量的梯度增强回归树模型拟合效果最好(训练数据集R²=0.79,RMSE=43.42 g/m²,P<0.01;测试数据集R²=0.66,RMSE=53.64 g/m²,P<0.01),可以解释66%草地AGB变化情况。(4)2010年青藏高原平均AGB为94.58 g/m²,2015年93.63 g/m²,2020年100.78 g/m²。青藏高原西北部草地AGB较低,东南部草地AGB较高,整体呈现自西北向东南逐渐增加的分布格局。研究结果为准确估算青藏高原草地产草量和碳储量等研究提供重要参考。     

基于机器学习算法的草地地上生物量估测——以祁连山草地为例

草地地上生物量（Aboveground Biomass,AGB）是指导畜牧业生产管理的重要指标,是草畜平衡综合分析的基础。目前,有关祁连山草地AGB反演的研究较少,且多源数据间的尺度差异问题并未得到很好的解决。为了解祁连山草地AGB的空间分布状况,利用Sentinel-2多光谱数据、无人机（Unmanned Aerial Vehicle,UAV）数据以及2021年植被生长期实测草地AGB数据实现了空天地一体化监测,通过决策树回归（Decision Tree Regression,DTR）、随机森林回归（Random Forest Regression,RFR）、梯度提升决策回归树（Gradient Boosting Regression Tree,GBRT）以及极致梯度提升（eXtreme Gradient Boosting,XGBoost）共4种算法反演草地AGB的适用性分析,利用最优模型反演了祁连山草地的AGB空间分布状况。结果表明：研究区内多种植被指数所表现出的特性有所差异。祁连山地区AGB在空间分布上呈现出由西北向东南递增的趋势,平均AGB为925.43kg/hm²。6种植被指数与实测AGB之间均表现为显著正相关,适合作为祁连山草地AGB遥感反演的指标;XGBoost模型较其它模型具有最高的R²值（0.78）和精度（74.75%）、最低的均方根误差（RMSE,99.74 kg/hm²）和平均绝对误差（MAE,71.60 kg/hm²）,模型反演效果最好;UAV数据能够提供更加详细的空间细节特征,减小Sentinel-2数据和实地采样数据间的尺度差异;因此,基于6种植被指数与祁连山草地AGB间的相关性,构建XGBoost模型反演研究区草地AGB空间分布状况是具有实践意义的。研究结果将为指导祁连山草地畜牧业的发展和维护草地生态系统的平衡提供一定的参考价值与数据支撑。     

基于PROSAIL混合反演模型的MODIS LAI产品改进及评估

叶面积指数（Leaf Area Index,LAI）是定量陆地生态系统中光合作用、呼吸作用、蒸腾、碳和养分循环等过程中物质与能量交换的重要结构参数。目前大、中尺度的气候和生态水文建模使用的LAI产品主要来源于中分辨率成像光谱仪（MODIS）,但由于其反演过程中的不确定性因素导致MODIS LAI产品在部分地区存在质量问题。以青海省复杂植被地区为研究区域,基于实地考察与采样验证了区域内MODIS LAI所存在的质量问题分布,并揭示了不确定因素的影响。与此同时,提出了一种基于PROSAIL模型与深度神经网络（DNN）的混合建模技术,针对MODIS LAI生成机制中地表分类数据、地表反射率数据和反演算法的不确定性进行改进,并基于青海省大范围实测LAI数据评估了改进前后产品的准确度,实测数据的验证结果发现：改进模型的LAI准确度（RMSE=0.48,R²=0.64）显著高于MODIS LAI （RMSE=0.71,R²=0.56）,预测结果与实测结果之间的偏差显著减少;区域尺度上,柴达木荒漠植被低覆盖典型区域、三江源高寒草甸中覆盖典型区域与青海湖牧场草地高覆盖典型区域的RMSE分别提高了0.19、0.10、0.54,改进方法有效解决了MODIS LAI产品中高覆盖植被饱和效应导致的高估以及低覆盖植被未检索导致低估的质量问题,改进结果分布连续,更符合真实植被状况。基于以上研究,充分证明了研究方法对MODIS LAI产品的改进具有可靠性,能够在缺少实测样本数据的情况下有效提高MODIS LAI的质量,为全球植被环境监测与生态建模提供重要的数据支持。     

