遥感技术与应用, 2019, 34(5): 925-938 doi: 10.11873/j.issn.1004-0323.2019.5.0925

林业遥感专栏

基于光学多光谱与SAR遥感特征快速优化的大区域森林地上生物量估测

张少伟,1,2, 惠刚盈,1, 韩宗涛3, 孙珊珊3, 田昕3

1.中国林业科学研究院林业研究所，北京 100091

2.河南农业职业学院园艺园林学院，河南 郑州 451450

3.中国林业科学研究院资源信息研究所，北京 100091

Estimation of Large-scale Forest Above-ground Biomass based on Fast Optimizing Remotely Sensed Features from Pptical Multi-spectral and SAR Data

Zhang Shaowei,1,2, Hui Gangying,1, Han Zongtao3, Sun Shanshan3, Tian Xin3

1.Institute of Forestry，Chinese Academy of Forestry，Beijing 100091，China

2.College of Horticulture and Landscape，Henan Vocational College of Agriculture，Zhengzhou 451450，China

3.Institute of Forest Resource Information Techniques，Chinese Academy of Forestry，Beijing 100091，China

通讯作者: 惠刚盈（1961-）,男,陕西富平人,博士生导师，研究员，主要从事森林经营理论与技术研究。E⁃mail:hui@caf.ac.cn。

收稿日期: 2018-10-28   修回日期: 2019-09-25  

基金资助: 中央级公益性科研院所基本科研业务费专项资金项目.  CAFYBB2017QC005
中央级公益性科研院所基本科研业务费专项资金项目.  CAFYBB2017MB039
国家重点研发计划项目.  2017YFC0504005

Received: 2018-10-28   Revised: 2019-09-25  

作者简介 About authors

张少伟（1981-）,男，河南安阳人，博士,副教授，主要从事森林资源变化监测与经营研究E⁃mail:hncazsw@126.com , E-mail：hncazsw@126.com

摘要

针对基于多模式遥感手段的大区域森林地上生物量（AGB）定量反演效率低的问题，充分集成主、被动遥感对森林AGB多维观测特征，提高区域定量反演结果；针对两期反演结果分析，揭示区域森林AGB空间变化格局，为科学评估区域生态环境保护（如天然林保护）、提升国家生态环境遥感连续动态监测与预警能力提供支撑。以内蒙古大兴安岭林区为研究区，以2009年为主的光学LandsatTM5（TM）与ALOS-1 PALSAR，以及2014年为主的高分一号（GF-1）与ALOS-2 PALSAR两期主、被动遥感数据提取特征因子，利用快速迭代特征选择的k-NN方法（k-Nearest Neighbor with Fast Iterative Features Selection，KNN-FIFS），实现主、被动遥感特征组合快速优化及最优估测模型构建；基于第七次、第八次森林资源连续清查样地数据，对两期研究区森林（乔木）AGB进行定量反演与留一法（LOO）验证；根据两期反演结果叠加对比，在样地和区域尺度上定量分析研究区2009~2014年间森林AGB变化。在样地尺度上，基于森林资源清查样地结果与LOO法验证结果表明，2009年的AGB反演结果R2=0.56，RMSE=25.95 t/hm2；2014年R2=0.64；RMSE=24.55 t/hm2。2009年反演均值较样地计算结果均值偏高（预测：81.59 t/hm2，实测：78.64 t/hm2）；而2014年反演均值较样地计算结果偏低（预测：79.63 t/hm2；实测：82.48 t/hm2）。从区域尺度来看，2009年平均森林AGB为88.33 t/hm2；2014年的为94.61 t/hm2；平均AGB增长量为6.28 t/hm2；与前期研究利用扩展生物量因子法计算的结果接近（2008年和2013年分别为87.14 t/hm2、92.20 t/hm2）。采用基于快速迭代的KNN-FIFS方法，可大幅度提升高维度多模式遥感特征优选效率；充分融合主、被动遥感的多维观测特征，提高森林AGB反演精度及饱和点。在像素尺度上（30 m）利用LOO法对KNN-FIFS反演结果进行了验证，具有更强鲁棒性，避免了由于训练、检验样本抽选造成的随机误差。2009~2014年期间，内蒙古大兴安岭林区植被覆盖度整体呈现了明显的增长趋势；森林AGB也相应增加。自天然林保护工程实施以来，尽管森林火灾造成了局部较为严重的森林退化（覆盖度、AGB），但整体森林资源状况得到有效改善。

关键词： 主、被动遥感 ; 多模式遥感特征 ; 快速迭代特征选择 ; 区域森林地上生物量 ; 变化格局

Abstract

Aiming at the problem of low efficiency for estimating large-area forest Above-Ground Biomass（AGB） using multi-mode remote sensing， this study fully integrated multi-dimensional observation characteristics of forest AGB from active and passive remotely sensed features， in order to improve the regional estimation result. Based on an analysis on two temporal estimation results， this study disclosed the spatial patterns of the regional forest AGB changes. It could provide data supports for the scientific assessments on the regional eco-environmental protection projects （i.e.， the Natural Forest Protection Project） and for improving the ability of continuous dynamic monitoring and early warning the national eco-environment by use of remote sensing. The study area is located at the Great Khingan， the Inner Monolia. Based on the active and passive multi-mode remotely sensed features extracted from the Landsat-TM5（TM） and ALOS-1 PALSAR mainly acquired in 2009，and the Gaofen-1（GF-1）and ALOS-2 PALSAR data mainly acquired in 2014， respectively， the k- Nearest Neighbor with Fast Iterative Features Selection （KNN-FIFS） method was applied to fast select the features composition to establish the optimal estimating model. The 7th and 8th National Forest resource Inventory （NFI） data were applied to training and validating （by Leave One Out method， LOO） the optimal KNN-FIFS for estimating two-temporal forest（arbor forest） AGB over study area. Based on the comparison between the two-temporal AGB results， the local forest changes from 2009 to 2014 at pixel and regional scales were quantitatively analyzed. At pixel scale， the validation based on NFI and LOO method showed that， estimates obtained a R2=0.56 and Root-Mean-Square Error （RMSE） = 25.95 t/ha， and a R2=0.64； RMSE=24.55 t/ha for 2009 and 2014， respectively. Meanwhile， as compared with NFI measurements， the average of 2009 results was over-estimated （predictions： 81.59 t/ha VS NFI measurements：78.64 t/ha）， but the average of 2014 was under-estimated （predictions： 79.63 t/ha VS NFI measurements：82.48 t/ha）. At regional scale， the overall averages of 2009 and 2014 were 88.33 t/ha， 94.61 t/ha respectively， with a increment of 6.28 t/ha，which were closed to those from previous studies using the Biomass Expansion Factor method， 87.14 t/ha for 2008， and 92.20 t/ha for 2013， respectively. The KNN-FIFS method used in this study， could largely improve the efficiency for selecting the optimal composition from high-dimensional multi-mode remotely sensed features. Full integration of the multi-dimensional observation characteristics from active and passive remotely sensed information， could improve the estimating accuracy and saturation level of forest AGB. Validation based the LOO method at pixel scale made the KNN-FIFS more robust with avoiding the random errors brought form the selection of training and validation data set. From 2009 to 2014， the local vegetation fractional coverage got to increase obviously， as well as the local forest AGB. Thanks to the implement of National Forest Protection Project， the situation of the local forest resource was effectively improved， although some forest fire were occasionally witnessed by the study years.

