森林是陆地生态系统的重要组成部分,但由于受气候变化影响,其生长变化会影响生态系统的能量交换、碳循环和水循环。因此,区域尺度的森林地上生物量遥感估测是林业遥感领域的一个研究热点。由于传统的参数统计模型不能有效地描述森林地上生物量与遥感特征变量之间的非线性关系,所以出现了一些非参数化方法,如k-最近邻法(k-NN)、人工神经网络(ANN)和支持向量回归机(SVR)等模型应用于森林生物量的遥感估测。本文以高寒山区香格里拉市作为研究区,以森林生态系统4种典型森林类型(高山松林、云南松林、栎类林和云冷杉林)作为研究对象,以Landsat 8 OLI数据为信息源,结合地面调查角规控制样地,在前期借助MATLAB平台实现k-NN算法和基于遗传算法(Genetic Algorithm,GA)优化的k-最近邻模型实现的基础上,优化k-NN模型参数组合,针对k-NN法的地上生物量估测模型中样本数量大小的不确定性展开了分析与探讨,建立了基于优化的k-NN模型的森林地上生物量遥感估测技术流程。主要研究成果如下:(1)针对传统k-最近邻法在搜索最近邻单元时赋予特征变量相等的权重,缺少对特征变量加权优化等不足问题。在MATLAB平台上自主编写算法,实现了遗传算法优化的k-最近邻模型,并对k-NN的3个参数(k值,t值和d距离度量方式)进行反复测试优化组合,建立并实现了基于优化k-NN的森林地上生物量遥感估测技术流程。主要算法包括k-NN回归算法和遗传算法:其中,k-NN算法采用留一法交叉验证,利用欧式距离计算特征空间的相似性;遗传算法优化模型的主要操作有进制转换、选择、交叉、变异和适应度值计算等。(2)对Landsat 8 OLI图像进行辐射定标、大气校正和3×3窗口均值滤波等预处理后,提取了像元的光谱特征、纹理特征以及地形因子共计306个空间特征变量用于森林地上生物量估测建模的备选参数。然后,分析了不同树种遥感特征变量与地上生物量间的Pearson相关性,筛选具有强相关性的变量作为建模因子。相关性分析显示,地上生物量与光谱特征和地形因子间的相关性弱,与纹理特征间的相关性强。(3)为探讨定量遥感反演中样本数量的不确定性,本文基于地统计学半变异函数理论、k-NN模型和留一法交叉验证,分析了不同的样本数量对模型精度的影响。结果显示,模型的精度随着样本数量的增加趋向于稳定,样本数量的合理范围介于60到70之间,总体上呈现的规律:当样本数<60时,模型精度不稳定,波动大;当样本数>60时,模型精度波动减小,并趋向于稳定。最后,利用最小二乘法求解出高山松和云冷杉模型精度最佳时的样本数量分别为72和65。(4)基于优化的k-NN模型实现了香格里拉市森林地上生物量估计及空间反演。优化k-NN模型提高了地上生物量的预测精度,云南松、云冷杉、栎类、高山松4个树种的估测相对标准误差RMSE%分别为52.81%、41.64%、48.57%、44.66%。同时,以像元为单位,估测得到研究区高山松林地上生物量为1.21×10~7Mg,云冷杉林地上生物量为2.911×10~7Mg,栎类林地上生物量为1.30×10~7Mg,云南松林地上生物量为0.68×10~7Mg,并绘制了森林地上生物量空间分布等级图。