2000-2015年宁夏草地净初级生产力时空特征及其气候响应

草地是宁夏陆地生态系统的重要组成部分,估算其净初级生产力（NPP）对宁夏草地可持续利用与管理至关重要。采用MODIS数据和CASA模型对2000-2015年间宁夏草地生态系统NPP进行了估算,通过一元线性回归趋势分析、Hurst指数等方法研究草地NPP的时空变化规律及未来演变趋势,并分析草地NPP与气象因子的相关性。结果表明：（1）基于CASA模型的宁夏草地NPP模拟精度高,其估算值与实测多年草地NPP均值具有良好的线性关系（R=0.93,P < 0.01）,与MOD17产品的草地NPP空间分布基本一致。（2）近16 a宁夏草地年均NPP为148.28 g C m^-2 a^-1,且存在波动上升的趋势,其线性增长率为3.84 g C m^-2 a^-1（P < 0.01）。（3）宁夏草地NPP整体处于上升趋势,草地NPP增长的草地面积达98%,且其增率自南向北递减;宁夏草地NPP的Hurst指数在0.27-0.81之间,均值为0.53,大部分草地的NPP变化趋势具有较强同向持续性。（4）在年时间尺度上,宁夏草地NPP主要受降水量的影响,与气温的相关性较弱;在月时间尺度上,生长季草地NPP与月总降水量的相关性高,且不存在时间滞后响应现象,而与月均温的响应则存在1个月的时间滞后性,宁夏大面积分布的干草原与荒漠草原NPP对气温响应滞后是导致这一现象发生的主要原因。     

基于Sentinel-2A影像干旱区棉花叶片SPAD数字制图

植被叶片叶绿素是农业遥感反演的重要参数,叶绿素含量的变化与植被生长环境的胁迫程度、生理变化密切相关,故将植被叶绿素进行实时、动态监测对农业生产极为重要。然而,传统经验模型及叶绿素精准测量存在困难。基于高分辨率的Sentinel-2A数据,在机器学习框架下,利用光谱信息、最适光谱指数和基于PROSAIL辐射传输模型的生物协变量构建3种建模方案（方案1：光谱信息和最适光谱指数联合,方案2：光谱信息和物理模型生物协变量联合,方案3：光谱信息、最适光谱指数和物理模型生物协变量联合）。最终基于优选出的建模方案进行棉花叶片叶绿素相对含量的空间数字制图。结果表明：（1）红边波段参与的最适光谱指数比值植被指数（RVI）与棉花叶片SPAD值相关性最高r=0.767,P^**=0.195;（2）将构建的17个变量进行重要性分析可知,构建的最适光谱指数比值植被指数（RVI）与物理模型生物协变量LAI-Cab对估算模型的精度贡献率较大;（3）建模方案构建植被指数时红边波段被确定为最优波段,在增加精度方面起到决定性作用;通过模型评价标准来分析3种方案可知,预测精度大小顺序为模型方案3 > 模型方案1 > 模型方案2,其中方案3的决定系数R²最高为0.826,即估算模型方案3对棉花叶片SPAD值具有最好的预测能力,可以为干旱区农作物的生理参数反演提供新的思路,为农业安全监测,合理水肥配置提供科学数据支持。     

