基于Sentinel-1A和Landsat 8數(shù)據(jù)的區(qū)域森林生物量反演

許振宇，李盈昌，李明陽，李 超，汪 霖

（南京林業(yè)大學(xué) 南方現(xiàn)代林業(yè)協(xié)同創(chuàng)新中心，江蘇 南京 210037）

森林生物量是評(píng)價(jià)森林生態(tài)系統(tǒng)固碳量和碳平衡能力的重要參數(shù)之一，準(zhǔn)確測量森林生物量對(duì)研究大面積陸地生態(tài)系統(tǒng)碳循環(huán)具有重要意義[1-2]。傳統(tǒng)的野外測量是較為準(zhǔn)確估算生物量的方法，但是此方法費(fèi)時(shí)、費(fèi)力，不能提供大規(guī)模連續(xù)觀測數(shù)據(jù)。遙感數(shù)據(jù)可以獲得植被覆蓋變化、植被光譜特征等信息，而且它們與森林生物量之間關(guān)系密切。因此，各種類型的遙感系統(tǒng)，包括光學(xué)傳感器和主動(dòng)傳感器，已被廣泛應(yīng)用于估算森林生物量[3]。

2008年9月1日，美國地質(zhì)調(diào)查局（USGS）免費(fèi)開放了Landsat 存檔遙感數(shù)據(jù)。由于Landsat具有覆蓋面廣、光譜信息充分、重訪頻率高、計(jì)算機(jī)處理程度高、空間分辨率與森林資源連續(xù)清查樣地空間尺度相近等優(yōu)勢，已被廣泛用于區(qū)域森林生物量遙感估測。但作為一種被動(dòng)式光學(xué)遙感，Landsat 影像的穿透能力不強(qiáng)，獲取的更多是森林冠層結(jié)構(gòu)信息，而且容易受云霧天氣影響[4]。

合成孔徑雷達(dá)（SAR）作為一種主動(dòng)的遙感技術(shù)，具有穿透樹冠的能力，能夠全天候工作。研究表明，合成孔徑雷達(dá)獲取的后向散射系數(shù)與森林的結(jié)構(gòu)參數(shù)有關(guān)，可用于森林地上生物量估測，但不同波長的SAR 對(duì)生物量反演具有不同的飽和點(diǎn)。通常，波長越短，飽和點(diǎn)越低，對(duì)生物量變化的響應(yīng)敏感度較低，因此長波雷達(dá)數(shù)據(jù)更適合生物量估算。由于大多數(shù)長波SAR 衛(wèi)星都是商業(yè)衛(wèi)星，大面積數(shù)據(jù)獲取成本非常高，限制了其在區(qū)域森林生物量遙感估測中的推廣應(yīng)用。2013年，歐洲航天局的C 波段Sentinel-1 衛(wèi)星開始為全球提供免費(fèi)的較高分辨率的SAR 數(shù)據(jù)。由于C 波段的穿透力和飽和點(diǎn)較低，單獨(dú)采用Sentinel-1 數(shù)據(jù)進(jìn)行遙感估測會(huì)影響估測精度。研究表明，采取主被動(dòng)式遙感的數(shù)據(jù)協(xié)同策略，可以提高森林生物量遙感估測精度[5-6]。

在區(qū)域尺度森林生物量遙感估測中，除了遙感數(shù)據(jù)源外，選擇合適的算法來建立生物量估計(jì)模型也非常關(guān)鍵。傳統(tǒng)的統(tǒng)計(jì)回歸方法簡單易行，但這種方法不能有效地描述森林生物量與遙感數(shù)據(jù)之間的復(fù)雜非線性關(guān)系，在地形復(fù)雜的丘陵山區(qū)遙感估測精度不高。為了提高生物量模型的非線性估計(jì)能力，多種機(jī)器學(xué)習(xí)方法（如決策樹、k-最近鄰、人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)）開始應(yīng)用于森林生物量估測[7-8]。

