合成孔径雷达SAR在湿地中的应用综述.doc

作者简介：周环，女，首都师范大学资源环境与旅游学院硕士研究生。研究方向：GIS在环境科学中的应用
宫辉力，男，首都师范大学副校长，教授，博士生导师。研究方向：地图学与地理信息系统

合成孔径雷达（SAR）在湿地中的应用综述
周环1，宫辉力1，李小娟1，张有全1，2，李昂晟1，陈蓓蓓1
(1.首都师范大学资源环境与旅游学院， 北京100037, 2.中国科学院东北地理与农业生态研究所，长春130012)
摘 要：合成孔径雷达（SAR）近年来不断的发展与完善，已成为空间对地观测不可替代的重要技术之一。本文主要论述了合成孔径雷达在提取湿地土壤湿度、生物量及水位变化三方面的应用。详细论述了裸地土壤湿度、植被覆盖区土壤湿度应用模型的优缺点；不同波段和极化方式提取湿地生物量的敏感程度；以及利用水体表面和被水淹没的植物双向角反射回波所得SAR数据提取水位变化方法的优势和限制，这对以后开展合成孔径雷达在此领域的研究具有一定的参考意义。
关键词：合成孔径雷达 湿地 土壤湿度 生物量 水位变化
引 言
湿地是地球生态环境的重要组成部分，与森林、海洋一起并称为全球三大生态系统。它在涵养水源、蓄洪防旱、降解污染、调节气候、补充地下水、控制土壤侵蚀等方面均起到重要作用。而土壤湿度、植被生物量、水位变化是湿地研究中不可或缺的特征评价因子，对于定量研究湿地过程与发育模式，湿地的演化规律，湿地系统结构与功能等等，具有重要的意义。
传统对湿地的实测方法是基于点的测量，耗时、费力，难以提供整个区域范围内的湿地时空分布信息，因此，要准确获取某一湿地的详细信息十分困难。于是人类利用遥感技术来监测大区域湿地的情况。由于受到天气、植被覆盖层的影响或空间分辨率的限制，光学遥感、红外遥感和被动雷达遥感在精度和适用性方面存在着种种的欠缺。而合成孔径雷达（SAR）具有全天候、全天时的特点，可以连续地获取数据，确保监测工作的连续性，此外，SAR为侧视成像，能突出反映地物纹理特征，所以非常适合应用于湿地的识别和监测[1-4]。
一、合成孔径雷达在湿地中的应用
1.1土壤湿度提取
土壤湿度是湿地水的重要组成部分，是湿地植物赖以生存和正常生长发育的基本条件，并常常作为水文模型、气候模型、生态模型的输入参数。利用SAR 技术提取土壤湿度具有传统方法和光学遥感不可比拟的优势。SAR工作波长较光学遥感长，这时地表的微波散射特性直接与地表粗糙度、土壤含水量、复介电常数等地表参数相关，有利于地表参数的提取[2、5、6]；并且SAR对地物有一定的穿透能力，在一定程度上可以获取地表或地表覆盖物以下潜藏的信息[7、8]。
研究表明，土壤湿度的变化能够改变土壤的介电常数，从而影响遥感观测的后向散射系数[9],这是SAR提取土壤湿度的理论基础。但诸如植被覆盖、土壤表面粗糙度等其他因子也会引起介电常数的变化。因此，准确的提取土壤湿度还要去除土壤表面粗糙度、植被覆盖等因素的影响。
1.1.1 裸土地表土壤湿度提取研究进展
在裸露地表条件下，要得到地表土壤湿度值，必须分离地表粗糙度对雷达后向散射系数的影响，反演得到土壤湿度。许多国内外学者针对裸土地表土壤湿度提取问题都做了大量的研究，并取得了丰硕的成果。提出了适用于裸土地表散射的三类模型：
一、经验模型[10]：通过分析多波段、多极化、多角度、比较宽的粗糙度、土壤含水量条件下的散射计的实测数据集，Oh等人得到了后向散射系数同极化比和交叉极化比与介电常数及地表粗糙度的经验模型[11]；从中可直接得到同极化、交叉极化后向散射系数，此模型是在KS（K为自由空间波数，S为表面均方根高度）在0.1到6.0之间，
田间含水量百分数在0.09至0.31之间的条件下建立的，超出此范围其适用性有待于进一步验证。DUBOIS等人建立了描述裸土表面同极化后向散射系数与地表粗糙度、介电常数、入射角、入射频率等之间的经验模型[9]。从中可获取同极化后向散射系数，研究表明此模型只在KS（K为自由空间波数，S为表面均方根高度）小于2.5，雷达入射角大于30°时适用。经验模型一般比较简单，但最大的不足在于模型中涉及到的地表粗糙度参数只与表面均方根高度有关未考虑粗糙度谱对后向散射系数的影响，从理论上不能正确的描述真实地表的后向散射特征，并且经验模型是在有限的地表实测数据的基础上建立的，这就导致模型对实验区有很强的依赖性，适用范围小，不具有普适性。
