森林地上生物量遙感估算研究進展

魏智海張樂藝李霞

(1.國家林草局西北規劃設計院，陜西 西安 710048；2.長安大學地球科學與資源學院，陜西 西安 710064；3.長安大學土地工程學院，陜西 西安 710064)

引言

森林地上生物量(以下簡稱生物量)指除地下樹根外，所有地上樹干、枝、葉去除水分后的總重量，是表征森林固碳能力的重要指標，也是研究區域森林碳平衡、了解氣候系統演變的重要參數[1,2]。開展生物量的準確估算和評估，在森林生態系統、全球氣候變化及碳循環研究中具有重要意義[2,3]。

生物量的研究方法包括傳統測量方法和遙感監測。1876年，Ebermeryer就開始對生物量進行研究。20世紀50年代以后，各國學者開始逐步進行生物量估算的研究，最初采用的是實地調查的傳統方式，主要以樣地實測為主，統計分析為輔。傳統方法得到的樹高、胸徑和冠幅等森林參數，可以用于建立及驗證估算模型，精度高，但是傳統方法調查破壞性強、歷時長、工作量大、人力物力投入大、誤差干擾因素多，僅適用于小范圍區域，難以滿足森林資源開發利用和監測的要求。20世紀末，逐漸發展成熟的遙感技術有效彌補了傳統野外調查方法的不足，以無破壞性、快速、覆蓋廣、易獲取的特點，為大范圍高精度多時相估算生物量提供了大量的影像資源和有效的技術手段，得到了廣泛應用[4,5]。

隨著遙感大數據時代的到來，以衛星、航天飛機及無人機等平臺搭載的光學、合成孔徑雷達(Synthetic Aperture Radar，SAR)和激光雷達(LiDAR)3類傳感器獲取的不同分辨率和波段的數據，為生物量的估算研究提供了有力的數據支撐。本文總結了光學數據、SAR數據、LiDAR數據以及多傳感器數據估算生物量研究現狀，討論了尺度問題、植被自身復雜性及模型精度與適用性等問題，從發展機理模型、林地分類、林業大數據與多源數據協同等角度對生物量估算進行展望。

1 基于單傳感器數據估算生物量

1.1 光學遙感估算生物量

在可見光至近紅外波段，植物的反射光譜曲線具有顯著的特征，但是不同類型植物之間反射光譜存在一定的差異，即使同一種植物，也會由于其生長狀態的不同而發生變化，這一光譜特征可以用來監測其生長狀況和估算生物量[6]。目前在生物量估算研究中的光學數據主要為多光譜和高光譜2類。

1.1.1 多光譜遙感估算生物量

Landsat、GF系列、Worldview、Quickbird、IKONOS等多光譜數據已被廣泛應用于生物量估算研究中，在各種估算方法中最常用的是統計回歸的方法，即基于波譜特征因子(植被指數、波段和波段組合)、地形特征因子、紋理特征因子及主成分變換、纓帽變換等得到的參數，使用多元逐步回歸、偏最小二乘法、多元線性回歸等參數化方法[7-9]和隨機森林(RF)、支持向量機(SVM)、BP神經網絡、K最近鄰(KNN)、人工神經網絡(ANN)等非參數化方法[9,10]，建立與實測生物量間的模型。Zhang[11]等采用SVM、BP神經網絡、KNN和RF 4種回歸算法，對提取的Landsat-7的波譜參數進行生物量估算，研究結果顯示，BP神經網絡和SVM在生物量估算模型R2均高于0.9。黃金龍等[12]基于e-Cognition面向對象分類方法，使用光譜和空間信息融合后的IKONOS影像提取單木樹冠陽性冠幅(PoCA)信息建立針葉林和闊葉林生物量估算模型R2分別為0.62和0.56。

