高级检索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

参数优选支持的光学与SAR数据森林地上生物量反演研究

李云 张王菲 崔鋆波 李春梅 姬永杰

李云, 张王菲, 崔鋆波, 李春梅, 姬永杰. 参数优选支持的光学与SAR数据森林地上生物量反演研究[J]. 北京林业大学学报. doi: 10.12171/j.1000-1522.20190389
引用本文: 李云, 张王菲, 崔鋆波, 李春梅, 姬永杰. 参数优选支持的光学与SAR数据森林地上生物量反演研究[J]. 北京林业大学学报. doi: 10.12171/j.1000-1522.20190389
Li Yun, Zhang Wangfei, Cui Junbo, Li Chunmei, Ji Yongjie. Inversion exploration on forest aboveground biomass of optical and SAR data supported by parameter optimization method[J]. Journal of Beijing Forestry University. doi: 10.12171/j.1000-1522.20190389
Citation: Li Yun, Zhang Wangfei, Cui Junbo, Li Chunmei, Ji Yongjie. Inversion exploration on forest aboveground biomass of optical and SAR data supported by parameter optimization method[J]. Journal of Beijing Forestry University. doi: 10.12171/j.1000-1522.20190389

参数优选支持的光学与SAR数据森林地上生物量反演研究

doi: 10.12171/j.1000-1522.20190389
基金项目: 国家自然科学基金项目(31860240),云南省教育厅科学研究基金项目(2019J0182),国家重点研发计划项目(2017YFB0502700)
详细信息
    作者简介:

    李云。主要研究方向:林业遥感。Email:liyun_amy@126.com 地址:云南省昆明市盘龙区白龙路白龙寺300号西南林业大学

    通讯作者:

    姬永杰,助理研究员。主要研究方向:遥感技术应用。Email:yongjie_ji@126.com 地址:同上

  • 中图分类号: S771.8

Inversion exploration on forest aboveground biomass of optical and SAR data supported by parameter optimization method

  • 摘要:   目的  森林是整个陆地碳循环系统中最大的有机碳贮库,准确地估测森林地上生物量影响着全球碳源与碳储量的分析与评价。本文旨在评价利用Landsat8 OLI、高分一号光学数据、ALOS-1 PALSAR-1SAR 3组不同源遥感数据估测森林AGB的潜力,进而剖析光学数据和SAR数据在估测森林AGB方面的差异。  方法  首先对Landsat8 OLI、高分一号光学数据、ALOS-1 PALSAR-1SAR数据分别提取波段比值、植被指数、纹理信息,对ALOS-1 PALSAR-1SAR数据同时提取极化分解信息;然后,利用随机森林算法对不同数据提取的特征参数进行重要性排序,选择排序靠前的特征进行建模;最后,利用KNN-FIFS算法分析不同特征组合,对4组数据建立4个模型估测森林AGB,并使用留一交叉验证法对4个模型估测森林AGB值进行精度评价。  结果  使用植被因子、波段比值、纹理因子、极化分解信息4种特征参数分别对3组数据进行建模估测森林AGB,基于Landsat8 OLI数据反演森林AGB的精度评价结果为R2 = 0.50,RMSE = 33.34 t/hm2;基于高分一号数据估测精度为R2 = 0.36,RMSE = 37.60 t/hm2;基于PALSAR纹理特征估测精度为R2 = 0.45,RMSE = 35.40 t/hm2;基于PALSAR全极化分解信息估测精度为R2 = 0.63,RMSE = 28.84 t/hm2  结论  参数提取方法相同时,即基于植被因子、波段比值、纹理信息3种特征参数估测森林AGB,其光学数据和SAR数据的反演潜力基本一致;参数提取方法不同时,即SAR数据加入极化分解信息估测森林AGB,与光学数据相比,SAR数据对森林AGB的反演潜力较好。
  • 图  1  研究区地理位置及样地分布

    Figure  1.  Location and sample plot distribution of study area

    图  2  PALSAR-1数据预处理流程图

    Figure  2.  PALSAR-1 data pre-processing flowchart

    图  3  根河森林AGB分布图

    Figure  3.  Forest AGB distribution map of Genhe, Inner Mongolia

    图  4  KNN-FIFS估测森林AGB交叉验证结果

    Figure  4.  Cross-validation results of KNN-FIFS estimation

    表  1  ALOS PALSAR-1 影像主要参数

    Table  1.   Main parameters of ALOS PALSAR-1 images

    成像时间
    Acquisition time
    极化方式
    Polarization way
    入射角
    Incidence angle/(°)
    波长
    Wavelength/m
    距离向分辨率
    Range resolution/m
    方位向分辨率
    Azimuth resolution/m
    卫星飞行轨道
    Satellite orbit
    2011−04−12HH, HV, VH, VV23.7990.2369.3683.554升轨 Rail lifting
    注:HH表示发射和接收的都为水平极化的电磁波;HV表示发射的电磁波为水平极化,接收的电磁波为垂直极化;VH表示发射的电磁波为垂直极化,接收的电磁波为水平极化;VV表示发射和接收的都为垂直极化的电磁波。Notes: HH, transmitting and receiving both with horizontal polarization; HV, transmitting with horizontal polarization and receiving with vertical polarization; VH, transmitting with vertical polarization and receiving with horizontal polarization; VV, transmitting and receiving both with vertical polarization.
    下载: 导出CSV

    表  2  3种数据源重要参数

    Table  2.   Major parameters of three data sources

    数据源 Data source重要参数 Major parameter
    OLIDVI, MEgree, PVI, CONSWIR1, VARSWIR1
    GFHOMONIR, DISNIR, ENNIR, CONNIR, CORNIR
    PALSAR纹理 PALSAR textureVHME, HHME, VVME, VARVH, DISHV
    PALSAR全极化分解特征 PALSAR full polarimetric decomposition characteristicsYamaguchi4_vo1_dB, Yamaguchi4_vo1, Yamaguchi4_h1x_dB,
    Yamaguchi4_Odd_dB, T22
    注:OLI为Landsat-8 OLI;GF为高分一号数据;DVI为差值植被指数;MEgree为绿光波段的均值纹理信息;PVI为正交植被指数;CONSWIR1、VARSWIR1分别为短波红外波段的对比度纹理信息、方差纹理信息;HOMONIR、DISNIR、ENNIR、CONNIR、CORNIR分别为近红外波段的均匀性纹理信息、相异性纹理信息、熵纹理信息、对比度纹理信息、相关性纹理信息;VHME、HHME、VVME分别为VH、HH、VV极化通道信息的均值纹理特征;VARVH为VH极化通道信息的方差纹理信息;DISHV为HV极化通道信息的相异性纹理信息;Yamaguchi4_vo1_dB、Yamaguchi4_vo1、Yamaguchi4_h1x_dB、Yamaguchi4_Odd_dB分别为Yamaguchi4分量分解中体散射分量分贝化结果、体散射分量、螺旋散射分量分贝化结果、表面散射分量分贝化结果;T22为相干矩阵中的一个元素。Notes: OLI is the Landsat-8 OLI data; GF is the Gaofen-1 data; DVI is the differential vegetation index; MEgree is the mean texture of green band; PVI is the perpendicular vegetation index; CONSWIR1 and VARSWIR1 are the contrast texture and variance texture of the short-wave infrared band, respectively; HOMONIR, DISNIR, ENNIR, CONNIR, CORNIR are the homogeneity texture, dissimilarity texture, entropy texture, contrast texture, correlation texture of the near-infrared band, respectively; VHME, HHME, VVME are the mean texture of polarization channel of VH, HH, VV, respectively; VARVH is the variance texture of VH channel; DISHV is the dissimilarity texture of the HV channel; Yamaguchi4_vo1_dB, Yamaguchi4_vo1, Yamaguchi4_h1x_dB, Yamaguchi4_Odd_dB are the decibel results of volume scattering component, volume scattering component, helix scattering component and surface scattering component in the decomposition of Yamaguchi 4 component decompositions, respectively; T22 is an element in the coherence matrix.
    下载: 导出CSV

