基于TerraSAR-X和ALOS PALSAR數據的森林蓄積量估測研究
——以云南省勐臘縣為例

王宗梅，章皖秋，岳彩榮，劉 琦

（西南林業大學 西南地區生物多樣性保育國家林業局重點實驗室，云南 昆明 650224）

隨著溫室效應等全球性氣候問題的加劇，森林資源的重要性逐步顯現，作為以喬木為主的生物群落，森林具有吸收二氧化碳、凈化空氣、調節局地氣候等諸多生態效益[1-2]，因此實時掌握森林資源現狀和合理管理森林成為林業工作者的首要任務，森林蓄積量是具有反映森林資源作用的關鍵參數，如何準確地獲取森林蓄積量具有舉足輕重的意義[3]。

合成孔徑雷達（Synthetic Aperture Rader，SAR）采用主動成像方式，以其全天時、全天候的優點廣泛應用于森林資源觀測，為大范圍地實時、快速、精確獲取森林蓄積量提供了可能[4]。基于SAR數據估測森林蓄積量主要采用后向散射系數和相干系數等極化特征參數與森林蓄積量建立模型實現[5]，其中后向散射系數是目前普遍使用的極化特征之一。Santoro等[6]利用日本ALOS PALSAR數據，探究SAR后向散射系數與瑞典北部森林蓄積量的響應機理。朱海珍等[7]用ENVISAT ASAR數據對東北大興安嶺地區森林蓄積量進行估測，利用不同極化方式探討SAR后向散射系數與森林蓄積量的相關關系，并達到較好的估測效果。

不同波長（X-，C-，L-，P-）SAR數據的后向散射系數與森林蓄積量響應機理不同[8]，短波（X-和C-）SAR能夠穿透樹冠到達地面，但是大部分后向散射來自樹冠的上部[9]；相比之下，長波（L-和P-）SAR具有更好的穿透性，后向散射信號中帶有大量粗壯樹枝和樹干信息，對森林垂直結構十分敏感，因此理論上，長波更有利于蓄積量的預測[10-12]。Fransson[13]證實了L波段比C波段對森林蓄積量的敏感性更高。Englhart等[14]用L波段和X波段的SAR數據估測了加里曼丹南部的森林生物量，結果說明L波段適合估測高生物量地區的森林，X波段適合估測低生物量地區。目前，國內外對森林蓄積量的研究多是基于L波段的，較少是基于X波段的，Thiel等[15]和范風云[16]用L波段的ALOS PALSAR數據分別對森林蓄積量進行了研究，并得到較好的估測效果。根據以往的研究顯示，雷達對森林蓄積量的估測潛力會因為雷達的頻率、入射角方向和大小以及研究區位置的差異而不同[17]。X波段SAR以不同的空間分辨率、極化和入射角為森林蓄積量估測提供了新的切入點[18]。因此利用兩種不同的SAR傳感器，X波段的TerraSAR-X全極化數據和L波段的ALOS PALSAR雙極化數據對森林蓄積量進行估測，主要探討長波與短波SAR數據對滇西南地區森林蓄積量的響應機制和估測效果，通過對比分析，得到適宜研究區較佳的森林蓄積量模型。

1 材料與方法

1.1 研究區概況

研究區位于云南省勐臘縣南部，地理位置101.34° E，21.5° N，區域內包括關累鎮、勐臘鎮、勐捧鎮和勐臘國有林場，面積883.20 km2。研究區海拔625 ～ 1 527 m，屬于北熱帶濕潤季風性氣候，熱量豐富，旱雨兩季分明，日照長，光能足，年平均氣溫21°C，年降水量1 700 mm以上[19-21]。研究區森林資源豐富，森林覆蓋率為86.24%，保存有林分條件良好的天然闊葉林和人工橡膠樹林，其他闊葉類分布廣泛，占喬木林總面積的71.37%[22-23]。

