基于SAR 數(shù)據(jù)的森林生物量估測研究進展

黃燕平，陳勁松

(中國科學院深圳先進技術研究院，深圳 518551)

0 引言

森林是陸地生態(tài)系統(tǒng)中重要的組成部分。森林生物量是表征森林固碳能力的重要指標，也是評估區(qū)域森林碳平衡的重要參數(shù)［1］。聯(lián)合國氣候變化框架公約(UNFCCC)要求成員國定期報告其森林生物量及碳貯量的變化;京都議定書允許通過保持及增加森林生態(tài)系統(tǒng)碳貯量的方式協(xié)助簽約國實現(xiàn)其減限排放承諾。作為陸地生態(tài)系統(tǒng)的主體，森林植被生物量約占全球陸地植被生物量的85%～90%［2-3］。傳統(tǒng)的森林資源調查是一項周期長、任務重、勞動強度大、需大量經費的工作［4］。遙感數(shù)據(jù)以其覆蓋面廣、時效性強、光譜信息豐富、經濟性等特點成為森林生物量估測的有力工具。SAR 數(shù)據(jù)還具有全天時、全天候、多角度和多極化方式的觀測特點，在全球和區(qū)域森林生物量估測，特別是多云雨的熱帶和亞熱帶地區(qū)發(fā)揮著巨大的作用。

本文根據(jù)目前遙感技術的發(fā)展現(xiàn)狀，總結了傳統(tǒng)的森林生物量的估測方法和基于光學遙感和激光雷達(LiDAR)數(shù)據(jù)的森林生物量反演方法，深入分析了基于SAR 數(shù)據(jù)的森林蓄積量估測方法的發(fā)展現(xiàn)狀，并分析了SAR 數(shù)據(jù)森林生物量估測的發(fā)展趨勢。

1 傳統(tǒng)的估算方法

傳統(tǒng)的森林生物量估測是對標準樣地、標準木平均胸徑及樹高等進行估測。具體方法有收獲法、皆伐法、標準木法、平均生物量法、模型法、相對生長法以及生物量轉換因子連續(xù)法等［5］。統(tǒng)計表明，森林蓄積量與生物量之間具有良好的相關關系。森林蓄積量包含了森林類型、年齡、立地條件和林分密度等諸多因素，利用森林蓄積量與生物量之間的關系推算生物量就消除了這些因素的影響。生物量轉換因子法是利用林分生物量與木材材積比值的平均值，乘以該森林類型的總蓄積量，從而得到該類型森林總生物量的方法，但該方法沒有考慮到林分、林齡等的影響。Gillespie 等［6］提出了生物量轉換因子連續(xù)函數(shù)法，將單一不變的生物量平均轉換因子改為分齡級的轉換因子，以更加準確地估算森林生物量。國內方精云等［2］在20 世紀90年代末期就開展了我國大區(qū)域森林生物量的研究，主要基于森林清查數(shù)據(jù)、利用生物量轉換因子建立森林生物量和蓄積量之間的線性回歸模型，估算中國森林的生物量和碳儲量;楊昆等［7］考慮到研究區(qū)森林處于中、幼林階段的實際特點，通過森林樣地實測數(shù)據(jù)，利用生物量轉換因子連續(xù)函數(shù)法擬合了珠江三角洲不同林級的主要森林類型的生物量和蓄積量之間的回歸方程，估算區(qū)域森林生物量及其動態(tài)。

然而，傳統(tǒng)生物量估測方法具有一定的局限性，很難及時反映大面積宏觀層面上的生物量信息，且受人為影響較大，無法從宏觀上把握森林資源的生長和分布規(guī)律。特別是在進行全國大尺度區(qū)域森林生物量估算時，由于研究范圍大、林分類型多，獲取實測數(shù)據(jù)較為困難，建立的回歸方程效果和適應性都較低。隨著3S 技術的不斷發(fā)展，許多學者利用從遙感影像所含信息，并結合樣地測量數(shù)據(jù)，發(fā)展了多種森林生物量反演方法［8］。

