基于全极化SAR数据反演鄱阳湖湿地植被生物量

刘 菊，廖静娟，沈国状

(1.中国科学院对地观测与数字地球科学中心，北京 100094;2.中国科学院研究生院，北京 100049)

基于全极化SAR数据反演鄱阳湖湿地植被生物量

刘 菊1，2，廖静娟1，沈国状1

(1.中国科学院对地观测与数字地球科学中心，北京 100094;2.中国科学院研究生院，北京 100049)

鄱阳湖是中国最大的淡水湖，也是国际重要湿地，对其生物量进行长期、定量研究有助于加深对区域乃至全球碳平衡的认识和理解。探讨了利用全极化Radarsat－2 C波段数据反演鄱阳湖湿地生物量的方法，改进了基于辐射传输理论的植被冠层散射模型，模拟了C波段湿地植被的后向散射特性;应用极化分解技术，增加了神经网络训练数据，并用后向反馈神经网络(BP)算法，反演了鄱阳湖湿地植被生物量。与野外实测生物量比较的结果表明:将改进的植被冠层散射模型和全极化分解得到的后向散射系数引入BP神经网络算法，能够有效降低生物量反演误差;全极化SAR数据在生物量反演中具有广阔的应用前景。

生物量;植被冠层散射模型;全极化分解;BP神经网络;Radarsat－2

0 引言

湿地植被作为陆地生态系统中的重要组成部分，在全球变化进程中起着举足轻重的作用。湿地植被生物量是指某一时刻、单位面积的湿地范围内实存植物的总重量，通常用鲜重或干重表示。湿地植被生物量是衡量湿地固碳能力的重要指标，因此湿地植被生物量的反演具有重要意义。

利用遥感技术进行生物量反演，数据源的选择很重要。应用光学遥感数据可以提取植被指数等与生物量有较大相关性的信息，通过建立这些信息与生物量的相关关系模型或回归模型来反演生物量［1－3］。但一些研究发现，植被茂盛区域的图像存在光谱饱和现象，影响了生物量反演的精度［4－5］。与光学遥感相比，雷达遥感具有波长更长、穿透性更强的优势，再加上全天时、全天候获取数据的特点，为植被实时监测提供了有力保障［6］。研究发现，雷达后向散射系数与各植被参数之间存在一定的相关性［7－9］，其中与生物量之间常表现为复杂的非线性关系［10－12］。也有学者尝试将光学和微波遥感数据相结合来反演植被参数，探讨提高反演精度的途径［13－15］。然而，当自变量间存在多重共线性或相关关系时，基于统计分析的经验和半经验模型方法都存在一定的局限性。杨沈斌在进行统计回归分析之前，对影响后向散射的各植被参数进行了主成分分析，发现雷达后向散射对水稻生物量和叶面积指数敏感［16］;张远等通过建立水稻冠层散射模型模拟植被后向散射特性，利用遗传算法反演了水稻生物量［17］。随着雷达遥感向全极化发展，极化特征参数也逐渐被用于反演地表环境生物物理参数。Sauer等人通过对POLSAR数据进行Freeman－Durden分解，利用二次散射和体散射分量进行生物量反演［18］;张远通过改进微波冠层散射模型，模拟了L波段水稻后向散射特性，并通过植被生物物理参数间接反演得到生物量［19］。

本文改进了水稻冠层散射模型，根据野外实测数据，将植被结构分层，对地表环境进行了重新构建，并将后向散射模拟值和Freeman－Durden极化分解得到的散射分量引入BP算法，反演得到了鄱阳湖湿地植被生物量。

1 研究区概况

鄱阳湖位于江西省北部，是中国最大的淡水湖，也是国际重要湿地之一，面积约3000 km2，其主导植被类型为灰化苔草［20］。受典型亚热带季风气候的影响，鄱阳湖是一个季节性湖泊，水位的交替变化影响了湿地植被的生长条件，进而影响植被生物量的变化。研究区位置如图1所示。

图1 研究区位置示意图(Google Earth)Fig.1 Sketch map of study area location on Google Earth

2 数据源

遥感数据为1景C波段精细全极化Radarsat－2图像，入射角 31.3°～33.0°。在对该图像进行Freeman－Durden极化分解之前，首先对其进行辐射定标和3像元×3像元的Enhanced Lee滤波;然后对得到的体散射、二次散射及面散射分量图像进行几何纠正(本文采用二次多项式变换模型，用最邻近像元法进行像元重采样);最后，利用手持GPS中存储的野外采样点地理坐标，提取出图像中对应点的后向散射值。

