基于机载L波段全极化无人机合成孔径雷达的森林地上生物量估测

摘 要：为探索L波段全极化合成孔径雷达（Synthetic Aperture Radar，SAR）数据估算森林地上生物量（Aboveground biomass，AGB）的潜力，基于非洲合成孔径雷达（AfricaSAR）项目无人机合成孔径雷达（Unmanned Aero Vehicle Synthetic Aperture Radar，UAVSAR）数据的冠层-地面散射分量构建5种极化散射比参数（R1、R2、R3、R4、R5），计算雷达植被指数（Radar Vegetation Index，RVI），采用六分量和七分量分解等4种基于模型的分解提取21个极化分解参数，最后合并所有特征并采用随机森林特征重要性筛选出最优特征组合，采用随机森林（Random forest，RF）、支持向量机回归（Support vector machine regression，SVR）、 K最近邻回归（K-nearest neighbor regression，KNN）对不同特征组合估测非洲加蓬洛佩（Lope）区的森林地上生物量。结果表明，极化散射比参数、体散射（Vol）和雷达植物指数（Radar Vagetation Index，RVI）对森林AGB具有较高的敏感性，R2与AGB的相关性为0.823，最优特征组合为Vol、极化散射比参数和RVI。不同特征组合的机器学习模型均表现出较好的效果，基于极化分解参数机器学习模型的决定系数（R2）大于0.800，均方根误差（RMSE）小于88.000 Mg/hm2，效果最好的是基于最优特征组合的RF模型，对比单独使用极化分解参数，R2提高0.144，RMSE降低30.327 Mg/hm2。极化散射比参数在森林AGB估计中具有一定的潜力，引入RVI提高模型精度，基于模型的分解适用于森林AGB估测，特征筛选的机器学习模型能较好地反演森林AGB，并在AGB达到400.000 Mg/hm2未出现明显饱和点。

关键词：UAVSAR； 极化分解； 极化散射比参数； 特征筛选； 机器学习； 森林AGB

中图分类号：S771.8 文献标识码：A DOI：10.7525/j.issn.1006-8023.2024.05.003

Forest AGB Estimation Based on Airborne L-band Full-Polarization UAVSAR

Abstract： In order to explore the potential of L-band full-polarization SAR data to estimate forest aboveground biomass （AGB）， five polarimetric scattering ratio parameters （R1， R2， R3， R4， R5） were constructed based on the canopy-ground scattering component of Unmmaned Aero Vehicle Synthetic Aperture Radar （UAVSAR） data of the AfricaSAR project. Calculating the Radar Vegetation Index （RVI）， and 21 polarimetric decomposition parameters were extracted by four model-based decompositions， including six-component and seven-component decomposition. Finally， all features were merged and the random forest feature importance was used to screen out the optimal feature combination， and random forest （RF）， support vector machine regression （SVR）， K-nearest neighbor regression （KNN） were used to estimate forest AGB of Lope， The Gaboneses Repbulic， Africa， with different feature combinations. The results showed that the polarimetric scattering ratio parameters， bulk scattering （Vol） and RVI had high sensitivity to forest AGB， and the correlation between R2 and AGB was 0.823， and the optimal feature combination was Vol， polarimetric scattering ratio parameters and RVI. Machine learning models with different feature combinations had shown good performance， the coefficient of determination （R2） of the machine learning model based on the polarimetric decomposition parameters was bigger than 0.800， and the root mean square error （RMSE） was less than 88.000 Mg/hm2， and the best effect was the RF model based on the optimal feature combination， which increased R2 by 0.144 and decreased RMSE by 30.327 Mg/hm2 compared with the polarimetric decomposition parameters alone. The polarimetric scattering ratio parameter had certain potential in the estimation of forest AGB， the introduction of RVI improved the accuracy of the model， the model-based decomposition was suitable for forest AGB estimation， and the machine learning model based on feature screening can better invert forest AGB， and there was no obvious saturation point when the AGB reached 400 Mg/hm2.