2 基于光學遙感和LiDAR 數(shù)據(jù)的反演方法

與傳統(tǒng)的生物量估算方法比較，遙感方法可大范圍、快速、準確且無破壞性地對生物量進行估測。許多研究結果表明，遙感影像灰度值及其經線性、非線性組合構成的量能反映綠色植物生長狀況和分布特征，與植物長勢、蓄積量、覆蓋度及季相變化都有很好的相關關系，可作為定量因子直接參與森林蓄積量的估測［9］。

2.1 基于光學遙感的反演方法

光學遙感圖像記錄的是地物的反射光譜信息。植被的反射光譜特征反映了植被的葉綠素含量和生長狀況，而葉綠素含量與葉生物量相關，葉生物量又與群落生物量相關［5］，所以，可根據(jù)植被反射光譜特征、利用遙感數(shù)據(jù)來估算陸地植被活體生物量。利用光學遙感信息估測森林量，主要通過單個波段像元值、多波段線性非線性組合值［8］、各種植被指數(shù)［10］以及葉面積指數(shù)來反演森林生物量;還可以通過間接估測林分密度、平均冠層高度、森林蓄積量等參數(shù)來反演。根據(jù)研究尺度、分辨率等不同要求，可以使用不同的光學遙感數(shù)據(jù)，主要有低分辨率的MODIS 數(shù) 據(jù)［11］、NOAA/AVHRR 數(shù)據(jù)［12］，中 等 分辨率的Landsat TM 和ETM 數(shù)據(jù)及高分辨率的SPOT，IKONOS 數(shù)據(jù)［13］等。反演模型主要有線性/非線性模型、神經網絡模型［14］及KNN 模型等。

光學遙感數(shù)據(jù)以其豐富的光譜信息在森林生物量反演中得到了廣泛的應用，但是，其信號只與森林冠層的葉發(fā)生作用，不能穿透冠層與占生物量主體的枝干發(fā)生作用，對高森林生物量敏感性不強，容易達到飽和點。特別在多云雨和霧的熱帶和亞熱帶地區(qū)，可見光和紅外遙感受到了很大的限制［15］。

2.2 基于LiDAR 數(shù)據(jù)的反演方法

LiDAR 是近年來國際上發(fā)展十分迅速的主動遙感技術，在森林參數(shù)的定量測量和反演上取得了成功的應用。LiDAR 具有很強的穿透森林植被的能力［16］，可以直接測量植被林冠高度等林冠結構參數(shù)，是反演植被生物量的重要數(shù)據(jù)源。在林木高度測量與林分垂直結構信息獲取方面具有其他遙感技術無可比擬的優(yōu)勢［17］。激光雷達的工作波段為紅外和可見光波段，以脈沖激光作為技術手段，以激光束掃描的工作方式測量從傳感器到地面上激光照射點的距離，即通過測量地面采樣點激光回波脈沖相對于發(fā)射激光主波之間的時間延遲得到傳感器到地面采樣點之間的距離［18］。近年來，很多學者提出了用LiDAR數(shù)據(jù)反演森林參數(shù)的方法，極大地推動了激光雷達在林業(yè)上的應用。用LiDAR 數(shù)據(jù)估測森林生物量和蓄積量一般是根據(jù)不同樹種及立地條件的相關生長方程，采用統(tǒng)計分析的方法建立回歸模型進行估測，模型參數(shù)有樹高、胸徑和株數(shù)密度等［16，19-20］。

雖然應用LiDAR 數(shù)據(jù)在森林樹高、胸徑斷面積等參數(shù)反演上取得了很大的成功，但是由于該數(shù)據(jù)獲取成本較高，獲取大范圍的LiDAR 數(shù)據(jù)比較困難，LiDAR 數(shù)據(jù)還未能廣泛應用于大區(qū)域或全球尺度森林生物量估算，往往作為典型實驗應用在較小區(qū)域中。

3 基于SAR 數(shù)據(jù)的反演方法

進入20 世紀90年代，世界各國發(fā)射了多種載有SAR 傳感器的衛(wèi)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，歐空局Sentinel SAR 系列即將發(fā)射，中國環(huán)境減災衛(wèi)星HJ -1C 等陸續(xù)升空，這些大大推動和拓寬了SAR 數(shù)據(jù)的應用研究。各種星載和機載SAR 數(shù)據(jù)被廣泛地應用于森林參數(shù)的估測。

