基于多源遥感数据的森林生物量定量评价研究

以ALOS PALSAR L波段双极化FBD微波遥感数据及多光谱光学遥感数据AVNIR-2为基础,对数据进行预处理,利用地面云南松林样地坐标,提取HH、HV双极化后向散射系数及极化比值3个因子,结合光学遥感数据提取4个波段值及NDVI、RVI 2个植被指数,作为云南松林生物量估测因子。分别以微波数据、光学数据、微波及光学数据结合的多源遥感数据,建立3个云南松林生物量估测模型。结果表明:所建模型经方差分析均达到显著相关或极显著相关水平;PALSAR L波段双极化后向散射系数,可以反映森林生物量的变化,但反演精度有待进一步提高;AVNIR-2数据模型优于PALSAR L波段双极化数据模型;多源数据模型与光学数据模型的估测精度相近。     

基于机载P波段全极化SAR数据的森林地上生物量估测

【目的】森林生物量的空间精准量化对了解陆地碳储量、碳收支、碳平衡,以及揭示森林碳储量与全球气候变化的影响过程具有重要意义。P波段波长较长,在森林中具有更高的穿透能力,研究机载P波段SAR数据提高森林地上生物量(AGB)估测精度的可行性。【方法】以机载P波段全极化合成孔径雷达(SAR)数据和高精度激光雷达(LiDAR)数据估测的森林AGB抽样点为基础,提取20个极化SAR特征,并分别与森林AGB变化作敏感性响应情况分析。采用多元线性回归模型(MLR)、K近邻方法 (KNN)、支持向量回归(SVR)和随机森林(RF)4种估测方法,探究机载P波段SAR数据的森林AGB估测精度。【结果】在较低森林AGB(均值约45 t·hm^-2)的森林覆盖区中,P波段的同极化后向散射系数、Freeman-Durden和Yamaguchi分解中的表面和二次散射分量对森林AGB变化敏感;此外H-A-ALPHA极化分解的散射角(alpha)、拓展极化参数极化辨别率参数(PDR)也对森林AGB变化敏感。4种方法估测的森林AGB相对误差均约30%,其中MLR估测结果精度最低,估测精度为63.55%...     

不同波长极化SAR数据水云模型森林生物量反演对比分析

【目的】水云模型(WCM)是一种采用SAR数据反演森林地上生物量(AGB)应用较为广泛的半经验模型,探索将不同波长、极化方式、极化信息等引入WCM,以期为提高森林AGB反演精度提供科学依据。【方法】本文以X、C、L、P波段多频极化SAR数据为数据源,首先将各波长各极化后向散射系数用于WCM进行森林AGB反演,对比其反演精度;接着采用极化分解分量构建地体散射比参数,并将其引入WCM发展为极化水云模型(PolWCM),同时对比分析其在X、C、L、P波段森林AGB的反演结果。【结果】(1)在X、C、L、P 4个波段中,除X波段外,将HV极化后向散射系数代入WCM进行森林AGB反演,精度均高于基于其他极化通道后向散射系数的反演结果;且长波长(L和P)的反演精度高于短波长(X和C)的反演精度。在L波段,将HV极化后向散射系数代入WCM进行森林AGB反演,R²和RMSE分别为0.46和18.00 t/hm²;P波段HV极化反演结果的R²和RMSE分别为0.43和21.18 t/hm²。(2)将极化信息以地体散射...     

基于林分结构响应的PALSAR森林结构参数估测

为提高ALOS PALSAR数据估测森林结构参数的精度,引入代表林分结构复杂程度的调整熵值(ENTadj)参与估测,以消除林分结构对雷达后向散射系数的干扰。首先利用野外样地实测的树高计算林分的调整熵值,与Landsat8 OLI第6波段建立线性回归模型,获得基于像元的调整熵值。一般森林结构参数与ALOS PALSAR后向散射系数之间的关系可以用对数模型模拟。引入基于像元的调整熵值作为自变量对原始对数模型进行改进,分别对林分平均高、林分平均胸径、林分蓄积量建立了3种形式的改进模型。利用原始模型和改进模型分别对杉木林、马尾松林、阔叶林和针阔混交林的上述森林结构参数进行估测。最后比较模型拟合精度筛选出3项森林结构参数在各类森林中的最优模型,共计12个。结果表明:考虑林分结构干扰后,雷达估测森林结构参数模型的拟合精度R2均得到了提高。马尾松林各项森林结构参数模型的拟合度提高最大。精度检验结果表明:林分平均高估测精度(RMSE为0.74~2.51 m)、林分平均胸径估测精度(RMSE为2.61~5.61 cm)和林分蓄积量估测精度(RMSE为21.71~30.92 m3/hm2)都比较理想。本研究探讨了林分结构信息应用于合成孔径雷达后向散射系数反演森林结构参数方面的潜力,提高了光学数据结合雷达数据估算森林结构参数的能力。      

