利用GPS-R遥感技术反演植被生物量

周晓敏，郑南山,2，祁 云，陈 顺

(1. 中国矿业大学环境与测绘学院，江苏 徐州 221000； 2. 江苏省资源环境信息工程重点实验室，江苏 徐州 221000)

植被生物量是陆地生态系统的重要组成成分，在全球气候变化和碳循环中发挥着至关重要的作用。它反映了植被生产力的强弱，是植被生态系统中研究植被长势的重要参数之一。植被生物量既可以维持全球碳循环的稳定，同时在维护生态美丽和环境保护方面具有重大意义。精确地估计植被生物量便于客观地估计碳循环在全球气候变化中的作用，对资源的合理利用具有重大意义。

近年来，国内外许多学者在植被生物量方面作了大量研究，估算植被生物量通常采用样方统计法、抽样调查法等，但无法满足在大尺度区域上对地表生物量的估算。针对这一缺点，遥感技术能够在大尺度上获取植被的详细空间分布信息，不易受时间和空间分布的影响，估算结果的精度较高。其中，GNSS-R遥感技术应用比较广泛，一般用于反演海面风场、有效波高、土壤湿度和植被生物量等，具有全天时、不易受环境影响等特点。王鑫等[1]首次利用GNSS-R技术对海洋反射作了研究，验证了利用GNSS-R技术求取海面有效波高的可行性；Nazzareno等验证了利用GNSS-R技术监测土壤湿度与生物量的可行性[2]；吴学睿等[3]采用双模拟模型，得出了植被直径与镜面散射系数的关系。Paloscia等通过地面试验与航空试验，建立了反射率与土壤湿度及生物量之间的关系[4]。本文将通过试验验证利用GPS-R遥感技术反演植被生物量的方法及其特性。

1 GPS-R遥感原理

GPS-R测量原理与双基雷达原理基本一致，采用竖直向上的右旋圆极化天线(RHCP)接收直射信号，垂直向下的左旋圆极化天线(LHCP)接收来自地面的反射信号，如图1所示。

GPS卫星发射载波信号(仅讨论L1波段)，在经过特定区域后会发生反射、折射或散射现象，一般与植被、地面粗糙度及土壤湿度等有关。若地面是光滑的，会发生镜面反射，即入射角等于反射角；若地面是微粗糙的，会发生反射和散射现象，即同时存在相干分量和非相干分量，前者与表面散射有关，可利用菲涅尔反射系数求解，后者因受土壤表层结构及不同植被的影响而存在随机性；若地面极其粗糙时，则会趋于仅包含散射现象。

图1 GPS-R遥感原理示意图

利用GPS-R技术研究植被生物量时，GPS卫星发射载波信号经过植被时仅会发生散射现象。此时一部分散射波的极化方式与入射波相同，称为同极化；另一部分极化方式不同的称为正交极化状态。总的散射分量随时间t的变化可以用下式计算

(1)

式中，Ai与Φi表示不同散射分量的振幅和相位。

相干散射分量表示散射场的期望，非相干散射则代表期望值的波动幅度，功率可用下式计算

(2)

GPS卫星利用C/A码传播信号时，在经过地面之后会存在相位延迟，则相干分量与非相干分量的相关关系可以表示为

(3)

式中，Ti为相干积分时间；τ为信号从卫星到接收机的相位延迟；f为与卫星与接收机的相对速度相匹配的多普勒频移。

在GPS-R测量系统中，用右旋圆极化反射系数ΓRR和左旋圆极化反射系数ΓRL表示同极化和正交极化反射系数，等于不同极化方向上的直射与反射信号波形之比。对于地面接收机而言，直射与反射的多普勒频移可看做近似相等。对于变量τ′=τ-Rd，选择τ′=0和τ′=Δτ，代入式(2)可以得出

(4)

式中，R和L分别表示右旋圆极化与左旋圆极化。

ICF(interferometric complex field)被称为干涉复合场数据处理，该方法利用干涉相关时间序列，获取反射信号与直射信号连续波段的峰值，再对二者求比值，即ICF值等于反射波形与直接波形的峰值时间序列之比，公式如下

