森林地上生物量的多基線InSAR層析估測方法*

李 蘭 陳爾學 李增元 任 沖 趙 磊 谷鑫志(中國林業科學研究院資源信息研究所 國家林業局遙感與信息技術重點開放性實驗室 北京 100091)

森林地上生物量的多基線InSAR層析估測方法*

李 蘭 陳爾學 李增元 任 沖 趙 磊 谷鑫志
(中國林業科學研究院資源信息研究所 國家林業局遙感與信息技術重點開放性實驗室 北京 100091)

【目的】 發展一種森林地上生物量(AGB)的多基線干涉合成孔徑雷達(InSAR)層析估測方法，解決熱帶雨林森林AGB遙感估測常規方法的信號“飽和”問題，為區域及全球森林生物量估測和碳儲量研究提供關鍵技術支撐?！痉椒ā?以法屬圭亞那巴拉庫(Paracou)熱帶雨林為研究對象，以TropiSAR 2009 P-波段多基線機載SAR數據和85塊樣地調查數據為主要數據源。首先，根據HH極化層析相對反射率的三維分布信息提取林下地表高度，對HV極化多基線InSAR數據進行地形相位去除； 然后，對HV極化多基線InSAR數據進行三維成像，并對其進行地理編碼，得到地理坐標空間層析相對反射率的三維分布信息； 最后，利用樣地調查數據，分析不同高度處層析相對反射率與森林AGB的相關性，進而建立以層析相對反射率為輸入特征的森林AGB估測模型，同時采用留一交叉驗證法(LOOCV)對其估測模型進行精度評價?！窘Y果】 20 m以下各高度處層析相對反射率與森林AGB呈不同程度的負相關關系，以5 m高度處層析相對反射率與森林AGB的負相關性最強(相關系數達到-0.58)； 20 m以上各高度處層析相對反射率與森林AGB呈不同程度的正相關關系，以25 m高度處層析相對反射率與森林AGB的正相關性最強(相關系數達到0.63)。采用5 m高度處層析相對反射率構建模型的估測精度為88.44%，均方根誤差為49.85 t·hm-2(相對均方根誤差為13.56%)； 采用25 m高度處層析相對反射率構建模型的估測精度為88.82%，均方根誤差為47.30 t·hm-2(相對均方根誤差為12.87%)； 同時采用5 m和25 m高度處層析相對反射率聯合構建模型的估測結果最優，估測精度為89.17%，均方根誤差為46.45 t·hm-2(相對均方根誤差為12.63%)?！窘Y論】 通過多基線InSAR層析技術得到的層析相對反射率信息有效解決了熱帶雨林森林AGB遙感估測常規方法的信號“飽和”問題。采用5 m和25 m高度處層析相對反射率可反演得到高精度的森林AGB，表明多基線InSAR層析技術得到的特定高度處層析相對反射率對熱帶雨林森林AGB具有良好的指示作用； 同時利用5 m和25 m高度處層析相對反射率進行聯合估測可進一步提高森林AGB的估測精度，說明充分利用不同層次的森林垂直結構信息可進一步提高復雜森林空間結構條件下的森林AGB估測精度。

多基線InSAR； 層析技術； 森林垂直結構； 森林地上生物量； 熱帶雨林

森林是陸地上最大的碳儲存庫，儲存了陸地生態系統有機碳地上部分的76%～98%(劉華等，2005)，準確估測森林地上生物量(above-ground biomass， AGB)及其動態變化不僅是當前陸地碳循環研究的核心內容之一，同時也是森林生態學與全球氣候變化研究的重要課題(Houghtonetal.， 2009)。遙感技術能夠快速、準確、實時、宏觀地獲取森林植被信息，近年來，森林AGB的遙感估測研究受到國內外同行的廣泛關注。光學遙感數據提供的光譜特征、植被指數特征以及紋理特征等能夠較好地反映森林冠層信息，但對冠層下部枝干生物量的指示作用較弱，在森林AGB估測方面存在一定局限性(湯旭光等， 2012； 劉茜等， 2015)。激光雷達(LiDAR)能獲取高精度的森林垂直結構信息，在森林AGB估測方面起到了重要作用(曹林等， 2013； 穆喜云等， 2015)，但LiDAR飛行成本較高，限制了其在大尺度范圍內的應用(龐勇等， 2005)。SAR具有較強的穿透性能，不僅可與樹冠表層發生相互作用，還可與冠層下部枝干發生相互作用，對森林AGB具有較強的指示作用，以其全天時、全天候的工作能力和相對較低的數據獲取成本，在區域及全球森林AGB估測中有著傳統光學遙感和LiDAR無法比擬的優勢(陳爾學， 1999)。

