基于遙感的紅樹林地上生物量估算研究進展

李尉尉，朱建華，趙文璇，田 震

（國家海洋技術中心，天津 300112）

紅樹林是生長在熱帶和亞熱帶地區潮間帶濕地，受周期性潮水浸淹，以紅樹植物為主體的生物群落[1]。紅樹林生態系統具有防風消浪、促淤護岸、固碳儲碳和維持生物多樣性等重要功能[2]，是地球上最具生產力和生物多樣性的生態系統之一[3]。有研究表明，紅樹林僅覆蓋了地球表面0.1%的面積，卻固定了大氣中5%的碳[4]。而生物量估算是碳儲量和碳匯能力評估的重要基礎，也是紅樹林生態產品價值實現的前提條件，因此，紅樹林生物量的研究應用極其必要。

紅樹林生態系統碳庫由紅樹林植被碳庫和沉積物碳庫兩部分組成，其中植被碳庫包括地上活生物量碳庫、地下活生物量碳庫和地上死生物量碳庫三部分[1]。目前，利用遙感技術估算生物量的研究主要集中在地上活生物量碳庫方面。本文從遙感數據源、模型方法兩個角度，闡述了國內外基于光學遙感、微波雷達、激光雷達，以及多源遙感數據利用統計模型、過程模型、間接法估算生物量的研究進展，并分析其發展趨勢，以期為相關研究提供參考。

1 紅樹林地上生物量國內外研究發展概況

紅樹林地上生物量的研究方法包括傳統測量方法和遙感監測方法。幾十年來，對紅樹林進行實地生物量調查，通過原位測量獲取樹高、胸徑、木材密度等建立了各種異速生長方程來估算紅樹林地上生物量[5-6]，但這些研究多基于小規模、地塊的研究，可能還會受到選址偏差的影響。此外，與其他森林類型相比，紅樹林受到潮汐時間、勞動力限制等因素影響，可能會導致難以現場大規模獲取紅樹林結構和生物量信息[7]。因此，遙感以其宏觀、綜合、動態、快速、可重復等特點，已成為大規模、長時序紅樹林生物量估算的主要方法[8]。

20 世紀60—90年代，國外一些學者利用現場方法如皆伐法等對紅樹林群落開展了研究，如1962年，GOLLEY F 等[9]利用皆伐法對波多黎各大紅樹群落的生物量進行了研究；1977年，BRIGGS S V[10]基于材積法研究了澳大利亞白骨壤群落生物量；1985年，WOODROFFE C D[11]基于皆伐法建立新西蘭的白骨壤群落生物量和樹高的關系模型。由于紅樹林調查受限較多及缺乏合適的遙感數據源，相對陸地森林生物量估算，紅樹林的研究約滯后十幾年。國外基于遙感估算紅樹林生物量研究開始于1999年，MOUGIN E 等利用機載合成孔徑雷達（Airborne SyntheticApertureRadar，AIRSAR） 數據和統計模型分析了法屬圭亞那海岸紅樹林的結構和生物量信息[12-13]。之后，生物量遙感估算成為紅樹林研究熱點，SIMARD M 等[14]、RODRIGUEZ E 等[15]通過估算紅樹林高度得到生物量；LUCAS R M 等[16]、PROISY C等[17]根據光譜反射率或雷達后向散射系數估算了生物量；2011年，WICAKSONO P 等[18]首次利用美國陸地資源衛星（Landsat） 影像繪制了紅樹林生態系統碳儲量分布圖。近十年來，紅樹林開始被視作一個耦合的生態系統，基于遙感的紅樹林過程模型得到發展，隨著哨兵衛星的發射和激光雷達數據的發展，多源數據的融合越來越多應用到生物量估算。

