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

林业定量遥感研究进展和展望

黄华国

引用本文:
Citation:

林业定量遥感研究进展和展望

    作者简介: 黄华国,博士,教授。主要研究方向:林业定量遥感。Email: huaguo_huang@bjfu.edu.cn 地址:100083 北京市海淀区清华东路35号北京林业大学林学院.
  • 中图分类号: S771.8; TP72

Progress and perspective of quantitative remote sensing of forestry

  • 摘要: 林业遥感经历了航片判读、卫片目视解译、蓄积量定量估测阶段后,已经进入参数定量反演阶段。在林业对遥感业务化监测和精度提升的强烈需求下,定量遥感逐步与林业遥感交叉融合,林业遥感定量化研究的人才队伍、理论模型、数据源和应用方法逐渐成熟。本文提出了林业定量遥感的概念和框架,指出了其中关键的科学问题:(1)如何使遥感解译、建模和反演适应复杂的森林状况;(2)如何提高参数反演的准确度;(3)如何丰富林业遥感数据源;(3)如何发展更为智能化的遥感数据自动化算法。在介绍适合林业的定量遥感模型和通用反演方法的基础上,阐述了高光谱、热红外、激光雷达和微波遥感数据源的林业应用方法。未来林业定量遥感将在全波段数据统一建模和信息融合机制、机理模型反演、大数据融合等方面进行突破。
  • 图 1  林业定量遥感的核心科学问题

    Figure 1.  Major scientific questions in quantitative remote sensing of forestry

    图 2  林业定量遥感的交叉合作实现框架

    Figure 2.  Cooperation implementation framework for quantitative remote sensing of forestry

