基于ALOSPALSAR数据不同极化下云南松蓄积量分析

第一篇：基于ALOSPALSAR数据不同极化下云南松蓄积量分析

基于ALOSPALSAR数据不同极化下云南松蓄积量分析

摘要：指出了合成孔径雷达（SAR）具有强穿透性的特点，能够不受天气影响探测滇中地区云南松单层林的信息特征。利用云南省宜良县ALOSPALSAR全极化数据和对应的地面实测了云南松林林分因子信息，分析了不同极化方式下后向散射系数与云南松单层林蓄积量之间的关系。通过分析比较，结果表明：VH极化状态下云南松蓄积量与后向散射系数较其他几种极化状相关性高，并根据森林散射机制进行讨论。

关键词：云南松;ALOSPALSAR;后向散射系数;极化

中图分类号：S791.257

文献标识码：A文章编号：1674-9944（2015）04-0144-03

1引言

随着全球温室效应的日益加剧，森林覆盖率不断减少，对森林进行科学、有效的基础分析，及时掌握森林资源情况，是实现森林可持续经营和森林资源永续利用的有效途径。云南松这一常见树种是云南省广泛分布的主要树种，因此对云南松林这一具有简单林分结构的的林分特征分析，具有很好的试验性。描述林分特征最基本的指标包括树种组成、年龄、胸径、树高、形数、林层、郁闭度和蓄积等，这些指标为森林经营提供必不可少的决策依据，是传统森林资源调查的重要内容。然而传统光学遥感由于受到天气、云层等影响，不能及时有效地准确获取图像信息，这无疑对于森林重要特征信息的提取带来不便。合成孔径雷达（SAR）具有强穿透性能，不易受到云层、天气等影响，能够全天时、全天候获取雷达数据，在一定程度上弥补了光学遥感的不足。由于合成孔径雷达（SAR）强穿透性能，相比可见光，能够更加深入地探测森林中下层的林分信息，能更准确地反映森林信息特征[1]。

在SAR数据应用方面，L波段雷达后向散射数据在一定程度上已经取得了成功[2]，早在国外，基于P波段计划SAR数据的分类实验表明：Wishart分类结果和均匀森林的树龄之间具有较好相关性。基于地表和随机散射模型（RandomVolumeoverGround，RVoG）的极化SAR干涉测量（PolarimetricSARInterferometry）技术逐步显现出在森林高度探测、生物量的估测方面的应用潜力[3]。近年来，为了利用微波遥感数据对森林植被地区进行分类检测，寻找一种新的敏感于树木高度、种群数量和植被疏密程度等森林特征的遥感参量，中国科学院相关专业人员利用中国天山地区SIR2C？X2SARL波段全极化干涉数据，对极化散射矩阵总功率、极化熵、相似性参数和极化干涉最优相关系数等极化和干涉合成孔径雷达（SAR）遥感参数进行了分析，并将这些参数进行加权组合，利用特征值分析方法求取最优加权系数，从而提出两种对森林特征敏感的参数组合表达式[4]。谈璐璐等人利用ESPRIT（旋转不变技术）算法对植被区域的极化干涉SAR数据进行反演，然后结合具体物理散射机制，引入相干最优化散射矢量，对该算法进行改进[5]。目前运用较多的是利用inSAR进行森林制图与分类，李增元、庞勇等利用ERSSAR干涉测量技术用于森林分类制图和利用激光雷达技术对森林平均树高提取做了一定的研究[6]。Kasischke利用多角度SIR-BSAR数据对阿根廷一个森林试验区的森林进行检测，研究显示出多角度SAR数据能够用于区分具有单一树种的纯林和多数中混交林之间所呈现出来的不同森林结构[7]。梁志峰等运用ALOSPALSAR数据分析了黑龙江省逊克县背部森林的后向散射系数与北方森林蓄积量的关系，显示HV极化与蓄积量的相关性优于HH极化，研究表明了极化方式、气象条件和季节等因素对于建立SAR数据与森林蓄积量的关系有着重要影响[8]。

本文主要是通过对滇中地区云南松单层林的不同极化状态下后向散射系数与蓄积量之间关系的分析，探讨HH极化，HV极化，VH、VV极化下雷达后向散射系数与森林蓄积量之间的关系。对估测云南松林蓄积量、生物量选取模型参数提供一定的参考。

2研究区与数据

2.1研究区

研究区为云南省宜良县云南松林针叶林区。宜良县隶属于云南省昆明市，东边是昆明石林、曲靖陆良，北边紧邻马龙、嵩明县，西于官渡区、呈贡和澄江县接壤，南连弥勒市、华宁县。地势呈南低北高，中部地区地势平坦，山地、平地和谷地相间分布。气候属于亚热带季风气候，四季如春，年平均日照2177.3h，年均温16.3℃，年平均降雨量912.2mm，年平均相对湿度75%，全年无霜日大约260d。

2.2森林资源调查数据

森林资源数据为云南省宜良县的森林资源二类调查小班数据，该数据包括了小班面积，小班蓄积量、优势树种、小班郁闭度、树高、胸径等信息。本文主要利用其中优势树种为云南松的部分小班。

2.3ALOSPALSAR数据

PALSAR具有横向瞄准功能，入射角在8°～60°，PALSAR具有3种观测模式，即精细模式、扫描合成孔径雷达模式（ScanSAR）和全极化模式[9]。本文数据是于2009年4月26日获取的云南省宜良县L波段的ALOSPALSAR全极化数据，ALOS卫星搭载的PALSAR是一个L波段合成孔径雷达（SAR）传感器，入射角为23.88℃，产品级别为Level1.1，已经经过距离向和方位向压缩，为单视复数数据（SLC）。