二、理论模型：若假设表面的任何散射单元的曲率半径大于入射电磁波长的时候，便可以使用Kirchhoff模型近似[12]。Kirchhoff模型包括几何光学模型GO和物理光学模型PO；但是Kirchhoff模型无法用于交叉极化后向散射系数的计算。而当表面高程标准离差和相关长度都小于波长时，必须采用其他方法来对表面散射建模，其中用来研究小尺度粗糙度的经典模型是小扰动模型（SPM）[12]。Kirchhoff模型、SPM模型都只是在有限地表粗糙度范围内适用，许多自然地表的粗糙度超出了传统的面散射模型的适用范围。尤其当入射角大于40°时，模拟结果和实测数据吻合度差,制约了模型的适用性。IEM模型是由A.K.Fung等人于1992年提出的[13]，该模型能在一个很宽的地表粗糙度范围内再现真实地表后向散射情况。近年来，IEM模型经过不断改进和完善，模型模拟结果和精度得到不断提高。IEM模型由单散射项和多散射项两部分组成，在同极化的后向散射系数中以单散射的贡献为主，在交叉极化的后向散射系数中以多散射的贡献为主。IEM模型与前两个模型比较起来，虽然能适用于一个很宽的地表粗糙度范围，但表达式复杂，根本无法给出土壤水的具体解析形式，因此无法直接用于土壤湿度的反演。
三、半经验模型：SHI等利用单散射的IEM模型，模拟不同表面粗糙度和土壤体积含水量条件下表面后向散射特性的结果，建立了适用于L波段同极化后向散射系数组合与介电常数和地表粗糙度之间的相互关系,被称为Shi模型[14]。SHI模型是在IEM模型数值模拟的结果上建立起来的，虽然与实验区不存在依赖关系，适用范围更广泛，但是该模型是在L波段地表后向散射特性的数据结果上建立的，是否适用于其他波段的数据需进一步的验证。
1.1.2 植被地表土壤湿度提取研究进展
当植被覆盖度较高时，植被对微波信号的影响可以远远超过土壤湿度，从而使土壤湿度的提取变得困难、复杂。显然，当裸土地表散射模型应用到有植被覆盖的区域时，植被覆盖层将引起对土壤湿度的过低估计和对表面粗糙度的过高估计。基于以上认识，许多学者基于L波段SAR数据建立了植被散射模型（L波段SAR数据对低矮植被有良好的穿透性，可以有效探测植被覆盖下的土壤水分含量）。
一、经验模型：Bradley等利用车载雷达在地面实测数据的基础上，在不同植被覆盖（高粱、水稻、大豆和小麦）的条件下，将后向散射系数直接与土壤湿度相联系，建立了指数模型[9]。经验模型的建立比较简单，但一般只适用于特定的研究条件,如此模型建立在不同种类植被观测值的基础上，因此针对特定种类植被覆盖的土壤湿度提取精度不高。
二、理论模型：各国科学家为建立理论模型都做了大量工作，MIMICS模型是目前应用最为广泛的研究微波植被散射特性的理论模型，该模型是基于微波辐射传输方程一阶解建立的植被散射模型[15]。MIMICS模型对植被结构刻画较为详细，能够较为真实的模拟植被覆盖地表微波后向散射，不足在于模型的数学关系非常复杂，很难从中直接提取土壤湿度。
三、半经验模型：半经验模型综合了经验模型和理论模型的优点，模型通常使用很少的参数，但要使这些参数具有一定机理性的意义，在将模型用到具体的研究时，模型的参数用实测数据来确定。研究表明模型提取的湿度数据，结果与实测数据较吻合。在半经验模型中，最具有影响力和应用最广泛的是Attena和Ulaby建立的water-cloud模型[16]。该模型，植被用叶面积指数（LAI）或植被含水量等宏观变量来表述，这些宏观变量的运用，使模型简洁而直观，并且反演也比较容易。
1.2 生物量获取
湿地植被生物量的变化直接反映了湿地植被群落在自然环境条件下的生产能力。而湿地植被群落在蓄水、调节河川径流、补给地下水和维持区域水平衡中发挥着重要的作用。
湿地植被生物量的研究方法很多，在遥感领域以光学遥感为主。但前人的研究已经证明，光学遥感数据并不。
适合用来探测植被生物量，因为光学遥感数据的饱和生物量很低[17-20]；同时传统NDVI指数反映的主要是植被冠层。
的信息，对于垂直方向上的特征(例如树高和树干直径等)则显得无能为力，不能全面地获取植被的立体信息，另外，NDVI指数也只对适度密度的植被有效，对具有较高生物量的植被的敏感性不够[21]。而雷达的后向散射对生物量极为敏感[22～26]，并且具有侧视特点，所使用的波长比光学遥感的要长，具有一定的穿透性，能获得更准确的植被立体信息[27～29]。植被的生物量主要由树干和枝干来组成，它们通常占了60％ 以上的生物量 [30、31]。因此，SAR在植被生物量估算方面具有不可比拟的优势。利用SAR技术进行湿地植被生物量研究为估计生物量提供了最有前景的方法手段。
