减轻基于SAR的生物量估计中的地形诱导散射和斑点偏差：一种因果分析及机器学习方法

《Advances in Space Research》：Mitigating Terrain-Induced Scattering and Speckle Bias in SAR-Based Biomass Estimation: A Causal Analysis and Machine Learning Approach

　　

Alok Raj

摘要

在山区环境中，由于合成孔径雷达（SAR）数据中的严重斑点噪声以及复杂的地形散射机制，准确估计地表生物量（AGB）仍然具有挑战性。本研究提出了一种新的框架，结合了先进的斑点滤波技术、决策试验与评估实验室（DEMETEL）和创新趋势分析（ITA），以改进Kumbhalgarh野生动物保护区（KWLS）的生物量反演效果。研究使用了多种传感器数据，包括Sentinel-1 C波段SAR、ALOS-2 PALSAR-2 L波段SAR、Sentinel-2光学图像、Landsat-9表面反射率以及GEDI激光雷达数据。系统评估了八种斑点滤波器（Boxcar、Lee、Refined Lee、IDAN、Frost、Median、Gamma和Lee Sigma）。DEMETEL技术被应用于SAR滤波，以建立滤波器之间的因果关系，并客观评估它们对生物量预测的影响。此外，ITA被用来验证滤波后回波与实地测量的冠层高度之间的单调和非线性关系，克服了传统相关性分析的局限性。利用多传感器数据训练了机器学习模型（随机森林、XGBoost和多层感知器[MLP]）。结果表明，IDAN和Gamma滤波器在提高模型性能方面表现突出（R2值高达0.93，RMSE=11.37 Mg/ha）。在这一异质地形中，MLP模型的表现优于XGBoost和随机森林。空间生物量图显示地形坡度与植被密度之间存在显著对应关系。本研究表明，DEMETEL和ITA显著提升了基于SAR的生物量建模能力，为碳监测和森林管理提供了一个可转移的框架。

引言

地表生物量（AGB）是陆地碳循环、生态系统生产力和气候缓解潜力的关键生物物理变量（Pan等人，2011年；Saatchi等人，2011年）。可靠的生物量估计对于REDD+计划、国家温室气体清单和生态系统服务评估至关重要。然而，山区和异质地形由于森林结构复杂、物种组成多样以及地形坡度突变，给生物量估算带来了严峻挑战（Asner等人，2014年）。尽管基于实地的清查方法准确性较高，但它们需要大量人力、空间覆盖范围有限且成本高昂，不适合大规模监测。因此，遥感技术已成为区域和全球尺度生物量测绘不可或缺的工具（Baccini等人，2017年）。在遥感技术中，合成孔径雷达（SAR）因其能够穿透云层并对植被结构和水分条件敏感而具有独特优势（Le Toan等人，2011年）。然而，SAR回波受到斑点噪声、地形变形和介电变化的强烈影响，这些因素显著降低了反演精度（Lopes等人，1990年）。斑点噪声是一种固有于相干成像系统的乘性噪声，会掩盖辐射度信息并降低分类准确性（Lee & Pottier，2009年）。因此，在基于SAR的生物量研究中，有效的斑点抑制是一个关键的预处理步骤。尽管经过数十年的研究，目前仍不存在适用于所有情况的最佳斑点滤波器，尤其是在散射机制在短距离内剧烈变化的崎岖地形中。

在像Aravalli山脉这样的山区，SAR成像受到几何变形的严重影响，包括缩短效应、重叠效应和雷达阴影（Small，2011年）。这些变形是由于局部入射角和坡向相对于传感器视线的变化引起的。即使进行了辐射度地形校正，残余的地形效应仍然存在，改变了回波特征（Vollrath等人，2020年）。雷达波与倾斜表面的相互作用导致各向异性散射，从而产生与植被属性无关的人为信号增强或衰减（Shimabukuro等人，2014年）。在冠层高度、茎密度和下层植被变化剧烈的异质森林中，这些效应更为显著。因此，为均匀地形设计的传统斑点滤波器往往无法在崎岖地形中保留结构信息（Tison等人，2004年）。这会导致要么过度平滑（去除有意义的纹理特征），要么滤波不足（保留噪声）。因此，选择最佳滤波器并非易事，且需要针对具体地点进行选择。现有研究大多依赖于经验比较，缺乏正式的决策框架，导致结论具有主观性和重现性有限。

虽然SAR具有结构敏感性，但使用单一频率或传感器的生物量估计受到信号饱和和复杂散射相互作用的限制。ALOS PALSAR和PALSAR-2的L波段SAR观测对木质生物量的敏感性高于C波段系统（如Sentinel-1），尤其是在干旱落叶林和半干旱森林中，那里的冠层穿透至关重要（Saatchi等人，2011年；Mitchard等人，2012年）。然而，在中等至高生物量水平下，回波饱和会限制反演精度，需要补充信息来源。基于Sentinel-1 VV和VH极化的经验生物量模型表现尚可；然而，在异质地形中，由于水分变化和表面粗糙度的影响，其可靠性下降（Balzter等人，2015年；Mermoz等人，2015年）。