图2 湿地植被生物量反演方法流程Fig.2 Flow chart of wetland vegetation biomass retrieval

野外数据采集于2011年4月7—10日，获取时间基本与SAR数据同步。此时的湿地植被正处于生长顶峰时期，生物量达到最大值。采样点分布在鄱阳湖湖区中部的偏西部位(图1)，采样点间距为3 m，样点大小为0.5 m×0.5 m的地块;共收集54组采样点数据，每组取3个随机采样点的均值。采集的草样在烤箱中持续12 h进行恒温(100℃)烘干，最终获取其干重，之后将收集的各个参数进行单位换算，统一为单位面积(即1 m2范围内)。

3 研究方法

首先，通过改进基于辐射传输的植被冠层模型［19，21－22］，分析湿地植被的后向散射特性，通过比较采样点的模型模拟值和图像提取值，来验证模型的可行性;然后，基于BP神经网络算法构建了散射分量(体散射、二次散射、面散射)及后向散射系数(HH，VV，HV)与植被生物量的映射关系，最终实现了鄱阳湖湿地植被生物量反演与制图，具体流程如图2所示。

3.1 植被散射模型及后向散射特性

由于研究区内植被密度较大(图3左)，下垫面接受和反射C波段电磁波分量很少［23－24］。为了便于构建植被冠层后向散射模型，需要对地表条件进行简化和假设［25－27］。在改进植被冠层后向散射模型过程中，本研究假设研究区内植被种类单一，均为灰化苔草。苔草分为叶子层和茎秆层(图3右①—④为电磁波与植被的作用方式)。

图3 湿地苔草(左)及其散射模型简化示意图(右)Fig.3 Cares cinerascens in Poyang Lake wetland(left)and schematic diagram of the model(right)

本研究将电磁波与植被的相互作用分为4种方式(图3):①苔草直接后向散射;②入射波经苔草层衰减到达下层水面，再由水面反射到苔草层后射出;③入射波经苔草层散射到达水面后，经水面反射和草层衰减而射出;④雷达波束经苔草层衰减到达水面，再由水面反射到苔草层，经苔草层的后向散射作用返回水面，再次经水面反射和苔草层的衰减而射出。基于电磁波和植被的相互作用机制，在辐射传输方程的一阶解中，将总的后向散射量表达为

式中:σleaf和σstem分别为叶子和茎秆的体散射分量;σleaf－ground和 σstem－grond分别为叶子、茎秆与地表的二次散射分量;σground是地表直接后向散射分量。

在以往的植被冠层散射模型中，将植被冠层视为球形分布，但研究区苔草叶子呈竖立生长，不同高度上茎叶夹角不同，不同方位上回波强度不同。因此，本文利用概率分布函数(probability of distribution function，PDF)拟合叶子的几何分布。由于苔草叶片被视为长窄椭圆形，叶片与茎秆夹角α的余角定义为叶倾角β(β=90°－α)。PDF函数如图4所示。

图4 苔草叶倾角概率密度分布函数Fig.4 PDF of the taicao leaf orientations

拟合计算公式为

从改进模型的后向散射模拟值和图像提取值对比结果(图5)可以看出:二者之间具有良好的一致性，误差在1 dB以内，大部分误差在 0.2～0.5 dB之间，表明改进的模型能够较真实地反映湿地苔草植被后向散射特性;图像提取和模型模拟的3种极化方式(HH，VV，HV)后向散射值跨度均为6 dB左右，表明不同采样点的地表特性差异明显。

图5 后向散射系数σ°的模拟值和图像值对比Fig.5 Comparison between backscattering coefficients simulated by model and extracted from image

研究区内湖泊和河叉分布密集，下垫面含水量很高，在水分充足的情况下，同种植被在同一时间内含水量变动较小。但受下垫面成分、结构和营养条件等影响，植被高度、密度等却存在较大差异，后向散射系数与植被各结构参数间的敏感性分析结果如图6所示。

图6 后向散射系数与植被结构参数间的敏感性分析Fig.6 Sensitivity analysis of vegetation structure parameters and backscattering coefficients

从图6可以看出:后向散射系数随着植被高度、叶片长度、茎秆半径的增加而上升，但密度对其影响较小，后向散射系数保持相对稳定。这是由于植被密度较大，生长茂盛期不见裸露地表或者水面，后向散射系数对密度值存在饱和现象所致。

