引用本文
黄燕平, 陈劲松. 基于SAR数据的森林生物量估测研究进展[J]. 国土资源遥感, 2013,25(3): 7-13
HUANG Yanping, CHEN Jinsong. Advances in the estimation of forest biomass based on SAR data[J]. REMOTE SENSING FOR LAND & RESOURCES,2013,25(3): 7-13  
Permissions
Copyright©2013, 《国土资源遥感》编辑部
《国土资源遥感》编辑部
基于SAR数据的森林生物量估测研究进展
黄燕平, 陈劲松
中国科学院深圳先进技术研究院,深圳 518551

第一作者简介: 黄燕平(1987-),女,博士研究生,主要从事森林植被微波遥感研究。 E-mail:yp.huang@siat.ac.cn。

收稿日期: 2012-09-29
基金: 中国科学院战略性先导科技专项“应对气候变化的碳收支认证及相关问题”子课题“华南地区固碳参量遥感监测”(编号: XDA05050107-3)
摘要

森林生物量是地表碳循环研究的重要组成部分,对其进行准确估测对区域乃至全球的森林状况和气候环境问题有重要意义。合成孔径雷达(SAR)以其独特的成像机制、全天候全天时的成像特点以及对森林冠层的穿透能力,在森林资源调查和森林制图研究领域发挥着巨大的作用。该文首先总结了林业上传统的森林生物量估测方法和基于光学遥感和激光雷达(LiDAR)数据的森林生物量估测方法; 然后重点阐述了利用SAR后向散射(不同极化方式)、干涉相干性及极化干涉等信息进行森林生物量反演的方法; 最后总结了利用SAR数据进行森林生物量估测的发展趋势。

关键词: 森林生物量; SAR; 遥感; 干涉相干性; 极化
中图分类号:TP79 文献标志码:A 文章编号:1001-070X(2013)03-0007-07 doi: 10.6046/gtzyyg.2013.03.02
Advances in the estimation of forest biomass based on SAR data
HUANG Yanping, CHEN Jinsong
Shenzhen Institutes of Advanced Technology, Chinese Academy of Science, Shenzhen 518551, China
Abstract

Forest biomass is very important in the study of carbon cycle at the earth’s surface, and hence its accurate estimation has great significance for the problem of the global and even regional forest conditions and climate environments. Due to its unique imaging mechanism, all-weather all day long properties and penetration capability of the forest canopy, synthetic aperture radar (SAR) plays an enormous role in forest resources management and forest mapping research. This paper first summarizes the traditional forest biomass estimation methods in the forestry and the methods based on the optical remote sensing data and LiDAR data, and then deals with the forest biomass inversion methods from such angles as SAR backscatter (different polarization mode), interference coherence, and polarization interference. The advances and development trend for forest biomass estimation based on SAR are also summed up in this paper.

Keyword: forest biomass; SAR; remote sensing; interference coherence; polarization
0 引言

森林是陆地生态系统中重要的组成部分。森林生物量是表征森林固碳能力的重要指标, 也是评估区域森林碳平衡的重要参数[1]。联合国气候变化框架公约(UNFCCC)要求成员国定期报告其森林生物量及碳贮量的变化; 京都议定书允许通过保持及增加森林生态系统碳贮量的方式协助签约国实现其减限排放承诺。作为陆地生态系统的主体, 森林植被生物量约占全球陆地植被生物量的85%~90%[2, 3]。传统的森林资源调查是一项周期长、任务重、劳动强度大、需大量经费的工作[4]。遥感数据以其覆盖面广、时效性强、光谱信息丰富、经济性等特点成为森林生物量估测的有力工具。SAR数据还具有全天时、全天候、多角度和多极化方式的观测特点, 在全球和区域森林生物量估测, 特别是多云雨的热带和亚热带地区发挥着巨大的作用。

本文根据目前遥感技术的发展现状, 总结了传统的森林生物量的估测方法和基于光学遥感和激光雷达(LiDAR)数据的森林生物量反演方法, 深入分析了基于SAR数据的森林蓄积量估测方法的发展现状, 并分析了SAR数据森林生物量估测的发展趋势。

1 传统的估算方法

传统的森林生物量估测是对标准样地、标准木平均胸径及树高等进行估测。具体方法有收获法、皆伐法、标准木法、平均生物量法、模型法、相对生长法以及生物量转换因子连续法等[5]。统计表明, 森林蓄积量与生物量之间具有良好的相关关系。森林蓄积量包含了森林类型、年龄、立地条件和林分密度等诸多因素, 利用森林蓄积量与生物量之间的关系推算生物量就消除了这些因素的影响。生物量转换因子法是利用林分生物量与木材材积比值的平均值, 乘以该森林类型的总蓄积量, 从而得到该类型森林总生物量的方法, 但该方法没有考虑到林分、林龄等的影响。Gillespie等[6]提出了生物量转换因子连续函数法, 将单一不变的生物量平均转换因子改为分龄级的转换因子, 以更加准确地估算森林生物量。国内方精云等[2]在20世纪90年代末期就开展了我国大区域森林生物量的研究, 主要基于森林清查数据、利用生物量转换因子建立森林生物量和蓄积量之间的线性回归模型, 估算中国森林的生物量和碳储量; 杨昆等[7]考虑到研究区森林处于中、幼林阶段的实际特点, 通过森林样地实测数据, 利用生物量转换因子连续函数法拟合了珠江三角洲不同林级的主要森林类型的生物量和蓄积量之间的回归方程, 估算区域森林生物量及其动态。

