利用Sentinel-2多光谱图像和机器学习算法，对高山森林地区的地上生物量及林冠平均高度进行测绘

《International Journal of Digital Earth》：Mapping above-ground biomass and canopy mean height in high mountainous forest areas with Sentinel-2 multi-spectral image based on machine learning algorithms

植被光学深度（VOD）基于Sentinel-1 C波段SAR数据，通过Water Cloud Model（WCM）耦合Dubois土壤散射模型实现1km分辨率 retrieval。研究采用国际土壤湿度网络（ISMN）2016-2022年实测数据校准参数，发现草地区域VOD与NDVI、EVI的相关系数达0.79，优于其他地类。算法有效捕捉植被动态，但高土壤湿度区存在模型偏差，需改进土壤参数化方法。

　　植被光学深度（VOD）是一种基于微波的植被指数，用于评估植被的水含量和生物量。目前，VOD主要从低空间分辨率的被动微波数据中获取，而针对主动微波数据的VOD反演研究相对较少。Sentinel-1卫星自2014年起提供了长期（超过20年）的高分辨率（约10米）C波段后向散射数据，这为高精度的VOD反演提供了新的可能性。本文提出了一种基于水云模型（WCM）和杜波伊模型（Dubois model）的1公里分辨率VOD反演方法，引入了像素级的土壤参数和年度植被参数，以提高反演精度。该算法在国际土壤水分网络（ISMN）站点上进行了开发和测试，利用准确的土壤水分数据作为输入，以评估其时间性能。结果显示，该算法在VOD反演方面表现良好，尤其在草原上与归一化植被指数（NDVI）和增强植被指数（EVI）的最高相关系数可达0.79，表明结合WCM和半经验土壤后向散射模型的VOD反演方法具有重要潜力。

### VOD的重要性与应用

VOD在多个领域具有广泛的应用价值，包括全球范围内的碳动态研究、植被物候变化分析、燃烧区域和火灾风险趋势等。与光学植被指数相比，VOD对植被的绿色和非绿色部分都具有较高的敏感性，因此可以提供重要的补充信息，用于研究植被状态及其随时间的变化。例如，NDVI和EVI等光学指数在植被覆盖较低的区域可能更准确地反映植被的总地上生物量（AGB），而在高植被覆盖区域则可能受限。相比之下，微波观测能够捕捉到更广泛的植被变化信息，尤其在评估植被动态变化方面表现优异。

### Sentinel-1卫星的优势

Sentinel-1卫星的高空间分辨率和高时间分辨率是其在VOD反演中的关键优势。其C波段合成孔径雷达（SAR）数据具有约5米×20米的像素分辨率，并且卫星的重访周期为6-12天，这使得它能够提供连续的植被观测数据。此外，与被动微波系统相比，Sentinel-1对无线电频率干扰（RFI）的敏感度较低，特别是在较低频率如L波段的观测中，这种抗干扰能力更为显著。因此，利用Sentinel-1进行高分辨率VOD反演对于开发高空间分辨率的应用具有重要意义。

### 水云模型（WCM）与杜波伊模型（Dubois model）的结合

在微波植被反演中，水云模型（WCM）是一种常用的模拟模型，其基本原理是通过简化地表和植被层之间的复杂相互作用，来估算总后向散射系数。WCM的优势在于其计算效率高且在大尺度模拟中表现良好。然而，对于土壤后向散射的建模，传统的乌尔巴伊模型（Ulaby model）在实际应用中存在一定的局限性，尤其是在干旱地区，土壤水分变化较小，导致模型参数难以准确校准。因此，本文引入了杜波伊模型，该模型在不同地区均适用，且不依赖于特定区域的土壤特性，从而提高了VOD反演的准确性。

杜波伊模型的参数包括土壤表面粗糙度（RMS高度）、土壤介电常数、入射角以及Sentinel-1的传感器频率。通过结合WCM和杜波伊模型，本文构建了一个半经验算法，用于建立极化后向散射与VOD以及土壤介电常数之间的关系。该算法在研究区域内进行校准，以确保反演结果的可靠性。

### 数据来源与处理

为了确保反演结果的准确性，本文使用了2016年至2022年期间ISMN网络中的地表土壤水分数据，这些数据深度为0-5厘米。在反演过程中，仅使用标记为“良好”的土壤水分数据作为输入，以避免数据质量对反演结果的影响。此外，为了减少地表观测数据与卫星过境时间之间的时间偏差，本文采用了基于卫星观测时间的5小时窗口内的平均土壤水分值作为输入。

Sentinel-1的VV极化后向散射数据被用于VOD反演，因为其在捕捉植被时间动态方面优于VH极化数据。在反演过程中，所有图像数据均被预处理，包括轨道文件的使用、热噪声去除、边界噪声去除、辐射校正、斑点滤波以及地形校正。这些预处理步骤有助于减少误差传播，提高反演结果的可靠性。

### 评估方法与结果

为了评估VOD反演的性能，本文采用了与NDVI和EVI相关的Pearson相关系数（R值）作为主要指标。评估结果表明，该算法在VOD反演中表现良好，尤其在草原上，与NDVI和EVI的相关系数分别达到了0.79，表明该方法能够有效地捕捉植被的动态变化。此外，本文还对不同植被类型下的VOD反演性能进行了详细分析，结果显示，VOD在草原上的相关性优于其他植被类型，如农田和森林。

在对土壤水分和NDVI水平的影响进行分析时，发现高土壤水分水平可能导致土壤后向散射的高估，从而影响VOD的反演结果。因此，未来的研究需要更精确的土壤后向散射模拟方法，以提高VOD反演的准确性。同时，NDVI水平的增加也会导致VOD与植被指数之间的相关性下降，这可能是由于光学数据在高植被覆盖区域的饱和效应所致。

### 未来展望与改进方向

尽管本文提出的算法在VOD反演方面表现出色，但仍存在一些改进空间。首先，优化数据输入是提高VOD反演精度的重要途径。目前，VOD反演模型通常涉及两个未知参数：VOD和土壤水分。本文采用土壤水分作为输入，以匹配VOD的高空间分辨率。然而，由于全球范围内的高分辨率土壤水分数据仍较为有限，未来的研究可以考虑开发更全面的反演方法，以减少对输入数据的依赖。

其次，融合来自不同卫星的VOD数据也是未来的一个重要方向。ASCAT和Sentinel-1都能提供C波段的后向散射观测，但Sentinel-1的重访周期限制了其在时间分辨率方面的表现。而ASCAT-IB VOD则提供了更长的时间序列数据，可以弥补Sentinel-1时间分辨率的不足。因此，未来可以考虑将ASCAT和Sentinel-1的VOD数据进行融合，以提高反演结果的连续性和准确性。

此外，本文的方法还可以扩展到更大的区域尺度，特别是在半干旱地区，如草原和农田，这些地区的植被覆盖较低，能够更好地反映VOD的动态变化。因此，未来的研究可以优先关注这些区域，以开发一个长期且空间连续的C波段1公里分辨率VOD数据集。

### 结论

本文通过结合水云模型和杜波伊模型，开发了一种基于Sentinel-1 SAR数据的高分辨率VOD反演算法，并在国际土壤水分网络（ISMN）站点上进行了验证。结果表明，该算法在VOD反演方面表现良好，尤其是在草原上，其与NDVI和EVI的相关系数较高。此外，该方法能够有效地捕捉植被的动态变化，为全球植被特征变化的研究提供了重要的数据支持。未来的研究可以进一步优化数据输入、融合多源数据以及改进土壤后向散射模型，以提高VOD反演的精度和适用性。