聯(lián)合Sentinel-1和Sentinel-2數(shù)據(jù)反演森林蓄積量

張雨田, 許曉東, 石軍南, 劉洋, 蔡耀通, 林輝, 石靈杰, 張懷清*

1. 中國(guó)林業(yè)科學(xué)研究院資源信息研究所，北京 100091；

2. 國(guó)家林業(yè)和草原局林業(yè)遙感與信息技術(shù)重點(diǎn)實(shí)驗(yàn)室，北京 100091；

3. 林業(yè)遙感大數(shù)據(jù)與生態(tài)安全湖南省重點(diǎn)實(shí)驗(yàn)室，湖南 長(zhǎng)沙 410004

森林在調(diào)節(jié)和維系全球碳循環(huán)的過程中發(fā)揮重要作用[1]。森林蓄積量指一定森林面積上存在著的林木樹干部分的總材積，是森林資源調(diào)查中一個(gè)重要因子，也是評(píng)價(jià)森林固碳能力的重要指標(biāo)[2]。及時(shí)、準(zhǔn)確的蓄積量估算可為區(qū)域生態(tài)狀況評(píng)價(jià)提供重要依據(jù)，同時(shí)可為評(píng)價(jià)我國(guó)在全球碳源、碳匯中的地位做有力參考[3]。

傳統(tǒng)的森林蓄積量估算以實(shí)地外業(yè)調(diào)查方式為主要手段。例如，全國(guó)森林資源一、二類調(diào)查是國(guó)家了解森林蓄積量變化狀況的主要測(cè)算方法。傳統(tǒng)實(shí)地調(diào)查方法雖然具備較高的準(zhǔn)確度，但費(fèi)時(shí)耗力、效率低下，甚至可能存在破壞性采樣[4,5]。遙感技術(shù)以其準(zhǔn)確、快速、高效的特征優(yōu)勢(shì)，為反演森林蓄積量提供了可靠的影像資源和技術(shù)手段[6-8]。通過遙感因子與森林信息建立對(duì)等關(guān)系的方法，已成為林分參數(shù)反演的一種常用技術(shù)。目前用于森林蓄積量反演的數(shù)據(jù)主要有光學(xué)和微波遙感數(shù)據(jù)，或多源數(shù)據(jù)相結(jié)合[9]。常用于反演的光學(xué)遙感影像包含Landsat TM/ETM/OLI、MODIS、AVHRR和Sentinel-2等國(guó)外遙感數(shù)據(jù)，以及國(guó)產(chǎn)高分系列、資源三號(hào)衛(wèi)星影像等。Sentinel-2衛(wèi)星影像與Landsat等傳統(tǒng)遙感數(shù)據(jù)相比，具有更高的空間分辨率和更短的重返周期。此外，Sentinel-2光譜信息更為豐富，其有效載荷能獲取對(duì)植被敏感的紅邊波段信息，可有效提高植被信息提取精度[7,8,10]。然而，光學(xué)遙感數(shù)據(jù)在森林蓄積量反演中存在一定的局限性。光學(xué)遙感獲取的波段信息主要來自森林冠層表層，導(dǎo)致其在森林密集區(qū)域易發(fā)生光飽和現(xiàn)象[11]。相比之下，合成孔徑雷達(dá)數(shù)據(jù)（Synthetic Aperture Radar, SAR）穿透性強(qiáng)，對(duì)地物三維結(jié)構(gòu)參數(shù)敏感，能更好地反映森林蓄積量信息[12,13]。然而，早期SAR數(shù)據(jù)費(fèi)用昂貴，某種程度上限制了SAR數(shù)據(jù)森林參數(shù)反演等相關(guān)研究的發(fā)展進(jìn)程。Sentinel-1為歐空局2014年發(fā)射的C波段SAR衛(wèi)星，并向用戶免費(fèi)提供，已也被廣泛用于各類資源環(huán)境遙感研究[14]。

