下载掌阅APP，畅读海量书库
立即打开
LiDAR是高速发射激光束，激光点到达目标物体会反射回激光扫描仪，仪器通过记录发射和返回的激光信号往返的时间而计算空间距离（蔡越，2018）。激光扫描仪搭载的平台有卫星、飞机（含无人机）、汽车和地基，从而有不同载体的LiDAR（程效军等，2014）。由于三维激光扫描技术可以获得目标物的( X , Y , Z )信息和激光回波强度值，在林业测绘中，可提取树木的三维空间结构和回波特征信息。地面LiDAR因操作便捷而应用广泛，包括林业工作者用于林业调查与树木结构参数提取等方面（何培培等2015；卢维欣等，2015；王果等，2015；步国超等，2016），主要是调查样地或单立木的研究工作。而机载LiDAR因其空间的机动性应用于较大尺度的林业资源调查。
Popescu et al.(2003)利用LiDAR和多光谱数据获得单个树木的参数（空间位置、高度和冠幅），使用回归模型计算DBH（Diameter at Breast Height，胸径）和样地面积，根据公式分别计算其生物量和材积。2007年，Popescu et al.(2007)只利用LiDAR测量单株松树参数（如树高和冠幅），使用回归模型估算松树地上生物量、DBH和树干生物量，与实测值相比，相关性分别为93%、90%和79%~80%。Liu et al.(2010)研究机载LiDAR数据中分割单株树木，提取单株树木的树高和树冠，以估算每棵树的生物量，精度在72%以上。Andersen et al.(2014)通过ALS（Airborne Laser Scanning，机载激光扫描）数据提取高树冠区域点云数据的变化，研究伐木区域生物量变化。2017年在瑞典，Egberth et al.(2017)将机载LiDAR数据与地球资源卫星数据相结合，研究坦桑尼亚原始森林的氮含量和林分生物量。
ALS因其空间的机动性应用于较大尺度的森林植被资源调查，通过多次回波获取树木的垂直信息等参数，比较不同时期参数的变化来反映树木的自然生长或人为干扰下的森林响应机制（蔡越，2018）。林学学者Xiao et al.(2010)利用各个时相的机载雷达点云数据分析树木的变化。Réjou-Méchain et al.(2014)从两个时期的机载LiDAR数据中提取树冠和树高中位数分别建立AGB估算模型，通过比较分析实验区两期生物量估算值，得到生物量没有显著变化的结论。
虽然机载LiDAR覆盖范围大，通过多次回波可获得更多的森林垂直信息，但因飞行距离和速度导致点云密度较稀疏，不适合精准测量单立木而多用于分析森林参数区域统计值。而地面LiDAR因测站距离短具有较高的点云密度（上百个点/m 2 ），多用于单棵树木的研究。已有文献中，地面LiDAR技术常被用于监测树冠形状和体积的变化。Liang et al.(2012)为了提取出林中变化的树木，是通过将目标区域分割为体素结构，提取每个体素单元中变化的点云，然后进行几何建模以提取变化树木的胸径和树干位置。Gupta et al.(2015)研究比较分析林下植被在火灾前后的LiDAR数据，将林下植被点云按一定分辨率划分为体素结构，从每个体素包含的点云中提取衡量点云空间分布的指标，定量分析林下植被三维结构的变化。Puttonen et al.(2016)利用时间序列的夜间地面LiDAR数据监测白桦树枝叶的短期变化和估测树冠的垂直生长。Charles et al.(2017)利用地面LiDAR长时间监测落叶林，提取出不同时相的植被面积指数(Plant Area Index, PAI)和垂直植物指数(Vertical Plant Index, VPI)，根据时间系列的点云数据，探讨落叶树枝叶的季节性变化特征。
目前，使用地面LiDAR数据对竹林三维结构进行动态监测的研究非常缺乏。毛竹冠层经常互相重叠，不易从点云数据中将每株单独分离出来，毛竹生长周期短，生长速度快，受人工经营和自然环境影响比较多，例如人工的采伐和冰雪的压覆，因此获取地面LiDAR毛竹林点云数据，提取描述毛竹空间结构的参数，用于样地或单株AGB测算，以取代人工地面调查工作，测算样地AGB有助于结合大尺度遥感数据（如卫星影像）进行毛竹林AGB碳储量的反演。
LiDAR技术是通过快速获取目标物的海量点云数据而得到目标的特征信息，目前主要应用于非森林环境中特定目标的立体模型及空间信息的获取。三维激光扫描技术可直接将各种大型、复杂、不规则、标准或非标准等实体或实景的三维数据进行采集，经过一系列的数据配准、数据滤波、数据空洞修补、数据压缩等，实现对点云数据的处理（蔡越，2018；冯文灏，2002）。另外，三维激光点云数据中的激光回波强度，具有物理特性，可以直接用于精确提取和反演目标材质。增强的点云数据能提供空间位置几何数据，可应用于智能化与精准化目标分类（蔡越，2018；Yan et al.，2012，2015；程小龙等，2015；黄磊等，2009；谭凯等，2014，2015）与特征提取(Carrea et al., 2016; Franceschi et al., 2009; Nield et al., 2015; Teo et al., 2015)。
多时相三维点云的变化监测技术多应用于城市区域建筑物变化检测（Awrangjeb et al.，2015；彭代锋等，2015；唐菲菲等，2016）和地形地貌变化分析(Zhang et al., 2015; Zhou et al., 2009)。要探测或提取变化的区域，常用方法是在不同时相点云数据的基础上，建立相应的数字地面模型，再将这些数字地面模型相减得到高程差值图像，也可以根据需求构建不同时相的数字地表模型(Digital Surface Model, DSM)来处理。Thoma et al.(2005)研究因河岸腐蚀和沉积造成的地表变化，计算河岸坡移率和产沙量，是将两个时相的ALS点云数据生成的数字地面模型(Digital Terrain Model, DTM)相减得到的。Li et al.(2008)使用机载LiDAR数据进行建筑物的模型重建，提取屋顶区域的点云，通过比较震前和震后的点云到屋顶几何面的距离确定被地震损毁的建筑物。Zhou et al.(2009)将机载LiDAR技术应用于海岸的腐蚀和沉积规律研究。Stal et al.(2013)为实现自动化提取建筑物的变化，使用两个时期的机载LiDAR和航空立体影像分别构建DSM并相减，得到差值图像，再利用数学形态学进行运算。Malpica et al.(2013)结合机载LiDAR数据和SPOT卫星影像更新矢量地形图的建筑物信息，识别建筑物区域的变化区域。Anders et al.(2013)利用地形参数从多时相机载LiDAR数据中提取出七种地貌特征并加以比较从而探测地貌变化。彭代锋等(2015)是先滤波处理不同时期的机载LiDAR点云数据，分别生成DSM并相减得到差值图像，再运用形态学方法获得地表变化区域。有研究认为，数字高程模型(Digital Elevation Model, DEM)或DSM相减会因为地物的水平移动引起偏差，在生成DTM和DSM时需要对点云数据进行网格化和平滑处理，也会引起结果的偏差，因此应该直接比较点云数据来检测变化，Zhang et al.(2015)提出了一个各向异性定权ICP算法用于直接比较机载LiDAR点云数据震前、震后的地表形变量。Awrangjeb(2015)先从机载LiDAR数据中提取建筑物边界，再与旧的建筑物边界图进行比较，从而得到发生变化的建筑物。
竹林和非森林目标的空间结构存在着较大差异。目前，机载LiDAR在森林资源调查应用较多，而地基LiDAR测算竹林AGB的研究非常少，尤其是基于多时相点云数据研究竹林AGB自然增长规律，由于受毛竹林经营的影响试验样地自然状态难以持久。因此，地基LiDAR测算竹林AGB的处理方法只能借鉴其他领域中LiDAR数据的处理方法。
机载点云主要研究滤波算法，生成DTM，但仍需人工后期精化和编辑(Sit hole et al., 2004)；融合机载点云与数码相机影像的光谱、纹理特征等语义信息，提高分类精度(Habib et al., 2005)，这方面开展了诸多研究(Guan et al., 2013; Khoshelham et al., 2010)，包括建筑物的分离与分类(Zhang et al., 2006)，距离影像和遥感影像进行分类(Germaine et al., 2011)，支持向量机(Support Vector Machine, SVM)(Secord et al., 2007)、随机森林(Random Forest, RF)(Guan et al., 2013; Guo et al., 2011)等机器学习方法等。车载点云的分类和识别也是研究热点，魏征等(2012)将车载点云转化为特征影像，分类与提取地物目标；Darmawati et al.(2008)利用激光回波强度对车载点云数据的目标进行分类；还有检测与提取城市道路构件如道路行车线(Ogawa et al., 2006)、交通指示牌(Chen et al., 2009)以及树木(Rutzinger et al., 2011)等。地物目标有着明显轮廓，其点云分类识别方法对提取毛竹竹秆的信息有参考价值。
毛竹林由于根系发达，植株密度大，枝叶细密和相互交错，毛竹林冠层郁闭度高，分割单株冠层点云数据是比较困难的。因此其激光点云数据处理方法有着自己的特点，但本书的重点不是毛竹林点云数据的处理方法，而是在样地尺度上，根据毛竹林样地TLS点云数据，利用常用软件获取相关参数，构建毛竹笋AGB模型、冠层生物量模型和竹秆生物量模型，组合成单株或毛竹林AGB模型，由提取毛竹笋和竹秆的几何参数、毛竹冠层点云密度参数和毛竹竹龄参数，构建毛竹林样地点云数据的生物量模型，将地面激光雷达扫描技术引进毛竹林AGB调查，对提高毛竹林样地AGB测量精准度、自动化、数字化等有非常好的应用价值。
目前基于遥感提取竹林信息的研究已经覆盖了全球三大竹区，包括亚洲、美洲和非洲(Bharadwaj et al., 2003; Ghosh et al., 2014; Goswami et al., 2010; Zhao et al., 2018)，其中亚洲竹区的相关研究最多（Linderman et al.，2004；Liu et al.，2018；Mertens et al.，2008；Wang et al.，2009；邓旺华，2009；杜华强等，2008；桂玲等，2012；施拥军等，2008；孙少波，2016）。竹林类型多样，全世界分布有70余属，1200余种，而其中分布面积最多的是毛竹林( Phyllostachys edulis )，其分布面积约占所有竹林的70%（杜华强等，2017），其他竹种研究则相对较少（董德进，2011；付小勇等，2012；王月如等，2019）。掌握毛竹林空间分布信息是毛竹生态系统研究的基础。近几十年来，国内外学者利用遥感手段对毛竹林的空间信息提取开展了大量研究。
遥感数据源是毛竹林信息提取的基础。目前常用的遥感数据源包括光学遥感（多光谱及高光谱）数据，微波雷达数据和激光雷达数据。目前微波雷达遥感和激光雷达遥感用于毛竹林信息提取的研究还较少（陶江玥等，2018；Na gashima et al.，2016），本节主要从光学遥感进行文献综述。