然而, 传统生物量估测方法具有一定的局限性, 很难及时反映大面积宏观层面上的生物量信息, 且受人为影响较大, 无法从宏观上把握森林资源的生长和分布规律。特别是在进行全国大尺度区域森林生物量估算时, 由于研究范围大、林分类型多, 获取实测数据较为困难, 建立的回归方程效果和适应性都较低。随着3S技术的不断发展, 许多学者利用从遥感影像所含信息, 并结合样地测量数据, 发展了多种森林生物量反演方法[8]。

2 基于光学遥感和LiDAR数据的反演方法

与传统的生物量估算方法比较, 遥感方法可大范围、快速、准确且无破坏性地对生物量进行估测。许多研究结果表明, 遥感影像灰度值及其经线性、非线性组合构成的量能反映绿色植物生长状况和分布特征, 与植物长势、蓄积量、覆盖度及季相变化都有很好的相关关系, 可作为定量因子直接参与森林蓄积量的估测[9]。

2.1 基于光学遥感的反演方法

光学遥感图像记录的是地物的反射光谱信息。植被的反射光谱特征反映了植被的叶绿素含量和生长状况, 而叶绿素含量与叶生物量相关, 叶生物量又与群落生物量相关[5], 所以, 可根据植被反射光谱特征、利用遥感数据来估算陆地植被活体生物量。利用光学遥感信息估测森林量, 主要通过单个波段像元值、多波段线性非线性组合值[8]、各种植被指数[10]以及叶面积指数来反演森林生物量; 还可以通过间接估测林分密度、平均冠层高度、森林蓄积量等参数来反演。根据研究尺度、分辨率等不同要求, 可以使用不同的光学遥感数据, 主要有低分辨率的MODIS数据[11]、 NOAA/AVHRR数据[12], 中等分辨率的Landsat TM和ETM数据及高分辨率的SPOT, IKONOS数据[13] 等。反演模型主要有线性/非线性模型、神经网络模型[14]及KNN模型等。

光学遥感数据以其丰富的光谱信息在森林生物量反演中得到了广泛的应用, 但是, 其信号只与森林冠层的叶发生作用, 不能穿透冠层与占生物量主体的枝干发生作用, 对高森林生物量敏感性不强, 容易达到饱和点。特别在多云雨和雾的热带和亚热带地区, 可见光和红外遥感受到了很大的限制[15]。

2.2 基于LiDAR数据的反演方法

LiDAR是近年来国际上发展十分迅速的主动遥感技术, 在森林参数的定量测量和反演上取得了成功的应用。LiDAR具有很强的穿透森林植被的能力[16], 可以直接测量植被林冠高度等林冠结构参数, 是反演植被生物量的重要数据源。在林木高度测量与林分垂直结构信息获取方面具有其他遥感技术无可比拟的优势[17]。激光雷达的工作波段为红外和可见光波段, 以脉冲激光作为技术手段, 以激光束扫描的工作方式测量从传感器到地面上激光照射点的距离, 即通过测量地面采样点激光回波脉冲相对于发射激光主波之间的时间延迟得到传感器到地面采样点之间的距离[18]。近年来, 很多学者提出了用LiDAR数据反演森林参数的方法, 极大地推动了激光雷达在林业上的应用。用LiDAR数据估测森林生物量和蓄积量一般是根据不同树种及立地条件的相关生长方程, 采用统计分析的方法建立回归模型进行估测, 模型参数有树高、胸径和株数密度等[16, 19, 20]。

虽然应用LiDAR数据在森林树高、胸径断面积等参数反演上取得了很大的成功, 但是由于该数据获取成本较高, 获取大范围的LiDAR数据比较困难, LiDAR数据还未能广泛应用于大区域或全球尺度森林生物量估算, 往往作为典型实验应用在较小区域中。

3 基于SAR数据的反演方法

进入20世纪90年代, 世界各国发射了多种载有SAR传感器的卫星, 如1991年ERS-1、1992年JERS-1、1995年ERS-2和Radarsat-1、2002年ENVISAT、2006年ALOS、2007年TerraSAR-X和Radarsat-2等, 欧空局Sentinel SAR系列即将发射, 中国环境减灾卫星HJ-1C等陆续升空, 这些大大推动和拓宽了SAR数据的应用研究。各种星载和机载SAR数据被广泛地应用于森林参数的估测。

