林業碳匯分析中基于微波遙感的塞罕壩機械林場林地上生物量監測研究

關鍵詞：碳匯分析；微波遙感；生物量；極化分解

前言

隨著氣候變化問題日益引起全球關注，林業作為碳匯的作用愈發被重視。準確監測森林地區的林地上生物量對于評估碳儲存量、制定應對氣候變化的政策以及管理可持續林業發展策略具有重要意義。然而，傳統的林地生物量監測方法多依賴實地測量，勞動強度大且效率低下。因此，急需一種可以大范圍、高效率地獲取森林生物量信息的技術。微波遙感，特別是極化合成孔徑雷達（Synthetic Aperture Ra-dar，SAR）遙感因能穿透云霧、多種極化信息以及全天候工作的能力，為監測森林生物量提供創新的解決方案。極化分解技術作為分析穿透森林冠層的微波后向散射信號的關鍵工具，被用來提取森林結構信息，而Freeman二分量分解技術，尤其適用為估算林地生物量提供堅實基礎。由于估算過程涉及大規模、高維度數據的處理，傳統的分析方法面臨諸如維度災難和高共線性等挑戰。為克服這些挑戰，研究以塞罕壩機械林場為監測區域，目的在于探討結合微波極化遙感技術與先進數據分析算法來監測和估算該區域林地生物量的新方法。研究創新性地將隨機森林算法與遺傳算法相結合，提出新的算法，對塞罕壩機械林場的生物量進行估算。

1基于微波遙感的林地生物量監測研究

1.1研究區域概況

塞罕壩機械林場始建于1962年，地處河北省的最北部，內蒙古高原渾善達克沙地南緣，地貌是界于內蒙古熔巖高原和冀北山地間的高原臺地，屬于森林一草原交錯帶，主要樹種有落葉松、樟子松、云杉、白樺等，是世界上最大的人工林場。林場地勢起伏較大，氣候屬于冷溫帶季風氣候，年降水量較少，通過人工降雨等技術和自然的恢復力，實現荒漠化土地的綠化和改造，防止沙塵暴的侵襲。

1.2基于散射模型的極化分解方法研究

極化分解簡化雷達信號分析，忽略了散射路徑復雜性。分為相干與非相干：相干分解用于簡單環境，非相干則擅長處理多目標。森林作為分布式目標，側重于非相干分解。基于物理模型的非相干分解，通過散射模型分析雷達數據，將T/C矩陣拆解為地物散射成分的線性組合，明確物理意義與比例權重。分類如體散射、螺旋體散射等，揭示地表物理屬性，為極化反射提供理論基礎。

Freeman二分量分解區分樹冠與地表散射，模擬復雜樹冠為多點散射，地表散射含二次反射與地表布拉格散射。樹冠用隨機圓柱體云層簡化，降低計算難度同時有效模擬森林雷達散射。該方法對林地雷達數據分析關鍵，助力提升森林監測與管理效率。Freeman二分量分解的最終分解結果包括冠層散射功率及地面散射功率，冠層散射公式為式（1）：

1.3結合隨機森林算法與遺傳算法的林地生物量估算研究

隨著微波遙感極化圖像處理技術的發展，多種非相干極化分解技術在森林遙感中展現出潛力，但每種方法有其獨特性與局限性。針對高維低樣本量的森林遙感數據，直接增加分解結果可能加劇維度災難，影響預測準確性。為此，提出結合遺傳算法（Genetic algorithm，GA）與隨機森林（random forest，RF）的隨機森林遺傳混合（Random Forest GeneticMixing，RFGM）算法。

2基于微波遙感的林地生物量估算方法實驗分析

2.1算法性能驗證分析

逐步回歸模型是目前常見遙感圖像回歸分析方法，為驗證提出的RFGM算法的可行性，對兩種算法的訓練及測試結果進行比較，兩種算法的訓練集散點結果見圖1。

圖1（a）逐步回歸模型決定系數為0.416，調整后為0.365。逐步回歸模型的均方根誤差（Root meansquare error，RMSE）為21.176t/hm2，相對均方根誤差（Relative root mean square error， rRMSE）為26.61%。圖1（b） RFGM算法的決定系數為0.760，調整后為0.700。RFGM算法的RMSE值為19.20t/hm2，rRMSE值為22.43%，表現更優。兩種算法的測試集散點結果見圖2。

圖2（a）與（b）對比顯示，逐步回歸模型（決定系數0.335，調整0.310，RMSE 26.615t/hm2，rRMSE 31.09%）的預測效果遠低于RFGM算法（決定系數0.767，調整0.584， RMSE16.54t/hm2， rRMSE20.37%）。RFGM算法能捕捉數據變異，即便考慮復雜度，預測能力仍強。逐步回歸模型誤差大，非線性或交互效應受限于處理復雜數據結構的局限性。

2.2林地生物量估算結果分析

研究利用Freeman二分量分解，對塞罕壩機械林場的微波遙感圖像進行散射分解，并確定特征子集及其重要性，結果見表1。

表1經過Freeman二分量分解后，特征子集共11個，其中5號子集，B2_T23_imag特征子集的重要性最高，為0.413，3號子集，B1_T22特征子集的重要性最低，僅0.051。其余子集重要性均保持在0.150～0.400以下。將上述11個特征子集作為RFGM算法的輸入，對塞罕壩機械林場的生物量進行估算，結果見圖3。

由圖3看到，塞罕壩區域地上生物量集中在115.09～180.49t/hm2，樹木是森林核心。精確測定此范圍生物量為理解碳庫功能提供數據支持，反映森林健康與碳吸收能力。在全球變暖背景下，評估森林生物量對氣候對策至關重要。塞罕壩森林對中國北方及全球碳平衡貢獻顯著。此數據還揭示生物量分布不均，體現生態與管理對資源的影響。

3結論

針對林業碳匯分析中的林地生物量監測任務，提出創新性的監測方法。利用Freeman二分量分解對塞罕壩機械林場的遙感圖像進行處理，運用組合隨機森林和遺傳算法的RFGM算法對生物量進行估算。結果表明，RFGM算法在訓練和測試集上均展現出較高的準確性。訓練中，保持較高水平的調整系數。該算法決定系數為0.760，調整決定系數為0.700，測試中調整系數有所下降，但也維持在較好的水平，決定系數為0.767，調整決定系數為0.584，且RFGM算法的rRMSE值僅20.37%，RMSE值為16.54t/hm2，證實在生物量監測中的可行性與高效性。研究為林業碳存儲評估提供精確的量化手段，為制定應對氣候變化的策略提供數據支持。