盧 佶，張國(guó)威，吳 昊

（國(guó)家林業(yè)和草原局 華東調(diào)查規(guī)劃院，浙江 杭州 310019）

森林是陸地生態(tài)系統(tǒng)的主體，主導(dǎo)陸地碳循環(huán)的動(dòng)態(tài)變化，在全球碳收支中發(fā)揮著重要作用[1-2]。森林碳儲(chǔ)量的動(dòng)態(tài)變化可以通過(guò)定期繪制森林地上生物量進(jìn)行監(jiān)測(cè)[3]?；跇拥氐纳终{(diào)查方法可以提供精確的森林地上生物量。然而，在大尺度監(jiān)測(cè)中存在局限性，例如調(diào)查周期較長(zhǎng)、時(shí)間分辨率不高等問(wèn)題[4]。因此，尋求大面積森林生物量和碳儲(chǔ)量精準(zhǔn)監(jiān)測(cè)的方法顯得尤為重要。

遙感技術(shù)為大面積反演森林地上生物量(AGB）或碳儲(chǔ)量提供了全覆蓋和長(zhǎng)時(shí)間序列數(shù)據(jù)。目前，已有研究使用較高分辨率(＞30 m）的光學(xué)數(shù)據(jù)(Sentinel-2）[5]和合成孔徑雷達(dá)(Sentinel-1）數(shù)據(jù)[6](25 m）進(jìn)行大尺度森林地上生物量反演。但現(xiàn)有研究對(duì)地上生物量的估計(jì)往往出現(xiàn)相互矛盾和不一致的現(xiàn)象，可能是缺乏大量的地面數(shù)據(jù)參考；也可能是森林結(jié)構(gòu)復(fù)雜存在空間異質(zhì)性，遙感信號(hào)響應(yīng)機(jī)制不清晰等所致[7-8]。尤其對(duì)于熱帶或者亞熱帶森林地區(qū)，高郁閉特征和異質(zhì)性需要探討光學(xué)和合成孔徑雷達(dá)數(shù)據(jù)的互補(bǔ)機(jī)制，以提高熱帶森林地上生物量反演的準(zhǔn)確性和一致性。

近年來(lái)，已有研究通過(guò)單個(gè)傳感器或者聯(lián)合光學(xué)雷達(dá)，來(lái)評(píng)估Sentinel 數(shù)據(jù)對(duì)不同生物群落的森林地上生物量反演潛力[9]。如PANDIT 等[10]采用Sentinel-2 數(shù)據(jù)及其衍生的光譜指數(shù)，發(fā)現(xiàn)與光譜波段相比，紅邊植被指數(shù)對(duì)地上生物量估計(jì)具有更高的貢獻(xiàn)度。也有研究表明：Sentinel-1 數(shù)據(jù)在地上生物量和碳儲(chǔ)量反演方面也有較大的優(yōu)勢(shì)[11]。周蔚等[12]對(duì)亞熱帶森林地上生物量建模中，發(fā)現(xiàn)Sentinel-2 的光譜指數(shù)比光譜波段貢獻(xiàn)度更大，并且聯(lián)合Sentinel-1 和Sentinel-2 數(shù)據(jù)反演精度最佳。CHEN 等[13]采用Sentinel-1 和Sentinel-2 及其衍生數(shù)據(jù)(如紋理、光譜指數(shù)、生物物理變量），系統(tǒng)比較了1 種參數(shù)化(地理圖形加權(quán)回歸）和3 種非參數(shù)化的機(jī)器學(xué)習(xí)算法(支持向量機(jī)、隨機(jī)森林和人工神經(jīng)網(wǎng)絡(luò)）的地上生物量建模方法，結(jié)果表明：Sentinel-1 的紋理特性和Sentinel-2 的生物物理變量是地上生物量估計(jì)模型的最優(yōu)變量。LIU 等[14]和CHEN 等[15]結(jié)合了Sentinel-1、Sentinel-2 和航天飛機(jī)雷達(dá)地形測(cè)繪任務(wù)(SRTM）的數(shù)字高程模型(DEM）數(shù)據(jù)，驗(yàn)證了Sentinel-1 和Sentinel-2 對(duì)森林地上生物量繪圖的適用性，并且發(fā)現(xiàn)隨機(jī)森林算法的精度最優(yōu)。然而，以上研究大都是基于生長(zhǎng)季時(shí)期的研究，鮮有采用不同季節(jié)的光學(xué)和雷達(dá)數(shù)據(jù)對(duì)森林地上生物量反演進(jìn)行探究，尤其是亞熱帶地區(qū)夏季降水多，森林濕度較大，雷達(dá)對(duì)地表濕度比生物量更加敏感。鑒于此，本研究以太平湖生態(tài)保護(hù)區(qū)森林為例，采用隨機(jī)森林算法評(píng)估不同季節(jié)Sentinel-1 和Sentinel-2 數(shù)據(jù)的光學(xué)和雷達(dá)遙感信息對(duì)地上生物量的響應(yīng)特征，以期為亞熱帶森林碳儲(chǔ)量精準(zhǔn)評(píng)估提供科學(xué)參考。