国外学者采用SAR技术估算生物量起步较早，也取得可喜成果。1997年， Kasischke等采用ERS-1卫星SAR图像对佛罗里达西南部湿地植被群落进行监测。结果表明雷达的后向散射特性对生物量极为敏感，但单波段单极化雷达的后向散射对生物量的敏感性在生物量达到一定水平时就会出现饱和。从波长角度来讲，雷达后向散射对生物量的敏感性与雷达的波长有关，波长越长，饱和点越高；从极化的角度来讲，一般HV极化对生物量最为敏感，VV极化敏感性较差。同年， Toan等用理论模型解译ERS-1和ERS-2卫星C波段观测数据值,证实了可以用ERS-1 SAR数据进行水稻面积测绘和参数估计。2000年, Hoekman等利用SAR数据比较分析不同波段及极化数据的不同组合在生物量估算中的精度，发现L波段或者P波段和HV极化的组合效果最好。2002年，Inoue等采用多频、全极化数据研究微波后向散射信号与水稻冠层生长参数的关系,并用一个经验方程模拟了水稻的后向散射。2003年， Moreau等针对安第斯山脉湿地牧场遭受过度放牧压力的问题，采用ERS-SAR数据获取了玻利维亚高原湿地牧场优势种的生物量信息。根据研究，建立了后向散射系数与生物量之间的定量关系。同年5月， Kazuki Nakamura等利用Pi-SAR数据对日本的Kushiro湿地生物量进行了研究，分析结果说明地上生物量与后向散射系数之间有很好的相关性。2007年，Isabelle Champion等提出利用星载雷达影像提取林段密度，从而明确雷达信号与生物量之间的关系，以雷达信号分布和影像灰度矩阵为基础，来计算树木纹理特征。结果显示，树木纹理特征随林段密度变化，当以雷达信号的平均强度为基础进行研究时，这一关系可以提高生物量估计的精确度。
近年来，国内学者也开始关注SAR技术在提取生物量方面的应用，并取得大量成果。2000年，曾琪明等从矢量辐射传输理论出发，建立了一套完整的基于水稻区的雷达后向散射物理模型，用来模拟水稻冠层的后向散射系数。2001年，上海复旦大学张巍研究得出HH极化后向散射系数与生物量之间的反演曲线，结果指出：在植被不是十分密集的情况下，随着植被生物量的增长，后向散射系数也在增长。有了这种植被的反演曲线，就可以用雷达测到的后向散射直接反演出该种植被的生物量。2004年，于祥等的研究结果表明，雷达的长波段后向散射与地表生物量显著相关，在P(0.44GHZ),C(5.3GHZ)和L(1.2 5 GHZ)波段，随着波长的增加，雷达后向散射系数随着生物量显著变化，并且在P波段达到最大值，其中，P-HV和L-HV对生物量的敏感度最高。2003年，中科院遥感所董彦芳等以ENVISAT ASAR为数据源分析了水稻参数与雷达后向散射系数的关系。结果发现对于HH极化，在水稻生长周期的开始阶段，稻田的后向散射系数比较低（约为-20dB），在成熟期后向散射系数的值达到-8到-6dB，因此SAR数据可以用来鉴别水稻生长阶段，可有效的测定水稻面积，实现水稻估产。2005年，中国林科院王晓慧经分析提出，高分辨率的X和C波段雷达影像纹理信息与L和P波段雷达影像后向散射信息在生物量研究中可以互为补充。2006年，中山大学黎夏等人以RADARSAT-SAR为数据源根据线性回归模型，建立了雷达影像后向散射系数和红树林的生物量估算模型，包括简单的线性模型和对数/指数转换模型。
总结前人成果，可以得出以下结论：① 当生物量达到一定水平时，单波段、单极化的雷达后向散射对生物量的变化也达到饱和，即不再敏感[32]；②雷达后向散射与生物量变化的关系与雷达的波长有关，波长越长，饱和点越高。在C、L和P波段，随着波长增加，雷达后向散射显著相关，生物量明显增加，并在P波段达到最高。③对于极化，一般HV极化对生物量最为敏感，VV极化敏感性较差[33]。因此，在估计生物量时，根据雷达后向散射与总生物量之间的关系，使用多通道的SAR数据比使用单频率、极化方式的数据能得到更好的精度。
1.3 湿地水位变化监测
水是湿地系统的基本生态因子和主要控制因素,水位变化对湿地结构和特征具有明显的雕塑作用,湿地水分条件和水位的变化直接影响到湿地植物物种组成、物种多样性和群落演替.基于SAR技术提取湿地水位变化主要有两种方法：一、利用SAR技术提取不同时期的湿地水体边界，再通过叠加外部的DEM模型来提取水位变化；二、利用不同时期水体表面和被水淹没的植物双向角反射回波所得SAR数据提取水位变化。
