森林碳储量遥感卫星现状及趋势

庞勇 李增元,* 余涛 刘清旺 赵磊 陈尔学

森林碳储量遥感卫星现状及趋势

庞勇1,2李增元1,2,*余涛1,2刘清旺1,2赵磊1,2陈尔学1,2

（1 中国林业科学研究院 资源信息研究所，北京 100091）（2 国家林业和草原局 林业遥感与信息技术重点实验室，北京 100091）

“二氧化碳排放于2030年前达到峰值，2060年前实现碳中和”是统筹中国国内经济社会发展与全球应对气候变化协同共赢的重大战略。森林生态系统是陆地生态系统的主体，在减缓温室效应、维持全球碳平衡中起着极其重要的作用。精准计量森林生态系统的碳储量，可以加深对全球碳循环过程的理解，为“双碳”目标的实现提供科学支撑。近年来，卫星遥感技术迅猛发展，多类型的光学遥感数据、激光雷达遥感数据、合成孔径雷达数据等，为森林碳储量的定量估测提供了丰富、可靠的数据源。文章综述了森林碳储量遥感卫星载荷技术发展现状及趋势，分析了森林碳储量遥感卫星常用观测模式，论述了森林碳储量地面真实性检验系统发展状况。文章可为森林碳储量遥感卫星设计与应用提供有益参考。

森林碳储量 遥感卫星 光学遥感 激光雷达 合成孔径雷达 遥感应用

0 引言

陆地植被生态系统碳汇能力的定量评估对更好地理解全球碳循环，实现碳达峰、碳中和目标至关重要。在我国“二氧化碳排放力争于2030年前达到峰值，努力争取2060年前实现碳中和”国家重大战略的背景下，充分发挥森林生态系统的固碳作用并提升增汇潜力是我国逐步达到碳中和的重要途径。我国森林生态系统当前虽是显著的碳汇，然而我国森林碳密度仅为全球森林碳密度平均水平的57.6%，具有巨大的增汇潜力和固碳空间。我国“碳达峰、碳中和”和陆地生态安全等国家重大战略需要对我国的森林资源进行精确刻画和高效经营管理，以提高森林（Quality，下同）和森林资源安全风险防范能力。

传统的森林资源调查以抽样理论为基础，以地面调查为主要方法，但森林资源调查的地面测量不仅工作量大、周期长，而且难以在大面积范围内连续取样。遥感技术能够快速、准确、实时地监测大面积地面数据，为森林资源调查及其动态变化监测提供了科学有力的工具，多光谱、高光谱、雷达和激光雷达等数据被用于森林类型、结构特征和森林生长状态的监测与评估研究[1-3]。多光谱、高光谱等光学遥感对森林结构信息表现较为直观、敏感，在森林植被参数反演研究中起步较早，在森林树种识别、叶面积指数以及郁闭度等参数估测方面发挥了很大作用。但光学遥感只能获得森林表层信息，难以获得表征森林垂直结构特征的信息，在生物量估测方面亦有其局限性，因为森林地上生物量由杆、枝、叶等部分组成，而光谱信号只能够和叶生物量发生反应，在较低的生物量水平上即饱和，当生物量较高时将失去其指示作用。

激光雷达（Light Detection and Ranging，LiDAR）能获取高精度的森林垂直结构信息，精确地探测大区域森林空间结构，在森林碳储量估测方面具有突出的优势，在林下地形、树高、森林生物量等参数估测方面起到了重要作用。加拿大、美国、瑞士、挪威等欧美林业发达国家一直在积极推进最新激光雷达系统和技术的研发，并且在林业中进行广泛应用，我国也成功开展了一系列激光雷达林业示范应用。然而，激光雷达受到大气、云雾的限制，小光斑激光雷达的飞行成本很高，大光斑激光雷达受林下地形和树木空间结构的影响，在复杂地形条件下参数估计精度有所降低。

随着合成孔径雷达（Synthetic Aperture Radar，SAR）成像系统的发展，SAR数据获取方式日臻多样化，逐步由最初的单极化、单波段和单轨道发展到目前的多极化、多波段和多基线等不同观测方式及其组合，多维度SAR的概念应运而生[4]。其中，极化SAR（Polarimetric SAR，PolSAR）能够反映散射体的物理特性；干涉SAR（Interferometric SAR，InSAR）通过相位差异可以反映散射体的高程信息；极化干涉SAR（Polarimetric SAR Interferometry，PolInSAR）同时具有PolSAR和InSAR的优势，已成为植被参数反演研究的重要手段；多基线InSAR数据发展的层析SAR（Tomographic SAR，TomoSAR）技术实现了对高度方向分布散射体的直接测量，不仅可以获取更高精度的高程信息，还可以有效解决叠掩和透视收缩问题，在植被参数估计领域具有很大的应用潜力[5]；多基线极化干涉TomoSAR综合了多基线干涉TomoSAR和PolInSAR的优势，基于层析成像的方法可以实现将具有不同散射机制的散射体在垂直方向上进行分离，有助于深入理解森林内部散射体的物理意义[6]。多维度SAR通过综合利用多个观测数据，可以更为精细地描述森林的垂直结构信息，从而确保反演模型的精确性。微波遥感以像元为单位，提供了分辨单元内所有散射体的总后向散射信息，通过层析技术可以提取其在垂直方向的分布信息，得到以后向散射功率曲线形式表示的垂直结构剖面，该剖面形状与森林形态具有相似性，可在一定程度上反映森林的垂直结构信息[7]。此外，微波遥感还可用于估测林下地形、树高以及地上生物量，从而获得指示森林垂直结构的参数信息。

世界主要航天组织都把森林作为主要观测目标之一。美国2018年发布的对地观测十年战略规划将碳循环和生态系统观测作为其六大观测目标之一，并明确规划了激光雷达、SAR及其与光学遥感相结合监测森林生物量变化的系列卫星计划[8]。欧洲空间局（European Space Agency，ESA）2015年发布对地观测战略规划中，部署了P波段的森林生物量监测卫星（BIOMASS）、叶绿素荧光观测卫星（FLEX）等多个计划[9-10]。我国《国家民用空间基础设施中长期发展规划（2015-2025年）》中，围绕森林资源与碳循环的观测需求，部署了光学观测星座、SAR观测星座以及激光雷达与其他成像传感器主被动联合观测的陆地生态系统碳监测卫星[11]。当前，国产遥感数据的定量化处理和时空连续性森林参数产品生产，以及在此基础上面向碳中和的林草生态系统碳汇监测产品等应用研究方面与国外差距较小，但仍然严重依赖国外卫星数据、产品及相关平台基础。

1 载荷技术的发展

1.1 多光谱载荷

自1972年以来，Landsat计划提供了全球覆盖的长达数十年的多光谱图像数据，为分析全球生态环境变化提供了重要基础数据。Landsat Next将在植被监测、水质、作物生产和植物胁迫、气候和降雪动态、土壤健康和其他基本环境监测领域开辟新的应用。Landsat Next具有更高的时间和空间分辨率，以及26个波段（包括：11个陆地卫星传统波段的改进版本；5个波段具有与Sentinel-2波段相似的空间和光谱特征，以便更容易合并数据产品；10个新的光谱波段，以支持新兴的陆地卫星应用[12-14]）。

Sentinel-2是ESA“哥白尼”计划的地球观测任务，该任务主要对地球表面进行观测以提供相关遥测服务，例如森林监测、土地覆盖变化侦测、灾害监测。该计划由2颗相同的卫星“哨兵2号”A（Sentinel-2 A）与B（Sentinel-2 B）组成的卫星群，分别于2015年和2017年发射成功。Sentinel-2具有13个多光谱波段，光谱范围涵盖可见光、近红外线与短波红外。地面分辨率分别为10m、20m和60m、一颗卫星的重访周期为10天，两颗互补，可实现5天的重访周期。Sentinel-2是唯一在红边范围含有3个波段的卫星，这对监测植被健康信息非常有效[15-16]。Sentinel-2的另外两颗卫星Sentinel-2 C和Sentinel-2 D计划于2024年发射。