3.1 利用SAR后向散射信息反演森林生物量

雷达后向散射系数与地面目标的参数(如几何形状、表面粗糙度及介电常数等)有关[21], 利用雷达后向散射系数可以反演地表参数。生物量可由一种或几种森林参数通过生长关系方程来估算。早期很多学者就不同波段、不同极化、不同传感器等获取的雷达后向散射强度和森林蓄积量之间的关系进行了研究。LeToan[22]等分析了不同雷达波段的后向散射强度和森林生物量之间的关系, 得出P波段、HV极化与树干生物量的相关系数最大, R2达到0.95, 提出用SAR后向散射数据反演森林蓄积量的关键问题是反演算法对于各种SAR参数(频率、极化、角度、森林类型、林龄及环境等)的有效作用范围问题; Fransson[23]利用JERS-1和ERS-1数据研究也得出L波段反演北方森林的蓄积量范围在0~300 m2/ha, 明显优于C波段的反演结果的结论; Pang[24]利用JERS-1 SAR后向散射信息反演森林蓄积量, 指出当蓄积量大于100 m2/ha时达到饱和点, 建立的线性回归模型无法正确反演, 需要结合光学数据才能区分不同的植被类型。

从以上研究中可以看出, 学者们倾向于利用长波段SAR后向散射信息反演森林生物量。因为短波段SAR数据对森林蓄积量变化敏感性不强, 容易到达饱和点。也可以从多时相的角度利用短波段SAR数据来反演森林生物量[25]。如Kurvonen等[26]将C波段数据用于北方针叶林生物量反演, 达到了很好的效果, 因为此区域森林是相对为稀疏的针叶林, C波段信号能部分穿透森林冠层, 并且明显的季节变化也会导致后向散射的变化。同一波段不同极化方式的后向散射信息对森林生物量的敏感性和探测能力是不同的, 很多学者的研究表明森林区域的HV极化后向散射值比其他区域要高[15, 27, 28]。这是由于森林的体散射能力较强, 雷达信号会发生去极化, 从而导致HV极化值比其他区域偏高。

利用后向散射信息反演森林蓄积量不是无限制和无条件的。许多研究表明, 仅利用不同波段的后向散射强度数据反演蓄积量都存在一个饱和点的问题, 并且饱和点随着波长的增加而提高[25, 29, 30]。当蓄积量达到某个值时, 后向散射和蓄积量之间的反演关系将不成立, 从而大大影响了SAR后向散射信息反演森林生物量的潜力。

3.2 利用SAR干涉相干性反演森林生物量

SAR是相干的传感器, 同时记录了后向散射信号的幅度和相位信息。传统的SAR研究仅仅考虑到后向散射强度信息, 忽略了相位信息。干涉SAR(InSAR)的深入研究表明, 相位中也包含了大量的地物信息。因此, 很多学者将InSAR引入到森林生物量的估测研究中。但利用干涉相干性信息反演森林蓄积量也会遇到敏感性和饱和点的限制, 如密集林区的相干性太低, 使用长的基线能保证敏感性但低蓄积量区的值又会接近于零。所以学者们倾向于将后向散射信息和干涉相干性信息结合起来研究森林蓄积量[31]。Wegmuller[9]讨论了ERS-1不同基线、不同时间间隔、不同特征区域的InSAR数据在森林制图和监测上的应用潜力, 提出了一种利用干涉相干图、后向散射强度图和后向散射强度变化图组合的RGB图研究森林蓄积量的方法。利用森林区域的干涉相干性比开阔地、裸地、低矮植被、建成区等相干性要低的特点, 将森林和其他地物类型区分, 而且还能区分不同的森林类型。Engdahl[32]利用一种针对北方森林的后向散射-相干性模型, 基于一对ERS-1/2 SAR相干数据反演森林蓄积量, 并探讨了气候条件对不同相干的相对影响。Eriksson[33]等对比了瑞典和西伯利亚2个不同气候地区的反演结果, 指出获得最好的蓄积量反演结果的条件是在冰冻气候下获得的干涉相干图和非冰冻气候下获取的后向散射图。为了建立干涉相干性和森林蓄积量之间的关系, Attema等[34]早在1978年就提出了水云模型, 主要基于地表的相干性非常高, 而森林冠层的枝叶由于环境因素如风的影响是不稳定的, 对应的相干性较低, 从而将森林区域的总的相干性看成地表相干性和森林冠层相干性的总和。Askne[35, 36, 37, 38]在水云模型的基础上, 提出了更适用与森林蓄积量反演的半经验模型— — 干涉水云模型, 该模型主要基于地表和森林冠层相干性的强烈对比, 将总的相干性分为林下地表和冠层两部分。随着森林蓄积量的增加, 这两部分的相干性发生变化, 地表反射减少导致地表贡献的相干性减少, 使得整个森林区域的相干性也降低, 这主要是因为森林透射率的降低[38]所致。干涉水云模型被广泛应用于北方针叶林的蓄积量反演[35, 37, 39, 40]。但是, 干涉水云模型在应用时需要输入多个环境参数来训练模型以确定未知参数[41], 这就大大限制了模型的应用。Cartus[42- 43]利用已有的MODIS VCF植被覆盖度数据对模型进行自动训练, 实现了大面积的森林蓄积量自动反演。Santoro等[44]提出了一种利用干涉水云模型BIOMASAR算法, 该算法使用单幅ENVISAT ASAR ScanSAR数据反演森林蓄积量, 将高时相序列ScanSAR数据的反演结果按权重进行叠加, 反演的蓄积量饱和点能达到300 m2/ha以上。Cartus [45]将MODIS自动训练干涉水云模型和BIOMASAR算法结合, 使用ALOS PALSAR双极化数据成功反演了美国北部的地上生物量。

