基于LiDAR数据的平均树高反演关键技术研究
星载激光雷达GEDI_数据林下地形反演性能验证
第４７卷㊀第２期２０２３年３月南京林业大学学报（自然科学版）ＪｏｕｒｎａｌｏｆＮａｎｊｉｎｇＦｏｒｅｓｔｒｙＵｎｉｖｅｒｓｉｔｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅｓＥｄｉｔｉｏｎ）Ｖｏｌ．４７，Ｎｏ．２Ｍａｒ．，２０２３㊀收稿日期Ｒｅｃｅｉｖｅｄ：２０２２⁃０１⁃２６㊀㊀㊀㊀修回日期Ａｃｃｅｐｔｅｄ：２０２２⁃０４⁃０７㊀基金项目：国家自然科学基金面上项目（３１８７０６２１，３１９７１５８０）；中央高校基本科研业务费专项资金项目（２５７２０２１ＢＡ０８）㊂㊀第一作者：董瀚元（２４０６８５４８９８＠ｑｑ．ｃｏｍ）㊂∗通信作者：于颖（ｙｕｙｉｎｇ４４５８＠１６３．ｃｏｍ），教授㊂㊀引文格式：董瀚元，于颖，范文义．星载激光雷达ＧＥＤＩ数据林下地形反演性能验证［Ｊ］．南京林业大学学报（自然科学版），２０２３，４７（２）：１４１－１４９．ＤＯＮＧＨＹ，ＹＵＹ，ＦＡＮＷＹ．ＶｅｒｉｆｉｃａｔｉｏｎｏｆｐｅｒｆｏｒｍａｎｃｅｏｆｕｎｄｅｒｓｔｏｒｙｔｅｒｒａｉｎｉｎｖｅｒｓｉｏｎｆｒｏｍｓｐａｃｅｂｏｒｎｅｌｉｄａｒＧＥＤＩｄａｔａ［Ｊ］．ＪｏｕｒｎａｌｏｆＮａｎｊｉｎｇＦｏｒｅｓｔｒｙＵｎｉｖｅｒｓｉｔｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅｓＥｄｉｔｉｏｎ），２０２３，４７（２）：１４１－１４９．ＤＯＩ：１０．１２３０２／ｊ．ｉｓｓｎ．１０００－２００６．２０２２０１０４１．星载激光雷达ＧＥＤＩ数据林下地形反演性能验证董瀚元，于㊀颖∗，范文义（森林生态系统可持续经营教育部重点实验室，东北林业大学林学院，黑龙江㊀哈尔滨㊀１５００４０）摘要：ʌ目的ɔ新一代天基测高系统全球生态系统动力学调查（ＧＥＤＩ）对森林观测及经营具有重要意义，为探究ＧＥＤＩＶ２（ＧＥＤＩ第２版）数据反演林下地形的性能，利用机载雷达数据验证林下地形反演精度，并探究反演精度的影响因素㊂ʌ方法ɔ分别以美国西波拉森林与中国帽儿山森林为研究对象，利用Ｇ⁃ｌｉｈｔ及帽儿山高精度机载雷达数据验证ＧＥＤＩＶ２数据在针叶林及针阔叶混交林下反演地形的性能，并分析不同光束强度㊁光斑时间㊁坡度及植被覆盖度对地形反演精度的影响㊂ʌ结果ɔ美国西波拉针叶林地区地形反演精度均方根误差（ＲＭＳＥ）为２ ３３ｍ，平均绝对误差（ＭＡＥ）为１ ４８ｍ；帽儿山针阔叶混交林地区地形反演精度ＲＭＳＥ为４ ４９ｍ，ＭＡＥ为３ ３３ｍ㊂随着坡度㊁植被覆盖度增大，两种森林类型地形反演精度均降低㊂ʌ结论ɔＧＥＤＩＶ２数据反演针叶林林下地形精度要优于针阔叶混交林，强光束优于覆盖光束，湿润地区白天效果更优，干旱地区黑夜效果更优；平缓地区数据使用效果极好，陡峭地区精度降低；中低植被覆盖度区域地形反演精度较高，高植被覆盖区域地形测定性能有所下降㊂关键词：星载激光雷达；全球生态系统动力学调查（ＧＥＤＩ）；林下地形；反演精度；坡度；植被覆盖度中图分类号：Ｓ７７１．８㊀㊀㊀㊀㊀㊀文献标志码：Ａ开放科学（资源服务）标识码（ＯＳＩＤ）：文章编号：１０００－２００６（２０２３）０２－０１４１－０９ＶｅｒｉｆｉｃａｔｉｏｎｏｆｐｅｒｆｏｒｍａｎｃｅｏｆｕｎｄｅｒｓｔｏｒｙｔｅｒｒａｉｎｉｎｖｅｒｓｉｏｎｆｒｏｍｓｐａｃｅｂｏｒｎｅｌｉｄａｒＧＥＤＩｄａｔａＤＯＮＧＨａｎｙｕａｎ，ＹＵＹｉｎｇ∗，ＦＡＮＷｅｎｙｉ（ＫｅｙＬａｂｏｒａｔｏｒｙｏｆＳｕｓｔａｉｎａｂｌｅＦｏｒｅｓｔＥｃｏｓｙｓｔｅｍＭａｎａｇｅｍｅｎｔ，ＭｉｎｉｓｔｒｙｏｆＥｄｕｃａｔｉｏｎ，ＣｏｌｌｅｇｅｏｆＦｏｒｅｓｔｒｙ，ＮｏｒｔｈｅａｓｔＦｏｒｅｓｔｒｙＵｎｉｖｅｒｓｉｔｙ，Ｈａｒｂｉｎ１５００４０，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：ʌＯｂｊｅｃｔｉｖｅɔＴｈｅｎｅｗｇｅｎｅｒａｔｉｏｎｏｆｔｈｅｓｐａｃｅ⁃ｂａｓｅｄａｌｔｉｍｅｔｒｙｇｌｏｂａｌｅｃｏｓｙｓｔｅｍｄｙｎａｍｉｃｓｉｎｖｅｓｔｉｇａｔｉｏｎ（ＧＥＤＩ）ｓｙｓｔｅｍｉｓｏｆｇｒｅａｔｓｉｇｎｉｆｉｃａｎｃｅｔｏｆｏｒｅｓｔｏｂｓｅｒｖａｔｉｏｎａｎｄｍａｎａｇｅｍｅｎｔ．ＩｎｏｒｄｅｒｔｏｅｘｐｌｏｒｅｔｈｅｐｅｒｆｏｒｍａｎｃｅｏｆＧＥＤＩｖｅｒｓｉｏｎ２ｄａｔａ（Ｖ２ｄａｔａ）ｉｎｖｅｒｓｉｏｎｏｆｕｎｄｅｒｓｔｏｒｙｔｏｐｏｇｒａｐｈｙ，ｔｈｉｓｓｔｕｄｙｕｓｅｓａｉｒｂｏｒｎｅｒａｄａｒｄａｔａｔｏｖｅｒｉｆｙｔｈｅａｃｃｕｒａｃｙｏｆｕｎｄｅｒｓｔｏｒｙｔｏｐｏｇｒａｐｈｙｉｎｖｅｒｓｉｏｎ，ａｎｄｅｘｐｌｏｒｅｓｔｈｅｆａｃｔｏｒｓａｆｆｅｃｔｉｎｇｔｈｅａｃｃｕｒａｃｙ．