萬(wàn)杰，汪長(zhǎng)城，朱建軍，付海強(qiáng)

中南大學(xué) 地球科學(xué)與信息物理學(xué)院,長(zhǎng)沙 410083

1 引言

森林是地球上重要的自然資源，對(duì)維持全球碳氧平衡、保持生物多樣性，研究森林生態(tài)系統(tǒng)與全球氣候變化（黃金龍等，2013；肖越，2021；Lewis等，2006），助力中國(guó)實(shí)現(xiàn)“碳中和、碳達(dá)峰”的遠(yuǎn)景目標(biāo)有著至關(guān)重要的作用。森林的植被高、林下地形、垂直結(jié)構(gòu)、地上生物量等是重要的森林物理參數(shù)，對(duì)森林資源調(diào)查、森林固碳能力評(píng)估、植被覆蓋區(qū)林下地形測(cè)繪等應(yīng)用具有重要意義（李蘭，2016）。隨著陸地探測(cè)一號(hào)、Tandem-L、BIOMASS（Le Toan等，2011，2018；Quegan等，2019）等長(zhǎng)波段SAR 衛(wèi)星觀測(cè)計(jì)劃的相繼提出或發(fā)射，全球范圍內(nèi)大尺度的SAR 森林制圖逐漸成為研究熱點(diǎn)。

合成孔徑雷達(dá)層析技術(shù)TomoSAR（Synthetic Aperture Radar Tomography）通過(guò)傳感器在高度向上的多次飛行形成高度維的合成孔徑，具備對(duì)觀測(cè)目標(biāo)三維成像的能力（Reigber 和Moreira，2000）。TomoSAR 技術(shù)能夠獲得森林反射率在高度向上的連續(xù)分布，進(jìn)而完整的描述森林的三維結(jié)構(gòu)。極化層析SAR 技術(shù)PolTomoSAR（Polarimetric SAR Tomography）充分利用了不同極化通道的SAR 數(shù)據(jù)對(duì)森林不同散射機(jī)制的敏感性差異，可對(duì)森林介質(zhì)的空間結(jié)構(gòu)和散射機(jī)理進(jìn)行分析（Aghababaee等，2019）。目前，SAR 層析技術(shù)在森林三維結(jié)構(gòu)反演及生物量估計(jì)（李蘭，2016；廖展芒，2019）、城市建筑物高度反演與監(jiān)測(cè)（Shahzad 和Zhu，2015）、冰川內(nèi)部結(jié)構(gòu)成像（Yitayew等，2017）、森林隱藏目標(biāo)探測(cè)（Huang等，2012）等方面發(fā)揮重要作用。

本文從層析SAR 的幾何模型和數(shù)學(xué)模型出發(fā)，闡述森林植被區(qū)層析SAR 三維成像的主流算法。討論不同層析SAR 算法在垂直分辨率、輻射分辨率、魯棒性、運(yùn)算時(shí)間等方面的性能。闡述層析SAR 在森林高度提取、林下地形測(cè)繪、生物量估計(jì)等具體應(yīng)用中的研究現(xiàn)狀，分析目前層析SAR森林參數(shù)反演面臨的問(wèn)題，展望層析SAR 技術(shù)未來(lái)的研究方向。

2 層析SAR三維成像模型

2.1 單極化層析SAR三維成像模型

SAR 通過(guò)傳感器在方位向上合成孔徑，可以獲得高分辨率的二維影像數(shù)據(jù)。基于SAR 單視復(fù)數(shù)影像的相位、后向散射系數(shù)等信息，極化SAR技術(shù)、極化干涉SAR 技術(shù)相繼被提出，已廣泛應(yīng)用于地物目標(biāo)識(shí)別與分類（Gao等，2021）、森林高度反演（Wu等，2019；沈鵬等，2017；朱建軍等，2014）等領(lǐng)域。

獲得二維SAR 高度向分辨率的基本策略就是為傳統(tǒng)SAR 系統(tǒng)再增加一個(gè)合成孔徑。與方位向的合成孔徑類似，層析SAR 技術(shù)通過(guò)在高度向上進(jìn)行多次近似平行的飛行形成合成孔徑，以此獲得高度向上的分辨率，實(shí)現(xiàn)對(duì)觀測(cè)目標(biāo)的三維成像。如圖1所示，假設(shè)SAR傳感器在多條近似平行的軌道上進(jìn)行了N次重復(fù)觀測(cè)，經(jīng)配準(zhǔn)、去斜、去平地、相位誤差校正（Tebaldini等，2016）等預(yù)處理后，獲得的特定距離—方位向像素（r，a）的多基線復(fù)數(shù)觀測(cè)值為

圖1 層析SAR三維成像幾何模型Fig.1 Geometric model of tomographic SAR three-dimensional imaging

式中，bn為空間基線，z為散射體高度向上的高程值，γ(r，a，z)為高度向上的反射率函數(shù)，kz為有效垂直波數(shù)。

對(duì)于多基線的層析SAR 數(shù)據(jù)集，對(duì)高度向上連續(xù)的信號(hào)進(jìn)行D次離散的采樣后，可將式（1）表達(dá)為矩陣形式

式中，A=exp(jkzzd)；zd為采樣點(diǎn)處散射體的高度；e是N維的噪聲向量。森林層析SAR 三維成像便是基于以上數(shù)學(xué)模型，求解觀測(cè)目標(biāo)的后向散射功率。森林內(nèi)部的散射體表現(xiàn)為連續(xù)分布的體散射，同時(shí)考慮森林相干噪聲的影響，森林的層析SAR 反演往往基于多基線SAR 數(shù)據(jù)的協(xié)方差矩陣對(duì)森林后向散射功率譜進(jìn)行求解（Cazcarra-Bes等，2020），具體如下：

式中，E(·)表示求多基線SAR 復(fù)數(shù)觀測(cè)值的數(shù)學(xué)期望，P為觀測(cè)目標(biāo)的后向散射功率矩陣，其對(duì)角線上的元素為不同高度散射體的后向散射功率值，(·)H表示矩陣的共軛轉(zhuǎn)置操作，δ2為噪聲功率值。

2.2 全極化層析SAR三維成像模型

全極化層析SAR 三維成像的幾何模型和單極化層析SAR 相同。由于可獲取全極化的多基線SAR 數(shù)據(jù)集，參考單極化層析SAR 的成像模型，全極化層析SAR三維成像的數(shù)學(xué)模型可表達(dá)為