目前，基于SAR數據的森林AGB估測方法主要有后向散射強度估測法、干涉相干性估測法、極化干涉SAR異速生長方程估測法和層析技術估測法等。相較于后向散射強度及干涉相干性估測法對生物量敏感性在高生物量值區間將會降低(Imhoff， 1995； Sandbergetal.， 2009)和異速生長方程估測法受樹高估測精度以及模型誤差的影響(Cloudeetal.， 2003； 李春萍等， 2007)，層析技術估測法能有效表征森林垂直方向空間結構信息，基于層析技術的森林AGB估測法已成為該領域前沿研究課題之一(李文梅等， 2014)。層析技術作為一種三維成像技術，可實現森林內部散射體在垂直方向的有效分離，有助于深刻理解SAR信號與森林內部散射體相互作用的物理機制，在森林垂直結構參數反演領域具有巨大的應用潛力(Treuhaft， 2002； Cloude， 2006； 龐蕾等， 2010； 龐礴等， 2013)。

Reigber等(2000)首次利用多基線機載數據對森林試驗區進行層析成像，成功獲取了森林的垂直結構信息。Minh等(2014； 2015； 2016)利用P-波段多基線數據對熱帶雨林進行層析成像，發現30 m高度處層析相對反射率與森林AGB有較高的相關性，進而利用該高度處層析相對反射率進行森林AGB估測。由于多基線SAR數據獲取難度較大，目前利用多基線InSAR層析技術提取森林AGB的研究在國內尚未見報道。國外雖已有多基線InSAR層析技術用于森林AGB估測的初步探索，但層析相對反射率三維分布提供較為精細的森林垂直結構信息，其與森林AGB相關的層析特征尚未得到充分挖掘和有效利用。因此，本文基于多基線InSAR層析技術，提取與森林AGB相關的特征參量，進一步構建森林AGB估測模型，從而提高其估測精度，為區域和全球森林生物量估測和碳儲量研究提供關鍵技術支撐。

1 研究區概況和數據

1.1 研究區概況

研究區位于法屬圭亞那熱帶雨林的巴拉庫(Paracou)研究基地，中心緯度為5°16′N，經度為52°56′W(如圖1右上所示)。該區域常年炎熱多雨，年均氣溫26 ℃，年均降水量2 980 mm，分雨季和旱季，旱季從8月中旬到11月中旬。地形以丘陵為主，海拔0～50 m。森林群落包括原始林和部分經不同程度采伐、干擾與自然因素影響后的天然次生林，樹種繁多，每公頃森林140～160個樹種(胸徑gt;10 cm)，主要有金殼果科(Chrysobalanaceae)、大戟科(Euphorbiaceae)、橄欖科(Burseraceae)、?？?Moraceae)、山欖科(Sapotaceae)、豆科(Leguminosae)等。森林結構復雜，樹高在20～45 m之間，森林AGB在200～500 t·hm-2之間。

1.2 多基線機載SAR數據獲取與處理

多基線極化干涉SAR數據來自歐洲空間局(ESA)2009年熱帶林機載SAR遙感試驗(TropiSAR 2009)。TropiSAR 2009是ESA BIOMASS地球探測項目計劃的一部分，由ESA和法國國家空間研究中心(CNES)組織實施。機載數據采用法國國家航空航天研究中心(ONERA)研制的SETHI雷達系統，于2009年8月在法屬圭亞那巴拉庫研究基地獲取試驗數據。該數據由6軌重復飛行的P-波段全極化SAR數據組成，其中一軌極化SAR數據總功率影像如圖1左所示。主影像航高為3 962 m，空間基線以15 m間隔在垂直方向上均勻分布，時間基線為2 h，斜距向分辨率為1.0 m，方位向分辨率為1.2 m，入射角近距19°，遠距52°。本研究采用數據已由ONERA進行輻射和極化定標、配準、平地相位去除等預處理，選取圖1所示紅色方框區域開展研究工作，該區域主影像PauliRGB顯示結果如圖1右下所示，影像大小為2 300行×1 500列。

