徐天蜀 岳彩榮 章皖秋 張王菲 袁 華（西南林業(yè)大學(xué)林學(xué)院，云南昆明650224）

?

基于多源遙感數(shù)據(jù)的森林生物量定量評價研究

徐天蜀 岳彩榮 章皖秋 張王菲 袁 華
（西南林業(yè)大學(xué)林學(xué)院，云南昆明650224）

摘要：以ALOS PALSAR L波段雙極化FBD微波遙感數(shù)據(jù)及多光譜光學(xué)遙感數(shù)據(jù)AVNIR-2為基礎(chǔ)，對數(shù)據(jù)進(jìn)行預(yù)處理，利用地面云南松林樣地坐標(biāo)，提取HH、HV雙極化后向散射系數(shù)及極化比值3個因子，結(jié)合光學(xué)遙感數(shù)據(jù)提取4個波段值及NDVI、RVI 2個植被指數(shù)，作為云南松林生物量估測因子。分別以微波數(shù)據(jù)、光學(xué)數(shù)據(jù)、微波及光學(xué)數(shù)據(jù)結(jié)合的多源遙感數(shù)據(jù)，建立3個云南松林生物量估測模型。結(jié)果表明：所建模型經(jīng)方差分析均達(dá)到顯著相關(guān)或極顯著相關(guān)水平；PALSAR L波段雙極化后向散射系數(shù)，可以反映森林生物量的變化，但反演精度有待進(jìn)一步提高；AVNIR-2數(shù)據(jù)模型優(yōu)于PALSAR L波段雙極化數(shù)據(jù)模型；多源數(shù)據(jù)模型與光學(xué)數(shù)據(jù)模型的估測精度相近。

關(guān)鍵詞：森林生物量；微波數(shù)據(jù)；光學(xué)數(shù)據(jù)；多源遙感數(shù)據(jù)；定量評價；云南松

遙感技術(shù)是較大尺度森林生物量定量評價及動態(tài)監(jiān)測的重要工具，目前已有大量的研究和應(yīng)用，但所應(yīng)用的數(shù)據(jù)以光學(xué)遙感數(shù)據(jù)居多。由于可見光和近紅外光譜只與綠葉生物量產(chǎn)生反應(yīng)，理論上只能獲取森林葉生物量的信息，無法反映森林冠層以下的樹干信息，在利用光譜信息估測森林生物量時實際是利用了森林生物量與綠葉生物量的相對生長關(guān)系達(dá)到間接估計森林生物量，然而這種對應(yīng)關(guān)系在森林結(jié)構(gòu)復(fù)雜或者估測對象包含多個樹種時會出現(xiàn)較大的誤差或錯誤［1-2］。微波具有穿透樹冠的能力，主要與森林生物量的主體—枝和樹干發(fā)生作用，也能與樹葉發(fā)生作用，因而微波遙感技術(shù)為森林生物量全面和精確估測提供了可行的工具［2-3］。因此，本研究以ALOS PALSAR L波段雙極化微波遙感數(shù)據(jù)以及ALOS AVNIR多光譜數(shù)據(jù)為信息源，以云南松（Pinus yunnanensis）林為研究對象，探索多源數(shù)據(jù)結(jié)合應(yīng)用于森林生物量定量估測的方法和技術(shù)。

1　研究區(qū)概況

研究區(qū)位于云南省昆明市宜良縣境內(nèi)，選在宜良縣花園林場。屬山地地貌，平均海拔1 700～1 900 m，中亞熱帶季風(fēng)氣候，平均氣溫16.3℃，夏無酷暑，冬無嚴(yán)寒，年平均氣溫16.3℃，年平均日照2 177.3 h，每年平均降雨量912.2 mm，年平均相對濕度75%，全年無霜期260 d左右。主要植被有云南松、華山松（Pinus armandi）、杉木（Cunninghamia lanceolata）、云南油杉（Keteleeria evelyniana）、桉樹（Eucalyptus robusta）等。

2　數(shù)據(jù)來源

2.1微波數(shù)據(jù)

