姬永杰，楊叢瑞，張王菲，曾 鵬，張甫香，屈亞妮

（1. 西南林業(yè)大學(xué) 地理與生態(tài)旅游學(xué)院，云南 昆明 650224；2. 西南林業(yè)大學(xué) 國家林業(yè)和草原局西南生態(tài)文明研究中心，云南 昆明 650224；3. 云南省紅河州測繪地理信息服務(wù)中心，云南 紅河 661199；4. 西南林業(yè)大學(xué)林學(xué)院，云南 昆明 650224）

森林在陸地生態(tài)系統(tǒng)中發(fā)揮著重要的碳匯作用。森林生物量的空間精準(zhǔn)量化對(duì)了解陸地碳儲(chǔ)量、碳收支、碳平衡，以及它們與全球氣候變化之間的關(guān)系具有重要意義[1-3]。森林地上生物量(AGB)為林木干、枝、葉的有機(jī)體干質(zhì)量，不含林木根部、灌木、草本及林下枯枝落葉，是森林生物量的主體部分。近年來，采用遙感技術(shù)反演森林AGB展露出巨大的潛力，光學(xué)、激光雷達(dá)(LiDAR)、被動(dòng)微波雷達(dá)和合成孔徑雷達(dá)(SAR)等多種遙感數(shù)據(jù)用于森林AGB的估測，使得森林AGB估測的區(qū)域尺度性、經(jīng)濟(jì)性及精度等不斷提升[3-7]。其中，SAR不受天時(shí)、天氣的影響，且微波波長較長，在森林中具有較強(qiáng)的穿透能力，因此在獲取森林密度、樹高、AGB等森林垂直結(jié)構(gòu)因子方面極具潛力[2,8-10]。SAR估測森林AGB的能力有賴于其工作頻率的高低，大量研究證實(shí)了低頻波段后向散射對(duì)森林AGB變化的敏感性更強(qiáng)。在常用于森林監(jiān)測的微波波段中，頻率較低的P波段SAR后向散射系數(shù)對(duì)森林AGB變化最為敏感[11-13]。目前P波段的研究多基于機(jī)載數(shù)據(jù)展開，且研究區(qū)多位于國外，而國內(nèi)相關(guān)研究則開展較少。CARTUS等[1]基于AfriSAR、BioSAR和TropiSAR機(jī)載飛行試驗(yàn)，使用P、C、L波段聯(lián)合進(jìn)行了森林AGB反演，結(jié)果表明P波段與森林結(jié)構(gòu)因子的樹干、樹枝的相關(guān)性較高，P波段的加入有力地提高了反演的準(zhǔn)確度和精度。LIAO等[14]使用TropiSAR機(jī)載P波段數(shù)據(jù)，采用層析方法(TomoSAR)將相干幅度、干涉相位和后向散射特征建模對(duì)法屬圭亞那熱帶雨林AGB進(jìn)行了反演，結(jié)果表明樹高特征的引入可有效提高森林AGB反演精度，決定系數(shù)(R2)最高可達(dá)0.7。馮琦等[10]使用國產(chǎn)機(jī)載P波段數(shù)據(jù)結(jié)合坡度因子，在考慮當(dāng)?shù)厝肷浣呛推露鹊那闆r下建立對(duì)數(shù)統(tǒng)計(jì)模型，對(duì)內(nèi)蒙古根河市生態(tài)站的寒溫帶針葉林進(jìn)行森林AGB的反演，最高反演精度R2為0.634、均方根誤差(RMSE)為12.07 t·hm-2。

現(xiàn)有采用P波段SAR數(shù)據(jù)進(jìn)行的森林AGB估測，多集中在采用P波段的后向散射信息、相位和相干性信息，而對(duì)于極化信息的利用則較少。由于SAR信息的差異，使得其用于森林AGB估測的方法也差異明顯，如采用后向散射信息估測森林地上生物量，多采用線性回歸參數(shù)模型；而采用相位和相干性信息利用層析技術(shù)進(jìn)行森林AGB估測則多基于植被微波散射模型或電磁波信號(hào)模型進(jìn)行反演。線性回歸模型簡單靈活，但通常無法表征P波段特征與森林AGB變化之間的復(fù)雜關(guān)系；植被散射模型或者電磁波信號(hào)模型能夠體現(xiàn)森林與P波段電磁波之間的部分物理作用機(jī)制，但模型較復(fù)雜，應(yīng)用推廣困難。

