魏智海張樂藝?yán)钕?/p>

(1.國(guó)家林草局西北規(guī)劃設(shè)計(jì)院，陜西 西安 710048；2.長(zhǎng)安大學(xué)地球科學(xué)與資源學(xué)院，陜西 西安 710064；3.長(zhǎng)安大學(xué)土地工程學(xué)院，陜西 西安 710064)

引言

森林地上生物量(以下簡(jiǎn)稱生物量)指除地下樹根外，所有地上樹干、枝、葉去除水分后的總重量，是表征森林固碳能力的重要指標(biāo)，也是研究區(qū)域森林碳平衡、了解氣候系統(tǒng)演變的重要參數(shù)[1,2]。開展生物量的準(zhǔn)確估算和評(píng)估，在森林生態(tài)系統(tǒng)、全球氣候變化及碳循環(huán)研究中具有重要意義[2,3]。

生物量的研究方法包括傳統(tǒng)測(cè)量方法和遙感監(jiān)測(cè)。1876年，Ebermeryer就開始對(duì)生物量進(jìn)行研究。20世紀(jì)50年代以后，各國(guó)學(xué)者開始逐步進(jìn)行生物量估算的研究，最初采用的是實(shí)地調(diào)查的傳統(tǒng)方式，主要以樣地實(shí)測(cè)為主，統(tǒng)計(jì)分析為輔。傳統(tǒng)方法得到的樹高、胸徑和冠幅等森林參數(shù)，可以用于建立及驗(yàn)證估算模型，精度高，但是傳統(tǒng)方法調(diào)查破壞性強(qiáng)、歷時(shí)長(zhǎng)、工作量大、人力物力投入大、誤差干擾因素多，僅適用于小范圍區(qū)域，難以滿足森林資源開發(fā)利用和監(jiān)測(cè)的要求。20世紀(jì)末，逐漸發(fā)展成熟的遙感技術(shù)有效彌補(bǔ)了傳統(tǒng)野外調(diào)查方法的不足，以無破壞性、快速、覆蓋廣、易獲取的特點(diǎn)，為大范圍高精度多時(shí)相估算生物量提供了大量的影像資源和有效的技術(shù)手段，得到了廣泛應(yīng)用[4,5]。

隨著遙感大數(shù)據(jù)時(shí)代的到來，以衛(wèi)星、航天飛機(jī)及無人機(jī)等平臺(tái)搭載的光學(xué)、合成孔徑雷達(dá)(Synthetic Aperture Radar，SAR)和激光雷達(dá)(LiDAR)3類傳感器獲取的不同分辨率和波段的數(shù)據(jù)，為生物量的估算研究提供了有力的數(shù)據(jù)支撐。本文總結(jié)了光學(xué)數(shù)據(jù)、SAR數(shù)據(jù)、LiDAR數(shù)據(jù)以及多傳感器數(shù)據(jù)估算生物量研究現(xiàn)狀，討論了尺度問題、植被自身復(fù)雜性及模型精度與適用性等問題，從發(fā)展機(jī)理模型、林地分類、林業(yè)大數(shù)據(jù)與多源數(shù)據(jù)協(xié)同等角度對(duì)生物量估算進(jìn)行展望。

1 基于單傳感器數(shù)據(jù)估算生物量

1.1 光學(xué)遙感估算生物量

在可見光至近紅外波段，植物的反射光譜曲線具有顯著的特征，但是不同類型植物之間反射光譜存在一定的差異，即使同一種植物，也會(huì)由于其生長(zhǎng)狀態(tài)的不同而發(fā)生變化，這一光譜特征可以用來監(jiān)測(cè)其生長(zhǎng)狀況和估算生物量[6]。目前在生物量估算研究中的光學(xué)數(shù)據(jù)主要為多光譜和高光譜2類。

