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

基于SAR极化分解与Landsat数据的森林生物量遥感估测

李明泽 于欣彤 高元科 范文义

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[J]. 北京林业大学学报, 2018, 40(2): 1-10. doi: 10.13332/j.1000-1522.20170284
引用本文: 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[J]. 北京林业大学学报, 2018, 40(2): 1-10. doi: 10.13332/j.1000-1522.20170284
Li Ming-ze, Yu Xin-tong, Gao Yuan-ke, Fan Wen-yi. Remote sensing quantification on forest biomass based on SAR polarization decomposition and Landsat data[J]. Journal of Beijing Forestry University, 2018, 40(2): 1-10. doi: 10.13332/j.1000-1522.20170284
Citation: Li Ming-ze, Yu Xin-tong, Gao Yuan-ke, Fan Wen-yi. Remote sensing quantification on forest biomass based on SAR polarization decomposition and Landsat data[J]. Journal of Beijing Forestry University, 2018, 40(2): 1-10. doi: 10.13332/j.1000-1522.20170284

基于SAR极化分解与Landsat数据的森林生物量遥感估测

doi: 10.13332/j.1000-1522.20170284
基金项目: 

国家自然科学基金项目 31470640

详细信息
    作者简介:

    李明泽,博士,教授。主要研究方向:遥感与地理信息系统。Email:mingzelee@163.com 地址:150040黑龙江省哈尔滨市香坊区和兴路26号东北林业大学教务处

    通讯作者:

    范文义,教授,博士生导师。主要研究方向:遥感与地理信息系统。Email:fanwy@163.com 地址:150040黑龙江省哈尔滨市香坊区和兴路26号东北林业大学林学院

  • 中图分类号: S758.5;S771.8

Remote sensing quantification on forest biomass based on SAR polarization decomposition and Landsat data

  • 摘要: 目的森林生物量是评价森林生态系统结构、功能和生产力的重要指标之一,区域尺度上的森林生物量的准确估测对了解森林现状和科学经营森林具有重要指导意义。本文旨在利用SAR影像结合Landsat5 TM影像对区域尺度上的森林生物量进行定量估测。方法首先利用极化分解的方法对极化合成孔径雷达(SAR)数据进行处理获得45个极化分解参数,然后将45个极化分解参数与6个Landsat5 TM波段参数共51个参数作为自变量,森林生物量W作为因变量构建统计回归模型,最后利用最优模型反演研究区的森林生物量。结果使用两种方法进行模型构建:(1)逐步回归法,利用逐步回归进行变量筛选,选出2个参数构建模型,模型R2为0.534,拟合精度为67.51%,RMSE为43.21 t/hm2;(2)最优子集法,用Bootstrap法进行变量筛选,共筛选出9个参数,然后用这9个参数进行最优子集回归,获得511个选模型,然后选择出最优子集模型,并用交叉验证法对模型进行验证,最终选出的最优子集模型包含的参数为TM_band4、Neumann_delta_mod、Neumann_psi、TSVM_psi、TSVM_tau_m3,模型R2为0.768 2,拟合精度为88.32%,拟合RMSE为14.98 t/hm2,验证精度为86.21%,验证RMSE为19.14 t/hm2,CP指数为5.249 5,赤池信息量AIC为256.504 5。本文最终使用最优子集法获得的模型进行反演,获得研究区的森林生物量分布图。结论结果表明:全极化C波段SAR数据结合Landsat5 TM光学数据构建遥感信息模型可以准确反演森林生物量。
  • 图  1  研究区域及数据分布

    Figure  1.  Study area and data distributing

    图  2  SAR预处理

    Figure  2.  SAR preprocessed data

    图  3  TM数据

    Figure  3.  TM data

    图  4  森林生物量-极化后向散射系数散点图

    σ°HHσ°HVσ°VHσ°VV是4个极化通道的后向散射系数。

    Figure  4.  Scatter plot of forest biomass (W)-backward scattering coefficient (σ°)

    Backward scattering coefficient of four polarized channels including σ°HH, σ°HV, σ°VH and σ°VV.

    图  5  各评价指标折线图

    Figure  5.  Trend lines of each assessment index

    图  6  森林生物量分布图

    Figure  6.  Distribution map of forest biomass

    表  1  大兴安岭典型树种可加性生物量模型参数估计值表

    Table  1.   Coefficient estimates of the additive system of biomass equations for typical tree species in northeastern China

    树种
    Variety
    回归系数 Regression coefficient
    ar br as bs ab bb af bf
    红松 Pinus koraiensis 0.041 7 2.198 2 0.088 1 2.270 5 0.001 3 3.225 0 0.005 1 2.595 2
    落叶松 Larix gmelinii 0.004 7 2.991 4 0.022 8 2.877 8 0.024 1 2.114 7 0.098 4 1.254 9
    樟子松 Pinus sylvestris var. mongolica 0.072 0 1.951 3 0.028 1 2.720 3 0.008 1 2.511 2 0.020 0 2.032 7
    柞树 Quercus mongolica 0.047 8 2.294 3 0.075 4 2.485 6 0.000 9 3.522 0 0.005 8 2.318 5
    杨树 Populus sp. 0.018 9 2.402 0 0.107 3 2.345 0 0.001 1 3.207 9 0.001 7 2.545 9
    椴树 Tilia tuan 0.077 9 1.996 4 0.040 4 2.615 0 0.006 5 2.566 7 0.009 2 1.916 1
    白桦 Betula platyphylla 0.052 2 2.263 4 0.094 9 2.409 6 0.003 1 3.065 6 0.002 6 2.587 1
    黑桦 Betula dahurica 0.062 3 2.093 3 0.072 9 2.446 6 0.001 5 3.301 6 0.005 8 2.293 3
    黑杨 Populus nigra 0.034 7 2.221 7 0.093 6 2.207 1 0.011 0 2.450 6 0.010 8 2.014 0
    注:r、s、b、f分别代表树根、树干、树枝、树叶。Notes: r, s, b and f represent tree roots, trunk, branches and leaves, respectively.
    下载: 导出CSV

    表  2  样地森林生物量数据

    Table  2.   Forest biomass data of sample plot

    样地号
    Sample No.
    森林生物量/(t·hm-2)
    Forest biomass/(t·ha-1)
    样地号
    Sample No.
    森林生物量/(t·hm-2)
    Forest biomass/(t·ha-1)
    样地号
    Sample No.
    森林生物量/(t·hm-2)
    Forest biomass/(t·ha-1)
    275 152.4427 375 128.5139 393 135.4595
    347 146.1999 376 152.0415 401 16.5854
    348 152.1535 377 108.6104 402 40.4267
    349 14.5316 378 86.4150 403 51.4157
    351 11.5181 379 148.6290 415 163.8515
    361 148.5894 380 83.4669 416 151.3936
    362 230.6172 388 152.4030 426 97.8218
    363 120.0154 389 56.6494 427 150.0877
    364 118.2768 390 154.0756 526 39.3526
    365 155.5760 391 146.2712 529 128.2132
    366 80.4078 392 155.1340 530 118.0316
    下载: 导出CSV

    表  3  SAR影像参数表

    Table  3.   Parameters of SAR image

    序号
    No.
    日期
    Date
    空间分辨率
    Spatial resolution/m
    入射角
    Incidence angle/(°)
    幅宽
    Breadth
    1 2013-08-20 8 37.00 50km×25km
    2 2013-08-24 8 38.51 25km×25km
    下载: 导出CSV