1 研究地區(qū)與方法

1.1 研究區(qū)概況

本研究區(qū)位于黃山市太平湖生態(tài)保護(hù)區(qū)，該區(qū)地處亞熱帶季風(fēng)濕潤(rùn)氣候，年均降水量達(dá)1 617.0 mm，年均氣溫為15.5 ℃，年日照時(shí)數(shù)＞1 600.0 h，年均蒸發(fā)量＞1 100.0 mm。研究區(qū)森林覆蓋面積約9 萬(wàn)hm2，平均海拔為220 m，高差為750 m，平均坡度為22°。生態(tài)保護(hù)區(qū)植物資源豐富，喬、灌樹(shù)種900 多種。研究區(qū)為亞熱帶針闊混交林，以中幼林齡為主，常見(jiàn)主要樹(shù)種包括馬尾松Pinusmassoniana、櫟樹(shù)Quercus、木荷Schimasuperba、樺樹(shù)Betula、楝Meliaazedarach、樟樹(shù)Cinnamomumcamphora、杉木Cunninghamialanceolata、毛竹Phyllostachysedulis等。

1.2 樣地?cái)?shù)據(jù)

62 個(gè)樣地?cái)?shù)據(jù)來(lái)源于2019 年生態(tài)保護(hù)區(qū)一類(lèi)清查數(shù)據(jù)，調(diào)查時(shí)間為2019 年8—9 月。每個(gè)樣地大小為25.82 m×25.82 m，樣地調(diào)查因子包括樹(shù)種、株數(shù)密度、胸徑、樹(shù)高等。每個(gè)樣地的地上生物量計(jì)算采用一元地上生物量方程：

式(1）中：Ma為地上生物量；D為胸徑；a和b為不同樹(shù)種系數(shù)。不同樹(shù)種系數(shù)取值參考周蔚等[12]的研究。每個(gè)樣地樹(shù)木地上生物量累計(jì)值為樣地尺度的地上生物量。樣地參數(shù)統(tǒng)計(jì)如表1 所示。

表1 研究區(qū)樣地參數(shù)統(tǒng)計(jì)Table 1 Statistics of forest plot parameters in the study area

1.3 遙感數(shù)據(jù)獲取和預(yù)處理

考慮覆蓋各個(gè)生長(zhǎng)季節(jié)，選擇2019 年1、3、6、9、12 月5 期Sentinel-1 和Sentinel-2 影像數(shù)據(jù)，其中Sentinel-2 影像云量均＜10%。衛(wèi)星數(shù)據(jù)從歐空局Sentinel 數(shù)據(jù)中心(https：// scihub.copernicus.eu/dhus/#/home）下載。

1.3.1 Sentinel-1 數(shù)據(jù)和預(yù)處理 Sentinel-1 數(shù)據(jù)選擇干涉寬幅模式(interferometric wide swath，IW），具有雙極化(VV 和VH）的升軌數(shù)據(jù)。該產(chǎn)品類(lèi)型是多視影像(GRD），空間分辨率為10 m，采集入射角為26°～40°。本研究共采集了5 景不同季節(jié)影像，并根據(jù)研究區(qū)范圍進(jìn)行裁剪。對(duì)每景Sentinel-1 影像數(shù)據(jù)預(yù)處理，采用歐空局官方公布的哨兵應(yīng)用平臺(tái)軟件(SNAP）進(jìn)行精確軌道校正、地形輻射校正(歸一化）和斑點(diǎn)過(guò)濾(圖1）。其中，采用SRTM 數(shù)字高程模型(DEM）用于地形校正，地形輻射校正后的圖像采用Lee 斑點(diǎn)過(guò)濾算法以減少斑點(diǎn)。為了避免后向散射系數(shù)值較小對(duì)后續(xù)計(jì)算和分析造成的影響，將其轉(zhuǎn)化成歸一化值[16]。