    表  3  特征组合

    Table  3.   Feature combination

    数据源
    Data source
    K窗口大小
    Size of the window
    特征组合
    Combination of feature vector
    OLI 8 11 × 11 DVI, VARSWIR1, CONgreen, MEgree
    GF 3 3 × 3 HOMONIR, NIR, CONNIR
    PALSAR纹理 PALSAR texture 9 7 × 7 HHME, VVME
    PALSAR全极化分解特征
    PALSAR full polarimetric decomposition characteristics
    3 7 × 7 alpha, T23_imag, Freeman_Odd, anisotropy, T33, T12_real
    注:DVI为差值植被指数;VARSWIR为短波红外波段swir1的方差纹理信息;CONgree、MEgree为绿光波段的对比度纹理信息、均值纹理信息;HOMONIR、NIR、CONNIR为近红外波段的均匀性纹理信息、光谱信息、对比度纹理信息;HHME为HH极化通道信息的均值纹理特征;VVME为VV极化通道信息的均值纹理特征;alpha为H-A-$ \overline \alpha $分解中的平均散射角;T23_imag为相干矩阵中T23分量的虚部;Freeman_Odd为Freeman三分量分解的表面散射分量;anisotropy为H-A-$ \overline \alpha $分解中的极化各向异质性;T33为相干矩阵中的一个分量;T12_real为相干矩阵中T12分量的实部。Notes: DVI is the differential vegetation index; VARSWIR1 is the variance texture of the short-wave infrared band; CONgree and MEgree are the contrast texture and mean texture of green band, respectively; HOMONIR, NIR and CONNIR are the homogeneity texture, spectral information and the contrast texture of the near-infrared band, respectively; HHME and VVME are the mean texture of polarization channel of HH and VV, respectively; alpha is the average scattering angle of H-A-$ \overline \alpha $ decomposition; T23_imag is the imaginary part of the T23 component in the coherence matrix; Freeman_Odd is the surface scattering component of Freeman-Durden 3 components decomposition; anisotropy is the polarimetric anisotropy of the H-A-$ \overline \alpha $ decomposition; T33 is a component of the component matrix; T12_real is the real part of the T12 component of the coherence matrix.
    下载: 导出CSV
  • [1] 陶玉华. 森林生态系统碳储量研究的意义及国内外研究进展[J]. 现代农业科技, 2012(9):205, 212.

    Tao Y H. Research significance of carbon storage of forest ecosystem and research progress at home and abroad[J]. Modern Agricultural Sciences and Technology, 2012(9): 205, 212.
    [2] 杨洪晓, 吴波, 张金屯, 等. 森林生态系统的固碳功能和碳储量研究进展[J]. 北京师范大学学报(自然科学版), 2005, 41(2):172−177. doi:  10.3321/j.issn:0476-0301.2005.02.018.

    Yang H X, Wu B, Zhang J T, et al. Progress of research into carbon fixation and storage of forest ecosystems[J]. Journal of Beijing Normal University (Natural Science), 2005, 41(2): 172−177. doi:  10.3321/j.issn:0476-0301.2005.02.018.
    [3] Lu D S, Chen Q, Wang G X, et al. A survey of remote sensing-based aboveground biomass estimation methods in forest ecosystems[J]. International Journal of Digital Earth, 2014, 9(1): 63−105.
    [4] 韩宗涛, 江洪, 王威, 等. 基于多源遥感的森林地上生物量KNN-FIFS估测[J]. 林业科学, 2018, 54(9):70−79. doi:  10.11707/j.1001-7488.20180909.

    Han Z T, Jiang H, Wang W, et al. Forest above-ground biomass estimation using KNN-FIFS method based on multi-source remote sensing data[J]. Scientia Silvae Sinicae, 2018, 54(9): 70−79. doi:  10.11707/j.1001-7488.20180909.
    [5] 李春梅. 基于多源数据的森林地上生物量估测方法研究[D]. 昆明: 西南林业大学, 2016.

    Li C M. A study of the retrieval methods of forest above ground biomass based on multi-source data[D]. Kunming: Southwest Forestry University, 2016.
    [6] 李春梅, 张王菲, 李增元, 等. 基于多源数据的根河实验区生物量反演研究[J]. 北京林业大学学报, 2016, 38(3):64−72.

    Li C M, Zhang W F, Li Z Y, et al. Retrieval of forest above-ground biomass using multi-source data in Genhe, Inner Mongolia[J]. Journal of Beijing Forestry University, 2016, 38(3): 64−72.
    [7] 庞勇, 李增元, 谭炳香, 等. 点云密度对机载激光雷达林分高度反演的影响[J]. 林业科学研究, 2008, 21(增刊): 14-19.

    Pang Y, Li Z Y, Tan B X, et al. The effects of airborne LiDAR point density on forest height estimation[J]. Forest Research, 2008, 21(Suppl.): 14-19.
    [8] 刘清旺, 李增元, 陈尔学, 等. 机载LIDAR点云数据估测单株木生物量[J]. 高技术通讯, 2010, 20(7):765−770. doi:  10.3772/j.issn.1002-0470.2010.07.019

    Liu Q W, Li Z Y, Chen E X, et al. Estimating biomass of individual trees using point cloud data of airborne[J]. Chinese High Technology Letters, 2010, 20(7): 765−770. doi:  10.3772/j.issn.1002-0470.2010.07.019
    [9] 穆喜云, 张秋良, 刘清旺, 等. 基于激光雷达的大兴安岭典型森林生物量制图技术研究[J]. 遥感技术与应用, 2015, 30(2):220−225.

    Mu X Y, Zhang Q L, Liu Q W, et al. A study on typical forest biomass mapping technology of Great Khingan using airborne laser scanner data[J]. Remote Sensing Technology and Application, 2015, 30(2): 220−225.
    [10] 陈尔学. 合成孔径雷达森林生物量估测研究进展[J]. 世界林业研究, 1999, 12(6):18−23. doi:  10.3969/j.issn.1001-4241.1999.06.004

    Chen E X. Development of forest biomass estimation using SAR data[J]. World Forestry Research, 1999, 12(6): 18−23. doi:  10.3969/j.issn.1001-4241.1999.06.004
    [11] 张王菲, 陈尔学, 李增元, 等. 干涉、极化干涉SAR技术森林高度估测算法研究进展[J]. 遥感技术与应用, 2017, 32(6):983−997.

