基于TanDEM-X数据和...三阶段算法反演森林冠层高度_张国飞.pdf

第 58 卷 第 4 期2 0 2 2 年 4 月林业科学SCIENTIASILVAESINICAEVol.58,No.4Apr.,2 0 2 2doi:10.11707/j.1001-7488.20220416收稿日期:2020-12-28;修回日期:2021-12-30。基金项目:国家自然科学基金项目(42061072);云南省科技厅重大 科 技 专 项 子 课 题(202002AA00007-015);云 南 省 教 育 厅 项 目(2018JS330)。岳彩荣为通讯作者。部分样地数据由中国林业科学研究院提供,谨此致谢。基于 TanDEM-X 数据和改进三阶段算法反演森林冠层高度张国飞章皖秋岳彩荣(西南林业大学林学院昆明 650224)摘要:【目的】提出一种基于 TanDEM-X SAR 数据的 RVoG 模型三阶段算法反演森林冠层高度,以解决 RVoG模型实际应用中模型成立条件难以严格满足、受地形影响导致森林冠层高度估测精度不高的问题。【方法】以云南省普洱市思茅区思茅松纯林和混交林为研究对象,开展经典三阶段算法、地面相位优化的三阶段算法、纯体散射复相干优化的三阶段算法和低估补偿改进的三阶段算法反演森林冠层高度试验。【结果】RVoG 模型经典三阶段算法反演森林冠层高度存在低估现象(r=0.11,bias=-26.20 m,RMSE=7.16 m),地面相位优化的三阶段算法、纯体散射复相干优化的三阶段算法、低估补偿改进的三阶段算法反演森林冠层高度的估测精度较经典三阶段算法提高,其中低估补偿改进的三阶段算法反演森林冠层高度的改善效果最佳(r=0.79,bias=-1.69 m,RMSE=2.56 m);思茅松纯林的估测效果(r=0.81,bias=1.40 m,RMSE=2.27 m)优于思茅松混交林(r=0.72,bias=-3.09 m,RMSE=2.87 m)。【结论】相比经典三阶段反演算法,基于 TanDEM-X SAR 数据的改进三阶段反演算法估测精度更高。关键词:TanDEM-X;极化合成孔径雷达干涉测量;森林冠层高度;三阶段反演算法;RVoG 模型中图分类号:S758.5文献标识码:A文章编号:1001-7488(2022)04-0152-13Forest Canopy Height Retrieval Based on TanDEM-X Data and Improved Three-Stage Inversion AlgorithmZhang GuofeiZhang WanqiuYue Cairong(Forestry College,Southwest Forestry UniversityKunming 650224)Abstract:【Objective】The random-volume-over-ground(RVoG)model has been widely used to estimate forest height through polarimetric and interferometric synthetic aperture radar(PolInSAR)technology,and the three-stage inversion algorithm is a geometrical method to solve the RVoG model to estimate forest canopy height.However,the conventional three-stage algorithm,solving the ground phase and the volume coherence based on the polarization scattering features of L and P bands,could not accurately estimate the ground phase and the volume coherence with TanDEM-X data of X-band.In practical application,the establishment conditions of the model were difficult to strictly meet,and due to the influences of terrain,the accuracy of tree overestimation was not high.In order to improve the estimation accuracy,an improved method of forest height retrieval based on RVoG model and TanDEM-X SAR data was proposed in this paper.