潘磊 孫玉軍

(省部共建森林培育與保護教育部重點實驗室(北京林業(yè)大學)，北京，100083)

在區(qū)域和全球范圍內對森林生物量進行估算，對理解和監(jiān)測生態(tài)系統(tǒng)對溫室氣體排放、陸地碳排放的響應至關重要[1-3]。傳統(tǒng)估測森林生物量的地面實測法是最精確的，但耗時、費力且難以實施，尤其是在偏遠地區(qū)，并且只能在小范圍區(qū)域實施[4-5]。遙感為在景觀格局、區(qū)域乃至全球尺度范圍內進行森林生物量和碳儲量的調查提供了可行的方法[4,6]。很多研究已經證明，使用光學遙感數(shù)據(jù)、雷達數(shù)據(jù)、激光雷達數(shù)據(jù)和多源數(shù)據(jù)可以在不同程度上成功地進行森林生物量的估測。

由于雷達對植被冠層的穿透能力與對植被含水量的敏感性，雷達數(shù)據(jù)在估測森林生物量方面具有較大的潛力[6]。對星載SAR(合成孔徑雷達)與機載SAR系統(tǒng)的研究表明，多頻、多極化SAR系統(tǒng)是估測森林生物量的重要工具[3,7-9]。雷達的后向散射強度隨著森林生物量的增加而增加，但是當森林地上生物量達到一定水平時，會趨于飽和，并且后向散射強度對森林生物量的敏感性會隨著波長的增大而增大，P波段數(shù)據(jù)的飽和點小于200 t·hm-2，L波段數(shù)據(jù)的飽和點小于100 t·hm-2，C波段數(shù)據(jù)的飽和點小于50 t·hm-2[3,6,10-12]。森林生物量估測精度的提高不僅依賴于SAR數(shù)據(jù)，也依賴于SAR數(shù)據(jù)的有效處理方式(紋理測量等)。紋理測量是高分辨率SAR數(shù)據(jù)的重要信息資源，并且圖像紋理能夠識別林分結構的不同方面(林齡、林分密度和葉面積指數(shù)等)[2,13-15]。

紋理是指色調在空間上的分布。視覺上比較細膩的紋理，說明圖像亮度值在區(qū)域內的空間變化比較??；視覺上比較粗糙的紋理，像元值在區(qū)域內的變化則比較劇烈[16]。紋理參數(shù)雖然用于土地利用類型和植被的分類[17]，但是影像紋理及其與森林生物量之間的關系尚未得到充分研究[2]。因此，本文應用Sentinel-1A雙極化數(shù)據(jù)紋理信息估測森林生物量進行探討。

1 研究區(qū)概況

研究區(qū)位于福建省三明市將樂國有林場。將樂縣地處武夷山山脈東南部，地形以中低山為主，海拔180～500 m，土壤以紅壤為主，少量分布有黃紅壤。屬亞熱帶季風氣候，年均降水量1 669 mm，年平均氣溫18.7 ℃，平均相對濕度81%，全年無霜期287 d。將樂縣森林資源豐富，全縣山地面積1 920 km2，其中有林地面積1 887 km2，森林覆蓋率達84.5%，林木蓄積量1.598×107m3。該區(qū)域以杉木、馬尾松和毛竹為主要樹種[18]。研究區(qū)與樣地分布見圖1。

圖1 研究區(qū)與樣地分布

2 研究方法

2.1 雷達影像數(shù)據(jù)

研究所用的數(shù)據(jù)為Sentinel-1干涉寬模式下的S1 TOPS-mode SLC數(shù)據(jù)，獲取時間為2016年7月5日，極化方式為VV、VH，距離向采樣間隔為2.33 m，方位向采樣間隔為13.94 m，入射角為43.99°。

2.2 樣地調查與樣地生物量估算

在研究區(qū)調查了29塊杉木林固定樣地，樣地大小為20 m×30 m或20 m×20 m，對樣地內的林木進行每木檢尺，使用胸徑尺測量樣地內每一株林木的胸徑，使用手持激光測高儀測量每一株林木的樹高，并使用GPS記錄樣地中心點坐標。

樣地生物量估算引用杉木相容性地上生物量方程[18]：AGB=0.039 7D1.916 0H0.768 6，用以計算樣地地上生物量，樣地生物量總體分布情況如表1所示，生物量分布范圍為29～401 t·hm-2。

表1 樣地生物量總體分布情況

2.3 雷達數(shù)據(jù)處理

后向散射系數(shù)：在SARscape中對原始數(shù)據(jù)進行地理編碼和輻射定標，將圖像轉換為分貝為單位的適馬后向散射系數(shù)圖像，對圖像的點目標進行定量度量與分析，得到的樣地后向散射系數(shù)用于生物量建模。