式中，gp=[g1g2g3]為多基線多極化的SAR 復(fù)數(shù)觀測(cè)值，A(z，v)=[a(z1，vp1)，a(z2，vp2)，…，a(zD，vpD)]為全極化層析SAR模型的極化導(dǎo)向矢量矩陣；v=[vp1，vp2，…，vpD]中的每一個(gè)矢量代表高度向上第d個(gè)散射體的酉極化目標(biāo)矢量（Huang等，2012）。矩陣A(z，v)中任一高度處的導(dǎo)向矢量的表達(dá)式為

全極化層析SAR 三維成像模型利用了SAR 數(shù)據(jù)的極化信息，顧及了不同極化通道SAR 數(shù)據(jù)對(duì)森林散射體的形狀、大小、極化屬性的敏感性差異，能夠更好地實(shí)現(xiàn)對(duì)森林不同機(jī)制散射體的識(shí)別與區(qū)分，分析森林散射機(jī)制的垂直分布。

3 層析SAR三維成像算法

層析SAR 實(shí)現(xiàn)森林的三維成像依賴于適當(dāng)?shù)娜S成像算法。根據(jù)獲取數(shù)據(jù)模式的不同，分為單極化的層析SAR算法和全極化的層析SAR算法。

3.1 單極化層析SAR成像算法

單極化的層析SAR 算法只需要單一極化通道的多基線SAR 數(shù)據(jù)集即可實(shí)現(xiàn)對(duì)觀測(cè)目標(biāo)的三維成像，并對(duì)森林高度、林下地形和生物量等參數(shù)進(jìn)行估計(jì)。目前，森林植被區(qū)主流的單極化層析SAR 算法可總結(jié)為傅立葉變換法、譜估計(jì)方法、壓縮感知方法、統(tǒng)計(jì)優(yōu)化方法4類。

（1）傅里葉變換法。層析SAR 三維成像的目標(biāo)是獲取觀測(cè)目標(biāo)高度維的后向散射函數(shù)。由式（1）中層析SAR 的數(shù)學(xué)模型可知，多基線復(fù)數(shù)觀測(cè)值和森林后向散射函數(shù)之間是關(guān)于空間頻率的傅立葉變換的關(guān)系，故層析SAR 的三維成像可直接采用傅立葉變換FT（Fourier Transform）的方式進(jìn)行。Reigber 和Moreira（2000）使用德國(guó)宇航局（DLR）E-SAR 系統(tǒng)獲取的13 景L 波段的全極化數(shù)據(jù)，采用快速傅里葉變換FFT（Fast Fourier Transformation）方法對(duì)德國(guó)Oberpfaffenhofen 地區(qū)附近的森林進(jìn)行了三維層析成像。FFT方法的優(yōu)勢(shì)是操作簡(jiǎn)單、輻射精度高，可以較好地反映森林真實(shí)后向散射系數(shù)的空間分布，因此也適用于森林地上生物量的估計(jì)。Minh 等（2014）利用傅里葉變換方法進(jìn)行了南美洲Paracou 熱帶雨林試驗(yàn)區(qū)的層析SAR 森林生物量估計(jì)，發(fā)現(xiàn)了P 波段層析SAR 后向散射系數(shù)和生物量之間的強(qiáng)相關(guān)性。然而，F(xiàn)T 方法面臨的主要問(wèn)題是其高度向分辨率有限，不能區(qū)分距離較近的散射體，不利于森林三維結(jié)構(gòu)的準(zhǔn)確重構(gòu)和植被高、林下地形等參數(shù)的提取。

（2）譜估計(jì)方法。譜估計(jì)方法是陣列信號(hào)處理的常用方法，相較于傅里葉變換方法，譜估計(jì)方法具備更高的空間分辨率。森林SAR 層析成像常用的譜估計(jì)方法包括參數(shù)譜估計(jì)方法和非參數(shù)譜估計(jì)方法。

參數(shù)譜估計(jì)方法主要包括加權(quán)子空間擬合方法WSF（Weighted Subspace Fitting）和多重信號(hào)分類方法MUSIC（Multiple Signal Classificstion）。WSF 方法和MUSIC 方法的基本準(zhǔn)則是對(duì)多基線SAR 數(shù)據(jù)集的協(xié)方差矩陣進(jìn)行特征值分解。具體地，分為噪聲子空間和信號(hào)子空間，通過(guò)模型階數(shù)的選擇設(shè)置觀測(cè)目標(biāo)散射體的個(gè)數(shù)，由噪聲向量和信號(hào)向量的正交關(guān)系求解功率譜函數(shù)。具體地，WSF方法的功率譜函數(shù)為

式中，W為半正定的加權(quán)矩陣；為導(dǎo)向矢量矩陣A的正交投影矩陣；為對(duì)協(xié)方差矩陣R進(jìn)行特征值分解獲得的信號(hào)子空間矩陣。而MUSIC 方法的功率譜函數(shù)為

基于子空間分解的參數(shù)譜估計(jì)方法具備較高的垂直分辨率，可用于森林垂直結(jié)構(gòu)的重構(gòu)和林下地形、植被高等參數(shù)的反演。Huang 等（2011）將WSF 方法應(yīng)用于熱帶雨林的層析SAR 成像，使用法國(guó)機(jī)載系統(tǒng)SETHI獲得的6條軌道的SAR數(shù)據(jù)對(duì)Paracou 試驗(yàn)區(qū)的森林高度和林下地形進(jìn)行反演。張冰塵等（2015）將廣義MUSIC 方法和稀疏重構(gòu)方法相結(jié)合，使用BioSAR 2007項(xiàng)目的多基線數(shù)據(jù)集獲取森林的垂直結(jié)構(gòu)剖面，可清楚地分離森林垂直剖面的地表相位中心和冠層相位中心。然而，參數(shù)譜分析方法需要通過(guò)模型階數(shù)的選擇來(lái)假設(shè)分辨率單元內(nèi)散射體的個(gè)數(shù)，且定義散射體的個(gè)數(shù)不超過(guò)影像的數(shù)目N。對(duì)于森林介質(zhì)，其散射類型包含了連續(xù)分布的體散射、二面角散射和表面散射等，散射體的個(gè)數(shù)難以進(jìn)行正確的設(shè)定。因此，此類方法不適用于森林相干散射體的估計(jì)。

非參數(shù)譜估計(jì)方法主要包括Beamforming 和Capon 方法。上述兩種非參數(shù)譜估計(jì)方法的核心思想是設(shè)置一個(gè)濾波器，讓特定頻率的信號(hào)通過(guò)，同時(shí)抑制其它頻率的信號(hào)。具體地，Beamforming方法獲得的功率譜函數(shù)為

