徐天蜀 岳彩荣 章皖秋 张王菲 袁 华（西南林业大学林学院，云南昆明650224）



基于多源遥感数据的森林生物量定量评价研究

徐天蜀 岳彩荣 章皖秋 张王菲 袁 华
（西南林业大学林学院，云南昆明650224）

摘要：以ALOS PALSAR L波段双极化FBD微波遥感数据及多光谱光学遥感数据AVNIR-2为基础，对数据进行预处理，利用地面云南松林样地坐标，提取HH、HV双极化后向散射系数及极化比值3个因子，结合光学遥感数据提取4个波段值及NDVI、RVI 2个植被指数，作为云南松林生物量估测因子。分别以微波数据、光学数据、微波及光学数据结合的多源遥感数据，建立3个云南松林生物量估测模型。结果表明：所建模型经方差分析均达到显著相关或极显著相关水平；PALSAR L波段双极化后向散射系数，可以反映森林生物量的变化，但反演精度有待进一步提高；AVNIR-2数据模型优于PALSAR L波段双极化数据模型；多源数据模型与光学数据模型的估测精度相近。

关键词：森林生物量；微波数据；光学数据；多源遥感数据；定量评价；云南松

遥感技术是较大尺度森林生物量定量评价及动态监测的重要工具，目前已有大量的研究和应用，但所应用的数据以光学遥感数据居多。由于可见光和近红外光谱只与绿叶生物量产生反应，理论上只能获取森林叶生物量的信息，无法反映森林冠层以下的树干信息，在利用光谱信息估测森林生物量时实际是利用了森林生物量与绿叶生物量的相对生长关系达到间接估计森林生物量，然而这种对应关系在森林结构复杂或者估测对象包含多个树种时会出现较大的误差或错误［1-2］。微波具有穿透树冠的能力，主要与森林生物量的主体—枝和树干发生作用，也能与树叶发生作用，因而微波遥感技术为森林生物量全面和精确估测提供了可行的工具［2-3］。因此，本研究以ALOS PALSAR L波段双极化微波遥感数据以及ALOS AVNIR多光谱数据为信息源，以云南松（Pinus yunnanensis）林为研究对象，探索多源数据结合应用于森林生物量定量估测的方法和技术。

1　研究区概况

研究区位于云南省昆明市宜良县境内，选在宜良县花园林场。属山地地貌，平均海拔1 700～1 900 m，中亚热带季风气候，平均气温16.3℃，夏无酷暑，冬无严寒，年平均气温16.3℃，年平均日照2 177.3 h，每年平均降雨量912.2 mm，年平均相对湿度75%，全年无霜期260 d左右。主要植被有云南松、华山松（Pinus armandi）、杉木（Cunninghamia lanceolata）、云南油杉（Keteleeria evelyniana）、桉树（Eucalyptus robusta）等。

2　数据来源

2.1微波数据

本研究的数据为2010年7月获取ALOS PALSAR L波段的FBD Level 1.1双极化数据，包括水平极化HH、交叉极化HV。图像中心点坐标：北纬24.76°，东经103.26°；入射角34.3°，其中方位向分辨率为3.18 m，距离向分辨率为9.37 m，像幅18 432×4 640［4］。

2.2多光谱数据

采用2010年7月获取的ALOS卫星的新型可见光和近红外辐射计AVNIR-2数据，包括蓝、绿、红、近红外4个波段，分辨率为10 m。

2.3云南松林生物量数据

分别在2010年6月及2011年7月进行地面样地调查，针对云南松纯林及混交林，采用典型选样法布设样地。利用角规控制检尺的方法调查样地单位面积林木蓄积量，分别对不同树种采用蓄积量-生物量转换方程［4］计算单位面积生物量，同时记录样地中心点的GPS坐标，用于与遥感数据匹配。本研究共调查样地100个。

3　基础数据处理

3.1微波数据预处理

微波遥感数据的成像方式为斜距成像，地物后向散射受地形影响较大，产生透视收缩、叠掩、阴影、顶部位移等几何畸变，因此在应用时均需要进行数据预处理，本文以Gamma软件为处理平台进行数据处理。

