森林生态系统在陆地生态系统碳循环中占有十分重要的地位，特别是热带、亚热带森林生态系统，其碳储量占陆地生态系统碳储量的60%以上(Clark et al.，2011;Dixon et al.，1994)，该区域碳储量的较小波动都会对全球碳循环产生明显的影响(Englhart et al.，2011;Phillips et al.，1998)，因此准确地估算热带、亚热带森林生态系统碳储量备受关注。

估算森林碳储量方法很多(张骏等，2010;马泽清等，2007;Fang et al.，2001)。传统的野外样地调查方法尽管精度高，但是比较耗时耗力，在估算大范围热带、亚热带森林地上碳储量时不太实用(Tian et al.，2012;Englhart et al.，2011;Sarker et al.，2011)。遥感具有宏观、综合、动态、快速、重复获取数据等特点，特别是遥感对植被光合有效辐射吸收的测定为估算植被的碳储量/生物量提供了基础，目前已经成为热带、亚热带碳储量估算的主要方法。

森林碳储量通常分为地下和地上2部分。地下部分是指树根系的干物质质量，地上部分主要包括树干、枝和叶的干物质质量和。遥感很难估算地下部分的碳储量，多数遥感都是估算地上部分的碳储量(简称森林地上碳储量，AGCS)。近年来不同学者分别探讨了MODIS(Baccini et al.，2008)、TM(Foody et al.，2003)、IKONOS(Clark et al.，2004)、SAR(Kuplich et al.，2005)和Lidar(Clark et al.，2011)等遥感数据估算热带、亚热带森林地上碳储量的能力，获得了不同的估算精度。然而热带、亚热带森林一般比较高，植被生长比较茂盛，树木种类多，内部结构复杂，多数遥感数据研究估算该区域森林地上碳储量的结果不是很理想(Lu et al.，2005)。

中巴资源地球卫星是由中国、巴西两国共同投资、联合研制的卫星(代号CBERS)，其02B卫星于2007年9月19日发射成功。CBERS-02B星携带3种传感器:电荷耦合器件摄像机(CCD)、红外多光谱扫描仪(IRMSS)、宽视场相机(WFI)，可提供20 ～256 m分辨率的11个波段、不同幅宽的遥感数据。自从中巴资源卫星实施免费分发政策后，中国资源卫星数据广泛地应用于环境监测、灾害预警、资源勘查等众多领域，但CBERS对热带、亚热带森林生物量的估算能力不是特别清楚。

广东省东莞市是我国经济高速发展的区域，其碳排放压力大，森林碳汇问题令人关注。因此，为了进一步拓展我国资源卫星的应用范围，本文以东莞市的森林区域为例，探讨我国CBERS-02B星CCD数据估算亚热带森林地上碳储量的能力。

东莞市位于广东省中南部，地理坐标为113°31'—114°15' E，22° 39'—23° 09' N，陆地面积2 465km2。地处南亚热带，年平均气温22.1 ℃，年平均降水量1 800 mm，地貌以丘陵台地、冲积平原为主，山地土壤以赤红壤为主，少量红、黄壤。历史上的东莞是森林茂密的地区，地带性森林植被类型为季风常绿阔叶林，组成种类多样而富于热带性，主要由壳斗科(Fagaceae)、樟科(Lauraceae)、山茶科(Theaceae)、大戟科(Euphorbiaceae)、桃金娘科(Myrtaceae)、杜英科(Elaeocarpaceae)、山矾科(Symplocaceae)、梧桐科(Sterculiaceae)等的一些种类为优势种所组成。由于近代人口剧增，干扰频繁，大量的毁林种果，使东莞原生性森林被破坏殆尽，现状植被以人工种植的果林、桉树(Eucalyptus)林、相思(Acacia)林、针叶林和竹林等为主，天然次生林甚少(朱剑云等，2011)。

