基于全极化Radarsat-2数据的苹果园平均树高估算模型

贾永倩，王振锡*，瞿余红，丁雅，李擎

(1.新疆农业大学 林学与园艺学院，乌鲁木齐 830052；2，新疆教育厅 干旱区林业生态与产业技术重点实验室，乌鲁木齐 830052)

基于全极化Radarsat-2数据的苹果园平均树高估算模型

贾永倩1，2，王振锡1，2*，瞿余红1，2，丁雅1，2，李擎1，2

(1.新疆农业大学 林学与园艺学院，乌鲁木齐 830052；2，新疆教育厅 干旱区林业生态与产业技术重点实验室，乌鲁木齐 830052)

以新疆阿克苏地区红旗坡农场“冰糖心”苹果为研究对象，采用全极化Radarsat-2数据和实测果园的郁闭度，计算出植被实际雷达后向散射系数，并分别分析HH、VV和CROSS极化雷达后向散射系数和实际雷达后向散射系数与树高的相关关系，构建水云模型、指数和二次项模型反演苹果园的树高。反演结果表明：水云模型的最佳拟合模型为HH极化方式，R2为0.116 8，实际雷达后向散射系数所建立的指数模型、二次项模型以VV极化的效果最好，R2分别为0.811 3和0.795 4。

Radarsat-2；苹果；树高

0 引言

树高是森林资源管理领域的重要参数，获取准确、大范围、空间连续的树高信息对森林资源监测、管理和碳循环等有重要意义[1-3]，对经济林树高的研究，在经济林信息化管理和病虫害防治中具有重要意义。国内外学者对光学遥感反演植被高做了很多研究[4-5]，也取得了一定的成就，光学遥感在云南天气下存在一定的局限性，微波遥感穿透性强，不受云雨天气影响，在树高反演方面具有一定优势[6]。Rardarsat-2数据多用于水稻[7]、小麦[8]等农作物生物参数的提取。也有学者利用雷达提取植被树高、生物量、蓄积量等信息[9]，如朱海珍[10]利用统计的方法对多时相的ENVISAR ASAR数据进行了森林蓄积量的估测研究；李文梅[11]利用多基线干涉层析的方法提取了雷达后向散射功率的垂直分布信息，并在此信息上提取了树高；另外，国内外研究者应用有约束和无约束相干优化、ESPRIT相位中心分离、相干散射模型等在树高估测方面取得了较好的研究结果[12-14]。本文通过提取Radarsat-2数据不同极化方式下的后向散射系数，建立其与树高的水云估测模型，并利用果园郁闭度计算植被实际后向散射系数，建立树高估测的指数模型和二次项模型。以期利用反演的树高信息将经济林划分为不同龄级，在某个地区发生病虫害时，根据它的传播特性及林果分布特征，提前做好防预工作，同时也为果园的信息化管理提供技术支撑。

1 材料与方法

1.1 试验区数据采集

实研究区域位于新疆维吾尔自治区阿克苏地区阿克苏市飞机场附近红旗坡农场(41°14′39″～41°19′29″N、80°16′26″～80°21′03″E)，海拔1215m，红旗坡农场是享誉全国的“冰糖心”红富士苹果(Malus domestica cv.Red Fuji)的产地，也是国家重点特色林果生产基地，该地区处于天山南麓中段，塔里木盆地北缘，南邻阿克苏市，西毗温宿县，地势平缓，光热资源丰富，无霜期205～219 d，研究区范围内主要经济林树种有苹果、红枣、核桃和香梨，农作物和田间作物多为棉花。实验于2015年8月25日进行果园均高信息采集的野外遥感调查，在研究区选取能代表果园均高的16 m×24 m(对应影像6个像元)的样方，记录每个样方内所有果树高度，取平均值作为该果园的平均树高，并用GPS记录样点的经纬信息，以便将实测数据与雷达影像进行一一对应。

1.2 雷达数据获取和预处理

RADARSAT-2是一颗C波段的雷达卫星，本试验所用雷达数据为Rararsat-2四极化精细模式数据，影像覆盖面积为25 km×25 km，影像分辨率为8 m×8 m，包含HH、HV、VH和VV四种不同极化方式，具体成像参数见表1。

表1 Rararsat-2数据影像参数

雷达数据在进行分析之前，需要对影像数据先进行预处理。本研究使用ENVI下的SARscape模块对原始SLC影像进行多视、滤波、地理编码及辐射定标处理后，进行几何精校正，得到一幅能反应地物实际后向散射系数的影像。

