基于機載L波段全極化無人機合成孔徑雷達的森林地上生物量估測

摘 要：為探索L波段全極化合成孔徑雷達（Synthetic Aperture Radar，SAR）數據估算森林地上生物量（Aboveground biomass，AGB）的潛力，基于非洲合成孔徑雷達（AfricaSAR）項目無人機合成孔徑雷達（Unmanned Aero Vehicle Synthetic Aperture Radar，UAVSAR）數據的冠層-地面散射分量構建5種極化散射比參數（R1、R2、R3、R4、R5），計算雷達植被指數（Radar Vegetation Index，RVI），采用六分量和七分量分解等4種基于模型的分解提取21個極化分解參數，最后合并所有特征并采用隨機森林特征重要性篩選出最優特征組合，采用隨機森林（Random forest，RF）、支持向量機回歸（Support vector machine regression，SVR）、 K最近鄰回歸（K-nearest neighbor regression，KNN）對不同特征組合估測非洲加蓬洛佩（Lope）區的森林地上生物量。結果表明，極化散射比參數、體散射（Vol）和雷達植物指數（Radar Vagetation Index，RVI）對森林AGB具有較高的敏感性，R2與AGB的相關性為0.823，最優特征組合為Vol、極化散射比參數和RVI。不同特征組合的機器學習模型均表現出較好的效果，基于極化分解參數機器學習模型的決定系數（R2）大于0.800，均方根誤差（RMSE）小于88.000 Mg/hm2，效果最好的是基于最優特征組合的RF模型，對比單獨使用極化分解參數，R2提高0.144，RMSE降低30.327 Mg/hm2。極化散射比參數在森林AGB估計中具有一定的潛力，引入RVI提高模型精度，基于模型的分解適用于森林AGB估測，特征篩選的機器學習模型能較好地反演森林AGB，并在AGB達到400.000 Mg/hm2未出現明顯飽和點。

關鍵詞：UAVSAR； 極化分解； 極化散射比參數； 特征篩選； 機器學習； 森林AGB

中圖分類號：S771.8 文獻標識碼：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

森林是全球碳循環的重要組成部分，由于過度開發和氣候改變等，森林面積持續下降［1］，生物多樣性降低［2］。熱帶森林約占世界森林生物量的50%，占全球碳儲量的30%以上，森林地上生物量（Aboveground biomass，AGB）在全球氣候和陸地碳預算中發揮著至關重要的作用。非洲加蓬森林茂密，森林碳密度僅次于馬來西亞［3-4］，在保護陸地生態系統等方面發揮著重要的作用［5］。

進行森林AGB估計時，傳統的人工測量可以直接獲取樹高和胸徑等數據，是獲取森林AGB數據最準確的方法，但對森林破壞力強，同時由于調查手段的特殊性和森林的復雜性等，很難開展大范圍的森林調查［6］，而遙感技術通過提供具備時空特點、可操作的數據來估算森林AGB，可有效減少對森林的破壞，提高工作效率。遙感技術因獨特的優勢而在大尺度區域AGB估算中發揮著不可替代的作用［7-8］。

利用遙感技術進行森林AGB估測時，數據源和模型的選擇將對估測效果產生重要的影響［9］。光學傳感器可以提取植被指數等與AGB相關性較高的信息而被廣泛用于森林的定量分析［10］，但其很難穿透森林冠層，對垂直結構信息的提取有限［11］，易出現飽和問題［12-13］。激光雷達（light detection and ranging，LiDAR）穿透性強，但其成本高，在森林密集的區域，測量效率低［14］。合成孔徑雷達（Synthetic Aperture Radar，SAR）具備全天時和穿透性強等特點，在森林參數估測方面得到廣泛應用，但易受地形等影響，容易出現飽和效應［15］。對于瑞典的半北方森林，L波段的雷達信號在150 Mg/hm2時飽和，而P波段在290 Mg/hm2時達到飽和［16］。波長越長，穿透性越強，估測生物量的飽和點越高，但L波段的雷達系統相對P波段系統復雜性要低，數據獲取相對成本低，被廣泛用于森林AGB的估測。