1.3 地面數據獲取與處理

法國農業發展國際合作研究中心(CIRAD)在該研究區內設立了16個固定大樣地(如圖1紅框范圍內)，包括15個250 m×250 m樣地(編號1～15)和1個500 m×500 m樣地(編號16)，其中9個大樣地(250 m×250 m)經歷了3次不同程度采伐以進行伐后森林更新研究(Gourlet-Fleuryetal.， 2004)，其他樣地為原始林，未經過人工干擾。對固定樣地每木胸徑檢尺(起測徑階為10 cm)，測量部分代表性林木樹高，建立樹高-胸徑相對生長方程(Réjou-Méchainetal.， 2015)，計算獲得每株樹木的樹高，進而以胸徑、樹高和密度(Chaveetal.， 2009)為自變量利用Chave等(2005)異速生長方程計算每木AGB，累加獲得樣地水平森林AGB。研究表明，Chave等(2005)提出的異速生長方程適用于本研究區： 1) 本研究區位于法屬圭亞那熱帶雨林，試驗區數據已參與該異速生長方程的建模研究； 2) 該異速生長方程已通過法屬圭亞那熱帶雨林試驗區數據驗證； 3) 該異速生長方程基于熱帶雨林多個試驗區(27個研究區)數據建立，估測模型較為穩健，適用于熱帶雨林眾多森林類型的生物量估測。為增加樣地數量，同時考慮樣地尺度引起的建模誤差(Chaveetal.， 2004)，本研究按子樣地(共85塊)進行評價，在編號1～15的大樣地內選用子樣地大小為125 m×125 m，在編號16的大樣地內選用子樣地大小為100 m×100 m。

1.4 LiDAR數據獲取與處理

法國農業發展國際合作研究中心提供了覆蓋研究區的機載LiDAR DEM和DSM產品，用于輔助分析多基線InSAR層析成像結果。該數據由ALTOA系統于2009年4月飛行獲取，航高120～220 m，數據獲取范圍較小，僅覆蓋SAR影像部分區域(圖1)。所獲取的DEM 和DSM產品由CIRAD從原始LiDAR點云數據中提取，采用WGS84坐標系，投影為通用橫軸墨卡托投影(UTM)，空間分辨率為1 m，利用地面控制點對其精度進行檢驗，其高程平均誤差為0.02 m(Vincentetal.， 2012)。

2 研究方法

多基線InSAR通過多個高度不同的天線在法向(與雷達視線和飛行方向相垂直的方向)形成合成孔徑而具備高程分辨能力，基于多基線InSAR層析技術可獲取以層析相對反射率表達的森林垂直結構剖面，該剖面分布形狀與森林空間分布形態具有較強的相似性，在一定程度上反映了森林垂直結構信息，其不同高度處層析相對反射率以不同形式表征森林AGB大小。多基線InSAR層析森林AGB反演具體流程如圖2所示。首先，基于HH極化多基線InSAR數據估計地形相位，并以此為參考對HV極化多基線InSAR數據的地形相位進行去除； 然后，對HV極化多基線InSAR數據進行層析成像，并對層析結果進行地理編碼； 最后，提取不同高度處層析相對反射率，對其與地面樣地森林AGB數據進行相關性分析，選擇合適的特征建立森林AGB估測模型，并對其估測精度進行精度評價。

圖2 多基線InSAR層析森林AGB反演流程Fig.2 Flow chart of forest AGB retrieving from multi-baseline InSAR tomography

2.1 多基線InSAR層析成像

首先對多基線InSAR數據進行配準、平地相位去除等預處理，估計得到干涉協方差矩陣，根據成像幾何計算導向矢量，采用常規波束形成法(beamforming)進行空間譜估計，得到沿高程方向分布的目標散射函數(即層析相對反射率垂直分布函數)(Krimetal.， 1996)。其譜估計公式為：

PCBP(z)=a(z)Ra(z)。

(1)

式中：PCBP(z)表示待估算的層析相對反射率垂直分布函數；a(z)表示高度為z的導向矢量；R表示干涉協方差矩陣。

對各極化通道的多基線InSAR數據進行層析成像，得到層析相對反射率垂直分布信息。圖3a紅線位置上像元的HH極化、HV極化和VV極化層析相對反射率垂直分布分別如圖3b-d所示，其中LiDAR DEM和DSM已由地理坐標投影轉換到SAR幾何坐標。由圖3可見，HH極化的后向散射能量主要集中在地表(圖3b)，HV極化的后向散射能量主要集中在冠層(圖3c)，VV極化的后向散射能量垂直分布介于HH極化和HV極化之間(圖3d)。為此，本研究基于HH極化多基線InSAR層析結果估計地形相位，基于HV極化多基線InSAR層析結果提取相關特征用于森林AGB估測。

