湿地植被作为陆地生态系统中的重要组成部分, 在全球变化进程中起着举足轻重的作用。湿地植被生物量是指某一时刻、单位面积的湿地范围内实存植物的总重量, 通常用鲜重或干重表示。湿地植被生物量是衡量湿地固碳能力的重要指标, 因此湿地植被生物量的反演具有重要意义。

利用遥感技术进行生物量反演, 数据源的选择很重要。应用光学遥感数据可以提取植被指数等与生物量有较大相关性的信息, 通过建立这些信息与生物量的相关关系模型或回归模型来反演生物量^{[1, 2, 3]}。但一些研究发现, 植被茂盛区域的图像存在光谱饱和现象, 影响了生物量反演的精度^{[4, 5]}。与光学遥感相比, 雷达遥感具有波长更长、穿透性更强的优势, 再加上全天时、全天候获取数据的特点, 为植被实时监测提供了有力保障^[6]。研究发现, 雷达后向散射系数与各植被参数之间存在一定的相关性^{[7, 8, 9]}, 其中与生物量之间常表现为复杂的非线性关系^{[10, 11, 12]}。也有学者尝试将光学和微波遥感数据相结合来反演植被参数, 探讨提高反演精度的途径^{[13, 14, 15]}。然而, 当自变量间存在多重共线性或相关关系时, 基于统计分析的经验和半经验模型方法都存在一定的局限性。杨沈斌在进行统计回归分析之前, 对影响后向散射的各植被参数进行了主成分分析, 发现雷达后向散射对水稻生物量和叶面积指数敏感^[16]; 张远等通过建立水稻冠层散射模型模拟植被后向散射特性, 利用遗传算法反演了水稻生物量^[17]。随着雷达遥感向全极化发展, 极化特征参数也逐渐被用于反演地表环境生物物理参数。Sauer等人通过对POLSAR数据进行Freeman-Durden分解, 利用二次散射和体散射分量进行生物量反演^[18]; 张远通过改进微波冠层散射模型, 模拟了L波段水稻后向散射特性, 并通过植被生物物理参数间接反演得到生物量^[19]。

本文改进了水稻冠层散射模型, 根据野外实测数据, 将植被结构分层, 对地表环境进行了重新构建, 并将后向散射模拟值和Freeman-Durden极化分解得到的散射分量引入BP算法, 反演得到了鄱阳湖湿地植被生物量。

鄱阳湖位于江西省北部, 是中国最大的淡水湖, 也是国际重要湿地之一, 面积约3 000 km², 其主导植被类型为灰化苔草^[20]。受典型亚热带季风气候的影响, 鄱阳湖是一个季节性湖泊, 水位的交替变化影响了湿地植被的生长条件, 进而影响植被生物量的变化。研究区位置如图1所示。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 研究区位置示意图(Google Earth)Fig.1 Sketch map of study area location on Google Earth

遥感数据为1景C波段精细全极化Radarsat-2图像, 入射角31.3° ~33.0° 。在对该图像进行Freeman-Durden极化分解之前, 首先对其进行辐射定标和3像元× 3像元的Enhanced Lee滤波; 然后对得到的体散射、二次散射及面散射分量图像进行几何纠正(本文采用二次多项式变换模型, 用最邻近像元法进行像元重采样); 最后, 利用手持GPS中存储的野外采样点地理坐标, 提取出图像中对应点的后向散射值。

野外数据采集于2011年4月7— 10日, 获取时间基本与SAR数据同步。此时的湿地植被正处于生长顶峰时期, 生物量达到最大值。采样点分布在鄱阳湖湖区中部的偏西部位(图1), 采样点间距为3 m, 样点大小为0.5 m× 0.5 m的地块; 共收集54组采样点数据, 每组取3个随机采样点的均值。采集的草样在烤箱中持续12 h进行恒温(100℃)烘干, 最终获取其干重, 之后将收集的各个参数进行单位换算, 统一为单位面积(即1 m²范围内)。

