第46卷第1期2018年1月
东北林业大学学报
JOURNAL OF NORTHEAST FORESTRY UNIVERSIT^Y
Vol.46 No.1
Jan. 2018
应用 S e n t i n e l-1 影像纹理信息模型估测杉木林生物量1
潘磊孙玉军
(省部共建森林培育与保护教育部重点实验室（北京林业大学），北京，100083)
摘要以福建省将乐县杉木林为研究对象，以C波段双极化合成孔径雷达数据（Sentinel-1)为数据源，通过计算不同极化方式下的后向散射系数和纹理特征值，采用多元线性逐步回归分析，分别建立以后向散射系数与纹
理特征值为自变量，杉木林生物量为因变量的估测模型，筛选最优杉木林生物量估测模型。结果表明：
VH、V V与
VH/V V极化方式的后向散射系数与森林生物量均没有明显的相关关系，相关系数均低于0.2；运用纹理信息建立
的生物量估测模型中，V V极化纹理特征值的估测模型的决定系数为0.7167，均方根误差为62.48 t•hnT2，模型的
估测效果最好。因此，C波段双极化合成孔径雷达影像纹理参数在估测森林生物量方面具有重要作用。
关键词 C波段SAR；纹理测量；杉木；森林生物量；多元线性逐步回归
分类号 S758.5
Estimation of Cunningharnm lanceolata Forest Biomass Bad on Sentinel-1Image Texture Information//l^an Lei,
Sun Yujun(Key Laboratory for Silviculture and Conrvation,Ministry of Education,Beijing Forestry University,Beijing
100083, P.R.China)//Journal of Northeast Forestry University,2018,46( 1)：58-62.
With Cunninghamia lanceolata f orest in the Jiangle County of Fujian Province,taking the dual-polarization C-band SAR (Sentinel-1)data as data source,the backscattering coefficients and texture parameters of Sentinel-1were measured.
By the multiple stepwi regression analysis,the estimation model of the biomass of the C.lageolata forest was lected by
using the Sentinel-1backscatter coefficient a nd the texture parameter as the independent variables and the biomass of the
C.lanceolata forest as the dependent variable.There was no obvious correlation relationship bet^veen the backscattering co
efficient of V V，VH and VH/^VV polarization and forest biomass.In the biomass estimation model b mation,R2of model bad on VV polarization texture was0.716 7 and the RMSE was62.48 mg•hm2,which was the best
model for the three treatment modes.The texture parameters of C-band SAR data have potential in e
stimating forest bio
mass.
Keywords C-band SAR；Texture measurement；Cunninghamia lanceolate；Forest biomass；Multiple linear stepwi regression
在区域和全球范围内对森林生物量进行估算，对理解和监测生态系统对温室气体排放、陆地碳排 放的响应至关重要[13。传统估测森林生物量的地面实测法是最精确的，但耗时、费力且难以实施，尤 其是在偏远地区，并且只能在小范围区域实施[—5]。遥感为在景观格局、区域乃至全球尺度范围内进行森林生物量和碳储量的调查提供了可行的方法[4’6]。很多研究已经证明，使用光学遥感数据、雷 达数据、激光雷达数据和多源数据可以在不同程度上成功地进行森林生物量的估测。