2013年4月26日，我国成功发射“高分一号”（GF-1）卫星01星，是国家高分辨率对地观测重大专项（简称“高分”专项）的首发卫星。卫星搭载了2m/8m全色多光谱（Panchromatic/multi-spectral，PMS）高分辨率相机和16m多光谱宽视场成像（Wide Field View，WFV）中分辨率相机[17]，与2018年3月31日发射的GF-1卫星02、03和04星共同构成了GF-1陆地资源调查监测业务星座。“高分六号”（GF-6）卫星于2018年6月2日成功发射，入轨后与GF-1卫星组网运行[18-19]。GF-6星上搭载了2台相机，分别为2m/8m PMS高分辨率相机和16m WFV宽幅相机，该宽幅相机能够实现单相机成像幅宽优于800km，对大范围成像和观测具有独特优势。相较于GF-1的同类传感器，GF-6首增了2个红边波段，能有效提升对农田、森林和草地等植被的监测能力[20]。GF-6卫星与GF-1卫星具有高时间分辨率、高/中空间分辨率，宽范围覆盖和多谱段成像等特征，GF-1和GF-6卫星的组网和配合使用不仅丰富了我国高分辨率国产影像数据集，拓展了卫星数据的应用场景，而且能更好地服务于我国自然资源、生态环境、土地规划和应急管理等领域的业务应用，提高我国森林资源的观测能力。表1为多光谱卫星载荷简介。

表1 多光谱卫星载荷简介

1.2 高光谱载荷

光谱成像技术诞生于20世纪80年代，以美国的中分辨率成像光谱仪（Moderate-resolution Imaging Spectroradiometer，MODIS）、Hyperion以及高光谱红外成像仪（Hyperspectral Infrared Imager，HyspIRI）等为代表，高光谱成像光谱仪先后成功应用于环境监测、资源勘察等应用领域[21-22]。欧洲具有代表性的高光谱卫星包括：紧凑型高分辨率成像光谱仪（Compact Hight Resolution Imaging Spectrometer，CHRIS）、中分辨率成像光谱仪（Medium Resolution Imaging Spectrometer，MERIS）以及德国“环境、测绘与分析计划”（Environmental Mapping and Analysis Program，EnMAP）卫星以及意大利航天局的PRISMA高光谱卫星[23-25]。

我国的多光谱成像技术研究也可追溯到20世纪80年代，“神舟三号”飞船搭载的中分辨率成像光谱仪（Chinese Moderate-resolution Imaging Spectroradiometer，CMODIS）的成功升空开启了我国星载高光谱成像仪的新纪元[26]。到目前，我国已拥有多个高光谱卫星，并在光谱分辨率和空间分辨率上不断优化，其中包括：“嫦娥一号”探月卫星搭载的Sagnac干涉成像光谱仪、环境和减灾小卫星星座HJ-1A、“天宫一号”高光谱成像仪、SPARK双星高光谱成像仪（50kg以下微纳卫星）、“高分五号”卫星、3组“珠海一号”高光谱卫星、“资源一号02D”卫星、“陆地生态系统碳监测”卫星[27-30]。主要光谱谱卫星载荷如表2所示。

表2 高光谱卫星载荷简介

1.3 LiDAR载荷

作为主动遥感的代表之一，LiDAR通过激光器发射和接收激光脉冲测定地表物体的位置，可以通过林中空隙穿透森林冠层，获得森林的三维空间结构信息。根据载荷工作机制和记录方式的不同，可将星载激光雷达分为全波形激光雷达和单光子探测激光雷达[31-33]。

星载激光雷达覆盖范围广，能够捕捉全球森林的广泛趋势和动态变化情况，可用于大区域森林资源调查研究。目前在轨的星载激光雷达系统包括搭载ATLAS系统的冰、云和陆地高程卫星-2（Ice，Cloud，and Land Elevation Satellite-2，ICESat-2）、全球生态系统动态调查（Global Ecosystem Dynamics Investigation，GEDI）系统、“高分七号”（GF-7）等[34]。然而，星载激光雷达数据获取方式主要为不连续的光斑点，获取无缝的森林参数制图需进一步增加波束数量、提高重频来加大采样密度，并与其他成像遥感手段结合来实现。激光雷达卫星载荷简介如表3所示。

表3 激光雷达卫星载荷简介

1.4 SAR载荷

SAR载荷是以微波谱段作为探测手段的遥感载荷。相比于光学遥感，SAR对植被叶簇具有更好的穿透能力，其测量信号与森林结构参数的关联更具物理含义。早期的SAR载荷主要是以单波段（频率）、单极化、单角度的系统为主，获取的SAR数据相对单一。随着SAR成像技术的发展和应用需求的推动，SAR载荷已逐步发展到多波段、多极化、多角度、多时相以及不同观测维度组合的多维度SAR[35]。总体上，SAR载荷技术的发展经历了两个阶段：首先，在单一观测维度中的扩展，例如：频率方面由单一频率向多频扩展；极化方面由单极化向多极化、全极化发展；角度方面由单站SAR向多站SAR发展，由单基线InSAR向多基线InSAR发展。其次，不同观测维度的融合，例如极化和角度维度的结合产生的PolInSAR技术，综合利用了极化SAR和干涉SAR观测优势，进一步提高了SAR载荷的应用潜力，这也是目前SAR载荷技术及其应用发展的重要趋势。

如表4所示，是国内外面向森林监测应用的主要星载SAR系统及其特征。可以看到，面向森林监测的SAR卫星系统主要以长波长SAR为主（L/P-波段），观测模式则呈现由单星单传感器向单星多传感器和多星联网观测发展的趋势。

表4 面向森林监测的主要星载SAR系统及特征

2 卫星观测模式

2.1 单星单传感器

2.1.1 美国GEDI

全球生态系统动态调查（The Global Ecosystem Dynamics Investigation，GEDI）载荷于2018年12月发射至国际空间站，是一个专门调查全球生态系统动力学的星载多波束激光雷达任务。该任务采用1 064nm波段脉冲式激光雷达，发射发散角为56.1μrad的激光脉冲，从约410km的国际空间站上发射到地面可覆盖约25m直径光斑的地物。GEDI将3个激光器发射的脉冲，利用分光与摆动技术形成8条波束：4条全功率波束与4条“覆盖”波束；8条波束沿轨方向光斑间隔约60m，垂直轨道方向间隔约600m，从而每轨数据可连续覆盖约4.2km宽的地面范围[36]。

由于国际空间站轨道限制，GEDI可在南北纬51.6°间形成沿轨连续观测，242Hz脉冲发射频率及3年多的观测，记录了超过100亿的光斑，为全球森林垂直结构大面积点采样观测提供可靠数据。

2.1.2 美国ICESat-2

ICESat-2由美国国家航空航天管理局（National Aeronautics and Space Administration，NASA）于2018年发射，其主要目的之一是测量植被冠层高度，作为估算大规模生物量和生物量变化的基础。与全波形激光雷达系统不同，ICESat-2搭载的ATLAS（Advanced Topographic Laser Altimeter System）光子计数激光雷达系统，通过发射低能量、高频率的激光脉冲，能够实现单光子水平的信号检测，获取光斑更小、密度更大的三维空间数据，实现对观测对象的精确刻画。ICESat-2是第一颗搭载光子计数激光雷达的对地观测卫星。ATLAS同时发射3对激光束，每对激光束包含一束强波束和弱波束，同一对的强弱波束垂轨距离约为90m，相邻的激光对垂轨距离约为3.3km。ATLAS系统的工作波长为532nm，重复频率为10kHz，光斑直径约为11m，采样分辨率约为0.7m，轨道高度约500km，重访周期约为91天，倾角为92°，观测覆盖范围为88°S～88°N[37-38]。在ICESat-2众多高级数据产品中，ATL08（ICESat-2的数据产品土地和植被高度产品）提供了陆地和森林的参数，为森林遥感提供了重要的数据支撑。

2.1.3 欧洲空间局BIOMASS

2005–2009年期间，ESA启动了BIOMASS卫星发射计划（2009年Phase-A）。BIOMASS卫星搭载的主要载荷为全极化P波段(435MHz)SAR，P波段是目前可搭载于卫星的最长波段，对森林生物量具有较好的敏感性[39]。该颗卫星设计寿命5年，首先是约55天的层析观测期（重访时间1-4天），然后是干涉测量期（重访时间25天）。这是一颗专门针对全球植被生物量探测的卫星任务，将有利于提供全球一致的森林生物量分布图，其空间分辨率与最常见的森林扰动地块大小一致，这将大大提高人类对目前生物量存量的规模、地理分布与森林扰动和生长有关的通量的认识。BIOMASS卫星的首要目标是获取全球森林生物量、森林高度和森林扰动产品，次要目标是实现次地表地质、林下地形和冰川冰盖流速等产品的生产。目前，BIOMASS卫星发射计划一再推迟，最新公布的发射时间为2023年。