借助DEM来提取水位变化，在国内外的应用较多，但多数是基于光学遥感数据应用，将SAR技术与DEM模型结合提取水位变化，应用较少还处于摸索阶段。最新的理论成果是Louis Pasteur大学2007年应用ENVISAT ASAR GMM和WSM数据对中国鄱阳湖地区的地表覆盖类型进行了分类，较准确的分辨出林区、耕种区以及水体。并应用中低分辨率的ENVISAT ASAR、ENVISAT MERIS、SPOT/Landsat TM和SRTM DEM数据，通过建立数字高程模型来提取中国鄱阳湖地区的水域范围和水位变化，其结果与鄱阳湖北部地区湖口水文监测站数值接近。并采用变化检测技术进行洪水监测。结果表明该方法有较好的应用前景，也有较好的鲁棒性。此方法理论易懂，模型简单，适用性广，最大的缺点在于精度不高，不能满足要求高精度的应用实践。
利用不同时期水体表面和被水淹没的植物双向角反射回波所得SAR数据提取水位变化，近几年来主要是在国外取得了一些成果。加州大学地理系 2000年，利用L-HH波段SAR数据（SIR-C、JERS-1），监测得到了厘米精度的亚马逊流域河漫滩水位变化。Alsdorf等2001年，用SIR-C，L-HH波段雷达数据对亚马逊河漫滩水位变化再次作了研究，结果表明可利用水体表面和被水淹没的植物双向角反射回波所得数据提取水位变化，并且精度可达厘米等级。同年又利用JERS-1 SAR数据，提取得到亚马逊湖的水位变化，并用TOPEX-POSEIDON测高数据来校准，以此得到较准确的水位差。俄亥俄州立大学C.K. Shum等2002年，利用1992-2002年路易斯安娜四个站点的TOPEX/Poseidon卫星数据，应用重轨干涉技术提取了湿地水位变化信息。Wdowinski等2003年、Douglas E. Alsdorf等2005年分别应用JERS-1雷达数据和多通道SAR数据，根据淹没区水体与植被的二面角反射特点提取了佛罗里达南部沼泽地区与亚马逊河漫滩的水位变化，结果与实测具有高度一致性。2005年，美国地质勘查中心（U.S.G.S）Zhong Lu等人，利用C波段ERS-1和ERS-2 SAR数据对路易斯安娜东南地区湿地水位变化作了研究，为建立湿地水文模型和洪水预测提供了依据。2007年，F. M. Grings等人，用ENVISAT ASAR数据对阿根廷Paraná 河三角洲的Junco、Cortadera两个沼泽地的水位进行了观测，研究不同植被条件下的湿地水位，并建立电磁模型得出以下结论：在没有洪水的情况下湿地后向散射系数(σ0)是一个恒定值或已知值；当水位上涨时，σ0增大并达到一个最大值；当水位超过这个最大值时，σ0随水位的继续上涨而降低。
以上研究成果有力的证明了，利用SAR数据结合淹没区水体与植被的二面角反射方法提取水位变化的可行性和高精度性，为今后研究此类问题提供了新的理论和方法，它不受区域的限制又能够精确提取水位变化信息，理论和方法简单、易于广泛应用。但此方法最大的不足在于，它只适用于有淹没区植被的湿地，否则不能产生二面角反射进而提取不到水位变化。
二、结 语
目前， SAR在湿地中的应用还处于摸索阶段，远不如光学遥感广泛。原因主要有以下几个方面：一、对于SAR系统参数与应用领域的最优配置理论研究还没有形成体系。二、SAR 影像具有独特的几何变形和斑点噪声，极大地影响了SAR影像数据的应用推广；因此，努力寻求相干斑抑制、重要目标自动识别、星载SAR原始数据压缩以及多频谱（可见光、红外线、微波等）图像数据融合等技术突破是SAR今后发展的重要方向。三、SAR数据（强度、相位和极化信息）与地物间的相互作用机理以及散射模型的建立等方面的理论和实践都不成熟。但是，随着微波传感器飞速发展，SAR遥感数据处理方法与微波散射理论及应用模型的不断完善，SAR技术应用必将逐渐广泛。成像雷达遥感在各领域的研究中也将成为必不可少的对地观测技术之一，且日渐发挥愈来愈重要的作用。

参考文献：
[1]Bourgeau-chavezL .L ,K asischdeE S ,B runzell S M .et a l. Analysis of space-bonre SAR data for wetland mapping in Virginia riparian ecosystems [J] .International Journal Remote Sensing, 2 001,V o1.22,N o.1 8,3 6653687.