Keywords： UAVSAR； polarimetric decomposition； polarimetric scattering ratio parameter； feature screening； machine learning； forest AGB

0 引言

森林是全球碳循环的重要组成部分，由于过度开发和气候改变等，森林面积持续下降［1］，生物多样性降低［2］。热带森林约占世界森林生物量的50%，占全球碳储量的30%以上，森林地上生物量（Aboveground biomass，AGB）在全球气候和陆地碳预算中发挥着至关重要的作用。非洲加蓬森林茂密，森林碳密度仅次于马来西亚［3-4］，在保护陆地生态系统等方面发挥着重要的作用［5］。

进行森林AGB估计时，传统的人工测量可以直接获取树高和胸径等数据，是获取森林AGB数据最准确的方法，但对森林破坏力强，同时由于调查手段的特殊性和森林的复杂性等，很难开展大范围的森林调查［6］，而遥感技术通过提供具备时空特点、可操作的数据来估算森林AGB，可有效减少对森林的破坏，提高工作效率。遥感技术因独特的优势而在大尺度区域AGB估算中发挥着不可替代的作用［7-8］。

利用遥感技术进行森林AGB估测时，数据源和模型的选择将对估测效果产生重要的影响［9］。光学传感器可以提取植被指数等与AGB相关性较高的信息而被广泛用于森林的定量分析［10］，但其很难穿透森林冠层，对垂直结构信息的提取有限［11］，易出现饱和问题［12-13］。激光雷达（light detection and ranging，LiDAR）穿透性强，但其成本高，在森林密集的区域，测量效率低［14］。合成孔径雷达（Synthetic Aperture Radar，SAR）具备全天时和穿透性强等特点，在森林参数估测方面得到广泛应用，但易受地形等影响，容易出现饱和效应［15］。对于瑞典的半北方森林，L波段的雷达信号在150 Mg/hm2时饱和，而P波段在290 Mg/hm2时达到饱和［16］。波长越长，穿透性越强，估测生物量的饱和点越高，但L波段的雷达系统相对P波段系统复杂性要低，数据获取相对成本低，被广泛用于森林AGB的估测。

针对SAR数据反演森林AGB时的饱和点问题，主要通过极化合成孔径雷达（Polarimetric synthetic aperture radar，PolSAR）的分解技术来解决［17］。PolSAR的极化分解可以完整利用SAR数据的相位和振幅信息，有效解决混合像元存在时无法精确处理回波信息的问题。自然界中大部分地物属于分布式目标，可以通过基于模型和基于特征值的非相干目标分解提取出目标信息［18］。在利用极化特征进行生物量反演时发现，体散射分量与生物量有较强的相关性［19］。基于模型的分解与极化信息相结合，通过解释每个极化相干矩阵参数的物理散射机制来更好地识别PolSAR数据中的主要散射机制。基于模型的分解主要用于目标的识别和分类，在生物量估测方面的效果有待探索［20］。

机器学习可以处理大量复杂的数据，在森林AGB估测方面，机器学习具有独特的优势，常采用的方法有随机森林（Random forest，RF）和支持向量机（Support vector machine regression，SVR）等。特征选择，如嵌入随机森林的递归特征消除法（Random forest-recursive feature elimination，RF-RFE）和最优子集法等在机器学习算法中起着重要的作用，有助于去除不相关、冗余的特征，从而提高机器学习的性能［21-22］。