2007年9—12月，东莞市林业科学研究所按照森林二类调查的要求对东莞市境内的191个样地进行实地调查。样地面积为60 m×20 m，由12个10 m×10 m子样地构成，如图 1所示。其中只对2，4，9和11等4个子样地的树高、胸径、年龄、数量、树种、优势树种、郁密度等植物群落数据进行了实地调查，然后换算成整个样地调查数据(朱剑云等，2011)。

	图 1 样地的设置示意 Fig. 1 Illustration of the ground sample plots

根据广东省林业调查规划院提供的二元立木材积式求算各样地蓄积量;再通过蓄积量与生物量之间的转换公式计算森林地上生物量;接着采用生物量转换因子连续函数法计算每个样地森林地上碳储量(方精云等，1996)，转换系数采用0.5;最后将每个样地的森林地上碳储量值换算成每公顷的碳储量。该研究区样地每公顷碳储量最大值是91.56 t·hm^-2，最小值是0.33 t·hm^-2，平均值是16.05 t·hm^-2。

本研究选用CBERS-02B星CCD的数据，时间是2007年12月1日，正好和地面调查数据同步;而该研究区近几年只有这个时间段的CBERS-02B星CCD有效数据。CBERS-02B星CCD数据包含5个波段，分别是蓝色波段、绿光波段、红光波段、近红外波段和一个全色波段，空间分辨率都是20 m，数据来源于中国资源卫星应用中心网站。

CBERS-02B星CCD数据预处理包括辐射纠正和几何纠正，其中辐射纠正包含辐射定标和大气纠正。辐射定标根据中国资源卫星应用中心网站提供的2007年CBERS-02B星CCD数据定标公式进行;大气纠正采用ENVI提供的QUAC快速大气校正工具，其自动从图像上收集不同物质的波谱信息，获取经验值后完成图像的快速大气纠正。几何纠正则是根据东莞市已经纠正过的高分辨率遥感影像作为参考图像，以桥梁、水库大坝、十字路口、水渠等不变的标志为控制点，在影像中选择了30个控制点均匀分布于图像，选择二次多项式纠正模型对CBERS-02B星CCD数据进行几何纠正，纠正误差小于0.5个像元。

1)波段信息波段信息是最早用于估算森林地上碳储量的遥感因子。本文将CBERS-02B星CCD数据5个波段信息作为遥感因子，分别讨论其估算森林地上碳储量的能力。

2)植被指数植被指数是光学遥感数据估算森林地上碳储量最常用的遥感因子(Foody et al.，2003)，而且大量的研究也证明植被指数和森林地上碳储量之间的关系比较密切(Moreau et al.，2003;Sannier et al.，2002;Diallo et al.，1991;Tucker et al.，1985)。目前大约有150种植被指数用于生态研究，但是只有少数的植被指数可以用于森林地上碳储量的估算(Potter et al.，2012)。在参考前人研究(Wijaya et al.，2010;Lu et al.，2004;赵宪文等，2001)的基础上，考虑研究区域和CBERS-02B星CCD数据的特点，分别选择b and 4/3(Tucker，1979)，b and 4/2，b and 4/1，b and 3/2，b and 3/1，b and 2/1，NDVI(Rouse et al.，1974a)，ND32(Lu et al.，2004)，ND21，EVI(Huete et al.，2002;Miura et al.，2001)，ARVI(Kaufman et al.，1996)，TVI(Rouse et al.，1974b)，PVI(Richardson et al.，1977)，SAVI(Huete，1988)，SAVI2(Major et al.，1990)，MSAVI2(Qi et al.，1994)，MSR(Chen，1996)，GEMI(Pinty et al.，1992)18个比较常用的植被指数，探讨CBERS-02B星CCD数据的植被指数和森林地上碳储量之间的关系。