式(2）中：dB為歸一化后的后向散射系數(shù)，σ0為VH 或者VV 極化的后向散射系數(shù)。此外，根據(jù)LAURIN 等[16]的研究，采用dB的差值(VH-VV）與求和(VH+VV）有助于提高地上生物量的建模精度。

1.3.2 Sentinel-2 數(shù)據(jù)和預(yù)處理 本研究選擇云量小于5%的Sentinel-2 影像，共采集10 張影像覆蓋研究區(qū)域。對(duì)于每景影像，使用SNAP 中的Sen2cor 插件進(jìn)行大氣校正，將L1C (大氣頂部TOA）產(chǎn)品轉(zhuǎn)換為L(zhǎng)2A (大氣底部BOA）。大氣校正過(guò)后的Sentinel-2 影像，將3 個(gè)可見(jiàn)光、3 個(gè)紅邊、2 個(gè)近紅外、2 個(gè)短波紅外(B11 和B12）共10 個(gè)波段數(shù)據(jù)的空間分辨率重采樣為20 m，用于后續(xù)的預(yù)處理和分析。采用SNAP 中的“Biophysical Processor”提取葉面積指數(shù)(LAI）、植被覆蓋率(fcover）和光合有效輻射吸收比(fapar） 3 個(gè)生物物理參數(shù)，描述植被狀態(tài)和空間動(dòng)態(tài)分布(圖2）。這3 個(gè)生物物理參數(shù)是基于PROSAIL 輻射傳輸模型反演獲得[17]。主要計(jì)算步驟包括：①標(biāo)準(zhǔn)化輸入。將10 個(gè)波段的BOA 數(shù)據(jù)輸入模型；②人工神經(jīng)網(wǎng)絡(luò)(ANN）算法反演?；赑ROSAIL 模型構(gòu)建查找表并采用ANN 訓(xùn)練輸入?yún)?shù)和模擬光譜的非線性關(guān)系；③標(biāo)準(zhǔn)化輸出。根據(jù)Sentinel-2 觀測(cè)值輸出選擇的目標(biāo)參數(shù)；④生成質(zhì)量評(píng)估指標(biāo)。評(píng)估反演值的不確定性。除3 個(gè)生物物理參數(shù)外，還基于Sentinel-1 和Sentinel-2 影像，提取了光譜波段、光譜指數(shù)、生物物理參數(shù)和后向散射系數(shù)用于地上生物量建模的遙感特征參數(shù)(表2）。

表2 地上生物量建模的Sentinel 特征參數(shù)Table 2 Sentinel feature parameters for above-ground biomass modelling

1.4 隨機(jī)森林回歸模型

對(duì)研究區(qū)亞熱帶森林地上生物量估算采用隨機(jī)森林回歸方法。隨機(jī)森林算法通過(guò)生成大量的決策樹(shù)，每一個(gè)決策樹(shù)都是使用訓(xùn)練數(shù)據(jù)的唯一引導(dǎo)樣本獨(dú)立構(gòu)建，對(duì)所有決策樹(shù)預(yù)測(cè)器的平均值作為最終目標(biāo)變量的估計(jì)值[18]。隨機(jī)森林根據(jù)所有可用的預(yù)測(cè)器隨機(jī)選擇，減少?zèng)Q策樹(shù)之間的相關(guān)性，從而減少噪聲和提高預(yù)測(cè)的準(zhǔn)確性[19]。隨機(jī)森林算法對(duì)數(shù)據(jù)冗余和非線性處理具有很好的魯棒性，能夠處理具有不同屬性和數(shù)值范圍差異較大的變量，避免產(chǎn)生較大的過(guò)擬合現(xiàn)象[20]。