1.1.1 多光譜遙感估算生物量

Landsat、GF系列、Worldview、Quickbird、IKONOS等多光譜數(shù)據(jù)已被廣泛應(yīng)用于生物量估算研究中，在各種估算方法中最常用的是統(tǒng)計(jì)回歸的方法，即基于波譜特征因子(植被指數(shù)、波段和波段組合)、地形特征因子、紋理特征因子及主成分變換、纓帽變換等得到的參數(shù)，使用多元逐步回歸、偏最小二乘法、多元線性回歸等參數(shù)化方法[7-9]和隨機(jī)森林(RF)、支持向量機(jī)(SVM)、BP神經(jīng)網(wǎng)絡(luò)、K最近鄰(KNN)、人工神經(jīng)網(wǎng)絡(luò)(ANN)等非參數(shù)化方法[9,10]，建立與實(shí)測(cè)生物量間的模型。Zhang[11]等采用SVM、BP神經(jīng)網(wǎng)絡(luò)、KNN和RF 4種回歸算法，對(duì)提取的Landsat-7的波譜參數(shù)進(jìn)行生物量估算，研究結(jié)果顯示，BP神經(jīng)網(wǎng)絡(luò)和SVM在生物量估算模型R2均高于0.9。黃金龍等[12]基于e-Cognition面向?qū)ο蠓诸惙椒?，使用光譜和空間信息融合后的IKONOS影像提取單木樹冠陽性冠幅(PoCA)信息建立針葉林和闊葉林生物量估算模型R2分別為0.62和0.56。

在森林郁閉度和蓄積量較高的區(qū)域，遙感數(shù)據(jù)會(huì)出現(xiàn)過飽和的情況，導(dǎo)致僅利用波譜因子估算生物量降低。有研究得出，結(jié)合灰度差分矢量(Gray Level Difference Vector，GLDV)、差直方圖(Sum and Difference Histogram，SADH)及灰度共生矩陣(Gray Level Co-occuremce Matrix，GLCM)等方法提取的影像紋理特征可以在一定程度上避免同物異譜和異物同譜的影響，對(duì)提高生物量估算模型的估測(cè)精度有一定的貢獻(xiàn)[8,9,13,14]。

1.1.2 高光譜遙感估算生物量

多光譜缺乏足夠的光譜信息，而高光譜數(shù)據(jù)可以獲得多種不同時(shí)間和空間尺度的生物物理和化學(xué)特征、精細(xì)的光譜分辨率帶和豐富的光譜信息，其提取的窄帶植被指數(shù)可以減少大氣和水分吸收以及寬帶植被指數(shù)飽和的影響。Luo[15]和申鑫[16]利用機(jī)載高光譜數(shù)據(jù)提取的波譜因子分別采用偏最小二乘法回歸法和多元逐步回歸法估算生物量，取得較好的成果。但高光譜數(shù)據(jù)光譜特征易受森林覆蓋度影響，空間分辨率相對(duì)低，難以獲得森林內(nèi)部細(xì)節(jié)信息，而且地形細(xì)碎區(qū)域不同組分形成的混合光譜分解模型與端元提取有待深入研究。另外，相對(duì)于多光譜數(shù)據(jù)，其空間分布有限，并且由于波段數(shù)的增加，數(shù)據(jù)產(chǎn)生冗余，增大降維和去噪的工作量。

綜上，光學(xué)遙感數(shù)據(jù)種類較多，且最早被用于估算生物量，在生物量估算中應(yīng)用較為廣泛，但光學(xué)傳感器易受天氣影響，主要獲取光譜信息，僅用于提供森林水平分布的詳細(xì)信息，很難提供垂直分布的信息，且受森林密度影響而導(dǎo)致飽和性，故在應(yīng)用中存在一定的局限性。

1.2 SAR數(shù)據(jù)估算生物量

SAR能與樹葉、樹干和樹冠發(fā)生作用，成像受云雨影響小，可快速獲取大區(qū)域、全覆蓋的影像，對(duì)生物量敏感，在生物量估算方面具有很大潛力。當(dāng)前，SAR估算生物量的技術(shù)主要是后向散射系數(shù)、干涉SAR(InSAR)、極化干涉SAR(Pol InSAR)、層析SAR(TomoSAR)等。