基于Sentinel-1A数据的冬小麦种植面积提取

【目的】 利用2018—2019年冬小麦生长季的雷达数据对河南省驻马店市上蔡县、正阳县、平舆县、汝南县的冬小麦种植面积进行提取，为雷达数据在冬小麦种植面积提取研究提供参考。【方法】 文章在对冬小麦生长关键物候期多时相Sentinel-1A SAR（Synthetic Aperture Radar，合成孔径雷达）数据中VV极化和VH极化影像的后向散射系数进行分析的基础上，利用最大似然法开展了河南省驻马店市上蔡县、正阳县、平舆县、汝南县4个“产粮大县”的冬小麦种植面积提取研究，并通过统计年鉴数据对VV极化和VH极化的冬小麦提取结果进行了初步评价。利用2018年12月22日，2019年3月28日和2019年4月21日的SAR时间序列影像数据进行冬小麦分类提取。【结果】 从整个研究区来看VV极化方式的提取结果为4 461.14 km²，VH极化的结果为4 277.22 km²，与统计数据相比，VV极化的误差为13.17%，VH极化的误差为8.51%，VV极化的提取误差要大于VH极化的提取误差。各个县的结果显示，VH极化的提取误差均小于VV极化的结果，误差最小的为利用VH极化提取的正阳县的结果，误差仅为1.85%，误差最大的为利用VV极化提取的平舆县的结果，误差为19.72%。【结论】 基于冬小麦生长关键物候期多时相Sentinel-1A的后向散射系数，能够实现较高精度的冬小麦种植面积提取。     

基于SAR极化分解与Landsat数据的森林生物量遥感估测

目的森林生物量是评价森林生态系统结构、功能和生产力的重要指标之一,区域尺度上的森林生物量的准确估测对了解森林现状和科学经营森林具有重要指导意义。本文旨在利用SAR影像结合Landsat5 TM影像对区域尺度上的森林生物量进行定量估测。方法首先利用极化分解的方法对极化合成孔径雷达(SAR)数据进行处理获得45个极化分解参数,然后将45个极化分解参数与6个Landsat5 TM波段参数共51个参数作为自变量,森林生物量W作为因变量构建统计回归模型,最后利用最优模型反演研究区的森林生物量。结果使用两种方法进行模型构建:(1)逐步回归法,利用逐步回归进行变量筛选,选出2个参数构建模型,模型R2为0.534,拟合精度为67.51%,RMSE为43.21 t/hm2;(2)最优子集法,用Bootstrap法进行变量筛选,共筛选出9个参数,然后用这9个参数进行最优子集回归,获得511个选模型,然后选择出最优子集模型,并用交叉验证法对模型进行验证,最终选出的最优子集模型包含的参数为TM_band4、Neumann_delta_mod、Neumann_psi、TSVM_psi、TSVM_tau_m3,模型R2为0.768 2,拟合精度为88.32%,拟合RMSE为14.98 t/hm2,验证精度为86.21%,验证RMSE为19.14 t/hm2,CP指数为5.249 5,赤池信息量AIC为256.504 5。本文最终使用最优子集法获得的模型进行反演,获得研究区的森林生物量分布图。结论结果表明:全极化C波段SAR数据结合Landsat5 TM光学数据构建遥感信息模型可以准确反演森林生物量。      

