基于多角度衛(wèi)星遙感的胡楊林結(jié)構(gòu)參數(shù)獲取

楊雪峰 木尼熱·買買提

（新疆師范大學(xué)地理科學(xué)與旅游學(xué)院 新疆干旱區(qū)湖泊環(huán)境與資源實(shí)驗(yàn)室 烏魯木齊 830054）

森林是一個(gè)復(fù)雜的統(tǒng)一體，由多種生物和非生物環(huán)境組成，其彼此之間相互影響、相互制約，表現(xiàn)出一定的結(jié)構(gòu)特征和相互作用規(guī)律。森林結(jié)構(gòu)特征是森林植物與周圍環(huán)境條件之間以及森林植物彼此之間相互作用的表現(xiàn)形式，可直觀反映森林生長(zhǎng)狀況，既是林學(xué)、生態(tài)學(xué)和地學(xué)領(lǐng)域的主要研究對(duì)象，也是眾多陸地生態(tài)模型的重要輸入?yún)?shù)，獲取大尺度森林結(jié)構(gòu)特征具有重要科學(xué)價(jià)值（Pedroni, 1997；Schr?teret al.,2019）。

森林結(jié)構(gòu)特征通常采用覆蓋度（fractional vegetation cover，F(xiàn)VC）、林分密度（density）、樹(shù)高（height）、冠幅（crown width）、胸徑（diameter at breast height）、葉面傾角分布（leaf angle distribution，LAD）和葉面積指數(shù)（leaf area index，LAI）等指標(biāo)表示（Rogasset al., 2012）。目前，基于遙感手段獲取森林結(jié)構(gòu)參數(shù)已取得較大發(fā)展，能夠獲取大面積森林結(jié)構(gòu)參數(shù)的遙感技術(shù)主要有激光雷達(dá)（light detection and ranging，LiDAR）、雷達(dá)、光學(xué)遙感等。機(jī)載LiDAR是測(cè)量植物冠層結(jié)構(gòu)、形狀和地上生物量的有效探測(cè)手段（董立新, 2016；Lefsky, 2010；Omasaet al., 2002；van Leeuwenet al., 2010）；但因LiDAR機(jī)載設(shè)備觀測(cè)范圍較小，使用成本較高，星載LiDAR設(shè)備地面采樣點(diǎn)又十分稀疏，限制了LiDAR的應(yīng)用。干涉合成孔徑雷達(dá)（interferometric synthetic aperture radar，InSAR）和極化干涉合成孔徑雷達(dá)（polarimetric SAR interferometry，PolInSAR）等技術(shù)發(fā)展出隨機(jī)體散射體/地表二層（random volume over ground，RVoG）、極化相干層析（polarization coherence tomography，PCT）等模型方法，可用來(lái)獲取森林結(jié)構(gòu)的精細(xì)結(jié)構(gòu)特征（Cloudeet al.,2003；Cloude, 2006；Parket al., 2015；談璐璐等, 2010）；然而，現(xiàn)階段星載極化干涉數(shù)據(jù)面臨時(shí)間失相干、空間失相關(guān)等影響，其應(yīng)用受一定限制，甚至無(wú)法取得令人信服的反演結(jié)果（李震等, 2014；劉曉萌等, 2007；李廷偉等, 2009；Leeet al., 2012）。隨著高分遙感技術(shù)的發(fā)展，利用影像高分辨率特點(diǎn)獲取樹(shù)木結(jié)構(gòu)參數(shù)的研究日益增多；但由于森林陰影的長(zhǎng)度、太陽(yáng)高度角、方位角以及坡度、坡向等多個(gè)因子具有不確定性，使用高分影像在測(cè)量中容易造成較大的人為誤差，無(wú)法推廣到大范圍森林參數(shù)測(cè)量中（崔少偉等, 2011；韓學(xué)鋒, 2008；周志強(qiáng)等, 2012；Keet al., 2011）。與單一方向光學(xué)遙感相比，多角度光學(xué)遙感不僅利用多光譜觀測(cè)提取地物組分的波譜信息, 而且利用衛(wèi)星前向、后向和星下點(diǎn)不同角度的觀測(cè)，既富含地表結(jié)構(gòu)信息，同時(shí)較多的觀測(cè)角度也為反演求解地表結(jié)構(gòu)參數(shù)提供了便利。隨著多角度光學(xué)遙感的發(fā)展, 多種二向反射分布函數(shù)（bidirectional reflectance distribution function，BRDF）模型可用來(lái)反演并估計(jì)地表植被類型（楊雪峰等，2017），采用物理模型結(jié)合多角度觀測(cè)數(shù)據(jù)提取植被結(jié)構(gòu)參數(shù)具有很大潛力（Suet al., 2007；王亞楠,2010；金晟業(yè), 2009)。目前的星載多角度傳感器中，多角度光譜輻射計(jì)（multi-angle imaging spectro-radiometer，MISR）觀測(cè)角度最多，通常采用MISR數(shù)據(jù)結(jié)合幾何光學(xué)模型（geometric-optical model，GOM）和基于核驅(qū)動(dòng)模型的AMBRALS （algorithm for model bidirectional reflectance anisotropies of the land surface）算法對(duì)目標(biāo)進(jìn)行區(qū)分并反演推測(cè)相應(yīng)的植被結(jié)構(gòu)參數(shù)（Dineret al., 1998）。鑒于MISR獨(dú)特的大范圍多角度觀測(cè)能力以及免費(fèi)獲取政策，與 LiDAR和 PolInSAR 相比，采用MISR進(jìn)行森林結(jié)構(gòu)參數(shù)提取，在數(shù)據(jù)獲取能力、后期數(shù)據(jù)處理便利性和使用成本方面更具優(yōu)勢(shì)。

