基于多时相光学和雷达遥感的太平湖生态保护区森林地上生物量反演.pdf

基于多时相光学和雷达遥感的太平湖生态保护区森林地上生物量反演卢佶，张国威，吴昊（国家林业和草原局华东调查规划院，浙江杭州310019）摘要：【目的目的】探究光学和雷达卫星遥感对亚热带森林生物量的反演潜力。【方法方法】利用不同季节时间序列的合成孔径雷达(Senitinel-1)和光学数据(Sentinel-2)，对太平湖生态保护区森林地上生物量进行反演。基于后向散射系数、光谱波段、植被指数和生物物理参数，采用回归随机森林算法探究 Sentinel-1 和 Sentinel-2 在地上生物量制图中的精度，探究对亚热带森林地上生物量制图的最佳影像采集时期，评估光学和雷达遥感特征参数对提高地上生物量估计精度的贡献。【结果结果】Sentinel-2 对研究区森林地上生物量的估计精度 决定系数(R2)=0.68，均方根误差(ERMS)=37.69Mghm2 要优于 Sentinel-1(R2=0.47，ERMS=49.11Mghm2)，但两者联合产生了最佳结果(R2=0.78，ERMS=31.56Mghm2)。生长季(6 和 9 月)的光学数据和旱季(12 月)获得的雷达数据结合有利于提高地上生物量估算精度。另外，Sentinel-2 提取的叶面积指数(LAI)、光合有效辐射吸收比(fapar)和覆盖度(fcover)与 Sentinel-1 提取的 VH 极化和 VH+VV 指数对地上生物量估算具有重要的贡献度。【结论结论】通过联合不同季节的光学和雷达数据，明确了 6、9、12 月与 LAI、fapar、VH 极化、VH+VV 指数是地上生物量反演的最佳时相和预测变量。图 8 表 3 参 29关键词：地上生物量；Sentinel-1；Sentinel-2；不同季节；随机森林中图分类号：S758.5文献标志码：A文章编号：2095-0756(2023)05-1082-11Inversionstudyofabove-groundbiomassinTaipingLakeEcologicalReserveforestsusingmulti-temporalopticalandradardataLUJi，ZHANGGuowei，WUHao（East China Survey and Planning Institute,National Forestry and Grassland Administration,Hangzhou 310019,Zhejiang,China）Abstract:ObjectiveThisstudy,withtheinversionoftheabove-groundbiomass(AGB)offorestsinTaipingLakeEcologicalReserveusingtheSenitinel-1(SAR)andSentinel-2(optical)datawithdifferentseasonaltimeseries,isaimedtoinvestigatetheinversionpotentialofopticalandradarsatelliteremotesensingonsubtropicalforest biomass.Method First,based on backscatter coefficients,spectral bands,vegetation indices andbiophysicalparameters,theregressionrandomforestalgorithmwasusedtoexploretheaccuracyofSentinel-1andSentinel-2inAGBmapping.Then,anexplorationwasconductedoftheoptimalimageacquisitionperiodforAGBmappingofsubtropicalforestswhichwasfollowedbyanevaluationofthecontributionofopticalandSAR remote sensing feature parameters to the improvement of AGB estimation accuracy.Result