森林地上生物量是评估森林固碳能力重要指标,对于维持森林生态系统的稳定至关重要。人工林作为我国南方地区森林资源的重要组成部分,快速精准获取地上生物量信息对于碳汇计量和生态效益评估具有重要意义。遥感技术的广泛应用,使得大范围森林生物量精准高效估算成为可能。机载高光谱遥感数据凭借高空间、高光谱分辨率的特点,能够获取森林冠层丰富的光谱信息和空间结构信息,进而可以估算森林生物量。机载LiDAR数据可以刻画森林三维结构特征,能够提供与生物量相关的垂直结构信息。基于两种数据源的特点,本研究选取广西南宁市高峰林场为试验区,以杉木、松树、桉树和其他阔叶树为研究对象,利用机载LiDAR和高光谱数据,研究两种数据融合的方法,分别建立基于单一数据源和两种数据融合的森林地上生物量模型,实现分树种的森林地上生物量高精度估算,为碳储量评估与森林生态系统评估提供数据基础。主要研究结论如下:（1）机载LiDAR数据构建并优选区分树种的生物量估算模型从林木冠层结构、点云结构、点云密度和地形特征四个方面共提取63个特征变量,分别筛选四个树种（杉木、松树、桉树和其他阔叶树）的重要特征变量,建模方法选择多元逐步回归、岭回归、主成分回归和非线性回归四种方法。特征变量筛选结果表明多数是与高度相关的点云结构特征,非线性模型建模精度最高（R~2分别为0.9、0.98、0.56和0.79）,验证精度最低（R~2分别为0.09、0.13、0.11和0.32）。线性模型中多元逐步回归模型建模精度最好（R~2分别为0.23、0.72、0.72和0.48）,验证精度较好（R~2分别为0.19、0.76、0.71和0.40）。从模型形式和模型精度上综合考虑,使用多元逐步回归方法构建各树种地上生物量模型更为适宜。（2）机载高光谱数据特征变量提取与生物量估算模型构建使用小波变换和边缘检测算法提取变换后的光谱特征和纹理特征,加上原始波段光谱反射率特征、光谱导数特征、光谱波段换算后的植被指数和纹理特征,共提取11类特征集。初次筛选使用随机森林方法分别筛选11类特征的重要性特征并用多元逐步回归方法构建各树种地上生物量模型。第二次筛选将初次建模精度高于0.5的特征变量融合后再次筛选,建立各树种地上生物量模型。两次特征筛选结果表明原始光谱反射率特征、光谱导数特征和小波变换后的纹理特征对森林地上生物量起决定作用。杉木、松树、桉树和其他阔叶树经过二次筛选建模后的模型精度为0.89、0.84、0.78和0.89。验证精度有较大差异,精度依次为0.38、0.79、0.03和0.13,RMSE范围在9.67～350.14 t/hm~2之间,误差较大。（3）机载LiDAR与高光谱数据特征级和模型级的融合方法及生物量估算模型构建特征级别的融合使用机载LiDAR和高光谱数据得到的最优特征融合后再次筛选,并构建各树种地上生物量模型。融合结果显示杉木和松树的最优特征来自于机载LiDAR和高光谱数据的特征,桉树最优特征均来自于LiDAR数据,其他阔叶树最优特征均来自于高光谱数据。杉木和松树的建模精度分别为0.78和0.95。验证精度分别为0.44和0.91。RMSE相差不大,分别为11.02 t/hm~2和12.94 t/hm~2。模型级别的融合基于机载LiDAR和高光谱数据建立的各树种地上生物量模型,分别采用熵权法、CRITIC权重法和独立性权重法确定模型权重,将使用单一数据源构建的两种模型进行融合,得到模型加权的各树种地上生物量模型。融合结果显示熵权法对模型融合的效果最好,杉木、松树、桉树和其他阔叶树建模精度依次为0.89、0.944、0.811和0.88。验证精度依次为0.45、0.904、0.001和0.22,说明桉树模型存在严重的过拟合问题。经过各树种不同地上生物量模型的对比,可以得出,杉木地上生物量最优模型是基于模型级别融合后构建的模型,松树最优模型是基于特征级别融合后构建的模型,桉树最优模型是基于LiDAR数据构建的模型,其他阔叶树最优模型是基于高光谱数据构建的模型,各树种的最优模型精度均在0.7以上。本研究表明不同树种适合的融合方式不同,应针对具体树种特征进行数据融合方式的选择。总体上,使用两种数据源估测森林地上生物量对针叶林的效果更好,阔叶树中桉树地上生物量使用机载LiDAR数据的精度最高,表明树高信息对桉树地上生物量的估测起主要作用。其他阔叶树的地上生物量估测精度主要与高光谱图像的小波变换垂直纹理特征相关。经过特征筛选和模型比较,最终得到各树种地上生物量估算模型的形式更简单,估测精度都有很大提升。研究表明提出的各树种地上生物量估测模型具有很高的可应用性,可为森林监测和生产应用提供参考。