20 世紀80—90年代是我國紅樹林生物量研究的起步階段，1985年，林鵬等[19]利用皆伐法對九龍江口秋茄群落的生物量進行了測定分析；1990—1993年，廖寶文等[20]、尹毅等[21]對海南島清瀾港紅樹林次生灌叢生物量、廣西白骨壤群落進行了測定研究；1994年，遙感技術在海南島紅樹林濕地資源調查中得到了初步應用。2006—2010年是我國紅樹林生物量遙感估算的起步階段，2006年，黎夏等[22]首次利用雷達數據對珠江三角洲珠海的淇澳島紅樹林進行了生物量監測；2007年，肖海燕等[23]利用高光譜成像光譜儀（Hymap） 數據與紅樹林樣方生物量建立回歸模型；2010年，曹慶先[24]利用Landsat 數據對北部灣沿海紅樹林生物量進行了估算。2010年以來，利用遙感估算紅樹林生物量的研究穩步發展，朱遠輝、ZHU Y、武高潔等學者開展了各類研究[25-27]。近5年來，關于紅樹林遙感估算生物量的研究發展迅速，激光雷達、無人機光譜數據、機器學習算法等大量應用于紅樹林生物量研究[28-31]。

2 紅樹林地上生物量估算的遙感數據源

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、微波雷達和激光雷達3 類傳感器獲取的不同分辨率和波段的數據，為紅樹林地上生物量遙感估算研究提供了有力的數據支撐[32]。

2.1 光學遙感數據源

利用光學遙感數據估算紅樹林生物量是應用最早也是最廣泛、技術最成熟的方式。用來估算紅樹林生物量的光學遙感數據有美國陸地資源衛星（Land Satellite Thematic Mapper/Enhanced Thematic Mapper，Landsat TM/ETM）、QuickBird、Worldview、IKONOS、SPOT、PlantScope、哨兵二號A/B 衛星（Sentinel-2A/2B） 等，其中Landsat 8 和Sentinel-2A/2B 是當前光學遙感估算地上生物量的主要數據源。

光學遙感器主要是獲取紅樹林的光譜信息，通過葉面積指數、植被指數、影像的紋理特征和光譜特征等參數來估算生物量。從空間分辨率的角度，可以將光學遙感數據源分為低分辨率、中分辨率、高分辨率、極高分辨率影像。低分辨率影像如中分辨率成像光譜儀（Moderate-resolution Imaging Spectroradiometer，MODIS）（空間分辨率250 m） 可生成植被指數產品，與實地生物量數據結合可以繪制大面積生物量分布圖，一般用來研究全球級、國家級尺度的生物量；中分辨率影像（如Landsat TM/ETM，空間分辨率30 m） 可用來評估區域級至全球級的生物量，同時，長時序的Landsat 傳感器數據（20 世紀80年代至今） 可以用來監測變化量，戴子熠等[33]利用Landsat-5 TM、Landsat-8 OLI（Operational Land Imager） 數據分析了1988—2018年廣西北海紅樹林碳儲量的變化；高分辨率影像（如Sentinel-2A/2B、SPOT 等，空間分辨率2～10 m） 可以更加準確提取區域級紅樹林樹種、群落特征等信息，MUHSONI F F 等[34]以印度尼西亞紅樹林為研究對象，評估了24 種紅樹林植被指數，得到3 種適用Sentinel-2 影像的最佳紅樹林生態系統生物量估算模型，其中指數回歸法精度最佳，決定系數為0.859，均方根誤差為89 Mg/ha；BALOLOY A B 等[35]評估、比較了Sentinel-2、RapidEye、PlanetScope 3 顆光學衛星獲取的多光譜波段、植被指數和生物物理變量的生物量估算潛力，其中Sentinel-2 的決定系數為0.92，均方根誤差為8.79 Mg/ha；極高分辨率影像（如QuickBird、IKONOS、WorldView-2 等，空間分辨率小于2 m） 可以更細致地描述紅樹林空間特征、紋理、植被指數信息和光譜信息等，估算精度更為準確，但受成本、成像大小等限制，更適用小區域的生物量精細估算；HIRATA Y 等[36]利用QuickBird影像提取樹冠信息并進行樹種識別，估算得到泰國南部拉廊府4 種紅樹林的地上生物量，估算的生物量與現場調查生物量決定系數達到0.65。