由于雷达对植被冠层的穿透能力与对植被含水 量的敏感性，雷达数据在估测森林生物量方面具有较大的潜力[6]。对星载S A R(合成孔径雷达）与机 载S A R系统的研究表明，多频、多极化S A R系统是
1)国家林业局“948”项目（2015-4-31 /。
第一作者简介：潘磊，男，1993年10月生，省部共建森林培育与保护教育部重点实验室（北京林业大学）硕士研究生。E-mail: 。
通信作者：孙玉军，省部共建森林培育与保护教育部重点实验室(北京林业大学），教授。E-mail:sunyj@bjfu.edu。
收稿日期：017年4月2日。
责任编辑：王广建。估测森林生物量的重要工具[3’79]。雷达的后向散射强度随着森林生物量的增加而增加，但是当森林地上生物量达到一定水平时，会趋于饱和，并且后向 散射强度对森林生物量的敏感性会随着波长的增大 而增大，P波段数据的饱和点小于200t •hm_2，L波 段数据的饱和点小于100t •hm_2，C波段数据的饱 和点小于50t •hm—23’6’10-12]。森林生物量估测精度 的提高不仅依赖于S A R数据，也依赖于S A R数据 的有效处理方式（纹理测量等）。纹理测量是高分辨率S A R数据的重要信息资源，并且图像纹理能够 识别林分结构的不同方面（林龄、林分密度和叶面积指数等）[2’13_15]。
纹理是指色调在空间上的分布。视觉上比较细 腻的纹理，说明图像亮度值在区域内的空间变化比较小；视觉上比较粗糙的纹理，像元值在区域内的变 化则比较剧烈[16]。纹理参数虽然用于土地利用类型和植被的分类[17]，但是影像纹理及其与森林生物 量之间的关系尚未得到充分研究[2]。因此，本文应 用Sentinel-1A双极化数据纹理信息估测森林生物量进行探讨。
第1期潘磊，等：应用Sentind-1影像纹理信息模型估测杉木林生物量59
1研究区概况
研究区位于福建省三明市将乐国有林场。将乐 县地处武夷山山脉东南部，地形以中低山为主，海拔 180〜500 m，土壤以红壤为主，少量分布有黄红壤。属亚热带季风气候，年均降水量1669 m m，年平均气
温18.7 °C，平均相对湿度81%，全年无霜期287 d。
将乐县森林资源丰富，全县山地面积1 920 km2，其 中有林地面积1887 km2，森林覆盖率达84.5%，林木 蓄积量1.598x l07m3。该区域以杉木、马尾松和毛竹为主要树种[18]。研究区与样地分布见图1。
117。25,30〃东117。26,30〃东117。27,30"东117。28,30〃东
图1研究区与样地分布
2研究方法
2.1雷达影像数据
研究所用的数据为Sentinel-1干涉宽模式下的 S1T O P S-m ode S L C数据，获取时间为216年7月5 日，极化方式为W、V H，距离向采样间隔为2.3m，方位向采样间隔为13.94 m，入射角为43.99〇。
2.2样地调查与样地生物量估算
机控网在研究区调查了 2块杉木林固定样地，样地大小为20m x30 m或20mX20m，对样地内的林木进行每木检尺，使用胸径尺测量样地内每一株林木的胸径，使用手持激光测高仪测量每一4朱林木的树高，并使用G P S记录样地中心点坐标。
样地生物量估算引用杉木相容性地上生物量方 程[8] :G B= 0.039 7乃19160^°7686，用以计算样地地上 生物量，样地生物量总体分布情况如表1所示，生物 量分布范围为2〜401 t •hm_2。
表1样地生物量总体分布情况
地上生物量水平/t•hm_2各样地地上生物量/t•h m_2样地数占样地总数的比例/% <10029.00、33.00、75.80、86.35、93.62、94.09620.70
彡100〜200105.14、113.01、122.99、124.63、127.90、144.82、146.47、159.18、161.26、182.22、182.441137.93
彡200 ~ 300200.63、219.30、219.33、219.70、219.74、245.71、256.43、256.27、262.37、295.10034.48
彡300394.53、441.2226.89
2.3雷达数据处理
后向散射系数：在S A R s c a p e中对原始数据进行 地理编码和辐射定标，将图像转换为分贝为单位的适马后向散射系数图像，对图像的点目标进行定量度量与分析，得到的样地后向散射系数用于生物量建模。
纹理分析：在纹理测量之前，先将后向散射系数 图像转换为归一化后向散射系数图像。因为归一化 后向散射系数图像，在低后向散射目标上提供了更好的动态范围[9]，更好的进行F ro s t滤波处理抑制斑点噪声。本研究使用灰度共生矩阵（G L C M)进行 纹理测量。G L C M为对称矩阵，其维数（N)是影像灰度的量化级别，矩阵中的每个值代表其行列号所对应的2个灰度级别，在某个特定距离和方向同时出现的概率。若将距离设为1个像元，G L C M矩阵 所描述的则是相邻像元之间的相互关系。常用的方 向有4个:0° (水平方向）、45° (右斜线方向）、90° (垂直方向）和15°(左斜线方向）[16]。本研究采用 4个窗口提取Sentinel-1数据不同极化方式影像的纹理特征值，窗口大小为3x3、5x5、7x7、9x9。由灰 度共生矩阵（G L C M)计算的8个二阶纹理变量公式如下：
