基于TerraSAR-X和ALOS PALSAR数据的森林蓄积量估测研究——以云南省勐腊县为例

王宗梅，章皖秋，岳彩荣，刘 琦

（西南林业大学 西南地区生物多样性保育国家林业局重点实验室，云南 昆明 650224）

随着温室效应等全球性气候问题的加剧，森林资源的重要性逐步显现，作为以乔木为主的生物群落，森林具有吸收二氧化碳、净化空气、调节局地气候等诸多生态效益[1-2]，因此实时掌握森林资源现状和合理管理森林成为林业工作者的首要任务，森林蓄积量是具有反映森林资源作用的关键参数，如何准确地获取森林蓄积量具有举足轻重的意义[3]。

合成孔径雷达（Synthetic Aperture Rader，SAR）采用主动成像方式，以其全天时、全天候的优点广泛应用于森林资源观测，为大范围地实时、快速、精确获取森林蓄积量提供了可能[4]。基于SAR数据估测森林蓄积量主要采用后向散射系数和相干系数等极化特征参数与森林蓄积量建立模型实现[5]，其中后向散射系数是目前普遍使用的极化特征之一。Santoro等[6]利用日本ALOS PALSAR数据，探究SAR后向散射系数与瑞典北部森林蓄积量的响应机理。朱海珍等[7]用ENVISAT ASAR数据对东北大兴安岭地区森林蓄积量进行估测，利用不同极化方式探讨SAR后向散射系数与森林蓄积量的相关关系，并达到较好的估测效果。

不同波长（X-，C-，L-，P-）SAR数据的后向散射系数与森林蓄积量响应机理不同[8]，短波（X-和C-）SAR能够穿透树冠到达地面，但是大部分后向散射来自树冠的上部[9]；相比之下，长波（L-和P-）SAR具有更好的穿透性，后向散射信号中带有大量粗壮树枝和树干信息，对森林垂直结构十分敏感，因此理论上，长波更有利于蓄积量的预测[10-12]。Fransson[13]证实了L波段比C波段对森林蓄积量的敏感性更高。Englhart等[14]用L波段和X波段的SAR数据估测了加里曼丹南部的森林生物量，结果说明L波段适合估测高生物量地区的森林，X波段适合估测低生物量地区。目前，国内外对森林蓄积量的研究多是基于L波段的，较少是基于X波段的，Thiel等[15]和范风云[16]用L波段的ALOS PALSAR数据分别对森林蓄积量进行了研究，并得到较好的估测效果。根据以往的研究显示，雷达对森林蓄积量的估测潜力会因为雷达的频率、入射角方向和大小以及研究区位置的差异而不同[17]。X波段SAR以不同的空间分辨率、极化和入射角为森林蓄积量估测提供了新的切入点[18]。因此利用两种不同的SAR传感器，X波段的TerraSAR-X全极化数据和L波段的ALOS PALSAR双极化数据对森林蓄积量进行估测，主要探讨长波与短波SAR数据对滇西南地区森林蓄积量的响应机制和估测效果，通过对比分析，得到适宜研究区较佳的森林蓄积量模型。

1 材料与方法

1.1 研究区概况

研究区位于云南省勐腊县南部，地理位置101.34° E，21.5° N，区域内包括关累镇、勐腊镇、勐捧镇和勐腊国有林场，面积883.20 km2。研究区海拔625 ～ 1 527 m，属于北热带湿润季风性气候，热量丰富，旱雨两季分明，日照长，光能足，年平均气温21°C，年降水量1 700 mm以上[19-21]。研究区森林资源丰富，森林覆盖率为86.24%，保存有林分条件良好的天然阔叶林和人工橡胶树林，其他阔叶类分布广泛，占乔木林总面积的71.37%[22-23]。

1.2 研究数据

1.2.1 实测蓄积量数据 实测数据为 2006年勐腊县森林资源二类调查数据，包括蓄积量、平均树高、平均胸径、优势树种和小班面积等信息。由于 SAR数据的获取时间与实测数据存在一定间隔，为保证蓄积量估测研究的准确性，本文借鉴了森林资源二类调查的数据，主要以生长较为缓慢的成熟林林分作为研究对象，成熟林的树高和胸径变化不显著，蓄积量也相对稳定。研究中将小班蓄积量已经转换为相应的单位蓄积量。

