Abstract Much attention is paid to the estimation of forest biomass-related variables (stem volume and above-ground biomass) with synthetic aperture radar (SAR) backscatter images because of the increasing number of sensors in space providing global and repeated coverage and the sensitivity of the backscattered intensity to forest properties. One of the most popular models used to estimate a biomass-related variable from SAR backscatter observations is the Water Cloud Model (WCM) because of its simplicity allowing for a straightforward retrieval. Nonetheless, a common feature of these estimates is the tendency to over- or underestimate specific ranges due to simplifying assumptions in the model. In this study, the WCM has been revisited by exploring pathways for a physically-based, Light Detection and Ranging (LiDAR)-aided, model parameterization at larger scale with the overall aim to reduce systematic retrieval errors associated with empirical assumptions in the model. The study was undertaken in Sweden where repeated observations of backscatter by the Advanced Land Observing Satellite (ALOS) Phased Array-type L-band Synthetic Aperture Radar (PALSAR) were available. The integration was prototyped in Sweden thanks to detailed allometries relating forest variables in the WCM. These were derived from spatially dense estimates of canopy density and vegetation height from observations by the Ice, Cloud and land Elevation Satellite (ICESat) Geoscience Laser Altimeter System (GLAS) and measurements of height and stem volume from the Swedish National Forest Inventory (NFI). The SAR backscatter predicted by the revisited WCM was in strong agreement with the observations. When evaluated against stem volumes estimated from the NFI data, the SAR-based stem volumes presented strong dispersion at the pixel level. Average stem volume at the level of five or more pixels, i.e., for an area larger than 0.3 ha, were instead unbiased and similar to the average values obtained from the NFI data (relative root mean square error: 21.4%, estimation bias: 0.9 m3/ha and coefficient of determination: 0.67). This study demonstrates that the integration of allometries in the WCM effectively reduces estimation errors. The method here prototyped in Sweden qualifies to provide large-scale estimates of biomass-related variables using multiple observations of L-band backscatter with potential application worldwide.

中文翻译：

---

将异速生长方程整合到水云模型中，以改进瑞典 L 波段 SAR 数据对森林干体积的反演

摘要 由于空间中提供全球和重复覆盖的传感器数量的增加以及对森林生物量相关变量（茎体积和地上生物量）的估计，合成孔径雷达 (SAR) 反向散射图像受到了广泛关注。森林属性的后向散射强度。用于从 SAR 反向散射观测估计生物量相关变量的最流行模型之一是水云模型 (WCM)，因为它的简单性允许直接检索。尽管如此，这些估计的一个共同特征是由于简化了模型中的假设而倾向于高估或低估特定范围。在这项研究中，通过探索基于物理的光探测和测距 (LiDAR) 辅助的途径，重新审视了 WCM，更大规模的模型参数化，总体目标是减少与模型中的经验假设相关的系统检索错误。这项研究是在瑞典进行的，那里可以使用先进陆地观测卫星 (ALOS) 相控阵型 L 波段合成孔径雷达 (PALSAR) 对反向散射进行重复观测。由于 WCM 中与森林变量相关的详细异变测量，该集成在瑞典进行了原型设计。这些数据是根据冰、云和陆地高程卫星 (ICESat) 地球科学激光高度计系统 (GLAS) 的观测对冠层密度和植被高度的空间密集估计以及瑞典国家森林清单 (NFI) 的高度和茎体积测量得出的. 重新审视的 WCM 预测的 SAR 反向散射与观测结果非常一致。当根据 NFI 数据估计的茎体积进行评估时，基于 SAR 的茎体积在像素级别呈现出强烈的分散性。五个或更多像素水平的平均茎体积，即对于大于 0.3 公顷的区域，反而是无偏的并且与从 NFI 数据获得的平均值相似（相对均方根误差：21.4%，估计偏差：0.9 m3/ha 和决定系数：0.67)。该研究表明，在 WCM 中集成异变可有效减少估计误差。此处在瑞典原型化的方法有资格使用 L 波段反向散射的多次观测来提供生物量相关变量的大规模估计，并在全球范围内具有潜在应用。基于 SAR 的茎体积在像素级别呈现出强烈的分散性。五个或更多像素水平的平均茎体积，即对于大于 0.3 公顷的区域，反而是无偏的并且与从 NFI 数据获得的平均值相似（相对均方根误差：21.4%，估计偏差：0.9 m3/ha 和决定系数：0.67)。该研究表明，在 WCM 中集成异变可有效减少估计误差。此处在瑞典原型化的方法有资格使用 L 波段反向散射的多次观测来提供生物量相关变量的大规模估计，并在全球范围内具有潜在应用。基于 SAR 的茎体积在像素级别呈现出强烈的分散性。五个或更多像素水平的平均茎体积，即对于大于 0.3 公顷的区域，反而是无偏的并且与从 NFI 数据获得的平均值相似（相对均方根误差：21.4%，估计偏差：0.9 m3/ha 和决定系数：0.67)。该研究表明，在 WCM 中集成异变可有效减少估计误差。此处在瑞典原型化的方法有资格使用 L 波段反向散射的多次观测来提供生物量相关变量的大规模估计，并在全球范围内具有潜在应用。取而代之的是无偏的，类似于从 NFI 数据获得的平均值（相对均方根误差：21.4%，估计偏差：0.9 立方米/公顷，决定系数：0.67）。该研究表明，在 WCM 中集成异变可有效减少估计误差。此处在瑞典原型化的方法有资格使用 L 波段反向散射的多次观测来提供生物量相关变量的大规模估计，并在全球范围内具有潜在应用。取而代之的是无偏的，类似于从 NFI 数据获得的平均值（相对均方根误差：21.4%，估计偏差：0.9 立方米/公顷，决定系数：0.67）。该研究表明，在 WCM 中集成异变可有效减少估计误差。此处在瑞典原型化的方法有资格使用 L 波段反向散射的多次观测来提供生物量相关变量的大规模估计，并在全球范围内具有潜在应用。