通過查閱國內(nèi)外文獻(xiàn)，尚未見到基于Sentinel-1A 和Landsat 8 OLI 數(shù)據(jù)這2 種不同性質(zhì)數(shù)據(jù)源的區(qū)域森林生物量遙感估測比較研究成果。本文以湖南省重點(diǎn)林區(qū)桂東縣為例，分別采用主動(dòng)式遙感（Sentinel-1A 數(shù)據(jù)）、被動(dòng)式遙感（Landsat 8 OLI 數(shù)據(jù)）、主被動(dòng)相結(jié)合（Sentinel-1A 數(shù)據(jù)結(jié)合Landsat 8 OLI 數(shù)據(jù)）3 種數(shù)據(jù)集和多元線性回歸、隨機(jī)森林、人工神經(jīng)網(wǎng)絡(luò)、袋裝算法等四種模型，進(jìn)行森林地上生物量（簡稱生物量，下同）特征變量選取、參數(shù)建模、精度評(píng)價(jià)、空間制圖，以期為Sentinel-1A C 波段極化雷達(dá)數(shù)據(jù)在我國區(qū)域森林生物量的遙感估測中的推廣應(yīng)用提供科學(xué)參考。

1 研究區(qū)概況

桂東縣隸屬于湖南省郴州市，位于湖南省東南部，地處113°37′～114°14′E，25°44′～26°13′N之間，東西寬61.2 km，南北長53.6 km，總面積1 452 km2。桂東縣平均海拔900 m，地勢高差懸殊，呈“九山半水半分田”的土地利用格局。桂東縣地處亞熱帶濕潤季風(fēng)氣候區(qū)，雨量充沛，年降水量1 742.4 mm，四季分明，年平均氣溫15.8 ℃。

桂東縣屬中亞熱帶常綠闊葉林區(qū)，森林植被茂盛，全縣森林覆蓋率高達(dá)85%，是湖南省重點(diǎn)林業(yè)縣。境內(nèi)植被類型多樣，且具有代表性，為野生動(dòng)物提供了良好的覓食和休憩場所。此外，桂東縣還是眾多河流的發(fā)源地，境內(nèi)有大小河流133 條，分屬湘江和贛江兩大水系，水資源十分豐富。

2 數(shù)據(jù)來源及預(yù)處理

論文的主要數(shù)據(jù)包括：1）來自于美國地質(zhì)調(diào)查局網(wǎng)站（https://eartxplorer.usgs.gov/）的湖南省郴州市桂東縣2014年Landsat 8 OLI 遙感影像。影像含云量為2%，空間分辨率為30 m×30 m。由于研究對(duì)象為森林生物量，所以選擇的遙感影像時(shí)相為森林植被生長處于成熟期的10月；2）來自歐空局（https://scihub.copernicus.eu/）的Sentine-1A 數(shù)據(jù)，獲取時(shí)間為2014年10月，空間分辨率為5 m×20 m，極化模式為VV、VH；3）地理空間數(shù)據(jù)云網(wǎng)站（http://www.gscloud.cn/）下載的數(shù)字地形模型（DEM），空間分辨率為30 m×30 m；4）桂東縣2014年43 塊森林資源連續(xù)清查固定樣地?cái)?shù)據(jù)，樣地的屬性表包括土地利用與覆蓋、森林資源狀況、生態(tài)狀況三大類共60 多個(gè)調(diào)查因子。

2.1 數(shù)據(jù)預(yù)處理

2.1.1 樣地森林生物量計(jì)算

論文中樣地單木的地上生物量計(jì)算采用曾偉生的基于木材密度的樹種組一元生物量模型[9]。單木的地上生物量方程為：

式中：Ma為地上生物量（kg）；D為林木胸徑（cm）；a為參數(shù)（a=0.3p）；p為木材基本密度（g/cm3）。在計(jì)算出每塊樣地單木地上生物量后，再換算為每公頃森林地上生物量（t/hm2）。通過計(jì)算，43 塊樣地的平均生物量為52.08 t/hm2，不同級(jí)別生物量樣地空間分布情況如圖1所示。

圖1 研究固定樣地生物量空間分布Fig.1 Spatial distribution of permanent plots with biomass class in study area

