基于HJ1B和ALOS/PALSAR數據的森林地上生物量遙感估算

王新云，郭藝歌，何　杰

1 寧夏大學 西北土地退化與生態恢復省部共建國家重點實驗室培育基地，銀川　750021

2 寧夏大學 西北退化生態系統恢復與重建教育部重點實驗室，銀川 750021

3 寧夏大學 資源與環境學院，銀川　750021

?

基于HJ1B和ALOS/PALSAR數據的森林地上生物量遙感估算

王新云1,2,*，郭藝歌1,2，何杰3

1 寧夏大學 西北土地退化與生態恢復省部共建國家重點實驗室培育基地，銀川750021

2 寧夏大學 西北退化生態系統恢復與重建教育部重點實驗室，銀川 750021

3 寧夏大學 資源與環境學院，銀川750021

森林地上生物量的精確估算能夠減小碳儲量估算的不確定性。為了探尋一種有效地提高森林生物量估算精度的方法，探討了基于遙感物理模型和經驗統計模型估算山地森林地上生物量的方法。首先，基于Li-Strahler幾何光學模型和多元前向模式(MFM)進行模型模擬，結合查找表算法(LUT)從多光譜圖像HJ1B估算賀蘭山研究區的森林地上生物量。其次，采用統計方法建立了2種回歸模型：(1)多光譜圖像HJ1B進行混合像元分解(SMA)，并與雷達圖像ALOS/PALSAR進行圖像融合建立生物量回歸模型；(2)雷達圖像ALOS/PALSAR后向散射系數和實測生物量建立了生物量回歸模型。用實測數據對3種算法估算結果進行精度驗證。研究結果表明：采用幾何光學模型和MFM算法估算的森林地上生物量精度最好(決定系數R2=0.61，均方根誤差RMSE=8.33 t/hm2，P<0.001)，其估算地上生物量與實測值一致性較好，估算生物量精度略優于SMA估算的精度(R2=0.60，RMSE=9.417 t/hm2)；ALOS/PALSAR多元回歸估算的精度最差(R2=0.39，RMSE=14.89 t/hm2)。由此可見，采用幾何光學模型和混合像元分解SMA適合估算森林地上生物量，利用這2種方法進行森林地上生物量遙感監測研究具有一定的應用潛力。

森林；地上生物量；環境衛星；ALOS/PALSAR；多元前向模式(MFM)；混合像元分解(SMA)

森林是地球上分布范圍最廣的陸地生態系統類型之一，區域乃至全球尺度的森林地上生物量遙感估算一直是生態學研究的重要內容。森林作為陸地生態系統最大的碳庫和土壤碳庫的最重要輸入源，因其巨大的碳儲量和固碳能力而備受關注[1-2]。森林地上生物量的研究有助于對區域乃至全球的碳循環深入地理解和認識[3]。森林地上生物量不僅是森林固碳能力的重要標志，也是森林生態系統服務功能和生態資產評價的重要參數。利用遙感技術可以獲取區域乃至全球尺度的陸表參數。光學、微波遙感數據和野外觀測數據集成應用是提高區域尺度森林地上生物量估算精度的一種有效方法[4-5]。Basuki等分別采用混合像元分解、離散小波變換和Brovey變換將Landsat-7 ETM+和ALOS/PALSAR進行圖像融合來估算熱帶森林地上生物量，結果表明采用光學和微波圖像融合的方法能夠提高生物量估算的精度[4]。Treuhaft等認為基于森林結構剖面的生物量估算比微波或光學遙感的方法更精確，通過融合高光譜和雷達數據所測得的葉面積指數和葉面積密度來提高生物量估算的精度[6]。

由于地形對衛星接收的反射信號的影響，經驗統計模型估算的森林地上生物量精度受到很大影響。利用植被指數和生物量建立的統計關系受土壤等下墊面背景的光譜特征影響比較明顯[7]。統計模型只能用于特定的研究區域和數據源，同時植被冠層的反射特性也受到外界條件的影響，利用植被的光譜特征和植被結構參數建立的統計關系不適合在區域尺度和多傳感器之間應用。為了克服下墊面背景的空間異質性對經驗統計關系的影響，利用遙感物理模型估算森林生態參數是一種可行的方法[8]。遙感物理模型通過輸入林分幾何結構、地形特征、純像元的光譜信息來模擬圖像像元的光譜特性，輸出林分的生態參數。Soenen等人采用幾何光學模型和查找表方法從遙感圖像SPOT-5估算了加拿大卡南納斯基斯市落基山的森林參數，研究表明幾何光學模型適合對復雜地形條件下的森林植被進行遙感監測研究[9]。