近年來，隨著極化SAR數(shù)據(jù)的豐富，可提取的極化SAR特征涌現(xiàn)，非參數(shù)模型被廣泛應(yīng)用于SAR極化特征農(nóng)作物生長參數(shù)的定量反演，并表現(xiàn)出較強(qiáng)的反演能力和較好的應(yīng)用推廣性。鑒于P在森林監(jiān)測中的潛力，其極化特征在森林AGB估測中并未深入探索，參數(shù)模型過于簡單、植被微波散射模型理解過于困難，本研究以中國北方典型寒溫帶森林作為研究對(duì)象，使用機(jī)載P波段SAR數(shù)據(jù)，提取多種極化特征，在分析其P波段極化散射特征的基礎(chǔ)上，探索采用參數(shù)和非參數(shù)模型進(jìn)行森林AGB估測的可行性，旨在明確P波段森林的極化散射特征，探索采用P波段極化SAR數(shù)據(jù)進(jìn)行森林AGB估測具體應(yīng)用的有效方法。

1 研究區(qū)概況

研究區(qū)為位于內(nèi)蒙古呼倫貝爾盟的根河市大興安嶺森林生態(tài)系統(tǒng)國家野外科學(xué)觀測研究站(大興安嶺生態(tài)站)，50°49′～50°51′N，121°30′～121°31′E。該研究站是中國緯度最高的森林生態(tài)研究站，面積為102 km2。研究區(qū)氣候類型為典型的寒溫帶大陸性季風(fēng)氣候。研究區(qū)地勢(shì)相對(duì)平緩，區(qū)域內(nèi)80%的坡度小于15°，海拔高度分布在800～1 200 m，森林覆蓋率大于75%，主要樹種為興安落葉松Larix gmelinii、白樺Betula platyphylla、樟子松Pinus sylvestrisvar.mongolica等。

2 數(shù)據(jù)獲取與預(yù)處理

2.1 P波段SAR數(shù)據(jù)獲取與預(yù)處理

采用的P波段SAR數(shù)據(jù)由機(jī)載CAMSAR系統(tǒng)獲得[15]。通過協(xié)議方式獲取根河實(shí)驗(yàn)區(qū)機(jī)載P波段全極化(HH/HV/VV/VH) SLC數(shù)據(jù)。該數(shù)據(jù)是2013年9月以“獎(jiǎng)狀Ⅱ”飛機(jī)平臺(tái)，以CASMSAR系統(tǒng)右視觀測獲取的全極化SAR數(shù)據(jù)。獲取過程中飛行方向?yàn)樽晕飨驏|，飛行高度為5 807 m，獲取時(shí)間為2013年9月13—16日，極化方式為HH/HV/VH/VV，產(chǎn)品模式為SLC，幅寬為6 km × 7 km，中心入射角為55.058°，距離向分辨率為0.666 m，方位向分辨率為0.625 m。機(jī)載P波段SAR數(shù)據(jù)的預(yù)處理關(guān)鍵步驟包括多視處理、正射校正、入射角校正和極化方位角校正。多視視數(shù)在距離向和方位向均為3，數(shù)據(jù)的正射校正、入射校正參考文獻(xiàn)[10]；極化方位角校正過程和算法見文獻(xiàn)[16]。P波段SAR數(shù)據(jù)預(yù)處理結(jié)果、森林AGB抽樣點(diǎn)及林分概況見圖1。

圖 1 P波段SAR數(shù)據(jù)(A)及其覆蓋區(qū)樣點(diǎn)分布(B)、林分概況(C)Figure 1 P band SAR data (A), the distribution of samples (B) and stand examples (C)

