生态森林是陆地生态系统的主体,其蕴含着巨大的固碳能量,在全球碳循环中扮演着重要角色,对于热量、水汽以及气候都具有良好的调节作用。随着对森林生物量估测研究的进展,将光学、雷达数据联合使用对于森林参数的提取及生物量的估测具有较大的发展空间与潜力。本文主要围绕森林生物量的估算,以重庆市南川区为研究区,将光学数据Sentinel-2和雷达数据Sentinel-1相结合,初步提取出77个特征值,经过Pearson相关性分析,共筛选出15个因子参与建模,使用了多元线性回归、BP神经网络、支持向量机三种生物量估算建模方法,对比分析了基于单源数据和多源数据的估算精度,最后根据最优反演模型构建了南川区森林生物量空间分布图。本研究取得的成果与结论如下:(1)光学数据Sentinel-2和雷达数据Sentinel-1中的纹理因子均对生物量估算具有较好的敏感性,在生物量估测研究中发挥出较大的潜力。基于Sentinel-1数据构建的多元线性回归、BP神经网络、支持向量机森林生物量反演模型,其R~2分别为0.295、0.5449、0.499,RMSE分别为49.78 t/ha、49.43 t/ha、49.87 t/ha;基于Sentinel-2数据的生物量反演模型,模型的R~2分别为0.495、0.6495、0.592,RMSE分别为39.97 t/ha、42.88 t/ha、51.4 t/ha。整体来看,基于Sentinel-2数据的生物量反演模型精度高于基于Sentinel-1数据的生物量反演模型。(2)基于Sentinel-1数据和Sentinel-2数据协同反演的森林生物量模型,其多元线性回归、BP神经网络、支持向量机模型反演的R~2分别为0.548、0.8209、0.7347,RMSE分别为37.42 t/ha、32.39 t/ha、41.65 t/ha,研究结果表明,协同反演的生物量反演模型决定系数均高于基于单一数据源反演模型,基于机器学习的BP神经网络、支持向量机建模反演精度略高于多元线性回归模型。(3)通过Sentinel-1和Sentinel-2协同反演的BP神经网络模型制作出了南川区森林生物量分布图。通过统计分析,南川区森林生物总量为1.3×10~7 t,林区内生物量密度多在100-150 t/ha之间,占研究区总面积的19.55%,占生物量总量的48.2%。结合地形因子对生物量进行空间分布分析,其分布特征如下:1)随海拔的升高,生物量密度呈现先上升再下降趋势,海拔1500米以上,生物量密度明显下降。2)随坡度的变化,呈现坡度越大森林生物量密度越高的趋势,研究区生物量占比为斜坡>缓坡>陡坡>急坡>平坡>险坡。生物量主要集中在缓坡、斜坡及陡坡区域,占总生物量的84.12%。3)研究区坡向面积占比相对均匀,生物量密度大小为半阳坡>阴坡>阳坡>半阴坡。生物量占比最高的为半阳坡,占比30.83%,总量为403.04×10~4t;生物量占比最低的为阳坡,占比18.46%,总量为241.36×10~4t。