目前，已有大量學(xué)者利用遙感數(shù)據(jù)和機(jī)器學(xué)習(xí)算法反演區(qū)域森林蓄積量和生物量。張?zhí)K等[15]以GF-1衛(wèi)星影像為數(shù)據(jù)源，選取光譜紋理信息運(yùn)用SVR方法開展亞熱帶針葉林蓄積量估算效果評(píng)價(jià)研究，決定系數(shù)R2=0.58；蒙詩(shī)櫟等[16]基于WorldView-2多光譜影像中提取的植被指數(shù)、紋理信息等遙感因子，采用SVR方法進(jìn)行森林地上生物量建模，決定系數(shù)R2=0.85；蔣馥根等[17]以Planet Labs影像為數(shù)據(jù)源，運(yùn)用方差速率優(yōu)化的kNN方法建立森林蓄積量反演模型，其R2=0.69，均方根誤差（RMSE）=67.6m3·hm-2。以上研究大多基于單一數(shù)據(jù)源運(yùn)用機(jī)器學(xué)習(xí)方法建模，難以充分發(fā)揮遙感技術(shù)在森林蓄積量反演中的潛力[18]。因此，潘磊等[19]提出聯(lián)合光學(xué)與微波遙感數(shù)據(jù)構(gòu)建蓄積量反演模型，基于Sentinel-1 SAR數(shù)據(jù)與Sentinel-2光學(xué)數(shù)據(jù)，采用多元線性逐步回歸方法建模，反演結(jié)果的R2=0.575，RMSE=59.13mg·hm-2。然而，僅憑傳統(tǒng)的回歸方法難以獲得滿足實(shí)際生產(chǎn)應(yīng)用要求，并不能完整有效表達(dá)遙感參數(shù)與森林蓄積量之間復(fù)雜非線性關(guān)系[3,20]。此外，盡管上述研究獲得了較好的森林蓄積量反演效果，但由于不同森林類型具有一定的空間和光譜異質(zhì)性，暫無統(tǒng)一、有效的模型和數(shù)據(jù)組合方式。因此，森林蓄積量遙感反演方法在推廣過程中仍存在一定的限制。明確各類機(jī)器學(xué)習(xí)算法和遙感數(shù)據(jù)組合在不同森林類型的蓄積量估測(cè)潛力的研究已亟需開展。本研究以旺業(yè)甸實(shí)驗(yàn)林場(chǎng)落葉松、油松人工林為研究對(duì)象，嘗試聯(lián)合Sentinel-1微波遙感與Sentinel-2光學(xué)遙感數(shù)據(jù)，充分利用影像光譜、紋理和極化信息，采用支持向量機(jī)回歸（Support Vector Regression, SVR）、k最近鄰（k-NearestNeighbor, kNN）、多層感知器（Multi-Layer Neural Network, MLP）及多元線性回歸（Multiple Linear Regression, MLR）4種機(jī)器學(xué)習(xí)對(duì)研究區(qū)森林蓄積量進(jìn)行估測(cè)，為提升森林蓄積量遙感估測(cè)模型精度與泛化能力提供理論支持。

1 材料與方法

1.1 研究區(qū)概況

旺業(yè)甸實(shí)驗(yàn)林場(chǎng)位于赤峰市喀喇沁旗西南部，介于118°09'~118°30'E，41°21'~41°39'N之間，總面積約為500 km2（見圖1）。受溫帶季風(fēng)大陸性氣候影響，年降水量400 mm左右，年平均氣溫4.2℃左右。林場(chǎng)地形地勢(shì)西南高，東北低，形成了許多中低山地與丘陵。截至2016年底，旺業(yè)甸實(shí)驗(yàn)林場(chǎng)森林覆蓋率約為93%，森林蓄積量152.7萬m3。林場(chǎng)的主要林分起源方式為人工林，其主要樹種包括落葉松（Larix gmelinii）、油松（Pinus tabuliformis），天然林優(yōu)勢(shì)樹種為白樺和楊樹等落葉闊葉樹種。

圖1 研究區(qū)位置圖及樣地分布Fig. 1 Location of the study area and plots distribution

1.2 外業(yè)數(shù)據(jù)