【Method】The research object was Pinus kesiya var.langbianensis pure forest and P.kesiya var.langbianensis mixed forest in Simao district of Pu er city.The experimental method included:(1)the classical three-stage inversion algorithm,(2)the improved three-stage inversion algorithm with the ground phase optimization,(3)the improved three-stage inversion algorithm with the volume coherence optimization and(4)the improved three-stage inversion algorithm with underestimation compensation.【Result】The results showed that:the forest height of method (1)based on RVoG model was underestimated(r=0.11,bias=-26.20 m and RMSE=7.16 m);the estimation accuracy of method (2),(3)and(4)was better than that of method (1),in which method (4)was the best(r=0.79,bias=-1.69 m and RMSE=2.56 m);the estimation effect of P.kesiya var.langbianensis pure forest(r=0.81,bias=1.40 m and RMSE=2.27 m)第 4 期张国飞等:基于 TanDEM-X 数据和改进三阶段算法反演森林冠层高度was better than that of P.kesiya var.langbianensis mixed forest(r=0.72,bias=-3.09 m and RMSE=2.87 m).【Conclusion】Compared with the classical three-stage inversion algorithm,the improved three-stage inversion algorithm based on TanDEM-X SAR data might have a better accuracy in this paper.Key words:TanDEM-X;PolInSAR(polarimetric and interferometric synthetic aperture radar);forest canopy height;three-stage inversion algorithm;RVoG(random-volume-over-ground)model森林是地球上面积最大的陆地生态系统,是全球生物圈中重要的一环,对维系整个地球的生态平衡发挥着不可替代的作用(Minh,2020)。森林高度是森林最基本的结构参数之一,是重要的林分测量因子,对估算森林生物量、预测生物多样性等均具有重要意义(Sexton et al.,2009);然而,受森林分布、复杂地形条件、天气条件等因素制约,大范围开展森林高度测量一直是森林调查的技术难题。合成孔径雷达(synthetic aperture radar,SAR)是 20 世纪 50 年代末研制成功的一种微波传感器,具有获取植被表面极化和干涉模式数据的能力,被广泛用于森林结构和生物物理参数反演(Kumar et al.,2017),其中合成 孔 径 雷 达 干 涉 测 量(interferometric synthetic aperture radar,InSAR)和极化合成孔径雷达干涉测量(polarimetric and interferometric synthetic aperture radar,PolInSAR)对森林体散射的形状、方向和垂直结构比较敏感,可获得不同植被高度下不同极化干涉复相干,大量用于森林结构监测(Cloude et al.,1998;Papathanassiou et al.,2001)。PolInSAR 技术综合 InSAR 技术对体散射垂直结构的量度性以及 PolSAR 技术对体散射形状和方位的敏感性,能够生成任意极化散射机制下的复相干影像,各极化散射机制与森林结构特征相对应,为提取森林结构信息奠定了物理基础(Cloude et al.,1998;Bamler et al.,1998;Papathanassiou et al.,2001)。Cloude 等(1998)首次利用不同散射机制干涉优 化 算 法 估 测 了 森 林 冠 层 高 度。