3)纹理信息纹理是图像的重要属性信息(Haralick et al.，1973)，常用于区分图像中不同的对象和提取感兴趣的区域，在遥感影像分类、定量遥感研究等领域中具有重要作用。由于纹理可以最大限度地利用空间信息，近年来越来越多的学者采用纹理信息估算森林地上碳储量(Sarker et al.，2011;Kuplich et al.，2005)。本文采用ENVI 4.7提供的纹理计算工具提取了CBERS-02B星CCD数据每个波段的纹理信息，根据研究区的森林特性选择了3×3的窗口，具体见表 1。

表 1 纹理信息^① Tab.1 Texture information used in this study

表 1 纹理信息① Tab.1 Texture information used in this study 纹理信息 Texture information 计算公式 Formula 描述 Description ①N为灰度共生矩阵行或列数，p(i, j)为灰度共生矩阵标准化后的第i行第j列数值。Where N is the number of row or column of the gray level co-occurrence matrix, and p(i, j) is the element at row i and column j． μx =$\sum\limits_{i = 0}^{N - 1} i \sum\limits_{j = 0}^{N - 1} {p\left( {i,j} \right)} ;{\mu _y} = \sum\limits_{j = 0}^{N - 1} j \sum\limits_{i = 0}^{N - 1} {p\left( {i,j} \right)} ;{\sigma _x} = \sum\limits_{i = 0}^{N - 1} {{{\left( {1 - {\mu _x}} \right)}^2}} \sum\limits_{j = 0}^{N - 1} {p\left( {i,j} \right)} ;{\sigma _y} = \sum\limits_{j = 0}^{N - 1} {{{\left( {1 - {\mu _y}} \right)}^2}\sum\limits_{i = 0}^{N - 1} {p\left( {i,j} \right)} } .$ mean1-mean5 mean=$\sum\limits_{i = 0}^{N - 1} {} \sum\limits_{j = 0}^{N - 1} {ip\left( {i,j} \right)} $ 平均值 Mean var1-var 5 var=$\sum\limits_{i = 0}^{N - 1} {} \sum\limits_{j = 0}^{N - 1} {{{\left( {i - {\rm{mean}}} \right)}^2}p\left( {i,j} \right)} $ 方差 Variance hom1-hom5 hom=$\sum\limits_{i = 0}^{N - 1} {} \sum\limits_{j = 0}^{N - 1} {\frac{{p\left( {i,j} \right)}}{{1+{{\left( {i - j} \right)}^2}}}} $ 均一性 Homogeneity con1-con5 con=$\sum\limits_{i = 0}^{N - 1} {} \sum\limits_{j = 0}^{N - 1} {{{\left( {i - j} \right)}^2}p\left( {i,j} \right)} $ 对比度 Contrast dis1-dis 5 dis=$\sum\limits_{|i - j| = 0}^{N - 1} {|i - j|\left\{ {\sum\limits_{i = 0}^{N - 1} {} \sum\limits_{j = 0}^{N - 1} {p\left( {i,j} \right)} } \right\}} $ 相异性 Dissimilarity ent1-ent 5 ent=$\sum\limits_{i = 0}^{N - 1} {} \sum\limits_{j = 0}^{N - 1} {p\left( {i,j} \right)} \lg \left[ {p\left( {i,j} \right)} \right]$ 熵 Entropy sec1-sec5 sec=$\sum\limits_{i = 0}^{N - 1} {} \sum\limits_{j = 0}^{N - 1} {p{{\left( {i,j} \right)}^2}} $ 角二阶矩 Second moment cor1-cor5 cor=$\frac{{\sum\limits_{i = 0}^{N - 1} {} \sum\limits_{j = 0}^{N - 1} {ip\left( {i,j} \right)} - {\mu _x}{\mu _y}}}{{{\sigma _x}{\sigma _y}}}$ 相关性 Correlation