而Capon獲得的功率譜函數(shù)為（Lombardini和Reigber，2003）

由于Beamforming 方法和Capon 方法具備較高的垂直分辨率、無(wú)需設(shè)置散射體個(gè)數(shù)、計(jì)算復(fù)雜度低，在森林三維結(jié)構(gòu)的TomoSAR 反演中有著更為廣泛的應(yīng)用。Lombardini 和Reigber（2003）首次將非參數(shù)譜估計(jì)方法Capon 應(yīng)用于森林的TomoSAR 三維成像，研究表明Capon 方法在森林的SAR 層析中可以取得比FFT 方法更好的結(jié)果。Kumar等（2017）使用了C波段的星載層析SAR 數(shù)據(jù)集進(jìn)行森林的層析成像，Capon 譜估計(jì)方法仍然能夠成功地實(shí)現(xiàn)星載SAR 觀測(cè)下森林三維結(jié)構(gòu)的重構(gòu)。相較于Beamforming 方法，Capon 方法用多基線SAR 數(shù)據(jù)的協(xié)方差矩陣表征信號(hào)的方差，具備更高的垂直分辨率，在林下地形和植被高的反演中得到更多的應(yīng)用。El Moussawi 等（2019）使用美國(guó)JPL 實(shí)驗(yàn)室UAVSAR 無(wú)人機(jī)系統(tǒng)獲得的L 波段的多基線SAR 數(shù)據(jù)集進(jìn)行了非洲Gabon 地區(qū)熱帶雨林的層析成像，采用Capon 方法進(jìn)行了森林高度的反演，與LiDAR 獲取的森林高度驗(yàn)證數(shù)據(jù)相比，反演森林高度的均方根誤差為3.32 m。Cazcarra-Bes 等（2020）對(duì)上述兩種森林植被SAR層析領(lǐng)域常用成像算法進(jìn)行了系統(tǒng)的分析與比較，研究利用德國(guó)宇航局提供的L 波段F-SAR 數(shù)據(jù)對(duì)比了不同方法重構(gòu)森林垂直結(jié)構(gòu)的性能，研究進(jìn)一步表明Capon 方法比Beamforming 的高度向分辨率更高，但其輻射分辨率無(wú)法得到保證。

以上譜估計(jì)方法算法簡(jiǎn)單，運(yùn)算效率高，在森林的三維SAR 層析成像中有著廣泛的應(yīng)用。但譜估計(jì)方法需要數(shù)量充足、分布均勻的多基線SAR 數(shù)據(jù)集。當(dāng)觀測(cè)數(shù)據(jù)不充足時(shí)，譜估計(jì)方法的層析SAR 垂直分辨率大幅下降，甚至出現(xiàn)散焦的現(xiàn)象，無(wú)法獲得可靠的森林三維結(jié)構(gòu)反演結(jié)果（Li等，2016）。因此，探索使用少量、非均勻分布層析SAR 數(shù)據(jù)便可獲得高分辨率三維成像結(jié)果的層析SAR方法尤為重要。

（3）壓縮感知方法。壓縮感知CS（Compressive Sensing）是一種稀疏信號(hào)恢復(fù)的理論與方法（Donoho等，2006）。當(dāng)待恢復(fù)的信號(hào)滿足稀疏性的條件時(shí)，可以通過(guò)對(duì)觀測(cè)信號(hào)的?0或?1范數(shù)進(jìn)行最小化實(shí)現(xiàn)稀疏信號(hào)的重構(gòu)。森林散射體在高度維是連續(xù)分布的，因此，森林的后向散射剖面在空間域是非稀疏的。但將森林的后向散射剖面進(jìn)行離散小波變換，可以認(rèn)為其在小波域中近似稀疏。CS 方法獲取森林后向散射剖面的一般方法為

式中，φ表示小波稀疏基，用于將森林的后向散射剖面稀疏化（Aguilera等，2013b）?；陔x散小波變換DWT（Discrete Wavelet Transform）的CS 方法被廣泛應(yīng)用于森林三維結(jié)構(gòu)的稀疏成像和森林參數(shù)的超分辨率反演。其中，Symlets 小波被廣泛應(yīng)用于森林后向散射剖面的稀疏表達(dá)，在此基礎(chǔ)上使用CS 方法可獲得超分辨率的森林垂直結(jié)構(gòu)反演結(jié)果（Aguilera等，2013b；Cazcarra-Bes等，2017）。相關(guān)研究表明，CS 方法在不同基線數(shù)量的觀測(cè)下都可以獲得較為理想的重構(gòu)結(jié)果，而Beamforming方法和Capon方法的重構(gòu)性能隨著基線數(shù)量的減少而下降。CS 方法的主要優(yōu)點(diǎn)是超分辨和稀疏觀測(cè)條件下的信號(hào)恢復(fù)。但傳統(tǒng)CS方法的計(jì)算量巨大，且容易受到用戶參數(shù)的影響，算法不夠穩(wěn)定（Peng等，2019）。針對(duì)該問(wèn)題，稀疏貝葉斯學(xué)習(xí)方法被引入森林三維結(jié)構(gòu)的TomoSAR 重構(gòu)（Wan等，2022），該方法基于壓縮感知的理論框架，應(yīng)用貝葉斯定理，對(duì)小波域中森林稀疏剖面進(jìn)行先驗(yàn)假設(shè)和后驗(yàn)概率的學(xué)習(xí)，獲得超分辨率的層析SAR 反演結(jié)果。該方法使用TropiSAR 2009 項(xiàng)目6 景P 波段SAR 影像對(duì)所提方法進(jìn)行了驗(yàn)證?；谪惾~斯學(xué)習(xí)的層析SAR 方法CV-SBL（Covariance Vector based Sparse Bayesian Learning）大幅提升了稀疏重構(gòu)的效率，算法具備更高的穩(wěn)定性（Wan等，2022）。目前，稀疏重構(gòu)方法面臨的主要問(wèn)題是算法的輻射分辨率無(wú)法得到保障，其獲得的后向散射功率值和生物量之間的相關(guān)性有待進(jìn)一步研究。如何將稀疏重構(gòu)方法獲得的層析SAR 反射剖面用于森林垂直結(jié)構(gòu)的表征以及進(jìn)一步應(yīng)用于生物量的估計(jì)是值得探索的問(wèn)題。

（4）統(tǒng)計(jì)優(yōu)化方法。該類方法認(rèn)為多基線的復(fù)數(shù)觀測(cè)值服從復(fù)高斯分布（del Campo等，2018）：