Treuhaft 等(1996;1999;2000)提出的 RVoG(random-volume-over-ground)模型是当前 PolInSAR 技术估测森林冠层高度机理模型的基础。Papathanassiou(2001)将极化干涉相干优化算法与 RVoG 模型相结合,提出了单基线 RVoG 复相干模型树高反演 6 参数法,并采用非线性迭代优化进行解算。Cloude(2003)基于复相干几何分布特征提出的 RVoG 复相干模型经典三阶段算法,简化了森林冠层高度估测的复杂性(Garestier et al.,2007;2008;Chen et al.,2011;Lu et al.,2013)。但由于受地形相位估计误差、纯体相干性估计误差的影响,经典三阶段算法反演森林冠层高度存在低估现象(Kumar et al.,2017;Kugler et al.,2015;Khati et al.,2015;Denbina et al.,2016;解清华等,2015;章皖秋,2018),如 Khati 等(2015)采用经典三阶段算法和 TanDEM-X 数据反演印度热带林区森林冠层高度,低估了 710 m;解清华等(2015)通过 SAR 数据仿真发现,在郁闭度较大的森林中各极化通道相位中心相对集中,地面相位中心偏高,森林冠层高度也被低估(RVoG 模型通过求解地面相位中心与体散射相位中心之间的距离及体散射幅度估测森林冠层高度)。RVoG 模型经典三阶段算法根据 L、P 长波长的极化散射特征解算地面相位和体散射,在应用于短波长 X 波段时会出现地面相位、纯体散射复相干估计不准确等问题,导致无法估测出合理的森林冠层高度。当前在轨星载 SAR 系统数据大多需要重轨获取,森林冠层高度估测时受时间失相干影响严重(Kumar et al.,2017;范亚雄等,2020),而 TanDEM-X 星载数据采用一发双收模式对地物进行观测,零时间基线。鉴于此,本研究从 X 波段的极化散射机制出发,提出针对 X 波段数据 RVoG 模型经典三阶段反演算法的优化方法,并用 TanDEM-X 数据进行验证,以解决 RVoG 模型实际应用中模型成立条件难以严格满足、受地形影响导致森林冠层高度估测精度不高的问题。1研究区概况与数据1.1研究区概况研究区位于云南省普洱市思茅区(22.8 N,100.9E),地处北回归线附近,滇南热带与南亚热带的过渡地带,干湿季分明,年均气温 1520.3 ,年降雨量 1 100 2 780 mm,平均海拔 1 320 m。区内森 林 覆 盖 率 67%,思 茅 松(Pinus kesiya var.langbianensis)为主要森林类型,林内常混交红木荷(Schima wallichii)、刺栲(Castanopsis hystrix)、小果锥(C.fleuryi)、茶梨(Anneslea fragrans)和毛银柴(Aporusa villosa)等乔木树种(李江,2011;章皖秋,2018)。1.2样地数据选取思茅松人工林为研究对象,设置 90 块调查样地(图 1),其中思茅松纯林样地 47 块、混交林(以351林业科学58 卷思茅松为主要优势树种的针阔混交林)样地 43 块。数据采集时间为 2018 年 12 月和 2020 年 1 月,采用分层随机抽样设置样地,大小为 20 m20 m,在样地范围内进行每木调查,起测胸径 5 cm,调查因子包括树种、树高、胸径、郁闭度和地况,见表 1。图 1研究区位置(上)与样地分布(下)Fig.1Location of study area(top)and plot distribution(bottom)表 1调查样地数量和林分参数Tab.1Number and stand parameters of field plots森林类型Forest types样地数量Plot number林分参数Stand parameters均值Mean最大值Max.最小值Min.思茅松混交林P.kesiya var.langbianensis mixed forests43森林平均高度Forest mean height/m17.324.013.2郁闭度Canopy density0.60.80.3思茅松纯林P.kesiya var.langbianensis pure forest47森林平均高度Forest mean height/m14.219.53.6郁闭度Canopy density0.50.60.3森林高度估测基于对森林冠层微波散射中心位置的推断,估测值理论上与森林冠层表面高度最接近,但考虑到地面测量难度,本研究以样地内单木树高算术平均值作为森林冠层高度的替代值。研究区森林高度主要分布在 10 20 m,平均高度 15.7 m(纯林平均高度 14.2 m,混交林平均高度 17.3 m),最小高度 3.6 m,最大高度 24.0 m。1.3卫星数据采用零时间基线的 TerraSAR-X 和 TanDEM-X全极化干涉产品,产品参数描述见表 2。图 2 所示为 TDX CoSSC 产品主辅图像 Pauli 假彩色合成图(HH-VV、HV+VH、HH+VV)。