在干旱區(qū)環(huán)境下，當(dāng)林上冠層郁閉度不高時(shí)，直射光通過(guò)孔隙直接到達(dá)林下灌、草植被，此時(shí)林下灌、草以及較亮的土壤背景反射很大程度影響傳感器接收的信號(hào)，傳感器接收的信號(hào)是可見(jiàn)光與植被（喬、灌、草、土壤）之間非常復(fù)雜的相互交互過(guò)程；如果不能正確分離樹(shù)木、林下植被和土壤的光學(xué)信號(hào)，則反演森林結(jié)構(gòu)參數(shù)的任務(wù)很難實(shí)現(xiàn)（黃健熙等, 2005；Rahmanet al., 2004）。GOM結(jié)構(gòu)未能表達(dá)背景反射的二向異性特性，也未充分利用 MISR 的多角度觀測(cè)優(yōu)勢(shì)，因此一些研究對(duì)GOM進(jìn)行修改以使其適用于干旱區(qū)環(huán)境，如簡(jiǎn)單幾何光學(xué)模型（simple geometric-optical model，SGM）（Choppinget al., 2005；2008；2009）。SGM在模型中加入Walthall土壤反射模型（Walthallet al.,2000）描述林下土壤背景二向異性反射，Walthall模型參數(shù)由定標(biāo)站點(diǎn)回歸計(jì)算得到，SGM理論上更適合森林郁閉度較低的環(huán)境下使用，但模型適用性未得到廣泛驗(yàn)證。

對(duì)塔里木河下游而言，胡楊（Populus euphratica）的高度、密度、冠幅和群落覆蓋度既是植被恢復(fù)的標(biāo)志性指標(biāo)，也是研究胡楊群落生態(tài)過(guò)程與演化機(jī)制、改善優(yōu)勢(shì)種群保護(hù)措施的途徑（陳海燕等，2015）。目前，該區(qū)域有關(guān)胡楊結(jié)構(gòu)參數(shù)的研究工作主要包括：利用人工地面調(diào)查方式建立胡楊林植被動(dòng)態(tài)變化GIS數(shù)據(jù)庫(kù)（玉米提·哈力克等, 2008）；使用QuickBird、WorldView等高分衛(wèi)星遙感影像數(shù)據(jù)，采用人機(jī)交互方法提取胡楊冠幅、株數(shù)等森林結(jié)構(gòu)數(shù)據(jù)（牛婷等,2008；萬(wàn)紅梅等, 2011)；基于Landsat、Hyperion等中等分辨率衛(wèi)星遙感影像數(shù)據(jù)，利用像元二分模型分解反演塔河下游植被覆蓋度（黃粵等, 2013）等。總體來(lái)看，以往研究評(píng)價(jià)指標(biāo)較單一，除覆蓋度外，研究范圍局限于樣點(diǎn)和樣帶等小范圍區(qū)域，尚缺乏大范圍、系統(tǒng)的胡楊林結(jié)構(gòu)參數(shù)提取研究。鑒于此，本研究以MISR為主要數(shù)據(jù)源，以二向反射模型為理論基礎(chǔ)，采用SGM模型，在無(wú)人機(jī)攝影測(cè)量技術(shù)支持下對(duì)塔里木河下游胡楊林主要結(jié)構(gòu)參數(shù)（樹(shù)高、冠幅、林分密度和覆蓋度）進(jìn)行反演和評(píng)價(jià)。