光学遥感数据主要有高光谱遥感和多光谱遥感数据。高光谱遥感具有更高的光谱分辨率，提供更多光谱细节，常用于植被信息提取，近年来也逐渐用于毛竹林信息提取研究（缪丽娟，2011；张莹等，2016）。缪丽娟(2011)对Hyperion EO-1高光谱遥感数据进行降维处理，确定适合识别毛竹林的高光谱特征，结合植被指数和地形信息，进行了毛竹林专题信息提取。研究表明，高光谱遥感能够反映光谱间的细微差距，但是该数据覆盖范围有限，获取较难，数据处理复杂。
目前，进行竹林遥感信息提取时应用最广泛和研究最多的是多光谱遥感，例如可以免费获取且拥有较长时间序列的Landsat系列多光谱数据（丁丽霞等，2006）。多光谱遥感按研究尺度可以划分为大尺度、区域/景观尺度和小尺度。大尺度的毛竹林信息提取研究主要针对国家或世界范围，MODIS数据可以获取全球大范围数据，是目前最常用的数据源（Du et al.，2018；崔璐，2018；崔璐等，2019；俞淑红，2016）。如Du et al.(2018)针对MODIS数据，对森林信息进行最小噪声分类并提取最佳变量，利用决策树分类方法提取了全球范围的竹林信息，分类总体精度达78.8%。崔璐等(2019)通过决策树模型提取2003年、2008年和2014年三期中国竹林分布信息，采用线性最小二乘法混合像元分解得到中国竹林丰度图，三个时期的竹林分类精度均在80%左右。针对区域/景观尺度的毛竹林信息提取，Landsat、Sentinel-2等多光谱影像免费获取，是常用的数据源（桂玲等，2012；Wang et al.，2016；崔瑞蕊等，2011；范少辉等，2012；官凤英等，2010；刘健等，2010；余坤勇等，2009；Chen et al.，2019；Zhang et al.，2019）。官凤英等(2013)针对Landsat TM数据，对比了最大似然法、子像元分类法和光谱特征分类在竹林分类中的效果，三种分类方法总体精度均为76%左右。Wang et al.(2016)选取了临安天目山多期Landsat TM数据，分别利用支持向量机、最大似然法提取了多期竹林空间分布信息。Chen et al.(2016)利用Sentinel-2数据构建了多时相竹林指数，提取了毛竹林的空间分布信息，总体精度达90%。高空间分辨率影像如IKONOS、RapidEye、WorldView、SPOT系列等（高国龙等，2016；孙晓燕，2014；孙晓燕等，2013；颜梅春等，2004），被用于小尺度毛竹林信息提取研究。颜梅春等(2004)对IKONOS数据进行地类提取，其中竹林的分类精度达90%。高国龙等(2016)针对融合后的SPOT5数据，采用CART决策树分类方法，提取了安吉县山川乡的毛竹林信息，分类精度达88%。刘健等(2016)针对ALOS数据，构建了最佳纹理量，分别用像元法和面向对象法提取了顺昌县的毛竹林信息，总体分类精度达到70%。研究表明，高分辨率影像可以反映地物的几何结构和纹理信息，分类精度较高，但是数据成本较高，容易出现“异物同谱”的现象。通过对比，随着遥感数据空间分辨率的提高，毛竹林信息提取的精度也在逐步提高，空间分辨率5m内的毛竹林信息提取精度基本在90%以上(Ghosh et al., 2010; Han et al., 2014)。
随着对地监测技术的发展和进步，遥感传感器类型越来越多，不同的遥感传感器有着其自身的优势，如Landsat拥有更长的时间序列特征和免费的数据获取权限，Sentinel-2数据可以提供10m空间分辨率和三个红边波段，MODIS数据可以获取每日的遥感数据且覆盖范围更广，目前结合多源遥感的优势进行竹林提取的研究也越来越多。Zhao et al.(2018)结合了时间序列Landsat数据和MODIS数据以及地形和气象数据，实现了非洲东部地区毛竹林信息的提取，对比分析了不同月的毛竹林遥感信息提取精度，生产者精度最高达到79.2%。商珍珍(2012)结合Landsat和MODIS数据，首先提取林地信息，然后对林地的归一化植被指数(Normalized Difference Vegetation Index, NDVI)进行MNF变换选取毛竹单元，利用匹配滤波方法提取了长三角地区的竹林丰度信息，利用实际竹林面积进行精度验证，估算面积与实际面积的决定系数达0.85。孙晓燕(2014)结合了Landsat5 TM和SPOT5数据，采用面向对象多尺度分割方法改善毛竹林遥感分类精度，结果表明多源数据融合的竹林分类结果（用户精度为84.7%，生产者精度为87%）优于单一SPOT5（用户精度为78.9%，生产者精度为85%）和单一Landsat5 TM（用户精度为74%，生产者精度为63.4%）的数据分类结果。
归纳起来，目前可用的遥感数据很多，采用单一数据源往往具有局限性，越来越多的学者基于多源遥感数据提取毛竹林信息，集合不同数据源的优势，成为目前基于遥感提取毛竹林信息的重要手段。诸多学者使用多光谱、高分辨率等不同数据源，同时辅以辅助数据，对景观、区域、国家、世界等不同尺度下的毛竹林信息进行了提取，结果表明多源遥感数据结合能够达到更好的提取效果（Zhao et al.，2018；Du et al.，2018；俞淑红，2016；官凤英等，2013；孙晓燕，2014；商珍珍，2012；Han et al.，2013）。
光谱、纹理、时间特征及辅助数据在毛竹林信息提取中发挥着重要的作用。不同森林植被具有不同的生理表现，使其表现出不同的光谱特征，光谱能够反映植被冠层信息，是提取毛竹林信息最基础的变量之一(Goswami et al., 2010; Linderman et al., 2004; Li et al., 2016; Wang et al., 2009)。研究普遍认为，红波段、近红外波段和短波红外是区分毛竹林的有效光谱波段，如Goswami et al.(2010)利用NDVI和归一化水体指数(Normalized Difference Water Index, NDWI)两个指数构建了毛竹林指数(Bamboo Index, BI)，用于区分毛竹林和其他森林类型，分类总体精度84%，Kappa系数为0.79。Sentinel-2(Chen et al., 2019; Li et al., 2019)、RapidEye(Dube et al., 2017)、VENμS(Herrmann et al., 2011)等遥感数据包含红边波段，能够更真实地表达植被从红波段到近红外波段的红边现象，有助于提取毛竹林信息(Chen et al., 2019)。
由于毛竹林与其他森林的光谱特征接近，单纯依靠光谱特征很难有效提取毛竹林信息。诸多研究人员在光谱特征基础上，增加了空间信息和辅助数据提取毛竹林信息（Ghosh et al.，2014；邓旺华，2009；余坤勇等，2009；高国龙等，2016；颜梅春等，2004；Han et al.，2014）。Ghosh et al.(2014)基于WorldView遥感数据，使用主成分第一成分，第二成分和纹理信息，利用支持向量机方法实现印度地区的毛竹林遥感分类，生产者精度达到94%。余坤勇等(2012)针对ALOS数据提出“基于片层—面向类”算法，区分明亮区和阴影区毛竹林片层，利用主成分变化提取最佳纹理，基于面向对象的分类精度达86.4%。研究表明，空间信息和辅助数据的加入能够在一定程度上提高分类精度。
除此之外，时间信息能够反映植被的生长规律，逐渐应用于毛竹林信息提取研究(Zhao et al., 2018; Liu et al., 2018; Zhang et al., 2019; Li et al., 2016)。例如，俞淑红(2016)在常规波段变量的基础上加入了NDVI和增强型植被指数(Enhanced Vegetation Index, EVI)的季节性参数变量，结果显示季节性参数可以提高毛竹林的分类精度，在竹林信息提取中EVI的季节性参数的表现优于NDVI的季节性参数。Liu et al.(2018)选取了不同季节的Landsat 8数据进行组合，变量选用了NDVI、归一化湿度指数(Normalized Difference Moisture Index, NDMI)和纹理信息，分别对比了单季节和多季节、植被指数和植被指数纹理组合在毛竹林分类中的效果，结果显示基于多季节影像的分类精度最高，总体精度达到93%。Wang et al.(2009)研究认为毛竹林在冬季常绿，而易混淆地类（落叶阔叶林、农田等）则会落叶或收获，冬季是毛竹林的最佳分类季节。Zhang et al.(2019)针对Landsat时间序列数据，从NDVI等时间序列植被指数中提取了竹林的物候信息，对比了单季节和多时相影像的分类效果，在GEE(Google Earth Engine)平台提取了海南省的毛竹林分布信息，结果显示竹林遥感分类生产者精度达到88.8%。
选择适宜的分类方法是毛竹林信息提取研究的关键。表1-1总结了毛竹林信息提取中的常用分类方法。根据是否具有先验知识可以分为监督分类和非监督分类两种。监督分类是从遥感影像中选取感兴趣区，利用样本训练分类算法并完成分类，常见的监督分类如最小距离法、最大似然法、光谱角度填图法、马氏距离法等。杜华强等(2008)针对Landsat TM数据，利用最大似然法和光谱角度填图法完成了安吉县北部毛竹林信息提取，分类精度达80%，对于针叶林和阔叶林分类误差较大。该类方法分类效果较好，但要求训练样区具有典型性和代表性训练样本。非监督分类，又称聚类分析法，它对分类影像缺乏先验知识，计算机通过特定统计原理进行判读，将具有相似光谱特征的像元划分为特定地物类别，然后通过分类器完成分类，常见的非监督分类方法有迭代式自组织数据分析技术(Iterative Self-Organizing Data Analysis Technique Algorithm, ISODATA )、 K 均值聚类( K -Means)等算法。官凤英等(2010)针对Landsat TM数据，利用非监督分类方法完成了福建省顺昌县的竹林信息提取，分类总体精度为69%。该方法不需要先验知识，无须人为干预，但需大量分析及后续处理，区分相似地物时精度较差。
表1-1 毛竹林信息提取中的数据、变量、方法及精度
注：PA为生产者精度（Producer's Accuracy），UA为用户精度（User's Accuracy），OA为总体精度(Overall Accuracy)。
随着计算机运算能力的提高，决策树(DT)（杜华强等，2017；高国龙等，2016）、支持向量机（Wang et al.，2016；蔡华利，2009；巩垠熙等，2011）、人工神经网络(Artificial Neural Network, ANN)（Linderman et al.，2004；施拥军等，2008）、随机森林(Liu et al., 2018; Li et al., 2016; Dong et al., 2019)、卷积神经网络(Convolutional Neural Networks, CNNs)(Dong et al., 2019; Watanabe et al., 2018)等非参数分类方法逐渐应用于毛竹林信息提取研究。如Dong对WorldView2数据提取植被指数和纹理信息，结合了卷积神经网络和随机森林两种方法进行分类，分类精度高达96%(Dong et al., 2019)。Watanabe et al.(2018)结合深度卷积神经网络和GEE对日本三个地区的竹林信息进行提取，结果表明分类精度高达97%。机器学习算法能够获取较好的分类精度，分类精度与数据的空间分辨率和样本数量有很大关系，但分类器往往无法解释分类原理。