圖3 各極化散射剖面Fig.3 Backscatter profiles of each polarimetric channels

2.2 特征提取

由圖3b可知，HH極化層析相對反射率在垂直方向的峰值高程位于林下地表，提取該峰值高程可反演得到林下地表高度。圖4為HH極化峰值高程與LiDAR DEM的剖面對比結果，其中藍色實線為直接提取的峰值高程，紅色點劃線為高斯濾波后的峰值高程。由圖4可見，濾波后的峰值高程與LiDAR DEM較為吻合，因此，本研究以濾波后的峰值高程作為待反演的林下地表高度。

圖4 HH極化峰值高程與LiDAR DEM剖面對比Fig.4 Comparison of elevation profiles between LiDAR DEM and retrieved peak in HH polarization

由提取的林下地表高度，根據式(2)估計得到地形相位，并以此為參考對HV極化多基線InSAR數據的地形相位進行去除，進而對去除地形相位的HV極化多基線InSAR數據進行層析成像：

φ0=kzz0。

(2)

式中：φ0為待估計的地形相位；kz為垂直有效波束；z0為林下地表高度。

圖5為對應圖3a紅線位置上像元的成像結果，其中黑色實線為去除地形相位后的林下地表高度(高程為0 m)，白色實線為LiDAR DSM與LiDAR DEM差分得到的冠層高度模型(CHM)。由圖5可知，地形相位去除后得到的層析相對反射率的高程以林下地表高度為高程起算面，據此可提取地表以上不同高度處層析相對反射率，作為森林AGB估測模型的輸入特征。

圖5 HV極化散射剖面(已去除地形相位)Fig.5 Backscatter profile of HV polarization (after phase flattening)

2.3 森林AGB估測模型

2.3.1 相關性分析 對不同高度處層析相對反射率與地面樣地森林AGB之間的相關性進行分析，以選擇合適的特征用于森林AGB建模。本研究按5 m間隔提取地表以上不同高度處的層析相對反射率，分別對地表以上0、5、10、15、20、25、30、35、40 m高度處的層析相對反射率與森林AGB的相關性進行分析。

已有研究表明，在北方及溫帶森林地區(生物量lt;250 t·hm-2)，P-波段SAR后向散射強度對森林AGB有較高的敏感性(Le Toanetal.， 2011)，但對于高生物量的熱帶雨林地區(生物量gt;250 t·hm-2)，利用后向散射強度進行森林AGB估測的研究較少。為了比較層析相對反射率相對于雷達后向散射強度對森林AGB的敏感性程度，本研究同時分析了各極化SAR后向散射強度與森林AGB的相關性。

2.3.2 建立森林AGB估測模型 選擇與森林AGB相關性較強的特征，分別以其為自變量，采用一元線性回歸法建立森林AGB估測模型。為充分發揮層析相對反射率在森林AGB估測中的作用，同時以多個特征為自變量，采用多元線性回歸法建立森林AGB估測模型，以提高森林AGB的估測精度。

以試驗區內85塊樣地調查數據為參考，采用留一交叉驗證法(駱社周等， 2015)對森林AGB估測模型進行精度分析。留一交叉驗證法假設有N個樣本，將每個樣本作為測試樣本，剩余N-1個樣本作為訓練樣本，是評價回歸模型泛化能力的一個有效方法，尤其在樣本數量相對較少的情況下非常有效(Brovellietal.， 2008)。以均方根誤差(RMSE)/相對均方根誤差(RRMSE)、決定系數(R2)和絕對平均精度作為精度評價指標，其中RRMSE表示RMSE相對于平均森林AGB的百分比，絕對平均精度表示為： (1-|反演值-參考值|/參考值)×100%。

3 結果與分析

3.1 相關性分析

分別對HH極化、HV極化和VV極化后向散射強度與地面實測森林AGB的相關性進行分析，結果如圖6所示。由圖6可知，各極化后向散射強度與森林AGB之間的相關性很低，后向散射強度在該生物量范圍內存在“飽和”現象，表明后向散射強度信息對熱帶雨林森林AGB的估測能力較弱。

