《Science of Remote Sensing》：Novel SAR vegetation indices improve cloud-independent monitoring of forest vegetation dynamics through NIRv index reconstruction under post-drought conditions
编辑推荐：
研究人员提出新型合成孔径雷达（SAR）植被指数，以改善灾后条件下通过近红外植被指数（NIRv）重构实现的云独立森林植被动态监测。研究中，雷达体积植被指数（RVVI）在SAR指数中与NIRv呈最强线性相关；结合SAR、物候及树种数据预测NIRv的决定系数R2最高
研究人员提出新型合成孔径雷达（SAR）植被指数，以改善灾后条件下通过近红外植被指数（NIRv）重构实现的云独立森林植被动态监测。研究中，雷达体积植被指数（RVVI）在SAR指数中与NIRv呈最强线性相关；结合SAR、物候及树种数据预测NIRv的决定系数R2最高达0.85；RVVI与雷达结构植被指数（RSVI）在NIRv预测中优于其他SAR指数；落叶林较针叶林表现出更强的SAR–NIRv关系；2020年数据中，预处理阶段的多时相滤波提升了NIRv预测精度。结果表明，面向森林应用的SAR衍生指数可有效重构受云污染的NIRv序列，为时空连续的森林生理动态监测提供支撑。
研究背景与问题提出
全球森林在气候变化背景下是重要的碳汇，但在德国等地区，受气候变暖与干旱影响，森林可能由碳汇转为碳源，因此亟需时空连续的森林健康与生长监测手段。光学遥感（如Sentinel-2）可提供周尺度空间信息，光学植被指数（如NDVI）常受云覆盖干扰导致时间序列断裂；且NDVI在郁闭冠层中易饱和，对冠层结构变化不敏感。相比之下，近红外植被指数（NIRv, Near-Infrared of Vegetation）更敏感于冠层结构、光合能力与总初级生产力（GPP），与树木径向生长关系更强。合成孔径雷达（SAR）可穿透云层、提供连续观测，但既往研究多聚焦以SAR重构NDVI或面向农作物，针对森林、且面向NIRv重构及树种特异性的研究几乎空白。为此，研究人员在灾后（post-drought）条件下，构建新型SAR植被指数，评估其与NIRv的关系并重构无云NIRv序列。该文发表于《Science of Remote Sensing》。
主要技术方法概述
研究人员以德国西—东样带14个森林样区为样本队列，涵盖Douglas fir、Pine、Spruce、Alder、Beech、Oak等6种目标树种。使用Google Earth Engine获取2020年Sentinel-1双极化（VV、VH）SAR数据与Sentinel-2 L2A光学数据（B4红、B8近红外），以±1天匹配无云S2观测与S1获取；利用Wegler等（2025）的德国优势树种图提供树种标签，SRTM 30 m DEM计算局部入射角（LIA）并按树种做LIA归一化消除地形效应；提出RVVI与RSVI两个新型极化差加权指数；采用随机森林（Random Forest）以SAR指数、极化、物候与树种为输入预测NIRv，以前向特征选择量化变量贡献，故意未引入深度学习调优以保持像素级关系可解释。
研究结果
- 2.
Radar Volume Vegetation Index (RVVI)与Radar Structure Vegetation Index (RSVI)的物理背景
RVVI定义为(VH?VV)/(VH+VV)×VH，强调VH主导的体积散射（volume scattering）对冠层结构与含水量的响应；RSVI定义为(VV?VH)/(VV+VH)×VV，以VV加权突出同极化散射与较均质表面结构响应。二者共享归一化极化差项、符号相反、权重极化不同，属数学关联而非独立机制。
物种特异性线性相关分析
在全生长季尺度，研究人员计算各SAR指数与NIRv的线性相关系数。结果显示RSVI与NIRv线性相关最强，RVVI次之，传统RVI、CR、DPSVI等较弱；落叶树种（Beech、Oak、Alder）的SAR–NIRv关系强于针叶树种（Spruce、Pine、Douglas fir）。
随机森林建模与精度
以SAR指数+极化+物候+树种为输入的随机森林模型，预测NIRv的R2最高达0.85；RVVI与RSVI作为预测因子显著优于RVI等既有指数；前向特征选择表明物候期与树种类别贡献显著。2020年数据中，预处理引入多时相滤波（multi-temporal filtering）后，NIRv预测精度进一步提升。
讨论与结论翻译
讨论指出，既有SAR植被指数（RVI、CR、DPSVI）多面向农作物生物量，未针对森林树种结构验证；本研究首次在森林生态系统中建立树种特异的SAR–NIRv关系，并证明RVVI/RSVI能捕捉冠层体积散射与同极化结构响应，从而在无云条件下重构NIRv。结论部分：新型SAR植被指数RVVI与RSVI较传统指数更能表征森林冠层结构—NIRv耦合；结合SAR、物候与树种信息的随机森林模型可高精度（R2≤0.85）重构灾后无云NIRv序列；落叶林SAR–NIRv耦合强于针叶林；多时相滤波预处理提升重构精度。该研究为云独立、时空连续的森林生理动态与灾后恢复监测提供了可迁移方法论。
