東北地理所在東北森林地上生物量遙感反演方面取得重要進展
森林地上生物量是衡量生態系統生產力的重要指標，也是研究森林生態系統碳循環的重要基礎。快速準確地獲取森林地上生物量信息，是森林生態系統與全球氣候變化研究的重要組成部分。與傳統的地面調查方法相比，遙感技術具有觀測范圍廣、更新周期短、節約人力物力等特點，能夠實現長期、連續、動態監測，在大尺度森林地上生物量估算中具有不可替代的優勢。近年來，融合多源遙感數據及智能算法協同反演森林地上生物量已成為國內外研究的熱點。如何從大量數據中提取有用信息，充分發揮多源遙感數據的優勢，提高森林地上生物量反演精度，是目前亟待解決的難點。因此，深入探討森林地上生物量遙感反演的有效因子和算法組合、不確定性來源，對于準確估算森林地上生物量，支撐森林可持續管理與保護，維護區域生態系統安全等具有重要的科學和現實意義。
中科院東北地理所地理景觀遙感學科組研究人員利用ALOS-2 L波段雷達數據、Sentinel系列衛星的C波段雷達和可見光影像、SRTM DEM數據，結合東北森林典型樣區的野外調查數據，系統分析了不同遙感數據源及其特征因子（如后向散射、紋理特征、植被因子、生物物理變量、地形因子等）對森林地上生物量空間變異的敏感性差異，定量解析了不同算法（如參數化、非參數化和混合算法）及遙感因子組合對森林地上生物量遙感反演精度的影響，構建了區域尺度森林地上生物量高精度遙感反演模型，并提出了森林可持續管理建議。
圖1 隨機森林克里金混合算法技術路線示意圖
研究發現，在森林地上生物量遙感反演中，遙感數據源及其因子的組合產生的影響大于算法的選擇。在眾多遙感預測因子中，L波段雷達的紋理特征和可見光的植被指數對森林地上生物量敏感性最高。C波段干涉雷達的地形因子比C波段雷達的后向散射和紋理特征對森林地上生物量反演貢獻更大。雷達因子相較于可見光因子飽和度問題更為突出，反映了森林垂直結構相較于水平結構更為復雜。機器學習（如人工神經網絡、支持向量機和隨機森林等）為代表的非參數化算法比參數化方法（如逐步回歸和地理加權回歸等）反演精度更高。在機器學習算法中，支持向量機適合于小樣本訓練的森林生物量反演，但隨機森林的反演精度最高。隨機森林克里金混合算法在森林地上生物量反演中提高了隨機森林算法的估算精度，而且混合算法在單傳感器反演生物量中對原算法精度的提高更為明顯。
本研究開展了東北森林地上生物量遙感反演的多源遙感數據和算法的綜合比較，并首次將隨機森林克里金混合算法應用于地上生物量遙感反演。研究結果不僅有助于深入理解東北森林典型樣區地上生物量的分布，且可為制定東北森林可持續利用與科學保護的管理決策提供重要的數據支撐。
圖2 非參數化方法與參數化方法對比
該研究由東北地理所博士生陳琳、任春穎副研究員、張柏研究員、王宗明研究員和美國羅德島大學王野喬教授等共同完成。相關研究成果發布在Forest Ecology and Management、Remote Sensing、Forests等國際期刊上。該研究由國家重點研發計劃項目（2016YFC0500300）資助完成。論文信息列表如下：
Chen, L., Wang, Y., Ren, C.*, Zhang, B., Wang, Z., 2019. Assessment of multi-wavelength SAR and multispectral instrument data for forest aboveground biomass mapping using random forest kriging. Forest Ecology and Management 447, 12-25, doi.org/10.1016/j.foreco.2019.05.057.
Chen, L., Wang, Y., Ren, C.*, Zhang, B., Wang, Z., 2019. Optimal combination of predictors and algorithms for forest above-ground biomass mapping from Sentinel and SRTM data. Remote Sensing 11, 414, doi:10.3390/rs11040414.
Chen, L., Ren, C., Zhang, B. *, Wang, Z., Xi, Y., 2018. Estimation of forest above-ground biomass by geographically weighted regression and machine learning with Sentinel imagery. Forests 9, 582, doi:10.3390/f9100582.
附件下載：
吉公網安備22017302000214號