(5)

式中，r(t)和φr(t)分别为反射场的振幅和相位；d(t)和φd(t)分别为直射场的振幅与相位。

植被冠层、植被高度、植被水分含量及土壤湿度等因素影响植被生物量的测定，本文主要研究植被冠层对信号反射率的影响，其中非相干散射可表示为

(6)

式中，R为非相干散射；N为总的波形个数；ICF为干涉复合场数据。

根据式(4)和式(6)可以计算出相干分量信号反射系数。Paloscia[5]等曾将GNSS-R试验数据与真实测量数据进行对比，并拟合出反射率与森林生物量之间的关系式，如下

(7)

2 试验分析

本试验验证利用GPS-R遥感技术反演植被生物量的可行性。在试验的同时，利用基于多源遥感数据的方法，通过差值植被指数(DVI)计算出植被生物量，并与试验结果进行对比分析。

本次试验时间为2014年3月28日，地点为中国矿业大学南湖校区校内，树木环绕，符合植被生物量监测的要求。试验采用Oceanpal接收机，包括射频单元、天线装置及数据管理单元。天线装置与射频单元之间由桅杆连接，上方是一个竖直向上的右旋圆极化天线(RHCP)，用于接收来自卫星的直射信号；下方是一个垂直指向地面的左旋圆极化天线(LHCP)，用来接收经地面反射后的信号，如图2所示。

图2 Oceanpal接收机结构

Oceanpal接收机接收到的数据包括raw数据、L0数据、L0b数据、L1数据及L2数据。GPS-R数据处理的具体流程如图3所示。

为了验证GNSS-R遥感监测森林生物量的可行性，Ferrazzoli等[6]提出了与镜面散射系数相关的理论模型，该研究表明来自地面的镜面反射分量不受树木遮挡，且远大于来自植物和土壤的非相干散射分量。因此，利用交叉极化反射系数TRL监测森林生物量时，应选取入射角(与卫星高度角互余)较低(小于40°)的观测数据，本次试验数据中PRN22和PRN25卫星满足要求。

图3 GPS-R数据处理流程

利用卫星精密星历计算出卫星高度角，以及PRN22和PRN25卫星的ICF值，并进一步求出非相干散射系数R。为了消除信号传播过程中因受到多路径或其他因素的影响而产生的噪声，采用小波变换方法对其进行去噪处理，结果如图4所示，由此可根据式(6)计算出非相干散射分量R。

图4 PRN22和PRN25卫星的ICF值

本文采用同相分量I和正交分量Q计算直射信号与反射信号功率，对每一通道输出的I、Q相关值进行平方、求和运算后，再将结果进行非相干累加，其中最大值就是直射信号和反射信号的二维相关功率值，如图5所示。

图5 直射信号与反射信号二维相关功率

将图5中的反射信号减去非相干散射分量R后得到相干散射分量反射信号，再根据反射信号与直射信号之比计算出信号反射率，并建立信号反射率与入射角之间的关系，部分结果如图6所示。当植被生物量一定时，信号反射系数随入射角的增大而增加，反之亦然。

图6 反射率随入射角的变化关系

选取2014年3月25日的中分辨率成像光谱仪(MODIS)观测数据，空间分辨率为250 m，对其进行图像镶嵌、投影转换及分辨率重采样等处理，得到差值植被指数(DVI)。根据生物量与差值植被指数的经验模型，相关系数为0.887 4，如图7所示，计算出生物量值约为68.21 t/ha。

图7 生物量与DVI的关系

通过二者对比表明，利用GPS-R遥感技术反演森林生物量与MODIS数据计算植被生物量结果接近，从而验证了利用GPS-R遥感技术反演植被生物量的可行性。

3 结论与讨论

(1) 对于高大茂密的树木而言，采用基于多源遥感数据通过DVI反演植被生物量是一种有效的方法。借鉴该理论，将试验结果与DVI计算结果进行对比分析，从而验证利用GPS-R遥感技术反演植被生物量的可行性；而最终的植被生物量都是通过经验模型得到的，与真实生物量之间存在一定误差。

