利用GPS-R遙感技術反演植被生物量

周曉敏，鄭南山,2，祁 云，陳 順

(1. 中國礦業大學環境與測繪學院，江蘇 徐州 221000； 2. 江蘇省資源環境信息工程重點實驗室，江蘇 徐州 221000)

植被生物量是陸地生態系統的重要組成成分，在全球氣候變化和碳循環中發揮著至關重要的作用。它反映了植被生產力的強弱，是植被生態系統中研究植被長勢的重要參數之一。植被生物量既可以維持全球碳循環的穩定，同時在維護生態美麗和環境保護方面具有重大意義。精確地估計植被生物量便于客觀地估計碳循環在全球氣候變化中的作用，對資源的合理利用具有重大意義。

近年來，國內外許多學者在植被生物量方面作了大量研究，估算植被生物量通常采用樣方統計法、抽樣調查法等，但無法滿足在大尺度區域上對地表生物量的估算。針對這一缺點，遙感技術能夠在大尺度上獲取植被的詳細空間分布信息，不易受時間和空間分布的影響，估算結果的精度較高。其中，GNSS-R遙感技術應用比較廣泛，一般用于反演海面風場、有效波高、土壤濕度和植被生物量等，具有全天時、不易受環境影響等特點。王鑫等[1]首次利用GNSS-R技術對海洋反射作了研究，驗證了利用GNSS-R技術求取海面有效波高的可行性；Nazzareno等驗證了利用GNSS-R技術監測土壤濕度與生物量的可行性[2]；吳學睿等[3]采用雙模擬模型，得出了植被直徑與鏡面散射系數的關系。Paloscia等通過地面試驗與航空試驗，建立了反射率與土壤濕度及生物量之間的關系[4]。本文將通過試驗驗證利用GPS-R遙感技術反演植被生物量的方法及其特性。

1 GPS-R遙感原理

GPS-R測量原理與雙基雷達原理基本一致，采用豎直向上的右旋圓極化天線(RHCP)接收直射信號，垂直向下的左旋圓極化天線(LHCP)接收來自地面的反射信號，如圖1所示。

GPS衛星發射載波信號(僅討論L1波段)，在經過特定區域后會發生反射、折射或散射現象，一般與植被、地面粗糙度及土壤濕度等有關。若地面是光滑的，會發生鏡面反射，即入射角等于反射角；若地面是微粗糙的，會發生反射和散射現象，即同時存在相干分量和非相干分量，前者與表面散射有關，可利用菲涅爾反射系數求解，后者因受土壤表層結構及不同植被的影響而存在隨機性；若地面極其粗糙時，則會趨于僅包含散射現象。

圖1 GPS-R遙感原理示意圖

利用GPS-R技術研究植被生物量時，GPS衛星發射載波信號經過植被時僅會發生散射現象。此時一部分散射波的極化方式與入射波相同，稱為同極化；另一部分極化方式不同的稱為正交極化狀態?？偟纳⑸浞至侩S時間t的變化可以用下式計算

(1)

式中，Ai與Φi表示不同散射分量的振幅和相位。

相干散射分量表示散射場的期望，非相干散射則代表期望值的波動幅度，功率可用下式計算

(2)

GPS衛星利用C/A碼傳播信號時，在經過地面之后會存在相位延遲，則相干分量與非相干分量的相關關系可以表示為

(3)

式中，Ti為相干積分時間；τ為信號從衛星到接收機的相位延遲；f為與衛星與接收機的相對速度相匹配的多普勒頻移。

在GPS-R測量系統中，用右旋圓極化反射系數ΓRR和左旋圓極化反射系數ΓRL表示同極化和正交極化反射系數，等于不同極化方向上的直射與反射信號波形之比。對于地面接收機而言，直射與反射的多普勒頻移可看做近似相等。對于變量τ′=τ-Rd，選擇τ′=0和τ′=Δτ，代入式(2)可以得出

(4)

式中，R和L分別表示右旋圓極化與左旋圓極化。

ICF(interferometric complex field)被稱為干涉復合場數據處理，該方法利用干涉相關時間序列，獲取反射信號與直射信號連續波段的峰值，再對二者求比值，即ICF值等于反射波形與直接波形的峰值時間序列之比，公式如下