本研究的數(shù)據(jù)為2010年7月獲取ALOS PALSAR L波段的FBD Level 1.1雙極化數(shù)據(jù)，包括水平極化HH、交叉極化HV。圖像中心點坐標(biāo)：北緯24.76°，東經(jīng)103.26°；入射角34.3°，其中方位向分辨率為3.18 m，距離向分辨率為9.37 m，像幅18 432×4 640［4］。

2.2多光譜數(shù)據(jù)

采用2010年7月獲取的ALOS衛(wèi)星的新型可見光和近紅外輻射計AVNIR-2數(shù)據(jù)，包括藍(lán)、綠、紅、近紅外4個波段，分辨率為10 m。

2.3云南松林生物量數(shù)據(jù)

分別在2010年6月及2011年7月進(jìn)行地面樣地調(diào)查，針對云南松純林及混交林，采用典型選樣法布設(shè)樣地。利用角規(guī)控制檢尺的方法調(diào)查樣地單位面積林木蓄積量，分別對不同樹種采用蓄積量-生物量轉(zhuǎn)換方程［4］計算單位面積生物量，同時記錄樣地中心點的GPS坐標(biāo)，用于與遙感數(shù)據(jù)匹配。本研究共調(diào)查樣地100個。

3　基礎(chǔ)數(shù)據(jù)處理

3.1微波數(shù)據(jù)預(yù)處理

微波遙感數(shù)據(jù)的成像方式為斜距成像，地物后向散射受地形影響較大，產(chǎn)生透視收縮、疊掩、陰影、頂部位移等幾何畸變，因此在應(yīng)用時均需要進(jìn)行數(shù)據(jù)預(yù)處理，本文以Gamma軟件為處理平臺進(jìn)行數(shù)據(jù)處理。

1）輻射定標(biāo)。微波圖像的每個像元值都能表示成唯一確定的后向散射信號功率值，這一過程稱為輻射定標(biāo)。為了充分利用多通道多極化SAR數(shù)據(jù)信息，必須先對這些數(shù)據(jù)進(jìn)行輻射定標(biāo)，才能應(yīng)用于地表散射特性的分析［5-6］。根據(jù)日本ALOS衛(wèi)星公司提供的定標(biāo)參數(shù)，Level 1.1數(shù)據(jù)采用下列定標(biāo)公式：

式中：X為像元讀數(shù)值；Y為后向散射系數(shù)（dB）。

2）正射校正。微波圖像是根據(jù)多普勒原理進(jìn)行斜距成像的，SAR圖像的正射校正就是要將SAR圖像的距離-多普勒坐標(biāo)轉(zhuǎn)換為帶有地理編碼并糾正地形影響后的正射微波圖像。本研究利用帶有地圖坐標(biāo)的DEM，產(chǎn)生模擬SAR圖像，對真實SAR圖像進(jìn)行地理編碼及正射校正，獲取δ0圖像［7］。

3）斑點噪聲抑制/濾波處理。相干斑點噪聲是微波影像固有的特征。當(dāng)微波照射在粗糙地表，返回的信號是由一個圖像分辨單元內(nèi)的多個散射體反射回波組成的，形成“斑點噪聲”，從而影響SAR圖像質(zhì)量［5-6］。常用的去噪方法有多視處理、濾波處理。本研究在正射校正時多視處理的基礎(chǔ)上，采用中值濾波進(jìn)行處理，濾波窗口為5×5。

4）地形輻射校正。在不平坦地區(qū)，地形對后向散射系數(shù)會產(chǎn)生影響，稱為地形引起的輻射畸變。利用局部入射角及校正后的像元面積進(jìn)行地形輻射校正，獲取γ0圖像。預(yù)處理后的圖像見圖1。

3.2多光譜數(shù)據(jù)預(yù)處理

以已經(jīng)做過幾何精校正的Quick-Bird影像為基準(zhǔn)，均勻地選取了26個GCP點，選擇二次多項式作為糾正方程，對AVNIR-2影像進(jìn)行幾何精校正，校正后的誤差控制在1個像元內(nèi)。

