摘要：【目的】利用Sentinel-1 amp; 2主被動(dòng)遙感數(shù)據(jù)結(jié)合森林冠層高度，對(duì)區(qū)域森林凈初級(jí)生產(chǎn)力（NPP）進(jìn)行高效、準(zhǔn)確的估測(cè)，為森林精準(zhǔn)經(jīng)營(yíng)措施以及“雙碳”目標(biāo)的制定提供科學(xué)依據(jù)?！痉椒ā恳阅戏街攸c(diǎn)林區(qū)資興市為研究區(qū)，基于Sentinel-1和Sentinel-2主被動(dòng)遙感數(shù)據(jù)，采用了多元逐步回歸、人工神經(jīng)網(wǎng)絡(luò)、K最鄰近、隨機(jī)森林4種模型估算NPP。在此基礎(chǔ)上加入了Sentinel-1通過(guò)InSAR與SRTM DEM差分得到的冠層高度，分析其對(duì)NPP估測(cè)精度的影響?！窘Y(jié)果】①研究區(qū)2019年的森林NPP均值為7.79 t/hm2，呈中南部高、西北低的空間分布特征。②4種模型中，主被動(dòng)遙感結(jié)合估測(cè)NPP的精度均高于單源遙感方式；隨機(jī)森林估測(cè)區(qū)域森林NPP的精度最高，模型表現(xiàn)最好。③加入冠層高度可一定程度提高森林NPP估測(cè)精度，R2從0.70提高到了0.75?！窘Y(jié)論】基于Sentinel 1 amp; 2主被動(dòng)遙感數(shù)據(jù)并結(jié)合DEM差分法獲取的冠層高度因子，可有效提高NPP估測(cè)精度。

關(guān)鍵詞：森林凈初級(jí)生產(chǎn)力；Sentinel-1；Sentinel-2；ICESat-2；森林冠層高度；資興市；智慧林業(yè);森林精準(zhǔn)經(jīng)營(yíng)

中圖分類號(hào)：S757"""""" 文獻(xiàn)標(biāo)志碼：A開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

文章編號(hào)：1000-2006（2024）04-0132-09

Estimation of forest net primary productivity based on sentinel active and passive remote sensing data and canopy height

TIAN Chunhong， LI Mingyang*， LI Tao， LI Dengpan， TIAN Lei

（College of Forestry and Grassland， Nanjing Forestry University， Nanjing 210037， China）

Abstract： 【Objective】 Using open source active and passive remote sensing data （Sentinel-1 amp; -2） combined with forest canopy height can improve the estimation accuracy of forest net primary productivity （NPP），"" to provide a scientific basis for the formulation of forest precision management stragtegies and a “carbon peaking and carbon neutrality” strategy. 【Method】 Zixing City， which is a key forest area in the south， was used as the research area. Based on Sentinel-1 and Sentinel-2 active and passive remote sensing data， four models， namely multiple stepwise regression， artificial neural network， K-nearest neighbor， and random forest， were used to estimate NPP. On this basis， the canopy height obtained by Sentinel-1 through the difference between InSAR and SRTM DEM was added to analyze its effect on the accuracy of NPP estimation. 【Result】 （1） The mean value of forest NPP in the study area in 2019 was 7.79 t/hm2， showing the spatial distribution characteristics of high in the central" southwest and low in the northwest. （2） Among the four models， the accuracy of NPP estimation by active and passive remote sensing was higher than that by single remote sensing; the accuracy of random forest estimation of regional forest NPP was the highest， and the model performed the best. （3） Adding canopy height improved the estimation accuracy of forest NPP to a certain extent， with R2 increased from 0.70 to 0.75. 【Conclusion】 The accuracy of NPP estimation can be improved based on Sentinel active and passive remote sensing data and canopy height factor， which is obtained by DEM difference method.

Keywords：forest net primary productivity; sentinel data; ICESat-2; forest canopy height; Zixing City; smart forestry and forest precision management

凈初級(jí)生產(chǎn)力（NPP）指綠色植物在單位時(shí)間和單位面積上所能累積的有機(jī)干物質(zhì)，包括植物的枝、葉和根等生產(chǎn)量及植物枯落部分的數(shù)量，是植物由光合作用所產(chǎn)生的有機(jī)質(zhì)總量中扣除自養(yǎng)呼吸后的剩余部分[1]。隨著我國(guó)“雙碳”目標(biāo)的提出和國(guó)際社會(huì)對(duì)全球氣候變化的關(guān)注，森林作為地球上最大的陸地生態(tài)系統(tǒng)，每年固定的碳約占整個(gè)陸地生態(tài)系統(tǒng)的2/3[2]。森林NPP作為地表碳循環(huán)的重要組成部分，不僅直接反映森林在自然環(huán)境條件下的生產(chǎn)能力、表征其質(zhì)量狀況，還是判定森林生態(tài)系統(tǒng)碳源/匯和調(diào)節(jié)生態(tài)過(guò)程的主要因子，在全球變化以及碳平衡中發(fā)揮著重要作用[3]。

有關(guān)植被凈初級(jí)生產(chǎn)力的估算方法相對(duì)較多，模型模擬法是目前應(yīng)用最廣泛的NPP估算方法[4]。光學(xué)遙感數(shù)據(jù)和主動(dòng)遙感數(shù)據(jù)已經(jīng)被廣泛應(yīng)用于森林凈初級(jí)生產(chǎn)力估測(cè)中，因其可進(jìn)行大范圍監(jiān)測(cè)以及連續(xù)性強(qiáng)等優(yōu)點(diǎn)，基于遙感數(shù)據(jù)估算NPP的模型得到快速發(fā)展。Rafique等[5]利用氣象衛(wèi)星NOAA/AVHRR GIMMS數(shù)據(jù)，使用了TRENDY的5個(gè)模型，對(duì)1982—2012年間全球陸地面積的NPP進(jìn)行了研究，估測(cè)全球NPP約為63 Pg/a。Sannigrahi[6]使用Landsat、MODIS以及土地、氣象等數(shù)據(jù)，比較了CASA、GLO-PEM、VPM、EC-LUE、MOD17、TG、GR共7個(gè)光能利用（LUE）模型估算NPP的能力，結(jié)果表明MOD17模型低估了其他LUE模型的NPP輸出，CASA、VPM、GLO-PEM、TG和GR，能夠準(zhǔn)確估測(cè)NPP且沒(méi)有表現(xiàn)出顯著差異。林文鵬等[7]利用SPOT5影像提取植被指數(shù)從而計(jì)算葉面積指數(shù)（LAI），根據(jù)建立的樣方NPP回歸模型以及區(qū)域LAI遙感估測(cè)模型，經(jīng)尺度化轉(zhuǎn)換后得出2006年上海市森林的年凈生產(chǎn)力約為3.24×105 t，精度可達(dá)到89%。

