王熙媛 張王菲 李云 楊仙保

(西南林業(yè)大學(xué)，昆明，650224)

森林對(duì)維持全球碳循環(huán)平衡和減緩CO2引起的溫室效應(yīng)起到了至關(guān)重要的作用，能調(diào)節(jié)區(qū)域氣候和保護(hù)水源，因此掌握森林資源信息意義重大[1]。森林生物量指森林生態(tài)系統(tǒng)中植被有機(jī)體的干物質(zhì)總量，是進(jìn)行森林生態(tài)系統(tǒng)碳循環(huán)與碳儲(chǔ)量研究的基礎(chǔ)[2]。而森林地上生物量(AGB)作為森林生物量遙感估測(cè)的主要森林參數(shù)受到了廣泛的關(guān)注[3-4]，其測(cè)定和估計(jì)成為森林研究及林業(yè)生產(chǎn)應(yīng)用的熱點(diǎn)問(wèn)題[5]。

隨著遙感技術(shù)的快速發(fā)展，合成孔徑雷達(dá)(SAR)、激光雷達(dá)(LiDAR)和光學(xué)影像已經(jīng)成為獲取大范圍森林AGB和碳儲(chǔ)量空間分布的基礎(chǔ)遙感影像。SAR雖然受云層的影響相對(duì)較小，且對(duì)樹(shù)冠有一定的穿透能力[6]，但信號(hào)受地形起伏影響較大，在森林植被結(jié)構(gòu)復(fù)雜、地形起伏較大的云貴高原山地地區(qū)有一定的局限性[7]。激光雷達(dá)為光斑激光傳感器，無(wú)法達(dá)到無(wú)縫覆蓋，很難在點(diǎn)云密度、數(shù)據(jù)分析精度和分析效率之間取得平衡，因此在大尺度應(yīng)用上存在限制[8-9]。

基于此，光學(xué)遙感數(shù)據(jù)能獲取到水平方向連續(xù)的區(qū)域性數(shù)據(jù)，其獲取途徑更為廣泛，且部分?jǐn)?shù)據(jù)免費(fèi)對(duì)用戶開(kāi)放，易于獲取。此外，高分辨率光學(xué)遙感影像包含了大量的紋理、形狀等空間幾何信息，在對(duì)不同森林類(lèi)型以及地形起伏較大區(qū)域的森林AGB進(jìn)行反演時(shí)，其提取的紋理和細(xì)節(jié)信息更加豐富[7，10]。與其他國(guó)外免費(fèi)獲取的光學(xué)遙感數(shù)據(jù)相比，例如Landsat 8 OLI、MODIS、哨兵2號(hào)(Sentinel-2A)等數(shù)據(jù)，我國(guó)高分系列產(chǎn)品在數(shù)據(jù)可得性方面同樣更具優(yōu)勢(shì)，發(fā)展高分系列民用衛(wèi)星對(duì)監(jiān)測(cè)森林動(dòng)態(tài)變化分析具有重大意義。

綜上所述，研究以昆明市宜良縣小哨林場(chǎng)為研究區(qū)，云南松林為研究對(duì)象，結(jié)合Landsat 8 OLI、高分1號(hào)(GF-1)、哨兵2號(hào)(Sentinel-2A)數(shù)據(jù)的植被指數(shù)、紋理特征和樣地調(diào)查數(shù)據(jù)，根據(jù)韓宗濤等[11]提出的快速迭代特征選擇的K最近鄰法(KNN-FIFS)，從高維遙感數(shù)據(jù)中快速選取相關(guān)特征進(jìn)行森林AGB優(yōu)化建模，從而對(duì)森林AGB進(jìn)行反演研究，對(duì)比分析光學(xué)數(shù)據(jù)反演森林AGB的潛力及探索GF-1在森林AGB反演上的潛力以及可替代性。