1.2.1 滤波

雷达图像是采用相干微波源照射，因此各散射中心回波的相干叠加所造成的合成矢量，其振幅和相位有一定的起伏，且幅度和相位与回波方向有很大关系，散射的总回波随后向散射系数值的随机起伏变化而变化，这使SAR对目标后向散射系数的测量产生很大偏差，因此在最终得到的图像中出现相干斑噪声。ENVI软件下的SARscape模块提供了Lee滤波、Frost滤波、Refined Lee滤波等几种滤波方式，本研究通过分析不同滤波方式得到的后向散射系数与实测树高的相关关系，最终确定采用Lee滤波方法。

1.2.2 后向散射系数提取

辐射定标后的雷达影像是一副能反应地物实际后向散射系数的影像，但雷达后向散射系数的量级很小，且随着地表参数变化的幅度较小，为了扩大散射系数的动态范围，通常用分贝的形式表示，即：

δ0(DB)=10×1 ln(DN)。

(1)

根据GPS实测数据的经纬度在影像上选取16 m×24 m(6个像元)的感兴趣区域，得到不同极化方式的后向散射系数。

1.3 研究方法

1.3.1 水云模型

许多学者研究表明[15]，雷达后向散射系数对树高、蓄积量等植被参数十分敏感，若建立不同极化方式后向散射系数与树高的估测模型，则可利用雷达影像数据直接反演果园的平均树高。雷达后向散射系数受很多因素的影响，如植被、土壤、地形及传感器本身[16]。植被冠层的后向散射系数可用基于辐射传输方程一阶微分解的半经验模型，即水云模型表达，该模型是假定植被冠层由无数各分布均匀、大小相等的微小水滴组成，可将植被后向散射系数分解为两个部分：冠层自身的体散射和经过冠层衰减后土壤及地下植被的散射，因此，该模型可表述为：

(2)

(3)

τ2=exp(-2BV2/cosθ)。

(4)

δ0=AV1cosθ-AV1cosθ×exp(-2BH/cosθ)+exp(-2BH/cosθ)×δsoil。

(5)

对方程求反向解，则果园的平均树高H为：

(6)

H=a×b-bln(c-δ0)。

(7)

式中：δ0为雷达影像不同极化方式的后向散射系数；参数a、b、c可以通过雷达后向散射系数与实测树高进行拟合得到。

1.3.2 指数模型与二次项模型

水云模型认为土壤的散射是影响植被后向散射系数的关键因素[17]，因此将植被后向散射系数分解为两个部分：冠层自身的体散射和经过冠层衰减后土壤的散射，而本研究认为经过冠层衰减后的散射对植被后向散射系数的影响是微弱的，而经过冠层衰减的林间土壤的散射对植被后向散射系数的影响是较大的，而且雷达后向散射系数与树高的相关关系用简单的线性模拟是不完全准确的，因此本文在水云模型的基础上，考虑到林间土壤散射的影响，认为雷达后向散射系数与实际植被后向散射系数有以下关系：

(8)

即：

(9)

2 结果与分析

2.1 雷达不同极化后向散射系数变化特征分析

本研究于2015年8月25日雷达过境当天在实验区随机选取35个样点进行苹果园树高、郁闭度、胸径、树龄等信息的采集，并用GPS记录样点位置，同时在预处理后的雷达影像上根据GPS记录结果选取相对应的34个控制点，比较四种极化HH、HV、VH、VV后向散射系数的变化情况，结果如图1所示。

图1 苹果不同极化总后向散射系数变化特征Fig.1 Variation characteristics of total backscattering coefficientof apples under different polarization modes

根据公式(9)计算苹果不同极化实际后向散射系数，并分析四种极化HH、HV、VH、VV实际后向散射系数的变化情况，结果如图2所示。

由图2可以看出，根据公式(9)计算出的苹果HH极化和VV极化的实际后向散射系数较之前图1中含有林下植被和地表信息的后向散射系数略有增大，曲线波动幅度变大，HH极化后向散射系数最大值和最小值差值由原来的11.26增加到19.66，VV极化后向散射系数最大值和最小值差值由原来的9.76增加到18.05。交叉极化HV和VH曲线变化不大。

图2 苹果不同极化实际后向散射系数变化特征Fig.2 Variation characteristics of actual backscattering coefficient of apples under different polarization modes