TheaccuracyofAGBestimationforforestsinthestudyareausingSentinel-2datacoefficientofdetermination(R2)=0.68,root mean square error(ERMS)=37.69 Mghm2 was better than that of Sentinel-1(R2=0.47,ERMS=49.11 Mghm2),but the combination of the two produced the best results(R2=0.78,ERMS=31.56收稿日期：2022-11-03；修回日期：2023-04-20作者简介：卢 佶(ORCID:0009-0005-7570-5448)，高 级 工 程 师，从 事 林 草 资 源 调 查 监 测 研 究。E-mail:。通信作者：张国威(ORCID:0009-0002-7825-4089)，工程师，从事森林资源调查监测研究。E-mail:浙江农林大学学报，2023，40（5）：10821092Journal of Zhejiang A&F Universitydoi:10.11833/j.issn.2095-0756.20220682Mghm2).The combination of optical data based on the growing season(June and September)and SARobtainedinthedryseason(December)wasbeneficialtoimprovingtheaccuracyofAGBestimation.Theleafareaindex(LAI),photosyntheticallyactiveradiationabsorptionratio(fapar)andcover(fcover)extractedbySentinel-2andtheVHpolarizationandVH+VVindicesextractedbySentinel-1hadimportantcontributionstotheAGBestimation.ConclusionBycombiningopticalandSARindifferentseasons,itwasclarifiedthatJune,SeptemberandDecemberarethebesttemporalphasesforAGBinversionwhileitsbestpredictorsareLAI,fapar,VHpolarizationandVH+VVindex.Ch,8fig.3tab.29ref.Key words:above-groundbiomass;Sentinel-1;Sentinel-2;differentseasons;randomforest森林是陆地生态系统的主体，主导陆地碳循环的动态变化，在全球碳收支中发挥着重要作用12。森林碳储量的动态变化可以通过定期绘制森林地上生物量进行监测3。基于样地的森林调查方法可以提供精确的森林地上生物量。然而，在大尺度监测中存在局限性，例如调查周期较长、时间分辨率不高等问题4。因此，寻求大面积森林生物量和碳储量精准监测的方法显得尤为重要。遥感技术为大面积反演森林地上生物量(AGB)或碳储量提供了全覆盖和长时间序列数据。目前，已有研究使用较高分辨率(30m)的光学数据(Sentinel-2)5和合成孔径雷达(Sentinel-1)数据6(25m)进行大尺度森林地上生物量反演。但现有研究对地上生物量的估计往往出现相互矛盾和不一致的现象，可能是缺乏大量的地面数据参考；也可能是森林结构复杂存在空间异质性，遥感信号响应机制不清晰等所致78。尤其对于热带或者亚热带森林地区，高郁闭特征和异质性需要探讨光学和合成孔径雷达数据的互补机制，以提高热带森林地上生物量反演的准确性和一致性。近年来，已有研究通过单个传感器或者联合光学雷达，来评估 Sentinel 数据对不同生物群落的森林地上生物量反演潜力9。如 PANDIT 等10采用 Sentinel-2 数据及其衍生的光谱指数，发现与光谱波段相比，红边植被指数对地上生物量估计具有更高的贡献度。也有研究表明：Sentinel-1 数据在地上生物量和碳储量反演方面也有较大的优势11。周蔚等12对亚热带森林地上生物量建模中，发现 Sentinel-2 的光谱指数比光谱波段贡献度更大，并且联合 Sentinel-1 和 Sentinel-2 数据反演精度最佳。