紋理分析：在紋理測量之前，先將后向散射系數(shù)圖像轉換為歸一化后向散射系數(shù)圖像。因為歸一化后向散射系數(shù)圖像，在低后向散射目標上提供了更好的動態(tài)范圍[19]，更好的進行Frost濾波處理抑制斑點噪聲。本研究使用灰度共生矩陣(GLCM)進行紋理測量。GLCM為對稱矩陣，其維數(shù)(N)是影像灰度的量化級別，矩陣中的每個值代表其行列號所對應的2個灰度級別，在某個特定距離和方向同時出現(xiàn)的概率。若將距離設為1個像元，GLCM矩陣所描述的則是相鄰像元之間的相互關系。常用的方向有4個：0°(水平方向)、45°(右斜線方向)、90°(垂直方向)和135°(左斜線方向)[16]。本研究采用4個窗口提取Sentinel-1數(shù)據(jù)不同極化方式影像的紋理特征值，窗口大小為3×3、5×5、7×7、9×9。由灰度共生矩陣(GLCM)計算的8個二階紋理變量公式如下:

式中:Pi,j表示GLCM矩陣中第i行第j列所對應的2個灰度值在某個特定距離和方向同時出現(xiàn)的概率(GLCM矩陣中所有的概率值總和為1)；N為量化等級。

3 結果與分析

3.1 后向散射系數(shù)與生物量相關性

Sentinel-1兩種極化方式VV、VH的后向散射系數(shù)及兩種極化方式后向散射系數(shù)比VH/VV與杉木林地上生物量的相關性均不顯著。其中杉木林地上生物量與VH極化后向散射系數(shù)的相關系數(shù)最高，但也只達到0.15，與VV極化后向散射系數(shù)的相關系數(shù)為0.12，與后向散射系數(shù)比VH/VV的相關系數(shù)僅為-0.04，均低于0.2，屬于低度相關關系。已有研究表明，雷達后向散射系數(shù)強度會隨著森林生物量的增加而增加，但是當森林生物量達到一定水平時，后向散射系數(shù)會趨于飽和，C波段雷達數(shù)據(jù)與生物量關系的飽和點較低，小于50 t·hm-2[3，6，10]。本研究中采用的Sentinel-1數(shù)據(jù)為C波段雷達數(shù)據(jù)，其不同極化方式的后向散射系數(shù)與杉木林地上生物量相關性較低，這種結果是由于樣地的生物量大部分都大于100 t·hm-2，超過了C波段雷達數(shù)據(jù)后向散射系數(shù)估測森林生物量的飽和點造成的。

3.2 不同極化影像紋理特征值建模

表2 VH、VV極化紋理特征值建模結果

注：*表示在0.05水平上顯著；** 表示在0.01水平上顯著；*** 表示在0.001水平上顯著。

由圖2可知，3種模型預測值與生物量實測值的擬合程度與殘差，VV極化紋理參數(shù)模型的擬合優(yōu)度顯著優(yōu)于VH極化紋理參數(shù)模型和VH/VV紋理參數(shù)模型，并且該模型的殘差較另外兩種模型也較低。通過殘差圖可以看出，3種模型的殘差分布基本表現(xiàn)為當生物量水平較低時為負值，在生物量水平較高時為正值，說明這3種模型都存在對低生物量森林存在過高估計，對高生物量森林存在過低估計的問題，在中等生物量水平時估測效果較好。

圖2 模型估測值與樣地實測值散點圖和殘差圖

3.5 模型精度驗證

4 結論與討論

本研究旨在通過使用Sentinel-1A SAR數(shù)據(jù)不同極化方式的后向散射系數(shù)和紋理信息估測森林生物量。研究表明，使用Sentinel-1A SAR數(shù)據(jù)的紋理信息可以大幅提高其估測森林生物量的能力；C波段SAR數(shù)據(jù)的后向散射系數(shù)與森林生物量的相關關系不明顯，不宜直接用于森林生物量水平較高地區(qū)的森林生物量估測；不同極化方式影像的紋理信息在森林生物量估測方面具有一定的潛力，但是效果與極化方式有關，在VH極化、VV極化與VH/VV極化3種處理方式中，基于VV極化影像紋理特征值的森林生物量估測模型擬合效果最好，模型決定系數(shù)達到0.716 7，調整決定系數(shù)為0.635 7，但是這種處理技術估測森林生物量的性能可能會受到森林生物量水平與森林結構的影響。