3.2 全极化Freeman－Durden分解

根据Freeman－Durden极化分解模型，将植被和地表相互作用的散射机制分解为面(或单次)散射、二次散射和体散射［28，30］3部分。对3个散射分量进行彩色合成(图7)，可以发现，研究区以体散射为主，建筑物和浅滩多见二次散射，水体主要是单次散射(面散射)。

图7 Freeman－Durden分解合成图像(R:二次散射量;G:体散射量;B:面散射量)Fig.7 Composite image of Freeman － Durden polarimetric decomposition

3.3 BP神经网络算法构建

湿地植被生物物理参数(高度、密度、生物量等)与雷达后向散射系数之间呈非常复杂的非线性关系，而多元回归分析要求各变量之间无相关性，遥感数据的各波段间的相关性无法满足这一要求。神经网络既可以实现多元回归函数拟合，又不要求变量具有独立性，因此可以利用神经网络来反演生物量［31］。

本文BP神经网络隐含层采用logsig函数为传递函数，输出层采用purelin函数为传递函数。隐层神经元个数根据

计算［32］。式中:k为训练样本数;i，j分别为输入和输出层神经元个数。以此计算得到隐层神经元个数为30。网络训练采用梯度下降法，用traingd函数训练。网络输出层设计为1个神经元，输出目标为生物量。

4 结果及分析

用5组数据对生物量进行反演，各组数据的具体组合如表1所示。

表1 不同输入数据组合及其生物量反演误差Tab.1 Combination of input data for BP artificial neural network and biomass retrieval error

图8(a)—(e)分别为5组输入数据的模拟值与实测值的对比结果。其中，图 8(a)—(c)和(d)—(e)分别代表神经网络输入3个和6个变量时生物量的反演结果。

图8 生物量反演值和实测值对比Fig.8 Comparison of biomass retrieval and measured values

可以看出，随着输入变量个数的增加，神经网络反演误差有所降低。与应用表1a—c组数据反演结果相比，应用d，e两组数据的反演结果误差均有明显降低，其中e组数据在5组数据中横截距和均方根误差均为最小，说明反演精度最高。因此，本文选用e组数据训练神经网络，最终反演得到研究区湿地植被生物量(图9)。

图9 研究区生物量反演图Fig.9 Biomass retrieval map of study area

5 结论

本文基于Radarsat－2 C波段全极化数据，利用改进的植被散射模型模拟了湿地植被HH，HV，VV极化方式下的后向散射特性，并通过BP神经网络算法反演得到研究区生物量。结论如下:

1)辐射传输方程一阶解的植被散射模型为反演生物量提供了理论和技术支撑。模型输出有利于分析植被各生物物理结构参数的后向散射特性，为反演植被参数提供了新的方法和思路。

2)Freeman－Durden极化分解技术建立在3分量散射模型基础上，分解结果较直观地显示了不同地物后向散射特征，同时也为生物量反演算法增加了约束变量。

3)植被散射模型简化了地表环境，直接建立了植被与雷达波束相互作用散射机制，因此，后向散射系数模型模拟值与全极化分解分量组合的反演结果精度高于HH，HV，VV极化图像后向散射系数与全极化分解分量组合的反演结果。

研究过程中，仍存在问题需要进一步改善:植被散射模型对植被种类多样区域不适用，同时神经网络是一个黑箱模型，无法显示输入输出变量之间的关系，植被各结构组分对生物量的影响有待进一步研究。

［1］Zhang X.On the Estimation of Biomass of Submerged Vegetation Using Landsat Thematic Mapper(TM)Imagery:A Case Study of the Honghu Lake，P R China［J］.International Journal of Remote Sensing，1998，19(1):11 －20.

［2］Thenkabail P S，Smith R B，Pauw D E.Hyperspectral Vegetation Indices and Their Relationships with Agricultural Crop Characteristics［J］.Remote Sens Environ，2000，71(2):158 －182.

［3］Lu D S.The Potential and Challenge of Remote Sensing － based Biomass Estimation［J］.International Journal of Remote Sensing，2006，27(7):1297 －1328.

［4］Steininger M K.Satellite Estimation of Tropical Secondary Forest Above Ground Biomass Data from Brazil and Bolivia［J］.International Journal of Remote Sensing，2000，21(6/7):1139 －1157.