1 研究區(qū)概況

試驗(yàn)區(qū)位于云南省中部宜良縣的花園林場(chǎng)(24°30′36″～25°17′2″N，102°58′22″～103°28′75″E，圖1)。研究區(qū)整體地勢(shì)北高南低，屬于北亞熱帶季風(fēng)氣候，降水主要集中在夏秋季節(jié)，冬春季節(jié)干旱少雨。研究區(qū)內(nèi)優(yōu)勢(shì)樹(shù)種為云南松、華山松、高山櫟，全縣森林覆蓋率達(dá)46.4%[12]。

圖1 研究區(qū)地理位置及樣地分布

2 研究方法

2.1 光學(xué)衛(wèi)星數(shù)據(jù)及預(yù)處理

Landsat 8 OLI Landsat 8 OLI數(shù)據(jù)由2013年發(fā)射攜帶OLI陸地成像儀獲得。研究獲取的影像成像時(shí)間為2019年12月，云量小于10%，分辨率為30 m，波段為2～7波段(0.45～2.35 μm)。本文采用ENVI對(duì)獲取的Landsat 8 OLI影像進(jìn)行了輻射定標(biāo)和FLAASH大氣校正，預(yù)處理后的影像見(jiàn)圖1(a)。

Sentinel-2A Sentinel-2A是高分辨率多光譜成像衛(wèi)星，有13個(gè)光譜波段，空間分辨率分別為10、20和60 m。在光學(xué)數(shù)據(jù)中，Sentinel-2A數(shù)據(jù)是唯一在紅邊范圍含有3個(gè)波段的數(shù)據(jù)，對(duì)監(jiān)測(cè)植被變化情況相對(duì)敏感，同時(shí)提供了更多波段選擇[13-14]。本文獲取的Sentinel-2A影像成像時(shí)間為2019年12月，為L(zhǎng)2A級(jí)影像，使用的波段為2～8波段(0.49～0.84 μm，其中5～7為紅邊范圍波段)和11～12波段(1.61～2.19 μm)共9個(gè)波段。本文采用SNAP軟件對(duì)獲取的Sentinel-2A影像進(jìn)行了預(yù)處理，并將各波段數(shù)據(jù)重采樣至10 m分辨率，鑲嵌裁剪得到覆蓋研究區(qū)影像圖，見(jiàn)圖1(b)。

GF-1 GF-1衛(wèi)星是我國(guó)在高分辨率對(duì)地觀測(cè)衛(wèi)星系統(tǒng)重大專(zhuān)項(xiàng)中的第一顆衛(wèi)星，其空間分辨率最高可達(dá)2 m。研究獲取了覆蓋研究區(qū)的一景GF-1影像，成像時(shí)間為2019年4月，空間分辨率為8 m，使用的4個(gè)波段波長(zhǎng)為0.45～0.89 μm。本文采用ENVI插件對(duì)獲取的GF-1數(shù)據(jù)進(jìn)行了輻射定標(biāo)、大氣校正及正射校正，預(yù)處理后的影像見(jiàn)圖1(c)。

2.2 樣地?cái)?shù)據(jù)獲取及預(yù)處理

研究區(qū)樣地地面調(diào)查數(shù)據(jù)分別于2019年8月和2020年8月分兩次開(kāi)展。2019年的樣地?cái)?shù)據(jù)采用手持GPS定位，定位誤差在5 m以?xún)?nèi)，共獲得89個(gè)云南松純林角規(guī)樣地點(diǎn)；2020年采用載波相位差分技術(shù)(RTK)定位，定位誤差在1 m以?xún)?nèi)，共獲得云南松純林37個(gè)樣地點(diǎn)，樣地點(diǎn)布見(jiàn)圖1。

樣地生物量的計(jì)算采取蓄積—生物量的轉(zhuǎn)換方法進(jìn)行[12]。首先利用角規(guī)控制檢尺法獲得單位面積林木蓄積量，再利用云南松林蓄積量—生物量的轉(zhuǎn)換公式完成云南松生物量的計(jì)算。研究中采用黃從德等[15]提出的蓄積量—生物量轉(zhuǎn)換公式：

W=0.856 9×V0.856 4。

(1)