    表 1  林业定量遥感正向模型

    Table 1.  Forward model of quantitative remote sensing of forestry

    模型类型 Model class模型名称 Model name功能 Function
    阔叶 Broadleaf PROSPECT[51] 模拟叶片高光谱反射和透射率曲线
    Simulate leaf hyperspectral reflectance and transmittance curves
    圆盘模型[52] Disk model 模拟叶片微波散射
    Simulate leaf microwave scattering
    针叶 Needle LIBERTY[53] 模拟针叶高光谱反射和透射率曲线
    Simulate needle-like leaf hyperspectral reflectance and transmittance curves
    圆柱体模型[54]
    Cylinder model
    模拟针叶微波散射
    Simulate needle-like leaf microwave scattering
    水体 Water Cox-Monk[55] 考虑波浪的水体反射
    Simulate water reflectance with waves
    土壤 Soil HAPKE[56] 模拟土壤反射率
    Simulate soil reflectance
    AIEM[57] 模拟土壤微波散射
    Simulate soil microwave scattering
    冠层 Canopy 几何光学模型[28]
    Geometric-optical Model
    椭球体假设,模拟林分二向反射
    Use sphere assumption to simulate forest BRDF
    SAIL[58] 一维假设,模拟植被反射和热辐射
    1D assumption, simulate vegetation radiative transfer in VNIR and TIR
    五尺度模型[59] 5-scale 五尺度假设,模拟林分二向反射
    Five scale assumption to simulate forest BRDF
    随机辐射传输模型[60] SRT 结构光谱分离,模拟林分二向反射
    Separate optical and structural information to simulate BRDF
    水云模型[61]
    Water cloud model
    一阶透射,模拟作物和草地微波散射
    1st order transmittance to simulate crop and grass microwave scattering
    MIMICS[62] 一维假设,模拟林分微波后向散射系数
    1D assumption to simulate forest microwave scattering
    DART[63] 三维模型,模拟林分二向反射、热红外辐射和激光雷达
    3D, simulate forest BRDF, TIR emission and LiDAR
    RAPID[32, 34] 三维模型,模拟林分二向反射、热红外辐射、激光雷达和微波散射
    3D, simulate forest BRDF, TIR emission, LiDAR and microwave scattering
    LESS[64] 三维模型,模拟林分二向反射、热红外辐射和激光雷达
    3D, simulate forest BRDF, TIR emission and LiDAR
    下载: 导出CSV
  • [1] 游先祥. 应用彩红外航空照片对森林受污染危害程度的动态研究[J]. 北京林业大学学报, 1986, 8(2):49−72.You X X. Using color infra-red aerial photographs to dynamically monitor polluted forests[J]. Journal of Beijing Forestry University, 1986, 8(2): 49−72.
    [2] 游先祥, 杨晓明. 应用遥感信息复合方法的森林分类和动态监测研究[J]. 环境遥感, 1995, 10(2):97−106.You X X, Yang X M. A study on forest classification and dynamic monitoring by using remote sensing information[J]. Remote Sensing of Environment China, 1995, 10(2): 97−106.
    [3] 赵宪文. 林业遥感定量估测[M]. 北京: 中国林业出版社, 1997.Zhao X W. Quantitative estimation of remote sensing in forestry[M]. Beijing: China Forestry Publishing House, 1997.
    [4] Gu C, Clevers J G P W, Xiao L, et al. Predicting forest height using the GOST, Landsat 7 ETM+, and airborne LiDAR for sloping terrains in the Greater Khingan Mountains of China[J]. Isprs Journal of Photogrammetry & Remote Sensing, 2018, 137: 97−111.
    [5] 李增元, 陈尔学, 高志海, 等. 中国林业遥感技术与应用发展现状及建议[J]. 中国科学院院刊, 2013, 28(Z1):132−144.Li Z Y, Chen E X, Gao Z H, et al. Current development status and proposals for national forest remote sensing techniques and applications[J]. Bulletin of the Chinese Academy of Sciences, 2013, 28(Z1): 132−144.
    [6] 李小文. 定量遥感的发展与创新[J]. 河南大学学报(自然科学版), 2005, 35(4):49−56. doi: 10.3969/j.issn.1003-4978.2005.04.012Li X W. Retrospect, prospect and innovation in quantitative remote sensing[J]. Journal of Henan University (Natural Science), 2005, 35(4): 49−56. doi: 10.3969/j.issn.1003-4978.2005.04.012
    [7] 赵宪文, 李崇贵, 斯林, 等. 基于信息技术的森林资源调查新体系[J]. 北京林业大学学报, 2002, 24(5):147−155. doi: 10.3321/j.issn:1000-1522.2002.05.028Zhao X W, Li C G, Si L, et al. Building a new system of forest resources inventory by information technology[J]. Journal of Beijing Forestry University, 2002, 24(5): 147−155. doi: 10.3321/j.issn:1000-1522.2002.05.028
    [8] 覃先林, 张子辉, 李增元. 一种利用HJ-1B红外相机数据自动识别林火的方法[J]. 遥感技术与应用, 2010, 25(5):700−706. doi: 10.11873/j.issn.1004-0323.2010.5.700Qin X L, Zhang Z H, Li Z Y. An automatic forest fires identification method using HJ-1BIRS data[J]. Remote Sensing Technology & Application, 2010, 25(5): 700−706. doi: 10.11873/j.issn.1004-0323.2010.5.700
    [9] 武红敢, 曾庆伟. 林业生物灾害的监测调查技术研究进展[J]. 灾害学, 2008, 23(4):106−109. doi: 10.3969/j.issn.1000-811X.2008.04.022Wu H G, Zeng Q W. Technological development of forest pest monitoring[J]. Journal of Catastrophology, 2008, 23(4): 106−109. doi: 10.3969/j.issn.1000-811X.2008.04.022
    [10] 覃先林, 李增元, 易浩若, 等. 基于ENVISAT-MERIS数据的过火区制图方法研究[J]. 遥感技术与应用, 2008, 23(1):1−6. doi: 10.11873/j.issn.1004-0323.2008.1.1Qin X L, Li Z Y, Yi H R, et al. Studying on burned scar mapping using ENVISat-MERIS data[J]. Remote Sensing Technology & Application, 2008, 23(1): 1−6. doi: 10.11873/j.issn.1004-0323.2008.1.1
    [11] 赵宪文. 面向21世纪的中国林业遥感[J]. 中国工程科学, 1999, 1(3):16−21. doi: 10.3969/j.issn.1009-1742.1999.03.004Zhao X W. Orienting the forest remote sensing of the 21st century in China[J]. Engineering Science, 1999, 1(3): 16−21. doi: 10.3969/j.issn.1009-1742.1999.03.004
    [12] 唐守正. 关于两相抽样面积蓄积统计的原则[J]. 林业资源管理, 1996(4):18−22.Tang S Z. Rules on area and volume statistics using double sampling[J]. Forest Resources Management, 1996(4): 18−22.
    [13] 徐冠华, 田国良, 王超, 等. 遥感信息科学的进展和展望[J]. 地理学报, 1996, 51(5):385−397. doi: 10.3321/j.issn:0375-5444.1996.05.001Xu G H, Tian G L, Wang C, et al. Remote sensing information science: progress and prospect[J]. Acta Geographica Sinica, 1996, 51(5): 385−397. doi: 10.3321/j.issn:0375-5444.1996.05.001
    [14] 游先祥. 遥感原理及在资源环境中的应用[M]. 北京: 中国林业出版社, 2003.You X X. Remote sensing principles and its applications in resource and environment[M]. Beijing: China Forestry Publishing House, 2003.
    [15] 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.1001-4241.1999.06.004Chen 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
    [16] 赵宪文, 周万村, 易浩若. 森林火灾遥感监测评价: 理论及技术应用[M]. 北京: 中国林业出版社, 1995.Zhao X W, Zhou W C, Yi H R. Monitoring and assessment of remote sensing on forest fire-theory and technology application[M]. Beijing: China Forestry Publishing House, 1995.
    [17] 谢卫莹. 高光谱遥感影像高精度分类方法研究[D]. 西安: 西安电子科技大学, 2017.Xie W Y. Research on high accuracy classification for hyperspectral remote sensing imagery[D]. Xi ’an: Xidian University, 2017.
    [18] 谭炳香, 李增元, 陈尔学, 等. Hyperion高光谱数据森林郁闭度定量估测研究[J]. 北京林业大学学报, 2006, 28(3):95−101. doi: 10.3321/j.issn:1000-1522.2006.03.017Tan B X, Li Z Y, Chen E X, et al. Estimating forest crown closure using Hyperion hyperspectral data[J]. Journal of Beijing Forestry University, 2006, 28(3): 95−101. doi: 10.3321/j.issn:1000-1522.2006.03.017
    [19] 蒋云姣, 韩轶群, 李明阳, 等. 紫金山乔木多样性遥感估测及空间分布[J]. 浙江农林大学学报, 2015, 32(4):509−515. doi: 10.3969/j.issn.1000-5382.2019.05.014Jiang Y J, Han Y Q, Li M Y, et al. Remote sensing based estimation and spatial distribution of tree species diversity for Zijin Mountain[J]. Journal of Zhejiang A & F University, 2015, 32(4): 509−515. doi: 10.3969/j.issn.1000-5382.2019.05.014
    [20] 沈亲, 邓槿, 刘旭升, 等. 基于遥感温度植被干旱指数的小蠹虫害预警[J]. 农业工程学报, 2018, 34(9):167−174. doi: 10.11975/j.issn.1002-6819.2018.09.020Shen Q, Deng J, Liu X S, et al. Prediction of bark beetles pests based on temperature vegetation dryness index[J]. Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(9): 167−174. doi: 10.11975/j.issn.1002-6819.2018.09.020
    [21] 梁顺林, 程洁, 贾坤, 等. 陆表定量遥感反演方法的发展新动态[J]. 遥感学报, 2016, 20(5):875−898.Liang S L, Cheng J, Jia K, et al. Recent progress in land surface quantitative remote sensing[J]. Journal of Remote Sensing, 2016, 20(5): 875−898.
    [22] 李小文, 王锦地. 植被光学遥感模型与植被结构参数化[M]. 北京: 科学出版社, 1995Li X W, Wang J D. Plant photon remote sensing model and parameterizing of plant structure[M]. Beijing: Science Press, 1995.
    [23] 柳钦火, 辛晓洲, 唐娉, 等. 定量遥感模型、应用及不确定性研究[M]. 北京: 科学出版社, 2010.Liu Q H, Xin X Z, Tang P, et al. Modeling, application and uncertainty of quantitative remote sensing[M]. Beijing: Science Press, 2010.
    [24] Liang S L. Quantitative remote sensing of land surfaces[M]. Hoboken: John Wiley and Sons, Inc., 2004.
    [25] 柳钦火, 唐勇, 李静, 等. 遥感辐射传输建模与反演研究进展[J]. 遥感学报, 2009, 13(增刊 1):168−182.Liu Q H, Tang Y, Li J, et al. Research progress on remote sensing radiative transfer modellling and inversion[J]. Journal of Remote Sensing, 2009, 13(Suppl. 1): 168−182.
    [26] 李晓松, 高志海, 李增元, 等. 基于高光谱混合像元分解的干旱地区稀疏植被覆盖度估测[J]. 应用生态学报, 2010, 21(1):152−158.Li X S, Gao Z H, Li Z Y, et al. Estimation of sparse vegetation coverage in arid region based on hyperspectral mixed pixel decomposition[J]. Chinese Journal of Applied Ecology, 2010, 21(1): 152−158.
    [27] 汪小钦, 江洪, 傅银贞. 森林叶面积指数遥感研究进展[J]. 福州大学学报(自然科学版), 2009, 37(6):822−828.Wang X Q, Jiang H, Fu Y Z. The progress of the forest LAI estimation from remote sensing data[J]. Journal of Fuzhou University (Natural Science Edition), 2009, 37(6): 822−828.
    [28] Li X, Strahler A H. Geometric-optical bidirectional reflectance modeling of the discrete crown vegetation canopy: effect of crown shape and mutual shadowing[J]. IEEE Transactions on Geoscience & Remote Sensing, 1992, 30(2): 276−292.
    [29] Verhoef W, Jia L, Xiao Q, et al. Unified optical-thermal four-stream radiative transfer theory for homogeneous vegetation canopies[J]. IEEE Transactions on Geoscience & Remote Sensing, 2007, 45(6): 1808−1822.
    [30] Jin Y Q. Electromagnetic scattering modelling for quantitative remote sensing[M]. Singapore: World Scientific, 1993.
    [31] 柳钦火, 阎广建, 焦子锑, 等. 发展几何光学遥感建模理论, 推动定量遥感科学前行—深切缅怀李小文院士[J]. 遥感学报, 2019, 23(1):1−10.Liu Q H, Yan G J, Jiao Z T, et al. Geometric-optical remote sensing modeling to quantitative remote sensing theory and methodology development: in memory of academician Li Xiaowen[J]. Journal of Remote Sensing, 2019, 23(1): 1−10.
    [32] Huang H G, Qin W, Liu Q. RAPID: a radiosity applicable to porous individual objects for directional reflectance over complex vegetated scenes[J]. Remote Sensing of Environment, 2013, 132(10): 221−237.