由于毛竹林属于常绿植被，它的光谱特征与其他常绿植被类似，这增加了毛竹林遥感分类的难度；遥感数据的匮乏导致不能获取毛竹林最佳提取季节影像，传统的遥感数据回访周期长，如Landsat，很少能获得生长周期内的全部数据；毛竹林独特的生理生态特征和大小年现象，造成了毛竹林大年和小年在生长周期内所表现出的林分结构差异和叶色变化。毛竹林自身独特的生理特点和时间序列遥感数据的匮乏给竹林遥感精细分类带来极大挑战。
如何准确地区分毛竹林与其他常绿植被仍存在着不确定性，如何有效区分毛竹林与其他竹林仍是毛竹林遥感分类的难点。因此目前的毛竹林遥感分类还存在以下问题有待解决：①毛竹林大小年在生长周期内光谱特征是如何变化的？毛竹林及大小年分类的最佳分类窗口在什么季节？②相比传统可见光到短波红外的波段信息，植被红边信息是否能够有效改善毛竹林分类精度？③在毛竹林分类中，针对单一或多源的遥感数据时，最优变量该如何选择？
植被物候是对植物生命循环过程的研究(Leith et al., 1975)，传统意义上植被物候常常与特定的生命循环事件（物候期）有关(Verhegghen et al., 2014)，如发芽、展叶、落叶等。自20世纪80年代以来，植被物候的研究已经很多。
目前常用的物候期监测手段可以分为三类，分别是人为可视化监测、近地面监测和卫星遥感监测(Zeng et al., 2020)。人为可视化监测是对独立植物的记录和地面监测，目前国家级的物候监测网已经被广泛应用，如泛欧洲物候监测网(Templ et al., 2018)，美国物候监测网(Amy, 2010)，中国物候监测网(Guo et al., 2015)。人为可视化物候监测可以在单植被或物种尺度提供详细的植被物候信息，但仍存在一定局限性，这些数据往往只代表了一个小区域，而且物候监测的数量受限(Zeng et al., 2020)。近地面监测主要有可见光相机连续监测(Nijland et al., 2016; Vrieling et al., 2018; Wingate et al., 2015)、连续碳通量塔监测(Wu et al., 2013)和多波段传感器监测（如无人机搭载多光谱）(Berra et al., 2019)等。相比于人为可视化监测，近地面监测能够提供高时空分辨率的数据，用于站点级别的物候变化及机理研究(Vrieling et al., 2018)，它是人为可视化和卫星遥感的桥梁，能够提供训练和验证物候数据。近地面监测和人为可视化监测都属于站点级别的地面监测范围，都存在空间监测范围和监测数据不足等局限(Graham et al., 2010; Sonnentag et al., 2012)。
卫星遥感监测技术能够为更大尺度的物候监测提供全球覆盖的数据，它拥有覆盖范围广、空间连续性、时间序列长、较好地监测植被生长发育过程及年际变化等特点，因此在物候研究中得到了广泛的应用(Granguly et al., 2010; Gonsamo et al., 2012; Hmimina et al., 2013; Jin et al., 2014)。目前遥感物候反演的数据源主要由光学传感器和微波遥感为主，其中光学传感器占了约80%以上（刘宇霞，2017）。光学遥感数据主要通过监测地表植被冠层的“绿度”信息获取物候变化，如生长开始期(Start of Growing Season, SOS)、生长结束期(End of Growing Season, EOS)和物候期长短等。如粗分辨率的AVHRR(Heumannet al., 2007; Moody et al., 2001)、MODIS(Tan et al., 2010; Zhang et al., 2003)、SPOT-VEGETATION (Guyon et al., 2011; Zheng et al., 2016)、VIIRS(Zhang et al., 2018; Liu et al., 2017)，中等分辨率的Landsat数据和Sentinel-2数据等。
目前最常用于物候反演的植被指数是NDVI和EVI，还有一些其他的植被指数如基于NDVI变换的叶面积指数(Leaf Area Index, LAI)(Che et al., 2014)，大气抗性植被指数(Atmospheric Resistant Vegetation Index, ARVI)(Fan et al., 2015)，宽动态范围植被指数(Wide Dynamic Range Vegetation Index, WDRVI)(Gitelson et al., 2004)，垂直植被指数(Perpendicular Vegetation Index, PVI)(Guyon et al., 2011)，植被物候指数(Plant Phenology Index, PPI)(Jin et al., 2014)，等等。大量的植被指数被用于植被物候遥感反演，但大多在较小的区域进行研究应用，通过文献统计应用最多的仍是NDVI和EVI。
由于受大气效应及地面冰雪等条件影响，卫星遥感数据提取的时间序列植被指数含有明显的噪声，在提取物候之前需要对时间序列植被指数进行降噪重构。目前去噪方法主要包括三种：经验平滑法、曲线拟合法和数学变换法(Atkinson et al., 2012)。
去噪的第一种方法是经验平滑法，它主要基于经验知识和假设对时间序列植被指数进行平滑处理，通常假设噪声信号会降低植被指数值，且植被指数信号的时间变化是平稳且连续的，例如生长季植被指数的连续上升。基于这种假设，很多平滑方法，如滑动窗口法(Viovy et al., 1992)、移动平均滤波(Ma et al., 2006)、迭代插值法(Julien et al., 2010)、权重变化滤波法(Zhu et al., 2011)等被用于降低植被指数值的噪声。这种传统的经验平滑法的优点是易用，但对经验参数（如噪声值、滑动窗口长度等）敏感，在对时间序列平滑后，仍会在时间序列植被指数数据中以异常峰或谷的形式保留一些残留的噪声。
第二种曲线拟合法是应用数学函数将植被指数时间序列曲线拟合到指定函数，它是目前最常用的物候拟合方法。目前应用最广的曲线拟合法有Logistic函数(Zhang et al., 2003)、改进的Logistic函数(Elmore et al., 2012; Beck et al., 2006; Cao et al., 2015)、非对称高斯函数(Jonsson et al., 2002)、Savitzky Golay(Chen et al., 2004)等。曲线拟合法可以有效地抑制数据噪声，它不需要预先设定阈值或经验约束，使用数学函数来模拟植物生长的时间序列轨迹，是一种较为客观且容易适应各种情况的方法。但从遥感数据导出的时间序列植被指数曲线并不总是规则的曲线，函数拟合的准确性将直接影响物候特征提取的准确性，例如生长季结束时的植被指数下降速度往往比生长季开始时的植被指数上升速度快，有的植被可能出现两个生长季结束下降趋势等，这些因素会给物候期的反演增加更多不确定性。一些学者以增加参数来提高拟合精度，如六参数或七参数的双Logistic函数(Elmore et al., 2012; Beck et al., 2006)拟合效果比四参数的Logistic函数要更好。
第三种数学变换法是基于数学操作将时间序列分解为周期性、趋势、季节性等分量。傅里叶变换(Hermance et al., 2007)和小波变换(Galford et al., 2008; Sakamoto et al., 2005)是最广泛使用于植被物候遥感反演的数学变化法，傅里叶分析通常使用低阶项消除较短周期波动中的噪声，与傅里叶分析相比，基于局部函数的小波变换在频域和时域均能灵活缩放方面具有优势，可以捕获高频可变性(Sakamoto et al., 2005; Mart et al., 2009)。时间序列谐波分析法(Harmonic Analysis of Time Series, HANTS)是对快速傅里叶变换的改进，它不仅可以去除噪声点，而且不需要影像严格的时间序列间隔，它可以处理不等时间间隔的遥感影像数据，在频率和时间系列长度的选择上，HANTS具有更大的灵活性。
物候提取算法通常包括阈值法和变点检测法。阈值法一般是假设当平滑的植被指数值达到特定值时，物候期开始或结束。阈值法包括固定阈值法和动态阈值法两种，固定阈值法是选取固定值作为物候期的开始或结束，如将NDVI值0.17作为生长季节开始的阈值(Myneni et al., 1997)，动态阈值法则是基于时间序列植被指数，选用比率、平均值等作为阈值，例如将植被指数幅度的50%作为生长季开始或结束的阈值(White et al., 1997)。尽管阈值法简单易行，但单一的阈值可能不适用于不同的植物物种或不同的地理位置，例如固定阈值法会对时间序列植被指数中的非植被相关变化敏感，因此可能导致植被物候的错误估计，而动态阈值法可能随着时间推移而变得不稳定，并且对噪声敏感。
变点检测法则是将植被指数的变化点对应的日期作为物候期的开始或结束，例如具有最大导数的拐点、一阶导数的极值、变化曲率等。它假设SOS和EOS可以被确定为植物生长期植被指数的最大变化的开始或结束时间。这些方法的区别在于如何确定这个特殊变化点在时间序列植被指数中的特征。例如，移动平均法是将植被指数时间序列越过由移动平均法建立的模型(Reed et al., 1994)，曲率变化法则是利用曲率变化率在局部达到最大值或最小值确定四个变化日期，最大导数法则是将时间序列植被指数的导数达到最大值和最小值作为生长季的开始和结束(Tateishi et al., 2004)。变点检测法是目前最常用于提取物候信息的方法，但是如果在生长季没有快速增长的情况下，如一些植被具有较少的季节性/光谱变化性，这些方法可能就不适用。
总的来说，植被物候监测研究众多，为植被相关研究提供了基础支撑，包括植被覆盖地表年际变化或长时间序列趋势监测，基于多时相季节变化的土地覆盖分类，植被物候与气候变化的交互作用，植被对气候变化的响应，以及陆地表生态系统碳循环的年内或年际变化。植被物候的时空变化也能有效帮助植被信息识别和干旱植被生长状况监测。
目前的森林物候研究以有明显生长季和非生长季的植被为研究目标，如橡胶林。橡胶林在冬季落叶、春季长新叶的特点，决定了其NDVI在生长季的开始和结束具有明显的波动信息，因此它们的SOS和EOS可以相对容易地监测出来。而常绿树种一年四季常绿，状态较为稳定，物候期监测则相对困难。毛竹林属于常绿植被类型，除了具有生长速度快、砍伐周期短的特点外，还受到人类经营干扰强烈，如挖笋、施肥、除草、钩梢等，具有自身独特的物候特征。毛竹生长速度快，新竹由笋芽生长而生，竹笋从出土生长到停止所经历的时间为40~60天；竹林具有明显的大小年特征，大年出笋多，挖笋少，大多竹笋被留养成竹，小年出笋少，竹农会全部挖掉；竹林的叶色随四季变化，在2年的生长周期内出现“三黄二黑”现象，主要表现为大年春季出笋导致营养不足，叶色变黄，夏季生长和营养积累后，叶色变深绿色，冬季逐渐枯黄并落叶，第二年春季不出笋积累营养后变深绿色，直到第三年出笋前，叶色变黄。