2.2 苹果园平均树高估测模型分析

对苹果园树高和后向散射系数做相关性分析，结果见表2。

表2 不同极化方式后向散射系数与树高相关关系

由表2可见，包含林间植被和地表的总后向散射系数与树高的相关系数在VV极化方式下略高于HH极化方式，决定系数分别为0.148和0.147。依据公式(9)用郁闭度减小林间植被和地表影响后植被实际后向散射系数与树高相关关系优于总后向散射系数与树高的相关关第，HH极化与VV极化下植被雷达后向散射系数与树高的相关系数由正相关变为负相关，且VV极化增幅最大，决定系数由0.148增大到0.537，这可能与苹果冠层在纵向上有明显的垂直结构有关。交叉极化后向散射系数与树高相关关系较差，减小林间植被和地表影响后相关系数略有提高，但提高幅度很小。

2.3 水云模型建模分析

将Radarsat-2影像后向散射系数与实测苹果树高依据水云模型H=a×b-bln(c-δ0)进行拟合，采用1stOpt软件进行拟合确定参数a、b、c的值。将HH、CROSS、VV三种不同极化的后向散射系数引入水云模型并拟合方程，三种极化方式建模情况见表3。

表3 不同极化方式下水云模型分析

由表3可见，不同极化方式下的水云模型建立的苹果树高估测模型中HH极化方式建立的模型较优，均方根误差为0.809，交叉极化建立的模型最差，均方根误差为0.954。水云模型多适用于没有明显垂直结构的农作物，而苹果是具有明显垂直结构的，所建立的水云模型效果不佳。

2.4 指数与二次项模型分析

雷达后向散射系数与植被高度、郁闭度、生物量等的关系用简单的线性关系描述精度较低，因此本研究用苹果实际后向散射系数与树高建立非线性模型，即指数与二次项模型，结果见表4。

表4 不同极化方式下指数与二次项模型分析

由表4可见，除交叉极化外，其余两种极化方式模型均有较好的拟合度，HH极化和VV极化的指数模型拟合效果均优于二次项模型，且VV极化模型略优于HH极化模型。6个模型中以VV极化的指数模型和二次项模型最优，决定系数分别为0.579和0.544。

2.5 精度评价

选取精度较高的VV极化的指数模型与二次项模型、HH极化的水云模型进行苹果树高的反演，将检验样本分别带入指数模型和二次项模型，分别比较苹果估测树高和实测树高，分析模型估测不同树高水平的精度。用VV极化的指数模型与二次项模型、HH极化的水云模型估测树高与实测树高制成实测值与估测值的1∶1图像，如图3所示。

图3 苹果树高估测值与实测值的相关分析Fig.3 Correlation analysis between estimated and measured values of apple trees

由图3可见，HH极化方式的水云模型估测的树高与实测树高的R2为0.116 8，模型估测效果不太理想，而VV极化方式的指数模型和二次项模型与实测树高的R2分别为0.811 3和0.795 4，拟合效果较好。

2.6 绘制树高空间分布图

用最优的VV极化的指数模型反演研究区苹果园树高，并绘制研究区苹果园树高的空间分布图，如图4所示。

图4 研究区苹果树高空间分布图Fig.4 High spatial distribution of apple trees in the study area

3 结论与讨论

本文在传统水云模型的基础上，考虑到郁闭度对苹果园后向散射系数的影响，认为影像提取的后向散射系数是植被实际雷达后向散射系数与地面土壤、草地后向散射系数的总和，并建立C波段HH极化、VV极化、CROSS极化方式下植被实际雷达后向散射系数与树高的指数模型和二次项估测模型。经过对所建模型的检验，水云模型所建的估测模型效果不太理想，其中最优的HH极化方式的模型R2仅为0.116 8，由此可见，水云模型在苹果树高的估测上效果不佳。植被实际雷达后向散射系数与树高的指数与二次项模型中以VV极化的模型拟合效果最佳，R2分别为0.811 3和0.795 4，具有较好的反演效果，这与王臣立[18]在森林蓄积、胸径和树高方面的研究结果相一致。

本研究是针对一个树种的树高反演，且只是针对6个像元的尺度进行的样地树高的平均，并没有直接对果树树高进行样地内的平均，在今后的研究中将在像元尺度的基础上进行样地尺度上的树高平均，优化树高的估测算法，提取更多的信息，进而为大面积果树树高提取，产量估测，病虫害防治等研究服务。

[1]Drake J B，Dubayah R O，Clark D B，et al.Estimation of tropical forest structural characteristics using large-footprint lidar[J].Remote Sensing of Environment，2002，79(2-3)：305-319.

[2]Lefsky M A，Cohen W B，Harding D J，et al.Lidar remote sensing of above-ground biomass in three biomes.Global Ecology and Biogeography[J].Global Ecology and Biogeography，2002，11(5)：393-399.