然而，當(dāng)使用不同的空間分辨率數(shù)據(jù)對(duì)NPP進(jìn)行建模時(shí)，粗分辨率可能會(huì)導(dǎo)致明顯的精度損失，尤其是對(duì)于空間分辨率為8 km的AVHRR數(shù)據(jù)集[8-9]。另外，目前遙感模型研究大多基于多光譜影像（如MODIS數(shù)據(jù)集、SPOT植被產(chǎn)品），由于光飽和現(xiàn)象以及云層可能帶來(lái)的混淆影響，對(duì)于NPP的估測(cè)也有其局限性[10]。由于基于中低分辨率多光譜遙感數(shù)據(jù)的NPP估測(cè)模型可靠性不高，因此本研究嘗試使用精度更高的主被動(dòng)遙感結(jié)合的方式估測(cè)NPP。

此外，森林NPP受樹種特性、森林結(jié)構(gòu)、生長(zhǎng)狀況、氣候、立地條件等因素的綜合影響。利用遙感數(shù)據(jù)可以獲得大區(qū)域尺度且連續(xù)的森林光譜特征和冠層密度[11]、森林高度[12]、林齡[13]等與森林生產(chǎn)力密切相關(guān)的森林參數(shù)，其中冠層高度能直接反映森林結(jié)構(gòu)和生長(zhǎng)狀況，對(duì)于NPP的研究有著重要影響。在以往的研究中，因冠層高度提取不便、獲取成本高等因素，常常忽略冠層高度因子對(duì)NPP的影響。所以本研究嘗試采用Sentinel-1 C波段雷達(dá)數(shù)據(jù)，通過(guò)InSAR中的DEM差分法提取森林冠層高度并應(yīng)用于NPP的估測(cè)，探索其對(duì)NPP估測(cè)模型精度是否有改善。本研究以全國(guó)重點(diǎn)林區(qū)資興市為研究區(qū)，通過(guò)Sentinel-1 SAR與Sentinel-2 MSI主被動(dòng)結(jié)合的方式，使用InSAR中DEM差分法提取的冠層高度，建立估算模型進(jìn)而提高森林NPP估測(cè)精度，以期為Sentinel數(shù)據(jù)在我國(guó)亞熱帶區(qū)域森林NPP遙感估測(cè)中的推廣應(yīng)用提供科學(xué)參考。

1 材料與方法

1.1 研究區(qū)概況

資興市位于湖南省東南部（113°08′～113°44′E，25°34′～26°18′N），地處湘江上游、羅霄山脈南端，總面積2 746 km2。地貌形態(tài)以山地為主，丘、崗、平地交錯(cuò)，地勢(shì)東南高、西北低，東部最高點(diǎn)為八面山，海拔2 042 m，西北部最低點(diǎn)為程江口，海拔僅106 m。資興市屬亞熱帶季風(fēng)濕潤(rùn)氣候區(qū)，年均氣溫17.7" ℃，年均降水量為1 487.6 mm。全市水域面積為187.5 km2，占市域總面積的6.8%。資興市是全國(guó)重點(diǎn)林區(qū)縣（市）之一，植被屬中亞熱帶常綠闊葉林，主要為松（Pinus spp.）林、杉木（Cunninghamia lanceolata）林、油茶（Camellia oleifera）林、雜木林、毛竹（Phyllostachys edulis）林植被區(qū)，植被類型豐富多樣。全市森林覆蓋率達(dá)74.59%，活立木蓄積量1 224.51萬(wàn)m3。根據(jù)2018年第3次全國(guó)土地調(diào)查數(shù)據(jù)，市域范圍內(nèi)有6處自然保護(hù)地，自然保護(hù)地總批復(fù)面積為9. 2萬(wàn) hm2，占資興市面積的33.42%。資興市境內(nèi)共有種子植物178科、834屬、2 031種[14-15]。由于一景Sentinel-1 SLC影像便能覆蓋資興市大部分區(qū)域，為了減少不同時(shí)相影像鑲嵌帶來(lái)的誤差，所以本研究?jī)H對(duì)其覆蓋的資興市北部和中部進(jìn)行研究。

1.2 數(shù)據(jù)來(lái)源

本研究使用的樣地?cái)?shù)據(jù)為2019年資興市森林資源連續(xù)清查固定樣地?cái)?shù)據(jù)，共71塊，每塊樣地面積為0.06 hm2，樣地間距為4 km×8 km。研究使用的遙感數(shù)據(jù)集見(jiàn)表1。

1.3 數(shù)據(jù)處理

1.3.1 樣地NPP計(jì)算

本研究采用余超等[16]建立的16種不同森林類型的生物量與蓄積量、生物量與群落生長(zhǎng)量和年凋落量之間函數(shù)關(guān)系，計(jì)算群落生長(zhǎng)量與年凋落量之和得到資興市森林資源連續(xù)清查固定樣地的NPP。其中灌木林和竹林則采用了溫小榮等[17]對(duì)其生產(chǎn)力的估測(cè)方法。樣地總體情況見(jiàn)表2。

1.3.2 影像數(shù)據(jù)預(yù)處理

1）Sentinel-1 GRD?；谏诒鴶?shù)據(jù)應(yīng)用平臺(tái)（SNAP），結(jié)合SRTM DEM等輔助數(shù)據(jù)，對(duì)GRD影像進(jìn)行了軌道校正、Range-Doppler輻射校正、熱濾波、相干斑濾波和地形校正等處理，最終進(jìn)行鑲嵌和重采樣操作，獲得分辨率大小與連清調(diào)查樣地大小一致的歸一化后向散射系數(shù)。

2）Sentinel-1 SLC。利用ENVI運(yùn)行環(huán)境下的SARscape對(duì)Sentinel-1 SLC產(chǎn)品的VV極化進(jìn)行影像以及精軌數(shù)據(jù)導(dǎo)入、圖像配準(zhǔn)、多時(shí)相雷達(dá)圖像濾波、地理編碼與輻射定標(biāo)，從而得到帶有冠層信息的數(shù)字表面模型（Digital Surface Model， DSM）。

3）Sentinel-2。為了得到Sentinel-2A MSI Level-2A級(jí)別產(chǎn)品即大氣底層反射率數(shù)據(jù)，首先需要通過(guò)輻射傳輸模型的大氣校正處理器 Sen2Cor 對(duì)Level-1C級(jí)別大氣頂層反射影像進(jìn)行大氣校正，然后進(jìn)行鑲嵌、剪裁和重采樣，得到覆蓋完整研究區(qū)且像元空間分辨率（25.82 m×25.82 m）與固定樣地大小相同的大氣底層反射率數(shù)據(jù)。