賀蘭山是我國西部溫帶草原與荒漠的分界線和連接青藏高原、蒙古高原及華北植物區系的樞紐[10-11]。國內研究人員對賀蘭山的森林生長狀況、群落特征、生物多樣性在海拔梯度上的變化規律等進行了深入研究[12-15]。穆天民采用生態學統計的方法對賀蘭山地區的青海云杉林地上生物量進行了研究，結果表明喬木層的生物量達到127.26 t/hm2，青海云杉林的地上生物量不亞于東北地區的云冷杉和落葉松林[16]。近年來很少見到利用遙感技術研究該地區森林分布狀況、水文、生物量、碳循環、氣候變化和生態資產評價等內容的相關報道。由于賀蘭山受不合理土地利用和氣候變化的影響，生態系統極其脆弱。因此，利用遙感技術對賀蘭山的森林生態系統的生態參數和服務功能進行深入系統的研究尤為必要。

本文選擇位于干旱半干旱地區的賀蘭山自然保護區的喬木林(主要為針葉林、闊葉林和混交林)為研究對象，建立基于光學遙感HJ1B和微波遙感ALOS/PALSAR等多源遙感數據的森林地上生物量反演模型，并進行森林地上生物量制圖，為進一步對該區域的森林生態系統服務功能和生態資產進行綜合評價提供理論依據。

1　研究區與數據處理

1.1研究區概況

本文的研究區選擇位于寧夏和內蒙古自治區交界的賀蘭山自然保護區境內，中心坐標為38°43′47.9″N，105°55′7.4″E(圖1)。賀蘭山地處內陸，屬于典型的大陸性氣候，冬季嚴寒，夏季干燥炎熱，降水量稀少，年平均氣溫8.2—8.6℃，年平均降水量250—438 mm，年平均蒸發量1600—1800 mm之間[15]。主要的喬木樹種有青海云杉(Piceacrassifolia)、油松(Pinustabulaeformis)、山楊(PopulusdavidianaDode)、灰榆(UlmusglaucescensFranch)和杜松(Juniperusrigida)。灌木樹種主要有小葉金露梅、蒙古扁桃、蒙古繡線菊、華西銀露梅和忍冬。

圖1　研究區地理位置及樣地在圖像(HJ1B)上的分布Fig.1　Geographical location of the study areas

1.2遙感圖像數據的獲取與預處理

研究中使用的圖像數據包括HJ1B-CCD1多光譜圖像和ALOS/PALSAR雷達圖像數據。光學圖像數據HJ1B—CCD1獲取時間為2010年7月20日，衛星軌道17/68，圖像分辨率為30 m。PALSAR是ALOS衛星上攜帶的一個L波段的主動式合成孔徑雷達傳感器，工作波段為L波段。原始圖像為level 1.1雙極化數據，極化方式為HH、HV極化，其中HH表示水平極化(horizontal polarization)，HV表示交叉極化(cross polarization)。入射角為38.722°，數據類型為單視復數據(SLC)，像元大小為9.368 m × 3.164 m，成像時間分別為2010年6月30日和2010年8月15日。

HJ1B-CCD1圖像的預處理包括幾何精校正、輻射定標和大氣校正。利用HJ1B數據處理工具將灰度值(DN)值轉為輻亮度值，利用野外采集的研究區GPS控制點在ENVI4.8中對影像進行幾何精校正和大氣校正，將輻亮度圖像校正為反射率圖像。

ALOS/PALSAR圖像的預處理采用GAMMA軟件進行，利用分辨率為90 m的SRTM(shuttle radar topography mission)將ALOS/PALSAR校正為像元大小為25m分辨率的圖像。為了校正地形對雷達信號強度的影響，采用Zhou[17]提出的地形校正算法計算雷達成像斜距平面與地面的夾角，再進行幾何平面的地形輻射糾正得到雷達地形輻射校正后的圖像。最后將HJ1B和ALOS/PALSAR進行了圖像配準，選擇了20個控制點，配準精度在0.2個像元以內，均方根誤差RMSE為0.1。

1.3遙感圖像融合分類

為了得到較高精度的分類圖像，首先對配準后的HJ1B圖像(圖2a)和ALOS/PALSAR SAR圖像進行了圖像融合處理，然后再進行圖像分類。采用離散小波變換將預處理后的2010年6月30日HH極化SAR圖像(圖2b)、HJ1B反射率圖像、主成分變換圖像和歸一化植被指數(NDVI)圖像進行了圖像融合處理。

決策樹分類法已經廣泛應用于遙感影像信息提取和土地利用/土地覆被分類研究中[18]。采用決策樹分類將融合后的圖像進行分類處理，分類結果如圖2c所示。圖像共分為10類，分別為建筑、農田、針葉林、灌木林、闊葉林、混交林、沙地、草地、水體和道路。分類的總體精度為85.60%，Kappa系數為0.8269。

圖2　HJ1B反射率圖像(a)；6月30日ALOS/PALSAR HH極化圖像(b)；分類圖(c)Fig.2　HJ1B reflectance image (a); ALOS/PALSAR HH polarization image acquired on June 30 (b) and classification mapping (c)