然后通過(guò)極大似然估計(jì)、正則化等算法實(shí)現(xiàn)森林三維結(jié)構(gòu)的高分辨率TomoSAR 成像。Peng 等（2018）提出了基于極大似然估計(jì)的迭代自適應(yīng)IAA（Iterative Adaptive Approach）TomoSAR 方法，可以獲得比傳統(tǒng)Capon、Beamforming 方法更高的垂直分辨率，成功應(yīng)用于熱帶雨林的層析重構(gòu)。同年，del Campo 等（2018）基于極大似然估計(jì)和貝葉斯策略，提出了一種迭代穩(wěn)健的特征增強(qiáng)MARIA 層析SAR 算法。該算法具有較高的垂直分辨率和一定的稀疏成像能力，能夠區(qū)分森林中相隔較近的散射體。del Campo 等（2020）對(duì)統(tǒng)計(jì)優(yōu)化的層析SAR 方法進(jìn)行改進(jìn)，提出了正則化的WISE 層析SAR 方法，WISE 的主要優(yōu)勢(shì)是可以與森林后向散射剖面曲線保持較好的擬合。然而，統(tǒng)計(jì)優(yōu)化類TomoSAR 方法存在的主要問(wèn)題是算法迭代過(guò)程中存在復(fù)雜的矩陣求逆操作，容易出現(xiàn)病態(tài)矩陣求逆的消極影響。

以法屬圭亞那Paracou 熱帶雨林試驗(yàn)區(qū)的P 波段多基線SAR 數(shù)據(jù)為例，從本文總結(jié)的4 類層析SAR 方法中各選擇一種算法作為代表（FFT 方法、Beamforming 譜估計(jì)方法、CV-SBL 貝葉斯壓縮感知方法、MARIA 統(tǒng)計(jì)優(yōu)化方法），對(duì)比分析不同層析SAR 成像方法的特點(diǎn)和優(yōu)劣性，結(jié)果見(jiàn)圖2。由圖2可見(jiàn)，基于傅里葉變換的層析SAR方法受相干噪聲影響嚴(yán)重，垂直分辨率低，不能區(qū)分森林冠層和林下地形的散射信息（圖2（a）和（b））；Beamforming 譜估計(jì)方法能夠獲得較為清晰的森林垂直結(jié)構(gòu)信息（圖2（c））；當(dāng)觀測(cè)數(shù)量減少時(shí)，其垂直分辨率明顯下降，且出現(xiàn)了較多的偽影（圖2（d））；此外，壓縮感知類方法和極大似然估計(jì)方法具備較高的垂直分辨率，可以清楚地識(shí)別森林冠層中心和地表中心，且當(dāng)觀測(cè)數(shù)量減少時(shí)仍可獲得較好的反演結(jié)果。但超分辨率層析SAR方法的輻射精度無(wú)法保證，損失了森林的部分垂直結(jié)構(gòu)信息（圖2（e），和（g））。本文對(duì)不同單極化層析SAR 算法的優(yōu)缺點(diǎn)進(jìn)行了簡(jiǎn)要總結(jié)，如表1所示?？梢?jiàn)：在垂直分辨率方面，CS、MARIA以及WISE 等超分辨率方法最高，Beamforming、Capon 等譜估計(jì)方法次之，F(xiàn)FT 方法最低；由于垂直分辨率的提升通常以犧牲輻射精度為代價(jià)，故上述方法輻射精度的高低與垂直分辨率的情況相反，F(xiàn)FT 方法輻射精度最高，而CS、MARIA 等方法的輻射精度降低；此外，高分辨率的層析成像方法也增加了計(jì)算的復(fù)雜性。

表1 單極化層析SAR三維成像方法優(yōu)缺點(diǎn)對(duì)比Table 1 Comparison of advantages and disadvantages of different single polarization TomoSAR methods

圖2 不同層析SAR方法反演森林垂直結(jié)構(gòu)剖面Fig.2 Forest vertical structure profiles obtained by different TomoSAR methods

3.2 極化層析SAR成像算法

全極化SAR 數(shù)據(jù)的引入有利于層析SAR 技術(shù)對(duì)森林不同散射機(jī)制散射體進(jìn)行聚焦和定位，分析森林后向散射剖面的極化屬性信息。將極化SAR技術(shù)和層析SAR技術(shù)結(jié)合，得到極化層析SAR技術(shù)Pol-TomoSAR（Polarimetric SAR Tomography）技術(shù)。目前，極化層析SAR 技術(shù)反演森林三維結(jié)構(gòu)的策略包括在單極化層析SAR 方法的基礎(chǔ)上引入極化信息，以及將極化干涉分解（Aghababaee等，2018）、極化分解（Yamaguchi等，2005）和層析SAR方法相結(jié)合，分析森林不同散射機(jī)制的空間結(jié)構(gòu)和極化散射屬性。具體方法包括全秩極化譜估計(jì)方法、極化干涉分解方法、極化壓縮感知方法等。

（1）全秩極化譜估計(jì)方法。該類方法在傳統(tǒng)單極化譜估計(jì)方法的基礎(chǔ)上，利用全極化的SAR數(shù)據(jù)構(gòu)建式（4）所示的全極化層析SAR 三維成像數(shù)學(xué)模型，采用與單極化方法相同的策略，進(jìn)行多基線多極化協(xié)方差矩陣的構(gòu)建。全秩極化譜分析方法采用特征值分解對(duì)森林散射體的位置、極化矢量進(jìn)行優(yōu)化求解，得到的極化MUSIC 方法的功率譜函數(shù)為

式中，λmin(·)表示求矩陣的最小特征值。極化Beamforming方法的功率譜函數(shù)為

式中，λmax(·)為求矩陣的最大特征值；Rp為根據(jù)式（4）中的多基線全極化SAR 數(shù)據(jù)計(jì)算的協(xié)方差矩陣。而極化Capon 方法獲得的功率譜函數(shù)為（Huang等，2011，2012）

基于各種極化譜估計(jì)方法（MUSIC，Beamforming，Capon），相關(guān)學(xué)者開展了大量森林垂直結(jié)構(gòu)和散射機(jī)理的研究。Huang 等（2011，2012）提出了基于全極化SAR 數(shù)據(jù)的全秩譜估計(jì)方法，闡述了極化Capon、極化Beamforming、極化MUSIC 方法空間功率譜的求解過(guò)程，對(duì)森林三維結(jié)構(gòu)和散射機(jī)理進(jìn)行提取。Huang等（2021）基于極化MUSIC 方法，通過(guò)選擇合理的模型階數(shù)，實(shí)現(xiàn)了單發(fā)雙收模式下單基線L 波段SAR 數(shù)據(jù)的層析成像，提取了可靠的植被高和林下地形。