    [33] Huang H G, Wynne R H. Simulation of lidar waveforms with a time-dependent radiosity algorithm[J]. Canadian Journal of Remote Sensing, 2013, 39(Suppl. 1): 126−138.
    [34] Huang H G, Zhang Z Y, Ni W J, et al. Extending RAPID model to simulate forest microwave backscattering[J]. Remote Sensing of Environment, 2018, 217(10): 272−291.
    [35] 李增元, 覃先林, 高志海, 等. 高分遥感林业应用研究[J]. 卫星应用, 2018(11):61−65. doi: 10.3969/j.issn.1674-9030.2018.11.015Li Z Y, Qin X L, Gao Z H, et al. Application research of high resolution remote sensing in forestry[J]. Satellite Application, 2018(11): 61−65. doi: 10.3969/j.issn.1674-9030.2018.11.015
    [36] Foody G M. Status of land cover classification accuracy assessment[J]. Remote Sensing of Environment, 2002, 80(1): 185−201. doi: 10.1016/S0034-4257(01)00295-4
    [37] Alijafar M, Wout V, Massimo M, et al. Modeling top of atmosphere radiance over heterogeneous non-lambertian rugged terrain[J]. Remote Sensing, 2015, 7(6): 8019−8044. doi: 10.3390/rs70608019
    [38] 柳钦火, 曹彪, 曾也鲁, 等. 植被遥感辐射传输建模中的异质性研究进展[J]. 遥感学报, 2016, 20(5):933−945.Liu Q H, Cao B, Zeng Y L, et al. Recent progresses on the remote sensing radiative transfer modeling over heterogeneous vegetation canopy[J]. Journal of Remote Sensing, 2016, 20(5): 933−945.
    [39] 高峰, 李小文, 夏宗国, 等. 基于知识的分阶段不确定性多角度遥感反演[J]. 中国科学(D辑), 1998, 28(4):346−350.Gao F, Li X W, Xia Z G, et al. Multi-stage uncertainty inversion of multi-angle remote sensing based on prior information[J]. Science in China (Series D), 1998, 28(4): 346−350.
    [40] Sader S A, Stone T A, Joyce A T. Remote sensing of tropical forests: an overview of research and applications using non-photographic sensors[J]. Photogrammetric Engineering and Remote Sensing, 1990, 56(10): 1343−1351.
    [41] King D J. Airborne remote sensing in forestry: sensors, analysis and applications[J]. Forestry Chronicle, 2000, 76(6): 25−42.
    [42] Su Y, Guan H, Hu T, et al. The integration of UAV and backpack lidar systems for forest inventory[C]//IEEE. IGARSS 2018 –2018 IEEE International Geoscience and Remote Sensing Symposium. Valencia: IEEE, 2018.
    [43] Zou X, Cheng M, Wang C, et al. Tree classification in complex forest point clouds based on deep learning[J]. IEEE Geoscience and Remote Sensing Letters, 2017, 14(12): 2360−2364. doi: 10.1109/LGRS.2017.2764938
    [44] Ball J E, Anderson D T, Chan C S. A comprehensive survey of deep learning in remote sensing: theories, tools and challenges for the community[J]. Journal of Applied Remote Sensing, 2017, 11(4). DOI: 10.1117/1.JRS.11.042609.
    [45] 吴楠, 李增元, 廖声熙, 等. 国内外林业遥感应用研究概况与展望[J]. 世界林业研究, 2017, 30(6):34−40.Wu N, Li Z Y, Liao S X, et al. Current situation and prospect of research on application of remote sensing to forestry[J]. World Forestry Research, 2017, 30(6): 34−40.
    [46] Khare S, Latifi H, Rossi S. Forest beta-diversity analysis by remote sensing: how scale and sensors affect the Rao’s Q index[J]. Ecological Indicators, 2019, 106. DOI: 10.1016/j.ecolind.2019.105520.
    [47] Ferreira M P, Féret J-B, Grau E, et al. Retrieving structural and chemical properties of individual tree crowns in a highly diverse tropical forest with 3D radiative transfer modeling and imaging spectroscopy[J]. Remote Sensing of Environment, 2018, 211(6): 276−291.
    [48] Fischer R, Knapp N, Bohn F, et al. The relevance of forest structure for biomass and productivity in temperate forests: new perspectives for remote sensing[J]. Surveys in Geophysics, 2019, 40(4): 709−734. doi: 10.1007/s10712-019-09519-x
    [49] Senf C, Seidl R, Hostert P. Remote sensing of forest insect disturbances: current state and future directions[J]. International Journal of Applied Earth Observations and Geoinformation, 2017, 60(8): 49−60.
    [50] Widlowski J L, Taberner M, Pinty B, et al. Third radiation transfer model intercomparison (RAMI) exercise: documenting progress in canopy reflectance models[J]. Journal of Geophysical Research, 2007, 112(9): D09111.
    [51] Jacquemoud S, Baret F. Prospect: a model of leaf optical properties spectra[J]. Remote Sensing of Environment, 1990, 34(2): 75−91. doi: 10.1016/0034-4257(90)90100-Z
    [52] Senior T B A, Sarabandi K, Ulaby F T. Measuring and modeling the backscattering cross section of a leaf[J]. Radio Science, 1987, 22(6): 1109−1116. doi: 10.1029/RS022i006p01109
    [53] Dawson T P, Curran P J, Plummer S E. Liberty: modeling the effects of leaf biochemical concentration on reflectance spectra[J]. Remote Sensing of Environment, 1998, 65(1): 50−60. doi: 10.1016/S0034-4257(98)00007-8
    [54] Karam M A, Fung A K. Electromagnetic scattering from a layer of finite length, randomly oriented, dielectric, circular cylinders over a rough interface with application to vegetation[J]. International Journal of Remote Sensing, 1988, 9(6): 1109−1134. doi: 10.1080/01431168808954918
    [55] Cox C, Munk W. Measurement of the roughness of the sea surface from photographs of the suns glitter[J]. Journal of the Optical Society of America, 1954, 44(11): 838−850. doi: 10.1364/JOSA.44.000838
    [56] Liang S, Townshend J R G. A modified Hapke model for soil bidirectional reflectance[J]. Remote Sensing of Environment, 1996, 55(55): 1−10.
    [57] Chen K S, Wu T D, Tsang L, et al. Emission of rough surfaces calculated by the integral equation method with comparison to three-dimensional moment method simulations[J]. IEEE Transactions on Geoscience & Remote Sensing, 2003, 41(1): 90−101.
    [58] Verhoef W, Bach H. Simulation of sentinel-3 images by four-stream surface–atmosphere radiative transfer modeling in the optical and thermal domains[J]. Remote Sensing of Environment, 2012, 120(10): 197−207.
    [59] Leblanc S G, Chen J M. A windows graphic user interface (GUI) for the five-scale model for fast BRDF simulations[J]. Remote Sensing Reviews, 2000, 19(1−4): 293−305. doi: 10.1080/02757250009532423
    [60] Shabanov N V, Knyazikhin Y, Baret F, et al. Stochastic modeling of radiation regime in discontinuous vegetation canopies[J]. Remote Sensing of Environment, 2000, 74(1): 125−144. doi: 10.1016/S0034-4257(00)00128-0
    [61] Attema E P W, Ulaby F T. Vegetation modeled as a water cloud[J]. Radio Science, 1978, 13(2): 357−364. doi: 10.1029/RS013i002p00357
    [62] Ulaby F T, Sarabandi K, Mcdonald K, et al. Michigan microwave canopy scattering model[J]. International Journal of Remote Sensing, 1990, 11(7): 1223−1253. doi: 10.1080/01431169008955090
    [63] Gastellu-Etchegorry J P, Lauret N, Yin T, et al. Dart: recent advances in remote sensing data modeling with atmosphere, polarization, and chlorophyll fluorescence[J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing, 2017, 10(6): 2640−2649.
    [64] Qi J, Xie D, Yin T, et al. Less: large-scale remote sensing data and image simulation framework over heterogeneous 3D scenes[J]. Remote Sensing of Environment, 2019, 221(2): 695−706.
    [65] 谭炳香, 李增元, 陈尔学, 等. 高光谱遥感森林信息提取研究进展[J]. 林业科学研究, 2008, 21(S1):105−111.Tan B X, Li Z Y, Chen E X, et al. Research advance in forest informa tion extractionfrom hyoerspectral remote sensing data[J]. Forest Research, 2008, 21(S1): 105−111.
    [66] 李瑞平, 黄侃, 黄华国. 吉林蛟河主要树种叶片光谱分类[J]. 东北林业大学学报, 2015, 43(3):48−55. doi: 10.3969/j.issn.1000-5382.2015.03.012Li R P, Huang K, Huang H G. Leaf classification of main tree species in Jiaohe of Jilin with hyperspectral data[J]. Journal of Northeast Forestry University, 2015, 43(3): 48−55. doi: 10.3969/j.issn.1000-5382.2015.03.012
    [67] Quan W, Li P. Identification of robust hyperspectral indices on forest leaf water content using PROSPECT simulated dataset and field reflectance measurements[J]. Hydrological Processes, 2012, 26(8): 1230−1241. doi: 10.1002/hyp.8221
    [68] Schlerf M, Atzberger C, Hill J. Remote sensing of forest biophysical variables using HyMap imaging spectrometer data[J]. Remote Sensing of Environment, 2005, 95(2): 177−194. doi: 10.1016/j.rse.2004.12.016
    [69] 李军玲, 庞勇, 李增元, 等. 机载AISA Eagle Ⅱ高光谱数据在温带天然林树种分类中的应用[J]. 东北林业大学学报, 2019, 47(5):72−76. doi: 10.3969/j.issn.1000-5382.2019.05.014Li J L, Pang Y, Li Z Y, et al. Tree species classification using airborne hyperspectral data in a temperate natural forest[J]. Journal of Northeast Forestry University, 2019, 47(5): 72−76. doi: 10.3969/j.issn.1000-5382.2019.05.014
    [70] 周磊, 辛晓平, 李刚, 等. 高光谱遥感在草原监测中的应用[J]. 草业科学, 2009, 26(4):20−27.Zhou L, Xin X P, Li G, et al. Application progress on hyperspectral remote sensing in grassland monitoring[J]. Pratacultural Science, 2009, 26(4): 20−27.
    [71] 谭炳香, 李增元, 陈尔学, 等. EO-1 Hyperion高光谱数据的预处理[J]. 遥感信息, 2005(6):36−41. doi: 10.3969/j.issn.1000-3177.2005.06.010Tan B X, Li Z Y, Chen E X, et al. Preprocessing of EO-1 Hyperion hyperspectral data[J]. Remote Sensing Information, 2005(6): 36−41. doi: 10.3969/j.issn.1000-3177.2005.06.010
    [72] 李小梅, 谭炳香, 李增元, 等. CHRIS高光谱图像森林类型分类方法比较研究[J]. 遥感技术与应用, 2010, 25(2):227−234. doi: 10.11873/j.issn.1004-0323.2010.2.227Li X M, Tan B X, Li Z Y, et al. Comparation of forest types classification methods using CHRIS hyperspectral image[J]. Remote Sensing Technology and Application, 2010, 25(2): 227−234. doi: 10.11873/j.issn.1004-0323.2010.2.227
    [73] 孙允珠, 蒋光伟, 李云端, 等. "高分五号"卫星概况及应用前景展望[J]. 航天返回与遥感, 2018, 39(3):1−13. doi: 10.3969/j.issn.1009-8518.2018.03.001Sun Y Z, Jiang G W, Li Y D, et al. GF-5 satellite: overview and application prospects[J]. Spacecraft Recovery & Remote Sensing, 2018, 39(3): 1−13. doi: 10.3969/j.issn.1009-8518.2018.03.001
