湿地植被是以湿生和水生植物为主的植被群类型，是湿地生态系统的重要组成部分，在维持生态系统结构和功能方面有十分重要的作用^[1]。传统的生物量(AGB)测算方法主要通过样方调查、采集、称重等手段进行，不但费时费力，而且很难做到动态、大面积湿地生物量的准确估算^[2]。遥感技术具有宏观、连续、长期的对地观测能力，为大范围湿地植被生物量的动态监测提供可能。依据卫星遥感技术反演湿地植被生物量及其空间分布规律，可以直观地反映湿地生态系统的结构、功能、演替规律。GTINERALP等^[3]利用多光谱遥感和非参数模型对河漫滩地区的地上生物量估算；刘莉等^[4]利用Landsat 8数据，分析各遥感因子与湿地植被生物量的相关关系，构建生物量的定量反演；黎夏等^[5]根据雷达后向散射系数建立了红树林湿地植被生物量的估算模型；谭清梅等^[6] 利用ETM+图像数据、实测数据，构建一元线性、多元逐步回归模型、曲线回归模型等。基于遥感图像的生物量预测模型可以基于雷达后向散射极化、多光谱波段、植被指数和植被生物物理变量等构建^[7-10]。Sentinel-1提供C波段HH+HV或VV+VH极化的雷达图像^[11]，Sentinel-2提供13个多光谱波段，包括3个植被红边波段和2个红外波段，以及可见光和近红外波段^[12]。利用Sentinel-1 SAR和Sentinel-2多光谱数据反演和绘制湿地地上生物量的研究还没有被报道。

本文评估了基于Sentinel-1 A/B(SAR)和Sentinel-2 A/B(多光谱)卫星图像数据反演和绘制滇池湖滨生态湿地地上生物量的能力。研究目标包括：a)确定和构建研究区样地实测地上生物量与相应的Sentinel后向散射系数、多光谱波段的关系；b)评估生物量反演模型的准确性；c)评估反演生物量地图的准确性。在本文中，Sentinel图像数据被分成4个群组：a) Sentinel-1 SAR数据；b)多光谱波段；c) Sentinel-2衍生的植被指数，如归一化植被指数(Normalized Vegetation Index，NDVI)；d) Sentinel-2衍生的植被生物物理变量(如LAI)。利用线性回归和机器学习算法，建立滇池湖滨湿地生物量反演模型并绘制生物量地图。

1 研究区概况

研究区位于云南省昆明市滇池的东部沿岸，主要是捞鱼河湿地及其周边附近，北纬24°48'44"~24°51'40"，东经102°45'41"~102°47'20"，见图 1。滇池是中国第六大淡水湖，是典型的高原湖泊湿地，湿地生态系统保存较完整，湿地生物多样性丰富，具有防洪、供水、旅游、渔业、调节气候等多种功能，是维系滇池盆地生态平衡的核心，流域面积为2 920 km²。该区域年平均气温16.5 ℃，年均降雨量1 450 mm。滇池湖滨湿地具有分布范围广、景观破碎度高、植被群落多样的特点。湿地以乔木和灌木、沉浮植物群落类型为主，主要植物种类有中山杉、柳树、杨树、芦苇、香蒲、茭草等。至2013年，滇池湖滨带湿地区域总面积已超过2 000 km^2[13]。

2 材料与方法 2.1 数据来源及处理

本研究使用了欧洲航天局Sentinel-1和Sentinel-2图像数据。Sentinel图像基本信息见表 1。此外，数字高程模型(Digital Elevation Model，DEM)数据来自美国地质调查局，分辨力为30 m。数据处理步骤流程见图 2。采用欧洲航天局的软件SNAP 5.0对Sentinel-1和Sentinel-2数据进行预处理^[14]。Sentinel-1 SAR数据的预处理步骤包括图像校准、滤波、地形校正、裁剪等；Sentinel-2多光谱数据的预处理步骤包括大气校正、裁剪等。

2.2 样地调查

在2018年5月进行样地调查。设置15 m×15 m的方形样地，通过Garmin手持GPS接收器记录样地地理坐标。共设置了59个样地，包括40个中山杉林样地，10个废弃鱼塘样地，5个裸地样地，4个芦苇地、薰衣草、柳树和杨树样地。对乔木样地进行每木检尺，记录数据包括株树、胸径、树高、平均树高、样地中心点GPS，通过所记录数据计算样地蓄积量。