ʌＭｅｔｈｏｄɔＴａｋｉｎｇｔｈｅＣｉｂｏｌａｆｏｒｅｓｔｉｎｔｈｅＵｎｉｔｅｄＳｔａｔｅｓａｎｄｔｈｅＭａｏｅｒＭｏｕｎｔａｉｎｆｏｒｅｓｔｉｎＣｈｉｎａａｓｔｈｅｒｅｓｅａｒｃｈｏｂｊｅｃｔｓ，ｔｈｅｐｅｒｆｏｒｍａｎｃｅｓｏｆＧＥＤＩＶ２ｄａｔａｉｎｃｏｎｉｆｅｒｏｕｓｆｏｒｅｓｔｓａｎｄｍｉｘｅｄｃｏｎｉｆｅｒｏｕｓａｎｄｂｒｏａｄ⁃ｌｅａｖｅｄｆｏｒｅｓｔｓｗｅｒｅｖｅｒｉｆｉｅｄｕｓｉｎｇＧ⁃ｌｉｈｔａｎｄＭａｏｅｒＭｏｕｎｔａｉｎｈｉｇｈ⁃ｐｒｅｃｉｓｉｏｎａｉｒｂｏｒｎｅｒａｄａｒｄａｔａ．Ｔｈｅｅｆｆｅｃｔｓｏｆｄｉｆｆｅｒｅｎｔｂｅａｍｉｎｔｅｎｓｉｔｉｅｓ，ｓｐｏｔｔｉｍｅｓ，ｓｌｏｐｅｓａｎｄｖｅｇｅｔａｔｉｏｎｃｏｖｅｒａｇｅｏｎｔｈｅａｃｃｕｒａｃｙｏｆｔｅｒｒａｉｎｉｎｖｅｒｓｉｏｎｗｅｒｅａｎａｌｙｚｅｄ．ʌＲｅｓｕｌｔɔＴｈｅｒｏｏｔｍｅａｎｓｑｕａｒｅｅｒｒｏｒ（ＲＭＳＥ）ｏｆｔｏｐｏｇｒａｐｈｉｃｉｎｖｅｒｓｉｏｎａｃｃｕｒａｃｙｉｎｔｈｅＣｉｂｏｌａｔａｉｇａａｒｅａｏｆｔｈｅＵｎｉｔｅｄＳｔａｔｅｓｗａｓ２．３３ｍ，ａｎｄｔｈｅａｖｅｒａｇｅａｂｓｏｌｕｔｅｅｒｒｏｒ（ＭＡＥ）ｗａｓ１．４８ｍ．ＴｈｅＲＭＳＥｖａｌｕｅｏｆｔｈｅｔｏｐｏｇｒａｐｈｉｃｉｎｖｅｒｓｉｏｎａｃｃｕｒａｃｙｉｎｔｈｅｃｏｎｉｆｅｒｏｕｓａｎｄｂｒｏａｄ⁃ｌｅａｖｅｄｍｉｘｅｄｆｏｒｅｓｔａｒｅａｏｆＭａｏｅｒＭｏｕｎｔａｉｎｗａｓ４．４９ｍ，ａｎｄｔｈｅＭＡＥｖａｌｕｅｗａｓ３．３３ｍ．Ｗｉｔｈｔｈｅｉｎｃｒｅａｓｅｉｎｓｌｏｐｅａｎｄｖｅｇｅｔａｔｉｏｎｃｏｖｅｒａｇｅ，ｔｈｅｔｏｐｏｇｒａｐｈｉｃｉｎｖｅｒｓｉｏｎａｃｃｕｒａｃｙｏｆｔｈｅｔｗｏｆｏｒｅｓｔｔｙｐｅｓｄｅｃｒｅａｓｅｄ．ʌＣｏｎｃｌｕｓｉｏｎɔＴｈｅＧＥＤＩＶ２ｄａｔａｉｎｖｅｒｓｉｏｎａｃｃｕｒａｃｙｏｆｕｎｄｅｒｓｔｏｒｙｔｏｐｏｇｒａｐｈｙｉｎｃｏｎｉｆｅｒｏｕｓｆｏｒｅｓｔｓｗａｓｈｉｇｈｅｒｔｈａｎｔｈａｔｏｆｍｉｘｅｄｃｏｎｉｆｅｒｏｕｓａｎｄｂｒｏａｄ⁃ｌｅａｖｅｄｆｏｒｅｓｔｓ．Ｓｔｒｏｎｇｂｅａｍｓｗｅｒｅｂｅｔｔｅｒｔｈａｎｃｏｖｅｒａｇｅｂｅａｍｓ，ａｎｄｔｈｅａｃｃｕｒａｃｙｗａｓｈｉｇｈｅｒｄｕｒｉｎｇｔｈｅｄａｙｔｉｍｅｉｎｈｕｍｉｄａｒｅａｓ，ａｎｄｂｅｔｔｅｒａｔｎｉｇｈｔｉｎａｒｉｄａｒｅａｓ．