N-1
均值 M e
i,j=0
君到姑苏60东北林业大学学报第46卷
N-1
方差 V a R=5>,,/*-砍）；
1，户0
相关性C0R=y p(i-M J(j-M) .会。f^R
对比度 CoN'r P/*--)2;
i,-0
N-1
西瓜英语单词差异性〜-.r/i U-j l;
i-0
均质性A m-.P i
/-01+(.-)2
N-1
角二阶矩A m-X/.;
i-0
N-1
熵p,)
i,-0
式中:P，表示G L C M矩阵中第i行第_/列所对应的2个 灰度值在某个特定距离和方向同时出现的概率(GLCM 矩阵中所有的概率值总和为1);N为量化等级。
使用多元线性逐步回归方法建立雷达影像参数 与森林地上生物量的关系，分别以不同极化方式的雷 达后向散射系数与纹理特征值作为自变量，样地生物 量作为因变量。通过决定系数(R2)、调整决定系数(祀#)、值和均方根误差来确定最优拟合模型。通 过十折交叉验证方法对最优拟合模型进行验证。
3结果与分析
3.1后向散射系数与生物量相关性系数及两种极化方式后向散射系数比V H/V V与杉 木林地上生物量的相关性均不显著。其中杉木林地 上生物量与V H极化后向散射系数的相关系数最高，但也只达到0.15，与V V极化后向散射系数的相 关系数为0.12，与后向散射系数比VH/V V的相关 系数仅为-0.04，均低于0.2，属于低度相关关系。已有研究表明，雷达后向散射系数强度会随着森林生物量的增加而增加，但是当森林生物量达到一定水平时，后向散射系数会趋于饱和，C波段雷达数据与 生
物量关系的饱和点较低，小于50 t •hm—23’6’10。本研究中采用的S e n tin e l-1数据为C波段雷达数据，其不同极化方式的后向散射系数与杉木林地上生物量相关性较低，这种结果是由于样地的生物量大部分都大于100t •hm_2，超过了 C波段雷达数据 后向散射系数估测森林生物量的饱和点造成的。3.2不同极化影像纹理特征值建模
由表2可知，通过提取V H极化影像在4种窗 口（3x3、5x5、7x7、9x9)的 32 个 GLCM纹理特征值 作为模型备选自变量，建立的杉木林生物量估测模型，该模型的R2为0.615 6，为0.48 7，均方根误 差为69.54 t •hm—2，模型中的4个纹理参数都在0.01水平上达到显著，并且4个纹理变量中没有3x 3窗口的纹理参数，说明在V H极化影像中，3 x3窗 口下的纹理参数对于杉木林生物量估测作用不大。
Sentinel-1两种极化方式V V、V H的后向散射
表2 VH、V V极化纹理特征值建模结果
极化方式
模型拟合参数截距和变量的拟合参数
R2R a d i均方根误差/t•hm—2P值截距和变量系数系数标准误P值
VH0.61560.548769.540.0001截距-751.67191.060.0007**
F A R(5x5)-14.153.810.0011**
Q)N(7x7)22.666.900.0033**
Q)R(7x7)211.8973.230.0082**
"0M_9x91986.04402.625.51x l0~5*** VV0.71670.635762.487.01x l0~5截距5678.201041.032.07x l0—5**
^0M(3x3)372.52136.490.0125*
Q)N(5x5)31.208.480.0014**
^N T(7x7)-1 214.16250.118.46x l0~5***
^S M(7x7)-1 9479.014033.248.97x l0_5**米饭的英文单词
^0M(9x9)-1 370.04428.180.0043**
Q)N(9x9)-60.6512.91-4.698** VH/VV0.45890.304286.350.0294截距-1 154.70379.790.0062**
ME(3x3)818.81414.470.0615
F A R(5x5)-77.3039.420.0633
Q)N(5x5)56.0829.520.0713
F A R(7x7)111.2061.160.0833
^S M(7x7)279.47131.140.0451*
^0M(9x9)311.21146.740.0460*注：*表示在0.5水平上显著；**表示在0.01水平上显著；***表示在0.001水平上显著。
第1期
潘磊，等：应用Sentind -1影像纹理信息模型估测杉木林生物量61
1
1||-100