隨機(jī)森林回歸模型采用R 語(yǔ)言的“randomForest”包(適用于分類(lèi)和回歸訓(xùn)練）實(shí)現(xiàn)。該軟件包通過(guò)給定的模型參數(shù)范圍進(jìn)行迭代，獲得模型最佳性能的參數(shù)組合。決策樹(shù)個(gè)數(shù)(ntree）和每個(gè)節(jié)點(diǎn)上隨機(jī)選擇的預(yù)測(cè)變量數(shù)量(mtry）采用網(wǎng)格搜索法優(yōu)化設(shè)定。

1.5 模型構(gòu)建和精度評(píng)價(jià)

為了比較時(shí)間序列上Sentinel-1 和Sentinel-2 數(shù)據(jù)對(duì)地上生物量的估算結(jié)果，建立了6 組回歸模型(表3）。在進(jìn)行每個(gè)回歸模型訓(xùn)練前，采用方差膨脹因子(VIF＜10）排除共線性強(qiáng)的變量，減少模型過(guò)擬合問(wèn)題。此外，采用十折交叉驗(yàn)證的方法進(jìn)行模型訓(xùn)練和驗(yàn)證。最后，利用決定系數(shù)(R2）、均方根誤差(ERMS）對(duì)每個(gè)模型的地上生物量估算精度進(jìn)行評(píng)價(jià)。

表3 基于Sentinel-1 和Sentinel-2 的地上生物量模型構(gòu)建Table 3 Above-ground biomass modelling based on Sentinel-1 and Sentinel-2

式(3）～(4）中：Oi為地上生物量觀測(cè)值；Pi為地上生物量預(yù)測(cè)值；為地上生物量樣地觀測(cè)平均值；i為樣地號(hào)；n為樣地總數(shù)量。

2 結(jié)果與分析

2.1 森林冠層光學(xué)和雷達(dá)特征參數(shù)的季節(jié)變化特征

如圖3 所示： 在近紅外波段，LAI 對(duì)冠層反射率的貢獻(xiàn)占主導(dǎo)地位，森林地上生物量越大LAI 越大。因此，對(duì)于相同季節(jié)，近紅外波段的森林冠層反射率隨森林地上生物量增大而增大。然而，在短波紅外，森林冠層主要受水分影響。因此，在短波紅外的森林冠層反射率隨森林地上生物量的增大而減小。總體而言，6 和9 月的森林冠層反射率較大，并且不同地上生物量水平間的冠層反射率區(qū)分度較大；相反，1、3 和12 月不同地上生物量水平間的森林冠層反射率差異性減小，主要是由于在這些月份不同地上生物量水平的森林葉面積差異不顯著。

圖3 在不同等級(jí)地上生物量下森林冠層反射光譜曲線隨季節(jié)的變化趨勢(shì)Figure 3 Seasonal variation of forest canopy reflectance spectra under different above-ground biomass levels

從圖4 可見(jiàn)：增強(qiáng)植被指數(shù)(EVI）和歸一化植被指數(shù)(NDVI）在相同季節(jié)隨著地上生物量等級(jí)升高而增大；相反，歸一化植被水分指數(shù)(NDWI）在相同季節(jié)隨著地上生物量等級(jí)升高而降低。此外，地上生物量在較低等級(jí)(0～150 Mg·hm-2）范圍內(nèi)，相同季節(jié)的EVI 和NDVI 指數(shù)變化難以區(qū)分；而在地上生物量較高等級(jí)(＞150 Mg·hm-2）范圍內(nèi)，NDVI 對(duì)地上生物量的敏感度要優(yōu)于EVI 指數(shù)。相似地，在地上生物量較低等級(jí)范圍內(nèi)，植被水分敏感指數(shù)Ⅰ(STVI1）和植被水分敏感指數(shù)Ⅱ(STVI2）在相同季節(jié)性差異不大，但在地上生物量較高等級(jí)范圍差異相對(duì)明顯。與光譜指數(shù)相似，fapar、fcover、LAI 在不同季節(jié)變化趨勢(shì)一致，呈現(xiàn)先增高后降低的趨勢(shì)(圖5）。當(dāng)?shù)厣仙锪吭?～100 Mg·hm-2與＞100 Mg·hm-2范圍內(nèi)時(shí)，3 個(gè)生物物理參數(shù)在相同季節(jié)差異不明顯。