3.1 利用SAR 后向散射信息反演森林生物量

雷達后向散射系數(shù)與地面目標的參數(shù)(如幾何形狀、表面粗糙度及介電常數(shù)等)有關［21］，利用雷達后向散射系數(shù)可以反演地表參數(shù)。生物量可由一種或幾種森林參數(shù)通過生長關系方程來估算。早期很多學者就不同波段、不同極化、不同傳感器等獲取的雷達后向散射強度和森林蓄積量之間的關系進行了研究。LeToan［22］等分析了不同雷達波段的后向散射強度和森林生物量之間的關系，得出P 波段、HV極化與樹干生物量的相關系數(shù)最大，R2達到0.95，提出用SAR 后向散射數(shù)據(jù)反演森林蓄積量的關鍵問題是反演算法對于各種SAR 參數(shù)(頻率、極化、角度、森林類型、林齡及環(huán)境等)的有效作用范圍問題;Fransson［23］利用JERS -1 和ERS -1 數(shù)據(jù)研究也得出L 波段反演北方森林的蓄積量范圍在0～300 m2/ha，明顯優(yōu)于C 波段的反演結果的結論;Pang［24］利用JERS -1 SAR 后向散射信息反演森林蓄積量，指出當蓄積量大于100 m2/ha 時達到飽和點，建立的線性回歸模型無法正確反演，需要結合光學數(shù)據(jù)才能區(qū)分不同的植被類型。

從以上研究中可以看出，學者們傾向于利用長波段SAR 后向散射信息反演森林生物量。因為短波段SAR 數(shù)據(jù)對森林蓄積量變化敏感性不強，容易到達飽和點。也可以從多時相的角度利用短波段SAR 數(shù)據(jù)來反演森林生物量［25］。如Kurvonen 等［26］將C 波段數(shù)據(jù)用于北方針葉林生物量反演，達到了很好的效果，因為此區(qū)域森林是相對為稀疏的針葉林，C 波段信號能部分穿透森林冠層，并且明顯的季節(jié)變化也會導致后向散射的變化。同一波段不同極化方式的后向散射信息對森林生物量的敏感性和探測能力是不同的，很多學者的研究表明森林區(qū)域的HV 極化后向散射值比其他區(qū)域要高［15，27-28］。這是由于森林的體散射能力較強，雷達信號會發(fā)生去極化，從而導致HV 極化值比其他區(qū)域偏高。

利用后向散射信息反演森林蓄積量不是無限制和無條件的。許多研究表明，僅利用不同波段的后向散射強度數(shù)據(jù)反演蓄積量都存在一個飽和點的問題，并且飽和點隨著波長的增加而提高［25，29-30］。當蓄積量達到某個值時，后向散射和蓄積量之間的反演關系將不成立，從而大大影響了SAR 后向散射信息反演森林生物量的潛力。