圖1　預(yù)處理后的γ0L-hv圖像與地面樣地位置Fig.1 Preprocessed γ0L-hvimage and the location of sample plots

4　森林生物量定量估測

4.1微波遙感數(shù)據(jù)估測［8-17］

1）遙感估測因子的提取。對經(jīng)過預(yù)處理的HH、HV 2種極化的γ0圖像，利用地面樣地GPS坐標(biāo)提取后向散射系數(shù)，得、及極化比值。

2）模型建立。以HH、HV后向散射系數(shù)及極化比值HV/ HH 3個因子為自變量，以樣地生物量的自然對數(shù)值為因變量，建立多元線性回歸模型，建模樣本為80個，模型如下：

3）方差分析及線性回歸關(guān)系顯著性檢驗。根據(jù)方差分析（表1），遙感因子與森林生物量具有顯著相關(guān)關(guān)系，相關(guān)系數(shù)R=0.362 6，可用于森林生物量估測。

表1　方差分析表Table 1 Variance analysis

4.2多光譜光學(xué)遙感數(shù)據(jù)估測

1）遙感估測因子的選擇。ALOS衛(wèi)星的AVNIR-2數(shù)據(jù)包括藍(lán)光B1、綠光B2、紅光B3、近紅外光B44個波段，在幾何校正的基礎(chǔ)上，以樣地GPS坐標(biāo)為準(zhǔn)，提取4個波段的光譜值作為生物量估測因子。

不同的光譜通道所獲得的植被信息有著各自的特點，僅用個別波段或多個單波段數(shù)據(jù)來提取植被信息是相當(dāng)局限的，因而常常選用多光譜遙感數(shù)據(jù)經(jīng)線性或非線性組合，產(chǎn)生對植被長勢、生物量等有一定指示意義的植被指數(shù)加以分析。本研究利用4個光譜通道提取了歸一化植被指數(shù)NDVI及比值植被指數(shù)RVI 2個植被指數(shù)作為估測因子。

2）模型的建立。以上述光譜值及植被指數(shù)共6個因子作為自變量，以樣地生物量作為因變量，建立多元線性回歸模型，模型如下：

3）方差分析及線性回歸關(guān)系顯著性檢驗。根據(jù)方差分析（表1），遙感因子與森林生物量具有極顯著相關(guān)關(guān)系，相關(guān)系數(shù)R=0.522 1，可用于森林生物量估測。

4.3多源遙感數(shù)據(jù)結(jié)合的估測

1）遙感因子的選擇。將微波數(shù)據(jù)與多光譜數(shù)據(jù)結(jié)合，作為森林生物量的估測因子，即：微波數(shù)據(jù)的、及極化比值3個因子；多光譜數(shù)據(jù)的B1、B2、B3、B44個光譜值；NDVI、RVI 2個植被指數(shù)共9個因子作為估測因子。

2）模型的建立。以上述9個因子作為模型的自變量，以樣地生物量的對數(shù)值作為模型因變量，建立多元線性回歸模型。模型如下：

3）方差分析及線性回歸關(guān)系顯著性檢驗。根據(jù)方差分析（表1），遙感因子與森林生物量具有極顯著相關(guān)關(guān)系，相關(guān)系數(shù)R=0.536 6，可用于森林生物量估測。

4.4精度檢驗與評價

1）精度檢驗。利用隨機(jī)選取的20個檢驗樣本及已建立的3個模型，分別計算樣地生物量的預(yù)測值。

精度評價的指標(biāo)采用平均相對誤差（MRE）和均方根誤差（RMSE）。計算公式如下：

3個模型預(yù)測值精度檢驗見表2。

表2　模型預(yù)測精度檢驗表Table 2 Models prediction accuracy test

2）精度評價。從相關(guān)系數(shù)分析，多源數(shù)據(jù)模型略優(yōu)于多光譜模型，多源數(shù)據(jù)模型及多光譜模型優(yōu)于微波數(shù)據(jù)模型。