1.4野外數據采集與處理

2012年7月13日—7月30日在研究區開展了野外實地考察和森林參數測量。在研究區內布設樣地，選擇地形坡度小、植被分布相對比較均勻，布設了50個有代表性的30 m×30 m標準樣地(針葉林29個，平均樹齡105a，郁閉度40%—80%；闊葉林2個，平均樹齡38a，郁閉度30%—60%；混交林19個，平均樹齡73a，郁閉度40%—70%)，用手持GPS記錄每個樣地的四角坐標，選擇胸徑在5 cm以上的林木實行每木檢尺，測量胸徑和樹高，隨機選擇幾株林木測量枝下高，東西和南北兩個方向的冠幅。在室內對測量數據進行處理。

1.5樣方生物量計算

森林生物量模型的建立采用Kittredge提出的CAR(Constant Allometric Ratio)算法[19]，其數學表達式為：Y=aXb。穆天民[16]、劉斌[20]、梁詠亮[21]等人分別對賀蘭山的青海云杉、天然油松林、灰榆疏林等的生物量模型進行了研究，建立了以胸徑(DBH)、樹高(H)、胸徑平方乘樹高(D2H)等為自變量的生物量冪指數回歸模型，根據這些數學模型計算得到單株樹的實測生物量。樣地內所有的林木生物量累加得到各樣地生物量總和。生物量總和除以樣地的面積得到林分地上生物量(t/hm2)，計算結果見表1。

表1　樣地生物量Table 1　Statistical field measured AGB of every sample plot

續表

2　反演方法

2.1GOMS-MFM反演算法

Li-Strahler幾何光學模型(geometric-optical mutual shadowing，GOMS)[22]主要用于遙感影像像元尺度的森林結構參數的反演。多元前向模式(multiple forward mode，MFM)是利用幾何光學模型和查找表(LUT)反演生態結構參數的常用方法，它由遙感物理模型正向模擬計算建立參數查找表數據庫[23-24]。利用MFM算法進行參數反演，需要從查找表里搜索和圖像像元反射率比較接近的值作為模型的最優解。為了得到比較好的反演結果，需要建立比較大的查找表[25]。國外一些學者利用幾何光學模型和MFM算法從多光譜圖像數據反演了森林結構參數[8-9,26-27]。

GOMS模型的輸入參數包括樹的結構、地形和光譜信息(表2)。樹的結構參數包括：樹密度(λ，trees/m2)、樹冠短半軸(r，m)、樹冠長半軸(b，m)、樹冠中心高度(h，m)、樹高分布(dh，m)。根據樣地實測數據統計結果輸入樹的結構參數的最小值、最大值和增加值。地形信息包括坡度(°)和坡向(°)，利用分辨率為30 m的ASTER GDEM數據提取研究區的地形坡度和坡向圖，統計坡度和坡向的變化范圍。模型的光譜信息包括：光照冠層、光照背景和陰影等純像元組分端元的光譜信息。采用ENVI軟件純像元指數(pixel purity index，PPI)從HJ1B反射率圖像提取3種森林類型(闊葉林、針葉林和混交林)的純像元的組分端元光譜信息。根據GOMS模型的輸入格式要求，將3種森林類型輸入參數的變化范圍和增加值在表2中分別列出。

表2　GOMS-MFM建立查找表森林結構和地形輸入文件Table 2　GOMS-MFM forest structural and terrain inputs used in creating a set of Look-up table (LUT)

Soenen等人以樹冠表面積(SA)和測量的單木的生物量(B，t/株)建立了單木生物量冪指數生長方程來計算林分地上生物量[9]。為了利用遙感圖像估算像元尺度的森林地上生物量，根據野外測量的3種森林類型(闊葉林、針葉林和混交林)結構參數數據，以實測樹高H為自變量建立3種林型單木生物量和樹高H之間的冪指數函數回歸模型如(1)式所示：

ln(B)=b0+b1ln(H)

(1)

式中,B為單株樹地上生物量(kg/株)，H為樹高(H，m)，b0和b1為回歸方程的系數。由公式(1)計算得到單株樹的地上生物量。利用GOMS模型模擬計算建立參數查找表時，根據樹密度參數λ和公式(1)建立的樹高和生物量回歸模型可以得到像元尺度的森林地上生物量。

利用HJ1B圖像和GOMS模型反演森林參數的過程包括兩步：(1)光譜模擬和林分地上生物量數據庫建立。由公式(1)建立的生物量模型計算得到單木的地上生物量B(B，kg/株)，像元尺度的森林地上生物量AGB(t/hm2)為：AGB=λB，λ為樹密度。GOMS模型正向模擬輸出4個波段反射率和生物量信息，然后建立參數查找表文件。(2)模型解的查找。采用光譜距離的均方根誤差(RMSE)優化技術從查找表中搜索圖像中每個像元4個波段反射率和模型模擬的對應波段反射率最接近的值，作為模型的最優解。通過查找模型的最優解便得到每個像素的生物量。RMSE的計算公式如式(2)所示[28-29]：

(2)

2.2線性光譜混合分解

線性光譜混合分解模型(linear spectral mixing model，LSMM)是混合像元分解(spectral mixture analysis，SMA)的常用方法，它假設圖像中每個像元的反射率是由該像元中每種地物(純像元)反射率以及它們的地物類型在該像元內所占像元面積的比例作為權重系數的線性組合[30-31]。它的數學表達式如式(3，4)：

