基于多源遥感的森林地上生物量估算及空间尺度效应分析

Estimation of Forest Aboveground Biomass and Analysis of Spatial Scale Effects Based on Multi-source Remote Sensing

摘要

针对森林生物量遥感估算中的尺度效应问题，以黑龙江省七峰林场软阔林为研究对象，构建融合地类异质性信息的尺度转换理论框架。基于哨兵2号（Sentinel-2）（10 m）和高分二号（gaofen-2，GF-2）（4 m）数据，采用多元线性回归和随机森林模型进行地上生物量（forest aboveground biomass，AGB）估算，并分析尺度效应。提出基于区域真均值尺度不变性原理的地类信息熵变异系数权重法（entropy coefficient of variation，ECV），构建尺度校正算法以缩小粗分辨率数据的估算误差。结果表明，1）GF-2（4 m）数据估算效果最优，随机森林模型表现最佳（R²为0.610 1，RMSE为26.821 4 t/hm²）；2）基于地类信息熵的尺度校正法显著提升估算精度，Sentinel-2数据的RMSE从30.798 2 t/hm²降至23.125 5 t/hm²。研究表明，构建的校正框架为多尺度遥感生物量协同反演提供理论方法支撑，对区域尺度碳中和监测具有应用价值。

Abstract

This study addresses the scale effect problem in remote sensing estimation of forest biomass， focusing on the soft broadleaf forest in Qifeng Forest Farm， Heilongjiang Province. We innovatively constructed a scale conversion theoretical framework integrating land cover heterogeneity information. Using Sentinel-2 （10 m） and GF-2 （4 m） data， we applied multiple linear regression and random forest models for aboveground biomass （AGB） estimation and scale effect analysis. We proposed an ECv weighting method based on the regional true mean invariance principle for land cover information for developing a scale correction algorithm.The results show that： （1） GF-2 （4 m） data achieved the best estimation performance， with the random forest model performing best （R² is 0.610 1， RMSE is 26.821 4 t/hm²）； （2） The land cover entropy-based scale correction method significantly improved estimation accuracy， reducing the RMSE of Sentinel-2 data from 30.798 2 t/hm² to 23.125 5 t/hm².This study establishes a theoretical-methodological framework for cross-scale integration of forest biomass estimation， providing important applications for regional carbon neutrality monitoring.

Graphical abstract

关键词

森林地上生物量 / 遥感估算 / 尺度效应 / 随机森林 / 尺度校正

Key words

Forest aboveground biomass （AGB） / Remote sensing estimation / Scale effect / Random Forest （RF） / Scale correction

0 引言

为应对全球气候变化挑战，我国在“十四五”规划中将生态系统固碳效能提升确立为绿色发展的重要着力点^［1-2］。在此背景下，构建高精度森林碳储量动态监测技术体系已成为支撑碳中和战略的关键技术需求^［3-7］。然而，当前多源遥感协同反演面临的核心挑战在于如何有效解决由“尺度效应”引起的生物量估算偏差问题^［10-13］。

现有研究表明，遥感尺度效应的形成机制主要涉及3个协同作用的因素：1）传感器参数的系统差异；2）地表空间异质性的非线性表征；3）反演算法的尺度依赖性^［14-15］。其中，混合像元问题尤为突出。当像元内包含多种地物类型时，传统反演方法会将异质性地表强制均质化处理，导致不同分辨率数据间的参数传递产生显著偏差^［11］。这种尺度传递误差在森林生物量反演中表现为30 m分辨率Landsat数据与1 km分辨率中分辨率成像光谱仪（moderate resolution imaging spectroradiometer，MODIS）数据的森林地上生物量（forest aboveground biomass，AGB）估算结果存在高达20%~40%的系统差异^［16］。

当前尺度校正研究存在3个关键技术瓶颈。第一，在理论层面，缺乏对异质地表辐射传输过程的精确建模，现有线性混合模型难以表征植被参数的尺度非线性响应特征^{［10，17］}；第二，在方法层面，多数研究依赖统计回归而忽视物理机制，特别是未充分考虑地类空间配置对尺度转换的影响^［18］；第三，在验证环节，缺乏可靠的跨尺度真值参照体系，制约了校正方法的普适性评价^［19］。针对这些问题，Chen^［10］通过引入土地利用类型精细分类，将叶面积指数（leaf area index，LAI）尺度误差降低了15%；王培娟等^［17］则基于结构分析法，使初级生产力（net primary productivity，NPP）尺度校正精度提升至88%。这些进展为生物量尺度校正提供重要启示，但针对森林AGB的专用校正框架仍有待建立。

本研究提出“物理机制驱动-地类结构约束”的尺度校正新思路。首先根据2种不同尺度遥感数据建立研究区软阔林地上生物量估算模型，分析估算精度；构建基于物质守恒定律的均值校正模型，通过量化像元内地类组成与空间分布特征，解析尺度误差的产生机制；进而发展融合地表异质性参数的动态权重校正方法，实现不同遥感尺度的生物量精确转换。本研究可为多源遥感数据协同应用于碳汇监测等方面提供方法支撑。

1 研究区概况与数据

1.1 研究区概况

研究区位于黑龙江省牡丹江市七峰林场（128°41′~128°58′E，44°34′~44°49′N），处于长白山脉北部支脉张广才岭南麓，牡丹江支流海浪河中上游，经营面积约164.81 hm²。林区地势由南向北逐渐升高。植被类型属于长白山植物区系，主要树种有青杨、白桦、红松、紫椴、水曲柳、胡桃楸和黄菠萝等^［18］。