1 研究區(qū)概況

塔里木河地處我國(guó)西部?jī)?nèi)陸干旱荒漠地區(qū)，既是干旱區(qū)生態(tài)環(huán)境變化的敏感地區(qū)，也是我國(guó)生物多樣性保護(hù)和全球變化研究的關(guān)鍵區(qū)域之一。在人類對(duì)自然水資源時(shí)空格局改變?yōu)橹饕问降臄_動(dòng)影響下，塔里木河下游以胡楊林為主要建群種的自然植被受到嚴(yán)重影響，生物多樣性受損，沙漠化過(guò)程加劇。自2000年以來(lái)，有關(guān)部門(mén)實(shí)施向塔里木河下游應(yīng)急輸水工程，以恢復(fù)下游生態(tài)系統(tǒng)，胡楊是應(yīng)急輸水生態(tài)恢復(fù)的目標(biāo)植物之一。

研究區(qū)位于若羌縣英蘇附近的一處河段，87°59′36″—88°11′48″ E，40°22′51″—40°27′32″ N，面積約100 km2（圖1），平均海拔840 m，地形較為平坦。屬暖溫帶大陸性干旱氣候，平原地區(qū)年均氣溫10 ℃，年均降水量約55 mm，降水匱乏，植被稀少。河岸附近發(fā)育有河岸林，主體為胡楊，表層土壤為粉砂土，且鹽堿化程度較高。地下水水位較高區(qū)域分布有檉柳（Tamarix chinensis）灌叢、黑枸杞（Lycium ruthenicum）灌叢等植被。

圖1 研究區(qū)Fig. 1 Study area

2 數(shù)據(jù)與方法

2.1 研究數(shù)據(jù)

2.1.1 MISR數(shù)據(jù) MISR提供9個(gè)角度的觀測(cè)信息，分別為4個(gè)前向觀測(cè)角AF（26.1°）、BF（45.6°）、CF（60.0°）、DF（70.5°），4個(gè)后向觀測(cè)角AA（26.1°）、BA（45.6°）、CA（60.0°）、DA（70.5°）以及1個(gè)天頂角AN（0°）。每個(gè)傳感器均有藍(lán)光、綠光、紅光和近紅外4個(gè)波段。MISR 9個(gè)相機(jī)中，AN相機(jī)4個(gè)波段為275 m空間分辨率數(shù)據(jù)，其余8個(gè)角度相機(jī)紅光波段為275 m空間分辨率數(shù)據(jù)。

MI1B2T、MI1B2GEOP、MIL2ASAE 3種產(chǎn)品是目前最常用的數(shù)據(jù)。MI1B2T為T(mén)OA輻射數(shù)據(jù)，MIL2ASAE為17.6 km空間分辨率氣溶膠數(shù)據(jù)，MI1B2GEOP為17.6 km空間分辨率的太陽(yáng)天頂角、太陽(yáng)方位角以及觀測(cè)天頂角和觀測(cè)方位角數(shù)據(jù)。本研究用數(shù)據(jù)獲取時(shí)間為2014年8月25日，數(shù)據(jù)軌道號(hào)078111。使用MI1B2T 9相機(jī)紅光波段和MI1B2GEOP數(shù)據(jù)構(gòu)建多角度觀測(cè)數(shù)據(jù)集。

2.1.2 無(wú)人機(jī)影像 為了對(duì)MISR影像數(shù)據(jù)提取的胡楊對(duì)象進(jìn)行高度定標(biāo)和數(shù)據(jù)驗(yàn)證，在研究區(qū)設(shè)置3個(gè)無(wú)人機(jī)驗(yàn)證區(qū)。2018、2019、2020年7月，在觀測(cè)區(qū)使用大疆精靈4 Pro/RTK進(jìn)行無(wú)人機(jī)傾斜攝影測(cè)量，相機(jī)搭載1英寸2 000萬(wàn)像素CMOS傳感器?；具^(guò)程為：規(guī)劃航線，設(shè)置飛行高度110 m， 航向重疊度80%、旁向重疊度75%，通過(guò)5向傾斜攝影方式獲取研究區(qū)地面影像數(shù)據(jù)。

