基于双季ALOS-2 PALSAR-2数据的遗传算法优化ik-NN方法用于森林生物物理参数估算

《Advances in Space Research》：A Genetic Algorithm-Optimized ik-NN Approach for Forest Biophysical Parameter Estimation Using Bi-seasonal ALOS-2 PALSAR-2 Data

　　帕里萨·戈尔沙尼|亚西尔·马格苏迪|埃尔基·托姆波|扬·普拉克斯|奥列格·安特罗波夫|阿米尔·阿加巴拉伊|西纳·贾拉希扎德

摘要
本研究探讨了全极化L波段SAR数据在联合国教科文组织世界遗产地——希尔卡尼混交落叶林中，对森林参数估算的季节性影响。研究分析了4月（旱季，树叶茂盛）和1月（雨季，树叶脱落）采集的ALOS-2 PALSAR-2双时相数据，同时结合了79个温带希尔卡尼森林样地的实地测量数据。为提高估算精度，我们提出了一种经过遗传算法优化的非参数改进k最近邻方法，用于特征权重分配。研究结果表明，使用旱季的PALSAR-2数据比雨季数据能更准确地估算森林参数。经遗传算法优化的k最近邻方法的表现始终优于传统线性回归模型，显示出其处理SAR后向散射与森林生物物理变量之间复杂非线性关系的能力。利用旱季数据，平均直径的相对均方根误差百分比在22%左右，而地上生物量估算的相对均方根误差百分比则高达46%。相关性分析显示，HV冬季场景对森林变量的敏感度低于HV春季场景，而VV冬季和VV春季场景的后向散射强度则相当。这一现象可归因于春季和冬季森林及林下植被的介电特性差异，而k最近邻框架则为多季节SAR分析提供了可靠的计算工具。

引言
频率在1至10 GHz之间的卫星成像雷达数据（P波段、L波段、C波段和X波段）能够感知森林的介电特性和几何结构，且根据传感器载频的不同，还能穿透云层，深入探测森林植被层。因此，与光学卫星数据相比，这类数据更适用于预测森林参数，尤其是地上生物量（Jarahizadeh和Salehi，2026；2025a；2025）。尽管光学卫星图像被最广泛地用于这一目的（Foody等人，2003；Gibbs等人，2007；Viet Nguyen等人，2016），但其光谱波段主要反映植被的化学特性，饱和度较低，且高度依赖无云天气条件（Jarahizadeh和Salehi，2025b；2024；Singh等人，2025）。

然而，尽管SAR传感器能够提供有关森林参数的信息，但传感器的规格以及目标森林的类型和状况仍会显著影响基于SAR数据的森林参数预测精度（Mao等人，2025）。为预测森林区域的树木生物量，人们已建立了后向散射系数平均值与生物物理变量之间的关系（Champion等人，2013）。植被区域的雷达散射机制包括表面散射、二次反射散射以及最重要的体积散射（Antropov等人，2017），而这些机制都会受到树冠结构、密度和湿度条件的影响（Champion等人，2013；Viet Nguyen等人，2016）。由于季节和天气条件会对雷达后向散射产生影响，因此在研究区域选择合适的SAR图像采集时间至关重要（Rossberg和Schmitt，2025）。

电磁辐射的物理特性决定了长波长波段（如L波段和P波段）能够穿透树冠层，而大部分后向散射来自大树枝、树干以及树干与地面的相互作用（Ghasemi等人，2011；Kurvonen等人，1999）。虽然较短波长波段（如X波段和C波段）的SAR数据也被广泛用于森林研究，但树木的树冠状态（树叶茂盛/脱落状态及密度）可能会影响森林的透射率。早期针对SAR后向散射季节性变化的研究表明，与C波段数据相比，L波段数据对森林生长量（GSV）的敏感度更高，且受环境条件的影响较小（Kurvonen等人，1999）。普遍认为，L波段SAR数据更适用于不同类型森林的生物量估算（Behera等人，2016；Bouvet等人，2018；Ghasemi等人，2011；Sai Bharadwaj等人，2015；Sharifi和Amini，2015；Thumaty等人，2015）。