    表  4  W-σ°相关性分析

    Table  4.   W-σ° correlation analysis

    相关系数
    Correlation coefficient
    后向散射系数 Backward scattering coefficient
    σ°HH σ°HV σ°VH σ°VV
    皮尔逊系数 Person coefficient 0.207 0.060 0.050 0.179
    显著性系数 Sig. 0.248 0.742 0.781 0.320
    注:显著性水平为0.05。下同。Notes:significance level is 0.05. Same as below.
    下载: 导出CSV

    表  5  极化分解参数表

    Table  5.   Polarization decomposition parameters

    方式 Method 参数 Parameter
    Yamaguchi4 分解
    Yamaguchi4 decomposition
    Yamaguchi4 分解体散射分量 Scattering component of Yamaguchi4 decomposition volume(Yamaguchi4_Vol),
    Yamaguchi4 分解奇次散射分量 Odd scattering component of Yamaguchi4 decomposition(Yamaguchi4_Odd),
    Yamaguchi4 分解偶次散射分量 Even scattering component of Yamaguchi4 decomposition(Yamaguchi4_Dbl),
    Yamaguchi4 分解螺旋散射分量 Helix scattering component of Yamaguchi4 decomposition (Yamaguchi4_Hlx)
    Yamaguchi3分解
    Yamaguchi3 decomposition
    Yamaguchi3 分解体散射分量 Scattering component of Yamaguchi3 decomposition volume (Yamaguchi3_Vol),
    Yamaguchi3 分解奇次散射分量 Odd scattering component of Yamaguchi3 decomposition (Yamaguchi3_Odd),
    Yamaguchi3 分解偶次散射分量 Even scattering component of Yamaguch3 decomposition (Yamaguchi3_Dbl)
    VanZyl3分解
    VanZyl3 decomposition
    VanZyl3 分解体散射分量 VanZyl3 scattering component of decomposition volume (VanZyl3_Vol),VanZyl3 分解奇
    次散射分量 Odd scattering component of VanZyl3 decomposition (VanZyl3_Odd),VanZyl3 分解偶次散射分量
    Even scattering component of VanZyl3 decomposition (VanZyl3_Dbl)
    直推式支持向量机分解
    TSVM decomposition
    4种对称散射参数 Four symmetry scattering parameters(TSVM_alpha_s,TSVM_alpha_s1,TSVM_alpha_s2,TSVM_alpha_s3);
    4种线性散射参数 Four linear scattering parameters (TSVM_phi_s,TSVM_phi_s1,TSVM_phi_s2,TSVM_phi_s3);
    4种目标极化指向角参数 Four target polarization points to angle parameters(TSVM_psi,TSVM_psi1,TSVM_psi2,TSVM_psi3);
    4种螺旋角参数 Four helical angle parameters (TSVM_tau_m,TSVM_tau_m1,TSVM_tau_m2,TSVM_tau_m3)
    Neumann分解
    Neumann decomposition
    Neumann 分解多次散射分量 Multiple scattering component of Neumann decomposition(Neumann_delta_mod),
    Neumann 分解平面散射分量 Plane scattering component of Neumann decomposition (Neumann_delta_pha),
    Neumann 分解螺旋散射分量 Helical scattering component of Neumann decomposition(Neumann_tau),
    Neumann 分解极化指向角分量 Neumann decomposition polarization points to angle component(Neumann_psi)
    Krogager分解
    Krogager decomposition
    Krogager 分解球散射体分量 Sphere scattering component of Krogager decomposition (Krogager_ks),Krogager 分解
    二面角散射体分量 Dihedrale scattering component of Krogager decomposition (Krogager_kh),Krogager 分解螺旋
    体散射分量 Helix scattering component of Krogager decomposition (Krogager_kd)
    FreeMan3分解
    FreeMan3 decomposition
    FreeMan3 分解体散射分量 Scattering component of FreeMan3 decomposition volume (FreeMan3_Vol),FreeMan3
    分解奇次散射分量 Odd scattering component of FreeMan3 decomposition(FreeMan3_Odd),FreeMan3 分解偶次
    散射分量 Even scattering component of FreeMan3 decomposition (FreeMan3_Dbl)
    FreeMan2分解
    FreeMan2 decomposition
    FreeMan2 分解体散射分量 Scattering component of FreeMan2 decomposition volume (FreeMan2_Vol),FreeMan2
    分解面散射分量 Ground scattering component of FreeMan2 decomposition(FreeMan2_Ground)
    特征向量分解
    H/A/Alpha decomposition
    平均散射角 Mean scattering angle(Alpha);
    各向异质性参数 Isotropism parameter (Anisotropy);
    极化散射熵 Polarimetric scattering entropy (entropy);
    4种不同极化方位角下的散射熵 Scattering entropy under four different polar azimuths (beta,delta, gamma,lambda)
    下载: 导出CSV

    表  6  模型回归系数表

    Table  6.   Regression coefficients of the model

    参数
    Parameter
    非标准化系数
    Unstandardized coefficient
    T检验值
    T test value
    显著性系数
    Sig.
    共线性容差
    Collinearity tolerance
    常数 Constant 19.488 0.652
    TM_Band4 0.023 2.871 0.007 1.056 3
    FreeMan3_Odd 521.389 2.133 0.041 1.254 2
    下载: 导出CSV

    表  7  变量属性表

    Table  7.   Variable attribute

    变量
    Variable
    T检验值
    T test value
    显著性系数
    Sig.
    共线性容差
    Collinearity
    tolerance
    TSVM_tau_m3 0.0094 0 1.0041
    TSVM_tau_m 0.0213 0 1.3562
    TSVM_psi 0.0219 0 1.5268
    Anisotropy 0.0117 0.001 1.5423
    Neumann_psi 0.0204 0.003 1.3259
    Neumann_delta_pha 0.0261 0.007 1.2564
    Neumann_delta_mod 0.0301 0.011 1.0256
    FreeMan3_Dbl 0.0211 0.013 1.0896
    TM_band4 0.0313 0.013 1.2516
    注:TM_band4表示TM数据第4波段。Note: TM_band4 means the fourth band value of TM data.
    下载: 导出CSV

    表  8  备选模型

    Table  8.   Alternative model

    模型
    Model
    拟合优度
    Fitting goodness (R2)
    马洛斯统计量
    Mallows'Cp(CP)
    赤池信息
    Akaike information criterion(AIC)
    模型中的变量
    Variable in model
    1 0.4773 5.1809 257.2171 b49
    2 0.5529 4.0394 256.0356 b37 b49
    3 0.6006 4.0594 255.8604 b18 b37 b49
    4 0.6469 4.1340 255.5981 b18 b35 b37 b49
    5 0.7682 5.2495 256.5045 b11 b18 b35 b37 b49
    6 0.7848 6.5597 257.6257 b11 b14 b18 b35 b37 b49
    7 0.8077 7.6064 258.3713 b11 b14 b18 b35 b36 b37 b49
    8 0.7859 8.8506 259.3418 b11 b14 b18 b32 b35 b36 b37 b49
    9 0.8064 10.0000 260.1434 b11 b14 b18 b32 b35 b36 b37 b43 b49
    注Notes:b11=TSVM_tau_m3,b14=TSVM_tau_m,b18=TSVM_psi,b32=Anisotropy,b35=Neumann_psi,b36=Neumann_delta_pha,b37=Neumann_delta_mod,b43=FreeMan3_Dbl,b49= TM_band4.
    下载: 导出CSV