(3)

(4)

式中,Ri,j是第i個純像元、第j個波段的反射率，Ki是第i個純像元的面積百分比，vj是第j個波段的誤差。m為組分的個數，p為圖像波段的個數。

2.3混合像元分解SMA模型

利用地形校正模型和ASTER GDEM數據對配準后的HJ1B反射率圖像進行地形校正，消除了地形變形對遙感圖像反射率的影響，將坡地光譜信號校正為水平地面信號[32]。對地形校正后的圖像HJ1B進行線性光譜混合分解，分解后得到植被組分圖像veg(圖3a)。分別將植被組分圖像(veg)和雷達圖像ALOS/PALSAR的HH和HV極化的雷達后向散射系數圖像進行離散小波融合。利用S-Plus軟件的線性回歸將樣地實測生物量和不同的融合圖像(圖3b)對應的圖像像元值建立了回歸模型，從建立的回歸模型中選擇精度最好的模型，作為最后的回歸模型如式(5)：

AGB=-93.073+241.043×veg_hh

(5)

式中,veg_hh表示HJ1B混合像元分解后的植被組分圖像veg和2010年6月30日的PALSAR的HH極化融合后的圖像。決定系數R2=0.61，均方根誤差RMSE=17.11 t/hm2，F值為20.0752，P<0.01。

圖3　植被組分圖像(a)和離散小波融合圖像(b)Fig.3　Vegetation fraction image resulting from spectral mixture analysis (a) and fusion of vegetation fractions with PALSAR HH polarization (b)

2.4PALSAR多元逐步回歸模型

采用S-Plus軟件的多元逐步回歸算法，將兩個時相雷達圖像HH和HV極化雷達后向散射系數和樣地實測生物量進行多元逐步回歸分析，建立的地上生物量模型如式(6)：

(6)

3　結果與分析

3.13種森林類型地上生物量模型

根據3種不同的森林類型，分別從實測數據中選擇200株樹，采用公式(1)計算像元尺度地上生物量，擬合3種森林(闊葉林、針葉林和混交林)地上生物量模型的回歸系數、R2、RMSE(kg/株)和F值如表3所示(P<0.01)。利用該生物量回歸模型模擬計算得到不同森林類型的林分地上生物量(t/hm2)。

表3　三種森林類型生物量模型回歸系數Table 3　Tree level regression coefficients of three forest types used in the estimation tree biomass from field data

3.2生物量制圖

利用本文介紹的3種算法對賀蘭山研究區的森林進行生物量制圖，研究區的森林地上生物量分布制圖分別如圖4所示。根據遙感圖像分類圖(圖2c)，將分類圖上非森林覆蓋區域(包括建筑物、道路、草地、灌木)合并為一類，定義為非林地。圖4a為利用GOMS模型和MFM方法估算的生物量分布圖，其中非林地約占27.57%，喬木林地面積占整個圖像區域的72.43%，喬木林最大生物量為332.87 t/hm2。生物量在范圍0—50、50—100、100—150、150—200、200—250、>250 t/hm2，分別占總圖像覆蓋區域面積的28.54%、19.49%、12.07%、6.17%、3.03%、3.12%，其中0—150 t/hm2約占60.11%，>150 t/hm2約占12.32%。圖4b為利用SMA模型估算的生物量分布圖，其中非林地約占29.39%，喬木林最大生物量為241.93 t/hm2。生物量在范圍0—50、50—100、100—150、150—200、200—250 t/hm2，分別占總圖像覆蓋區域面積的12.00%、29.79%、24.97%、3.70%、0.14%，其中0—150 t/hm2約占66.76%，>150 t/hm2約占3.84%。圖4c為利用PALSAR回歸模型估算的生物量分布圖，其中非林地約占34.25%，喬木林最大生物量為177.35t/hm2。生物量在范圍0—50、50—100、100—150、150—200 t/hm2，分別占總圖像覆蓋區域面積的24.35%、32.50%、8.64%、0.25%，其中0—150 t/hm2約占65.49%，>150 t/hm2約占0.25%。

由3種算法的統計結果可以看到：3種算法估算的生物量主要分布在范圍0—150 t/hm2，不同方法估算的生物量結果之間存在一定的差異。采用混合像元分解和PALSAR雷達后向散射系數圖像估算的生物量大于150 t/hm2時達到飽和，建立的回歸模型無法正確反演，反演的結果存在較大的誤差[6]。SMA方法將PALSAR和光學圖像進行融合處理減少了生物量估算的誤差。

圖4　3種算法估算的森林生物量分布圖Fig.4　Mapping of forest AGB distribution based on MFM method (a); Mapping of forest AGB distribution based on SMA method (b); Mapping of forest AGB distribution based on PALSAR regression(c)

