为探索L波段全极化合成孔径雷达（Synthetic Aperture Radar,SAR）数据估算森林地上生物量（Aboveground biomass,AGB）的潜力，基于非洲合成孔径雷达（AfricaSAR）项目无人机合成孔径雷达（Unmanned Aero Vehicle Synthetic Aperture Radar,UAVSAR）数据的冠层-地面散射分量构建5种极化散射比参数（R_1、R_2、R_3、R_4、R_5），计算雷达植被指数（Radar Vegetation Index,RVI），采用六分量和七分量分解等4种基于模型的分解提取21个极化分解参数，最后合并所有特征并采用随机森林特征重要性筛选出最优特征组合，采用随机森林（Random forest,RF）、支持向量机回归（Support vector machine regression,SVR）、K最近邻回归（K-nearest neighbor regression,KNN）对不同特征组合估测非洲加蓬洛佩（Lope）区的森林地上生物量。结果表明，极化散射比参数、体散射（Vol）和雷达植物指数（Radar Vagetation Index,RVI）对森林AGB具有较高的敏感性，R~2与AGB的相关性为0.823，最优特征组合为Vol、极化散射比参数和RVI。不同特征组合的机器学习模型均表现出较好的效果，基于极化分解参数机器学习模型的决定系数（R~2）大于0.800，均方根误差（RMSE）小于88.000 Mg/hm~2，效果最好的是基于最优特征组合的RF模型，对比单独使用极化分解参数，R~2提高0.144,RMSE降低30.327 Mg/hm~2。极化散射比参数在森林AGB估计中具有一定的潜力，引入RVI提高模型精度，基于模型的分解适用于森林AGB估测，特征筛选的机器学习模型能较好地反演森林AGB，并在AGB达到400.000 Mg/hm~2未出现明显饱和点。