研究證明在估測森林生物量方面，P波段和L波段雷達數(shù)據(jù)比C波段雷達數(shù)據(jù)更有優(yōu)勢，C波段SAR數(shù)據(jù)的后向散射系數(shù)在生物量水平較低時就已達到飽和。本研究中不同極化方式的后向散射系數(shù)與生物量的相關關系均不顯著，而對不同極化方式雷達數(shù)據(jù)進行紋理測量，將紋理信息用于估測森林生物量，其中VH、VH/VV極化紋理信息建立的生物量模型雖然都高于后向散射系數(shù)估測森林生物量的效果，但是模型效果均不理想；而由VV極化紋理特征值建立的生物量模型擬合效果在這些模型中效果是最好的，決定系數(shù)達到0.716 7。在不同的研究區(qū)可能會有不同的最優(yōu)模型，因為不同研究區(qū)的紋理參數(shù)存在差異，但是其他研究區(qū)的最優(yōu)模型可以使用本研究中使用的方法來獲得。在今后的研究中，加入地形因子或其他紋理參數(shù)或者使用神經網絡等非參數(shù)算法進行生物量估測也是一種提高模型精度的思路。

[1] HOUGHTON R A. Aboveground Forest Biomass and the Global Carbon Balance[J]. Global Change Biology,2005,11(6):945-958.

[2] SARKER M L, NICHOL J, IZ H B, et al. Forest biomass estimation using texture measurements of High-Resolution Dual-Polarization C-Band SAR Data[J]. IEEE Transactions on Geoscience and Remote Sensing,2013,51(6):3371-3384.

[3] DOBSON M C, ULABY F T, LETOAN T, et al. Dependence of radar backscatter on coniferous forest biomass[J]. IEEE Transactions on Geoscience and Remote Sensing,1992,30(2):412-415.

[4] 梁順林,李小文,王錦地，等.定量遙感:理念與算法[M].北京:科學出版社,2013:433-458.

[5] KETTERINGS Q M, COE R, VAN NOORDWIJK M, et al. Reducing uncertainty in the use of allometric biomass equations for predicting above-ground tree biomass in mixed secondary forests[J]. Forest Ecology and Management,2001,146(1):199-209.

[6] TOAN T L, BEAUDOIN A, RIOM J, et al. Relating forest biomass to SAR data[J]. IEEE Transactions on Geoscience and Remote Sensing,1992,30(2):403-411.

[7] KASISCHKE E S, CHRISTENSEN N L, BOURGEAUCHAVEZ L L, et al. Correlating radar backscatter with components of biomass in loblolly pine forests[J]. IEEE Transactions on Geoscience and Remote Sensing,1995,33(3):643-659.

[8] RANSON K J, SUN G, LANG R H, et al. Mapping of boreal forest biomass from spaceborne synthetic aperture radar[J]. Journal of Geophysical Research,1997，102(D24)：29599-29610.

[9] KURVONEN L, PULLIAINEN J, HALLIKAINEN M, et al. Retrieval of biomass in boreal forests from multitemporal ERS-1 and JERS-1 SAR images[J]. IEEE Transactions on Geoscience and Remote Sensing,1999,37(1):198-205.

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

[11] 李蘭,陳爾學,李增元,等.合成孔徑雷達森林樹高和地上生物量估測研究進展[J].遙感技術與應用,2016,31(4):625-633.

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

[13] ULABY F T, KOUYATE F, BRISCO B, et al. Textural information in SAR images[J]. IEEE Transactions on Geoscience and Remote Sensing,1986,24(2):235-245.

[14] DELLACQUA F, GAMBA P. Texture-based characterization of urban environments on satellite SAR images[J]. IEEE Transactions on Geoscience and Remote Sensing,2003,41(1):153-159.

[15] CHAMPION I, DUBOISFERNANDEZ P, GUYON D, et al. Radar image texture as a function of forest stand age[J]. International Journal of Remote Sensing,2008,29(6):1795-1800.

[16] 陳玲,郝文乾,高德亮.光學影像紋理信息在林業(yè)領域的最新應用進展[J].北京林業(yè)大學學報,2015,37(3):1-12.

[17] PODEST E, SAATCHI S S. Application of multiscale texture in classifying JERS-1 radar data over tropical vegetation[J]. International Journal of Remote Sensing,2010,23(7):1487-1506.

[18] 孫玉軍,王新杰,馬煒,等.林改區(qū)域典型樹種森林碳儲量監(jiān)測技術研究[M].北京:中國林業(yè)出版社,2014:34-67.

[19] NYOUNGUI A N, TONYE E, AKONO A, et al. Evaluation of speckle filtering and texture analysis methods for land cover classification from SAR images[J]. International Journal of Remote Sensing,2010,23(9):1895-1925.