式(1)中V為云南松林分每公頃蓄積量；W為相對(duì)應(yīng)的地上生物量。

2.3 特征提取

植被指數(shù)是森林參數(shù)估測(cè)中最常用的特征變量，它是由多光譜數(shù)據(jù)經(jīng)過(guò)線性或非線性變換構(gòu)成的能反映植被生長(zhǎng)狀態(tài)和分布的指數(shù)，構(gòu)造基礎(chǔ)是綠色植物對(duì)可見(jiàn)光和近紅外波段截然不同的吸收和反射特征[16]。本文中提取的植被指數(shù)包括：歸一化植被指數(shù)(NDVI)、簡(jiǎn)單植被指數(shù)(SR)、可見(jiàn)光大氣阻抗植被指數(shù)(ARVI)、差值植被指數(shù)(DVI)、垂直植被指數(shù)(PVI)、比值植被指數(shù)(RVI)、B4和B5歸一化差值植被指數(shù)(NDVI45)、綠波歸一化差值植被指數(shù)(GNDVI)、反紅邊葉綠素指數(shù)(IRECI)、“哨兵2號(hào)”紅邊位置指數(shù)(S2REP)[17]共10種植被指數(shù)，其中后4種為哨兵2號(hào)數(shù)據(jù)特有，相關(guān)計(jì)算公式見(jiàn)文獻(xiàn)[17]。

紋理是遙感圖像的重要特征之一，它不僅可以反映粗糙程度，還可揭示影像中地物的結(jié)構(gòu)信息及它們與周?chē)h(huán)境的關(guān)系，是反映地表覆蓋類(lèi)型空間變化的重要信息[18]。本研究基于灰度共生矩陣(GLCM)提取了8種紋理信息，具體包括均值(Mea)、方差(Var)、均勻性(Hom)、對(duì)比度(Con)、相異性(Dis)、熵(Ent)、二階矩(Sec)和相關(guān)性(Cor)[19]。

2.4 特征重要性排序

在提取的特征數(shù)據(jù)集中，眾多特征全部參與建模會(huì)造成信息冗余，從而導(dǎo)致反演精度降低，為了得到高精度森林生物量反演模型，需要篩選出和森林AGB相關(guān)性較強(qiáng)的特征參與建模。通過(guò)R語(yǔ)言實(shí)現(xiàn)隨機(jī)森林(RF)算法進(jìn)行特征的重要性排序[19-20]，再選擇重要性排名在前20的特征進(jìn)行后續(xù)建模。

2.5 KNN-FIFS算法建模

K-NN是一種監(jiān)督學(xué)習(xí)算法，其既可以解決分類(lèi)又可以用于回歸，即對(duì)于給定的測(cè)試樣本，根據(jù)距離度量找出與其最靠近的K個(gè)訓(xùn)練樣本，然后基于K個(gè)相鄰訓(xùn)練樣本的信息來(lái)預(yù)測(cè)未知量參數(shù)的值。本文中K個(gè)樣本的屬性值為待選樣地的森林地上生物量，帶估測(cè)像元的生物量由馬氏距離下最靠近的K個(gè)訓(xùn)練樣地的森林地上生物量通過(guò)距離加權(quán)獲得。KNN算法不依賴(lài)于特定的函數(shù)分布，采用留一法(LOO)進(jìn)行訓(xùn)練和驗(yàn)證，因此對(duì)訓(xùn)練和檢驗(yàn)樣本依賴(lài)性低，當(dāng)輸入特征向量較少而訓(xùn)練樣本較多，其預(yù)測(cè)結(jié)果較穩(wěn)健。然而，在特征維數(shù)較高時(shí)(比如在森林AGB遙感定量反演的實(shí)際應(yīng)用中)，會(huì)造成特征組合優(yōu)選效率低下，降低模型預(yù)測(cè)效率[21-22]。

為了克服KNN森林AGB估測(cè)中，特征組合效率低、模型預(yù)測(cè)精度低的缺陷，本文采用韓宗濤等[11]提出的KNN-FIFS算法估測(cè)森林AGB，該算法目前在多個(gè)森林AGB、森林郁閉度遙感定量反演中精度相對(duì)最高[19，21，23]。采用該算法進(jìn)行森林AGB反演時(shí)，首先從樣地?cái)?shù)據(jù)和重要性排名靠前的遙感特征數(shù)據(jù)中提取一組訓(xùn)練數(shù)據(jù)，并將其帶入KNN-FIFS算法，得到初始化均方根誤差(RMSE-0)，將RMSE-0設(shè)置為理論上的極大值，然后利用訓(xùn)練數(shù)據(jù)建立森林AGB估測(cè)模型，從中優(yōu)選出RMSE-b，如果RMSE-b

