森林生物量是衡量生态系统生产力的重要指标,也是研究森林生态系统物质循环的重要基础。随着遥感技术的快速发展,影像数据参与森林生物量反演的方法与手段日益推广和完善。山地地区地形复杂,运用传统生态学方法进行大区域的生物量测量耗时长、受限较大,在该区运用遥感数据反演生物量具有重要的现实意义。在遥感反演过程中,地形起伏对像元生物量影响显著,而目前生物量反演研究中的地形校正主要为地表辐射校正,较少关注地形因素引起的像元实际地表面积和投影面积差异,而这种差异将直接导致植被生物量估算结果的偏差。本研究以重庆市酉阳县为例,以GF-1 WFV数据和DEM数据为基础,结合影像因子和地形因子建立酉阳县针叶林生物量反演模型。在此基础上,结合地表面积计算方法和物质守恒定律,得到地形辐射校正基础上的针叶林实际地表生物量,并且定量地分析和讨论了地形起伏对酉阳县针叶林生物量估算的影响,旨在探讨GF-1WFV数据在反演针叶林生物量信息等方面的潜力,同时也为研究区内的林业资源管理、生态系统研究工作以及林业生态工程实施提供理论依据与参考。主要研究结果包括:(1)结合GIS空间分析,得到研究区的实际地表面积。影像地形校正后,单位像元面积最高值为965平方米,校正前后像元面积变化量最高达709平方米,约为影像像元单位面积的2.7倍。高值区域主要为酉阳县两大高盖地及南部山区,低值主要集中在地形较平坦、坡度较小的东部平坝区,与研究区地形起伏特点大体一致。(2)在SPSS软件平台上分析了41种影像因子、5种地形因子与针叶林生物量的相关性。结果表明,3*3窗口下,GF-1 WFV影像红光波段生成的纹理信息与生物量信息相关性总体较低,而影像近红外波段、近红外波段生成的均值纹理、差值植被指数和修正型植被指数与生物量信息的相关性显著。(3)对遥感影像进行分类实验,包括最大似然法监督分类和BP人工神经网络分类两种。分类结果显示,与基于统计理论的传统监督分类方法相比,人工神经网络在数据信息不完备的情况下,依然能够在模式识别、知识处理等方面获得较理想的效果。加入近红外波段correlation纹理的三层BP人工神经网络总体分类精度为86.62%,比传统监督分类的精度增加了9.38%。与基于统计理论的传统监督分类方法相比,人工神经网络方法是获取GF影像地物空间分布信息的更佳途径。(4)利用多元线性逐步回归分析得到基于影像和地形因子的地面生物量反演模型,模型的相关系数为0.853。利用模型分别反演三维尺度与二维尺度上的像元生物量,研究结果表明,地形校正前后,单位像元面积上的生物量变化最大值为258.5t/hm2,研究区针叶林地表实际生物量总值比校正前增加了431423.98t/hm2,生物量变化比率为8.54%,地形对生物量遥感反演精度的影响不可忽视。