SAR森林生物量估算 | SAR Forest Biomass Estimation
Estimates forest above-ground biomass (AGB, t/ha) from the SAR backscatter coefficient σ⁰. Two empirical relationships are implemented:
- Linear model: σ⁰_dB = m·AGB + c, suitable for low-biomass, unsaturated ranges.
- Saturation model: AGB = AGB_sat·(1 − e^(−k·σ⁰_lin)), capturing the physical behavior of SAR backscatter saturating as biomass increases (sensitivity decreases in high-AGB areas).
--calibration accepts a ground-sample CSV (columns sigma0,agb) for coefficient fitting: least squares for the linear model and nonlinear least squares (scipy curve_fit) for the saturation model. Without calibration, built-in default coefficients per band (C / L) are used; the L band has stronger penetration and a higher saturation biomass.
Application Scenarios / 应用场景
- Forest carbon stock estimation and carbon sink monitoring
- Forest resource surveys and biomass mapping
- REDD+ and climate change research
Dependencies / 依赖
pip install 'numpy' 'rasterio' 'scipy' 'scikit-learn'
Usage / 使用方法
Example 1 (synthetic data, offline, L-band saturation model)
python geoskill-sar-forest-biomass.py --bbox 110.0 22.0 111.0 23.0 --band l --synthetic --output-dir ./out
Example 2 (C-band linear model)
python geoskill-sar-forest-biomass.py --bbox 110.0 22.0 111.0 23.0 --band c --model linear --synthetic --output-dir ./out
Example 3 (real σ⁰ imagery + ground-sample calibration)
python geoskill-sar-forest-biomass.py --input sigma0_db.tif --band c --model linear --calibration samples.csv --output-dir ./out
Example 4 (saturation model calibration)
python geoskill-sar-forest-biomass.py --input sigma0_db.tif --band l --model saturation --calibration samples.csv --output-dir ./out
Output / 输出
| File | Format | Description |
|---|---|---|
forest_biomass.tif |
GeoTIFF | Retrieved AGB (t/ha) |
biomass_report.json |
JSON | Model coefficients, statistics, synthetic validation (RMSE/correlation) |
output-manifest.json |
JSON | Run manifest |
Data Source / 数据源 / Source
Local σ⁰ (dB) GeoTIFF plus optional calibration CSV, or a simulated scene generated by forward modeling of an AGB field via --synthetic.
Privacy / 隐私声明 / Privacy
- Runs offline by default;
--syntheticmode is fully network-free. - All processing is done locally; no user data is uploaded.
License / License
MIT
name: geoskill-sar-forest-biomass description: 'SAR 森林生物量估算：由后向散射 σ⁰ 用线性/饱和经验模型反演森林地上生物量 AGB (t/ha)，支持 C/L 波段与地面样本标定'
SAR森林生物量估算 | SAR Forest Biomass Estimation
从 SAR 后向散射系数 σ⁰ 估算森林地上生物量 AGB（above-ground biomass, t/ha）。 实现两类经验关系：
- 线性模型：σ⁰_dB = m·AGB + c，适用于低生物量、未饱和区间。
- 饱和模型：AGB = AGB_sat·(1 − e^(−k·σ⁰_lin))，刻画 SAR 后向散射随生物量 增加趋于饱和的物理特征（高 AGB 区敏感度下降）。
支持 --calibration 提供地面样本 CSV（列 sigma0,agb）做系数拟合：线性用最小
二乘，饱和用非线性最小二乘（scipy curve_fit）。无标定时使用按波段（C / L）内置的
默认系数，L 波段穿透性强、饱和生物量更高。
应用场景
- 森林碳储量估算、碳汇监测
- 森林资源调查与生物量制图
- REDD+ 与气候变化研究
依赖
pip install 'numpy' 'rasterio' 'scipy' 'scikit-learn'
使用方法
示例 1（合成数据，离线，L 波段饱和模型）
python geoskill-sar-forest-biomass.py --bbox 110.0 22.0 111.0 23.0 --band l --synthetic --output-dir ./out
示例 2（C 波段线性模型）
python geoskill-sar-forest-biomass.py --bbox 110.0 22.0 111.0 23.0 --band c --model linear --synthetic --output-dir ./out
示例 3（真实 σ⁰ 影像 + 地面样本标定）
python geoskill-sar-forest-biomass.py --input sigma0_db.tif --band c --model linear --calibration samples.csv --output-dir ./out
示例 4（饱和模型标定）
python geoskill-sar-forest-biomass.py --input sigma0_db.tif --band l --model saturation --calibration samples.csv --output-dir ./out
输出
| 文件 | 格式 | 说明 |
|---|---|---|
forest_biomass.tif |
GeoTIFF | 反演 AGB (t/ha) |
biomass_report.json |
JSON | 模型系数、统计、合成验证 (RMSE/相关) |
output-manifest.json |
JSON | 运行清单 |
数据源 / Source
本地 σ⁰ (dB) GeoTIFF + 可选标定 CSV，或 --synthetic AGB 场正演的模拟场景。
隐私声明 / Privacy
- 默认离线运行，
--synthetic模式完全无网络。 - 所有处理在本地完成，不上传用户数据。
License
MIT