因此，本研究将基于L波段机载全极化无人机合成孔径雷达（Unmanned Aero Vehicle Synthetic Aperture Radar，UAVSAR）数据和LiDAR网格化AGB数据，采用机器学习方法对Lope试验区进行森林AGB估测，探索所选特征和极化分解方法在森林AGB估测方面的潜能，为区域和全球森林AGB估测和森林碳监测提供服务，主要包括：1）基于冠层-地面散射分量构建5种极化散射比参数（R1、R2、R3、R4、R5），分析5种参数进行森林AGB估测的可行性，并将雷达植被指数（Radar Vegetation Index，RVI）引入估测模型，探索其在森林AGB估测方面的潜力；2）分析七分量（7SD）分解、六分量（6SD）分解、Y4O（Yamaguchi四分量）分解和Y4R（预先对相于矩阵进行定向角补偿的Yamaguchi四分量）分解4种基于模型的分解方法在森林AGB估测方面的适用性；3）合并所有特征，采用随机森林特征重要性进行变量筛选，降低变量维度，提高模型效率。

1 研究区与方法

1.1 研究区概况

试验区位于非洲西海岸加蓬中部的洛佩（Lope）国家公园（0°4′S，11°44′E），占地4 970 km2。气候炎热潮湿，年均温差小，植被类型主要是热带雨林，北部有一些稀树草原，气候温和，植被群落丰富，包括热带雨林、湿地、草原和沼泽等多种生态系统，生物多样性高，拥有丰富的动植物资源，如非洲檀香树、红树林、大象、长颈鹿和豹子等，受人类干扰较少。地形相对较平坦，减少SAR数据受地形因素的影响。

1.2 数据及预处理

本研究获取试验区机载L波段全极化UAVSAR影像和LiDAR网格化AGB数据来估测Lope森林AGB。数据源自美国国家航空航天局（National Aeronautics and Space Administration，NASA）、欧洲航天局（European Space Agency，ESA）和加蓬航天局合作开展的非洲合成孔径雷达（Afri-SAR）项目中的机载合成孔径雷达（UAVSAR）、陆地植被和冰（Land Vegetation and Ice Sensor，LVIS）激光雷达传感器［28］。

1.2.1 全极化UAVSAR数据

UAVSAR产品包括全极化（HH-HV-VV-VH）多视复数（.mlc）、网格地理编码（.grd）和单视复数（SLC）数据集，本研究采用经过极化校准处理的全极化SLC数据［23］，具体参数见表1。

SAR数据预处理包括多视、滤波、极化分解和地理编码。在PolSARpro 6.0.2中通过多视和滤波（Refine Lee滤波算法）来抑制SAR数据固有的斑点噪声，通过极化分解提取所需特征；在Python3.9中利用代码完成地理编码；在ArcGIS10.7中进行重 采样，使遥感影像与样地AGB数据的分辨率统一（50 m），并投影到“WGS 84 UTM_Zone_32S”投影坐标系。

1.2.2 样地生物量数据

以LiDAR网格化地上生物量密度产品（Aboveground biomass density，AGBD）作为样地数据来源［23］，分辨率为50 m，进行样本筛选后选取样本点9 874个，见表2。其中，5 554个作为训练样本，4 320个作为验证样本。

1.3 研究方法

1.3.1 技术路线

图1为研究技术路线。研究基于全极化UAVSAR数据提取极化分解参数，构建雷达植被指数和极化散射比参数，以LiDAR生物量数据为样地验证数据，采用RF、SVR、K最近邻回归（K-nearest neighbor regression，KNN）对不同特征组合进行森林AGB反演。

1.3.2 特征提取

极化分解可以分离各种地物不同散射机制引起的极化特征，研究区为森林，属于分布式地物［16］，因此，对全极化SAR数据进行非相干目标极化分解，如图2所示（T3为极化相干矩阵；C3为极化协方差矩阵）。

通过7SD分解和6SD分解等共9种极化分解方法［24-30］，获得36种极化分解参数，见表3。其中，前 15个特征用于构建极化散射比参数，其余特征作为AGB估测模型输入参数。