圖4 不同等級(jí)地上生物量的植被指數(shù)季節(jié)變化曲線Figure 4 Seasonal change curves of vegetation index in different levels of above-ground biomass

圖5 不同等級(jí)地上生物量下生物物理參數(shù)的季節(jié)變化Figure 5 Seasonal variation of biophysical parameters in different levels of above-ground biomass

相對(duì)于Sentinel-2 的光學(xué)特征參數(shù)，Sentinel-1 的后向散射系數(shù)對(duì)研究區(qū)的針闊混交林在不同季節(jié)的差異性表現(xiàn)不明顯(圖6）。其中，對(duì)較高等級(jí)的地上生物量，VH、VV 和VH+VV 在1 和12 月的值要低于3—9 月，表現(xiàn)出旱季低雨季大的規(guī)律。但是，對(duì)于較低等級(jí)的地上生物量，這3 個(gè)指標(biāo)在不同季節(jié)沒(méi)有明顯的差異?？傮w而言，相對(duì)于較高等級(jí)的地上生物量，Sentinel-1 的后向散射特征要比較低等級(jí)的地上生物量高。

圖6 不同等級(jí)地上生物量下雷達(dá)特征參數(shù)的季節(jié)變化Figure 6 Seasonal variation of SAR characteristic parameters for different levels of above-ground biomass

2.2 基于不同季節(jié)Sentinel-1 和Sentinel-2 影像的地上生物量反演結(jié)果

如圖7 所示：基于Sentinel-2 影像的模型(S2-all、S2-biophysical 和S2-spectral）要優(yōu)于Sentinel-1 影像的模型(S1-all 和S1-backscatter）。對(duì)采用不同季節(jié)Sentinel-1 后向散射系數(shù)的S1-backscatter 模型，地上生物量反演精度最低，R2為0.36，ERMS為52.97 Mg·hm-2。同時(shí)，對(duì)較高等級(jí)的地上生物量(＞150 Mg·hm-2）同樣存在較嚴(yán)重的低估現(xiàn)象。而對(duì)于S1-all 模型，加入了后向散射系數(shù)相關(guān)的雷達(dá)衍生指數(shù)(VH-VV 和VH+VV）后估計(jì)精度有所提高(R2=0.47，ERMS=49.11 Mg·hm-2），但仍然無(wú)法避免對(duì)較高等級(jí)地上生物量的低估現(xiàn)象。

圖7 地上生物量實(shí)測(cè)值與估計(jì)值散點(diǎn)圖Figure 7 Scatter plots of measured and estimated values of above-ground biomass

基于生物物理參數(shù)的S2-biophysical 模型對(duì)地上生物量估計(jì)精度(R2=0.66，ERMS=40.12 Mg·hm-2）優(yōu)于基于光譜波段的S2-spectral 模型(R2=0.60，ERMS=42.95 Mg·hm-2）。并且，僅采用光譜波段的S2-spectral 模型對(duì)較高等級(jí)的地上生物量(＞150 Mg·hm-2）存在低估現(xiàn)象。S2-all 模型聯(lián)合光譜波段、光譜指數(shù)及其衍生的生物物理參數(shù)后，地上生物量估計(jì)精度提高了5.62 Mg·hm-2。通過(guò)聯(lián)合不同季節(jié)所有的Sentinel-1 和Sentinel-2 特征變量所構(gòu)建的模型精度最高(R2=0.78，ERMS=31.56 Mg·hm-2），相比S2-all 模型，地上生物量均方根誤差降低了8.56 Mg·hm-2。

2.3 地上生物量建模的最佳預(yù)測(cè)因子和影像采集季節(jié)

如圖8 所示：在S1-backscatter (圖8A）的預(yù)測(cè)變量中，排前5 位的變量分別為12 月_VH、6 月_VH、6 月_VV、1 月_VH 和12 月_VV，采集季節(jié)都來(lái)自夏季和冬季，其中貢獻(xiàn)度最大的是12 月_VH，這一規(guī)律和S1-all (圖8B）相同。在S1-backscatter 和S1-all 模型中，VH 極化的后向散射系數(shù)比VV 貢獻(xiàn)度更大。