2.2 单星多传感器组合

2.2.1 中国陆地生态系统碳监测卫星

陆地生态系统碳监测卫星（Terrestrial Ecosystem Carbon Inventory Satellite，TECIS）作为全球唯一的主被动结合探测森林生态系统的卫星，于2022年8月4日发射。TECIS搭载了5波束全波形激光雷达与5角度多光谱相机等载荷，以激光雷达、多角度、多光谱的主被动融合方式探测森林碳储量。

TECIS发射1 064nm波段、45μrad激光脉冲，可在约500km的轨道高度形成约25m直径的光斑；40Hz的脉冲发射频率以及1.2GHz的数字化波形采样，形成全球点采样覆盖波形记录。5角度（0°、±19°、±41°）多光谱相机可实现从可见光至红外波段的全覆盖观测。主被动结合的方式可提高全球森林碳储量估计精度[40-41]。

2.2.2 中国“高分七号”卫星

“高分七号”（GF-7）卫星于2019年11月3日在太原卫星发射中心由“长征-4B”运载火箭成功发射，是中国自主研制的首颗1:1万比例尺立体测绘卫星，是国家高分辨率对地观测系统重大专项的重要组成部分[42]。该卫星的传感器包括中国自主研制的双线阵立体相机、激光测高仪和足印相机。其中双线阵立体相机可有效获取20km幅宽、优于0.8m分辨率的全色立体影像和3.2m分辨率的多光谱影像；两波束激光测高仪以3Hz的观测频率向地面发射1 064nm波长的激光脉冲实现对地观测，形成沿轨间隔约2.4km、垂轨间隔约12.25 km的离散激光光斑，激光足印直径小于30m[43]。在获取全波形数据的同时，该卫星利用足印相机记录激光的发射光斑强度分布及地面落点位置周围的地物影像，通过影像匹配实现激光与线阵遥感影像的几何关联。GF-7卫星的主要应用领域包括地面控制点测量、极地冰盖监测、植被高度和生物量估算等[44]。随着对全球气候变化和碳循环研究的深入，森林植被监测和控制变得越来越重要。利用传统的遥感技术很难对大面积甚至世界范围的植被高度和森林生物量进行统计分析。然而，基于GF-7卫星激光回波波形可提取冠层高度和林下地形，在此基础上，通过将估测的植被平均高度与卫星遥感图像相结合，可以估测区域范围的森林生物量[45]。同时，结合全波形数据的激光足印影像，GF-7卫星将能够在特征分类、植被高度提取和全球生物量估计方面实现更加广泛应用。

2.2.3 日本ALOS卫星

ALOS（Advanced Land Observing Satellite）卫星[46]由JAXA于2006年发射，载有3个传感器：相控阵型L-波段合成孔径雷达（PALSAR）、全色遥感立体测绘仪（PRISM）和先进可见光与近红外辐射计2型（AVNIR-2）。PALSAR载荷成像模式包含精细式、扫描式和极化试验模式，对应分辨率从10m到100m。该载荷具有双极化和全极化数据获取能力，但为了确保实现每年获取全球覆盖数据至少一次的目标，双极化（HH/HV）是PALSAR的主要工作模式。PALSAR理论上可获取极化干涉SAR数据，但由于重复周期（46天）太长，干涉影像在植被区受时间去相干影响严重，相干性对植被结构参数的变化不敏感，不具备提取森林平均高的能力。因此，只能采用不同极化的雷达后向散射强度、极化分解参数等特征进行森林地上生物量估测，对高生物量森林会出现信号饱和现象，只适用于较低生物量水平的森林。PRISM传感器具有3个独立的相机，分别用于星下点、前视和后视观测，沿轨道方向获取立体影像，空间分辨率为2.5m。AVNIR-2传感器具有可见光和近红外共４个波段，幅宽70km，空间分辨率10m，主要用于陆地和沿海地区观测，为区域环境监测提供土地覆盖图和土地利用分类图。

ALOS卫星后续计划ALOS-2于2014年5月发射，载荷为相控阵型L-波段合成孔径雷达（PALSAR-2）。相比于ALOS PALSAR，ALOS-2 PALSAR-2改进了宽幅和高分辨率观测技术。基于ALOS/ALOS-2卫星发布的数据产品包括全球数字地表模型（ALOS World 3D-30m，AW3D30）[47]、L-波段SAR镶嵌数据集[48]和森林/非森林分类图（Forest/Non-Forest Maps，FNF），这三类产品均可免费获取。25m分辨率的全球森林/非森林分类图的总体分类精度达到86%。

日本计划2023年发射ALOS-4卫星，搭载第三代L-波段全极化SAR卫星（PALSAR-3），配置模式和PALSAR-2类似，但空间分辨率、时间分辨率、幅宽等有大幅提升。其属于太阳同步轨道，高度628km，重访周期为14天，采用条带、扫描和聚束三种观测模式，最高空间分辨率1m×3m，最大幅宽达700km[49]。ALOS-4将利用雷达卫星全天候观测、不受云雾干扰等优势，支持全球防灾减灾、森林资源、海冰和基础设施形变与沉降等领域监测。该任务还将极大地提升对较小面积森林变化/扰动监测能力，从而为森林碳汇监测提供一定支撑。

2.2.4 美国NISAR卫星

NISAR卫星是由NASA和印度空间研究组织（Indian Space Research Organisation，ISRO）合作研发的L-波段和S波段双频极化SAR卫星，预计将于2023年发射。该卫星的主要目标之一是全球低生物量植被的碳储量动态监测。这和ESA的BIOMASS适合热带高生物量森林植被碳储量监测形成了互补。目前NASA和ESA已建立了植被生物量全球探测卫星协同网络平台[50]，合作研发综合利用多频SAR卫星监测全球陆地生态系统碳储量分布及动态变化产品生产方法。NISAR卫星具有高分辨率（3～10m）大幅宽（240km）的特点，适用于森林类型制图、森林变化监测等一系列应用与研究[51]。

2.3 多星联网观测与虚拟星座

2.3.1 “陆地探测一号”星座

我国L-波段差分干涉SAR系统“陆地探测一号”（LuTan-1）包含A、B两颗卫星，已于2022年1月、2月相继成功发射。LuTan-1系统具备双星跟飞和双星绕飞两种干涉测量模式[52-53]。其中，双星绕飞干涉测量模式与TanDEM-X相似，具备获取高质量、无时间去相干的全极化干涉测量数据的能力，可用于森林高度、林下地形信息的反演与提取，进而支撑森林地上生物量、碳储量的估测。

由于该卫星的主要任务是地表形变干涉测量，全极化的双星绕飞干涉测量模式为实验模式。因此，无法长期提供森林覆盖区无时间去相干的极化干涉测量数据。针对这一问题，一种有效的解决思路是多频干涉SAR数据相结合，通过发挥L-波段对于植被层穿透性强的优点，提取森林覆盖区的林下地形数据，结合短波长干涉数据（如TanDEM-X）提取的地球表面模型（Digital Surface Model，DSM）数据，实现森林高度的提取。相较于森林高度，林下地形更加稳定、变化较小。因此，准确的林下地形数据也可以服务于长期的森林高度、蓄积量动态监测。

其他参数方面，LuTan-1卫星数据分辨率最高可达3m，全极化条带数据分辨率达6m，单颗卫星重返周期为8天、双星为4天，所提供的雷达数据产品同样在森林植被类型分类以及变化监测等应用中具有很高价值。

2.3.2 TanDEM-X星座

TanDEM-X是德国宇航中心（DLR）发射的X-波段雷达干涉测量系统[54]，由两颗性能相似的卫星编队串轨飞行组成（TerraSAR-X与TanDEM-X，先后发射于2007年6月和2010年6月），通过一发双收的方式对地观测，可获取几乎无时间去相干的干涉测量数据。该系统成像模式包含聚束式、条带式和扫描式，对应分辨率为0.25m～40m，幅宽为5km～100km。TanDEM-X主要任务为地形测绘，其他任务包括顺轨干涉、极化干涉以及双站SAR成像等新体制SAR技术研究。TanDEM-X为短波长SAR干涉系统，对于森林覆盖区域，干涉相位包含森林高度信息，在已有高精度DTM的情况下可提取森林高度。同时，由于植被区域的去相干主要由体散射引起，基于极化干涉物理模型可估测森林高度及蓄积量，该思路在北方森林取得较好的效果。