2.1.2 SAR 影像及處理方法

論文所使用的合成孔徑雷達(dá)數(shù)據(jù)是從Sentinel-1A 衛(wèi)星C 波段傳感器上獲得的，中心頻率為5.405 GHz。研究所用的數(shù)據(jù)為Sentinel-1A 干涉寬幅模式下的GRD 數(shù)據(jù)，采用SNAP（Sentinels application platform）軟件對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。預(yù)處理的過程包括幾何校正、輻射定標(biāo)、地理編碼、斑點(diǎn)濾波、地形校正等。通過重采樣將SAR 圖像空間分辨率調(diào)整到固定樣地同樣大?。?5.82 m×25.82 m）。紋理圖像使用灰度共生矩（GLCM）計(jì)算，窗口大小為3×3，灰度量化等級(jí)為64。

2.1.3 Landsat 8 OLI 影像及處理方法

Landsat 8 OLI 影像的預(yù)處理軟件為ENVI。首先對(duì)圖像進(jìn)行輻射校正，消除和校正輻射誤差和畸變，然后進(jìn)行FLAASH 大氣校正[10]。由于桂東縣為海拔高差大、地形復(fù)雜的山區(qū)，地形校正能有效地消除地形的影響，消除地形起伏引起的陽坡和陰坡光譜特征的差異，更好地反映物體的真實(shí)光譜特征。地形校正采用基于余弦校正模型的C 校正算法。然后，對(duì)圖像進(jìn)行重采樣，計(jì)算的紋理圖像的參數(shù)與Sentinel-1A 相同。此外，論文提取了6 種常見的植被指數(shù)。

通過圖像預(yù)處理，生成基于Sentinel-1A 數(shù)據(jù)的預(yù)測變量18 個(gè)，基于Landsat 8 數(shù)據(jù)的預(yù)測變量60 個(gè)。預(yù)測變量的類型、名稱、個(gè)數(shù)、描述見表1。

2.1.4 遙感估測模型

論文采用多元線性回歸（Multiple linear regression）、隨機(jī)森林（Random forest）、神經(jīng)網(wǎng)絡(luò)（Neural network）、袋裝算法（Bagging）共4 種模型進(jìn)行研究區(qū)生物量遙感估測。

多元回歸方法用來進(jìn)行森林生物量遙感估測，是以原始波段信息、植被指數(shù)和紋理特征等為作為自變量，通過建立遙感光譜數(shù)據(jù)與樣地實(shí)測森林生物量之間的相關(guān)關(guān)系，估算森林生物量。因?yàn)榇朔椒ㄖ庇^易懂，且對(duì)遙感數(shù)據(jù)的處理技術(shù)要求相對(duì)較低，被眾多的研究者所采用。多元回歸可以定量地描述變量之間的相關(guān)性和顯著性，多元回歸假定響應(yīng)和一組解釋變量之間存在線性關(guān)系，可以表示為模型：

表1 基于Sentinel-1A 和Landsat 8 生物量預(yù)測變量?Table 1 List of biomass prediction variables based on Sentinel-1A and Landsat 8

式中，Y是生物量的值，X1，X2，…，Xn是預(yù)測變量，α0是常數(shù)，α1，α2，…，αn是與相應(yīng)變量相關(guān)的回歸系數(shù)，n是預(yù)測變量的個(gè)數(shù)，ε是誤差項(xiàng)。

隨機(jī)森林是Breiman[11]在2001年提出的一種基于決策樹的分類回歸算法。由于隨機(jī)森林生成決策樹的樣本是隨機(jī)選擇的，所以隨機(jī)森林模型不會(huì)出現(xiàn)過擬合問題，運(yùn)算速率和精度都很高，對(duì)訓(xùn)練數(shù)據(jù)的適應(yīng)能力也很強(qiáng)[12]。隨機(jī)森林通過Bootstrapping 算法從原始樣本數(shù)據(jù)集隨機(jī)收集新數(shù)據(jù)集，從原始樣本數(shù)據(jù)集中隨機(jī)且有放回地抽取2/3 樣本。隨機(jī)森林用于回歸的時(shí)候,將所有決策樹預(yù)測結(jié)果的平均值作為最終的預(yù)測結(jié)果。隨機(jī)森林模型用R 語言random Forest 包執(zhí)行，它需要調(diào)整的參數(shù)為建立的決策樹的數(shù)量（ntree）和決策樹分裂時(shí)抽取的變量個(gè)數(shù)（mtry），本研究采用random Forest 包內(nèi)嵌的tuneRF 函數(shù)來優(yōu)化ntree和mtry。ntree 設(shè)置為2 500，mtry 為26。