1）辐射定标。微波图像的每个像元值都能表示成唯一确定的后向散射信号功率值，这一过程称为辐射定标。为了充分利用多通道多极化SAR数据信息，必须先对这些数据进行辐射定标，才能应用于地表散射特性的分析［5-6］。根据日本ALOS卫星公司提供的定标参数，Level 1.1数据采用下列定标公式：

式中：X为像元读数值；Y为后向散射系数（dB）。

2）正射校正。微波图像是根据多普勒原理进行斜距成像的，SAR图像的正射校正就是要将SAR图像的距离-多普勒坐标转换为带有地理编码并纠正地形影响后的正射微波图像。本研究利用带有地图坐标的DEM，产生模拟SAR图像，对真实SAR图像进行地理编码及正射校正，获取δ0图像［7］。

3）斑点噪声抑制/滤波处理。相干斑点噪声是微波影像固有的特征。当微波照射在粗糙地表，返回的信号是由一个图像分辨单元内的多个散射体反射回波组成的，形成“斑点噪声”，从而影响SAR图像质量［5-6］。常用的去噪方法有多视处理、滤波处理。本研究在正射校正时多视处理的基础上，采用中值滤波进行处理，滤波窗口为5×5。

4）地形辐射校正。在不平坦地区，地形对后向散射系数会产生影响，称为地形引起的辐射畸变。利用局部入射角及校正后的像元面积进行地形辐射校正，获取γ0图像。预处理后的图像见图1。

3.2多光谱数据预处理

以已经做过几何精校正的Quick-Bird影像为基准，均匀地选取了26个GCP点，选择二次多项式作为纠正方程，对AVNIR-2影像进行几何精校正，校正后的误差控制在1个像元内。

图1　预处理后的γ0L-hv图像与地面样地位置Fig.1 Preprocessed γ0L-hvimage and the location of sample plots

4　森林生物量定量估测

4.1微波遥感数据估测［8-17］

1）遥感估测因子的提取。对经过预处理的HH、HV 2种极化的γ0图像，利用地面样地GPS坐标提取后向散射系数，得、及极化比值。

2）模型建立。以HH、HV后向散射系数及极化比值HV/ HH 3个因子为自变量，以样地生物量的自然对数值为因变量，建立多元线性回归模型，建模样本为80个，模型如下：

3）方差分析及线性回归关系显著性检验。根据方差分析（表1），遥感因子与森林生物量具有显著相关关系，相关系数R=0.362 6，可用于森林生物量估测。

表1　方差分析表Table 1 Variance analysis

4.2多光谱光学遥感数据估测

1）遥感估测因子的选择。ALOS卫星的AVNIR-2数据包括蓝光B1、绿光B2、红光B3、近红外光B44个波段，在几何校正的基础上，以样地GPS坐标为准，提取4个波段的光谱值作为生物量估测因子。

不同的光谱通道所获得的植被信息有着各自的特点，仅用个别波段或多个单波段数据来提取植被信息是相当局限的，因而常常选用多光谱遥感数据经线性或非线性组合，产生对植被长势、生物量等有一定指示意义的植被指数加以分析。本研究利用4个光谱通道提取了归一化植被指数NDVI及比值植被指数RVI 2个植被指数作为估测因子。

2）模型的建立。以上述光谱值及植被指数共6个因子作为自变量，以样地生物量作为因变量，建立多元线性回归模型，模型如下：

3）方差分析及线性回归关系显著性检验。根据方差分析（表1），遥感因子与森林生物量具有极显著相关关系，相关系数R=0.522 1，可用于森林生物量估测。

4.3多源遥感数据结合的估测

1）遥感因子的选择。将微波数据与多光谱数据结合，作为森林生物量的估测因子，即：微波数据的、及极化比值3个因子；多光谱数据的B1、B2、B3、B44个光谱值；NDVI、RVI 2个植被指数共9个因子作为估测因子。