基于高分辨率遥感影像的北亚热带森林生物量反演

以北亚热带湖北省太子山林场为研究对象,基于高空间分辨率GF-2与SPOT-6卫星影像,提取不同窗口大小下的纹理信息与光谱信息,利用随机森林回归算法,并结合野外实测106块样地的生物量数据,建立不同影像下的太子山林场森林生物量反演模型。结果显示：（1） GF-2和SPOT-6虽然空间分辨率有差异,但是从其不同波段反射率的相关系数（0.75、0.78、0.73、0.61）发现,两种影像的波段反射率具有较高的相关性,说明两者的辐射性能相近;（2）通过分析不同纹理特征对生物量模型的影响,发现均值和对比度纹理参数对生物量反演具有很好的效果。（3）高分辨率的遥感数据在生物量反演中具有较好的表现,且GF-2生物量模型精度（R²=0.88,RMSE=27.11 Mg/hm²）与SPOT-6生物量模型的精度（R²=0.89,RMSE=23.93 Mg/hm²）相近。（4）两种影像对不同森林类型的生物量预测值不存在显著差异,都适合对不同林分类型的生物量进行预测。     

基于MODIS时间序列反射率数据的雷竹林LAI反演

本文以雷竹林为研究对象,基于MODIS地表反射率数据构建了归一化植被指数(NDVI)、比值植被指数(SR)、Gitelson绿色植被指数(GI)、增强型植被指数(EVI)和土壤调整植被指数(SAVI)5种植被指数,并将其与MODIS 7个波段原始反射率数据作为遥感变量,采用逐步回归和相关分析两种方法进行变量筛选,结合LAI实测数据构建了逐步回归和BP神经网络两种模型,对雷竹林生态系统观测站点2014年1月-2017年3月LAI时间系列数据进行反演,并将反演结果与同时期MOD15A2 LAI产品进行对比分析.结果表明: SR为唯一入选逐步回归模型的变量;b₁、b₂、b₃和b₇以及5种植被指数与LAI之间的相关性均达到显著水平,可作为BP神经网络模型的输入变量.使用BP神经网络反演得到的LAI与实测LAI之间的相关性显著,R²为0.71,RMSE为0.34,RMSE_r为13.6%,其R²比逐步回归模型提高了10.9%,RMSE降低了5.6%,RMSE_r降低了12.3%,与MODIS LAI相比,其R²提高了54.5%,RMSE降低了79.3%,RMSE_r降低了79.1%.结合MODIS时间序列反射率和BP神经网络模型能够精确地反演雷竹林LAI,为实现基于遥感技术快速监测区域雷竹林LAI提供可行的方法.     

滇西北森林郁闭度估测模型——基于全球生态系统动力学调查多波束激光雷达数据

探究全球生态系统动力学调查(GEDI)多波束激光雷达数据估测区域森林郁闭度(FCC)的潜力,对于评估森林生态系统状态和林分环境具有重要作用。选取滇西北典型生态脆弱区香格里拉为研究区,以GEDI波形数据为信息源,提取46245个有林地光斑参数,使用经验贝叶斯克里金法(EBK)获取光斑参数在研究区未知空间的连续分布,结合54块实测样地数据,采用支持向量机的递归特征消除法(SVM-RFE)、随机森林(RF)和Pearson分析分别优选特征变量,基于贝叶斯优化(BO)随机森林回归模型(BO-RFR)、贝叶斯优化梯度回归模型(BO-GBRT)和偏最小二乘法(PLSR)研建森林郁闭度最佳估测模型。结果表明:(1)EBK法预测精度高,估测结果可靠,R²:0.20-0.92,RMSE:0.004-2812.912,MAE:0.003-1996.258,MRE:0.007-4.423;(2)基于不同特征优选方法筛选的特征变量和数量略有差异,SVM-RFE 法优选出6个参数(cover、pai、sensitivity、rv_a1、rv_a4、rg_a4)的平均交叉验证精度达0.84,RF法以贡献度5%为阈值筛选出5个参数(cover、pai、pgap_theta_error、modis_treecover、modis_nonvegetated),Pearson法以相关性大于0.3且在0.01水平显著优选出5个参数(cover、pai、rv_a5、rg_a5、pgap_theta_error);(3)不同特征变量优选方法筛选的建模参数研建估测模型精度差异性较大,以SVM-RFE和RF方法优选参数构建估测模型的精度更佳,SVM-RFE方法优选参数研建估测模型精度变化相对稳定,以 RF方法中的BO-GBRT模型为最佳FCC估测模型(R²=0.85、RMSE=0.069,P=86.5%);(4)采用BO-GBRT模型估测研究区森林郁闭度和空间制图,与GEDI pai参数预测的FCC具有较高空间相关性达0.53,FCC均值分别为0.58、0.61,主要分布在0.4-0.7,分别占比65.45%、51.79%。研究区森林郁闭度主要处于中度郁闭,北部区域主要为高度郁闭区,与研究区植被覆盖度的空间分布具有一致性,说明使用GEDI数据估测森林郁闭度的方法具有可行性、结果具有可靠性。研究为使用GEDI数据高效、及时、低成本估测大空间尺度的森林水平结构参数的相关研究奠定了基础。     