人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于森林生物量遙感估測，是通過選取遙感數(shù)據(jù)有關(guān)波段的像元灰度值、植被指數(shù)等因子作為模型的輸入變量，以像元所對(duì)應(yīng)地理位置的森林生物量作為輸出變量，利用樣地?cái)?shù)據(jù)進(jìn)行訓(xùn)練來構(gòu)建模型[13]。人工神經(jīng)網(wǎng)絡(luò)模型的優(yōu)點(diǎn)是具有較高的精度，缺點(diǎn)是其模擬過程是“黑箱”操作，不能很好地解釋模型的內(nèi)在機(jī)理。人工神經(jīng)網(wǎng)絡(luò)選擇BP 網(wǎng)絡(luò)，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP 神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層、隱含層和輸出層。BP 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程包括由輸入信號(hào)的正向傳播和誤差的逆向傳播。輸入信號(hào)的正向傳播是指樣本信號(hào)從輸入層輸入，再經(jīng)過網(wǎng)絡(luò)的閾值、神經(jīng)元和權(quán)重的轉(zhuǎn)移函數(shù)等作用后,從輸出層輸出的過程。若期望值與輸出值之間的誤差大于規(guī)定量,則進(jìn)行修正。誤差的逆向傳播是指將誤差按照梯度下降的原則分?jǐn)偨o各層的神經(jīng)元，從而從各層神經(jīng)元獲得誤差信號(hào)，以此作為修改權(quán)重的依據(jù)。反復(fù)進(jìn)行以上兩個(gè)過程，對(duì)權(quán)重進(jìn)行不斷地修改，這就是網(wǎng)絡(luò)的訓(xùn)練過程，直到網(wǎng)絡(luò)的輸出誤差滿足要求或者訓(xùn)練次數(shù)達(dá)到設(shè)定的次數(shù)。神經(jīng)網(wǎng)絡(luò)模型用R 語言nnet 包執(zhí)行，本研究采用常規(guī)的由一個(gè)輸入層、一個(gè)輸出層和一個(gè)隱含層組成的常規(guī)3 層BP 神經(jīng)網(wǎng)絡(luò)。本研究將隱含層單元數(shù)確定為10 個(gè)，權(quán)重調(diào)整速度為0.1，最大迭代次數(shù)為5 000 次。

Bagging（Bootstrap aggregating）[14]是集成不同的個(gè)體學(xué)習(xí)器成為一個(gè)學(xué)習(xí)器的一種算法，Bagging 算法基礎(chǔ)是通過可重復(fù)取樣得到不同的樣本子集，使不同樣本子集上訓(xùn)練得到的學(xué)習(xí)器具有較大的差異度和較高的泛化性能。袋裝算法采用均勻采樣從樣地樣本集中抽取出多個(gè)訓(xùn)練集，在每個(gè)訓(xùn)練集中重復(fù)取樣，對(duì)這部分樣本進(jìn)行實(shí)驗(yàn)，分別建立決策樹，再將這些決策樹結(jié)合[15]。本研究采用R語言中adabag 包中的bagging 函數(shù)對(duì)樣本進(jìn)行建模，需要調(diào)整的參數(shù)為mfinal，表示迭代的次數(shù)，本研究將mfinal 設(shè)為20。

2.1.5 模型特征變量選擇

在區(qū)域森林生物量遙感估測中，特征變量的選擇是影響估測精度的一個(gè)重要因素，尤其對(duì)于隨機(jī)森林、人工神經(jīng)網(wǎng)絡(luò)等機(jī)器學(xué)習(xí)算法而言。特征變量選擇方法多種多樣，論文主要采用逐步回歸法和隨機(jī)森林法兩種方法進(jìn)行變量選擇。多元線性回歸模型的變量選擇采用逐步回歸法，而隨機(jī)森林、人工神經(jīng)網(wǎng)絡(luò)、袋裝算法3 種機(jī)器學(xué)習(xí)方法模型變量的選擇采用隨機(jī)森林法。