Ｔｈｅａｃｃｕｒａｃｙｏｆｓｔｅｅｐａｒｅａｓｗａｓｒｅｄｕｃｅｄ，ｔｈｅｔｅｒｒａｉｎｉｎｖｅｒｓｉｏｎａｃｃｕｒａｃｙｗａｓｈｉｇｈｅｒｉｎａｒｅａｓｗｉｔｈ南京林业大学学报（自然科学版）第４７卷ｍｅｄｉｕｍａｎｄｌｏｗｖｅｇｅｔａｔｉｏｎｃｏｖｅｒａｇｅ，ａｎｄｔｈｅｐｅｒｆｏｒｍａｎｃｅｓｏｆｔｅｒｒａｉｎｄｅｔｅｒｍｉｎａｔｉｏｎｉｎａｒｅａｓｗｉｔｈｈｉｇｈｖｅｇｅｔａｔｉｏｎｃｏｖｅｒａｇｅｗｅｒｅｄｅｃｒｅａｓｅｄ．Ｋｅｙｗｏｒｄｓ：ｓｐａｃｅｂｏｒｎｅｌｉｄａｒ；ｇｌｏｂａｌｅｃｏｓｙｓｔｅｍｄｙｎａｍｉｃｓｉｎｖｅｓｔｉｇａｔｉｏｎ（ＧＥＤＩ）；ｔｅｒｒａｉｎｕｎｄｅｒｆｏｒｅｓｔ；ｉｎｖｅｒｓｉｏｎａｃｃｕｒａｃｙ；ｓｌｏｐｅ；ｖｅｇｅｔａｔｉｏｎｃｏｖｅｒａｇｅ㊀㊀森林是陆地生态系统中具有最大生物量和生物生产力的生态系统，约占全球陆地面积的２５％［１－２］，高精度的林下地形测量无论在森林经营管理还是大范围高精度数字高程模型（ＤＥＭ）制作以及测绘工作等方面均有重要意义，是森林制图及林业科学等方面的关键组成部分㊂林下地形测量是林学㊁测绘科学㊁地图学等学科重点研究内容，在国家土地资源的管理与调研利用部分也具有举足轻重的地位㊂拥有对地观测能力的星载激光雷达系统可以提供全球范围内基于激光雷达的地面高度以及森林高度度量［３］，且拥有大尺度㊁多时相的特性，为大范围地面观测㊁森林高度观测提供重要的基础数据㊂现有的星载激光雷达地形高度反演研究大多使用上一代卫星数据，ＩＣＥＳａｔ／ＧＬＡＳ已广泛应用于森林冠层高度以及生物量的观测中［４－７］，且在地面高程测量方面也有大量研究［８－１０］㊂２０１８年，美国航空航天局ＮＡＳＡ发射了两项新的天基测高系统，分别是２０１８年９月发射的ＩＣＥＳａｔ⁃２［１１］以及２０１８年１２月发射的全球生态系统动力学调查（ＧＥＤＩ）雷达［１２］㊂ＩＣＥＳａｔ⁃２是以光子计数的方式进行测高的数据，而ＧＥＤＩ则是与ＩＣＥＳａｔ／ＧＬＡＳ相同的线性体制全波形测高数据㊂ＧＥＤＩ搭载了全球首台用于高分辨率森林垂直结构测量的多波束线性体制的激光测高仪，主要用于热带和温带地区的森林冠层高度㊁垂直结构㊁地面高程等的精准测量㊂与ＩＣ⁃ＥＳａｔ／ＧＬＡＳ约７０ｍ的足迹大小相比，ＧＥＤＩ的光斑大小为２５ｍ左右，光斑密度更大，且在与其他类型数据如Ｌａｎｄｓａｔ㊁ＴＡＮＤＥＭ⁃Ｘ等结合使用时效果较好，更适合于进行森林结构㊁林下地形的观测㊂现今ＧＥＤＩ数据的研究尚处于初始阶段，Ｑｉ等［１３］使用ＴＡＮＤＥＭ⁃ＸＩＮＳＡＲ与模拟的ＧＥＤＩＶ１数据结合进行了森林结构制图㊂Ａｄａｍ等［１４］利用机载激光雷达数据（ＡｉｒｂｏｒｎｅＬａｓｅｒＳｃａｎｎｉｎｇ，ＡＬＳ）评价了德国中部图林根自由州两个温带森林研究区ＧＥＤＩＶ１数据地面高程和冠层高度估计值的准确性，结果表明地形高度的平均绝对误差（ＭＡＥ）为２．