    表  9  模型评价指标

    Table  9.   Model assessment indexes

    模型
    Model
    评价指标 Assessment index
    Pa/% Ra/(t·hm-2)
    Ra/(t·ha-1)
    Pb/% Rb/(t·hm-2)
    Rb/(t·ha-1)
    1 33.43 41.74 29.16 43.15
    2 42.21 31.95 41.67 36.34
    3 68.45 27.34 65.89 29.41
    4 71.38 19.75 69.45 21.20
    5 88.32 14.98 86.21 19.14
    6 87.57 16.52 86.42 19.12
    7 87.21 16.82 87.57 18.34
    8 87.37 16.47 86.14 19.01
    9 87.99 14.71 86.75 18.98
    注:Pa表示拟合精度的均方根,Ra表示拟合RMSE的均方根,Pb表示验证精度的均方根,Rb表示验证RMSE的均方根。Notes: Pa means mean square root of fitting accuracy, Ra means mean square root of fitting RMSE, Pb means mean square root of verifying accuracy, Rb means mean square root of verifying RMSE.
    下载: 导出CSV
  • [1] 黎夏, 叶嘉安, 王树功, 等.红树林湿地植被生物量的雷达遥感估算[J].遥感学报, 2006, 10(3):387-396. http://d.old.wanfangdata.com.cn/Periodical/ygxb200603016

    Li X, Ye J A, Wang S G, et al. Estmiating mangrove wetland biomass using radar remote sensing[J].Journal of Remote Sensing, 2006, 10(3):387-396. http://d.old.wanfangdata.com.cn/Periodical/ygxb200603016
    [2] Kurvonen L, Pulliainen J, Hallikainen M, et al. Retrieval of forest parameters from multitemporal spaceborne SAR data[C]//Proceedings of the Geoscience and Remote Sensing Symposium. New York: IEEE, 1996: 27-31.
    [3] 王臣立, 郭治兴, 牛铮, 等.热带人工林生物物理参数及生物量对RADARSAT SAR信号响应研究[J].生态环境, 2006, 15(1):115-119. doi:  10.3969/j.issn.1674-5906.2006.01.025

    Wang C L, Guo Z X, Niu Z, et al. Study on forest biophysics parameter impact on RADAR signature[J]. Ecology and Environment, 2006, 15(1):115-119. doi:  10.3969/j.issn.1674-5906.2006.01.025
    [4] Dobson M C, Ulaby F T, Letoan T, et al.Dependence of radar backscatter on coniferous forest biomass[J].IEEE Transactions on Geoscience and Remote Sensing, 1992, 30(2): 412-415. doi:  10.1109/36.134090
    [5] 徐星欧.基于目标分解的全极化雷达数据估算生物量相关参数方法的研究[D].武汉: 武汉大学, 2010. http://cdmd.cnki.com.cn/Article/CDMD-10486-1011065734.htm

    Xu X O.Biomass related parameter retrieving from Quad-Pol image via target decomposition method[D]. Wuhan: Wuhan University, 2010. http://cdmd.cnki.com.cn/Article/CDMD-10486-1011065734.htm
    [6] Fransson J E S, Smith G, Askne J, et al.Stem volume estimation in boreal forests using ERS-1/2 coherence and SPOT XS optical data[J].IEEE Transaction on International Journal of Remote Sensing, 2001, 22(14):2777-2791. doi:  10.1080/01431160010006872
    [7] 董利虎.东北林区主要树种及林分类型生物量模型研究[D].哈尔滨: 东北林业大学, 2015. http://cdmd.cnki.com.cn/Article/CDMD-10225-1015655568.htm

    Dong L H. Developing individual and stand-level biomass equations in northeast china forest area[D].Harbin: Northeast Forestry University, 2015. http://cdmd.cnki.com.cn/Article/CDMD-10225-1015655568.htm
    [8] 孙国清.雷达后向散射模型及其在雷达图像地形影响纠正中的应用[J].遥感学报, 2012, 6(6):406-411. http://d.old.wanfangdata.com.cn/Periodical/ygxb200206002

    Sun G Q.Radar back scatter model and its application in terrain-effect reduciton of radar imagery[J].Journal of Remote Sensing, 2012, 6(6):406-411. http://d.old.wanfangdata.com.cn/Periodical/ygxb200206002
    [9] 郭志华, 彭少麟, 王伯荪.利用TM数据提取粤西地区的森林生物量[J].生态学报, 2002, 22(11):1832-1839. doi:  10.3321/j.issn:1000-0933.2002.11.006

    Guo Z H, Peng S L, Wang B S. Estimating forest biomass in western Guangdong using landsat TM data[J]. Acta Ecologica Sinica, 2002, 22(11):1832-1839. doi:  10.3321/j.issn:1000-0933.2002.11.006
    [10] 安文韬.基于极化SAR的目标极化分解与散射特征提取研究[D].北京: 清华大学, 2010. http://cdmd.cnki.com.cn/Article/CDMD-10003-1011280521.htm

    An W T.The polarimetric decomposition and scattering characteristic extraction of polarimetric SAR[D].Beijing: Tsinghua University, 2010. http://cdmd.cnki.com.cn/Article/CDMD-10003-1011280521.htm
    [11] 葛蕴萍.星载SAR辐射定标处理与评估系统的设计与实现[J].国外电子测量技术, 2014, 33(7):53-58. doi:  10.3969/j.issn.1002-8978.2014.07.018

    Ge Y P.Design and implementation of spaceborne SAR calibration processing and evaluating system[J]. Foreign Electronic Measurement Technology, 2014, 33(7):53-58. doi:  10.3969/j.issn.1002-8978.2014.07.018
    [12] 李棉全.全极化测量雷达信号处理方法研究[D].北京: 国防科学技术大学, 2008. http://cdmd.cnki.com.cn/Article/CDMD-90002-2009213266.htm

    Li M Q.Research of signal processing mechanism for fully polarimetric radar[D].Beijing: National University of Defense Technology, 2008. http://cdmd.cnki.com.cn/Article/CDMD-90002-2009213266.htm
    [13] Cloude S R, Pottier E. A review of target decomposition theorems in radar polarimetry[J].IEEE Transactions on Geosciences and Remote Sensing, 1996, 34(2):498-517. doi:  10.1109/36.485127
    [14] 钟慧.基于稀疏表达的遥感数据集相关性分析[D].北京: 中国科学技术大学, 2015. http://cdmd.cnki.com.cn/Article/CDMD-10358-1015615516.htm

    Zhong H.The correlation analysis of remote sensing data sets based on sparse representation[D].Beijing: University of Science and Technology of China, 2015. http://cdmd.cnki.com.cn/Article/CDMD-10358-1015615516.htm
    [15] 魏艳华, 王丙参, 邢永忠.基于Bootstrap方法的回归分析的比较[J].统计与决策, 2016(3):77-79. http://d.old.wanfangdata.com.cn/Periodical/tjyjc201603020

    Wei Y H, Wang B C, Xing Y Z.Comparison of regression analysis based on Bootstrap method[J]. Statistics and Decision, 2016(3):77-79. http://d.old.wanfangdata.com.cn/Periodical/tjyjc201603020
    [16] 冯大光, 范昊明, 王铁良.基于最优回归子集的土壤解冻期降雨侵蚀模拟试验分析[J].沈阳农业大学学报, 2016, 47(1):124-128. http://d.old.wanfangdata.com.cn/Periodical/synydxxb201601021

    Feng D G, Fan H M, Wang T L.Simulation soil erosion during the period of thawing based on optimal regression subsets[J]. Journal of Shenyang Agricultural University, 2016, 47(1):124-128. http://d.old.wanfangdata.com.cn/Periodical/synydxxb201601021
    [17] 白鹏利, 王钧, 尹焕才, 等.基于偏最小二乘留一交叉验证法的近红外光谱建模样品选择方法的研究[J].食品安全质量检测学报, 2017, 8(1):182-186. http://d.old.wanfangdata.com.cn/Periodical/spaqzljcjs201701030