首先, 通过改进基于辐射传输的植被冠层模型^{[19, 21, 22]}, 分析湿地植被的后向散射特性, 通过比较采样点的模型模拟值和图像提取值, 来验证模型的可行性; 然后, 基于BP神经网络算法构建了散射分量(体散射、二次散射、面散射)及后向散射系数(HH, VV, HV)与植被生物量的映射关系, 最终实现了鄱阳湖湿地植被生物量反演与制图, 具体流程如图2所示。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 湿地植被生物量反演方法流程Fig.2 Flow chart of wetland vegetation biomass retrieval

3.1 植被散射模型及后向散射特性

由于研究区内植被密度较大(图3左), 下垫面接受和反射C波段电磁波分量很少^{[23, 24]}。为了便于构建植被冠层后向散射模型, 需要对地表条件进行简化和假设^{[25, 26, 27]}。在改进植被冠层后向散射模型过程中, 本研究假设研究区内植被种类单一, 均为灰化苔草。苔草分为叶子层和茎秆层(图3右①— ④为电磁波与植被的作用方式)。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 湿地苔草(左)及其散射模型简化示意图(右)Fig.3 Cares cinerascens in Poyang Lake wetland (left) and schematic diagram of the model (right)

本研究将电磁波与植被的相互作用分为4种方式(图3): ①苔草直接后向散射; ②入射波经苔草层衰减到达下层水面, 再由水面反射到苔草层后射出; ③入射波经苔草层散射到达水面后, 经水面反射和草层衰减而射出; ④雷达波束经苔草层衰减到达水面, 再由水面反射到苔草层, 经苔草层的后向散射作用返回水面, 再次经水面反射和苔草层的衰减而射出。基于电磁波和植被的相互作用机制, 在辐射传输方程的一阶解中, 将总的后向散射量表达为

σ _total=σ _leaf+σ _leaf-ground+σ _stem+σ _stem-grond+σ _grond, (1)

式中: σ _leaf和σ _stem分别为叶子和茎秆的体散射分量; σ _leaf-ground和σ _stem-grond分别为叶子、茎秆与地表的二次散射分量; σ _ground是地表直接后向散射分量。

在以往的植被冠层散射模型中, 将植被冠层视为球形分布, 但研究区苔草叶子呈竖立生长, 不同高度上茎叶夹角不同, 不同方位上回波强度不同。因此, 本文利用概率分布函数(probability of distribution function, PDF)拟合叶子的几何分布。由于苔草叶片被视为长窄椭圆形, 叶片与茎秆夹角α 的余角定义

为叶倾角β (β =90° -α )。PDF函数如图4所示。

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 苔草叶倾角概率密度分布函数Fig.4 PDF of the taicao leaf orientations

拟合计算公式为

PDF=0.211 7sin(0.079 66 β -2.99)+0.775 3sin(0.148 3 β -3.239)+0.657sin(0.160 2 β +5.564)。 (2)

从改进模型的后向散射模拟值和图像提取值对比结果(图5)可以看出: 二者之间具有良好的一致性, 误差在1 dB以内, 大部分误差在 0.2~0.5 dB之间, 表明改进的模型能够较真实地反映湿地苔草植被后向散射特性; 图像提取和模型模拟的3种极化方式(HH, VV, HV)后向散射值跨度均为6 dB左右, 表明不同采样点的地表特性差异明显。

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 后向散射系数σ ° 的模拟值和图像值对比Fig.5 Comparison between backscattering coefficients simulated by model and extracted from image

研究区内湖泊和河叉分布密集, 下垫面含水量很高, 在水分充足的情况下, 同种植被在同一时间内含水量变动较小。但受下垫面成分、结构和营养条件等影响, 植被高度、密度等却存在较大差异, 后向散射系数与植被各结构参数间的敏感性分析结果如图6所示。

图6

Fig.6

	Figure Option ViewDownloadNew Window
	图6 后向散射系数与植被结构参数间的敏感性分析Fig.6 Sensitivity analysis of vegetation structure parameters and backscattering coefficients