2.6 精度評(píng)價(jià)方法

KNN-FIFS方法估測(cè)AGB的精度由R2和均方根誤差(RMSE)來(lái)衡量，R衡量模型點(diǎn)的準(zhǔn)確性，常用R2表示，其越接近于1，表示模型精度越高；RMSE采用留一交叉驗(yàn)證計(jì)算，RMSE值越低，回歸模型更加準(zhǔn)確。R2和RMSE的計(jì)算公式如下[19]：

(2)

(3)

3 結(jié)果與分析

本文首先使用RF算法對(duì)3種光學(xué)數(shù)據(jù)提取出的參數(shù)特征信息進(jìn)行重要性排序，并選擇重要性排序結(jié)果中前20個(gè)遙感參數(shù)特征作為KNN-FIFS算法的輸入特征，反演研究區(qū)森林AGB，并分別對(duì)3種數(shù)據(jù)估測(cè)結(jié)果及3種數(shù)據(jù)組合估測(cè)結(jié)果進(jìn)行精度評(píng)價(jià)。研究結(jié)果中，闡述了Landsat 8數(shù)據(jù)、Sentinel-2A數(shù)據(jù)、GF-1數(shù)據(jù)以及結(jié)合3種數(shù)據(jù)分別采用KNN-FIFS算法最終選中的最優(yōu)特征參數(shù)組合；圖2(a)為基于Landsat 8森林AGB反演制圖結(jié)果；圖3(a)為基于Landsat 8森林AGB反演結(jié)果與地面調(diào)查結(jié)果的相關(guān)性分析。圖2(b)和圖3(b)為基于Sentinel-2A數(shù)據(jù)的結(jié)果；圖2(c)和圖3(c)為基于GF-1數(shù)據(jù)的結(jié)果；圖2(d)和圖3(d)為3種光學(xué)數(shù)據(jù)組合進(jìn)行森林AGB反演的結(jié)果。

3.1 Landsat 8數(shù)據(jù)地上生物量反演結(jié)果

根據(jù)李春梅[16]的研究結(jié)果，在KNN算法中，當(dāng)參數(shù)為20個(gè)時(shí)，反演結(jié)果的RMSE值最小，因此本文選用RF排序結(jié)果中的前20個(gè)參數(shù)作為KNN-FIFS算法的初始輸入特征，并用“%IncMSE”和“IncNodePurity”做為重要性評(píng)價(jià)指標(biāo)，其值越大表示該變量的重要性越大[24]。

Landsat 8數(shù)據(jù)提取的參數(shù)中，重要性排序前20的特征為：WL_G3_mea、WLS1_7_mea(WL為紋理，G3_mea為綠光波段窗口3×3的均值紋理信息；S1_7_mea為短波紅外1波段窗口7×7的均值紋理信息，其余以此類(lèi)推)、WLS2_3_mea、WLS1_9_mea、WLS2_9_mea、WLS2_7_mea、WLS1_3_mea、WLS2_9_var、WLS1_3_var、WL_G9_mea、WLS1_9_sec、WLR7_sec、WLR9_var、WLS2_3_var、WL_G9_var、WL_R9_mea、WLR7_mea、WLR9_hom、WLR3_mea、WL_G9_ent，這些選中的特征的“%IncMSE”和“IncNodePurity”值的范圍分別在6.84～14.36和1 208.57～7 442.80之間。由此可以看出，Landsat 8數(shù)據(jù)提取的參數(shù)中，紅色和紅外波段的均值紋理占比較大，說(shuō)明重要性高。