基于TanDEM-X系统发布的数据产品包括全球数字高程模型[55]和森林/非森林分布图[56]。TanDEM-X DEM数据包含12m、30m和90m三种分辨率，其中90m数据可免费获取，其余较高分辨率的数据可通过科研计划申请。该DEM数据覆盖全球范围，其水平误差与垂直误差标称为10m。森林分类图是以后向散射强度、DEM和干涉相干性特征等为输入，基于机器学习算法生产的，分辨率为50m，免费向全球科学用户发布。

2.3.3 Sentinel-1A/B星座

“哨兵1号”（Sentinel-1）包含哨兵1A和哨兵1B两颗卫星，这两颗卫星是处于同一轨道平面的极轨卫星，分别于2014年4月3日和2016年4月25日成功发射[57]。卫星轨道高约690km，工作模式为C波段（5.4GHz），包含条带、干涉、超宽幅和波4种成像模式（分辨率最高5m、幅宽达到400km），具有单、双极化成像能力。Sentinel-1单颗卫星重访周期为12天，两颗卫星组合星座的重访周期为6天。Sentinel-1卫星数据的典型特点是短重访周期、快速产品生产的能力，可以实现全球陆地、海岸带、航线的高分辨率长时间序列监测和大区域覆盖[58]。但Sentinel-1不是针对森林碳监测而发射的卫星。该SAR卫星采用C波段，波长较短，后向散射强度特征容易出现信号饱和现象。Sentinel-1时间序列的双极化SAR数据对森林–非森林制图和森林变化检测有重要支撑作用。另外，即便采用双星重复轨干涉，该卫星星座在森林覆盖区也无法获得高质量的干涉数据，不适合森林垂直结构参数的提取。

2.3.4 SAOCOM-1星座

SAOCOM-1是由阿根廷国家空间活动委员会（Argentina National Space Activities Commission，CONAE）制作、管理和运行的L-波段极化合成孔径雷达卫星星座，由两颗卫星（SAOCOM-1A和SAOCOM-1B）组成，两颗卫星已于2018年8月与2020年10月相继发射成功。

系统采用了重复轨干涉模式，可在最短8天的时间完成对目标区域的干涉测量。对于森林区域而言，8天的时间基线过长，干涉数据受时间失相干影响较大。因此，SAOCOM-1难以用于森林高度反演和森林垂直结构信息提取的研究与应用。为了实现双星单航过干涉，欧空间原计划于SAOCOM-1B卫星同期发射SAOCOM-CS卫星，进行与SAOCOM-1B卫星的组队飞行，实现双星干涉观测[59-60]。但是该卫星的发射计划已取消。

SAOCOM-1系统具备全极化成像能力，条带模式下，SAOCOM卫星产品地距方向分辨率可达10m，方位向分辨率可达5m。在森林植被类型分类、森林变化监测等应用中具有一定的优势。L-波段相较X波段、C波段更长，雷达后向散射强度对森林生物量饱和点更高，因此SAOCOM卫星还可用于低生物量区域的森林碳储量动态监测任务。

2.3.5 TanDEM-L星座

TanDEM-L是DLR下一代高度创新的雷达卫星任务[61]，旨在以极高的质量和分辨率监测地球表面的动态过程，预计将于2023年发射。TanDEM-L由两颗L-波段SAR卫星组成，采用与TanDEM-X相似的编队方案和观测模式，将获取高质量的干涉测量数据。该系统以森林碳观测为主要任务，通过及时、准确地测量全球森林生物量及其动态变化，有助于更好的开展碳循环研究。其他重要任务还包括精细测量地表形变和土壤湿度、观测极地冰川运动和融化过程等。与X波段相比，L-波段对植被具有更强的穿透能力，因此具有更高的饱和点。TanDEM-L计划每周一次对地表进行干涉成像，通过层析SAR技术可对森林进行三维测量，进而提取全球森林高度和生物量信息。

2.3.6 ROSE-L星座

ESA计划2028年发射ROSE-L卫星，由两颗L-波段SAR卫星组成，具有双极化、全极化和波等3种成像模式，具有重复轨、串轨一发双收等干涉测量模式，支撑全球森林生物量/碳储量制图和植被覆盖区地面沉降监测、土壤含水量和水资源监测等应用。ROSE-L的双和全极化模式幅宽都为260km，该设计考虑了和哨兵-1C-波段SAR卫星成像模式的协同观测需求，最大限度地在成像区域上重合，形成多星协同获取L和C双频SAR数据的能力。ROSE-L卫星基于两颗卫星可每6天实现对全球的完全覆盖。雷达天线为11m×3.6m，空间分辨率可达5m×10m。ROSE-L对地球陆地、海洋和冰层的昼夜全天候高空间分辨率高频率的连续监测，将提供关于森林生物量和土地利用变化等重要数据，有利于加强对陆地碳循环和生物量的监测。

2.3.7 GEDI和GF融合应用

现有的星载波形大光斑激光探测器GEDI以其高密度全球垂直观测形成全球中低纬度区域点采样观测，为全球森林碳储量连续制图提供点采样样本与可靠验证基础。“高分”系列卫星提供的连续面状影像，为全球碳储量制图提供了可靠的光谱、纹理、反射率及植被指数等光学影像信息，同时该系列的SAR、激光及立体测绘观测为全球碳储量制图建模工作提供可靠地形与垂直观测辅助信息，以高密度GEDI观测及高分光学、SAR、激光雷达观测形成的全谱段连续观测，为全球连续碳监测提供一个更为广泛的星座[62-63]。

2.3.8 Landsat与Sentinel-2融合应用

HLS（The Harmonized Landsat and Sentinel-2）项目由NASA发起，目的是要结合Landsat-8 OLI和Sentinel-2 MSI地表反射率（Surface Reflectance）数据，生成多传感器协调后的虚拟星座数据[64]。HLS产品利用大气校正、云/云阴影掩膜、空间配准、统一相同格网、双向反射率分布函数归一化和光谱带通调整等算法，从两个传感器（OLI和MSI）获得三种无云无缝的数据产品，包括：1）S10：10m、20m和60m的全分辨率MSI SR数据；2）S30：30m MSI双向反射分布函数—调整反射率数据（NBAR）；3）L30：30m OLI双向反射分布函数—调整反射率数据（NBAR）。所有三种产品来自Landsat-8 OLI（L1T）和Sentinel-2 MSI（L1C）的每一级输入产品进行处理。L30和S30显示出与原始空间分辨率产品的良好一致性，与最初的Landsat-8 L1T和Sentinel-2 L1C产品相比，HLS产品有效改善了空间互配准的问题。HLS数据集在长时序中分辨率对地观测中具有明显优势[65-68]。

2.3.9 GEDI和TerraSAR融合应用

美国的GEDI因其点采样模式不形成连续垂直观测，德国的TerraSAR卫星以X波段提供干涉SAR、单极化的全球连续垂直观测。两种探测模式可为全球连续碳储量制图提供一种垂直结构观测融合模式；同时，TerraSAR提供的高分辨率DEM可为GEDI碳储量估测提供精确连续地形信息参考，为改进地形引起的GEDI碳储量估测精度具有重要意义[69-70]。

3 地面真实性检验系统

遥感数据产品日益丰富，为环境、生态、林业等领域监测评估、管理决策提供了重要信息。但受观测参数、模型适用性等不确定性因素的影响，定量遥感数据产品的准确度和合理性有待探究。由此，针对遥感数据产品的真实性检验技术应运而生。真实性检验是指将遥感反演产品与能够视作地表相对真值的参考数据（如地面实测数据、机载数据、高分辨率遥感数据等）进行对比分析，从而评价遥感反演产品的不确定性。真实性检验是对遥感数据产品准确度和稳定性进行定量评估的重要手段，对提高遥感产品定量化水平，推动定量遥感科学发展具有重要意义[71-72]。

遥感产品真实性检验工作从1984年国际地球观测卫星委员会（Committee on Earth Observation Satellites，CEOS）成立定标和真实性检验工作组以来，便受到遥感界的关注和重视。NASA在MODIS载荷在轨运行后，便成立MODIS陆地产品（MODLAND）真实性检验小组，对MODIS全球陆地数据产品开展系统的真实性检验[73]。ESA于2000年启动了欧洲陆地遥感仪器验证计划（Validation of Land European Remote Sensing Instruments，VALERI），对包括MODIS、VEGETATION、MERIS、POLDER、AVHRR等传感器生产的多种陆地遥感数据产品进行真实性检验。2000年CEOS专门成立陆地产品真实性检验（Land Product Validation，LPV）工作小组，促进陆地遥感产品真实性检验相关数据和信息的共享和交换。2005年，LPV工作小组提出在利用地面测量开展直接真实性检验的同时，探索多传感器数据产品间的交叉检验。这些研究的开展为遥感产品算法改进、质量评价和不确定性分析发挥了重要的理论指导作用。此外，中国自2000年来针对遥感机理和真实性检验方法进行研究，联网协同开展星机地同步观测试验和遥感产品真实性检验工作，初步形成了多站多场地协同联网观测，数据共享的总体网络布局[74]。