2 种数据集分布于 HH、HV、VH 和 VV 4 个极化通道。在研究区范围内,地表产生的面散射、树枝和树叶随机定向产生的体散射、地表-树干相互作用产生的二面451第 4 期张国飞等:基于 TanDEM-X 数据和改进三阶段算法反演森林冠层高度角散射 3 种散射成分容易出现。表 2SAR 数据描述Tab.2Description of SAR data卫星 Satellite TSX-1/TDX-1获取日期 Date of acquisition2015-10-06极化方式 Polarization全极化 Complete polarization波段 BandX分辨率 Resolution/m2.71中心入射角 Center angle of incidence/()39.67基线 Effective baseline/m361.37升/降轨 Ascending/descending降轨 Descending2研究方法2.1RVoG 模型Treuhaft 等(1996;1999;2000)提出一种带有地面回波的随机方位体积层模型(RVoG)森林高度反演方法,森林被视为覆盖在地表的随机体粒子层,包含大量随机分布且相互独立的体散粒微粒。在雷达波入射角为 的二层 RVoG 模型(图 3)中,地表被认为是雷达波无法穿透的表面散射层,高度为 Z0,引起地面相位为 g,植被厚度为 hv,森林图 2主(左)辅(右)图像 Pauli 假彩色合成Fig.2Pauli colour composite of master(left)and slave(right)images红:HH-VV;绿:HV+VH;蓝:HH+VV。Red:HH-VV;Green:HV+VH;Blue:HH+VV.冠层高度为 Z0+hv。假定植被层的散射能量随高度增加呈指数变化,消除配准误差、大气去相干等影响后,基于 RVoG 模型的极化干涉复相干()表示(Treuhaft et al.,1999;Lu et al.,2013;Kugler et al.,2015)如下:()=hv0f(z)ejkzzdzhv0f(z)dz=ejgv+()()+1(1-v;(1)()=p1ep1hv-1Tg()Tv();(2)v=p1p2ep2hv-1ep1hv-1;(3)kz=m2sin。(4)式中:()为地面和植被二层模型极化干扰的总复相干,随极化散射机制()而变;g=kzZ0为地表高度 Z0引起的地面相位;()为有效地体散射幅度比(Papathanassiou et al.,2001;Hajnsek et al.,2009;Lu et al.,2013;Kumar et al.,2017;Minh,2020);Tg()为 反 射 对 称 地 面 散 射 相 干 矩 阵;Tv()为 体 散 射 对 角 相 干 矩 阵(Cloude,2003;Minh,2020);f(z)为雷达反射率垂直剖面,f(z)=e2cos z;p1=2/cos;p2=p1+ikz;为植被层消光系数;v为植被层纯体散射引起的干涉复相干;kz为垂直有效波数,若干涉条件为 Monostatic 则 m=2;若干涉条件为 Bistatic 则 m=1。为主辅影像入射角差异;为雷达波工作波长。551林业科学58 卷图 3RVoG 模型Fig.3RVoG model在 RVoG 复相干模型中,、kz可通过SAR 平台系统参数代入获得;g、()、hv、可通过求解 RVoG 复相干模型来估测森林冠层高度(李廷伟等,2009;章皖秋,2018)。2.2不同优化改进的三阶段算法反演森林冠层高度本研究设计 4 种方法反演森林冠层高度,主要步骤见图 4。方法 1 采用经典三阶段反演算法,作为基准模型;其他 3 种方法分别为地面相位优化估计、纯体散射复相干优化估计和低估补偿改进三阶段反演算法,是一个逐步改进的优化过程,以检验优化方法在森林高度估测方面的性能增益。地面相位优化估计、纯体散射复相干优化估计处于三阶段反演算法的第二、三阶段,低估补偿改进算法针对三阶段反演算法估测的地面相位可能高于实际地表导致的高度低估情形,3 种优化方法亦可单独使用。图 4中阴影步骤为方法改进部分。2.2.1方法 1 经典三阶段反演算法经典三阶段算法是一种基于 RVoG 模型的几何分布特征反演算法,分为 3 个阶段(陈兵等,2008)。第一阶段:各极化复相干直线拟合。根据式(1),各极化复相干(包括 HH、HV、VH、VV、HH+VV、HH-VV、LL、RR、OPT1、OPT2、OPT3、PDhigh、PDlow 等 13 种)在 复 平 面 单 位 圆(complex unit circle,CUC)的轨迹呈直线形式。三阶段算法采用总体最小二乘法拟合复相干拟合直线的参数(Minh et al.,2014;Cloude,2015),复 相 干 拟 合 直 线(complex fitting line,CFL)与 CUC 的 2 个交点的相位作为候选地面相位,见图 5。第二阶段:从候选交点中确定地面相位。