评估一种新的双极化分解方法用于澳大利亚热带稀树草原的森林制图

《Ecological Informatics》：Evaluating a new dual-polarimetric decomposition for forest mapping in Australian tropical savannas

　　

稀树草原（Savanna）生态系统覆盖全球陆地表面约20%，并支撑着大量的木本生物量，但其森林范围仍难以量化。准确的森林范围图对于生态系统监测、碳核算和生物多样性保护至关重要。然而，当前方法针对高树森林进行了优化，可能在其他生物群落中不准确。本研究评估了一种最近发表的双极化分解（dual-polarimetric decomposition）方法，该方法适用于带相位和不带相位的合成孔径雷达（SAR）数据，用于热带稀树草原的森林制图。该分解方法应用于Sentinel-1、NovaSAR-1和PALSAR-2数据，每种数据均与Sentinel-2多光谱影像堆叠。随机森林（Random Forest）和极端梯度提升（XGBoost）分类算法基于无人机搭载激光雷达（lidar）生成的冠层高度模型（Canopy Height Model, CHM）进行训练。新的分解方法显著优于双极化熵-α（entropy-alpha）方法，且分解特征位列最重要的预测因子之中。PALSAR-2产生了最高的单传感器精度，而PALSAR-2与Sentinel-1堆叠结合Sentinel-2取得了最佳总体结果。XGB分类器通过k折交叉验证（k-fold cross-validation）实现了加权平均F₁分数77.7%，森林预测的F₁分数为86.6%。检测到的总森林面积为1033?km²，远超澳大利亚国家森林清单（Australian National Forest Inventory, ANFI）对同一区域的估计，表明现有国家数据集中的森林范围被严重低估。这些方法为森林范围估算提供了一条可追溯的路径，对受监管的生物多样性和碳市场政策具有重要意义。

**论文解读：基于新型双极化分解的澳大利亚热带稀树草原森林制图**

**研究背景与意义**
稀树草原（Savanna）生态系统覆盖全球约20%陆地表面，储存大量木本生物量，但森林范围量化不足。现有森林制图方法多针对高树森林（如热带雨林）优化，在稀树草原中精度差，导致国家森林清单（如澳大利亚国家森林清单，ANFI）可能严重低估森林面积。这一问题直接威胁碳核算（carbon accounting）完整性、生物多样性保护及碳市场政策公平性。因此，研究人员（Glen Shennan等）在澳大利亚西北部Kimberley地区的Gumaranganyjal（Yawuru人传统领地）开展研究，评估一种新型双极化分解（dual-polarimetric decomposition）方法，旨在提升热带稀树草原的森林制图精度。该论文发表在《Ecological Informatics》。

**研究内容与结论**
研究人员利用三种SAR传感器（Sentinel-1 C波段、NovaSAR-1 S波段、PALSAR-2 L波段）的影像，应用Verma等（2024）提出的双极化分解方法，并与Sentinel-2多光谱影像堆叠。基于无人机激光雷达（UAV lidar）生成的冠层高度模型（Canopy Height Model, CHM）作为训练数据，采用随机森林（Random Forest）和极端梯度提升（XGBoost）分类器进行四类植被高度分类（低植被、非森林、低森林、森林）。通过5折交叉验证比较不同数据堆叠的性能，并与ANFI、JAXA Forest/Non-Forest、ESA WorldCover产品进行对比。结论是：新型分解方法显著优于传统的双极化熵-α（Hα）分解方法，分解特征（如α、Pu）位列最重要预测因子；L波段PALSAR-2单传感器精度最高，L+C波段SAR堆叠分类精度超过仅多光谱分类；最终XGB分类器在PS2+S1+S2堆叠下取得加权平均F₁分数77.7%，森林F₁分数86.6%，检测森林面积1033?km²，远超ANFI估计（约30倍），证实国家数据集系统低估稀树草原森林。该研究为热带稀树草原森林制图提供可追溯路径，对碳市场与生物多样性政策具有重要影响。

**关键技术方法（不超过250字）**
主要技术方法包括：使用三种SAR数据（Sentinel-1 C波段、NovaSAR-1 S波段、PALSAR-2 L波段）进行双极化分解（Verma等2024方法），包括单视复数（SLC）和地距探测（GRD）两种产品，并与Sentinel-2多光谱影像堆叠。训练数据来自无人机搭载激光雷达（UAV lidar）生成的冠层高度模型（CHM），采样于2025年干季，选择未近期火烧的植被类型，站点分布于研究区域（Gumaranganyjal，约3000?km²，澳大利亚西北部）。分类器采用随机森林（RF）和极端梯度提升（XGBoost），通过5折交叉验证评估。最终分类图与ANFI、JAXA Forest/Non-Forest、ESA WorldCover产品比较。

**研究结果**

**3.1 SAR比较**
通过比较不同SAR场景、数据堆叠和分类器，发现新型双极化分解方法显著优于非极化堆叠和双极化熵-α（Hα）分解方法。分解特征（如α、Pu）在多数模型中位列最重要预测因子，其中PALSAR-2（L波段）单传感器精度最高，而S2-only堆叠精度低于含SAR的堆叠。GRD分解与SLC分解在C波段表现相当。SAR-only堆叠精度接近S2-only，而PS2+S1重复堆叠优于S2-only。

**3.2 双频堆叠**
PS2+S1+S2堆叠结合XGB分类器取得最优结果，加权平均F₁分数77.7%，森林F₁分数86.6%。特征重要性分析显示，PS2的α、Pu、γ_HV⁰等SAR分解特征占主导，其次为绿色波段和红边1。分类图（图8）清晰捕捉了洪泛区、围场边界、降雨梯度等生态格局，低森林类作为过渡带出现。

**3.3 森林面积与清单差异**
检测到的森林面积1033?km²，远超ANFI估计（约30倍），也远大于JAXA FNF（约两个数量级）和ESA WorldCover。空间分布与生态期望一致，但现有产品严重低估，尤其在低森林区域。这一低估直接威胁碳核算完整性和森林砍伐监测。

**总结讨论与结论**
讨论部分指出，新型双极化分解方法显著提升了稀树草原结构异质性植被的分类能力，且GRD分解可替代SLC分解，简化处理流程。L波段PALSAR-2因波长更长，对树干和木质结构敏感，表现优于S和C波段。森林面积低估可能源于国家清单历史偏差（针对高树森林设计）和稀树草原采样不足。不确定性包括时间失配（如PS2湿季数据）、获取几何差异及手动地理配准误差。非森林和低森林类分类挑战最大，建议未来结合物种组成或结构-花卉分类系统。结论部分翻译如下：

本研究证明，新的双极化分解方法为澳大利亚热带稀树草原的森林分类提供了显著的判别改进。SLC和GRD分解特征均位列最重要的预测因子，且L+C波段仅SAR分类超过了仅多光谱分类的精度。低森林被证明是最难分类的类别。Gumaranganyjal地区的森林面积远超ANFI估计，证实了国家数据集中对稀树草原森林的系统性低估，并为土地所有者提供了与自然相关市场相关的信息。