1.2.1 后向散射系數(shù)估算生物量

利用后向散射信息(紋理和極化分解特征)可以對(duì)地表參數(shù)進(jìn)行反演，進(jìn)而通過地表參數(shù)來估算生物量[17]。后向散射強(qiáng)度與生物量呈正相關(guān)，但當(dāng)達(dá)到一定生物量水平時(shí)，后向散射會(huì)出現(xiàn)飽和的問題，該水平的生物量稱為飽和點(diǎn)，而且飽和點(diǎn)隨波長(zhǎng)增加而上升[18]。已有研究表明，不同波段的后向散射系數(shù)對(duì)生物量的敏感性是不同的，后向散射系數(shù)對(duì)生物量的敏感性隨著波長(zhǎng)的增加而增加，長(zhǎng)波段雷達(dá)后向散射與生物量相關(guān)性較顯著，一般認(rèn)為L(zhǎng)波段最適合估算生物量[3,18]。而同一波段的不同極化方式對(duì)生物量的敏感性也不同，HV極化對(duì)生物量最為敏感，VV極化敏感性較差[19]。

在后向散射系數(shù)估算生物量的研究中，主要利用不同傳感器、不同波段和不同極化方式的后向散射系數(shù)與森林地上生物量間的模型估算生物量，包括不同極化方式的后向散射系數(shù)、局部空間后向散射強(qiáng)度反映的紋理信息和利用極化分解的特征參數(shù)3個(gè)方面[20]。除常用的經(jīng)驗(yàn)?zāi)Ｐ屯猓€包括密歇根微波散射模型[21]和三維森林雷達(dá)后向散射模型[22]等機(jī)理模型。機(jī)理模型能夠充分考慮森林的不同散射機(jī)理，關(guān)聯(lián)具有物理意義的森林參數(shù)，但由于其原理復(fù)雜且參數(shù)多而難以定標(biāo)，目前很少有直接將機(jī)理模型用于生物量的估算研究。此外，還有介于經(jīng)驗(yàn)?zāi)Ｐ团c機(jī)理模型間的半機(jī)理模型，主要是水云模型及衍生的半機(jī)理模型，該類模型具有一定的物理意義，需要對(duì)模型的參數(shù)進(jìn)行訓(xùn)練。已有研究雖然在估算方法上并未有所創(chuàng)新，但在提高精度方面進(jìn)行了嘗試，研究發(fā)現(xiàn)，SAR的多波段聯(lián)合[23]、多時(shí)相數(shù)據(jù)結(jié)合[24]均可以提高估算精度。

后向散射系數(shù)估算生物量面的局限性主要集中在飽和性問題，而且后向散射系數(shù)影響因素較多，與波長(zhǎng)、雷達(dá)入射角、林木結(jié)構(gòu)、水分及地形有關(guān)[3]，其中復(fù)雜地形因素更易引起估算誤差，消除多因素對(duì)后向散射系數(shù)的影響是該類研究的熱點(diǎn)和難點(diǎn)。

1.2.2 InSAR/Pol InSAR估算生物量

InSAR包括相干強(qiáng)度信息以及豐富的地物信息的干涉相位信息。Pol InSAR兼具InSAR地表森林散射體的空間分布和極化SAR森林散射體形狀和方向敏感的特性，還具有從數(shù)據(jù)中分解得到不同散射機(jī)制的特征分量的能力[4]。故很多學(xué)者將InSAR和Pol InSAR引入到生物量估測(cè)的研究中，主要有2種類型。

1.2.2.1 基于相干強(qiáng)度信息估算

一般直接建立相干強(qiáng)度信息與生物量間的統(tǒng)計(jì)模型和半機(jī)理模型。統(tǒng)計(jì)模型即基于地面樣地?cái)?shù)據(jù)建立干涉相干性與生物量之間的參數(shù)化回歸模型和非參數(shù)化的機(jī)器學(xué)習(xí)模型。半機(jī)理模型以Askne等[25]在水云模型的基礎(chǔ)上提出的干涉水云模型最常見，但該模型需要訓(xùn)練多個(gè)參數(shù)來確定未知參數(shù)。Cartus[20]用自動(dòng)訓(xùn)練干涉水云模型結(jié)合BIOMASAR算法，基于ALOS PALSAR雙極化數(shù)據(jù)反演了美國(guó)北部地上生物量。然而基于相干強(qiáng)度信息的估算也存在飽和的情況，相干強(qiáng)度與生物量之間的關(guān)系受氣候和成像環(huán)境影響，導(dǎo)致精度變低。