有效地体散射幅度比()可以克服这一模糊性,即当(),()仅包括林下地表的面散射。经典三阶段算法选择拟合直线上距离 HV较远的交点作为林下地表的面散射,其相位为地面相位(Cloud,2003;Kugler et al.,2015)。第三阶段:确定纯体散射。经典三阶段算法认为,体散射信号主要集中于交叉极化通道 HV 和VH,即HV作 为 纯 体 散 射 复 相 干 观 测 值(observedv),其在拟合直线(CFL)上的垂直投影作为纯体散射复相干估计值(Papathanassiou et al.,2001;章 皖 秋,2018),通 过 hv、构 建 的 查 找 表(look up table,LUT)估测森林冠层高度。为了检验各优化方法在森林高度估测方面的性能增益,本研究 4 种方法均采用固定的消光系数()。已有研究发现,热带阔叶林和针叶林的消光系 数 为 0.1 0.9 dBm-1(Hajnsek et al.,2009;Caicoya et al.,2012),反演森林高度时,针叶林的消光系数固定值为 0.2 dBm-1(Caicoya et al.,2012)、热带森林的消光系数固定值为 0.3 dBm-1(Hajnsek et al.,2009)和 0.4 dB m-1(廖展芒,2019)。本研究中,思茅松林消光系数取 0.2 dBm-1;另外,hv限制在 530 m 之间。在 方 法 1 中,估 测 的 森 林 冠 层 高 度 称为 Classic_H。2.2.2方法 2 地面相位优化的三阶段反演算法该方法旨在检验地面相位优化的三阶段反演算法对森林冠层高度估测的影响,算法其余部分与方法 1 相同。经典三阶段算法中,地面相位通过比较 HV与候选交点的距离进行估测(Papathanassiou et al.,2001;Krieger et al.,2007;解清华等,2015),但受地形起伏和枝叶生长方向不确定性的影响,X 波段HV 极化通道不一定在林冠顶部,有可能接近地面(Cloude,2015;Denbina et al.,2016),同时 X 波段极化复相干分布相对集中,并趋于某一交点(Krieger et al.,2007;Kugler et al.,2015),在这 2 种情况下,经典三阶段算法可能错误估测地面相位。本研究参考 PDlow估测地面相位,PDlow 和 PDhigh是极化空间相位差异最大的极化干涉复相干,PDlow相位中心接近森林底部(Flynn et al.,2002;Krieger et al.,2007;解清华等,2015),同侧的交点应该是地面层交点。具体步骤如下:第一步,计算各观测复相干值与 2 个交点之间651第 4 期张国飞等:基于 TanDEM-X 数据和改进三阶段算法反演森林冠层高度图 44 种方法的主要步骤Fig.4Main procedures for the four different methods的相位差,并分别按从小到大排序:i,=absarg()e-ji,i=1,2;(5)751林业科学58 卷图 5复平面单位圆内相干线的几何表示Fig.5The geometrical representation of coherence line inside the complex unit circleRank 1:1,Rank 2:2,。(6)第二步,若 PDlow在 Rank 1 中位居前 3 位,则g=1;若 PDlow在 Rank 2 中位居前 3 位,则 g=2;若 2 组排序均没有超过前 3 位,则 1和 2分别作为候选地面相位,得到 2 个冠层高度估测值,选择估测值在合理范围内的候选地面相位作为 g输出(Cloude,2003;章皖秋,2018)。在 方 法 2 中,估 测 的 森 林 冠 层 高 度 称 为Improve_H1。2.2.3方法 3 纯体散射复相干优化的三阶段反演算法该方法旨在检验纯体散射复相干优化的三阶段反演算法对森林冠层高度估测的影响,算法其余部分与方法 2 相同。经典三阶段算法中,HV作为纯体散射复相干观测值,其在拟合直线上的垂直投影作为纯体散射复相干估计值,此时,HV接近 0,HV与地面(wg)距离 最 远(Papathanassiou et al.,2001;章 皖 秋,2018),但垂直投影会改变纯体散射复相干有效观测值的模值和相位,容易引入误差(Cloude,2015;章皖秋,2018),见图 6。因此,本研究提出纯体散射优化估计,即从各极化复相干中筛选出纯体散射复相干观测值,并采用模值不变投影方法估计纯体散射。具体步骤如下:第一步,从散射观测值(observed)中选择体相干观测值(observedv)。X 波段波长短,穿透性差,其回波主要来自林冠上部枝叶,依据极化复相干算法原理和前期研究成果(章皖秋,2018),PDhigh 和 OPT3 的干涉相位可能高于森林冠层。