2.1.3 地面實(shí)測(cè)數(shù)據(jù) 2018年7月，在研究區(qū)進(jìn)行胡楊結(jié)構(gòu)參數(shù)實(shí)地調(diào)查，位置如圖2。

圖2 地面采樣示意Fig. 2 Schematic diagram of field-measurement

樹(shù)高和冠幅調(diào)查方法：選取49株不同生態(tài)型胡楊，應(yīng)用激光測(cè)距儀的測(cè)高功能從3個(gè)不同方向測(cè)量樹(shù)冠最高點(diǎn)，獲取胡楊樹(shù)高，取平均值作為實(shí)測(cè)樹(shù)高；使用長(zhǎng)卷尺分別獲取相隔60°的3個(gè)方向樹(shù)木冠幅，取平均值；利用OruxMaps地圖軟件記錄每株樹(shù)坐標(biāo)，并在地面分辨率0.5 m的WorldView-2多光譜影像地圖上進(jìn)行位置標(biāo)注，方便后期與無(wú)人機(jī)影像比對(duì)。

林分密度調(diào)查方法：利用OruxMaps地圖軟件，以WorldView-2 影像為參照，在地圖中設(shè)置 25個(gè)100 m×100 m 采樣格網(wǎng)，實(shí)地對(duì)每個(gè)格網(wǎng)中的胡楊進(jìn)行株樹(shù)統(tǒng)計(jì)，并在地圖軟件中標(biāo)記。

樹(shù)高、冠幅和林分密度實(shí)測(cè)值描述統(tǒng)計(jì)如表1 所示。

表1 采樣點(diǎn)的描述統(tǒng)計(jì)Tab. 1 Descriptive statistics of sampling points

2.2 數(shù)據(jù)處理與分析

2.2.1 無(wú)人機(jī)影像處理 采用Pix4d Mapper攝影測(cè)量軟件對(duì)無(wú)人機(jī)影像進(jìn)行自動(dòng)配準(zhǔn)、空三加密等處理后生成點(diǎn)云數(shù)據(jù)（點(diǎn)云密度為74點(diǎn)·m-3），點(diǎn)云數(shù)據(jù)經(jīng)分類得到地表和植被點(diǎn)云，再插值生成分辨率為0.5 m的數(shù)字表面模型（digital surface model，DSM）和數(shù)字高程模型（digital elevation model，DEM），進(jìn)而得到冠層高度模型（canopy height model，CHM）（圖3）。CHM數(shù)據(jù)首先使用eCognition軟件的“Min/Max Filter”最小/最大值濾波算法（主要參數(shù)：Mode: Diff. brightest to center；2D kernel Size: 7）生成種子點(diǎn)，根據(jù)種子點(diǎn)位置提取樹(shù)高，然后使用“Pixel-Based Object Resizing”增長(zhǎng)算法（主要參數(shù)：mode: Growing；Pixel Layer Constraint: 2）生成植被冠層矢量多邊形對(duì)象，繼而通過(guò)ArcGIS計(jì)算、統(tǒng)計(jì)出冠幅和密度。提取與實(shí)測(cè)49株胡楊樣本位置對(duì)應(yīng)的胡楊對(duì)象，二者樹(shù)高、冠幅比較發(fā)現(xiàn)，樹(shù)高R2為0.90，RMSE為0.45 m；冠幅R2為0.84，RMSE為0.68 m；對(duì)與25個(gè)采樣格網(wǎng)重疊CHM部分分別提取胡楊對(duì)象數(shù)量，與格網(wǎng)內(nèi)實(shí)測(cè)統(tǒng)計(jì)株數(shù)比較，R2為0.94，RMSE為4.25株·hm-2。這表明，無(wú)人機(jī)獲取的胡楊林結(jié)構(gòu)數(shù)據(jù)可代替地面調(diào)查數(shù)據(jù)，作為SGM的定標(biāo)參數(shù)以及最終精度驗(yàn)證。

圖3 無(wú)人機(jī)CHM及MISR樣地Fig. 3 CHM obtained by UAV and MISR samples extenta. 無(wú)人機(jī)采樣區(qū)1 1st sample area of UAV b. 無(wú)人機(jī)采樣區(qū)2 2nd sample area of UAV c. 無(wú)人機(jī)采樣區(qū)3 3rd sample area of UAV