逐步回歸是一種線性回歸模型自變量選擇方法，其基本思想是將變量一個(gè)一個(gè)引入，引入的條件是其偏回歸平方和檢驗(yàn)是顯著的。每引入一個(gè)新變量后都要進(jìn)行F檢驗(yàn)，對(duì)已入選回歸模型的變量逐個(gè)進(jìn)行t檢驗(yàn)，將經(jīng)檢驗(yàn)認(rèn)為不顯著的變量刪除，以保證所得自變量子集中每一個(gè)變量都是顯著的。此過程經(jīng)過若干步直到不能再引入新變量為止。這時(shí)回歸模型中所有變量對(duì)因變量都是顯著的。逐步回歸在SPSS 軟件中執(zhí)行，步進(jìn)標(biāo)準(zhǔn)使用F概率，進(jìn)入和刪除閾值分別設(shè)置為0.05和0.1。

利用隨機(jī)森林算法，進(jìn)行特征重要性度量，選擇重要性高的特征。隨機(jī)森林算法有兩個(gè)度量變量重要性的值，可用于對(duì)變量進(jìn)行排序。第一個(gè)度量值（從包外數(shù)據(jù)的排列中計(jì)算）是每棵樹的預(yù)測的均方誤差的百分比增加值（%IncMSE），第二個(gè)度量值是從對(duì)所有樹的平均變量的拆分中節(jié)點(diǎn)雜質(zhì)（IncNodePurity）的總減少值，用殘差平方和來衡量。%IncMSE 和IncNodePurity 值越高，表明預(yù)測變量越重要。

最優(yōu)變量子集的獲取是一個(gè)連續(xù)的搜索過程，通常包括四個(gè)步驟：

1）子集生成：根據(jù)一定的搜索策略生成候選變量子集。本研究采用廣義序貫?zāi)嫦蜻x擇方法。搜索的起點(diǎn)是原始的全變量集。將數(shù)據(jù)集輸入隨機(jī)森林模型，根據(jù)度量值分別得到變量的重要性和降序。然后，移除一定數(shù)量（10%）最不重要的變量，生成變量子集。

2）子集評(píng)估：通過評(píng)估函數(shù)評(píng)估變量子集的預(yù)測性能。生成的子集被輸入隨機(jī)森林模型，并使用確定系數(shù)（R2）評(píng)估預(yù)測精度。

3）停止準(zhǔn)則：確定變量搜索算法何時(shí)停止。子集求值后，應(yīng)確定停止準(zhǔn)則。如果沒有停止條件，則無法停止搜索過程。本研究設(shè)置了兩個(gè)停止準(zhǔn)則：一是當(dāng)子集的變量個(gè)數(shù)不大于集合個(gè)數(shù)時(shí)，對(duì)于不同的森林類型，該集合個(gè)數(shù)等于逐步回歸選擇的變量個(gè)數(shù)；二是當(dāng)子集的預(yù)測R2連續(xù)三輪沒有提高時(shí)。

4）子集驗(yàn)證：用于驗(yàn)證所選變量子集的有效性。本研究采用10 折交叉驗(yàn)證的方法對(duì)每一輪的可變子集的性能進(jìn)行評(píng)估，因此子集驗(yàn)證不是獨(dú)立的步驟。

本研究用R語言實(shí)現(xiàn)了的隨機(jī)森林建模和變量選擇。變量選擇的工作流程如圖2所示。

2.2 模型精度評(píng)價(jià)

遙感估測模型評(píng)價(jià)中經(jīng)常使用到的評(píng)價(jià)指標(biāo)有很多，如決定系數(shù)（R2）、均方根誤差（RMSE）、相對(duì)誤差（RE）、平均絕對(duì)誤差（MAE）和預(yù)估精度（P）等。論文采用RMSE 和R2這2 個(gè)指標(biāo)對(duì)模型預(yù)測精度進(jìn)行評(píng)價(jià)：1）R2值越大，則模擬值和實(shí)際值之間的相關(guān)性越強(qiáng)；2）模擬值和實(shí)際值之間的RMSE 越小，則表明模型預(yù)測的效果越好。R2、RMSE 的計(jì)算方法，詳見參考文獻(xiàn)[16]，模型精度驗(yàn)證采用10 折交叉驗(yàn)證法。