本文K值和窗口大小值的設(shè)置范圍在1～11之間。采用KNN-FIFS取得研究區(qū)最優(yōu)的森林AGB估測(cè)結(jié)果時(shí)，Landsat 8數(shù)據(jù)基于馬氏距離的KNN-FIFS生物量反演模型獲得的最優(yōu)特征組合為歸一化植被指數(shù)，VARSWIR2_3*3，DISSWIR2_7*7，CONgreen_7*7,VARR_7*7，MEAR_7*7(VARSWIR2_3*3為短波紅外波段SWIR2的3×3窗口的方差紋理信息；DISSWIR2_7*7為短波紅外波段SWIR2的7×7窗口的相異性紋理信息，以此類(lèi)推)，當(dāng)K=2，窗口大小為11×11時(shí)，估測(cè)結(jié)果與地面驗(yàn)證數(shù)據(jù)之間的R2為0.47，RMSE為23.29 t/hm2。采用Landsat 8數(shù)據(jù)的制圖結(jié)果見(jiàn)圖2(a)，可以看出生物量分布不足30 t/hm2的森林區(qū)域約占10%，30～90 t/hm2的森林區(qū)域約占80%，其余區(qū)域約占10%。

3.2 Sentinel-2A數(shù)據(jù)地上生物量反演結(jié)果

Sentinel-2A數(shù)據(jù)提取的參數(shù)中，重要性排序前20的特征為：s_SW2mea9、s_R9mea(s為Sentinel-2A簡(jiǎn)寫(xiě)，SW2mea9為短波紅外2窗口9×9的均值紋理信息；s_R9mea為紅波段窗口9×9的值紋理信息，其余以此類(lèi)推)、s_R9con、s_SW1ent7、s_SW2ent9、s_SW2sec9、s_SW1mea3、s_R9dis、s_SW1ent9、s_R9sec、sen_R7mea、s_SW2var9、s_R9hom、s_SW2hom9、s_R9ent、s_R9var、s_SW2con9、s_SW1mea7、s_SW1sec3、s_R7var，其“%IncMSE”和“IncNodePurity”的值范圍在5.55～18.32和802.79～5 471.42，與Landsat 8數(shù)據(jù)類(lèi)似，Sentinel-2A數(shù)據(jù)提取的參數(shù)中，短波紅外和紅色波段的紋理信息占比較大，重要性較高。

Sentinel-2A數(shù)據(jù)基于馬氏距離的KNN-FIFS生物量反演模型獲得的最優(yōu)特征組合為SECSWIR1_9*9，MEASWIR1_3*3，VARR_9*9，DISR_9*9，當(dāng)K為4，窗口大小為5×5時(shí)，研究區(qū)森林AGB估測(cè)結(jié)果最優(yōu)，其估測(cè)精度為R2=0.60，RMSE=21.40 t/hm2，采用哨兵2A數(shù)據(jù)的制圖結(jié)果中(見(jiàn)圖2(b))，生物量分布不足30 t/hm2的森林區(qū)域約占42%，30～90 t/hm2的森林區(qū)域約占55%，其余區(qū)域約占3%。

3.3 GF-1數(shù)據(jù)地上生物量反演結(jié)果

GF-1數(shù)據(jù)提取的參數(shù)中，重要性排序前20的特征為：gfB9_mea、gf_SR(gfB9_mea表示GF-1數(shù)據(jù)藍(lán)波段9×9窗口的均值紋理信息，gf_SR即表示GF-1簡(jiǎn)單植被指數(shù)，其余以此類(lèi)推)、gfB7_mea、gf_NDVI、gfG9_mea、gfR9_mea、gf_RVI、gfN7_dis、gfR3_mea、gfR7_mea、gfG3_mea、gfG3_cor、gfR9_mea、gfG3_sec、gfR9_mea、gfG7_mea、gfG3_ent、gfDVI、gfG7_sec、gfN9_sec、gfR7_ent、gfN9_ent，其“%IncMSE”和“IncNodePurity”的值范圍在7.45～15.34和1 295.92～2 885.30，可以看出植被指數(shù)NDVI、RVI、SR以及綠波段的均值紋理占比較大，重要性較高。