    Bai P L, Wang J, Yin H C, et al.Study on the sample selection methods for building calibration model by near infrared spectroscopy based on partial least squares-leave one out-cross validation[J]. Journal of Food Safety & Quality, 2017, 8(1):182-186. http://d.old.wanfangdata.com.cn/Periodical/spaqzljcjs201701030
  • [1] 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, 2019, 41(9): 50-58. doi: 10.13332/j.1000-1522.20190030
    [2] 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, 2017, 39(4): 12-20. doi: 10.13332/j.1000-1522.20160374
    [3] 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, 2017, 39(10): 70-77. doi: 10.13332/j.1000-1522.20160420
    [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, 2017, 39(8): 50-59. doi: 10.13332/j.1000-1522.20160243
    [5] 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, 2017, 39(1): 34-42. doi: 10.13332/j.1000-1522.20160063
    [6] 何怀江, 叶尔江·拜克吐尔汉, 张春雨, 左强, 邳田辉, 高海涛.  吉林蛟河针阔混交林12个树种生物量分配规律 . 北京林业大学学报, 2016, 38(4): 53-62. doi: 10.13332/j.1000-1522.20150430
    [7] 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, 2016, 38(9): 55-61. doi: 10.13332/j.1000-1522.20150223
    [8] 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, 2016, 38(5): 42-49. doi: 10.13332/j.1000-1522.20150383
    [9] 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, 2016, 38(2): 10-19. doi: 10.13332/j.1000-1522.20150214
    [10] 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, 2015, 37(2): 32-39. doi: 10.13332/j.cnki.jbfu.2015.02.015
    [11] 刘琼阁, 彭道黎, 黄国胜, 曾伟生, 王雪军.  东北云杉相容性立木材积和地上生物量模型研建 . 北京林业大学学报, 2015, 37(2): 8-15. doi: 10.13332/j.cnki.jbfu.2015.02.005
    [12] 欧光龙, 胥辉, 王俊峰, 肖义发, 陈科屹, 郑海妹.  思茅松天然林林分生物量混合效应模型构建 . 北京林业大学学报, 2015, 37(3): 101-110. doi: 10.13332/j.1000-1522.20140316
    [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, 2015, 37(2): 1-7. 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, 2014, 36(4): 54-63. doi: 10.13332/j.cnki.jbfu.2014.04.013
    [15] 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, 2011, 33(5): 144-150.
    [16] 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, 2008, 30(supp.2): 160-164.
    [17] 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, 2007, 29(5): 110-113.
    [18] 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, 2007, 29(1): 31-36.
    [19] 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, 2006, 28(6): 98-102.
    [20] 武三安, 胡建忠, 杜晓, 莫秋云, 陈玮, 贾黎明, 刁一伟, 李成茂, 刘晓丽, 张丽丽, 韩烈保, 张建军, 张厚江, 郭惠红, 石娟, 赵博光, 王昌俊, 申世杰, 梁波, 马履一, 李文彬, 姜笑梅, 徐文铎, 邢长山, 骆有庆, 李镇宇, 王安志, 清水晃, 宋菲, 张峻萍, 金昌杰, 苏德荣, 崔英颖, 壁谷直记, 王小平, 曾凡勇, 李海林, 李景锐, 赵林果, 石碧, 殷亚方, 沉昕, 延廣竜彦, 徐梅, 蒋艳灵, 韩瑞东, 苗毅, 陈卫平2, 韦艳葵, 胡青, 关德新, 王瀛坤, 裴铁璠, 赵永利, 严晓素, 高述民, 徐君, 李凤兰, 周军, 蒋平, 蒋平.  确定监测区域建立森林郁闭度估测方程最优样地的研究 . 北京林业大学学报, 2005, 27(6): 24-28.
  • 加载中
图(6) / 表 (9)
计量
  • 文章访问数:  921
  • HTML全文浏览量:  317
  • PDF下载量:  271
  • 被引次数: 0
出版历程
  • 收稿日期:  2017-08-22
  • 修回日期:  2017-12-11
  • 刊出日期:  2018-02-01

基于SAR极化分解与Landsat数据的森林生物量遥感估测

doi: 10.13332/j.1000-1522.20170284
    基金项目:

    国家自然科学基金项目 31470640

    作者简介:

    李明泽,博士,教授。主要研究方向:遥感与地理信息系统。Email:mingzelee@163.com 地址:150040黑龙江省哈尔滨市香坊区和兴路26号东北林业大学教务处

    通讯作者: 范文义,教授,博士生导师。主要研究方向:遥感与地理信息系统。Email:fanwy@163.com 地址:150040黑龙江省哈尔滨市香坊区和兴路26号东北林业大学林学院
  • 中图分类号: S758.5;S771.8

摘要: 目的森林生物量是评价森林生态系统结构、功能和生产力的重要指标之一,区域尺度上的森林生物量的准确估测对了解森林现状和科学经营森林具有重要指导意义。本文旨在利用SAR影像结合Landsat5 TM影像对区域尺度上的森林生物量进行定量估测。方法首先利用极化分解的方法对极化合成孔径雷达(SAR)数据进行处理获得45个极化分解参数,然后将45个极化分解参数与6个Landsat5 TM波段参数共51个参数作为自变量,森林生物量W作为因变量构建统计回归模型,最后利用最优模型反演研究区的森林生物量。结果使用两种方法进行模型构建:(1)逐步回归法,利用逐步回归进行变量筛选,选出2个参数构建模型,模型R2为0.534,拟合精度为67.51%,RMSE为43.21 t/hm2;(2)最优子集法,用Bootstrap法进行变量筛选,共筛选出9个参数,然后用这9个参数进行最优子集回归,获得511个选模型,然后选择出最优子集模型,并用交叉验证法对模型进行验证,最终选出的最优子集模型包含的参数为TM_band4、Neumann_delta_mod、Neumann_psi、TSVM_psi、TSVM_tau_m3,模型R2为0.768 2,拟合精度为88.32%,拟合RMSE为14.98 t/hm2,验证精度为86.21%,验证RMSE为19.14 t/hm2,CP指数为5.249 5,赤池信息量AIC为256.504 5。本文最终使用最优子集法获得的模型进行反演,获得研究区的森林生物量分布图。结论结果表明:全极化C波段SAR数据结合Landsat5 TM光学数据构建遥感信息模型可以准确反演森林生物量。

English Abstract

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[J]. 北京林业大学学报, 2018, 40(2): 1-10. doi: 10.13332/j.1000-1522.20170284
引用本文: 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[J]. 北京林业大学学报, 2018, 40(2): 1-10. doi: 10.13332/j.1000-1522.20170284
Li Ming-ze, Yu Xin-tong, Gao Yuan-ke, Fan Wen-yi. Remote sensing quantification on forest biomass based on SAR polarization decomposition and Landsat data[J]. Journal of Beijing Forestry University, 2018, 40(2): 1-10. doi: 10.13332/j.1000-1522.20170284
Citation: Li Ming-ze, Yu Xin-tong, Gao Yuan-ke, Fan Wen-yi. Remote sensing quantification on forest biomass based on SAR polarization decomposition and Landsat data[J]. Journal of Beijing Forestry University, 2018, 40(2): 1-10. doi: 10.13332/j.1000-1522.20170284
  • 森林生物量是指单位面积的森林群落在一定时间内积累的有机质总量,常用单位为吨每公顷(t/hm2),它是评价森林生态系统结构、功能和生产力的重要指标之一,是森林生态系统长期生产代谢过程的积累,是森林固碳能力的直接体现。森林生物量的准确估测对森林资源的经营与管理起到重要的指示作用,直接影响全球碳源、碳汇的精确分析评价,是全球碳交易的重要数据支撑。