1.2 研究数据

1.2.1 样地数据

地面数据调查时间为2023年、2024年夏季，共布设9块矩形样地，包括6块30 m×40 m面积样地及3块30 m×30 m面积样地，样地类型为阔叶林，优势树种以白桦、椴树为主。在样地调查中，首先采用实时动态设备（real-time kinematic，RTK）对样地的4个边界点及中心点等进行精确定位。随后，对样地内所有胸径超过5 cm的乔木进行系统测量，记录包括胸径、树高以及树种名称等关键参数。

1.2.2 遥感数据及预处理

1）遥感数据选取4 m分辨率的高分二号（gaofen-2，GF-2）数据，基于资源卫星CS－L3000A平台开发，搭载有2台传感器，分别为1 m全色和4 m多光谱相机^［19］，本研究采用3景GF-2影像的产品，基于陆地观测卫星数据服务平台网站获取，成像时间为2024年7月，其预处理包括对光谱通道的辐射定标乘以增益系数和偏置系数；利用快速大气校正模型（fast line-of-sight atmospheric analysis of the spectral hypercubes，FLAASH）进行大气校正，得到地表反射率；基于1∶10 000地形图，采用多项式和双线性插值重采样方法对GF-2影像进行几何校正。

2）选取10 m分辨率的哨兵2A（Sentinel-2A）数据，为欧洲航空局发射的高分辨率多光谱成像卫星，携带一枚多光谱成像仪（multispectral imager，MSI）^［20］，涵盖13个光谱波段，包括10、20、60 m分辨率，本研究由欧空局（european space agency，ESA）哥白尼数据中心网站下载1景影像，成像时间为2024年7月。预处理包括所有波段重新采样到10 m分辨率。利用ESA SEN2COR校正处理器进行大气校正和地形校正，得到地表反射率。

2 研究方法

2.1 数据预处理

2.1.1 单木尺度生物量估算

在样地生物量计算中，参考了董利虎^［21］提出的东北林区一元可加性生物量模型，即将树干、树枝和树叶各组分的生物量之和视为森林地上生物量。值得注意的是，本研究不含地下根系生物量。

为比较不同尺度下的生物量估算效果，将实测大样地按不同影像分辨率，划分为4 m×4 m（GF-2）、10 m×10 m（Sentinel-2）的子样地。然后为确保数据均衡性，随机选取等样本量数据（GF-2：88个；Sentinel-2：88个）用于后续模型构建，统计信息见表1。

2.1.2 遥感因子提取及筛选

基于样地坐标数据，将样地边界与预处理后的遥感影像进行空间叠加^［22］，分别从GF-2和Sentinel-2影像中提取植被指数、纹理信息及地形因子等多种参数作为预测变量^［23］。共获取Sentinel-2变量62个、GF-2变量57个。随后，采用Pearson相关性分析筛选与样地生物量显著相关（P<0.05）的变量，并利用随机森林进行特征重要性排序，保留重要性排名前8的关键变量用于建模^［24］，结果见表2。并针对多元线性模型对变量进行方差膨胀因子（variance inflation factor，VIF，式中记为V_IF）检验，确认所有入选变量的V_IF≤5。

2.2 不同尺度生物量模型构建与检验

本研究运用随机森林（random forest，RF）方法对研究区域的森林地上生物量进行预测分析。为评估模型性能，同时建立了多元线性回归（multiple linear regression，MLR）基准模型，将2种方法的估算结果进行系统性比较。

多元线性回归是一种采用多个自变量对因变量进行预测的统计方法，其目标是描述因变量与自变量之间的线性关系^［26］。公式如下。

y={\beta }_{\mathrm{0}}+{\beta }_{\mathrm{1}}{X}_{\mathrm{1}}+{\beta }_{\mathrm{2}}{X}_{\mathrm{2}}+\cdots +{\beta }_n{X}_n+\epsilon。（1）

式中：y为因变量；X_i为自变量（i=1，2，3，…n）；{\beta }_i为模型参数（i=1，2，3，…n）；\epsilon为误差项。

随机森林算法（RF）是一种非参数的建模方法，过程为在原始训练特征集中用自助抽样方法（Bootstrap）获得n个特征子集；对每个特征子集选择m个特征，并对每个训练特征子集构建决策树，得到n个决策树模型，建立起随机森林；计算每棵决策树的结果，将n棵决策树输出结果的均值作为最终结果^［27］。本次将回归树的数量设置为1 000棵，随机森林算法的随机状态设置为10个。

模型构建后采用十折交叉验证评估模型的泛化性能，即将数据集分成10份，轮流用其中9份训练模型，剩下的1份测试模型，重复10次后取平均性能指标。选取决定系数R²、均方根误差（root mean square error，RMSE，式中记为R_MSE）、相对均方根误差（relative root mean square error，rRMSE，式中记为r_RMSE）和平均绝对误差（mean absolute error，MAE，M_AE）4种评判指标进行精度评价，公式如下。

R^{\mathrm{2}}=\mathrm{1}-\frac{{\displaystyle \sum _{i=\mathrm{1}}^n}(y_i-{\widehat{y}}_{\mathrm{i}}{)}^{\mathrm{2}}}{{\displaystyle \sum _{i=\mathrm{1}}^n}(y_i-{\overline{y}}_{\mathrm{i}}{)}^{\mathrm{2}}}。（2）