Keywords： Active and passive remote sensing ; Multi-mode remotely sensed features ; Fast iterative features selection ; Regional forest above-ground biomass ; Change pattern

PDF (6353KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

张少伟, 惠刚盈, 韩宗涛, 孙珊珊, 田昕. 基于光学多光谱与SAR遥感特征快速优化的大区域森林地上生物量估测. 遥感技术与应用[J], 2019, 34(5): 925-938 doi:10.11873/j.issn.1004-0323.2019.5.0925

Zhang Shaowei, Hui Gangying, Han Zongtao, Sun Shanshan, Tian Xin. Estimation of Large-scale Forest Above-ground Biomass based on Fast Optimizing Remotely Sensed Features from Pptical Multi-spectral and SAR Data. Remote Sensing Technology and Application[J], 2019, 34(5): 925-938 doi:10.11873/j.issn.1004-0323.2019.5.0925

1 引 言

森林不仅具有改善和维护区域生态环境的功能，而且在全球碳平衡中的作用至关重要。据Pan等［1］估算，全球森林生态系统碳储量为861±66 Pg，其中约44%存储于1 m深度内的土壤中，约43%存储于森林地上/地下活枝部分。Schimel等［2］研究指出，森林地上生物量占陆地生态系统总量的90%。可见，森林地上生物量（AGB）是森林生态系统固碳能力的直观表达，是评估森林生态系统碳收支的重要指标，是森林生态系统发挥其他生态功能的物质基础。同时，国家生态环境建设明确了对遥感的三大需求：大区域、动态和精准。林业作为生态环境建设的主体，履行着建设和保护的重要职能。大区域森林AGB动态信息遥感精准监测是林业生态可持续发展、森林科学经营与规划等必然需求。

国内外利用遥感数据进行森林AGB反演进行了大量的研究，最早开始于基于航空影像的分析［3-4］，随后开展了卫星光学被动遥感影像波段信息、植被指数等与森林AGB建立参数化/非参数化模型研究［5-20］。美国陆地卫星（Landsat）系列（MMS、TM等）遥感数据具有很好的时空连续性与承接性，被广泛应用于区域森林AGB动态监测［21-24］。

高分一号（GF-1）卫星是国产高分专项天基系统（民用部分）中具备兼顾普查与详查能力、高度机动灵活性的高分辨率光学卫星。其8 m、16 m多光谱数据可补充替代ASTER、Landsat8/OLI、SPOT-2、SPOT4、TM、AWiFS等；2 m多光谱数据可替代EROS、SPOT6、QuickBird、WorldView等；可有效弥补国内外已有卫星资源在行业中空间分辨率、幅宽等指标不足，提升国产中分辨率遥感卫星数据的自给率，满足大区域森林AGB动态监测的需求［25］。

但光学被动遥感易受森林植被物候、天气等影响，存在“同谱异物”、“同物异谱”现象；光谱信号仅反映森林植被冠层水平信息造成AGB饱和点较低。主动遥感如合成孔径雷达（Synthetic Aperture Radar， SAR）除了具有全天时全天候特点外，还具有一定森林植被穿透深度（随波长增加而增加），可作用于树干与主枝，从而反映森林植被的垂直结构信息，因此具有更高AGB饱和点［26-29］。极化合成孔径雷达（Polarimetric SAR， PolSAR）的后向散射特征对森林植被散射体的形状和位置敏感；干涉合成孔径雷达（Interferometric SAR， InSAR）通过相位信息反映林木空间分布和高度；极化干涉合成孔径雷达（Polarimetirc Interferometric SAR， PolInSAR）兼备二者特性，在森林结构信息反演方面具有较大优势［30-32］。SAR的极化［33-35］、极化干涉［30，39-42］等信息已被广泛用于森林AGB定量反演。然而，目前难以获取到高质量的星载SAR干涉信息，限制了SAR在大区域森林AGB定量反演方面的应用［43］。

作为主动光学遥感手段，激光雷达（Light Detection And Ranging， LiDAR）通过发射激光能量和接收返回信号的方式，相对其他遥感手段，其具备更直接、更精准的森林结构和林下地形信息探测能力，在局部区域的森林参数（树高、郁闭度等）定量反演方面具有明显优势［44-46］。LiDAR受地形和森林结构影响相对较小，但易受天气影响。星载激光雷达，如ICESat（Ice，Cloud and land Elevation Satellite）GLAS（Geoscience Laser Altimeter System），数据时空连续性较低（时间：2003~2009年；空间：轨道间空隙大）；机载LiDAR数据昂贵，获取及处理过程繁琐［47］；因此，LiDAR目前难以在大区域进行森林AGB无缝动态监测应用［48］。

充分结合主被动多模式遥感的“立体”融合（数据融合、特征融合、决策融合）手段，可提高森林AGB定量反演精度［38，49-58］。然而多模式遥感必定伴随着数据维度高，计算量大，时空尺度不匹配，从而降低森林AGB模型预测效率。针对高维度数据，相对于参数化方法（如逐步多元回归），非参数化（如最近邻法（k-NN））可有效抑制过拟合现象，因此反演的森林AGB精度更高，并且基于留一法验证的结果更可靠［59-61］，适用于大区域森林AGB估测［62］。但问题在于，后者的反演精度很大程度依赖于学习机结构体的优化处理（如特征向量组合、模型结构参数选择等），特别是特征组合的优化处理依赖于先验知识，如遥感植被指数与森林AGB的敏感性分析等［63］。因此，基于多模式遥感数据的区域森林AGB的非参数化方法反演的首要问题是解决如何高效地选择特征组合：①减少估测预算的复杂度和运算量；②在可控精度内移除冗余信息；③尽可能降低过拟合风险；④算法结构体清晰，易于解析。

作为一种重要的特征选择工具，RF被广泛用于遥感分类识别与定量反演，RF可针对每一特征变量的重要性（敏感性）进行分析、评分。依据评分对特征变量的重要性进行排序。但由于其“黑箱”运算，模型稳健性不强，尤其在当参与建模的输入特征不平衡、噪声较多的情况下；而k-NN算法简单、明晰，可解译性高；通常情况下，当输入特征向量较少而训练样本较多，则预测结果较稳健。然而，在森林AGB遥感定量反演的实际应用中，往往森林样地数据较少，遥感信息高维度化。Tian等［64］利用RF挑选后的特征向量组合，用于优化k-NN模型结构体。结果表明，利用RF挑选的特征组合能够大大提高森林AGB反演效率。然而，该研究将RF与其他两种非参数化方法分离使用，并没有将RF与他们从算法上进行耦合。Li等［65］提出了随机k-NN算法（RKNN），即在RF的第一级节点上，基于Bootstrap抽取的样本，利用k-NN进行一系列建模、优化，直到分类结果最佳。结果表明，RKNN可大幅提高基因识别效率，在一定程度上解决了“小样本&高维度信息”问题。该算法思想值得借鉴到遥感定量反演森林AGB应用中，目前国内外未见相关报道。在此思想基础上，韩宗涛［66］提出了一种基于快速迭代特征选择的k-NN方法（k-Nearest Neighbor with Fast Iterative Features Selection，KNN-FIFS），可以在数量级上提高多模式遥感及辅助因子的特征优化组合挑选的效率，针对大区域的多模式遥感定量反演（如森林AGB）方面具有很好的应用潜力。

考虑到大区域遥感数据的可用性（如连续性、可获取性）、时空尺度等问题，采用2009年Landsat TM5（TM）与L波段ALOS-1 PALSAR，以及2014年国产高分一号（GF-1）（宽幅相机，WFV）与L波段ALOS-2 PALSAR数据，利用KNN-FIFS算法实现高维度遥感特征快速优选，以期提高大区域森林AGB反演效率、降低遥感监测评估成本；根据KNN-FIFS反演的两期内蒙古大兴安岭地区森林AGB反演结果，为了揭示森林AGB时空变化格局、科学评估地区生态环境保护（如天然林保护）、提升国家生态环境遥感连续动态监测与预警能力提供保障。