基于多时相合成孔径雷达数据的水稻种植面积监测

与光学遥感相比,合成孔径雷达(SAR)遥感能够不受云雨天气影响,为大范围作物种植信息的精准监测提供新手段。本研究以天津市小站稻为例,基于2018-2021年的多时相Sentinel-1A SAR影像,提出了结合小站稻生长特征相似性分析与随机森林分类的水稻种植分布和面积监测方法。首先提取VV和VH极化方式下不同地物的后向散射系数时间序列特征曲线,并利用HANTS滤波来消除噪声影响。然后根据野外调查数据获取小站稻参考生长曲线,构建小站稻相似性指数,筛选出小站稻可能种植区域。最后采用随机森林分类模型提取小站稻种植面积。结果表明,基于多时相Sentinel-1A SAR影像相似性分析及随机森林分类能够获得较高精度的水稻种植面积,VV和VH两种极化方式下提取的水稻种植面积与统计年鉴结果的平均相对误差分别为2.67%和3.80%,总体分类精度分别达到95.52%和93.40%,Kappa系数分别为0.94和0.93;与不引入相似性指数进行分类相比,VV和VH极化方式下引入相似性指数后总体分类精度分别提高4.35个百分点和3.13个百分点,Kappa系数分别提高0.04和0.03,水稻的制图精度分别...     

基于全极化Radarsat-2数据的水稻生物量估算模型

依据苏州东桥试验区水稻生长期观测数据,采用多时相水稻拔节到抽穗期全极化Radarsat-2数据,分别分析了不同极化HH、VV、CROSS、比值HH/VV的雷达后向散射系数时域变化特征与生物量的相关关系,构建水云模型、二次多项式模型和指数模型反演水稻生物量。反演结果表明:HH、CROSS水云模型都有不错的反演效果,相关系数分别为0.910、0.902,而HH水云模型反演生物量尤佳,均方根误差为0.190。指数模型普遍优于二次多项式模型,HH/VV指数模型效果出众,相关系数为0.929,均方根误差为0.164。通过比较分析不同极化的水云模型、二次多项式模型和指数模型,HH水云模型与HH/VV指数模型反演水稻生物量精度相对较高。     

基于Rapideye影像的林木地上生物量估测

以石台县为研究地,结合Rapideye高分遥感影像和不同森林类型样地林木地上生物量调查数据,采用Pearson双变量相关分析方法筛选模型变量,分别用多元线性回归和随机森林算法建立不同森林类型的遥感地上生物量估测模型,并进行模型估测精度对比分析。结果表明,叶绿素红边模型(CRM)与叶绿素绿波模型(CGM)2个指数与针叶林、阔叶林生物量在0.01水平上的相关性极显著,且在其多元线性回归模型和随机森林模型中两者均被挑选为建模变量。另外,与生物量相关性较强的纹理特征主要集中的红光波段和红边波段,且仅MEAN、VAR、SM3个滤波对生物量估测贡献较大,可作为建模变量。阔叶林、针叶林和针阔混交林3种森林类型的地上生物量模型估测精度均表现为随机森林模型优于多元线性回归模型。随机森林模型生物估测绝对均方误差在12.8760~36.5363之间,相对均方误差在20.20%~45.95%之间;多元线性回归生物量估测绝对均方误差在22.0425~46.4494之间,相对均方误差在34.58%~58.42%之间。     

合成孔径雷达水稻识别和监测研究进展

合成孔径雷达（SAR）具有全天时、全天候、高分辨率、大幅面监测地物的特征,利用SAR在阴雨天气多、云量大的水稻种植地区开展水稻识别、监测和估产具有光学遥感无可比拟的优势。目前基于雷达对水稻进行识别和监测的研究多用ERS/SAR、RADARSAT/SAR、ENVISATASAR等,其多是以民用或军民两用为主的星载合成孔径雷达。在用SAR数据监测水稻时,其后向散射系数来自4个方面：①入射波直接被水稻散射回去,即直接散射项（D-BS）;②入射波经水稻层的散射到达水面后,经水面反射到水稻层,经水稻层衰减回到雷达（SRE）;③入射波经水稻层衰减到达水面,经水面反射回到水稻层,经水稻层散射回去（ERS）;④入射波经水稻层衰减到达水面,经水面反射到水稻层,经水稻层的散射改变方向下行,再次经水面反射到水稻层,并经水稻层的衰减后回到雷达（W-R-W）。其中,后向散射系数的主要来源是SRE项和ERS项。SAR数据后向散射系数不仅要受到水稻物候期、植株高度、生物量、含水量等的影响,也受到自身入射角、波段、极化方式等的影响。一般地,水稻后向散射系数总体上是先随水稻生长增大,然后略有下降;水稻生长早期,后向散射系数随入射角波动的幅度较小,在水稻生长后期,后向散射系数随入射角波动的幅度变大,波动起伏次数增加;L波段和C波段的后向散射系数表现基本类同,但值要小很多,X波段则与L、C波段的表现相差较大。已有研究中大部分采用同极极化方式的后向散射系数作为研究对象。VV极化的后向散射系数变化比较平滑,HH极化的后向散射系数变化比较复杂。随着雷达卫星技术的发展,多极化、多模式、特殊波段将更能突出星载SAR的优势,拓宽SAR的应用范围,为进一步分析、识别和检测目标提供更有力的工具。     