4）ICESat-2。將ICESat-2 ATL03和ATL08產(chǎn)品[18]在PhoREAL 3.1中進(jìn)行參數(shù)提取、坐標(biāo)轉(zhuǎn)換處理，得到WGS84坐標(biāo)的高程數(shù)據(jù)。最后基于3σ準(zhǔn)則對(duì)高程的粗差進(jìn)行剔除，得到用于校正的高程點(diǎn)。

1.3.3 特征變量提取

森林生產(chǎn)力與森林生長(zhǎng)狀況、大氣、土壤、地形等有著密切關(guān)系[19]，所以本研究提取了比值植被指數(shù)（RVI）、差值植被指數(shù)（DVI）、加權(quán)差值植被指數(shù)（WDVI）、紅外百分比植被指數(shù)（IPVI）、歸一化植被指數(shù)（NDVI）、優(yōu)化歸一化植被指數(shù)（NDI45）、綠波段歸一化植被指數(shù)（GNDVI）、土壤調(diào)節(jié)植被指數(shù)（SAVI）、轉(zhuǎn)化的土壤調(diào)節(jié)植被指數(shù)（TSAVI）、修正土壤調(diào)節(jié)指數(shù)（MSAVI）、大氣修正植被指數(shù)（ARVI）、葉綠素指數(shù)（PSSRa）、中等分辨率陸地葉綠素指數(shù)（MTCI）、改良的葉綠素吸收比指數(shù)（MCARI）、Sentinel-2紅邊位置指數(shù)（S2REP）、紅邊彎曲位置指數(shù)（REIP）、全球環(huán)境檢測(cè)指數(shù)（GEMI）17個(gè)植被指數(shù)；海拔（H）、坡度（β）、坡向（α）、剖面曲率（Cv）、平面曲率（Ch）、sinα、cosα等7個(gè)地形因子。又因提取和挖掘影像的紋理特征可以有效提高影像分析和處理精度[20]，所以在提取紋理特征時(shí)，先將所有波段統(tǒng)一至10 m×10 m分辨率，提取了對(duì)比度（CON）、相異性（DIS）、均值（MEA）、均一性（HOM）、角二階矩（ASM）、熵（ENT）、方差（VAR）、相關(guān)性（COR）8個(gè)紋理特征因子，移動(dòng)窗口大小選擇3×3[21]，基本等于樣地大小。

本研究共提取主動(dòng)遙感因子20個(gè)，包括4個(gè)Sentinel-1的C波段歸一化后向散射系數(shù)及其運(yùn)算指數(shù)[VV、VH、VV/VH、（VH-VV）/（VH+VV）]、16個(gè)紋理特征；被動(dòng)遙感因子125個(gè)，包括12個(gè)Sentinel-2的波段反射率、17個(gè)植被指數(shù)、96個(gè)紋理特征；另外還有7個(gè)基于SRTM DEM的地形因子。

1.3.4 森林冠層高度因子提取

DEM差分法是利用不同的數(shù)據(jù)源，將包含森林高度的DSM與代表林下地表高度的數(shù)字高程模型（DEM）進(jìn)行差分得到森林高度。由短波長(zhǎng)的 InSAR 數(shù)據(jù)提取 DSM，并與已知高精度的DEM差分，是一種估測(cè)森林高度快速有效的方法。C波段因其無(wú)法穿透濃密樹冠，此時(shí)信號(hào)反映植被表面冠層垂直結(jié)構(gòu)，故基于Sentinel-1的干涉雷達(dá)獲得的高度為帶有森林植被冠層高度信息的表面高度[22]，因此可作為DSM。SRTM DEM基于C/X波段的InSAR數(shù)據(jù)獲取的DEM，因?yàn)槭苤脖挥绊憣?shí)質(zhì)上包含森林高度信息[23-24]，直接用來(lái)與DSM進(jìn)行差分運(yùn)算可靠性欠佳。由于ICESat的高程與SRTM的高程之間存在著顯著的線性相關(guān)性[25]，因此本研究嘗試使用地面高程測(cè)量更為準(zhǔn)確的星載激光雷達(dá)產(chǎn)品ICESat-2對(duì)SRTM DEM進(jìn)行校正，得到高程精度更高的DEM，進(jìn)而運(yùn)用到冠層高度的差分反演中。所以先將SRTM DEM重采樣至ICESat-2足跡大小一致，提取出高程點(diǎn)，然后將預(yù)處理后的ICESat-2高程與提取的SRTM DEM高程建立線性回歸關(guān)系，柵格計(jì)算得到校正后DEM，并重采樣至樣地大小獲得最終用于差分的DEM。最后由DSM減去DEM獲得樣地森林冠層高度。

1.4 遙感估測(cè)模型

多元逐步回歸（MSR）可以表示一個(gè)因變量與多個(gè)自變量間的數(shù)量關(guān)系，是一種常用的消除多重共線性、選擇最優(yōu)回歸方程的方法。本研究以2019年資興市樣地NPP作為因變量，自變量選擇遙感數(shù)據(jù)提取的波段反射率、植被指數(shù)、紋理特征和后向散射系數(shù)等152個(gè)因子，通過(guò)SPSS建立逐步回歸關(guān)系，步進(jìn)標(biāo)準(zhǔn)使用F概率，進(jìn)入與刪除分別設(shè)置為0.10與0.11。

人工神經(jīng)網(wǎng)絡(luò)（ANN）能夠模擬人腦的結(jié)構(gòu)和功能，進(jìn)行處理和存儲(chǔ)信息，其中誤差逆?zhèn)鞑ィ˙P）神經(jīng)網(wǎng)絡(luò)應(yīng)用最廣。本研究基于3層BP神經(jīng)網(wǎng)絡(luò)模型，由R語(yǔ)言neuralnet函數(shù)包構(gòu)建。根據(jù)范文義等[26]研究，選取最優(yōu)組合并訓(xùn)練100次，得到NPP估算精度最高的網(wǎng)絡(luò)參數(shù)。

K最近鄰算法（K nearest neighbors， KNN）是依據(jù)最近鄰的一個(gè)或幾個(gè)樣本的類別來(lái)判別待分類樣本的所屬類別。用R語(yǔ)言class包中的knn函數(shù)使用歐氏距離的算法實(shí)現(xiàn)，依據(jù)陳爾學(xué)等[27]研究尋找誤差率最低的K值，最終本研究設(shè)置K為10。

隨機(jī)森林（RF）利用bootsrap重抽樣方法從原始樣本中抽取多個(gè)樣本，對(duì)每個(gè)bootsrap樣本進(jìn)行決策樹建模，然后組合多棵決策樹的預(yù)測(cè)，通過(guò)投票得出最終預(yù)測(cè)結(jié)果。大量的理論和實(shí)證研究都證明了RF對(duì)NPP具有很高的預(yù)測(cè)準(zhǔn)確率，對(duì)異常值和噪聲具有很好的容忍度，且不容易出現(xiàn)過(guò)擬合[28]。隨機(jī)森林模型通過(guò)R語(yǔ)言 randomForest 數(shù)據(jù)包中 randomForest 函數(shù)執(zhí)行，在使用時(shí)需調(diào)整建立的決策樹數(shù)量（ntree）和決策樹分裂時(shí)抽取的變量個(gè)數(shù)（mtry）2個(gè)參數(shù)。mtry值為構(gòu)建隨機(jī)森林回歸模型時(shí)自變量總數(shù)的1/3[29]。