2.2 激光雷達(dá)(LiDAR)數(shù)據(jù)獲取與預(yù)處理

LiDAR獲取的數(shù)字表面模型(DSM)、數(shù)字高程模型(DEM)用于P波段SAR數(shù)據(jù)的地理編碼，由冠層高度模型(CHM)獲取的LiDAR森林AGB數(shù)據(jù)用于反演模型的訓(xùn)練及驗(yàn)證。本研究獲取的機(jī)載LiDAR數(shù)據(jù)是將Leica機(jī)載雷達(dá)系統(tǒng)荷載于“運(yùn)-5”飛機(jī)平臺(tái)上，于2012年8—9月在根河實(shí)驗(yàn)區(qū)開展飛行任務(wù)。該原始數(shù)據(jù)密度為5.6個(gè)·m-2的點(diǎn)云數(shù)據(jù)，激光中心波譜值為1 550 nm，在初始點(diǎn)云數(shù)據(jù)的基礎(chǔ)上，提取了研究區(qū)域高精度的DEM (圖2A)、CHM (圖2B)和森林AGB(圖2C)等衍生產(chǎn)品。DSM、DEM、CHM數(shù)據(jù)的詳細(xì)生成方法參考文獻(xiàn)[17]，高精度LiDAR森林AGB的詳細(xì)提取過程與方法參考文獻(xiàn)[10,18]。

圖 2 LiDAR衍生數(shù)據(jù)Figure 2 Lidar derived data

為保證建模樣本和驗(yàn)證樣本能夠代表整個(gè)研究區(qū)的森林AGB水平，以高精度LiDAR森林AGB圖為基礎(chǔ)，按照750 m的空間采樣間隔，在ArcGIS中采用交互人工干預(yù)(去除道路及裸露地物)的方法選取113個(gè)樣點(diǎn)(圖1B)作為森林AGB反演模型的訓(xùn)練與驗(yàn)證。機(jī)載P波段SAR數(shù)據(jù)覆蓋區(qū)森林林相不均勻，平均AGB較低，約46.7 t·hm-2，且大于100 t·hm-2的采樣點(diǎn)僅有5個(gè)。113個(gè)樣點(diǎn)AGB以10 t·hm-2間 隔 得 分 布 情 況(圖1B)：0～10 t·hm-2，3個(gè)；＞10～20 t·hm-2，14個(gè)；＞20～30 t·hm-2，17個(gè)；＞30～40 t·hm-2，17個(gè)；＞40～50 t·hm-2，18個(gè)；＞50～60 t·hm-2，14個(gè)；＞60～70 t·hm-2，10個(gè)；＞70～80 t·hm-2，8個(gè)；＞80～90 t·hm-2，7個(gè)；＞90 t·hm-2，5個(gè)。

3 方法

3.1 森林P波段極化散射特征分析

極化目標(biāo)分解方法是從全極化數(shù)據(jù)中提取地物極化信息的有效方法，目前多種極化分解參數(shù)在森林類型識(shí)別中表現(xiàn)出巨大的潛力。本研究采用目前常用的極化后向散射系數(shù)、常用的3種極化分解方法提取極化SAR特征，并基于此分析森林的極化散射特征。提取P波段HH、HV和VV等3個(gè)極化的后向散射系數(shù)，基于3個(gè)后向散射系數(shù)的雷達(dá)植被指數(shù)(RVI)、極化辨別率參數(shù)(PDR)；基于Freeman-Durden三分量分解的體散射分量(FVOL)、單次散射分量(FODD)、二次散射分量(FDBL)、體地散射比分量(FD1/FD2，1表示地散射分量是ODD和DBL的和，2表示地散射分量僅為ODD)；基于Yamaguchi的體散射分量(YVOL)、單次散射分量(YODD)、二次散射分量(YDBL)、螺旋體散射分量(YHLX)；基于H-A-ALPHA極化分解的極化散射熵(entropy)、反熵(anisotropy)、散射角(alpha)、目標(biāo)方位向角(beta)、相位差角1(gamma)、相位差角2(delta)。3種極化分解方法參考文獻(xiàn)[19-20]。由于本次飛行試驗(yàn)時(shí)并未布設(shè)角反射器用于定標(biāo)，因此本研究使用的后向散射系數(shù)值僅有相對(duì)含義。