2 研究区概况与数据

2.1　研究区

选取内蒙古大兴安岭林区作为研究区（图1），该地区（119° 36′ 26″~125° 24′10″ E，47° 03′ 26″~53° 20′ 00″ N）位于内蒙古自治区东北部，是我国四大国有林区之一；主体生态功能区总面积为1.067×105 km2（约占整个大兴安岭46%），森林覆盖率79.56％，森林总面积、蓄积量居全国国有林区之首。该地区在涵养水源、制氧固碳、保育土壤、保护生物、遗传多样性等方面发挥着不可替代的重要作用，被誉为“北疆的绿色长城”。该地区属欧亚大陆北方森林带，是我国北方国土安全体系的重要屏障，是国家重点森林碳库，生态建设战略地位极其重要。该地区以兴安落叶松（Larix gemelinii）构成的明亮针叶林为主要森林类型，优势树种为兴安落叶松，伴生白桦（Betula platylla），山杨（Polulus davidaana）、樟子松（Pinus sylvestris var. mongolica Litv）、柞树（puercusmongolica）、山杨（Populus davldiana）、黑桦（Betula davurica）和蒙古栎（Quercus mongolica）等。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   研究区土地利用类型图（2014年）

Fig.1   Land use types of the study area


内蒙古大兴安岭林区地处高纬、高寒地带，海拔400~1 500 m，属寒温带大陆性季风气候，年平均气温-3.5 ℃，极端气温达-50.2 ℃，年降水量300~450 mm，且多集中在7~9月份，是全球对气候变化反应最敏感地区之一（佟健， 2017）；该地区土层贫瘠，生态环境脆弱，遭受人为/自然灾害后恢复较慢，且易不可逆。

2.2　数据

2.2.1　遥感数据及产品

获取了研究区以2009年生长季（5~9月）时相为主的TM数据（http：//glovis.usgs.gov/）（30m），部分区域由于云的影响较大（4景覆盖区域），另外考虑到研究区地处高纬高寒，森林生长十分缓慢，森林AGB年际间变化较小，因此以2008同时相数据替代（以下统称2009年）；获取的TM数据共14景，数据产品为Level 1T，即经过地形校正的产品。利用ENVI（version5.3）对TM影像进行辐射定标后，采用FLAASH模块进行大气校正。另外，还获取了研究区2014年生长季为主的GF-1卫星数据（WFV，16 m）。同样，云量较大区域（2景）则以2015年同时相数据代替（以下统称2014）；共获取了11景数据，产品级别为Level 1A。同上，采用ENVI软件进行辐射定标、大气校正和去云处理。

从日本宇宙航空研究开发机构（JAXA）网站（http：//www.eorc.jaxa.jp/ALOS/en/palsar_fnf/da/index.htm）获取了2009年ALOS-1、2014~2015年ALOS-2 PALSAR数据（HH/HV极化，25m）各33景。所获取的数据为Leve1 1.5级产品，即经过多视处理及地图投影。

从地理空间数据云平台获取了ASTER-GDEM V2（advanced spaceborne thermal emission and reflection radiometer global digital elevation model version2）产品（以下简称GDEM）（30 m），用于生产辅助特征（高程、坡度、坡向等）。

2.2.2　森林资源连续清查数据

利用第七次（2004~2008年）和第八次（2009~2013年）内蒙古森林资源连续清查数据的调查因子（树种、胸径及树高），根据样地各优势树种的生长方程，利用森林资源清查数据计算了样地尺度的森林AGB［67］，经过分区、分层抽样后，用作KNN-FIFS训练和检验。

3 数据处理

3.1　遥感数据处理

3.1.1　土地利用分类

基于2009年TM影像、2014年GF-1影像，采用IDL版的影像随机森林（ImageRF）分类器（http：//www.enmap.org/？q=box_download）［68］，进行了土地利用分类。类型分为乔木林地（针叶、阔叶、针阔混交）、灌木林地、疏林地、耕地等（图1）。本研究考虑到区域样本数量及均衡性，仅对乔木林（以下称森林）进行AGB估测。因此，将经过类别合并后生成乔木林地/非乔木林地类型图，用作KNN-FIFS模型反演的类型掩膜底图。根据一类清查数据、林地一张图等成果进行了检验。2009年分类精度为0.88，Kappa系数为0.86；2014年精度为0.90，Kappa系数为0.88。

3.1.2　SAR影像处理

针对SAR影像，首先根据定标函数进行辐射定标。另外，SAR影像是侧视成像，其回波信号受地形起伏影响严重，在用于森林AGB定量反演研究时存在不可避免的地形效应，对反演结果造成较大不确定性，甚至是“无效”值（如叠掩、阴影区）。本研究采用半经验地形校正（角度效应）方法［69］，对研究区ALOS-1、ALOS-2 PALSAR数据进行了校正。该校正方法有效地消除了迎坡面与背坡面的后向散射强度差异，可望提高模型的定量反演精度。在地形效应校正完后，采用Lee滤波器，5×5窗口，对SAR影像进行滤波处理。

3.1.3　影像配准

利用多模式遥感进行应用研究，首先需解决各类型传感器影像间配准问题；再者，由于森林资源连续清查数据属于林业保密数据，样地投影信息不公开；为保证样地与影像像素位置吻合，需根据林业生产部门（如国家林业局调查规划设计院）的高分辨率遥感基准图（如SPOT-5等）进行影像间配准。将TM、GF-1；ALOS-1、ALOS-2 PALSAR影像与SPOT-5基准图进行配准，并统一重采样到30 m分辨率。

3.1.4　遥感特征提取

除了获取的遥感数据及产品外，还进行了波段运算、植被指数、纹理和地形因子等特征提取，包括TM的缨帽变换（K-T变换）、波段比值运算（TM的b3/b4、PALSAR的HH/HV等）；植被指数包括了归一化植被指数（NDVI）、大气阻抗指数（ARVI）、红外指数（IRI）、差值植被指数（DVI）、垂直植被指数（PVI）、比值植被指数（RVI）等。影像纹理采用灰度共生矩阵（GLCM），提取窗口大小为5×5，计算得到方差、均值、对比度、同质性、相异性、熵、二阶矩以及相关性等纹理信息；地形因子则通过ASTER GDEM V2计算得到，包括高程、坡度和坡向。以上处理得到TM+ALOS-1共144个特征，GF-1+ALOS-2共120个特征；运算均利用ENVI或IDL进行。

植被覆盖度（VFC）是衡量森林植被状况的重要指标，可在一定程度上反映森林植被水平信息。本研究试图结合光学的水平信息表征与L波段SAR的垂直穿透特征，从而提高森林AGB反演。因此，采用像元二分法进行了两期（2009、2014年）研究区植被覆盖度反演，作为KNN-FIFS反演模型输入特征。

3.2　样地数据抽取

KNN-FIFS是针对k-NN输入特征优化组合的快速迭代选取，在继承了k-NN的优势时也存在着相同的不足。即，该模型反演精度在很大程度上依赖于训练样本值域的均一分布［61，64］。内蒙古大兴安岭幅员辽阔，森林资源连续清查样地数较多（其中有林地1 500余个），森林AGB值域分布不均一，低值（<50 t/hm2）和高值（>120 t/hm2）样本较少，大部分集中于50~120 t/hm2。为尽量避免低值、高值区域的欠采样和中值密集区域过采样现象，另外考虑到研究区纬度跨度大，本研究在纬度分区（0.5°）的基础上，采取分层抽样策略（10 t/hm2一层）对样地进行筛选，尽量保证样本的全局代表性；另外去除落在云遮掩区域的样本。经过分区、分层抽样后，分别保留了909（2009年）和1 020个（2014年）样本。

