本文以现代空间科学及计算机科学为基础，根据少量地面样地对应的遥感(RS)和GIS信息，采用非线性理论建立以像元为单位的森林郁闭度及蓄积定量估测方程和神经网络模型，借助仿真方式预报估测区域非样地对应像元的蓄积，通过像元积分，实现森林总蓄积估测。主要研究内容、方法及结论如下： 主要研究内容： (1)以遥感和GIS信息为基础，确定森林蓄积定量估测变量的设置，筛选影响蓄积估测的主要变量： (2)传统最小二乘原理及线性模型用于森林蓄积定量估测存在的缺陷； (3)异常值及复共线性对蓄积估测造成的不利影响及克服方法： (4)遥感区域大小对空间配准及蓄积估测的影响，GPS卫星定位技术在蓄积估测中的应用； (5)地面样地对应的遥感信息及GIS因子的提取方法； (6)以“3S”为基础的森林蓄积定量估测所需最低地面调查工作量的确定； (7)GPS坐标与国家80、北京54及独立坐标间的转换模型及转换精度； (8)神经网络在蓄积定量估测中的应用； (9)落实到地段的森林蓄积定量估测； 主要研究方法： (1)用岭迹分析及平均残差平方和准则筛选影响蓄积估测的主要因子； (2)用岭估计及稳健估计测估测森林郁闭度及蓄积； (3)用改进的BP神经网络进行森林蓄积定量估测； (4)用径向基网络研究落实到地段的森林蓄积定量估测； 主要研究结论： (1)以少量地面样地对应的遥感和GIS信息为基础，建立以像元为单位的森林郁闭度及蓄积估测方程，可有效预报森林总蓄积及郁闭度。 (2)在影响蓄积估测的遥感和GIS信息中，遥感信息是基础，郁闭度、有林地、坡向、海拔等GIS因子也起非常重要的作用。遥感信息和GIS信息相结合，才能有效进行蓄积定量估测。 (3)采用岭迹分析及平均残差平方和准则有效解决了影响郁闭度及蓄积估测主要变量的筛选问题。能从较多可能影响郁闭度及蓄积估测的遥感和GIS因子中，选择主要影响因子，剔除没有影响或影响很小的因子，使所建估测方程的稳定性、可靠性及预报精度得到较大提高。 (4)通过实例验证了抽取传统方法30％～40％左右的样地，就能有效估测森林郁闭度及总蓄积。 (5)无论是采用岭迹分析还是平均残差平方和准则，所选变量间可能存在一定程度的 摘要夏广线性，当影响蓄积估测的主要变量问存在复共线关系时，直采用岭估汁代曾卜S估汁，建立森休郁闭度及蓄积估测方程。 （6）岭估汁是有偏估计，只有当影响郁闭度及蓄积估测的主要变量问存在比较严重的夏共线性时才宜采用，否则会使估测精度降低。使用岭估计时，岭参数的选择主要以岭迹法为主，以总预报偏差相对误差最小法作参考。稳健估计可改善异常值对蓄积估测的影响，提高蓄积估测精度。 （7）遥感回像几何精校正精度对森林郁闭度及蓄积估测精度影响较大，饺正精度愈高，郁闭度及蓄积估测精度就愈高。 （8）若采用 卜50000 比例尺地形图进行几何精校正，由于受地物点测绘误差、地形图上列点误差。图解误差、遥感图像上对点误差及不同图幅地形图误差积累的影l响，对整幅TM遥感图像进行几何精校正，从理论上分析很难达到一个像元以内的精度要求。为有效提取建立估测方程所用样地对应的遥感信息，遥感图像几何精校正精度应达到一个像元以内的要求，为此需对整幅TM图像进行分块校正。 （9）根据统计学原理，用于建立郁闭度及蓄积估测方程的样地数不能太少。但因在相对较小的区域内，森林群落的类型比较接近，综合考虑这2种因素及生产效率，通过实验研究，在实际生产中应将整幅TM遥感图像等分成4块，对每块单独进行校正，并进行森林资源定量估测。 （仰 Gamnn－12XL手持式GPS卫星定位接收机在林区定位速度快，精度高、稳定性好。利用手持式卫星定位接收机测定一定数量的校正点及地面调查样地中心的坐标．可保证建立估测方程所用样地对应遥感信息的有效提取，以提高估测精度。 （＊利用神经网络研究以遥感和GIS为基础的森林郁闭度定量估测，无需事先确定估测摸型。设计3层BP网络，利用少量样地对应的遥感和GIS信息作为网络输入，以相应样地对应的郁闭度作为期望输出，采用改进的BP算法对网络进行训练，根据训练结柬后的网络，借助仿真方式可有效估测森林郁闭度，精度满足生产要求。 （ID若采用BP网络，无论是估测郁闭度还是蓄积，都必须设计3层网络，且第1、二层神经元转换函数宜采用“ hos吟’。输出层神经元转换函数，郁闭度估测直采用“ IOgS。g”；蓄积估测直采用“purelln’。 （l）当根据少量地面调查样地对应的遥感和GIS信息训练网络时，无需采用任何数学方法筛选主要信息，神经网络能自动从冗余信息中提取有用信息。因此，采用神经网络可避免信息筛选造成的有用信启、损夫。训练神经网络的输入信息必须进行中心标准化。 （＊ 因林旺或小班范围相对较小，森林类型、分布等因素比较稳定，用神经网络建立蓄积估测预报网络模型?