    如何对森林生物量进行准确估测,一直是全球行业内专家学者的研究热点问题。自20世纪30年代,人们开始利用传统的标准地收获模型对森林生物量进行测算,但这种方法耗时耗力,测算面积小,人为因素引起的误差大。随着3S技术的发展,开始利用光学遥感记录森林冠层的光谱信息,从而间接反映植被的生物量,这种方法已在大区域森林生物量的反演领域得到广泛应用。由于可见光和近红外光谱只与绿叶生物量产生反应,理论上只能获取树木叶生物量的信息,无法反映树木的树干、树皮的生物量信息,在利用光谱信息估测森林生物量时实际上是利用了森林生物量与绿叶生物量的相对生长关系达到间接估计森林生物量,然而这种对应关系在森林结构复杂或者估测对象包含多个树种时会出现较大的误差或错误[1]。在20世纪90年代,随着合成孔径雷达(Synthetic Aperture Radar,SAR)技术的不断发展应用,全球发射了多种搭载SAR传感器的卫星(Seasat SAR、SIR SAR系列、JERS SAR系列、RADARSAT SAR系列)。由于SAR的波长较长,对冰、雨、雪、森林、土壤等具有一定穿透能力,不依赖太阳光线,可以全天时全天候工作,使得SAR数据在森林生物量研究方面有了巨大的进展。Kurvonen等[2]将C波段SAR数据用于北方针叶林生物量反演,达到了一定效果。王臣立等[3]利用SAR数据,系统地研究了热带人工林生物物理参数及生物量对SAR信号的响应情况,结果表明SAR后向散射系数与森林生物量之间的关系可以用统计模型模拟,但是精度不高。Dobson等[4]利用SAR数据对法国兰蒂斯海松种植园的生物量进行估测,研究证明C波段SAR的后向散射强度数据反演蓄积量会存在一个饱和点问题。徐星欧[5]提出SAR数据的极化目标分解可以完整利用SAR数据的相位和振幅信息,可以有效解决其他方法混合像元存在时无法精确处理回波信息的问题。Fransson等[6]利用ERS-1数据的干涉信息和光学数据SPOT XS来反演北方森林蓄积量,得到了非常好的效果。利用不同数据源所包含信息的互补性,可以明显提高森林生物量的反演精度。

    通过国内外的相关研究报道可以看出利用SAR数据进行大区域森林生物量的估测具有很大的优势,但是利用C波段的SAR结合TM数据来估算大兴安岭地区天然次生林的森林生物量的研究并不多见。本文利用2013年全极化C波段SAR数据和2010年的Landsat5 TM数据,结合盘古林场2010年的一类清查数据,构建遥感信息模型,对中国大兴安岭地区天然次生林的森林生物量进行定量反演;用极化分解方法获得表达能力更强的SAR参数,然后利用bootstrap法进行参数筛选,构建最优子集模型来实现区域尺度上的森林生物量的遥感反演。

    • 本文研究区设置在大兴安岭中部伊勒呼里山北麓的塔河林业局盘古林场,地理位置为52°16′38″~52°47′04″ N、123°20′02″~124°21′40″ E(图 1),坐落于塔河县西南角,在塔河县城西北部100 km的加漠公路线上,西北与塔河县开库康乡及漠河县局部交界,东南与呼中林业局、瓦拉干镇接壤,林场总面积15.2万hm2。该区属于寒温带,为大陆性季风气候,年平均气温-3℃,极端最高气温36℃,极端最低气温-53℃。昼夜温差大。冬季漫长、严寒、干燥,夏季短促、温暖、多雨。全年平均降水量400mm。辖区内多河流与矮山,森林覆盖率达到88.9%。盘古林场是我国大兴安岭地区重要的木材输出地和林副产品生产基地,是我国重要的笃斯越桔(Vaccinium uliginosum)、越桔(V.vitis-idaea)的采摘地。主要乔木树种有白桦(Betula platyphylla)、落叶松(Larix gmelinii)、樟子松(Pinus sylvestris var. mongolica)等,灌木有杜香(Ledum palustre)、胡枝子(Lespedeza bicolor)和兴安杜鹃(Rhodendron dauricum)等。

      图  1  研究区域及数据分布

      Figure 1.  Study area and data distributing

    • 本文所采用的样地数据为2010年大兴安岭地区一类调查数据,在SAR数据范围内共有33块样地,根据研究需要选取的样地分布在盘古林场区域内的有25块,林场周边共8块(见图 1)。将样地每木检尺数据代入董利虎[7]构建的东北典型树种的单木生物量模型中,计算得到样地所有单木生物量,求和然后除以样地面积(600m2),得到样地的森林生物量(t/hm2)。具体参照模型如下:

      $$ {B_{\rm{r}}} = {a_{\rm{r}}}{D^{{b_{\rm{r}}}}} + {\varepsilon _{\rm{r}}} $$ (1)
      $$ {B_{\rm{s}}} = {a_{\rm{s}}}{D^{{b_{\rm{s}}}}} + {\varepsilon _{\rm{s}}} $$ (2)
      $$ {B_{\rm{b}}} = {a_{\rm{b}}}{D^{{b_{\rm{b}}}}} + {\varepsilon _{\rm{b}}} $$ (3)
      $$ {B_{\rm{f}}} = {a_{\rm{f}}}{D^{{b_{\rm{f}}}}} + {\varepsilon _{\rm{f}}} $$ (4)
      $$ \begin{array}{l} {B_{\rm{t}}} = {B_{\rm{r}}} + {B_{\rm{s}}} + {B_{\rm{b}}} + {B_{\rm{f}}} + {\varepsilon _{\rm{t}}} = \\ {a_{\rm{r}}}{D^{{b_{\rm{r}}}}} + {a_{\rm{s}}}{D^{{b_{\rm{s}}}}} + {a_{\rm{b}}}{D^{{b_{\rm{b}}}}} + {a_{\rm{f}}}{D^{{b_{\rm{f}}}}} + {\varepsilon _{\rm{t}}} \end{array} $$ (5)

      式中:r、s、b、f、t分别代表树根、树干、树枝、枝叶和总计;B为生物量,t/hm2D为胸径,cm;ab为回归系数;ε为误差项。

      模型的回归系数估计值见表 1

      表 1  大兴安岭典型树种可加性生物量模型参数估计值表

      Table 1.  Coefficient estimates of the additive system of biomass equations for typical tree species in northeastern China

      树种
      Variety
      回归系数 Regression coefficient
      ar br as bs ab bb af bf
      红松 Pinus koraiensis 0.041 7 2.198 2 0.088 1 2.270 5 0.001 3 3.225 0 0.005 1 2.595 2
      落叶松 Larix gmelinii 0.004 7 2.991 4 0.022 8 2.877 8 0.024 1 2.114 7 0.098 4 1.254 9
      樟子松 Pinus sylvestris var. mongolica 0.072 0 1.951 3 0.028 1 2.720 3 0.008 1 2.511 2 0.020 0 2.032 7
      柞树 Quercus mongolica 0.047 8 2.294 3 0.075 4 2.485 6 0.000 9 3.522 0 0.005 8 2.318 5
      杨树 Populus sp. 0.018 9 2.402 0 0.107 3 2.345 0 0.001 1 3.207 9 0.001 7 2.545 9
      椴树 Tilia tuan 0.077 9 1.996 4 0.040 4 2.615 0 0.006 5 2.566 7 0.009 2 1.916 1
      白桦 Betula platyphylla 0.052 2 2.263 4 0.094 9 2.409 6 0.003 1 3.065 6 0.002 6 2.587 1
      黑桦 Betula dahurica 0.062 3 2.093 3 0.072 9 2.446 6 0.001 5 3.301 6 0.005 8 2.293 3
      黑杨 Populus nigra 0.034 7 2.221 7 0.093 6 2.207 1 0.011 0 2.450 6 0.010 8 2.014 0
      注:r、s、b、f分别代表树根、树干、树枝、树叶。Notes: r, s, b and f represent tree roots, trunk, branches and leaves, respectively.