1.2.2 遥感数据 遥感数据为德国宇航中心DLR的TerraSAR-X，日本宇航局JAXA的ALOS PALSAR两种不同波长的SAR数据，获取时间分别为2014年12月3日和2008年10月19日，其中TerraSAR-X是X波段的全极化数据，HH，HV，VH和VV四种极化方式，ALOS PALSAR传感器获取L波段双极化数据，HH和HV两种极化方式，数据级别均为1.1级的单视复图（Single Look Complex, SLC），具体参数如表1。

图1 研究区位置与经过地形校正后的TerraSAR-X HH极化强度图Figure 1 Location of study area and TerraSAR-X HH polarization image after topographic correction

表1 TerraSAR-X和ALOS PALSAR卫星部分参数Table 1 Parameters from ALOS PALSAR and TerraSAR-X sensor

1.3 数据处理

1.3.1 实测数据处理 为减少数据获取时间的差异，同时缓解小班数据的误差对森林蓄积量建模的准确性造成的影响，需要对小班数据进行筛选整理。基于ArcGIS 10.1软件，选择龄组为成熟时期的小班进行研究。去除影像覆盖区以外和蓄积量为零的小班，同时去除含有明显错误信息的小班，将平均后向散射系数过大或者过小的小班进行删除，保留TerraSAR-X数据σ0和σ0在-12 ～-6 dB，σ0和σ0在-16 ～-10 dB范围；X-HHX-VVX-HVX-VHALOS PALSAR数据σ0在-17 ～-10 dB，σ0在-20 ～-10 dB范围的小班[24]。通过对实测数据的处理，L-HHL-HV获取在研究区范围内的小班优势树种为橡胶树Hevea brasiliensis，栎类（以壳斗科Fagaceae为主）和其它阔叶树种（以龙脑香科Dipterocarpaceae为主）（栎类和其他阔叶树种的解释根据《云南省森林资源规划设计调查操作细则》和《树木学》），共172个小班。各优势树种组的小班数据信息如表2。

表2 小班数据描述Table 2 Description of subcompartment data

1.3.2 遥感数据处理 利用SARscape 5.2.1对TerraSAR-X和ALOS PALSAR数据进行预处理，包括对SLC数据多视处理，在5 m×5 m窗口内对数据进行中值滤波，利用分辨率为30 m的ASTER GDEM数字高程模型进行地理编码，同时进行辐射定标生成后向散射系数图（TerraSAR-X分辨率为10 m×10 m，ALOS PALSAR分辨率为15 m×15 m）。最后，基于研究区小班数据和各极化方式的后向散射系数图提取每个小班的平均后向散射系数（σ0），单位为分贝（dB）。

1.4 森林蓄积量模型建立与检验

1.4.1 回归模型 采用逐步回归的方法建立蓄积量估测模型。虽然所选的研究区小班数据均为阔叶林，但考虑到树种差异造成的误差，在保证小班数量不变的情况下，应根据树种类型建立不同的估测模型。由于树种是分类变量，直接将树种代入方程存在难度，因此引入虚拟变量进行替代。虚拟变量即哑变量（dummy variable），是指一种将定性数据Zi转化成定量的（0，1）数据的计算，多用于回归分析中[25-26]，取值规则如表1所示，当优势树种为栎类时取值为1，其他树种取值为0，以此类推。

在本研究中，哑变量模型的建立使用SPSS 18.0软件实现。

1.4.2 模型精度检验 为查验拟合线性模型的可靠水平，采取模型预测精度（P）和均方根误差（RMSE）两个评价指标检验模型。在不区分树种的情况下，将172个小班数据按3:1的比例分配，即121个小班作为建模数据，51个小班作为检验数据，根据所建立的模型和检验样本对模型进行评价。其相应计算公式如下：

式（1）中，P为精度，为蓄积量实测值，为蓄积量估测值，单位为mm3·hm-2；式（2）中RMSEE为均方根误差，n为样本数量，y和同上式。

2 结果与分析

2.1 X波段的TerraSARR-X和L波段的PALSARR数据后向散射系数与蓄积量的关系

为了充分探讨不同波段SAR数据与森林蓄积量的响应，首先对SAR后向散射系数与蓄积量的关系进行比较分析，如图2。由图2可以看出，蓄积量与后向散射系数σ0的相关关系都呈现出一种正相关的趋势，即当森林蓄积量增大时，后向散射系数也逐渐增大，并且待蓄积量到达一定程度后趋于稳定。其中，ALOOS PALSARR数据，与蓄积量的相关性均高于TerrraSAR-X全极化数据，这可能由于L波段SAR数据较X波段SAR数据与森林蓄积量具有较高的敏感性，更能响应研究区的森林蓄积量。