CHEN 等13采用Sentinel-1 和 Sentinel-2 及其衍生数据(如纹理、光谱指数、生物物理变量)，系统比较了 1 种参数化(地理图形加权回归)和 3 种非参数化的机器学习算法(支持向量机、随机森林和人工神经网络)的地上生物量建模方法，结果表明：Sentinel-1 的纹理特性和 Sentinel-2 的生物物理变量是地上生物量估计模型的最优变量。LIU 等14和 CHEN 等15结合了 Sentinel-1、Sentinel-2 和航天飞机雷达地形测绘任务(SRTM)的数字高程模型(DEM)数据，验证了 Sentinel-1 和 Sentinel-2 对森林地上生物量绘图的适用性，并且发现随机森林算法的精度最优。然而，以上研究大都是基于生长季时期的研究，鲜有采用不同季节的光学和雷达数据对森林地上生物量反演进行探究，尤其是亚热带地区夏季降水多，森林湿度较大，雷达对地表湿度比生物量更加敏感。鉴于此，本研究以太平湖生态保护区森林为例，采用随机森林算法评估不同季节Sentinel-1 和 Sentinel-2 数据的光学和雷达遥感信息对地上生物量的响应特征，以期为亚热带森林碳储量精准评估提供科学参考。1研究地区与方法1.1研究区概况hm2本研究区位于黄山市太平湖生态保护区，该区地处亚热带季风湿润气候，年均降水量达 1617.0mm，年均气温为 15.5，年日照时数1600.0h，年均蒸发量1100.0mm。研究区森林覆盖面积约9 万，平均海拔为 220m，高差为 750m，平均坡度为 22。生态保护区植物资源丰富，乔、灌树种900 多种。研究区为亚热带针阔混交林，以中幼林龄为主，常见主要树种包括马尾松 Pinus massoniana、栎树 Quercus、木荷 Schima superba、桦树 Betula、楝 Melia azedarach、樟树 Cinnamomum camphora、杉木 Cunninghamia lanceolata、毛竹 Phyllostachys edulis 等。第 40 卷第 5 期卢佶等：基于多时相光学和雷达遥感的太平湖生态保护区森林地上生物量反演10831.2样地数据62 个样地数据来源于 2019 年生态保护区一类清查数据，调查时间为 2019 年 89 月。每个样地大小为 25.82m25.82m，样地调查因子包括树种、株数密度、胸径、树高等。每个样地的地上生物量计算采用一元地上生物量方程：Ma=aDb。（1）式(1)中：Ma为地上生物量；D 为胸径；a 和 b 为不同树种系数。不同树种系数取值参考周蔚等12的研究。每个样地树木地上生物量累计值为样地尺度的地上生物量。样地参数统计如表 1 所示。1.3遥感数据获取和预处理考虑覆盖各个生长季节，选择 2019 年 1、3、6、9、12 月 5 期 Sentinel-1 和 Sentinel-2 影像数据，其中 Sentinel-2 影像云量均10%。卫星数据从欧空局 Sentinel 数 据 中 心(https:/scihub.copernicus.eu/dhus/#/home)下载。1.3.1Sentinel-1 数据和预处理Sentinel-1 数据选择干涉宽幅模式(interferometricwideswath，IW)，具有双极化(VV 和 VH)的升轨数据。该产品类型是多视影像(GRD)，空间分辨率为 10m，采集入射角为 2640。本研究共采集了 5 景不同季节影像，并根据研究区范围进行裁剪。对每景 Sentinel-1 影像数据预处理，采用欧空局官方公布的哨兵应用平台软件(SNAP)进行精确轨道校正、地形辐射校正(归一化)和斑点过滤(图 1)。其中，采用 SRTM 数字高程模型(DEM)用于地形校正，地形辐射校正后的图像采用 Lee 斑点过滤算法以减少斑点。为了避免后向散射系数值较小对后续计算和分析造成的影响，将其转化成归一化值16。dB=10 lg0。（2）0式(2)中：dB为归一化后的后向散射系数，为 VH 或者 VV 极化的后向散射系数。此外，根据LAURIN 等16的研究，采用 dB的差值(VHVV)与求和(VH+VV)有助于提高地上生物量的建模精度。1 月3 月6 月9 月12 月VHVH 为交叉极化，VV 为同极化。