R_{\mathrm{M}\mathrm{S}\mathrm{E}}=\sqrt[]{\frac{{\displaystyle \sum _{i=\mathrm{1}}^n}({\widehat{y}}_i-y_i{)}^{\mathrm{2}}}{n}}。（3）

r_{\mathrm{R}\mathrm{M}\mathrm{S}\mathrm{E}}=\frac{\sqrt[]{\frac{\mathrm{1}}{n}{\displaystyle \sum _{i=\mathrm{1}}^n}({\widehat{y}}_i-y_i{)}^{\mathrm{2}}}}{{\overline{y}}_i}。（4）

M_{\mathrm{A}\mathrm{E}}=\frac{\mathrm{1}}{n}{\displaystyle \sum _{i=\mathrm{1}}^n}\left|y_i-{\widehat{y}}_{\mathrm{i}}\right|。（5）

式中：y_i为第i株样木生物量实测值；\widehat{y}为生物量估测值；\overline{y}为生物量实测值的均值；n为样本的数量。

2.3 尺度误差确定

由图1可知，路径1中升尺度方法为“先反演后聚合”，粗尺度地表参数为通过高分辨率影像反演结果的空间平均获取，其AGB升尺度过程因采用线性转换，能完整保留区域统计特征，可看作粗分辨率产品的相对真值，记为A_GBexa^［28］。与之相对的路径2采用“先聚合后反演”方法，与粗尺度遥感影像像元AGB直接估算过程一致，会引入由地表异质性引发的尺度偏差^［29］，记为A_GBapp。

研究证实，地表覆盖的空间异质分布是产生尺度误差（e）的核心机理。当粗分辨率像元内部包含多个土地利用类型时，其非线性响应会破坏参数间的比例关系，导致传统聚合式算法产生系统偏差。因此尺度误差（e）公式如下。

e=A_{\mathrm{G}\mathrm{B}\mathrm{e}\mathrm{x}\mathrm{a}}-A_{\mathrm{G}\mathrm{B}\mathrm{a}\mathrm{p}\mathrm{p}}。（6）

2.4 基于统计的尺度转换方法

在特征空间分析中，地质统计学方法因其适应性较强，在相关研究中得到了广泛应用^［30］。为系统比较不同尺度转换方法的适用性，本研究选取了3种经典方法，即双线性插值法、立方卷积法和最邻近法，对GF-2影像的4 m分辨率生物量数据进行升尺度处理统一转换至10 m分辨率旨在评估各方法的精度差异。具体方法如下。

1）最邻近法为直接选取原始影像中与目标像元中心位置最近的像元值作为输出值。

2）双线性插值则基于目标像元中心周围4个原始像元的距离加权平均值确定输出值。

3）立方卷积法通过扩大邻域范围（通常采用16个相邻像元），并依据距离构建3次多项式函数计算权重，最终合成目标像元值。

2.5 基于混合像元的尺度误差均值校正法

2.5.1 区域真均值尺度不变特性

基于质量守恒定律，可将封闭的遥感研究区域视为一个孤立系统，其总质量保持不变。在此前提下，空间尺度的变化不会改变该区域的地表总面积及森林地上生物量（AGB）总量。因此，提出以下假设，在确定的时间和空间范围内，森林AGB的真均值具有尺度不变性，即其统计平均值不随空间分辨率的变化而改变。

基于上述分析，可建立数学表达式。设研究区域总面积为N×N，j尺度上遥感影像的像元大小为n_j×n_j，则第i个像元的AGB（式中记为A_GB）可表示为

A_{\mathrm{G}\mathrm{B}ni}=\frac{\mathrm{1}}{{n_j}^{\mathrm{2}}}{\displaystyle \sum _{j=\mathrm{1}}^{n_j^{\mathrm{2}}}}f\left(V_{j,i}\right)。（7）

式中:f\left(V_{j,i}\right)为森林生物量反演模型；V_{j,i}为在j尺度下第i个像元的遥感特征变量。

该区域n尺度下的森林AGB均值A_{\mathrm{G}\mathrm{B}n}可表示为

A_{\mathrm{G}\mathrm{B}n}=\frac{\mathrm{1}}{{\left(\frac{N}{n_j}\right)}^{\mathrm{2}}}{\displaystyle \sum _{i=\mathrm{1}}^{{\left(\frac{N}{n_j}\right)}^{\mathrm{2}}}}{A}_{\mathrm{G}\mathrm{B}ni}=\frac{\mathrm{1}}{{\left(\frac{N}{n_j}\right)}^{\mathrm{2}}}{\displaystyle \sum _{i=\mathrm{1}}^{{\left(\frac{N}{n_j}\right)}^{\mathrm{2}}}}\left[\frac{\mathrm{1}}{n_j^{\mathrm{2}}}{\displaystyle \sum _{j=\mathrm{1}}^{n_j^{\mathrm{2}}}}f\left(V_{j,i}\right)\right]=

\frac{\mathrm{1}}{{\left(\frac{N}{n_j}\right)}^{\mathrm{2}}}\frac{\mathrm{1}}{n_j^{\mathrm{2}}}{\displaystyle \sum _{i=\mathrm{1}}^{{\left(\frac{N}{n_j}\right)}^{\mathrm{2}}}}\left[{\displaystyle \sum _{j=\mathrm{1}}^{n_j^{\mathrm{2}}}}f\left(V_{j,i}\right)\right]=A_{\mathrm{G}\mathrm{B}m}=