森林在P波段極化特征響應(yīng)分析的目的是為了確定P波段對(duì)森林AGB動(dòng)態(tài)變化敏感的極化特征參數(shù)，從而確定有效的極化特征參數(shù)進(jìn)行森林AGB的估測。將研究區(qū)的森林AGB劃分為A (表示生物量在0～30 t·hm-2變化時(shí)對(duì)應(yīng)后向散射系數(shù)的箱線變化，均值約20 t·hm-2)，B (31～50 t·hm-2，40 t·hm-2)，C (51～70 t·hm-2，60 t·hm-2)，D (71～90 t·hm-2，80 t·hm-2)，E (＞91 t·hm-2，100 t·hm-2)等5個(gè)變化等級(jí)，分別制作各等級(jí)相應(yīng)P波段SAR提取參數(shù)值的箱線圖，分析研究區(qū)各極化特征參數(shù)對(duì)森林AGB動(dòng)態(tài)變化的響應(yīng)，進(jìn)而分析其極化散射特征。為了定量的分析各極化特征與森林AGB變化的關(guān)系，計(jì)算了它們之間的皮爾遜相關(guān)系數(shù)及顯著性水平。

圖 3 P波段森林散射機(jī)制分析Figure 3 Forest scattering mechanism analysis at P band

3.2 森林AGB估測方法

3.2.1 多元線性逐步回歸模型 多元線性逐步回歸模型(MLR)是森林AGB估測中最常用、最經(jīng)典的方法之一。與常規(guī)的線性回歸模型相比，MLR可同時(shí)完成模型輸入?yún)?shù)的優(yōu)選，進(jìn)而提高森林AGB估測的效率和精度。MLR是將自變量逐個(gè)引入，每次判斷自變量對(duì)因變量影響的顯著性，并對(duì)模型中的自變量進(jìn)行檢驗(yàn)，逐個(gè)從模型中剔除不顯著的變量，從而得到最優(yōu)模型。即在保證顯著性值在0.05以下的情況下，篩選相關(guān)性高的特征變量，進(jìn)而得到因變量的最優(yōu)估計(jì)。MLR的實(shí)現(xiàn)算法詳見文獻(xiàn)[21]。

3.2.2 KNN、SVR、RF非參數(shù)模型 KNN[22-25]、SVR[22,24]和RF[24,26]是森林AGB估測中常用的非參數(shù)模型，與參數(shù)模型相比，無固定的模型結(jié)構(gòu)，通常通過數(shù)據(jù)驅(qū)動(dòng)的方法來確定模型結(jié)構(gòu)并用于森林AGB的估測，因此也稱為機(jī)器學(xué)習(xí)方法。在森林AGB估測中，這3種方法各有優(yōu)勢(shì)，因此選取這3種方法來探究非參數(shù)方法在P波段森林AGB估測中的潛力。

3.3 P波段森林AGB估測結(jié)果精度驗(yàn)證

反演結(jié)果精度的定量評(píng)價(jià)通過反演結(jié)果與真值之間的決定系數(shù)(R2)、均方根誤差(RMSE)、平均絕對(duì)誤差(MAE)、估測精度(Acc)來表征。這4個(gè)參數(shù)的計(jì)算公式參考文獻(xiàn)[27]。