图2 X波段的TerraSAAR-X和L波段的PALSARR数据后向散射系数与蓄积量的关系Figuree 2 Relationship between X-bannd TerraSAR-X aannd L-band PALSSAR data backscaatter coefficient annd forest growingg stock

图2中后向散射系数随着森林蓄积量增大趋于平稳，随即达到饱和状态。然而不同波长的数据后向散射系数与蓄积量的饱和点不同，如TerraSAR-X的各极化后向散射系数与蓄积量的关系都有较低的饱和点，和在单位蓄积量为50 m3·hm-2左右达到饱和，而和在单位蓄积量100 m3·hm-2左右趋于饱和，说明森林蓄积量对同极化散射和交叉极化散射的作用机理可能有差异，交叉极化与蓄积量的相关性更高；ALOS PALSAR后向散射系数和与蓄积量的饱和点均高于TerraSAR-X，在单位蓄积量为200 m3·hm-2左右达到饱和，与单位蓄积量的饱和点高达260 m3·hm-2，表明可能X波段的TerraSAR-X数据适合估测低蓄积量地区的森林蓄积量，而在高蓄积量地区估测能力较弱，L波段的ALOS PALSAR数据估测高蓄积量地区的森林蓄积量效果更好。

2.2 森林蓄积量回归模型建立

2.2.1 哑变量森林蓄积量回归模型建立 基于对TerraSAR-X和ALOS PALSAR两种不同波长SAR数据对森林蓄积量的反映机制的研究，以实测数据的单位森林蓄积量为因变量，以SAR数据的后向散射系数为自变量，引入树种类型为哑变量，采取逐步回归法，建立森林蓄积量回归方程，探讨X波段和L波段SAR数据对森林蓄积量的估测效果。如表3所示，基于X波段TerraSAR-X数据拟合的森林蓄积量方程决定系数为0.816，P＜0.01，说明此次研究的TerraSAR-X数据对森林蓄积量存在较好的估测能力；相比之下，基于ALOS PALSAR数据的森林蓄积量回归模型也具有更好的估测效果，决定系数0.843，P＜0.01，并且标准估计误差较TerraSAR-X森林蓄积量估测模型明显降低，说明波长较长的L波段SAR数据在估测森林蓄积量方面更具优势。

表3 基于X波段的TerraSAR-X和L-波段的PALSAR数据的蓄积量回归模型Table 3 Regression model of forest growing stock based on X-band TerraSAR-X and L-band PALSAR data

2.2.2 估测模型检验与评价 根据森林蓄积量回归模型和检验样本计算出相应的预测单位蓄积量，并且代入式（1）和式（2）中进行计算，如表4。由表4可知，TerraSAR-X森林蓄积量估测模型和ALOS PALSAR森林蓄积量回归模型均具有较高的估测精度，ALOS PALSAR森林蓄积量回归模型较佳，精度略高于前者，可以看出，L波段的ALOS PALSAR数据对森林蓄积量有更好的估测效果。

3 结论与讨论

表4 精度评价Table 4 Model accuracy evaluation

基于X波段的TerraSAR-X数据和L波段的ALOS PALSAR数据，引入树种作为哑变量，研究了不同波段SAR数据在森林蓄积量方面的估测效果。

（1）通过对不同波段SAR数据与森林蓄积量的相关性分析，相比X波段数据，L波段数据与森林蓄积量相关性更高；模型精度评价中，X波段数据森林蓄积量估测模型决定系数为0.816，精度为66.7%，L波段数据的森林蓄积估测模型的决定系数为0.843，精度为68.8%。综上可知，L波段SAR数据模型优于X波段SAR数据模型，L波段SAR数据更适于研究区森林蓄积量估测。

（2）模型建立中采用了哑变量技术，较好地解决了估测对象差异较大而样本量不足的技术问题，取得了较好的森林蓄积量估测效果。

（3）由于最新云南省森林资源二类调查数据还未正式发布，本次研究采用的地面数据为2006年获取，而卫星数据为2008年（L波段）和2014年（X波段），存在地面调查与卫星数据的较大时间差，这一情况势必对研究结果造成一定的影响。鉴于数据条件的不足，研究对象仅限于成熟林森林类型。由于成熟林的蓄积量生长率已经处于较低水平，故卫星数据和地面调查数据的时间差异对本文研究结果的影响已经降到最低，研究结论对X和L波段的微波数据蓄积量估测仍然具有参考价值。

参考文献：

[1] 李春梅，张王菲，李增元，等. 基于多源数据的根河实验区生物量反演研究[J]. 北京林业大学学报，2016，38（3）：64-72.