不同的学者采用不同的模型或者解析式研究遥感数据和森林地上碳储量之间的关系，如多元回归分析法、人工神经网络模型法、基准样地法以及遥感机制模型法。部分研究表明，多元回归模型比较适合中分辨率遥感卫星估算森林地上碳储量(Lu，2005;Rahman et al.，2005;2008)。因此，本文将选择波段信息、植被指数和纹理信息等遥感因子为自变量，以样地计算的森林地上碳储量为因变量，采用逐步回归策略下的多元回归模型探讨CBERS-02B星CCD数据估算亚热带森林地上碳储量的能力。

表 2反映了CBERS-02B星CCD数据波段信息和样地森林地上碳储量之间的相关性。在CBERS-02B星CCD数据5个波段中，和森林地上碳储量相关性相对较强的是绿色波段，且为正相关，这主要是因为该波段550 nm波长附近是叶绿素的强反射峰区(翁强等，2006)，而其他波段和森林地上碳储量的相关性较弱。

表 2 CBERS-02B星CCD数据波段信息和森林地上碳储量的相关性 Tab.2 Correlation coefficients between CBERS-02B CCD band reflectance and AGCS

表 2 CBERS-02B星CCD数据波段信息和森林地上碳储量的相关性 Tab.2 Correlation coefficients between CBERS-02B CCD band reflectance and AGCS 波段 蓝色波段 绿色波段 红色波段 近红外波段 全色波段 Band Band1(blue) Band2(green) Band3(red) Band4(NIR) Band5(PAN) 波段范围Band range/μm 0.45 -0.52 0.52-0.59 0.63-0.69 0.77-0.89 0.51-0.73 相关系数Correlation coefficient (R) -0.11 0.42 m -0.18 -0.06 -0.11

表 3显示了CBERS-02B星CCD数据植被指数和森林地上碳储量之间的相关性。在18个CBERS-02B星CCD数据的植被指数中，与森林地上碳储量在0.05水平上显著的有13个，在0.01水平上显著的有5个;其中和森林地上碳储量关系最强的是修改型土壤调整植被指数(MSAVI2)，其相关系数R为0.46;而NDVI，EVI等比较常用的植被指数和森林地上碳储量的相关性则一般。

表 3 CBERS-02B星CCD数据植被指数和森林地上碳储量的相关性^① Tab.3 Correlation coefficients between CBERS-02B CCD vegetation indices and AGCS

表 3 CBERS-02B星CCD数据植被指数和森林地上碳储量的相关性① Tab.3 Correlation coefficients between CBERS-02B CCD vegetation indices and AGCS 变量名 Variable 相关系数 Correlation coefficient(R) 变量名 Variable 相关系数 Correlation coefficient(R) 变量名 Variable 相关系数 Correlation coefficient(R) RVI_4_3 0.25* NDVI 0.24 * PVI 0.19 RVI_4_2 -0.41** RI -0.34** SAVI 0.24 * RVI_4_1 0.11 ND21 0.30 * SAVI2 0.23 RVI_3_2 -0.34** EVI 0.29 * MSAVI2 0.46** RVI_3_1 -0.41** ARVI 0.34 * MSR 0.25 * RVI_2_1 0.31 * TVI 0.24 GEMI 0.03 ① * 表示0.05水平上显著; **表示0.01水平上显著。* was significant at the level of α = 0.05 and **was significant at the level of α =0.01．下同。The same below．

表 4显示了CBERS-02B星CCD数据的纹理信息和森林地上碳储量之间的相关性。在40个CBERS-02B星CCD数据的纹理信息中，和森林地上碳储量在0.05水平上显著的有7个，在0.01水平上显著的有4个。其中绿色波段的平均值(mean2)纹理值和森林地上碳储量的相关性最强，其相关系数R为0.43，蓝色波段和近红外波段的对比度(con1，con4)纹理值以及红色波段方差(var3)纹理值与森林地上碳储量的相关性最弱，仅为0.01。同时，对比8个纹理信息和森林地上碳储量之间的相关性，发现角二阶矩纹理值要比其他纹理信息和森林地上碳储量的相关性强，而对比度纹理值和森林地上碳储量相关性比较弱。