毛竹生长过程中伴随着自身独特的生理特征，这些特征给毛竹林物候遥感监测带来了困难和挑战。毛竹林物候的特殊性决定了开展毛竹林物候遥感监测数据时间分辨率要足够高，目前一些对于毛竹林物候的遥感监测主要以MODIS为主，然而MODIS的空间分辨率太低，每一个像元里存在大量的混合像元，影响着物候监测的精度，尤其在面对毛竹林更加复杂的生长过程，MODIS数据用来做生长监测的效果和精度往往不足，且竹林大小年更替叶子时间不一致，需要分开监测其生长季的开始和结束。目前物候监测所选用的变量以ND VI和EVI为主，物候监测的内容也主要以生长季开始和结束、生长季长度等为主。毛竹林和其他森林不同，它的生长周期应为两年循环，包含第一年的大年（春季生笋，以地上生长发育为主）和第二年的小年（很少有笋，以地下竹鞭生长发育为主），因此毛竹林物候监测有其自身的独特性。
针对毛竹林的自身生理特点和周期循环，毛竹林生长过程遥感监测的以下内容有待进一步研究：①除了常绿毛竹林的生长季开始期和结束期可以准确监测出来外，毛竹林的其他物候期是否可以监测出来？②高时空分辨率的遥感数据是否可以构建更加准确反映毛竹林物候的遥感指数，并准确刻画毛竹林不同生长过程关键节点信息？
目前区域尺度的毛竹林地上生物量估测主要依靠遥感技术进行估测，通过建立遥感数据和样地数据的数学模型，实现区域尺度上的毛竹林地上生物量估测。样地数据通过汇总样地范围内的单株毛竹生物量获取，经汇总后求解得到单位面积上的毛竹地上生物量。遥感数据源是生物量估测的基础，特征变量的选择和建模方法是生物量估测的关键。
目前用于毛竹地上生物量估测的遥感数据源众多，如光学、高光谱、雷达、激光雷达等遥感数据，应用最广泛的数据为光学遥感影像，例如Landsat系列、SPOT、Sentinel-2、MODIS等。这些光学数据有大量潜在的特征变量可用，正确识别关键特征变量对于准确估算生物量至关重要（Lu et al.，2016；蔡经纬，2016）。光谱特征、纹理特征、植被指数（如NDVI、EVI等）、图像转换（如PCA、MNF）等是目前常用的特征变量(Shang et al., 2013)。Du et al.(2010)分析毛竹林生物量与Landsat5 TM各个波段的相关性，研究发现近红外波段和毛竹林生物量有最高的相关系数，并基于Landsat5 TM数据建立毛竹林生物量线性回归模型，模型建模 R 2 为0.3，验证 R 2 为0.13。不同波段变化的指数、纹理信息和辅助信息也能一定程度上提高估测效果(Li et al., 2010)。
除了光学遥感数据，激光雷达数据也开始运用于毛竹林生物量的估测，Cao et al.(2019)利用激光雷达技术对不同经营类型的毛竹林，估算了叶面积指数和生物量，机载雷达能够提供林分结构信息，为毛竹林生物量估测提供了新的选择。蔡经纬等(2016)针对高分辨率遥感数据和机载LiDAR数据分别构建竹林地上生物量估测模型，结果表明基于LiDAR数据建立的生物量模型精度更高。蔡越等(2018)利用地面激光雷达技术判别毛竹林的年龄信息，结果表明激光强度能够准确地反映毛竹林年龄等信息，而密集的三维点云数据比传统的胸径模型估测更为准确，判别年龄的准确率达到92.5%，激光雷达数据有助于更准确地估测毛竹林地上生物量。陈健(2016)利用地面激光雷达估算了单株毛竹的胸径和树高信息，胸径的估测结果决定系数 R 2 很高，达到0.996，而单株毛竹林树高估测结果的 R 2 为0.5。基于激光雷达技术的毛竹林林分信息提取精度高，但该技术成本高，且目前仅能运用到较小的区域范围。
在建模算法方面，目前主要有参数和非参数两大类。参数型方法是根据光谱特征等与实测样地生物量建立的回归函数作为预测依据，主要包括线性回归和非线性回归，多元线性回归是生物量估测模型最常用的统计方法（徐小军，2009；Xu et al.，2011）。Xu et al.(2011)应用逐步回归法构建了毛竹林生物量的遥感光谱模型，并估算了杭州市临安区的毛竹林地上生物量。
近些年，非参数模型（支持向量机、神经网络、随机森林等方法）也广泛应用于毛竹林地上生物量遥感估测。非参数模型不要求显式模型结构，在解决非线性问题等方面具有优势，已成为竹林地上生物量模型构建的新趋势。例如余朝林等(2012)针对Landsat5 TM遥感影像构建一元线性、一元非线型、逐步回归、多元线性和ERF-BP神经网络等生物量预测模型，估测了安吉县、杭州市临安区和龙泉市的毛竹林地上生物量，研究表明基于ERF-BP的神经网络模型估测效果最佳，精度最高模型的平均相对误差为10.4%。在不同数据源不同研究区的情况下，非参数的毛竹林生物量估测模型精度不一定比传统参数模型高。Gao et al.结合Landsat5 TM数据与ALOS PALSAR数据，在单一影像数据和组合影像数据的基础上，分别构建了多元线性模型和随机森林(RF)、支持向量回归(Support Vector Regression, SVR)、 K 最近邻( K -Nearest Neighbor, KNN)和人工神经网络(ANN)四种非参数模型，并估测浙江中北部读取的毛竹林地上生物量。结果表明单一的Landsat5 TM数据和两种遥感数据结合时，多元线性模型的估测精度高于非参数模型，只有使用单一ALOS PALSAR数据时，随机森林模型的估测精度最高。研究也发现了将植被进行分层建模时，不论单一数据还是两种数据结合，人工神经网络模型的精度最高。该研究还表明毛竹林的生物量估测精度明显低于其他森林类型（针叶、阔叶以及混交）（Gao et al.，2018；高煜堃，2018）。
表1-2汇总了基于遥感的毛竹生物量估测方法和模型精度，由于毛竹林在生长期的生物量积累方式和其他森林不同，表1-2中汇总了目前研究中选用的遥感数据和样地数据的时间信息。研究发现，毛竹林地上生物量估测精度普遍不高，验证 R 2 大多低于0.5。范渭亮等(2010)对比了6种大气校正方法对毛竹林生物量估算的影响，结果显示6种校正模型校正前后Landsat TM数据与毛竹林生物量之间的相关系数没有显著差异。有学者提出将毛竹林分层再分别建模估算，可以改善毛竹林生物量估测效果。徐小军等(2013)根据照度因素将毛竹林分层建模的研究，首先确定一个照度临界值，将样本分为两部分进行建模，结果表明样本分层可以降低数据的离散程度，提高变量与生物量的相关性并改善估算精度，但是效果不明显。陈瑜云(2019)把毛竹林按照大小年进行分层和不分层建模，利用随机森林构建估测模型，结果显示分层建模方法仅能提高小年毛竹林的估测精度，而大年毛竹林的估测精度并未提高。
表1-2 基于遥感的毛竹林地上生物量的估测方法
注：RMSE为均方根误差（Root Mean Square Error），单位为Mg/hm 2 ；RMSEr为相对均方根误(Relative Root Mean Square Error)。
第一，样地数据和遥感数据的时间一致性问题。由于亚热带地区经常被云层覆盖，遥感数据的时间可用性不高，样地调查和遥感采集的日期往往不一致。大多数研究假设两种数据获取时间的差别不会显著影响地上生物量和遥感变量之间的关系，这种假设适用于短时间内的林分结构变化不大的森林，并不适于毛竹林，因为幼竹会在4—10月进行生物量迅速积累。因此，样地数据和遥感数据获取时间的一致性是确保毛竹林地上生物量估测精度的关键。
第二，光学遥感影像数据饱和问题。光学遥感数据可以获取林分水平结构参数，但其穿透能力较弱、敏感性低、信息容易饱和，已成为影响竹林地上生物量估测精度的主要原因之一。赵盼盼(2016)基于Landsat TM和ALOS PAL SAR数据对毛竹林地上生物量进行建模估测，发现毛竹林的生物量饱和值比其他森林类型低，在75Mg/hm 2 达到饱和。Chen et al.(2019)基于Sentinel-2数据对毛竹生物量估测，确定其生物量饱和值在70Mg/hm 2 ，研究显示当竹林地上生物量超过饱和值后，遥感影像光谱值将不随着生物量的增加而降低，高于饱和值的生物量很难通过遥感数据得到体现，影响着地上生物量模型的估测精度。
第三，毛竹林的大小年生物量差异巨大。竹林大小年逐年交替，在不同时期光谱特征和地上生物量不同，如大年幼竹生长后（6月左右）和冬季择伐前（2月左右）这段时期内，大小年的光谱特征非常接近，但大小年的生物量却相差很大。在5月大年毛竹孕育竹笋，老竹因营养不足呈现黄褐色，而小年毛竹已展叶生长，竹色深绿，此时期内大小年竹林光谱差异巨大。因此在毛竹林地上生物量建模时，需要考虑大小年及不同时间对模型精度的影响。
第四，毛竹独特的物候给其生物量估测带来困难。毛竹林四季常绿，具有自身独特的物候期，伴随着大小年的逐年交替，毛竹林有着明显的笋期、幼竹期、生长期和换叶期等。竹笋在春天迅速发育，40~60天内长到十几米，生物量快速积累。幼竹展开叶子后到白露期间，生物量则呈爆发式增长。成竹生物量较为稳定，主要是木质化过程。这些独特的毛竹林物候特征，与其他森林类型具有显著差异，为毛竹林生物量估测带来了挑战。
总的来说，目前国内外学者针对毛竹林地上生物量已经开展了大量的研究，在遥感数据建模、算法优化等方面进行了诸多尝试。常用遥感数据在时间分辨率和空间分辨率上有局限，缺乏高质量的时空序列遥感数据，毛竹生长周期内生物量动态变化则鲜有研究。目前毛竹地上生物量估测存在的问题主要有：①样地调查时间与遥感数据获取时间往往不匹配，导致了毛竹林地上生物量遥感估测精度差。如何将毛竹生长周期内的地上生物量与时间序列遥感对应起来建模，来改善毛竹林地上生物量估测精度？②毛竹快速累积的地上生物量是否能够通过高时空序列遥感进行监测？
[1]Anders N S，Seijmonsbergen A C，Bouten W.Geomorphological change detection using object-based feature extraction from multi-temporal LiDar data[J].IEEE Geoscience Remote Sensing Letters，2013，10：1587-1591.
[2]Andersen H E，Reutebuch S E，McGaughey R J，et al.Monitoring selec tive logging in western Amazonia with repeat LiDAR flights[J].Remote Sensing of Environment，2014，151：157-165.
[3]Atkinson P M，Jeganathan C，Dash J，et al.Inter-comparison of four models for smoothing satellite sensor time-series data to estimate vegeta tion phenology[J].Remote Sensing of Environment，2012，123：400-417.