3.3 利用SAR极化干涉信息反演森林蓄积量

极化干涉SAR(polarimetric interferometric SAR, Pol-InSAR)既具有InSAR对地表森林散射体的空间分布敏感的特性, 又具有PolSAR对森林散射体的形状和方向敏感的特性, 还具有从数据中分解得到不同散射机制的特征分量的能力[46], 为微波遥感定量测量、高精度数字高程信息和观测对象形变信息的提取提供了可能。Pol-InSAR在提取地表植被垂直结构信息方面具有比单独的InSAR和PolSAR更大的优越性和更高的测量精度。植被具有不同形态特征的各个部分会显示出不同的散射特性, 由于极化可以辨别出不同的散射行为, 因此可以利用极化形成对应于某个特定散射机理的干涉图, 将干涉图之间的相位差直接与植被高度联系起来[47]。树高作为重要的森林参数, 和森林蓄积量存在一定的相关关系, 一直是Pol-InSAR研究领域的热点。近年来涌现了多种利用Pol-InSAR反演森林高度的方法[48, 49]。陈曦等[50]在双基线Pol-InSAR数据的基础上开展了定量反演植被垂直结构坡面的研究, 通过改进的双基线两次拟合法来估计并提取植被垂直结构所需的植被高度和地形相位信息; 李哲[51]等对经典的两类Pol-InSAR树高反演算法(基于相干优化的反演算法和基于高分辨率波达算法(ESPRIT))的相位优化反演方法进行了评价, 并尝试了ESPRIT算法和三阶段反演算法的结合; 于大洋等[52]将ESPRIT算法和Cloude极化干涉散射模型结合反演树木高度等参数, 降低了森林参数反演的运算量; 李延伟等[46]针对地面相干相位估计偏差和植被散射模型偏差引起三阶段植被高度反演偏差的问题, 提出了直接利用BP神经网络模拟极化复相关系数与植被高度之间的非线性映射关系, 提高了反演精度; 罗环敏等[53]针对利用微波后向散射系数反演森林地上生物量易达到饱和点的问题, 提出了一种基于极化相干层析技术(polarization coherence tomography, PCT)的森林地上生物量估计方法, 利用PCT提取的相关反射率函数信息可提高森林地上生物量估计精度。Pol-InSAR信息除了广泛应用于对树高的反演外, 不同极化方式下森林垂直结构的散射机制也成为该领域学者们的研究重点, 如Garestier等[54]利用P波段Pol-InSAR数据并结合地面实测数据来研究冠层散射体的散射机制。

Pol-InSAR信息在地表参数反演研究中得到了广泛的应用, 但是国内尚没有研制机载/星载Pol-InSAR系统, 主要还是借助国外Pol-InSAR数据进行相关研究。Pol-InSAR技术具有很强的生命力, 正成为推动极化、干涉、极化干涉技术发展的强大动力。空间信息、频谱信息、极化信息、时间信息与宽带传感器的结合代表了Pol-InSAR技术当前乃至未来一段时间发展的方向[55]。

4 基于SAR数据森林生物量估测的发展趋势
4.1 利用多种信息反演森林生物量

已有的研究不仅从SAR后向散射强度信息、干涉相干性信息到极化干涉信息, 以不同角度充分挖掘了SAR信息, 纹理信息也被用于反演森林蓄积量。纹理信息能提供森林结构和几何特性相关的信息, 所以与森林生物量相关, 能用来区分不同的森林类型[55, 56]。学者们还对比同一时间不同波段、不同极化方式的SAR数据在不同气候条件、不同森林类型等情况下的应用效果差异, 开展多角度、多信息、多应用环境适应性的综合研究。

4.2 多源数据结合反演森林生物量

利用不同信息源所含信息的互补性, 能提高森林参数反演的精度。学者们不仅将不同波段的SAR数据相结合, 还将SAR数据与光学、激光数据结合。Fransson[57]利用ERS-1数据的干涉信息和多时相SPOT XS光学数据反演森林蓄积量, 得出利用干涉信息不仅能提高反演的精度, 还能提高饱和点的结论; Rauste[58]结合JERS-1 SAR 后向散射和Landsat TM数据反演森林蓄积量; Englhart[59]首先基于森林清查数据利用LiDAR反演地上生物量, 然后针对长波段SAR数据反演高生物量森林区域比短波段SAR更具优势, 但在低生物量区域反演的准确性较低的情况, 结合X和L波段SAR数据反演了热带森林的地上生物量。

4.3 森林生物量估测方法的多样性

基于遥感数据的森林生物量反演方法有相关分析、多元回归分析、神经网络模型、数学模型、物理模型以及半经验模型等。随着遥感数据源的多元化发展, 为了集不同数据源的优势以提高森林生物量的估算精度, 越来越多的学者致力于用数学方法和技术工具融合不同传感器、不同波段的数据进行研究。如Cutler[14]利用小波分析和灰度共生矩阵的方法提取JERS-1 SAR的纹理信息, 并结合多时相的Landsat TM数据建立人工神经网络反演热带森林生物量。随着遥感研究从定性到定量的发展趋势, 也有学者倾向于从信号和目标相互作用的物理机制和散射机制去建立物理模型。