圖6 后向散射強度與森林AGB的相關性Fig.6 Correlation between SAR back scattering intensity and forest AGB

圖7所示為以5 m為間隔，不同高度處層析相對反射率與森林AGB的相關性。由圖7可知，各高度處層析相對反射率與森林AGB相關性較高， 20 m以下各高度處層析相對反射率與森林AGB呈不同程度的負相關(圖7a-d)，其中，5 m高度處層析相對反射率與森林AGB負相關系數最高(r=-0.58)； 20 m以上各高度處層析相對反射率與森林AGB呈不同程度的正相關(圖7e-i)，以25 m高度處層析相對反射率與森林AGB正相關系數最高(r=0.63)。更為重要的是，本研究發現森林AGB高達500 t·hm-2時，層析相對反射率仍未出現“飽和”現象，表明利用層析相對反射率有望實現熱帶雨林森林AGB的有效估測。

3.2 森林AGB估測

以上相關性分析表明，相較于雷達后向散射強度對森林AGB的敏感性，多基線InSAR層析技術得到的某一特定高度處層析相對反射率對森林AGB的敏感性更高。不同高度處層析相對反射率從不同層面間接反映了森林AGB大小，其中5 m和25 m高度處層析相對反射率對森林AGB具有較好的指示作用，分別以其作為輸入特征變量，采用一元線性回歸法建立森林AGB估測模型(5 m：y=-1 237.71-630.60x； 25 m：y=2 231.72+744.68x)，交叉驗證結果如圖8a、b所示。

圖7 層析相對反射率與森林AGB的相關性Fig.7 Correlation between tomographic relative reflectivity and forest AGB

圖8 森林AGB估測模型精度Fig.8 Precision of forest AGB estimation models

可簡單認為5 m和25 m高度處層析相對反射率分別代表來自森林底部和頂部的后向散射信號，同時利用森林底部和頂部的信息聯合建模有望提高森林AGB的估測精度，故同時以5 m和25 m高度處層析相對反射率為輸入特征變量，采用多元線性回歸法建立森林AGB估測模型(y=957.19-286.45x1+526.83x2，其中，x1為5 m高度處層析相對反射率，x2為25 m高度處層析相對反射率)，交叉驗證結果如圖8c所示。

由圖8可見，采用5 m高度處層析相對反射率進行建模的估測精度為88.44%，RMSE為49.85 t·hm-2(RRMSE為13.56%)，R2為0.31； 采用25 m高度處層析相對反射率進行建模的估測精度為88.82%，RMSE為47.30 t·hm-2(RRMSE為12.87%)，R2為0.37； 進一步同時采用5 m和25 m高度處層析相對反射率進行聯合建模，其估測精度為89.17%，RMSE為46.45 t· hm-2(RRMSE為12.63%)，R2為0.40，優于僅采用5 m或25 m高度處層析相對反射率進行建模的精度。由此可見，利用特定高度處層析相對反射率可反演得到較高精度的森林AGB，且利用不同高度處層析相對反射率聯合估測可進一步提高森林AGB估測精度。

4 討論

層析相對反射率與森林AGB的相關性受波長、地形、森林類型、樹種組成、空間結構、生物量水平等因素影響，針對P-波段SAR在熱帶雨林的多基線InSAR層析結果，本研究區域利用5 m和25 m高度處層析相對反射率建模效果較好，但尚未對其他區域進行對比分析與評估。不同高度處層析相對反射率與森林AGB的相關性也會因林分狀況(如稀疏、低矮植被等)而有所差異，方法適用性仍需進一步深入研究。此外，樣地間的空間相關性、大小以及外業調查的不確定性因素等也會影響森林AGB的估測精度。盡管如此，本研究所發展的森林AGB多基線InSAR層析估測法有效解決了熱帶雨林森林AGB遙感估測方法的信號“飽和”問題，可滿足熱帶雨林區域森林生物量制圖的應用需求，為區域及全球森林生物量估測與碳儲量研究提供關鍵技術支撐。

本研究更多的是對層析技術和森林地上生物量估測方法的探討，僅選用了冠層頂部和底部各一層的相對反射率參數特征進行生物量建模，有待利用更多層垂直結構信息進行多元非線性建模。不同于SAR散射機制的激光雷達可能會進一步完備表達森林垂直結構，其探測參數與層析反演參數的聯合也可能進一步提高森林地上生物量的估測精度。另外，層析方法本身的優化仍有待進一步研究，以期建立更加精細(“高分辨率”)和完整的森林空間結構參數表達。