确定最佳的SAR数据采集时间是SAR图像在森林应用中的关键问题之一。在一些可能存在冰冻和解冻现象的北方森林研究中，人们已经探讨了温度和土壤状况对地上生物量预测精度的影响（Pulliainen等人，1999；Eriksson等人，2005）。这些研究表明，与L波段数据相比，C波段数据对季节性变化的植被和土壤条件的响应更为敏感（Eriksson等人，2003）。另有研究指出，在冬季冰冻条件下获取的日本地球资源卫星（JERS-1）干涉相干性数据与森林属性的相关性最高，最适合用于预测森林生长量（Antropov等人，2017）。他们还研究了在冰冻、解冻和非冰冻状态下，ALOS PALSAR极化SAR特征与森林树干体积之间的关系，发现GSV预测的性能很大程度上取决于所选择的极化SAR参数。对于冬季场景，共极化相干性更适于GSV预测，而夏季共极化相干性的预测精度则相对较低。在非冰冻状态的森林上获取的HV后向散射数据则表现更好（Thiel和Schmullius，2016）。还有研究对比了西伯利亚森林的InSAR相干性和后向散射强度，发现冰冻条件下获取的InSAR相干性在GSV预测方面具有最大潜力，夏季条件下获取的交叉极化后向散射强度则次之（Rauste，2005）。另有研究指出，夏季获取的JERS单日后向散射数据能够生成更精确的模型，而寒冷干燥的冬季获取的数据则效果较差。此外，Santoro等人（2006）发现，使用L波段数据时，非冰冻状态的森林对树干体积的敏感度最高，而在冰冻状态下，信号的敏感度较低且容易出现饱和现象。一些在热带森林中进行的研究则探讨了雨季和旱季生物量估算的精度问题（Luckman等人，1997）。他们发现，旱季（6月）获取的JERS-1图像最适合用于热带森林的生物量估算。还有研究在旱季和雨季分别探讨了热带森林地上生物量与PALSAR-2双极化后向散射之间的相关性，结果发现雨季数据的关联度不如旱季（Viet Nguyen等人，2016）。

有一项针对温带落叶林的C波段SAR数据研究指出，同时拥有树叶茂盛状态和树叶脱落状态的图像非常重要，其中树叶茂盛状态下的图像对于估算树冠高度尤为关键（Townsend，2002）。另一项C波段研究（Proisy等人，2000）发现，在落叶树中，冬季后向散射系数与地上生物量的对数值之间的相关性最高，高于春季和秋季的图像。Khati等人（2020）研究了6月至10月间，在不同湿度和降水条件下，温带落叶林上获取的UAVSAR（L波段）图像的效率，发现降水量会影响地上生物量的反演精度，甚至可能使估算误差增加20%。在我们之前的研究（Golshani等人，2019）中，我们发现ALOS-2 PALSAR-2后向散射对森林生物量的响应会受到森林类型和树冠结构的影响。

尽管SAR图像的采集时间似乎是影响生物量预测的核心因素之一，但针对不同季节条件的影响研究相对较少，尤其是在温带落叶林领域（Khati等人，2020；Proisy等人，2000；Townsend，2002）。