    Zhang W F, Chen E X, Li Z Y, et al. Development of forest height estimation using InSAR/PolInSAR technology[J]. Remote Sensing Technology and Application, 2017, 32(6): 983−997.
    [12] Pu L, Zhang X L, Shi J, et al. Adaptive filtering for 3D SAR data based on dynamic gaussian threshold[C]// Proceedings of the 6th Asia-Pacific Conference on Synthetic Aperture Radar (APSAR). Xiamen: IEEE, 2019.
    [13] 张王菲. 星载SAR遥感反演中地形辐射校正的关键技术研究[D]. 昆明: 昆明理工大学, 2011.

    Zhang W F. Study on the key techniques of terrain radiometric correction in spaceborne SAR remote sensing inversion[D]. Kunming: Kunming University of Science and Technology, 2011.
    [14] 杨浩. 基于时间序列全极化与简缩极化SAR的作物定量监测研究[D]. 北京: 中国林业科学研究院, 2015.

    Yang H. Study on quantitative crop monitoring by time series of fully polarimetric and compact polarimetric Sar imagery[D]. Beijing: Chinese Academy of Forestry, 2015.
    [15] 陈传国. 东北主要林木生物量手册[M]. 北京: 中国林业出版社, 1989.

    Chen C G. Manual of main forest biomass in Northeast China[M]. Beijing: China Forestry Publishing House, 1989.
    [16] Haralick R M. Statistical and structural approaches to texture[J]. Proceedings of the IEEE, 1979, 67(5): 786−804. doi:  10.1109/PROC.1979.11328
    [17] Tuominen S, Pekkarinen A. Performance of different spectral and textural aerial photograph features in multi-source forest inventory[J]. Remote Sensing of Environment, 2005, 94(2): 256−268. doi:  10.1016/j.rse.2004.10.001
    [18] Chica-Olmo M, Abarca-Hernández F. Computing geostatistical image texture for remotely sensed data classification[J]. Computers & Geosciences, 2000, 26(4): 373−383.
    [19] 张腊梅, 段宝龙, 邹斌. 极化SAR图像目标分解方法的研究进展[J]. 电子与信息学报, 2016, 38(12):3289−3297.

    Zhang L M, Duan B L, Zou B. Research development on target decomposition method of polarimetric SAR image[J]. Journal of Electronics and Information Technology, 2016, 38(12): 3289−3297.
    [20] Breiman L. Random forests[D]. Berkeley: University of California, 2001: 5−26
    [21] 李欣海. 随机森林模型在分类与回归分析中的应用[J]. 应用昆虫学报, 2013, 54(4):1190−1197. doi:  10.7679/j.issn.2095-1353.2013.163

    Li X H. Using “random forest” for classification and regression[J]. Chinese Journal of Applied Entomology, 2013, 54(4): 1190−1197. doi:  10.7679/j.issn.2095-1353.2013.163
    [22] 苏瑞雪, 汤玉奇. 光学-极化SAR影像特征融合与分类[J]. 测绘与空间地理信息, 2019(6):51−55. doi:  10.3969/j.issn.1672-5867.2019.06.014

    Su R X, Tang Y Q. Feature fusion and classification of optical-PolSAR images[J]. Geomatics & Spatial Information Technology, 2019(6): 51−55. doi:  10.3969/j.issn.1672-5867.2019.06.014
    [23] 范亚雄. 星载X-波段干涉SAR森林高度估测方法研究[D]. 北京: 中国林业科学研究院, 2019.