4.4 应用大尺度并结合全球问题反演森林生物量

近些年来, 森林生物量的研究从区域尺度逐渐上升到全球尺度。同时对森林生物量的研究紧紧围绕气候、环境、资源这些与人类生存和可持续发展密切相关的重大问题, 如土地利用方式的变化引起的森林生物量的变化, 森林在减缓全球气候变化、碳收支中所起的作用等等。各国政府和相关研究机构也积极推动和加强区域间合作, 很多国际项目应运而生。如SIBERIA(SAR imaging for boreal ecology and radar interferometry applications)项目是利用JERS和ERS-1/2的SAR数据进行西伯利亚北方针叶林的蓄积量研究, 后续SIBERIA-II[60]项目作为全球环境安全监测项目(global monitoring for environmental security)的部分, 主要针对欧亚大陆北部进行碳特别是温室气体的研究; 全球北方森林制图项目(global boreal forest mapping project, GBFM)以及后续的全球热带雨林制图项目[61](global rain forest mapping project, GRFM); 西伯利亚陆地碳观测项目(terrestrial carbon observation system siberia, TCOS SIBERIA)[62]; 全球森林和土地覆盖动态观测项目(global observation for forest and land cover dynamics, GOFC/GOLD)[63]等。

5 结论

伴随着遥感技术的快速发展, 各种载有高分辨率、高光谱、SAR、激光雷达等传感器的卫星相继发射升空。各类遥感数据的快速、大面积获取给林业资源管理, 特别是区域范围内的森林生物量估测、碳储量估测等提供了数据支持。不同来源的数据从不同的角度反映了森林生物量的状况, 因此, 将多源数据结合可以从不同的侧面反映森林状况, 也成为森林生物量估算的研究趋势。同时, 不同地域森林具有不同的特征, 针对特定区域森林的生物量估测方法的适应性问题也是值得研究的课题。发展全球、区域尺度下的森林生物量估测方法显得尤为重要。

The authors have declared that no competing interests exist.