\frac{\mathrm{1}}{{\left(\frac{N}{m_j}\right)}^{\mathrm{2}}}{\displaystyle \sum _{i_m=\mathrm{1}}^{{\left(\frac{N}{m_j}\right)}^{\mathrm{2}}}}{\left[\frac{\mathrm{1}}{n_m^{\mathrm{2}}}{\displaystyle \sum _{m=\mathrm{1}}^{n_m^{\mathrm{2}}}}{f}_m\left(V_{m,i_m}\right)\right]}_{}。（8）

式中：A_{\mathrm{G}\mathrm{B}m}为该区域m尺度上的森林AGB均值；f_m\left(V_{m,i_m}\right)为m尺度下森林地上生物量反演模型；V_{m,i_m}为m尺度下第m个像元的遥感特征变量。

遥感影像的尺度效应主要源于不同传感器空间分辨率的差异。然而，研究证实，无论空间分辨率如何变化，同一区域的森林地上生物量（AGB）相对真均值始终保持恒定，这与实测数据或其他尺度的相对真值一致。基于这一AGB均值恒定的特性，高分辨率遥感数据可作为连接地面实测数据与低分辨率遥感数据的桥梁。具体而言，通过将高分辨率影像反演的精细尺度A_{\mathrm{G}\mathrm{B}\mathrm{e}\mathrm{x}\mathrm{a}}聚合至粗分辨率像元尺度A_{\mathrm{G}\mathrm{B}\mathrm{e}\mathrm{x}\mathrm{a}}^n（n为像元尺度），即可获得粗分辨率下的相对真值。通过比较A_{\mathrm{G}\mathrm{B}\mathrm{e}\mathrm{x}\mathrm{a}}^n与粗分辨率遥感直接反演的AGB估算结果，可有效量化尺度效应导致的误差。

2.5.2 尺度误差均值修正法

根据以上论述，像元尺度为n时第i个像元的AGB修正值A_{\mathrm{G}\mathrm{B}\mathrm{c}\mathrm{o}\mathrm{r}}^{ni}可用像元AGB估算值A_{\mathrm{G}\mathrm{B}\mathrm{a}\mathrm{p}\mathrm{p}}^{ni}加上误差改正数e_i^n来表示，公式为

A_{\mathrm{G}\mathrm{B}\mathrm{c}\mathrm{o}\mathrm{r}}^{ni}=A_{\mathrm{G}\mathrm{B}\mathrm{a}\mathrm{p}\mathrm{p}}^{ni}+e_i^n。（9）

若森林AGB估算均值（{\overline{A}}_{\mathrm{G}\mathrm{B}\mathrm{a}\mathrm{p}\mathrm{p}}^n）不存在尺度误差，则应与其对应尺度下的相对真均值（{\overline{A}}_{\mathrm{G}\mathrm{B}\mathrm{e}\mathrm{x}\mathrm{a}}^n）相等。当AGB估算均存在尺度误差时，其总体误差均值即可表征由尺度效应引起的偏差。具体计算公式如下。

{\overline{e}}^n={\overline{A}}_{\mathrm{G}\mathrm{B}\mathrm{e}\mathrm{x}\mathrm{a}}^n-{\overline{A}}_{\mathrm{G}\mathrm{B}\mathrm{a}\mathrm{p}\mathrm{p}}^n。（10）

式中：{\overline{e}}^n为n尺度下研究区域总像元的尺度误差均值；{\overline{A}}_{\mathrm{G}\mathrm{B}\mathrm{e}\mathrm{x}\mathrm{a}}^n为研究区域森林AGB相对真均值；{\overline{A}}_{\mathrm{G}\mathrm{B}\mathrm{a}\mathrm{p}\mathrm{p}}^n为研究区域森林AGB估算均值。

依据大数定律和中心极限定理^［31］，尺度误差样本均值e_i^n与总体均值{\overline{e}}^n的数学期望一致，且e_i^n服从以{\overline{e}}^n为中心的正态分布。这意味着e_i^n可视为总体均值{\overline{e}}^n在像元i处的随机波动，其波动幅度v_i^n取决于该像元与总体均值的偏离程度，这一偏离可通过权重系数P_i 进行量化。至此可得，e_i^n本质上是在总体均值{\overline{e}}^n的基础上，叠加了由像元i特定权重P_i 所决定的调整量。

波动幅度可表达为

v_i^n=P_i\times {\overline{e}}^n。（11）

{\mathrm{e}}_i^n可改写为

e_i^n={\overline{e}}^n+P_i\times {\overline{e}}^n={\overline{e}}^n\times \left(\mathrm{1}+P_i\right)。（12）

本研究采用基于地表空间异质性特征的权重确定方法，通过引入信息熵进行权重分配，建立地类信息熵变异数权重法（entropy coefficient of variation，EVC），在此基础上，进一步构建尺度校正法，以有效降低粗分辨率数据的总体误差。该方法的核心原理在于利用各要素包含的信息确定权重，其本质是反映事物间的离散程度或者差异程度^［32］。具体公式如下。