    [74] 刘丽娟, 庞勇, 范文义, 等. 机载LiDAR和高光谱融合实现温带天然林树种识别[J]. 遥感学报, 2013, 17(3):679−695.Liu L J, Pang Y, Fan W Y, et al. Fused airborne LiDAR and hyperspectral data for tree species identification in a natural temperate forest[J]. Journal of Remote Sensing, 2013, 17(3): 679−695.
    [75] 韦玮, 李增元, 谭炳香. 高光谱遥感技术在湿地研究中的应用[J]. 世界林业研究, 2010, 23(3):18−23.Wei W, Li Z Y, Tan B X. A review of application of hyperspectral remote sensing to wetland study[J]. World Forestry Research, 2010, 23(3): 18−23.
    [76] 刘啸添, 周蕾, 石浩, 等. 基于多种遥感植被指数、叶绿素荧光与CO2通量数据的温带针阔混交林物候特征对比分析[J]. 生态学报, 2018, 38(10):3482−3494.Liu X T, Zhou L, Shi H, et al. Phenological characteristics of temperate coniferous and broad-leaved mixed forests based on multiple remote sensing vegetation indices, chlorophyll fluorescence and CO2 flux data[J]. Acta Ecologica Sinica, 2018, 38(10): 3482−3494.
    [77] 李石磊, 高懋芳, 李召良, 等. 基于碳卫星的中国东北地区叶绿素荧光反演[J]. 中国农业信息, 2018, 30(6):53−62. doi: 10.12105/j.issn.1672-0423.20180605Li S L, Gao M F, Li Z L, et al. Retrieval of chlorophyll fluorescence from Tansat in Northeast China[J]. China Agricultural Informatics, 2018, 30(6): 53−62. doi: 10.12105/j.issn.1672-0423.20180605
    [78] 张永江, 刘良云, 侯名语, 等. 植物叶绿素荧光遥感研究进展[J]. 遥感学报, 2009, 13(5):963−978.Zhang Y J, Liu L Y, Hou Y M, et al. Progress in remote sensing of vegetation chlorophyll fluorescence[J]. Journal of Remote Sensing, 2009, 13(5): 963−978.
    [79] 解潍嘉. 遥感观测林冠温度的角度效应动态模拟研究[D]. 北京: 北京林业大学, 2016.Xie W J. Simulation of angular effect and temporal variation of forest canopy temperature by remote sensing observations[D]. Beijing: Beijing Forestry University, 2016.
    [80] Fisher J B, Hook S J, Allen R G, et al. ECOSTRESS: NASA’S next-generation mission to measure evapotranspiration from the international space station[C]//AGU. AGU Fall Meeting 2015. San Francisco: American Geophysical Union, 2015.
    [81] 庞勇, 李增元, 陈尔学, 等. 激光雷达技术及其在林业上的应用[J]. 林业科学, 2005, 41(3):129−136. doi: 10.3321/j.issn:1001-7488.2005.03.022Pang Y, Li Z Y, Chen E X, et al. Lidar remote sensing technology and its application in forestry[J]. Scientia Silvae Sinicae, 2005, 41(3): 129−136. doi: 10.3321/j.issn:1001-7488.2005.03.022
    [82] Yan W Y, Shaker A, Habib A, et al. Improving classification accuracy of airborne LiDAR intensity data by geometric calibration and radiometric correction[J]. Isprs Journal of Photogrammetry & Remote Sensing, 2012, 67(2): 35−44.
    [83] 林沂, Puttonen E, Hyypp J. 高光谱激光雷达: 三维生物物理化学生态测量学[J]. 遥感信息, 2017, 32(1):5−9. doi: 10.3969/j.issn.1000-3177.2017.01.002Lin Y, Puttonen E, Hyypp J. Hyperspectral LiDAR: a new era of 3D biophysichemical ecometrics[J]. Remote Sensing Information, 2017, 32(1): 5−9. doi: 10.3969/j.issn.1000-3177.2017.01.002
    [84] 陈尔学, 李增元, 庞勇, 等. 基于极化合成孔径雷达干涉测量的平均树高提取技术[J]. 林业科学, 2007, 43(4):66−70. doi: 10.3321/j.issn:1001-7488.2007.04.011Chen E X, Li Z Y, Pang Y, et al. Polarimetric synthetic aperture radar interferometry based mean tree height extraction technique[J]. Scientia Silvae Sinicae, 2007, 43(4): 66−70. doi: 10.3321/j.issn:1001-7488.2007.04.011
    [85] 薛娟, 俞琳锋, 林起楠, 等. 基于Sentinel-1多时相InSAR影像的云南松切梢小蠹危害程度监测[J]. 国土资源遥感, 2018, 30(4):108−114. doi: 10.6046/gtzyyg.2018.04.17Xue J, Yu L F, Lin Q N, et al. Using SENTINEL-1 time series InSAR data to monitor the damage degree of shoot beetle in Yunnan pine forest[J]. Remote Sensing for Land and Resources, 2018, 30(4): 108−114. doi: 10.6046/gtzyyg.2018.04.17
    [86] 李平湘, 刘致曲, 杨杰, 等. 利用随机森林回归进行极化SAR土壤水分反演[J]. 武汉大学学报: 信息科学版, 2019, 44(3):405−412.Li P X, Liu Z Q, Yang J, et al. Soil moisture retrieval of winter wheat fields based on random forest regression using Quad-polarimetric SAR images[J]. Geomatics and Information Science of Wuhan University, 2019, 44(3): 405−412.
    [87] 李德仁, 张良培, 夏桂松. 遥感大数据自动分析与数据挖掘[J]. 测绘学报, 2014, 43(12):1211−1216.Li D R, Zhang L P, Xia G S. Automatic analysis and mining of remote sensing big data[J]. Acta Geodaetica et Cartographica Sinica, 2014, 43(12): 1211−1216.
    [88] 郭华东, 王力哲, 陈方, 等. 科学大数据与数字地球[J]. 科学通报, 2014, 59(35):1047−1054.Guo H D, Wang L Z, Chen F, et al. Scientific big data and digital earth[J]. Chinese Science Bulletin, 2014, 59(35): 1047−1054.
    [89] 张良培, 沈焕锋. 遥感数据融合的进展与前瞻[J]. 遥感学报, 2016, 20(5):1050−1061.Zhang L P, Shen H F. Progress and future of remote sensing data fusion[J]. Journal of Remote Sensing, 2016, 20(5): 1050−1061.
    [90] 何兴元, 任春颖, 陈琳, 等. 森林生态系统遥感监测技术研究进展[J]. 地理科学, 2018, 38(7):997−1011.He X Y, Ren C Y, Chen L, et al. The progress of forest ecosystems monitoring with remote sensing techniques[J]. Scientia Geographica Sinica, 2018, 38(7): 997−1011.
    [91] Karathanassi V, Kolokousis P, Ioannidou S. A comparison study on fusion methods using evaluation indicators[J]. International Journal of Remote Sensing, 2007, 28(10): 2309−2341. doi: 10.1080/01431160600606890
    [92] Evans T L, Costa M, Telmer K, et al. Using ALOS/PALSAR and RADARSAT-2 to map land cover and seasonal inundation in the Brazilian Pantanal[J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing, 2010, 3(4): 560−575.
    [93] Lehmann E A, Caccetta P, Lowell K, et al. SAR and optical remote sensing: assessment of complementarity and interoperability in the context of a large-scale operational forest monitoring system[J]. Remote Sensing of Environment, 2015, 156: 335−348. doi: 10.1016/j.rse.2014.09.034
    [94] 蔡庆空, 李二俊, 陶亮亮, 等. PROSAIL模型和水云模型耦合反演农田土壤水分[J]. 农业工程学报, 2018, 34(20):117−123. doi: 10.11975/j.issn.1002-6819.2018.20.015Cai Q K, Li E J, Tao L L, et al. Farmland soil moisture retrieval using PROSAIL and water cloud model[J]. Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(20): 117−123. doi: 10.11975/j.issn.1002-6819.2018.20.015
    [95] Côté J F, Fournier R A, Luther J E, et al. Fine-scale three-dimensional modeling of boreal forest plots to improve forest characterization with remote sensing[J]. Remote Sensing of Environment, 2018, 219: 99−114. doi: 10.1016/j.rse.2018.09.026
    [96] Huang Y, Chen Z X, Tao Y U, et al. Agricultural remote sensing big data: management and applications[J]. Journal of Integrative Agriculture, 2018, 17(9): 1915−1931. doi: 10.1016/S2095-3119(17)61859-8
    [97] José G D, Philip L, Mathias D. Efficient emulation of radiative transfer codes using gaussian processes and application to land surface parameter inferences[J]. Remote Sensing, 2016, DOI: 1033902/rs8020119.
    [98] Swarup V, Geschwind D H. Alzheimer’s disease: from big data to mechanism[J]. Nature, 2013, 500(7460): 34−35. doi: 10.1038/nature12457
    [99] 陈仲新, 任建强, 唐华俊, 等. 农业遥感研究应用进展与展望[J]. 遥感学报, 2016, 20(5):748−767.Chen Z X, Ren J Q, Tang H J, et al. Progress and perspectives on agricultural remote sensing research and applications in China[J]. Journal of Remote Sensing, 2016, 20(5): 748−767.
    [100] 刘建刚, 赵春江, 杨贵军, 等. 无人机遥感解析田间作物表型信息研究进展[J]. 农业工程学报, 2016, 32(24):98−106. doi: 10.11975/j.issn.1002-6819.2016.24.013Liu J G, Zhao C J, Yang G J, et al. Review of field-based phenotyping by unmanned aerial vehicle remote sensing platform[J]. Transactions of the Chinese Society of Agricultural Engineering, 2016, 32(24): 98−106. doi: 10.11975/j.issn.1002-6819.2016.24.013
    [101] Ramón D-V, Raúl D L R, Lorenzo L, et al. High-resolution airborne UAV imagery to assess olive tree crown parameters using 3D photo reconstruction: application in breeding trials[J]. Remote Sensing, 2015, 7(4): 4213−4232. doi: 10.3390/rs70404213
    [102] Gómez-Candón D, Virlet N, Labbé S, et al. Field phenotyping of water stress at tree scale by UAV-sensed imagery: new insights for thermal acquisition and calibration[J]. Precision Agriculture, 2016, 17(6): 1−15.
  • [1] 赵丽琼黄华国梁大双张晓丽 . 甘肃大野口青海云杉种群的空间分布格局. 北京林业大学学报,
    [2] 臧淑英那晓东冯仲科 , . 基于植被指数的大庆地区草地退化因子遥感定量反演模型的研制. 北京林业大学学报,
    [3] 蒲智刘萍杨辽白洁 , . 城市绿地信息提取中的遥感影像阴影校正. 北京林业大学学报,
    [4] 赵铁珍任云卯张颖张秀新金莹杉王超孙阁刘杏娥周海宾吴淑芳林勇明王蕾张仁军周繇林娅邢韶华李云开谭健晖崔丽娟尹增芳李昌晓王戈闫德千梁善庆李春义张玉兰陈圆王春梅张运春王莲英罗建举徐秋芳刘艳红马履一江泽慧江泽慧赵勃张明张志强张曼胤张桥英周荣伍于俊林杨远芬翟明普樊汝汶刘青林高岚余养伦刘国经吴普特马钦彦洪滔温亚利杨培岭钟章成王以红黄华国罗鹏周国模殷际松邵彬刘俊昌王小青汪晓峰安玉涛吴承祯田英杰费本华王希群张晓丽崔国发张本刚王玉涛杨海军陈学政于文吉冯浩何春光柯水发周国逸洪伟赵景刚马润国骆有庆何松云蔡玲李敏温亚利任树梅邬奇峰徐昕魏晓华王九中徐克学康峰峰高贤明刘爱青费本华朱高浦郑万建赵弟行田平吴家森安树杰吴宁赵焕勋胡喜生林斌任海青李永祥宋萍卢俊峰范海兰 , . 基于知识规则的马尾松林遥感信息提取技术研究. 北京林业大学学报,
    [5] 白雪琪张晓丽张连生马云波 . 基于高光谱遥感的油松毛虫危害程度监测模型. 北京林业大学学报, doi: 10.13332/j.1000-1522.20160139
    [6] 宋现锋段峥牛海山河野泰之 . 土壤侵蚀模型中植被管理因子的遥感估算. 北京林业大学学报,
    [7] 臧淑英王佳熊妮娜冯仲科 , . 应用高分辨率遥感影像与GIS技术建立林场级森林资源管理信息系统. 北京林业大学学报,
    [8] 章皖秋袁华徐天蜀 . 遥感影像正立体化研究. 北京林业大学学报,
    [9] 付晓王雪军韩爱惠冯仲科 , . 纸浆源地桉树资源遥感动态监测与分析. 北京林业大学学报,
    [10] 陈玲郝文乾高德亮 . 光学影像纹理信息在林业领域的最新应用进展. 北京林业大学学报, doi: 10.13332/j.1000-1522.20140304
    [11] 王武魁 . 林业电子政务信息系统企业架构框架总体设计. 北京林业大学学报,
    [12] 吴迪范文义 . 激光雷达协同多角度光学遥感数据反演树高. 北京林业大学学报, doi: 10.13332/j.cnki.jbfu.2014.04.006
    [13] 魏晶昱毛学刚方本煜包晓建许振宇 . 基于Landsat 8 OLI辅助的亚米级遥感影像树种识别. 北京林业大学学报, doi: 10.13332/j.1000-1522.20160054
    [14] 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
    [15] 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
    [16] 王雪军马炜黄国胜陈新云党永峰 . 基于遥感大样地抽样调查的森林面积监测. 北京林业大学学报, doi: 10.13332/j.1000-1522.20150083
    [17] 刘健余坤勇洪桢华赖日文孟宪宇赖玫妃吕恒斌 , . 遥感数据应用于悬浮泥沙反演及动态变化监测. 北京林业大学学报,
    [18] 那晓东臧淑英张树清 , . 基于遥感技术的大庆地区草地退化轨迹研究. 北京林业大学学报,
    [19] 李树伟冯仲科龚威平汪波 , . 基于QuickBird遥感影像的城市绿地系统评价. 北京林业大学学报,
    [20] 吴露露罗旭张雁汪波冯仲科 , . 中低分辨率遥感影像几何精校正. 北京林业大学学报,
  • 加载中
图(2)表(1)
计量
  • 文章访问数:  294
  • HTML全文浏览量:  253
  • PDF下载量:  42
  • 被引次数: 0
出版历程
  • 收稿日期:  2019-08-12
  • 录用日期:  2019-09-16
  • 网络出版日期:  2019-09-28