(5)

式中，r(t)和φr(t)分別為反射場的振幅和相位；d(t)和φd(t)分別為直射場的振幅與相位。

植被冠層、植被高度、植被水分含量及土壤濕度等因素影響植被生物量的測定，本文主要研究植被冠層對信號反射率的影響，其中非相干散射可表示為

(6)

式中，R為非相干散射；N為總的波形個數；ICF為干涉復合場數據。

根據式(4)和式(6)可以計算出相干分量信號反射系數。Paloscia[5]等曾將GNSS-R試驗數據與真實測量數據進行對比，并擬合出反射率與森林生物量之間的關系式，如下

(7)

2 試驗分析

本試驗驗證利用GPS-R遙感技術反演植被生物量的可行性。在試驗的同時，利用基于多源遙感數據的方法，通過差值植被指數(DVI)計算出植被生物量，并與試驗結果進行對比分析。

本次試驗時間為2014年3月28日，地點為中國礦業大學南湖校區校內，樹木環繞，符合植被生物量監測的要求。試驗采用Oceanpal接收機，包括射頻單元、天線裝置及數據管理單元。天線裝置與射頻單元之間由桅桿連接，上方是一個豎直向上的右旋圓極化天線(RHCP)，用于接收來自衛星的直射信號；下方是一個垂直指向地面的左旋圓極化天線(LHCP)，用來接收經地面反射后的信號，如圖2所示。

圖2 Oceanpal接收機結構

Oceanpal接收機接收到的數據包括raw數據、L0數據、L0b數據、L1數據及L2數據。GPS-R數據處理的具體流程如圖3所示。

為了驗證GNSS-R遙感監測森林生物量的可行性，Ferrazzoli等[6]提出了與鏡面散射系數相關的理論模型，該研究表明來自地面的鏡面反射分量不受樹木遮擋，且遠大于來自植物和土壤的非相干散射分量。因此，利用交叉極化反射系數TRL監測森林生物量時，應選取入射角(與衛星高度角互余)較低(小于40°)的觀測數據，本次試驗數據中PRN22和PRN25衛星滿足要求。

圖3 GPS-R數據處理流程

利用衛星精密星歷計算出衛星高度角，以及PRN22和PRN25衛星的ICF值，并進一步求出非相干散射系數R。為了消除信號傳播過程中因受到多路徑或其他因素的影響而產生的噪聲，采用小波變換方法對其進行去噪處理，結果如圖4所示，由此可根據式(6)計算出非相干散射分量R。

圖4 PRN22和PRN25衛星的ICF值

本文采用同相分量I和正交分量Q計算直射信號與反射信號功率，對每一通道輸出的I、Q相關值進行平方、求和運算后，再將結果進行非相干累加，其中最大值就是直射信號和反射信號的二維相關功率值，如圖5所示。

圖5 直射信號與反射信號二維相關功率

將圖5中的反射信號減去非相干散射分量R后得到相干散射分量反射信號，再根據反射信號與直射信號之比計算出信號反射率，并建立信號反射率與入射角之間的關系，部分結果如圖6所示。當植被生物量一定時，信號反射系數隨入射角的增大而增加，反之亦然。

圖6 反射率隨入射角的變化關系

選取2014年3月25日的中分辨率成像光譜儀(MODIS)觀測數據，空間分辨率為250 m，對其進行圖像鑲嵌、投影轉換及分辨率重采樣等處理，得到差值植被指數(DVI)。根據生物量與差值植被指數的經驗模型，相關系數為0.887 4，如圖7所示，計算出生物量值約為68.21 t/ha。

圖7 生物量與DVI的關系

通過二者對比表明，利用GPS-R遙感技術反演森林生物量與MODIS數據計算植被生物量結果接近，從而驗證了利用GPS-R遙感技術反演植被生物量的可行性。

3 結論與討論

(1) 對于高大茂密的樹木而言，采用基于多源遙感數據通過DVI反演植被生物量是一種有效的方法。借鑒該理論，將試驗結果與DVI計算結果進行對比分析，從而驗證利用GPS-R遙感技術反演植被生物量的可行性；而最終的植被生物量都是通過經驗模型得到的，與真實生物量之間存在一定誤差。