雷达植被指数（RVI，式中记为RVI）可以用来描述植被的冠层疏密程度，通过极化协方差矩阵（C3）的参数来构建RVI［18］，公式如下。

1.3.3 极化散射比参数构建

极化分解在估测森林生物物理参数方面具有较明确的物理机制，体散射与地面散射的比值对森林冠层结构和生物量具有一定的敏感性，使用多种极化分解参数可以较好地反演生物量［17，23］。因此，将AnYang4分解（R1）、AnYang3分解（R2）、Freeman2分解（R3）、Freeman3分解（R4）、Yamaguchi3分解（R5）获得的极化分解参数进行比值计算，得到5种新的参数，极化散射比参数构建方法如下。

式中，PAY4_V、PAY4_D、PAY4_O、PAY4_H、PAY4_G分别为各极化分解方法的体散射、二次散射、表面散射、螺旋体散射、面散射分量。

1.3.4 相关性分析及特征优选

采用Pearson相关系数分析极化散射比参数与森林AGB的相关性，采用随机森林重要性对所有极化分解参数、极化散射比参数、RVI进行筛选，通过选取累计贡献率达到90%的变量对其进行降维，提高模型构建的效率和精度。

1.3.5 AGB估测模型

本研究主要采用机器学习（Machine Learning，ML）对Lope的森林AGB进行预测，并对比同一研究区不同方法的森林AGB建模效果，内容如下。

1）随机森林（Random Forest，RF）

RF是决策树的集成算法，对缺失值和异常值具有较好的鲁棒性，能有效地避免过拟合，并且具有很强的抗噪声能力［21］，其步骤主要包括构建决策树和求平均值，如图3所示。

2）K最近邻回归（K-Nearest Neighbor，KNN）

KNN是一种典型的非参数算法，基于观测点和预测点之间的空间相似性进行变量预测，解决概率密度分布函数非正态分布或未知的遥感数据的参数估计问题［22］。

3）支持向量机（Supported Vector Machine，SVM）

SVR引入了核函数，通过在特征空间中找到一个最优的超平面，最小化总损失和最大化间隔来优化模型，对非线性数据有较好的适应性［31］，公式如下。

式中：xi，为拉格朗日乘子；K（xi，xj）为核函数；b为偏置差。

1.3.6 模型评价指标

采用决定系数（R2）、均方根误差（RMSE，式中记为RMSE）、偏差（BIAS，式中记为BIAS）来评价模型的拟合效果。R2为模型的拟合优度，RMSE为模型预测值和观测值的偏差，BIAS为度量学习算法的期望预测与真实结果的偏离程度，R2越大，RMSE、BIAS越小，模型拟合效果越好，公式如下。

2 结果与分析

2.1 基于极化散射比参数、RVI的AGB估测

2.1.1 相关性分析

将新构建的极化散射比参数、RVI与森林AGB进行相关性分析，见表4。由表4可知，6个新参数与生物量在0.01水平下均表现出较显著的相关性，其中，R2和R5相关性在0.800以上，对AGB变化的敏感性最强，R1、R4和RVI与森林AGB有较好的相关性。因此，将极化散射比参数、RVI引入森林AGB估测模型具有一定的可行性。

2.1.2 基于极化散射比参数反演森林AGB

进行机器学习（ML）建模前，采用人工网格法对参数调优来优化模型性能，从而避免模型过拟合。训练RF模型时，采用树的数量预估值（n_estimators，n_estimators）确定决策树的个数、确定决策树最大深度（max_depth，max_depth）、确定节点可分的最小样本数（min_samples_spli，min_samples_spli），用分数评估回归效果，分数越高，模型效果越好；训练KNN模型时，采用n_estimators确定K，权重（weights）来实现近邻预测结果的赋权方法，P确定距离度量方法（P=1：曼哈顿距离，P=2：欧氏距离）；训练SVR模型时，采用惩罚系数（C）避免模型过拟合、epsilon（epsilon）确定对模型错误的容忍度、kernel（kernel）确定核函数类型，KNN和SVR模型用MSE评估效果，分数越低，模型效果越好。

