森林生物量与陆地生态系统的物质循环和能量流动过程密切相关,是评估森林碳收支的重要参数。森林生物量作为反映森林质量和生态效益的重要指标,对区域森林资源管理和环境保护具有重要的指导作用。本研究以黑河上游小流域为例,利用机载LiDAR（Light Detection And Ranging）数据、资源三号光学数据和地形数据为数据源,结合实地采样的森林地上生物量数据,探索了五种预测模型包括随机森林算法、支持向量机、BP神经网络、K阶最近邻和广义线性混合模型对森林地上生物量估算结果精度的影响。在生物量预测过程中,通过对不同数据源和建模方法进行精度对比,选择出本研究区森林地上生物量估测的最佳数据源和预测方法,从而实现森林地上生物量的预测制图。进一步在反演的森林地上生物量分布图的基础上,结合实地采样的森林土壤点不同土层的土壤颗粒组成含量数据,提取出采样点的生物量数据,并加入地形和植被指数数据组成不同的预测数据集。并在此基础上利用随机森林算法,研究不同预测数据集的土壤颗粒组成预测的精度,从而探究辅以森林地上生物量数据对不同土层深度的土壤颗粒组成含量的预测的影响。本研究主要结论如下:（1）研究区森林地上生物量与光学数据提取的归一化植被指数和纹理特征信息分别在0.05和0.01水平上呈显著正相关。研究区森林地上生物量与机载LiDAR数据预测变量的相关性分析中,样方激光高度平均值与生物量的相关性最强,Pearson相关系数达到了 0.854,并且在0.01水平上呈现显著正相关。其次是冠层盖度和样方激光高度的最大值,Pearson相关系数分别是0.808和0.793,并且在0.01水平上呈现显著正相关。地形因子与森林地上生物量的关系中,不同海拔梯度的生物量分布并没有显著差异性;在不同坡度的森林地上生物量分布中,平坡的森林地上生物量最高,达到104.767 t/ha,且平坡的森林地上生物量与陡坡的森林地上生物量在0.05水平上具有极显著差异性;按不同坡向比较,森林生物量在北坡最高,且北坡的森林生物量与其他坡向的生物量呈现显著性差异。森林地上生物量与地形湿度指数与多分辨率谷底平面度指数在0.01水平呈现显著负相关,Pearson相关系数分别-0.451和-0.245。（2）本研究构建了五种森林地上生物量预测变量数据集:光学数据、机载LiDAR数据、光学数据和地形数据、机载LiDAR数据和地形数据以及融合光学和机载LiDAR数据的数据集和五种预测方法:随机森林算法、支持向量机、BP神经网络、K阶最近邻和广义线性混合模型对黑河上游小流域的森林地上生物量进行估测。研究结果表明:在生物量预测模型中,无论使用哪种数据集,基于随机森林算法的模型精度在五种模型中最高。利用随机森林算法对生物量进行预测时,使用机载LiDAR数据的模型预测精度（R2=0.899,RMSE=14.0 t/ha）要高于光学数据（R2=0.835,RMSE=22.724 t/ha）。与使用单一的机载LiDAR数据和光学数据相比,基于融合光学和机载LiDAR数据的森林地上生物量模型精度（R2=0.913,RMSE=13.352 t/ha）是最佳的。在森林生物量预测模型中,加入地形数据后模型的预测精度能够得到轻微地提高,特别是对光学数据的效果较为明显。（3）本研究分析了黑河上游小流域地区土壤颗粒组成的分布特征以及其与森林地上生物量、植被指数和地形因子之间的关系,结果表明地形地貌和植被等因子对土壤颗粒组成影响较大。在土壤颗粒组成与植被因子的关系中,在0-10 cm 土层,森林地上生物量与土壤砂粒含量在0.01水平呈显著正相关,NDVI与土壤黏粒和砂粒含量在0.05水平呈现显著正相关。在10-20 cm 土层,生物量与土壤粉粒含量在0.01呈显著负相关,与土壤砂粒含量呈显著正相关。在20-30 cm 土层,生物量与土壤颗粒组成含量并无显著相关性。地形因子和土壤颗粒组成含量相关性分析方面,研究区土壤黏粒含量随着海拔的降低呈现逐渐增加的趋势,黏粒含量、粉粒含量和砂粒含量的分布受到了坡度因素的影响。研究区土壤黏粒含量和粉粒含量的分布受坡向影响较小,而土壤砂粒含量的分布在不同的坡向具有显著差异性。总体而言,黑河上游小流域土壤颗粒组成分布存在一定的规律性,植被和地形等因子影响着研究区土壤颗粒组成的形成和运移。（4）本研究基于单一的地形数据、地形数据和植被指数以及地形数据和植被生物量三种预测数据集,利用随机森林算法对土壤颗粒组成含量进行预测。结果表明,在0-10 cm、10-20 cm和20-30 cm的土层深度,基于地形数据的土壤粉粒含量预测结果的精度最高,其次是土壤黏粒含量的预测结果。基于地形数据和植被指数的土壤黏粒含量的预测模型最优,其次是土壤砂粒含量,最差的是土壤粉粒含量预测模型。基于地形数据和生物量的土壤颗粒组成含量预测模型中,土壤粉粒含量的预测模型精度总体最优,其次是土壤黏粒含量,最差的是土壤砂粒含量。在土层深度0-10 cm,加入植被生物量因子能够提高土壤黏粒含量、粉粒含量和砂粒含量的预测精度。在10-20 cm 土层深度,加入生物量数据能够提高土壤黏粒含量预测模型的精度,而对土壤粉粒含量和砂粒含量的预测结果影响不大。在20-30cm的土层深度,生物量预测因子的加入对土壤黏粒、粉粒和砂粒含量的预测结果精度影响不大。