4 KNN-FIFS模型

k-NN不依赖于特定的函数分布，从而在用于森林参数定量估测时更为灵活，可适用于多模式遥感、及其他辅助信息（气象、土壤、地形、环境因子等）的特征融合。待估像元的属性值VP（如森林AGB）由k个相似样本Vpi(1≤i≤k)加权求得，即：

Vp=∑i=1kWpi,pVpi,p

其中：Wp,pi为权重，与待估像元特征向量（Xp）到样本像元特征向量（Xpi）的距离（dp,pi）成反比，即：

Wpi,p=1/dpi,p2∑j=1k1/dpj,p2

其中：dp,pi采用多种度量标准，常见的如欧式距离：

dpi,p(ED)=∑t=1T(xpit-xpt)2

马氏距离：

dpi,p(MD)=(xpi-xp)'C-1(xpi-xp)

其中：C为协方差矩阵。

模糊距离：

dpi,p(FD)=(xpi-xp)'C*-1(xpi-xp)

其中：C* 为模糊协方差矩阵［61］。

k⁃NN算法明晰，范化能力强，采用留一法（LOO）进行训练和验证，从而不依赖于训练和检验样本的。但是当特征维数较高时（比如多模式遥感特征因子），从而造成特征组合优选效率低下，降低模型预测效率。

韩宗涛［66］提出的KNN-FIFS方法（具体算法流程见图2）可在数量级上提高多模式遥感及辅助特征因子优化组合效率，提高森林AGB估测效率。KNN-FIFS的特征因子组合优化基本原理是分别抽取特征组合子集{f1,Fs},{f2,Fs}，…，{fi-1,Fs}，{fi+1,Fs}，…，{fm,Fs}（其中F={f1,f2,...,fm}， fj=[xj1,xj2，..., xjn]T（1≤j≤m），xji为第i个样地对应第j个特征所在像元的值；fi=Fs⋂F），通过依次变换k值（一般取值1~11）、距离度量函数（欧式、马氏以及模糊距离）、信息提取窗口（一般选取3×3、5×5、7×7、9×9以及11×11大小），从而进行基于该特征子集的k-NN结构优化，以LOO法验证，以最小均方根误差（RMSEi）为该子集的评判依据。依次利用特征子集得到相应最小RMSEm→s，当RMSE达到最小值收敛时，即完成特征组合优化。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   KNN-FIFS算法流程图

Fig.2   The KNN-FIFS algorithm flowchart


关于KNN-FIFS方法，两个重要的特性需要在此说明：

（1）设特征数为m，则共计产生可能的特征组合数为∑n=1mCmn。而KNN-FIFS方法至多由∑n=1m∑i=1n次特征组合即可完成特征寻优。如图3所示，特征组合数随特征数量增加几何式急速增加，KNN-FIFS方法仍可以小数量级的特征组合次数完成特征组合优化，从而极大地提升特征选择效率。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   KNN-FIFS方法特征选择与特征组合遍历对比

Fig. 3   The comparison between the traversal of feature combinations and the feature selection using KNN-FIFS


（2）KNN-FIFS通过留一法交叉验证：首先，排除了实验过程中分配训练/检验样本带来的随机误差；其次，保证了实验过程的可重复性性，进而保证了KNN-FIFS特征选择结果的稳定性；再次，每次验证过程中皆有S-1个样本（S为原始样本个数）用于模型训练，使得训练样本最接近原始样本分布，由此得到的估测结果更为可信。

5 结果与分析

5.1　森林植被覆盖度

基于像元二分法，内蒙古大兴安岭地区植被覆盖度反演结果如图4所示，该地区植被覆盖度的值主要分布在60% ~ 100%之间。因此，为便于展示，本研究将植被覆盖度分为5个等级，即低覆盖度（0 ~ 60%），较低覆盖度（60% ~ 70%），中覆盖度（70% ~ 80%），较高覆盖度（80% ~ 90%）和高覆盖度（90% ~ 100%）。本文以这两期植被覆盖度反演结果作为KNN-FIFS模型输入特征之一。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   内蒙古大兴安岭地区2009年和2014年植被覆盖度

Fig.4   Fractional vegetation coverage of the Great Khingan within the Inner Monolia


5.2　KNN-FIFS优化

根据前述提取的2009年TM+ALOS-1的144个特征、2014年GF-1+ALOS-2的120个特征以及ASTER GDEM V2的3个特征，根据分区分层抽样后的两期森林资源连续清查样地计算的AGB样本，采用LOO法进行了KNN-FIFS特征组合优选；同时，在确定最优特征组合后，也完成了对k-NN基本结构体的优化（k值、距离函数、信息提取窗口）。

2009年特征优化组合为：TM植被覆盖度（fTM）、穗帽变换的绿度（K-TG）、亮度（K-TB），第4波段二阶矩（S4TM）、IRITM，ALOS-1的HH/HV极化比信息（σhh-1 /σhv-1 ）以及GDEM高程（Hdem）。2014年特征优化组合为：GF-1植被覆盖度（fGF）、近红外波段二阶矩S4GF、IRIGF，ALOS-2 HH/HV极化比信息（σhh-2 /σhv-2 ）以及GDEM高程（Hdem）。

植被覆盖度反映了森林植被覆盖水平投影信息，可作为森林植被结构和生长状况指示因子［70-71］。TM的K-TG与K-TB均可最大化分离土壤-植被［72］（Crist等， 1984），与林分立地条件相关［73］，尤其是K-TG对林分的结构信息敏感［74］；涉及红外、近红外的纹理与活立木的生长状况相关［75-76］；IRI对森林的光合作用敏感，因此也经常作为林分蓄积和生物量的特征因子［60，77］。L波段SAR具有较强林分穿透深度，而HH/HV极化信息对森林的垂直结构信息、蓄积量和生物量等敏感［78-79］。随着林分高程的变化，水热条件的不同，也是造成林分类型、林分生物量梯度的重要原因［64］。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5   内蒙古大兴安岭地区2009~2014年植被覆盖度变化图

Fig. 5   Change of fractional vegetation coverage of the Great Khingan within the Inner Monolia from 2009 to 2014


5.3　森林地上生物量反演及变化格局

利用上述优化特征组合输入到相应的最佳k-NN结构体（k=5、距离函数为马氏距离、信息提取窗口为5×5）。在像元尺度上（30 m），基于清查样地AGB，采用LOO进行了检验。图6展示了基于森林资源清查样地结果与LOO法检验的两期森林AGB反演结果，其中2009年的AGB反演结果R2=0.56，RMSE=25.95 t/hm2；2014年R2=0.64；RMSE=24.55 t/hm2。可以看出，在低值区域（<50 t/hm2）存在较严重（点密度大，偏离1∶1线程度大）的高估现象；在高值区域（>100 t/hm2）存在较严重的低估现象；并且从图6（b）看出，在140 t/hm2左右出现饱和（反演结果最大值为138 t/hm2；实测值最大值为187 t/hm2）。总体来看，2014年反演结果好于2009年；两期反演结果均集中于50~120 t/hm2。从反演结果统计均值与实测均值对比来看，2009年反演均值为81.59 t/hm2，实测均值为78.64 t/hm2，相对均值误差为3.75%；2014年反演均值为79.63 t/hm2，实测均值为82.48 t/hm2，相对误差为3.45%。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6   基于森林资源清查样地结果与LOO法检验两期森林AGB反演结果及散点密度分布图

（灰色虚线为1∶1线；黑色点划线为拟合线）

Fig.6   Validations and scatter density patterns of two-temporal forest AGB estimates based on the NFI data and LOO