1.2.2.2 基于干涉相位估算

一般先估算與生物量有關(guān)的森林樹高等間接參數(shù)，然后通過與生物量間的異速生長(zhǎng)方程得到生物量[26,27]。通過高度和生長(zhǎng)方程估算生物量時(shí)未考慮林分密度、林層垂直分布等空間結(jié)構(gòu)的因素，也存在飽和現(xiàn)象，從而導(dǎo)致估算精度降低。對(duì)此，有學(xué)者采用極化相干層析(PCT)技術(shù)提取林分層析測(cè)量高或相對(duì)反射率等，構(gòu)建特征參數(shù)與實(shí)測(cè)生物量的模型，可提高估算精度[28]?；诟缮嫦辔坏姆椒ㄝ^相干強(qiáng)度估算而言更穩(wěn)健，不容易達(dá)到飽和點(diǎn)。然而生物量的大小除了與樹高有關(guān)，還與胸徑、林分密度等有關(guān)，目前森林高度和生物量的異速生長(zhǎng)關(guān)系的模型相對(duì)較少，導(dǎo)致利用樹高估算生物量的研究較少。

1.2.3 TomoSAR估算生物量

森林垂直結(jié)構(gòu)直接影響生物量，利用層析技術(shù)獲取后向散射垂直分布信息，挖掘與生物量相關(guān)的特征，建立生物量估算模型。TomoSAR是利用不同冠層高度的散射強(qiáng)度來得到森林垂直結(jié)構(gòu)參數(shù)[29]。而森林垂直結(jié)構(gòu)的參數(shù)需要在層析剖面中得到，層析剖面一般通過單基線的極化干涉層析法[30]和多基線的譜分析法[29]2種方法獲得。在提取森林參數(shù)的研究中主要有2種方法：提取層析剖面得到幾何參數(shù)建立估算模型；提取層析剖面上的相對(duì)反射率特征，分析反射率特征與森林參數(shù)間的關(guān)系進(jìn)而建立估算模型。目前基于TomoSAR的生物量估算研究較少，在該類研究中，散射機(jī)制的分離與地面散射機(jī)制的消除是一個(gè)難點(diǎn)，目前已有的方法尚未充分利用TomoSAR獲取的三維剖面信息。

總體來看，SAR在大區(qū)域快速獲取數(shù)據(jù)和生物量估算中具有優(yōu)勢(shì)。但SAR數(shù)據(jù)處理較為復(fù)雜，受地形影響較大，后向散射系數(shù)估算存在飽和性，而InSAR/Pol InSAR和TomoSAR對(duì)數(shù)據(jù)要求較高，在Pol InSAR和TomoSAR技術(shù)應(yīng)用研究方面，目前依賴國(guó)外共享的機(jī)載試驗(yàn)數(shù)據(jù)，數(shù)據(jù)處理與參數(shù)不清晰，SAR相關(guān)的技術(shù)和方法大多仍處在研究階段，較少進(jìn)行大范圍的應(yīng)用和推廣。

1.3 LiDAR估算生物量

LiDAR能準(zhǔn)確獲取森林的垂直結(jié)構(gòu)信息，在森林參數(shù)反演及生物量估算領(lǐng)域具有很好的應(yīng)用前景。LiDAR估算生物量的方法可分為，建立利用LiDAR數(shù)據(jù)獲取的點(diǎn)云高度、密度、分布、強(qiáng)度與生物量的模型[31]；利用點(diǎn)云或波形信息獲取森林結(jié)構(gòu)參數(shù)，建立森林參數(shù)與生物量之間的模型估算生物量[32]。當(dāng)前在估算生物量研究中的LiDAR數(shù)據(jù)根據(jù)激光脈沖的孔徑大小可分為大光斑和小光斑2類。