3 結(jié)果與分析

3.1 特征變量選擇結(jié)果

表2為分別采用逐步回歸法、隨機(jī)森林法進(jìn)行特征變量篩選的結(jié)果。其中，多元線性回歸模型的特征變量按照進(jìn)入的順序排列，而隨機(jī)森林模型的特征變量按照重要性從大到小的順序排列。

圖2 隨機(jī)森林模型基于變量重要性的變量選擇流程Fig.2 Workflow of the variable selection based on variable importance for RF models

表2 各模型變量篩選結(jié)果?Table 2 Screening results of model variables

從表2可以看出，對(duì)于Sentinel-1A，交叉極化（VH）變量對(duì)生物量模型更重要，主要由于交叉極化對(duì)森林的垂直結(jié)構(gòu)信息更為敏感[17]。在使用Landsat 8 和Landsat 結(jié)合Sentinel 時(shí)，變量篩選結(jié)果中都有紅光波段（B4）和近紅外波段（B5）及其紋理信息（特別是均值和相關(guān)性信息），表明這兩個(gè)波段在森林生物量估算中具有十分重要的作用，這主要是紅光波段處于葉綠素吸收區(qū)，對(duì)植被差異尤為敏感，而近紅外波段位于水汽吸收帶之間，受兩個(gè)吸收到影響，對(duì)植被和土壤含水量敏感。此外，Landsat 8 生成的植被指數(shù)信息同樣在森林估算中扮演重要角色。

3.2 模型精度評(píng)價(jià)

將表2中篩選的特征變量分別代入多元線性回歸、隨機(jī)森林、人工神經(jīng)網(wǎng)絡(luò)、袋裝算法模型中，建立森林生物量遙感估測模型，并采用10 折交叉驗(yàn)證法進(jìn)行驗(yàn)證。不同數(shù)據(jù)源、不同模型遙感預(yù)測精度評(píng)價(jià)結(jié)果見圖3。

圖3 不同回歸模型預(yù)測結(jié)果的散點(diǎn)Fig.3 Scatter plots of predicted results of different regression models

從圖3中可以看出，在4 種遙感估測模型中，無論是單一數(shù)據(jù)源還是二者結(jié)合，隨機(jī)森林算法預(yù)測精度最高，人工神經(jīng)網(wǎng)絡(luò)、袋裝算法次之，多元線性回歸精度最低。隨機(jī)森林具有較高的預(yù)測準(zhǔn)確率，對(duì)噪聲和異常值具有較高的容忍度，且很少出現(xiàn)過擬合。隨機(jī)森林是從所有的特征中，隨機(jī)選取部分特征，用來構(gòu)建決策樹，而袋裝算法則是用所有特征來構(gòu)建分類器。一般來說，隨機(jī)森林的效果要好于袋裝算法，偏差相對(duì)更小，方差下降幅度更大。神經(jīng)網(wǎng)絡(luò)相比傳統(tǒng)的機(jī)器學(xué)習(xí)算法，需要的樣本數(shù)量要更多，由于本研究的樣地?cái)?shù)據(jù)只有43 塊，造成人工神經(jīng)網(wǎng)絡(luò)的精度低于預(yù)期。多元線性回歸模型由于不能夠描述生物量與遙感變量之間復(fù)雜的非線性關(guān)系，因此精度最差。從圖3可以看出，這4 種模型都存在對(duì)低生物量森林過高估計(jì)，對(duì)高生物量森林過低估計(jì)的問題，這在以前的研究中同樣存在，因此是一個(gè)亟須解決的問題。