    Fan Y X. Study on forest height estimation method of spaceborne X- band interferometric SAR[D]. Beijing: Chinese Academy of Forestry, 2019.
  • [1] 郭正齐, 张晓丽, 王月婷.  Sentinel-2A多特征变量反演针叶林地上生物量能力评估 . 北京林业大学学报, doi: 10.12171/j.1000-1522.20200097
    [2] 何潇, 曹磊, 徐胜林, 李海奎.  内蒙古大兴安岭林区不同恢复阶段森林生物量特征与影响因素 . 北京林业大学学报, doi: 10.13332/j.1000-1522.20190030
    [3] 李明泽, 于欣彤, 高元科, 范文义.  基于SAR极化分解与Landsat数据的森林生物量遥感估测 . 北京林业大学学报, doi: 10.13332/j.1000-1522.20170284
    [4] 宋沼鹏, 梁冬, 侯继华.  氮添加对3个油松种源幼苗生物量及其分配的影响 . 北京林业大学学报, doi: 10.13332/j.1000-1522.20160243
    [5] 李伟克, 刘晓东, 牛树奎, 李炳怡, 刘冠宏, 褚艳琴.  火烧对河北平泉油松林土壤微生物量的影响 . 北京林业大学学报, doi: 10.13332/j.1000-1522.20160420
    [6] 刘坤, 曹林, 汪贵斌, 曹福亮.  银杏生物量分配格局及异速生长模型 . 北京林业大学学报, doi: 10.13332/j.1000-1522.20160374
    [7] 李良, 夏富才, 孙越, 张骁.  阔叶红松林下早春植物生物量分配 . 北京林业大学学报, doi: 10.13332/j.1000-1522.20160063
    [8] 李春梅, 张王菲, 李增元, 陈尔学, 田昕.  基于多源数据的根河实验区生物量反演研究 . 北京林业大学学报, doi: 10.13332/j.1000-1522.20150209
    [9] 张英楠, 芦静, 张启昌, 王国胜, 邵殿坤, 施莹.  9个能源柳无性系的生物量、热值和能量现存量 . 北京林业大学学报, doi: 10.13332/j.1000-1522.20150223
    [10] 何游云, 张玉波, 李俊清, 王卷乐.  利用无人机遥感测定岷江冷杉单木树干生物量 . 北京林业大学学报, doi: 10.13332/j.1000-1522.20150383
    [11] 毛学刚, 王静文, 范文义.  基于遥感与地统计的森林生物量时空变异分析 . 北京林业大学学报, doi: 10.13332/j.1000-1522.20150214
    [12] 明安刚, 郑路, 麻静, 陶怡, 劳庆祥, 卢立华.  铁力木人工林生物量与碳储量及其分配特征 . 北京林业大学学报, doi: 10.13332/j.cnki.jbfu.2015.02.015
    [13] 李明阳, 余超, 张密芳, 胡曼.  紫金山风景林生物量及其驱动因素时间轨迹分析 . 北京林业大学学报, doi: 10.13332/j.cnki.jbfu.2015.02.008
    [14] 董点, 林天喜, 唐景毅, 柳静臣, 孙国文, 姚杰, 程艳霞.  紫椴生物量分配格局及异速生长方程 . 北京林业大学学报, doi: 10.13332/j.cnki.jbfu.2014.04.013
    [15] 程积民, 程杰, 高阳.  渭北黄土区不同立地条件下刺槐人工林群落生物量结构特征 . 北京林业大学学报,
    [16] 张志, 田昕, 陈尔学, 何祺胜.  森林地上生物量估测方法研究综述 . 北京林业大学学报,
    [17] 王雄宾, 谷建才, 朱建刚, 鲁绍伟, 余新晓, 李永杰, .  熵值计算及其在森林生物量分布中的应用 . 北京林业大学学报,
    [18] 贺窑青, 欧阳杰, 孙青, 曲红, 雷庆哲, 李莉, 李艳华, 熊丹, 胡海英, 王丰俊, 乔海莉, 张玲, 姚娜, 石娟, 刘美芹, 孙月琴, 李在留, 隋金玲, 周章义, 程堂仁, 郝晨, 金莹, 范丙友, 王莉, 陈佳, 段旭良, 胡晓丹, 刘丽, 孙爱东, 冯菁, 沈昕, 郑彩霞, 阎伟, 尹伟伦, 冯秀兰, 周燕, 张艳霞, 续九如, 康向阳, 陆海, 王建中, 赵亚美, 李凤兰, 武彦文, 路端正, 张香, 骆有庆, 尹伟伦, 陈发菊, 李云, 陈晓阳, 张志毅, 骆有庆, 田呈明, 郭锐, 张德权, 吴晓成, 孙爱东, 马钦彦, 安新民, 史玲玲, 沈繁宜, 阎晓磊, 武海卫, 蒋湘宁, 胡晓丹, 胡德夫, 赵蕾, 李忠秋, 王晓东, 骆有庆, 高述民, 梁华军, 卢存福, 王百田, 王华芳, 姜金仲, 郑永唐, 梁宏伟, 郝俊, 骆有庆, 严晓素, 王瑛, 郭晓萍, 王冬梅, 骈瑞琪, 刘玉军, 王建中, 王晓楠, 冯仲科, 冯晓峰, 赵兵, 王华芳, 高荣孚, 张志翔, 崔彬彬
    , 尹伟伦, 温秀凤3, 王玉兵, 吴坚, 谢磊, 于京民2, 李凯, 邹坤, 刘玉军, 张庆, 张兴杰, 丁霞, 陈卫平, 林善枝, 呼晓姝, 陶凤杰, 王民中, 杨伟光, 沈应柏, 孙建华, 李镇宇, 刘艳, 王玉春, 李凤兰, 付瑞海, 汪植, 马建海, 赵新丽, 蒋平.  基于森林资源清查资料的林分生物量相容性线性模型 . 北京林业大学学报,
    [19] 许景伟, 李黎, 索安宁, 张春晓, 焦雯珺, 周艳萍, 吴家兵, 于海霞, 于文吉, 孙志蓉, 邵杰, 高克昌, 金则新, 吕文华, 李俊, 宋先亮, 马玲, 张建军, 郎璞玫, 郑景明, 陆平, 武林, 奚如春, 雷妮娅, 周睿, 刘足根, 张志山, 李传荣, 郑红娟, 戴伟, 赵文喆, 张小由, 蔡锡安, 葛剑平, 盖颖, 韦方强, 李钧敏, 朱清科, 赵广杰, 陈勇, 饶兴权, 于志明, 陈少良, 余养伦, 毕华兴, 马履一, Kwei-NamLaw, 翟明普, 纳磊, 关德新, 赵秀海, 习宝田, 朱教君, 袁小兰, 朱艳燕, 杨永福, 方家强, 王文全, ClaudeDaneault, 张弥, 樊敏, 谭会娟, 王瑞刚, 李增鸿, 张宇清, 赵平, 曾小平, 崔鹏, 江泽慧, 李笑吟, 李俊清, 贾桂霞, 张春雨, 王天明, 于波, 马履一, 夏良放, 贺润平, 袁飞, 李庆卫, 韩士杰, 邓宗付, 陈雪梅, 王卫东, 吴秀芹, 王贺新, 郭孟霞, 张欣荣, 李丽萍, 殷宁, 唐晓军, 刘丽娟, 何明珠, 刘鑫, 王旭琴, 于贵瑞, 王月海, 蒋湘宁, 江杰, 郑敬刚, 吴记贵, 孔俊杰, 熊颖, 毛志宏, 王娜, 聂立水, 王瑞辉, 林靓靓, 李新荣, 孙晓敏, 葛剑平, 王贵霞, 董治良, 郭超颖.  甘肃小陇山森林生物量研究 . 北京林业大学学报,
    [20] 黄心渊, 程丽莉, 程金新, 王志玲, 刘志军, 周国模, 陈伟, 于寒颖, 李贤军, 周志强, 江泽慧, 施婷婷, 李国平, 肖化顺, 崔彬彬, 雷霆, 徐剑琦, 雷相东, 刘智, 宗世祥, 张煜星, 张展羽, 曹伟, 赵俊卉, 杜官本, 杨谦, 王正, 王正, 郝雨, 郭广猛, 丁立建, 李云, 张璧光, 张璧光, 王海, 张贵, 吴家森, 张彩虹, 关德新, 李云, 苏里坦, 张则路, 雷洪, 刘童燕, 曹金珍, 骆有庆, 苏淑钗, 黄群策, 秦岭, 张国华, 张慧东, 吴家兵, 周晓燕, 陈晓光, 张佳蕊, 张书香, 宋南, 姜培坤, 刘大鹏, 李文军, 贺宏奎, 王勇, 刘彤, 常亮, 方群, 许志春, 黄晓丽, 张大红, 秦广雍, 金晓洁], 高黎, 李延军, 蔡学理, 陈燕, 刘海龙, 于兴华, 冯慧, 姜金仲, 张弥, 张金桐, 刘建立, 姜静, 苏晓华, 周梅, 张冰玉, 陈绪和, 成小芳, 王安志, 尹伟伦, 王谦, 朱彩霞, 王德国, 张勤, 陈建伟3, 聂立水, 金昌杰, 张连生, 亢新刚, 冯大领, 胡君艳, 韩士杰, 崔国发, 梁树军, 姚国龙.  木质生物质能源树种生物量数量分析 . 北京林业大学学报,
  • 加载中
图(4) / 表 (3)
计量
  • 文章访问数:  28
  • HTML全文浏览量:  7
  • PDF下载量:  9
  • 被引次数: 0
出版历程
  • 收稿日期:  2019-10-11
  • 修回日期:  2019-12-08
  • 网络出版日期:  2020-10-17

参数优选支持的光学与SAR数据森林地上生物量反演研究

doi: 10.12171/j.1000-1522.20190389
    基金项目:  国家自然科学基金项目(31860240),云南省教育厅科学研究基金项目(2019J0182),国家重点研发计划项目(2017YFB0502700)
    作者简介:

    李云。主要研究方向:林业遥感。Email:liyun_amy@126.com 地址:云南省昆明市盘龙区白龙路白龙寺300号西南林业大学

    通讯作者: 姬永杰,助理研究员。主要研究方向:遥感技术应用。Email:yongjie_ji@126.com 地址:同上
  • 中图分类号: S771.8

摘要:   目的  森林是整个陆地碳循环系统中最大的有机碳贮库,准确地估测森林地上生物量影响着全球碳源与碳储量的分析与评价。本文旨在评价利用Landsat8 OLI、高分一号光学数据、ALOS-1 PALSAR-1SAR 3组不同源遥感数据估测森林AGB的潜力,进而剖析光学数据和SAR数据在估测森林AGB方面的差异。  方法  首先对Landsat8 OLI、高分一号光学数据、ALOS-1 PALSAR-1SAR数据分别提取波段比值、植被指数、纹理信息,对ALOS-1 PALSAR-1SAR数据同时提取极化分解信息;然后,利用随机森林算法对不同数据提取的特征参数进行重要性排序,选择排序靠前的特征进行建模;最后,利用KNN-FIFS算法分析不同特征组合,对4组数据建立4个模型估测森林AGB,并使用留一交叉验证法对4个模型估测森林AGB值进行精度评价。  结果  使用植被因子、波段比值、纹理因子、极化分解信息4种特征参数分别对3组数据进行建模估测森林AGB,基于Landsat8 OLI数据反演森林AGB的精度评价结果为R2 = 0.50,RMSE = 33.34 t/hm2;基于高分一号数据估测精度为R2 = 0.36,RMSE = 37.60 t/hm2;基于PALSAR纹理特征估测精度为R2 = 0.45,RMSE = 35.40 t/hm2;基于PALSAR全极化分解信息估测精度为R2 = 0.63,RMSE = 28.84 t/hm2  结论  参数提取方法相同时,即基于植被因子、波段比值、纹理信息3种特征参数估测森林AGB,其光学数据和SAR数据的反演潜力基本一致;参数提取方法不同时,即SAR数据加入极化分解信息估测森林AGB,与光学数据相比,SAR数据对森林AGB的反演潜力较好。

English Abstract

李云, 张王菲, 崔鋆波, 李春梅, 姬永杰. 参数优选支持的光学与SAR数据森林地上生物量反演研究[J]. 北京林业大学学报. doi: 10.12171/j.1000-1522.20190389
引用本文: 李云, 张王菲, 崔鋆波, 李春梅, 姬永杰. 参数优选支持的光学与SAR数据森林地上生物量反演研究[J]. 北京林业大学学报. doi: 10.12171/j.1000-1522.20190389
Li Yun, Zhang Wangfei, Cui Junbo, Li Chunmei, Ji Yongjie. Inversion exploration on forest aboveground biomass of optical and SAR data supported by parameter optimization method[J]. Journal of Beijing Forestry University. doi: 10.12171/j.1000-1522.20190389
Citation: Li Yun, Zhang Wangfei, Cui Junbo, Li Chunmei, Ji Yongjie. Inversion exploration on forest aboveground biomass of optical and SAR data supported by parameter optimization method[J]. Journal of Beijing Forestry University. doi: 10.12171/j.1000-1522.20190389
  • 生态系统与大气之间交换大量的碳可以削弱温室效应。森林是最大的有机碳贮库,在整个陆地碳循环系统中扮演着十分重要的角色。森林利用光合作用将大气中的二氧化碳以有机物的形式固定到植物和土壤之中,因此森林在减少温室气体这一方面十分重要[1]。生物量作为表征森林的碳储量的一种形式,陆地生态系统生物量中的90%都在森林生态系统生物量之中[2]。由于森林地上生物量(aboveground biomass, AGB)是森林生态系统生物量主要组成部分,因此,准确估测森林AGB成为森林生态系统碳循环监测的重要基本工作,对于掌握全球的碳储量具有非常重要的研究意义。

    遥感技术凭借其快速、连续、高效地估测森林参数的优势,成为较大尺度森林AGB定量评价以及动态监测的重要工具。在遥感技术中,用于森林AGB估测的主要包括光学遥感技术、激光雷达技术及和微波遥感技术[3]。随着光学影像的分别率可以达到厘米级,采用光学遥感技术对森林AGB反演的精度也进一步提高,其一般是利用植被的光谱特征,通过植被指数和叶面积指数、植被覆盖度等的关系来间接估测AGB,AGB的估测多通过统计回归、K-NN、SVM、RF等方法完成[4-6]。激光雷达数据则可通过其点云和波形数据的分析,精确的提取森林中的单木信息,进而实现对森林AGB的高精度估测[7-9]。基于微波遥感技术的合成孔径雷达(synthetic aperture radar, SAR)数据由于波长较长,对森林具有一定的穿透能力,可以与森林AGB的主体−树干发生作用,因此也被广泛应用于森林AGB的估测中[10-11]

    尽管激光雷达数据可以高精度的获取森林AGB的信息,但是由于其获取成本较高,限制了其在大面积范围内AGB估测的应用。而目前光学遥感技术具有成像原理简单、成熟、数据源丰富,覆盖范围广的特点,因而在大面积、区域和全球AGB估测中具有较大的潜力。另外,SAR数据由于具有全天时、全天候动态、连续监测的特点,可以有效的补充光学遥感技术受到天气、气候影响无法连续观测的不足而逐渐被应用于森林AGB的反演中。并且随着SAR技术的发展,高分辨率、多频率、多极化、高穿透性、短重访周期SAR数据的逐渐丰富,使得SAR数据在森林AGB中的反演受到越来越多的关注。然而,光学数据由于波长较短,对森林的穿透力较弱,在森林AGB反演中受到一定的局限[3,5];而SAR影像受到成像机理的限制,斑点噪声严重,尽管SAR影像的分辨率有所提高,但是仍然无法达到光学影像的分辨率水平[12-13]。鉴于光学影像和SAR影像各自的优缺点,其在森林AGB的估测也已展开了较多的研究,并且得到了一些有意义的结论:例如,在采用光学数据进行森林AGB反演中,纹理特征可以更好的表征森林的空间信息,有效抑制仅采用光谱信息中存在的“同物异谱,异物同谱”的现象,从而提高AGB反演的精度[4-5];SAR数据由于穿透性强,使得森林AGB反演的饱和点有效提高,在光学数据中加入SAR数据,可以有效提高遥感因子对森林AGB的敏感度[5-6];遥感因子的提取和估测方法的选择对森林AGB估测结果的精度影响明显,但具体影响仍需要进一步研究。已有研究肯定了光学和SAR数据在森林AGB反演中的潜力,也指出目前研究的不足:例如在遥感因子的提取方面,还可以进一步探索,特别是在对SAR参数因子的提取方面,未考虑极化特征等潜力较大的因子[14]。另外已有的研究多集中于综合光学和SAR参数进行森林AGB的估测,而对各自的优势、潜力及其可结合的物理机制未进行深入的分析。结合目前研究中存在的不足,本文以Landsat8 OLI、高分一号光学数据、ALOS-1(advanced land observing satellite) PALSAR-1 (phased array type L-band synthetic aperture radar)SAR数据作为示例,以根河生态站作为实验区探索在参数优选的条件下,光学数据和SAR数据在森林AGB估测中的潜力,并分析其可能的原因。

    • 研究区隶属于内蒙古大兴安岭国家级森林生态系统定位站,简称生态站。该生态站位于内蒙古呼伦贝尔盟的根河市(120°12′ ~ 122°55′E,50°20′ ~ 52°30′N)。根河生态站是我国目前纬度最高的森林生态系统野外科学观测站。其所在的根河市气候寒冷湿润,冬长夏短。日较差约20 °C,气温年较差约47.4 °C,结冻期在210 d以上,部分区域为永冻层,位于地表下方30 cm。根河市森林覆盖率为91.7%,森林面积174.5万hm2,主要树种有兴安落叶松(Larix gmelinii)、白桦(Betula platyphylla)和山杨(Populus davidiana)等。研究区内地势较为平坦,区域内80%的面积坡度小于15°。