針對SAR數據反演森林AGB時的飽和點問題，主要通過極化合成孔徑雷達（Polarimetric synthetic aperture radar，PolSAR）的分解技術來解決［17］。PolSAR的極化分解可以完整利用SAR數據的相位和振幅信息，有效解決混合像元存在時無法精確處理回波信息的問題。自然界中大部分地物屬于分布式目標，可以通過基于模型和基于特征值的非相干目標分解提取出目標信息［18］。在利用極化特征進行生物量反演時發現，體散射分量與生物量有較強的相關性［19］。基于模型的分解與極化信息相結合，通過解釋每個極化相干矩陣參數的物理散射機制來更好地識別PolSAR數據中的主要散射機制。基于模型的分解主要用于目標的識別和分類，在生物量估測方面的效果有待探索［20］。

機器學習可以處理大量復雜的數據，在森林AGB估測方面，機器學習具有獨特的優勢，常采用的方法有隨機森林（Random forest，RF）和支持向量機（Support vector machine regression，SVR）等。特征選擇，如嵌入隨機森林的遞歸特征消除法（Random forest-recursive feature elimination，RF-RFE）和最優子集法等在機器學習算法中起著重要的作用，有助于去除不相關、冗余的特征，從而提高機器學習的性能［21-22］。

因此，本研究將基于L波段機載全極化無人機合成孔徑雷達（Unmanned Aero Vehicle Synthetic Aperture Radar，UAVSAR）數據和LiDAR網格化AGB數據，采用機器學習方法對Lope試驗區進行森林AGB估測，探索所選特征和極化分解方法在森林AGB估測方面的潛能，為區域和全球森林AGB估測和森林碳監測提供服務，主要包括：1）基于冠層-地面散射分量構建5種極化散射比參數（R1、R2、R3、R4、R5），分析5種參數進行森林AGB估測的可行性，并將雷達植被指數（Radar Vegetation Index，RVI）引入估測模型，探索其在森林AGB估測方面的潛力；2）分析七分量（7SD）分解、六分量（6SD）分解、Y4O（Yamaguchi四分量）分解和Y4R（預先對相于矩陣進行定向角補償的Yamaguchi四分量）分解4種基于模型的分解方法在森林AGB估測方面的適用性；3）合并所有特征，采用隨機森林特征重要性進行變量篩選，降低變量維度，提高模型效率。

1 研究區與方法

1.1 研究區概況

試驗區位于非洲西海岸加蓬中部的洛佩（Lope）國家公園（0°4′S，11°44′E），占地4 970 km2。氣候炎熱潮濕，年均溫差小，植被類型主要是熱帶雨林，北部有一些稀樹草原，氣候溫和，植被群落豐富，包括熱帶雨林、濕地、草原和沼澤等多種生態系統，生物多樣性高，擁有豐富的動植物資源，如非洲檀香樹、紅樹林、大象、長頸鹿和豹子等，受人類干擾較少。地形相對較平坦，減少SAR數據受地形因素的影響。

1.2 數據及預處理

本研究獲取試驗區機載L波段全極化UAVSAR影像和LiDAR網格化AGB數據來估測Lope森林AGB。數據源自美國國家航空航天局（National Aeronautics and Space Administration，NASA）、歐洲航天局（European Space Agency，ESA）和加蓬航天局合作開展的非洲合成孔徑雷達（Afri-SAR）項目中的機載合成孔徑雷達（UAVSAR）、陸地植被和冰（Land Vegetation and Ice Sensor，LVIS）激光雷達傳感器［28］。

1.2.1 全極化UAVSAR數據

UAVSAR產品包括全極化（HH-HV-VV-VH）多視復數（.mlc）、網格地理編碼（.grd）和單視復數（SLC）數據集，本研究采用經過極化校準處理的全極化SLC數據［23］，具體參數見表1。

SAR數據預處理包括多視、濾波、極化分解和地理編碼。在PolSARpro 6.0.2中通過多視和濾波（Refine Lee濾波算法）來抑制SAR數據固有的斑點噪聲，通過極化分解提取所需特征；在Python3.9中利用代碼完成地理編碼；在ArcGIS10.7中進行重 采樣，使遙感影像與樣地AGB數據的分辨率統一（50 m），并投影到“WGS 84 UTM_Zone_32S”投影坐標系。