基于极化散射比参数的RF最优参数为n_estimators=250、max_depth=5、min_samples_spli=8，如图4（a）所示；KNN最优参数为K=48，weights=uniform，P=1，如图4（b）所示；SVR最优参数为C=4，epsilon=0.2，kernel=linear，rbf为径向基，如图4（c）所示。

对ML进行参数调优后进行森林AGB估测，如图5所示。由图5可知，RF模型的精度最高，R2=0.769，RMSE=95.024 Mg/hm2，BIAS=-1.750 Mg/hm2，如图5（a）所示；KNN估测模型次之，如图5（b）所示，效果最差的是支持向量机回归，如图5（c）所示，R2=0.701，RMSE=108.132 Mg/hm2，BIAS=0.364 Mg/hm2。

2.1.3 结合极化散射比参数和RVI反演森林AGB

在极化散射比参数中引入RVI后，3种方法的R2均得到提高，RMSE降低，模型精度得到提高，如图5和表5所示。其中，RF模型的精度最高（R2=0.800，RMSE=88.495 Mg/hm2，BIAS=-1.833 Mg/hm2），R2提高0.031，RMSE降低6.529 Mg/hm2，说明结合极化散射比参数和RVI的ML方法可以更好地反演森林AGB。

2.2 基于极化分解参数的AGB估测

分别对基于模型的分解（7SD分解、6SD分解、Y4O分解、Y4R分解）共4种极化分解方法获取的极化分解特征进行相关性分析，结果见表6，表6中，自变量为4种极化分解方法中各自的散射分量。

由表6可知，在4种分解特征中，4种极化分解方法的体散射（Vol）与AGB相关性最强，例如，7SD_Vol相关性为0.798，Vol主要来自冠层，对AGB变化敏感性较高。

对不同模型进行参数调优，选择最优参数（表7）模型进行森林AGB反演，其反演结果见表8。由表8可知，所有模型均表现出较好的效果，R2均大于0.800，RMSE在88.000 Mg/hm2以下，表现出较小的BIAS。对比4种极化分解方法下不同特征的森林AGB估测结果，其中，Y4O分解的RF模型精度最高，R2=0.833，RMSE=80.820 Mg/hm2，BIAS=-1.045 Mg/hm2，说明Y4O、Y4R、6SD、7SD分解获取的特征不仅可以用在地物分类上，在森林AGB估测方面同样具有适用性。

2.3 结合所有特征的AGB估测

在进行森林AGB估测前，对ML模型输入变量进行筛选可以对特征进行降维，从而提高模型预测效率。合并所有特征（27个），采用随机森林特征重要性进行筛选，选择模型累计贡献率达到90%的特征作为模型输入变量来估测森林AGB，如图6所示。

由图6可知，7SD_Vol、i6SD_Vol、R4、RVI、R1、R2、R5、R3共8个特征对模型的累计贡献率达到90%，同时与森林AGB有较高的相关性，见表4和表6，这些参数与冠层信息和结构有关，对森林AGB更敏感。因此，选择以上8个特征估测森林AGB。

进行模型参数调优后选择最优参数进行森林AGB反演，见表9。基于优选特征的森林AGB反演中，效果最好的是RF模型（R2=0.845，RMSE=78.040 Mg/hm2， BIAS=-1.108 Mg/hm2），但存在低值高估、高值低估的现象，如图7（a）所示；精度最低的是SVR模型，R2小于0.800，RMSE大于90.000 Mg/hm2，如图7（c）所示。对比单独使用极化散射比参数，基于最优特征的3种机器学习方法均获得了最好的效果，R2从0.700提高到0.800，RMSE降低约2.000 Mg/hm2，如图5和图7所示。

2.4 研究区森林AGB反演

在所有的森林AGB估测模型中，基于最优特征组合的RF模型效果最好，因此，选择该模型进行研究区森林AGB的反演制图。AGB的最大值为438.135 Mg/hm2。使用谷歌影像进行对比，森林的高、低生物量区分布与谷歌影像一致，如图8所示。