2）模型的建立。以上述9个因子作为模型的自变量，以样地生物量的对数值作为模型因变量，建立多元线性回归模型。模型如下：

3）方差分析及线性回归关系显著性检验。根据方差分析（表1），遥感因子与森林生物量具有极显著相关关系，相关系数R=0.536 6，可用于森林生物量估测。

4.4精度检验与评价

1）精度检验。利用随机选取的20个检验样本及已建立的3个模型，分别计算样地生物量的预测值。

精度评价的指标采用平均相对误差（MRE）和均方根误差（RMSE）。计算公式如下：

3个模型预测值精度检验见表2。

表2　模型预测精度检验表Table 2 Models prediction accuracy test

2）精度评价。从相关系数分析，多源数据模型略优于多光谱模型，多源数据模型及多光谱模型优于微波数据模型。

从平均相对误差MRE分析，微波数据模型的平均相对误差为36.8%，多光谱数据模型的平均相对误差为29.1%，多源数据模型的平均相对误差为29.9%。可以看出多源数据模型与多光谱数据模型优于单纯的微波数据模型，多源数据模型略优于多光谱数据模型。

从均方根误差RMSE分析，多光谱数据模型为11.86，多源数据模型为13.21，微波数据模型为14.17，单纯的微波数据模型的RMSE最大。

5　结论与讨论

1）利用微波数据模型、多光谱数据模型、多源数据模型3种方法建立的森林生物量估测模型经方差分析检验均达到了显著相关或极显著相关水平，可用于森林生物量估测。

2）微波双极化数据的总后向散射系数，可以反映森林生物量的变化，但直接利用总后向散射系数进行反演的精度有待进一步提高。

3）AVNIR-2光学数据模型优于PALSAR L波段双极化微波数据模型。AVNIR-2光学模型与多源数据模型对生物量估测精度差异不大。

4）微波后向散射系数不仅包括森林冠层的反射能量，还包括树干、枝的多次体散射以及林下地面的表面散射。单纯的利用总后向散射系数构建生物量模型，不能确定各个散射成分对生物量的影响，会产生较大的误差。可进一步利用全极化数据进行目标分解，提取不同的散射分量，寻找与生物量相关性高的因子，挖掘微波数据应用的潜力，提高估测精度。本研究采用多元线性回归模型用于建模，而微波数据与多光谱数据与生物量的关系可能为非线性关系，可进一步采用非线性模型拟合，提高估测精度。

［参考文献］

［1］黎夏，叶嘉安，王树功，等.红树林湿地植被生物量的雷达遥感估算［J］.遥感学报，2006，10（3）：337-336.

［2］陈尔学.合成孔径雷达森林生物量估测研究进展［J］.世界林业研究，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］黄从德，张健，杨万勤，等.四川省及重庆地区森林植被碳储量动态［J］.生态学报，2008，28（3）：966-975.

［5］尤红建，付琨.合成孔径雷达图像精准处理［M］.北京：科学出版社，2011.

［6］王超，张红.全极化合成孔径雷达图像处理［M］.北京：科学出版社，2008.

［7］徐天蜀，岳彩荣，张王菲.山区星载ALOS PALSAR微波遥感图像的正射校正［J］.农业工程学报，2012，28（1）：173-178.

［8］杨永恬，李增元，陈尔学，等.基于ALOS PALSAR数据的森林蓄积量估测技术研究［J］.林业资源管理，2010（2）：113-117.

［9］廖静娟，沈国状.基于多极化SAR图像的鄱阳湖湿地地表淹没状况动态变化分析［J］.遥感技术与应用，2008，23（4）：373-377.

［10］张远，张中浩，苏世亮，等.基于微波冠层散射模型的水稻生物量遥感估算［J］.农业工程学报，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，Fransson 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.

（责任编辑曹龙）

第1作者：徐天蜀（1964-），女，博士，教授。研究方向：森林资源管理及林业“3S”技术应用研究。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

基金项目：国家自然科学基金资助项目（31260156、30960302）资助；西南林业大学林学一级学科资助；西南地区生物多样性保育国家林业局重点实验室开放基金资助。

收稿日期：2015-12-29

doi：10.11929/ j.issn.2095-1914.2016.03.022

中图分类号：S771.8

文献标志码：A

文章编号：2095-1914（2016）03-0126-05