3.3估算誤差分析

為了進一步對3種方法估算的生物量進行誤差分析，根據野外實測生物量數據，將MFM、混合像元分解SMA和PALSAR多元逐步回歸等3種方法估算的森林地上生物量進行分析。將模型估算地上生物量和實測生物量的差值作為模型估算誤差。選擇其余的20個實測樣地(plots)生物量數據作為真值，計算它們的平均值和標準差(SD)。把實測值落在區間avg-SD和avg+SD內的值記為plots <1 SD，反之則記為plots > 1 SD。根據這個劃分標準，這20個實測生物量值分成兩組，其中plots < 1 SD共有11個，plots > 1 SD共有9個數據。然后分別計算實測生物量、模型估算的生物量、模型估算生物量誤差、模型估算生物量plots < 1 SD誤差(11個數據)和plots > 1 SD(9個數據)誤差的平均值、標準差、最小值、最小值和變化范圍，統計結果如表4和圖5所示。

表4　估算生物量與實測生物量誤差分析Table 4　Error analysis for estimators and measured AGB

根據表4和圖5的誤差統計結果分析可以看到：MFM、SMA和PALSAR多元逐步回歸等3種方法的平均誤差分別為8.0、8.2、15.1 t/hm2，MFM和SMA估算誤差比較接近，MFM誤差最小；SMA法估算生物量的最小值、最大值和變化范圍比實測生物量略寬，而MFM法估算生物量變化范圍比實測值變化范圍窄，PALSAR回歸模型估算生物量變化范圍最寬；MFM法和SMA法估算生物量的平均值和實測結果比較接近，而PALSAR回歸法估算生物量平均值比實測結果小；MFM法和SMA法估算生物量標準差比實測結果略低，而PALSAR回歸模型估算生物量標準差要大于實測結果；11個數據誤差(plots <1 SD)，MFM法和SMA法的平均誤差和標準差都接近總誤差(20個數據)，而PALSAR回歸比總誤差(20個數據)大；9個數據誤差(plots >1 SD)，與

圖5　三種方法生物量估算誤差對比　Fig.5　Comparison of biomass estimation error for MFM, SMA and regression modelMFM表示多元前向模式算法；SMA表示混合像元分解算法；PALSAR regression表示PALSAR多元逐步回歸算法；All Field Data表示20個樣地實測數據；Plots<1 SD of Field Mean表示落在區間avg -SD和avg + SD內的實測值；Plots>1 SD of Field Mean表示落在區間avg -SD和avg + SD外的實測值rf

由以上的分析可以看出，采用經驗統計和基于遙感物理模型的反演方法從遙感圖像數據估算森林地上生物量，不同的反演算法估算的森林地上生物量的精度有一定的差異，原因主要有以下幾點：(1)森林下墊面背景對衛星圖像信息有一定的影響。數學模型很難真實的描模擬森林的三維結構及下墊面背景，會造成一定的反演誤差。(2)地形對反演精度的影響。地形改變了太陽、地表和衛星傳感器三者所構成的相對觀測幾何變化，從而造成方向性反射的變化[33]，地形對遙感圖像的質量和反演精度的影響比較大。(3)野外實測數據誤差的影響。由于地形和林下植被的影響，在野外很難保證實測樣地大小為標準樣地，同時衛星接收的圖像數據受地形坡度和坡向的影響，野外樣地的位置很難與圖像完全匹配，這對反演的驗證精度有一定的影響。

3.4估算結果驗證

為了檢驗參數反演過程的過擬合現象，有必要結合野外實測數據對模型進行驗證。選擇20個樣地實測生物量和3種方法估算的生物量進行了對比，用實測生物量值驗證模型，結果見圖6。圖6分別驗證了MFM和SMA法估算生物量結果，R2分別為0.61和0.60，實測值與估算值之間的RMSE分別為8.33、9.417 t/hm2，圖中各點均分布在1∶1線附近。圖6還驗證了PALSAR回歸法估算生物量結果，R2=0.39，RMSE=14.89 t/hm2。

3種模型估算的生物量和實測生物量的誤差變化范圍和模型的驗證結果進一步表明：MFM和SMA兩種方法估算的生物量結果比較接近實測值，而PALSAR多元逐步回歸模型估算的生物量精度最差。由此可見，采用PALSAR多元回歸模型估算的山地森林生物量與實測的生物量相差比較大，精度比較低，決定系數小于0.5，該方法估算的生物量精度明顯低于其它兩種方法估算的生物量。這表明采用幾何光學模型和混合像元分解SMA更適合估算山地森林地上生物量。

圖6　生物量實測值與估算值對比值散點圖Fig.6　Scatter plot on measured and MFM estimated AGB; Scatter plot on measured and SMA estimated AGB; and Scatter plot on measured and PALSAR regression model estimated AGB