[3]Anderson J，Martin M E，Smth M L，et al.The use of waveform Lidar to measure northern temperate mixed conifer and deciduous forest structure in New Hampshire[J].Remote Sensing of Environment，2006，105(3)：248-261.

[4]崔少伟，范文义，金森，等.基于树影与快鸟图像的单木树高提取[J].东北林业大学学报，2011，39(2)：47-50.

[5]张巍巍，冯仲科，汪笑安，等.基于TM影像的林木参数提取和树高估测[J].中南林业科技大学学报，2013，33(9)：27-31.

[6](英)伍德豪斯(Woodhouse).微波遥感导论[M].董晓龙，徐星欧等译.北京：科学出版社，2014.3

[7]景卓鑫.基于神经网络方法与RADARSAT-2雷达遥感数据的水稻参数反演研究[D].上海：华东师范大学，2014.

[8]高俊明.SAR图像预处理及小麦参数反演平台设计与实现[D].成都：电子科技大学，2012.

[9]于颖，范文义，李明泽，等.利用大光斑激光雷达数据估测树高和生物量[J].林业科学，2010，46(9)：84-87.

[10]朱海珍，庞勇，杨飞，等.基于ENVISAT ASAR数据的森林蓄积量估测研究[J].地理与地理信息科学，2007，23(2)：51-55.

[11]李文梅，陈尔学，李增元.多基线干涉层析SAR提取森林树高方法研究[J].林业科学研究，2014，27(6)：815-821.

[12]Cloude S R，Papathanassiou K P.Polarimetric SAR Interferometry[J].IEEE Transactions on Geoscience & Remote Sensing，1998，36(5)：1551-1565.

[13]Ferro-Famil L，Lopez-Martinez C，Pottier E.Analysis of Natural Scene Properties from POLinSAR Data using Coherence Set Statistics and a Multi-Dimensional Speckle Model[C].IEEE International Conference on Geoscience and Remote Sensing Symposium.IEEE，2006：4048-4051.

[14]Neumann M，Ferrofamil L，Reigber A.Polarimetric Coherence Optimization for Multibaseline SAR Data[J].Proceedings of International Workshop on Science & Applications of Sar Polarimetry & Polarimetric Interferometry，2007，644.

[15]施建成，杜阳，杜今阳，等 微波遥感地表参数反演进展[J].中国科学：地球科学，2012，42(6)：814-842.

[16]Attema E P W，Ulaby F T.Vegetation modeled as a water cloud[J].Radio Science，1978，13(2)：357-364.

[17]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 Sensing of Environment，2002，81(2-3)：194-204.

[18]王臣立，牛铮，郭治兴，等.Radarsat SAR的森林生物物理参数信号响应及其蓄积量估测[J].国土资源遥感，2005(2)：24-28.

Average Tree Height Estimation Model of Apple Orchard Based on Fully Polarized Radarsat-2 Data

Jia Yongqian1，2，Wang Zhenxi1，2*，Qu Yuhong1，2，Ding Ya1，2，Li Qing1，2

(1.College of Forestry and Horticulture，Xinjiang Agricultural University，Urumqi 830052； 2.Key Laboratory of Forestry Ecology and Industry Technology in Arid Region，Education Department of Xinjiang，Urumqi 830052)

The apple species with rock candy heat of Hongqi Po farm in Xinjiang Aksu region was taken as the research object in this study.The actual radar backscatter coefficients of the vegetation were calculated based on the Radarsat-2 data of all polarizations and the canopy density of the orchard.The HH，VV，CROSS polarimetric radar backscatter coefficients and the correlation relationships between actual radar backscatter coefficient and tree height were analyzed.The water cloud model，index and quadratic term model were established to predict the tree height of apple orchard.The results showed that the best fitting model of water cloud was HH polarization mode，with R2of 0.116 8.The exponential model established by actual radar backscatter coefficient and the quadratic model with VV polarization were of the best effect，with R2of 0.811 3 and 0.795 4，respectively.

radarsat-2；apple；tree height

2016-09-25

新疆维吾尔自治区高校科研计划科学研究重点项目(XJEDU2013I16)；国防科工局高分辩率对地观测系统专项(95-Y40B02-9001-13/15-01-01)；中国博士后科学基金项目(2015M572668XB)

贾永倩，硕士研究生。研究方向：林业3S技术及应用。

*通信作者：王振锡，博士，副教授。研究方向：林业3S技术及应用。E-mail：wangzhenxi2003@163.com

贾永倩，王振锡，瞿余红，等.基于全极化Radarsat-2数据的苹果园平均树高估算模型[J].森林工程，2017，33(2)：45-49.

S 771.8

A

1001-005X(2017)02-0045-05