[1] 李卓凡. 兴安落叶松林生物量与碳储量的研究[D]. 呼和浩特: 内蒙古农业大学, 2013.
[2] 曹 荞, 岳彩荣, 李圣娇, 等. 森林生物量估测进展[J]. 林业调查规划, 2015, 40(6):22-25.
[3] 郑冬梅. 三峡库区森林生物量和碳储量的遥感估测研究[J]. 遥感信息, 2013, 28(5):95-98.
[4] Potapov P, Li X, Hernandez-Serna A, et al. Mapping global forest canopy height through integration of GEDI and Landsat data[J]. Remote Sensing of Environment, 2021, 253: 112-165.
[5] Nelson R, Margolis H, Montesano P L, et al. Lidar-based estimates of aboveground biomass in the continental US and Mexico using ground, airborne, and satellite observations[J]. Remote Sensing of Environment, 2017, 188: 127-140. doi: 10.1016/j.rse.2016.10.038
[6] 池 泓, 黄进良, 邱 娟, 等. GLAS星载激光雷达和Landsat/ETM + 数据的森林生物量估算[J]. 测绘科学, 2018, 43(4):9-16.
[7] 秦　磊. 基于ICEsat-2星载激光雷达光子云数据反演森林冠层高度方法研究[D]. 哈尔滨: 东北林业大学, 2020.
[8] Chopping M, Moisen G G, Su L, et al. Large area mapping of southwestern forest crown cover, canopy height, and biomass using the NASA Multiangle Imaging Spectro-Radiometer[J]. Remote Sensing of Environment, 2008, 112: 2051-2063. doi: 10.1016/j.rse.2007.07.024
[9] 李德仁, 王长委, 胡月明, 等. 遥感技术估算森林生物量的研究进展[J]. 武汉大学学报(信息科学版), 2012, 37(6):631-635.
[10] Zhang J K, Rivard B, Sanchez-Azofeifa A, et al. Intra and inter-class spectral variability of tropical tree species at La Selva, Costa Rica: Implications for species identification using HYDICE imagery[J]. Remote Sensing of Environment, 2006, 105: 129-141. doi: 10.1016/j.rse.2006.06.010
[11] Korhonen L, Korpela I, Heiskanen J, et al. Airborne discrete-return LiDAR data in the estimation of vertical canopy cover, angular canopy closure and leaf area index[J]. Remote Sensing of Environment, 2011, 115: 1065-1080. doi: 10.1016/j.rse.2010.12.011
[12] Peduzzi A, Wynne R H, Fox T R, et al. Estimating leaf area index in intensively managed pine plantations using airborne laser scanner data[J]. Forest Ecology and Management, 2012, 270: 54-65. doi: 10.1016/j.foreco.2011.12.048
[13] 庞 勇, 李增元, 陈尔学, 等. 激光雷达技术及其在林业上的应用[J]. 林业科学, 2005, 41(3):129-136.
[14] 曹 林, 佘光辉, 代劲松, 等. 激光雷达技术估测森林生物量的研究现状及展望[J]. 南京林业大学学报(自然科学版), 2013, 37(3):163-169.
[15] Straub C, Dees M, Weinacker H, et al. Using airborne laser scanner data and CIR orthophotos to estimate the stem volume of forest stands[J]. Photogrammetrie, Fernerkundung, Geoinformation, 2009, 30: 277-287.
[16] Lefsky M A, Cohen W B, Spies T A. An evaluation of alternate remote sensing products for forest inventory monitoring and mapping of Douglas-fir forestsin western Oregon[J]. Canadian Journal of Forest Research, 2001, 31: 78-87. doi: 10.1139/x00-142
[17] Hese S, Lucht W, Schmullius C, et al. Global biomass mapping for an improved understanding of the CO2 balance-the Earth observation mission Carbon3D[J]. Remote Sensing of Environment, 2005, 94: 94-104. doi: 10.1016/j.rse.2004.09.006
[18] 边　瑞. 基于多源遥感数据的祁连山国家公园森林生物量估算研究[D]. 兰州: 兰州大学, 2021.
[19] 巨一琳, 姬永杰, 黄继茂, 等. 联合LiDAR和多光谱数据森林地上生物量反演研究[J]. 南京林业大学学报(自然科学版), 2022, 46(1):58-68.
[20] Juan G H, Adrián P. Using GEDI Lidar data and airborne laser scanning to assess height growth dynamics in fast-growing species: A showcase in Spain[J]. Forest Ecosystems, 2021, 8: 182-198.
[21] 韩明辉, 邢艳秋, 李国元, 等. GEDI不同算法组数据反演森林最大冠层高度和生物量精度比较[J]. 中南林业科技大学学报, 2022, 42(10):72-82.