1.5 特征變量的選擇

變量選擇是從原始變量集中選擇最小且最有效的變量子集的過(guò)程，以減少變量空間的維數(shù)并最大化評(píng)估標(biāo)準(zhǔn)[30]。由于自變量因子間的信息冗余會(huì)使得參數(shù)化和非參數(shù)化模型構(gòu)建與預(yù)測(cè)產(chǎn)生較大的誤差，所以本研究使用了2種特征變量篩選方法：對(duì)于多元逐步回歸模型使用步進(jìn)法進(jìn)行自變量的篩選；其他機(jī)器學(xué)習(xí)算法使用隨機(jī)森林重要性排序的方法選取%IncMSE（increase in mean squared error）系數(shù)高的12個(gè)變量。

1.6 模型精度評(píng)價(jià)

本研究采用十折交叉驗(yàn)證進(jìn)行模型精度驗(yàn)證。采用RMSE和R2這2個(gè)指標(biāo)對(duì)模型預(yù)測(cè)精度進(jìn)行評(píng)價(jià)。R2反應(yīng)因變量的全部變異能通過(guò)回歸關(guān)系被自變量解釋的比例；RMSE是預(yù)測(cè)值與真實(shí)值的誤差平方根的均值，表示模型預(yù)測(cè)效果。RMSE[式中記為σ（RMSE）]和 R2的計(jì)算如（1）和（2）所示：

R2=1-∑ni=1（yi-y^i）2/∑ni=1（yi-y-i）2;（1）

σ（RMSE）=∑ni=1（yi-y^i）/（n-1）。（2）

式中：n為樣本個(gè)數(shù)；yi為實(shí)際觀測(cè)值；y-i為實(shí)際觀測(cè)值的均值；y^i為模型預(yù)測(cè)值。

2 結(jié)果與分析

2.1 特征因子篩選

本研究對(duì)提取的主被動(dòng)遙感影像的波段信息、植被指數(shù)、紋理特征以及地形因子等152個(gè)因子進(jìn)行了篩選，得到最后參與模型構(gòu)建的自變量因子見(jiàn)表3。

從所選的變量數(shù)量來(lái)看，紋理變量數(shù)量明顯多于其他類型的變量，說(shuō)明紋理變量對(duì)森林NPP估測(cè)的貢獻(xiàn)大于其他變量。并且?guī)缀趺總€(gè)模型中都包含紋理均值（MEA），這是由于紋理特征可以很好地反映森林表面冠層的空間變化，具有重要的信息能夠用于森林NPP估測(cè)。因此紋理特征變量在森林NPP估測(cè)中占據(jù)重要地位。從主動(dòng)遙感篩選出的特征變量來(lái)看，2種方法提取出的特征變量均存在地形因子，且重要性較高。地形因子的加入會(huì)在主動(dòng)遙感估測(cè)森林NPP中起到較大作用，一方面，坡度、坡向、海拔等地形因子改變了光照、水分、養(yǎng)分空間等森林生長(zhǎng)條件的分配，進(jìn)而對(duì)森林NPP產(chǎn)生較大影響；另一方面，相較于被動(dòng)遙感，地形因子對(duì)微波遙感的影響更大，因?yàn)榈匦蔚钠鸱鼘?duì)微波遙感的成像有著較大影響，所以在應(yīng)用微波遙感估測(cè)森林NPP的時(shí)候，地形是不可忽略的影響因素。從被動(dòng)遙感篩選出的特征變量看，盡管不同數(shù)據(jù)源、不同方法篩選出來(lái)的特征變量有所不同，但是包含被動(dòng)遙感數(shù)據(jù)源的模型基本都篩選出了紅邊波段的變量（包括B5、B6、B7、B8a），這是由于紅邊波段對(duì)森林葉綠素含量更加敏感，可以較好地反映森林生長(zhǎng)狀態(tài)。兩種方法均提取了植被指數(shù)變量，其中TSAVI是因?yàn)橥寥缹?duì)部分植被冠層的整個(gè)輻射亮度有著強(qiáng)烈的影響； MTCI是由于其與葉綠素含量有強(qiáng)相關(guān)性； ARVI是由于大氣對(duì)森林冠層的反射和輻射的修改有著強(qiáng)烈影響。值得注意的是本研究篩選出了大氣波段B1的紋理特征以及ARVI，因此在地勢(shì)較為復(fù)雜的南方林區(qū)，使用Sentinel-2號(hào)數(shù)據(jù)在山區(qū)估測(cè)NPP時(shí)，需適當(dāng)考慮大氣波段B1對(duì)估測(cè)結(jié)果的影響，其對(duì)反演的影響也不可忽略。

因此，在估測(cè)森林NPP時(shí)，主動(dòng)遙感特征變量可以優(yōu)先考慮使用歸一化后向散射系數(shù)的紋理特征并加以地形因子輔助；被動(dòng)遙感特征變量可以優(yōu)先考慮使用紅邊波段及其紋理特征，以及ARVI、MTCI、TSAVI等植被指數(shù)。

2.2 不同信息源估測(cè)NPP精度比較

4種模型下，Sentinel-1 主動(dòng)遙感估測(cè)森林NPP，Sentinel-2被動(dòng)遙感估測(cè)森林NPP以及Sentinel-1和Sentinel-2聯(lián)合估測(cè)森林NPP的精度有所不同，其中主被動(dòng)遙感數(shù)據(jù)聯(lián)合使用RF模型的方法精度最高，R2為0.70（表4）。