（the gray dash line is 1∶1 line and the black dot dash is the fitting line ）


2009年和2014年两期研究区森林AGB空间分布如图7所示。从影像统计值来看，2009年研究区的森林AGB的平均值为88.33 t/hm2；2014年为94.61 t/hm2。从空间分布来看，两期结果的高值（>100 t/hm2）均主要分布在中部和西北部。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7   内蒙古大兴安岭地区两期森林AGB反演结果

Fig.7   Two temporal forest AGB estimates over the Great Khingan within the Inner Monolia


两期森林AGB变化如图8所示，2009~2013年间森林AGB总体呈增加趋势（平均AGB增长了6.28 t/hm2；最大值为23.50 t/hm2）；负增长主要出现在火灾干扰区（最大为-78.03 t/hm2）与过熟林区。从空间分布上看，东南及东北部增长明显，东部，南部及西南部增长缓慢，这些区域受到自然干扰、人为干扰（靠近农牧区）影响。

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8   2009~2014年间内蒙古大兴安岭地区森林AGB变化格局

Fig.8   Change pattern of two temporal forest AGB estimates over the Great Khingan within the Inner Monolia from 2009 to 2014


6 讨 论

特征选择是机器学习研究的热点问题，如正向/反向搜索、封装模型特征选择算法、过滤特征选择算法的研究已用于支持向量机（SVM）、随机森林（RF）等模型。但这些算法计算量大，或容易造成输出结果的随机误差，或属于“黑箱”操作，或在一定程度上受训练、检验样本的选取、或假设服从一定的概率分布。因此难以适用于基于LOO的k-NN基本算法。

采用韩宗涛［66］所提出的KNN-FIFS，具有算法更明晰、结构更明晰、运算效率高等特点，适用于基于高维度特征组合的森林AGB定量反演。KNN-FIFS所用到的马氏距离是基于样本的协方差，考虑了特征向量的离散度，样本协方差矩阵可以有效排除变量之间的相关性干扰，适用于大样本（总体样本数>样本维数）的模型训练。欧式距离是将样本的不同属性的差别等同看待，易出现自相关现象，在异质性较强（尤其是地形复杂的）森林覆盖区域难以满足AGB定量反演需求［62］。模糊距离是对马氏距离的补充，即方差、协方差矩阵以模糊理论进行计算，但其假设服从一定的概率分布；与KNN-FIFS不服从任何概率分布的基本思想相悖，不适于基于KNN-FIFS定量反演森林AGB。

TM与GF-1的植被覆盖度产品均参与到了KNN-FIFS的特征优化组合中。覆盖度虽然可反映一定的森林结构（包括林木冠层及冠层下灌木、草本等），但同生境条件下的森林AGB敏感性不如郁闭度［80］。若能将覆盖度产品分离出纯冠层覆盖（如采用LiDAR点云分离林木与冠层下植被），可望进一步提高森林AGB反演精度。

在样地尺度来看，2009年反演均值较样地计算结果均值偏高（预测：81.59 t/hm2，实测：78.64 t/hm2），主要是因为样地AGB高值区（>平均值）样本较少，造成模型总体估测偏低。而2014年反演均值较样地计算结果偏低（预测：79.63 t/hm2 vs 实测：82.48 t/hm2），可以解释为第八次连续清查结果表明该地区适当的出现了高AGB值域（>平均值），模型预测结果总体偏高。总体精度2014年结果优于2009年，可解释为国产GF-1数据在数据可获取性、时空分辨率等更具有优势，可保障遥感数据质量（云量、时相等）。

从区域尺度来看，本研究反演的2009年平均森林AGB为88.33 t/hm2；2014年的为94.61 t/hm2；平均AGB增长量为6.28 t/hm2；与前期基于森林资源连续清查数据计算的结果较为接近。如伏鸿峰等［81］基于第六次（2004~2008）森林资源连续清查数据，利用生物量扩展因子法（BEF）计算出乔木林碳密度结果为43.57 t/hm2，考虑到其以0.5的碳含率（AGB/碳密度）计算，平均AGB为87.14 t/hm2。佟健［82］根据第七次森林资源连续清查数据，基于BEF法得到乔木林的碳密度为（46.10 t/hm2），以0.5碳含率计，则平均AGB为92.20 t/hm2。本研究两期反演结果较上述两项基于BEF法研究结果均偏高，但本研究与上述两项研究均有1 a延迟。

针对本文的大区域森林AGB反演结果，依然存在4方面不确定性。①数据时相不匹配：森林资源连续清查要求是在5 a内完成，但并未标注各样地调查年月时间信息；遥感数据的获取尽管考虑了时相的一致性，但由于研究区域较大，星载光学遥感数据之间及其与样地调查的时相难以严格吻合；并且，自天然林保护工程实施以来，人为干扰逐渐转向以森林保护、培育为主的经营活动，中分辨率遥感影像（30 m）对于幼林、疏林和灌木林等的识别能力有限，造成反演结果存在一定不确定性。②基于森林资源连续清查样本在低值（<50 t/hm2）和高值区（>120 t/hm2）较少，造成了模型低值高估，高值低估现象。③研究区森林遭受干扰频繁，森林资源样地清查资料难以针对人为（如管理经营、植树造林等）、自然干扰事件（如森林火灾、病虫害、冰雪灾害等）提供详实的训练/检验样本支持。④尽管针对ALOS-1、ALOS-2数据进行了角度效应地形校正，但二者均存在阴影与叠掩现象，在这些区域森林AGB结果偏差较大。

7 结 语

本文所采用的基于快速迭代的KNN-FIFS方法，可有效地提高多模式遥感特征优选效率。充分融合主、被动遥感的多维观测特征，可提高森林AGB反演精度及饱和点。由于低值、高值域样本相对较少，两期估测结果均存在低值高估，高值低估现象。本研究在像素级上（30 m）利用LOO法对KNN-FIFS反演结果进行了验证，具有更强鲁棒性，避免了由于训练、检验样本抽选造成的随机误差。样地尺度精度上，2014年结果优于2009年，国产GF-1遥感数据在定量反演能力方面可替代TM，并且具有更强数据质量保障能力。

2009~2014年期间，内蒙古大兴安岭林区植被覆盖度整体呈现了明显的增长趋势；森林AGB也相应的增加。自天然林保护工程实施以来，尽管森林火灾造成了局部较为严重的森林退化（覆盖度、AGB），但整体森林资源状况得到有效改善。

参考文献

Pan Y D， Birdsey R A， Fang J Y， et al.

A Large and Persistent Carbon Sink in the World’s Forests

［J］.Science， 2011， 333： 988–993.

[本文引用: 1]

Schimel D S， House J I， Hibbard K A， et al.

Recent Patterns and Mechanisms of Carbon Exchange by Terrestrial Ecosystems

［J］. Nature， 2001. 414（6860）： 169-172.

[本文引用: 1]

Tiwari A K， Singh J S.

Mapping Forest Biomass in India through Aerial Photographs and Nondestructive Field Sampling

［J］. Applied Geography.1984， 4（2）： 151-165.

[本文引用: 1]

Jensen J R， Hodgson M E.

Remote Sensing Forest Biomass： an Evaluation Using Gigh Resolution Remote Sensor Data and Loblolly Pine Plots

［J］. Professional Geographer， 1985， 37（1）： 46-56.

[本文引用: 1]

Sader S A， Waide R B， Lawrence W T， et al.

Tropical Forest Biomass and Successional Age Class Relationships to a Vegetation Index Derived from Landsat TM Data

［J］. Remote Sensing of Environment， 1989， 28（89）： 143， IN1， 159-156， IN2， 198.

[本文引用: 1]

Wu Y， Strahler A H.

Remote Estimation of Crown Size， Stand Density， and Biomass on the Oregon Transect

［J］. Ecological Applications， 1994， 4（2）： 299-312.