林业定量遥感研究进展和展望

    作者简介: 黄华国,博士,教授。主要研究方向:林业定量遥感。Email: huaguo_huang@bjfu.edu.cn 地址:100083 北京市海淀区清华东路35号北京林业大学林学院
  • 北京林业大学林学院,北京 100083

摘要: 林业遥感经历了航片判读、卫片目视解译、蓄积量定量估测阶段后,已经进入参数定量反演阶段。在林业对遥感业务化监测和精度提升的强烈需求下,定量遥感逐步与林业遥感交叉融合,林业遥感定量化研究的人才队伍、理论模型、数据源和应用方法逐渐成熟。本文提出了林业定量遥感的概念和框架,指出了其中关键的科学问题:(1)如何使遥感解译、建模和反演适应复杂的森林状况;(2)如何提高参数反演的准确度;(3)如何丰富林业遥感数据源;(3)如何发展更为智能化的遥感数据自动化算法。在介绍适合林业的定量遥感模型和通用反演方法的基础上,阐述了高光谱、热红外、激光雷达和微波遥感数据源的林业应用方法。未来林业定量遥感将在全波段数据统一建模和信息融合机制、机理模型反演、大数据融合等方面进行突破。

English Abstract

  • 林业遥感的发展经历了航片判读[1]、卫片解译分类[2]、蓄积量估测的定量统计阶段[3]和当前关键参数定量反演阶段[4]。随着遥感数据源的不断丰富,国家对森林、草原、湿度等资源调查的时空分辨率需求不断提高,林业遥感的定量化进入了攻坚阶段[5]。与此同时,定量遥感领域的研究成果不断更新[6],有望为提高林业遥感精度提供理论基础。本文在概述林业遥感和定量遥感研究进展的基础上,探讨林业定量遥感框架,提出研究的主要科学问题和未来发展的重要领域,以期为我国林业遥感、定量遥感等相关领域的研究与发展服务。

    • 林业是遥感技术应用最早和最广泛的行业之一[5]。由于林业工作本身具备的资源辽阔、通达性差、地形和结构复杂、生长周期长、业务化精度要求高等独特性,林业遥感已经成为一门相对独立的交叉学科,是林业调查的重要工具之一。林业遥感主要应用于资源清查与监测[7]、火灾监测预报[8]、病虫害监测[9]、火灾评估[10]等方面。但是,业务化运行所需的可靠数据源和高精度一直难以实现,因此探索新的遥感数据源和创造新的信息提取算法始终是林业遥感的两大主要任务。

      早期由于数据匮乏,更注重的是遥感数据源的获取。从黑白航空图像判读森林分布和蓄积量,到彩红外图像判读树种和病虫害,再到陆地卫星图像森林类型自动分类,气象卫星监测森林火灾,硬件技术的进步带动了林业遥感的进步。这个阶段定性为主,能找到覆盖的遥感数据来支撑宏观、动态的地物类型、分级及其变化,就是技术突破[11]。建国初始,我国就创建了“森林航空测量调查大队”;1977年,美国第一颗陆地卫星刚发射,我们就引进了MSS图像对西藏地区的森林资源进行清查,相关成果获1978年全国科学大会奖[5]

      从20世纪80年代开始,出现了林业遥感定量估测的需求和大量探索性的研究工作,涌现出了唐守正[12]、徐冠华[13]、赵宪文[3,7]和游先祥[14]等遥感先行者及团队。但是,数据源以Landsat TM为主,研究方法集中在基于样地的数据统计回归模型的优选和估测上。进入20世纪90年代,中国林科院首次将合成孔径雷达(SAR)技术引入我国的林业遥感应用中[15],拓展了遥感数据源和应用谱段;森林火灾研究[16]和森林病虫害研究[9]进一步拓展了林业遥感的应用领域。

      随着成像光谱仪、合成孔径雷达、激光雷达、米级和亚米级高分辨率卫星、无人机平台的出现,遥感的精细程度开始提升,数据源的问题逐渐得到解决,遥感精度的问题则成为重点。林业不再满足于定性的判读和简单的统计回归,而是需要更高精度的蓄积量或生物量制图,开始需要攻克同谱异物–异谱同物现象[1718],开始估算生物多样性[19],开始尝试进行预测、预报、预警[20]。以鞠洪波、李增元等为代表的林业遥感专家,从“森林资源遥感监测技术及业务化应用”和“森林资源综合监测技术体系”的技术体系完善上进行了突破,充分利用了空−天−地信息,提高遥感监测精度。2018年,李增元主持完成的“高分辨率对地观测系统重大专项”课题也凝练出“高分辨率遥感林业应用技术与服务平台”成果。上述三项成果均荣获国家科技进步奖二等奖。

      然而,林业遥感定量化过程中仍然存在诸多障碍。以地表反射率为例,卫星定标、大气纠正、地形纠正、非垂直观测纠正、多时相纠正等任何一个过程都存在不确定性[6],除了ENVI、ERDAS等几个常规的商业遥感图像处理软件,没有适合林业用户的数据处理系统,满足不了林业遥感的需求。而林学专家通常并不擅长遥感机理,很难独立攻关。

    • 所幸的是,在地理学领域,尤其是地图学与地理信息系统领域,遥感定量化已经有了较为成熟的理论体系—定量遥感[2122],国内外已经有一些团队[23]开始重视并攻克上述难题。传统遥感能够连续提供地表的垂直观测的面状图像,但是定量信息不足,没有系统的理论模型支撑,经验模型居多。定量遥感或称遥感量化研究,主要指从对地观测电磁波信号中定量提取地表参数的技术和方法,区别于仅依靠经验判读的定性识别地物的方法[24]。定量遥感有两重含义:一是遥感信息在电磁波的不同波段内给出的地表物质的定量的物理量和准确的空间位置;二是从这些定量的遥感信息中,通过实验或物理的模型将遥感信息与地学参量联系起来,定量地反演或推算某些地学或生物学信息。定量遥感是一门交叉学科,涉及物理学、数学、计算机科学、信息科学和植物生理学等。

      经典的定量遥感研究主要面向光学和热红外开展遥感成像机理的研究,其研究内容包括:传感器定标(Calibration)、大气纠正(Atmospheric correction)、辐射传输建模(Radiative transfer model)、多角度效应(Multi-angular effect)、尺度效应与混合像元分解(Scale effect and mixed pixel)、遥感反演(Inversion)、数据同化(Data assimilation)及其应用。其中,辐射传输建模是理论核心[25],以植被−土壤系统为主要研究对象[22];定量遥感反演的产品,包括覆盖度[26]和叶面积指数[27],也是描述植被结构的重要参数,非常适合林业遥感研究。

      但是,在一定时期,定量遥感停留在复杂的数理方程,对林分的简化也较大(椭球体[28]或者均匀植被[29]),很难直接用到林业遥感中。如何更加有效地结合定量遥感和林业遥感,成为摆在我们面前的重要课题。此外,定量遥感从内涵上其实还应该包含微波遥感[30],这部分研究相对光学在林业上的应用较少。

    • 1997年,赵宪文提出的“林业遥感定量估测”是林业定量遥感的萌芽[3],虽然没有涉及到定量遥感的机理,但是从统计角度开始了定量反演。几乎在同一时段,1995年,李小文和王锦地[22]出版了著作《植被光学遥感模型与植被结构参数化》,系统地论述了定量遥感领域在植被建模和反演上的成果。可惜的是,赵宪文一直认为李小文的几何光学模型满足不了现实林分的复杂性,未能将定量遥感模型引入到定量估测中。实际上,李小文创立几何光学模型的初衷之一就是为了解决林业问题。1990年7月24日,在美国波士顿,李小文因在“大熊猫主食竹−箭竹的遥感测量与生态监测”研究方面的创意,被授予国际劳力士(Rolex)“雄才伟略”奖。回国后,李小文作为首席科学家,带领国内外科学团队,在植被二向性反射建模、热红外遥感辐射方向性建模、遥感信息尺度效应、定量遥感综合实验与真实性检验方面做出了卓越的成就[31]。李小文作为项目首席先后主持了973项目“地球表面时空多变要素的定量遥感理论及应用”(G2000077900)和“陆表生态环境要素主被动遥感协同反演理论与方法”(2007CB714400);在滚动支持下将首席转交到李增元手中,继续开展“复杂地表遥感辐散射机理及动态建模”(2013CB733401)研究,并明确了定量遥感要以生物量为出口。这场从中科院、北师大到林科院的接力,反映了定量遥感需要寻找应用出口的需求,也凸显了林业遥感对机理研究的渴求。通过项目也培养了大量的交叉团队和人才梯队,具备了项目和人才基础。

      面向林业的复杂性,2013年,黄华国等提出了兼顾运行效率和精度的三维森林遥感机理模型RAPID,用于解决复杂地形、复杂林分的光学遥感信号模拟问题[32]。随后,又将RAPID扩展,实现激光雷达波形模拟[33]和微波雷达后向散射系数模拟[34]。该项进展使得林业遥感主要传感器的成像机理初步统一,奠定了林业遥感定量化的模型基础。

      另外,我国高分重大专项的天基卫星系统,包括高分一号到高分六号,均已升空,基本实现了从光学红外到微波,从被动成像到主动观测,从静止凝视到极轨宽幅,从高空间到高光谱、高时相的全覆盖。国产数据的自主供给能力为林业遥感的业务化提供了强大的数据保障潜力[35]

      在这样的背景下,提出林业定量遥感概念的时机已经成熟。构建林业定量遥感的理论框架和技术体系,可以更好地提升林业遥感的定量化水平,为真正实现林业遥感的业务化运行提供理论、模型和技术服务。

    • 林业定量遥感的目标是为林业资源监测提供定量化的数据,为森林质量精准提升、生态预警和资源评估服务提供技术支撑。只有及时准确的遥感监测,才有更好地进行林业管理。相对于传统林业遥感,林业定量遥感更加精准和实用。其主要任务是提出核心科学问题,发现新的监测指标,提出新的算法模型,构建高效的监测体系。