5 結論

層析技術可提取森林垂直方向空間結構信息，有助于深刻理解SAR信號與森林內部散射體相互作用的物理機制，同時森林的垂直結構可有效表征森林AGB的大小。本研究利用多基線InSAR層析技術對熱帶雨林進行三維成像，通過分析不同高度處層析相對反射率與森林AGB之間的相關性，提出了聯合不同垂直高度處多基線InSAR層析特征估測森林AGB的方法，利用實測樣地AGB數據驗證了其有效性，結論如下：

1) 相較于雷達后向散射強度對森林AGB的敏感性，多基線InSAR層析技術得到的某一特定高度處層析相對反射率對森林AGB的敏感性更高。20 m以下各高度處層析相對反射率與森林AGB存在負相關， 20 m以上各高度處層析相對反射率與森林AGB存在正相關。該現象為P-波段SAR信號在熱帶雨林條件下與森林散射體相互作用的結果，可能由于熱帶雨林森林散射體對SAR信號具有較強的消光作用，且消光系數隨著森林AGB的增大而增大，使得森林AGB越大，P-波段SAR信號與森林上層部分的相互作用越強，而與森林下層部分的相互作用越弱。

2) 層析技術提取的不同層相對反射率與森林中的不同散射機制相對應，不同層相對反射率也以不同形式表征森林AGB大小。分別利用5 m和25 m高度處層析相對反射率可反演得到較高精度的森林AGB，且在森林AGB高達500 t·hm-2時沒有出現“飽和”現象，說明多基線InSAR層析技術得到的特定高度處層析相對反射率對熱帶雨林森林AGB具有較好的指示作用。

3) 5 m和25 m高度處層析相對反射率分別代表來自森林底部和頂部的后向散射信號，同時利用5 m和25 m高度處層析相對反射率聯合估測進一步提高了森林AGB的估測精度，說明不同層相對反射率聯合建?？沙浞职l揮森林垂直結構在森林AGB估測中的作用，充分利用不同層次森林垂直結構信息可進一步提高復雜空間結構條件下森林AGB的估測精度。

曹 林，佘光輝，代勁松，等. 2013. 激光雷達技術估測森林生物量的研究現狀及展望. 南京林業大學學報： 自然科學版，37(3)： 163-169.

(Cao L, She G H, Dai J S,etal. 2013. Status and prospects of the LiDAR-based forest biomass estimation. Journal of Nanjing Forestry University： Natural Science Edition, 37(3): 163-169. [in Chinese])

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

(Chen E X. 1999. Development of forest biomass estimation using SAR data. World Forestry Research, 12(6): 18-23. [in Chinese])

李春萍，李 剛，肖春旺. 2007. 異速生長關系在陸地生態系統生物量估測中的應用. 世界科技研究與發展, 29(2)： 51-57.

(Li C P, Li G, Xiao C W. 2007. The application of allometric relationships in biomass estimation in terrestrial ecosystems. World Sci-Tech R amp; D, 29(2): 51-57. [in Chinese])

李文梅，李增元，陳爾學，等. 2014. 層析SAR反演森林垂直結構參數現狀及發展趨勢. 遙感學報，18(4)： 741-751.

(Li W M, Li Z Y, Chen E X,etal. 2014. Status and development of tomographic SAR for forest vertical structural parameters inversion. Journal of Remote Sensing, 18(4): 741-751. [in Chinese])

劉 華，雷瑞德.2005.我國森林生態系統碳儲量和碳平衡的研究方法及進展.西北植物學報，25(4)：835-843.

(Liu H, Lei R D. 2005. Research methods and advances of carbon storage and balance in forest ecosystems of China.Acta Botanica Boreali-Occidentalia Sinica, 25(4): 835-843.[in Chinese])

劉 茜，楊 樂，柳欽火，等. 2015. 森林地上生物量遙感反演方法綜述. 遙感學報， 19(1)： 62-74.

(Liu Q, Yang L, Liu Q H,etal. 2015. Review of forest above ground inversion methods based on remote sensing technology. Journal of Remote Sensing, 19(1): 62-74. [in Chinese])

駱社周，王 成，習曉環，等. 2015. 星載激光雷達GLAS與TM光學遙感聯合反演森林葉面積指數. 紅外與毫米波學報，34(2)： 243-249.