因此,本研究图 6模值不变方式投影Fig.6The projection of unchanged module of complex coherence将 PDhigh、OPT3和 PDlow排除,从 HH、HV、VH、VV、HH-VV、HH+VV、OPT1、OPT2、LLV、RR中选取距离地面相位最远的复相干作为体相干有效观测值。第二步,采用模值不变投影方法估计纯体散射(v)。首先,以坐标原点为圆心、以体散射有效观测值(observed)的模值为半径作圆;然后,计算圆与拟合直线(CFL)的交点 p1和 p2,取离垂直投影点 p 距离较小的交点 p1作为纯体散射(v),如下式:x=-B B2-4AC2Ay=kx+bA=k2+1B=2kbC=b2-m2。(7)式中:x 为(v)的实部;y 为(v)的虚部;k 为拟合直线的斜率;b 为拟合直线的截距;m 为体散射观测值的模值|(observedv)|。若体散射观测值(observed)距拟合直线距离很近,则 p1与 p 相差不是很大;若圆与拟合直线没有交点,则用垂直投影点 p 替代,如图 6 所示。在 方 法 3 中,估 测 的 森 林 冠 层 高 度 称 为Improved_H2。2.2.4方法 4 低估补偿改进的三阶段反演算法 该方法旨在检验低估补偿改进的三阶段反演算法对森林冠层高度估测的影响,算法其余部分与方法 3 相同。X 波段波长短,在森林区域易出现穿透不深的情况,尤其在局部入射角较大的背向雷达波波面上或林冠茂密的区域,经典三阶段算法估测的地面相851第 4 期张国飞等:基于 TanDEM-X 数据和改进三阶段算法反演森林冠层高度位可 能 高 于 实 际 地 表,造 成 森 林 冠 层 高 度 低 估(Parks et al.,2013;解清华等,2015)。因此,本研究基于 PDlow相位更接近地表的假设条件,提出一种三阶段低估补偿算法,以改善 X 波段 SAR 数据估测时森林冠层高度被低估的现象。具体步骤如下:第一步,计算相位差。计算纯体散射复相干与地面相位的相位差 v,g=arg(v)e-jg 以及纯体散射复相干与 PDlow复相干的相位差 v,PDlow=arg(v)PDlow。第二步,判 断 地 面 相 位 位 置。如 果 v,gv,PDlow,地面相位处于 PDlow复相干相位下方,森林冠层估测高度不需要补偿;如果 v,g v,PDlow,地面相位估计值高于 PDlow相位,森林冠层估测高度需要补偿,进入下一步。第三步,高度补偿。计算地面相位与 PDlow的相位差,并转换为高度差,将高度差加 Improved_H2上,如下式:Compensated_H=Improved_H2+arg(ejgPDlow)kzarg(v)e-jg arg(v)PDlowImproved_H2其他。(8)图 7研究区的地面相位Fig.7Estimated ground phase of study areaa.参考 HV的地面相位 Ground phase estimated referring to HV;b.参考 PDlow的地面相位 Ground phase estimated referring to PDlow.在 方 法 4 中,估 测 的 森 林 冠 层 高 度 称 为Compensated_H。951林业科学58 卷采用皮尔逊相关系数(r)、均方根误差(RMSE)和偏离率(bias)对所有算法进行检验:r=ni=1(yi-y-i)(y i-y-i)(yi-y-i)2(y i-y-i)2;(9)RMSE=Ni=1(yi-y i)2n;(10)bias=Ni=1(y i-yi)。(11)式中:N 为样本数;yi为样本值;y i为预测值;y-i为样本平均值。3结果与分析3.1地面相位优化根据 RVoG 模型,地面相位是由林下地表高程引起的相位。林下地表高程属于连续表面,地面相位形成的条纹应清晰光滑、有规律性。与经典三阶段算法估测的地面相位(图 7a)相比,优化三阶段算法估测的地面相位(图 7b)条纹清晰、斑点少,表明以 PDlow相位为参考的地面相位优化估计有利于改善森林冠层高度估测。3.2森林冠层高度估测经典三阶段反演算法和 TanDEM-X SAR 数据反演森林冠层高度出现低估现象,90 块思茅松样地偏离率为-26.20 m,Classic_H 与样地实测高度的相关性低,精度不高(r=0.11,RMSE=7.16 m)。图8a1、b1 显示,大部分散点分布在 y=x 线以下。与 Classic_H 相比,地面相位优化可改善森林冠层高 度 低 估 现 象,偏 离 率 从-26.20 m 提 高 至-9.19 m,Improved_H1 与样地实测高度的相关性和精度均 有 所 提 高(r=0.46,RMSE=4.00 m)。图8a2、b2 显示,大部分散点分布在 y=x 线两侧,说明地面相位优化方法有效。与 Improved_H1 相比,纯体散射复相干优化的三阶段反演算法在森林冠层高度低估和模型反演精度方面 改 善 效 果 不 明 显(bias 从-9.19 m 提 高 至-7.31 m,RMSE 从 4.00 m 提高至 3.57 m);但筛选体散射复相干观测值和模值不变投影方法使估测高度与实 测 高 度 的 相 关 性 优 化(r 从 0.46 提 高 至0.62),说明个别样地的估测精度有所提高(图 8a3、b3)。