森林在全球碳循环中起着至关重要的作用,尤其是可以有效地减轻二氧化碳的过量排放,因此如何准确地测定森林的碳汇量已经在全球引起了越来越多的关注。作为碳循环中极其重要的一个环节,如何在局部和全球尺度上,准确地定量化描述森林地上生物量（FAGB）和净初级生产力（NPP）已成为碳循环研究者、森林土地资源管理者以及政治家的中心话题之一。为了准确估计FAGB和NPP,前人已经采取了许多方法,例如森林调查、遥感以及植被和碳模型等。然而,小区域的实地观测森林生物量和NPP依然是不足的,而这极大地限制了其参数化、验证和估计过程。如果基于卫星数据的估计方法能够更加精确、高效和可靠,那么它将极大地提高我们估计和监测全球森林生态系统中的森林碳信息的能力,并且将在缓解全球气候变化中起到重要作用。尽管在此方面的研究已较多,然而,在像尼泊尔这样的国家,区域和全国尺度上的时空FAGB和NPP信息仍较为缺乏。另外,对于它们的定量估计而言,现在依然没有恰当的方法可以低成本,可重复地给出高精度的结果,这一点对发展中国家尤为重要。为了克服以上研究问题,本文的研究目的可以大致分为:1)使用多种分辨率的光学影像、谷歌地球甚高分辨率影像（GEVHR）以及虚拟样地发展一种双尺度的FAGB估计方法。2)估计尼泊尔不同地形和不同森林类型下的森林覆盖度和FAGB并分析其时空变化特征。3)使用北方森林生态系统生产力模拟（BEPS）模型估计尼泊尔森林2000-2015年的净初级生产力及其时空变化趋势。对于双尺度的FAGB估计方法,本研究使用了尼泊尔Chitwan地区的Geo Eye-1（0.46m）,Landsat（30m）and GEVHR,Quick Bird（0.65m）等影像。在局地尺度（kayerkhola流域）上,我们基于对象的图像分析技术（OBIA）,利用Geoeye影像来描述整个地区的树冠信息,单块样地的树冠覆盖度（TCC）匹配的总体精度是83%。然后,我们基于Geo Eye的TCC和野外样地数据的FAGB发展了TCC vs.FAGB模型,模型中的相关系数可以达到0.76,模型验证中相关系数可以达到0.83。为了将FAGB升尺度至整个研究区,我们利用开源的GEVHR影像作为虚拟样地来描述TCC并且计算它的FAGB,然后利用多元自适应回归样条机器学习算法,在模型中引入Landsat 8影像和植被指数,然后利用此模型在整个研究区上计算FAGB。此方法极大地减少了对实地数据和商业甚高分辨率影像的需求,而又可以实现在局地和区域尺度上以更高的分辨率和精度以及更小的误差来获得森林信息并估计FAGB。本文提出的方法可以作为高效估计FAGB和碳的极具前景的方法之一,即使在有限的数据源和时间的条件下也具有可重复性。此方法尤其适用于在碳估计领域经费不足的发展中国家,也可用于“碳排放减少-森林砍伐和退化（REDD+）”系统以及“监测报告和验证（MRV）”过程。在对森林覆盖和FAGB的估计及其时空分析中,我们展示了到目前为止第一个全国尺度的森林覆盖类型和森林地上生物量的研究,以及尼泊尔在2000、2010和2015年的30米分辨率的树冠覆盖度。本研究综合利用Landsat影像、实地观测样本图以及谷歌地球影像对尼泊尔的森林覆盖类型和FAGB进行了估计。森林覆盖类型估计的整体精度可以达到87%,卡帕系数达到0.89。同样地,对于2010年的FAGB,我们使用多元线性回归方法对其进行的估计也通过了置信区间为99.9%的显著性检验,R2可以达到0.7,RMSE是98 tons ha-1。对2000和2015年的FAGB的估计,我们使用了FAGB vs.TCC模型,R2可以达到0.8。尼泊尔整体的森林面积在逐渐增加,从2000年占总面积的37.9%到2010年的40.2%再到2015年的42.8%。FAGB也在增加,从2000年的9.11亿吨到2010年的11.02亿吨再到2015年的11.09亿吨。阔叶密林在其中起到了重要的作用:对FAGB的贡献,在2000、2010、2015年的总占比分别为47%、47%、50%;对森林面积,在2000、2010、2015年的总占比分别为37%、36%、38%;对FAGB生产力,在2000、2010、2015年的分别为214、242、240tons/ha。就地形而言,平原地区可以产生更多的FAGB,在2000、2010、2015年分别占到36%、42%、39%,尽管它的森林覆盖面积（在2000、2010、2015年分别仅占29%、30%、27%）在此三种地形中是最小的。本研究得到的全国范围内的FAGB地图将会帮助提高尼泊尔的碳动态估计的精度,对环境保护涉及到的多种问题也具有重要意义。另外,这些数据也可以用来辅助制定全国以及区域尺度上的可持续土地利用发展战略,并且可以帮助达到一些全球共识。对于尼泊尔森林NPP的估计,我们旨在理解尼泊尔森林NPP的时空变化。我们使用BEPS模型估计了2000-2015年的日、月、年尺度的NPP。叶面积指数数据（LAI）、气象数据和一些别的参数,例如土壤数据、树覆盖度、生物量、田间含水量以及萎蔫点是BEPS模型的主要输入参数。我们的研究发现整个森林的NPP值在时间和空间上都有变化,尽管有些年稍有波动,但整体上呈上升趋势。整个研究时期内的NPP的日均值在1.3-1.7 gm m-2day-1之间,最高值出现在2014年,最小值出现在2000年,整体的NPP日均值的变化趋势是1.65 gm m-2day-1。平原地区的NPP的平均生产力最高,接下来是丘陵地区的,山区的最小。对于季节变化,NPP的月均值在4.1-7.1 kg m-2month-1之间,平均值是6.2 kg m-2month-1。NPP最大值出现在10月,其次是5月,最低值在12月和1月。NPP的季节平均值在雨季后达到最大,而在冬季降到最低,这表明了土壤湿度和太阳辐射在植被生产力变化中的重要性。NPP的年平均值是1.2 kg m-2year-1,所有年总平均值是19 kg m-2。研究发现NPP受LAI、降水、太阳辐射以及温度的影响极大。2000-2016年的NPP与LAI的相关性极为显著,尤其是在平原地区。另外,当观察不同森林类型下的NPP的变化时,本研究发现阔叶林的NPP(1.97 gm m-2day-1)约是针叶林(1.18 gm m-2day-1)的1.7倍。同时,我们也发现坡度小于15%的地区对应更高的NPP。本文的研究结果展示了尼泊尔森林NPP的年内和年际间的时空变化趋势以及地形因素对其的影响,也揭示了NPP和不同的气候因子和植被参数的关系,这些信息对森林生态系统监测、管理以及具体计划的实施都具有重要意义。