VV图1不同季节 VH 和 VV 极化的后向散射系数Figure1PolarizationbackscatteringcoefficientsofVHandVVindifferentseasons1.3.2Sentinel-2 数据和预处理本研究选择云量小于 5%的 Sentinel-2 影像，共采集 10 张影像覆盖研究区域。对于每景影像，使用 SNAP 中的 Sen2cor 插件进行大气校正，将 L1C(大气顶部 TOA)产品转换为 L2A(大气底部 BOA)。大气校正过后的 Sentinel-2 影像，将 3 个可见光、3 个红边、2 个近红外、2 个短波红外(B11 和 B12)共 10 个波段数据的空间分辨率重采样为 20m，用于后续的预处理和分析。采用SNAP 中的“BiophysicalProcessor”提取叶面积指数(LAI)、植被覆盖率(fcover)和光合有效辐射吸收比(fapar)3 个生物物理参数，描述植被状态和空间动态分布(图 2)。这 3 个生物物理参数是基于PROSAIL 辐射传输模型反演获得17。主要计算步骤包括：标准化输入。将 10 个波段的 BOA 数据输表1研究区样地参数统计Table1Statisticsofforestplotparametersinthestudyarea项目地上生物量/(Mghm2)胸径/cm树高/m株数密度/(株hm2)最小值5.758.005.00115最大值260.2828.0022.003000平均值82.8616.0012.001005标准差64.685.306.126991084浙江农林大学学报2023 年 10 月 20 日入模型；人工神经网络(ANN)算法反演。基于 PROSAIL 模型构建查找表并采用 ANN 训练输入参数和模拟光谱的非线性关系；标准化输出。根据 Sentinel-2 观测值输出选择的目标参数；生成质量评估指标。评估反演值的不确定性。除 3 个生物物理参数外，还基于 Sentinel-1 和 Sentinel-2 影像，提取了光谱波段、光谱指数、生物物理参数和后向散射系数用于地上生物量建模的遥感特征参数(表 2)。101006LAIfaparfcoverfaparfcoverLAIfapar 为光合有效辐射吸收比；fcover 为植被覆盖率；LAI 为叶面积指数。1 月3 月6 月9 月12 月图2不同季节生物物理参数Figure2Biophysicalparametersindifferentseasons表2地上生物量建模的 Sentinel 特征参数Table2Sentinelfeatureparametersforabove-groundbiomassmodelling传感器类别特征参数计算等式或方法Sentinel-1后向散射系数VVVHVHVVVH+VVSentinel-2光谱波段B2(490nm)、B3(560nm)、B4(665nm)、B5(705nm)、B6(749nm)、B7(783nm)、B8(842nm)、B8a(865nm)、B11(1610nm)、B12(2190nm)光谱指数归一化植被指数(NDVI)(B8B4)/(B8+B4)增强植被指数(EVI)2.5(B8B4)/(B8+6B47.5B2+1)植被水分敏感指数(STVI1)B11B4/B8植被水分敏感指数(STVI2)B8/(B4B12)归一化植被水分指数(NDWI)(B3B8)/(B3+B8)生物物理参数叶面积指数(LAI)PROSAIL模型反演植被覆盖度(fcover)PROSAIL模型反演光合有效辐射吸收比(fapar)PROSAIL模型反演说明：表示无计算等式或方法。1.4随机森林回归模型对研究区亚热带森林地上生物量估算采用随机森林回归方法。随机森林算法通过生成大量的决策树，每一个决策树都是使用训练数据的唯一引导样本独立构建，对所有决策树预测器的平均值作为最终目标变量的估计值18。随机森林根据所有可用的预测器随机选择，减少决策树之间的相关性，从而减少噪声和提高预测的准确性19。随机森林算法对数据冗余和非线性处理具有很好的鲁棒性，能够处理具有不同属性和数值范围差异较大的变量，避免产生较大的过拟合现象20。第 40 卷第 5 期卢佶等：基于多时相光学和雷达遥感的太平湖生态保护区森林地上生物量反演1085随机森林回归模型采用 R 语言的“randomForest”包(适用于分类和回归训练)实现。该软件包通过给定的模型参数范围进行迭代，获得模型最佳性能的参数组合。决策树个数(ntree)和每个节点上随机选择的预测变量数量(mtry)采用网格搜索法优化设定。