1.3.1 小光斑LiDAR估算生物量

小光斑LiDAR數(shù)據(jù)估算森林地上生物量的尺度可分單木和樣方2個(gè)水平。小光斑LiDAR數(shù)據(jù)估算單木生物量的研究較少，主要通過建立單木結(jié)構(gòu)參數(shù)與實(shí)測(cè)生物量的相關(guān)關(guān)系來實(shí)現(xiàn)。樹高、冠幅等單木結(jié)構(gòu)參數(shù)可通過冠層高度模型(Canopy Height Model，CHM)、原始點(diǎn)云中分割識(shí)別單木和將點(diǎn)云投影到體元空間識(shí)別單木特征來獲取[33]。其中，單木識(shí)別主要是從圖像分割和濾波2方面得到局部最大值，進(jìn)而確定樹冠頂部的高度及位置，其關(guān)鍵是確定圖像分割尺度和濾波窗口大小[32]。而單木冠幅的識(shí)別方法包括從多尺度分割中提取樹冠多邊形和根據(jù)樹冠頂部與其周邊像元值變化的規(guī)律來確定冠幅[32,34,35]。更多的是著眼于樣方尺度的估算，主要通過單木集成和林分回歸來實(shí)現(xiàn)。單木集成法是將區(qū)域內(nèi)基于LiDAR點(diǎn)云估算得到的各單木生物量相加獲得森林樣方生物量[32]。林分回歸法是建立區(qū)域內(nèi)激光脈沖統(tǒng)計(jì)量和實(shí)測(cè)樣方尺度的冠層結(jié)構(gòu)參數(shù)的回歸模型來估算樣方或較大區(qū)域的生物量[31,36]。

1.3.2 大光斑LiDAR估算生物量

1.3.2.1 機(jī)載LiDAR估算研究

目前用于估算生物量的機(jī)載大光斑LiDAR系統(tǒng)主要有植被冠層激光雷達(dá)回波掃描成像儀SLICER(Scanning LiDAR imager of Canopies by Echo Recovery)、激光植被成像傳感器LVIS(Laser Vegetation Imaging Sensor)、無人機(jī)LiDAR系統(tǒng)、Riegl、Optech等公司的商用機(jī)載LiDAR及多測(cè)高波束試驗(yàn)激光雷達(dá)(Multiple Altimeter Beam Experimental LiDAR，MABEL)[33]。其中，基于SLICER數(shù)據(jù)估算生物量的研究中，主要利用冠層材積、平均冠層高度及其二次方根等波形指標(biāo)；而基于LVIS數(shù)據(jù)估算生物量的研究中，主要利用相對(duì)于地面峰值的波形半能量高、波形分位數(shù)、平均及最小冠層高等指標(biāo)。

1.3.2.2 星載LiDAR估算研究

波形LiDAR系統(tǒng)ICESat/GLAS(Ice，Cloud and land Elevation Satellite/Geoscience Laser Altimeter System)發(fā)射能量高、持續(xù)時(shí)間長(zhǎng)，通常能夠穿透冠層，較好地反映森林垂直結(jié)構(gòu)及其分布信息。目前基于GLAS數(shù)據(jù)的生物量估算方法可分為，基于波形特征參數(shù)估算生物量，Boudreau等[37]基于GLAS波形數(shù)據(jù)提取波形長(zhǎng)度、起波點(diǎn)與第一高斯分量峰值之間的角度及從SRTM數(shù)據(jù)中提取的地形指數(shù)建立了森林地上生物量模型(R2=0.59)；基于森林冠層高度估算生物量，邢艷秋等[38]以此為研究對(duì)象，將GLAS波形長(zhǎng)度和地形指數(shù)建立了長(zhǎng)白山林區(qū)最大高度模型，發(fā)現(xiàn)在0°～5°坡度范圍內(nèi)，R2達(dá)0.9，但隨坡度增大，R2逐漸下降。地形坡度會(huì)降低GLAS估算冠層高度的精度，進(jìn)而影響生物量的估算精度。