3.5討論

植被的生態結構參數不能通過衛星圖像數據直接獲取，需要利用經驗統計或遙感物理模型反演的方法從衛星圖像估算得到。利用Li-Strahler幾何光學模型反演森林生物量不需要較多的地面驗證數據，模型的輸入參數不需要每棵樹的詳細信息。利用幾何光學模型模擬建立查找表時，根據野外直接測量的數據，如樹高(H)、胸徑(DBH)、胸徑平方乘樹高(D2H)等數據與生物量建立回歸模型，然后通過中間變量(胸徑或樹高)從遙感圖像上估算森林地上生物量。

由于地形引起雷達成像幾何關系的變化，進而導致雷達后向散射系數的變化。利用雷達圖像PALSAR估算森林結構參數時，地形對估算精度影響較大。因此，采用雷達圖像估算森林參數精度較低，反演的結果存在較大的誤差。結合雷達圖像和光學圖像能夠減少生物量估算的誤差，改善地形對森林參數估算的精度的影響。采用離散小波變換將混合像元分解后的組分圖像和雷達圖像進行融合，然后建立生物量多元逐步回歸模型，該模型比利用雷達后向散射系數建立的生物量模型估算精度更高，這是由于組分圖像改善了地形對雷達后向散射系數的影響。因此，利用混合像元分解和離散小波融合可以有效的提高森林生物量的估算精度。

采用光譜距離的均方根誤差(RMSE)最小從查找表中搜索模型的最優解，由于測量誤差和模型模擬數據的問題，方程的解不唯一或無解，從而導致方程的病態問題[34-35]，在實際應用中可以結合一些其它的植被指數如歸一化植被指數NDVI或比值植被指數(SR)來查找方程解。采用查找表進行查找時，如果圖像的覆蓋范圍比較大，同時建立的查找表數據庫比較大時，在查找過程中查找速度會比較慢，需要對查找表結構和查找算法進行優化。

4　結論

本文探討了利用GOMS幾何光學模型和經驗統計模型估算山地森林地上生物量的方法。利用幾何光學模型模擬時將可直接測量的參數，如胸徑(DBH)或樹高(H)作為中間變量，建立樹高和森林地上生物量回歸模型，計算像元尺度的林分地上生物量，通過MFM方法從衛星圖像HJ1B數據反演研究區的森林地上生物量，同時將反演結果和經驗統計模型方法進行了對比。研究結果表明，MFM方法比經驗統計模型估算森林地上生物量精度更高。采用幾何光學模型反演的生物量精度最好，利用混合像元分解和圖像融合可以改善地形對森林參數估算的精度的影響，利用PALSAR圖像估算的森林生物量的精度最差。因此，幾何光學模型和混合像元分解模型適合估算森林地上生物量。

利用幾何光學模型進行前向模擬的輸入參數不需要較多的先驗信息和野外樣地調查數據，該方法更適合于通過多時相多傳感器的遙感圖像反演區域尺度的植被生態結構參數。因此，本文介紹的方法進行森林地上生物量遙感監測研究具有一定的應用潛力。然而，本研究所用的野外觀測樣方的數量相對偏少，采用統計方法所建立的生物量模型的適用性需要進行一步驗證。在今后的研究中，可以考慮通過增加野外觀測的數量和小樣本回歸的方法，比如機器學習算法建立回歸模型，并對模型的適用性進行進一步的驗證。

致謝：中國林業科學研究院資源信息研究所譚炳香老師幫助寫作，特此致謝。

[1]徐德福, 王讓會, 李映雪, 張慧. 陸地生態系統碳收支及其主要影響因素分析. 中國農業氣象, 2009, 30(4): 519-524.

[2]劉雙娜, 周濤, 舒陽, 戴銘, 魏林艷, 張鑫. 基于遙感降尺度估算中國森林生物量的空間分布. 生態學報, 2012, 32(8): 2320-2330.

[3]何紅艷, 郭志華, 肖文發. 遙感在森林地上生物量估算中的應用. 生態學雜志, 2007, 26(8): 1317-1322.

[4]Basuki T M, Skidmore A K, Hussin Y A, Duren I V. Estimating tropical forest biomass more accurately by integrating ALOS/PALSAR and Landsat-7 ETM+ data. International Journal of Remote Sensing, 2013, 34(13): 4871-4888.

[5]Rauste Y. Multi-temporal JERS SAR data in boreal forest biomass mapping. Remote Sensing of Environment, 2005, 97(2): 263-275.

[6]Treuhaft R N, Asner G P, Law B E. Structure-based forest biomass from fusion of radar and hyperspectral observation. Geophysical Research Letters, 2003, 30(9): 1472-1475.

[7]Elvidge C D, Lyon R J P. Influence of rock-soil spectral variation on the assessment of green biomass. Remote Sensing of Environment, 1985, 17(3): 265-279.

[8]Scarth P, Phinn S. Determining forest structural attributes using an inverted geometric-optical model in mixed eucalypt forest, Southeast Queensland, Australia. Remote Sensing of Environment, 2000, 71(2): 141-157.

[9]Soenen S A, Peddle D R, Hall R J, Coburn C A, Hall F G. Estimating aboveground forest biomass from canopy reflectance model inversion in mountainous terrain. Remote Sensing of Environment, 2010, 114(7): 1325-1337.