      图  1  研究区地理位置及样地分布

      Figure 1.  Location and sample plot distribution of study area

    • 研究区的样地地面调查数据分别于2012年、2013年实测获得,共调查样地数据56块。其中38块样地于2012年8月调查获得,样地面积为30 m × 30 m;其余18块样地于2013年8月调查获得,样地面积为45 m × 45 m。样地调查中采用差分GPS定位样地的4个角点坐标,最大误差小于10 cm。样地内实行每木检尺,测量内容包括胸径、树高、冠幅等,其中胸径的起测径级为5 cm。同时测量样地郁闭度,郁闭度测量方式为样线法。测量的56块样地中包括兴安落叶松和白桦两类树种,样地内这两类树种单木AGB的计算采用式(1)和式(2)。其生物量生长方程计算单木的AGB,样地的森林AGB由式(3)得到[15]

      $${W_{\text{落叶松}}} = 0.027 \; 7 \rm DB{H^{2.793 \; 26}}$$ (1)
      $${W_{\text{白桦}}} = 0.190 \; 5 \rm DB{H^{2.243 \; 22}}$$ (2)
      $${W_{\text{样地}}} = \sum {{W_1}} + {W_2} + \cdots + {W_n}$$ (3)

      式中:W为森林AGB,DBH为实测胸径。

    • 本文中使用的遥感数据包括光学遥感数据和微波遥感数据。光学遥感数据包括2015年5月的Landsat-8 OLI和2013年9月的高分一号数据,微波遥感数据为2011年4月的PALSAR数据。

      (1)光学遥感数据

      本文使用的Landsat-8 OLI数据来源于地理空间数据云,成像时间为2015年5月5日,影像中无云层覆盖,产品级别Level 1T,数据已经进行了基于地形的几何校正。本研究所用B1-B7波段空间分辨率为30 m。本文中使用的高分一号数据由我国高分辨率对地观测卫星系统重大专项中的第一颗卫星获取得到,于中国资源卫星应用中心(http://218.247.138.121/DSSPlatform/index.html)下载获得。影像获取的日期为2013年9月3日,传感器为WFV宽幅相机,影像分辨率为16 m。

      (2)微波遥感数据

      微波遥感数据来源于日本的ALOS卫星搭载的PALSAR传感器。文中使用的L- 波段PALSAR数据的主要参数见表1

      表 1  ALOS PALSAR-1 影像主要参数

      Table 1.  Main parameters of ALOS PALSAR-1 images

      成像时间
      Acquisition time
      极化方式
      Polarization way
      入射角
      Incidence angle/(°)
      波长
      Wavelength/m
      距离向分辨率
      Range resolution/m
      方位向分辨率
      Azimuth resolution/m
      卫星飞行轨道
      Satellite orbit
      2011−04−12HH, HV, VH, VV23.7990.2369.3683.554升轨 Rail lifting
      注:HH表示发射和接收的都为水平极化的电磁波;HV表示发射的电磁波为水平极化,接收的电磁波为垂直极化;VH表示发射的电磁波为垂直极化,接收的电磁波为水平极化;VV表示发射和接收的都为垂直极化的电磁波。Notes: HH, transmitting and receiving both with horizontal polarization; HV, transmitting with horizontal polarization and receiving with vertical polarization; VH, transmitting with vertical polarization and receiving with horizontal polarization; VV, transmitting and receiving both with vertical polarization.
    • (1)光学遥感数据预处理

      文中获取Landsat-8 OLI数据为Level 1T级别产品,即已完成考虑地形的几何校正,因此在影像预处理过程中,不需要做几何校正。为了利用其丰富的光谱信息,本文在影像预处理过程中,采用ENVI软件对影像进行辐射定标和FLAASH大气校正,从而获取其真实的地表反射率。

      高分一号数据的预处理包括定标、大气校正和正射校正。文中的定标根据中国资源卫星应用中心提供的定标参数和定标公式完成,大气校正采用FLAASH大气校正,正射校正采用了高分一号数据提取的RPC(rational polynomial coefficient)文件和ASTER-GDEM V2数据,预处理流程均在ENVI软件中完成。

      (2)PALSAR数据预处理

      PALSAR-1数据的预处理主要包括多视处理、极化分解和地理编码。其中多视处理和极化分解在PolSARpro软件的4.2版本中完成,地理编码在Gamma软件2010版本中完成。多视处理在距离向和方位向的视数分别为2和6。用于地理编码DEM数据的分辨率为25 m,预处理流程见图2

      图  2  PALSAR-1数据预处理流程图

      Figure 2.  PALSAR-1 data pre-processing flowchart

    • 本文分别提取了4类建模因子,分别为植被因子、波段比值、纹理因子、全极化分解参数。其中所有的遥感数据均提取了植被因子、波段比值和纹理因子,仅有PALSAR数据提取了全极化分解参数。提取的植被因子包括:归一化植被指数(NDVI)、简单植被指数(SR)、可见光大气阻抗植被指数(VARI)、差值植被指数(DVI)、垂直植被指数(PVI)、比值植被指数(RVI)6种植被指数;波段比值是在波段比值设置上取高反射波段与低反射波段比值和反射波段与吸收波段的比值,其目的使原始波段上不易区分的植被能够识别;纹理信息是影像中反复出现的局部模式和它们的排列规则[16-18],本文提取的纹理信息包括8种:均值(mean, Me)、方差(variance, Var)、均匀性(homogeneity, Homo)、对比度(contrast, Con)、相异性(dissimilarity, Dis)、熵(entropy, En)、二阶矩(second order moment, Sec)和相关性(correlation, Cor);SAR全极化分解分别提取了基于特征矢量的H-A-${\rm{\bar \alpha }}$分解、基于协方差矩阵的Yamaguchi四分量分解和Freeman三分量分解的参数,具体的极化分解算法见文献[19]。

    • 特征选择是指从一组特征数据集中,根据某种规则选择一组具有区分性质的特征子集。本文通过随机森林(random forest, RF)算法进行特征的优选。RF是 Breiman Leo 和 Adele Cutler 在2001年提出的一种用来做分类、回归和生存分析的机器学习算法[20]。其基本原理是:从原始数据集中,使用bootstrap抽样方法,先抽取与原始训练集一样的样本容量的样本集:再分别对K个样本建立相同数目的决策树,决策树对每个样本进行预测,得到K组预测值,然后平均K组预测值,最后得到每个记录的预测值。此算法可以理解为计算特征的重要性,并进行重要性排序。本文中该算法在R语言中实现[21]

    • 本文使用韩宗涛等提出的KNN-FIFS方法估测森林AGB[4],该方法K值范围设置在1 ~ 11,其基本原理如下。

      首先设样地数为n,特征数为m,根据以下4个步骤完成森林AGB的估测:

      (1)训练数据的提取。从样地数据和遥感特征数据中提取,F = {f1, f2, …, fm},其中fj = [xj1, xj2, …, xjn]T(1 ≤ jm),xji是第i块样地对应的第j个特征的像元值。

      (2)初始化最优特征子集Fs设置为空,初始化均方根误差(root mean square error, RMSE)RMSE0设置为理论上的极大值,RMSE0 = 225 t/hm2