Hame T， Salli A， Andersson K， et al.

A New Methodology for the Estimation of Biomass of Coniferdominated Boreal Forest Using NOAA AVHRR Data

［J］. International Journal of Remote Sensing， 1997， 18（15）： 3211-3243.

Boyd D S.

The Relationship between the Biomass of Cameroonian Tropical Forests and Radiation Reflected in Middle Infrared Wavelengths （3.0~5.0 um）

［J］. International Journal of Remote Sensing， 1999， 20（5）： 1017-1023.

Coops N.

Improvement in Predicting Stand Growth of Pinus Radiata （D. Don） Across Landscapes Using NOAA AVHRR and Landsat MSS Imagery Combined with a Forest Growth Process Model （3-PGS）

［J］. Photogrammetric Engineering & Remote Sensing， 1999， 65（10）： 1149-1156.

Foody G M， Boyd D S， Cutler M E J.

Predictive Relations of Tropical Forest Biomass from Landsat TM Data and Their Transferability between Regions

［J］. Remote Sensing of Environment， 2003， 85（4）： 463-474.

Phua M H， Saito H.

Estimation of Biomass of a Mountainous Tropical Forest Using Landsat TM Data

［J］. Canadian Journal of Remote Sensing， 2003， 29（4）： 429-440.

Suganuma H， Abe Y， Taniguchi M， et al.

Stand Biomass Estimation Method by Canopy Coverage for Application to Remote Sensing in an Arid Area of Western Australia

［J］. Forest Ecology & Management， 2006， 222（1）： 75-87.

Zheng D， Heath L S， Ducey M J.

Forest Biomass Estimated from MODIS and FIA Data in the Lake States： MN， WI and MI， USA

［J］. Forestry， 2007， 80（3）： 265-278.

Soenen S A， Peddle D R， Hall R J， et al.

Estimating Aboveground Forest Biomass from Canopy Reflectance Model Inversion in Mountainous Terrain

［J］. Remote Sensing of Environment， 2010， 114（7）： 1325-1337.

Nichol J E， Sarker M L R.

Improved Biomass Estimation Using the Texture Parameters of Two High-resolution Optical Sensors

［J］. IEEE Transactions on Geoscience & Remote Sensing， 2011， 49（3）： 930-948.

Hirata Y， Tabuchi R， Patanaponpaiboon P， et al.

Estimation of Aboveground Biomass in Mangrove Forests Using High-resolution Satellite Data

Journal of Forest Research， 2013， 19（1）： 34-41.

Ploton P， Barbier N， Couteron P， et al.

Toward a General Tropical Forest Biomass Prediction Model from Very High Resolution Optical Satellite Images

［J］. Remote Sensing of Environment， 2017， 200：140-153.

Guo Zhihua， Peng Shaolin， Wang Bosun.

Extraction of Forest Biomass in West Guangdong by TM Data

［J］. Acta Ecologica Sinica， 2002， 22（11）： 1832-1839.

郭志华， 彭少麟， 王伯荪.

利用TM数据提取粤西地区的森林生物量

［J］. 生态学报， 2002， 22（11）： 1832-1839.

Guo Qingxi， Zhang Feng.

Estimating Forest Biomass based on Remote Sensing Information

［J］. Journal of Northeast Forestry University， 2003， 31（2）： 13-16.

国庆喜， 张峰.

基于遥感信息估测森林的生物量

［J］. 东北林业大学学报，2003， 31（2）： 13-16．

Guo Yun， Li Zengyuan， Chen Erxue， et al.

Estimating Forest Above-ground Biomass in the Upper Reaches of Heihe River Basin Using Multi-spectral Remote Sensing

［J］. Silvae Sinicae， 2015， 51（1）： 140-149.

[本文引用: 1]

郭云， 李增元， 陈尔学， 等.

甘肃黑河流域上游森林地上生物量的多光谱遥感估测

［J］. 林业科学， 2015， 51（1）： 140-149.

[本文引用: 1]

Gibbs H K， Brown S， Niles J O， et al.

Monitoring and Estimating Tropical Forest Carbon Stocks： Making REDD a Reality

［J］. Environmental Research Letters， 2007， 2（4）： 045023.DOI：10.1088/1748-9326/2/4/045023

[本文引用: 1]

Powell S L， Cohen W B， Healey S P， et al.

Quantification of Live Aboveground Forest Biomass Dynamics with Landsat Time-series and Field Inventory Data： A Comparison of Empirical Modeling Approaches

［J］. Remote Sensing of Environment， 2010， 114（5）： 1053-1068.

Wani A A， Joshi P K， Singh O， et al.

Forest Biomass Carbon Dynamics （1980-2009） in Western Himalaya in the Context of REDD+ Policy

［J］. Environmental Earth Sciences， 2017， 76（16）： 573.DOI :10.1007/s12665-017-6903-3

Li Hu， Ci Longjun J， Fang Jianguo， et al.

Dynamic Monitoring of Picea schrenkiana Forest Biomass in West Tianshan Mountain Region of Xinjiang

［J］. Scientia Silvae Sinicae， 2008.，44（10）： 14-19.李虎， 慈龙骏， 方建国， 等. 新疆西天山云杉林生物量的动态监测［J］. 林业科学， 2008， 44（10）： 14-19.

[本文引用: 1]

Zhang L， Cheng Q， Li C.

Improved Model for Estimating the Biomass of Populus Euphratica Forest Using the Integration of Spectral and Textural Features from the Chinese High-resolution Remote Sensing Satellite GaoFen-1

［J］. Journal of Applied Remote Sensing， 2015， 9（1）： 096010. DOI: 10.1117/1.JRS.9.096010

[本文引用: 1]

Dobson M C， Ulaby F T， Letoan T， et al.

Dependence of Radar Backscatter on Coniferous Forest Biomass

［J］. Geoscience & Remote Sensing IEEE Transactions on， 1992， 30（2）： 412-415.

[本文引用: 1]

Imhoff M L.

Radar Backscatter and Biomass Saturation： Ramifications for Global Biomass Inventory

［J］. Geoscience & Remote Sensing IEEE Transactions on， 1995， 33（2）： 511-518.

Chen Erxue， Li Zengyuan， Pang Yong， et al.

Average Tree Height Extraction based on Polarimetric Synthetic Aperture Radar Interferometry

［J］. Scientia Silvae Sinicae， 2007， 43（4）： 66-70.

陈尔学， 李增元， 庞 勇， 等.

基于极化合成孔径雷达干涉测量的平均树高提取技术

［J］. 林业科学， 2007，43（4）： 66-70．

Li Lan， Chen Erxue， Li Zengyuan， et al.

A Review on Forest Height and Above-ground Biomass Estimation based on Synthetic Aperture Radar

［J］. Remote Sensing Technology and Application， 2016， 31（4）：625-633.

[本文引用: 1]

李兰， 陈尔学， 李增元， 等.

合成孔径雷达森林树高和地上生物量估测研究进展

［J］. 遥感技术与应用， 2016， 31（4）：625-633.

[本文引用: 1]

Balzter H， Rowland C S， Saich P.

Forest Canopy Height and carbon estimation at Monks Wood National Nature Reserve， UK， Using Dual-wavelength SAR Interferometry

［J］. Remote Sensing of Environment， 2007， 108（3）： 224-239.

[本文引用: 2]

Dubois-Fernandez P C， Souyris J C， Angelliaume S， et al.

The Compact Polarimetry Alternative for Spaceborne SAR at Low Frequency

［J］. IEEE Transactions on Geoscience & Remote Sensing， 2008， 46（10）： 3208-3222.

Wu Yirong， Hong Wen， Wang Yanping.