1.2 研究數據

1.2.1 實測蓄積量數據 實測數據為 2006年勐臘縣森林資源二類調查數據，包括蓄積量、平均樹高、平均胸徑、優勢樹種和小班面積等信息。由于 SAR數據的獲取時間與實測數據存在一定間隔，為保證蓄積量估測研究的準確性，本文借鑒了森林資源二類調查的數據，主要以生長較為緩慢的成熟林林分作為研究對象，成熟林的樹高和胸徑變化不顯著，蓄積量也相對穩定。研究中將小班蓄積量已經轉換為相應的單位蓄積量。

1.2.2 遙感數據 遙感數據為德國宇航中心DLR的TerraSAR-X，日本宇航局JAXA的ALOS PALSAR兩種不同波長的SAR數據，獲取時間分別為2014年12月3日和2008年10月19日，其中TerraSAR-X是X波段的全極化數據，HH，HV，VH和VV四種極化方式，ALOS PALSAR傳感器獲取L波段雙極化數據，HH和HV兩種極化方式，數據級別均為1.1級的單視復圖（Single Look Complex, SLC），具體參數如表1。

圖1 研究區位置與經過地形校正后的TerraSAR-X HH極化強度圖Figure 1 Location of study area and TerraSAR-X HH polarization image after topographic correction

表1 TerraSAR-X和ALOS PALSAR衛星部分參數Table 1 Parameters from ALOS PALSAR and TerraSAR-X sensor

1.3 數據處理

1.3.1 實測數據處理 為減少數據獲取時間的差異，同時緩解小班數據的誤差對森林蓄積量建模的準確性造成的影響，需要對小班數據進行篩選整理。基于ArcGIS 10.1軟件，選擇齡組為成熟時期的小班進行研究。去除影像覆蓋區以外和蓄積量為零的小班，同時去除含有明顯錯誤信息的小班，將平均后向散射系數過大或者過小的小班進行刪除，保留TerraSAR-X數據σ0和σ0在-12 ～-6 dB，σ0和σ0在-16 ～-10 dB范圍；X-HHX-VVX-HVX-VHALOS PALSAR數據σ0在-17 ～-10 dB，σ0在-20 ～-10 dB范圍的小班[24]。通過對實測數據的處理，L-HHL-HV獲取在研究區范圍內的小班優勢樹種為橡膠樹Hevea brasiliensis，櫟類（以殼斗科Fagaceae為主）和其它闊葉樹種（以龍腦香科Dipterocarpaceae為主）（櫟類和其他闊葉樹種的解釋根據《云南省森林資源規劃設計調查操作細則》和《樹木學》），共172個小班。各優勢樹種組的小班數據信息如表2。

表2 小班數據描述Table 2 Description of subcompartment data

1.3.2 遙感數據處理 利用SARscape 5.2.1對TerraSAR-X和ALOS PALSAR數據進行預處理，包括對SLC數據多視處理，在5 m×5 m窗口內對數據進行中值濾波，利用分辨率為30 m的ASTER GDEM數字高程模型進行地理編碼，同時進行輻射定標生成后向散射系數圖（TerraSAR-X分辨率為10 m×10 m，ALOS PALSAR分辨率為15 m×15 m）。最后，基于研究區小班數據和各極化方式的后向散射系數圖提取每個小班的平均后向散射系數（σ0），單位為分貝（dB）。

1.4 森林蓄積量模型建立與檢驗

1.4.1 回歸模型 采用逐步回歸的方法建立蓄積量估測模型。雖然所選的研究區小班數據均為闊葉林，但考慮到樹種差異造成的誤差，在保證小班數量不變的情況下，應根據樹種類型建立不同的估測模型。由于樹種是分類變量，直接將樹種代入方程存在難度，因此引入虛擬變量進行替代。虛擬變量即啞變量（dummy variable），是指一種將定性數據Zi轉化成定量的（0，1）數據的計算，多用于回歸分析中[25-26]，取值規則如表1所示，當優勢樹種為櫟類時取值為1，其他樹種取值為0，以此類推。