基于Sentinel-1/2数据的中国南方单双季稻识别结果一致性分析

【目的】微波遥感因具有全天时、全天候数据获取的特点,在多云雨的中国南方水稻识别研究中表现出巨大潜力。本研究通过对比Sentinel-1SAR遥感数据和Sentinel-2光学遥感数据用于水稻遥感制图的效果,分析光学和SAR遥感数据对于单双季稻识别结果的一致性,并探索水稻识别的最优SAR影像特征。【方法】本研究使用Sentinel-1/2卫星数据,基于面向对象的随机森林分类算法和Google Earth Engine平台,提取洞庭湖平原4个典型水稻种植区的单双季稻空间分布。通过比较9种不同传感器和特征组合场景的分类精度和分类结果统计指标,并计算NDVI和SAR特征时序（VH、VV、VH/VV）的R²和DTW距离,分析识别单双季稻的最优SAR特征,评估光学和SAR遥感数据对于单双季稻识别结果的一致性。【结果】VH、VV和VH/VV时序识别单双季的总体精度分别为90.42%、82.08%和88.33%,而联合VH和VH/VV时序识别单双季稻的总体精度可达91.67%。VH（VH/VV、VV）时序与单双季稻NDVI时序的R²和DTW距离分别为0.870（0.915、0.986）、4.715（1.896、5.506）（单季稻）和0.597（0.783、0.673）、2.396（1.839、3.441）（双季稻）。较高的R²和较低的DTW距离说明单双季稻的VH/VV时序与NDVI时序相关度更高,可以较好地反映单双季稻的生长周期规律。同时,VH可以较好地反映单双季稻移栽期的淹水特征。基于光学数据和SAR数据在6个时间窗口的特征（S-2：NDVI、EVI、LSWI;S-1：VH、VH/VV）识别单双季稻的总体精度分别为91.25%和90.00%,识别结果面积相关性可达95.70%。【结论】SAR遥感数据与光学遥感数据水稻识别结果一致性较高。应用Sentinel-1在多云雨区识别单双季稻具有巨大潜力,VH和VH/VV后向散射系数时序是识别水稻的优质特征。研究结果为多云多雨区使用SAR数据进行特征优选以高精度识别单双季稻提供了重要技术支撑。     

联合光学和合成孔径雷达数据的太平湖森林地上生物量反演研究

光学和合成孔径雷达（SAR）多源传感器数据融合对提高森林地上生物量（AGB）提取精度具有重要意义。以太平湖森林为研究对象,以Sentinel-1 SAR数据和Sentinel-2光学数据为数据源,利用随机森林回归算法系统性地评估光学和SAR数据对AGB反演的互补优势和策略选择。采用Sentinel-2光学数据的AGB反演精度（R²=0.63,RMSE=37.05 mg/hm²,sMAPE=0.56）优于采用Sentinel-1 SAR数据的AGB反演精度（R²=0.37,RMSE=52.25 mg/hm²,sMAPE=0.65）,联合两者数据的AGB估算精度最高（R²=0.69,RMSE=34.17 mg/hm²,sMAPE=0.55）;基于不同策略构建的AGB估计模型当中,植被指数（RVI、NDVI和红边相关的NDVIre）和纹理变量（NDVIre_Mea）的重要性高于光谱波段和后向散射系数。联合Sentinel-1和Sentinel-2数据的光谱波段、植被指数、纹理信息和后向散射系数,能够有效的缓和遥感信息饱和性问题和提高AGB反演精度。     

基于多极化机载合成孔径雷达(SAR)数据的水稻识别

基于多极化(HH/HV/VH/VV)机载合成孔径雷达(SAR)数据,分析水稻和典型地物在不同极化方式上的响应特征及其差异,并根据水稻的极化响应特征进行识别.结果表明:水稻在不同极化方式上的响应差异比较大,而且水稻在水平极化(HH)和垂直极化(VV)上的差异明显高于其他地物;基于这一特点,利用水平极化和垂直极化的比值〈HH〉/〈VV〉提取水稻信息,取得了较好的效果,水稻识别精度可以达到90%以上;对增强水稻信息的图像进行自动分类,分类结果表明不同生长期的水稻能够得到一定程度的区分.     