3.2 利用SAR 干涉相干性反演森林生物量

SAR 是相干的傳感器，同時記錄了后向散射信號的幅度和相位信息。傳統(tǒng)的SAR 研究僅僅考慮到后向散射強度信息，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，很多學者將InSAR 引入到森林生物量的估測研究中。但利用干涉相干性信息反演森林蓄積量也會遇到敏感性和飽和點的限制，如密集林區(qū)的相干性太低，使用長的基線能保證敏感性但低蓄積量區(qū)的值又會接近于零。所以學者們傾向于將后向散射信息和干涉相干性信息結合起來研究森林蓄積量［31］。Wegmuller［9］討論了ERS -1 不同基線、不同時間間隔、不同特征區(qū)域的InSAR 數(shù)據(jù)在森林制圖和監(jiān)測上的應用潛力，提出了一種利用干涉相干圖、后向散射強度圖和后向散射強度變化圖組合的RGB 圖研究森林蓄積量的方法。利用森林區(qū)域的干涉相干性比開闊地、裸地、低矮植被、建成區(qū)等相干性要低的特點，將森林和其他地物類型區(qū)分，而且還能區(qū)分不同的森林類型。Engdahl［32］利用一種針對北方森林的后向散射-相干性模型，基于一對ERS-1/2 SAR 相干數(shù)據(jù)反演森林蓄積量，并探討了氣候條件對不同相干的相對影響。Eriksson［33］等對比了瑞典和西伯利亞2個不同氣候地區(qū)的反演結果，指出獲得最好的蓄積量反演結果的條件是在冰凍氣候下獲得的干涉相干圖和非冰凍氣候下獲取的后向散射圖。為了建立干涉相干性和森林蓄積量之間的關系，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，而森林冠層的枝葉由于環(huán)境因素如風的影響是不穩(wěn)定的，對應的相干性較低，從而將森林區(qū)域的總的相干性看成地表相干性和森林冠層相干性的總和。Askne［35-38］在水云模型的基礎上，提出了更適用與森林蓄積量反演的半經驗模型——干涉水云模型，該模型主要基于地表和森林冠層相干性的強烈對比，將總的相干性分為林下地表和冠層兩部分。隨著森林蓄積量的增加，這兩部分的相干性發(fā)生變化，地表反射減少導致地表貢獻的相干性減少，使得整個森林區(qū)域的相干性也降低，這主要是因為森林透射率的降低［38］所致。干涉水云模型被廣泛應用于北方針葉林的蓄積量反演［35，37，39-40］。但是，干涉水云模型在應用時需要輸入多個環(huán)境參數(shù)來訓練模型以確定未知參數(shù)［41］，這就大大限制了模型的應用。Cartus［42-43］利用已有的MODIS VCF 植被覆蓋度數(shù)據(jù)對模型進行自動訓練，實現(xiàn)了大面積的森林蓄積量自動反演。Santoro 等［44］提出了一種利用干涉水云模型BIOMASAR 算法，該算法使用單幅ENVISAT ASAR ScanSAR 數(shù)據(jù)反演森林蓄積量，將高時相序列ScanSAR 數(shù)據(jù)的反演結果按權重進行疊加，反演的蓄積量飽和點能達到300 m2/ha 以上。Cartus［45］將MODIS 自動訓練干涉水云模型和BIOMASAR 算法結合，使用ALOS PALSAR 雙極化數(shù)據(jù)成功反演了美國北部的地上生物量。

3.3 利用SAR 極化干涉信息反演森林蓄積量

極化干涉SAR(polarimetric interferometric SAR，Pol-InSAR)既具有InSAR 對地表森林散射體的空間分布敏感的特性，又具有PolSAR 對森林散射體的形狀和方向敏感的特性，還具有從數(shù)據(jù)中分解得到不同散射機制的特征分量的能力［46］，為微波遙感定量測量、高精度數(shù)字高程信息和觀測對象形變信息的提取提供了可能。Pol -InSAR 在提取地表植被垂直結構信息方面具有比單獨的InSAR 和PolSAR更大的優(yōu)越性和更高的測量精度。植被具有不同形態(tài)特征的各個部分會顯示出不同的散射特性，由于極化可以辨別出不同的散射行為，因此可以利用極化形成對應于某個特定散射機理的干涉圖，將干涉圖之間的相位差直接與植被高度聯(lián)系起來［47］。樹高作為重要的森林參數(shù)，和森林蓄積量存在一定的相關關系，一直是Pol-InSAR 研究領域的熱點。近年來涌現(xiàn)了多種利用Pol -InSAR 反演森林高度的方法［48-49］。陳曦等［50］在雙基線Pol -InSAR 數(shù)據(jù)的基礎上開展了定量反演植被垂直結構坡面的研究，通過改進的雙基線兩次擬合法來估計并提取植被垂直結構所需的植被高度和地形相位信息;李哲［51］等對經典的兩類Pol -InSAR 樹高反演算法(基于相干優(yōu)化的反演算法和基于高分辨率波達算法(ESPRIT))的相位優(yōu)化反演方法進行了評價，并嘗試了ESPRIT 算法和三階段反演算法的結合;于大洋等［52］將ESPRIT 算法和Cloude 極化干涉散射模型結合反演樹木高度等參數(shù)，降低了森林參數(shù)反演的運算量;李延偉等［46］針對地面相干相位估計偏差和植被散射模型偏差引起三階段植被高度反演偏差的問題，提出了直接利用BP 神經網絡模擬極化復相關系數(shù)與植被高度之間的非線性映射關系，提高了反演精度;羅環(huán)敏等［53］針對利用微波后向散射系數(shù)反演森林地上生物量易達到飽和點的問題，提出了一種基于極化相干層析技術(polarization coherence tomography，PCT)的森林地上生物量估計方法，利用PCT 提取的相關反射率函數(shù)信息可提高森林地上生物量估計精度。Pol -InSAR 信息除了廣泛應用于對樹高的反演外，不同極化方式下森林垂直結構的散射機制也成為該領域學者們的研究重點，如Garestier 等［54］利用P 波段Pol-InSAR 數(shù)據(jù)并結合地面實測數(shù)據(jù)來研究冠層散射體的散射機制。