本研究的主要目的是评估不同森林地点在冬季（雨季，树叶脱落）与春季（旱季，树叶茂盛）条件下，森林参数的预测性能。我们选择使用全极化双时相ALOS-2 PALSAR-2数据集，是因为该数据集在L波段范围内已被证明具有出色的森林参数预测能力（Data, P.L.P.-, Huang, X., Ziniti, B., Torbick, N., Ducey, M.J., 2018；Endres等人，2016；Omar和Misman，2017；Sivasankar，2018；Viet Nguyen等人，2016）。据我们所知，这是首项利用全极化ALOS-2 PALSAR-2数据研究温带阔叶希尔卡尼森林季节变化的研究。此外，我们还系统地分析了多种极化SAR特征，筛选出最适于预测森林参数的特征。虽然随机森林（RF）（Pereira-Pires等人，2025）和支持向量机（SVM）（Jiang等人，2025）等机器学习模型常被用于生物量估算，但我们选择了改进的k最近邻方法。与其他机器学习模型不同，k最近邻方法能够保留数据的自然范围，因此其结果更具物理现实性，因为这些结果直接来源于实际观测样地。此外，k最近邻模型在同时估算多个参数时更为高效，能够保持不同森林参数之间的协方差关系，而单独的回归模型则无法做到这一点。本研究还测试了一种新的非常规林业指标——直径之和，同时还对森林分层在森林参数估算中的必要性进行了定量评估，这些都是本研究的新颖之处。具体而言，我们旨在回答以下问题：a）PALSAR-2图像对森林生物量及其他基本森林参数的敏感度在春季（树叶茂盛）和冬季（树叶脱落）条件下有何差异；b）与单次SAR数据采集相比，双时相PALSAR-2图像如何提升森林变量预测的精度；c）在模拟温带森林参数时，哪些极化SAR特征最为重要。

研究地点
本研究地点位于伊朗马赞德兰省北部的努尔森林公园内（见图1）。如图2所示，研究区域部分属于温带落叶阔叶希尔卡尼森林。希尔卡尼古森林（也被称为里海森林）是北半球最古老的森林之一，代表着原始温带落叶阔叶森林的最后遗迹（Ramezani等人，2008）。这些森林最近被列入联合国教科文组织世界遗产名录。

方法
图3概述了本研究的整体方法框架。首先从样地获取的实地测量森林参数与双时相全极化ALOS-2 PALSAR-2数据相结合。在对SAR数据进行预处理并提取极化特征之后，再利用基于样地级别的SAR指标，通过回归分析和k最近邻方法，分别模拟树叶茂盛状态和树叶脱落状态下的森林参数。模型的性能则通过留一法交叉验证和基于均方根误差的精度评估来判定。

地上生物量与PALSAR-2极化特征之间的关系
相关性分析显示，样地级别的地上生物量与春季和冬季图像的雷达后向散射之间存在显著关系。图4展示了地上生物量与以线性单位表示的雷达后向散射系数（σ0，单位为m2/m2）之间的关系。图中给出了冬季和春季四个不同场景下的相关系数：所有样地、站点1、站点2和站点3的数据。虽然对所有极化通道都进行了分析（见表4），但图4主要关注HH和HV通道。

地上生物量与PALSAR-2特征之间的关系
研究区域的森林均为纯落叶林，这意味着在树叶茂盛状态和树叶脱落状态下，SAR数据对森林结构的敏感度可能存在差异。当我们分别分析不同森林类型的关联度时，发现站点1（见图4）的森林主要由里海杨组成，实际上是一个里海杨保护区，该地区的HV后向散射与生物量之间的关联度最高。在这种生境中，树冠完全闭合，树叶……

结论
本研究采用了基本的线性相关性分析，来评估物候期对PALSAR-2后向散射与森林生物量之间关系的影响。我们原本预期，树冠覆盖状况的变化会影响森林的后向散射强度。但研究结果表明，HH极化后的向散射更适合用于分析稀疏森林，而HV极化后的向散射则在密集森林中表现更好。这一规律在春季和冬季图像中均成立。因此，可以得出结论……

未引用参考文献
Jarahizadeh和Salehi（2024）。

利益冲突声明
作者声明没有已知的可能影响本文研究成果的财务利益或个人关系。

致谢
作者感谢日本宇宙航空研究开发机构提供了ALOS-2 PALSAR-2数据的使用权限。