[2] N.Baghdadi,M .Benrier,R .Gauthieran dI .Neeson, Evaluation of C–Band SAR data for Wetlands mapping [J]. International Journal Remote Sensing,20 01,Vol..22,N o.l,71 -88.
[3]Jeremy Morley, Jan-Peter Muller, Sean Madden. Wetland monitoring in Mali using SAR Interferometry [Z]. http://www.ps.ucl.ac.uk/-jmorley.
[4] Pope,K .O .,Rey-Benayas, J .M ，and Paris, J. F. ,19 94,Radar remote sensing off orest and wetland ecosystems in the Central American tropics [J]. Remote Sens. Environ, vol. 48,pp. 205-219.
[5] Phinn S R, Stow D A, Mouwerik D V. Remotely sensed estimates of vegetation structural characteristics in restored wetland, Southern California [J]. Photogrammetric Engineering &Remote Sensing.19 99,6 5(4):485493.
[6] Ramsey,E .W .,(1 995),Monitoring flooding in coastal wetland spy using radar imagery and g round-based instruments [J]. Remote Sens.16:24952502.
[7]Dobson MC, Ulaby FT. Active Microwave Soil Moisture Research[J].IEEE Trans on G&Remote Sensing,1986,24:517-526
[8] T.T.Wilheit. Radiative transfr in a plane stratified dielectric [J]. IEEE Trans. Geosci. Electron, 1978,16:138-143.
[9] Dobson MC，Ulaby FT. Preliminary Evaluation of the SIR一B ResP0nse to soil Moisture，Surface Roughness，and Crop Canopy Cover [J].IEEE Trans on G&Remote Sensing，1986，24:517一526
[10] 舒士畏等，雷达图像及其应用[M].北京:中国铁道出版社，1989.
[11] Oh,Y, F.T.Sarabandi,and FT. Ulaby, Anempirical model technique for radar scattering from bare soil and an inversion Transactions on Geoscience and Remote Sensing [J]. IEEE 30,P 370-381, 1992.
[12] 任鑫.多极化多角度SAR土壤湿度反演算法研究[D].中国科学院.2003年6月
[13] Fung A K, et al,.1992.Backscatering from a randomly rough dielectric surface [J]. IEEE Trans. Geosci. Remote Sensing, 30:356-369
[14] J.c.shi，JBare.wang，A.丫Hsu，P.E.0，Neill，and E.T.Engman，Estimation of Surface Soil Moisture and Surface Roughness Parameter Using L-band SAR Image Data [J]. IEEE Transactions on Geosciences and Remote Sensing，35，1254一1266. 1997.