E={\displaystyle \sum _{i=\mathrm{0}}^L}-W_i\mathrm{l}\mathrm{n}{W}_i。（13）

式中：E为由高分辨率像元地物类别信息熵计算得到的地表异质性值；W_i为构成大像元的第i个地物类别占高分辨率像元总数的比例；L为大像元中包含的地物类别总数。

使用MAE、RMSE和平均绝对百分比误差（mean absolute percentage error，MAPE，式中记为M_APE）3种统计指标来评价尺度上推方法转换效果，前2个指标公式见2.2节，MAPE公式如下。

M_{\mathrm{A}\mathrm{P}\mathrm{E}}=\frac{\mathrm{100}}{n}\times {\displaystyle \sum _{i=\mathrm{1}}^n}\frac{\left|p_i-o_i\right|}{\overline{p}}。（14）

式中：p_i为升尺度后粗分辨率像元尺度AGB精确值；\overline{p}为精确值的均值；o_i为粗分辨率像元尺度AGB估算值；i为升尺度后第i个粗分辨率像元；n为升尺度后粗分辨率像元的总体数量。

3 结果与分析

3.1 最优模型与尺度的确定

根据不同尺度数据构建随机森林模型及多元线性模型，并采用十折交叉验证对模型进行检验。精度对比见表3和图2。

通过对比表3中GF-2及Sentinel-2两种影像的不同估算模型可以看出，2种影像建模结果均表现为随机森林的决定系数更高，拟合效果更好，并且由图2可以看出，其散点分布较均匀，主要集中于80 t/hm²，在地上生物量高于150 t/hm²时，预测值普遍低于实测值，在地上生物量低于50 t/hm²时，预测生物量出现高估，但通过其离散程度可以看出GF-2影像的建模精度高于Sentinel-2，即4 m分辨率对于研究区森林地上生物量的估算效果更好。相比之下可以看出，基于机器学习的随机森林算法对模型拟合效果更好，能够更准确地捕捉遥感特征量与生物量之间的复杂非线性关系，其预测结果与实测数据具有更高的一致性。

研究表明，GF-2数据构建的森林AGB模型较Sentinel-2模型展现出更优的精度表现。这种优势主要源于4 m高空间分辨率的双重效应。1）像元尺度优势。单个像元对应地表面积减少60%~80%，显著降低了混合像元效应；2）光谱响应优势。更精细的空间采样使光谱特征与森林生化参数的响应关系更为显著。基于此，分辨率4 m的像元尺度可看作为本研究中研究区森林地上生物量估算的最优尺度。并将GF-2的4 m分辨率AGB估算结果视为本研究中的相对真值。

3.2 研究区软阔林分布范围提取

基于森林调查小班数据，将研究区土地利用类型进行详细统计，具体分为16类，见图3。由图3可知，研究区大部分由乔木林地构成，根据研究目的进一步分为软阔林区域（即林分中软阔林树种蓄积占比大于等于70%，且单一优势树种占比小于70%）及其他乔木林区域，多种土地利用类型共同构成研究区，形成了空间异质的空间格局。

3.3 研究区域森林地上生物量反演结果

首先将研究区4 m及10 m分辨率影像代入已构建随机森林模型，获取研究区A_GBGF-2和A_GBapp两种估算结果，见图4。为便于比较分析，将本研究中估算的最优尺度4 m分辨率影像结果（A_GBGF-2）通过空间聚合方法生成10 m分辨率的A_GBexa，见图4（b），作为相对真值，其中不同影像反演结果对比见表4。

由表4可知，研究区AGB_GF-2的平均值为116.45 t/hm²，标准差为17.33，其与升尺度后的A_GBexa平均值及标准差保持高度一致。相比之下，Sentinel-2反演的A_GBapp平均值显著偏低，且数值波动范围相对较小。这种差异主要源于以下3方面因素。

第一，多源数据的尺度效应表现为4 m分辨率的GF-2影像在研究区内部可获取接近纯像元的树冠光谱信息，而10 m分辨率的Sentinel-2影像即使在研究区内部仍存在树冠混合效应。软阔林边界区域的混合像元对两种数据均产生影响，但Sentinel-2影像受干扰程度更显著。

第二，光饱和效应在高生物量区域（>150 t/hm²）表现突出。当单株或簇状树木生物量超过光饱和阈值时，GF-2影像的反射率响应趋于饱和，而Sentinel-2因混合像元的稀释作用，植被光谱饱和点相对延后。

第三，地表异质性通过边界效应间接影响反演精度。本研究虽未专门分析林窗的影响，但样地布设阶段已规避明显林窗区域。边界处混合像元内部不同地类的生物数量差异，导致Sentinel-2反演值系统性偏低现象。

3.4 基于统计方法的生物量尺度上推结果

本研究中因未对树冠混合效应进行区分，地表异质性主要表现为研究区边界处的混合像元效应，由于软阔林与其他地类相邻分布，Sentinel-2影像中约12%的像元呈现多类地物混合特征。为评估不同方法的精度差异，在研究区内部随机选取300个代表性混合像元，开展尺度上推对比试验。通过对比分析发现，不同方法在10 m分辨率下的精度表现存在明显差异。其中，最近邻法估算精度最低，立方卷积法有所改善，而3种方法中双线性插值法表现出最优的转换结果，RMSE为24.518 3 t/hm²。值得注意的是，双线性插值法凭借其有效考虑空间分布的渐变特性的优势，整体表现较为理想。相比之下，最近邻法由于未能有效整合空间相关性信息，这是其精度偏低的主要原因，不同统计方法AGB尺度校正结果见图5。