4 結(jié)果與分析

4.1 森林P波段極化散射特征分析

本研究獲取的P波段中心波長為64 cm，該波段在森林中的穿透性較強(qiáng)。由圖3可知：P波段20個(gè)SAR特征均表現(xiàn)出對(duì)研究區(qū)森林AGB變化的敏感性。P波段3種極化方式后向散射系數(shù)對(duì)森林AGB在0～110 t·hm-2內(nèi)動(dòng)態(tài)變化的響應(yīng)與已有研究[28]相似，即后向散射系數(shù)的值均隨著森林AGB的升高而緩慢增長。在各森林AGB水平中，HH、HV和VV散射能量強(qiáng)度相差并不明顯，并且從箱線圖(圖3)的中值可以看出：HH的單調(diào)增長趨勢(shì)較其他2個(gè)極化明顯，且異常值較少。這可能是由于P波段波長較長，比較粗樹干等圓柱體形狀的散射體為森林中的散射體，使得去極化特征明顯降低，因此同極化的HH和VV后向散射能量對(duì)AGB變化的敏感性明顯高于HV[29]。此外，由后向散射系數(shù)計(jì)算的RVI也隨著森林AGB增加而單調(diào)增加且未出現(xiàn)飽和現(xiàn)象，并且通過箱線圖的寬度變化可以看出：各水平RVI箱寬變化不明顯，說明該值對(duì)森林結(jié)構(gòu)的變化不敏感，而對(duì)森林AGB的變化比較敏感。相比RVI，PDR非單調(diào)增長，在不同森林AGB水平，占主導(dǎo)散射的散射體會(huì)發(fā)生明顯變化[30-31]，該現(xiàn)象也可由Freeman-Durden中各個(gè)參數(shù)隨森林AGB變化的響應(yīng)加以說明。P波段Freeman-Durden分解相關(guān)特征中，除FODD和FDBL外，均隨著森林AGB的增加而增加，并且2種體地散射比的值均遠(yuǎn)遠(yuǎn)大于1。Yamaguchi分解特征對(duì)森林AGB的響應(yīng)趨勢(shì)與Freeman-Durden分解相關(guān)特征的趨勢(shì)基本一致。P波段H-A-ALPHA分解提取的參數(shù)中，散射熵(entropy)隨著森林AGB增加而單調(diào)增加，而alpha則敏感性不明顯。但beta、gamma和delta對(duì)森林AGB變化的敏感性則高于散射角alpha。P波段森林的極化散射特征隨森林AGB的變化與已有研究中短波長的研究差異明顯，說明現(xiàn)有的極化分解建模方法與該森林AGB水平P波段的散射特征有明顯差異。

由表1可知：極化分解中表征體散射分量的極化特征與森林AGB變化的顯著性較低或不存在顯著性，而二次散射特征分量則與森林AGB變化具有強(qiáng)相關(guān)性且顯著性水平最高。這說明在本研究區(qū)，樹干與地表形成的二次散射對(duì)森林AGB的變化最為敏感，且目前極化分解中的體散模型并不適合P波段研究區(qū)森林AGB水平下森林的散射機(jī)制。表1的定量分析結(jié)果與圖4的定性分析結(jié)果對(duì)比可知：由于各極化參數(shù)的值域范圍差異明顯，圖3對(duì)森林AGB敏感性較明顯的參數(shù)在定量分析時(shí)相關(guān)性并不一定最高，因此圖4的分析僅可作為初步參考，對(duì)于森林AGB敏感的極化特征參數(shù)的分析，仍需要采用皮爾遜系數(shù)進(jìn)行相關(guān)性定量分析。

表 1 P波段SAR極化特征與森林AGB相關(guān)性分析Table 1 Correlation coefficients of polarization feature and forest AGB

4.2 森林AGB估測結(jié)果分析

從表2可知：4種模型中，MLR模型估測結(jié)果精度最低，RF精度最高；而KNN和SVR模型的估測精度則相近，R2相同，RMSE、MAE和Acc也基本相同，比RF估測結(jié)果的最高值僅低約2%。

表 2 基于4種模型的P波段SAR 森林AGB估測結(jié)果Table 2 P band SAR forest AGB inversion using four models