1.5模型构建和精度评价为了比较时间序列上 Sentinel-1 和 Sentinel-2 数据对地上生物量的估算结果，建立了 6 组回归模型(表 3)。在进行每个回归模型训练前，采用方差膨胀因子(VIF10)排除共线性强的变量，减少模型过拟合问题。此外，采用十折交叉验证的方法进行模型训练和验证。最后，利用决定系数(R)、均方根误差(ERMS)对每个模型的地上生物量估算精度进行评价。R2=1ni=1(OiPi)2ni=1(OiM)2；（3）ERMS=vuuuuutni=1(PiOi)2n。（4）M式(3)(4)中：Oi为地上生物量观测值；Pi为地上生物量预测值；为地上生物量样地观测平均值；i 为样地号；n 为样地总数量。表3基于 Sentinel-1 和 Sentinel-2 的地上生物量模型构建Table3Above-groundbiomassmodellingbasedonSentinel-1andSentinel-2模型变量数/个变量定义S1-backscatter10所有季节Sentinel-1后向散射系数S1-all20所有季节Sentinel-1后向散射系数和衍生指数S2-spectral50所有季节Sentinel-2光谱波段S2-biophysical15所有季节Sentinel-2生物物理参数S2-all90所有季节Sentinel-2光谱波段、植被指数和生物物理参数S1S2-all110所有季节Sentinel-1和Sentinel-2变量2结果与分析2.1森林冠层光学和雷达特征参数的季节变化特征如图 3 所示:在近红外波段，LAI 对冠层反射率的贡献占主导地位，森林地上生物量越大 LAI 越大。因此，对于相同季节，近红外波段的森林冠层反射率随森林地上生物量增大而增大。然而，在短波红外，森林冠层主要受水分影响。因此，在短波红外的森林冠层反射率随森林地上生物量的增大而减小。总体而言，6 和 9 月的森林冠层反射率较大，并且不同地上生物量水平间的冠层反射率区分度较大；相反，1、3 和 12 月不同地上生物量水平间的森林冠层反射率差异性减小，主要是由于在这些月份不同地上生物量水平的森林叶面积差异不显著。从图 4 可见：增强植被指数(EVI)和归一化植被指数(NDVI)在相同季节随着地上生物量等级升高而增大；相反，归一化植被水分指数(NDWI)在相同季节随着地上生物量等级升高而降低。此外，地上生物量在较低等级(0150Mghm2)范围内，相同季节的 EVI 和 NDVI 指数变化难以区分；而在地上生物量较高等级(150Mghm2)范围内，NDVI 对地上生物量的敏感度要优于 EVI 指数。相似地，在地上生物量较低等级范围内，植被水分敏感指数(STVI1)和植被水分敏感指数(STVI2)在相同季节性差异不大，但在地上生物量较高等级范围差异相对明显。与光谱指数相似，fapar、fcover、LAI 在不同季节变化趋势一致，呈现先增高后降低的趋势(图 5)。当地上生物量在 0100Mghm2与100Mghm2范围内时，3 个生物物理参数在相同季节差异不明显。1086浙江农林大学学报2023 年 10 月 20 日相对于 Sentinel-2 的光学特征参数，Sentinel-1 的后向散射系数对研究区的针阔混交林在不同季节的差异性表现不明显(图 6)。其中，对较高等级的地上生物量，VH、VV 和 VH+VV 在 1 和 12 月的值要低于 39 月，表现出旱季低雨季大的规律。但是，对于较低等级的地上生物量，这 3 个指标在不同季节没有明显的差异。总体而言，相对于较高等级的地上生物量，Sentinel-1 的后向散射特征要比较低等级的地上生物量高。2.2基于不同季节 Sentinel-1 和 Sentinel-2 影像的地上生物量反演结果如图 7 所示：基于 Sentinel-2 影像的模型(S2-all、S2-biophysical 和 S2-spectral)要优于 Sentinel-1 影像的模型(S1-all 和 S1-backscatter)。