3 讨论与结论

本研究中，体散射与AGB之间存在显著相关性，例如，7SD分解和6SD分解的体散射与AGB的相关系数分别为0.798和0.797，体散射与森林的冠层密度相关，对生物量变化有较强的敏感性，这与Zeng等［33］研究一致。5个基于冠-地散射分量构建的极化散射比参数与森林AGB有极显著的相关性，其中R2和R5的R达到0.823，研究区森林较为浓密，枝干、叶等对SAR信号衰减作用较强，二次散射、表面散射功率等损失较大，而极化散射比参数定量描述了森林冠层散射与冠层下部散射间的关系，对森林的极化分解信息进行有效结合，可以更好地反映森林的冠层结构［20］，因此，极化散射比参数对森林AGB敏感性强。RVI与AGB呈负相关，当植被冠层密集时，雷达波往往难以穿透植被并反射回来，导致RVI较低。采用Freeman2分解构建的极化散射比参数R3与生物量相关性不强，这可能是Freeman2分解对林冠中散射目标的描述不符合森林的体散射模型，对森林垂直结构描述不准确导致［26］。

单独使用极化散射比参数估测AGB中，3种方法的R2在0.700以上，RMSE约100.000 Mg/hm2，引入RVI后，更好地描述了森林的冠层疏密度［25］，模型精度得到提高。4种基于模型的极化分解方法提取特征反演森林AGB的ML方法表现出较好的效果，这是因为Y4O、Y4R分解解释了螺旋散射，在此基础上，6SD分解增加了定向偶极散射和复合偶极散射，7SD分解又增加了混合偶极散射，4种分解扩展了体积散射模型，可以更好地识别来自植被的体散射。最优特征包含体散射、极化散射比参数和RVI，研究区森林类型复杂、植被茂密，这些特征对冠层密度和森林冠层和下部散射间的关系有较好的描述。在所有的模型中，RF模型的精度最高，这与研究区的生物量水平、森林结构以及使用的PolSAR数据的波段有关，RF能够有效地捕捉森林结构的复杂性，减小过拟合的风险，提高模型的泛化能力，并且对数据中的噪声和异常值具有一定的鲁棒性。

本研究基于L波段机载全极化UAVSAR数据和LiDAR森林AGB数据，采用机器学习方法进行研究区森林AGB反演，得出如下结论。

1）极化散射比参数与生物量有极显著的相关性，在3种方法下均表现出较好效果，引入RVI后，模型的R2平均提高了0.030，RMSE降低7.000 Mg/hm2。

2）4种基于模型的分解方法提取的特征在AGB估测效果较好（R2＞0.800，RMSE小于87.000 Mg/hm2，BIAS小），在森林AGB估测方面具有适用性。

3）最优特征组合为7SD_Vol、i6SD_Vol、R4、RVI、R1、R2、R5、R3，这些特征较好地反映森林的结构和冠层信息，对森林AGB更敏感。采用最优特征组合建模后获得了最好的森林AGB估测效果，其中，对比单独使用极化散射比参数，RF模型的R2提高0.076，RMSE降低21.285 Mg/hm2。未来，可采用其他极化分解方法构建极化散射比参数、使用基于模型的其他分解方法进行森林的定量估测。同时，极化散射比参数、RVI、极化分解参数在区域和全球的森林生物量的潜力还有待进一步探索。

【参 考 文 献】

［1］ GILL T，JOHANSEN K，PHINN S，et al.A method for mapping Australian woody vegetation cover by linking continental-scale field data and long-term Landsat time series［J］.International Journal of Remote Sensing，2017，38（3/4）：679-705.

［2］ WATSON R T，ZINYOWERA M C，MOSS R H.The regional impacts of climate change：an assessment of vulnerability［M］.Cambridge，UK：Cambridge University Press，1998.

