生物量是森林生态系统的一项重要指标，准确估测区域生物量一直是森林生态功能评价的研究重点与热点。近年来，利用遥感数据结合地面调查样地构建生物量估测模型广泛应用，不同数据源特征变量的选择与估测模型的选择是生物量估测的关键。因此，选择合适的数据特征变量和估测模型对建立华北落叶松生物量估测模型具有极大意义。 本文以内蒙古自治区赤峰市旺业甸实验林场为研究区域，基于机载LiDAR点云数据、GF-6遥感影像数据和40块25m×25m落叶松样地数据，分别使用主动遥感数据、被动遥感数据以及联合两类遥感数据探索构建华北落叶松生物量估测模型。通过随机森林—递归消除法进行重要性评价，皮尔森相关系数法进行相关性分析来筛选特征变量，建立基于参数模型与机器学习模型的华北落叶松生物量估测模型，通过对比分析不同模型的估测精度获得最优的生物量估测模型。 论文的主要结论如下: （1）不同数据源的特征变量在估测落叶松生物量时相关性显著不同。本文以LiDAR高度变量、强度变量和GF-6遥感影像植被指数、纹理因子等为基础变量，通过随机森林—递归消除法与皮尔森相关系数法对特征变量进行筛选，结果表明LiDAR特征变量中的高度变量、GF-6特征变量中的纹理因子变量相比其他类型变量对生物量估测贡献度更高。 （2）分别利用多元线性逐步回归模型、机器学习（随机森林、支持向量机和BP神经网络）模型对华北落叶松生物量进行建模，其中，机器学习模型估测结果明显高于多元线性逐步回归模型，随机森林模型估测精度最高:R2为0.93,RMSE为8.37t/hm2,MAE为8.86t/hm2，是所有生物量模型中建模估测精度最高的一种方法。 （3）基于LiDAR数据、GF-6数据以及机载LiDAR数据和GF-6遥感影像的融合数据构建模型，并对所构建的模型进行精度比较，结果表明基于融合数据的随机森林生物量估测模型精度最高，比所有采用单一数据源的模型精度都高。融合两类遥感数据对华北落叶松生物量模型进行估测可以有效提高估测精度。
NETL