从图6可以看出: 后向散射系数随着植被高度、叶片长度、茎秆半径的增加而上升, 但密度对其影响较小, 后向散射系数保持相对稳定。这是由于植被密度较大, 生长茂盛期不见裸露地表或者水面, 后向散射系数对密度值存在饱和现象所致。

3.2 全极化Freeman-Durden分解

根据Freeman-Durden极化分解模型, 将植被和地表相互作用的散射机制分解为面(或单次)散射、二次散射和体散射 ^{[28, 30]} 3部分。对3个散射分量进行彩色合成(图7), 可以发现, 研究区以体散射为主, 建筑物和浅滩多见二次散射, 水体主要是单次散射(面散射)。

图7

Fig.7

	Figure Option ViewDownloadNew Window
	图7 Freeman-Durden分解合成图像 (R: 二次散射量; G: 体散射量; B:面散射量)Fig.7 Composite image of Freeman-Durden polarimetric decomposition

用5组数据对生物量进行反演, 各组数据的具体组合如表1所示。

表1

Tab.1

表1(Tab.1)

表1 不同输入数据组合及其生物量反演误差 Tab.1 Combination of input data for BP artificial neural network and biomass retrieval error 组号 神经网络输入数据 变量个数 实测值和模拟 值均方根误差 a HH, HV, VV后向散射系数图像提取值 3 125.22 b HH, HV, VV后向散射系数植被散射模型模拟值 3 124.65 c Freeman-Durden极化分解图像后向散射系数 3 125.95 d HH, HV, VV后向散射系数图像提取值; Freeman-Durden极化分解图像后向散射系数 6 105.65 e HH, HV, VV后向散射系数植被散射模型模拟值; Freeman-Durden极化分解图像后向散射系数 6 99.22

表1 不同输入数据组合及其生物量反演误差 Tab.1 Combination of input data for BP artificial neural network and biomass retrieval error

图8(a)— (e) 分别为5组输入数据的模拟值与实测值的对比结果。其中, 图8(a)— (c)和(d)— (e)分别代表神经网络输入3个和6个变量时生物量的反演结果。

图8

Fig.8

	Figure Option ViewDownloadNew Window
	图8 生物量反演值和实测值对比Fig.8 Comparison of biomass retrieval and measured values

可以看出, 随着输入变量个数的增加, 神经网络反演误差有所降低。与应用表1a— c组数据反演结果相比, 应用d, e两组数据的反演结果误差均有明显降低, 其中e组数据在5组数据中横截距和均方根误差均为最小, 说明反演精度最高。因此, 本文选用e组数据训练神经网络, 最终反演得到研究区湿地植被生物量(图9)。

图9

Fig.9

	Figure Option ViewDownloadNew Window
	图9 研究区生物量反演图Fig.9 Biomass retrieval map of study area

本文基于Radarsat-2 C波段全极化数据, 利用改进的植被散射模型模拟了湿地植被HH, HV, VV极化方式下的后向散射特性, 并通过BP神经网络算法反演得到研究区生物量。结论如下:

1)辐射传输方程一阶解的植被散射模型为反演生物量提供了理论和技术支撑。模型输出有利于分析植被各生物物理结构参数的后向散射特性, 为反演植被参数提供了新的方法和思路。

2)Freeman-Durden极化分解技术建立在3分量散射模型基础上, 分解结果较直观地显示了不同地物后向散射特征, 同时也为生物量反演算法增加了约束变量。

3)植被散射模型简化了地表环境, 直接建立了植被与雷达波束相互作用散射机制, 因此, 后向散射系数模型模拟值与全极化分解分量组合的反演结果精度高于HH, HV, VV极化图像后向散射系数与全极化分解分量组合的反演结果。

研究过程中, 仍存在问题需要进一步改善: 植被散射模型对植被种类多样区域不适用, 同时神经网络是一个黑箱模型, 无法显示输入输出变量之间的关系, 植被各结构组分对生物量的影响有待进一步研究。