2.3 地上生物量计算方法

本研究中，中山杉地上生物量采用黄兴召等^[15]的典型杉木人工林蓄积量和生物量转换模型求得样地地上生物量；杨树地上生物量采用刘婷婷等^[16]的方法计算；芦苇地、薰衣草地上生物量采用梁建平等^[17]的方法计算。具体计算方法分别见式(1)~式(3)。

$ AG{B_{中山杉}} = 0.601\;0 + 16.739\;0V $

(1)

$ \begin{array}{l} AG{B_{杨树}} = 23.113 \times {\left( {{D^2}H} \right)^{0.925\;8}} + 1.205\;8 \times {\left( {{D^2}H} \right)^{1.133\;7}} + 0.628\;8 \times {\left( {{D^2}H} \right)^{1.170\;6}} \end{array} $

(2)

$ AG{B_{芦苇、薰衣草}} = 1.067 \times NDVI-297.29 $

(3)

式(1)~式(3)中：AGB_中山杉为中山杉地上生物量；V为样地蓄积量；AGB_杨树为杨树地上生物量；D为树胸径；H为树高；AGB_{芦苇、薰衣草}为芦苇、薰衣草地上生物量；NDVI为Sentinel-2多光谱影像计算出的NDVI。

2.4 建模因子

本研究建模因子数据包括4个类型，分别是多时相的SAR群组、多光谱波段(b2~b12)、植被指数群组、生物物理变量群组。其中植被指数群组包括NDVI、红边-红波归一化植被指数(NDVI band4-5，NDVI45)、倒红边叶绿素指数(Inverted Red-Edge Chlorophyll Index，IRECI)、转化后的归一化植被指数(Transformed Normalized Difference Vegetation Index，TNDVI)；植被生物物理变量群组包括叶面积指数(LAI)、植被覆盖度(Fraction of vegetation cover，fcover)、光合辐射率(Fraction of Absorbed Photosynthetically Activer Radiation，FAPAR)、叶片中叶绿素含量(chlorophyll content in the leaf，ChOROPHYII)。植被生物物理变量是通过SNAP的生物物理处理器获得，在Vegetation, Meris, SPOT和Landsat传感器验证是有效的^[10]。DEM的高程数据对Sentinel后向散射和反射率数据进行了补充。

2.5 建模方法

将4类建模因子分别与滇池湖滨带湿地实测地上生物量进行建模。利用逐步回归和机器学习算法，建立滇池湖滨湿地生物量反演模型。使用IBM SPSS统计软件23.0建立线性回归模型，利用WEKA 3.8.0进行机器学习算法建模^[18]。

2.6 模型评价方法

所有模型拟合统计量包括样地地上生物量的估测值和实测值的皮尔森(Pearson)相关系数r、均方根误差(RMSE)^[19]。

$r = \frac{{\sum\limits_{i = 1}^n {\left( {{x_i} - \bar x} \right)\left( {{y_i} - \bar y} \right)} }}{{\sqrt {\sum {{{\left( {{y_i} - \bar y} \right)}^2}\sum {{{\left( {{x_i} - \bar x} \right)}^2}} } } }}$

(4)

$RMSE = \sqrt {\frac{{\sum\limits_{i = 1}^n {\left( {{x_i} - {y_i}} \right)} }}{n}} $

(5)

式中：x_i为第i样地地上生物量实测值；y_i第i样地地上生物量估测值；$\bar x$和$\bar y$为样地地上生物量实测值和估测值的均值；n为样地数量。

3 结果与分析 3.1 地上生物量计算结果

滇池湖滨带湿地以中山杉为主。在废弃的水产养殖池塘中有柳树和杨树的个体。中山杉林中的树木密度平均为每公顷980棵，而在水产养殖池塘每公顷只有10棵树，芦苇地有柳树，薰衣草地没有树木。中山杉林平均地上生物量为99.64 t/ha(范围：9.6~256.81 t/ha)。非中山杉林地的平均地上生物量仅为1.77 t/ha(范围：0~46 t/ha)。图 3为59个研究地块地上生物量。