從圖4可看出：在整個(gè)森林AGB分布中，MLR估測結(jié)果分布較其他3種非參數(shù)方法分散，在森林AGB大于80 t·hm-2時(shí)出現(xiàn)了明顯的飽和低估現(xiàn)象。其他3種方法盡管也有低估的現(xiàn)象，但是飽和現(xiàn)象并不明顯。此外，本研究中4種方法估測結(jié)果的相對(duì)誤差約30%，而以往區(qū)域性森林AGB的估測誤差為37%～67%[32]，采用P波段HV后向散射系數(shù)的估測結(jié)果中，同質(zhì)性森林地區(qū)的相對(duì)誤差約13%，而異質(zhì)性地區(qū)相對(duì)誤差則約60%[28]。在采用L-波段極化分解參數(shù)進(jìn)行森林AGB反演研究中，在森林AGB水平低于120 t·hm-2時(shí)，后向散射的特征優(yōu)于3種極化分解的特征，這與本研究中P波段的研究結(jié)果基本一致[33]。4種方法的估測結(jié)果中均出現(xiàn)了低值高估和高值低估的現(xiàn)象，這與以往采用不同遙感數(shù)據(jù)源進(jìn)行森林AGB估測的結(jié)果一致[32]。圖5中，RF的殘差分布最接近高斯分布，盡管峰值出現(xiàn)在10 t·hm-2左右，由于其值分布較窄，因此具有較高的估測精度。KNN和SVR的殘差分布圖均較為連續(xù)，并且分布區(qū)間明顯高于MLR，但由于正值占比較大，因此總體上呈現(xiàn)高估現(xiàn)象。MLR估測結(jié)果的殘差分布圖在10和20 t·hm-2出現(xiàn)了2個(gè)明顯的峰值，且所有殘差值的分布范圍較寬，解釋了其估測精度低于其他3種方法的原因。在ENGHART等[34]基于C和L-波段參數(shù)和非參數(shù)方法森林AGB估測的研究中，也發(fā)現(xiàn)MLR的估測結(jié)果要略低于非參數(shù)模型。然而參數(shù)和非參數(shù)模型的適用性還受到訓(xùn)練樣本大小的影響，因此在訓(xùn)練樣本較大時(shí)可選擇非參數(shù)模型進(jìn)行估測，當(dāng)樣本較小時(shí)則可優(yōu)先選擇MLR方法進(jìn)行森林AGB估測[32]。

圖 4 4種模型森林AGB估測與LiDAR抽樣點(diǎn)散點(diǎn)圖Figure 4 Scatter plots of estimated and LiDAR forest AGB of four models

圖 5 森林AGB估測結(jié)果與LiDAR抽樣點(diǎn)差值直Figure 5 Histograms of difference between forest AGB estimation results and LiDAR sampling points

為了進(jìn)一步分析P波段極化特征對(duì)森林AGB估測的潛力，本研究將研究區(qū)森林AGB劃分為不同的等級(jí)，然后采用4種估測模型中估測結(jié)果最優(yōu)的RF模型進(jìn)行估測，估測結(jié)果見表3。在本研究中將森林AGB劃分為3組，其中第1組分別以30、60 t·hm-2為邊界劃分為3個(gè)子組；而第2組和第3組分別以40和50 t·hm-2為界劃分為2個(gè)子組。由表3可知：分組界限不同，估測精度有明顯的差異，分組劃分越詳細(xì)，估測精度(Acc)越高；此外，3種分組情況的估測結(jié)果均表明：在森林AGB平均值約45 t·hm-2，最高值不超過120 t·hm-2時(shí)，P波段在森林AGB水平較高的分組估測精度較高，如在第1組中，森林AGB大于30 t·hm-2分組的估測精度比小于30 t·hm-2分組的估測精約高5%；而在以50 t·hm-2為分組界限的2組中，森林高AGB組的估測精度比低AGB組的估測精度約高出6%。表3的結(jié)果分析表明：待估森林的AGB水平對(duì)P波段極化特征進(jìn)行森林AGB估測的估測精度有明顯影響，且P波段極化信息更適合森林AGB較高區(qū)域森林AGB的估測。

表 3 基于4種模型的P波段SAR 森林AGB反演情況Table 3 P band SAR forest AGB inversion based on four models

5 結(jié)論

針對(duì)P波段極化SAR數(shù)據(jù)在森林AGB估測中的潛力，提取了20個(gè)P波段極化SAR參數(shù)，探索了森林AGB估測中常用的MLR、KNN、SVR和RF方法在使用P波段極化SAR數(shù)據(jù)進(jìn)行森林AGB估測的潛力。結(jié)果表明：P波段極化SAR信息在森林AGB估測中具潛力，但估測精度受到待估區(qū)域森林AGB水平高低的影響；4種估測方法中，非參數(shù)方法的估測結(jié)果明顯優(yōu)于MLR估測。P波段森林AGB估測結(jié)果中，同樣存在AGB低值高估和高值低估的現(xiàn)象，其原因仍需要進(jìn)一步探索。此外由于本研究區(qū)的森林AGB均值為45 t·hm-2，最高值低于120 t·hm-2，所以P波段極化信息在AGB高于120 t·hm-2的森林覆蓋區(qū)中對(duì)森林AGB的估測能力仍有待進(jìn)一步研究。