森林生物量是评价森林固碳能力和生态价值的重要参数。虽然遥感技术已经广泛的用于森林生物量的定量估测,但将不同传感器与不同建模算法有效的结合起来提高生物量估测精度的研究目前仍然很少。本研究基于不同遥感数据(Landsat TM数据、ALOS PALSAR L-波段数据以及二者的结合)和不同建模算法(人工神经网络(ANN)、支持向量回归(SVR)、随机森林(RF)、K最近邻(KNN)和线性回归(LR))在植被分层和不分层的情况下,对亚热带地区森林进行了生物量估算。结果表明:(1)Landsat TM数据的估测结果(均方根误差范围27.7–29.3 Mg/ha)优于ALOS PALSAR数据(均方根误差范围30.3–33.7 Mg/ha)。基于ANN和SVR算法使用TM与PALSAR数据结合的估测结果(均方根误差为27.6 Mg/ha和28.2Mg/ha)与单独使用TM数据的结果(均方根误差为27.7 Mg/ha和28.2 Mg/ha)相似,RF和KNN算法在数据结合时的估测结果变差(均方根误差分别由28.4 Mg/ha和28.3 Mg/ha增加至30.3 Mg/ha和30.8 Mg/ha),而线性回归的结果略有改善(均方根误差由29.3Mg/ha降低至27.7 Mg/ha)。(2)使用光学数据(Landsat TM)或雷达数据(ALOS PALSAR)进行生物量估测时,生物量低估和高估现象依然是一个主要问题。(3)当生物量范围处于40-120Mg/ha时,线性回归总体较好。总体上来说,机器学习算法只能有限的提高生物量估测精度,但当生物量值高于120Mg/ha时,ANN算法能有效提高模型精度(生物量在120-160Mg/ha时,均方根误差由34.2Mg/ha降低至29.1Mg/ha;生物量大于160Mg/ha时,均方根误差由61.0Mg/ha降低至50.2Mg/ha)。(4)森林类型与生物量范围是影响生物量估测模型的重要因素。(5)森林分层建模能有效改进生物量估测模型,尤其是生物量高于160Mg/ha时,使用线性回归的估测精度提高较多(均方根误差由的58.6Mg/ha降低至41.5Mg/ha)。本次研究通过综合分析不同数据源、建模算法以及森林类型,为亚热带森林生态系统基于遥感的生物量建模方式提供了新的见解。收集足够的样本、提取合适的变量、选择合适的建模算法以及结果评价方式是建立最优生物量估测模型的重要程序。