在森林郁閉度和蓄積量較高的區域，遙感數據會出現過飽和的情況，導致僅利用波譜因子估算生物量降低。有研究得出，結合灰度差分矢量(Gray Level Difference Vector，GLDV)、差直方圖(Sum and Difference Histogram，SADH)及灰度共生矩陣(Gray Level Co-occuremce Matrix，GLCM)等方法提取的影像紋理特征可以在一定程度上避免同物異譜和異物同譜的影響，對提高生物量估算模型的估測精度有一定的貢獻[8,9,13,14]。

1.1.2 高光譜遙感估算生物量

多光譜缺乏足夠的光譜信息，而高光譜數據可以獲得多種不同時間和空間尺度的生物物理和化學特征、精細的光譜分辨率帶和豐富的光譜信息，其提取的窄帶植被指數可以減少大氣和水分吸收以及寬帶植被指數飽和的影響。Luo[15]和申鑫[16]利用機載高光譜數據提取的波譜因子分別采用偏最小二乘法回歸法和多元逐步回歸法估算生物量，取得較好的成果。但高光譜數據光譜特征易受森林覆蓋度影響，空間分辨率相對低，難以獲得森林內部細節信息，而且地形細碎區域不同組分形成的混合光譜分解模型與端元提取有待深入研究。另外，相對于多光譜數據，其空間分布有限，并且由于波段數的增加，數據產生冗余，增大降維和去噪的工作量。

綜上，光學遙感數據種類較多，且最早被用于估算生物量，在生物量估算中應用較為廣泛，但光學傳感器易受天氣影響，主要獲取光譜信息，僅用于提供森林水平分布的詳細信息，很難提供垂直分布的信息，且受森林密度影響而導致飽和性，故在應用中存在一定的局限性。

1.2 SAR數據估算生物量

SAR能與樹葉、樹干和樹冠發生作用，成像受云雨影響小，可快速獲取大區域、全覆蓋的影像，對生物量敏感，在生物量估算方面具有很大潛力。當前，SAR估算生物量的技術主要是后向散射系數、干涉SAR(InSAR)、極化干涉SAR(Pol InSAR)、層析SAR(TomoSAR)等。

1.2.1 后向散射系數估算生物量

利用后向散射信息(紋理和極化分解特征)可以對地表參數進行反演，進而通過地表參數來估算生物量[17]。后向散射強度與生物量呈正相關，但當達到一定生物量水平時，后向散射會出現飽和的問題，該水平的生物量稱為飽和點，而且飽和點隨波長增加而上升[18]。已有研究表明，不同波段的后向散射系數對生物量的敏感性是不同的，后向散射系數對生物量的敏感性隨著波長的增加而增加，長波段雷達后向散射與生物量相關性較顯著，一般認為L波段最適合估算生物量[3,18]。而同一波段的不同極化方式對生物量的敏感性也不同，HV極化對生物量最為敏感，VV極化敏感性較差[19]。

在后向散射系數估算生物量的研究中，主要利用不同傳感器、不同波段和不同極化方式的后向散射系數與森林地上生物量間的模型估算生物量，包括不同極化方式的后向散射系數、局部空間后向散射強度反映的紋理信息和利用極化分解的特征參數3個方面[20]。除常用的經驗模型外，還包括密歇根微波散射模型[21]和三維森林雷達后向散射模型[22]等機理模型。機理模型能夠充分考慮森林的不同散射機理，關聯具有物理意義的森林參數，但由于其原理復雜且參數多而難以定標，目前很少有直接將機理模型用于生物量的估算研究。此外，還有介于經驗模型與機理模型間的半機理模型，主要是水云模型及衍生的半機理模型，該類模型具有一定的物理意義，需要對模型的參數進行訓練。已有研究雖然在估算方法上并未有所創新，但在提高精度方面進行了嘗試，研究發現，SAR的多波段聯合[23]、多時相數據結合[24]均可以提高估算精度。