■■
100
200300400
AGB/t-hm-2
AGB/t-hm-2
3.5模型精度验证
由表2可知，在3种估测模型中，W 影像纹理 特征值估测模型的K 2
、均方根误差等统计指标
均是最优的，因此，该模型为最优模型。考虑到样地 数量较少，故采用十折交叉验证方法对最优模型进 行精度验证，对最优模型进行十次十折交叉验证，取 其平均值，得到的模型决定系数（K 2)为0.595 4，相 比原始模型，精度降低了 0.121 3。造成精度降低的 原因可能是由于样地生物量涵盖范围较广（2〜401
t • hm _2)，而样地数量较少。
图2模型估测值与样地实测值散点图和残差图
4结论与讨论
本研究旨在通过使用Sentinel -1A S A R 数据不
同极化方式的后向散射系数和纹理信息估测森林生
物量。研究表明，使用Sentinel -1A S A R 数据的纹 理信息可以大幅提高其估测森林生物量的能力；C 波段S A R 数据的后向散射系数与森林生物量的相 关关系不明显，不宜直接用于森林生物量水平较高 地区的森林生物量估测；不同极化方式影像的纹理 信息在森林生物量估测方面具有一定的潜力，但是
提取W 极化影像在4种窗口（ 3x 3、5x 5、7x 7、 9x 9)的32个G L C M 纹理特征值作为模型备选自变 量，以杉木林生物量为因变量，使用多元线性逐步回
归方法，建立生物量估测模型，最终模型如表2所 示。该模型的炉为0.716 7，/^为0.635 7，均方根 误差为62.48 t /hm 2。8个纹理变量中最常被使用的 依次是E N T 、C O N 、H OM 、V A R 和A S M [16]，该模型采 用的纹理变量为只0麗、〇^^聊^3麗，这与前人的 研究结果是契合的。在该模型中，4个窗口大小的 纹理参数均有参与建模，说明在W 极化影像估测 杉木林生物量时，这4个窗口大小的纹理信息均具 有一^定的作用。
根据提取V H /W 影像在4种窗口（3x 3、5x 5、7x 7、9x 9)的32个G L C M 纹理特征值作为模型备选自 变量，以杉木林生物量为因变量，使用多元线性逐步 回归方法，建立生物量估测模型。该模型^为
0.458 9，/^为 0.304 2，均方根误差为 86.35 t /hm—2。 该模型的均方根误差等统计指标是3个模 型中效果最差的，并且该模型6个纹理变量中，有4 个纹理变量在0.05水平上不显著，说明两种极化方 式影像的后向散射系数比V H /W 的纹理参数不适 用于估测杉木林生物量。
由图2可知，3种模型预测值与生物量实测值 的拟合程度与残差，V V 极化纹理参数模型的拟合 优度显著优于V H 极化纹理参数模型和V H /V V 纹 理参数模型，并且该模型的残差较另外两种模型也 较低。通过残差图可以看出，3种模型的残差分布 基本表现为当生物量水平较低时为负值，在生物量 水平较高时为正值，说明这3种模型都存在对低生 物量森林存在过高估计，对高生物量森林存在过低 估计的问题，在中等生物量水平时估测效果较好。
o o
o
1010
糊朦
HA
o
o
o
支付二维码o
o
o o o o 4
3 2 1
3
-l /_54n }A A
o o o o o o
分式方程的应用o o o o
o
4 3 2 1
-1,
.m I H /_s f f i ffi
A
62东北林业大学学报第46卷
效果与极化方式有关，在V H极化、V V极化与VH/ V V极化3种处理方式中，基于V V极化影像纹理特 征值的森林生物量估测模型拟合效果最好，模型决 定系数达到0.716 7，调整决定系数为0.635 7，但是 这种处理技术估测森林生物量的性能可能会受到森 林生物量水平与森林结构的影响。
研究证明在估测森林生物量方面，P波段和L 波段雷达数据比C波段雷达数据更有优势，C波段 S A R数据的后向散射系数在生物量水平较低时就已达到饱和。本研究中不同极化方式的后向散射系 数与生
物量的相关关系均不显著，而对不同极化方式雷达数据进行纹理测量，将纹理信息用于估测森林生物量，其中V H、V H/V V极化纹理信息建立的生物量模型虽然都高于后向散射系数估测森林生物 量的效果，但是模型效果均不理想；而由V V极化纹 理特征值建立的生物量模型拟合效果在这些模型中 效果是最好的，决定系数达到0.716 7。在不同的研 究区可能会有不同的最优模型，因为不同研究区的 纹理参数存在差异，但是其他研究区的最优模型可以使用本研究中使用的方法来获得。在今后的研究 中，加入地形因子或其他纹理参数或者使用神经网络等非参数算法进行生物量估测也是一种提高模型 精度的思路。
参考文献
[1]H OUGHTON R A.Aboveground Forest Biom ass and the Global
Carbon Balance[J].Global Change Biology,2005,11(6) ：945 -
958.
