森林物候是指森林植物受气候和其它因子影响而形成的以年为周期重复出现的生长发育节律,包括植物的发芽、抽枝、展叶、开花、结果、落叶和休眠等过程。森林物候变化不仅反映了生物圈对气候变化的动态响应,还影响了生态系统的能量交换、水文循环、初级生产力、碳储量以及植被分布,因此监测森林物候动态具有重要的理论意义和实践指导价值。传统的物候观测是基于物候观测网络进行的,这种方式的结果难以在广阔的森林地区实施。遥感技术的发展使得连续长时间、大地域范围内的物候监测成为可能。现有的大尺度的森林物候监测主要由高时间频率、粗空间分辨率的传感器执行。然而这类传感器在小区域尺度、高异质性景观中因存在大量的混合像元,会给物候监测带来严重误差。中等空间分辨率的传感器如Landsat由于其相对长的重访周期（16天）,使得每年的物候监测面临巨大的挑战。当前的物候研究区域主要集中于中高纬度植被区,对亚热带高原森林物候研究尚显不足。此外物候参数在森林经营管理方面的应用价值的进一步挖掘有待强化。本研究以大理白族自治州东部为研究区,结合多源数据,在30 m的空间尺度下刻画森林年物候参数,并基于物候参数实现森林树种组的空间制图和估测森林地上生物量。具体地,本文的研究目标是:（1）改进多源中等分辨率遥感数据的整合方法,增加观测频率,以及改进每日影像生成的合成模型,进而生成每日30 m空间分辨率的合成影像;（2）基于每日合成影像,发展一套适应性强的森林年物候监测框架;（3）建立考虑物候参数、图像合成模型系数的森林树种组分类和生物量制图模型。本文主要研究内容和结果归纳如下:（1）改进了Landsat和Sentinel-2的整合（光谱归一化）方法。本研究重新定义Landsat和Sentinel-2地表反射率（Surface Reflectance,SR）的整合系数,提高不同传感器之间的光谱匹配度。改进的Landsat和Sentinel-2间逐波段的回归模型显示:Sentinel-2和Landsat8之间以及Landsat 7和Landsat 8之间的逐波段反射率的决定系数均是Blue波段的R~2最低,SWIR2波段的R~2最高。经过一系列整合,调整后得到的Landsat 7和Landsat 8所有波段之间的SR RMSE相比于整合前稍微下降,而整合后的Sentinel-2与Landsat 8之间的SR RMSE要明显小于整合前的SR RMSE,表明两类传感器之间的SR差异变小。整合后的Landsat系列和Sentinel-2系列的像元反射率随时间呈现更有规律的周期性变化,表明整合后数据更有利于森林的季相节律分析。（2）改进了多源遥感数据的长时间序列合成图像构建方法。发展和改进连续变化检测和分类（Modified Continuous Change Detection and Classification,MCCDC）模型,该模型平衡了模型精度和计算效率需求,同时在考虑土地覆盖变化的情况下,合成每日SR遥感影像。计算Landsat 5,7和8这三类传感器四季的合成图像与原始图像的R~2来评估合成精度,结果表明在三类传感器中,Landsat 8的合成效果最好,这可能是因为不同传感器之间的整合是以Landsat 8为参考数据。冬季的R~2值普遍较高,夏季的R~2较低,这是因为冬季获取的影像数量比较多,夏季相对较少的原因所致,因为越多的观测影像越有利于模型的拟合。对于波段而言,可见光波段的R~2值通常低于剩余的3个红外波段,尤其是蓝色波段R~2最低,原因是较短的波长比较长的波长更容易受到大气的影响,导致时间序列中的SR值不稳定。目视比较合成图像与原始Landsat SR假彩色图像,合成图像成功刻画了多种地物类型。因此本文提出的MCCDC模型提供了每日的清晰合成影像,使得在30 m分辨率下监测年际物候成为可能。（3）执行了30米分辨率上的森林年际物候的动态监测及其对气候变化的响应分析。