Pol-InSAR 信息在地表參數(shù)反演研究中得到了廣泛的應用，但是國內尚沒有研制機載/星載Pol-InSAR系統(tǒng)，主要還是借助國外Pol -InSAR 數(shù)據(jù)進行相關研究。Pol -InSAR 技術具有很強的生命力，正成為推動極化、干涉、極化干涉技術發(fā)展的強大動力?？臻g信息、頻譜信息、極化信息、時間信息與寬帶傳感器的結合代表了Pol -InSAR 技術當前乃至未來一段時間發(fā)展的方向［55］。

4 基于SAR數(shù)據(jù)森林生物量估測的發(fā)展趨勢

4.1 利用多種信息反演森林生物量

已有的研究不僅從SAR 后向散射強度信息、干涉相干性信息到極化干涉信息，以不同角度充分挖掘了SAR 信息，紋理信息也被用于反演森林蓄積量。紋理信息能提供森林結構和幾何特性相關的信息，所以與森林生物量相關，能用來區(qū)分不同的森林類型［55-56］。學者們還對比同一時間不同波段、不同極化方式的SAR 數(shù)據(jù)在不同氣候條件、不同森林類型等情況下的應用效果差異，開展多角度、多信息、多應用環(huán)境適應性的綜合研究。

4.2 多源數(shù)據(jù)結合反演森林生物量

利用不同信息源所含信息的互補性，能提高森林參數(shù)反演的精度。學者們不僅將不同波段的SAR 數(shù)據(jù)相結合，還將SAR 數(shù)據(jù)與光學、激光數(shù)據(jù)結合。Fransson［57］利用ERS -1 數(shù)據(jù)的干涉信息和多時相SPOT XS 光學數(shù)據(jù)反演森林蓄積量，得出利用干涉信息不僅能提高反演的精度，還能提高飽和點的結論;Rauste［58］結合JERS-1 SAR 后向散射和Landsat TM 數(shù)據(jù)反演森林蓄積量;Englhart［59］首先基于森林清查數(shù)據(jù)利用LiDAR 反演地上生物量，然后針對長波段SAR 數(shù)據(jù)反演高生物量森林區(qū)域比短波段SAR 更具優(yōu)勢，但在低生物量區(qū)域反演的準確性較低的情況，結合X 和L 波段SAR 數(shù)據(jù)反演了熱帶森林的地上生物量。

4.3 森林生物量估測方法的多樣性

基于遙感數(shù)據(jù)的森林生物量反演方法有相關分析、多元回歸分析、神經網絡模型、數(shù)學模型、物理模型以及半經驗模型等。隨著遙感數(shù)據(jù)源的多元化發(fā)展，為了集不同數(shù)據(jù)源的優(yōu)勢以提高森林生物量的估算精度，越來越多的學者致力于用數(shù)學方法和技術工具融合不同傳感器、不同波段的數(shù)據(jù)進行研究。如Cutler［14］利用小波分析和灰度共生矩陣的方法提取JERS -1 SAR 的紋理信息，并結合多時相的Landsat TM 數(shù)據(jù)建立人工神經網絡反演熱帶森林生物量。隨著遙感研究從定性到定量的發(fā)展趨勢，也有學者傾向于從信號和目標相互作用的物理機制和散射機制去建立物理模型。