参考文献
[1] 赵敏, 周广胜. 基于森林资源清查资料的生物量估算模式及其发展趋势[J]. 应用生态学报, 2004, 15(8): 1468-1472.
Zhao M, Zhou G S. Forest inventory data(FID)-based biomass models and their prospects[J]. Chinese Journal of Applied Ecology, 2004, 15(8): 1468-1472. [本文引用:1] [CJCR: 1.904]
[2] 方精云. 北半球中高纬度的森林碳库可能远小于目前的估算[J]. 植物生态学报, 2000, 24(5): 635-638.
Fang J Y. Forest carbon library may be far less than the current estimate in high latitude of the northern hemisphere[J]. Chinese Journal of Plant Ecology, 2000, 24(5): 635-638. [本文引用:2] [CJCR: 2.203]
[3] 方精云, 陈安平, 赵淑清, 等. 中国森林生物量的估算: 对Fang等Science一文(Science, 2001, 291: 2320~2322)的若干说明[J]. 植物生态学报, 2002, 26(2): 243-249.
Fang J Y, Chen A P, Zhao S Q, et al. Estimating biomass carbon of China’s forests: Supplementary notes on report published in Science(291: 2320-2322)by Fang et al(2001)[J]. Chinese Journal of Plant Ecology, 2002, 26(2): 243-249. [本文引用:1] [CJCR: 2.203]
[4] 马俊红, 张永福, 汪华. 森林蓄积量遥感估测的研究进展[J]. 内蒙古林业调查设计, 2008, 31(2): 34-36.
Ma J H, Zhang Y F, Wang H. Research progress in estimating forest stock amount with remote sensing[J]. Inner Mongolia Forestry Inverstigation and Design, 2008, 31(2): 34-36. [本文引用:1]
[5] 刘炜洋, 梁嘉鑫, 李志新. 生物量的遥感估算方法及影响因素[J]. 林业科技情报, 2010, 42(2): 1-2.
Liu W Y, Liang J X, Li Z X. Biomass estimation method using RS and effect factors[J]. Forestry Science and Technology Information, 2010, 42(2): 1-2. [本文引用:2] [CJCR: 0.487]
[6] Gillespie A J R, Brown S, Lugo A E. Tropical forest biomass estimation from truncated stand tables[J]. Forest Ecology and Management, 1992, 48(1/2): 69-87. [本文引用:1] [JCR: 2.667]
[7] 杨昆, 管东生. 珠江三角洲地区森林生物量及其动态[J]. 应用生态学报, 2007(4): 705-712.
Yang K, Guan D S. Forest biomass and its dynamics in Pearl River Delta[J]. Chinese Journal of Applied Ecology, 2007(4): 705-712. [本文引用:1]
[8] 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 Z H, Peng S L, Wang B S. Estimating forest biomass in western Guangdong using land sat TM data[J]. Acta Ecologica Sinica , 2002, 22(11): 1832-1839. [本文引用:2]
[9] Wegmuller U, Werner C L. SAR interferometric signatures of forest[J]. Geoscience and Remote Sensing, 1995, 33(5): 1153-1161. [本文引用:2] [JCR: 1.809]
[10] Tan K, Piao S L, Peng C H, et al. Satellite-based estimation of biomass carbon stocks for northeast China’s forests between 1982 and 1999[J]. Forest Ecology and Management, 2007, 240(1/3): 114-121. [本文引用:1] [JCR: 2.667]
[11] 付安民, 孙国清, 过志峰, 等. 基于MODIS数据的东北亚森林时序变化分析[J]. 北京大学学报: 自然科学版, 2010, 46(5): 835-843.
Fu A M, Sun G Q, Guo Z F, et al. Forest changes detection in the northeastern Asia using MODIS imagery[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2010, 46(5): 835-843. [本文引用:1] [CJCR: 0.882]
[12] Häme T, Andersson K, Salli A, et al. Forest biomass estimation in northern Europe using NOAA-AVHRR data[J]. Remote Sensing of the Polar Environments, 1996, 52: 183-190. [本文引用:1]
[13] Proisy C, Couteron P, Fromard F. Predicting and mapping mangrove biomass from canopy grain analysis using fourier-based textural ordination of IKONOS images[J]. Remote Sensing of Environment, 2007, 109(3): 379-392. [本文引用:1] [JCR: 4.769]
[14] Cutler M E J, Boyd D S, Foody G M, et al. Estimating tropical forest biomass with a combination of SAR image texture and Land sat TM data: An assessment of predictions between regions[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2012, 70: 66-77. [本文引用:2] [JCR: 2.902]
[15] 陈尔学. 合成孔径雷达森林生物量估测研究进展[J]. 世界林业研究, 1999, 12(6): 18-23.
Chen E X. Development of forest biomass estimation using SAR data[J]. World Forestry Research, 1999, 12(6): 18-23. [本文引用:2] [CJCR: 0.75]
[16] 段祝庚, 肖化顺. 机载激光雷达森林参数估算方法综述[J]. 林业资源管理, 2011(4): 117-121.
Duan Z G, Xiao H S. Review of methods for forest parameter estimation with LiDAR[J]. Forest Resources Management, 2011(4): 117-121. [本文引用:2] [CJCR: 0.703]
[17] 娄雪婷, 曾源, 吴炳方. 森林地上生物量遥感估测研究进展[J]. 国土资源遥感, 2011, 23(1): 1-8.
Lou X T, Zeng Y, Wu B F. Advances in the estimation of above-ground biomass of forest using remote sensing[J]. Remote Sensing for Land and Resources, 2011, 23(1): 1-8. [本文引用:1]
[18] 李丹, 岳彩荣. 激光雷达在森林参数反演中的应用[J]. 测绘与空间地理信息, 2011, 34(6): 54-58.
Li D, Yue C R. The application of LiDAR in inversion of the forest parameters[J]. Geomatics and Spatial Information Technology, 2011, 34(6): 54-58. [本文引用:1]
[19] 冯仲科, 杨伯钢, 罗旭, 等. 应用LiDAR技术预测林分蓄积量[J]. 北京林业大学学报, 2007(s2): 45-51.
Feng Z K, Yang B G, Luo X, et al. Predicting stand volume with LiDAR technology[J]. Journal of Beijing Forestry University, 2007(s2): 45-51. [本文引用:1] [CJCR: 0.833]
[20] 赵丽琼, 张晓丽, 孙红梅. 激光雷达数据在森林参数获取中的应用[J]. 世界林业研究, 2010, 23(2): 61-64.
Zhao L Q, Zhang X L, Sun H M. Application of LiDAR data to forest parameters estimation[J]. World Forestry Research, 2010, 23(2): 61-64. [本文引用:1] [CJCR: 0.75]
[21] 郭华东. 雷达对地观测理论与应用[M]. 北京: 科学出版社, 2000.