(Luo S Z, Wang C, Xi X H,etal. 2015. Forest leaf area index estimation using combined ICESat/GLAS and optical remote sensing image. Journal of Infrared Millimeter Waves, 34(2): 243-249. [in Chinese])

穆喜云，張秋良，劉清旺，等. 2015. 基于激光雷達的大興安嶺典型森林生物量制圖技術研究. 遙感技術與應用, 30(2)： 220-225.

(Mu X Y, Zhang Q L, Liu Q W,etal. 2015. A study on typical forest biomass mapping technology of great Khingan using airborne laser scanner data. Remote Sensing Technology and Application, 30(2): 220-225. [in Chinese])

龐 礴, 代大海, 邢世其, 等. 2013. SAR層析成像技術的發展和展望. 系統工程與電子技術, 35(7)： 1421-1429.

(Pang B, Dai D H, Xing S Q,etal. 2013. Development and perspective of tomographic SAR imaging technique. Systems Engineering and Electronics, 35(7): 1421-1429. [in Chinese])

龐 蕾, 張繼賢, 范洪冬. 2010. 多基線干涉SAR測量技術發展與趨勢分析. 電子學報, 38(9)： 2152-2157.

(Pang L, Zhang J X, Fan H D. 2010. Progress and tendency of multibaseline synthetic aperture radar interferometry technique. Acta Electronica Sinica, 38(9): 2152-2157. [in Chinese])

龐 勇，李增元，陳爾學，等. 2005. 激光雷達技術及其在林業上的應用. 林業科學，41(3)： 129-136.

(Pang Y, Li Z Y, Chen E X,etal. 2005. Lidar remote sensing technology and its application in forestry. Scientia Silvae Sinicae, 41(3): 129-136. [in Chinese])

湯旭光，劉殿偉，王宗明，等. 2012. 森林地上生物量遙感估算研究進展. 生態學雜志, 31(5)： 1311-1318.

(Tang X G, Liu D W, Wang Z M,etal. 2012. Estimation of forest aboveground biomass based on remote sensing data： a review. Chinese Journal of Ecology, 31(5): 1311-1318. [in Chinese])

Brovelli M A, Crespib M, Fratarcangeli F,etal. 2008. Accuracy assessment of high resolution satellite imagery orientation by leave-one-out method. ISPRS Journal of Photogrammetry and Remote Sensing, 63(4): 427-440.

Chave J, Condit R, Aguilar S,etal. 2004. Error propagation and scaling for tropical forest biomass estimates. Philosophical Transactions of the Royal Society of London, 359(1443): 409-420.

Chave J, Andalo C, Brown S,etal. 2005. Tree allometry and improved estimation of carbon stocks and balance in tropical forests. Oecologia, 145(1): 87-99.

Chave J, Coomes D, Jansen S,etal. 2009. Towards a worldwide wood economics spectrum. Ecology Letters, 12(4): 351-366.

Cloude S R, Papathanassiou K P. 2003. Three-stage inversion process for polarimetric SAR interferometry. IET Radar, Sonar and Navigation, 150(3): 125-134.

Cloude S R. 2006. Polarization coherence tomography. Radio Science, 41(RS4017): 1-27.

Gourlet-Fleury S, Guehl J M, Laroussinie O. 2004. Ecology and management of a neotropical rainforest - lessons drawn from Paracou, a long-term experimental research site in French Guiana. Ecology and Management of a Neotropical Rainforest, Paris: Elsevier, 3-60.

Houghton R A, Hall F, Goetz S J,etal. 2009. Importance of biomass in the global carbon cycle. Journal of Geophysical Research Biogeosciences, 114(G00E03).

Imhoff M L. 1995. Radar backscatter and biomass saturation: ramifications for global biomass inventory. IEEE Transactions on Geoscience and Remote Sensing, 33(2): 511-518.

Krim H, Viberg M. 1996. Two decades of array signal processing research. IEEE Signal Processing Magazine, 13(4): 67-94.

Le Toan T, Quegan S, Davidson M W J,etal. 2011. The BIOMASS mission: mapping global forest biomass to better understand the terrestrial carbon cycle. Remote Sensing of Environment, 115(11): 2850-2860.

Minh D H T, Le Toan T, Rocca F,etal. 2014. Relating P-band synthetic aperture radar tomography to tropical forest biomass. IEEE Transactions on Geoscience and Remote Sensing, 52(2): 967-979.