光子計(jì)數(shù)LiDAR系統(tǒng)ICESat-2/ATLAS(Ice，Cloud and land Elevation Satellite/Advanced Topographic Laser Altimeter System)采用光子計(jì)數(shù)技術(shù)，其發(fā)射的信號(hào)時(shí)間短、能量低、頻率高，能夠記錄所有返回光子的坐標(biāo)信息，數(shù)據(jù)密度高、直徑小，能夠準(zhǔn)確記錄探測(cè)目標(biāo)的垂向信息，可降低地形對(duì)提取森林冠層參數(shù)的影響，但由于信號(hào)弱，易受噪聲影響，導(dǎo)致提取冠層較困難[39]，故ICESat-2/ATLAS光子點(diǎn)云數(shù)據(jù)的去噪、分類處理以及提取、選擇最優(yōu)的光子點(diǎn)云特征參數(shù)在森林冠層參數(shù)提取和生物量估算模型建立過程中較為關(guān)鍵。雖然光子計(jì)數(shù)技術(shù)已相對(duì)成熟，但在對(duì)地觀測(cè)領(lǐng)域才剛進(jìn)入實(shí)際應(yīng)用階段，光子點(diǎn)云去噪和分類等數(shù)據(jù)處理算法還不完善，故基于ICESat-2的生物量估算研究還不多。

GEDI(Global Ecosystem Dynamics Investigation)使用多波束激光雷達(dá)儀器測(cè)量垂直高度和樹葉剖面等森林結(jié)構(gòu)，用于獲取地上生物量和亞冠表面高程，其采樣模式(8條樣帶，跨軌間距約600m)足以提供準(zhǔn)確的數(shù)據(jù)。目前基于GEDI的生物量估算研究較少，Qi等[40]通過模擬DEDI軌跡來提取GEDI相對(duì)濕度指標(biāo)，使用生物量激光雷達(dá)校準(zhǔn)模型估計(jì)新罕布什爾州白山國(guó)家生物量，研究發(fā)現(xiàn)，溫帶混交林、針葉林、熱帶雨林的生物量估算精度分別為0.59、0.52、0.37，與機(jī)載LiDAR估算的生物量之間的擬合精度分別為0.9、0.58、0.75。

綜上，與光學(xué)遙感和SAR相比，LiDAR的優(yōu)勢(shì)在于不僅能夠獲取森林的垂直結(jié)構(gòu)信息，而且還克服了信號(hào)飽和的局限性，在應(yīng)用中也存在一些不足：小光斑LiDAR數(shù)據(jù)獲取易受天氣影響，成本較高，具體模型方法受研究區(qū)域限制；在樣方尺度估算研究中，林分回歸法需要采集大量的野外數(shù)據(jù)，花費(fèi)人力時(shí)間，而單木集成法精度與點(diǎn)云濾波、單木分割準(zhǔn)確率及單木識(shí)別的準(zhǔn)確率有關(guān)，不確定性較大；大光斑LiDAR數(shù)據(jù)光斑內(nèi)信息豐富，且能提供完整的波形數(shù)據(jù)，處理相對(duì)簡(jiǎn)單，但在空間上采樣不連續(xù)，無法達(dá)到無縫覆蓋，影響波形數(shù)據(jù)準(zhǔn)確度的因子較多，波形受林下地形和樹木空間結(jié)構(gòu)影響較大；缺乏歷史數(shù)據(jù)，基于LiDAR的生物量的多時(shí)相動(dòng)態(tài)監(jiān)測(cè)難以實(shí)施。