对采用不同季节 Sentinel-1 后向散射系数的 S1-backscatter 模型，地上4008001 200 1 600 2 000 2 40000.050.100.150.200.250.300.3500.050.100.150.200.250.300.3500.050.100.150.200.250.300.3500.050.100.150.200.250.300.3500.050.100.150.200.250.300.3512 月9 月6月3 月反射率050 Mg hm250100 Mg hm2100150 Mg hm2150200 Mg hm2200 Mg hm21 月反射率反射率/nm4008001 200 1 600 2 000 2 400/nm4008001 200 1 600 2 000 2 400/nm4008001 200 1 600 2 000 2 400/nm4008001 200 1 600 2 000 2 400/nm反射率反射率图3在不同等级地上生物量下森林冠层反射光谱曲线随季节的变化趋势Figure3Seasonalvariationofforestcanopyreflectancespectraunderdifferentabove-groundbiomasslevels00.040.080.120.1600.20.40.60.80.80.60.40.2000.020.040.060.080.10050 Mg hm250100 Mg hm2100150 Mg hm2150200 Mg hm2200 Mg hm2月份月份月份月份月份EVI 为增强植被指数，NDVI 为归一化植被指数，NDWI 为归一化植被水分指数，STVI1 为植被水分敏感指数，STVI2 为植被水分敏感指数。03691203691203691203691203691220406080100EVINDVINDWISTVI1STVI2图4不同等级地上生物量的植被指数季节变化曲线Figure4Seasonalchangecurvesofvegetationindexindifferentlevelsofabove-groundbiomass第 40 卷第 5 期卢佶等：基于多时相光学和雷达遥感的太平湖生态保护区森林地上生物量反演1087生物量反演精度最低，R2为0.36，ERMS为52.97Mghm2。同时，对较高等级的地上生物量(150Mghm2)同样存在较严重的低估现象。而对于 S1-all 模型，加入了后向散射系数相关的雷达衍生指数(VHVV 和VH+VV)后估计精度有所提高(R2=0.47，ERMS=49.11Mghm2)，但仍然无法避免对较高等级地上生物量的低估现象。基于生物物理参数的 S2-biophysical 模型对地上生物量估计精度(R2=0.66，ERMS=40.12Mghm2)优于基于光谱波段的 S2-spectral 模型(R2=0.60，ERMS=42.95Mghm2)。并且，仅采用光谱波段的 S2-spectral 模型对较高等级的地上生物量(150Mghm2)存在低估现象。S2-all 模型联合光谱波段、光谱指数及其衍生的生物物理参数后，地上生物量估计精度提高了 5.62Mghm2。通过联合不同季节所有的Sentinel-1 和 Sentinel-2 特征变量所构建的模型精度最高(R2=0.78，ERMS=31.56Mghm2)，相比 S2-all 模型，地上生物量均方根误差降低了 8.56Mghm2。2.3地上生物量建模的最佳预测因子和影像采集季节如图 8 所示：在 S1-backscatter(图 8A)的预测变量中，排前 5 位的变量分别为 12 月_VH、6 月_VH、6 月_VV、1 月_VH 和 12 月_VV，采集季节都来自夏季和冬季，其中贡献度最大的是 12 月_VH，这一规律和 S1-all(图 8B)相同。在 S1-backscatter 和 S1-all 模型中，VH 极化的后向散射系数比 VV 贡献度更大。0.20.30.40.50.60.7fapar月份月份月份0.20.30.40.50.60.7fcover0.51.01.52.02.5LAIfapar 为光合有效辐射吸收比，fcover 为植被覆盖度，LAI 为叶面积指数。036912036912036912050 Mg hm250100 Mg hm2100150 Mg hm2150200 Mg hm2200 Mg hm2图5不同等级地上生物量下生物物理参数的季节变化Figure5Seasonalvariationofbiophysicalparametersindifferentlevelsofabove-groundbiomass201510VH10155VV 108642月份3530252015VH+VVVH 为交叉极化，VV 为同极化，VHVV 为交叉极化与同极化差值，VH+VV 为交叉极化与同极化求和。