1.2.2 樣地生物量數據

以LiDAR網格化地上生物量密度產品（Aboveground biomass density，AGBD）作為樣地數據來源［23］，分辨率為50 m，進行樣本篩選后選取樣本點9 874個，見表2。其中，5 554個作為訓練樣本，4 320個作為驗證樣本。

1.3 研究方法

1.3.1 技術路線

圖1為研究技術路線。研究基于全極化UAVSAR數據提取極化分解參數，構建雷達植被指數和極化散射比參數，以LiDAR生物量數據為樣地驗證數據，采用RF、SVR、K最近鄰回歸（K-nearest neighbor regression，KNN）對不同特征組合進行森林AGB反演。

1.3.2 特征提取

極化分解可以分離各種地物不同散射機制引起的極化特征，研究區為森林，屬于分布式地物［16］，因此，對全極化SAR數據進行非相干目標極化分解，如圖2所示（T3為極化相干矩陣；C3為極化協方差矩陣）。

通過7SD分解和6SD分解等共9種極化分解方法［24-30］，獲得36種極化分解參數，見表3。其中，前 15個特征用于構建極化散射比參數，其余特征作為AGB估測模型輸入參數。

雷達植被指數（RVI，式中記為RVI）可以用來描述植被的冠層疏密程度，通過極化協方差矩陣（C3）的參數來構建RVI［18］，公式如下。

1.3.3 極化散射比參數構建

極化分解在估測森林生物物理參數方面具有較明確的物理機制，體散射與地面散射的比值對森林冠層結構和生物量具有一定的敏感性，使用多種極化分解參數可以較好地反演生物量［17，23］。因此，將AnYang4分解（R1）、AnYang3分解（R2）、Freeman2分解（R3）、Freeman3分解（R4）、Yamaguchi3分解（R5）獲得的極化分解參數進行比值計算，得到5種新的參數，極化散射比參數構建方法如下。

式中，PAY4_V、PAY4_D、PAY4_O、PAY4_H、PAY4_G分別為各極化分解方法的體散射、二次散射、表面散射、螺旋體散射、面散射分量。

1.3.4 相關性分析及特征優選

采用Pearson相關系數分析極化散射比參數與森林AGB的相關性，采用隨機森林重要性對所有極化分解參數、極化散射比參數、RVI進行篩選，通過選取累計貢獻率達到90%的變量對其進行降維，提高模型構建的效率和精度。

1.3.5 AGB估測模型

本研究主要采用機器學習（Machine Learning，ML）對Lope的森林AGB進行預測，并對比同一研究區不同方法的森林AGB建模效果，內容如下。

1）隨機森林（Random Forest，RF）

RF是決策樹的集成算法，對缺失值和異常值具有較好的魯棒性，能有效地避免過擬合，并且具有很強的抗噪聲能力［21］，其步驟主要包括構建決策樹和求平均值，如圖3所示。

2）K最近鄰回歸（K-Nearest Neighbor，KNN）

KNN是一種典型的非參數算法，基于觀測點和預測點之間的空間相似性進行變量預測，解決概率密度分布函數非正態分布或未知的遙感數據的參數估計問題［22］。

3）支持向量機（Supported Vector Machine，SVM）

SVR引入了核函數，通過在特征空間中找到一個最優的超平面，最小化總損失和最大化間隔來優化模型，對非線性數據有較好的適應性［31］，公式如下。

式中：xi，為拉格朗日乘子；K（xi，xj）為核函數；b為偏置差。

1.3.6 模型評價指標

采用決定系數（R2）、均方根誤差（RMSE，式中記為RMSE）、偏差（BIAS，式中記為BIAS）來評價模型的擬合效果。R2為模型的擬合優度，RMSE為模型預測值和觀測值的偏差，BIAS為度量學習算法的期望預測與真實結果的偏離程度，R2越大，RMSE、BIAS越小，模型擬合效果越好，公式如下。

2 結果與分析

2.1 基于極化散射比參數、RVI的AGB估測

2.1.1 相關性分析

將新構建的極化散射比參數、RVI與森林AGB進行相關性分析，見表4。由表4可知，6個新參數與生物量在0.01水平下均表現出較顯著的相關性，其中，R2和R5相關性在0.800以上，對AGB變化的敏感性最強，R1、R4和RVI與森林AGB有較好的相關性。因此，將極化散射比參數、RVI引入森林AGB估測模型具有一定的可行性。