2 基于多傳感器數(shù)據(jù)估算生物量

2.1 光學(xué)與LiDAR數(shù)據(jù)聯(lián)合估算生物量

LiDAR數(shù)據(jù)一般只有三維垂直信息，缺少光譜信息，與光學(xué)遙感數(shù)據(jù)提供的水平結(jié)構(gòu)光譜信息，兩者結(jié)合可以提高樹種識(shí)別能力，往往可以提高估算精度。該原理是通過建立統(tǒng)計(jì)模型或者物理模型反映波譜信息與波形、點(diǎn)云特征之間的關(guān)系，來進(jìn)行生物量的估算，并利用光學(xué)數(shù)據(jù)擴(kuò)展LiDAR的估算區(qū)域，實(shí)現(xiàn)空間連續(xù)。Clark等[41]將機(jī)載小光斑LiDAR數(shù)據(jù)和高光譜數(shù)據(jù)聯(lián)合，建立熱帶雨林森林地上生物量估測(cè)模型，模型的R2為0.9。Chen等[42]結(jié)合LiDAR與Quickbird影像，利用支持向量回歸方法進(jìn)行森林高度、生物量和蓄積量估算，精度(R2=0.76)遠(yuǎn)遠(yuǎn)高于傳統(tǒng)多元線性回歸。Nancy等[43]分別建立Landsat OL數(shù)據(jù)、TM數(shù)據(jù)、ICESat-2數(shù)據(jù)以及聯(lián)合Landsat OL和ICESat-2數(shù)據(jù)的草本、灌木及森林總生物量估算模型，對(duì)比發(fā)現(xiàn)，聯(lián)合Landsat OL和ICESat-2數(shù)據(jù)建立的各估算模型均比單種數(shù)據(jù)模型精度高(R2分別為0.65、0.71、0.66)。龐勇等[44]建立GLAS森林參數(shù)與MERIS數(shù)據(jù)的像元值及植被指數(shù)等信息的相關(guān)關(guān)系(R2=0.7)，結(jié)合GLAS森林地上生物量估算數(shù)據(jù)和MERIS數(shù)據(jù)完成了湄公河次區(qū)域生物量連續(xù)制圖。

2.2 光學(xué)與SAR數(shù)據(jù)聯(lián)合估算生物量

光學(xué)數(shù)據(jù)只能獲取平面冠層信息，且易受天氣云層影響，而SAR數(shù)據(jù)穿透能力強(qiáng)，可獲得垂直結(jié)構(gòu)信息。利用光學(xué)與SAR 2種數(shù)據(jù)融合進(jìn)行生物量估算，有3種形式，將SAR的后向散射系數(shù)和光學(xué)數(shù)據(jù)的波譜信息、植被指數(shù)或紋理等直接運(yùn)用到回歸模型中，但該方式缺乏從機(jī)理上對(duì)2種數(shù)據(jù)的協(xié)同與融合，未在大范圍生物量估算中得到應(yīng)用；分別提取SAR和光學(xué)數(shù)據(jù)的參數(shù)，然后構(gòu)建估算模型，但大部分研究采用的是統(tǒng)計(jì)回歸法，并未涉及到在物理機(jī)理上的參數(shù)協(xié)同；將獲取的SAR和光學(xué)數(shù)據(jù)參數(shù)作為機(jī)理模型的輸入?yún)?shù)，目前大多采用較為簡(jiǎn)單的機(jī)理模型，如水云模型等[4]。Suman等[45]利用TM數(shù)據(jù)和ALOS PALSAR L波段數(shù)據(jù)建立印度次大陸熱帶落葉混交林的生物量估算模型，發(fā)現(xiàn)使用單種數(shù)據(jù)的估算模型精度(R2分別為0.295、0.868)比同時(shí)使用光學(xué)和SAR時(shí)精度低(R2=0.892)。潘磊等[46]基于Sentinel-1雷達(dá)數(shù)據(jù)的后向散射系數(shù)、紋理特征和Sentinel-2光學(xué)數(shù)據(jù)的波段信息、植被指數(shù)與紋理特征，采用多元線性逐步回歸模型建立與實(shí)測(cè)生物量的模型(R2=0.575)。

2.3 LiDAR和SAR數(shù)據(jù)聯(lián)合估算生物量

SAR數(shù)據(jù)穿透能力強(qiáng)，不受天氣影響，但易受地形影響，而且在生物量較高時(shí)容易飽和，LiDAR克服了SAR的不足，但不具有成像能力，且不能夠獲取空間連續(xù)分布的生物量制圖，與SAR數(shù)據(jù)聯(lián)合可實(shí)現(xiàn)高精度連續(xù)分布的生物量制圖。LiDAR在與SAR聯(lián)合估算將LiDAR作為參考數(shù)據(jù)時(shí)，主要由于LiDAR在生物量估算中的精度較高和實(shí)測(cè)數(shù)據(jù)較少2個(gè)原因。Olivier等[47]利用LiDAR數(shù)據(jù)獲取更多可靠的生物量參考數(shù)據(jù)，并協(xié)同SAR數(shù)據(jù)完成大區(qū)域的生物量估算。在聯(lián)合估算中還可將LiDAR作為輸入變量應(yīng)用至估算模型中，Erik等[48]把LiDAR獲取的地面高度信息和InSAR獲取的DSM(Digital Surface Model)信息結(jié)合進(jìn)行地上生物量估算，發(fā)現(xiàn)估算效果比InSAR的DSM信息與DEM數(shù)據(jù)結(jié)合估算地上生物量好。