（2）極化干涉分解方法。該類方法將森林復(fù)雜的散射分為兩類，一類為冠層散射，其相位中心位于森林植被冠層。一類為地面散射，其相位中心位于地表。極化干涉分解將多基線全極化SAR 數(shù)據(jù)的協(xié)方差矩陣W分解為“純地表散射”協(xié)方差矩陣和“純體散射”協(xié)方差矩陣兩部分：

式中，Cg和Rg分別表示地表散射的極化協(xié)方差矩陣和干涉協(xié)方差矩陣；Cv和Rv分別表示冠層散射的極化協(xié)方差矩陣和干涉協(xié)方差矩陣（Tebaldini，2009）。通過(guò)代數(shù)合成的方式可將多基線全極化協(xié)方差矩陣表達(dá)為多種散射機(jī)制干涉協(xié)方差矩陣和極化協(xié)方差矩陣的克羅內(nèi)克積SKP（Sum of Kronecker Products），實(shí)現(xiàn)對(duì)體散射機(jī)制和地表散射機(jī)制的分離和層析成像（Tebaldini，2009）。Tebaldini 和Rocca（2012）應(yīng)用SKP 方法對(duì)BioSAR 2008 項(xiàng)目P 波段和L 波段的SAR 數(shù)據(jù)進(jìn)行層析反演，獲得了瑞典北部森林的三維結(jié)構(gòu)，反演的樹高和LiDAR 數(shù)據(jù)較為吻合（Tebaldini 和Rocca，2012）。為了解決傳統(tǒng)SKP 分解不能精細(xì)區(qū)分森林表面散射、二次散射以及體散射的問(wèn)題，Aghababaee 和Sahebi（2018）提出了一種基于模型目標(biāo)分解的極化層析SAR 散射機(jī)制分解算法，相較于SKP 分解，該方法能夠獲得更多的散射機(jī)制及其在高度向上的分布情況，提取更為準(zhǔn)確的森林垂直結(jié)構(gòu)參數(shù)?；赟KP 的極化干涉分解可以對(duì)森林冠層散射和地表散射進(jìn)行分離，但分解的效果也受到SAR 影像數(shù)量的影響，SAR 影像數(shù)目不充足時(shí)分解效果不理想。同時(shí)，當(dāng)數(shù)據(jù)協(xié)方差矩陣的奇異值差異過(guò)小時(shí)，分解容易產(chǎn)生誤差。

（3）極化壓縮感知方法。此類方法將極化干涉分解以及極化SAR 分解理論應(yīng)用于森林的壓縮感知層析成像中，可實(shí)現(xiàn)森林三維結(jié)構(gòu)的超分辨重構(gòu)、林下地形和植被高的準(zhǔn)確提取、森林散射機(jī)理的精細(xì)識(shí)別。Aguilera 等（2013a）提出了數(shù)據(jù)自適應(yīng)的極化CS 層析方法，對(duì)森林的三維結(jié)構(gòu)和散射特性進(jìn)行了聯(lián)合稀疏重構(gòu)。Li 等（2016）基于SKP 分解和CS 技術(shù)對(duì)森林的冠層散射和地表散射分別進(jìn)行重構(gòu)。研究采用小波稀疏基和單位正交基對(duì)冠層散射和地表散射分別進(jìn)行稀疏表達(dá)，應(yīng)用全極化SAR 數(shù)據(jù)集對(duì)該算法進(jìn)行驗(yàn)證。林下地形、森林高度的反演結(jié)果都優(yōu)于傳統(tǒng)CS 方法。Aghababaee和Sahebi（2018）采用CS方法對(duì)不同高度散射體的極化協(xié)方差矩陣進(jìn)行稀疏重構(gòu)，可以更為準(zhǔn)確地探測(cè)到森林不同高度層的散射機(jī)理特征。

圖3 和圖4 以Beamforming 譜估計(jì)方法為例，分別對(duì)比分析了單極化層析SAR 和全極化層析SAR 反演森林垂直結(jié)構(gòu)參數(shù)的結(jié)果。單極化的層析SAR 方法可直接獲取森林的垂直結(jié)構(gòu)剖面信息，但無(wú)法保證在所有像元中都可獲得清晰的地表相位中心位置和冠層散射中心位置，導(dǎo)致林下地形、森林高度的反演容易出現(xiàn)錯(cuò)誤或結(jié)果不連續(xù)（圖3（b））。極化信息的引入有助于分析森林不同散射機(jī)制的空間結(jié)構(gòu)?；跇O化干涉分解的Beamforming 層析方法可實(shí)現(xiàn)對(duì)森林冠層散射和地表散射的層析成像（圖4（a）和（c））；獲取的森林垂直結(jié)構(gòu)參數(shù)也更為連續(xù)、準(zhǔn)確（圖4（b）和（d））。

圖3 Beamforming算法反演森林層析譜以及林下地形Fig.3 Forest tomogram and underlying topography obtained by Beamforming algorithm

圖4 極化Beamforming算法反演森林層析譜以及森林高度與林下地形估計(jì)Fig.4 Forest tomograms obtained by polarization Beamforming algorithm and the estimation of forest height and underlying topography

從上述Pol-TomoSAR 的研究現(xiàn)狀可以看出，極化信息的引入有利于森林不同散射機(jī)制空間結(jié)構(gòu)信息和極化屬性信息的提取。同時(shí)，多基線極化層析SAR 方法無(wú)需對(duì)森林后向散射進(jìn)行模型假設(shè)便可對(duì)森林的空間結(jié)構(gòu)信息進(jìn)行提取。相較于基于相干散射模型的極化干涉SAR 方法，能夠脫離模型假設(shè)的限制，獲取不同類型森林的三維散射信息。但由于全極化層析SAR 方法是對(duì)單極化層析SAR 方法的拓展，故單極化層析SAR 方法的不足一定程度上也制約了極化層析SAR 方法應(yīng)用。如少量觀測(cè)樣本下譜估計(jì)方法分辨率不足，重構(gòu)質(zhì)量受限制。壓縮感知方法運(yùn)算量巨大，超參數(shù)定義困難等。本文對(duì)森林參數(shù)估計(jì)中常用的幾種極化層析SAR方法的優(yōu)缺點(diǎn)進(jìn)行了總結(jié)，如表2所示?？梢?jiàn)，相較于FP-Beamforming、FP-Capon 等極化譜估計(jì)方法，基于散射機(jī)制分解與壓縮感知的SKP-CS 方法具備最高的垂直分辨率。但后者的計(jì)算復(fù)雜度與算法穩(wěn)定性下降，同時(shí)輻射精度難以保證。