從平均相對誤差MRE分析，微波數(shù)據(jù)模型的平均相對誤差為36.8%，多光譜數(shù)據(jù)模型的平均相對誤差為29.1%，多源數(shù)據(jù)模型的平均相對誤差為29.9%。可以看出多源數(shù)據(jù)模型與多光譜數(shù)據(jù)模型優(yōu)于單純的微波數(shù)據(jù)模型，多源數(shù)據(jù)模型略優(yōu)于多光譜數(shù)據(jù)模型。

從均方根誤差RMSE分析，多光譜數(shù)據(jù)模型為11.86，多源數(shù)據(jù)模型為13.21，微波數(shù)據(jù)模型為14.17，單純的微波數(shù)據(jù)模型的RMSE最大。

5　結(jié)論與討論

1）利用微波數(shù)據(jù)模型、多光譜數(shù)據(jù)模型、多源數(shù)據(jù)模型3種方法建立的森林生物量估測模型經(jīng)方差分析檢驗均達(dá)到了顯著相關(guān)或極顯著相關(guān)水平，可用于森林生物量估測。

2）微波雙極化數(shù)據(jù)的總后向散射系數(shù)，可以反映森林生物量的變化，但直接利用總后向散射系數(shù)進(jìn)行反演的精度有待進(jìn)一步提高。

3）AVNIR-2光學(xué)數(shù)據(jù)模型優(yōu)于PALSAR L波段雙極化微波數(shù)據(jù)模型。AVNIR-2光學(xué)模型與多源數(shù)據(jù)模型對生物量估測精度差異不大。

4）微波后向散射系數(shù)不僅包括森林冠層的反射能量，還包括樹干、枝的多次體散射以及林下地面的表面散射。單純的利用總后向散射系數(shù)構(gòu)建生物量模型，不能確定各個散射成分對生物量的影響，會產(chǎn)生較大的誤差?？蛇M(jìn)一步利用全極化數(shù)據(jù)進(jìn)行目標(biāo)分解，提取不同的散射分量，尋找與生物量相關(guān)性高的因子，挖掘微波數(shù)據(jù)應(yīng)用的潛力，提高估測精度。本研究采用多元線性回歸模型用于建模，而微波數(shù)據(jù)與多光譜數(shù)據(jù)與生物量的關(guān)系可能為非線性關(guān)系，可進(jìn)一步采用非線性模型擬合，提高估測精度。

［參考文獻(xiàn)］

［1］黎夏，葉嘉安，王樹功，等.紅樹林濕地植被生物量的雷達(dá)遙感估算［J］.遙感學(xué)報，2006，10（3）：337-336.

［2］陳爾學(xué).合成孔徑雷達(dá)森林生物量估測研究進(jìn)展［J］.世界林業(yè)研究，1999，12（6）：18-23.

［3］Ranson K J，Sun G.Mapping biomass of a northern forest using multifrequency SAR data［J］.Geoscience ＆Remote Sensing IEEE Transactions on，1994，32（2）：388-396.

［4］黃從德，張健，楊萬勤，等.四川省及重慶地區(qū)森林植被碳儲量動態(tài)［J］.生態(tài)學(xué)報，2008，28（3）：966-975.

［5］尤紅建，付琨.合成孔徑雷達(dá)圖像精準(zhǔn)處理［M］.北京：科學(xué)出版社，2011.

［6］王超，張紅.全極化合成孔徑雷達(dá)圖像處理［M］.北京：科學(xué)出版社，2008.

［7］徐天蜀，岳彩榮，張王菲.山區(qū)星載ALOS PALSAR微波遙感圖像的正射校正［J］.農(nóng)業(yè)工程學(xué)報，2012，28（1）：173-178.

［8］楊永恬，李增元，陳爾學(xué)，等.基于ALOS PALSAR數(shù)據(jù)的森林蓄積量估測技術(shù)研究［J］.林業(yè)資源管理，2010（2）：113-117.

［9］廖靜娟，沈國狀.基于多極化SAR圖像的鄱陽湖濕地地表淹沒狀況動態(tài)變化分析［J］.遙感技術(shù)與應(yīng)用，2008，23（4）：373-377.