[10]梁存柱, 朱宗元, 王煒, 裴浩, 張韜, 王永利. 賀蘭山植物群落類型多樣性及其空間分異. 植被生態學報, 2004, 28(3): 361-368.

[11]鄭敬剛, 董東平, 趙登海, 何明珠, 李新榮. 賀蘭山西坡植被群落特征及其與環境因子的關系. 生態學報, 2008, 28(9): 4559-4567.

[12]俞益民, 趙登海, 梅曙光, 董仁才,孫萍, 張源潤, 周惠玉. 賀蘭山地區青海云杉生長與環境的關系. 西北林學院學報, 1999, 14(1): 16-21.

[13]朱源, 康慕誼, 劉全儒, 江源, 和克儉. 賀蘭山油松和青海云杉交錯區的物種豐富度研究. 植被資源與環境學報, 2007, 16(3): 1-6.

[14]朱源, 康慕誼, 劉全儒，蘇云，江源. 賀蘭山針葉林結構特征與種類組成的比較. 地理研究, 2007, 26(2): 305-313.

[15]Jiang Y, Kang M Y, Zhu Y, Xu G C. Plant biodiversity patterns on Helan Mountain, China. Acta Oecologica, 2007, 32(2): 125-133.

[16]穆天民. 賀蘭山區青海云杉森林群落的生物量. 內蒙古林業科技, 1982, 1(1): 34-45.

[17]Zhou Z S, Lehmann E, Wu X, Caccetta P, McNeil S, Mitchell A, Milne A, Tapley I, Lowell K. Terrain slope correction and precise registration of SAR data for forest mapping and monitoring// International Symposium for Remote Sensing of the Environment. Sydney, Australia, 2011: 1-4.

[18]Mclver D K, Friedl M A. Usin prior probabilities in decision-tree classification of remotely sensed data. Remote Sensing of Environment, 2002, 81(2/3): 253-261.

[19]Kittredge J. Estimation of amount of foliage of trees and shrubs. Journal of Forest Research, 1944, 42(1): 905-912.

[20]劉斌, 劉建軍, 任軍輝, 杜承星. 賀蘭山天然油松林單株生物量回歸模型的研究. 西北林學院學報, 2010, 25(6): 69-74.

[21]梁永亮. 賀蘭山灰榆梳林單株生物量回歸模型的研究. 林業資源管理, 2012, (5): 98-104.

[22]Li X W, Strahler A H. Geometric-optical bidirectional reflectance modeling of the discrete crown vegetation canopy: Effect of crown shape and mutual shadowing. IEEE Transactions on Geoscience and Remote Sensing, 1992, 30(2): 276-292.

[23]Kimes D S, Knyazikhin Y, Privette J L, Abuelgasim A A, Gao F. Inversion methods for physically-based models. Remote Sensing Review, 2000, 18(2/4): 381-440.

[24]Peddle D R, Franklin S E, Johnson R L, Lavigne M B, Wulder M A. Structural change detection in a disturbed conifer forest using a geometric optical reflectance model in multiple-forward mode. IEEE Transactions on Geoscience and Remote Sensing, 2003, 41(1): 163-166.

[25]Darvishzadeh R, Skidmore A, Schlerf M, Atzberger C. Inversion of a radiative transfer model for estimating vegetation LAI and chorophyll in a heterogeneous grassland. Remote Sensing of Environment, 2008, 112(5): 2592-2604.

[26]Peddle D R, Johnson R L, Cihlar J, Latifovic R. Large area forest classification and biophysical parameter estimation using the 5-scale canopy reflectance model in Multiple-Forward-Mode. Remote Sensing of Environment, 2004, 89(2): 252-263.

[27]Peddle D R, Johnson R L, Cihlar J, Leblanc S G, Chen J M, Hall F G. Physically based inversion modeling for unsupervised cluster labeling, independent forest classification, and LAI estimation using MFM-5-Scale. Canadian Journal of Remote Sensing, 2007, 33(3): 214-225.

[28]Weiss M, Baret F, Myneni R B, Pragnère A, Knyazikhin Y. Investigation of a model inversion technique to estimation canopy biophysical variables from spectral and directional reflectance data. Agronomie, 2000, 20(1): 3-22.

[29]Combal B, Baret F, Weiss M, Trubuil A, Macé D, Pragnère A, Myneni R, Knyazikhin Y, Wang L. Retrieval of canopy biophysical variable from bidirectional reflectance: Using prior information to solve the ill-posed inverse problem. Remote Sensing of Environment, 2003, 84(1): 1-15.

[30]Jacob B G, Mwangangi J M, Mbogo C M, Novak R J. A taxonomy of unmixing algorithms using Li-Strahler geometric-optical model and other spectral endmember extraction techniques for decomposing a QuickBird visible and near infra-red pixel of anAnophelesarabiensishabitat. The Open Remote Sensing Journal, 2011, 4(1): 1-25.

