应用Sentinel-1影像纹理信息模型估测杉木林生物量1)

潘磊 孙玉军

(省部共建森林培育与保护教育部重点实验室(北京林业大学)，北京，100083)

在区域和全球范围内对森林生物量进行估算，对理解和监测生态系统对温室气体排放、陆地碳排放的响应至关重要[1-3]。传统估测森林生物量的地面实测法是最精确的，但耗时、费力且难以实施，尤其是在偏远地区，并且只能在小范围区域实施[4-5]。遥感为在景观格局、区域乃至全球尺度范围内进行森林生物量和碳储量的调查提供了可行的方法[4,6]。很多研究已经证明，使用光学遥感数据、雷达数据、激光雷达数据和多源数据可以在不同程度上成功地进行森林生物量的估测。

由于雷达对植被冠层的穿透能力与对植被含水量的敏感性，雷达数据在估测森林生物量方面具有较大的潜力[6]。对星载SAR(合成孔径雷达)与机载SAR系统的研究表明，多频、多极化SAR系统是估测森林生物量的重要工具[3,7-9]。雷达的后向散射强度随着森林生物量的增加而增加，但是当森林地上生物量达到一定水平时，会趋于饱和，并且后向散射强度对森林生物量的敏感性会随着波长的增大而增大，P波段数据的饱和点小于200 t·hm-2，L波段数据的饱和点小于100 t·hm-2，C波段数据的饱和点小于50 t·hm-2[3,6,10-12]。森林生物量估测精度的提高不仅依赖于SAR数据，也依赖于SAR数据的有效处理方式(纹理测量等)。纹理测量是高分辨率SAR数据的重要信息资源，并且图像纹理能够识别林分结构的不同方面(林龄、林分密度和叶面积指数等)[2,13-15]。

纹理是指色调在空间上的分布。视觉上比较细腻的纹理，说明图像亮度值在区域内的空间变化比较小；视觉上比较粗糙的纹理，像元值在区域内的变化则比较剧烈[16]。纹理参数虽然用于土地利用类型和植被的分类[17]，但是影像纹理及其与森林生物量之间的关系尚未得到充分研究[2]。因此，本文应用Sentinel-1A双极化数据纹理信息估测森林生物量进行探讨。

1 研究区概况

研究区位于福建省三明市将乐国有林场。将乐县地处武夷山山脉东南部，地形以中低山为主，海拔180～500 m，土壤以红壤为主，少量分布有黄红壤。属亚热带季风气候，年均降水量1 669 mm，年平均气温18.7 ℃，平均相对湿度81%，全年无霜期287 d。将乐县森林资源丰富，全县山地面积1 920 km2，其中有林地面积1 887 km2，森林覆盖率达84.5%，林木蓄积量1.598×107m3。该区域以杉木、马尾松和毛竹为主要树种[18]。研究区与样地分布见图1。

图1 研究区与样地分布

2 研究方法

2.1 雷达影像数据

研究所用的数据为Sentinel-1干涉宽模式下的S1 TOPS-mode SLC数据，获取时间为2016年7月5日，极化方式为VV、VH，距离向采样间隔为2.33 m，方位向采样间隔为13.94 m，入射角为43.99°。

2.2 样地调查与样地生物量估算

在研究区调查了29块杉木林固定样地，样地大小为20 m×30 m或20 m×20 m，对样地内的林木进行每木检尺，使用胸径尺测量样地内每一株林木的胸径，使用手持激光测高仪测量每一株林木的树高，并使用GPS记录样地中心点坐标。

样地生物量估算引用杉木相容性地上生物量方程[18]：AGB=0.039 7D1.916 0H0.768 6，用以计算样地地上生物量，样地生物量总体分布情况如表1所示，生物量分布范围为29～401 t·hm-2。

表1 样地生物量总体分布情况

2.3 雷达数据处理

后向散射系数：在SARscape中对原始数据进行地理编码和辐射定标，将图像转换为分贝为单位的适马后向散射系数图像，对图像的点目标进行定量度量与分析，得到的样地后向散射系数用于生物量建模。