4.4 應用大尺度并結合全球問題反演森林生物量

近些年來，森林生物量的研究從區(qū)域尺度逐漸上升到全球尺度。同時對森林生物量的研究緊緊圍繞氣候、環(huán)境、資源這些與人類生存和可持續(xù)發(fā)展密切相關的重大問題，如土地利用方式的變化引起的森林生物量的變化，森林在減緩全球氣候變化、碳收支中所起的作用等等。各國政府和相關研究機構也積極推動和加強區(qū)域間合作，很多國際項目應運而生。如SIBERIA(SAR imaging for boreal ecology and radar interferometry applications)項目是利用JERS 和ERS-1/2 的SAR 數(shù)據(jù)進行西伯利亞北方針葉林的蓄積量研究，后續(xù)SIBERIA -II［60］項目作為全球環(huán)境安全監(jiān)測項目(global monitoring for environmental security)的部分，主要針對歐亞大陸北部進行碳特別是溫室氣體的研究;全球北方森林制圖項目(global boreal forest mapping project，GBFM)以及后續(xù)的全球熱帶雨林制圖項目［61］(global rain forest mapping project，GRFM);西伯利亞陸地碳觀測項目(terrestrial carbon observation system siberia，TCOS SIBERIA)［62］;全球森林和土地覆蓋動態(tài)觀測項目(global observation for forest and land cover dynamics，GOFC/GOLD)［63］等。

5 結論

伴隨著遙感技術的快速發(fā)展，各種載有高分辨率、高光譜、SAR、激光雷達等傳感器的衛(wèi)星相繼發(fā)射升空。各類遙感數(shù)據(jù)的快速、大面積獲取給林業(yè)資源管理，特別是區(qū)域范圍內的森林生物量估測、碳儲量估測等提供了數(shù)據(jù)支持。不同來源的數(shù)據(jù)從不同的角度反映了森林生物量的狀況，因此，將多源數(shù)據(jù)結合可以從不同的側面反映森林狀況，也成為森林生物量估算的研究趨勢。同時，不同地域森林具有不同的特征，針對特定區(qū)域森林的生物量估測方法的適應性問題也是值得研究的課題。發(fā)展全球、區(qū)域尺度下的森林生物量估測方法顯得尤為重要。

［1］趙 敏，周廣勝.基于森林資源清查資料的生物量估算模式及其發(fā)展趨勢［J］.應用生態(tài)學報，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.

［2］方精云.北半球中高緯度的森林碳庫可能遠小于目前的估算［J］.植物生態(tài)學報，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.

［3］方精云，陳安平，趙淑清，等.中國森林生物量的估算:對Fang等Science 一文(Science，2001，291:2320～2322)的若干說明［J］.植物生態(tài)學報，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.

［4］馬俊紅，張永福，汪 華.森林蓄積量遙感估測的研究進展［J］.內蒙古林業(yè)調查設計，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.

［5］劉煒洋，梁嘉鑫，李志新.生物量的遙感估算方法及影響因素［J］.林業(yè)科技情報，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.

［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.

［7］楊 昆，管東生.珠江三角洲地區(qū)森林生物量及其動態(tài)［J］.應用生態(tài)學報，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.

［8］郭志華，彭少麟，王伯蓀.利用TM 數(shù)據(jù)提取粵西地區(qū)的森林生物量［J］.生態(tài)學報，2002，22(11):1832 -1839.Guo Z H，Peng S L，Wang B S.Estimating forest biomass in western Guangdong using landsat TM data［J］.Acta Ecologica Sinica，2002，22(11):1832 -1839.

［9］Wegmuller U，Werner C L.SAR interferometric signatures of forest［J］.Geoscience and Remote Sensing，1995，33(5):1153 -1161.

［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.

［11］付安民，孫國清，過志峰，等.基于MODIS 數(shù)據(jù)的東北亞森林時序變化分析［J］.北京大學學報:自然科學版，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.

［12］H?me 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.

［13］Proisy C，Couteron P，F(xiàn)romard 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.