      表 1中各树种的参数代入公式(5)中进行计算,获得本文中所使用的样地森林生物量(表 2)。

      表 2  样地森林生物量数据

      Table 2.  Forest biomass data of sample plot

      样地号
      Sample No.
      森林生物量/(t·hm-2)
      Forest biomass/(t·ha-1)
      样地号
      Sample No.
      森林生物量/(t·hm-2)
      Forest biomass/(t·ha-1)
      样地号
      Sample No.
      森林生物量/(t·hm-2)
      Forest biomass/(t·ha-1)
      275 152.4427 375 128.5139 393 135.4595
      347 146.1999 376 152.0415 401 16.5854
      348 152.1535 377 108.6104 402 40.4267
      349 14.5316 378 86.4150 403 51.4157
      351 11.5181 379 148.6290 415 163.8515
      361 148.5894 380 83.4669 416 151.3936
      362 230.6172 388 152.4030 426 97.8218
      363 120.0154 389 56.6494 427 150.0877
      364 118.2768 390 154.0756 526 39.3526
      365 155.5760 391 146.2712 529 128.2132
      366 80.4078 392 155.1340 530 118.0316
    • 本文采用的是Radarsat-2侧视雷达采集的C波段全极化SAR数据,覆盖研究区需要用到两景数据,参数详见表 3

      表 3  SAR影像参数表

      Table 3.  Parameters of SAR image

      序号
      No.
      日期
      Date
      空间分辨率
      Spatial resolution/m
      入射角
      Incidence angle/(°)
      幅宽
      Breadth
      1 2013-08-20 8 37.00 50km×25km
      2 2013-08-24 8 38.51 25km×25km

      处理SAR数据用到的软件有美国ESRI公司开发的ENVI 5.2和欧空局开发的专门处理全极化SAR数据的PolSARPro 5.0,根据SAR的成像原理以及本文的应用需求,需要对SAR数据进行以下操作:

      (1) 辐射定标。由于SAR数据记录的是雷达回波的相位信息和强度信息,需要将它们转化为以能量值表现出来的后向散射系数,便于应用。在PolSARPro 5.0中经辐射定标,获得SAR的极化后向散射矩阵。

      (2) 极化滤波。SAR是相干系统,斑点噪声是其固有属性,在均匀的区域,图像表现出明显的亮度随机变化,也称为随机漫反射,会在一定程度上影响数据的质量。在PolSARPro 5.0中采用Refine Lee滤波对SAR进行滤波处理。

      (3) 正射校正。由于侧视雷达的工作方式使得SAR传感器在获得后向信号时是斜距投影,加上地形起伏造成数据透视收缩、叠掩和阴影等现象,会大大降低SAR数据的信噪比,需要对SAR进行正射校正来消减这些影响。在ENVI 5.2中进行正射校正。

      (4) 地形校正。由于侧视雷达的飞行方式和传感器的扫描方式,使得雷达信号会受到地形的严重影响,在ENVI 5.2中引入当地入射角[8]修正地形给SAR带来的影响。

      各个操作结果(以宽幅影像HH通道为例)如图 2所示。

      图  2  SAR预处理

      Figure 2.  SAR preprocessed data

    • 本文所采用的Labdsat5 TM数据获取时间为2010年,是应用最为广泛的光学数据。其空间分辨率为30m,记录了地球表面反射的太阳辐射和散发的热辐射。因树叶对光学数据比较敏感[9],而SAR会直接穿透树叶,对树枝和树干有明显效果[10],所以采用TM数据参与建模。对TM数据进行辐射定标、大气校正和几何校正后获得图 3的结果(图 3为5、4、3波段组合假彩色图)。

      图  3  TM数据

      Figure 3.  TM data

    • 本文首先对SAR数据的极化后向散射系数(σ°)与森林生物量(W)进行相关性分析,检验σ°与W的相关性程度。如果σ°与W相关系数较高,则表明参数σ°可用于构建模型来估测W;如果σ°与W相关系数很低,则表明不能用σ°构建模型来估测W,则需要寻找更加合适的参数来构建模型。采用全极化SAR目标极化分解的方式和提取Landsat5 TM光学波段数据来获得参数,并验证其是否能满足与W的相关性,并用其构建模型。可以利用Bootstrap方法进行参数筛选,然后利用最优子集法获得最优模型来反演研究区森林生物量。

    • SAR数据的极化后向散射系数(σ°)指的是雷达后向散射截面与入射光截面之比,是雷达入射电磁波与地物目标相互作用结果的度量,其单位为m2/m2,一般转换为分贝(dB)表示。Radarsat-2搭载的雷达天线发射的极化基有两种方式:一种为水平极化(H),一种为垂直极化(V)。由于目标的变极化效应[11],雷达天线接收的极化后向散射系数(σ°)可分为4个通道,即σ°HHσ°HVσ°VHσ°VV。用ENVI 5.2中进行辐射定标,获得SAR数据的四通道σ°图像,然后提取对应样地的4个通道σ°值。

    • 目标极化分解理论是为了更好地对极化数据进行解译而发展起来的,是研究和应用全极化SAR数据的主要方法[12]。极化分解技术可以从本质上分离各种地物不同散射机制引起的极化特征,可以更加有效地提取目标地物的主要散射特征,从而达到提取目标地物特定属性参数的目的。Cloude等[13]根据目标散射特性将极化目标分解为两类,即:相干目标分解和非相干目标分解。由于研究区设置在林区,森林是一个复杂的生态系统,地物目标具有普遍的时变效应,目标地物比较复杂,地物基本都是非相干目标,所以对研究区全极化SAR数据进行非极化目标相干分解。

    • 相关性分析是通过相关系数来表示两个变量之间相关关系密切程度的统计方法,参与相关性分析的变量单位应该是标准化单位[14]。本文的森林生物量(W)的单位为t/hm2σ°的单位为dB,这两个参数都是标准化单位。对这两个变量进行相关性分析,绘制散点图进行直观评价,并计算出相关系数。

    • 本文采用Bootstrap法对所有变量进行筛选,由于获取的变量较多,而样本数较少,可能会使变量在建模时增加干扰信息,不利于模型构建。Bootstrap法[15],也叫自助法,是一种基于数据模拟推断的方法,适用于样本数较少的模型构建。其原理为从训练样本中有放回地均匀抽样,根据抽出的Bootstrap样本计算因变量的估计值,如此进行重复抽样来反映因变量估计值的分布,然后筛选出最优变量集。

    • 本文使用最优子集法进行模型构建。最优子集法就是将备选的所有自变量的所有组合作为模型子集进行建模,由于每个变量都有入选和不入选的两种可能,由于模型至少包含一个自变量,所以y关于m个自变量的回归模型就有2m-1个。在所有的模型中进行选择,将最好的模型作为终选模型。最优子集法[16]选择最优模型遵循4个原则:(1)拟合优度R2达到最大;(2)赤池信息量AIC达到最小;(3)CP统计量达到最小;(4)模型的拟合精度与验证精度达到最大。对每个指标进行归一化处理,综合评价模型的这4个指标,可以选择出最优子集进行模型构建。