2.2.2 MISR影像處理 1） 預(yù)處理 基于MI1B2T TOA BRF輻射數(shù)據(jù)，對(duì)9個(gè)相機(jī)的紅光波段TOA反射率采用SMAC（simplified method for the atmospheric correction）大氣校正方法（Rahmanet al., 1994）轉(zhuǎn)換為地面反射率。通過(guò)提取研究區(qū)影像數(shù)據(jù)并進(jìn)行投影轉(zhuǎn)換，與無(wú)人機(jī)影像配準(zhǔn)后提取重疊區(qū)域的MISR像元大?。?75 m2）樣本47個(gè)（圖3），隨機(jī)選擇30個(gè)作為訓(xùn)練集，剩余17個(gè)作為測(cè)試集。

2） AMBRALS核驅(qū)動(dòng)模型反演 AMBRALS（Wanneret al., 1995）是一種半經(jīng)驗(yàn)核驅(qū)動(dòng)線性模型，其將場(chǎng)景反射視為各向同性反射、體散射和表面散射的組合，數(shù)學(xué)形式表示為：

式中：R為反射率；kvol為體散射核；kgeo是幾何光學(xué)核；fiso、fvol和fgeo分別為各向同性反射、體散射和表面散射的權(quán)重系數(shù)；i、v、φ分別為光照天頂角、視天頂角和相對(duì)方位角。

fiso、fvol和fgeo是模型的核心參數(shù)，可反映出對(duì)應(yīng)場(chǎng)景基本的反射特征，本研究使用這3個(gè)系數(shù)構(gòu)建場(chǎng)景土壤背景回歸方程。

根據(jù)研究區(qū)大部分地區(qū)林地灌木稀疏、草本稀薄的特點(diǎn)，反演選擇RossThin核為體散射核，LiSparseModis核為幾何光學(xué)核。

構(gòu)建多角度反射數(shù)據(jù)集，使用AMBRALS反演得到47個(gè)樣本區(qū)域?qū)?yīng)的fiso、fvol和fgeo數(shù)據(jù)（圖4）。

圖4 SGM模型反演流程Fig. 4 The inversion flow chart based on SGM model

3） SGM 模型反演 SGM作為一種物理模型，使用不同視角觀測(cè)的土壤背景反射和植被反射2部分的組合表示整個(gè)場(chǎng)景反射，其數(shù)學(xué)表達(dá)為：

式中：R為反射率；Gwalthall表示采用Walthall模型模擬土壤背景反射；CRoss表示采用RossThin冠層體散射模型模擬植被反射；kG和kc分別表示可見(jiàn)光照地面和可見(jiàn)光照樹(shù)冠比例；?i、?v、φ表示光照天頂角、視天頂角和相對(duì)方位角。

其余部分?jǐn)?shù)學(xué)表示如下：

式中：c1～c4為Walthall模型系數(shù)；?i、?v、φ為變換后的光照天頂角、視天頂角和相對(duì)方位角；ξ為光照天頂角、視天頂角和相對(duì)方位角的三角函數(shù)。

式中：λ為林分密度；γ為樹(shù)冠水平半徑；ε′為變換后的散射相位角；O為視野和照明陰影部分重疊區(qū)域。

SGM模型反演分為3個(gè)步驟：

1） 訓(xùn)練集樣本的多角度反射率觀測(cè)數(shù)據(jù)和森林幾何參數(shù)作為已知固定變量輸入SGM模型，使用GRG（Facóet al.,1989）優(yōu)化算法反演得到Walthall模型系數(shù)（圖4A）；

2） 使用訓(xùn)練集的AMBRALS模型系數(shù)和AN相機(jī)多光譜反射率數(shù)據(jù)，建立Walthall模型系數(shù)的回歸方程（圖4B）；

3） 使用Walthall模型系數(shù)回歸方程獲得測(cè)試集土壤背景反射，SGM和GRG算法反演獲取測(cè)試集的幾何參數(shù)（圖4C）。

3 結(jié)果與分析

3.1 背景反射模擬及精度分析

塔里木河河岸林郁閉度低，高亮土壤背景與暗深河水對(duì)比反差較大，再加上場(chǎng)景內(nèi)灌叢和草本植被，SGM模型能否準(zhǔn)確模擬土壤背景反射尤為重要。