［5］Lu D S，Batistella M.Exploring TM Image Texture and Its Relationships with Biomass Estimation in Rondônia，Brazilian Amazon［J］.Acta Amazonica，2005，35(2):249 －257.

［6］Shao Y，Liao J J，Wang C Z.Analysis of Temporal Radar Backscatter of Rice:A Comparison of SAR Observations with Modeling Results［J］.Can J Remote Sens，2002，28(2):128 －138.

［7］Le T，Ribbes F，Wang L F，et al.Rice Crop Mapping and Monitoring Using ERS－1 Data Based on Experiment and Modeling Results［J］.IEEE Trans Geosci Remote Sens，1997，35(1):41 －56.

［8］Shao Y，Fan X T，Liu H，et al.Rice Monitoring and Production Estimation Using Multitemporal Radarsat［J］.Remote Sens Environ，2001，76(3):310 －325.

［9］Inoue Y，Kurosu T，Maeno H，et al.Season － long Daily Measurements of Multifrequency(Ka，Ku，X，C，and L)and Full－ polarization Backscatter Signatures over Paddy Rice Field and Their Relationship with Biological Variables［J］.Remote Sens Environ，2002，81(3):194 －204.

［10］Shen S H，Yang S B，Li B B，et al.A Scheme for Regional Rice Yield Estimation Using Envisat ASAR Data［J］.Sci China Ser D:Earth Sci，2009，52(8):1183 － 1194.

［11］ULander L M，Sandberg G，Soj M.Biomass Retrieval Algorithm Based on P － band Biosar Experiments of Boreal Forest［C］//IEEE International Geoscience and Remote Sensing Symposium(IGARSS)，2011:4245 －4248.

［12］Fan W，Chao W，Hong Z，et al.Rice Crop Monitoring in South China with Radarsat－2 Quad － polarization SAR Data［J］.IEEE Geoscience and Remote Sensing Letters，2011，8(2):196 －200.

［13］黎 夏，刘 凯，王树功.珠江口红树林湿地演变的遥感分析［J］.地理学报，2006，61(1):26 －34.Li X，Liu K，Wang S G.Mangrove Wetland Changes in the Pearl River Estuary Using Remote Sensing［J］.Acta Geographica Sinica，2006，61(1):26 －34(in Chinese with English Abstract).

［14］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.Li X，Ye J A，Wang S G，et al.Estimating Mangrove Wetland Biomass Using Radar Remote Sensing［J］.Journal of Remote Sensing，2006，10(3):387 －396(in Chinese with English Abstract).

［15］Benson M，Pierce L，Bergen K，et al.Forest Structure Estimation Using SAR，LiDAR，and Optical Data in the Canadian Boreal Forest［C］//IEEE International Geoscience and Remote Sensing Symposium(IGARSS)，2011:2609 －2612.

［16］Yang S B，Zhao X Y，Li B，et al.Interpreting Radarsat－2 Quad －polarization SAR Signatures from Rice Paddy Based on Experiments［J］.IEEE Geoscience and Remote Sensing Letters，2011，9(1):60－69.

［17］Zhang Y，Wang C Z，Wn J P，et al.Mapping Paddy Rice with Multitemporal ALOS/PALSAR Imagery in Southeast China［J］.Int J Remote Sens，2009，30(23):6301 －6315.

［18］Stauer S，Kugler F，Lee S K，et al.Polarimetric Decomposition for Forest Biomass Retrieval［C］//IEEE International Geoscience and Remote Sensing Symposium(IGARSS)，2010，4780 －4783.

［19］McDonald K C，Dobson M C，Ulaby F T.Using MIMICS to Model L－band Multiangle and Multitemporal Backscatter from a Walnut Orchard［J］.IEEE Transactions on Geoscience and Remote Sensing，1990，28(4):477 －491.

［20］Ulaby F T，Sarabandi K，McDonald K，et al.Michigan Microwave Canopy Scattering Model［J］.Int J Remote Sense，1990，11(7):1223－1253.

［21］Attema E P W，Ulaby F T.Vegetation Modeled as a Water Cloud［J］.Radio Science，1978，13(2):357 －364.

［22］De Roo R D，Du Y，Ulaby F T，et al.A Semi－ empirical Backscattering Model at L－band and C－band for a Soybean Canopy with Soil Moisture Inversion［J］.IEEE Transactions on Geoscience and Remote Sensing，2001，39(4):864 －872.

