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(jìn)展
森林地上生物量是衡量生態(tài)系統(tǒng)生產(chǎn)力的重要指標(biāo)，也是研究森林生態(tài)系統(tǒng)碳循環(huán)的重要基礎(chǔ)。快速準(zhǔn)確地獲取森林地上生物量信息，是森林生態(tài)系統(tǒng)與全球氣候變化研究的重要組成部分。與傳統(tǒng)的地面調(diào)查方法相比，遙感技術(shù)具有觀測(cè)范圍廣、更新周期短、節(jié)約人力物力等特點(diǎn)，能夠?qū)崿F(xiàn)長(zhǎng)期、連續(xù)、動(dòng)態(tài)監(jiān)測(cè)，在大尺度森林地上生物量估算中具有不可替代的優(yōu)勢(shì)。近年來(lái)，融合多源遙感數(shù)據(jù)及智能算法協(xié)同反演森林地上生物量已成為國(guó)內(nèi)外研究的熱點(diǎn)。如何從大量數(shù)據(jù)中提取有用信息，充分發(fā)揮多源遙感數(shù)據(jù)的優(yōu)勢(shì)，提高森林地上生物量反演精度，是目前亟待解決的難點(diǎn)。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(lái)源，對(duì)于準(zhǔn)確估算森林地上生物量，支撐森林可持續(xù)管理與保護(hù)，維護(hù)區(qū)域生態(tài)系統(tǒng)安全等具有重要的科學(xué)和現(xiàn)實(shí)意義。
中科院東北地理所地理景觀遙感學(xué)科組研究人員利用ALOS-2 L波段雷達(dá)數(shù)據(jù)、Sentinel系列衛(wèi)星的C波段雷達(dá)和可見(jiàn)光影像、SRTM DEM數(shù)據(jù)，結(jié)合東北森林典型樣區(qū)的野外調(diào)查數(shù)據(jù)，系統(tǒng)分析了不同遙感數(shù)據(jù)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(duì)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(shù)化、非參數(shù)化和混合算法）及遙感因子組合對(duì)森林地上生物量遙感反演精度的影響，構(gòu)建了區(qū)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(xù)管理建議。
圖1 隨機(jī)森林克里金混合算法技術(shù)路線(xiàn)示意圖
研究發(fā)現(xiàn)，在森林地上生物量遙感反演中，遙感數(shù)據(jù)源及其因子的組合產(chǎn)生的影響大于算法的選擇。在眾多遙感預(yù)測(cè)因子中，L波段雷達(dá)的紋理特征和可見(jiàn)光的植被指數(shù)對(duì)森林地上生物量敏感性最高。C波段干涉雷達(dá)的地形因子比C波段雷達(dá)的后向散射和紋理特征對(duì)森林地上生物量反演貢獻(xiàn)更大。雷達(dá)因子相較于可見(jiàn)光因子飽和度問(wèn)題更為突出，反映了森林垂直結(jié)構(gòu)相較于水平結(jié)構(gòu)更為復(fù)雜。機(jī)器學(xué)習(xí)（如人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和隨機(jī)森林等）為代表的非參數(shù)化算法比參數(shù)化方法（如逐步回歸和地理加權(quán)回歸等）反演精度更高。在機(jī)器學(xué)習(xí)算法中，支持向量機(jī)適合于小樣本訓(xùn)練的森林生物量反演，但隨機(jī)森林的反演精度最高。隨機(jī)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(jī)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(duì)原算法精度的提高更為明顯。
本研究開(kāi)展了東北森林地上生物量遙感反演的多源遙感數(shù)據(jù)和算法的綜合比較，并首次將隨機(jī)森林克里金混合算法應(yīng)用于地上生物量遙感反演。研究結(jié)果不僅有助于深入理解東北森林典型樣區(qū)地上生物量的分布，且可為制定東北森林可持續(xù)利用與科學(xué)保護(hù)的管理決策提供重要的數(shù)據(jù)支撐。
圖2 非參數(shù)化方法與參數(shù)化方法對(duì)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(guó)羅德島大學(xué)王野喬教授等共同完成。相關(guān)研究成果發(fā)布在Forest Ecology and Management、Remote Sensing、Forests等國(guó)際期刊上。該研究由國(guó)家重點(diǎn)研發(fā)計(jì)劃項(xiàng)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(wǎng)安備22017302000214號(hào)