[2] 李兰，陈尔学，李增元，等. 合成孔径雷达森林树高和地上生物量估测研究进展[J]. 遥感技术与应用，2016，31（4）：625-633.

[3] ZHENG S，CAO C，DANG Y，et al.Retrieval of forest growing stock volume by two different methods using Landsat TM images[J]. Int J Remot Sens，2014，35（1）：29-43.

[5] 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.

[6] SANTORO M，FRANSSON J E S，ERIKSSON L E B，et al.Signatures of ALOS PALSAR L-Band Backscatter in Swedish Forest [J]. IEEE Transact Geosci Remot Sens，2009，47（12）：4001-4019.

[7] 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（02）：51-55.

[8] CASTEL T，BEAUDOIN A，PICARD G，et al.An accurate analysis of L-band SAR backscatter sensitivity to forest biomass[C]// Geoscience and Remote Sens Symposium, 2000. Proceedings. IGARSS 2000：24-28.

[9] ABDULLAHI S，KUGLER F，PRETZSCH H. Prediction of stem volume in complex temperate forest stands using TanDEM-X SAR data[J].Remot Sens Environ，2016，174：197-211.

[10] 田昕，陈尔学，李增元，等. 基于多极化星载SAR数据的水稻/旱田识别—以江苏省海安县为例[J]. 遥感技术与应用，2012，27（3）：406-412.

[11] CASTRO K T，SANCHEZ-AZOFEIFA G A，RIVARD B. Monitoring secondary tropical forests using space-borne data: Implications for Central America [J]. Int J Remot Sens，2003，24（9）：1853-1894.

[12] DENGSHENG L . The potential and challenge of remote sensing-based biomass estimation[J]. Int J Remot Sens，2006，27（7）：1297-1328.

晚上，听到那个女人上楼的脚步声后，我就走出了门。那个女人见我站在门口，愣了一下。我笑了一笑，算是打招呼，然后才说，你等一下。

[13] FRANSSON J E S. Estimation of stem volume in boreal forests using ERS-1 C- and JERS-1 L-band SAR data[J]. Int J Remot Sens，1999，20（1）：123-137.

[14] ENGLHART S，KEUCK V，SIEGERT F. Aboveground biomass retrieval in tropical forests-The potential of combined X-and L-band SAR data use[J]. Remot Sens Environ，2011，115（5）：1260-1271.

[15] THIEL C，SCHMULLIUS C. The potential of ALOS PALSAR backscatter and In SAR coherence for forest growing stock volume estimation in Central Siberia[J]. Remot Sens Environ，2016，173：258-273.

[16] 范凤云. 基于机载LiDAR和极化SAR数据的山区森林蓄积量估测方法研究[D]. 北京: 中国林业科学研究院，2010：1-97.

[17] CHEN E，LI Z，LING F，et al.Forest Volume Density Estimation Capability of ALOS PALSAR Data over Hilly Region[J]ESA Special Publication. 2009：26-30.

[18] SARKER M L R，NICHOL J，IZ H B，et al.Forest Biomass Estimation Using Texture Measurements of High-Resolution Dual-Polarization C-Band SAR Data[J]. IEEE Transact Geosci Remot Sens，2013，51（6）：3371-3384.

[19] 章皖秋，岳彩荣，颜培东. TanDEM-X极化干涉SAR森林冠层高度反演[J]. 东北林业大学学报，2017（01）：47-54.

[20] 刘琦，岳彩荣，章皖秋，等. 极化干涉SAR森林冠层高反演的地形坡度改正[J]. 东北林业大学学报，2017，45（01）：55-60.

[21] 黄琪涵，黄金，黄旭东，等. 浅析勐腊县珍贵树种用材林的发展思路[J]. 四川林业科技，2015，36（2）：51-54.

[22] 刘永祥. 勐腊县林地景观格局分析[J]. 林业调查规划，2007，32（6）：108-112.

[23] 吴瑩. 勐腊县森林资源现状及对策[J]. 林业建设，2009（1）：48-51.

[24] 梁志锋，凌飞龙，汪小钦，等. L波段SAR与中国东北森林蓄积量的相关性分析[J]. 遥感技术与应用，2013，28（5）：871-878.

[25] RAHMAN M，CSAPLOVICS E，B. Koch. An efficient regression strategy for extracting forest biomass information from satellite sensor data[J]. Int J Remot Sens，2005，26（7）：1511-1519.

[26] 杨英，冉啟香，陈新云，等. 哑变量在云杉地上生物量模型中的应用研究[J]. 林业资源管理，2015（6）：71-76.