林业碳汇分析中基于微波遥感的塞罕坝机械林场林地上生物量监测研究

关键词：碳汇分析；微波遥感；生物量；极化分解

前言

随着气候变化问题日益引起全球关注，林业作为碳汇的作用愈发被重视。准确监测森林地区的林地上生物量对于评估碳储存量、制定应对气候变化的政策以及管理可持续林业发展策略具有重要意义。然而，传统的林地生物量监测方法多依赖实地测量，劳动强度大且效率低下。因此，急需一种可以大范围、高效率地获取森林生物量信息的技术。微波遥感，特别是极化合成孔径雷达（Synthetic Aperture Ra-dar，SAR）遥感因能穿透云雾、多种极化信息以及全天候工作的能力，为监测森林生物量提供创新的解决方案。极化分解技术作为分析穿透森林冠层的微波后向散射信号的关键工具，被用来提取森林结构信息，而Freeman二分量分解技术，尤其适用为估算林地生物量提供坚实基础。由于估算过程涉及大规模、高维度数据的处理，传统的分析方法面临诸如维度灾难和高共线性等挑战。为克服这些挑战，研究以塞罕坝机械林场为监测区域，目的在于探讨结合微波极化遥感技术与先进数据分析算法来监测和估算该区域林地生物量的新方法。研究创新性地将随机森林算法与遗传算法相结合，提出新的算法，对塞罕坝机械林场的生物量进行估算。

1基于微波遥感的林地生物量监测研究

1.1研究区域概况

塞罕坝机械林场始建于1962年，地处河北省的最北部，内蒙古高原浑善达克沙地南缘，地貌是界于内蒙古熔岩高原和冀北山地间的高原台地，属于森林一草原交错带，主要树种有落叶松、樟子松、云杉、白桦等，是世界上最大的人工林场。林场地势起伏较大，气候属于冷温带季风气候，年降水量较少，通过人工降雨等技术和自然的恢复力，实现荒漠化土地的绿化和改造，防止沙尘暴的侵袭。

1.2基于散射模型的极化分解方法研究

极化分解简化雷达信号分析，忽略了散射路径复杂性。分为相干与非相干：相干分解用于简单环境，非相干则擅长处理多目标。森林作为分布式目标，侧重于非相干分解。基于物理模型的非相干分解，通过散射模型分析雷达数据，将T/C矩阵拆解为地物散射成分的线性组合，明确物理意义与比例权重。分类如体散射、螺旋体散射等，揭示地表物理属性，为极化反射提供理论基础。

Freeman二分量分解区分树冠与地表散射，模拟复杂树冠为多点散射，地表散射含二次反射与地表布拉格散射。树冠用随机圆柱体云层简化，降低计算难度同时有效模拟森林雷达散射。该方法对林地雷达数据分析关键，助力提升森林监测与管理效率。Freeman二分量分解的最终分解结果包括冠层散射功率及地面散射功率，冠层散射公式为式（1）：

1.3结合随机森林算法与遗传算法的林地生物量估算研究

随着微波遥感极化图像处理技术的发展，多种非相干极化分解技术在森林遥感中展现出潜力，但每种方法有其独特性与局限性。针对高维低样本量的森林遥感数据，直接增加分解结果可能加剧维度灾难，影响预测准确性。为此，提出结合遗传算法（Genetic algorithm，GA）与随机森林（random forest，RF）的随机森林遗传混合（Random Forest GeneticMixing，RFGM）算法。

2基于微波遥感的林地生物量估算方法实验分析

2.1算法性能验证分析

逐步回归模型是目前常见遥感图像回归分析方法，为验证提出的RFGM算法的可行性，对两种算法的训练及测试结果进行比较，两种算法的训练集散点结果见图1。

图1（a）逐步回归模型决定系数为0.416，调整后为0.365。逐步回归模型的均方根误差（Root meansquare error，RMSE）为21.176t/hm2，相对均方根误差（Relative root mean square error， rRMSE）为26.61%。图1（b） RFGM算法的决定系数为0.760，调整后为0.700。RFGM算法的RMSE值为19.20t/hm2，rRMSE值为22.43%，表现更优。两种算法的测试集散点结果见图2。

图2（a）与（b）对比显示，逐步回归模型（决定系数0.335，调整0.310，RMSE 26.615t/hm2，rRMSE 31.09%）的预测效果远低于RFGM算法（决定系数0.767，调整0.584， RMSE16.54t/hm2， rRMSE20.37%）。RFGM算法能捕捉数据变异，即便考虑复杂度，预测能力仍强。逐步回归模型误差大，非线性或交互效应受限于处理复杂数据结构的局限性。

2.2林地生物量估算结果分析

研究利用Freeman二分量分解，对塞罕坝机械林场的微波遥感图像进行散射分解，并确定特征子集及其重要性，结果见表1。

表1经过Freeman二分量分解后，特征子集共11个，其中5号子集，B2_T23_imag特征子集的重要性最高，为0.413，3号子集，B1_T22特征子集的重要性最低，仅0.051。其余子集重要性均保持在0.150～0.400以下。将上述11个特征子集作为RFGM算法的输入，对塞罕坝机械林场的生物量进行估算，结果见图3。

由图3看到，塞罕坝区域地上生物量集中在115.09～180.49t/hm2，树木是森林核心。精确测定此范围生物量为理解碳库功能提供数据支持，反映森林健康与碳吸收能力。在全球变暖背景下，评估森林生物量对气候对策至关重要。塞罕坝森林对中国北方及全球碳平衡贡献显著。此数据还揭示生物量分布不均，体现生态与管理对资源的影响。

3结论

针对林业碳汇分析中的林地生物量监测任务，提出创新性的监测方法。利用Freeman二分量分解对塞罕坝机械林场的遥感图像进行处理，运用组合随机森林和遗传算法的RFGM算法对生物量进行估算。结果表明，RFGM算法在训练和测试集上均展现出较高的准确性。训练中，保持较高水平的调整系数。该算法决定系数为0.760，调整决定系数为0.700，测试中调整系数有所下降，但也维持在较好的水平，决定系数为0.767，调整决定系数为0.584，且RFGM算法的rRMSE值仅20.37%，RMSE值为16.54t/hm2，证实在生物量监测中的可行性与高效性。研究为林业碳存储评估提供精确的量化手段，为制定应对气候变化的策略提供数据支持。