后向散射系數估算生物量面的局限性主要集中在飽和性問題，而且后向散射系數影響因素較多，與波長、雷達入射角、林木結構、水分及地形有關[3]，其中復雜地形因素更易引起估算誤差，消除多因素對后向散射系數的影響是該類研究的熱點和難點。

1.2.2 InSAR/Pol InSAR估算生物量

InSAR包括相干強度信息以及豐富的地物信息的干涉相位信息。Pol InSAR兼具InSAR地表森林散射體的空間分布和極化SAR森林散射體形狀和方向敏感的特性，還具有從數據中分解得到不同散射機制的特征分量的能力[4]。故很多學者將InSAR和Pol InSAR引入到生物量估測的研究中，主要有2種類型。

1.2.2.1 基于相干強度信息估算

一般直接建立相干強度信息與生物量間的統計模型和半機理模型。統計模型即基于地面樣地數據建立干涉相干性與生物量之間的參數化回歸模型和非參數化的機器學習模型。半機理模型以Askne等[25]在水云模型的基礎上提出的干涉水云模型最常見，但該模型需要訓練多個參數來確定未知參數。Cartus[20]用自動訓練干涉水云模型結合BIOMASAR算法，基于ALOS PALSAR雙極化數據反演了美國北部地上生物量。然而基于相干強度信息的估算也存在飽和的情況，相干強度與生物量之間的關系受氣候和成像環境影響，導致精度變低。

1.2.2.2 基于干涉相位估算

一般先估算與生物量有關的森林樹高等間接參數，然后通過與生物量間的異速生長方程得到生物量[26,27]。通過高度和生長方程估算生物量時未考慮林分密度、林層垂直分布等空間結構的因素，也存在飽和現象，從而導致估算精度降低。對此，有學者采用極化相干層析(PCT)技術提取林分層析測量高或相對反射率等，構建特征參數與實測生物量的模型，可提高估算精度[28]。基于干涉相位的方法較相干強度估算而言更穩健，不容易達到飽和點。然而生物量的大小除了與樹高有關，還與胸徑、林分密度等有關，目前森林高度和生物量的異速生長關系的模型相對較少，導致利用樹高估算生物量的研究較少。

1.2.3 TomoSAR估算生物量

森林垂直結構直接影響生物量，利用層析技術獲取后向散射垂直分布信息，挖掘與生物量相關的特征，建立生物量估算模型。TomoSAR是利用不同冠層高度的散射強度來得到森林垂直結構參數[29]。而森林垂直結構的參數需要在層析剖面中得到，層析剖面一般通過單基線的極化干涉層析法[30]和多基線的譜分析法[29]2種方法獲得。在提取森林參數的研究中主要有2種方法：提取層析剖面得到幾何參數建立估算模型；提取層析剖面上的相對反射率特征，分析反射率特征與森林參數間的關系進而建立估算模型。目前基于TomoSAR的生物量估算研究較少，在該類研究中，散射機制的分離與地面散射機制的消除是一個難點，目前已有的方法尚未充分利用TomoSAR獲取的三維剖面信息。

總體來看，SAR在大區域快速獲取數據和生物量估算中具有優勢。但SAR數據處理較為復雜，受地形影響較大，后向散射系數估算存在飽和性，而InSAR/Pol InSAR和TomoSAR對數據要求較高，在Pol InSAR和TomoSAR技術應用研究方面，目前依賴國外共享的機載試驗數據，數據處理與參數不清晰，SAR相關的技術和方法大多仍處在研究階段，較少進行大范圍的應用和推廣。

1.3 LiDAR估算生物量

LiDAR能準確獲取森林的垂直結構信息，在森林參數反演及生物量估算領域具有很好的應用前景。LiDAR估算生物量的方法可分為，建立利用LiDAR數據獲取的點云高度、密度、分布、強度與生物量的模型[31]；利用點云或波形信息獲取森林結構參數，建立森林參數與生物量之間的模型估算生物量[32]。當前在估算生物量研究中的LiDAR數據根據激光脈沖的孔徑大小可分為大光斑和小光斑2類。