基于高光谱数据的互花米草叶片功能性状反演

互花米草成功入侵的关键是其生长繁殖能力以及对环境的适应能力,叶片含水率、相对叶绿素含量、碳氮比、总氮、总磷以及比叶面积等叶片功能性状反应的是互花米草对资源的利用能力以及环境的适应能力。以江苏盐城滨海湿地为研究对象,进行互花米草叶片功能性状与高光谱数据的关系研究。通过对原始光谱数据以及一阶微分转换光谱数据进行主成分分析提取新的主成分变量作为自变量分别建立不同性状的逐步回归、BP神经网络、支持向量机、随机森林4种预测模型,通过比较构建模型的R²以及RMSE选择最优模型,进而基于相关性分析得到的敏感波段构建最优模型,验证其准确性和适用性。研究结果发现：（1）一阶微分数据的建模效果优于原始光谱数据;（2）通过对不同功能性状的预测建模,发现4种模型的预测效果排序为：随机森林>支持向量机>BP神经网络>逐步回归,其中随机森林模型的准确性高、稳定性强,明显优于其他3种模型,而逐步回归模型的效果最差,不适用于互花米草叶片功能性状的高光谱建模;（3）通过对相关性分析得到的敏感波段建立随机森林模型,建模R²均大于0.90,验证R²介于0.73-0.95之间,进一步证实了随机森林模型的准确性和稳定性。研究结果表明,高光谱数据可以作为快速监测互花米草生长状况的有力手段,而随机森林模型可以作为高精度模型实现对互花米草不同叶片功能性状的估测。     

基于HJ1B和ALOS/PALSAR数据的森林地上生物量遥感估算

森林地上生物量的精确估算能够减小碳储量估算的不确定性。为了探寻一种有效地提高森林生物量估算精度的方法,探讨了基于遥感物理模型和经验统计模型估算山地森林地上生物量的方法。首先,基于Li-Strahler几何光学模型和多元前向模式(MFM)进行模型模拟,结合查找表算法(LUT)从多光谱图像HJ1B估算贺兰山研究区的森林地上生物量。其次,采用统计方法建立了2种回归模型:(1)多光谱图像HJ1B进行混合像元分解(SMA),并与雷达图像ALOS/PALSAR进行图像融合建立生物量回归模型;(2)雷达图像ALOS/PALSAR后向散射系数和实测生物量建立了生物量回归模型。用实测数据对3种算法估算结果进行精度验证。研究结果表明:采用几何光学模型和MFM算法估算的森林地上生物量精度最好(决定系数R2=0.61,均方根误差RMSE=8.33 t/hm2,P0.001),其估算地上生物量与实测值一致性较好,估算生物量精度略优于SMA估算的精度(R2=0.60,RMSE=9.417 t/hm2);ALOS/PALSAR多元回归估算的精度最差(R2=0.39,RMSE=14.89 t/hm2)。由此可见,采用几何光学模型和混合像元分解SMA适合估算森林地上生物量,利用这2种方法进行森林地上生物量遥感监测研究具有一定的应用潜力。     