[15] Ulaby FT,Sarabandi K,Me Dmakd K,Michigan microwave canopy scattering mode [J].International Journal of Remote Sensing. 1990,11(7):1223-1253
[16]Attema, Ulaby FT. Vegetation modeled as a water cloudy[J].Radio Science,1978,13(2):357-364
[17] Toan Lo，Beaudoin T A，Riom J，et a1．Relating Forest Biomass to SAR Data[J]．IEEE TransGeosci Remote Sensing，1992，30：403~ 411．
[18] Rignot E， Zh'nmerman R， van Zyl J J． Space-borne Applications of P Band Imaging Radars for Measuring Forest Biomass[J]．IEEE TransGeosci Remote Sense，1995，33：1162～ 1169．
[19] Wang Y，Davis F W ，Melack J M ，et al． The Effects of Changes in Forest Biomass on Radar Backscatter from Tree Canopies[J]．Int J Remote Sense，1995，16：503~513．
[20] Karam M A，Amar F，LeVine D M ，et al．Understanding the Relation Between the Forest Biomass and the Radar Backscattered Signals[J]． In Proc IGARSS93，Tokyo，1993．573～ 575．
[21] Sader S A，W aide R B，Lawrence W T，et a1．Tropical Forest Biomass and Succession Age Class Relationships to a Vegetation Index Derived from Land sat TM Data[J]．Remote Sensing of Environment。1989。28：l43一l56．
[22] P. Shanmugam, Yu-Hwan Ahn, S. Sanjeevi, and A.S. Manjunath. Integration of ERS-2 SAR and IRS-1D LISS-III Image Data for Improved Coastal Wetland Mapping of southern India [J]. Korean Journal of Remote Sensing, Vol.19, No.5, 2003, pp.351~361
[23] Laura L. Hess, John M. Melack, Evlyn M.L.M. Novo, Claudio C.F. Barbosa, Mary Gastil. Dual-season mapping of wetland inundation and vegetation for the central Amazon basin [J]. Remote Sensing of Environment 87 (2003) 404–428.
[24]陈新芳,安树青，陈镜明,刘玉虹，徐驰，杨海波.森林生态系统生物物理参数遥感反演研究进展[J].生态学杂志，2005,24(9):1074一107
[25] Jane Whitcomb, Mahta Moghaddam, Kyle McDonald,Josef Kellndorfer, and Erika Podest. Wetlands Map of Alaska Using L-Band Radar Satellite Imagery[J]. IEEE TransGeosci Remote Sensing，2000

[26] Franck Garestier, Thuy Le Toan and Pascale Dubois-Fernandez. Forest Height Estimation Using P-band Pol-InSAR Data[J]. IEEE TransGeosci Remote Sensing，1999
[27] C.C. Lin, F. Hélière, B. Rommen, C. Buck, N. Floury, M. Davidson, and A. Wielders. Airborne and spaceborne ice sounding of Antarctica, Mars and Europa[J] U.S. Geological Survey and The National Academies; USGS OF-2007-1047
[28] Wataru Takeuchi, Masayuki Tamura, Yoshifumi Yasuoka. Estimation of methane emission from West Siberian
wetland by scaling technique between NOAA AVHRR and SPOT HRV[J]. Remote Sensing of Environment 85 (2003) 21–29
[29] Catherine Prigent, Elaine Matthews, Filipe Aires, William B. Rossow. Remote sensing of global wetland dynamics with
multiple satellite data sets[J]. GEOPHYSICAL RESEARCH LETTERS, VOL. 28, NO. 24, PAGES 4631-4634, DECEMBER 15, 2001
[30] Bergen, K.M., Zhao, T., Kharuk, V., Blam, Y. and Brown, D.G. 2008. Changing regimes: Forested land-cover dynamics in Central Siberia[J]. Photogrammetric Engineering & Remote Sensing 1974-2001
[31]廖静娟，成像雷达在森林生态研究中的应用[J]，遥感技术与应用，第13卷第2期，1998年6月。
[32] Sader S.A., R.R. Chowdury, L. Schneider, and B.L. Turner.   Forest change and human driving forces in Central America[J]. 2004. Chapter 4, pp. 57-76 in: G.Guttman, A. Janetos and D. Skole (Eds.),  Land Change Science: Observing, Monitoring and Understanding Trajectories of Change on the Earth's Surface. Kluwer Academic Publishers, The Netherlands.
[33] Kasischke, E.S., N.H.F. French, L.L. Bourgeau-Chavez and N.L. Christensen. Estimating release of carbon from 1990 and 1991 forest fires in Alaska[J]. Journal of Geophysical Research Jr.100:2941-2951. 1997.