反演第一階段使用SGM模型將觀測(cè)反射強(qiáng)度分解為土壤背景反射和冠層反射2部分，背景反射模擬采用Walthall模型，冠層反射模擬采用RossThin模型。輸入數(shù)據(jù)包括無(wú)人機(jī)獲取的訓(xùn)練集樣地結(jié)構(gòu)參數(shù)（樹(shù)高、覆蓋度、冠幅、林分密度）、模型固定參數(shù)LAI（固定值為2.3）（巴比爾江·迪力夏提等，2012）、HB（固定值為2.0）、BR（固定值為1.0）（圖5）。

圖5 SGM模型樹(shù)冠形態(tài)參數(shù)Fig. 5 The crown shape parameters of SGM model

反演以觀測(cè)反射值與模擬反射值的均方根誤差（root mean square error，RMSE）最小化為目標(biāo)函數(shù)（式7）（圖6a），最終輸出Walthall的c1～c4參數(shù)值：

圖6 背景反射模擬與評(píng)價(jià)Fig. 6 Simulation and evaluation of Walthall model parametersa. 背景反射模擬Simulation of background reflection；b. 背景反射評(píng)價(jià)Evaluation of background reflection.

以上處理過(guò)程使用隨機(jī)選擇的30塊訓(xùn)練樣地，模擬反射值與觀測(cè)反射值R2最大為0.99，最小為0.72，均值為0.92，大部分樣地的反射值R2為0.90以上（圖6b）。R2較低和RMSE較大的多為河床附近、覆蓋度較大的樣地，原因可能因河水背景影響，以及胡楊呈現(xiàn)出聚生、叢生狀態(tài)，在此情形下，SGM模擬誤差較大。

對(duì)訓(xùn)練樣地反演獲取的樹(shù)高和覆蓋度與參考值進(jìn)行比較發(fā)現(xiàn)，覆蓋度與參考值的一致性較好，R2達(dá)0.99，RMSE為0.73%，樹(shù)高的一致性稍差，R2為0.66，RMSE為0.61 m（圖6b）?？傮w來(lái)看，SGM模型能較好模擬樣地各向異性反射特征。在反射率、結(jié)構(gòu)參數(shù)等均在適當(dāng)精度的情況下，獲取的c1～c4參數(shù)值描述的Walthall背景反射模型參數(shù)也視為能正確反映場(chǎng)景背景反射的各向異性特征。

3.2 Walthall模型參數(shù)敏感性分析

Walthall模型的4個(gè)參數(shù)中，c1描述背景反射的基本強(qiáng)度水平、c2描述前后向反射間的差異程度、c3描述天底角反射強(qiáng)度、c4描述天底角反射與前后向反射的差異程度。為評(píng)價(jià)Walthall模型參數(shù)對(duì)最終反演結(jié)果的影響，使用無(wú)人機(jī)獲取的樣地結(jié)構(gòu)參數(shù)反演得到的c1～c4值為參考，分別對(duì)其中1個(gè)參數(shù)值進(jìn)行±20%范圍變化，同時(shí)固定其他3個(gè)參數(shù)，反演得到覆蓋度、樹(shù)高、冠幅和林分密度，與無(wú)人機(jī)測(cè)得的結(jié)構(gòu)參數(shù)進(jìn)行平均相對(duì)誤差（mean relative error，MRE）計(jì)算比較結(jié)果見(jiàn)圖7。

可以觀察到，斜率越大的參數(shù)對(duì)變量影響越大。c1值偏離參照值±10%，覆蓋度誤差增加20%～40%；偏離參照值±20%，覆蓋度誤差增加60%～80%；其次是c4，c2和c3影響最?。▓D7a）。由于模型中樹(shù)高由冠幅計(jì)算得到，c1～c4變化對(duì)樹(shù)高和冠幅的影響相同。相對(duì)覆蓋度而言，樹(shù)高、冠幅對(duì)c1～c4在正負(fù)變化方向上的響應(yīng)比較復(fù)雜（圖7b、c）?？偟膩?lái)說(shuō)，影響程度最大的還是c1，其次是c4，c2和c3影響最小。c1～c4對(duì)林分密度值變化影響相對(duì)最小（圖7d）。實(shí)際結(jié)構(gòu)參數(shù)變化受到c1～c4變化的疊加影響。

3.3 Walthall模型參數(shù)回歸及精度分析

通過(guò)建立訓(xùn)練集AN相機(jī)的多光譜（Blue、Green、Nir）反射率、AMBRALS模型參數(shù)fiso、fvol、fgeo和c1～c4參數(shù)的多元線性回歸方程，用于對(duì)測(cè)試集樣地的背景反射進(jìn)行預(yù)測(cè)。

使用多元線性回歸方程預(yù)測(cè)的訓(xùn)練集樣地c1～c4參數(shù)，與反演值進(jìn)行對(duì)比，c1～c4參數(shù)的調(diào)整R2分別為0.78、0.98、0.59和0.75（圖8）。

圖8 Walthall參數(shù)回歸建模Fig. 8 Regression of Walthall model parametersa. c1；b. c2；c. c3；d.c4.