1.3.1 小光斑LiDAR估算生物量

小光斑LiDAR數據估算森林地上生物量的尺度可分單木和樣方2個水平。小光斑LiDAR數據估算單木生物量的研究較少，主要通過建立單木結構參數與實測生物量的相關關系來實現。樹高、冠幅等單木結構參數可通過冠層高度模型(Canopy Height Model，CHM)、原始點云中分割識別單木和將點云投影到體元空間識別單木特征來獲取[33]。其中，單木識別主要是從圖像分割和濾波2方面得到局部最大值，進而確定樹冠頂部的高度及位置，其關鍵是確定圖像分割尺度和濾波窗口大小[32]。而單木冠幅的識別方法包括從多尺度分割中提取樹冠多邊形和根據樹冠頂部與其周邊像元值變化的規律來確定冠幅[32,34,35]。更多的是著眼于樣方尺度的估算，主要通過單木集成和林分回歸來實現。單木集成法是將區域內基于LiDAR點云估算得到的各單木生物量相加獲得森林樣方生物量[32]。林分回歸法是建立區域內激光脈沖統計量和實測樣方尺度的冠層結構參數的回歸模型來估算樣方或較大區域的生物量[31,36]。

1.3.2 大光斑LiDAR估算生物量

1.3.2.1 機載LiDAR估算研究

目前用于估算生物量的機載大光斑LiDAR系統主要有植被冠層激光雷達回波掃描成像儀SLICER(Scanning LiDAR imager of Canopies by Echo Recovery)、激光植被成像傳感器LVIS(Laser Vegetation Imaging Sensor)、無人機LiDAR系統、Riegl、Optech等公司的商用機載LiDAR及多測高波束試驗激光雷達(Multiple Altimeter Beam Experimental LiDAR，MABEL)[33]。其中，基于SLICER數據估算生物量的研究中，主要利用冠層材積、平均冠層高度及其二次方根等波形指標；而基于LVIS數據估算生物量的研究中，主要利用相對于地面峰值的波形半能量高、波形分位數、平均及最小冠層高等指標。

1.3.2.2 星載LiDAR估算研究

波形LiDAR系統ICESat/GLAS(Ice，Cloud and land Elevation Satellite/Geoscience Laser Altimeter System)發射能量高、持續時間長，通常能夠穿透冠層，較好地反映森林垂直結構及其分布信息。目前基于GLAS數據的生物量估算方法可分為，基于波形特征參數估算生物量，Boudreau等[37]基于GLAS波形數據提取波形長度、起波點與第一高斯分量峰值之間的角度及從SRTM數據中提取的地形指數建立了森林地上生物量模型(R2=0.59)；基于森林冠層高度估算生物量，邢艷秋等[38]以此為研究對象，將GLAS波形長度和地形指數建立了長白山林區最大高度模型，發現在0°～5°坡度范圍內，R2達0.9，但隨坡度增大，R2逐漸下降。地形坡度會降低GLAS估算冠層高度的精度，進而影響生物量的估算精度。

光子計數LiDAR系統ICESat-2/ATLAS(Ice，Cloud and land Elevation Satellite/Advanced Topographic Laser Altimeter System)采用光子計數技術，其發射的信號時間短、能量低、頻率高，能夠記錄所有返回光子的坐標信息，數據密度高、直徑小，能夠準確記錄探測目標的垂向信息，可降低地形對提取森林冠層參數的影響，但由于信號弱，易受噪聲影響，導致提取冠層較困難[39]，故ICESat-2/ATLAS光子點云數據的去噪、分類處理以及提取、選擇最優的光子點云特征參數在森林冠層參數提取和生物量估算模型建立過程中較為關鍵。雖然光子計數技術已相對成熟，但在對地觀測領域才剛進入實際應用階段，光子點云去噪和分類等數據處理算法還不完善，故基于ICESat-2的生物量估算研究還不多。