[4]Awrangjeb M.Effective generation and update of a building map database through automatic building change detection from LiDAR point cloud data[J].Remote Sensing，2015，7(10)：14119-14150.
[5]Beck P S，Atzberger C，Høgda K A，et al.Improved monitoring of vege tation dynamics at very high latitudes：A new method using MODIS NDVI[J].Remote Sensing of Environment，2006，100(3)：321-334.
[6]Berra E F，Gaulton R，Barr S.Assessing spring phenology of a temperate woodland：a multiscale comparison of ground，unmanned aerial vehicle and Landsat satellite observations[J].Remote Sensing of Environment，2019，223：229-242.
[7]Bharadwaj S P，Subramanian S，Manda S，et al.Bamboo livelihood devel opment planning，monitoring and analysis through GIS and remote sensing[J].Journal of Bamboo and Rattan，2003，2(4)：453-461.
[8]Cao L，Coops N C，Sun Y，et al.Estimating canopy structure and biomass in bamboo forests using airborne LiDAR data[J].ISPRS Journal of Photo grammetry and Remote Sensing，2019，148：114-129.
[9]Cao R，Chen J，Shen M，et al.An improved logistic method for detecting spring vegetation phenology in grasslands from MODIS EVI time-series data[J].Agricultural＆ Forest Meteorology，2015，200：9-20.
[10]Carrea D，Abellan A，Humair F，et al.Correction of terrestrial LiDAR intensity channel using Oren-Nayar reflectance model：An application to lithological differentiation[J].ISPRS Journal of Photogrammetry and Re mote Sensing，2016，113：17-29.
[11]Charles R Q，Su H，Kaichun M，et al.Pointnet：Deep learning on point sets for 3D classification and segmentation[C]// Computer Vision and Pattern Recognition(CVPR)，IEEE Conference on.IEEE，2017：77-85.
[12]Che M，Chen B，Innes J L，et al.Spatial and temporal variations in the end date of the vegetation growing season throughout the Qinghai-Tibet an Plateau from 1982 to 2011[J].Agricultural and Forest Meteorology，2014，189-190：81-90.
[13]Chen J，Jönsson P，Tamura M，et al.A simple method for reconstructing a high-quality NDVI time-series data set based on the Savitzky-Golay fil ter[J].Remote Sensing of Environment，2004，91(3-4)：332-344.
[14]Chen X，Kohlmeyer B，Stroila M，et al.Next generation map making：geo-referenced ground-level LIDAR point clouds for automatic retro-re flective road feature extraction [C]//Proceedings of the 17 th ACM SIGSPATIAL International Conference on Advances in Geographic Infor mation Systems.ACM，2009：488-491.
[15]Chen Y，Li L，Lu D，et al.Exploring bamboo forest aboveground bio mass estimation using sentinel-2 data[J].Remote Sensing，2019，11 (1)：7.
[16]Dai W，Fu W，Jiang P，et al.Spatial pattern of carbon stocks in forest ecosystems of a typical subtropical region of southeastern China[J].For est Ecology and Management，2018，409：288-297.
[17]Darmawati A T.Utilization of multiple echo information for classification of airborne laser scanning data[D].Enschede，the Netherlands：International Institute for Geo-Information Science and Earth Observation，2008.
[18]Dong L，Du H，Mao F，et al.Very high resolution remote sensing im agery classification using a fusion of random forest and deep learning tech nique-subtropical area for example[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2019，13(8)：113-128.
[19]Du H，Cui R，Zhou G，et al.The responses of Moso bamboo (phyl lostachys heterocycla var.pubescens)forest aboveground biomass to landsat TM spectral reflectance and NDVI[J].Acta Ecologica Sinica，2010，30(5)：257-263.
[20]Du H，Mao F，Li X，et al.Mapping global bamboo forest distribution u sing multisource remote sensing data[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2018，11(5)：1458-1471.
[21]Du H，Mao F，Zhou G，et al.Estimating and analyzing the spatiotempo ral pattern of aboveground carbon in bamboo forest by combining remote sensing data and improved BIOME-BGC model[J].IEEE Journal of Se lected Topics in Applied Earth Observations and Remote Sensing，2018，11(7)：2282-2295.
[22]Dube T，Mutanga O，Sibanda M，et al.Evaluating the influence of the Red Edge band from RapidEye sensor in quantifying leaf area index for hydrological applications specifically focussing on plant canopy intercep tion[J].Physics and Chemistry of the Earth，Parts A/B/C，2017，100：73-80.
[23]Egberth M，Nyberg G，Næsset E，et al.Combining airborne laser scan ning and Landsat data for statistical modeling of soil carbon and tree bio mass in Tanzanian Miombo woodlands[J].Carbon Balance and Manage ment，2017，12(1)：8.
[24]Elmore A J，Guinn S M，Minsley B J，et al.Landscape controls on the timing of spring，autumn，and growing season length in mid—A tlantic forests[J].Global Change Biology，2012，18(2)：656-674.
[25]Fan H，Fu X，Zhang Z，et al.Phenology-based vegetation index differen cing for mapping of rubber plantations using Landsat OLI data[J].Re mote Sensing，2015，7(5)：6041-6058.