2017年9月至10月綜合考慮樹齡和空間分布情況，采用隨機(jī)分層抽樣，共調(diào)查樣地81個(gè)，包含38個(gè)落葉松樣地和43個(gè)油松樣地，樣地大小25 m×25 m。每個(gè)樣地每木檢尺，記錄所有胸徑大于5 cm的活立木參數(shù)，主要包括胸徑、樹高、冠幅等單木信息。在調(diào)查樣木獲取的樹高和胸徑基礎(chǔ)上，結(jié)合依據(jù)研究區(qū)實(shí)際情況編制的材積模型（見表1）即可計(jì)算得出單木材積、樣地林分蓄積量及單位面積蓄積量。

表1 落葉松、油松樹木材積計(jì)算公式Tab. 1 Formula of timber/tree volume calculation of Chinese pine and larch

通過分析研究區(qū)樣地森林蓄積量統(tǒng)計(jì)結(jié)果可知（見表2），油松單位面積蓄積量比落葉松略高，落葉松的變異系數(shù)為39.27%，油松為44.51%。油松和落葉松樣地的林齡和森林蓄積量在空間分布上具有一定異質(zhì)性。

表2 樣地蓄積量統(tǒng)計(jì)Tab. 2 Volume statistics of sample plots

1.3 遙感影像及預(yù)處理

影像數(shù)據(jù)源主要包括Sentinel-1及Sentinel-2數(shù)據(jù)。Sentinel-1衛(wèi)星搭載C波段SAR傳感器，有4種極化組合方式：HH、VV、HH+HV、VV+VH，數(shù)據(jù)獲取模式有條帶模式、干涉寬幅模式、超寬幅模式、波模式4種成像模式，重訪周期為6 d[19,21]。本文使用了干涉寬幅模式下的Senitinel-1影像，其極化方式為VV+VH。Sentinel-2衛(wèi)星空間分辨率為10/20/60 m，時(shí)間分辨率為5 d，寬幅290 km。其多光譜信息豐富（含13個(gè)波段，光譜分辨率為15~180 nm），具有對(duì)植被敏感的獨(dú)特 “紅邊”波段[19,22]。所使用的Sentinel-1和Sentinel-2影像獲取時(shí)間分別為2017年9月19日和2017年9月22日。

Sentinel影像數(shù)據(jù)預(yù)處理在SNAP軟件上進(jìn)行。Sentinel-1影像預(yù)處理步驟主要包括軌道校正、輻射定標(biāo)、輻射校正、多視處理以及地形校正。Sentinel-2數(shù)據(jù)屬于L1C級(jí)別，已完成正射校正和幾何精校正。后續(xù)處理只需在SNAP軟件上完成大氣校正。為了避免樣地布設(shè)規(guī)格和影像數(shù)據(jù)分辨率不一致引起的尺度效應(yīng)，將Sentinel影像重采樣為25 m×25 m分辨率，并依據(jù)研究區(qū)矢量邊界裁剪得到研究區(qū)影像。

1.4 特征變量篩選

運(yùn)用特征變量參與建模之前需要進(jìn)行篩選，通?？紤]兩方面問題：（1）遙感影像數(shù)據(jù)中包含大量特征變量，如光譜信息、植被指數(shù)信息等等，并非所有變量的參與都能提高模型精度；（2）某些變量間會(huì)存在共線性問題，導(dǎo)致信息冗余，同時(shí)影響模型精度。參照以往研究并結(jié)合當(dāng)前研究實(shí)際情況，本文參與特征變量篩選的遙感因子包含以下3組：Sentinel-2影像數(shù)據(jù)8個(gè)單波段反射率及其相應(yīng)單波段的8種二階紋理特征值、6種常用植被指數(shù)共78個(gè)遙感因子；Sentinel-1影像中2種極化方式數(shù)據(jù)（VV、VH）及其相應(yīng)的8種二階紋理特征值、VH/VV的極化比值數(shù)據(jù)共19個(gè)遙感因子；Sentinel-1數(shù)據(jù)聯(lián)合Sentinel-2數(shù)據(jù)共97個(gè)特征變量因子。其中6種植被指數(shù)包括：歸一化植被指數(shù)（NDVI）、標(biāo)準(zhǔn)植被指數(shù)（SVI）、土壤調(diào)節(jié)植被指數(shù)（SAVI）、比值植被指數(shù)（RVI）、增強(qiáng)植被指數(shù)（EVI）及增強(qiáng)植被指數(shù)-2（EVI-2）。紋理分析中，本文采用典型代表方法：灰度共生矩陣（Gray level cooccurrence matrix，GLCM ），提取窗口大小為3×3，8種二階紋理變量包括：均值（mean）、方差（ variance）、相關(guān)（correlation）、對(duì)比度（contrast）、差 異（dissimilarity）、均 質(zhì) 性（homogeneity）、角二階矩（angular second moment）、熵（entropy）[16,19,23,24]。