纹理分析：在纹理测量之前，先将后向散射系数图像转换为归一化后向散射系数图像。因为归一化后向散射系数图像，在低后向散射目标上提供了更好的动态范围[19]，更好的进行Frost滤波处理抑制斑点噪声。本研究使用灰度共生矩阵(GLCM)进行纹理测量。GLCM为对称矩阵，其维数(N)是影像灰度的量化级别，矩阵中的每个值代表其行列号所对应的2个灰度级别，在某个特定距离和方向同时出现的概率。若将距离设为1个像元，GLCM矩阵所描述的则是相邻像元之间的相互关系。常用的方向有4个：0°(水平方向)、45°(右斜线方向)、90°(垂直方向)和135°(左斜线方向)[16]。本研究采用4个窗口提取Sentinel-1数据不同极化方式影像的纹理特征值，窗口大小为3×3、5×5、7×7、9×9。由灰度共生矩阵(GLCM)计算的8个二阶纹理变量公式如下:

式中:Pi,j表示GLCM矩阵中第i行第j列所对应的2个灰度值在某个特定距离和方向同时出现的概率(GLCM矩阵中所有的概率值总和为1)；N为量化等级。

3 结果与分析

3.1 后向散射系数与生物量相关性

Sentinel-1两种极化方式VV、VH的后向散射系数及两种极化方式后向散射系数比VH/VV与杉木林地上生物量的相关性均不显著。其中杉木林地上生物量与VH极化后向散射系数的相关系数最高，但也只达到0.15，与VV极化后向散射系数的相关系数为0.12，与后向散射系数比VH/VV的相关系数仅为-0.04，均低于0.2，属于低度相关关系。已有研究表明，雷达后向散射系数强度会随着森林生物量的增加而增加，但是当森林生物量达到一定水平时，后向散射系数会趋于饱和，C波段雷达数据与生物量关系的饱和点较低，小于50 t·hm-2[3，6，10]。本研究中采用的Sentinel-1数据为C波段雷达数据，其不同极化方式的后向散射系数与杉木林地上生物量相关性较低，这种结果是由于样地的生物量大部分都大于100 t·hm-2，超过了C波段雷达数据后向散射系数估测森林生物量的饱和点造成的。

3.2 不同极化影像纹理特征值建模

表2 VH、VV极化纹理特征值建模结果

注：*表示在0.05水平上显著；** 表示在0.01水平上显著；*** 表示在0.001水平上显著。

由图2可知，3种模型预测值与生物量实测值的拟合程度与残差，VV极化纹理参数模型的拟合优度显著优于VH极化纹理参数模型和VH/VV纹理参数模型，并且该模型的残差较另外两种模型也较低。通过残差图可以看出，3种模型的残差分布基本表现为当生物量水平较低时为负值，在生物量水平较高时为正值，说明这3种模型都存在对低生物量森林存在过高估计，对高生物量森林存在过低估计的问题，在中等生物量水平时估测效果较好。

图2 模型估测值与样地实测值散点图和残差图

3.5 模型精度验证

4 结论与讨论

本研究旨在通过使用Sentinel-1A SAR数据不同极化方式的后向散射系数和纹理信息估测森林生物量。研究表明，使用Sentinel-1A SAR数据的纹理信息可以大幅提高其估测森林生物量的能力；C波段SAR数据的后向散射系数与森林生物量的相关关系不明显，不宜直接用于森林生物量水平较高地区的森林生物量估测；不同极化方式影像的纹理信息在森林生物量估测方面具有一定的潜力，但是效果与极化方式有关，在VH极化、VV极化与VH/VV极化3种处理方式中，基于VV极化影像纹理特征值的森林生物量估测模型拟合效果最好，模型决定系数达到0.716 7，调整决定系数为0.635 7，但是这种处理技术估测森林生物量的性能可能会受到森林生物量水平与森林结构的影响。

研究证明在估测森林生物量方面，P波段和L波段雷达数据比C波段雷达数据更有优势，C波段SAR数据的后向散射系数在生物量水平较低时就已达到饱和。本研究中不同极化方式的后向散射系数与生物量的相关关系均不显著，而对不同极化方式雷达数据进行纹理测量，将纹理信息用于估测森林生物量，其中VH、VH/VV极化纹理信息建立的生物量模型虽然都高于后向散射系数估测森林生物量的效果，但是模型效果均不理想；而由VV极化纹理特征值建立的生物量模型拟合效果在这些模型中效果是最好的，决定系数达到0.716 7。在不同的研究区可能会有不同的最优模型，因为不同研究区的纹理参数存在差异，但是其他研究区的最优模型可以使用本研究中使用的方法来获得。在今后的研究中，加入地形因子或其他纹理参数或者使用神经网络等非参数算法进行生物量估测也是一种提高模型精度的思路。

[1] HOUGHTON R A. Aboveground Forest Biomass and the Global Carbon Balance[J]. Global Change Biology,2005,11(6):945-958.