在本研究中，啞變量模型的建立使用SPSS 18.0軟件實現。

1.4.2 模型精度檢驗 為查驗擬合線性模型的可靠水平，采取模型預測精度（P）和均方根誤差（RMSE）兩個評價指標檢驗模型。在不區分樹種的情況下，將172個小班數據按3:1的比例分配，即121個小班作為建模數據，51個小班作為檢驗數據，根據所建立的模型和檢驗樣本對模型進行評價。其相應計算公式如下：

式（1）中，P為精度，為蓄積量實測值，為蓄積量估測值，單位為mm3·hm-2；式（2）中RMSEE為均方根誤差，n為樣本數量，y和同上式。

2 結果與分析

2.1 X波段的TerraSARR-X和L波段的PALSARR數據后向散射系數與蓄積量的關系

為了充分探討不同波段SAR數據與森林蓄積量的響應，首先對SAR后向散射系數與蓄積量的關系進行比較分析，如圖2。由圖2可以看出，蓄積量與后向散射系數σ0的相關關系都呈現出一種正相關的趨勢，即當森林蓄積量增大時，后向散射系數也逐漸增大，并且待蓄積量到達一定程度后趨于穩定。其中，ALOOS PALSARR數據，與蓄積量的相關性均高于TerrraSAR-X全極化數據，這可能由于L波段SAR數據較X波段SAR數據與森林蓄積量具有較高的敏感性，更能響應研究區的森林蓄積量。

圖2 X波段的TerraSAAR-X和L波段的PALSARR數據后向散射系數與蓄積量的關系Figuree 2 Relationship between X-bannd TerraSAR-X aannd L-band PALSSAR data backscaatter coefficient annd forest growingg stock

圖2中后向散射系數隨著森林蓄積量增大趨于平穩，隨即達到飽和狀態。然而不同波長的數據后向散射系數與蓄積量的飽和點不同，如TerraSAR-X的各極化后向散射系數與蓄積量的關系都有較低的飽和點，和在單位蓄積量為50 m3·hm-2左右達到飽和，而和在單位蓄積量100 m3·hm-2左右趨于飽和，說明森林蓄積量對同極化散射和交叉極化散射的作用機理可能有差異，交叉極化與蓄積量的相關性更高；ALOS PALSAR后向散射系數和與蓄積量的飽和點均高于TerraSAR-X，在單位蓄積量為200 m3·hm-2左右達到飽和，與單位蓄積量的飽和點高達260 m3·hm-2，表明可能X波段的TerraSAR-X數據適合估測低蓄積量地區的森林蓄積量，而在高蓄積量地區估測能力較弱，L波段的ALOS PALSAR數據估測高蓄積量地區的森林蓄積量效果更好。

2.2 森林蓄積量回歸模型建立

2.2.1 啞變量森林蓄積量回歸模型建立 基于對TerraSAR-X和ALOS PALSAR兩種不同波長SAR數據對森林蓄積量的反映機制的研究，以實測數據的單位森林蓄積量為因變量，以SAR數據的后向散射系數為自變量，引入樹種類型為啞變量，采取逐步回歸法，建立森林蓄積量回歸方程，探討X波段和L波段SAR數據對森林蓄積量的估測效果。如表3所示，基于X波段TerraSAR-X數據擬合的森林蓄積量方程決定系數為0.816，P＜0.01，說明此次研究的TerraSAR-X數據對森林蓄積量存在較好的估測能力；相比之下，基于ALOS PALSAR數據的森林蓄積量回歸模型也具有更好的估測效果，決定系數0.843，P＜0.01，并且標準估計誤差較TerraSAR-X森林蓄積量估測模型明顯降低，說明波長較長的L波段SAR數據在估測森林蓄積量方面更具優勢。

表3 基于X波段的TerraSAR-X和L-波段的PALSAR數據的蓄積量回歸模型Table 3 Regression model of forest growing stock based on X-band TerraSAR-X and L-band PALSAR data