表 4 CBERS-02B 星CCD 数据纹理信息和森林地上碳储量的相关性 Tab.4 Correlation coefficient between CBERS-02B CCD texture and AGCS

表 4 CBERS-02B 星CCD 数据纹理信息和森林地上碳储量的相关性 Tab.4 Correlation coefficient between CBERS-02B CCD texture and AGCS 变量名 Variable 相关系数 Correlation coefficient(R) 变量名 Variable 相关系数 Correlation coefficient(R) 变量名 Variable 相关系数 Correlation coefficient(R) 变量名 Variable 相关系数 Correlation coefficient(R) mean1 -0.11 hom2 0.01 dis3 -0.12 sec4 0.28* var1 0.04 con2 0.22 ent3 -0.32** cor4 -0.02 hom1 0.16 dis2 0.14 sec3 0.39** mean5 -0.10 con1 0.01 ent2 -0.03 cor3 0.23 var5 0.24* dis1 -0.07 sec2 0.14 mean4 -0.07 hom5 0.03 ent1 -0.24 cor2 -0.06 var4 0.06 con5 0.08 sec1 0.32** mean3 -0.19 hom4 0. 15 dis5 0.02 cor1 0.06 var3 0.01 con4 -0.01 ent5 -0.09 mean2 0.43** hom3 0.24* dis4 -0.07 sec5 0.11 var2 0.19 con3 -0.05 ent4 -0.23 cor5 -0.15

在相关性分析的基础上，分别以CBERS-02B星CCD数据的波段信息、植被指数、纹理信息等遥感因子为自变量，以研究区域内的样地森林地上碳储量为因变量，以显著水平0.05作为挑选变量的条件，并以显著水平0.1作为剔除变量的条件，采用逐步回归策略分别构建CBERS-02B星CCD数据的波段信息、植被指数、纹理信息等遥感因子的多元回归森林地上碳储量估算模型，具体见表 5。

表 5 CBERS-02B 星CCD 数据构建的森林地上碳储量估算模型 Tab.5 Regression models to estimate AGCS using band reflection, vegetation indices, and image texture of CBERS-02B CCD data

表 5 CBERS-02B 星CCD 数据构建的森林地上碳储量估算模型 Tab.5 Regression models to estimate AGCS using band reflection, vegetation indices, and image texture of CBERS-02B CCD data 遥感因子Remote sensing variables 多元回归估算模型Regression models R2 RMSE P F D-W 波谱反射率Band reflection 0.02 × band2 -9.36 0.18 20.32 0.00 13.93 1.66 植被指数Vegetation indices 0.02 × MSAVI2+129.19 × ARVI-227.08 0.31 18.69 0.00 9.67 1.68 纹理信息Texture information 1.12 × mean2+230.82 × sec3+7.20 × var5 -41.17 0.48 16.41 0.00 22.85 1.70 所有遥感因子All remote sensing variables 0.02 XMSAVI2 + 97.03 × ARVI+7.17 xvar5+184.60 × sec3 -201.73 0.53 15.66 0.00 20.34 1.90

在CBERS-02B星CCD数据5个波段中，只有绿色波段和森林地上碳储量的相关性较强，其他波段和森林地上碳储量之间的相关性较弱。因此，只有绿色波段参与了构建CBERS-02B星CCD数据波段信息的森林地上碳储量估算模型，其调整系数R²仅为0.18。

在18个CBERS-02B星CCD数据的植被指数中，有13个植被指数和森林地上碳储量显著相关，因此以这13个植被指数为自变量，经逐步回归策略最后选择了修改型土壤调整植被指数(MSAVI2)和大气阻抗植被指数(ARVI)构建了CBERS-02B星CCD数据植被指数的森林地上碳储量估算模型，其调整系数R²为0.31，明显高于波段信息的森林地上碳储量估算模型。