［23］Le T T，Laur H，Mougin E，et al.Multitemporal and Dual－ polarization Observations of Agricultural Vegetation Covers by X－band SAR Images［J］.IEEE Transactions on Geoscience and Remote Sensing，1989，27(6):709 －718.

［24］张 远.微波遥感水稻种植面积提取、生物量反演与稻田甲烷排放模拟［D］.浙江:浙江大学，2008.Zhang Y.Acreage Extraction and Biomass Estimation of Paddy Rice Based on Microwave Remote Sensing and Methane Emissions Simulation from Paddy Field［D］.Zhejiang:Zhejiang University，2008.(in Chinese with English Abstract)

［25］彭映辉，简永兴，李仁东.鄱阳湖平原湖泊水生植物群落的多样性［J］.中南林学院学报，2003，23(4):22 －27.Peng Y H，Jian Y X，Li R D.Community Diversity of Aquatic Plants in the Lakes of Poyang Plain District of China［J］.Journal of Central South Forestry University，2003，23(4):22 － 27(in Chinese with English Abstract).

［26］Karam M A，Amar F，Fung A K，et al.A Microwave Polarimetric Scattering Model for Forest Canopies Based on Vector Radiative Transfer Theory［J］.Remote Sens Environ，1995，53(1):16 －30.

［27］Wang C Z，Wu J P，Zhang Y，et al.Characterizing L － band Scattering of Paddy Rice in Southeast China with Radiative Transfer Model and Multitemporal ALOS/PALSAR Imagery［J］.IEEE Trans Geosci Remote Sens，2009，47(4):990 －995.

［28］Freeman A，Durden S L.A Three－component Scattering Model for Polaimetric SAR data［J］.IEEE Trans Geosci Remote Sens，1998，36(3):963－973.

［29］Yamaguchi Y，Moriyama T，Ishido M，et al.Four－ component Scattering Model for Polarimetric SAR Image Decomposition［J］.IEEE Trans Geosci Remote Sens，2005，43(8):1699 －1706.

［30］Freeman A，Durden S L.A Three－component Scattering Model to Describe Polarimetric SAR Data［C］//Proceedings SPIE Conference on Radar Polarimetry，1992:213 －225.

［31］Foody G M，Cutler M E，Mcmorrow J，et al.Mapping the Biomass of Bornean Tropical Rain Forest from Remotely Sensed Data［J］.Global Ecology and Biogeography，2001，10(4):379 －387.

［32］罗晓曙.人工神经网络理论·模型·单法与应用［M］.桂林:广西师范大学出版社，2005.Luo X S.Artificial Neural Network Theory·Model·Algorithm and Application［M］.Guilin:Guangxi Normal University Press，2005(in Chinese).

Retrieval of Wetland Vegetation Biomass in Poyang Lake Based on Quad－polarization Image

LIU Ju1，2，LIAO Jing － juan1，SHEN Guo － zhuang1
(1.Center for Earth Observation and Digital Earth Chinese Academy of Sciences，Beijing 100094，China;2.Graduate University of Chinese Academy of Sciences，Beijing 100049，China)

The Poyang Lake is the largest freshwater lake in China as well as an internationally important wetland.Long－term quantitative study of vegetation biomass in this area helps deepen our understanding of regional and global carbon balance.The authors investigated the approach and method of Radarsat－2C－Band quadpolarization imagery for biomass retrieval in wetland vegetation.The vegetation canopy scattering model was modified and used to simulate the backscattering characteristics.Polarization decomposition was adopted to prepare the testing data with the model output for BP neural network.After obtaining the retrieval values of vegetation biomass，the values were compared with the filed －measured values.The results show that the introduction of the output data of vegetation canopy scattering model and polarimetric decomposition technique to the BP neural network algorithm could reduce the retrieval error effectively，and that the Quad－polarization imagery has broad application prospect in the field of biomass retrieval.

biomass;vegetation canopy scattering model;polarization decomposition;BP neural network;Radarsat－2

TP 79

A

1001－070X(2012)03－0038－06

2011－03－12;

2011－04－05

中国科学院对地观测与数字地球科学中心主任科学基金项目(编号:Y1ZZ05101B)资助。

10.6046/gtzyyg.2012.03.08

刘 菊(1986－)，女，硕士研究生，主要从事极化雷达数据处理及信息提取。E－mail:liu_ju@126.com。

(责任编辑:刁淑娟)