准确的探究东北地区森林地上碳密度分布情况,对中国东北地区的森林生态系统的监测,以及对量化森林生态系统中的碳循环规律有重要意义。然而在目前森林地上碳密度及生物量的研究阶段,对其分布的估算方法并不固定,且方法之间不同的模式对预测结果的能力及不确定性均有差异。因此本文以东北地区主要森林区为例,探究了深度神经网络模型与多源遥感数据结合的思想,对研究区的森林地上碳密度分布潜力进行估算,并从模型角度对影响森林碳密度积累的气候因子进行了讨论。主要工作和发现如下:(1)建立了深度神经网络的DNN模型,对包括遥感,气候和地形在内的37个多源遥感数据进行了特征变量的降维和整合,并对之前收集和整理的森林清查数据的坐标信息与之匹配,通过不同的数学变换,使其与DNN模型的输入变量形式相适应。通过对模型结果的验证表明,深度神经网络结构对森林地上碳储量的模拟是可行的。同时DNN模型具有较高的R2值,为0.84,以及较低的RMSE为2.44 MgC ha-1。相比于其他两种机器学习模型SVM和RF算法,以及仅有浅层神经网络结构的ANN模型来讲,DNN的验证结果均在四种模型之间表现优秀。这个结果表明,利用深度结构模型对森林碳密度的预测结果,要精准于非深度结构模型,这对实现森林碳密度的准确量化具有重要意义。(2)通过对东北地区的森林地上碳密度的分布来看,利用本研究所建立的DNN模型方法对东北地区森林地上碳储量估计值为2.43 PgC,平均森林ACD约为47.27 MgC ha-1。通过对其他陆地碳密度分布的陆地生态系统模型(Trendy)数据所模拟的东北地区森林地上碳密度结果的对比发现,两种估计结果相差不大。在空间分布的泛化角度上,DNN模型预测结果的分布特征大致表现为自南向北随纬度的增加,森林地上碳密度的值随之下降,位于南部的长白山地区的森林地上碳密度累积量要高于位置较北的大小兴安岭地区。同时在整个东北地区,阔叶林的累积量也要高于针叶林的累积量。这种分布特征同时也对先有的Trendy的森林地上碳密度的空间分布结果进行了验证,为进一步的评估提供了基础。然而通过对不确定性的空间分布的计算时发现,DNN模型在海拔较高的山地地区存在相对较高的不确定性,通过分析发现,出现这种现象的原因可能与崎岖地形影响森林地上碳密度分布的不确定性有关。(3)从模型角度进行所参与模型训练的特征变量,对模型预测结果的决定作用的重要性评估后发现,在影响森林地上碳密度积累的气候变量中,最湿润月份的降水量变量重要性最高为15.8%,而在温度控制的气候变量中,年平均温度为重要性最高的变量为10.81%。这个结果验证了之前学者通过数学模型所计算的,平均温度和季节降水对森林ACD分布的贡献最大的结论,同时也证明了DNN模型对特征变量识别能力的可靠性。在最湿润月份的降水量和年平均温度同时控制的森林地上碳密度分布规律下,发现两种变量对森林地上碳密度的分布具有明显的非线性交互作用。且在未来气候变化的趋势下,当温度升高和季节性降水增加时,东北地区的森林地上碳密度累积量的峰值将呈现下降趋势。