    • 交叉验证[17]主要应用于样本数比较少的情况,将所有样本随机分为训练集和验证集两部分。记录训练集和验证集的预测结果均方根,用模型精度(Precision)和均方根误差(RMSE)两种方式进行判断。

    • 将提取的全极化SAR数据的4个通道的极化后向散射系数σ°HHσ°HVσ°VHσ°VV,与相应的样地森林生物量(W)做相关性分析,分析结果见图 4表 4

      图  4  森林生物量-极化后向散射系数散点图

      Figure 4.  Scatter plot of forest biomass (W)-backward scattering coefficient (σ°)

      表 4  W-σ°相关性分析

      Table 4.  W-σ° correlation analysis

      相关系数
      Correlation coefficient
      后向散射系数 Backward scattering coefficient
      σ°HH σ°HV σ°VH σ°VV
      皮尔逊系数 Person coefficient 0.207 0.060 0.050 0.179
      显著性系数 Sig. 0.248 0.742 0.781 0.320
      注:显著性水平为0.05。下同。Notes:significance level is 0.05. Same as below.

      表 4中可以看出4个极化通道的后向散射系数与森林生物量的散点图过于分散。全极化SAR的4个极化通道的后向散射系数与森林生物量之间没有显著相关性,并且它们之间有一定的差异性,简单地用σ°估测森林生物量是有局限性的。

    • 经过上述分析发现,直接用σ°构建模型来估测森林生物量是难以实现的。本文对极化SAR数据进行非相干目标极化分解,共用了9种方法,获得45个参数(详见表 5)。

      表 5  极化分解参数表

      Table 5.  Polarization decomposition parameters

      方式 Method 参数 Parameter
      Yamaguchi4 分解
      Yamaguchi4 decomposition
      Yamaguchi4 分解体散射分量 Scattering component of Yamaguchi4 decomposition volume(Yamaguchi4_Vol),
      Yamaguchi4 分解奇次散射分量 Odd scattering component of Yamaguchi4 decomposition(Yamaguchi4_Odd),
      Yamaguchi4 分解偶次散射分量 Even scattering component of Yamaguchi4 decomposition(Yamaguchi4_Dbl),
      Yamaguchi4 分解螺旋散射分量 Helix scattering component of Yamaguchi4 decomposition (Yamaguchi4_Hlx)
      Yamaguchi3分解
      Yamaguchi3 decomposition
      Yamaguchi3 分解体散射分量 Scattering component of Yamaguchi3 decomposition volume (Yamaguchi3_Vol),
      Yamaguchi3 分解奇次散射分量 Odd scattering component of Yamaguchi3 decomposition (Yamaguchi3_Odd),
      Yamaguchi3 分解偶次散射分量 Even scattering component of Yamaguch3 decomposition (Yamaguchi3_Dbl)
      VanZyl3分解
      VanZyl3 decomposition
      VanZyl3 分解体散射分量 VanZyl3 scattering component of decomposition volume (VanZyl3_Vol),VanZyl3 分解奇
      次散射分量 Odd scattering component of VanZyl3 decomposition (VanZyl3_Odd),VanZyl3 分解偶次散射分量
      Even scattering component of VanZyl3 decomposition (VanZyl3_Dbl)
      直推式支持向量机分解
      TSVM decomposition
      4种对称散射参数 Four symmetry scattering parameters(TSVM_alpha_s,TSVM_alpha_s1,TSVM_alpha_s2,TSVM_alpha_s3);
      4种线性散射参数 Four linear scattering parameters (TSVM_phi_s,TSVM_phi_s1,TSVM_phi_s2,TSVM_phi_s3);
      4种目标极化指向角参数 Four target polarization points to angle parameters(TSVM_psi,TSVM_psi1,TSVM_psi2,TSVM_psi3);
      4种螺旋角参数 Four helical angle parameters (TSVM_tau_m,TSVM_tau_m1,TSVM_tau_m2,TSVM_tau_m3)
      Neumann分解
      Neumann decomposition
      Neumann 分解多次散射分量 Multiple scattering component of Neumann decomposition(Neumann_delta_mod),
      Neumann 分解平面散射分量 Plane scattering component of Neumann decomposition (Neumann_delta_pha),
      Neumann 分解螺旋散射分量 Helical scattering component of Neumann decomposition(Neumann_tau),
      Neumann 分解极化指向角分量 Neumann decomposition polarization points to angle component(Neumann_psi)
      Krogager分解
      Krogager decomposition
      Krogager 分解球散射体分量 Sphere scattering component of Krogager decomposition (Krogager_ks),Krogager 分解
      二面角散射体分量 Dihedrale scattering component of Krogager decomposition (Krogager_kh),Krogager 分解螺旋
      体散射分量 Helix scattering component of Krogager decomposition (Krogager_kd)
      FreeMan3分解
      FreeMan3 decomposition
      FreeMan3 分解体散射分量 Scattering component of FreeMan3 decomposition volume (FreeMan3_Vol),FreeMan3
      分解奇次散射分量 Odd scattering component of FreeMan3 decomposition(FreeMan3_Odd),FreeMan3 分解偶次
      散射分量 Even scattering component of FreeMan3 decomposition (FreeMan3_Dbl)
      FreeMan2分解
      FreeMan2 decomposition
      FreeMan2 分解体散射分量 Scattering component of FreeMan2 decomposition volume (FreeMan2_Vol),FreeMan2
      分解面散射分量 Ground scattering component of FreeMan2 decomposition(FreeMan2_Ground)
      特征向量分解
      H/A/Alpha decomposition
      平均散射角 Mean scattering angle(Alpha);
      各向异质性参数 Isotropism parameter (Anisotropy);
      极化散射熵 Polarimetric scattering entropy (entropy);
      4种不同极化方位角下的散射熵 Scattering entropy under four different polar azimuths (beta,delta, gamma,lambda)
    • 逐步回归的基本思想是将自变量逐个引入模型中,每引入一个解释变量后进行显著性检验,保留显著变量,当引入新的变量使得原引入变量变得不再显著时剔除原变量,如此逐步回归获得最优模型。利用软件SPSS 19.0进行逐步回归操作,将森林生物量(W)作为因变量、45个SAR极化分解参数和6个TM光学波段参数共51个参数作为自变量,进行逐步回归,结果见表 6

      表 6  模型回归系数表

      Table 6.  Regression coefficients of the model

      参数
      Parameter
      非标准化系数
      Unstandardized coefficient
      T检验值
      T test value
      显著性系数
      Sig.
      共线性容差
      Collinearity tolerance
      常数 Constant 19.488 0.652
      TM_Band4 0.023 2.871 0.007 1.056 3
      FreeMan3_Odd 521.389 2.133 0.041 1.254 2

      表 6可以看出,最终参与建模的两个变量显著性强,没有多重共线性。模型的R2为0.534,拟合精度为67.51%,RMSE为43.21t/hm2

    • 使用Bootstrap法在样本数小于自变量个数的情况下进行自变量的筛选,Bootstrap法由于是有放回的抽样,其效果往往优于逐步回归法,在Matlab2014a中实现Bootstrap法的变量筛选。本文共采用样本数据33个,因变量为森林生物量(W),自变量包括45个SAR极化分解参数和6个TM光学波段参数共51个。将Bootstrap样本的数量设为1000,置信水平为95%(α=0.05),对自变量进行3次筛选,最终选出9个变量参与建模(表 7)。

      表 7  变量属性表

      Table 7.  Variable attribute

      变量
      Variable
      T检验值
      T test value
      显著性系数
      Sig.
      共线性容差
      Collinearity
      tolerance
      TSVM_tau_m3 0.0094 0 1.0041
      TSVM_tau_m 0.0213 0 1.3562
      TSVM_psi 0.0219 0 1.5268
      Anisotropy 0.0117 0.001 1.5423
      Neumann_psi 0.0204 0.003 1.3259
      Neumann_delta_pha 0.0261 0.007 1.2564
      Neumann_delta_mod 0.0301 0.011 1.0256
      FreeMan3_Dbl 0.0211 0.013 1.0896
      TM_band4 0.0313 0.013 1.2516
      注:TM_band4表示TM数据第4波段。Note: TM_band4 means the fourth band value of TM data.