不同數(shù)據(jù)源組合中，Sentinel-1數(shù)據(jù)源在4種模型中估測(cè)NPP精度最高的方法為RF，R2為0.66；Sentinel-2數(shù)據(jù)源精度最高的方法同樣為RF，R2為0.67?？傮w來(lái)講，4種估測(cè)模型的精度從大到小表現(xiàn)為RFgt;KNNgt;ANNgt;SWR。多元逐步回歸估測(cè)森林NPP時(shí)精度最低，其原因可能是NPP與特征變量之間的關(guān)系大多數(shù)為非線性關(guān)系。人工神經(jīng)網(wǎng)絡(luò)在估測(cè)森林NPP的表現(xiàn)不太理想，其原因可能是，雖然人工神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度可以做到遠(yuǎn)高于傳統(tǒng)線性模型，但相對(duì)于傳統(tǒng)的機(jī)器學(xué)習(xí)算法來(lái)說(shuō)，人工神經(jīng)網(wǎng)絡(luò)模型需要更多的數(shù)據(jù)量才能達(dá)到較為理想的狀態(tài)，而本研究?jī)H有71塊樣地?cái)?shù)據(jù)，因此預(yù)測(cè)精度較低。K最近鄰算法在估測(cè)森林NPP時(shí)的表現(xiàn)較好，可能由于其在類別決策時(shí)，只與少量的相鄰樣本有關(guān)，可以較好地避免樣本的不平衡問(wèn)題，并且能夠更多地考慮到森林參數(shù)同特征因子之間的非線性依賴關(guān)系。而隨機(jī)森林表現(xiàn)最好，可能由于隨機(jī)森林會(huì)生成多個(gè)樹模型，再進(jìn)行組合預(yù)測(cè)，預(yù)測(cè)精度高于使用單一學(xué)習(xí)器的模型，并且bagging方法和隨機(jī)選擇特征分裂的結(jié)合，使該算法能較好地容忍異常值和噪聲，最終建立的模型有較強(qiáng)的泛化性。

4種方法中，主被動(dòng)遙感結(jié)合的方式對(duì)森林NPP的估測(cè)精度最高。這是由于相較傳統(tǒng)的被動(dòng)遙感估測(cè)，主動(dòng)遙感有著受天氣影響較小、能反映森林的垂直結(jié)構(gòu)信息等優(yōu)勢(shì)，兩者結(jié)合能給模型提供更多的有效信息，使得模型擬合狀況更優(yōu)，在估測(cè)森林NPP時(shí)精度更高，這與潘磊等[31]的研究結(jié)果一致。

本研究中Sentinel-2比Sentinel-1對(duì)于森林NPP的估測(cè)精度略高，這與參與預(yù)測(cè)的變量有較大關(guān)系。一方面Sentinel-1作為C波段雷達(dá)，穿透森林結(jié)構(gòu)的功能較弱，所包含的森林結(jié)構(gòu)信息不如L波段、P波段或者激光雷達(dá)，并且最多只有雙極化方式，單幅影像可用信息較少；而Sentinel-2雖然屬于多光譜影像，但其波段高達(dá)12個(gè)，且空間分辨率達(dá)到了10 m×10 m，其光譜信息比前人大多使用的Landsat和MODIS所包含的信息更多，受混合像元的影響更小。所以Sentinel-2的特征變量所包含的有效信息亦可高于Sentinel-1，Servia等[32]的研究也佐證了這點(diǎn)。另一方面，本研究中Sentinel-1所提取的因子數(shù)量較少，所以在與Sentinel-2同樣提取影像原始波段（或后向散射系數(shù)）、紋理特征還有運(yùn)算指數(shù)的情況下，Sentinel-2雖屬于被動(dòng)遙感，但其對(duì)NPP進(jìn)行估測(cè)的精度比Sentinel-1主動(dòng)遙感高。因此Sentinel-1還需要挖掘其他主動(dòng)遙感的特征因子，以提高單遙感源時(shí)的估測(cè)精度。

2.3 森林冠層高度因子對(duì)NPP估測(cè)的作用

本研究首先用森林連續(xù)清查樣地?cái)?shù)據(jù)對(duì)提取的森林冠層高度進(jìn)行了精度驗(yàn)證，得到MAE為4.21 m，RMSE為5.47 m；而下載的GLAD森林冠層高度的MAE為9.66 m，RESE為20.35 m，本方法提取的FCH精度遠(yuǎn)高于GLAD的數(shù)據(jù)。其次對(duì)提取的冠層高度和樣地NPP在SPSS中進(jìn)行了相關(guān)性分析，得到的P=0.015、r=0.404，兩者存在顯著相關(guān)性。因此，DEM差分法提取的冠層高度對(duì)于森林NPP估測(cè)有很大影響，可以用來(lái)進(jìn)行建模分析。

本研究在主被動(dòng)遙感數(shù)據(jù)結(jié)合的情況下，加入了森林冠層高度對(duì)NPP進(jìn)行了估測(cè)（表5）。以精度最高的RF模型為例，沒(méi)有加入冠層高度時(shí)主動(dòng)遙感的R2為0.66，被動(dòng)遙感R2為0.67，主被動(dòng)遙感結(jié)合的R2為0.70；加入冠層高度后主動(dòng)遙感的R2為0.68，被動(dòng)遙感R2為0.71，主被動(dòng)遙感結(jié)合的R2為0.75，不同數(shù)據(jù)源的估測(cè)精度均有提升，可以看出森林冠層高度是NPP估測(cè)的重要因子。從表5可以看出，森林冠層高度因子對(duì)NPP估測(cè)精度的提高有著重要作用。這是因?yàn)樯止趯痈叨仁怯绊慛PP的綜合指標(biāo)，它可以反映林分年齡、林地水熱條件、林分結(jié)構(gòu)、林分?jǐn)嗝娣e等，這些因素都會(huì)影響到森林的生長(zhǎng)量以及凋落量，并間接作用于森林NPP。

2.4 NPP空間分布

本研究選取了估測(cè)精度最高的方法，即使用Sentinel-1和Sentinel-2主被動(dòng)遙感結(jié)合的方式加入冠層高度因子，通過(guò)RF模型進(jìn)行建模，在R軟件中實(shí)現(xiàn)了NPP的空間制圖，見(jiàn)圖1。

研究區(qū)2019年森林NPP總量為25.89×106 t，均值為7.79 t/hm2，標(biāo)準(zhǔn)差為4.05 t/hm2，最大值為24.43 t/hm2，出現(xiàn)在滁口國(guó)有林場(chǎng)附近，其他高值主要位于各大山脈及森林自然保護(hù)區(qū)或林場(chǎng)；最小值為0 t/hm2，主要出現(xiàn)在城區(qū)分布密集的地點(diǎn)以及有大面積水體覆蓋的區(qū)域。為進(jìn)一步了解研究區(qū)森林NPP的分布情況，本研究根據(jù)均值加或減標(biāo)準(zhǔn)差將NPP水平分為5個(gè)等級(jí)，分別為低NPP[0，3.74）、較低NPP[3.74，7.79）、中NPP[7.79，11.84）、較高NPP[11.84，15.89）、高NPP[15.89，24.43]。研究表明研究區(qū)內(nèi)占比最多的為中NPP，占比35.42%，之后依次是：較低（31.37%）、低（18.91%）、較高（12.18%），占比最少的是高NPP（2.12%）。由此可以看出，研究區(qū)內(nèi)中、較低以及低NPP面積占有較低比例，這可能是與資興市城鎮(zhèn)擴(kuò)張、水域面積占比較大導(dǎo)致林分生產(chǎn)力較低等因素有關(guān)。從圖中可以看出，森林NPP總體呈現(xiàn)西北低，中南部高的空間分布特征，這主要與海拔、森林的分布和人類活動(dòng)存在緊密聯(lián)系。西北部地勢(shì)相對(duì)平坦，建設(shè)用地集中，森林覆蓋率低，人口密度大；中南部山脈連綿起伏，擁有眾多森林資源，人口密度低，有眾多自然保護(hù)區(qū)和林場(chǎng)，自然基礎(chǔ)較好并且受人為擾動(dòng)較小。