3.2 建模 3.2.1 SAR群组建模

滇池湖滨带湿地中，后向散射系数随地上生物量的增加而增加，即从废弃的鱼塘、裸地、低生物量的中山杉林到低生物量的中山杉林。在SAR影像生物量模型(见表 2)中，与同一时相的VV极化(R=0.431~0.485)相比，VH极化比(0.116~0.240)与生物量有较好的相关性。多时相的VH和VV极化后向散射系数数据与生物量的相关性(r=0.619)比单时相的图像高，该模型能够解释67%的生物量变异性和59.70 t/ha的反演误差最小，见式(6)。

$ \begin{array}{l} AG{B_{(SAR组合)}} = 1\;463.857-7.309 \times V{H_{201806}} + 17.728 \times V{V_{201906}} + 8.235 \times V{H_{2017}}-0.558 \times 高程 \end{array} $

(6)

3.2.2 多光谱波段群组建模

与可见和短波红外区域相比，Red edge2, Red edge3, 近红外等波段与滇池湖滨带湿地地上生物量有较好的相关性(r=0.694~0.711)。与单个波段和其他组合相比，红边(B6, B7)、NIR(B8, B8a)和SWIR(B11)的组合，具有与滇池湖滨带湿地地上生物量更强和更好的相关性(r=0.830)，这个波段组合的反演误差最小(44.00 t/ha，见表 2)，见式(7)。

$ \begin{array}{l} AG{B_{(波段组合)}} = 39.004-557.748 \times B6-932.512 \times B7 + 707.030 \times B8 + 1\;196.517 \times B8a-774.021 \times B11 \end{array} $

(7)

3.2.3 植被指数群组建模

在废弃的鱼塘和裸地地块中，NDVI, IRECI和NDI45的指标接近于零。在本文中包含的由观察到的植被指数中，IRECI与生物量的相关性最高(r=0.828)。将高程加到指数中，略微改善了相关性，其中最高的是IRECI和海拔组合模型(r=0.829)，见表 2，这一组合的反演误差最低为42.02 t/ha，见式(8)。

$ AG{B_{(植被指数组合)}} = 162.899 + 228.285 \times IRECI-0.96 \times 高程 $

(8)

3.2.4 生物物理变量群组建模

LAI与滇池湖滨带湿地样地地上生物量(r=0.84)比其他植被覆盖变量有更好的相关性。增加高程数据改善了相关性，减少了反演误差。与滇池湖滨带湿地样地地上生物量最高相关性模型是LAI和海拔的组合(r=0.840，RMSE=40.14 t/ha)(见表 2)，见式(9)。

$ AG{B_{(生物物理变量组合)}} = 162.899 + 228.285 \times IRECI-0.96 \times 高程 $

(9)

3.3 模型精确度评价

表 3中展示机器学习算法和传统线性回归中对生物量反演对比情况。其中SMOreg和Multilayer Perceptron机器学习算法在Sentinel SAR模型和Sentinel-2 LAI模型中比线性回归有更好的生物量反演精确度。但在Sentinel-2波段组合模型和Sentinel-2的植被指数模型中，线性回归比机器学习算法有更好的生物量反演精确度。

反演生物量地图的精确度揭示了它们的反演误差值有一定的差异(范围：40.14~59.7 t/ha)，其中Sentinel-2 LAI反演生物量误差值最低，最高在Sentinel-1 SAR反演生物量地图中。反演生物量图的精确度从62.3%(Sentinel-1 SAR模型反演生物量)到84.0%(基于Sentinel-2 LAI反演生物量)。实测生物量和模型反演生物量之间的相关系数(r)在0.01水平上都是显著的，Sentinel-1 SAR, Sentinel-2多光谱波段、Sentinel-2 IRECI植被指数和Sentinel-2 LAI与实测地上生物量的相关系数(r)，分别为0.619, 0.830, 0.829和0.840。

3.4 生物量反演

图 4展示了结合SRTM高程数据，从Sentinel-1 SAR和Sentinel-2多光谱图像中分别获取的生物量分布图。模型获取的AGB的空间变化与在该领域样地观察到的变化一致。

4 讨论 4.1 样地生物量与SAR后向散射系数和多光谱波段的关系

单时相的SAR VH极化后向散射系数与生物量的相关性高于VV极化后向散射系数与生物量的相关性。多时相的VH和VV极化数据的组合比单时相的SAR极化数据与生物量有更高的相关性，PROISY等^[20]报道了类似的观测结果。KUMAR等^[21]在反演印度热带森林生物量的过程中，发现多时相的SAR图像数据比单时相的SAR图像与地上生物量有更好的相关性。