(2) 本文试验仅针对高大的树林，没有对地面农作物等低矮植被进行研究，因此试验结果仅验证了利用GPS-R技术反演森林生物量的可行性，对低矮植被的研究成为今后的研究方向。

(3) 利用GPS-R遥感技术反演植被生物量具有广阔的发展空间，随着北斗卫星系统的逐步完善，GPS-R遥感技术在北斗卫星上的应用指日可待。

[1] WANG Xin，SUN Qiang，ZHANG Xuexie，et al.First China Ocean Reflection Experiment Using Coastal GNSS-R[J].Chinnese Science Bulletin，2008，53(7)：1117-1120.

[2] PIERDICA N，GUERRIERO L，BROGIONI M，et al.On the Coherent and Non Coherent Components of Bare and Vegetated Terrain Bistatic Scattering：Modelling the GNSS-R Signal Over Land[J].IEEE Geoscience & Remote Sensing Symposium，2012，22(8)：3407-3410.

[3] WU Xuerui，LI Ying，XU Jin，et al.Theoretical Study on GNSS-R Vegetation Biomass[C]∥International Geoscience & Remote Sensing Symposium.[S.l.]:IEEE，2012：6380-6383.

[4] PALOSCIA S，SANTI E，FONTANELL G，et al.GRASS：An Experiment on the Capability of Airborne GNSS-R Sensors in Sensing Soil Moisture and Vegetation Biomass[C]∥Geoscience & Remote Sensing Symposium.[S.l.]:IEEE，2013：2010-2113.

[5] PALOSCIA S，SANTI E，CAPARRINI M，et al.GNSS-R Sensor Sensitivity to Soil Moisture and Vegetation Biomass and Comparison with SAR Data Performance[J].Proceeding of SPIE-The International Society for Optical Engineering，2013，8891(2)：206-209.

[6] FERRAZZOLI P，GUERRIERO L，PIERDICCA N，et al.Forest Biomass Monitoring with GNSS-R：Theoretical Simulations[J].Advances in Space Research，2011，47(10)：1823-1832.

[7] EGIDO A，PALOSCIA S，MOTTE E，et al.Airborne GNSS-R Polarimetric Measurement for Soil Moisture and Above-Ground Biomass Estimation[J].IEEE Journal of Selected Topics in Applied Earth，2014，7(5)：1522-1532.

[8] EGIDO A，CAPARRINI M，RUFFINI G，et al.Global Navigation Satellite Systems Reflectometry as a Remote Sensing Tool for Agriculture[J].Remote Sensing，2012，4(8)：2356-2372.

[9] 王新云，郭艺歌，何杰.基于多源遥感数据的草地生物量估算方法[J].农业工程学报，2014，30(11)：159-166.

[10] 郑南山，董雪园.基于GPS-R技术遥感采矿区土壤含水率研究[J].煤炭工程，2013，45(7)：98-111.

[11] 吴学睿，李颖，李传龙.基于Bi-Mimics 模型的GNSS-R农作物生物量监测理论研究[J].遥感技术与应用，2012,27(2):220-230.

[12] 马志勇，沈涛，张海军，等.基于植被覆盖度的植被变化分析[J].测绘通报，2007(3)：45-48.

[13] 张连义，宝路如，尔敦扎玛，等.锡林郭勒盟草地植被生物量遥感监测模型的研究[J].中国草地学报，2008，30(1)：6-14.

[14] WEI W，LARSON K M，SMALL E E，et al.Using Geodetic GPS Receivers to Measure Vegetation Water Content[J].GPS Solutions，2015，19(2)：237-248.

[15] GARRENO-LUENGO H，CAMPS A，QUEROL J，et al.First Dual-Band Multiconstellation GNSS-R Scatterometry Experiment Over Boreal Forests From a Stratospheric Balloon[J].IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing，2016，9(10)：4743-4751.