中国在遥感产品真实性检验理论体系与方法、技术流程等方面也开展了一系列研究工作[75]，将地表相对真值作为参考数据，独立地对遥感产品的不确定性进行评价，用于提高遥感产品精度、改善遥感产品质量[76]。针对国内现有遥感网络存在覆盖范围有限和空间代表性不足、缺乏长期稳定观测的遥感真实性检验体系等问题，开展了地面采样点的数量和空间代表性分析、像元真值不确定性定量评价、单点或多点到像元尺度的尺度转换[77]、高分辨率到低分辨率尺度的尺度转换[78]等相关研究，通过建立具有良好遥感地基观测系统和遥感产品应用能力的野外站点，提升观测网络的运行管理能力，获取长时间尺度的地面观测数据，解决时序产品验证和不确定性度量难题。针对遥感产品真实性检验需求，建立统一的质量标准和标准传递流程，构建准业务化运行的真实性检验网络系统，使遥感在资源环境监测中发挥充分效益，以提高我国遥感定量化应用水平[79]。

4 总结与展望

本文分析了森林碳储量遥感卫星的载荷技术的发展现状及趋势，讨论了森林碳储量遥感卫星的常用观测模式，论述了森林碳储量地面真实性检验系统的发展状况。面向中国“双碳”目标需求，需要结合卫星遥感、大数据、云计算等先进技术和方法，以弄清我国森林碳储量空间分布和变化规律，阐明森林生态系统碳储量与气候变化、温室气体排放、生态保护与修复之间的关系，争取在以下方面取得突破：

1）卫星协同观测森林和碳储量遥感数据产品研发

多/高光谱数据、LiDAR数据及SAR数据能从不同角度反映森林特征及其变化，在森林碳储量估算方面各有优势[80-81]。针对中国碳卫星及载荷指标特点，未来应进一步完善卫星数据的预处理流程和数据管理机制。结合国内外多源卫星数据，开展森林碳储量有关的数据产品生产的关键技术研究。发挥不同类型卫星的优势，探索不同类型卫星之间的协同观测和数据产品融合方案，研究不同尺度不同来源的卫星数据之间的有效协同策略，构建“自上而下”的森林碳储量测算方法，提高碳储量遥感反演关键参数的精度和可靠性[82-83]。充分发挥森林样地清查数据、地面碳监测数据的作用，提高数据同化与数据驱动的碳储量监测能力，实现森林碳储量的多尺度综合观测。

2）森林碳储量遥感数据产品真实性检验

建设森林碳储量真实性检验地面网络系统，并建立统一的质量标准和传递流程，构建业务化运行的森林碳储量真实性检验方法。开展森林碳储量卫星数据产品真实性检验关键技术研究，研发覆盖典型气候区、典型林区的森林碳储量遥感产品精度验证方案，形成森林碳储量相关科学产品的真实性检验能力。注重分析遥感数据产品的不确定性，弄清碳储量遥感估算方法的局限性。

3）森林碳储量遥感在全球碳循环研究中的应用

森林碳储量的精确估算是研究全球碳源汇、分析碳循环与气候变化之间关系的关键。由于森林类型的多样性、结构的复杂性，当前对森林生态系统在区域及全球碳循环中的作用机制的认识还十分有限。未来可加强森林生态系统碳循环对温度、降水、CO2等气候变化和各种扰动的响应和适应机制的研究，以阐清气候变化背景下森林碳汇变化的驱动因素；构建森林生态系统的过程模型-遥感模型-观测数据融合系统，以模拟和评估区域森林碳循环时空格局及变化特征；开发人类-森林生态系统耦合碳循环模型，以预测中国森林生态系统的固碳潜力，评估森林生态系统在碳中和中的作用[84]。

[1] 吴见, 彭道黎. 高光谱遥感林业信息提取技术研究进展[J]. 光谱学与光谱分析, 2011, 31(9): 2305-2312.

WU Jian, PENG Daoli. Advances in Researches on Hyperspectral Remote Sensing Forestry Information-extracting Technology[J]. Spectroscopy and Spectral Analysis, 2011, 31(9): 2305-2312. (in Chinese)

[2] 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.

PANG Yong, LI Zengyuan, CHEN Erxue, et al. Lidar Remote Sensing Technology and Its Application in Forestry[J]. Scientia Silvae Sinicae, 2005, 41(3): 129-136. (in Chinese)

[3] 肖虹雁, 岳彩荣. 合成孔径雷达技术在林业中的应用综述[J]. 林业调查规划, 2014, 39(2): 132-137.

XIAO Hongyan, YUE Cairong. Review of Synthetic Aperture Radar Application in Forestry[J]. Forest Inventory and Planning, 2014, 39(2): 132-137. (in Chinese)

[4] 吴一戎. 多维度合成孔径雷达成像概念[J]. 雷达学报, 2013, 2(2): 135-142.

WU Yirong. Concept on Multidimensional Space Joint-observation SAR[J]. Journal of Radars, 2013, 2(2): 135-142. (in Chinese)

[5] 庞蕾, 张继贤, 范洪冬. 多基线干涉SAR测量技术发展与趋势分析[J]. 电子学报, 2010, 38(9): 2152-2157.

PANG Lei, ZHANG Jixian, FANG Hongdong. Progress and Tendency of Multibaseline Synthetic Aperture Radar Interferometry Technique[J]. Acta Electronica Sinica, 2010, 38(9): 2152-2157. (in Chinese)

[6] TEBALDINI S, ROCCA F. Multibaseline Polarimetric SAR Tomography of a Boreal Forest at P- and L- Bands[J]. IEEE Transactions on Geoscience and Remote Sensing, 2012, 50(1): 232-246.

[7] 李文梅, 李增元, 陈尔学, 等. 极化相干层析反演森林垂直结构原理与方法研究[J]. 遥感技术与应用, 2014, 29(2): 232-239.

LI Wenmei, LI Zengyuan, CHEN Erxue, et al. Principle and Method of Forest Vertical Structure Inversion Using Polarization Coherence Tomography[J]. Remote Sensing Technology and Application, 2014, 29(2): 232-239. (in Chinese)

[8] National Academies of Sciences, Engineering, and Medicine. Thriving on Our Changing Planet: A Decadal Strategy for Earth Observation from Space[EB/OL]. [2022-10-15]. https://nap.nationalacademies.org/read/24938/chapter/1#xi.

[9] O'NEILL A, BARBER D, BAUER P, et al. Earth Observation Science Strategy for ESA: A New Era for Scientific Advances and Societal Benefits, ESA SP-1329/1. [EB/OL]. [2022-10-15]. https://esamultimedia.esa.int/multimedia/publications/ SP-1329_1/offline/download.pdf.

[10] O'NEILL A, BARBER D, BAUER P. ESA’s Living Planet Programme: Scientific Achievements and Future Challenges – Scientific Context of the Earth Observation Science Strategy for ESA, ESA SP-1329/2. [EB/OL]. [2022-10-15]. https://esamultimedia.esa.int/multimedia/publications/SP-1329_2/offline/download.pdf.

[11] 国家民用空间基础设施中长期发展规划(2015-2025年)[J]. 卫星应用, 2015(11): 64-70.

Notice of National Civil Space Infrastructure and Long-term Development Plan (2015-2025 Years)[J]. Satellite Application, 2015(11): 64-70. (in Chinese)

[12] HIVELY W D, LAMB B T, DAUGHTRY C S T, et al. Evaluation of SWIR Crop Residue Bands for the Landsat Next Mission[J]. Remote Sensing, 2021, 13(18): 3718.

[13] WULDER M A, ROY D P, RADELOFF V C, et al. Fifty Years of Landsat Science and Impacts[J]. Remote Sensing of Environment, 2022, 280: 113195.

[14] GOWARD S N, MASEK J G, LOVELAND T R, et al. Semi-centennial of Landsat Observations & Pending Landsat 9 Launch[J]. Photogrammetric Engineering & Remote Sensing, 2021, 87(8): 533-539.