与 Improved_H2 相比,低估补偿改进的三阶段反演算法可进一步改善森林冠层高度低估现象,偏离率从-7.31 m 提高至-1.69 m,Compensated_H 与样地实测高度的相关性和精度有所提高(r=0.79,RMSE=2.56 m)(图 8a4、b4)。从 4 次试验的反演结果看,与思茅松混交林相比,三阶段优化算法对思茅松纯林的适应性更好。在方法 1、2、3 中,增加思茅松混交林样地后,总体样本森林冠层高度与实测高度的皮尔逊相关系数降低,均方根误差精度降低;在方法 4 中,增加思茅松混交林样地后,总体样本森林冠层高度与实测高度的皮尔逊相关系数没有太大变化,而均方根误差精度降低(表 3)。总体结果表明,在 4 种森林冠层高度估测方法中,本研究提出的优化方法能够逐步提高估测精度。图 9 为森林冠层估测高度 Compensated_H 分布。从反演结果来看,研究区森林冠层高度主要分布在1622 m 之间(图 9b),与研究区 2016 年森林二调数据样地林分平均高度(16 20 m)具有一致性(云南省林业调查规划院,2016)。4讨论方法 1 经典三阶段反演算法估测森林冠层高度存在低估现象,可能是 X 波段穿透性差引起地面相位和纯体散射复相干估计不准确导致的(解清华等,2015;Denbina et al.,2016;章 皖 秋,2018;Parks et al.,2013)。针对地面相位估计不准确的问题,本研究提出参考 PDlow估计地面相位,结果发现优化后的地面相位比经典三阶段算法条纹更清晰。针对纯体散射复相干估计不准确的问题,本研究提出纯体散射复相干优化估计,从各极化复相干中筛选出纯体散射观测值,采用模值不变投影方法估计纯体散射。方法 2 和 3 均可改善三阶段反演算法的森林冠层高度估测精度。森林结构是森林冠层高度估测精度的主要影响因素之一。在幼龄林或稀疏林分中,郁闭度较小,雷达波大部分穿透地面,森林冠层体散射在回波信号中占比较小,纯体散射复相干的一部分是由地面复相干引起的,导致森林冠层高度异常估计(解清华等,2015;Denbina et al.,2016;章 皖 秋,2018;Parks et al.,2013;Sadeghi et al.,2016),如研究区2 块幼龄林样地(林分平均高度为 4 m 和 3.6 m)的高度估测出现异常(图 8b 中已标注)。在冠层密度中等、垂直结构单一的针叶纯林林分中,冠层结构相似,外形近似随机散射粒子层,回波信号主要来自整个冠层,采 用 优 化 三 阶 段 反 演 算 法 和 TanDEM-X SAR 数据估测的森林冠层高度接近实测高度。在061第 4 期张国飞等:基于 TanDEM-X 数据和改进三阶段算法反演森林冠层高度图 8估测高度和样地实测高度的散点图Fig.8The scatter plots between estimation heights and measured heightsa1、a2、a3 和 a4 为思茅松混交林样地;b1、b2、b3 和 b4 为思茅松纯林样地;橙色圈内的样地为思茅松幼龄林。a1,a2,a3 and a4:plots in P.kesiya var.langbianensis mixed forests;b1,b2,b3 and b4:plots in P.kesiya var.langbianensis pure forest;the plots in orange circle is young P.kesiya var.langbianensis forest.垂直结构复杂林分中,如针阔混交林,呈现 2 层或多层树冠结构,郁密度较大,雷达散射回波信号由多林层回波的相干叠加,散射相中心位置随林层结构不同而变化,森林冠层高度估测值与实测值的关系复杂多变。因此,当稀疏林分中郁闭度较小或垂直结构复杂林分中郁密度较大时,三阶段算法反演森林161林业科学58 卷表 34 种三阶段反演算法的验证结果Tab.3Validation results of the three-stage inversion algorithm from all approaches方法Methods评价指标Validation index思茅松混交林样地P.kesiya var.langbianensismixed forest plots思茅松纯林样地P.kesiya var.langbianensispure forest plots所有样地All plots方法 1Method 1r0.090.140.11bias/m-15.40-10.80-26.20RMSE/m8.076.327.16RMSE(%)56.7044.6445.82方法 2Method 2r0.450.490.46bias/m-6.44-2.75-9.19RMSE/m4.403.654.00RMSE(%)25.7925.4925.60方法 3Method 3r0.550.6