森林作为地球陆地生态系统中面积最大、最重要的自然生态系统,在维持全球生态平衡,促进全球生物进化和群落演替等方面起到了至关重要的作用。森林参数作为森林生态系统最基本的数量表征,能够反映森林与环境间物质循环与能量流动关系,是评估森林碳源和碳汇的重要标志。森林冠层高度和地上生物量作为两种重要的森林参数,对其区域分布进行定量化研究可以为评估森林生态系统的健康状况发挥重要的理论和现实意义。传统的森林冠层高度和地上生物量测量方法主要以人工野外实地调查的方式获取,该方法费时费力并很难应用于大区域森林调查。遥感作为20世纪末发展起来的新兴学科,正在以独特的观测视角为森林参数的定量估测提供新的研究方法。光学遥感影像具有空间分布连续性,能够提供多样化的光谱信息,可为区域尺度森林参数反演提供相应的遥感特征扩展因子。但是其信号穿透能力差,只能获取被测物体的二维平面光谱信息;激光雷达作为近些年迅速发展的主动式遥感技术,对森林冠层有着较强的穿透能力,能够获取森林垂直结构分布。机载激光雷达以一种自上而下的扫描方式的对地物进行观测,其获取的三维点云能够精确描述森林的三维结构特征,被广泛应用于林分森林参数估测。然而,其数据获取成本较高,容易受天气条件的限制,很难覆盖大区域。星载激光雷达ICESat/GLAS的激光传感器被安置在卫星上,对陆地表面进行光斑采样,这些属性使得其有更大的数据覆盖范围,并且可以定期重复观测。由于GLAS的大光斑属性,在地形变化较大区域,其光斑范围内波形形状易受地形影响而产生畸变,从而使得GLAS光斑森林参数估测产生偏差。因此,如何充分发挥不同遥感数据源的优势,在不同空间尺度(林分,光斑和区域)进行森林参数反演成为本文研究的重点内容。本文在其他学者研究的基础上,以中国东北部主要森林覆盖区大兴安岭地区为例,开展了基于多源遥感数据的不同空间尺度森林参数反演的方法研究,主要从以下三个方面开展:1)林分森林参数反演:利用机载LiDAR点云数据反演林分森林冠层高度,利用融合机载LiDAR特征和Landsat TM影像纹理特征的方法反演林分地上生物量;2)GLAS光斑森林参数反演:利用星载GLAS波形参数和SRTM地形数据建立地形校正模型反演GLAS光斑森林冠层高度,利用GLAS光斑森林冠层高度以及GLAS波形参数反演GLAS光斑地上生物量;3)区域尺度森林参数反演:利用GLAS光斑森林参数反演结果作为训练样本,MODIS标准产品作为扩展因子,FAO生态分区为建模分区标准,SVR模型作为空间建模方法,对区域尺度森林冠层高度和地上生物量进行反演。本研究取得的主要研究成果如下:(1)通过对针叶林、阔叶林和混交林的机载LiDAR点云冠层分布特征进行分析,得到以下结论:针叶树种的冠型呈圆锥形分布且顶端尖细,点云冠层剖面变化较为明显,冠顶和冠层下方的激光点分布较少;阔叶林由于冠顶面积较大,能够截获较多激光点,从而使得点云的冠层分层现象减弱;混交林林下灌木较为复杂,且没有明显地扰动迹象,相比于其他纯林,在0~5m的高度上也出现了较多的激光点,且冠层点云剖面变化较为平缓。基于这种明显的冠层点云分布特征,使得机载LiDAR的点云特征能够准确反映森林冠层高度。(2)根据点云的高度分布特征,得出利用机载LiDAR点云生成的CHM对森林冠层高度响应较好。由于CHM的空洞效应,利用改进后的高斯卷积滤波方法对CHM进行平滑处理,取得了较好的平滑效果。利用实测样地Lorey’s高和算术平均高对平滑后的CHM进行精度验证,样地Lorey’s高和CHM提取的森林冠层高度更加接近,并且阔叶林的验证精度最高,R~2=0.74,RMSE=1.14m,G=93%。(3)通过比较单一光学影像纹理特征,单一机载LiDAR点云特征和融合影像纹理特征和机载激光LiDAR点云特征的林分地上生物量建模结果,得到绿光波段对森林地上生物量的差异性反映较弱,建模精度较低,红光波段7×7窗口的建模精度最高,R~2=0.72,RMSE=20.53t/ha,主要由于较大的运算窗口致使像素间的差异性被放大,从而导致建模精度较高;机载LiDAR点云特征建模精度随着高度分位数的逐渐升高呈正态分布趋势,其中H50的建模精度最高,R~2=0.74,RMSE=20.01t/ha;融合影像纹理特征和点云特征的建模精度相较于单一变量有了一定程度的提高,并且不同森林类型模型所保留的遥感因子存在较大差异,混交林建模精度最高R~2=0.76,RMSE=20.13t/ha。(4)GLAS波形会随着地形的影响出现展宽效应,通过引入地形坡度和光斑直径等因子,提出了一种改进后的GLAS光斑森林冠层高度地形校正方法。改进后的地形校正模型可以有效减小坡度对GLAS光斑森林冠层高度的影响,不同坡度等级的RMSE稳定在3.26~3.88m之间。阔叶林光斑的验证精度最高,其验证RMSE和验证精度G分别为1.80m和89%。(5)综合利用GLAS光斑森林冠层高度、GLAS波形后沿长度Trailing、波形前沿长度Leading和波形长度We等因子,结合多元线性回归模型对GLAS光斑森林地上生物量进行估测。建模R~2和RMSE均没有随着坡度等级的升高而降低,并且验证精度与建模精度保持了较好的一致性。与林分地上生物量的验证精度相比,不同森林类型的验证精度变化趋势较为一致,但GLAS光斑森林地上生物量模型验证精度有所降低。(6)利用机器学习的支持向量回归算法,结合GLAS光斑森林冠层高度结果和MODIS遥感特征,对区域尺度森林冠层高度进行SVR建模。不同核函数最优模型参数取值差异较大,RBF核函数的建模精度以及时间复杂度都要优于其他核函数。由于生态分区分布范围的差异性,使得一些生态分区的MODIS遥感特征不能准确反映此分区的森林生长状况,导致不同生态分区SVR模型建模R~2和MSE相差较大。与多元线性回归的模型相比,除了Ba生态区,其他生态分区SVR模型的估测RMSE相对较小。利用不同类型的验证数据对区域尺度森林冠层高度估测结果进行验证,各个验证结果之间存在较好的一致性。(7)结合MODIS遥感特征和区域尺度森林冠层高度结果,以GLAS光斑森林地上生物量作为训练样本,对区域尺度森林地上生物量进行SVR建模。与只用MODIS遥感特征建模结果相比,引入区域尺度森林冠层高度变量后,模型的拟合程度有了较为明显的提高,并且针叶林和混交林模型的建模精度的增加幅度较为明显。与区域尺度森林冠层高度模型精度相比,针叶林、阔叶林和混交林森林地上生物量模型在不同生态分区的建模精度较为一致。