3.5 尺度误差均值校正法应用验证

在森林地上生物量的尺度转换中，通过解算10 m分辨率像元内各地类面积占比，利用尺度误差均值修正法，计算得到10 m分辨率尺度效应修正的A_GBcor数据，其尺度误差校正结果见图6，精度对比见表5。

图6（a）和图6（b）分别为10 m分辨率的相对真值A_GBexa与校正前后的A_GBapp和A_GBcor的对比结果。由表5可知，校正后的A_GBcor与A_GBexa表现出更高的一致性，估算精度得到有效改善。校正后的散点分布相较于校正前，系统性偏差得到有效修正，MAE、RMSE和MAPE均呈现不同程度的降低。这一系列充分表明A_GBcor较A_GBapp具有更高的可靠性，验证了该方法在减小尺度误差方面的有效性。

通过对比分析校正前后的森林AGB估算结果，验证了尺度误差校正方法的有效性。由表5可知，在误差控制方面，校正后的MAE、RMSE和MAPE分别降至20.460 6、23.125 5 t/hm²和14.824 0%，较校正前明显降低，这一系列误差指标的同步下降证实了该方法能有效控制因地表覆盖异质性产生的尺度效应误差。图6进一步佐证，校正后的AGB数据与真值数据更为吻合。将尺度误差均值校正法应用于研究区范围，得到森林生物量反演结果，见图7。

进一步将传统统计方法升尺度结果与经均值校正法结果进行对比分析发现，基于统计的3种尺度转换方法均未达到均值校正法的精度水平。究其原因，这些传统方法未能充分考虑异质性像元对尺度转换的影响。而均值校正法的创新之处在于，其通过定量解析粗分辨率像元内的地表覆盖类型组成及其面积占比，有效提升了森林生物量的估算精度。

4 讨论

4.1 遥感森林生物量估算分析

本研究基于GF-2（4 m）和Sentinel-2（10 m）多源遥感数据，结合地面调查数据，建立了研究区森林地上生物量（AGB）估算模型。结果表明，基于GF-2数据的AGB估算结果较好，原因在于GF-2特有的4 m分辨率能更精确刻画林分结构细节，Sentinel-2虽具有红边波段，但在10 m尺度下未能充分发挥其植被敏感特性。研究区生物量估算范围为56.368~211.884 t/hm²，因目前暂无针对本研究区的森林生物量相关研究，与黑龙江省其他相似林区研究相比^［33-34］，本研究估算结果中高生物量区域（>150 t/hm²）出现系统性低估，这一现象可能与冠层光饱和效应有关，当森林生物量超过一定阈值时，冠层叶片密度增加可能导致光合作用效率非线性增长甚至停滞，使得基于光学遥感的植被指数与生物量的相关性减弱，从而引发低估。类似研究如Santoro等^［35］基于哨兵数据全球研究中提到的卫星传感器因冠层饱和难以穿透深层植被，导致信号饱和，在稠密森林区域生物量存在约25%~35%的相对误差。尽管本研究样地中部分实测值高达236.670 6 t/hm²，但子样方尺度上可能存在光饱和导致的AGB估算偏差，未来研究可通过分层采样或结合对光饱和效应不敏感的传感器（如LiDAR）来改进高生物量区域的估算精度。

4.2 多尺度分析的必要性

本研究采用随机森林算法，基于多源遥感数据（4、10 m分辨率）对研究区森林地上生物量进行反演分析。验证结果表明，遥感影像空间分辨率越低，森林生物量估算精度越低。针对这一现象，分析基于地表异质性及混合像元导致尺度误差的主要因素^［10］，提出了基于土地利用类型信息熵的尺度误差校正方法。应用该方法，10 m分辨率下混合像元的RMSE由30.798 2 t/hm²降至23.125 5 t/hm²，MAE、MAPE指标也均有所降低。对比Zhao等^［36］采用30 m分辨率Landsat数据在浙江省森林生物量制图（RMSE为31.2 t/hm²）和黄天宝等^［37］整合多源遥感数据的森林生物量估算结果（RMSE为28.46 t/hm²），本研究对粗分辨率数据估算偏差有良好改善，为区域尺度的森林生物量估算提供了新的参考思路。然而现有框架仍有不足，一是软阔林均质假设忽略内部结构复杂性^［38］，二是跨尺度误差传递机制尚不明确，未能充分考虑林窗结构对生物量估算的影响。未来研究计划结合无人机激光雷达提取林窗三维参数，改进混合像元分解算法，以及构建叶片至卫星尺度的级联验证体系，系统解析尺度误差来源，以进一步提升异质性林分的生物量估算精度。

5 结论

本研究基于多源遥感数据，构建了融合地类异质性信息的森林地上生物量尺度校正框架，主要结论如下。

1）随机森林模型表现最优（GF-2：R²为0.610 1，RMSE为26.821 4 t/hm²），高分辨率遥感数据可显著提升森林生物量估算精度。

2）混合像元效应是导致尺度误差的关键因素，分辨率由4 m降低至10 m时估算精度下降5.3%。

3）提出的基于地类信息熵的尺度校正方法（ECV）使Sentinel-2数据RMSE降低24.9%。研究构建的“物理机制驱动-地类结构约束”尺度校正框架，为多源遥感协同反演森林碳储量提供了新方法，未来可结合LiDAR数据进一步优化高生物量区域估算精度。

参考文献

[1] 邵文瑞，杜旺兵，魏彩娣，等.碳中和背景下西北荒漠区林业碳汇建设及灌木林CCER开发方法学研究［J］.环境生态学，2021，3（11）：100-102.