圖2 宜良縣森林AGB分布圖

基于GF-1數(shù)據(jù)、馬氏距離的KNN-FIFS生物量反演模型獲得的最優(yōu)特征組合為MEAB_9*9，DISN_7*7，當(dāng)K=9，窗口大小為1×1時(shí)，研究區(qū)森林AGB估測(cè)結(jié)果最優(yōu)，其估測(cè)精度為R2=0.59，RMSE=22.11 t/hm2，采用GF-1數(shù)據(jù)的制圖結(jié)果中(見(jiàn)圖2(c))，生物量分布不足30 t/hm2的森林區(qū)域約占10%，30～90 t/hm2的森林區(qū)域約占80%，其余區(qū)域約占10%。

3.4 3種數(shù)據(jù)組合進(jìn)行森林地上生物量反演結(jié)果

3種數(shù)據(jù)組合提取的參數(shù)中，重要性排序前20的特征為：LS_G9_mea、LS_S1_7_mea(LS_G9_mea表示Landsat 8綠波段9×9窗口的均值紋理信息；LS_S1_7_mea表示Landsat 8短波紅外1波段7×7窗口的均值紋理信息，以此類(lèi)推)、LS_S2_9_var、LS_S1_9_mea、LS_S2_9_mea、LS_S2_7_mea、LS_G3_mea、LS_S2_3_mea、LS_S1_3_mea、gf_B9_mea3、s_R9con、gfR7_mea3、gf_RVI、gf_SR、gf_NDVI、s_R9mea、gfR9_mea3、gfG9_mea3、gfB1_7mea3、gfR3_mea3，其“%IncMSE”和“IncNodePurity”的值范圍在4.47～20.65和854.28～10 095.17，可以看出Landsat 8紋理特征占比較大，GF-1次之。

基于3種光學(xué)數(shù)據(jù)組合、馬氏距離的KNN-FIFS生物量反演模型獲得的最優(yōu)特征組合為MEAB_7*7_GF，CON_B_9*9_SEN，MEA_R_9*9_LS，NDVI_GF(MEAB_7*7_GF表示GF-1藍(lán)波段7×7窗口的均值紋理信息；MEA_R_9*9_LS表示Landsat 8紅波段9×9窗口的均值紋理信息，以此類(lèi)推)，當(dāng)K=9，窗口大小為9×9時(shí)，研究區(qū)森林AGB估測(cè)結(jié)果最優(yōu)，其估測(cè)精度為R2=0.42，RMSE=23.86 t/hm2，制圖結(jié)果見(jiàn)圖2(d)，圖中生物量分布不足30 t/hm2的森林區(qū)域約占10%，30～90 t/hm2的森林區(qū)域約占85%，其余區(qū)域約占5%。

綜合分析基于Landsat 8、Sentinel-2A、GF-13種光學(xué)數(shù)據(jù)森林AGB的反演結(jié)果，可知Sentinel-2A和GF-1數(shù)據(jù)的反演結(jié)果精度均較好，RMSE值較低，而將3種數(shù)據(jù)組合進(jìn)行森林AGB的反演結(jié)果反而低于僅采用單一數(shù)據(jù)源的反演結(jié)果。由圖2和圖3可知，Landsat 8數(shù)據(jù)在森林AGB水平較低時(shí)(70 t/hm2)反演結(jié)果精度較高，高于70 t/hm2時(shí)出現(xiàn)了飽和現(xiàn)象；基于Sentinel-2A數(shù)據(jù)則在研究區(qū)森林AGB變化范圍內(nèi)未見(jiàn)明顯的飽和現(xiàn)象，其在整個(gè)森林AGB變化范圍，均有較好的估測(cè)精度；基于GF-1的數(shù)據(jù)在低生物量和高生物量水平其估測(cè)結(jié)果精度均較高，但是當(dāng)森林AGB在70～100 t/hm2變化時(shí)，其反演結(jié)果精度較低。