Minh D H T, Tebaldini S, Rocca F,etal. 2015. Capabilities of BIOMASS tomography for investigating tropical forests. IEEE Transactions on Geoscience and Remote Sensing, 53(2): 965-975.

Minh D H T, Le Toan T, Rocca F,etal. 2016. SAR tomography for the retrieval of forest biomass and height: cross-validation at two tropical forest sites in French Guiana. Remote Sensing of Environment, 175: 138-147.

Reigber A, Moreira A. 2000. First demonstration of airborne SAR tomography using multibaseline L-band data. IEEE Transactions on Geoscience and Remote Sensing, 38(5): 2142-2152.

Réjou-Méchain M, Tymen B, Blanc L,etal. 2015. Using repeated small-footprint LiDAR maps to infer spatial variation and dynamics of a high-biomass neotropical forest. Remote Sensing of Environment, 169: 93-101.

Sandberg G, Ulander L M H, Fransson J E S,etal. 2009. Comparison of L- and P-band biomass retrievals based on backscatter from the BioSAR campaign. IEEE International Geoscience and Remote Sensing Symposium, Cape Town, South Africa.

Treuhaft R N. 2002. Forest leaf area density profiles from the quantitative fusion of radar and hyperspectral data. Journal of Geophysical Research, 107(D21): ACL 7-1-ACL 7-13.

Vincent G, Sabatier D, Blanc L,etal. 2012. Accuracy of small footprint airborne LiDAR in its predictions of tropical moist forest stand structure. Remote Sensing of Environment, 125: 23-33.

(責任編輯 石紅青)

ForestAbove-GroundBiomassEstimationBasedonMulti-BaselineInSARTomography

Li Lan Chen ErxueLi Zengyuan Ren Chong Zhao Lei Gu Xinzhi
(KeyLaboratoryofRemoteSensingandInformationTechnology,StateForestryAdministrationResearchInstituteofForestResourceInformationTechniques，CAFBeijing100091)

【Objective】 This paper developed a method of forest above-ground biomass(AGB) estimation based on the technology of multi-baseline InSAR tomography, aiming to solve the problem of saturation effect and support mapping global forest biomass.【Method】 The experiments were carried out over the site of Paracou, French Guiana. The tropiSAR 2009 P-band multi-baseline airborne InSAR data and 85 forest plot investigation data were used as the key data sources. Firstly, three-dimension distribution information of the tomographic relative reflectivity for HH polarization was obtained. Accordingly, the ground elevation was retrieved, and the terrain topography was removed from HV polarization data. Secondly, three-dimension distribution information of the tomographic relative reflectivity for HV polarization was obtained and converted to ground geometry by geocoding. Finally, correlation analysis between in situ AGB measurements and the extracted tomographic relative reflectivity at different heights (5 m interval) were implemented. The forest AGB estimation model was built and assessed by leave-one-out cross-validation.【Result】 Negative correlations were found for the layers of tomographic relative reflectivity at the height below 20 m, with the best correlation of -0.58 for the 5 m layer. Positive correlations were found for the layers of tomographic relative reflectivity at the height above 20 m, with the best correlation of 0.63 for the 25 m layer. The 5 m layer made the accuracy of the forest AGB estimation model to be on the order of 88.44% with RMSE of 49.85 t·hm-2(RRMSE of 13.56%). The 25 m layer made the accuracy of the forest AGB estimation model to be on the order of 88.82% with RMSE of 47.30 t·hm-2(RRMSE of 12.87%). The forest AGB estimation model could be refined by combining the 5 m layer and the 25 m layer, with the accuracy of 89.17% and RMSE of 46.45 t·hm-2(RRMSE of 12.63%).【Conclusion】 The saturation effect in tropical forest would be solved based on the technology of multi-baseline InSAR tomography. High-precision forest AGB could be retrieved either with the 5 m layer or with the 25 m layer, which demonstrated that tomographic relative reflectivity within forest was an effective indicator to forest AGB. The forest AGB estimation model could be refined by combining different layers, which demonstrated that making the best of the forest vertical structure information may further improve the accuracy of forest AGB estimation.

multi-baseline InSAR； tomography technology； forest vertical structure； forest above-ground biomass； tropical rainforest

10.11707/j.1001-7488.20171110

2016-03-01;

2017-01-15。

國家973計劃“復雜地表遙感信息動態分析與建模”(2013CB733404)。

*陳爾學為通訊作者。

S757

A

1001-7488(2017)11-0085-09