    • 从林业应用需求出发提出林业定量遥感需要解决的科学问题。首要的需求是为行业用户提供及时准确的参数。以森林为例,需求的主要参数包括蓄积量、面积、生物量、胁迫干扰、生物多样性等(图1)。但是,这些参数的提取仍然存在三大问题:精度低、时效差和数据源单一。遥感分类精度通常都在85%以下[36],难以满足面积和覆盖度等参数的业务化要求。卫星重访周期长、云雨天气干扰多、海量数据处理慢等也阻碍了遥感的及时性。此外,尽管存在类型和数量繁多的遥感数据,但是使用者很难熟悉所有的数据源,应用中数据类型非常单一。

      图  1  林业定量遥感的核心科学问题

      Figure 1.  Major scientific questions in quantitative remote sensing of forestry

      林业定量遥感就是要针对上述问题提出解决方案。主要的解决思路包括:研发新的传感器以增加信息量;挖掘现有传感器数据,发现信息;增强遥感机理认识,积累先验知识;建立广泛的地面样地网络,提供足够的训练样本(如图1所示)。基于这4条,可以提出林业定量遥感的若干科学问题,比如:林业究竟需要什么样的传感器最佳?现有传感器蕴含的信息量究竟有多少?核心的科学问题整理如下:

      (1)如何使遥感解译、建模和反演适应复杂的森林状况。所谓“复杂”是指:森林水平和垂直结构多变,物种多样性高,多数森林生长在山区,受地形影响严重,受云雨天气干扰多。而现有多数林业遥感应用研究仍基于经验的影像解译和经验模型的参数估测,所发展的模型和方法对复杂地表的适应性不强,推广性差,较难满足林业遥感业务的实际需求。而定量遥感模型多数以一维模型为基础,地形考虑不足[37],空间异质性考虑不足[38]。所以,要发展更为优化的定量遥感模型,在定量算法上加以改进,在简单模型和复杂模型间取得平衡。如何优化?如何平衡?关键的因素是什么?有没有最优的物理模型? 这些都包含在这个科学问题之中。

      (2)如何提高参数反演的准确度。对于较为复杂的遥感物理模型,往往需要输入多个森林参数,参数之间存在一定的相互干扰;而参数反演时需同时求解多参数,“同谱异物”现象严重,存在病态反演问题[6]。不同参数敏感性不同,对于弱敏感性森林参数的定量反演方法,也是林业遥感需要探索的方向。此外,森林参数和遥感信息往往不是线性关系,随着森林参数的提高,对应的遥感信息可能会达到饱和点,导致高郁闭度、叶面积指数(LAI)的林分参数反演难度增加。因此,要结合样地调查网络,引入先验知识,缓解病态反演[39]。同时,不同传感器的遥感数据往往能提供不同的时间、空间、辐射、光谱分辨率,可以达到信息互补的作用。不同传感器图像的融合,不仅能够增加图像的信息来源,还能降低信息饱和度。因此,多传感器信息互补的核心机制、先验知识的有效利用、地面样地的最优配置等,都属于这类科学问题。

      (3)如何丰富适合林业应用的遥感传感器数据源。尽管高分专项已经初步形成全覆盖的天基卫星系统,但是尚不具备天空地一体化数据获取能力。适合林业应用的高光谱、激光雷达、合成孔径雷达等传感器并不丰富。仍然需要大力开发先进的高光谱、激光雷达、合成孔径雷达等传感器[40],以及建设卫星、无人机等遥感平台,提高林业遥感系统平台的智能化、系统化、网络化水平。但是,什么样的传感器及其组合最能解决林业问题[41]?有没有最优的波段、孔径、角度、时相配置?有没有适用林区的便携地面遥感手段[42]?这些问题的回答有助于硬件部门和林业应用部门更好地对接。

      (4)如何发展更为智能化的遥感数据自动化算法。当前已经进入大数据与人工智能时代,数据驱动的思维方式和定量遥感的模型驱动方式有着本质的不同。但是在诸如分类的某些方面,深度学习等方法可能比复杂的物理模型更为有效[4344]。如何结合AI等新技术,如何突破现有思维模式局限,发展更多的时空数据分析和挖掘的理论与方法,也将成为未来林业定量遥感的重要课题。比如:定量遥感模型产生的大量逼真的模拟数据可以用来训练人工智能;人工智能可以帮助识别地表类型和结构,为定量遥感模型提供先验知识,进而获得更好的反演效果。

    • 林业定量遥感是一个植被定量遥感和林业科学研究的交叉领域。总体上,林业所需的遥感模型、产品和方法脱胎于定量遥感,但是必须针对林业行业的目标、参数和精度进行调整改进和适应(图2)。林业需求是定量遥感努力的方向,是发展新模型的内在驱动力。定量遥感的模型、产品和方法很多,需要进行有目的地引进、消化、适应。

      图  2  林业定量遥感的交叉合作实现框架

      Figure 2.  Cooperation implementation framework for quantitative remote sensing of forestry

      以定量遥感生产的共性产品为例,可以筛选出可供林业应用的若干资源进行消化吸收。比如全球陆表特征参量数据产品(GLASS产品)(http://glass-product.bnu.edu.cn/http://glcf.umd.edu/data)。GLASS产品由北京师范大学梁顺林教授团队自主研发,数据产品包括叶面积指数、反照率(Albedo)、发射率(BBE)、光合有效辐射(PAR)、下行短波辐射(DSR)、净辐射(NR)、光合有效辐射吸收比(FAPAR)、植被覆盖率(FVC)、潜热(ET)和植被总初级生产力(GPP)等。GLASS产品是基于多源遥感数据和地面实测数据,反演得到的长时间序列、高精度的全球地表遥感产品。这些产品为研究全球环境变化提供了可靠的依据,能够广泛应用于全球、洲际和区域的大气、植被覆盖、水体等方面的动态监测,并与气温、降水等气候变化表征参数结合起来,应用于全球变化分析。对于林业应用而言,至少LAI、FVC和ET可以用于较大区域的森林生长、水土保持和干旱监测研究。另外一个是国家地球系统科学数据共享平台提供的产品(http://www.geodata.cn/),包括全球碳循环关键参数产品、中国全天候地表参数反演产品、全球及中国植被聚集指数产品、全球30 m分辨率人造地表覆盖数据集等。其中,至少全球森林冠层高度产品数据集是和林业直接相关的。

      实际上,当前这些定量遥感成果,已经有部分应用实践[45]。应用方向大致可以分为:

      (1)森林组成。随着精细光谱分辨率(高光谱)和主动遥感(激光雷达)的迅速发展、树种识别技术的不断改进[46],遥感能在更精细的尺度上识别森林的各项属性,包括对大面积植物的叶面积指数、水分含量等生理生化属性进行反演评估,反演数据能用于模拟植被内部养分循环、光合作用和蒸腾作用等方面[47]

      (2)森林结构。森林结构包括林分高度、密度、冠层覆盖度、冠层分布和生物量等,其中林分高度和密度等结构因子与地上生物量直接相关,进而影响森林的固碳能力,而冠层覆盖度及其垂直分布对林分内部太阳辐射量和光合作用产生影响[48]。森林地上生物量对于碳汇以及应对气候变化有着重要意义,生物量可以反映森林以及环境的健康状况,是定量分析碳储存和固存速率的关键组成部分。

      (3)胁迫干扰。遥感卫星能够监测并记录全球地表信息和森林干扰(如火、风、雪、病虫害、采伐等)的关键属性(即类型、严重程度和频率)特征,并将其数量化,有利于估测或模拟森林干扰的生态影响[49]。应用中常根据干扰尺度和干扰类型选择合适的数据和工具建立干扰监测分析系统,监测各空间尺度的干扰,并进一步分析其成因,预测未来趋势,有助于全面理解干扰的属性、成因和结果。

      (4)森林生产力。森林净初级生产力是森林植被吸收碳的速率,是光合作用或初级生产总量和自养呼吸之间的平衡,不仅能够估算林分木材供应量,更能进一步反演碳汇等生态指标,为生态系统服务。遥感产品通过基于过程的算法数字模型,模拟光能利用效率,反演森林生产力,能有效降低估算成本,解决大尺度上森林生产力调查困难的问题。

    • 林业定量遥感将科学和技术并重,试图将科学理论和模型转化为实用的技术。林业的复杂性决定了不能局限于某一种模型,某一个数据源,一定是空天地一体化下多源数据的融合。大量的遥感卫星提供大面积重访调查对地观测数据;航空飞机、无人机体系为获取专项数据提供桥梁;地面的样地快速高效调查手段,为遥感反演提供大量的训练数据和验证数据。但是如此多的平台和数据源,时空分辨率和光谱分辨率都不一致,需要一个核心进行融合。因此,需要一套统一辐射传输模型系统作为基础,一套集成的数据处理系统作为产品生产,一套野外调查和飞行的硬件体系用于采集数据验证模型、产品和方法。

      第一,发展全谱段的辐射传输模拟软件系统,全面适用于可见光近红外、热红外、微波波段的辐射传输模拟,并融合激光雷达、雷达等主动遥感方式,使定量遥感产品算法更加统一化。

      第二,改进多源数据融合技术,建立集成的数据处理系统,使不同数据源的遥感数据能够快速、准确地融合成相同时间、空间、光谱分辨率的数据,大幅提高遥感数据信息的丰富度。

      第三,完善空天地一体化观测平台,“天”是利用各种卫星提供的数据,发现问题存在的可能性。“空”主要是利用有人机或无人机遥感,提供最及时、可靠、专业的高分辨率影像。“地”是在地面采用多种监测手段,实现精细化的综合监测。

      目前,辐射传输模型的统一已经初见成效;野外调查和飞行的硬件虽然很少,但是已经逐渐走入高校和科研院所;产品生产方面体系虽未完善,但是势头良好。中国林科院的高分林业遥感应用示范系统初步成形,数据生产方面有一定进展。该平台在实现高分一号、高分二号、高分三号和高分四号等卫星数据生成的共性产品的基础上,研制了21种林业专题产品生产线。此外,平台具备的支撑调查与监测能力由3 ~ 5年1次提高到1年1次,监测精度普遍提高5% ~ 10%;同时,林业生态工程和石漠化监测中高分数据替代国外数据率达100%,森林资源调查与监测中替代率达69%。因此,林业定量遥感不论是在硬件上还是软件上都大有可为。