特征變量的重要性通過在給定模型中觀察每個(gè)預(yù)測(cè)變量的隨機(jī)重排對(duì)模型的影響來衡量。隨機(jī)森林基于袋外數(shù)據(jù)（OOB）誤分率的增加量和基于分裂時(shí)的基尼（GINI）下降量，可以得到變量重要性的排序，從而有利于選取適合反演的特征變量。本文使用了Python的scikit-learn包中的Random Forest Regressor函數(shù)，求得特征變量的重要性排序。在此排序基礎(chǔ)上，采用前向選擇法，讓每個(gè)特征變量按順序逐一進(jìn)入模型，第n+1個(gè)變量若滿足以下2個(gè)條件，即予以保留：①通過共線性診斷，與前n各變量均保持較低相關(guān)性（n ∈ 0, 1, 2, 3…）；②觀測(cè)特征變量是否有利于模型精度的提高，否則，予以剔除[25-27]。最終，通過各組篩選出的特征變量進(jìn)行蓄積量模型構(gòu)建和反演精度對(duì)比。

1.5 遙感反演模型

（1）SVR模型

SVR算法通過選用合適的核函數(shù)將低維數(shù)據(jù)映射到高維數(shù)據(jù)。本文以樣地?cái)?shù)據(jù)和相應(yīng)的遙感因子作為訓(xùn)練數(shù)據(jù)，使用SVR算法，建立以SVM函數(shù)進(jìn)行回歸分析的模型﹐可得出經(jīng)交叉驗(yàn)證后模型精度最高時(shí)核函數(shù)RBF的參數(shù)γ、懲罰系數(shù)C，并利用該最優(yōu)模型實(shí)現(xiàn)對(duì)森林蓄積量的估測(cè)和反演。

（2）kNN模型

kNN是一種分類與回歸的典型的非參數(shù)方法，不依賴于特定的函數(shù)分布，在樣本數(shù)量較少的情況下易于估算缺失值，已成為森林蓄積量反演的常用方法[28]。k-最近鄰算法通過測(cè)量不同特征值之間的距離來分類，對(duì)于一個(gè)新輸入的樣本數(shù)據(jù)，如果其在特征空間中的k個(gè)最鄰近的樣本數(shù)據(jù)大部分屬于某一個(gè)類別，則將該樣本數(shù)據(jù)也劃分為這個(gè)類別。該算法涉及3個(gè)重要因素：k的大小、距離的度量和訓(xùn)練集。

（3）MLP模型

MLP是多層感知器，使用的是前饋神經(jīng)網(wǎng)絡(luò)。MLP模型是在單層感知器基礎(chǔ)上增加隱藏層而形成的一種多層前饋網(wǎng)絡(luò)，一般由輸入層﹑隱藏層和輸出層構(gòu)成。相比于一些更復(fù)雜的神經(jīng)網(wǎng)絡(luò)模型，MLP神經(jīng)網(wǎng)絡(luò)由于引入了激活函數(shù)，因而比起傳統(tǒng)的線性模型，除了能夠表達(dá)線性映射，還具備了分層的非線性映射學(xué)習(xí)能力。