[26]FAO.State of the world's forests[M].Rome：Food and Agriculture Or ganization of the United Nations，2014.
[27]Franceschi M，Teza G，Preto N，et al.Discrimination between marls and limestones using intensity data from terrestrial laser scanner[J].ISPRS Journal of Photogrammetry＆ Remote Sensing，2009，64(6)：522-528.
[28]Galford G L，Mustard J F，Melillo J，et al.Wavelet analysis of MODIS time series to detect expansion and intensification of row-crop agriculture in Brazil[J].Remote Sensing of Environment，2008，112(2)：576-587.
[29]Ganguly S，Friedl M A，Tan B，et al.Land surface phenology from MO DIS：Characterization of the Collection 5 global land cover dynamics prod uct[J].Remote Sensing of Environment，2010，114(8)：1805-1816.
[30]Gao Y，Lu D，Li G，et al.Comparative analysis of modeling algorithms for forest aboveground biomass estimation in a subtropical region[J].Re mote Sensing，2018，10(4)：627.
[31]Germaine K A，Huang M.Delineation of impervious surface from multi spectral imagery and LiDAR incorporating knowledge based expert sys tem rules[J].Photogrammetric Engineering＆ Remote Sensing，2011，77 (1)：75-85.
[32]Ghosh A，Joshi P K.A comparison of selected classification algorithms for mapping bamboo patches in lower Gangetic plains using very high res olution WorldView 2 imagery[J].International Journal of Applied Earth Observation and Geoinformation，2014，26：298-311.
[33]Gitelson A A.Wide dynamic range vegetation index for remote quantifi cation of biophysical characteristics of vegetation[J].Journal of plant physiology，2004，161(2)：165-173.
[34]Gonsamo A，Chen J M，Price D T，et al.Land surface phenology from optical satellite measurement and CO 2 eddy covariance technique[J].Journal of Geophysical Research：Biogeosciences，2012，117(G3).
[35]Goswami J，Tajo L，Sarma K.Bamboo resources mapping using satellite technology[J].Current Science，2010，99(5)：650-653.
[36]Graham E A，Riordan E C，Yuen E M，et al.Public internet-connected cameras used as a cross-continental ground-based plant phenology monito ring system[J].Global Change Biology，2010，6(11)：3014-3023.
[37]Guan H，Ji Z，Zhong L，et al.Partially supervised hierarchical classifica tion for urban features from LiDAR data with aerial imagery[J].Interna tional Journal of Remote Sensing，2013，34(1)：190-210.
[38]Guo L，Chehata N，Mallet C，et al.Relevance of airborne LiDAR and multispectral image data for urban scene classification using Random For ests[J].ISPRS Journal of Photogrammetry＆ Remote Sensing，2011，66(1)：56-66.
[39]Guo L，Dai J，Wang M，et al.Responses of spring phenology in temper ate zone trees to climate warming：a case study of apricot flowering in China[J].Agricultural and Forest Meteorology，2015，201：1-7.
[40]Gupta V，Reinke K and Jones S，et al.Assessing metrics for estimating fire induced change in the forest understorey structure using terrestrial la ser scanning[J].Remote Sensing，2015，7(6)：8180-8201.
[41]Guyon D，Guillot M，Vitasse Y，et al.Monitoring elevation variations in leaf phenology of deciduous broadleaf forests from SPOT/VEGETATION time-series[J].Remote Sensing of Environment，2011，115(2)：615-627.
[42]Habib A，Mwafag G，Miche M，et al.Photogrammetric and LiDAR data registration using linear features[J].Photogrammetric Engineering ＆Remote Sensing，2005，71(6)：699-707.
[43]Han N，Du H，Zhou G，et al.Spatiotemporal heterogeneity of Moso bamboo aboveground carbon storage with Landsat Thematic Mapper ima ges：a case study from Anji County，China[J].International Journal of Remote Sensing，2013，34(14)：4917-4932.
[44]Han N，Du H，Zhou G，et al.Object-based classification using SPOT5 imagery for Moso bamboo forest mapping[J].International Journal of Remote Sensing，2014，35(3)：1126-1142.
[45]Hermance J F.Stabilizing high-order，non-classical harmonic analysis of NDVI data for average annual models by damping model roughness[J].International Journal of Remote Sensing，2007，28(12)：2801-2819.
[46]Herrmann I，Pimstein A，Karnleli A，et al.LAI assessment of wheat and potato crops by VENμS and Sentinel-2 bands[J].Remote Sensing of En vironment，2011，115(8)：2141-2151.
[47]Heumann B W，Seaquist J W，Eklundh L，et al.AVHRR derived pheno logical change in the Sahel and Soudan，Africa，1982—2005[J].Remote Sensing of Environment，2007，108(4)：385-392.
[48]Hmimina G，Dufrêne E，Pontailler J-Y，et al.Evaluation of the potential of MODIS satellite data to predict vegetation phenology in different bi omes：An investigation using ground-based NDVI measurements[J].Re mote Sensing of Environment，2013，132：145-158.
[49]Jin H，Eklundh L.A physically based vegetation index for improved mo nitoring of plant phenology[J].Remote Sensing of Environment，2014，152：512-525.
[50]Jonsson P，Eklundh L.Seasonality extraction by function fitting to time series of satellite sensor data[J].IEEE transactions on Geoscience and Remote Sensing，2002，40(8)：1824-1832.
[51]Julien Y，Sobrino J A.Comparison of cloud-reconstruction methods for time series of composite NDVI data[J].Remote Sensing of Environment，2010，114(3)：618-625.
[52]Khoshelham K，Nardinocchi C，Frontoni E，et al.Performance evalua tion of automated approaches to building detection in multi-source aerial data[J].Isprs Journal of Photogrammetry ＆ Remote Sensing，2010，65(1)：123-133.
[53]Leith H.Phenology and seasonality modeling[J].Soil Science，1975，120 (6)：461.
[54]Li L，Li N，Lu D，et al.Mapping Moso bamboo forest and its on-year and off-year distribution in a subtropical region using time-series Sentinel 2 and Landsat 8 data[J].Remote Sensing of Environment，2019，231：111265.
[55]Li M，Cheng L，Gong J，et al.Post-earthquake assessment of building damage degree using LiDAR data and imagery[J].China Ser.E-Technol.Sci.，51(2 Supplement)，2008：133-143.
[56]Li M，Cheng L，Gong J，et al.Post-earthquake assessment of building damage degree using LiDAR data and imagery[J].Science in China Series E：Technological Sciences，2008，51：133-143.
[57]Li M，Li C，Jiang H，et al.Tracking bamboo dynamics in Zhejiang，Chi na，using time-series of Landsat data from 1990 to 2014[J].International Journal of Remote Sensing，2016，37(7)：1714-1729.
[58]Li P，Zhou G，Du H，et al.Current and potential carbon stocks in Moso bamboo forests in China[J].Journal of Environmental Management，2015，156：89-96.
[59]Li Y，Han N，Li X，et al.Spatiotemporal estimation of bamboo forest aboveground carbon storage based on landsat data in Zhejiang，China[J].Remote Sensing，2018，10(6)：898.
[60]Liang X，HyyppäJ，Kaartinen H，et al.Detecting changes in forest structure over time with bi-temporal terrestrial laser scanning data[J].ISPRS International Journal of Geo-Information，2012，1(3)：242-255.
[61]Linderman M，Liu J，Qi J，et al.Using artificial neural networks to map the spatial distribution of understorey bamboo from remote sensing data[J].International Journal of Remote Sensing，2004，25(9)：1685-1700.
[62]Liu C，Xiong T，Gong P，et al.Improving large-scale Moso bamboo mapping based on dense Landsat time series and auxiliary data：a case study in Fujian Province，China[J].Remote Sensing Letters，2018，9(1)：1-10 .
[63]Liu L，Zhang X，Yu Y，et al.Real-time and short-term predictions of spring phenology in North America from VIIRS data[J].Remote Sensing of Environment，2017，194：89-99.
[64]Liu Q，Li Z，Chen E，et al.Estimating biomass of individual trees using point cloud data of airborne[J].Chinese High Technology Letters，2010，20(7)：765-770.
[65]Lou Y P，Li Y X，Buckingham K，et al.Bamboo and Climate Change Mitigation[M].Beijing：INBAR，2010.
[66]Lu D，Chen Q，WANG G，et al.A survey of remote sensing-based aboveground biomass estimation methods in forest ecosystems[J].Inter national Journal of Digital Earth，2016，9(1)：63-105.
[67]Ma M，Veroustraete F.Reconstructing pathfinder AVHRR land NDVI time-series data for the Northwest of China[J].Advances in Space Re search，2006，37(4)：835-840.
[68]Malpica J A，Alonso M C，Papí F，et al.Change detection of buildings from satellite imagery and liDAR data[J].International Journal of Re mote Sensing，2013，34(5)：1652-1675.
[69]Martínez B，Gilabert M A.Vegetation dynamics from NDVI time series analysis using the wavelet transform[J].Remote Sensing of Environ ment，2009，113(9)：1823-1842.
[70]Mayer A.Phenology and Citizen Science[J].Bioscience，2010，60(3)：172-175.
[71]Mertens B，Hua L，Belcher B，et al.Spatial patterns and processes of bamboo expansion in Southern China[J].Applied Geography，2008，28 (1)：16-31.
[72]Moody A，Johnson D M.Land-surface phenologies from AVHRR using the discrete Fourier transform [J].Remote Sensing of Environment，2001，75(3)：305-323.
[73]Myneni R B，Keelingh C，Tucker C J，et al.Increased plant growth in the northern high latitudes from 1981 to 1991[J].Nature，1997，386(6626)：698-702.
[74]Nagashima K，Kinami Y，Tanaka K.Classifying managed and unman aged bamboo forests using airborne liDAR data[J].Journal of Forest Planning，2016，21(1)：13-20.