    • 正向模型从机理上阐述了地表参数到遥感信号的过程,是理解林业遥感工作原理和参数反演的基础。定量遥感的正向模型大多数都能用于林业。表1列出了林业定量遥感所需了解的遥感正向模型。从尺度上,可以分为组分尺度(叶片、土壤、水体)、冠层尺度(林分)和景观尺度。多数模型为冠层尺度,通常对应遥感的一个像元。从结构上,可以分为一维和三维模型[50]。从波段上,多数模型是分离的,分别模拟光学、热红外和微波信号。目前只有RAPID模型可以共享,实现光学、热红外和微波遥感信号统一模拟。

      表 1  林业定量遥感正向模型

      Table 1.  Forward model of quantitative remote sensing of forestry

      模型类型 Model class模型名称 Model name功能 Function
      阔叶 Broadleaf PROSPECT[51] 模拟叶片高光谱反射和透射率曲线
      Simulate leaf hyperspectral reflectance and transmittance curves
      圆盘模型[52] Disk model 模拟叶片微波散射
      Simulate leaf microwave scattering
      针叶 Needle LIBERTY[53] 模拟针叶高光谱反射和透射率曲线
      Simulate needle-like leaf hyperspectral reflectance and transmittance curves
      圆柱体模型[54]
      Cylinder model
      模拟针叶微波散射
      Simulate needle-like leaf microwave scattering
      水体 Water Cox-Monk[55] 考虑波浪的水体反射
      Simulate water reflectance with waves
      土壤 Soil HAPKE[56] 模拟土壤反射率
      Simulate soil reflectance
      AIEM[57] 模拟土壤微波散射
      Simulate soil microwave scattering
      冠层 Canopy 几何光学模型[28]
      Geometric-optical Model
      椭球体假设,模拟林分二向反射
      Use sphere assumption to simulate forest BRDF
      SAIL[58] 一维假设,模拟植被反射和热辐射
      1D assumption, simulate vegetation radiative transfer in VNIR and TIR
      五尺度模型[59] 5-scale 五尺度假设,模拟林分二向反射
      Five scale assumption to simulate forest BRDF
      随机辐射传输模型[60] SRT 结构光谱分离,模拟林分二向反射
      Separate optical and structural information to simulate BRDF
      水云模型[61]
      Water cloud model
      一阶透射,模拟作物和草地微波散射
      1st order transmittance to simulate crop and grass microwave scattering
      MIMICS[62] 一维假设,模拟林分微波后向散射系数
      1D assumption to simulate forest microwave scattering
      DART[63] 三维模型,模拟林分二向反射、热红外辐射和激光雷达
      3D, simulate forest BRDF, TIR emission and LiDAR
      RAPID[32, 34] 三维模型,模拟林分二向反射、热红外辐射、激光雷达和微波散射
      3D, simulate forest BRDF, TIR emission, LiDAR and microwave scattering
      LESS[64] 三维模型,模拟林分二向反射、热红外辐射和激光雷达
      3D, simulate forest BRDF, TIR emission and LiDAR
    • 林业遥感反演就是从遥感数据推断林业所需的参数,因此林业遥感一定是地面样地和遥感资料的关联。如果认为正向模型是一个数学函数,那么定量反演就是求解该数学函数的“逆函数”。然而,如果该正向模型本身很复杂,比如辐射传输模型,是很难为其找到“逆函数”来建模的。加之遥感的波段数、可提供的已知量通常小于未知变量的个数,反演过程严格来说都是欠定方程求解,也就是常说的“病态反演”问题。因此,近年来,越来越多研究人员青睐于使用“黑匣子”的智能化学习方法,比如人工神经网络之类的机器学习法和卷积神经网络之类的深度学习法。

      当然,遥感反演的准确程度不仅取决于建模方法,还取决于参与建模的自变量样本和因变量样本。自变量样本来自于遥感数据,不同的遥感数据包含的信息量不同,比如激光雷达数据包含的高度信息、雷达数据包含的后向散射信息、热红外数据包含的温度信息,光学数据包含的光谱反射率信息等。因变量样本通常来自于地面调查,地面调查数据是所有遥感反演方法的基础。

      常见的反演方法有阈值法、统计回归法、物理模型反演、半经验模型、机器学习和深度学习法。

    • 阈值法最简单,类似于数学的分段函数。通常利用某个指数,比如:归一化植被指数(NDVI)的几个阈值来划分几个区间,每个区间内用不同的方法来估算;利用NDVI确定物候的生长季,通常利用年内NDVI最大值的20%作为起点和终点;利用NDVI估算地表比辐射率,一般将NDVI以0.2和0.5为阈值分为3个取值范围进行地物比辐射率的计算。

    • 统计回归通常指直接运用数理统计法建立遥感反射率、纹理、后向散射系数或温度等遥感变量(X变量)和感兴趣的地表参数(Y变量)之间的关系模型(如线性回归和非线性回归等),实现蓄积量、生物量以及落叶率等林业指标的定量关系。光学遥感变量通常包括光谱反射率、简单的波段比值、常用的植被指数、纹理变量以及纹理变量的比值。在高生物量森林覆盖区,光谱反射率、简单的波段比值以及常用的植被指数等光谱相关的变量均无法有效地估算森林生物量,因为光谱的穿透性弱,信号容易饱和。相比之下,表征空间特征的纹理变量可以提高生物量的饱和阈值,从而更适用于高生物量森林覆盖区。微波遥感变量通常包括后向散射系数、极化比和相干系数等,相比光学遥感,微波的穿透性更强,因此理论上微波遥感变量与浓密森林区的森林结构变量之间的相关性更强。热红外遥感变量主要为地表比辐射率和地表温度,可以反映森林与大气之间的热交换,以及森林灾害程度。此外,遥感变量还可与地形变量、土壤类型以及气候因子等辅助变量相结合进行统计关系的建立,可提高拟合精度。

    • 当对研究对象的辐射传输机理较为清楚的时候,可以利用成熟的机理模型(表1)进行反演。物理模型反演一般采用两种方式,一种是较为少见的解析推导,即获得逆函数后直接反演。另外一种是较为常见的查找表(Look up table, LUT)方法。查找表法一般包括两个步骤。第一步是用机理模型进行正向模拟,即按照一定的步长和参数组合反复模拟,得到尽可能覆盖所有情况的模拟数据库,也就是LUT。LUT的每一列是用户感兴趣的林业参数和输出的遥感参数(如波段反射率和植被指数等);每一行是输入和输出的一个具体组合及其取值。这一步成功的关键是如何构造最优化的查找表。若步长太小,参数太多,则会导致LUT过大,病态效应显著;步长太大,参数太少,则会导致LUT无法覆盖所有可能情况,从而增大反演误差甚至错误。第二步是查表。根据实际遥感数据得到的参数(如波段反射率和植被指数等),到LUT中去搜寻,查找哪一行模拟的遥感参数和实际的遥感参数最匹配(误差最小),该行对应的林业参数(如叶绿素或者LAI)即为感兴趣的参数取值。具体查找方法一般以基于代价函数的查找表匹配法和机器学习法应用最为广泛。

    • 物理模型本身准确可靠,但其缺点是参数众多复杂,反演过程可能存在病态性,反演结果可能存在非唯一性,且计算量大。为克服这些问题,半经验模型通过大幅简化物理模型,只是从物理机理出发,推导出简易的遥感模型。部分参数并不具有实际的物理意义,但是可以通过样地数据进行标定或者修正。相比纯经验模型,半经验模型有较好的物理机制;相比物理模型,半经验模型的操作简单,易于推广应用。

    • 机器学习是人工智能的核心。传统的机器学习就是用一大堆数据,同时通过各种算法,去训练出来一个模型,然后用这个训练好的模型去完成反演任务。常用的机器学习算法有:线性回归、逻辑回归、决策树、随机森林、支持向量机、贝叶斯、K近邻、Kmeans和人工神经网络ANN等。BP算法作为传统训练多层网络的典型算法,实际上对于仅含几层网络的情况,该训练方法就可能很不理想。深度学习是一种特殊的机器学习,其概念源于ANN。当把ANN的隐含层加多加深,含多隐层的多层感知器就是一种深度学习结构。近几年来,深度学习成为研究热点,提出了各种深度结构。其中,卷积神经网络(Convolutional neural network, CNN)可以学习到很多高度抽象的信息,非常适合分类。因此,深度学习最早被引入到遥感图像分类中。

    • 高光谱数据是林业应用的主要数据源之一[65]。一般认为,光谱分辨率在10− 1λ数量级范围内的遥感称为多光谱遥感,10− 2λ数量级范围内的遥感称为高光谱遥感,在10− 3λ数量级范围内的遥感称为超光谱遥感。成像光谱仪每个像元都有连续的地物光谱曲线,可以用于提取叶绿素等生理生化参数,监测森林健康等。

      利用野外地物光谱测量仪器,简称光谱仪或波谱仪,在地面同步测量不同地物反射光谱特性,是高光谱遥感研究的重要环节,是进行思路探索和算法验证的必要步骤,也为反演提供光谱库作为先验知识。光谱仪能够捕获光学波段(350 ~ 2 500 nm)内的地物反射和透射信息。理论上,不同种叶片光谱之间存在差异,利用叶片光谱有可能区分不同的树种[66]。针阔树种间的差异性更多体现在可见光部分,所有树种之间的差异性多来自于红边波段和近红外波段,其中红边波段对树种分类影响最大。光谱曲线还可以用于叶片水分状况诊断[67]

      在星载高光谱数据严重缺乏的时代,机载数据是相对可靠的来源。同时,为了给星载传感器提供技术支撑,国内外也进行了很多航空飞行试验,获得了一些测试数据[6869]。根据这些数据展开了一些林业相关应用,主要包括LAI估算、树种识别、郁闭度信息提取、生理生化参数反演、森林健康监测等[65]。在草原研究中,高光谱遥感主要包括草地生物量、分类、草地种类识别、草地化学成分估测[70]

      星载数据较为缺乏,早期主要数据源是Hyperion[71],随后是CHRIS[72]。MODIS勉强算高光谱数据,但是空间分辨率太低。最新在轨运行的是我国的高分五号[73]。星载高光谱数据最常见的应用是森林类型分类、优势树种分类[17,74]。所用的分类方法包括最大似然法、最小距离法、支持向量机法和光谱角填图法等。在湿地遥感中,高光谱技术主要应用于湿地土壤、植被和水体信息提取的研究[75]

