Remote sensing-based methods of aboveground biomass (AGB) estimation in forest ecosystems have gained increased attention, and substantial research has been conducted in the past three decades. This paper provides a survey of current biomass estimation methods using remote sensing data and discusses four critical issues – collection of field-based biomass reference data, extraction and selection of suitable variables from remote sensing data, identification of proper algorithms to develop biomass estimation models, and uncertainty analysis to refine the estimation procedure. Additionally, we discuss the impacts of scales on biomass estimation performance and describe a general biomass estimation procedure. Although optical sensor and radar data have been primary sources for AGB estimation, data saturation is an important factor resulting in estimation uncertainty. LIght Detection and Ranging (lidar) can remove data saturation, but limited availability of lidar data prevents its extensive application. This literature survey has indicated the limitations of using single-sensor data for biomass estimation and the importance of integrating multi-sensor/scale remote sensing data to produce accurate estimates over large areas. More research is needed to extract a vertical vegetation structure (e.g. canopy height) from interferometry synthetic aperture radar (InSAR) or optical stereo images to incorporate it into horizontal structures (e.g. canopy cover) in biomass estimation modeling.

Forest canopy height (FCH) is a critical parameter for forest management and ecosystem modeling, but there is a lack of accurate FCH distribution in large areas. To address this issue, this study selected Wuyishan National Park in China as a case study to explore the calibration method for mapping FCH in a complex subtropical mountainous region based on ZiYuan-3 (ZY3) stereo imagery and limited Unmanned Aerial Vehicle (UAV) LiDAR data. Pearson’s correlation analysis, Categorical Boosting (CatBoost) feature importance analysis, and causal effect analysis were used to examine major factors causing extraction errors of digital surface model (DSM) data from ZY3 stereo imagery. Different machine learning algorithms were compared and used to calibrate the DSM and FCH results. The results indicate that the DSM extraction accuracy based on ZY3 stereo imagery is primarily influenced by slope aspect, elevation, and vegetation characteristics. These influences were particularly notable in areas with a complex topography and dense vegetation coverage. A Bayesian-optimized CatBoost model with directly calibrating the original FCH (the difference between the DSM from ZY3 and high-precision digital elevation model (DEM) data) demonstrated the best prediction performance. This model produced the FCH map at a 4 m spatial resolution, the root mean square error (RMSE) was reduced from 6.47 m based on initial stereo imagery to 3.99 m after calibration, and the relative RMSE (rRMSE) was reduced from 36.52% to 22.53%. The study demonstrates the feasibility of using ZY3 imagery for regional forest canopy height mapping and confirms the superior performance of using the CatBoost algorithm in enhancing FCH calibration accuracy. These findings provide valuable insights into the multidimensional impacts of key environmental factors on FCH extraction, supporting precise forest monitoring and carbon stock assessment in complex terrains in subtropical regions.