圖3 KNN_FIFS估測(cè)森林AGB交叉驗(yàn)證結(jié)果

4 結(jié)論與討論

在林業(yè)工作上，森林生物量這一重要評(píng)價(jià)指標(biāo)一直存在基礎(chǔ)資料不全、傳統(tǒng)地面實(shí)測(cè)人力物力消耗較大的問(wèn)題，是在進(jìn)行區(qū)域尺度上森林生物量遙感估測(cè)面臨的最大難題。從1978年開(kāi)始，我國(guó)在全國(guó)范圍內(nèi)建立了以省、自治區(qū)、直轄市為總體的森林資源連續(xù)清查體系，各縣慢慢積累了全面的固定樣地調(diào)查數(shù)據(jù)[24]。2008年后，隨著航空航天技術(shù)的發(fā)展，包括Landsat 8、國(guó)產(chǎn)高分系列、Sentinel-2A/B等在內(nèi)的各種免費(fèi)光學(xué)數(shù)據(jù)源日趨豐富。本研究中，基于幾種常用的光學(xué)遙感影像研究了采用KNN-FIFS方法進(jìn)行森林AGB反演的結(jié)果。

研究結(jié)果中，Landsat 8 OLIs數(shù)據(jù)估測(cè)結(jié)果與實(shí)測(cè)值之間的R2為0.47，RMSE為23.29 t/hm2，研究與朱妍[25]的研究結(jié)果類(lèi)似，該研究同樣采用Landsat 8 OLIs，但區(qū)分了森林類(lèi)型，研究將森林類(lèi)型劃分為針葉林、闊葉林和混交林，各類(lèi)森林類(lèi)型的森林AGB反演結(jié)果與地面測(cè)量結(jié)果的R2在0.44～0.48；此外，曹林等[26]基于機(jī)載小光斑LiDAR數(shù)據(jù)提取亞熱帶森林參數(shù)信息，運(yùn)用逐步回歸方法擬合的林分蓄積模型R2為0.46～0.55，略高于本文研究結(jié)果。許振宇等[24]基于Landsat 8數(shù)據(jù)的研究中，采用隨機(jī)森林模型估測(cè)區(qū)域森林AGB，R2達(dá)到了0.65，將該參數(shù)與Sentinel-1數(shù)據(jù)聯(lián)合反演，結(jié)果顯示R2提高到0.72，其R2明顯提高可能是由于SAR信息的輸入以及非參數(shù)估測(cè)方法的使用。李云等[19]利用光學(xué)和SAR數(shù)據(jù)進(jìn)行森林AGB的反演也證實(shí)了引入SAR數(shù)據(jù)可以有效提高森林AGB的反演結(jié)果的精度。

Sentinel-2A數(shù)據(jù)估測(cè)結(jié)果與實(shí)測(cè)值之間的R2為0.6，RMSE為21.40 t/hm2，該結(jié)果略高于曹霖等[27]采用最優(yōu)估測(cè)模型(隨機(jī)森林)和Sentinel-2A數(shù)據(jù)估測(cè)的結(jié)果，該研究結(jié)果的RMSE為35.36 t/hm2。在陳松等[28]的研究中，選用Sentinel-2A數(shù)據(jù)和機(jī)載LiDAR作為研究數(shù)據(jù)，采用四種估測(cè)模型做對(duì)比，分別是普通回歸模型、誤差變量聯(lián)合方程模型、隨機(jī)森林模型和KNN估測(cè)模型，得出最優(yōu)模型為誤差變量聯(lián)合方程組R2為0.60，RMSE為48.64 t/hm2；單一Sentinel-2A數(shù)據(jù)源的研究中，郭正齊等[17]的森林AGB反演精度最高，其R2為0.77，RMSE為39.49 t/hm2，其特別加入了生物物理參數(shù)作為建模因子之一，均采用多元回歸模型進(jìn)行估測(cè)反演，得到精度較高的反演結(jié)果；在Sentinel-1和Sentinel-2A聯(lián)合反演的研究中，單一數(shù)據(jù)反演精度R2為0.50，聯(lián)合SAR數(shù)據(jù)可將R2提高到0.57，這些研究的研究結(jié)果表明Sentinel-1的SAR影像紋理特征值含有一定的輔助信息，對(duì)于模型精度的提高具有一定的作用[29]。

