森林蓄积量是森林资源监测的重要指标之一,其定量估测具有十分重要的意义。因此,本研究融合Sentinel-1雷达遥感影像、Sentinel-2光学遥感影像、数字高程模型(Digital Elevation Model,DEM)、森林资源二类调查等多源数据,使用机器学习算法构建估测模型,以小班为研究单元进行森林单位蓄积量估测,获得更有效的更低成本的森林资源蓄积量估测方法。主要结论如下:(1)Lasso特征选择方法有效减少了特征数量,加快了模型训练速度、提高了模型泛化能力,并使模型具有更好的解释性。(2)Cat Boost模型在淳安、临海两地的森林蓄积量估测中均取得较好表现,在四个模型中综合表现最优,证明其具有较好的普适性。(3)类别特征变量的加入有效改善了模型各项性能指标。在单一遥感源和多遥感源实验中,类别特征加入后,模型指标均有不同程度改善。(4)雷达遥感数据进一步优化了森林资源蓄积量估测模型。未加入类别特征的情况下,研究区(临海和淳安)Cat Boost估测模型的MAPE分别为21.63%和32.60%,明显优于未加入雷达遥感的估测模型的24.07%和36.70%。加入类别特征的情况下,加入雷达遥感的Cat Boost估测模型的MAPE分别为16.20%和20.37%,也明显优于未加入雷达遥感的估测模型的21.03%和22.57%。