表2 全極化層析SAR三維成像方法優(yōu)缺點(diǎn)對(duì)比Table 2 Comparison of advantages and disadvantages of different fully polarization TomoSAR methods

4 層析SAR森林參數(shù)反演

應(yīng)用層析SAR 技術(shù)可以獲得森林的三維結(jié)構(gòu)，已廣泛應(yīng)用于林下地形測(cè)繪、森林高度反演、生物量估計(jì)等領(lǐng)域?；诟鞣N層析SAR 成像方法獲得的森林后向散射剖面可直接進(jìn)行林下地形測(cè)繪和森林高度反演（圖5）。而生物量的估計(jì)則需要從層析譜中提取與生物量相關(guān)的特征，結(jié)合野外實(shí)測(cè)數(shù)據(jù)進(jìn)行回歸分析與預(yù)測(cè)。

圖5 層析SAR剖面反演林下地形與森林高度示意圖Fig.5 Schematic diagram of underlying topography and forest height inversion from TomoSAR profile

4.1 層析SAR林下地形測(cè)繪

層析SAR 技術(shù)可實(shí)現(xiàn)森林的三維成像，區(qū)分不同高度、不同散射機(jī)制的散射體，提取地表相位中心。因此，層析SAR技術(shù)在林下地形測(cè)繪中有著重要的應(yīng)用。d’Alessandro 和Tebaldini（2019）應(yīng)用P 波段的層析SAR 數(shù)據(jù)進(jìn)行林下地形反演，研究證明層析SAR 用于林下反演可以解決入射角和地形坡度引起的傳統(tǒng)極化干涉SAR 技術(shù)地表散射相位中心高于實(shí)際地面的問(wèn)題。Li 等（2016）應(yīng)用SKP-CS 極化層析SAR 方法獲取了法屬圭亞那Paracou 熱帶雨林試驗(yàn)區(qū)的林下地形，與LiDAR 測(cè)量獲得的結(jié)果相比，反演林下地形的RMSE 為1.61 m，相較傳統(tǒng)CS 方法其地形測(cè)繪精度提升了7.6%。為了避免極化SKP-CS 方法的稀疏操作以及用戶參數(shù)定義，Wan 等（2021a）將極化干涉分解技術(shù)和極大似然統(tǒng)計(jì)優(yōu)化方法結(jié)合，對(duì)Parcou 熱帶雨林試驗(yàn)區(qū)的林下地形進(jìn)行提?。▓D6）。在植被高度不同的兩個(gè)感興趣區(qū)域，林下地形測(cè)繪的RMSE 分別為1.50 m 和1.79 m。Peng 等（2018）基于極大似然估計(jì)準(zhǔn)則，提出了自適應(yīng)循環(huán)迭代的林下地形反演方法，在Parcou 試驗(yàn)區(qū)反演林下地形的精度為2.11 m。Peng 等（2021）進(jìn)一步將非局部平均的方法用于L 波段層析SAR 林下地形反演，利用領(lǐng)域像素的信息改善傳統(tǒng)譜分析方法（Capon、Beamforming、MUSIC）林下地形反演的性能，相較于傳統(tǒng)譜估計(jì)方法林下地形的反演精度皆提升了30%以上。

圖6 熱帶雨林試驗(yàn)區(qū) LiDAR測(cè)量林下地形、森林高度與極化層析SAR方法反演的林下地形、森林高度Fig.6 The underlying topography and forest height measured by LiDAR and Pol-TomoSAR method in a tropical forests

從上述研究可以發(fā)現(xiàn)，長(zhǎng)波段SAR 信號(hào)具有較強(qiáng)的穿透力，結(jié)合層析SAR 區(qū)分不同高度散射體的能力，即使在植被茂密的熱帶雨林區(qū)域，也能獲得可靠的林下地形結(jié)果。而在林下地形反演中，應(yīng)用多基線極化干涉分解技術(shù)對(duì)森林不同的散射機(jī)制進(jìn)行分離，有利于提升林下地形反演的精度。

4.2 層析SAR森林高度反演

森林冠層頂部真實(shí)位置位于冠層散射中心以上的位置，需要由功率損失或回歸分析的方式提取森林高度（圖5）?；趯游鯯AR 的三維成像結(jié)果，Peng 等（2018）采用IAA 算法獲得了森林高度的估計(jì)值，與LiDAR 測(cè)量數(shù)據(jù)相比較，反演森林高度的RMSE為2.9 m。Yang等（2020）則對(duì)P波段多基線層析SAR技術(shù)和基于RVoG模型的熱帶雨林高度估計(jì)方法進(jìn)行了實(shí)驗(yàn)分析，發(fā)現(xiàn)在30—50 m的樹高范圍內(nèi)，兩者的樹高反演精度沒(méi)有明顯差異，皆能取得可靠的結(jié)果。除了傳統(tǒng)機(jī)載SAR 數(shù)據(jù)以外，UAVSAR無(wú)人機(jī)系統(tǒng)采集的多基線SAR數(shù)據(jù)也被用于森林高度的反演。El Moussawi等（2019）使用UAVSAR 數(shù)據(jù)進(jìn)行了森林高度的反演，反演森林高度的RMSE為3.32 m。

層析SAR 森林高度準(zhǔn)確估計(jì)的前提是森林冠層相位中心和地表相位中心的區(qū)分和定位，高分辨率的層析SAR 三維成像方法對(duì)提升森林高度的反演精度具有重要意義。與層析SAR 林下地形反演類似，引入極化信息進(jìn)行森林冠層散射的最優(yōu)估計(jì)和冠層散射機(jī)制的分離，可取得更為理想的結(jié)果。值得注意的是，森林頂部位置的獲取需要設(shè)置功率損失的范圍（圖5），相關(guān)參數(shù)難以確定和推廣。而借助外部數(shù)據(jù)進(jìn)行擬合分析需要較高精度的森林高度樣本數(shù)據(jù)。結(jié)合森林相干散射模型，通過(guò)最小二乘擬合的方式確定森林高度的方法值得進(jìn)一步探索。

4.3 層析SAR森林生物量估計(jì)