GF-1數(shù)據(jù)估測(cè)結(jié)果和實(shí)測(cè)值之間的R2為0.59，RMSE為22.11 t/hm2，在曾晶等[30]基于GF-1數(shù)據(jù)，采用多元回歸模型估測(cè)森林AGB的結(jié)果相比，該研究結(jié)果的R2為0.65；張少偉等[31]結(jié)合SAR數(shù)據(jù)協(xié)同反演，采用KNN-FIFS模型估測(cè)結(jié)果與實(shí)測(cè)值之間的R2為0.56，RMSE為25.95 t/hm2，該估測(cè)結(jié)果與本文研究結(jié)果接近；周俊宏等[32]研究表明GF-1數(shù)據(jù)的紋理及波段信息能較好表達(dá)森林生物量，在估算生物量中具有明顯優(yōu)勢(shì)，其R2為0.49～0.77，優(yōu)于線性模型(R2為0.39)；構(gòu)建的隨機(jī)森林經(jīng)驗(yàn)?zāi)Ｐ驮谶b感估算森林地上生物量中具有重要潛力(R2為0.77)。

在本研究中，以Landsat 8、Sentinel-2A、GF-13種光學(xué)數(shù)據(jù)，采用KNN-FIFS進(jìn)行森林AGB反演，結(jié)果表明：Sentinel-2A和GF-1數(shù)據(jù)的反演結(jié)果精度均較好，RMSE值較低，Landsat 8反演森林AGB結(jié)果最差。在參數(shù)提取方法相同的情況下，數(shù)據(jù)源的空間分辨率大小對(duì)森林AGB估測(cè)結(jié)果影響明顯，Sentinel-2A數(shù)據(jù)和GF-1數(shù)據(jù)空間分辨率相近，反演精度差異不大，而Landsat 8數(shù)據(jù)空間分辨率為30 m，圖像存在大量混合像元，在森林AGB較低的區(qū)域，Landsat 8像元值很容易受到其他地物影響，不能正確反映實(shí)際的生物量信息；而在森林AGB較高的區(qū)域，由于生物量反演普遍存在飽和問(wèn)題，導(dǎo)致像元實(shí)際生物量被低估。從特征組合上來(lái)看，3種數(shù)據(jù)單獨(dú)的特征組合中，均值和非相似性都被篩選參與模型算法中，從原理上分析因?yàn)榫捣从沉讼裨y理規(guī)律性，值越大表示紋理規(guī)律明顯，易于描述，說(shuō)明均值與像元內(nèi)反映森林AGB規(guī)律相匹配；非相似性表示像元內(nèi)灰度差別越大，圖像的視覺(jué)效果越清晰，說(shuō)明像元內(nèi)植被覆蓋部分與非植被部分分異性大，能較好的提高模型反演精度。3種數(shù)據(jù)結(jié)合的特征組合中，3種數(shù)據(jù)的均值、對(duì)比度指標(biāo)都被篩選加入模型反演，特別是GF-1的NDVI指數(shù)被篩選，而其他兩種數(shù)據(jù)沒(méi)有NDVI加入，在一定程度上更加突出我國(guó)高分?jǐn)?shù)據(jù)在定量反演上的優(yōu)勢(shì)。從特征重要性排序上來(lái)看，7×7和9×9的均值紋理特征在3種數(shù)據(jù)中重要性排序中相對(duì)靠前，說(shuō)明其對(duì)森林AGB的解釋能力強(qiáng)及在森林AGB反演中具有一定優(yōu)勢(shì)。研究表明：高分辨率光學(xué)數(shù)據(jù)有助于提高森林AGB反演精度，國(guó)產(chǎn)高分系列數(shù)據(jù)可以替代現(xiàn)有免費(fèi)國(guó)外數(shù)據(jù)源，其反演森林AGB結(jié)果精度優(yōu)于或等同于目前常用的兩種免費(fèi)國(guó)外數(shù)據(jù)。由于文中僅采用3種光學(xué)數(shù)據(jù)且沒(méi)有SAR數(shù)據(jù)進(jìn)行比較，而且在不同地區(qū)、不同溫度帶、不同森林類(lèi)型中，其反演精度差異有待進(jìn)一步研究。