[22] Xu L, Shu Q, Fu H, et al. Estimation of Quercus Biomass in Shangri-La Based on GEDI Spaceborne Lidar Data[J]. Forests, 2023, 14: 876. doi: 10.3390/f14050876
[23] Dubayah R, Blair J B, Goetz S, et al. The global ecosystem dynamics investigation: High-resolution laser ranging of the Earth’s forests and topography[J]. Science of Remote Sensing, 2020, 1: 100002. doi: 10.1016/j.srs.2020.100002
[24] 朱笑笑. 基于ICESat-2和GEDI数据的中国30米分辨率森林高度反演研究[D]. 北京: 中国科学院大学: 2021.
[25] 王金亮, 程鹏飞, 徐 申, 等. 基于遥感信息模型的香格里拉森林生物量估算[J]. 浙江农林大学学报, 2013, 30(3):325-329.
[26] 曹 军, 张加龙, 肖庆琳, 等. 基于随机森林和蒙特卡洛的高山松地上碳储量估测及不确定性分析[J]. 林业科学研究, 2023, 35(3):131-139.
[27] 云南省森林资源调查管理处[M]. 云南省主要树种材积生长率表. 1982.
[28] 胥　辉, 张子翼, 欧光龙. 云南省森林生物量和碳储量估算及分布研究[M]. 昆明: 云南科技出版社, 2019.
[29] Yan P, Peng H, Yan L, et al. Spatial variability of soil physical properties based on GIS and Geo-Statistical methods in the Red Beds of the Nanxiong Basin, China[J]. Pol J Environ Stud, 2019, 28: 2961-2972. doi: 10.15244/pjoes/92245
[30] 王铭鑫, 范 超, 高秉博, 等. 融合半变异函数的空间随机森林插值方法[J]. 中国生态农业学报(中英文), 2022, 30(3):451-457.
[31] 赵彦锋, 化全县, 陈 杰. Kriging 插值和序贯高斯条件模拟的原理比较及在土壤空间变异研究中的案例分析[J]. 土壤学报, 2011, 48(4):856-862.
[32] Qu M, Li W, Zhang C. Spatial distribution and uncertainty assessment of potential ecological risks of heavy metals in soil using sequential gaussian simulation[J]. Human and Ecological Risk Assessment, 2014, 20: 764-778. doi: 10.1080/10807039.2013.770352
[33] Huang J, Liu W, Zeng G, et al. An exploration of spatial human health risk assessment of soil toxic metals under different land uses using sequential indicator simulation[J]. Ecotoxicology and Environmental Safety, 2016, 129: 199-209. doi: 10.1016/j.ecoenv.2016.03.029
[34] 吕晓光, 王德发, 姜洪福. 储层地质模型及随机建模技术[J]. 大庆石油地质与开发, 2000, 19(1):10-16.
[35] Breiman L. Statistical modeling: The two cultures (with comments and a rejoinder by the author)[J]. Statistical Science, 2001, 16: 199-231. doi: 10.1214/ss/1009213725
[36] 方匡南, 吴见彬, 朱建平, 等. 随机森林方法研究综述[J]. 统计与信息论坛, 2011, 26(3):32-38.
[37] 张 雷, 王琳琳, 张旭东, 等. 随机森林算法基本思想及其在生态学中的应用——以云南松分布模拟为例[J]. 生态学报, 2014, 34(3):650-659.
[38] 张茂震, 王广兴, 葛宏立, 等. 基于空间仿真的仙居县森林碳分布估算[J]. 林业科学, 2014, 50(11):13-22.
[39] 岳继博, 杨贵军, 冯海宽. 基于随机森林算法的冬小麦生物量遥感估算模型对比[J]. 农业工程学报, 2016, 32(18):175-182.
[40] 徐辰星, 濮励杰, 朱 明, 等. 基于序贯高斯条件模拟的土壤重金属含量预测与不确定性评价 ——以宜兴市土壤Hg为例[J]. 土壤学报, 2018, 55(4):999-1006.
[41] Hock B K, Payn T W, Shirley J W. Using a Geographic Information System and Geostaticstics to Estimate Site Index of Pinus radiata for Kaingaroa Forest[J]. N. Z. J. For. Sci., 1993, 23: 264-277.
[42] 韩文洪. 云南省森林资源二类调查中的生长量计算分析[J]. 中南林业调查规划, 2009, 28(4):9-11.
[43] 贾 勃, 王新杰. 东北针阔混交林生物量动态过程及稳定性研究[J]. 林业科学研究, 2023, 35(5):41-49.
[44] 何 潇, 徐奇刚, 雷相东. 气候敏感的落叶松人工林林分生物量模型研究[J]. 林业科学研究, 2021, 34(6):20-27.
[45] 谢福明. 基于优化k-NN模型的森林地上生物量遥感估测[D]. 昆明: 西南林业大学, 2019.
[46] 宋涵玥, 舒清态, 席 磊, 等. 基于星载ICESat-2/ATLAS数据的森林地上生物量估测[J]. 农业工程学报, 2022, 38(10):191-199.
[47] Victoria A H, Maragatham G. Automatic tuning of hyperparameters using Bayesian optimization[J]. Evolving Systems, 2021, 12(1): 217-223. doi: 10.1007/s12530-020-09345-2