光學遙感器在提供紅樹林水平結構參數有一定優勢，但很難提供垂直分布的信息，且易受天氣影響，獲取生物量信息時易飽和、敏感性差，所以在應用中存在一定的局限性。

2.2 微波雷達數據源

微波雷達遙感具有全天時、全天候數據獲取特點，且微波具有穿透樹冠和云層的能力，可以獲取紅樹林內部結構信息，適用于云層覆蓋較多的熱帶和亞熱帶地區，所以在紅樹林生物量估算中具有一定的優勢[8，27]。目前主要用于紅樹林生物量遙感估算的雷達數據包括Sentinel-1 SAR（Sentinel-1 SAR）、ERS SAR（European Remote Sensing Satellite SAR）、ENVISAT ASAR（Environmental Satellite Advanced SAR）、JERS SAR（Japanese Earth Resources Satellite SAR）、ALOS（Advanced Land Observing Satellite） PALSAR（L-band Phased Array SAR）、機載AIRSAR 等。

SAR 主要是通過后向散射系數估算紅樹林生物量，不同波長（X、C、L、P 波段）、不同極化方式（VV、VH、HV、VV） 的后向散射分別來自樹的不同部位，所以波長和極化方式是SAR 估算紅樹林生物量的重要因素。有研究表明，長波長如L 波段和P 波段在估算生物量的相關性更強[37]。干涉合成孔徑雷達（Interferometric Synthetic Aperture Radar，InSAR） 通過獲取與生物量相關的樹高等參數，再通過異速生長方程得到生物量。極化干涉合成孔徑雷達（Pol InSAR） 將極化和干涉結合在一起，提供比單純的極化或干涉更為豐富的信息，對提取樹高、衰減系數等參數反演具有重要意義。層析合成孔徑雷達（TomoSAR） 利用不同冠層高度的散射強度來得到樹林垂直結構參數[38]，但目前技術和方法還處于研究階段，應用于生物量研究較少[32]。黎夏等[22]利用Radarsat 1 數據在廣東淇澳島開展的紅樹林地上生物量研究，以雷達遙感的后向散射系數和光學影像的歸一化植被指數（Normalized Difference Vegetation Index，NDVI） 為自變量構建了生物量估算模型，結果顯示雷達的后向散射系數在生物量表達上要優于NDVI 值，提高了35.7%；LUCAS R M等[39]評估了L 波段SAR 在估算澳大利亞北部、法屬圭亞那及馬來西亞的4 個區域的紅樹林地上生物量方面的潛力；DARMAWAN S 等[40]利用ALOS PALSAR 影像分析了不同極化方式的后向散射特性，HH值在-11 dB 到-6 dB 之間，HV 值在-21 dB 到-16 dB之間，并評估了東南亞紅樹林的地上生物量，其中緬甸伊拉瓦迪三角洲、柬埔寨普雷克皮普特河和印尼索龍巴布亞島的紅樹林地上生物量較高，平均值超過80 Mg/ha。

總體來看，微波雷達遙感在紅樹林生物量估算方面有一定的優勢，但也存在幾方面問題：一是影像處理上較為復雜，其斑點噪音是影響地上生物量估算精度的主要問題；二是存在易受地形影響和生物量飽和的問題，只是相對光學遙感抗飽和能力更強，PODEST E 等[41]研究表明，C-SAR 的反演飽和度約為20 Mg/ha，L-SAR 的反演飽和度約為40 Mg/ha，P-SAR 的反演飽和度約為100 Mg/ha，相比光學影像NDVI 的生物量反演飽和度上限僅為10 Mg/ha[42]；三是穿透能力有限，無法監測高生物量植被區完整的垂直冠層信息。

2.3 激光雷達數據源

LiDAR 可以穿透植被冠層，準確獲取植被的垂直結構信息，如地表和林冠的高度、平均樹冠面積、樹木密度等，是新興的、重要的地物三維空間結構探測和紅樹林生物量估算的數據源[29]。