[2] SHAO W R， DU W B， WEI C D，et al.Research on forestry carbon sequestration construction and CCER development methodology for shrub forests in northwest desert regions under carbon neutrality background［J］. Environmental Ecology，2021，3（11）：100-102.

[3] HOUGHTON R A， HALL F， GOETZ S.Importance of biomass in the global carbon cycle［J］.Journal of Geophysical Research Biogeosciences，2009，114（3）：G00E03.

[4] 邓茗文.碳达峰、碳中和目标下林业碳汇发展机遇与企业行动选择［J］.可持续发展经济导刊，2021（Z1）：26-29.

[5] DENG M W.Development opportunities of forestry carbon sinks and corporate action choices under carbon peak and neutrality goals［J］.Sustainable Development Economic Guide，2021（Z1）：26-29.

[6] 张少伟，惠刚盈，韩宗涛，等.基于光学多光谱与SAR遥感特征快速优化的大区域森林地上生物量估测［J］.遥感技术与应用，2019，34（5）：925-938.

[7] ZHANG S W， HUI G Y， HAN Z T，et al.Large-area forest aboveground biomass estimation based on rapid optimization of optical multispectral and SAR remote sensing features［J］.Remote Sensing Technology and Application，2019，34（5）：925-938.

[8] ZHU Y， LIU K， MYINT S W，et al.Integration of GF2 optical， GF3 SAR， and UAV data for estimating aboveground biomass of China's largest artificially planted mangroves［J］.Remote Sensing，2020，12（12）：2039.

[9] HAYASHI M， SAIGUSA N， YAMAGATA Y，et al.Regional forest biomass estimation using ICESat/GLAS spaceborne LiDAR over Borneo［J］.Carbon Management，2015，6（1-2）：19-33.

[10] ZHANG X， NI-MEISTER W.Biophysical applications of satellite remote sensing［J］.Remote Sensing of Forest Biomass，2014：63-98.

[11] NIAN V.The carbon neutrality of electricity generation from woody biomass and coal， a critical comparative evaluation［J］.Applied Energy，2016，179：1069-1080.

[12] 刘茜，杨乐，柳钦火，等.森林地上生物量遥感反演方法综述［J］.遥感学报，2015，19（1）：62-74.

[13] LIU Q， YANG L， LIU Q H，et al.Review of remote sensing inversion methods for forest aboveground biomass［J］. Journal of Remote Sensing，2015，19（1）：62-74.

[14] CHEN J.Spatial scaling of a remotely sensed surface parameter by contexture［J］.Remote Sensing of Environment，1999，69（1）：30-42.

[15] 苏理宏，李小文，黄裕霞.遥感尺度问题研究进展［J］.地球科学进展，2001（4）：544-548.

[16] SU L H， LI X W， HUANG Y X.Research progress on scale issues in remote sensing［J］.Advances in Earth Science，2001（4）：544-548.

[17] 李小文，王祎婷.定量遥感尺度效应刍议［J］.地理学报，2013，68（9）：1163-1169.

[18] LI X W， WANG Y T.Discussion on scale effects in quantitative remote sensing［J］.Acta Geographica Sinica， 2013，68（9）：1163-1169.

[19] 李小文，赵红蕊，张颢，等.全球变化与地表参数的定量遥感［J］.地学前缘，2002（2）：365-370.

[20] LI X W， ZHAO H R， ZHANG H， et al.Global change and quantitative remote sensing of land surface parameters［J］.Earth Science Frontiers，2002（2）：365-370.

[21] 朱小华，冯晓明，赵英时，等.作物LAI的遥感尺度效应与误差分析［J］.遥感学报，2010，14（3）：579-592.

[22] ZHU X H， FENG X M， ZHAO Y S，et al.Scale effects and error analysis of crop LAI in remote sensing［J］.Journal of Remote Sensing，2010，14（3）：579-592.

[23] CHAMBERS J Q， NEGRON-JUAREZ R I， MARRA D M，et al. The steady-state mosaic of disturbance and succession across an old-growth Central Amazon forest landscape［J］.Proceedings of the National Academy of Sciences， 2013，110（10）：3949-3954.

[24] 卫亚星，王莉雯.净初级生产力遥感估算模型尺度效应的研究［J］.资源科学，2010，32（9）：1783-1791.

[25] WEI Y X， WANG L W.Study on scale effects of net primary productivity estimation models using remote sensing［J］.Resources Science， 2010，32（9）：1783-1791.

[26] 王培娟，谢东辉，张佳华，等.基于过程模型的长白山自然保护区森林植被净第一性生产力空间尺度转换方法［J］.生态学报，2007（8）：3215-3223.

[27] WANG P J， XIE D H， ZHANG J H，et al.Spatial scaling methods for forest net primary productivity in Changbai Mountain Nature Reserve based on process models［J］.Acta Ecologica Sinica，2007（8）：3215-3223.

[28] 刘美辰.大海林林业局中国雪乡旅游营销策略研究［D］.哈尔滨：黑龙江大学，2016.

[29] LIU M C.Research on tourism marketing strategies of China Snow Town in Dahailin Forestry Bureau［D］.Harbin：Heilongjiang University，Harbin： 2016.