[2] SARKER M L, NICHOL J, IZ H B, et al. Forest biomass estimation using texture measurements of High-Resolution Dual-Polarization C-Band SAR Data[J]. IEEE Transactions on Geoscience and Remote Sensing,2013,51(6):3371-3384.

[3] DOBSON M C, ULABY F T, LETOAN T, et al. Dependence of radar backscatter on coniferous forest biomass[J]. IEEE Transactions on Geoscience and Remote Sensing,1992,30(2):412-415.

[4] 梁顺林,李小文,王锦地，等.定量遥感:理念与算法[M].北京:科学出版社,2013:433-458.

[5] KETTERINGS Q M, COE R, VAN NOORDWIJK M, et al. Reducing uncertainty in the use of allometric biomass equations for predicting above-ground tree biomass in mixed secondary forests[J]. Forest Ecology and Management,2001,146(1):199-209.

[6] TOAN T L, BEAUDOIN A, RIOM J, et al. Relating forest biomass to SAR data[J]. IEEE Transactions on Geoscience and Remote Sensing,1992,30(2):403-411.

[7] KASISCHKE E S, CHRISTENSEN N L, BOURGEAUCHAVEZ L L, et al. Correlating radar backscatter with components of biomass in loblolly pine forests[J]. IEEE Transactions on Geoscience and Remote Sensing,1995,33(3):643-659.

[8] RANSON K J, SUN G, LANG R H, et al. Mapping of boreal forest biomass from spaceborne synthetic aperture radar[J]. Journal of Geophysical Research,1997，102(D24)：29599-29610.

[9] KURVONEN L, PULLIAINEN J, HALLIKAINEN M, et al. Retrieval of biomass in boreal forests from multitemporal ERS-1 and JERS-1 SAR images[J]. IEEE Transactions on Geoscience and Remote Sensing,1999,37(1):198-205.

[10] RANSON K J, SUN G. Mapping biomass of a northern forest using multifrequency SAR data[J]. IEEE Transactions on Geoscience and Remote Sensing,1994,32(2):388-396.

[11] 李兰,陈尔学,李增元,等.合成孔径雷达森林树高和地上生物量估测研究进展[J].遥感技术与应用,2016,31(4):625-633.

[12] 陈尔学.合成孔径雷达森林生物量估测研究进展[J].世界林业研究,1999,12(6):18-23.

[13] ULABY F T, KOUYATE F, BRISCO B, et al. Textural information in SAR images[J]. IEEE Transactions on Geoscience and Remote Sensing,1986,24(2):235-245.

[14] DELLACQUA F, GAMBA P. Texture-based characterization of urban environments on satellite SAR images[J]. IEEE Transactions on Geoscience and Remote Sensing,2003,41(1):153-159.

[15] CHAMPION I, DUBOISFERNANDEZ P, GUYON D, et al. Radar image texture as a function of forest stand age[J]. International Journal of Remote Sensing,2008,29(6):1795-1800.

[16] 陈玲,郝文乾,高德亮.光学影像纹理信息在林业领域的最新应用进展[J].北京林业大学学报,2015,37(3):1-12.

[17] PODEST E, SAATCHI S S. Application of multiscale texture in classifying JERS-1 radar data over tropical vegetation[J]. International Journal of Remote Sensing,2010,23(7):1487-1506.

[18] 孙玉军,王新杰,马炜,等.林改区域典型树种森林碳储量监测技术研究[M].北京:中国林业出版社,2014:34-67.

[19] NYOUNGUI A N, TONYE E, AKONO A, et al. Evaluation of speckle filtering and texture analysis methods for land cover classification from SAR images[J]. International Journal of Remote Sensing,2010,23(9):1895-1925.