（4）MLR模型

MLR模型是對(duì)森林蓄積量進(jìn)行估測(cè)時(shí)常用的的傳統(tǒng)建模方法。它將遙感影像與樣地各波段值和波段比值的相應(yīng)實(shí)地測(cè)量值相結(jié)合，并結(jié)合其他多種相關(guān)變量因子。以提取的遙感因子為自變量，樣地調(diào)查獲取的蓄積量實(shí)測(cè)值為因變量，進(jìn)行多元線性回歸擬合，得到參數(shù)，構(gòu)建最佳多元線性回歸方程，最終估算林分總蓄積量。

1.6 模型評(píng)價(jià)與精度檢驗(yàn)

選用決定系數(shù)（R2）、均方根誤差（root mean square error，RMSE）、相對(duì)均方根誤差（relative root mean square error，rRMSE）作為精度評(píng)價(jià)的指標(biāo)，計(jì)算公式見式（1）—（3）。較高的R2和較低的RMSE和rRMSE表明更好的建模和預(yù)測(cè)性能。各模型的精度檢驗(yàn)采用留一法交叉驗(yàn)證（leave-one-out cross validation）[27]，該方法假設(shè)有k個(gè)樣本，將每一個(gè)樣本作為驗(yàn)證樣本，其他k-1個(gè)樣本作為訓(xùn)練樣本，從而得到k個(gè)訓(xùn)練結(jié)果，有利于從有限的數(shù)據(jù)中獲得盡可能多的有效信息。

2 結(jié)果與分析

2.1 最優(yōu)特征變量

為了降低模型過擬合的風(fēng)險(xiǎn)，在進(jìn)行回歸模型構(gòu)建前，使用隨機(jī)森林算法對(duì)變量因子進(jìn)行特征篩選。經(jīng)隨機(jī)森林法對(duì)變量進(jìn)行重要性排序、再利用前向選擇法同時(shí)考慮共線性與估測(cè)精度來依次對(duì)3組特征變量進(jìn)行篩選后，最終最優(yōu)變量組合用于蓄積量模型反演與方法比較，特征變量篩選結(jié)果如表3所示。由表可知，不同樹種、數(shù)據(jù)源以及不同模型相應(yīng)篩選出的特征變量組合不同。但各組合大多包含：（1）Sentinel-1極化特征因子；（2）Sentinel-2中的植被指數(shù)變量，如EVI、SVI、SAVI、RVI；（3）光譜信息和部分紋理信息等?？梢姡鲜鲆蜃訉?duì)森林蓄積量估測(cè)較為敏感。

表3 特征變量篩選結(jié)果Tab. 3 Selected feature variables

2.2 蓄積量反演結(jié)果與分析

以Sentinel-1和Sentinel-2影像數(shù)據(jù)為遙感數(shù)據(jù)源，結(jié)合旺業(yè)甸林場(chǎng)樣地實(shí)測(cè)數(shù)據(jù)，分別采用最優(yōu)模型對(duì)研究區(qū)油松（SVR模型）和落葉松林（kNN模型）進(jìn)行蓄積量反演，反演結(jié)果如圖2所示。由圖可見，油松蓄積量總體水平高于落葉松，同時(shí)比落葉松樹種分布更為集中。油松在研究區(qū)中部、中偏南部、中偏北部、東部地區(qū)蓄積量較高，西部地區(qū)尤其西南部分布較為分散，數(shù)量分布少、蓄積量較低；落葉松東南部、西部及西偏北部區(qū)域蓄積量相對(duì)較高，中部、西北角、東北角蓄積量較低。反演得出蓄積量分布結(jié)果與實(shí)際情況基本一致，表明蓄積量模型的估測(cè)結(jié)果較為可靠。

圖2 研究區(qū)油松與落葉松蓄積量反演結(jié)果Fig. 2 Inversion results of Pinus tabuliformis and Larix gmelinii volume in the study area