[30] ZHENG Y， DAI Q， TU Z，et al.Guided image filtering-based pan-sharpening method： a case study of gaofen-2 imagery［J］.International Journal of Geo-Information，2017，6（12）：404.

[31] KOBAYASHI N， TANI H， WANG X，et al.Crop classification using spectral indices derived from Sentinel-2A imagery［J］.Journal of Information and Telecommunication，2019，4（1）：1-24.

[32] 董利虎.东北林区主要树种及林分类型生物量模型研究［D］.哈尔滨：东北林业大学，2015.

[33] Dong L H.Research on biomass models of major tree species and forest types in Northeast China forest region［D］.Harbin：Northeast Forestry University，2015.

[34] HEROLD M， CARTER S， AVITABILE V，et al.The role and need for space-based forest biomass-related measurements in environmental management and policy［J］.Surveys in Geophysics： An International Review Journal of Geophysics and Planetary Sciences，2019，40（4）：757-778.

[35] LIN X， SHI Y， FANG H，et al.Vegetation carbon stocks driven by canopy density and forest age in subtropical forest ecosystems［J］.Science of the Total Environment，2018，631-632：619-626.

[36] 池泓，黄进良，邱娟，等.GLAS星载激光雷达和Landsat/ETM+数据的森林生物量估算［J］.测绘科学，2018，43（4）：9-16，23.

[37] CHI H， HUANG J L， QIU J，et al.Forest biomass estimation using GLAS spaceborne LiDAR and Landsat/ETM+ data［J］.Science of Surveying and Mapping，2018，43（4）：9-16，23.

[38] LIN C， WANG Y Q， REN C Y，et al.Assessment of multi-wavelength SAR and multispectral instrument data for forest aboveground biomass mapping using random forest kriging［J］.Forest Ecology and Management，2019，447：12-25.

[39] 张志，田昕，陈尔学，等.森林地上生物量估测方法研究综述［J］.北京林业大学学报，2011，33（5）：144-150.

[40] ZHANG Z， TIAN X， CHEN E X，et al.Review of methods for estimating forest aboveground biomass［J］.Journal of Beijing Forestry University，2011，33（5）：144-150.

[41] BREIMAN L.Random forests［J］.Mach Learn，2001，45（1）：5-32.

[42] VARGAS-LARRETA B， LÓPEZ-MARTÍNEZ J O， GON-ZÁLEZ E J，et al.Assessing above-ground biomass-functional diversity relationships in temperate forests in northern Mexico-Forest Ecosystems［J］.Forest Ecosystems，2021，8（1）：14.

[43] ANTÓNIO F， SASSAN S， CLÉMENT M，et al.Airborne lidar estimation of aboveground forest biomass in the absence of field Inventory［J］.Remote Sensing，2016，8（8）：653.

[44] JIANG J， JI X， YAO X，et al.Evaluation of three techniques for correcting the spatial scaling bias of leaf area index［J］.Remote Sensing，2018，10：22.

[45] MASINDA M M， LI F， LIU Q，et al.Prediction model of moisture content of dead fine fuel in forest plantations on Maoer Mountain，Northeast China［J］.Journal of Forestry Research，2021，32（5）：2023-2035.

[46] WHELEN T， SIQUEIRA P.Coefficient of variation for use in crop area classification across multiple climates［J］.International Journal of Applied Earth Observation & Geoinformation，2018，67：114-122.

[47] 蔡鑫垚.基于多源遥感数据的天然次生林地上生物量估测及随机森林偏差校正［D］.哈尔滨：东北林业大学，2021.

[48] CAI X Y.Estimation of aboveground biomass in natural secondary forests using multi-source remote sensing data and random forest bias correction［D］.Harbin：Northeast Forestry University，2021.

[49] 于欣彤.基于SAR极化分解与TM数据的森林生物量多源遥感估测［D］.哈尔滨：东北林业大学，2019.

[50] Yu X T.Multi-source remote sensing estimation of forest biomass based on SAR polarimetric decomposition and TM data［D］.Harbin：Northeast Forestry University，2019.

[51] SANTORO M， CARTUS O， MERMOZ S，et al.The global forest above-ground biomass pool for 2010 estimated from high-resolution satellite observations［J］.Earth System Science Data， 2021，13（7）：3927-3950.

[52] ZHAO P， LU D， WANG G，et al.Forest aboveground biomass estimation in Zhejiang Province using the integration of Landsat TM and ALOS PALSAR data［J］.International Journal of Applied Earth Observation and Geoinformation，2019，78：345-354.

[53] 黄天宝，欧光龙，吴勇，等.基于机器学习算法的森林生物量多源遥感估测［J］.西北林学院学报，2024，39（1）：10-18.

[54] HUANG T B， OU G L， WU Y，et al.Multi-source Remote Sensing Estimation of Forest Biomass Based on Machine Learning Algorithms ［J］. Journal of Northwest Forestry College， 2024， 39（1）： 10-18.

[55] KAMOSKE A G， DAHLIN K M， STARK S C，et al.Leaf area density from airborne LiDAR：Comparing sensors and resolutions in a temperate broadleaf forest ecosystem［J］.Forest Ecology and Management，2019，433：364-375.

基金资助

黑龙江省省属科研经费项目(CZKYF2024-1-B013)

黑龙江省省属科研经费项目(QN2024-07)