[75]Nath A J，Lal R，Das A K.Managing woody bamboos for carbon farming and carbon trading[J].Global Ecology and Conservation，2015，3：654-663.
[76]Nield J M，Wiggs G F S，King J，et al.Climate-surface-pore-water inter actions on a salt crusted playa：implications for crust pattern and surface roughness development measured using terrestrial laser scanning[J].Earth Surface Processes＆ Landforms，2016，41(6)：738-753.
[77]Nijland W，Bolton D K，Coops N C，et al.Imaging phenology；scaling from camera plots to landscapes[J].Remote Sensing of Environment，2016，177：13-20.
[78]Nowak D J，Crane D E.Carbon storage and sequestration by urbantrees in the USA[J].Environmental Pollution，2002，116(3)：381-389.
[79]Ogawa T，Takagi K.Lane recognition using on-vehicle LiDAR[C]//Proc.IEEE Intell.Vehicles Symp.，13-15 June，Tokyo，Japan，2006，pp.845-848.
[80]Olson J S，Watts J A，Allison L J.Carbon in live vegetation of major world ecosystems[M].Oak Ridge，Tenn：Oak Ridge National Laborato ry，1983.
[81]Popescu S C.Estimating biomass of individual pine trees using airborne LiDAR[J].Biomass and Bioenergy，2007，31(9)：646-655.
[82]Popescu S C，Wynne R H，Nelson R F.Measuring individual tree crown diameter with LiDAR and assessing its influence on estimating forest vol ume and biomass[J].Canadian Journal of Remote Sensing，2003，29(5)：564-577.
[83]Puttonen E，Briese C，Mandlburger G，et al.Quantification of Overnight Movement of Birch(Betula pendula)Branches and Foliage with Short In terval Terrestrial Laser Scanning[J].Frontiers in Plant Science，2016，7(222)：1-13.
[84]Reed B C，Brown J F，Vanderzee D，et al.Measuring phenological varia bility from satellite imagery[J].Journal of vegetation science，1994，5(5)：703-714.
[85]Réjou-Méchain M，Tymen B，Blanc L，et al.Using repeated small-footprint LiDAR acquisitions to infer spatial and temporal variations of a high-biomass neotropical forest[J].Remote Sensing of Environment，2014，169：93-101.
[86]Rutzinger M，Pratihast A K，Elberink S O，et al.Tree modelling from mobile laser scanning datasets[J].The Photogrammetric Record，2011，26(135)：361-372.
[87]Sakamoto T，Yokozama M，Toritani H，et al.A crop phenology detec tion method using time-series MODIS data[J].Remote Sensing of Envi ronment，2005，96(3-4)：366-374.
[88]Scurlock J M O.Bamboo：an over-looked biomass resource？ [J].Bio mass＆ Bioenergy，2000，19(4)：229-244.
[89]Secord J，Zakhor A.Tree detection in urban region using aerial LiDAR and image data[J].IEEE Geoscience and Remote Sensing Letters，2007，4(2)：196-200.
[90]Shang Z，Zhou G，Du H，et al.Moso bamboo forest extraction and aboveground carbon storage estimation based on multi-source remotely sensed images[J].International Journal of Remote Sensing，2013，34(15)：5351-5368.
[91]Sithole G and Vosselman G.Experimental comparison of filter algorithms for bare-earth extraction from airborne laser scanning point clouds[J].Photogrammetry＆ Remote Sensing，2004，59(1-2)：85-101.
[92]Song X，Zhou G，Jiang H，et al.Carbon sequestration by Chinese bam boo forests and their ecological benefits：assessment of potential，prob lems，and future challenges[J].Environmental Reviews，2011，19：418-428.
[93]Sonnentag O，Hufkens K，Teshera-Sterne C，et al.Digital repeat pho tography for phenological research in forest ecosystems[J].Agricultural and Forest Meteorology，2012，152：159-177.
[94]Stal C，Tack F，De Maeyer P，et al.Airborne photogrammetry and LiDAR for DSM extraction and 3D change detection over an urban area-a compar ative study[J].International Journal of Remote Sensing，2013，34(4)：1087-1110.
[95]Tan B，Morisette J T，Wolfer E，et al.An enhanced TIMESAT algorithm for estimating vegetation phenology metrics from MODIS data[J].IEEE Journal of Selected Topics in Applied Earth Observations and Re mote Sensing，2010，4(2)：361-371.
[96]Tateishi R，Ebata M.Analysis of phenological change patterns using 1982—2000 advanced very high resolution radiometer (AVHRR)data[J].International Journal of Remote Sensing，2004，25(12)：2287-2300.
[97]Templ B，Koch E，Bolmgren K，et al.Pan European phenological data base(PEP725)：a single point of access for European data[J].Interna tional Journal of Biometeorology，2018，62(6)：1109-1113.
[98]Teo T A，Yu H.Empirical radiometric normalization of road points from terrestrial mobile LiDAR system [J].Remote Sensing，2015，7(5)：6336-6357.
[99]Thoma D P，Gupta S C，Bauer M E，et al.Airborne laser scanning for ri verbank erosion assessment[J].Remote Sensing of Environment，2005，95：493-501.
[100]Verhegghen A，Bontemps S，Defourny P.A global NDVI and EVI ref erence data set for land-surface phenology using 13 years of daily SPOT vegetation observations[J].International Journal of Remote Sensing，2014，35(7)：2440-2471.
[101]Viovy N，Arino O，Belward A.The best index slope extraction(BISE)：A method for reducing noise in NDVI time-series[J].International Jour nal of Remote Sensing，1992，13(8)：1585-1590.
[102]Vrieling A，Meroni M，Darvishzadeh R，et al.Vegetation phenology from Sentinel-2 and field cameras for a Dutch barrier island[J].Remote Sensing of Environment，2018，215：517-529.
[103]Wang C E，Hunt R，Zhang L，et al.Phenology-assisted classification of C3 and C4 grasses in the US Great Plains and their climate dependency with MODIS time series[J].Remote Sensing of Environment，2013，138：90-101.
[104]Wang T，Skidmore A，Toxopeus A.Improved understorey bamboo cov er mapping using a novel hybrid neural network and expert system[J].International Journal of Remote Sensing，2009，30(4)：965-981.
[105]Wang T，Skidmore A K，Toxopeus A G，et al.Understory bamboo discrimination using a winter image[J].Photogrammetric Engineering ＆Remote Sensing，2009，75(1)：37-47.
[106]Watanabe S，Sumi K，Ise T.Using deep learning for bamboo forest de tection from Google Earth images[J].2018.
[107]White M A，Thornton P E，Running S W.A continental phenology model for monitoring vegetation responses to interannual climatic varia bility[J].Global Biogeochemical Cycles，1997，11(2)：217-234.
[108]Wingate L，Ogée J，Cremonese E，et al.Interpreting canopy develop ment and physiology using the EUROPhen camera network at flux sites[J].Biogeosciences Discussions，2015，12(20)：7979-8034.
[109]Wu C，Chen J M，Black T A，et al.Interannual variability of net eco system productivity in forests is explained by carbon flux phenology in autumn[J].Global Ecology and Biogeography，2013，22(8)：994-1006.
[110]Xiao W，Xu S，Elberink S O.Change detection of trees in urban areas using multi-temporal airborne LiDAR point clouds[J].Proceedings of SPIE-The International Society for Optical Engineering，2012，8532：07.
[111]Xu X，Du H，Zhou G，et al.Estimation of aboveground carbon stock of Moso bamboo(Phyllostachys heterocycla var.pubescens)forest with a Landsat Thematic Mapper image[J].International Journal of Remote Sensing，2011，32(5)：1431-1448.
[112]Yan W，Shaker A，El-Ashmawy N.Urban land cover classification u sing airborne LiDAR data：A review[J].Remote Sensing of Environ ment，2015，158：295-310.
[113]Yan W，Shaker A，Habib A，et al.Improving classification accuracy of airborne LiDAR intensity data by geometric calibration and radiometric correction[J].ISPRS Journal of Photogrammetry ＆ Remote Sensing，2012，67(2)：35-44.
[114]Ying W，Jin J，Jiang H，et al.Satellite-based detection of bamboo ex pansion over the past 30 years in Mount Tianmushan，China[J].Inter national Journal of Remote Sensing，2016，37(13)：2908-2922.
[115]Zeng L，Wardlow B D，Xiang D，et al.A review of vegetation pheno logical metrics extraction using time-series，multispectral satellite data[J].Remote Sensing of Environment，2020，237：111511.
[116]Zhang G P，Qi M.Neural network forecasting for seasonal and trend time series[J].European Journal of Operational Research，2005，160(2)：501-514.
[117]Zhang K，Yan J，Chen S.Automatic construction of building footprints from airborne LiDAR data[J].IEEE Transactions on Geoscience＆ Re mote Sensing，2006，44(9)：2523-2533.
[118]Zhang X，Friedl M A，Schaaf C B，et al.Monitoring vegetation phenol ogy using MODIS[J].Remote Sensing of Environment，2003，84(3)：471-475.
[119]Zhang X，Glennie C，Kusari A.Change detection from differential air borne LiDAR using a weighted anisotropic iterative closest point algo rithm[J].IEEE Journal of Selected Topics in Applied Earth Observa tions and Remote Sensing，2015，8(7)：3338-3346.
[120]Zhang X，Liu L，Liu Y，et al.Generation and evaluation of the VIIRS land surface phenology product[J].Remote Sensing of Environment，2018，216：212-229.
[121]Zhangh M，Gong P，Qo S，et al.Mapping bamboo with regional pheno logical characteristics derived from dense Landsat time series using Google Earth Engine[J].International Journal of Remote Sensing，2019，40(24)：9541-9555.
[122]ZhaoY，Feng D，Jayaraman D，et al.Bamboo mapping of Ethiopia，Kenya and Uganda for the year 2016 using multi-temporal Landsat im agery[J].International Journal of Applied Earth Observation and Geoin formation，2018，66：116-125.