Guo H D. Radar for earth observation theory and application[M]. Beijing: Science Press, 2000. [本文引用:1]
[22] Le Toan T, Beaudoin A, Riom J, et al. Relating forest biomass to SAR data[J]. IEEE Transactions on Geoscience and Remote Sensing, 1992, 30(2): 403-411. [本文引用:1] [JCR: 2.933]
[23] Fransson J E S, Walter F, Olsson H. Identification of clear felled areas using SPOT P and Almaz-1 SAR data[J]. International Journal of Remote Sensing, 1999, 20(18): 3583-3593. [本文引用:1]
[24] Pang Y, Sun G, Li Z, et al. Land cover change monitoring after forest fire in northeast China[C]//Pang Y. Proceedings of the Geoscience and Remote Sensing Symposium, 2003: 3383-3385. [本文引用:1]
[25] Kurvonen L, Pulliainen J, Hallikainen M. Retrieval of biomass in boreal forests from multitemporal ERS-1 and JERS-1 SAR images[J]. IEEE Transactions on Geoscience and Remote Sensing, 1999, 37(1): 198-205. [本文引用:2] [JCR: 2.933]
[26] Kurvonen L, Pulliainen J, Hallikainen M, et al. Retrieval of forest parameters from multitemporal spaceborne SAR data[C]//Proceedings of the Geoscience and Remote Sensing Symposium, 1996: 27-31. [本文引用:1]
[27] Franck G, Pascale C, Dubois F, et al. Forest biophysical parameter estimatin using L-and P-band ploarimetric SAR data[J]. IEEE Transaction on Geoscience and Remote Sensing, 2009, 47(10): 3379-3388. [本文引用:1] [JCR: 2.933]
[28] Yanping H, Feilong L, Bo W, et al. Forest/non-forest mapping using ENVISAT ASAR data in Northeast China[C]//Yangping H, Proceedings of the Spatial Data Mining and Geographical Knowledge Services(ICSDM), 2011: 381-385. [本文引用:1]
[29] Dobson M C, Ulaby F T, Letoan T, et al. Dependence of Radar backscatter on coniferous forest biomass[J]. IEEE Transactions on Geoscience and Remote Sensing, 1992, 30(2): 412-415. [本文引用:1] [JCR: 2.933]
[30] Ranson K J, Sun G Q. Mapping biomass of a northern forest using multifrequency SAR data[J]. IEEE Transactions on Geoscience and Remote Sensing, 1994, 32(2): 388-396. [本文引用:1] [JCR: 2.933]
[31] Santoro M, Askne J I H, Wegmiiller U, et al. Observations, modeling, and applications of ERS-ENVISAT coherence over land surfaces[J]. IEEE Transactions on Geoscience and Remote Sensing, 2007, 45(8): 2600-2611. [本文引用:1] [JCR: 2.933]
[32] Engdahl M E, Pulliainen J T, Hallikainen M T. Boreal forest coherence-based measures of interferometric pair suitability for operational stem volume retrieval[J]. IEEE Transactions on Geoscience and Remote Sensing, 2004, 1(3): 228-231. [本文引用:1] [JCR: 2.933]
[33] Eriksson L E B, Askne J, Santoro M, et al. Forest parameter estimation using JERS-1 repeat-pass interferometry: Stem volume retrieval in Siberia and Sweden[C]//Eriksson L E B. Proceedings of the geoscience and remote sensing symposium, 2006: 2212-2215. [本文引用:1]
[34] Attema E P W, Ulaby F T. Vegetation modeled as a water cloud[J]. Radio Science, 1978, 13(2): 357-364. [本文引用:1] [JCR: 1.45]
[35] Askne J, Santoro M, Smith G, et al. Multitemporal repeat-pass SAR interferometry of boreal forests[J]. IEEE Transactions on Geoscience and Remote Sensing, 2003, 41(7): 1540-1550. [本文引用:2] [JCR: 2.933]
[36] Askne J I H, Dammert P B G, Uland er L M H, et al. C-band repeat-pass interferometric SAR observations of the forest[J]. IEEE Transactions on Geoscience and Remote Sensing, 1997, 35(1): 25-35. [本文引用:1] [JCR: 2.933]
[37] Askne J, Santoro M. Multitemporal repeat pass SAR interferometry of boreal forests[J]. IEEE Transactions on Geoscience and Remote Sensing, 2005, 43(6): 1219-1228. [本文引用:2] [JCR: 2.933]
[38] Askne J, Dammert P B G, Smith G. Understand ing ERS InSAR coherence of boreal forests[C]//Askne J. Proceedings of the Geoscience and Remote Sensing Symposium, 1999: 2111-2114. [本文引用:2]
[39] Askne J, Santoro M. Selection of forest stand s for stem volume retrieval from stable ERS tand em InSAR observations[J]. IEEE Geoscience and Remote Sensing Letters, 2007, 4(1): 46-50. [本文引用:1] [JCR: 1.809]
[40] Santoro M, Askne J, Eriksson L, et al. Seasonal dynamics and stem volume retrieval in boreal forests using JERS-1 backscatter[C]//Santoro M. Proc. SPIE4879, Remote Sensing for Agriculture, Ecosystems, and Hydrology IV, 231, 2003. [本文引用:1]
[41] Santoro M, Askne J, Beer C, et al. Automatic model inversion of multi-temporal c-band coherence and backscatter measurements for forest stem volume retrieval[C]//Santoro M. Proceedings of the Geoscience and Remote Sensing Symposium, 2008: 124-127. [本文引用:1]
[42] Cartus O, Santoro M, Schmullius C. C-band intensity-based growing stock volume estimates versus MODIS Vegetation Continuous Fields tree canopy cover: Does C-band see more than canopy cover?[C]//Cartus O. Proceedings of the ESA Living Planet Symposium, 2010. [本文引用:1]