(2) 本文試驗僅針對高大的樹林，沒有對地面農作物等低矮植被進行研究，因此試驗結果僅驗證了利用GPS-R技術反演森林生物量的可行性，對低矮植被的研究成為今后的研究方向。

(3) 利用GPS-R遙感技術反演植被生物量具有廣闊的發展空間，隨著北斗衛星系統的逐步完善，GPS-R遙感技術在北斗衛星上的應用指日可待。

[1] WANG Xin，SUN Qiang，ZHANG Xuexie，et al.First China Ocean Reflection Experiment Using Coastal GNSS-R[J].Chinnese Science Bulletin，2008，53(7)：1117-1120.

[2] PIERDICA N，GUERRIERO L，BROGIONI M，et al.On the Coherent and Non Coherent Components of Bare and Vegetated Terrain Bistatic Scattering：Modelling the GNSS-R Signal Over Land[J].IEEE Geoscience & Remote Sensing Symposium，2012，22(8)：3407-3410.

[3] WU Xuerui，LI Ying，XU Jin，et al.Theoretical Study on GNSS-R Vegetation Biomass[C]∥International Geoscience & Remote Sensing Symposium.[S.l.]:IEEE，2012：6380-6383.

[4] PALOSCIA S，SANTI E，FONTANELL G，et al.GRASS：An Experiment on the Capability of Airborne GNSS-R Sensors in Sensing Soil Moisture and Vegetation Biomass[C]∥Geoscience & Remote Sensing Symposium.[S.l.]:IEEE，2013：2010-2113.

[5] PALOSCIA S，SANTI E，CAPARRINI M，et al.GNSS-R Sensor Sensitivity to Soil Moisture and Vegetation Biomass and Comparison with SAR Data Performance[J].Proceeding of SPIE-The International Society for Optical Engineering，2013，8891(2)：206-209.

[6] FERRAZZOLI P，GUERRIERO L，PIERDICCA N，et al.Forest Biomass Monitoring with GNSS-R：Theoretical Simulations[J].Advances in Space Research，2011，47(10)：1823-1832.

[7] EGIDO A，PALOSCIA S，MOTTE E，et al.Airborne GNSS-R Polarimetric Measurement for Soil Moisture and Above-Ground Biomass Estimation[J].IEEE Journal of Selected Topics in Applied Earth，2014，7(5)：1522-1532.

[8] EGIDO A，CAPARRINI M，RUFFINI G，et al.Global Navigation Satellite Systems Reflectometry as a Remote Sensing Tool for Agriculture[J].Remote Sensing，2012，4(8)：2356-2372.

[9] 王新云，郭藝歌，何杰.基于多源遙感數據的草地生物量估算方法[J].農業工程學報，2014，30(11)：159-166.

[10] 鄭南山，董雪園.基于GPS-R技術遙感采礦區土壤含水率研究[J].煤炭工程，2013，45(7)：98-111.

[11] 吳學睿，李穎，李傳龍.基于Bi-Mimics 模型的GNSS-R農作物生物量監測理論研究[J].遙感技術與應用，2012,27(2):220-230.

[12] 馬志勇，沈濤，張海軍，等.基于植被覆蓋度的植被變化分析[J].測繪通報，2007(3)：45-48.

[13] 張連義，寶路如，爾敦扎瑪，等.錫林郭勒盟草地植被生物量遙感監測模型的研究[J].中國草地學報，2008，30(1)：6-14.

[14] WEI W，LARSON K M，SMALL E E，et al.Using Geodetic GPS Receivers to Measure Vegetation Water Content[J].GPS Solutions，2015，19(2)：237-248.

[15] GARRENO-LUENGO H，CAMPS A，QUEROL J，et al.First Dual-Band Multiconstellation GNSS-R Scatterometry Experiment Over Boreal Forests From a Stratospheric Balloon[J].IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing，2016，9(10)：4743-4751.