資興市2019年森林NPP均值為7.79 t/hm2，處于1980—2004 年我國(guó)亞熱帶山區(qū) NPP 數(shù)值范圍[546～957 g/（m2·a）][33]內(nèi)，高于湖南省2000—2013年平均植被NPP[414.33 g/（m2·a）][34]，也高于閆妍等[35]研究的同年湘江流域上游2000—2019年NPP均值[625.28 g/（m2·a）]與江源通[36]估測(cè)的2010年湘江流域NPP[549 g/（m2·a）]。資興市的森林NPP比其所在地區(qū)均值高，其原因可能如下：首先，在森林資源方面，資興市是全國(guó)重點(diǎn)林區(qū)，位于湘江上游，林地面積以及森林覆蓋率較高，森林資源豐富；其次，資興市主要森林類型是中亞熱帶常綠闊葉林，有較高的光能利用率，其NPP高于其他亞熱帶森林類型[37]，也是其高于湖南省平均NPP的原因之一。最后，近年來(lái)資興市從政策方面，努力踐行“綠水青山就是金山銀山”的理念，推動(dòng)綠色可持續(xù)發(fā)展，推進(jìn)資源枯竭城市轉(zhuǎn)型，頒布實(shí)施了《湖南省東江湖水環(huán)境保護(hù)條例》等一系列政策和制度，使得資興市的森林生態(tài)環(huán)境質(zhì)量穩(wěn)步提升。

3 結(jié) 論

本研究通過(guò)Sentinel-1主動(dòng)遙感和Sentinel-2被動(dòng)遙感相結(jié)合的方式，研究了Sentinel數(shù)據(jù)對(duì)NPP估測(cè)的能力，另外探索了Sentinel-1 C波段雷達(dá)與ICESat-2通過(guò)InSAR差分法獲得的森林冠層高度因子對(duì)NPP估測(cè)精度的影響，結(jié)論如下：

1）主被動(dòng)遙感相結(jié)合的方式可以有效提高區(qū)域遙感估測(cè)NPP的精度。在多元逐步回歸、人工神經(jīng)網(wǎng)絡(luò)、K最近鄰、隨機(jī)森林4種算法中，隨機(jī)森林算法在區(qū)域森林NPP的估測(cè)中表現(xiàn)最好，估測(cè)精度從大到小依次是隨機(jī)森林gt;K最近鄰gt;人工神經(jīng)網(wǎng)絡(luò)gt;多元逐步回歸。因此在地形較為復(fù)雜的中亞熱帶地區(qū)，可以考慮利用主被動(dòng)遙感結(jié)合的方式，使用隨機(jī)森林模型對(duì)NPP進(jìn)行大范圍的連續(xù)地遙感估測(cè)。

2）在區(qū)域森林 NPP 遙感估測(cè)中，加入冠層高度這一特征變量，可以一定程度提高模型估測(cè)精度，R2從0.70提高到了0.75，減少了特征變量中因缺失年齡、郁閉度、平均胸徑等變量而帶來(lái)的估測(cè)誤差。

3）資興市2019年NPP總量為25.89×106 t，均值為7.79 t/hm2，總體呈西北低、中南部高的空間分布特征。

最后，本研究的預(yù)測(cè)變量選取包括原始波段、植被指數(shù)、紋理特征、地形特征、冠層高度等多方面特征因子，但是4種遙感估測(cè)模型均出現(xiàn)預(yù)測(cè)精度小于擬合精度的現(xiàn)象，表明反演過(guò)程中依然存在過(guò)擬合現(xiàn)象。這可能與森林類型、樹種、林分年齡等有關(guān)，如何將森林類型、林分年齡特征引入特征變量，使模型更貼合樣地實(shí)際情況，從而提高遙感估測(cè)精度還需深入研究。

參考文獻(xiàn)（reference）：

［1］陳利軍，劉高煥，勵(lì)惠國(guó). 中國(guó)植被凈第一性生產(chǎn)力遙感動(dòng)態(tài)監(jiān)測(cè)[J]. 遙感學(xué)報(bào)， 2002，6（2）： 129-135. CHEN L J，LIU G H，LI H G. Estimating net primary productivity of’ terrestrial vegetation in China using remote sensing [J]. J Remote Sens， 2002，6（2）： 129-135， 164.

［2］劉國(guó)華，傅伯杰，方精云. 中國(guó)森林碳動(dòng)態(tài)及其對(duì)全球碳平衡的貢獻(xiàn)[J]. 生態(tài)學(xué)報(bào)， 2000，20（5）： 733-740. LIU G H，F(xiàn)U B J，F(xiàn)ANG J Y. Carbon dynamics of Chinese forests and its contribution to global carbon balance[J]. Acta Ecol Sin， 2000，20（5）： 733-740. DOI： 10.3321/j.issn：1000-0933.2000.05.004.

［3］朱文泉，潘耀忠，張錦水. 中國(guó)陸地植被凈初級(jí)生產(chǎn)力遙感估算[J]. 植物生態(tài)學(xué)報(bào)， 2007，31（3）： 413-424. ZHU W Q，PAN Y Z，ZHANG J S. Estimation of net primary productivity of Chinese terrestrial vegetation based on remote sensing[J]. J Plant Ecol， 2007，31（3）： 413-424. DOI： 10.17521/cjpe.2007.0050.

［4］郭睿妍，田佳，楊志玲，等. 基于GEE平臺(tái)的黃河流域森林植被凈初級(jí)生產(chǎn)力時(shí)空變化特征[J]. 生態(tài)學(xué)報(bào)， 2022，42（13）： 5437-5445. GUO R Y，TIAN J，YANG Z L，et al. Spatio-temporal variation characteristics of forest net primary productivity in the Yellow River basin based on Google Earth Engine cloud platform[J]. Acta Ecol Sin， 2022，42（13）： 5437-5445. DOI：10.5846/stxb202104271113.

［5］RAFIQUE R， ZHAO F， DE JONG R， et al. Global and regional variability and change in terrestrial ecosystems net primary production and NDVI： a model-data comparison[J]. Remote Sens， 2016， 8（3）：177. DOI： 10.3390/rs8030177.

［6］SANNIGRAHI S. Modeling terrestrial ecosystem productivity of an estuarine ecosystem in the Sundarban Biosphere region，India using seven ecosystem models[J]. Ecol Model， 2017， 356： 73-90. DOI： 10.1016/j.ecolmodel.2017.03.003.