像Sentinel-2这样的光学传感器提供了与冠层绿色度、叶面积和物候条件相关的光谱信息，这在一定程度上弥补了SAR的局限性。当与SAR指标结合使用时，Sentinel-2的植被指数和红边波段能够提高生物量估计的准确性（Forkuor等人，2020年）。然而，密集森林中的光学数据受大气污染和光谱饱和的影响。来自全球生态系统动态调查（GEDI）的星载激光雷达观测提供了直立的冠层结构和高度测量数据，有助于基于遥感的生物量模型的稳健校准（Dubayah等人，2020年）。最近的研究表明，使用非线性统计方法整合SAR回波、光学指数和激光雷达衍生的结构指标，可以显著提高复杂地形中的生物量估计精度（Healey等人，2022年；Xu等人，2023年）。

密西西比河三角洲近期的高分辨率PlanetScope湿地生物量映射研究也表明，系统化的特征工程和多预测因子模型设计对于复杂生态系统中的准确AGB反演至关重要（Hemati等人，2025年）。虽然该研究专注于平坦的三角洲湿地环境，但当前框架解决了陡峭山区森林中地形引起的SAR回波变形问题，DEMETEL-ITA-MLP流程提供了一种适应地形异质性的可重现且考虑不确定性的方法。

大多数以往的研究通过视觉评估或简单的统计指标（如等效观察次数（ENL）或与实地数据的皮尔逊相关性（Lee等人，2009年；Buades等人，2011年）来评估斑点滤波器。然而，皮尔逊相关性假设线性关系和正态性，这在山区森林环境中很少成立，因为SAR与生物量之间的关系本质上是非线性的且依赖于尺度（Mermoz等人，2015年）。此外，尚未有研究尝试量化不同斑点滤波器之间的因果主导关系。本研究通过引入决策试验与评估实验室（DEMETEL）来建立滤波器之间的因果关系，并客观评估它们对生物量建模精度的影响。此外，还采用了创新趋势分析（ITA）来验证滤波后回波与生物量之间的单调和非线性关系，而不依赖于分布假设（?en，2012年）。基于此，本研究做出了三个主要贡献：首先，我们引入了DEMETEL作为一种正式的因果排序框架，用于SAR斑点滤波器选择，取代了凭经验的视觉比较；其次，我们使用创新趋势分析（ITA）来描述整个生物量范围内的非线性SAR-生物量敏感性，规避了传统相关性分析的分布假设；第三，我们在针对印度拉贾斯坦邦Kumbhalgarh野生动物保护区陡峭异质地形的多层感知器框架中整合了多传感器数据（Sentinel-1 C波段、ALOS-2 PALSAR-2 L波段、Sentinel-2、Landsat-9和GEDI激光雷达）。据我们所知，尚未有研究将DEMETEL、ITA和机器学习结合在单一基于SAR的生物量估计框架中应用于同一场景。

章节摘录

研究区域

Kumbhalgarh野生动物保护区（KWLS）位于印度拉贾斯坦邦的Aravalli山脉，面积约为578平方公里（图1）。海拔范围从400米到1100米不等，坡度经常超过30°。该地区属于半干旱气候，年平均降雨量约为650毫米，主要集中在西南季风期间。植被以干旱落叶林为主，包括Anogeissus pendula、Boswellia serrata、Acacia catechu和Ziziphus等物种。

斑点滤波器的比较性能

对七种斑点滤波器的比较评估显示，它们在抑制噪声的同时保留了生物量估计所需的结构信息方面存在显著差异。Boxcar滤波器在起伏较大的区域产生了过度平滑现象，导致山脊-山谷过渡区变得模糊，从而失去了空间细节。这导致回波值的人为同质化，降低了对冠层变化的敏感性。

IDAN和Gamma滤波器的更好性能

IDAN滤波器的表现优于其他滤波器，因为它采用了自适应邻域选择机制，根据局部辐射度均匀性调整有效核大小。这一特性在KWLS区域内尤为重要，因为森林、灌木丛和裸露岩石表面之间的过渡在短距离内非常明显。固定核大小的滤波器（如Boxcar和Lee）无法适应这种空间变化，导致过度平滑或残留斑点。

结论

本研究开发并展示了一种适用于异质山区地形（KWLS）的多传感器生物量估计框架，结合了自适应SAR斑点滤波、因果网络分析、非参数趋势验证和基于机器学习的预测方法。基于DEMETEL的评估客观地排序了斑点滤波算法，确定了IDAN滤波器作为最具主导性和最高相关性指数的因素。

未引用参考文献

Berninger等人，2019年；Le Toan等人，1992年；Mermoz等人，2015a；Mermoz等人，2015b。

利益冲突声明

作者声明他们没有已知的可能会影响本文工作的财务利益或个人关系。