2.1.2 基于極化散射比參數反演森林AGB

進行機器學習（ML）建模前，采用人工網格法對參數調優來優化模型性能，從而避免模型過擬合。訓練RF模型時，采用樹的數量預估值（n_estimators，n_estimators）確定決策樹的個數、確定決策樹最大深度（max_depth，max_depth）、確定節點可分的最小樣本數（min_samples_spli，min_samples_spli），用分數評估回歸效果，分數越高，模型效果越好；訓練KNN模型時，采用n_estimators確定K，權重（weights）來實現近鄰預測結果的賦權方法，P確定距離度量方法（P=1：曼哈頓距離，P=2：歐氏距離）；訓練SVR模型時，采用懲罰系數（C）避免模型過擬合、epsilon（epsilon）確定對模型錯誤的容忍度、kernel（kernel）確定核函數類型，KNN和SVR模型用MSE評估效果，分數越低，模型效果越好。

基于極化散射比參數的RF最優參數為n_estimators=250、max_depth=5、min_samples_spli=8，如圖4（a）所示；KNN最優參數為K=48，weights=uniform，P=1，如圖4（b）所示；SVR最優參數為C=4，epsilon=0.2，kernel=linear，rbf為徑向基，如圖4（c）所示。

對ML進行參數調優后進行森林AGB估測，如圖5所示。由圖5可知，RF模型的精度最高，R2=0.769，RMSE=95.024 Mg/hm2，BIAS=-1.750 Mg/hm2，如圖5（a）所示；KNN估測模型次之，如圖5（b）所示，效果最差的是支持向量機回歸，如圖5（c）所示，R2=0.701，RMSE=108.132 Mg/hm2，BIAS=0.364 Mg/hm2。

2.1.3 結合極化散射比參數和RVI反演森林AGB

在極化散射比參數中引入RVI后，3種方法的R2均得到提高，RMSE降低，模型精度得到提高，如圖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，說明結合極化散射比參數和RVI的ML方法可以更好地反演森林AGB。

2.2 基于極化分解參數的AGB估測

分別對基于模型的分解（7SD分解、6SD分解、Y4O分解、Y4R分解）共4種極化分解方法獲取的極化分解特征進行相關性分析，結果見表6，表6中，自變量為4種極化分解方法中各自的散射分量。

由表6可知，在4種分解特征中，4種極化分解方法的體散射（Vol）與AGB相關性最強，例如，7SD_Vol相關性為0.798，Vol主要來自冠層，對AGB變化敏感性較高。

對不同模型進行參數調優，選擇最優參數（表7）模型進行森林AGB反演，其反演結果見表8。由表8可知，所有模型均表現出較好的效果，R2均大于0.800，RMSE在88.000 Mg/hm2以下，表現出較小的BIAS。對比4種極化分解方法下不同特征的森林AGB估測結果，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，說明Y4O、Y4R、6SD、7SD分解獲取的特征不僅可以用在地物分類上，在森林AGB估測方面同樣具有適用性。

2.3 結合所有特征的AGB估測

在進行森林AGB估測前，對ML模型輸入變量進行篩選可以對特征進行降維，從而提高模型預測效率。合并所有特征（27個），采用隨機森林特征重要性進行篩選，選擇模型累計貢獻率達到90%的特征作為模型輸入變量來估測森林AGB，如圖6所示。

由圖6可知，7SD_Vol、i6SD_Vol、R4、RVI、R1、R2、R5、R3共8個特征對模型的累計貢獻率達到90%，同時與森林AGB有較高的相關性，見表4和表6，這些參數與冠層信息和結構有關，對森林AGB更敏感。因此，選擇以上8個特征估測森林AGB。

進行模型參數調優后選擇最優參數進行森林AGB反演，見表9。基于優選特征的森林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、高值低估的現象，如圖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，如圖7（c）所示。對比單獨使用極化散射比參數，基于最優特征的3種機器學習方法均獲得了最好的效果，R2從0.700提高到0.800，RMSE降低約2.000 Mg/hm2，如圖5和圖7所示。