[123]Zheng Y，Wu B，Zhang M，et al.Crop phenology detection using high spatio-temporal resolution data fused from SPOT5 and MODIS products[J].Sensors，2016，16(12)：2099.
[124]Zhou G，Xie M.Coastal 3-D morphological change analysis using Li DAR series data：A case study of assateague island national seashore[J].Journal of Coastal Research，2009，25(2)：435-447.
[125]Zhu W，Pan Y，He H，et al.A changing-weight filter method for re constructing a high-quality NDVI time series to preserve the integrity of vegetation phenology[J].IEEE Transactions on Geoscience and Remote Sensing，2011，50(4)：1085-1094.
[126]步国超，汪沛.基于单站地面激光雷达数据的自适应胸径估计方法[J].激光与光电子学进展，2016，53(8)：284-292.
[127]蔡华利.基于SVM的多源遥感分类的竹林信息提取方法研究[D].北京：北京林业大学，2009.
[128]蔡经纬.基于不同遥感数据源的毛竹林地上部分生物量反演[D].合肥：安徽农业大学，2016.
[129]蔡越.基于地面LiDAR的单株毛竹地上生物量测算方法研究[D].杭州：浙江农林大学，2018.
[130]蔡越，徐文兵，梁丹，等.基于激光回波强度判别毛竹年龄[J].中国激光，2018，45(1)：272-280.
[131]陈健.基于地基激光雷达的不同森林类型单木胸径与树高提取[D].合肥：安徽农业大学，2016.
[132]陈先刚，张一平，张小全，等.过去50年中国竹林碳储量变化[J].生态学报，2008，11：5218-5227.
[133]陈瑜云.基于Sentinel-2影像数据的毛竹林生物量估测[D].杭州：浙江农林大学，2019.
[134]程小龙，程效军，郭王，等.基于激光强度的建筑立面点云分类及信息提取[J].同济大学学报（自然科学版），2015，43(9)：1432-1437.
[135]程效军，贾东峰，程小龙.海量点云数据处理理论与技术[M].上海：同济大学出版社，2014.
[136]崔璐.中国竹林遥感信息提取及NPP时空模拟研究[D].杭州：浙江农林大学，2018.
[137]崔璐，杜华强，周国模，等.决策树结合混合像元分解的中国竹林遥感信息提取[J].遥感学报，2019，23(01)：166-176.
[138]崔瑞蕊，杜华强，周国模，等.近30a安吉县毛竹林动态遥感监测及碳储量变化[J].浙江农林大学学报，2011，28(3)：422-431.
[139]邓旺华.竹林地面光谱特征及遥感信息提取方法研究[D].北京：中国林业科学研究院，2009.
[140]丁丽霞，王祖良，周国模，等.天目山国家级自然保护区毛竹林扩张遥感监测[J].浙江林学院学报，2006，3：297-300.
[141]董德进.雷竹林遥感监测及其碳储量动态影响研究[D].杭州：浙江农林大学，2011.
[142]杜华强，孙晓艳，韩凝，等.综合面向对象与决策树的毛竹林调查因子及碳储量遥感估算[J].应用生态学报，2017，28(10)：3163-3173.
[143]杜华强，周国模，葛宏立，等.基于TM数据提取竹林遥感信息的方法[J].东北林业大学学报，2008，3：35-38.
[144]范少辉，官凤英，苏文会，等.基于遥感技术的竹资源变化监测研究[J].西北林学院学报，2012，27(5)：169-173.
[145]范渭亮，杜华强，周国模，等.大气校正对毛竹林生物量遥感估算的影响[J].应用生态学报，2010，21(1)：1-8.
[146]冯文灏.近景摄影测量[M].武汉：武汉大学出版社，2002.
[147]付小勇，孙茂盛，杨宇明，等.遥感技术在德宏州大型丛生竹资源监测中的应用研究[J].西部林业科学，2012，41(4)：88-92.
[148]高国龙，杜华强，韩凝，等.基于特征优选的面向对象毛竹林分布信息提取[J].林业科学，2016，52(9)：77-85.
[149]高煜堃.基于机器学习及多源数据的亚热带典型区域森林地上生物量估测研究[D].杭州：浙江农林大学，2018.
[150]巩垠熙，韩旭，冯仲科，等.支持向量机在遥感数据中提取竹林信息的方法研究[C].International Conference on Remote Sensing，2010.
[151]官凤英，范少辉，蔡华利，等.竹林遥感信息提取方法比较研究[J].安徽农业科学，2010，38(8)：4333-4335+4339.
[152]官凤英，范少辉，郜燕芳，等.不同分类方法在竹林遥感信息识别中的应用[J].中国农学通报，2013，29(1)：47-52.
[153]桂玲，孙华，陈利.基于中等分辨率遥感影像的桃源县竹林信息提取研究[J].中国农学通报，2012，28(1)：85-91.
[154]何培培，万幼川，杨威，等.基于线特征的城区激光点云与影像自动配准[J].光学学报，2015，35(5)：360-368.
[155]黄磊，卢秀山，梁勇.基于激光扫描回光强度的建筑物立面信息提取与分类[J].武汉大学学报（信息科学版），2009，34(2)：195-198.
[156]刘健，余坤勇，许章华，等.竹资源专题信息提取纹理特征量构建研究[J].遥感信息，2010，6：87-94.
[157]刘宇霞.植被物候变化遥感反演及生态系统碳循环作用机理[D].中国科学院大学（中国科学院遥感与数字地球研究所），2017.
[158]刘玉莉.两种典型竹林生态系统碳收支动态及驱动力分析[D].杭州：浙江农林大学，2018.
[159]卢维欣，万幼川，何培培，等.大场景内建筑物点云提取及平面分割算法[J].中国激光，2015，42(9)：344-350.
[160]缪丽娟.毛竹专题信息高光谱特征指数反演技术研究[D].福州：福建农林大学，2011.
[161]彭代锋，张永军，熊小东.结合LiDAR点云和航空影像的建筑物三维变化检测[J].武汉大学学报（信息科学版），2015，40(4)：462-468.
[162]商珍珍.基于多源遥感毛竹林信息提取及地上部分碳储量估算研究[D].杭州：浙江农林大学，2012.
[163]施拥军，徐小军，杜华强，等.基于BP神经网络的竹林遥感监测研究[J].浙江林学院学报，2008，04：417-421.
[164]孙少波.亚热带典型森林冠层参数及碳储量定量估算研究[D].杭州：浙江农林大学，2016.
[165]孙晓艳.面向对象的毛竹林分布遥感信息提取及调查因子估算[D].杭州：浙江农林大学，2014.
[166]孙晓艳，杜华强，韩凝，等.面向对象多尺度分割的SPOT5影像毛竹林专题信息提取[J].林业科学，2013，49(10)：80-87.
[167]谭凯，程效军.激光强度值改正模型与点云分类精度[J].同济大学学报（自然科学版），2014，42(1)：131-135.
[168]谭凯，程效军.基于多项式模型的TLS激光强度值改正[J].中国激光，2015，42(3)：310-318.
[169]唐菲菲，阮志敏，张亚利，等.基于机载LiDAR和GIS数据的建筑物变化信息自动检测方法[J].国土资源遥感，2016，28(1)：57-62.
[170]陶江玥，刘丽娟，庞勇，等.基于机载激光雷达和高光谱数据的树种识别方法[J].浙江农林大学学报，2018，35(2)：314-323.
[171]王果，沙从术，王健.考虑局部点云密度的建筑立面自适应分割方法[J].激光与光电子学进展，2015，52(6)：116-121.
[172]王月如，韩鹏鹏，关舒婧.基于Landsat 8 OLI数据的富贵竹种植区域信息提取[J].国土资源遥感，2019，31(1)：133-140.
[173]魏征，董震，李清泉，等.车载LiDAR点云中建筑物立面位置边界的自动提取[J].武汉大学学报（信息科学版），2012，37(11)：1311-1315.
[174]文越.气候变化巴黎大会开启全球气候治理新篇章[J].中国减灾，2016，1：48-49.
[175]徐小军.基于LANDSAT TM影像毛竹林地上部分碳储量估算研究[D].杭州：浙江林学院，2009.
[176]徐小军，周国模，杜华强，等.样本分层对毛竹林地上部分碳储量估算精度的影响[J].林业科学，2013，49(6)：18-24.
[177]颜梅春，张友静，鲍艳松.基于灰度共生矩阵法的IKONOS影像中竹林信息提取[J].遥感信息，2004，2：31-34.
[178]余朝林，杜华强，周国模，等.毛竹林地上部分生物量遥感估算模型的可移植性[J].应用生态学报，2012，23(9)：2422-2428.
[179]余坤勇，刘健，许章华，等.南方地区竹资源专题信息提取研究[J].遥感技术与应用，2009，24(4)：449-455.
[180]余坤勇，许章华，刘健，等.“基于片层-面向类”的竹林信息提取算法与应用分析[J].中山大学学报（自然科学版），2012，51(1)：89-95.
[181]俞淑红.利用多尺度遥感数据的竹林信息提取研究[D].杭州：浙江农林大学，2016.
[182]张文娟.如何让发展变得更绿？[J].中国生态文明，2016，2：45-52.
[183]张莹，张晓丽，王书涵，等.福建将乐林场主要树种冠层光谱反射特征分析[J].西北农林科技大学学报（自然科学版），2016，44(2)：83-89+96.
[184]赵盼盼.基于Landsat TM和ALOS PALSAR数据的森林地上生物量估测研究[D].杭州：浙江农林大学，2016.
[185]周国模，姜培坤.毛竹林的碳密度和碳贮量及其空间分布[J].林业科学，2004，6：20-24.
[186]朱文泉，何兴元，陈玮.城市森林研究进展[J].生态学杂志，2001，20(5)：55-59.