036912月份036912月份036912月份036912050 Mg hm250100 Mg hm2100150 Mg hm2150200 Mg hm2200 Mg hm2VHVV图6不同等级地上生物量下雷达特征参数的季节变化Figure6SeasonalvariationofSARcharacteristicparametersfordifferentlevelsofabove-groundbiomass1088浙江农林大学学报2023 年 10 月 20 日S2-spectral 模型前 15 个最重要预测变量中(图 8C)，有 12 个变量来源于生长季节，再次证明了基于生长季的光学影像对常绿针阔混交林地上生物量估计的重要性。S2-biophysical 模型(图 8D)变量中，3 个生物物理参数中 LAI 贡献度最大，其次是 fapar 和 fcover。与光谱波段相比，S2-all 模型(图 8E)中生物物理参数 LAI、fapar 和 STVI2 对地上生物量估计贡献度较高，并且这些参数采集的影像时期大部分来源于 6 和 9 月。结合所有变量的 S1S2-all(图 8F)模型中，前 15 预测变量几乎全为 Sentinel-2 变量，表明在对亚热带森林地上生物量反演方面，Sentinel-2 比 Senttinel-1 更有优越性。3讨论3.1基于 Sentinel-1 与 Sentinel-2 数据的地上生物量建模比较本研究发现：Sentinel-2 比 Sentinel-1 更适合于亚热带太平湖生态保护区森林的地上生物量建模，这与 VAFAEI 等21和 ZHAO 等22的研究结果一致，但其他相关研究却获得了相反的结果23。本研究中Sentinel-1 地上生物量较差的估算结果可以归纳为 2 个主要因素。第一个，Sentinel-1 的 C-波段波长较短是主要限制因素。与波长较长的雷达波段(如 L 和 P)相比，C 波段雷达穿透植被冠层的能力有限，无法获取完整的森林结构信息，因此，采用较长波长(如 L 和 P 波段)的 Sentinel-1 数据和 Sentinel-2 联合，可以提高地上生物量反演的准确性16。第 2 个潜在的因素是本研究没有考虑 Sentinel-1 的纹理信息。有研究表明：Sentinel-1 的后向散射系数及其衍生参数(如：VH+VV 或 VHVV)的纹理信息对地上生物量制图具有较大的贡献度23。因此，在未来的研究中，应考虑将纹理信息结合起来，以改善地上生物量估计。光学数据在绘制地上生物量估计方面容易存在饱和现象16，但对本研究森林的地上生物量反演影响不明显。一方面，Sentinel-2 具备较高的空间分辨率，有助于提高地上生物量的反演能力。另一方面，在本研究中，生物物理参数(fapar、fcover 和 LAI)、植被指数和红边谱段对地上生物量估计具有重要作用。植被指数和光谱波段在以往的研究中已经被证实其有效性，但 Sentinel-2 反演的生物物理参数对地上生物量建模的重要性和贡献性少有探究。在本研究中，仅使用生物物理参数(S2-biophysical，ERMS=37.69)比使用所有光谱波段(S2-spectral，ERMS=42.95)得出的精度更高。并且，它在地上生物量估50100 150 200 250 30050100 150 200 250 30005010015020025030050100 150 200 250 30050100 150 200 250 30050100 150 200 250 30005010015020025030050100 150 200 250 300R2=0.47ERMS=49.11R2=0.36ERMS=52.97R2=0.68ERMS=37.69R2=0.60ERMS=42.95R2=0.66ERMS=40.12R2=0.78ERMS=31.56S1-allS2-spectral估计值/(Mg hm2)050100150200250300估计值/(Mg hm2)050100150200250300估计值/(Mg hm2)估计值/(Mg hm2)实测值/(Mg hm2)实测值/(Mg hm2)实测值/(Mg hm2)实测值/(Mg hm2)实测值/(Mg