圖8 地上生物量模型變量的重要性Figure 8 Variable importance of above-ground biomass modelling

S2-spectral 模型前15 個(gè)最重要預(yù)測(cè)變量中(圖8C），有12 個(gè)變量來(lái)源于生長(zhǎng)季節(jié)，再次證明了基于生長(zhǎng)季的光學(xué)影像對(duì)常綠針闊混交林地上生物量估計(jì)的重要性。S2-biophysical 模型(圖8D）變量中，3 個(gè)生物物理參數(shù)中LAI 貢獻(xiàn)度最大，其次是fapar 和fcover。與光譜波段相比，S2-all 模型(圖8E）中生物物理參數(shù)LAI、fapar 和STVI2 對(duì)地上生物量估計(jì)貢獻(xiàn)度較高，并且這些參數(shù)采集的影像時(shí)期大部分來(lái)源于6 和9 月。結(jié)合所有變量的S1S2-all (圖8F）模型中，前15 預(yù)測(cè)變量幾乎全為Sentinel-2 變量，表明在對(duì)亞熱帶森林地上生物量反演方面，Sentinel-2 比Senttinel-1 更有優(yōu)越性。

3 討論

3.1 基于Sentinel-1 與Sentinel-2 數(shù)據(jù)的地上生物量建模比較

本研究發(fā)現(xiàn)：Sentinel-2 比Sentinel-1 更適合于亞熱帶太平湖生態(tài)保護(hù)區(qū)森林的地上生物量建模，這與VAFAEI 等[21]和ZHAO 等[22]的研究結(jié)果一致，但其他相關(guān)研究卻獲得了相反的結(jié)果[23]。本研究中Sentinel-1 地上生物量較差的估算結(jié)果可以歸納為2 個(gè)主要因素。第一個(gè)，Sentinel-1 的C-波段波長(zhǎng)較短是主要限制因素。與波長(zhǎng)較長(zhǎng)的雷達(dá)波段(如L 和P）相比，C 波段雷達(dá)穿透植被冠層的能力有限，無(wú)法獲取完整的森林結(jié)構(gòu)信息，因此，采用較長(zhǎng)波長(zhǎng)(如L 和P 波段）的Sentinel-1 數(shù)據(jù)和Sentinel-2 聯(lián)合，可以提高地上生物量反演的準(zhǔn)確性[16]。第2 個(gè)潛在的因素是本研究沒(méi)有考慮Sentinel-1 的紋理信息。有研究表明：Sentinel-1 的后向散射系數(shù)及其衍生參數(shù)(如：VH+VV 或VH-VV）的紋理信息對(duì)地上生物量制圖具有較大的貢獻(xiàn)度[23]。因此，在未來(lái)的研究中，應(yīng)考慮將紋理信息結(jié)合起來(lái)，以改善地上生物量估計(jì)。

光學(xué)數(shù)據(jù)在繪制地上生物量估計(jì)方面容易存在飽和現(xiàn)象[16]，但對(duì)本研究森林的地上生物量反演影響不明顯。一方面，Sentinel-2 具備較高的空間分辨率，有助于提高地上生物量的反演能力。另一方面，在本研究中，生物物理參數(shù)(fapar、fcover 和LAI）、植被指數(shù)和紅邊譜段對(duì)地上生物量估計(jì)具有重要作用。植被指數(shù)和光譜波段在以往的研究中已經(jīng)被證實(shí)其有效性，但Sentinel-2 反演的生物物理參數(shù)對(duì)地上生物量建模的重要性和貢獻(xiàn)性少有探究。在本研究中，僅使用生物物理參數(shù)(S2-biophysical，ERMS=37.69）比使用所有光譜波段(S2-spectral，ERMS= 42.95）得出的精度更高。并且，它在地上生物量估計(jì)中的表現(xiàn)優(yōu)于所有Sentinel-1 數(shù)據(jù)，證明了生物物理參數(shù)對(duì)亞熱帶針闊混交林地上生物量估計(jì)的優(yōu)勢(shì)。

