随着3S技术的发展,将遥感影像数据与地面调查数据相结合,建立蓄积量估测模型的方法解决了传统蓄积量测定方法的诸多不足,并得到了广泛应用。本研究以北京市为研究区域,将高分一号(GF-1)遥感影像数据、DEM数据、森林资源一类清查数据相结合,探究遥感纹理特征对森林蓄积量估测的影响,同时建立基于三种森林类型蓄积量的多元线性回归模型、BP神经网络模型和支持向量回归模型,通过比较三种不同方法建立的模型的精度,寻求更可靠的蓄积量估测方法。主要研究内容和结论如下:(1)探究了遥感影像的纹理特征对蓄积量估测的影响。以GF-1卫星数据为数据源,提取了光谱特征、地形特征以及纹理特征,以北京市阔叶林为例,采用多元线性回归方法,构建了不加纹理特征和加入纹理特征的蓄积量估测模型,并对比分析两种模型的精度。结果表明,两种模型中加入纹理特征的模型精度高于不加纹理特征的模型。其中,不加纹理特征的蓄积量估测模型的决定系数R~2为0.52,均方根误差RMSE为10.51m~3/ha;加入3×3窗口纹理特征的蓄积量估测模型的R~2为0.55,RMSE为10.34m~3/ha。(2)探究了高分影像的不同纹理窗口对蓄积量估测的影响。以北京市阔叶林为例,提取了基于五种窗口(3×3、5×5、7×7、9×9、15×15)的纹理特征,并分别将其与光谱特征和地形特征相结合,采用多元线性回归的方法构建了五种基于不同窗口纹理特征的蓄积量估测模型,并对比分析五种模型的精度。结果表明,五种模型中基于7×7窗口纹理特征构建的蓄积量估测模型精度最高,决定系数R~2为0.56,均方根误差RMSE为10.22m~3/ha。(3)构建了基于纹理特征的北京市三种森林类型的蓄积量估测模型。将高分一号卫星数据提取的光谱特征、地形特征以及7×7窗口纹理特征相结合,通过多元线性回归方法和两种基于机器学习的BP神经网络和支持向量回归算法,分别构建了北京市针叶林、阔叶林和混交林的蓄积量估测模型,并对比分析三种方法下建立的模型的精度。结果表明,三种建模方法中,基于机器学习的支持向量回归优于BP神经网络和传统的多元线性回归。同时三种森林类型中,混交林蓄积量估测模型优于阔叶林和针叶林的蓄积量估测模型,其中混交林的SVR模型的决定系数R~2为0.75,均方根误差RMSE为11.02m~3/ha。