[43] Cartus O, Santoro M, Schmullius C, et al. Large area forest stem volume mapping in the boreal zone using synergy of ERS-1/2 tand em coherence and MODIS vegetation continuous fields[J]. Remote Sensing of Environment, 2011, 115(3): 931-943. [本文引用:1] [JCR: 4.769]
[44] Santoro M, Beer C, Cartus O, et al. Retrieval of growing stock volume in boreal forest using hyper-temporal series of EnviSat ASAR ScanSAR backscatter measurements[J]. Remote Sensing of Environment, 2011, 115(2): 490-507. [本文引用:1] [JCR: 4.769]
[45] Cartus O, Santoro M, Kellndorfer J. Mapping forest aboveground biomass in the Northeastern United States with ALOS PALSAR dual-polarization L-band [J]. Remote Sensing of Environment, 2012, 124: 466-478. [本文引用:1] [JCR: 4.769]
[46] 李廷伟, 梁甸农, 朱炬波. 极化干涉SAR森林高度反演综述[J]. 遥感信息, 2009(3): 85-91.
Li T W, Liang D N, Zhu J B. A Review of inversion of the forest height by polarimetric interferometric SAR[J]. Remote Sensing Information, 2009(3): 85-91. [本文引用:2] [CJCR: 0.45]
[47] 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.
Wu Y R, Hong W, Wang Y P. The current status and implications of polarimetric SAR interferometry[J]. Journal of Electronics and Information Technology, 2007, 29(5): 1258-1262. [本文引用:1] [CJCR: 1.033]
[48] Garestier F, Le T T. Forest modeling for height inversion using single-baseline InSAR/Pol-InSAR data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2010, 48(3): 1528-1539. [本文引用:1] [JCR: 2.933]
[49] Hajnsek I, Kugler F, Lee S K, et al. Tropical-Forest-Parameter estimation by means of Pol-InSAR: The INDREX-II campaign[J]. IEEE Transactions on Geoscience and Remote Sensing, 2009, 47(2): 481-493. [本文引用:1] [JCR: 2.933]
[50] 陈曦, 张红, 王超. 极化干涉SAR反演植被垂直结构剖面研究[J]. 国土资源遥感, 2009, 21(4): 49-52.
Chen X, Zang H, Wang C. The Inversion of vegetation structural parameters using dual-baseline polarimetric SAR interferometry[J]. Remote Sensing for Land and Resources, 2009, 21(4): 49-52. [本文引用:1]
[51] 李哲, 陈尔学, 王建. 几种极化干涉SAR森林平均高反演算法的比较评价[J]. 遥感技术与应用, 2009, 24(5): 611-616.
Li Z, Chen E X, Wang J. Forest height retrieval methods by polarimetric SAR interferometry and their validation against ground truth[J]. Remote Sensing Technology and Application, 2009, 24(5): 611-616. [本文引用:1] [CJCR: 1.047]
[52] 于大洋, 董贵威, 杨健, 等. 基于干涉极化SAR数据的森林树高反演[J]. 清华大学学报: 自然科学版, 2005, 45(3): 334-336.
Yu D Y, Dong G W, Yang J, et al. Forest tree height estimates based on polarimetric SAR interferometry[J]. Journal of Tsinghua University: Science and Technology, 2005, 45(3): 334-336. [本文引用:1] [CJCR: 0.609]
[53] 罗环敏, 陈尔学, 李增元, 等. 森林地上生物量的极化相干层析估计方法[J]. 遥感学报, 2011, 15(6): 1138-1155.
Luo H M, Chen E X, Li Z Y, et al. Forest above ground biomass estimation methodology based on polarization coherence tomography[J]. Journal of Remote Sensing, 2011, 15(6): 1138-1155. [本文引用:1] [CJCR: 1.077]
[54] Garestier F, Dubois-Fernand ez P, Champion I, et al. Pine forest investigation using high resolution P-band Pol-InSAR data[J]. Remote Sensing of Environment, 2011, 115(11): 2897-2905. [本文引用:1] [JCR: 4.769]
[55] Podest E, Saatchi S. Application of multiscale texture in classifying JERS-1 Radar data over tropical vegetation[J]. International Journal of Remote Sensing, 2002, 23(7): 1487-1506. [本文引用:2]
[56] De Grand i G D, Lucas R M, Kropacek J. Analysis by wavelet frames of spatial statistics in SAR data for characterizing structural properties of forests[J]. Geoscience and Remote Sensing, 2009, 47(2): 494-507. [本文引用:1] [JCR: 1.809]
[57] Fransson J E S, Smith G, Askne J, et al. Stem volume estimation in boreal forests using ERS-1/2 coherence and SPOT XS optical data[J]. IEEE Transactions on International Journal of Remote Sensing, 2001, 22(14): 2777-2791. [本文引用:1]
[58] Rauste Y. Multi-temporal JERS SAR data in boreal forest biomass mapping[J]. Remote Sensing of Environment, 2005, 97(2): 263-275. [本文引用:1] [JCR: 4.769]
[59] Englhart S, Keuck V, Siegert F. Aboveground biomass retrieval in tropical forests-The potential of combined X- and L-band SAR data use[J]. Remote Sensing of Environment, 2011, 115(5): 1260-1271. [本文引用:1] [JCR: 4.769]
[60] Schmullius C, Santoro M. Siberia-II project introduction[EB/OL]. (2005)[2012-8-16]. http://www.siberia2.uni-jena.de/index.php. [本文引用:1]
[61] National Space Development Agency of Japan/Earth Observation Research Center(NASDA EORC). Global rain forest mapping(GRFM)project[EB/OL]. (1995)[2012-8-12]. http://southport.jpl.nasa.gov/GRFM/. [本文引用:1]
[62] Heimann M. Terrestrial carbon observation system SIBERIA[EB/OL]. (2007)[2012-8-22]http://www.bgc-jena.mpg.de/public/carboeur/web_TCOS/. [本文引用:1]
[63] GOFC-GOLD Land Cover project office. Global observation of forest and land cover dynamics[EB/OL]. (2012)[2012-8-26]. http://www.fao.org/gtos/gofc-gold/index.html. [本文引用:1]