［3］ DAVID R M，ROSSER N J，DONOGHUE D N M.Remote sensing for monitoring tropical dryland forests： A review of current research，knowledge gaps and future directions for Southern Africa［J］.Environmental Research Communications，2022，4（4）：042001.

［4］ SANNIER C，MCROBERTS R E，FICHET L V，et al.Using the regression estimator with Landsat data to estimate proportion forest cover and net proportion deforestation in Gabon［J］.Remote Sensing of Environment： An Interdisciplinary Journal，2014，151：138-148.

［5］ MEDJIBE V P，PUTZ F E，ROMERO C.Certified and uncertified logging concessions compared in Gabon： changes in stand structure，tree species，and biomass［J］.Environmental Management，2013，51（3）：524-540.

［6］ NÆSSET E，MCROBERTS R E，PEKKARINEN A，et al.Use of local and global maps of forest canopy height and aboveground biomass to enhance local estimates of biomass in miombo woodlands in Tanzania［J］.International Journal of Applied Earth Observation and Geoinformation，2020，89：102109.

［7］ 许振宇，李盈昌，李明阳，等.基于Sentinel-1A和Landsat 8数据的区域森林生物量反演［J］.中南林业科技大学学报，2020，40（11）：147-155.

XU Z Y，LI Y C，LI M Y，et al.Forest biomass retrieval based on Sentinel-1A and Landsat 8 image［J］.Journal of Central South University of Forestry & Technology，2020，40（11）：147-155.

［8］ 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.

CHEN E X.Development of forest biomass estimation using SAR data［J］.World Forestry Research，1999，12（6）：18-23.

［9］ HOUGHTON R A，HALL F，GOETZ S J.Importance of biomass in the global carbon cycle［J］.Journal of Geophysical Research Biogeosciences，2009，114（G2）：G00E03.

［10］ YUE J B，YANG G J，TIAN Q J，et al.Estimate of winter-wheat above-ground biomass based on UAV ultrahigh-ground-resolution image textures and vegetation indices［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2019，150：226-244.

［11］ HYDE P，DUBAYAH R，WALKER W，et al.Mapping forest structure for wildlife habitat analysis using multi-sensor （LiDAR，SAR/InSAR，ETM+，Quickbird） synergy［J］.Remote Sensing of Environment，2006，102（1/2）：63-73.

［12］ ZHAO P P，LU D S，WANG G X，et al.Examining spectral reflectance saturation in landsat imagery and corresponding solutions to improve forest aboveground biomass estimation［J］.Remote Sensing，2016，8（6）：469.

［13］ MCELHINNY C，GIBBONS P，BRACK C，et al.Forest and woodland stand structural complexity： Its definition and measurement［J］.Forest Ecology and Management，2005，218（1/3）：1-24.

［14］ BAGHDADI N，LE MAIRE G，BAILLY J S，et al.Evaluation of ALOS/PALSAR L-band data for the estimation of Eucalyptus plantations aboveground biomass in Brazil［J］.IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2015，8（8）：3802-3811.

［15］ CLOUDE S R，POTTIER E.A review of target decomposition theorems in radar polarimetry［J］.IEEE Transactions on Geoscience and Remote Sensing，1996，34（2）：498-518.

［16］ SANDBERG G，ULANDER L M H，FRANSSON J E S，et al.L- and P-band backscatter intensity for biomass retrieval in hemiboreal forest［J］.Remote Sensing of Environment，2011，115（11）：2874-2886.

［17］ 魏晶昱，范文义，于颖，等.GF-3全极化SAR数据极化分解估算人工林冠层生物量［J］.林业科学，2020，56（9）：174-183.

WEI J Y，FAN W Y，YU Y，et al.Polarimetric decomposition parameters for artificial forest canopy biomass estimation using GF-3 fully polarimetric SAR data［J］.Scientia Silvae Sinicae，2020，56（9）：174-183.