Research Status and Inspiration of Polarimetric Interferometric SAR

［J］. Journal of Electronics & Information Technology， 2007， 29（5）： 1258-1262.

[本文引用: 1]

吴一戎， 洪文， 王彦平.

极化干涉SAR的研究现状与启示

［J］．电子与信息学报， 2007， 29（5）： 1258-1262.

[本文引用: 1]

Toan T L， Beaudoin A， Riom J， et al.

Relating Forest Biomass to SAR Data

［J］. IEEE Transactions on Geoscience & Remote Sensing， 1992， 30（2）： 403-411.

[本文引用: 1]

Ranson K J， Sun G.

Mapping Biomass of a Northern Forest Using Multifrequency SAR Data

［J］. IEEE Transactions on Geoscience & Remote Sensing， 1994， 32（2）： 388-396.

Freeman A， Durden S L.

A Three-component Scattering Model for Polarimetric SAR Data

［J］. IEEE Transactions on Geoscience & Remote Sensing， 1996， 36（3）： 963-973.

[本文引用: 1]

Askne J I H， Dammert P B G， Ulander L M H， et al.

C-band Repeat-pass Interferometric SAR Observations of the Forest

［J］. IEEE Transactions on Geoscience & Remote Sensing， 1997， 35（1）： 25-35.

Balzter H.

Forest Mapping and Monitoring with Interferometric Synthetic Aperture Radar （InSAR）

［J］. Progress in Physical Geography， 2001， 25（2）： 1319-1322.

Treuhaft R N， Law B E， Asner G P.

Forest Attributes from Radar Interferometric Structure and Its Fusion with Optical Remote Sensing

［J］. Bioscience， 2004， 54（6）： 561-571.

[本文引用: 1]

Stebler O， Meier E， Nüesch D.

Multi-baseline Polarimetric SAR Interferometry-first Experimental Spaceborne and Airborne Results

［J］. ISPRS Journal of Photogrammetry & Remote Sensing， 2002， 56（3）： 149-166.

[本文引用: 1]

Hajnsek I， Kugler F， Lee S K.

Tropical-Forest-Parameter Estimation by Means of Pol-InSAR： The INDREX-II Campaign

［J］. IEEE Transactions on Geoscience & Remote Sensing， 2009， 47（2）： 481-493.

Neumann M， Saatchi S S， Ulander L M H， et al.

Assessing Performance of L-and P-Band Polarimetric Interferometric SAR Data in Estimating Boreal Forest Above-Ground Biomass

［J］. IEEE Transactions on Geoscience & Remote Sensing， 2012， 50（3）： 714-726.

Toan T L， Quegan S， Davidson M W J， et al.

The BIOMASS Mission： Mapping Global Forest Biomass to Better Understand the Terrestrial Carbon Cycle

［J］. Remote Sensing of Environment， 2011， 115（11）： 2850-2860.

[本文引用: 1]

Wagner W， Luckman A， Vietmeier J， et al.

Large-scale Mapping of Boreal Forest in SIBERIA Using ERS Tandem Coherence and JERS Backscatter Data

［J］. Remote Sensing of Environment， 2003， 85（2）： 125-144.

[本文引用: 1]

Pang Yong， Yu Xinfang， Li Zengyuan， et al.

Waveform Length Extraction from ICEsat GLAS Data and Forest Application Analysis

［J］. Scientia Silvae Sinicae， 2006，42（7）： 137-140.

[本文引用: 1]

庞勇， 于信芳， 李增元， 等.

星载激光雷达波形长度提取与林业应用潜力分析

［J］. 林业科学， 2006，42（7）： 137-140.

[本文引用: 1]

Yu Ying， Fan Wenyi， Li Mingze， et al.

Estimation of Forest Tree Heights and Biomass from GLAS Data

［J］. Scientia Silvae Sinicae， 2010，46（9）： 84-87.

于颖， 范文义， 李明泽， 等.

利用大光斑激光雷达数据估测树高和生物量

［J］. 林业科学， 2010， 46（9）： 84-87.

Li Zengyuan， Liu Qingwang， Pang Yong.

Review on Forest Parameters Inversion Using LiDAR

［J］. Journal of Remote Sensing， 2016， 20（5）： 1138-1150.

[本文引用: 1]

李增元， 刘清旺， 庞勇.

激光雷达森林参数反演研究进展

［J］. 遥感学报， 2016，20（5）： 1138-1150.

[本文引用: 1]

Mu Xiyun， Zhang Qiuliang， Liu Qingwang， et al.

A Study on Typical Forest Biomass Mapping Technology of Great Khingan Using Airborne Laser Scanner Data

［J］. Remote Sensing Technology and Application， 2015， 30（2）：220-225.

[本文引用: 1]

穆喜云， 张秋良， 刘清旺， 等.

基于激光雷达的大兴安岭典型森林生物量制图技术研究

［J］. 遥感技术与应用， 2015， 30（2）：220-225.

[本文引用: 1]

Dong Lixin.

New Development of Forest Canopy Height Remote Sensing

［J］. Remote Sensing Technology and Application， 2016， 31（5）：833-845.

[本文引用: 1]

董立新.

林分平均高卫星遥感新进展

［J］. 遥感技术与应用， 2016， 31（5）：833-845.

[本文引用: 1]

Moghaddam M， Dungan J L， Acker S.

Forest Variable Estimation from Fusion of SAR and Multispectral Optical Data

［J］. IEEE Transactions on Geoscience & Remote Sensing， 2002， 40（10）： 2176-2187.

[本文引用: 1]

Treuhaft R N， Asner G P， Law B E.

Structure-based Forest Biomass from Fusion of Radar and Hyperspectral Observations

［J］. Geophysical Research Letters， 2003， 30（9）： 319-338.

Amini J， Sumantyo J T S.

Employing a Method on SAR and Optical Images for Forest Biomass Estimation

［J］. IEEE Transactions on Geoscience & Remote Sensing， 2009， 47（12）： 4020-4026.

Ghasemi N， Sahebi M R， Mohammadzadeh A.

Biomass Estimation of a Temperate Deciduous Forest Using Wavelet Analysis

［J］. IEEE Transactions on Geoscience & Remote Sensing， 2013， 51（2）： 765-776.

Hame T， Rauste Y， Antropov O， et al.

Improved Mapping of Tropical Forests with Optical and SAR Imagery， Part II： Above Ground Biomass Estimation

［J］. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing， 2013， 6（1）： 92-101.

Yu Y， Saatchi S， Heath L S， et al.

Regional Distribution of Forest Height and Biomass from Multisensor Data Fusion

［J］. Journal of Geophysical Research Biogeosciences， 2015， 115（G2）： 0-12.

Nguyen L V， Tateishi R， Kondoh A， et al.

Mapping Tropical Forest Biomass by Combining ALOS-2， Landsat 8， and Field Plots Data

［J］. Land， 2016， 5（4）： UNSP 31. DOI: 10.3390/land5040031

Shao Z， Zhang L.

Estimating Forest Aboveground Biomass by Combining Optical and SAR Data： A Case Study in Genhe， Inner Mongolia， China

［J］. Sensors， 2016， 16（6）： 834. DOI: 10.3390/s16060834

Sinha S， Jeganathan C， Sharma L K， et al.

Developing Synergy Regression Models with Space-borne ALOS PALSAR and Landsat TM Sensors for Retrieving Tropical Forest Biomass

［J］. Journal of Earth System Science， 2016， 125（4）： 725-735.

Wingate V R， Phinn S R， Kuhn N， et al.

Estimating Aboveground Woody Biomass Change in Kalahari Woodland： Combining Field， Radar， and Optical Data Sets

［J］. International Journal of Remote Sensing， 2018， 39（2）： 577-606.