GEDI(Global Ecosystem Dynamics Investigation)使用多波束激光雷達儀器測量垂直高度和樹葉剖面等森林結構，用于獲取地上生物量和亞冠表面高程，其采樣模式(8條樣帶，跨軌間距約600m)足以提供準確的數據。目前基于GEDI的生物量估算研究較少，Qi等[40]通過模擬DEDI軌跡來提取GEDI相對濕度指標，使用生物量激光雷達校準模型估計新罕布什爾州白山國家生物量，研究發現，溫帶混交林、針葉林、熱帶雨林的生物量估算精度分別為0.59、0.52、0.37，與機載LiDAR估算的生物量之間的擬合精度分別為0.9、0.58、0.75。

綜上，與光學遙感和SAR相比，LiDAR的優勢在于不僅能夠獲取森林的垂直結構信息，而且還克服了信號飽和的局限性，在應用中也存在一些不足：小光斑LiDAR數據獲取易受天氣影響，成本較高，具體模型方法受研究區域限制；在樣方尺度估算研究中，林分回歸法需要采集大量的野外數據，花費人力時間，而單木集成法精度與點云濾波、單木分割準確率及單木識別的準確率有關，不確定性較大；大光斑LiDAR數據光斑內信息豐富，且能提供完整的波形數據，處理相對簡單，但在空間上采樣不連續，無法達到無縫覆蓋，影響波形數據準確度的因子較多，波形受林下地形和樹木空間結構影響較大；缺乏歷史數據，基于LiDAR的生物量的多時相動態監測難以實施。

2 基于多傳感器數據估算生物量

2.1 光學與LiDAR數據聯合估算生物量

LiDAR數據一般只有三維垂直信息，缺少光譜信息，與光學遙感數據提供的水平結構光譜信息，兩者結合可以提高樹種識別能力，往往可以提高估算精度。該原理是通過建立統計模型或者物理模型反映波譜信息與波形、點云特征之間的關系，來進行生物量的估算，并利用光學數據擴展LiDAR的估算區域，實現空間連續。Clark等[41]將機載小光斑LiDAR數據和高光譜數據聯合，建立熱帶雨林森林地上生物量估測模型，模型的R2為0.9。Chen等[42]結合LiDAR與Quickbird影像，利用支持向量回歸方法進行森林高度、生物量和蓄積量估算，精度(R2=0.76)遠遠高于傳統多元線性回歸。Nancy等[43]分別建立Landsat OL數據、TM數據、ICESat-2數據以及聯合Landsat OL和ICESat-2數據的草本、灌木及森林總生物量估算模型，對比發現，聯合Landsat OL和ICESat-2數據建立的各估算模型均比單種數據模型精度高(R2分別為0.65、0.71、0.66)。龐勇等[44]建立GLAS森林參數與MERIS數據的像元值及植被指數等信息的相關關系(R2=0.7)，結合GLAS森林地上生物量估算數據和MERIS數據完成了湄公河次區域生物量連續制圖。

2.2 光學與SAR數據聯合估算生物量

光學數據只能獲取平面冠層信息，且易受天氣云層影響，而SAR數據穿透能力強，可獲得垂直結構信息。利用光學與SAR 2種數據融合進行生物量估算，有3種形式，將SAR的后向散射系數和光學數據的波譜信息、植被指數或紋理等直接運用到回歸模型中，但該方式缺乏從機理上對2種數據的協同與融合，未在大范圍生物量估算中得到應用；分別提取SAR和光學數據的參數，然后構建估算模型，但大部分研究采用的是統計回歸法，并未涉及到在物理機理上的參數協同；將獲取的SAR和光學數據參數作為機理模型的輸入參數，目前大多采用較為簡單的機理模型，如水云模型等[4]。Suman等[45]利用TM數據和ALOS PALSAR L波段數據建立印度次大陸熱帶落葉混交林的生物量估算模型，發現使用單種數據的估算模型精度(R2分別為0.295、0.868)比同時使用光學和SAR時精度低(R2=0.892)。潘磊等[46]基于Sentinel-1雷達數據的后向散射系數、紋理特征和Sentinel-2光學數據的波段信息、植被指數與紋理特征，采用多元線性逐步回歸模型建立與實測生物量的模型(R2=0.575)。