首先评估两种长时间序列分类算法在1999年到2019年的森林覆盖制图方面的能力:（i）MCCDC参数耦合支持向量机（Support Vector Machine,SVM）和森林二类调查数据,以及（ii）植被变化追踪算法（Vegetation Change Tracker,VCT）。结果表明基于MCCDC系数的森林制图精度要高于VCT,VCT算法并不适用于夏季多云地区的森林变化分析。此外最优模型显示研究区的森林面积不断下降。接下来基于每日合成影像,采用不同指数,使用逻辑回归方程刻画了森林的年物候期—生长季开始期（Start of Season,SOS）、生长季结束期（End of season,EOS）和生长季长度（Length of Season,LOS）,并分析了森林物候对气候变化的响应。研究结果显示发现基于地表水体指数（Land Surface Water Index,LSWI）提取的森林物候参数精度最高,这可能是因为LSWI使用的是NIR和SWIR1波段,这两个波段在合成精度方面较高。基于最优指数提取的物候参数表明:大多数SOS均值分布在第110-135天,EOS均值分布大于第330天,LOS均值分布在200-225天。从1999到2019年,绝大多数森林区域的SOS和EOS呈现延长趋势,二者平均每年延迟0-0.5天。绝大多数森林的LOS呈缩短趋势,平均每年缩短0-0.5天。最后本文使用偏相关系数分别分析了干湿季平均气温和总降水量对森林物候期的影响。结果显示干湿季气温与SOS/EOS呈现正相关关系,干湿季总降水量与SOS/EOS呈现负相关关系。其中干季的气象因子与SOS的相关性要强于湿季,湿季的气象因子与EOS的相关性要强于干季。这表明SOS延迟主要是因为干季气温增加和总降水量下降导致,EOS延迟是因为湿季气温增加以及SOS延迟驱动。（4）基于物候参数、模型系数进行了森林树种组制图及构建光学-雷达-物候参数的森林地上生物量（Aboveground Biomass,AGB）估算模型的构建。以3-4年的时间间隔,比较不同输入变量和机器学习算法对森林树种组分类的影响。结果显示基于MCCDC系数和物候参数的分类算法要优于传统的光谱分类算法。将MCCDC系数和物候参数确定为最优输入变量后,对比两种机器学习算法SVM和随机森林（Random Forest,RF）,研究发现基于SVM的森林树种组分类效果要略优于RF的分类效果。最终基于MCCDC系数和物候参数的SVM算法实现整个研究区的森林树种组制图,结果显示松类面积＞栎类面积＞核桃面积＞其它森林树种面积。此外,本文比较了森林树种分类建模前后,不同变量组合和机器学习算法对森林AGB估测的影响。结果显示分森林树种组构建的光学-物候-雷达模型可以提高AGB模型精度,并且RF的验证精度大于随机梯度上升（Stochastic Gradient Boosting,SGB）和SVM的验证精度,这是因为重要性变量是基于RF算法的特征重要性命令得到的,另外SGB涉及的参数设置要多于RF,模型的性能可能因这些参数选择不同而有差异。因此,考虑森林树种组分类建模下的光谱变量、MCCDC系数、物候参数和雷达变量的RF算法构建了AGB时间序列图谱。AGB制图结果显示将近一半研究区域的AGB处于30-55t/ha,表明研究区总体森林质量偏低,但是研究区AGB的平均值,标准差和总量都在呈现增加趋势,表明森林质量呈现逐年提升的状态。随着SOS和EOS的延迟,LOS缩短,松类和栎类的AGB在上升,而核桃的AGB在减少。本文提出的综合研究框架为常年多云天气的亚热带高原地区物候监测提供了新思路,成功实现了该地区中等分辨率下的森林年际物候动态演变格局分析,完成了考虑物候特征和模型系数并分树种组建模策略的AGB制图任务。这些产品重构了当地森林分布和物候特征的变化趋势,有助于研究人员和管理者更好地了解森林及其健康状态的演变过程,为提出更合理的森林经营策略提供了技术支持和数据基础。