根據激光脈沖的孔徑可將數據分為小光斑和大光斑兩類，大光斑全波形衛星數據（Ice,Cloud and Land Elevation Satellite/Geoscience Laser Altimetry System，ICESat GLAS） 是估測大尺度生物量參數和冠層高度的有力工具，能大幅提高從區域到全球尺度的生物量估算精度[43-44]，SIMARD M 等[45-46]通過GLAS 星載激光雷達數據來校正紅樹林范圍內的SRTM DEM 數據，利用得到的紅樹林冠層高度數據和異速生長方程推算了全球范圍紅樹林的地上生物量，為監測國家和區域紅樹林碳儲量趨勢提供了基線；小光斑激光雷達的光斑直徑通常較小，為準確探測單木水平的生物量提供了可能性。根據搭載的平臺又可以將數據分為地基激光雷達、機載激光雷達和星載激光雷達，聞馨等[30]利用全球生態系統動態調查（Global Ecosystem Dynamics Investigation，GEDI） 任務星載激光雷達數據反演得到的森林冠層高度數據和異速生長方程，實現了2019年中國紅樹林地上生物量估算，地上生物量和均值分別為1974 827 t 和73 Mg/hm2。近年來，隨著無人機硬件和便攜式激光雷達傳感器的快速發展，無人機激光雷達（Unmanned Aerial Vehicle-LiDAR） 越來越多應用于紅樹林生物量的估算，TIAN Y C 等[47]基于無人機激光雷達數據的高度和強度變量，估算分析了廣西茅尾海康熙嶺地區的典型入侵紅樹林地上生物量及其分布格局，估算最佳精度決定系數為0.764，均方根誤差為11.2725 Mg/ha。

與光學遙感和微波雷達相比，LiDAR 在獲取森林結構參數和估算生物量方面具有更高的精度，在生物量高的地區，也不會出現光學數據和微波數據飽和的“瓶頸”，但由于激光雷達數據呈現離散、不連續分布的特點，且密度較低，因此，進行多源數據融合估算紅樹林冠層高度和生物量是當下研究的熱點。同時，由于缺乏歷史數據，基于LiDAR的生物量的多時相動態監測目前難以實現。

2.4 多源數據融合

從上述研究可以看出，任何單一的遙感技術都存在其局限性，多傳感器的集成應用可以很好地解決以上問題，且能夠有效提高估算精度。

LiDAR 數據一般只有三維信息，缺少光譜信息，因此通過和光學遙感聯合，建立統計模型或物理模型反映光學數據的波譜信息與波形、點云特征之間的關系，來進行生物量估算。WANG D Z 等[48]利用Sentinel-2 和無人機LiDAR 估算和繪制了海南省紅樹林的高度和地上生物量，得到海南島紅樹林平均高度為6.99 m，地上生物量為474199.31 t，模型決定系數為0.62，均方根誤差為50.36 Mg/ha；吳培強等[29]以無人機多光譜和LiDAR 為數據源，構建了紅樹林高度、冠幅與地上生物量回歸模型，得到廣西茅尾海紅樹林保護區的地上生物量范圍，其中桐花樹生物量回歸模型的決定系數達到0.83。

光學與SAR 數據聯合，可以彌補光學數據易受天氣云層影響且只能獲取紅樹林水平結構信息的不足。PHAM T D 等[49]根據ALOS-2 PALSAR-2 和Sentinel-2A 數據及支持向量機（Support Vector Machine，SVM） 模型，估算了越南北部紅樹林種植園的生物量，模型決定系數為0.596，均方根誤差為0.187 Mg/ha；CASTILLO J 等[50]證明了Sentinel-1 SAR和Sentinel-2 多光譜數據結合可以在紅樹林地上生物量估算和繪制上取得較好的結果，均方根誤差為27.8 ～ 28.5 Mg/ha；NAVARRO J A 等[51]以塞內加爾種植紅樹林為研究對象，證明了結合Sentinel-1 SAR和Sentinel-2 多光譜數據比單獨使用這兩種數據源進行生物量估算的效果更佳，其決定系數為0.89，均方根誤差為2.35 Mg/ha。