      (3)基于K-NN方法,使用马氏距离计算待估像元特征向量到样地所在像元特征向量的距离,针对训练数据,使用特征{f1, Fs}, {f2, Fs}, …, {fm, Fs}建立森林AGB估测模型,可以得到ms个模型及RMSE(s为最优特征子集的特征个数)。其中RMSE使用留一交叉验证法计算。

      (4)从步骤(3)中选择最优的RMSE,设为RMSEb。若RMSEb < RMSE0,则将RMSEb的值赋予RMSE0,并将其对应的特征子集赋予Fs,返回步骤(3)继续循环,反之迭代结束。

    • KNN-FIFS方法估测AGB精度由皮尔逊相关系数R和均方根误差(RMSE)来衡量,R衡量模型点的准确性,常用R2R2越接近于1,表示模型精度越高;RMSE采用留一交叉验证计算,即每次从n块样地中不重复的抽取一个样地,利用剩余的n − 1个样地估测被抽取样地的AGB。RMSE值越低,回归模型更加准确。R2和RMSE的计算公式如下:

      $${R^2} = 1 - \frac{{\displaystyle\sum\limits_{i = 1}^n {{{({y_i} - \bar y)}^2}} }}{{\displaystyle\sum\limits_{i = 1}^n {{{({Y_i} - \bar y)}^2}} }}$$ (4)
      $${\rm{RMSE}} = \sqrt {\frac{{\displaystyle\sum\limits_{i = 1}^n {{{\left( {{Y_{{i}}} - \bar y} \right)}^2}} }}{n}} $$ (5)
    • 本文首先使用随机森林算法对不同数据源提取出的特征信息进行重要性排序并进行特征信息选择,再使用KNN-FIFS算法确定最优参数组合,然后建立森林AGB估测模型,通过计算相关的模型估测效果评价指标和每个样本的森林AGB预测值,如均方根误差和皮尔逊相关系数以及模型的总体估测精度。

    • 表2列举了几种数据源提取的参数中重要性排列在前5位的参数,表3列出了基于马氏距离的KNN-FIFS生物量反演模型获得的最优特征组合、窗口大小及K值。由表2表3可以看出,在光学数据中,选中的纹理信息占比较大,且波段为绿光和红外波段。在SAR数据中,基于纹理信息提取的参数组合中最优的组合则为HH和VV两个极化通道的强度均值纹理信息;而基于极化分解提取的参数中,最优的组合包括了散射角Alpha,协方差矩阵T的部分分量、反熵和Freeman-Durden分解中的表面散射分量。此外不同的数据源获得最优估测结果的窗口大小不同、K值的选择也有明显的差异。

      表 2  3种数据源重要参数

      Table 2.  Major parameters of three data sources

      数据源 Data source重要参数 Major parameter
      OLIDVI, MEgree, PVI, CONSWIR1, VARSWIR1
      GFHOMONIR, DISNIR, ENNIR, CONNIR, CORNIR
      PALSAR纹理 PALSAR textureVHME, HHME, VVME, VARVH, DISHV
      PALSAR全极化分解特征 PALSAR full polarimetric decomposition characteristicsYamaguchi4_vo1_dB, Yamaguchi4_vo1, Yamaguchi4_h1x_dB,
      Yamaguchi4_Odd_dB, T22
      注:OLI为Landsat-8 OLI;GF为高分一号数据;DVI为差值植被指数;MEgree为绿光波段的均值纹理信息;PVI为正交植被指数;CONSWIR1、VARSWIR1分别为短波红外波段的对比度纹理信息、方差纹理信息;HOMONIR、DISNIR、ENNIR、CONNIR、CORNIR分别为近红外波段的均匀性纹理信息、相异性纹理信息、熵纹理信息、对比度纹理信息、相关性纹理信息;VHME、HHME、VVME分别为VH、HH、VV极化通道信息的均值纹理特征;VARVH为VH极化通道信息的方差纹理信息;DISHV为HV极化通道信息的相异性纹理信息;Yamaguchi4_vo1_dB、Yamaguchi4_vo1、Yamaguchi4_h1x_dB、Yamaguchi4_Odd_dB分别为Yamaguchi4分量分解中体散射分量分贝化结果、体散射分量、螺旋散射分量分贝化结果、表面散射分量分贝化结果;T22为相干矩阵中的一个元素。Notes: OLI is the Landsat-8 OLI data; GF is the Gaofen-1 data; DVI is the differential vegetation index; MEgree is the mean texture of green band; PVI is the perpendicular vegetation index; CONSWIR1 and VARSWIR1 are the contrast texture and variance texture of the short-wave infrared band, respectively; HOMONIR, DISNIR, ENNIR, CONNIR, CORNIR are the homogeneity texture, dissimilarity texture, entropy texture, contrast texture, correlation texture of the near-infrared band, respectively; VHME, HHME, VVME are the mean texture of polarization channel of VH, HH, VV, respectively; VARVH is the variance texture of VH channel; DISHV is the dissimilarity texture of the HV channel; Yamaguchi4_vo1_dB, Yamaguchi4_vo1, Yamaguchi4_h1x_dB, Yamaguchi4_Odd_dB are the decibel results of volume scattering component, volume scattering component, helix scattering component and surface scattering component in the decomposition of Yamaguchi 4 component decompositions, respectively; T22 is an element in the coherence matrix.

      表 3  特征组合

      Table 3.  Feature combination

      数据源
      Data source
      K窗口大小
      Size of the window
      特征组合
      Combination of feature vector
      OLI 8 11 × 11 DVI, VARSWIR1, CONgreen, MEgree
      GF 3 3 × 3 HOMONIR, NIR, CONNIR
      PALSAR纹理 PALSAR texture 9 7 × 7 HHME, VVME
      PALSAR全极化分解特征
      PALSAR full polarimetric decomposition characteristics
      3 7 × 7 alpha, T23_imag, Freeman_Odd, anisotropy, T33, T12_real
      注:DVI为差值植被指数;VARSWIR为短波红外波段swir1的方差纹理信息;CONgree、MEgree为绿光波段的对比度纹理信息、均值纹理信息;HOMONIR、NIR、CONNIR为近红外波段的均匀性纹理信息、光谱信息、对比度纹理信息;HHME为HH极化通道信息的均值纹理特征;VVME为VV极化通道信息的均值纹理特征;alpha为H-A-$ \overline \alpha $分解中的平均散射角;T23_imag为相干矩阵中T23分量的虚部;Freeman_Odd为Freeman三分量分解的表面散射分量;anisotropy为H-A-$ \overline \alpha $分解中的极化各向异质性;T33为相干矩阵中的一个分量;T12_real为相干矩阵中T12分量的实部。Notes: DVI is the differential vegetation index; VARSWIR1 is the variance texture of the short-wave infrared band; CONgree and MEgree are the contrast texture and mean texture of green band, respectively; HOMONIR, NIR and CONNIR are the homogeneity texture, spectral information and the contrast texture of the near-infrared band, respectively; HHME and VVME are the mean texture of polarization channel of HH and VV, respectively; alpha is the average scattering angle of H-A-$ \overline \alpha $ decomposition; T23_imag is the imaginary part of the T23 component in the coherence matrix; Freeman_Odd is the surface scattering component of Freeman-Durden 3 components decomposition; anisotropy is the polarimetric anisotropy of the H-A-$ \overline \alpha $ decomposition; T33 is a component of the component matrix; T12_real is the real part of the T12 component of the coherence matrix.
    • 基于3种不同数据源使用4种不同的特征组合,采用KNN-FIFS方法对根河实验区森林AGB反演制图(图3)。从图3可以看出,采用Landsat8 OLI数据的制图结果中,生物量分布在50 ~ 60 t/hm2的森林区域约占40%,90 ~ 120 t/hm2的区域约占40%,其余区域约占20%。采用高分一号数据的制图结果中,生物量分布在60 ~ 90 t/hm2的区域约占研究区60%,30 ~ 60 t/hm2的森林区域约占30%,其余区域约占10%。采用PALSAR数据纹理信息的制图结果中,生物量分布在30 ~ 60、60 ~ 90、90 ~ 120 t/hm2的区域各约占30%,其余区域约占10%。采用PALSAR数据极化分解参数反演的制图结果中,生物量分布在30 ~ 60 t/hm2的森林区域约占60%,其余区域约占40%。结合研究区的土地利用现状,两种光学数据的高生物量估测区域具有明显的错估现象,特别是在林区主干道附近生物量较低的区域出现了较高的生物量估测值,而基于PALSAR数据的估测结果中,不同生物量水平分布区域的位置则与土地利用中森林的分布基本一致。