在40个CBERS-02B星CCD数据的纹理信息中，有7个纹理信息和森林地上碳储量显著相关，因此以这7个纹理信息为自变量，经逐步回归策略最后选择了绿色波段的平均纹理值(mean2)、红色波段的角二阶矩纹理值(sec3)和全色波段的方差纹理值(var5)构建了CBERS-02B星CCD数据纹理信息的森林地上碳储量估算模型，其调整系数R²为0.48，明显高于波段信息和植被指数的森林地上碳储量估算模型。

在5个波段信息、18个植被指数和40个纹理信息中，有1个波段信息、13个植被指数和7个纹理信息与森林地上碳储量比较显著相关，将这21个CBERS-02B星CCD数据的遥感因子作为自变量，经逐步回归策略最后选择了修改型土壤调整植被指数(MSAVI2)、大气阻抗植被指数(ARVI)、全色波段的方差纹理值(var5)、红色波段的角二阶矩纹理值(sec3)4个遥感因子构建CBERS-02B星CCD数据的森林地上碳储量估算模型，其调整系数R²为0.53，也明显高于波段信息、植被指数和纹理信息各自构建的森林地上碳储量估算模型。而且MSAVI2，ARVI，var5，sec3和常数项的t值都大于显著性水平=0.05的临界值，即4个遥感因子和常数项都在95%的水平下显著，通过了变量显著性检验。

因此，采用CBERS-02B星CCD数据估算亚热带森林地上碳储量时，不仅要采用波段信息和植被指数，而且纹理信息也是重要的遥感因子，只有将波段信息、植被指数、纹理信息结合才能提高CBERS-02B星CCD数据估算亚热带森林地上碳储量的能力。

图 2为CBERS-02B星CCD数据估算东莞森林地上碳储量的分布图。从图 2中可以看出，东莞市绝大部分地区的森林地上碳储量较低，主要是因为东莞市的果树种植区较多，其地上碳储量一般都较低;森林地上碳储量较高的区域主要集中在东莞市几个森林公园区域，这些区域主要是以阔叶混交林、桉树林和相思林为主，其地上碳储量一般都较高，如森林碳储量估算的最高值89.89 t·hm^-2，该林斑位于大岭山林场，优势树种是桉树，林斑是平地，郁闭度达到0.9，且种植时间较长，其附近的实测值是91.56 t·hm^-2，基本吻合。因此，将波段信息、植被指数、纹理信息集成构建的CBERS-02B星CCD数据森林地上碳储量估算模型反映了东莞市森林地上碳储量的实际分布情况，其精度可以满足东莞市森林碳储量的估算要求。

	图 2 CBERS-02B星CCD数据估算东莞市森林地上碳储量分布 Fig. 2 AGCS estimation map of Dongguan city using CBERS-2B data

遥感数据估算森林地上碳储量最初是采用波段信息，而且有研究表明光学遥感影像的波段信息和碳储量之间有很强的相关性(Jakubauskas et al.，1997;Roy et al.，1996;Franklin，1986)。但是CBERS-02B星CCD数据中，除了绿色波段，其他波段和碳储量的相关性都不是很强，限制了CBERS-02B星CCD数据波段信息估算碳储量的能力。这主要原因有:一是CBERS-02B星CCD数据近红外波段可能存在波段漂移(潘志强等，2008)，影响了该波段信息和森林地上碳储量之间的关系，通常情况下对于健康的植被，不仅绿色波段和森林地上碳储量的相关性较强，近红外波段和森林地上碳储量的相关性也较强(Muukkonen et al.，2005;Ardö，1992)，然而CBERS-02B星CCD数据的近红外波段和碳储量的相关性却最低，相关系数R仅为-0.06;二是波段信息易受大气、土壤、传感器性能、太阳角度等一系列因素的影响(Lu et al.，2004)，影响了其估算森林地上碳储量的能力;此外本文研究所用的CBERS-02B星CCD数据是12月份的数据，正好是亚热带森林植物生长缓慢时期，对波段信息估算森林地上碳储量也有一定的影响。