3.4 測(cè)試集森林結(jié)構(gòu)參數(shù)反演及精度分析

輸入17個(gè)測(cè)試集AN相機(jī)的多光譜（Blue、Green、Nir）反射率、AMBRALS模型參數(shù)fiso、fvol、fgeo，使用Walthall模型參數(shù)多元線性回歸方程，計(jì)算出測(cè)試集樣地的背景反射，作為SGM模型的輸入信息，其他輸入數(shù)據(jù)還包括模型固定參數(shù)LAI、HB、BR值。

以測(cè)試集觀測(cè)反射值與模擬反射值的RMSE最小化為目標(biāo)函數(shù)（式7），使用GRG優(yōu)化算法計(jì)算輸出17個(gè)測(cè)試集樣地的樹(shù)高、覆蓋度、林分密度和冠幅等參數(shù)。

17個(gè)測(cè)試集樣地反演結(jié)果與無(wú)人機(jī)測(cè)量獲取的數(shù)值比較如圖9。

圖9 測(cè)試集結(jié)構(gòu)參數(shù)評(píng)價(jià)Fig. 9 Evaluation of structural parameters of test dataseta. 覆蓋度FVC；b. 樹(shù)高Height；c. 林分密度Density；d. 冠幅Crown width.

在測(cè)試樣地（275 m2）尺度上，與無(wú)人機(jī)獲取的結(jié)構(gòu)參數(shù)相比，反演獲取的測(cè)試集結(jié)構(gòu)參數(shù)使用線性模型擬合時(shí)，覆蓋度、樹(shù)高、林分密度、冠幅的R2分別為0.54、0.47、0.41、0.24，RMSE分別為3%、0.76 m、112株、0.64 m，MRE分別為24.7%、8.9%、22.5%、10%；使用冪函數(shù)模型時(shí)，覆蓋度、樹(shù)高、林分密度、冠幅的R2分別為0.80、0.53、0.55、0.30，RMSE分別為1%、0.4 m、33 株、0.32 m，MRE分別為10%、5%、6%、6%（圖9）。

4 結(jié)論與討論

基于MISR多角度遙感觀測(cè)數(shù)據(jù)和SGM模型，通過(guò)模擬塔里木河下游河岸胡楊林的二向反射特性，分解后獲得地面背景反射特征，最終反演得到樣地主要森林結(jié)構(gòu)信息。

研究得到主要結(jié)論如下：

1） UAV獲取樹(shù)高、冠幅、林分密度與實(shí)測(cè)值的R2分別為0.90、0.84、0.94，RMSE為0.45 m、0.68 m、4.25株·hm-2，無(wú)人機(jī)獲取的胡楊林結(jié)構(gòu)數(shù)據(jù)可用作SGM模型的定標(biāo)參數(shù)以及最終精度驗(yàn)證數(shù)據(jù)。

2） SGM對(duì)訓(xùn)練集樣地的模擬反射值R2最大值為0.99、最小值為0.72、均值為0.92，模擬覆蓋度R2為 0.99，RMSE為0.73%，樹(shù)高R2為0.66，RMSE為0.61m。SGM模型能較好模擬胡楊林樣地的各向異性反射特征。

3） 對(duì)Walthall模型參數(shù)進(jìn)行敏感性分析發(fā)現(xiàn)，c1參數(shù)對(duì)覆蓋度和樹(shù)高的影響最大，其次是c4參數(shù)，c2和c3參數(shù)影響最小，c1～c4參數(shù)對(duì)林分密度值變化影響很小。

4） 多元線性回歸方程預(yù)測(cè)的c1～c4參數(shù)的調(diào)整R2分別為0.78、0.98、0.59和0.75，說(shuō)明使用AN多光譜反射率和AMBRALS模型參數(shù)可以較好描述Walthall模型參數(shù)。

5） SGM模型反演獲取的Walthall模型參數(shù)精度以及由此建立的參數(shù)回歸方程精度對(duì)于最終的結(jié)構(gòu)參數(shù)反演結(jié)果有較大影響。