      最优子集回归相比于逐步回归,其回归方程考虑了所有的变量组合,可以主动地去选择一些有特殊意义的自变量加入模型,并且使所拟合的模型剩余均方差达到最小,保证模型最优。在Matlab 2014a中,将筛选的9个自变量参数与因变量导入,进行最优子集回归,共获得511个备选模型。模型中引入变量数分为1~9个共9种,将每一种中R2最大、CP最小、AIC最小的模型挑选出来,作为该种所有模型的最优模型。所有备选模型如表 8所示。

      表 8  备选模型

      Table 8.  Alternative model

      模型
      Model
      拟合优度
      Fitting goodness (R2)
      马洛斯统计量
      Mallows'Cp(CP)
      赤池信息
      Akaike information criterion(AIC)
      模型中的变量
      Variable in model
      1 0.4773 5.1809 257.2171 b49
      2 0.5529 4.0394 256.0356 b37 b49
      3 0.6006 4.0594 255.8604 b18 b37 b49
      4 0.6469 4.1340 255.5981 b18 b35 b37 b49
      5 0.7682 5.2495 256.5045 b11 b18 b35 b37 b49
      6 0.7848 6.5597 257.6257 b11 b14 b18 b35 b37 b49
      7 0.8077 7.6064 258.3713 b11 b14 b18 b35 b36 b37 b49
      8 0.7859 8.8506 259.3418 b11 b14 b18 b32 b35 b36 b37 b49
      9 0.8064 10.0000 260.1434 b11 b14 b18 b32 b35 b36 b37 b43 b49
      注Notes:b11=TSVM_tau_m3,b14=TSVM_tau_m,b18=TSVM_psi,b32=Anisotropy,b35=Neumann_psi,b36=Neumann_delta_pha,b37=Neumann_delta_mod,b43=FreeMan3_Dbl,b49= TM_band4.

      将所有备选模型进行交叉验证,每个模型训练集样本个数为24,验证集样本数为9,交叉验证次数设为100,在Matlab中运行,获得每个模型的评价指标(表 9)。

      表 9  模型评价指标

      Table 9.  Model assessment indexes

      模型
      Model
      评价指标 Assessment index
      Pa/% Ra/(t·hm-2)
      Ra/(t·ha-1)
      Pb/% Rb/(t·hm-2)
      Rb/(t·ha-1)
      1 33.43 41.74 29.16 43.15
      2 42.21 31.95 41.67 36.34
      3 68.45 27.34 65.89 29.41
      4 71.38 19.75 69.45 21.20
      5 88.32 14.98 86.21 19.14
      6 87.57 16.52 86.42 19.12
      7 87.21 16.82 87.57 18.34
      8 87.37 16.47 86.14 19.01
      9 87.99 14.71 86.75 18.98
      注:Pa表示拟合精度的均方根,Ra表示拟合RMSE的均方根,Pb表示验证精度的均方根,Rb表示验证RMSE的均方根。Notes: Pa means mean square root of fitting accuracy, Ra means mean square root of fitting RMSE, Pb means mean square root of verifying accuracy, Rb means mean square root of verifying RMSE.

      为了便于分析,将所有模型的指标进行归一化处理,绘制成折线图(图 5)。

      图  5  各评价指标折线图

      Figure 5.  Trend lines of each assessment index

      图 5中可以看出,模型复决定系数R2、模型拟合精度均方根和模型验证精度均方根越大,说明模型越好;马洛斯统计量(CP)、赤池信息量(AIC)、拟合RMSE、验证RMSE越小,说明模型越好。综合考虑,第5个模型的综合指标最优,所以选择第5个模型作为本文的最优模型。模型最终形式如下:

      $$ \begin{array}{l} Y = 180.501\;49 - 0.061\;41{\rm{T}}{{\rm{M}}_ - }{\rm{band }}4 + \\ \;\;\;\;\;\;6.141\;08{\rm{ Neuman}}{{\rm{n}}_ - }{\rm{delt}}{{\rm{a}}_ - }\bmod \, - \\ 2.131\;51{\rm{ Neuman}}{{\rm{n}}_ - }{\rm{psi }} + 0.075\;91{\rm{TSV}}{{\rm{M}}_ - }{\rm{psi + }}\\ \;\;\;\;\;\;\;\;\;\;\;\;\;0.135\;21{\rm{TSV}}{{\rm{M}}_ - }{\rm{ta}}{{\rm{u}}_ - }{\rm{m}}3 \end{array} $$ (6)

      模型R2为0.7682,拟合精度为88.32%,拟合RMSE为14.98t/hm2,验证精度为86.21%,验证RMSE为19.14t/hm2,马洛斯统计量CP为5.2495,赤池信息量为256.5045。

    • 在ENVI 5.2中加载TM_band4、Neumann_delta_mod、Neumann_psi、TSVM_psi、TSVM_tau_m3 5个变量的图像,然后在波段计算器中输入最终的模型进行波段计算,获得研究区森林生物量分布图(图 6)。

      图  6  森林生物量分布图

      Figure 6.  Distribution map of forest biomass

      对研究区内森林生物量的遥感估测结果进行统计可知:该区森林生物量最低不足1t/hm2,最高达223t/hm2;森林生物量在0~1t/hm2的区域占总面积的2.00%,这一部分为河流、道路和建筑;1~50t/hm2的区域占总面积的4.51%;51~100t/hm2的区域占总面积的5.06%;101~150t/hm2的区域占总面积的46.72%;151~200t/hm2的区域占总面积的35.13%;201~223t/hm2的区域占总面积的6.58%。结果显示,研究区内距道路越近,森林生物量越低,反之则高;人为活动频繁的居住区森林生物量低,人为活动少的地方森林生物量高;从森林分布的坡向上分析,阳面森林生物量高,阴面森林生物量低。

    • 本文利用全极化SAR数据结合Landsat TM数据对研究区的森林生物量进行遥感估测,并得到研究区的森林生物量分布图。本研究结论如下:(1)SAR数据4个通道极化后向散射系数估测森林生物量存在一定的局限性,可以借助极化分解的手段对SAR的参数进行组合优化;(2)样本数少于自变量个数时,Bootstrap法进行自变量的筛选具有有效性;(3)从模型入选的参数可以看出,Neumann分解和TSVM分解的多角度参数对森林生物量比较敏感;(4)研究区的森林生物量分布受地形因素和人为因素等的影响,呈现规律性分布。

      森林是一个复杂的生态系统,要准确地对其生物量进行遥感估测是非常困难的。本文利用SAR数据结合Landsat TM数据对研究区森林生物量进行估测,精度较高,方法可行,但是在数据源的选择、研究方法的应用和算法的改进方面还有进一步的提升空间。由于数据购买的限制,数据范围不能很好地覆盖整个研究区,故在以后的研究中可以扩大数据范围,更加准确地进行研究。

参考文献 (17)

目录

    /

    返回文章
    返回