[2] SARKER M L,N ICH O L J,IZ HB,et al.F orest biom ass estim ation
using texture m easurem ents of H igh-Resolution D ual-Polarization
C-Band SAR Data[J].IEEE Transactions o n Geoscience and Re
m ote Sensing,2013,51(6)：3371-3384.去的成语
[3]DOBSON M C,ULABY F T,LETOAN T,et al.Dependence of
radar backscatter o n coniferous forest biom ass[J].IEEE Transac
tions on Geoscience and R em ote Sensing,1992,30(2) ：412-415.[4]梁顺林，李小文，王锦地，等.定量遥感：理念与算法[M].北京：
训练口才科学出版社，2013:433-458.
[5]KETTERINGS Q M,COE R,VAN NOORDW IJK M,et al.Re
ducing uncertainty in the u of allom etric biom ass equations for
predicting above-ground tree biom ass in m ixed condary forests
[J].Forest Ecology and M anagem ent,2001,146(1) ：199-209. [6]TO A N T L,BEAUDOIN A,R IOM J,et al.Relating forest bio
m ass to SAR data[J].IEEE Transactions o n Geoscience and Re
m ote Sensing,1992,30(2)：403-411.
[7]KASISCHKE E S,CHRISTENSEN N L,BOURGEAUCHAVEZ L
L,et al.Correlating radar backscatter w ith com ponents of biom ass
in loblolly pine forests[J].IEEE Transactions o n Geoscience an d
R em ote Sensing,1995,33(3)：643-659.
[8]RANSON K J,SU N G,LANG R H,et al.M apping of boreal for
est biom ass from spaceborne synthetic aperture radar[J].Journ al
of Geophysical Rearch,1997,102(D2) ：29599-29610.
[9]KURVONEN L,PU LLIiVIN EN J,H A L LIK C A IN E N M,et al.Re
trieval of biom ass in boreal forests from m ultitem poral ERS-1an d
JERS-1SAR im ages[J].IEEE Transactions o n Geoscience an d
R em ote Sensing,1999,37(1)：198-205.
[10] RANSON K J,SU N G.M apping biom ass of a northern forest u
sing m ultifrequency SAR data[J].IEEE Transactions o n Geosci
ence and R em ote Sensing,1994,32(2)：388-396.
[H]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.
[12]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.
[13] ULABY F T,KOUYATE F,BRISCOB,et al.Textural inform a
tion in SAR im ages[J].IEEE Transactions o n Geoscience an d
R em ote Sensing,1986,24(2) :235-245.
[14] DELLACQUA F,GAMBA P.Texture-bad characterization of
urban environm ents o n satellite SAR im ages[J].IEEE Transac
tions o n Geoscience and R em ote Sensing,2003,41 (1)：153-159. [15] CHAM PION I,DUBOISFERNANDEZ P,GUYON D,et al.Ra
dar im age texture as a function of forest stand age[J].Interna
tional Journal of R em ote Sensing,2008,29(6)：1795-1800. [16]陈玲，郝文乾，高德亮•光学影像纹理信息在林业领域的最新
应用进展北京林业大学学报，2015,7(3) :1-12.
[17] PODEST E,SAATCHI S S.Application of m ultiscale texture in
classifying JERS-1radar data over tropical vegetation[J].Inter
national Journal of R em ote Sensing,2010,23(7) ：1487-1506. [18]孙玉军，王新杰，马炜，等.林改
区域典型树种森林碳储量监测
技术研究[M]•北京：中国林业出版社，2014:34-67.
[19] NYOUNGUI A N，TONYE E，AKONO A，et al.Evaluation of
speckle filtering and texture analysis m ethods for land cover clas
sification from SAR im ages[J].International Journal of R em ote
Sensing,2010,23(9) ：1895-1925.