LiDAR 和SAR 數據聯合，有效彌補了SAR 易受地形影響且在生物量較高時容易飽和的問題，同時實現了高精度連續分布的生物量制圖。FATOYINBO T E 等[52]利用激光雷達ICESat GLAS 和InSAR SRTM 數據，應用異速生長方程估算了非洲紅樹林的地上生物量，其紅樹林樹冠高度均方根誤差為3.55 m。

3 紅樹林地上生物量估算的遙感模型方法

除了選擇合適的遙感數據源之外，選擇合適的模型方法來推算生物量也非常重要。當前紅樹林生物量遙感定量估算方法還是以統計模型、間接法為主，過程模型研究相對較少。

3.1 統計模型

統計模型是以波段及其派生波段（如植被指數） 為自變量構建遙感信息模型，進行紅樹林生物量遙感定量估算。統計模型包括參數模型和非參數模型，如圖1 所示，其中參數模型是通過樣地調查實測獲取生物量數據，利用線性模型、指數模型、多項式模型等回歸方法建立植被指數、光譜特征、紋理特征、后向散射系數等遙感信息要素與生物量之間的擬合關系，然后逐像元推算樣點外區域的紅樹林生物量；非參數模型則是利用神經網絡（Neural Networks，NN）、隨機森林（Random Forest，RF）、K 最鄰近（k-Nearest Neighbor，KNN）、SVM 等機器學習的智能算法，在實測生物量與遙感參數相關性不顯著的情況下，建立紅樹林生物量非線性遙感估算模型推算區域生物量[53]。多項研究表明，利用參數回歸模型對單樹種估算精度較高，但在混合樹種生物量估算中，非參數模型精度更高。在紅樹林生物量估算方面，統計模型以其簡便易用的優點應用最廣，但也存在一定的不足，一方面建立的地面實測數據與遙感信息要素之間的關系在大尺度上穩定性較差；另一方面目前大多統計模型參數是光學遙感數據的光譜特征、植被指數、雷達遙感數據的后向散射等遙感因子，忽略了葉面積指數和樹齡等信息要素。

圖1 遙感估算地上生物量統計模型分類

PHAM LTH 等[54]分析了SVM、RF、多層感知器神經網絡（Multi-layer Perceptron Neural Network，MLPNN）、徑向基函數神經網絡（Radial Basis Function Neural Network，RBFNN） 等5 種機器學習算法估計越南紅樹林的生物量的差異。曹慶先[24]利用KNN 方法估算了北部灣沿海紅樹林地上生物量，研究發現估算精度隨尺度的增大而增大，但像元尺度不及回歸模型精確；譚雨欣等[28]通過特征選擇方法對衛星提取的后向散射系數、植被指數等遙感因子進行優選，利用極端梯度提升（eXtreme Gradient Boosting，XGBoost） 機器學習算法估算了北部灣茅尾海無瓣海桑紅樹林樹種的地上生物量，最優算法決定系數為0.724，均方根誤差為21.7 Mg/ha，表現出較好的應用能力。

3.2 過程模型

過程模型可在不同時空尺度（站點-區域-全球） 模擬植物生長過程，如光合作用、呼吸作用、氧分循環等過程，通過估算可反映植被生物量改變，以及碳固定過程的植被凈初級生產力（Net Primary Production，NPP），并累加時間段內的時間序列NPP 得到紅樹林生物量[24，53]。目前，主要的過程模型有CASA（Carnegie-Ames-Stanford Approach）、BEPS（Boreal Ecosystem Productivity Simulator）、In-TEC（Integrated Terrestrial Ecosystem Carbon Cycle）等。相對統計模型，過程模型較為復雜，涉及植物生理生態、太陽輻射、植被冠層、氣象等，輸入變量多，且這些參量在通過遙感手段獲取時存在一定的不確定性，多種不確定性疊加會降低過程模型估算紅樹林生物量的準確性，但它更強調對生態系統內部各種作用過程的描述，能揭示生物量生長和環境相關作用及對氣候變化響應，因此，利用遙感手段獲取紅樹林生理生態特征等參數驅動過程模型是重點研究內容。