参数优选支持的光学与SAR数据森林地上生物量反演研究

  目的  森林是整个陆地碳循环系统中最大的有机碳贮库,准确地估测森林地上生物量影响着全球碳源与碳储量的分析与评价。本文旨在评价利用Landsat8 OLI、高分一号光学数据、ALOS-1 PALSAR-1SAR 3组不同源遥感数据估测森林AGB的潜力,进而剖析光学数据和SAR数据在估测森林AGB方面的差异。  方法  首先对Landsat8 OLI、高分一号光学数据、ALOS-1 PALSAR-1SAR数据分别提取波段比值、植被指数、纹理信息,对ALOS-1 PALSAR-1SAR数据同时提取极化分解信息;然后,利用随机森林算法对不同数据提取的特征参数进行重要性排序,选择排序靠前的特征进行建模;最后,利用KNN-FIFS算法分析不同特征组合,对4组数据建立4个模型估测森林AGB,并使用留一交叉验证法对4个模型估测森林AGB值进行精度评价。  结果  使用植被因子、波段比值、纹理因子、极化分解信息4种特征参数分别对3组数据进行建模估测森林AGB,基于Landsat8 OLI数据反演森林AGB的精度评价结果为R2 = 0.50,RMSE = 33.34 t/hm2;基于高分一号数据估测精度为R2 = 0.36,RMSE = 37.60 t/hm2;基于PALSAR纹理特征估测精度为R2 = 0.45,RMSE = 35.40 t/hm2;基于PALSAR全极化分解信息估测精度为R2 = 0.63,RMSE = 28.84 t/hm2。  结论  参数提取方法相同时,即基于植被因子、波段比值、纹理信息3种特征参数估测森林AGB,其光学数据和SAR数据的反演潜力基本一致;参数提取方法不同时,即SAR数据加入极化分解信息估测森林AGB,与光学数据相比,SAR数据对森林AGB的反演潜力较好。      

Sentinel-2A多特征变量反演针叶林地上生物量能力评估

  目的  森林生物量是衡量森林碳储量的关键因子,准确估算生物量对掌握森林现状和森林资源合理利用具有重要意义。欧空局发射Sentinel-2A数据因其丰富的光谱信息和较高的空间分辨率为生物量的反演和监测提供了新的机会。本文旨在评估基于Sentinel-2A的各类特征变量反演针叶林地上生物量的能力以及完成区域尺度的针叶林地上生物量定量估测。  方法  试验以内蒙古赤峰市喀喇沁旗旺业甸林场针叶林为研究对象,以Sentinel-2A为主要数据源,提取了10个波段反射率、20个植被指数和5个生物物理参数共3种类型变量,分别建立基于光谱反射率、植被指数、生物物理参数,以及融合3类变量的多元逐步回归生物量估算模型,同时每组均加入高程因子分析地形对估算精度的影响。  结果  （1）基于多种类型参数建立的模型估算效果最好,模型决定系数达到0.765,均方根误差为39.49 t/hm2;（2）在3组单类型变量模型中,基于植被指数的预测结果最好,说明相比于波段反射率和生物物理参数,植被指数对针叶林地上生物量的估算贡献更大;（3）无论基于何种类型参数建模,高程信息的加入都会提高针叶林地上生物量的估算精度。  结论  基于Sentinel-2A植被指数与地形特征的针叶林地上生物量反演模型较好,可用于区域生物量估算。该研究对区域性森林资源监测的实际应用具有指导意义。      