[15] DRUSCH M, DEL B U, CARLIEr S, et al. Sentinel-2: ESA's Optical High-resolution Mission for GMES Operational Services[J]. Remote sensing of Environment, 2012, 120: 25-36.

[16] SPOTO F, SY O, LABERINTI P, et al. Overview of Sentinel-2[C]//2012 IEEE International Geoscience and Remote Sensing Symposium, July 22-27, 2012, Munich, Germany. IEEE, 2012: 1707-1710.

[17] 刘兆军. “高分一号” 遥感相机填补国内高分辨对地观测空白[J]. 航天返回与遥感, 2013, 34(2): 封二.

LIU Zhaojun. “GF-1” Remote Sensing Camera Fills the Gap of High Resolution Earth Observation in China[J]. Space Recovery &Remote Sensing, 2013, 34(2): Cover 2. (in Chinese)

[18] 詹桓. 高分六号卫星成功发射 “高分” 家族再添新丁[J]. 国际太空, 2018(6): 4-5.

ZHAN Huan. GF-6 High-resolution Satellite Launched Successfully[J]. Space International, 2018(6): 4-5. (in Chinese)

[19] 陆春玲, 白照广, 李永昌, 等. 高分六号卫星技术特点与新模式应用[J]. 航天器工程, 2021, 30(1): 7-14. DOI:10.3969/j.issn.1673-8748.2021.01.002.

LU Chunling, BAI Zhaoguang, LI Yongchang, et al. Technical Characteristic and New Mode Applications of GF-6 Satellite[J]. Spacecraft Engineering, 2021, 30(1): 7-14. DOI:10.3969/j.issn. 1673-8748.2021.01.002. (in Chinese)

[20] 陆春玲, 白照广, 胡志勇, 等. 高分六号卫星技术创新与应用成果[J]. 卫星应用, 2020(12): 12-17. DOI:10.3969/ j.issn.1674-9030.2020.1

LU Chunling, BAI Zhaoguang, HU Zhiyong, et al. Technological Innovation and Application Achievements of Gaofen VI Satellite[J]. Satellite Applications, 2020(12): 12-17. DOI:10.3969/j.issn.1674-9030.2020.1. (in Chinese)

[21] 高明琪, 肖龙龙, 王煜博. 星载高光谱成像仪的发展及军事应用[J]. 红外, 2022, 43(3): 22-30, 52. DOI:10.3969/j.issn. 1672-8785.2022.03.004.

GAO Mingqi, XIAO Longlong, WANG Yubo. Development and Military Application of Spaceborne Hyperspectral Imager[J]. Infrared, 2022, 43(3): 22-30, 52. DOI:10.3969/j.issn.1672-8785.2022.03.004. (in Chinese)

[22] JIA W, PANG Y, TORTINI R, et al. A Kernel-driven BRDF Approach to Correct Airborne Hyperspectral Imagery over Forested Areas with Rugged Topography[J]. Remote Sensing, 12(3): 432.

[23] 陈培永, 王燕. 国外高光谱遥感载荷发展分析[J]. 飞控与探测, 2019, 2(2): 10-17.

CHEN Peiyong, WANG Yan. Development Analysis of Foreign Hyperspectral Remote Sensing Loads[J]. Flight Control and Detection, 2019, 2(2): 10-17. (in Chinese)

[24] LEE C M, CABLE M L, HOOK S J, et al. An Introduction to the NASA Hyperspectral InfraRed Imager (HyspIRI) Mission and Preparatory Activities[J]. Remote Sensing of Environment, 167: 6-19.

[25] 张霞, 张兵, 胡方超, 等. 航天成像光谱仪CHRIS辐射与光谱性能评价[J]. 中科科学E辑科学技术, 2006, 36(S): 85-93.

ZHANG Xia, ZHANG Bing, HU Fangchao, et al. Evaluation of CHRIS Radiation and Spectral Performance of Space Imaging Spectrometer[J]. Scientia Sinica (Technologica), 2006, 36(S): 85-93. (in Chinese)

[26] PAN Delu. Satellite Marine Remote Sensing in China[J]. Proceedings of SPIE - The International Society for Optical Engineering: In Ocean Remote Sensing and Applications, 2003, 4892: 1-16.

[27] 李盛阳, 刘志文, 刘康, 等. 航天高光谱遥感应用研究进展[J]. 红外与激光工程, 2019, 48(3): 9-23.

LI Shengyang, LIU Zhiwen, LIU Kang, et al. Advances in Application of Space Hyperspectral Remote Sensing[J]. Infrard and Laser Engineering, 2019, 48(3): 9-23. (in Chinese)

[28] 袁艳, 李立英, 熊望娥, 等．环境减灾-1A卫星超光谱成像仪结构设计[J]. 航天器工程, 2009, 18(6): 97-105.

YUAN Yan, LI Liying, XIONG Wang¢e, et al. Mechanical Structure Design for Hyperspectral Imagerof HJ-1A Satellite[J]. Spacecraft Engineering, 2009, 18(6): 97-105. (in Chinese)

[29] 郭崇滨, 刘善伍, 陈宏宇. 面向快速响应的SPARK高光谱卫星系统设计[J]. 科学技术与工程, 2019, 19(33): 403-409. DOI:10.3969/j.issn.1671-1815.2019.33.060.

GUO Chongbin, LIU Shanwu, CHEN Hongyu. Design of SPARK Hyperspectral Satellite for Rapid Response[J]. Science Technology and Engineering, 2019, 19(33): 403-409. DOI:10.3969/j.issn.1671-1815.2019.33.060. (in Chinese)

[30] 李先怡, 范海生, 潘申林, 等. 珠海一号高光谱数据卫星数据及应用概况[J]. 卫星应用, 2019, 8(8): 12-18.

LI Xianyi, FAN Haisheng, PAN Shenlin, et al. Zhuhai No.1 Hyperspectral Data Satellite Data and Its Application[J]. Satellite Applications, 2019, 8(8): 12-18. (in Chinese)

[31] XIAO J, CHEVALLIER F, GOMEZ C, et al. Remote Sensing of the Terrestrial Carbon Cycle: A Review of Advances over 50 Years[J]. Remote Sensing of Environment, 2019, 233: 111383.

[32] 单杰, 田祥希, 李爽, 等. 星载激光测高技术进展[J]. 测绘学报, 2022, 51(6): 964-982.

SHAN Jie, TIAN Xiangxi, LI Shuang, et al. Advances of Spaceborne Laser Altimetry Technology[J]. Acta Geodaetica et Cartographica Sinica, 2022, 51(6): 964-982. (in Chinese)

[33] 庞勇, 李增元, 陈博伟, 等. 星载激光雷达森林探测进展及趋势[J]. 上海航天, 2019, 36(3): 20-28.

PANG Yong, LI Zengyuan, CHEN Bowei, et al. Status and Development of Spaceborne Lidar Application in Forestry[J]. Aerospace Shanghai, 2019, 36(3): 20-28. (in Chinese)

[34] 岳春宇, 郑永超, 邢艳秋, 等. 星载激光遥感林业应用发展研究[J]. 红外与激光工程, 2020, 49(11): 97-106.

YUE Chunyu, ZHENG Yongchao, XING Qiuyan, et al. Technical and Application Development Study of Space-borne LiDAR in Forestry Remote Sensing[J]. Infrared and Laser Engineering, 2020, 49(11): 97-106. (in Chinese)

[35] 吴一戎. 多维度合成孔径雷达成像概念[J]. 雷达学报, 2013, 2(2): 135-142.

WU Yirong. Concept of Multidimensional Space Joint-observation SAR[J]. Journal of Radars, 2013, 2(2): 135-142. (in Chinese)

[36] DUBAYAH R, BLAIR J B, GOETZ S, et al. The Global Ecosystem Dynamics Investigation: High-resolution Laser Ranging of the Earth’s Forests and Topography[J]. Science of Remote Sensing, 2020, 1: 100002.

[37] NEUENSCHWANDER A, PITTS K. The ATL08 Land and Vegetation Product for the ICESat-2 Mission[J]. Remote Sensing of Environment, 2019, 221: 247-259.

[38] NEUMANN T A, MARTINO A J, MARKUS T, et al. The Ice, Cloud, and Land Elevation Satellite – 2 Mission: A Global Geolocated Photon Product Derived from the Advanced Topographic Laser Altimeter System[J]. Remote Sensing of Environment, 2019, 233, 111325.

[39] TOAN T L, QUEGAN S, DAVIDSON M W J, et al. The BIOMASS Mission: Mapping Global Forest Biomass to Better Understand the Terrestrial Carbon Cycle[J]. Remote Sensing of Environment, 2011, 115(11): 2850-2860.

