将遥感影像与地面调查数据相结合,从遥感影像中提取与森林蓄积量有关的遥感变量并构建森林蓄积量估测模型是目前森林蓄积量获取的主要趋势。随着遥感技术的愈发成熟,通过遥感影像进行远距离、大尺度的森林蓄积量估测将会是代替人工实地调查的必要手段。在众多遥感数据中,光学遥感数据的研究实践最长,技术积累最多,数据源最丰富,数据性能最稳定。但由于成像原理的不同和传感器技术条件的限制,单一光学传感器获取的遥感数据无法全面的反映目标的地面特征,局限性较强。如果将同一地区、同一时间的多源遥感影像加以智能化合成,产生相比单一数据源更精确、更全面、信息量更丰富的全新遥感数据,在森林蓄积量估测方面可以得到更可靠的估测结果。本文以内蒙古旺业甸林场为研究区,以2017年9月在研究区调查的76个标准地作为研究样本,结合同时期的GF-2和Landsat8 OLI遥感数据,并将两种遥感数据通过BROVEY、GRAM-SCHMIDT、NNDiffuse三种不同的方法进行融合,利用融合后的遥感数据与所调查的地面样本构建随机森林(Random Forest,RF)、支持向量机(Support Vector Regression,SVR)、K 最近邻(K Nearest Neighbors,KNN)、人工神经网络(Artificial Neural Networks,ANN)和多元逐步回归(Multiple Stepwise Regression,MSR)五种回归模型对旺业甸林场森林蓄积量进行估算,从而分析两种数据在森林蓄积量估算上的潜力,通过比较各种融合数据以及融合前两种数据的蓄积量估算结果,得到两种数据在蓄积量估测方面的最佳融合方法以及最佳融合波段,同时比较五种回归模型并分析各个模型对森林蓄积量的估算能力,之后基于五种模型的估测结果开发了一种集成回归模型,并根据单一模型与集成模型的估测结果绘制了旺业甸林场的蓄积量分布图以及蓄积量估测不确定性分布图。主要研究结果有:(1)融合最佳波段组合。利用GF-2与Landsat8作为数据源,构建4种机器学习回归模型及1种传统线性经验模型对旺业甸林场进行森林蓄积量估测,其最佳估测结果来自Brovey融合方法下的蓝光波段与Landsat8融合所构建的SVR回归模型,决定系数(R2)为0.56,相对均方根误差(RRMSE)为26.4%,绝对偏差(MAE)为 57m3/hm2。(2)支持向量机回归模型具有较好的森林蓄积量估测效果。研究中采用了 5种蓄积量估测模型,其中4种机器学习模型对蓄积量的估测能力均优于传统的线性模型,尤其以支持向量机回归模型在所有的数据中均表现最好,其估测结果的均方根误差在26%-29%之间。(3)GF-2的全色影像与Landsat影像融合对蓄积量的估测并没有起到很好的作用,在NNDiffuse融合方法中其结果最好,相对均方根误差为32.1%,比融合前的估测结果分别高了 0.5和1.4个百分点,由此可见GF-2的全色数据与Landsat8数据融合对于蓄积量的估测起到了相反的作用。(4)三种数据融合方法中,BROVEY融合方法在蓄积量估测均取得最佳的估测精度,在蓝、绿、红三种可见光与Landsat8融合时,GRAM-SCHMIDT融合数据的蓄积量估测结果要优于NNDiffuse融合,而在近红外和全色波段融合时,NNDiffuse 则比 GRAM-SCHMIDT 表现更好。(5)通过方差分析确定加入集成分析的模型为支持向量机(SVR)、K最近邻(KNN)和随机森林(RF)三个回归模型。将各模型决定系数加权平均的方式进行集成分析,得到的结果并不是优于所有的模型,但集成回归模型可以取得比所有模型都稳定的估测结果,通过三种模型的估测结果与集成分析得到的旺业甸林场森林蓄积量估测不确定性分布图并结合林场的林相图可以看出,旺业甸林场内大部分针叶林区域三种模型的估测均较为稳定,相比之下,针阔混交林以及部分非林地,三种模型的估测结果存在较大差异,此部分区域本次研究并不能稳定的估测出其蓄积量。