從圖3也可以看出，3 種不同數(shù)據(jù)源遙感估測模型，Landsat 8 與Sentinel-1A 兩種數(shù)據(jù)協(xié)同估算的精度最高，Landsat 8 精度次之，Sentinel-1A 最低。由于Sentinel-1A 為C 波段SAR，波長較短，穿透能力較弱，只能反映冠層結(jié)構(gòu)，而森林生物量主要分布在樹干、樹枝等垂直結(jié)構(gòu)上；而Landsat 8 OLI 是光學(xué)被動(dòng)式遙感，具有可見光、近紅外、遠(yuǎn)紅外波段，與植被信息緊密聯(lián)系，本研究結(jié)果也證明Landsat 8 在森林生物量估算中具有至關(guān)重要的作用。Landsat 8 結(jié)合Sentinel 數(shù)據(jù)，既可以得到植被光譜信息，又可以獲得植被冠層結(jié)構(gòu)信息，因此兩者結(jié)合在一定程度上可以提高森林生物量估算精度。

3.3 生物量空間制圖

通過以上建模方式的對(duì)比，最終選擇性能最優(yōu)的基于主被動(dòng)式遙感數(shù)據(jù)的隨機(jī)森林模型，進(jìn)行研究區(qū)森林生物量估算（圖4）。結(jié)果顯示，桂東縣森林生物量平均值為53.68 t/hm2，生物量的方差為33.42 t/hm2。作為湖南省重點(diǎn)林業(yè)縣，桂東縣森林生物量平均值高于湖南省森林生物量平均值（41.274 t/hm2），但卻大大低于全國森林生物量的平均值（85.64 t/hm2）[18]。

圖4 2014年桂東縣森林生物量空間分布Fig.4 Spatial distribution of forest biomass in Guidong county in 2014

從圖4可以看出，桂東縣森林生物量高值區(qū)域主要分布在海拔較高、坡度較陡的東南、西南部，而生物量較低的林分則主要集中在海拔較低、坡度平緩的低丘、河谷地帶。這種森林生物量的空間分布趨勢與研究區(qū)的地勢地貌特征、社會(huì)經(jīng)濟(jì)狀況相符。在桂東縣，海拔高、坡度陡的地方，人口密度低、交通落后、經(jīng)濟(jì)不發(fā)達(dá)，森林采伐、林地被占用、森林火災(zāi)等人為干擾活動(dòng)較少，森林生物量較高；而低丘、河谷地區(qū)，人口密度大、經(jīng)濟(jì)發(fā)達(dá)，城鎮(zhèn)擴(kuò)張、亂砍濫伐、森林病蟲害等人為干擾活動(dòng)頻繁，導(dǎo)致森林生物量較低。

為進(jìn)一步統(tǒng)計(jì)研究區(qū)生物量分布情況，將森林生物量劃分為低（＜20 t/hm2）、較低（20-55 t/hm2）、較高（55～90 t/hm2）和高（＞90 t/hm2）四個(gè)等級(jí)。結(jié)果表明，桂東縣森林生物量以較低（31.97%）、較高（35.02%）為主，低生物量面積比例為16.68%，而高生物量等級(jí)面積比例最低，只有16.03%。造成研究區(qū)森林生物量平均值不高、高等級(jí)面積比例較低的原因主要有2 個(gè)：一是研究區(qū)人工林比重高，中幼林面積比例大，森林單位面積蓄積量低；二是研究區(qū)系南方集體林區(qū)，作為經(jīng)營主體的林農(nóng)重采伐輕撫育，主動(dòng)開展森林經(jīng)營意愿不強(qiáng)、積極性不高。

4 結(jié)論與討論

森林生物量基礎(chǔ)研究資料不全、地面實(shí)測人力物力消耗較大，一直是進(jìn)行區(qū)域尺度上森林生物量遙感估測面臨的最大難題。從1978年開始，我國在全國范圍內(nèi)建立了以省、自治區(qū)、直轄市為總體的森林資源連續(xù)清查體系，很多縣市積累了豐富的固定樣地調(diào)查數(shù)據(jù)。2008年后，隨著航空航天技術(shù)的發(fā)展，包括Landsat 8、Sentinel-1A在內(nèi)的各種免費(fèi)遙感信息源日趨豐富。因此，以少量森林資源連續(xù)清查固定樣地?cái)?shù)據(jù)、同期主被動(dòng)遙感數(shù)據(jù)為主要信息源，采用多種模型進(jìn)行森林生物量遙感估測，有可能為區(qū)域尺度上森林生物量動(dòng)態(tài)監(jiān)測探索出一條科學(xué)適用的道路。