為對(duì)比不同遙感數(shù)據(jù)源和機(jī)器學(xué)習(xí)模型對(duì)蓄積量反演結(jié)果的影響，分別利用Sentinel-1數(shù)據(jù)（S1A）、Sentinel-2數(shù)據(jù)（S2A）、Sentinel-1和Sentinel-2相結(jié)合的數(shù)據(jù)（S12A）共三種數(shù)據(jù)源中篩選出的最優(yōu)變量組合，通過SVR、kNN、MLP和MLR模型對(duì)研究區(qū)進(jìn)行蓄積量反演，其精度驗(yàn)證結(jié)果如表4所示。

表4 蓄積量反演模型精度評(píng)價(jià)Tab. 4 Accuracy Evaluation of forest volume inversion models

在油松蓄積量反演中，當(dāng)數(shù)據(jù)源為S12A時(shí)，在SVR模型中，R2達(dá)到最大，為0.84，顯著高于其他情況估測(cè)精度，同時(shí)指標(biāo)RMSE和rRMSE均達(dá)到最小，分別為44.58 m3·hm-2、17.60%；當(dāng)數(shù)據(jù)源為S12A時(shí)，在kNN模型中，R2達(dá)0.77，rRMSE較小，為21.14%；當(dāng)數(shù)據(jù)源為S2A時(shí)，在SVR模型中，R2為0.76，rRMSE為21.66%。落葉松蓄積量反演：當(dāng)數(shù)據(jù)源使用S12A時(shí)，在kNN模型中，R2達(dá)到最大，為0.74，同時(shí)RMSE和rRMSE均達(dá)到最小，分別為41.41 m3·hm-2、19.87%；當(dāng)數(shù)據(jù)源為S12A時(shí)，在SVR模型中，R2達(dá)到較大，為0.73，同時(shí)RMSE較小，為42.75 m3·hm-2，rRMSE為20.52%。

綜合表中驗(yàn)證結(jié)果可知，S12A影像組合的蓄積量反演效果最佳，表明聯(lián)合Sentinel-1和Sentinel-2數(shù)據(jù)可以提高反演森林蓄積量精度；S2A影像反演效果次之，而僅使用S1A影像的蓄積量估測(cè)精度最低。此外，SVR模型與kNN模型擬合效果較好。SVR模型在油松蓄積量反演時(shí)R2=0.84，顯著高于其他模型的估測(cè)精度；kNN模型在落葉松蓄積量反演時(shí)精度最優(yōu)。利用S12A數(shù)據(jù)組合和MLP模型時(shí)，油松蓄積量反演結(jié)果R2=0.70，其余數(shù)據(jù)組合下R2均低于0.70；傳統(tǒng)MLR模型擬合精度最低，模型穩(wěn)定性相對(duì)較差。

從圖3散點(diǎn)圖分析可知，基于S12A多源數(shù)據(jù)集和SVR模型的油松蓄積量反演結(jié)果與實(shí)測(cè)值最接近，估計(jì)誤差最小，而基于S12A多源數(shù)據(jù)源和kNN模型的落葉松蓄積量反演結(jié)果最好?？偟膩砜?，對(duì)于不同樹種的林分蓄積量反演，S12A多源數(shù)據(jù)組合均比單一數(shù)據(jù)源（S1A/S2A）具有更高的反演精度。傳統(tǒng)MLR模型與其余3種機(jī)器學(xué)習(xí)算法相比，其樣本預(yù)測(cè)值與真實(shí)值之間偏差更大，模型預(yù)測(cè)結(jié)果較差。SVR模型與kNN模型反演效果較優(yōu)。