2.2.2 估測模型檢驗與評價 根據森林蓄積量回歸模型和檢驗樣本計算出相應的預測單位蓄積量，并且代入式（1）和式（2）中進行計算，如表4。由表4可知，TerraSAR-X森林蓄積量估測模型和ALOS PALSAR森林蓄積量回歸模型均具有較高的估測精度，ALOS PALSAR森林蓄積量回歸模型較佳，精度略高于前者，可以看出，L波段的ALOS PALSAR數據對森林蓄積量有更好的估測效果。

3 結論與討論

表4 精度評價Table 4 Model accuracy evaluation

基于X波段的TerraSAR-X數據和L波段的ALOS PALSAR數據，引入樹種作為啞變量，研究了不同波段SAR數據在森林蓄積量方面的估測效果。

（1）通過對不同波段SAR數據與森林蓄積量的相關性分析，相比X波段數據，L波段數據與森林蓄積量相關性更高；模型精度評價中，X波段數據森林蓄積量估測模型決定系數為0.816，精度為66.7%，L波段數據的森林蓄積估測模型的決定系數為0.843，精度為68.8%。綜上可知，L波段SAR數據模型優于X波段SAR數據模型，L波段SAR數據更適于研究區森林蓄積量估測。

（2）模型建立中采用了啞變量技術，較好地解決了估測對象差異較大而樣本量不足的技術問題，取得了較好的森林蓄積量估測效果。

（3）由于最新云南省森林資源二類調查數據還未正式發布，本次研究采用的地面數據為2006年獲取，而衛星數據為2008年（L波段）和2014年（X波段），存在地面調查與衛星數據的較大時間差，這一情況勢必對研究結果造成一定的影響。鑒于數據條件的不足，研究對象僅限于成熟林森林類型。由于成熟林的蓄積量生長率已經處于較低水平，故衛星數據和地面調查數據的時間差異對本文研究結果的影響已經降到最低，研究結論對X和L波段的微波數據蓄積量估測仍然具有參考價值。

參考文獻：

[1] 李春梅，張王菲，李增元，等. 基于多源數據的根河實驗區生物量反演研究[J]. 北京林業大學學報，2016，38（3）：64-72.

[2] 李蘭，陳爾學，李增元，等. 合成孔徑雷達森林樹高和地上生物量估測研究進展[J]. 遙感技術與應用，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] 陳爾學. 合成孔徑雷達森林生物量估測研究進展[J]. 世界林業研究，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，龐勇，楊飛，等. 基于ENVISAT ASAR數據的森林蓄積量估測研究[J]. 地理與地理信息科學，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，陳爾學，李增元，等. 基于多極化星載SAR數據的水稻/旱田識別—以江蘇省海安縣為例[J]. 遙感技術與應用，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，聽到那個女人上樓的腳步聲后，我就走出了門。那個女人見我站在門口，愣了一下。我笑了一笑，算是打招呼，然后才說，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] 范鳳云. 基于機載LiDAR和極化SAR數據的山區森林蓄積量估測方法研究[D]. 北京: 中國林業科學研究院，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，岳彩榮，顏培東. TanDEM-X極化干涉SAR森林冠層高度反演[J]. 東北林業大學學報，2017（01）：47-54.

[20] 劉琦，岳彩榮，章皖秋，等. 極化干涉SAR森林冠層高反演的地形坡度改正[J]. 東北林業大學學報，2017，45（01）：55-60.

[21] 黃琪涵，黃金，黃旭東，等. 淺析勐臘縣珍貴樹種用材林的發展思路[J]. 四川林業科技，2015，36（2）：51-54.

[22] 劉永祥. 勐臘縣林地景觀格局分析[J]. 林業調查規劃，2007，32（6）：108-112.

[23] 吳瑩. 勐臘縣森林資源現狀及對策[J]. 林業建設，2009（1）：48-51.

[24] 梁志鋒，凌飛龍，汪小欽，等. L波段SAR與中國東北森林蓄積量的相關性分析[J]. 遙感技術與應用，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] 楊英，冉啟香，陳新云，等. 啞變量在云杉地上生物量模型中的應用研究[J]. 林業資源管理，2015（6）：71-76.