［7］林文鵬，王臣立，趙敏，等. 基于森林清查和遙感的城市森林凈初級(jí)生產(chǎn)力估算[J]. 生態(tài)環(huán)境， 2008，17（2）： 766-770. LIN W P，WANG C L，ZHAO M，et al. Estimation urban forests NPP based on forest inventory data and remote sensing[J]. Ecol Environ， 2008，17（2）： 766-770. DOI： 10.16258/j.cnki.1674-5906.2008.02.076.

［8］TAN K， ZHOU S Y， LI E Z， et al. Assessing the impact of urbanization on net primary productivity using multi-scale remote sensing data： a case study of Xuzhou， China[J]. Front Earth Sci. 2015， 9（2）： 319-329. DOI： 10.1007/s11707-014-0454-7.

［9］REICH P B， TURNER D P， BOLSTAD P. An approach to spatially distributed modeling of net primary production （NPP） at the landscape scale and its application in validation of EOS NPP products[J]. Remote Sens Environ， 1999，70（1）： 69-81. DOI： 10.1016/S0034-4257（99）00058-9.

[10]SHANG E P， XU E Q， ZHANG H Q， et al. Analysis of spatiotemporal dynamics of the Chinese vegetation net primary productivity from the 1960s to the 2000s[J]. Remote Sens， 2018， 10（6）： 860. DOI： 10.3390/rs10060860.

[11]李陶，李明陽(yáng)，錢春花. 結(jié)合冠層密度的森林凈初級(jí)生產(chǎn)力遙感估測(cè)[J]. 南京林業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2021，45（5）： 153-160. LI T，LI M Y，QIAN C H. Combining crown density to estimate forest net primary productivity by using remote sensing data[J]. J Nanjing For Univ （Nat Sci Ed）， 2021，45（5）： 153-160. DOI： 10.12302/j.issn.1000-2006.202008007.

[12]MA H， SONG J L， WANG J D， et al. Comparison of the inversion ability in extrapolating forest canopy height by integration of LiDAR data and different optical remote sensing products[C]//2012 IEEE International Geoscience and Remote Sensing Symposium．Munich，Germany： IEEE， 2012：3363-3366. DOI： 10.1109/IGARSS.2012.6350700.

[13]李登秋. 亞熱帶森林碳收支變化特征及其成因模擬分析[D].南京： 南京大學(xué)， 2014. LI D Q. Variations of forest carbon budget and underlying driving forces in the subtropical area of China： a case study for Jiangxi Province[D]. Nanjing： Nanjing University， 2014.

[14]史瑤. 基于MSPA和MCR模型的資興市生態(tài)網(wǎng)絡(luò)構(gòu)建研究[D]. 長(zhǎng)沙： 中南林業(yè)科技大學(xué)， 2019. SHI Y. Ecological network construction and research using MSPA and MCR models in Zixing City， Hunan Province， China[D]. Changsha： Central South University of Forestry amp; Technology， 2019.

[15]李軻敏，傅麗華，郭湘. 資興市自然保護(hù)地空間沖突與重構(gòu)研究[J]. 湖南工業(yè)大學(xué)學(xué)報(bào)， 2022， 36（2）： 86-94. LI K M，F(xiàn)U L H，GUO X. Research on spatial conflict and reconstruction of protected natural areas in Zixing City [J]. J Hunan Univ Technol， 2022， 36（2）： 86-94. DOI： 10.3969/j.issn.1673-9833.2022.02.012.

[16]余超，王斌，劉華，等. 中國(guó)森林植被凈生產(chǎn)量及平均生產(chǎn)力動(dòng)態(tài)變化分析[J]. 林業(yè)科學(xué)研究， 2014， 27（4）： 542-550. YU C，WANG B，LIU H，et al. Dynamic change of net production and mean net primary productivity of China’s forests[J]. For Res， 2014， 27（4）： 542-550. DOI： 10.13275/j.cnki.lykxyj.2014.04.016.

[17]溫小榮，蔣麗秀，劉磊，等. 江蘇省森林生物量與生產(chǎn)力估算及空間分布格局分析[J]. 西北林學(xué)院學(xué)報(bào)， 2014， 29（1）： 36-40. WEN X R，JIANG L X，LIU L，et al. Estimation of forest biomass， net primary production and analysis on spatial distribution pattern for Jiangsu Province[J]. J Northwest For Univ， 2014， 29（1）： 36-40. DOI： 10.3969/j.issn.1001-7461.2014.01.07.

[18]董佳臣，倪文儉，張志玉，等. ICESat-2植被冠層高度和地表高程數(shù)據(jù)產(chǎn)品用于森林高度提取的效果評(píng)價(jià)[J]. 遙感學(xué)報(bào)， 2021， 25（6）： 1294-1307. DONG J C，NI W J，ZHANG Z Y， et al. Performance of ICESat-2 ATL08 product on the estimation of forest height by referencing to small footprint LiDAR data[J]. Natl Remote Sens Bull， 2021， 25（6）：1294-1307. DOI：10.11834/jrs.202194491.

[19]孫美美. 黃土丘陵區(qū)三種典型森林類型生產(chǎn)力形成及影響因素[D]. 楊凌：西北農(nóng)林科技大學(xué)， 2021. SUN M M. Net primary productivity and its influencing factors in three typical forest types in the loess hilly region[D]. Yangling： Northwest Aamp;F University， 2021.

[20]黃昕. 高分辨率遙感影像多尺度紋理、形狀特征提取與面向?qū)ο蠓诸愌芯縖D].武漢：武漢大學(xué)，2009. HUANG X. Multiscale texture and shape feature extraction and object-oriented classification for very high resolution remotely sensed imagery [D]. Wuhan： Wuhan University， 2009.

[21]劉俊，畢華興，朱沛林，等. 基于ALOS遙感數(shù)據(jù)紋理及紋理指數(shù)的柞樹蓄積量估測(cè)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2014， 45（7）： 245-254. LIU J， BI H X， ZHU P L， et al. Estimating stand volume of Xylosma racemosum forest based on texture parameters and derivative texture indices of ALOS imagery[J]. Trans Chin Soc Agric Mach， 2014， 45（7）： 245-254. DOI： 10.6041/j.issn.1000-1298.2014.07.038

[22]陳琳. 基于光學(xué)和干涉雷達(dá)的森林地上生物量遙感估算模型研究[D]. 長(zhǎng)春： 中國(guó)科學(xué)院大學(xué)（中國(guó)科學(xué)院東北地理與農(nóng)業(yè)生態(tài)研究所）， 2020. CHEN L. Modeling of forest aboveground biomass based on optical and interferometric synthetic aperture radar[D]. Changchun ： Northeast Institute of Geography and Agroecology， Chinese Academy of Sciences， 2020.