層析SAR 可以獲得森林不同高度層散射功率的空間分布，反映森林的垂直結(jié)構(gòu)和水平結(jié)構(gòu)信息（如高度、密度等），建立SAR 觀測(cè)值與野外實(shí)測(cè)生物量樣本數(shù)據(jù)間的強(qiáng)相關(guān)性，有利于生物量的準(zhǔn)確估計(jì)。目前層析SAR 森林生物量估計(jì)的方法可概括為以下3類：

（1）特定高度后向散射系數(shù)估計(jì)森林AGB。Minh 等（2014）建立了P 波段層析SAR 觀測(cè)值與生物量之間的聯(lián)系，發(fā)現(xiàn)30 m 高度處熱帶雨林層析SAR 后向散射功率值和生物量樣本數(shù)據(jù)之間的相關(guān)性最強(qiáng)。采樣回歸模型對(duì)生物量進(jìn)行了預(yù)測(cè)，測(cè)試樣本檢驗(yàn)預(yù)測(cè)生物量的RMSE 為34.5 t/ha，相對(duì)誤差為9.41%。

（2）層析SAR 剖面積分估計(jì)森林AGB。層析SAR 剖面積分AGB 估計(jì)可以利用森林的垂直剖面信息，同時(shí)消除地表散射的影響。該方法根據(jù)經(jīng)驗(yàn)高度范圍內(nèi)層析譜的積分提取冠層散射貢獻(xiàn)，建立與實(shí)測(cè)樣地生物量之間的聯(lián)系。Blomberg 等（2018）將10—30 m 高度范圍內(nèi)層析剖面的積分值作為森林總的體散射貢獻(xiàn)，利用L波段的數(shù)據(jù)進(jìn)行了森林AGB的估計(jì)。

（3）多特征層析SAR 方法估計(jì)森林AGB。為了充分利用層析SAR 反射率剖面的森林垂直結(jié)構(gòu)信息，Wan 等（2021b）提出一種多特征的層析SAR 生物量估計(jì)方法，通過(guò)對(duì)層析SAR 后向散射剖面進(jìn)行擬合與解譯，獲得了森林平均樹高、平均后向散射功率曲線長(zhǎng)度、加權(quán)平均樹高等多個(gè)特征因子，與野外實(shí)測(cè)生物量之間進(jìn)行回歸分析。該方法預(yù)測(cè)生物量的相對(duì)精度可達(dá)90.73%。

此外，為了論證BIOMASS 計(jì)劃全球生物量估計(jì)的潛力，相關(guān)學(xué)者基于已有機(jī)載SAR 數(shù)據(jù)開展了諸多模擬驗(yàn)證。Minh 等（2015a）采用機(jī)載SAR數(shù)據(jù)的觀測(cè)幾何模擬了未來(lái)即將發(fā)射的BIOMASS衛(wèi)星的數(shù)據(jù)，并對(duì)其預(yù)測(cè)生物量的能力進(jìn)行了評(píng)估與論證。Blomberg 等（2021）的研究發(fā)現(xiàn)在北方森林地區(qū)，對(duì)于機(jī)載SAR 數(shù)據(jù)估計(jì)生物量最小RMSE 在30%—36%，而模擬P 波段星載SAR 數(shù)據(jù)（BIOMASS 計(jì)劃）估計(jì)生物量的最小RMSE 在38%—39%。

層析SAR 生物量估計(jì)的要點(diǎn)在于如何獲取與實(shí)測(cè)生物量相關(guān)性最強(qiáng)、最能反映森林三維結(jié)構(gòu)的特征。表3 對(duì)3 類層析SAR 生物量估計(jì)方法的優(yōu)缺點(diǎn)進(jìn)行了對(duì)比。

表3 不同層析SAR生物量估計(jì)方法對(duì)比Table 3 Comparison of different TomoSAR AGB estimation methods

5 結(jié)語(yǔ)

本文從層析SAR 三維成像的幾何模型和數(shù)學(xué)模型出發(fā)，闡述了層析SAR 獲取觀測(cè)目標(biāo)三維結(jié)構(gòu)信息的基本原理。在此基礎(chǔ)上，系統(tǒng)地總結(jié)分析了目前層析SAR 三維成像領(lǐng)域的常用算法，對(duì)比分析了不同層析SAR 算法在計(jì)算復(fù)雜度、垂直分辨率、輻射分辨率、算法魯棒性等方面的表現(xiàn)與性能。在對(duì)層析SAR 成像算法進(jìn)行總結(jié)分析的基礎(chǔ)上，給出層析SAR 森林參數(shù)反演的基本流程（圖7），重點(diǎn)分析了目前層析SAR 技術(shù)在森林高度、林下地形、生物量等森林參數(shù)反演方面的應(yīng)用和研究進(jìn)展。

圖7 層析SAR森林參數(shù)反演基本流程Fig.7 Basic flow of forest parameter inversion using TomoSAR

在森林SAR 層析成像算法的研究中，高垂直分辨率、高計(jì)算效率、高穩(wěn)定性的方法是研究者們關(guān)注的重點(diǎn)，以BIOMASS 生物量測(cè)繪計(jì)劃為背景的算法研究十分火熱。在森林參數(shù)反演的研究中，林下地形、植被高以及森林生物量是研究者關(guān)注的重點(diǎn)。SAR 數(shù)據(jù)的極化信息被廣泛應(yīng)用于森林散射機(jī)制的解譯和分離，可提升相關(guān)參數(shù)的反演精度。雖然國(guó)內(nèi)外已經(jīng)對(duì)層析SAR 技術(shù)進(jìn)行了近20年的研究，但對(duì)森林的三維SAR 成像，大多數(shù)研究仍然基于機(jī)載SAR 數(shù)據(jù)開展。大范圍森林參數(shù)的層析SAR反演還面臨著許多問(wèn)題與挑戰(zhàn)。

5.1 層析SAR面臨的問(wèn)題及挑戰(zhàn)

就目前的層析SAR 成像算法和森林參數(shù)反演的研究而言，主要存在以下問(wèn)題：

（1）層析SAR 輻射精度與生物量估計(jì)問(wèn)題。層析SAR 技術(shù)在森林區(qū)域最為核心的應(yīng)用是全球生物量的估計(jì)。然而，目前諸多的研究大多關(guān)注算法的垂直分辨率、稀疏成像能力等，算法的輻射精度無(wú)法保障，相關(guān)方法在生物量估計(jì)中的性能有待探討；層析譜中提取的森林物理特征與生物量之間的關(guān)系不明確，過(guò)于依賴經(jīng)驗(yàn)?zāi)Ｐ秃蛯?shí)測(cè)數(shù)據(jù)進(jìn)行回歸分析，建立更為有效的多特征物理模型，或引入數(shù)據(jù)驅(qū)動(dòng)的深度學(xué)習(xí)方法進(jìn)行層析SAR生物量的估計(jì)值得探索。