高寒草地生物量变化对归一化物候指数的响应

准确评价草地地上生物量(Above-ground biomass, AGB)对草地资源的可持续利用和保护具有重要意义。以甘南为典型研究区,利用2019—2021年Sentinel-2地表反射率和野外实测地上生物量数据,借助GEE(Google Earth Engine)平台和数理统计方法评价了9种植被指数对高寒草地AGB的估算精度,构建了高寒草地地上生物量反演模型,在此基础上分析了2019—2021年甘南州草地产量的时空动态变化。结果表明：在所有植被指数中,归一化物候指数(Normalized difference phenology index, NDPI)与草地AGB的R²值最高(0.72),其次为归一化植被指数(normalized difference vegetation index, NDVI)(R²=0.68),拟合效果最差的为增强型植被指数(enhanced vegetation index, EVI)(R²=0.37)和差值植被指数(different vegetation index, DVI)(R<...     

Estimation of aboveground biomass using in situ hyperspectral measurements in five major grassland ecosystems on the Tibetan Plateau

Aims There are numerous grassland ecosystem types on the Tibetan Plateau. These include the alpine meadow and steppe and degraded alpine meadow and steppe. This study aimed at developing a method to estimate aboveground biomass (AGB) for these grasslands from hyperspectral data and to explore the feasibility of applying air/satellite-borne remote sensing techniques to AGB estimation at larger scales.Methods We carried out a field survey to collect hyperspectral reflectance and AGB for five major grassland ecosystems on the Tibetan Plateau and calculated seven narrow-band vegetation indices and the vegetation index based on universal pattern decomposition (VIUPD) from the spectra to estimate AGB. First, we investigated correlations between AGB and each of these vegetation indices to identify the best estimator of AGB for each ecosystem type. Next, we estimated AGB for the five pooled ecosystem types by developing models containing dummy variables. At last, we compared the predictions of simple regression models and the models containing dummy variables to seek an ecosystem type-independent model to improve prediction of AGB for these various grassland ecosystems from hyperspectral measurements.Important findings When we considered each ecosystem type separately, all eight vegetation indices provided good estimates of AGB, with the best predictor of AGB varying among different ecosystems. When AGB of all the five ecosystems was estimated together using a simple linear model, VIUPD showed the lowest prediction error among the eight vegetation indices. The regression models containing dummy variables predicted AGB with higher accuracy than the simple models, which could be attributed to the dummy variables accounting for the effects of ecosystem type on the relationship between AGB and vegetation index (VI). These results suggest that VIUPD is the best predictor of AGB among simple regression models. Moreover, both VIUPD and the soil-adjusted VI could provide accurate estimates of AGB with dummy variables integrated in regression models. Therefore, ground-based hyperspectral measurements are useful for estimating AGB, which indicates the potential of applying satellite/airborne remote sensing techniques to AGB estimation of these grasslands on the Tibetan Plateau.     

基于带宽优选地理加权回归模型的深圳市植被碳储量反演

植被碳储量估测是自然资源监测的重要内容,遥感技术结合地面样地进行反演可以获得区域范围内植被碳储量的空间连续分布,弥补了传统人工抽样调查估测的不足。然而,现有的参数和非参数遥感估测模型大多忽略了样地数据的变异与空间自相关关系。研究以Landsat 8 OLI影像为数据源提取遥感变量,结合植被碳储量实测调查数据,利用最小信息准则(AICc)、最大空间自相关距离(MSAD)和交叉验证(CV)分别确定最优带宽,组合Gaussian、Bi-square和Exponential核函数构建地理加权回归(GWR)模型估算深圳市植被碳储量,并与多元线性回归(MLR)进行比较,选择最优模型绘制深圳市植被碳储量空间分布图。研究结果表明,GWR模型整体精度优于MLR模型,GWR模型的决定系数(R~2)均高于MLR模型,且均方根误差(RMSE)和平均绝对误差(MAE)显著降低。带宽和核函数的选择对GWR模型估测结果产生了显著影响。以CV确定带宽、Exponential为核函数组合构建的GWR模型效果最佳,其R~2为0.697,RMSE为10.437 Mg C/hm~2,相比其它模型精度上升了13.87%—32....     