6） 使用多角度衛(wèi)星遙感（MISR）反演獲取的胡楊覆蓋度、樹(shù)高、林分密度和冠幅的線性模型R2分別為0.54、0.47、0.41和0.24，冪函數(shù)模型R2分別為0.80、0.53、0.55和0.30，說(shuō)明使用多角度衛(wèi)星遙感（MISR）和反演方法可以實(shí)現(xiàn)區(qū)域尺度上的森林調(diào)查。

研究中存在的問(wèn)題：

1） SGM反演需要獲取與衛(wèi)星影像像元尺度對(duì)應(yīng)的森林結(jié)構(gòu)數(shù)據(jù)作為模型定標(biāo)數(shù)據(jù)，這需使用地面實(shí)測(cè)或無(wú)人機(jī)LiDAR、無(wú)人機(jī)攝影測(cè)量等技術(shù)獲取高精度的森林調(diào)查數(shù)據(jù)。由于MISR像元與森林調(diào)查數(shù)據(jù)存在空間定位誤差，加之分辨率相差較大，造成二者之間空間配準(zhǔn)誤差難以確定。干旱區(qū)環(huán)境下，河岸林植被覆蓋度本身較低且空間分布異質(zhì)性較大，較小的空間誤差可能造成對(duì)應(yīng)結(jié)構(gòu)參數(shù)的大幅度改變，也會(huì)間接造成背景反射模型誤差增大，最終影響到反演精度。對(duì)于這一問(wèn)題，目前尚無(wú)較好的解決辦法。

2） 通過(guò)對(duì)Walthall模型參數(shù)的敏感性和回歸方程效果分析，發(fā)現(xiàn)背景反射模擬精度對(duì)反演結(jié)果有直接影響。研究區(qū)較為復(fù)雜的背景反射（高亮土壤、暗色河流和冠層反射與胡楊接近的灌木等）均增大背景反射模擬的難度和不確定性。如何獲得更準(zhǔn)確的Walthall模型標(biāo)定參數(shù)以及在此基礎(chǔ)上建立更有效精確的回歸模型，是提高最終反演結(jié)構(gòu)數(shù)據(jù)精度的關(guān)鍵。目前情況下，有限的定標(biāo)站點(diǎn)不能代表所有實(shí)際場(chǎng)景，因此，基于樣地提取的Walthall參數(shù)代表性也受到限制，在此基礎(chǔ)上產(chǎn)生的參數(shù)回歸方程會(huì)進(jìn)一步增大該誤差。一個(gè)可能的改進(jìn)辦法是采用DART（discrete anisotropic radiative transfer model）等仿真模型，根據(jù)場(chǎng)景組分實(shí)測(cè)光譜，使用不同組分組合方案，重建MISR尺度大小的胡楊林場(chǎng)景。模擬該尺度場(chǎng)景下中等分辨率光學(xué)衛(wèi)星（如Landsat、Sentinel-2）多光譜反射( Mortonet al., 2015; Gastellu-Etchegorryet al., 2015），建立與背景反射模型參數(shù)的回歸關(guān)系，生成Walthall模型參數(shù)的參數(shù)矩陣查找表（look up table, LUT），然后使用真實(shí)Landsat、Sentinel-2多波段反射率回歸生成背景反射，提高對(duì)背景的模擬精度。

3）SGM模型反演結(jié)構(gòu)參數(shù)的一個(gè)重要部分是優(yōu)化算法，本研究使用的GRG是處理非線性約束問(wèn)題的一種有效算法，但是 GRG 無(wú)法保證最后的尋優(yōu)結(jié)果是全局最優(yōu)值。當(dāng)針對(duì)多極值問(wèn)題時(shí)，其最終校準(zhǔn)結(jié)果是一個(gè)臨近初始給定值的局部最優(yōu)值（李川等，2014）。與常規(guī)優(yōu)化演算法相比，遺傳演算法等近些年來(lái)出現(xiàn)的一些模仿自然選擇與進(jìn)化的隨機(jī)搜索演算法只要能夠提供合適的突變概率和運(yùn)算時(shí)間，就能夠確保其很好地遍歷整個(gè)參數(shù)空間，最后尋優(yōu)結(jié)果也往往能夠落在一個(gè)較優(yōu)的局部參數(shù)區(qū)域內(nèi)。因此，使用更好的優(yōu)化算法是提高反演精度的可行辦法之一。