[31]Tompkins S, Mustard J F, Pieters C M, Forsyth D W. Optimization of endmembers for spectral mixture analysis. Remote Sensing of Environment, 1997, 59(3): 472-489.

[33]王新云, 郭藝歌, 過志峰, 覃文漢, 孫國清. 地形因子對森林冠層BRF模擬的影響分析. 遙感信息, 2012, 27(4): 82-85.

[34]Bacour C, Jacquemoud S, Leroy M, Hautecoeur O, Weiss M, Prévot L, Bruguier N, Chauki H. Reliability of the estimation of vegetation characteristics by inversion of three canopy reflectance models on airbone PolDER data. Agronomy, 2002, 22(6): 555-565.

[35]Meroni M, Colombo R, Panigada C. Inversion of a radiative transfer model with hyperspectral observation for LAI mapping in polar plantation. Remote Sensing of Environment, 2004, 92(2): 195-206.

Estimation of forest above-ground biomass based on HJ1B and ALOS/PALSAR remote sensing data

WANG Xinyun1,2,*, GUO Yige1,2, HE Jie3

1StateKeyLaboratoryBreedingBaseofLandDegradationandEcologicalRestorationofNorthwestChina,NingxiaUniversity,Yinchuan750021,China

2KeyLaboratoryforRestorationandReconstructionofDegradedEcosysteminNorthwesternChinaofMinistryofEducation,NingxiaUniversity,Yinchuan750021,China

3SchoolofResourcesandEnvironment,NingxiaUniversity,Yinchuan750021,China

Forest is one of the most widely distributed terrestrial ecosystems on earth. Global-scale biomass estimation has become a research hotspot. It is important to accurately estimate the spatial distribution of forest above-ground biomass (AGB) because its carbon budget forms part of the global carbon cycle and ecosystem productivity. Remotely sensed data have been widely used to quantitatively obtain the biophysical characteristics of vegetation canopy structure. The use of optical and microwave remote sensing in combination with field measurements can provide an effective method to improve the estimation of forest biomass over large regions. In order to improve the accuracy of estimating forest above-ground biomass from remotely sensed data, the methods for obtaining AGB data using a physically-based canopy reflectance model inversion approach and two other empirical statistical regression methods were introduced in this paper. A geometric-optical canopy reflectance model was run in multiple-forward mode (MFM) using multispectral HJ1B imagery to derive forest biomass at the Helan Mountain Nature Reserve region in the northwest of China. Structural parameters of the forest inventory were carried out in 50 separate 30 m by 30 m randomly distributed plots, and the data was used for either model development or validation. The two other empirical-statistical models were also established to estimate the biomass in the area. A multiple stepwise regression model was developed to estimate the forest above-ground biomass by integrating the field measurements of 30 sample plots with ALOS/PALSAR Synthetic Aperture Radar (SAR) backscatter remotely sensed data. The pre-processing of the HJ1B scenes included radiometric calibration, atmospheric correction, and georeferencing. Radiometric data were converted from radiance to reflectance. Additionally, spectral mixture analysis (SMA) was applied to decompose a mixture of spectral components of HJ1B into vegetation, soil, and shade fractions. The vegetation fraction image was fused with PALSAR data using the discrete wavelet transform (DWT) method. As a comparison, a regression model was also created by integrating field measurements with the fused image. Error levels for the three models and the field-measured data were analyzed. MFM predictions of AGB from HJ1B imagery were compared with the results from the SMA and PALSAR multiple stepwise regression models. Simultaneously, the estimation biomass using the three methods was evaluated for 20 field validation sites. The result shows that a good fit can be found between the AGB estimated by geometric-optical canopy reflectance model and the field-measured biomass with aR2(coefficient of determination) and RMSE (root mean-square error) of 0.61 and 8.33 t/hm2, respectively. MFM provided the lowest error for all validation plots and its estimated accuracy is a little better than that of the SMA model (R2=0.60, RMSE=9.417 t/hm2). PALSAR multiple stepwise regression model has the worst estimation accuracy (R2=0.39, RMSE=14.89 t/hm2) and had a higher error. Consequently, it can conclude that geometric-optical canopy reflectance model and spectral mixture analysis (SMA) approach were considerably more suitable for estimating the forest biomass in mountainous terrain. Moreover, it demonstrates a good potential for monitoring the indicators of forest ecosystem by combined with the optical and polarimetric SAR remote sensing synergistic research.

forest; above-ground biomass (AGB); HJ1B; ALOS/PALSAR; MFM; SMA

10.5846/stxb201410212062

寧夏自然科學基金項目(NZ1111)

2014-10-21; 網絡出版日期:2015-10-29

Corresponding author.E-mail: wxy_whu@hotmail.com

王新云，郭藝歌，何杰.基于HJ1B和ALOS/PALSAR數據的森林地上生物量遙感估算.生態學報,2016,36(13):4109-4121.

Wang X Y, Guo Y G, He J.Estimation of forest above-ground biomass based on HJ1B and ALOS/PALSAR remote sensing data.Acta Ecologica Sinica,2016,36(13):4109-4121.