綜上，隨著研究的不斷深入，單一類型傳感器數(shù)據(jù)往往難以滿足高精度的生物量估算需求。當(dāng)前，將LiDAR數(shù)據(jù)與其它光學(xué)或SAR數(shù)據(jù)融合進(jìn)行森林結(jié)構(gòu)參數(shù)及生物量估算研究是熱點(diǎn)，具有很大的發(fā)展?jié)摿?。未來可協(xié)調(diào)不同遙感數(shù)據(jù)源之間的差異性，結(jié)合不同區(qū)域森林類型，采用機(jī)器學(xué)習(xí)方法建立多特征變量的訓(xùn)練樣本，尋找最優(yōu)模型和算法。

3 討論

總體而言，光學(xué)數(shù)據(jù)、SAR數(shù)據(jù)和LiDAR數(shù)據(jù)各有優(yōu)勢(shì)，在生物量估算中廣泛應(yīng)用，本文討論了3類數(shù)據(jù)在生物量估算中的研究進(jìn)展，總結(jié)了多源數(shù)據(jù)結(jié)合在估算研究中的現(xiàn)狀，但在實(shí)際應(yīng)用中也存在一些問題。尺度問題。不同的遙感數(shù)據(jù)源時(shí)空尺度存在差異，森林生態(tài)系統(tǒng)不同尺度上的空間異質(zhì)性導(dǎo)致生物量估算結(jié)果的不可比性，遙感數(shù)據(jù)與調(diào)查數(shù)據(jù)的尺度也造成了估算的不確定性；植被自身復(fù)雜性。森林植被自身復(fù)雜性，包括森林的不同類型三維結(jié)構(gòu)及不同類型森林的季節(jié)時(shí)相變化等，忽略這些因素會(huì)造成一定的反演誤差；模型精度與適用性。目前各種估算模型及其使用的參數(shù)并不一致，可移植性差。

綜合存在的一些問題及研究現(xiàn)狀，有幾點(diǎn)展望。發(fā)展機(jī)理模型。該模型基于電磁波與植被的相互作用機(jī)制，存在模型精度與描述參數(shù)和計(jì)算復(fù)雜度之間的矛盾，通用性強(qiáng)，對(duì)植被的生理過程有詳細(xì)地闡述，需要從反演的角度出發(fā)，關(guān)聯(lián)具有物理意義的參數(shù)，建立合適的機(jī)理模型；固定樣地與林地分類。一般遙感數(shù)據(jù)中森林類型間存在差異和混合像元等，不同的類型波譜及紋理特征不同，其后向散射系數(shù)和森林結(jié)構(gòu)參數(shù)也存在差異，可集成光學(xué)數(shù)據(jù)如高光譜和高分辨率數(shù)據(jù)、SAR或LiDAR數(shù)據(jù)進(jìn)行森林類型分類，布設(shè)永久樣地，用來測(cè)量主要碳庫生物量的變化，樣地需覆蓋所有森林類型，分樣地結(jié)合機(jī)理模型估算生物量；林業(yè)大數(shù)據(jù)與多源數(shù)據(jù)協(xié)同。空天地從不同平臺(tái)不同尺度上獲取海量的周期性的光學(xué)和SAR數(shù)據(jù)、三維激光數(shù)據(jù)、地面定點(diǎn)采集的信息、移動(dòng)LiDAR采集的數(shù)據(jù)等構(gòu)成了林業(yè)大數(shù)據(jù)，各類數(shù)據(jù)互相補(bǔ)足，在格式、類型、時(shí)空尺度、分辨率上存在差異性。將不同傳感器、不同時(shí)間、不同空間分辨率、不同光譜分辨率的遙感數(shù)據(jù)有機(jī)地結(jié)合，選擇最優(yōu)信息估算生物量，充分發(fā)揮多源數(shù)據(jù)的優(yōu)勢(shì)。