［14］Cutler M E J，Boyd D S，F(xiàn)oody G M，et al.Estimating tropical forest biomass with a combination of SAR image texture and Landsat TM data:An assessment of predictions between regions［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2012，70:66 -77.

［15］陳爾學.合成孔徑雷達森林生物量估測研究進展［J］.世界林業(yè)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.

［16］段祝庚，肖化順.機載激光雷達森林參數(shù)估算方法綜述［J］.林業(yè)資源管理，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.

［17］婁雪婷，曾 源，吳炳方.森林地上生物量遙感估測研究進展［J］.國土資源遙感，2011，23(1):1 -8.Lou X T，Zeng Y，Wu B F.Advances in the estimation of aboveground biomass of forest using remote sensing［J］.Remote Sensing for Land and Resources，2011，23(1):1 -8.

［18］李 丹，岳彩榮.激光雷達在森林參數(shù)反演中的應用［J］.測繪與空間地理信息，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.

［19］馮仲科，楊伯鋼，羅 旭，等.應用LiDAR 技術預測林分蓄積量［J］.北京林業(yè)大學學報，2007(s2):45 -51.Feng Z K，Yang B G，Luo X，et al.Predicting stand volume with Li-DAR technology［J］.Journal of Beijing Forestry University，2007(s2):45 -51.

［20］趙麗瓊，張曉麗，孫紅梅.激光雷達數(shù)據(jù)在森林參數(shù)獲取中的應用［J］.世界林業(yè)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.

［21］郭華東.雷達對地觀測理論與應用［M］.北京:科學出版社，2000.Guo H D.Radar for earth observation theory and application［M］.Beijing:Science Press，2000.

［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.

［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.

［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.

［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.

［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.

［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.

［28］Yanping H，F(xiàn)eilong 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.

［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.

［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.

［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.

［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.

［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.

［34］Attema E P W，Ulaby F T.Vegetation modeled as a water cloud［J］.Radio Science，1978，13(2):357 -364.

［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.

［36］Askne J I H，Dammert P B G，Ulander 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.

［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.

［38］Askne J，Dammert P B G，Smith G.Understanding ERS InSAR coherence of boreal forests［C］//Askne J.Proceedings of the Geoscience and Remote Sensing Symposium，1999:2111 -2114.

［39］Askne J，Santoro M.Selection of forest stands for stem volume retrieval from stable ERS tandem InSAR observations［J］.IEEE Geoscience and Remote Sensing Letters，2007，4(1):46 -50.

［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.

［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.

［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.

［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 tandem coherence and MODIS vegetation continuous fields［J］.Remote Sensing of Environment，2011，115(3):931 -943.

［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.

［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.

［46］李廷偉，梁甸農，朱炬波.極化干涉SAR 森林高度反演綜述［J］.遙感信息，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.

［47］吳一戎，洪 文，王彥平.極化干涉SAR 的研究現(xiàn)狀與啟示［J］.電子與信息學報，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.

［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.

［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.

［50］陳 曦，張 紅，王 超.極化干涉SAR 反演植被垂直結構剖面研究［J］.國土資源遙感，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.

［51］李 哲，陳爾學，王建.幾種極化干涉SAR 森林平均高反演算法的比較評價［J］.遙感技術與應用，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.

［52］于大洋，董貴威，楊 健，等.基于干涉極化SAR 數(shù)據(jù)的森林樹高反演［J］.清華大學學報:自然科學版，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.

［53］羅環(huán)敏，陳爾學，李增元，等.森林地上生物量的極化相干層析估計方法［J］.遙感學報，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.

［54］Garestier F，Dubois -Fernandez 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.

［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.

［56］De Grandi 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.

［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.

［58］Rauste Y.Multi-temporal JERS SAR data in boreal forest biomass mapping［J］.Remote Sensing of Environment，2005，97(2):263 -275.

［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.

［60］Schmullius C，Santoro M.Siberia -II project introduction［EB/OL］.(2005)［2012 -8 -16］.http://www.siberia2.uni -jena.de/index.php.

［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/.

［62］Heimann M.Terrestrial carbon observation system SIBERIA［EB/OL］.(2007)［2012 -8 -22］http://www.bgc -jena.mpg.de/public/carboeur/web_TCOS/.

［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.