研究表明，Landsat 紅光波段（B4）、近紅外波段（B5）地表反射率及紋理特征、歸一化植被指數(shù)（NDVI），Sentinel-1A 交叉極化（VH）后向散射系數(shù)及其紋理特征，在森林生物量反演中具有重要作用。在4 種遙感估測模型中，隨機(jī)森林算法預(yù)測精度最高，人工神經(jīng)網(wǎng)絡(luò)、袋裝算法次之，多元線性回歸最低。因此，在海拔相差懸殊、地形復(fù)雜、森林垂直分布明顯的南方亞熱帶林區(qū)，可以選擇隨機(jī)森林作為最佳遙感估測模型。

3 種不同數(shù)據(jù)集遙感估測精度比較分析表明，基于Sentinel-1A 的估測精度最低，基于Landsat 8 OLI 的反演精度第二，兩種數(shù)據(jù)協(xié)同反演的精度最高。因此，作為一種免費(fèi)的主動(dòng)式遙感數(shù)據(jù)，由于波長較短、林冠穿透能力弱，Sentinel-1A 極化雷達(dá)數(shù)據(jù)不宜單獨(dú)用來進(jìn)行區(qū)域森林生物量遙感估測，只有與被動(dòng)式遙感數(shù)據(jù)結(jié)合，才能發(fā)揮其作用。

本研究中采用的C 波段Sentinel-1A 合成孔徑雷達(dá)數(shù)據(jù)，穿透能力較弱，使之在森林生物量反演中作用較小。因此，在今后的研究中，我們將嘗試結(jié)合穿透能力更強(qiáng)的P、L 波段合成孔徑雷達(dá)數(shù)據(jù)進(jìn)行森林生物量反演。Landsat 8 多光譜數(shù)據(jù)空間分辨率為30 m，因此其圖像混合像元現(xiàn)象較為嚴(yán)重，因此，在森林生物量較低的區(qū)域，Landsat 8 像元值很容易受到灌木、草本和裸土的影響，使像元值不能正確的反映該像元實(shí)際的生物量信息；而在森林生物量較高的區(qū)域，則由于Landsat 8 生物量估算的飽和問題，同樣不能正確的反映該像元實(shí)際的生物量信息。在今后的研究中，我們將嘗試采用混合像元分解方法、高空間分辨率或高光譜遙感影像解決混合像元和光譜飽和問題。此外，盡管國家森林資源連續(xù)清查數(shù)據(jù)是目前可用的質(zhì)量最高的區(qū)域性森林調(diào)查數(shù)據(jù)，但其空間間距較大，導(dǎo)致縣域尺度空間密度較小。因此，可以嘗試在國家森林資源連續(xù)清查的基礎(chǔ)上，適當(dāng)補(bǔ)測調(diào)查樣地，提高樣地空間密度。

盡管在預(yù)測變量的選取中綜合考慮了波段反射率、植被指數(shù)、紋理特征，然而，無論采用何種數(shù)據(jù)源，4 種估測模型的預(yù)測精度均低于擬合精度。以預(yù)測精度最高的隨機(jī)森林為例，在3 種數(shù)據(jù)源中，擬合精度R2均超過0.9，但是預(yù)測精度R2均小于0.8，說明在森林參數(shù)反演中普遍存在著過擬合現(xiàn)象。這種現(xiàn)象的產(chǎn)生可能與研究區(qū)復(fù)雜的地形地勢條件、亞熱帶常綠闊葉林復(fù)雜的林種、樹種結(jié)構(gòu)有關(guān)，而導(dǎo)致遙感估算森林生物量存在飽和現(xiàn)象，這也是在今后的研究中需要重點(diǎn)解決的問題。

此外，在預(yù)測變量的選擇上，本研究沒有考慮地形、氣候等因素的影響。如何結(jié)合地形因素、氣候等因素，分樹種（組）、郁閉度或樣地生物量分段建模，以提高森林生物量遙感估測的精度，也是今后研究的重要內(nèi)容。