红边(B6, B7)和NIR(B8, B8a)的波段比可见光(B2, B3, B4)和短波红外(B11, B12)与地上生物量有更好的相关性；红边(B6, B7), NIR(B8, B8a)和SWIR(B11)的组合，与地面生物量的相关性比单一波段和其他组合更高；红边和NIR区域是已知的与生物量密切相关的波段^[22]。在Sentinel-2多光谱获取的植被指数中，NDI45和IRECI与NDVI和其他植被指数相比，与生物量有更高的相关性；NDI45和IRECI是通过红边(B5, B6, B7)计算的植被指数，与生物量有很好的关系；LAI与生物量(r=0.84)比其他植被覆盖生物物理变量的相关性更好，与DUSSEUX等^[10]的发现是一致的，DUSSEUX认为与生物量的相关性最高的是LAI，LAI提供了植被密度的信息，能更准确地描述植被的状况与其他林冠变量。

4.2 生物量反演的准确性评估

在所有的地上生物量反演模型中，基于LAI模型(基于Sentinel-2多光谱图像推导获得)反演的滇池湖滨带湿地地上生物量，比基于SAR极化后向散射系数组合、多光谱波段和多光谱植被指数的模型更准确，其结果与DUSSEUX等^[10]和SAATCHI等^[23]的研究结果一致；基于SAR极化后向散射系数组合的模型精确度最低。在此

基础上，基于LAI的生物量模型与基于植被指数的生物量模型、其他植被覆盖变量的生物量模型相比，给出了最高的生物量反演精确度。与L和P波段相比，C波段SAR(如本文中Sentinel-1 SAR)，适应于低生物量地域的研究，如森林皆伐迹地、草地和森林造林地，有较强的后向散射^[23]。研究发现，利用卫星Sentinel-1/2影像数据对湖滨带湿地地上生物量反演和非森林土地利用绘图等取得令人满意的结果。Sentinel SAR和多光谱图像数据及其处理软件(SNAP)都是免费获取和开源的。和其他免费可获取的卫星图像数据相比较，Sentinel-1和Sentinel-2有更高的空间分辨力和时间分辨力；和商业卫星数据相比较，Sentinel图像幅宽更大，有利于大区域数字图像绘制。

本次生物量估测不是来自破坏性的抽样，而是以样地实测数据作为基准值。模型的精确性依赖于样地实测的精确性。生物量预测值和实测值相关性(62.3%~84.0%)表明：利用Sentinel图像数据用来反演和绘制湿地地上生物量有很大的潜力。通过本文方法可以绘制经过验证的生物量地图，并以这些生物量地图为基准，用来比较森林人为干预的结果，比如造林、退耕还林等。样地实测数据时间和Sentinel图像存在一定时间差，如Sentinel SAR与样地实测数据存在4年、3年、2年、1年和1个月的时间差，考虑到基于Sentinel SAR的地上生物量模型，就只有14个月和1个月的时间差；而Sentinel-2与样地实测数据存在1个月时间差；在本文中，假设在这段时间范围内，样地生物量的差异是忽略不计的(样地地上生物量是在2018年5月间采集的)。在未来的研究中，将尽可能地在样地实测数据获取时间下载Sentinel图像，以避免做出假设。

5 结论

本文在滇池湖滨带湿地通过Sentinel-1 SAR和Sentinel-2多光谱影像数据进行地上生物量的反演和绘制。研究建模因子数据分为4个类型，并与样地实测地上生物量进行线性建模，即：SAR群组建模、多光谱波段群组建模、植被指数群组建模、物理变量群组等4个地上生物量反演模型。实测生物量和Sentinel图像数据有较高的相关性(r=0.619~0.84)，最优模型的预测误差小于41 t/ha。后续研究的方向是利用Sentinel-SAR数据通过InSAR技术生成DEM，并结合Sentinel SAR和多光谱数据，以测试其生物量反演和制图能力。另外，采用各种数据转换技术，以及非线性多元回归形式，以找出预测和观测值的最高相关性，并与当前值相比降低预测误差。