［18］ 马肖肖.基于极化雷达非相干分解的建筑物提取方法研究［D］.北京：中国科学院大学（中国科学院遥感与数字地球研究所），2018.

MA X X.Research on building extraction method based on PolSAR incoherent decomposition［D］.Beijing：University of Chinese Academy of Sciences （Institute of Remote Sensing and Digital Earth Chinese Academy of Sciences），2018.

［19］ CHOWDHURY T，THIEL C，SCHMULLIUS C，et al.Polarimetric parameters for growing stock volume estimation using ALOS PALSAR L-band data over Siberian forests［J］.Remote Sensing，2013，5（11）：5725-5756.

［20］ SINGH G，MALIK R，MOHANTY S，et al.Seven-component scattering power decomposition of POLSAR coherency matrix［J］.IEEE Transactions on Geoscience and Remote Sensing，2019，57（11）：8371-8382.

［21］ LUO M，WANG Y F，XIE Y H，et al.Combination of feature selection and CatBoost for prediction： the first application to the estimation of aboveground biomass［J］.Forests，2021，12（2）：216.

［22］ LI B，XU X M，ZHANG L，et al.Above-ground biomass estimation and yield prediction in potato by using UAV-based RGB and hyperspectral imaging［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2020，162：161-172.

［23］ FATOYINBO T，ARMSTON J，SIMARD M，et al.The NASA AfriSAR campaign： Airborne SAR and lidar measurements of tropical forest structure and biomass in support of current and future space missions［J］.Remote Sensing of Environment，2021，264：112533.

［24］ FREEMAN A.Fitting a two-component scattering model to polarimetric SAR data from forests［J］.IEEE Transactions on Geoscience and 30498ae26390bed983c5f0167b5a78771c460b8bf7b5f99513ce04cd68b843ddRemote Sensing，2007，45（8）：2583-2592.

［25］ FREEMAN A，DURDEN S L.Three-component scattering model to describe polarimetric SAR data［C］//SPIE Proceedings，Radar Polarimetry.San Diego，CA，USA.SPIE，1993：213-224.

［26］ YAMAGUCHI Y，MORIYAMA T，ISHIDO M，et al.Four-component scattering model for polarimetric SAR image decomposition［J］.IEEE Transactions on Geoscience and Remote Sensing，2005，43（8）：1699-1706.

［27］ AN W T，XIE C H，YUAN X Z，et al.Four-component decomposition of polarimetric SAR images with deorientation［J］.IEEE Geoscience and Remote Sensing Letters，2011，8（6）： 1090-1094.

［28］ YAMAGUCHI Y，YAJIMA Y，YAMADA H.A four-component decomposition of POLSAR images based on the coherency matrix［J］.IEEE Geoscience and Remote Sensing Letters，2006，3（3）：292-296

［29］ YAMAGUCHI Y，SATO A，BOERNER W M，et al.Four-component scattering power decomposition with rotation of coherency matrix［J］.IEEE Transactions on Geoscience and Remote Sensing，2011，49（6）：2251-2258.

［30］ SINGH G，YAMAGUCHI Y.Model-based six-component scattering matrix power decomposition［J］.IEEE Transactions on Geoscience and Remote Sensing，2018，56（10）：5687-5704.

［31］ MA Y，ZHANG L J，IM J，et al.Novel features of canopy height distribution for aboveground biomass estimation using machine learning： a case study in natural secondary forests［J］.Remote Sensing，2023，15（18）：4364.

［32］ LIU Z H，MICHEL O O，WU G M，et al.The potential of fully polarized ALOS-2 data for estimating forest above-ground biomass［J］.Remote Sensing，2022，14（3）：669.

［33］ ZENG P，ZHANG W F，LI Y，et al.Forest total and component above-ground biomass （AGB） estimation through C- and L-band polarimetric SAR data［J］.Forests，2022，13（3）：442.