田義超等[55]以無人機季節航拍影像為數據源，利用CASA 模型分析了廣西北部灣的典型島群紅樹林生態系統NPP 的分布特征；甄佳寧等[56]基于遙感反演數據和站點數據改進了BEPS 模型，構建了高精度紅樹林生態系統NPP 及其空間分布；楊昊翔等[57]基于高時空分辨率植被指數數據集和光能利用率模型實現了區域尺度的紅樹林總初級生產力（Gross Primary Productivity，GPP） 估算，數據驗證得到的決定系數為0.64，較現有的GPP 產品估算精度提高了48.9%。

3.3 間接估算方法

相對統計模型直接反演生物量，通過微波雷達數據的InSAR、Pol InSAR、TomoSAR 技術，以及LiDAR 數據等獲取與生物量相關的垂直結構的特征參數（如樹高），再利用異速生長方程計算得到生物量，這種生物量估算方法稱為間接法[30]。

異速生長方程描述了易于測定的特征參數（如樹高和胸徑等） 和難以測量的特征參數（如生物量） 之間的數量定量關系。為了提高生物量估算精度，很多學者一直致力于構建更好的異速生長方程[58-60]，有的學者建立了特定樹種的異速生長方程，如紅樹、秋茄、白骨壤等，也有學者建立了普適的通用方程。

4 結論與展望

紅樹林地上生物量是表征紅樹林固碳能力的重要指標，也是研究區域紅樹林碳平衡、了解氣候系統演變的重要參數。遙感以其大規模、多時序、無破壞性觀測的優勢，已經成為紅樹林地上生物量估算的關鍵、重要手段，并取得了較好的效果和廣泛的應用。

本文重點介紹了評估光學遙感、微波雷達、LiDAR 等遙感數據源在紅樹林地上生物量評估中的研究進展，以及多源數據的優勢和應用，其中光學遙感是生物量估算中應用最早和最成熟的手段，微波雷達是有效的補充方法，LiDAR 是近年來逐漸興起的重要方法，在具體研究中可依據空間尺度、取樣單元數及數據可獲取性等因素進行數據源的選擇和組合[61]；總結了遙感數據估算紅樹林地上生物量的統計模型、過程模型和間接估算3 種方法，統計模型尤其是參數模型是過去一段時間估算生物量的主要方法，過程模型能夠表征紅樹林生態系統過程，也是今后需要大力發展的熱點，間接估算方法主要取決于紅樹林垂直結構的反演和異速生長方程的精度。

為提高遙感估算紅樹林地上生物量的精確度，今后應在以下方面開展進一步探索：一是多源遙感數據的融合，由于單一的遙感數據在空間、光譜、輻射分辨率限制了生物量估算的精度，因此，集成融合空天地不同平臺不同尺度上獲取的多源數據，采用最優參數信息以實現更精確的生物量估算是當前研究重要趨勢，同時對多源遙感數據進行數據同化也需要更深入的研究[8]。二是進一步發展機器學習算法和遙感過程模型，研究表明機器學習算法在使用各類遙感數據估算生物量方面具有更好的整體準確性；同時，從植被生產力形成的生理過程-光合作用出發，利用多源遙感數據反演紅樹林生理生態參數，建立具有生態學意義的遙感過程模型是研究碳收支的重要方向。三是紅樹林生物量的時空分析和估算，有必要評估遙感傳感器、數據和方法模型在估算紅樹林生物物理參數（一次性分析） 和變化檢測（多時相） 方面的能力。四是建立紅樹林地面調查數據集，利用間接法進行生物量的估算精度很大程度取決于異速生長方程，由于精確測量生物量需要進行破壞性的現場調查，這對于亟須加強保護的紅樹林來說是不可取的，因此這些方程式通常是從其他研究中獲取的，但研究表明，異速生長方程因紅樹林的種類和位置會有差異，因此，建立公開的、標準化的地面調查數據集很有必要。