在所有的地上生物量模型中，結(jié)合Sentinel-1 和Sentinel-2 數(shù)據(jù)取得了最好的結(jié)果，其他相關(guān)研究也發(fā)現(xiàn)了類(lèi)似的結(jié)論[24-25]。主要由于2 個(gè)系統(tǒng)的成像技術(shù)、數(shù)據(jù)特征和信息內(nèi)容不同，兩者優(yōu)勢(shì)互補(bǔ)能夠有效提高地上生物量估計(jì)。在本研究中，使用年內(nèi)的時(shí)間序列數(shù)據(jù)，包含不同季節(jié)進(jìn)行組合，對(duì)Sentinel-1和Sentine-2 的互補(bǔ)性有了更深層次的探索。與周蔚等[12]僅采用1 個(gè)時(shí)間數(shù)據(jù)結(jié)果(ERMS=37.05 Mg·hm-2）相比，本研究結(jié)果(ERMS=31.56 Mg·hm-2）有一定程度的提高，這說(shuō)明不同時(shí)間序列的Sentinel 數(shù)據(jù)越多，對(duì)地上生物量建模的準(zhǔn)確性越好。

3.2 基于Sentinel 數(shù)據(jù)地上生物量建模的重要性變量和采集季節(jié)

本研究顯示：生物物理參數(shù)LAI、fapar 和fcover 的貢獻(xiàn)度比植被指數(shù)、光譜波段、雷達(dá)極化參數(shù)及其衍生指數(shù)大。CHEN 等[26]獲得了類(lèi)似的結(jié)果，發(fā)現(xiàn)LAI 和地上生物量之間的相關(guān)性更高。值得注意的是，不同生物物理變量的重要性與植被組成和特征關(guān)系緊密。本研究區(qū)森林比較郁閉，LAI 對(duì)地上生物量估計(jì)起到關(guān)鍵作用。然而，如果是稀疏的草原林地，林下灌草茂密對(duì)整個(gè)林分LAI 貢獻(xiàn)較大，相反fapar 參數(shù)將起到較大的貢獻(xiàn)作用。此外，對(duì)于僅考慮Sentinel-1 的模型，VH 極化和VH+VV 參數(shù)具有較高的重要性，這也驗(yàn)證了交叉極化(HV，VH）比同極化(HH，VV）更適用于地上生物量估計(jì)。

S2-all、S2-biophysical 和S2-spectral 模型的變量重要性圖顯示：生長(zhǎng)季(6—9 月）對(duì)研究區(qū)的地上生物量建模很重要。這主要是由于大多數(shù)植被類(lèi)型在該季節(jié)有較高的植被覆蓋率。同時(shí)，涉及Sentinel-1數(shù)據(jù)的模型(S1S2-all、S1-all 和S1-backscatter）在旱季(10 月至翌年5 月）獲取的圖像對(duì)研究區(qū)地上生物量的建模也很重要。其他相關(guān)研究也表明：Sentinel-1 數(shù)據(jù)對(duì)植被冠層、水含量、土壤水分等季節(jié)性變化產(chǎn)生差異[27-28]。其主要原因是較短波長(zhǎng)的X 波段和C 波段對(duì)地表水分比生物量更加敏感[29]。此外，Sentinel-1 對(duì)樹(shù)冠穿透力有限，對(duì)稀疏的森林地上生物量估計(jì)是有利的，尤其是對(duì)落葉森林。因?yàn)樵诤导?落葉期），樹(shù)枝裸露容易被觀測(cè)。通過(guò)結(jié)合不同季節(jié)(旱季和雨季），更有利于聯(lián)合光學(xué)和雷達(dá)數(shù)據(jù)的互補(bǔ)性，提高地上生物量建模的準(zhǔn)確性。

4 結(jié)論

Sentinel-2 模型對(duì)地上生物量反演的精度要優(yōu)于Sentinel-1，聯(lián)合兩者的反演精度最大。其中，生物物理參數(shù)(LAI、fapar 和fcover 指數(shù)）貢獻(xiàn)度最大，植被指數(shù)(STVI1 和STVI2）和后向散射系數(shù)(VH 極化）貢獻(xiàn)度次之，光譜波段最小。再次證明了生長(zhǎng)季對(duì)亞熱帶森林地上生物量反演的重要性。同時(shí)，也證明了聯(lián)合生長(zhǎng)季的Sentinel-2 光學(xué)影像與旱季的Sentinel-1 雷達(dá)數(shù)據(jù)對(duì)提高森林地上生物量具有較大潛力。