hm2)实测值/(Mg hm2)050100150200250300估计值/(Mg hm2)050100150200250300估计值/(Mg hm2)S2-biophysical S2-allS1S2-allS1-backscatter图7地上生物量实测值与估计值散点图Figure7Scatterplotsofmeasuredandestimatedvaluesofabove-groundbiomass第 40 卷第 5 期卢佶等：基于多时相光学和雷达遥感的太平湖生态保护区森林地上生物量反演1089计中的表现优于所有 Sentinel-1 数据，证明了生物物理参数对亚热带针阔混交林地上生物量估计的优势。在所有的地上生物量模型中，结合 Sentinel-1 和 Sentinel-2 数据取得了最好的结果，其他相关研究也发现了类似的结论2425。主要由于 2 个系统的成像技术、数据特征和信息内容不同，两者优势互补能够有效提高地上生物量估计。在本研究中，使用年内的时间序列数据，包含不同季节进行组合，对 Sentinel-1和 Sentine-2 的互补性有了更深层次的探索。与周蔚等12仅采用 1 个时间数据结果(ERMS=37.05Mghm2)相比，本研究结果(ERMS=31.56Mghm2)有一定程度的提高，这说明不同时间序列的 Sentinel 数据越多，对地上生物量建模的准确性越好。3.2基于 Sentinel 数据地上生物量建模的重要性变量和采集季节本研究显示：生物物理参数 LAI、fapar 和 fcover 的贡献度比植被指数、光谱波段、雷达极化参数及其衍生指数大。CHEN 等26获得了类似的结果，发现 LAI 和地上生物量之间的相关性更高。值得注意的是，不同生物物理变量的重要性与植被组成和特征关系紧密。本研究区森林比较郁闭，LAI 对地上生物量估计起到关键作用。然而，如果是稀疏的草原林地，林下灌草茂密对整个林分 LAI 贡献较大，相反 fapar 参数将起到较大的贡献作用。此外，对于仅考虑 Sentinel-1 的模型，VH 极化和 VH+VV 参数具有较高的重要性，这也验证了交叉极化(HV，VH)比同极化(HH，VV)更适用于地上生物量估计。S2-all、S2-biophysical 和 S2-spectral 模型的变量重要性图显示：生长季(69 月)对研究区的地上生物量建模很重要。这主要是由于大多数植被类型在该季节有较高的植被覆盖率。同时，涉及 Sentinel-1数据的模型(S1S2-all、S1-all 和 S1-backscatter)在旱季(10 月至翌年 5 月)获取的图像对研究区地上生物量的建模也很重要。其他相关研究也表明：Sentinel-1 数据对植被冠层、水含量、土壤水分等季节性变化产生差异2728。其主要原因是较短波长的 X 波段和 C 波段对地表水分比生物量更加敏感29。此外，Sentinel-1 对树冠穿透力有限，对稀疏的森林地上生物量估计是有利的，尤其是对落叶森林。因为在旱3 月_fcover6 月_B41 月_B86 月_LAI1 月_LAI6 月_STVI112 月_VH+VV6 月_B212 月_fapar6 月_STVI23 月_fapar12 月_VH9 月_fcover3 月_LAI9 月_LAI0246810 12 14IncMSE/%变量6 月_fapar6 月_fcover1 月_fapar6 月_LAI3 月_fcover12 月_fcover12 月_fapar12 月_LAI1 月_fcover9 月_fapar9 月_fcover3 月_fapar1 月_LAI9 月_LAI3 月_LAI0246810 12 14IncMSE/%变量3 月_B36 月_B59 月_B36 月_B66 月_B81 月_B66 月_B8A3 月_B21 月_B512 月_B66 月_B71 月_B46 月_B36 月_B46 月_B20246810IncMSE/%变量3 月_fcover1 月_B812 月_fapar6 月_LAI1 月_NDWI1 月_LAI6 月_STVI16 月_B29 月_fcover6 月_STVI212 月_LAI9 月_fapar6 月_fapar3 月_LAI9 月_LAI0246810 12 14IncMSE/%变量6 月_VH1 月_VH+VV6 月_VV1 月_VH3 月_VH3 月_VV9 月_VH12 月_V