[本文引用: 1]

Maselli F， Barbati A， Chiesi M， et al.

Use of Remotely Sensed and Ancillary Data for Estimating Forest Gross Primary Productivity in Italy

［J］. Remote Sensing of Environment， 2006，100（4）： 563-575.

[本文引用: 1]

Chirici G， Barbati A， Corona P， et al.

Non-parametric and Parametric Methods Using Satellite Images for Estimating Growing Stock Volume in Alpine and Mediterranean Forest Ecosystems

［J］. Remote Sensing of Environment， 2008， 112（5）： 2686-2700.

[本文引用: 1]

Tian X， Su Z， Chen E X， et al.

Estimation of Forest Above-ground Biomass Using Multi-parameter Remote Sensing Data over a Cold and Arid Area

［J］. International Journal of Applied Earth Observation and Geoinformation， 2012， 14（1）： 160-168.

[本文引用: 3]

Tian X， Li Z， Su Z， et al.

Estimating Montane Forest Above-ground Biomass in the Upper Reaches of the Heihe River Basin Using Landsat TM Data

International Journal of Remote Sensing， 2014， 35（21）： 7339-7362.

[本文引用: 2]

Xu Ting， Cao Lin， She Guanghui.

Feature Extraction and Forest Biomass Estimation based on Landsat 8 OLI

［J］. Remote Sensing Technology and Application， 2015， 30（2）：226-234.

[本文引用: 1]

徐婷， 曹林， 佘光辉.

基于Landsat 8 OLI的特征变量优化提取及森林生物量反演

［J］. 遥感技术与应用， 2015， 30（2）：226-234.

[本文引用: 1]

Tian X， Yan M， van der Tol C， et al.

Modeling Forest Above-ground Biomass Dynamics Using Multi-source Data and Incorporated Models： A Case Study over the Qilian Mountains

［J］. Agricultural and Forest Meteorology， 2017， 246： 1-14.

[本文引用: 3]

Li S Q， Harner E J， Adjeroh D A.

Random KNN Feature Selection - A Fast and Stable Alternative to Random Forests

［J］. BMC Bioinformatics， 2011， 12（1）： 450. DOI: 10.1186/1471-2105-12-450

[本文引用: 1]

Han Zongtao.

Forest Above-ground Biomass Estimation Using Feature Selection based on Remote Sensing Data

［D］. Fuzhou Fuzhou University. 2017.韩宗涛.基于特征优选的森林地上生物量遥感估测［D］. 福州：福州大学 2017.

[本文引用: 3]

Li Haikui， Lei Yuancai， Zeng Weisheng.

Forest Carbon Storage in China Estimated Using Forestry Inventory Data

［J］. Scientia Silvae Sinicae， 2011，47（7）： 7-12.

[本文引用: 1]

李海奎， 雷渊才， 曾伟生.

基于森林清查资料的中国森林植被碳储量

［J］. 林业科学， 2011， 47（7）： 7-12.

[本文引用: 1]

Waske B， van der Linden S， Oldenburg C， et al.

ImageRF - A User-oriented Implementation for Remote Sensing Image Analysis with Random Forests

［J］. Environmental Modelling & Software，2012， 35（C）： 192-193.

[本文引用: 1]

Zhao L， Chen E， Li Z， et al.

Three-Step Semi-Empirical Radiometric Terrain Correction Approach for PolSAR Data Applied to Forested Areas

［J］. Remote Sensing， 2017， 9（3）： 269. DOI: 10.3390/rs9030269

[本文引用: 1]

Saatchi S S， Houghton R A， Alvalá R C D S， et al.

Distribution of Aboveground Live Biomass in the Amazon Basin

［J］. Global Change Biology， 2007， 13（4）： 816-837.

[本文引用: 1]

Anaya J A， Chuvieco E， Palaciosorueta A.

Aboveground Biomass Assessment in Colombia： a Remote Sensing Approach

［J］. Forest Ecology and Management， 2009，257（4）： 1237-1246.

[本文引用: 1]

Crist E P， Cicone R C.

A Physically-based Transformation of Thematic Mapper Data-The TM Tasseled Cap

［J］. IEEE Transactions on Geoscience and Remote Sensing， 1984，22（3）： 256-263.

[本文引用: 2]

Cohen W B， Spies T A.

Estimating Structural Attributes of Douglas-fir/Western Hemlock Forest Stands from Landsat and SPOT imagery

［J］. Remote Sensing of Environment， 1992， 41（1）： 1-17.

[本文引用: 1]

Czerwinski C J， King D J， Mitchell S W.

Mapping Forest Growth and Decline in a Temperate Mixed Forest Using Temporal Trend Analysis of Landsat Imagery， 1987-2010

［J］. Remote Sensing of Environment， 2014， 141（2）： 188-200.

[本文引用: 1]

Luckman A J， Frery A C， Yanasse C C F， et al.

Texture in Airborne SAR Imagery of Tropical Forest and Its Relationship to Forest Regeneration Stage

［J］. International Journal of Remote Sensing， 1997， 18（6）： 1333-1349.

[本文引用: 1]

Kuplich T M， Curran P J， Atkinson P M.

Relating SAR Image Texture to the Biomass of Regenerating Tropical Forests

［J］. International Journal of Remote Sensing， 2005， 26（21）： 4829-4854.

[本文引用: 1]

Hardisky M A， Smart R M， Klemas V.

Growth Response and Spectral Characteristics of a Short Spartina Alterniflora Salt Marsh Irrigated with Freshwater and Sewage Effluent

［J］. Remote Sensing of Environment， 1983， 13（1）： 57-67.

[本文引用: 1]

Lucas R， Armston J， Fairfax R， et al.

An Evaluation of the ALOS PALSAR L-Band Backscatter-Above Ground Biomass Relationship Queensland， Australia： Impacts of Surface Moisture Condition and Vegetation Structure

［J］. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing， 2010， 3（4）： 576-593.

[本文引用: 1]

Avtar R， Suzuki R， Takeuchi W， et al.

PALSAR 50 m Mosaic Data based National Level Biomass Estimation in Cambodia for Implementation of REDD+ Mechanism

［J］. Plos One， 2013， 8（10）：e74807. DOI: 10.1371/journal.pone.0074807

[本文引用: 1]

Li Mingze， Mao Xuegang， Fan Wenyi.

Forest Biomass Estimation Using Remote Sensing based on Canopy Density Simultaneous Equations Model

［J］. Scientia Silvae Sinicae， 2014， 50（2）： 85-91.

[本文引用: 1]

李明泽， 毛学刚， 范文义.

基于郁闭度联立方程组模型的森林生物量遥感估测

［J］. 林业科学， 2014， 50（2）： 85-91.

[本文引用: 1]

Fu Hongfeng， Yan Wei， Chen Jingjing.

Forest Carbon Storage and It’s Dynamics in Da-Xing Mountains of Inner Mongolia

［J］. Journal of Arid Land Resources and Environment， 2013， 27（9）： 166-170.

[本文引用: 1]

伏鸿峰， 闫伟， 陈晶晶.

内蒙古大兴安岭林区森林碳储量及其动态变化研究

［J］. 干旱区资源与环境， 2013， 27（9）： 166-170.

[本文引用: 1]

Tong Jian.

Vegetation Carbon Pool Carbon Storage and Carbon Density in the Greater Xing'an Mountains， Inner

［J］. Inner Mongolia Forestry Investigation and Design， 2017， 40（4）： 78-81.

[本文引用: 2]

佟健.

内蒙古大兴安岭林区植被碳库碳储量和碳密度

［J］. 内蒙古林业调查设计， 2017， 40（4）： 78-81.

[本文引用: 2]

/

〈 〉