[40] 刘迎春, 吴发云, 孙忠秋, 等. 陆地生态系统碳监测卫星多载荷替代数据海南综合试验[J]. 林业资源管理, 2021, 0(4): 138-148.

LIU Yingchun, WU Fayun, SUN Zhongqiu, et al. Comprehensive Experiment Substitute for Multi-payload Data of Terrestrial Ecosystem Carbon Inventory Satellite in Hainan[J]. Forest Resources Management, 2021, 0(4): 138-148. (in Chinese)

[41] 曹海翊, 邱心怡, 贺涛. 森林生物量遥感卫星发展综述[J]. 光学学报, 2022, 42(17): 1728001.

CAO Haiyi, QIU Xinyi, HE Tao. Review on Development of Forest Biomass Remote Sensing Satellites[J]. Acta Optica Sinica, 2022, 42(17): 1728001. (in Chinese)

[42] 曹海翊, 张新伟, 赵晨光, 等. 高分七号卫星总体设计与技术创新[J]. 中国空间科学技术, 2020, 40(5): 1-9.

CAO Haiyi, ZHANG Xinwei, ZHAO Chenguang, et al. System Design and Key Technolongies of the GF-7 Satellite[J]. Chinese Space Science and Technology, 2020, 40(5): 1-9. (in Chinese)

[43] 李国元, 唐新明, 陈继溢, 等. 高分七号卫星激光测高数据处理与精度初步验证[J]. 测绘学报, 2021, 50(10): 1338-1348.

LI Guoyuan, TANG Xinming, CHEN Jiyi, et al. Processing and Preliminary Accuracy Validation of the GF-7 Satellite Laser Altimetry Data[J]. Acta Geodaetica et Cartographica Sinica, 2021, 50(10): 1338-1348. (in Chinese)

[44] TANG X, XIE J, LIU R, et al. Overview of the GF‐7 Laser Altimeter System Mission[J]. Earth and Space Science, 2020, 7(1): e2019EA000777.

[45] XING Y, DE GIER A, ZHANG J, et al. An Improved Method for Estimating Forest Canopy Height Using ICESat-GLAS Full Waveform Data over Sloping Terrain: A Case Study in Changbai Mountains, China[J]. International Journal of Applied Earth Observation and Geoinformation, 2010, 12(5): 385-392.

[46] ROSENQVIST A, SHIMADA M, ITO N, et al. ALOS PALSAR: A Pathfinder Mission for Global-scale Monitoring of the Environment[J]. IEEE Transactions on Geoscience and Remote Sensing, 2007, 45(11): 3307-3316.

[47] TADONO T, ISHIDA H, ODA F, et al. Precise Global DEM Generation by ALOS PRISM[J]. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2014, 2(4): 71.

[48] SHIMADA M, OHTAKI T. Generating Large-scale High-quality SAR Mosaic Datasets: Application to PALSAR Data for Global Monitoring[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2010, 3(4): 637-656.

[49] MIURA S, MOTOHKA T, KANKAKU Y, et al. ALOS-4 Current Status[C]// IGARSS 2022 - 2022 IEEE International Geoscience and Remote Sensing Symposium, July 17-22, 2022, Kuala Lumpur, Malaysia. IEEE, 2022.

[50] BANDA F, GIUDICI D, TOAN T, et al. The BIOMASS Level 2 Prototype Processor: Design and Experimental Results of Above-ground Biomass Estimation[J]. Remote Sensing, 2020, 12(6): 985.

[51] ROSEN P A, HENSLEY S, SHAFFER S, et al. The NASA-ISRO SAR Mission - An International Space Partnership for Science and Societal Benefit[C]// 2015 IEEE Radar Conference (RadarCon), May 10-15, 2015, Arlington, VA, USA. IEEE, 2015.

[52] XU Bing, LIU Liqun, LI Zhiwei, et al. Design Bistatic Interferometric DEM Generation Algorithm and Its Theoretical Accuracy Analysis for LuTan-1 Satellites[J]. Journal of Geodesy and Geoinformation Science, 2022, 5(1): 25-38.

[53] LI T, TANG X M, ZHOU X, et al. LuTan-1 SAR Main Applications and Products[C]// 14th European Conference on Synthetic Aperture Radar(EUSAR), June 2-5, 2022, Leipzig, Germany.

[54] KRIEGER G, MOREIRA A, FIEDLER H, et al. TanDEM-X: A Satellite Formation for High-resolution SAR Interferometry[J]. IEEE Transactions on Geoscience and Remote Sensing, 2007, 45(11): 3317-3341.

[55] RIZZOLI P, MARTONE M, GONZALEZ C, et al. Generation and Performance Assessment of the Global TanDEM-X Digital Elevation Model[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2017, 132: 119-139.

[56] MARTONE M, RIZZOLI P, WECKLICH C, et al. The Global Forest/Non-forest Map from TanDEM-X Interferometric SAR Data[J]. Remote Sensing of Environment, 2018, 205: 352-373.

[57] 杨金明, 刘志辉. Sentinel-1卫星数据产品应用探讨[J]. 地理空间信息, 2016, 14(12): 18-20, 7.

YANG Jinming, LIU Zhihui. Application of Sentinel-1 Satellite Data Products[J]. Geospatial Information, 2016, 14(12): 18-20, 7. (in Chinese)

[58] GEUDTNER D, TORRES R, SNOEIJ P, et al. Sentinel-1 System Capabilities and Applications[C]// 2014 IEEE Geoscience and Remote Sensing Symposium, July 13-18, 2014, Quebec City, QC, Canada. IEEE, 2014.

[59] GEBERT N, DOMINGUEZ B C, DAVIDSON M W J, et al. SAOCOM-CS - A Passive Companion to SAOCOM for Single-pass L-band SAR Interferometry[C]// EUSAR 2014: 10th European Conference on Synthetic Aperture Radar, June 3-5, 2014, Berlin, Germany. VDE, 2014.

[60] SOLANA A, ZURITA A, MONJAS F, et al. Passive Receive-only SAR Payload for SAOCOM CS Mission[C]// 2017 IEEE International Geoscience and Remote Sensing Symposium (IGARSS), July 23-28, 2017, Fort Worth, TX, USA. IEEE, 2017.

[61] MOREIRA A, KRIEGER G, HAJNSEK I, et al. Tandem-L: A Highly Innovative Bistatic SAR Mission for Global Observation of Dynamic Processes on the Earth's Surface[J]. IEEE Geoscience and Remote Sensing Magazine, 2015, 3(2): 8-23.

[62] POTAPOV P, LI X, HERNANDEZ-SERNA A, et al. Mapping Global Forest Canopy Height through Integration of GEDI and Landsat Data[J]. Remote Sensing of Environment, 2021, 253: 112165.

[63] TOMMASO S D, WANG S, LOBELL D B. Combining GEDI and Sentinel-2 for Wall-to-wall Mapping of Tall and Short Crops[J]. Environmental Research Letters, 2021, 16(12): 125002.

[64] CLAVERIE M, JU J, MASEK J G, et al. The Harmonized Landsat and Sentinel-2 Surface Reflectance Data Set[J]. Remote Sensing of Environment, 2018, 219: 145-161.

[65] BOLTON D K, GRAY J M, MELAAS E K, et al. Continental-scale Land Surface Phenology from Harmonized Landsat 8 and Sentinel-2 Imagery[J]. Remote Sensing of Environment, 2020, 240: 111685.

[66] PETERSON K T, SAGAN V, SLOAN J J. Deep Learning-based Water Quality Estimation and Anomaly Detection Using Landsat-8/Sentinel-2 Virtual Constellation and Cloud Computing[J]. GIScience & Remote Sensing, 2020, 57(4): 510-525.

[67] GAO F, ANDERSON M, DAUGHTRY C, et al. A Within-season Approach for Detecting Early Growth Stages in Corn and Soybean Using High Temporal and Spatial Resolution Imagery[J]. Remote Sensing of Environment, 2020, 242: 111752.

[68] SULLA-MENASHE D, MA K F, BRASWELL Jr B H, et al. Providing Growers with Real-time Crop Health Information Using NASA's Harmonized Landsat Sentinel-2 Produc [EB/OL]. [2022-10-17]. https://ui.adsabs.harvard. edu/abs/2019AGUFMGC23H1451S/abstract.