星载大光斑LiDAR与HJ-1A高光谱数据联合估测区域森林地上生物量

以吉林省汪清林业局经营区为研究区,利用HJ-1A/HSI高光谱数据和ICESat-GLAS波形数据,估测区域森林地上生物量。从平滑后的GLAS波形数据中提取波形长度W和地形坡度参数TS,建立GLAS森林最大树高估测模型;从GLAS波形数据中提取能量参数I(植被回波能量Ev和回波总能量E之比),建立GLAS森林郁闭度估测模型;利用GLAS估测的森林最大树高和森林郁闭度联合建立森林地上生物量模型。由于GLAS呈离散条带状分布,无法实现区域估测,因此研究将GLAS波形数据与HJ-1A/HSI高光谱数据联合,基于支持向量回归机算法实现森林地上生物量区域估测,得到研究区森林地上生物量分布图。研究结果显示,基于W和TS建立的GLAS森林最大树高估测模型的adj.R~2=0.78,RMSE=2.51m,模型验证的adj.R~2=0.85,RMSE=1.67m。地形坡度参数TS能够有效的降低地形坡度的影响;当林下植被高度为2m时,得到的基于参数I建立的GLAS森林郁闭度估测模型效果最好,模型的adj.R~2=0.64,RMSE=0.13,模型验证的adj.R~2=0.65,RMSE=0.12。利用森林最大树高和森林郁闭度建立的森林地上生物量模型的adj.R~2=0.62,RMSE=10.88 t/hm~2,模型验证的adj.R~2=0.60,RMSE=11.52 t/hm~2。基于支持向量回归机算法,利用HJ-1A/HSI和GLAS数据建立的森林地上生物量SVR模型,生成了森林地上生物量分布图,利用野外数据对得到的分布图进行验证,验证结果显示森林地上生物量估测值与实测值存在很强的线性关系(adj.R~2=0.62,RMSE=11.11 t/hm~2),能够满足林业应用的需要。因此联合ICESat-GLAS波形数据与HJ-1A高光谱数据,能够提高区域森林地上生物量的估测精度。     

森林生物量遥感降尺度研究

森林生物量是评价全球碳氧平衡、气候变化的重要指标。目前已有基于星载激光雷达数据的全球森林生物量产品,但空间分辨率较低,不能很好地满足小区域森林调查和动态监测的需要。针对这一现状,以美国马里兰州两个森林分布状况不同的区域为研究区,基于CMS(Carbon Monitoring System)30 m分辨率和GEOCARBON 1 km分辨率森林地上生物量产品以及TM等数据源,通过升尺度模拟低分辨率生物量数据和直接使用低分辨率产品两种方式,分别尝试建立了多光谱地表参数和低分辨率森林地上生物量之间的统计关系,以此作为降尺度模型实现了森林地上生物量空间分辨率从1 km到30 m的转换,并对降尺度结果进行精度评价和误差分析。结果表明:模拟数据降尺度后的30 m分辨率森林地上生物量空间分布和CMS森林地上生物量分布状况大致相同,RMSE=59.2—65.5 Mg/hm~2,相关系数约为0.7;其降尺度结果优于GEOCARBON产品直接降尺度结果RMSE=75.3—79.9 Mg/hm~2;相较于线性模型,非线性模型能更好地呈现森林地上生物量和地表参数间的关系;总体上,降尺度生物量呈现高值区低估,低值区高估的现象。