［10］張遠(yuǎn)，張中浩，蘇世亮，等.基于微波冠層散射模型的水稻生物量遙感估算［J］.農(nóng)業(yè)工程學(xué)報，2011，27（9）：100-105.

［11］Gamma Remote Sensing AG.Land Application Tools-LAT.Documentation User′s Guide（Version 1.0）［R］.Gümligen，2009.

［12］Santoro M，F(xiàn)ransson J E S，Eriksson L E B，et al.Signatures of ALOS PALSAR L-band backscatter in Swedish forest［J］.IEEE Transactions on Geoscience ＆Remote Sensing，2009，47（12）：4001-4019.

［13］Zhang Y，Huang H，Chen X，et al.Mapping paddy rice biomass using ALOS/ PALSAR imagery［C］/ / Education Technology and Training，2008.and 2008 International Workshop on Geoscience and Remote Sensing.ETT and GRS 2008.International Workshop on IEEE， 2008：207-210.

［14］Mitchard E T A，Saatchi S S，Woodhouse I H，et al.Using satellite radar backscatter to predict above-ground woody biomass：a consistent relationship across four different African landscapes［J］.Geophysical Research Letters，2009，36（23）：195-215.

［15］Kasischke E S，Christensen N L，Bourgeau-Chavez L L.Correlating radar backscatter with components of biomass in loblolly pine forests［J］.IEEE Transactions on Geoscience＆Remote Sensing，1995，33（3）：643-659.

［16］Rauste Y.Multi-temporal JERS SAR data in boreal forest biomass mapping［J］.Remote Sensing of Environment，2005，97（2）：263-275.

［17］Kurvonen L，Pulliainen J，Hallikainen M.Retrieval of biomass in boreal forests from multitemporal ERS-1 and JERS-1 SAR images［J］.Geoscience＆Remote Sensing IEEE Transactions on，1999，37（1）：198-205.

（責(zé)任編輯曹龍）

第1作者：徐天蜀（1964-），女，博士，教授。研究方向：森林資源管理及林業(yè)“3S”技術(shù)應(yīng)用研究。Email：tsxue64＠163.com。

Research on Quantitative Evaluation of Forest Biomass Based on Multi-Source Remote Sensing Data

Xu Tianshu，Yue Cairong，Zhang Wanqiu，Zhang Wangfei，Yuan Hua
（College of Forestry，Southwest Forestry University，Kumming Yunnan 650224，China）

Abstract：Based on ALOS PALSAR L-band dual-polarization FBD microwave remote sensing data and multispectral optical remote sensing data AVNIR-2，preprocessing was conducted，then three microwave data factors including HH and HV dual-polarization backscattering coefficients and polarization ratio，and four original bands and two vegetation indices of NDVI，RVI which combined with optical remote sensing data were extracted with the coordinates of Pinus yunnanensis forest sample plots.After that，the three estimation models of Pinus yunnanensis forest biomass were built by using microwave data，optical data，and the multi-source remote sensing data combined with microwave and optical data.Research suggests that and the models reached the significant or extremely significant correlation level by variance analysis.PALSAR L-band dual-polarization backscattering coefficient could be reflected the changes of forest biomass，but inversion accuracy needs to be improved.AVNIR-2 data model was better than PALSAR L-band dual-polarization data model.The estimation accuracy of multi-source data model was similar to optical data model.

Key words：forest biomass，microwave data，optical data，multi-source remote sensing data，quantitative evaluation，Pinus yunnanensis

基金項目：國家自然科學(xué)基金資助項目（31260156、30960302）資助；西南林業(yè)大學(xué)林學(xué)一級學(xué)科資助；西南地區(qū)生物多樣性保育國家林業(yè)局重點實驗室開放基金資助。

收稿日期：2015-12-29

doi：10.11929/ j.issn.2095-1914.2016.03.022

中圖分類號：S771.8

文獻(xiàn)標(biāo)志碼：A

文章編號：2095-1914（2016）03-0126-05