      图  3  根河森林AGB分布图

      Figure 3.  Forest AGB distribution map of Genhe, Inner Mongolia

      为了定量的分析不同数据源最优参数组合的森林AGB估测结果,我们将3种不同数据源使用4种不同的特征组合进行KNN-FIFS森林AGB反演结果与实测值进行了对比分析,对比分析结果见图4图4中,(a)、(b)、(c)和(d)分别为Landsat8 OLI影像、高分一号影像、PALSAR影像基于纹理特征、PALSAR影像基于全极化分解提取的参数优选组合反演结果与实测值的对比分析。4种特征组合反演精度如下:Landsat8 OLI估测精度为R2 = 0.50,RMSE = 33.34 t/hm2;高分一号估测精度为R2 = 0.36,RMSE = 37.60 t/hm2;PALSAR纹理特征估测精度为R2 = 0.45,RMSE = 35.40 t/hm2;PALSAR全极化参数提取精度为R2 = 0.63,RMSE = 28.84 t/hm2。对比分析发现,Landsat8 OLI影像、PALSAR纹理特征、PALSAR全极化3种特征组合进行多元回归分析,在生物量偏低时,线性拟合度较好,而随着生物量的增加,点较为离散,总体相关性偏高。而在高分一号影像特征组合中,反演值和实测值整体较为离散,相关性较低。此外使用PALSAR全极化分解的参数估测森林AGB结果要远远高于光学数据和基于纹理信息的参数组合估测的结果。

      图  4  KNN-FIFS估测森林AGB交叉验证结果

      Figure 4.  Cross-validation results of KNN-FIFS estimation

    • 研究结果表明,若采用相同的遥感参数提取方法,光学遥感数据与SAR数据进行森林AGB的估测潜力基本一致,但是精度水平受到获取影像的传感器的影响明显。例如在本文中,若在遥感影像中提取植被因子、波段比值和纹理因子用于AGB估算,Landsat8 OLIs数据估测结果与实测值之间的R2为0.5,RMSE为33.43 t/hm2;ALOS-1 PALSAR-1数据估测结果与实测值之间的R2为0.45,RMSE为35.40 t/hm2;然而高分一号数据的估测结果则略差,估测结果与实测值之间的R2为0.36,RMSE为37.60 t/hm2。该研究结果与文献[5]中的研究结果基本一致,该文献中Landsat8 OLIs的估测结果高于高分一号,高分一号数据的估测结果与P波段SAR数据的估测精度水平基本一致。本研究还发现,若参数提取的方式发生变化,则SAR数据表现出更好的估测能力,本文中,采用极化分解技术提取SAR参数时,森林AGB的估测能力得到了明显的提升,估测结果与实测值之间的R2为0.63,RMSE为28.84 t/hm2。这可能是由于基于极化分解方法提取的SAR参数具有物理意义,更能体现遥感因子与森林AGB的关系。李春梅、韩宗涛等的研究也说明了将SAR参数加入光学参数进行森林AGB的反演可以有效提高反演精度[4, 6]。已有基于光学和SAR影像进行分类的研究结果也表明基于极化分解方法提取的参数用于分类研究的优势[22]。通过分析本文中各种数据在研究区森林AGB的制图结果也发现,相比其他3种反演结果,采用极化分解参数反演的结果在森林AGB的空间分布上与实测的森林AGB的分布更接近。从数据源来看,基于极化分解的SAR影像的估测结果好于Landsat8 OLIs数据,Landsat8 OLIs数据的估测结果好于基于纹理信息的SAR影像,基于纹理信息的SAR影像的结果好于GF-1数据。本文研究结果中两种光学数据源的反演结果差异明显,其可能原因有两点:(1)Landsat8 OLIs数据获取的时间为9月,在研究区的两种树种会落叶,落叶后使得电磁波与森林AGB的主体——树干的相互作用增强,因此相比5月份获取的高分一号数据,可以获得更好的估测结果;(2)Landsat8 OLIs数据的空间分辨率较低,而研究区森林的非均匀特征明显,已有研究表明,在遥感影像的一定采样尺度范围内,采样单元越大,可获得森林参数估测精度较高[23]。另外这两种数据源获取的反演结果中明显的空间分布差异也是由于数据源的不同分辨率或重采样尺度不同引起的。而对于采用不同参数的ALOS-1 PALSAR-1的森林AGB反演结果的空间分布差异则可能是由于两种参数提取的物理基础不同而引起的。

    • 通过采用随机森林对所有数据提取的植被因子、波段比值、纹理因子及PALSAR-1数据的极化分解参数进行重要性排序,采用KNN-FIFS进行参数组合并进行生物量估测的研究结果表明:参数提取的方法对采用KNN-FIFS进行森林AGB的估测结果影响明显,SAR数据中,采用极化分解参数提取方法的模型估测结果精度明显高于采用纹理因子估测的结果。参数提取方法相同的情况下,模型的估测结果受数据源传感器的影响明显,如文中的Landsat8 OLIs数据和高分一号数据反演精度有明显差异,然而,光学数据和SAR数据的反演结果却未表现出明显的差异。由于文中仅采用两种光学数据、一种SAR数据进行了比较,因此研究结论在其他数据源中的适用性有待进一步研究。

      此外,从本文的研究可知:随机森林具有对特征变量排序的能力,可以降低高维数据建模产生大量冗余信息而导致模型估测精度降低的缺点。从特征上来看,纹理特征在随机森林的参数排序中相对靠前说明了其对森林AGB的变化解释能力及在森林AGB反演中的优势。对于高分一号数据提取的植被指数在随机森林中排序相对靠后,且加入植被指数的KNN相关性较低、估测结果精度较低的原因仍需要进一步研究。

参考文献 (23)

目录

    /

    返回文章
    返回