[69] CARCARRA-BES V, PARDINI M, CHOI C, et al. Tandem-X and Gedi Data Fusion for a Continuous Forest Height Mapping at Large Scales[C]//2021 IEEE International Geoscience and Remote Sensing Symposium IGARSS, July 11-16, 2021,Brussels, Belgium. IEEE, 2021: 796-799.

[70] SCHLUND M, WENZEL A, CAMARRETTA N, et al. Vegetation Canopy Height Estimation in Dynamic Tropical Landscapes with TanDEM‐X Supported by GEDI Data[J/OL]. Methods in Ecology and Evolution. [2022-10-15]. https://besjournals.onlinelibrary.wiley.com/doi/10.1111/2041-210X.13933.

[71] 张仁华, 田静, 李召良, 等. 定量遥感产品真实性检验的基础与方法[J]. 中国科学: 地球科学, 2010, 40(2): 211-222.

ZHANG Renhua, TIAN Jing, LI Shaoliang, et al. Priciple and Methods for the Validation of Quantitative Remote Sensing Produce[J]. SCIENTIA SINICA Terrae, 40(2): 211-222. (in Chinese)

[72] 吴小丹, 闻建光, 肖青, 等. 关键陆表参数遥感产品真实性检验方法研究进展[J]. 遥感学报, 2015, 19(1): 75-92.

WU Xiaodan, WEN Jianguang, XIAO Qing, et al. Advances in Validation Methods for Remote Sensing Products of Land Surface Parameters[J]. Journal of Remote Sensing, 2015, 19(1): 75-92. (in Chinese)

[73] MAS J F. Modland: Los Productos De Superficie Terrestre MODIS [EB/OL]. [2022-10-15]. https://www.academia.edu/ 24673370/Modland_los_productos_de_superficie_terrestre_MODIS.

[74] 全国遥感技术标准化技术委员会. 陆地定量遥感产品真实性检验通用方法: GB/T 39468-2020[S]. 北京: 中国标准出版社, 2021.

National Technical Committee 327 on Remote Sensing of Standardization Administration of China. General Methods for the Validation of Terrestrial Quantitative Remote Sensing Products: GB/T 39468-2020[S]. Beijing: Standards Press of China, 2021. (in Chinese)

[75] 晋锐, 李新, 马明国, 等. 陆地定量遥感产品的真实性检验关键技术与试验验证[J]. 地球科学进展, 2017, 32(6): 630-642.

JIN Rui, LI Xin, MA Mingguo, et al. Key Methods and Experiment Verification for the Validation of Quantitative Remote Sensing Products[J]. Advances in Earth Science, 2017, 32(6): 630-642. (in Chinese)

[76] 闻建光, 肖青, 钟守熠, 等. 高分共性产品算法测评与真实性检验技术体系及应用实例[EB/OL]. [2022-10-15]. Https://www.ygxb.ac.cn/thesis/91/23433851/zh/. DOI:10.11834/ jrs.20221716.

WEN Jianguang, XIAO Qing, ZHONG Shouyi, et al. Technology System for Product Validation and Algorithm Test of Gaofen Common Products and an Application Example [EB/OL]. [2022-10-15]. Https://www.ygxb.ac.cn/thesis/91/23433851/zh/. National Remote Sensing Bulletin. DOI:10.11834/jrs.20221716. (in Chinese)

[77] WU X D, WEN J G, XIAO Q, et al. Upscaling of Single Site-based Measurements for Validation of Long-term Coarse-pixel Albedo Products[J]. IEEE Transactions on Geoscience and Remote Sensing. 2020, 58(5): 3411-3425.

[78] LIN X W, WEN J G, LIU Q H, et al. A Multi-scale Validation Strategy for Albedo Products over Rugged Terrain and Preliminary Application in Heihe River Basin, China[J]. Remote Sensing, 2018, 10(2): 156.

[79] 张圆, 贾贞贞, 刘绍民, 等. 遥感估算地表蒸散发真实性检验研究进展[J]. 遥感学报, 2020, 24(8): 975-999.

ZHANG Yuan, JIA Zhengzheng, LIU Shaomin, et al. Advances in Validation of Remotely Sensed Land Surface Evapotranspiration[J]. National Remote Sensing Bulletin, 2020, 24(8): 975-999. (in Chinese)

[80] XIAO J, CHEVALLIER F, GOMEZ C, et al. Remote Sensing of the Terrestrial Carbon Cycle: A Review of Advances over 50 Years[J]. Remote Sensing of Environment, 2019, 233: 111383.

[81] WANG L, JIA M, YIN D, et al. A Review of Remote Sensing for Mangrove Forests: 1956–2018[J]. Remote Sensing of Environment, 2019, 231: 111223.

[82] 刘良云, 陈良富, 刘毅, 等. 全球碳盘点卫星遥感监测方法、进展与挑战[J]. 遥感学报, 2022, 26(2): 243-267.

LIU Liangyun, CHEN Liangfu, LIU Yi, et al. Satellite Remote Sensing for Global Stocktaking: Methods, Progress and Perspectives[J]. National Remote Sensing Bulletin, 2022, 26(2): 243-267. (in Chinese)

[83] HUANG C, GONG W, PANG Y. Remote Sensing and Forest Carbon Monitoring—a Review of Recent Progress, Challenges and Opportunities[J]. Journal of Geodesy and Geoinformation Science, 2022, 5(2): 124-147.

[84] 邹文涛, 陈绍志, 赵荣. 森林生态系统碳储量及碳通量遥感监测研究进展[J]. 世界林业研究, 2017, 30(5): 1-7.

ZOU Wentao, CHEN Shaozhi, ZHAO Rong. Research Advances in Remote Sensing Based Monitoring of Carbon Storage and Carbon Fluxes in Forest Ecosystem[J]. World Forestry Research, 2017, 30(5): 1-7. (in Chinese)

Status and Development of Forest Carbon Storage Remote Sensing Satellites

PANG Yong1,2LI Zengyuan1,2,*YU Tao1,2LIU Qingwang1,2ZHAO Lei1,2CHEN Erxue1,2

（1 Institute of Forest Resource Information Techniques CAF, Beijing 100091, China）（2 National Forestry and Grassland Administration, Key Laboratory of Remote Sensing and Information Technology in Forestry , Beijing 100091, China）

“Peak emissions before 2030, carbon neutrality by 2060” is a major strategy put forward by China for coordinating economic and social development, and tackling global climate change. Forest ecosystem is the main body of terrestrial ecosystem, which plays an important role in slowing down the greenhouse effect and maintaining the global carbon balance. Accurately estimating carbon storage in forest ecosystems could deepen the understanding of global carbon cycle and provide scientific support for the realization of the “double carbon” goal. In recent years, satellite remote sensing technology is developing rapidly. Multiple types of optical remote sensing data, LiDAR remote Sensing data, synthetic aperture radar data, provide rich and reliable data source for quantitative estimation of forest carbon storage. In this paper, the development trend of satellites for monitoring forest carbon storage was reviewed, the common planning modes for forest carbon storage remote sensing satellites were analyzed, and the development of ground validation system for forest carbon storage products were discussed. This paper provides reference for the design and application of forest carbon storage remote sensing satellites.

forest carbon stock; remote sensing satellite; optical remote sensing; Light Detection and Ranging (LiDAR); Synthetic Aperture Radar (SAR); remote sensing application

S75

A

1009-8518(2022)06-0001-15

10.3969/j.issn.1009-8518.2022.06.001

2022-09-12

国家重点研发计划“战略性国际科技创新合作”重点专项“森林资源激光雷达遥感动态监测与蓄积量估测技术联合研发（2020YFE0200800）”；国家自然科学基金项目“星载光子计数激光雷达森林参数反演模型研究（41871278）”

庞勇, 李增元, 余涛, 等. 森林碳储量遥感卫星现状及趋势[J]. 航天返回与遥感, 2022, 43(6): 1-15.

PANG Yong, LI Zengyuan, YU Tao, et al. Status and Development of Forest Carbon Storage Remote Sensing Satellites[J]. Spacecraft Recovery & Remote Sensing, 2022, 43(6): 1-15. (in Chinese)

庞勇，男，1976年出生，2006年获中国科学院遥感所地图学与地理信息系统博士，现为中国林业科学研究院资源信息研究所研究员、博导。主要研究方向为激光雷达遥感。E-mail：pangy@caf.ac.cn。

李增元，男，1959年出生，1990年获中国农业大学草地科学博士学位，现为中国林业科学研究院资源信息研究所研究员、博导。主要研究方向为林业遥感。E-mail：lizy@caf.ac.cn。

（编辑：陈艳霞）