[23]KENYI L W， DUBAYAH R， HOFTON M， et al. Comparative analysis of SRTM-NED vegetation canopy height to LIDAR-derived vegetation canopy metrics[J]. Int J Remote Sens， 2009， 30（11）： 2797-2811. DOI： 10.1080/01431160802555853.

[24]NI W J， GUO Z F， SUN G Q， et al. Investigation of forest height Retrieval using SRTM-DEM and ASTER-GDEM[C]// 30th IEEE International Geoscience and Remote Sensing Symposium （IGARSS） on Remote Sensing-Global Vision for Local Action： 20102111-2114. DOI： 10.1109/IGARSS.2010.5651443.

[25]BALLHORN U， JUBANSKI J， SIEGERT F. ICESat/GLAS data as a measurement tool for peatland topography and peat swamp forest biomass in" Kalimantan， Indonesia[J]. Remote Sens， 2011， 3（9）： 1957-1982. DOI： 10.3390/rs3091957.

[26]范文義，張海玉，于穎，等. 三種森林生物量估測(cè)模型的比較分析[J]. 植物生態(tài)學(xué)報(bào)， 2011， 35（4）： 402-410. FAN W Y，ZHANG H Y，YU Y， et al. Comparison of three models of forest biomass estimation[J]. Chin J Plant Ecol， 2011， 35（4）： 402-410. DOI： 10.3724/SP.J.1258.2011.00402.

[27]陳爾學(xué)，李增元，武紅敢，等. 基于k-NN和Landsat數(shù)據(jù)的小面積統(tǒng)計(jì)單元森林蓄積估測(cè)方法[J]. 林業(yè)科學(xué)研究， 2008， 21（6）： 745-750. CHEN E X，LI Z Y，WU H G， et al. Forest volume estimation method for small areas based on k-NN and Landsat data[J]. For Res， 2008， 21（6）： 745-750. DOI： 10.3321/j.issn：1001-1498.2008.06.002.

[28]LI T， LI M Y， REN F， et al. Estimation and spatio-temporal change analysis of NPP in subtropical forests： a case study of Shaoguan， Guangdong， China[J]. Remote Sens，2022，14（11）：2541.DOI： 10.3390/rs14112541.

[29]李欣海. 隨機(jī)森林模型在分類與回歸分析中的應(yīng)用[J]. 應(yīng)用昆蟲學(xué)報(bào)， 2013， 50（4）： 1190-1197. LI X H. Using “random forest” for classification and regression[J]. Chin J Appl Entomol， 2013， 50（4）： 1190-1197．DOI： 10.7679/j.issn.2095-1353.2013.163.

[30]BOLN-CANEDO V，SNCHEZ-MAROO N， ALONSO-BETANZOS A. Feature selection for high-dimensional data[J]. Prog Artif Intell， 2016， 5（2）： 65-75．DOI： 10.1007/s13748-015-0080-y.

[31]潘磊，孫玉軍，王軼夫，等.基于Sentinel-1和Sentinel-2數(shù)據(jù)的杉木林地上生物量估算[J]. 南京林業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2020， 44（3）：149-156. PAN L，SUN Y J，WANG Y F， et al. Estimation of aboveground biomass in a Chinese fir（Cunninghamia lanceolata）forest combining data of Sentinel-1 and Sentinel-2[J]. J Nanjing For Univ （Nat Sci Ed）， 2020， 44（3）：149-156．DOI： 10.3969/j.issn.1000-2006.201811012.

[32]SERVIA H，PAREETH S，MICHAILOVSKY C I，et al. Operational framework to predict field level crop biomass using remote sensing and data driven models[J]. Int J Appl Earth Obs Geoinf， 2022， 108：102725．DOI： 10.1016/j.jag.2022.102725.

[33]高志強(qiáng)，劉紀(jì)遠(yuǎn). 中國(guó)植被凈生產(chǎn)力的比較研究[J]. 科學(xué)通報(bào)， 2008，53（3）： 317-326. GAO Z Q，LIU J Y．Comparative study on net productivity of vegetation in China [J]. Chin Sci Bull， 2008，53（3）： 317-326. DOI： 10.1360/csb2008-53-3-317.

[34]陳曉玲，曾永年. 亞熱帶山地丘陵區(qū)植被NPP時(shí)空變化及其與氣候因子的關(guān)系：以湖南省為例[J]. 地理學(xué)報(bào)， 2016， 71（1）： 35-48. CHEN X L，ZENG Y N．Spatial and temporal variability of the net primary production （NPP） and its relationship with climate factors in subtropical mountainous and hilly regions of China： a case study in Hunan Province[J]. Acta Geogr Sin， 2016， 71（1）： 35-48.DOI： 10.11821/dlxb201601003.

[35]閆妍，覃金華，房磊，等. 湖南省植被凈初級(jí)生產(chǎn)力時(shí)空動(dòng)態(tài)及其與氣候因素的關(guān)系[J]. 生態(tài)學(xué)雜志， 2022，41（8）： 1535-1544. YAN Y，QIN J H，F(xiàn)ANG L，et al. Spatiotemporal dynamics of vegetation net primary productivity and its relationships with climatic factors in Hunan Province[J]．Chin J Ecol， 2022， 41（8）：1535-1544. DOI：10.13292/j.1000-4890.202208.015.

[36]江源通. 湘江流域植被NPP時(shí)空動(dòng)態(tài)及影響因素分析[D]. 湘潭：湖南科技大學(xué)， 2015. JIANG Y T. Analysis of spatio-temporal dynamics and factors influencing vegetation NPP in Xiangjiang River basin [D]. Xiangtan：Hunan University of Science and Technology，2015.

[37]張駿. 中國(guó)中亞熱帶東部森林生態(tài)系統(tǒng)生產(chǎn)力和碳儲(chǔ)量研究[D]. 杭州： 浙江大學(xué)， 2008. ZHANG J. NPP and carbon storage in subtropical forest，eastern China [D]. Hangzhou：Zhejiang University，2008.

（責(zé)任編輯 孟苗婧 鄭琰燚）

收稿日期Received：2022-05-11""" 修回日期Accepted：2022-08-07

基金項(xiàng)目：國(guó)家自然科學(xué)基金項(xiàng)目（31770679）。

第一作者：田春紅（1786767729@qq.com）。

*通信作者：李明陽(yáng)（lmy196727@126.com），教授。

引文格式：田春紅，李明陽(yáng)，李陶，等.

基于Sentinel 1 amp; 2主被動(dòng)遙感數(shù)據(jù)和冠層高度的森林凈初級(jí)生產(chǎn)力估測(cè)[J]. 南京林業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2024，48（4）：132-140.

TIAN C H， LI M Y， LI T， et al.

Estimation of forest net primary productivity based on sentinel active and passive remote sensing data and canopy height[J]. Journal of Nanjing Forestry University （Natural Sciences Edition），2024，48（4）：132-140.

DOI：10.12302/j.issn.1000-2006.202205014.