圖3 蓄積量估測(cè)精度對(duì)比Fig. 3 Accuracy comparison of forest volume inversion

根據(jù)殘差分析結(jié)果（見圖4）可知，基于S12A多源數(shù)據(jù)組合的SVR和kNN油松蓄積量反演結(jié)果殘差呈對(duì)稱分布，所有殘差點(diǎn)均勻分布于在0值線兩旁區(qū)域，表明模型反演效果較好。此外，其殘差所在帶狀區(qū)域的較窄，說明模型的擬合精度較高，未出現(xiàn)過擬合現(xiàn)象?；赟12A多源數(shù)據(jù)組合的SVR和kNN落葉松蓄積量反演模型殘差分布相對(duì)更合理，均位于x軸兩端，基本隨機(jī)均勻無規(guī)律分布于較窄的水平帶狀區(qū)域，絕大部分樣地殘差值的絕對(duì)值落在100 m3·hm-2以內(nèi)。在油松和落葉松蓄積量反演時(shí)，MLR模型殘差分布隨機(jī)性均較差，分布帶狀區(qū)域?qū)?，殘差值較大的樣地較多，效果較差；MLP模型存在過高或過低估計(jì)現(xiàn)象，有較多大于100 m3·hm-2殘差絕對(duì)值出現(xiàn)，模型擬合精度稍顯不足。以上殘差分析均與模型估測(cè)結(jié)果相符：基于S12A多源數(shù)據(jù)的油松SVR蓄積量反演模型和基于S12A多源數(shù)據(jù)的kNN落葉松蓄積量反演模型，兩者殘差分布合理，模型擬合度高，預(yù)測(cè)值與真實(shí)值偏差最小，預(yù)測(cè)精度最好，分屬兩樹種的最優(yōu)蓄積量反演模型。

圖4 蓄積量反演結(jié)果殘差對(duì)比Fig. 4 Residuals comparison of forest volume inversion

3 結(jié)論與討論

以內(nèi)蒙古自治區(qū)赤峰市旺業(yè)甸實(shí)驗(yàn)林場(chǎng)為研究區(qū)，聯(lián)合Sentinel-1微波遙感數(shù)據(jù)和Sentinel-2光學(xué)影像，利用機(jī)器學(xué)習(xí)模型估算了研究區(qū)森林蓄積量，并探討了不同數(shù)據(jù)源和建模算法在森林蓄積量的估測(cè)潛力，其主要結(jié)論如下：

（1）隨機(jī)森林算法可有效篩選最優(yōu)特征組合，通過消除變量間共線性和減少信息冗余，從而提高蓄積量估測(cè)精度和效率。特征組合篩選結(jié)果表明Sentinel-2數(shù)據(jù)的植被指數(shù)（如EVI、SVI、RVI）及光譜、紋理信息，Sentinel-1 SAR數(shù)據(jù)提取的變量因子，如VV/VH極化特征等對(duì)森林三維結(jié)構(gòu)參數(shù)敏感，有助于森林蓄積量反演。

（2）提取了Sentinel-1影像的極化特征因子及其紋理特征值和Sentinel-2影像的植被指數(shù)，光譜、紋理信息用于構(gòu)建森林蓄積量估測(cè)模型。Sentinel-2衛(wèi)星數(shù)據(jù)可有效估測(cè)森林蓄積量（油松R2=0.59~0.76，RMSE=54.86~72.13 m3·hm-2；落葉松R2=0.37~0.69，RMSE=45.92~64.77 m3·hm-2）。加入Sentinel-1 SAR影像數(shù)據(jù)可提升了蓄積量估測(cè)精度（油松R2提高0.08，RMSE提高10.28 m3·hm-2；落葉松R2提高0.05，RMSE提高4.51 m3·hm-2），與潘磊等[19]的研究結(jié)論一致。綜上，聯(lián)合Sentinel-2與Sentinel-1數(shù)據(jù)可充分利用Sentinel-2光譜信息和Sentinel-1極化信息，有助于提高估測(cè)森林蓄積量的精度。

（3）不同蓄積量反演模型在不同樹種下的蓄積量估測(cè)效果不同。SVR、kNN和MLP三種機(jī)器學(xué)習(xí)模型蓄積量反演結(jié)果均優(yōu)于傳統(tǒng)的MLR模型，其中SVR和kNN模型估測(cè)性能較好?；赟12A多源數(shù)據(jù)的油松SVR蓄積量反演模型和基于S12A多源數(shù)據(jù)的kNN落葉松蓄積量反演模型，分屬兩樹種的最優(yōu)蓄積量反演模型。