2.4 研究區森林AGB反演

在所有的森林AGB估測模型中，基于最優特征組合的RF模型效果最好，因此，選擇該模型進行研究區森林AGB的反演制圖。AGB的最大值為438.135 Mg/hm2。使用谷歌影像進行對比，森林的高、低生物量區分布與谷歌影像一致，如圖8所示。

3 討論與結論

本研究中，體散射與AGB之間存在顯著相關性，例如，7SD分解和6SD分解的體散射與AGB的相關系數分別為0.798和0.797，體散射與森林的冠層密度相關，對生物量變化有較強的敏感性，這與Zeng等［33］研究一致。5個基于冠-地散射分量構建的極化散射比參數與森林AGB有極顯著的相關性，其中R2和R5的R達到0.823，研究區森林較為濃密，枝干、葉等對SAR信號衰減作用較強，二次散射、表面散射功率等損失較大，而極化散射比參數定量描述了森林冠層散射與冠層下部散射間的關系，對森林的極化分解信息進行有效結合，可以更好地反映森林的冠層結構［20］，因此，極化散射比參數對森林AGB敏感性強。RVI與AGB呈負相關，當植被冠層密集時，雷達波往往難以穿透植被并反射回來，導致RVI較低。采用Freeman2分解構建的極化散射比參數R3與生物量相關性不強，這可能是Freeman2分解對林冠中散射目標的描述不符合森林的體散射模型，對森林垂直結構描述不準確導致［26］。

單獨使用極化散射比參數估測AGB中，3種方法的R2在0.700以上，RMSE約100.000 Mg/hm2，引入RVI后，更好地描述了森林的冠層疏密度［25］，模型精度得到提高。4種基于模型的極化分解方法提取特征反演森林AGB的ML方法表現出較好的效果，這是因為Y4O、Y4R分解解釋了螺旋散射，在此基礎上，6SD分解增加了定向偶極散射和復合偶極散射，7SD分解又增加了混合偶極散射，4種分解擴展了體積散射模型，可以更好地識別來自植被的體散射。最優特征包含體散射、極化散射比參數和RVI，研究區森林類型復雜、植被茂密，這些特征對冠層密度和森林冠層和下部散射間的關系有較好的描述。在所有的模型中，RF模型的精度最高，這與研究區的生物量水平、森林結構以及使用的PolSAR數據的波段有關，RF能夠有效地捕捉森林結構的復雜性，減小過擬合的風險，提高模型的泛化能力，并且對數據中的噪聲和異常值具有一定的魯棒性。

本研究基于L波段機載全極化UAVSAR數據和LiDAR森林AGB數據，采用機器學習方法進行研究區森林AGB反演，得出如下結論。

1）極化散射比參數與生物量有極顯著的相關性，在3種方法下均表現出較好效果，引入RVI后，模型的R2平均提高了0.030，RMSE降低7.000 Mg/hm2。

2）4種基于模型的分解方法提取的特征在AGB估測效果較好（R2＞0.800，RMSE小于87.000 Mg/hm2，BIAS小），在森林AGB估測方面具有適用性。

3）最優特征組合為7SD_Vol、i6SD_Vol、R4、RVI、R1、R2、R5、R3，這些特征較好地反映森林的結構和冠層信息，對森林AGB更敏感。采用最優特征組合建模后獲得了最好的森林AGB估測效果，其中，對比單獨使用極化散射比參數，RF模型的R2提高0.076，RMSE降低21.285 Mg/hm2。未來，可采用其他極化分解方法構建極化散射比參數、使用基于模型的其他分解方法進行森林的定量估測。同時，極化散射比參數、RVI、極化分解參數在區域和全球的森林生物量的潛力還有待進一步探索。

【參 考 文 獻】

［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］ N?SSET 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］ 許振宇，李盈昌，李明陽，等.基于Sentinel-1A和Landsat 8數據的區域森林生物量反演［J］.中南林業科技大學學報，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］ 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.

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，范文義，于穎，等.GF-3全極化SAR數據極化分解估算人工林冠層生物量［J］.林業科學，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］ 馬肖肖.基于極化雷達非相干分解的建筑物提取方法研究［D］.北京：中國科學院大學（中國科學院遙感與數字地球研究所），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.