3研究方法

研究的技术路线见图1。

3.1数据预处理

3.1.1二调小班数据预处理

在Arcmap10.2下导入宜良县森林资源二类调查矢量数据，选择地类为纯林的小班，提取出优势树种为云南松的针叶林矢量，对各林分因子进行仔细检查，纠正调查过程中人为引起的明显误差。为了使数据更具说服力，能够与SAR数据更好地匹配，剔除其中人工造林未成林地，其树种未达检尺，蓄积为零，另外有些树种胸径未达检尺，但是仍有记录，导致平均单位蓄积量过小，也应剔除，最终得到地类为纯林的优势树种为云南松的小班422个。

3.1.2PALSAR数据预处理

利用ENVI5.0下的SARscape模块对数据进行预处理，主要是对SLC数据进行多视处理（1×7），其后进行窗口大小为5×5的Frost滤波处理，利用分辨率为90m的SRTMDEM进行地理编码并辐射定标生成地面分辨率15m×15m的散射系数图（单位：dB），见图2。

3.2方法步骤

3.2.1各小班平均散射系数的生成

运用预处理过后的SAR散射图，在Arcmap10.0中运用小班矢量裁剪出所需要研究的具体范围，将散射系数栅格图像转换为像元点，运用分析工具，将各小班的属性数据赋给每个像元点，最后导出各像元的属性，运用Excle工具中的数据透视表计算各个小班内平均像元散射系数。

3.2.2分析散射系数与蓄积量之间的关系

利用上一步得到的带有各小班平均散射系数的小班数据，分别对小班平均蓄积量与HH、HV、VH、VV极化生成散点图，运用3次多项式进行拟合，得到趋势线，结果见图3。

图3云南松不同极化后向散射系数与蓄积量散点

4结果与讨论

4.1后向散射系数与不同极化

从散点图的散射系数分布范围不难看出在单位面积蓄积量相同的情况下HV极化和VH极化散射系数要大于VV极化和HH极化。由于森林与人造地类不同，散射机制较人工建筑、裸露地表更为复杂，包括表面散射、两次散射和体散射。有研究表明森林相对其他地类而言，包括更多体散射。本文所选取的森林结构简单的滇中云南松单层林不同极化下散射系数大小HV>VH>HH>VV。

4.2极化状态与蓄积量

本文选取了全极化的4个极化状态，从散点图可以看出VH极化状态与蓄积量有一定的相关性，经过3次多项式拟合，能够呈现一定的趋势。较其他3种极化状态与蓄积量相比有更好的相关性。

4.3其他讨论

云南松相对于其它树种没有复杂的林分结构，林下植被单一。一般情况下随着年龄的增长，蓄积量会增大，郁闭度达到一定的数值时，散射机制不会有太大的变化。由于本文研究的滇中地区云南松单层林，大多数为云南松中幼龄林，单位面积蓄积量不大，没有出现理论状况下散射系数随着蓄积量的增大趋于稳定的状态[10]。

5结语

利用滇中地区的云南松林小班数据和2009年该地区的ALOSPALSAR全极化数据，通过绘制散点图，比较分析了云南松单层林不同极化的散射系数大小关系，经过3次多项式生成趋势图分析说明VH极化状态相比其它3种极化状态下散射系数与森林蓄积量有更好的相关性，最后分析了由于小班数据的原因部分结果与理论没有很好地匹配，这在今后的研究中值得注意。本文研究为滇中地区云南松森林蓄积量估测的因子选择提供了一定的参考依据，VH极化下散射系数为最优选择。在研究过程中地理编码所用的DEM精度不高、地面实测数据的局限性等都可能给研究结果带来一定的影响。但是随着合成孔径雷达（SAR）的发展，分辨率的逐步提高，在林业方面的应用会越来越广泛，为森林蓄积量的估测带来更多便利。

参考文献：

[1]Mette，T.，Hajnsek，L.，andPapathanassiou，K.Height-biomassallometryintemperateforest[J].ProceedingofIGARSS2003，Toulouse，France，2003（7）.[2]T.LeToan，etal.Ontherelationshipbetweenforeststructureandbiomass[J].The3rdSymposiumontheRetrievalofBiophysicalParametersfromSARDataforLandApplications，Sheffield，Unitedkingdom，2001（9）.[3]Farro-Famil，L.，Pottier，E，Kugler，F.，andLee，J.S.，ForestmappingandclassificationatL-bandusingPol-InSARoptimalcoherencesatstatistics[J].ProceedingsofEUSAR2006，Dreden，Germany，2006（5）：16～18.[4]董贵威，杨健，彭应宁，等.极化SAR遥感中森林特征探测[J].清华大学学报：自然科学版，2003，43（7）：953～956.[5]谈璐璐，杨立波，杨汝良.基于ESPRIT算法的极化干涉SAR植被高度反演研[J].测绘学报，2011，40（3）：296～300.[6]庞勇，赵峰，李增元，等.机载激光雷达平均树高提取研究[J].遥感学报，2008，12（1）：152～158.[7]JCimino，ABrandani，DCasey，etal.MultipleIncidenceAngleSIR-BExperimentoverArgentina.MappingofForestUnits[J].IEETransactionsonGeoscienceandRemoteSensing，1986（GE-24）：498～509.[8]梁志峰，凌飞龙，汪小钦，等.L波段SAR与中国东北森林蓄积量相关性分析[J].遥感技术与应用，2013，10（5）：871～878.[9]何秀凤，何敏.InSAR对地观测数据处理方法与综合测量[M].北京.科学出版社，2012.[10]杨永恬，李增元，陈尔学，等.基于ALOSPALSAR数据的森林蓄积量估测技术研究[J].林业资源管理，2010，2（1）：113～117.