（2）星載層析SAR 應(yīng)用問(wèn)題。目前層析SAR森林參數(shù)的反演大多基于機(jī)載SAR 數(shù)據(jù)開展。然而，大范圍森林參數(shù)的估計(jì)與動(dòng)態(tài)監(jiān)測(cè)需要星載SAR 數(shù)據(jù)來(lái)完成。星載層析SAR 面臨的主要問(wèn)題包括空間基線分布不均勻、時(shí)間失相干、大氣相位擾動(dòng)以及電離層效應(yīng)等。其中，基線分布不均的影響可采用稀疏成像方法或基線插值方法予以抑制。而對(duì)于SAR 測(cè)繪衛(wèi)星，重復(fù)軌道觀測(cè)周期內(nèi)植被覆蓋區(qū)時(shí)間失相干的影響必需被考慮。刮風(fēng)、降雨、季節(jié)性落葉等因素都會(huì)影響層析SAR森林垂直結(jié)構(gòu)重構(gòu)的穩(wěn)定性。已有研究針對(duì)時(shí)間失相干對(duì)層析SAR 反演的影響進(jìn)行了分析（Minh等，2015b；Hamadi等，2015），但仍需建立行之有效的物理模型和誤差補(bǔ)償方法。大氣延遲擾動(dòng)會(huì)形成一定的“相位屏障”，使得層析SAR 成像出現(xiàn)較高的旁瓣效應(yīng)以及偽影，嚴(yán)重者導(dǎo)致層析成像完全散焦。在森林參數(shù)的層析SAR 估計(jì)中，大氣相屏的影響需要特別的注意。在植被茂密的森林區(qū)域，傳統(tǒng)基于永久散射體的時(shí)序InSAR 大氣誤差校正方法很難適用。此外，長(zhǎng)波段SAR 除受對(duì)流層湍流影響外（Siddique等，2019），還會(huì)受到電離層效應(yīng)的影響。電離層效應(yīng)是制約長(zhǎng)波段星載SAR 測(cè)繪應(yīng)用的重要因素，其對(duì)層析SAR 森林測(cè)繪的潛在影響包括對(duì)森林空間結(jié)構(gòu)和極化散射信息反演的干擾。一方面，電離層的色散效應(yīng)和閃爍效應(yīng)會(huì)嚴(yán)重影響SAR 的二維成像分辨率（李力，2014），導(dǎo)致層析SAR 反演森林垂直結(jié)構(gòu)較為模糊，不能反映不同樹種間垂直結(jié)構(gòu)的差異；另一方面，法拉第旋轉(zhuǎn)會(huì)導(dǎo)致極化散射矩陣的失真（夏冬坤，2011），影響極化層析測(cè)量對(duì)森林體、地散射貢獻(xiàn)的相干最優(yōu)估計(jì)，降低層析測(cè)量與生物量之間的相關(guān)性。

（3）層析譜參數(shù)化表達(dá)問(wèn)題。目前缺乏對(duì)層析SAR 獲取的功率譜進(jìn)行定量描述的模型和方法，不同散射體相位中心的位置不能涵蓋森林的全部信息。不同算法獲取的層析SAR 后向散射剖面之間存在明顯差異，如何建立層析SAR 散射剖面與森林垂直結(jié)構(gòu)之間統(tǒng)一的定量化映射模型十分關(guān)鍵。

此外，不同波段的傳感器對(duì)層析SAR 森林參數(shù)的反演有著顯著的影響。理論上，長(zhǎng)波段SAR數(shù)據(jù)具備更強(qiáng)的穿透性，更有利于獲取森林的三維結(jié)構(gòu)信息。長(zhǎng)波段SAR 信號(hào)也具備更強(qiáng)的抑制時(shí)間失相干的能力。但對(duì)于植被較為稀疏的叢林、針葉林，長(zhǎng)波段的信號(hào)更容易受到較強(qiáng)的地表散射的影響。同時(shí)，長(zhǎng)波段SAR 信號(hào)電離層效應(yīng)的抑制也是難點(diǎn)問(wèn)題。層析SAR 應(yīng)用對(duì)數(shù)據(jù)處理有著較高的要求，反演過(guò)程中需考慮軌道誤差的影響，進(jìn)行基線精化與干涉相位定標(biāo)處理（Tebaldini等，2016）；對(duì)多極化通道測(cè)量的串?dāng)_和幅相不平衡進(jìn)行極化定標(biāo)處理（廖露，2015），有利于提升層析SAR 反演森林不同高度層反射率與真實(shí)地物散射特性的相關(guān)性。

5.2 層析SAR應(yīng)用前景

目前，層析SAR 成像算法的研究朝著高垂直分辨率、高穩(wěn)定性、高計(jì)算效率的方向發(fā)展。統(tǒng)計(jì)優(yōu)化（del Campo等，2018，2020）、壓縮感知（Donoho，2006；Aguilera等，2013b）、貝葉斯估計(jì)（Tipping，2001；Liu等，2013）等通信與信號(hào)處理領(lǐng)域的理論在層析SAR 領(lǐng)域的應(yīng)用十分廣泛，學(xué)科交叉融合的趨勢(shì)十分明顯。

對(duì)于層析SAR 技術(shù)的應(yīng)用而言，林下地形，森林高度、生物量等森林參數(shù)的反演（圖7）是層析SAR 關(guān)注的熱點(diǎn)。相關(guān)學(xué)者圍繞提升上述森林參數(shù)的反演精度開展了大量的研究。隨著陸地探測(cè)一號(hào)、TanDEM-L、BIOMASS 等計(jì)劃的全面實(shí)施，全球尺度的森林高度、生物量反演將成為研究熱點(diǎn)。

未來(lái)，SAR 對(duì)地觀測(cè)衛(wèi)星必然會(huì)朝著高空間分辨率、高時(shí)間分辨率、多維度、多極化成像等方向發(fā)展。層析SAR 技術(shù)也將在全球生物量估計(jì)、森林碳儲(chǔ)量動(dòng)態(tài)監(jiān)測(cè)、氣候變化影響研究等領(lǐng)域發(fā)揮作用，為“碳中和、碳達(dá)峰”的目標(biāo)提供技術(shù)和數(shù)據(jù)支撐。同時(shí)，也將廣泛應(yīng)用于冰川積雪監(jiān)測(cè)、建筑物風(fēng)險(xiǎn)評(píng)估等領(lǐng)域。