降雨影响下的水稻长势极化特征提取

  目的  直接利用合成孔径雷达(SAR)后向散射系数监测水稻Oryza sativa等南方作物长势的方法易受降雨影响，在时序曲线上易产生大幅波动。研究降低这一影响的方法，以期获得更准确反映水稻长势规律的结果。  方法  以广西省桂平市水稻栽植区为研究对象，采用2018年3?11月共23期Sentinel-1双极化SAR数据，以及同期降雨数据，分析水稻长势在降雨影响下的同向极化(VV)和交叉极化(VH)后向散射系数时序特征，在此基础上提出基于VV和VH后向散射系数组合的改进方法——归一化差分后向散射指数(NDBI)，并结合光学卫星影像数据对结果加以验证。  结果  NDBI时序曲线的平均曲率为0.86，低于VV和VH时序曲线的平均曲率(分别为2.90和2.31)，表明NDBI时序曲线的变化趋势更为平稳，受降雨不规则波动的影响更小。早、晚2季水稻的NDBI时序曲线具有相似的变化趋势，能够更准确地反映水稻幼苗期、分蘖拔节期、长穗期和结实期各阶段的极化特征，即幼苗期主要以二次反射为主，而从分蘖拔节时期开始到长穗期再到结实期直至收割，体反射和漫反射不断增强，二次散射逐渐减小。  结论  利用NDBI方法降低了降雨对极化特征时序曲线扰动的影响，获得更准确的水稻长势规律。图4表1参16     

作物生长模型同化SAR数据模拟作物生物量时域变化特征(英文)

生物量是监测作物长势的一个重要指标,可以反映作物的生长状况,和作物产量有密切关系。遥感获取生物量的方法之一是通过基于矢量辐射传输方程的微波冠层散射模型反演,但多数模型反演方法并未考虑作物生物量在不同阶段的变化特征。运用数据同化方法,将 SAR 数据提取的生物量信息和作物生长模型结合,描述作物生物量与时间变化的关系,提高生物量估测精度。通过分析生物量和 SAR 数据提取的后向散射系数的时域变化关系建立反演模型估算生物量。在构建代价函数的基础上,采用共轭梯度法对生长模型参数进行优化,使模型估算的生物量和SAR 数据反演的生物量差值最小。结果表明,引入 SAR 数据修正后的作物生长模型模拟生物量和实测值的时间分布基本吻合,且比未引入 SAR数据的结果精度有明显提高。因此采用 SAR 数据提取的作物实时生长信息可以修正作物生长模型关键参数以提高模拟生物量的精度。     

利用ALOS PALSAR双极化数据估测山区森林蓄积量模型

合成孔径雷达（SAR）技术以其独特的成像机制及其全天候、全天时成像能力,在森林生物量估测方面发挥着越来越重要的作用。利用野外实测数据分析了ALOSPALSAR双极化数据后向散射系数（σoHH,σ0HV,σHV/HH）与云南山区松林蓄积量的关系,并分别构建简单线性、自然指数和加入地理因子的多元回归模型。研究结果表明：极化比值（σ0Hv/HH）与蓄积量的相关系数（r=-0．407）比任何单极化（σoHH和σ0HV分别为0．204和－0．242）都要高,加入地理因子的多元回归模型在森林蓄积量估算中有较好的精度。图3表2参12     

联合GF-1和GF-3影像的森林地上生物量反演

  目的  探索高分（GF）光学、合成孔径雷达（SAR）数据及其联合数据在森林地上生物量（AGB）及其组成部分反演中的可行性。  方法  以云南省昆明市宜良县小哨林区的云南松为研究对象，结合实地调查数据，以GF-1光学数据和GF-3 SAR数据作为数据源，提取光学数据常用的植被指数和纹理特征，SAR数据的各极化后向散射系数、纹理特征以及极化分解等参数，利用KNN-FIFS方法分别进行森林AGB及其分量的反演；然后采用留一交叉验证法对反演结果进行精度评价，并在此基础上绘制森林AGB及其分量空间分布图。  结果  联合GF-1和GF-3数据反演森林AGB及其分量的精度最高，R2均超过了0.710，RMSEr的值在22% ~ 27%之间，其中树叶的反演精度最优，模型的R2为0.714，RMSE为10.270 t/hm2，RMSEr为24.58%；除树叶生物量外，森林AGB和其他分量仅采用GF-1提取的特征进行反演时，精度均优于采用GF-3特征的反演结果。  结论  联合GF-1光学数据和GF-3全极化SAR可以实现一定程度的互补，提高森林AGB及其分量的反演精度，此外KNN-FIFS方法在低生物量水平的云南松纯林的AGB及其分量的反演中具有一定的鲁棒性，且KNN-FIFS优选的重要参数多为SAR和光学的纹理特征。