      高光谱遥感在林业中的应用新的方向有许多,荧光遥感的方向就是其中之一[76]。通过植物光合过程中荧光特性的探测,可以了解植物的生长、病害和受胁迫等生理状况。碳卫星已经支持产生了区域和全球叶绿素荧光产品[7778]

    • 热红外遥感通过热红外探测器收集地物辐射出来的人眼看不到的热红外辐射通量,经过能量转换为温度,并形成图像。地表温度是地球系统的关键参数之一,通过温度异常变化监测植被干旱、森林火灾、城市热岛,探测植被健康状况等[79]。相比光学遥感对于已受到胁迫但尚未成灾的森林健康早期监测的低敏感性,植被冠层温度的异常可能更加敏感。因此,通过对森林冠层温度数据的分析处理,热红外遥感有潜力发现森林遭受的早期健康危害[20]

      从数据源上来看,可业务化运行的热红外卫星不少,但是时空分辨率总有一个很低。气象卫星分辨率多在公里级别。Landsat-8热红外波段提升到100 m,但是重访周期为半个多月,经常被云雨遮挡。可喜的是,美国航天局NASA在空间站上建设了生态系统天基热辐射实验(ECOsystem spaceborne thermal radiometer experiment on space station, ECOSTRESS)[80],空间分辨率高,38 m(轨道) × 69 m(交轨),具有独特的全天覆盖时间,可以在一天不同时段获取数据。此外,我国的高分五号(GF-5)于2019年3月底已经正式发布数据。GF-5卫星配置有6台先进有效载荷,其中全谱段光谱成像仪空间分辨率为20 m (0.45 ~ 2.35 μm) 、40 m (3.5 ~ 12.5 μm),地面覆盖宽度60 km。40 m的热红外分辨率是全球民用卫星的最高分辨率,尺度到了样地级别,很有可能监测到小斑块的温度异常。

      可以预见,热红外的林业应用即将迎来一个小的热潮,在森林健康监测方面的潜力也会随着遥感技术的提升逐渐加大。不过,定量化方面还需要逐步解决大气纠正和发射率纠正等业务化问题。

    • 相比传统光学被动遥感提供的二维平面信息,激光雷达(Light detection and ranging,LiDAR)可以提供三维数据,能精确地提取单木或者林分位置、高度、覆盖度、叶面积指数和生物量等关键参数[81],可以部分代替地面实地调查作为“相对真值”。因此,激光雷达在林业遥感体系中占据着非常重要的地位,是样地精细调查、定量反演验证和垂直信息提取不可或缺的工具。

      LiDAR的主要数据形式有波形和点云,都可以统计得到若干LiDAR指标,进而用这些指标和森林参数建立关系实现反演。提取高度和单木冠幅是LiDAR最基本的功能,但难点是重叠树冠和被压树冠的单木识别和分割问题。一旦获得了高度和单木分割结果,就可以得到树冠位置、冠幅和高度。当前,激光雷达的机理研究逐渐得到重视,开始关注点云强度标定[82]、高光谱激光雷达的研制和应用[83]、多次散射[33]等。此外,如何将LiDAR与其他遥感数据源从物理机理上进行有效的融合,依然是当前所面临的一大挑战。

      随着LiDAR平台多样化和小型化的发展[42],价格逐渐降低,未来将会对林业资源调查起到关键作用。比如:林业二类调查面积大,任务重,全覆盖调查的准确性难以保证。如果能够用LiDAR进行高密度点云调查,则可以解决人力和效率不足的问题。

    • 微波遥感具有全天时、全天候的特点,可提取后向散射、干涉、极化等信息,在多云雨地区是信息获取的有效手段,是光学波段的有力补充。此外,微波的树冠穿透性好,具有一定的垂直结构捕获能力。微波遥感分为被动微波和主动微波(雷达)。被动微波空间分辨率极低,林业应用很少。

      相比光学电磁波,微波波动特性更加明显,波的叠加、干涉、衍射和极化显得格外重要。由于波长较长,微波能穿透云雾、雨雪,受天气影响很小,对于多云雨天的南方林区至关重要;对地物有一定的穿透能力,对生物量敏感,因此微波雷达研究多数集中在生物量估测上[15]。微波还能提供不同于可见光和红外光遥感所能提供的某些信息,比如:利用相位信息和干涉信息,可以计算出某一点的高程,进而推断树高[84];根据相干系数大小可以推断森林干扰[85];微波对地表介电性质敏感,能间接提取土壤水分信息,林业上也可反演土壤湿度[86]

    • 自20世纪70年代航天遥感诞生以来,各类多频段(可见光、红外、微波)多通道的卫星遥感平台积累了海量数据,加上近几年蓬勃发展的近地面无人机遥感获得的极高分辨率数据集,遥感对地观测已经成为大数据重要来源之一[8788]。在这个时代,新的优质数据源虽然也是研究的前沿,但是历史数据的应用和挖掘显得更为重要。其中,多源数据的融合是充分利用各类信息的重要手段之一[89]

      自20世纪80年代起,就有HSV变换、主成分变换、小波变换等实现高低分辨率光学数据融合方法[90]。但绝大多数融合是为了合成一个新图像,补足现有数据在时–空–谱上的缺陷,提高信息量和质量。而信息量的评价通常是数据本身的分辨率和方差等[91],缺少对应用参数的针对性。以森林参数为例,树高、生物量、叶绿素、郁闭度等参数不同,需要融合的数据源和方法可能也不同。因此,单纯的“融合”难以回答每个数据源的信息量多少和对目标反演参数精度提升的贡献多少等问题。此外,异质多源数据之间的成像机理差异大,具有多尺度、多角度、多谱段和多极化等特征,很难用一个简单的合成图像来表达。因此,当前的发展趋势可能至少包括以下3个方面。

      首先,充分挖掘利用电磁波谱的所有可能波段。电磁波的发展历史决定了电磁波谱的开发利用是分阶段和分谱段的。其中,可见光、近红外遥感发展最早,研究地物的反射率、反照率、二向反射分布函数(BRDF)等,可以估算林分叶绿素、水分含量、叶面积指数等;热红外定量遥感研究地表温度、比辐射率、方向亮度温度(DBT),用以监测林分干旱、病虫害、火灾等胁迫状况。主动遥感方面,微波遥感通过后向散射系数,反演林分的生物量、树高,通过干涉层析技术提取林分高度和三维特征;激光雷达遥感通过激光测距技术,提取林分树高、叶面积指数等。然而,随着林业需求的提高,仅使用单一遥感数据不能满足林业信息化发展的要求。光学、热红外、激光雷达、微波遥感在林业应用中各有所长,将多源遥感数据联合发展,统一利用这些电磁波谱是大势所趋。

      其二,理清异质数据源的融合机制。异质数据源之间一般存在互补的信息增量,比如光学数据(Landsat)和SAR数据(包括C波段Radarsat-2和L波段ALOS PALSAR)结合能显著提高森林和非森林分类精度[92]。然而,光学和微波蕴含的信息量不仅有并集(独立增量),也有交集(相关量)。在交集部分,两类数据源有较好的相关性,能够互相替代。比如:有人发现归一化植被指数(NDVI)和微波交叉极化(HV)后向散射系数有显著相关性,因此可以相互内插得到时间连续的融合数据[93]。又如:基于光学模型反演得到LAI,然后利用LAI和微波的植被层消光系数建立相关关系,就可以用微波水云模型实现土壤水分反演[94]。但是,这些研究都不够系统,各类数据源之间的理论统一模型缺乏,制约了融合的效果。

      最后,建立统一模型。虽然从物理机理上看,麦克斯韦电磁波理论几乎可以解释所有波段。但是由于目标参数、成像过程和观测手段差异很大,统一的遥感机理模型极少。未来全谱段机理模型的研发和应用推广将是主要趋势之一。

    • 必须指出,遥感观测只是复杂自然介质(大气、森林、草原和水体等)的电磁散射与电磁热辐射,只是现象级的表观数据,并不能直接观测到我们需要的林业参数(如蓄积量、生物量、生物多样性等),更不能直接获得规律性的林业知识。

      传统的统计回归能够建立关联,实现现象到本质的转换。但是,回归相关缺乏内在的机理解释,只能治标,不能提供可以推广的知识。因此,必须要进行机理模型的正向构建[95]和反演,实现“从数据到信息,从信息到知识”的转化。这就要求开展理论建模、数值模拟、反演同化等研究。

      不过机理模型通常比较复杂,运行效率较低,反演门槛较高。因此,如何选择最合适的机理模型很重要。还要改造和推广机理模型,让用户愿意使用也容易使用。

    • 机理模型采用模型驱动方法。当前热门的人工智能则采用数据驱动分析方法,也就是常说的大数据分析方法,试图不考虑机理,直接用数据产生知识。实际上,林业遥感大数据,包括海量的周期性的二维光学和微波遥感图像、三维的激光点云和波形数据、地面智能手机获取的图片、定点观测设备采集的信息、移动激光雷达采集的数据等,格式、类型、分辨率等差异性非常大。用大数据方法确实较为简便,通常有两方面的工作。一方面是发展大容量高密度数据存储、传输、控制、防护、网络化处理和数据分发共享等技术问题[96]。另外一方面,发展更多的时空数据分析与挖掘的理论与方法[87],将海量遥感数据转化为林业经营者制定决策所需要的信息。但是林业定量遥感不能完全依赖大数据,需要将机理模型和大数据技术有机融合[97],做到既有数据发现的现象,又有内在的机制规律[98]

    • 林业定量遥感除了面向传统的林业调查和决策服务,还有很多新的生长点。比如:植物表型监测在作物遗传育种上已经成为热点[99100],在林业遗传育种中也已经开始升温[101102]。无人机平台(包括多旋翼、固定翼、直升机和飞艇)是当前遥感解析表型研究应用的主要手段,目前已经搭载了数码相机、多光谱相机、高光谱相机、热红外相机和激光雷达等传感器。不过,这些数据之间的有机融合,仍然需要定量遥感的支持。

参考文献 (102)

目录

    /

    返回文章
    返回