植被指数是光学遥感估算森林地上碳储量比较常用的遥感因子，特别是多数植被指数是由红色波段和近红外波段的波谱反射率不同组合得到，不仅增强了遥感光谱信息和植被生长的关系，而且还减少了大气、土壤、传感器性能、太阳角度等对估算森林地上碳储量的影响(Karnieli et al.，2001;Blackburn et al.，1999; Huete et al.，1985;Tucker，1979)，在估算温带和寒带地区的森林地上碳储量中取得不错的效果(Fuchs et al.，2009; Madugundu et al.，2008; Zheng et al.，2004)。但是由于研究区是亚热带森林，其森林结构复杂、树种较多、郁闭度较高，以及CBERS-02B星CCD数据的近红外波段可能存在一定的漂移，CBERS-02B星CCD数据的植被指数估算森林地上碳储量还存在一定的局限性(Sarker et al.，2011;Foody et al.，2001)。

尽管纹理信息是近几年才开始应用在森林地上碳储量估算的遥感因子，但是还是表现出极大的估算森林地上碳储量的能力(Kuplich et al.，2005;Luckman et al.，1997)。这可能主要是由于纹理可以减少树冠中阴影等细小噪声对植被指数等遥感因子的影响，从而可以最大限度地利用空间信息去估算森林地上碳储量，但是纹理信息和森林地上碳储量之间的具体关系还在进一步探讨中(Champion et al.，2008;Kuplich et al.，2003;2005;Luckman et al.，1997)。CBERS-02B星CCD数据纹理信息构建的森林地上碳储量估算模型精度也明显高于波段信息和植被指数构建的森林地上碳储量估算模型精度。但是纹理信息是非常复杂的属性，它会因为对象的不同、自然条件的不同以及选择窗口大小的不同而发生变化;而且在计算纹理信息时会产生大量的数据，比较难以管理(Chen et al.，2004;Franklin et al.，1996)，在估算森林地上碳储量时还有一定的限制。

长久以来我国主要依赖国外遥感数据开展各种应用研究。自1999年成功发射中巴一号星，中巴资源系列卫星就开始提供多级分辨率遥感数据，特别是CBERS-02B星CCD数据实施免费分发政策后，开创了我国遥感数据应用的新局面。本文以国产CBERS-02B星CCD数据为研究对象，开展针对亚热带森林地上碳储量的估算研究，发现将CBERS-02B星CCD数据的波段信息、植被指数、纹理信息集成构建亚热带森林地上碳储量估算模型，模型的估算精度R²达到了0.53，明显高于各自单独估算森林地上碳储量的模型精度，在一定程度上可以克服波段信息、植被指数、纹理信息各自单独估算亚热带森林地上碳储量的缺点，增强各自间的互补性，提高了CBERS-02B星CCD数据估算亚热带森林地上碳储量的能力。尽管CBERS-02B星CCD数据的近红外波段发生了漂移，对CBERS-02B星CCD数据估算亚热带森林地上碳储量的能力也有一定的影响，但是基于CBERS-02B星CCD数据估算的东莞市碳储量空间分布和东莞市实际碳储量分布情况基本一致，说明CBERS-02B星CCD数据用于亚热带的森林地上碳储量估算是可行的。

通过本文的研究，为国产遥感卫星估算亚热带森林地上碳储量的研究提供了借鉴，有助于推动我国国产遥感卫星数据在林业行业的应用，提高国产遥感卫星数据的应用水平，进一步构建基于国产遥感卫星的我国森林资源监测体系，提高森林资源监测体系中国产遥感技术运用水平具有十分重大的意义。