2.3 LiDAR和SAR數據聯合估算生物量

SAR數據穿透能力強，不受天氣影響，但易受地形影響，而且在生物量較高時容易飽和，LiDAR克服了SAR的不足，但不具有成像能力，且不能夠獲取空間連續分布的生物量制圖，與SAR數據聯合可實現高精度連續分布的生物量制圖。LiDAR在與SAR聯合估算將LiDAR作為參考數據時，主要由于LiDAR在生物量估算中的精度較高和實測數據較少2個原因。Olivier等[47]利用LiDAR數據獲取更多可靠的生物量參考數據，并協同SAR數據完成大區域的生物量估算。在聯合估算中還可將LiDAR作為輸入變量應用至估算模型中，Erik等[48]把LiDAR獲取的地面高度信息和InSAR獲取的DSM(Digital Surface Model)信息結合進行地上生物量估算，發現估算效果比InSAR的DSM信息與DEM數據結合估算地上生物量好。

綜上，隨著研究的不斷深入，單一類型傳感器數據往往難以滿足高精度的生物量估算需求。當前，將LiDAR數據與其它光學或SAR數據融合進行森林結構參數及生物量估算研究是熱點，具有很大的發展潛力。未來可協調不同遙感數據源之間的差異性，結合不同區域森林類型，采用機器學習方法建立多特征變量的訓練樣本，尋找最優模型和算法。

3 討論

總體而言，光學數據、SAR數據和LiDAR數據各有優勢，在生物量估算中廣泛應用，本文討論了3類數據在生物量估算中的研究進展，總結了多源數據結合在估算研究中的現狀，但在實際應用中也存在一些問題。尺度問題。不同的遙感數據源時空尺度存在差異，森林生態系統不同尺度上的空間異質性導致生物量估算結果的不可比性，遙感數據與調查數據的尺度也造成了估算的不確定性；植被自身復雜性。森林植被自身復雜性，包括森林的不同類型三維結構及不同類型森林的季節時相變化等，忽略這些因素會造成一定的反演誤差；模型精度與適用性。目前各種估算模型及其使用的參數并不一致，可移植性差。

綜合存在的一些問題及研究現狀，有幾點展望。發展機理模型。該模型基于電磁波與植被的相互作用機制，存在模型精度與描述參數和計算復雜度之間的矛盾，通用性強，對植被的生理過程有詳細地闡述，需要從反演的角度出發，關聯具有物理意義的參數，建立合適的機理模型；固定樣地與林地分類。一般遙感數據中森林類型間存在差異和混合像元等，不同的類型波譜及紋理特征不同，其后向散射系數和森林結構參數也存在差異，可集成光學數據如高光譜和高分辨率數據、SAR或LiDAR數據進行森林類型分類，布設永久樣地，用來測量主要碳庫生物量的變化，樣地需覆蓋所有森林類型，分樣地結合機理模型估算生物量；林業大數據與多源數據協同。空天地從不同平臺不同尺度上獲取海量的周期性的光學和SAR數據、三維激光數據、地面定點采集的信息、移動LiDAR采集的數據等構成了林業大數據，各類數據互相補足，在格式、類型、時空尺度、分辨率上存在差異性。將不同傳感器、不同時間、不同空間分辨率、不同光譜分辨率的遙感數據有機地結合，選擇最優信息估算生物量，充分發揮多源數據的優勢。