５５ｍ，冠层高度的ＭＡＥ为３．１０ｍ㊂Ｇｕｅｒｒａ等［１５］利用ＡＬＳ数据和ＧＥＤＩＶ１数据估计３个快速增长的森林生态系统的森林动态，评估了西班牙地区ＧＥＤＩＶ１数据反演地形高度的精度，均方根差（ＲＭＳＥ）为４．４８ｍ㊂Ｌｉｕ等［１６］利用ＮＥＯＮ数据评价了美国地区ＧＥＤＩＶ２以及ＩＣＥＳａｔ⁃２数据地面高程及冠层高度估计值的准确性，得出在地面高程方面中低纬度地区ＩＣＥＳａｔ⁃２以及ＧＥＤＩ的ＲＭＳＥ分别为２．２４和４．０３ｍ，高纬度地区ＩＣＥＳａｔ⁃２的ＲＭＳＥ为０ ９８ｍ㊂以上研究大多使用Ｖ１版本数据，而对最新发布的Ｖ２版本数据研究并不充足，且缺少不同森林类型及气候等条件下的对比实验以及影响因素的具体探究，用于验证的ＡＬＳ数据精度也各有不同，难以充分说明最新版本ＧＥＤＩ数据对于地形的测定能力㊂为充分验证最新版本ＧＥＤＩ数据反演林下地形的性能，本研究以Ｌ２ＡＶ２级数据为研究对象，选取不同森林气候类型及植被覆盖条件区域，探究不同时间下强光束与覆盖光束反演林下地面高程的精度，并研究坡度及植被覆盖率对于反演精度的影响㊂１㊀材料与方法１．１㊀研究区概况由于ＧＥＤＩ数据主要用于温带和热带地区的森林观测，为对不同森林类型㊁气候条件㊁植被覆盖条件下ＧＥＤＩＶ２（第２版）数据进行验证，结合机载雷达数据获取情况，选取地区为美国新墨西哥州的西波拉森林，共选取了其中两个站点，其经纬度的范围分别为（１０６．４５６ʎ １０６．３６５ʎＷ，３５．１５６ʎ ３５．２５３ʎＮ）㊁（１０８ １６２ʎ １０８．１０８ʎＷ，３５ １０３ʎ ３５ ２３４ʎＮ），以及中国黑龙江省尚志市帽儿山地区（１２７ ４２４ʎ １２７ ７５９ʎＥ，４５ ２０７ʎ ４５ ４８６ʎＮ）㊂西波拉森林位于美国新墨西哥州西部和中部，占地面积超过６５万ｈｍ２，属于半干旱沙漠气候，研究区海拔较高，在２０００ｍ以上，植被以道格拉斯冷杉（Ｐｓｅｕｄｏｔｓｕｇａｍｅｎｚｉｅｓｉｉ）㊁美国黄松（Ｐｉｎｕｓｐｏｎｄｅｒｏｓａ）㊁西南白松（Ｐｉｎｕｓｓｔｒｏｂｉｆｏｒｍｉｓ）㊁白冷杉（Ａｂｉｅｓｃｏｎｃｏｌｏｒ）㊁蓝色云杉（Ｐｉｃｅａｐｕｎｇｅｎｓ）为主，森林类型为针叶林㊂帽儿山森林位于中国黑龙江省尚志市，地貌属低山丘陵区，属温带湿润地区㊂地势由南向北逐渐升高海拔范围２５０ ８０５ｍ，研究区植被以珍贵阔叶林㊁杨桦林㊁柞木林等为主的天然２４１㊀第２期董瀚元，等：星载激光雷达ＧＥＤＩ数据林下地形反演性能验证次生林与红松（Ｐｉｎｕｓｋｏｒａｉｅｎｓｉｓ）㊁落叶松（Ｌａｒｉｘｇｍｅｌｉｎｉｉ）㊁樟子松（Ｐ．ｓｙｌｖｅｓｔｒｉｓｖａｒ．ｍｏｎｇｏｌｉｃａ）等人工林镶嵌分布，森林类型为以阔叶树种为主的温带针阔叶混交林㊂两组研究区气候条件以及森林类型完全不同，海拔相差较大，光斑覆盖区域地势较为平缓，美国西波拉森林地区植被覆盖度大多在６０％左右，而帽儿山森林地区植被覆盖度大多在８０％以上（图１）㊂Ａ．基于全球行政区划数据库ＧＡＤＭ网站下载的２０１５年７月２．５版行政区划图制作㊂Ｂａｓｅｄｏｎｔｈｅａｄｍｉｎｉｓｔｒａｔｉｖｅｄｉｖｉｓｉｏｎｍａｐｖｅｒｓｉｏｎ２．５，Ｊｕｌｙ，２０１５，ｄｏｗｎｌｏａｄｅｄｆｒｏｍｔｈｅＧＡＤＭｗｅｂｓｉｔｅｏｆｔｈｅｇｌｏｂａｌａｄｍｉｎｉｓｔｒａｔｉｖｅｄｉｖｉｓｉｏｎｄａｔａｂａｓｅ．Ｂ．底图审图号为ＧＳ（２０２０）４６１９ＢａｓｅｄｏｎｔｈｅｓｔａｎｄａｒｄｍａｐｎｕｍｂｅｒＧＳ（２０２０）４６１９㊂图１㊀西波拉森林研究区站点及帽儿山研究区位置示意图Ｆｉｇ．１㊀ＴｈｅｍａｐｏｆｔｈｅｓｉｔｅｏｆｔｈｅＣｉｂｏｌａｆｏｒｅｓｔｒｅｓｅａｒｃｈａｒｅａａｎｄｔｈｅｌｏｃａｔｉｏｎｏｆｔｈｅＭａｏｅｒＭｏｕｎｔａｉｎｒｅｓｅａｒｃｈａｒｅａ１．２㊀研究数据１．２．１㊀ＧＥＤＩＬ２Ａ数据ＧＥＤＩ搭载了全球首台用于高分辨率森林垂直结构测量的多波束线性体制激光测高仪，主要用于热带和温带地区的森林冠层高度㊁垂直结构㊁地面高程等的精准测量（表１㊁图２）㊂ＧＥＤＩ为全波形数据，共有８条光束轨道，分别为４条全功率光束以及４条覆盖光束，每个光斑直径约为２５ｍ，光斑中心点间隔６０ｍ，跨轨间距为６００ｍ，坐标系为ＷＧＳ８４地理坐标系，高程基准为ＷＧＳ８４基准面㊂与ＩＣＥＳａｔ／ＧＬＡＳ约７０ｍ的足迹大小相比，光斑密度更大，且在与其他类型数据如Ｌａｎｄｓａｔ㊁ＴＡＮＤＥＭ⁃Ｘ等结合使用时效果较好，更适合于进行森林结构㊁林下地形的观测㊂数据从２０１９年３月２５日开始发布，并在２０２１年４月１６日发布了Ｖ２版本㊂其中Ｌ２Ａ级别产品提供了每个光斑内的高度指标，可以从波形中提取出地面高程㊁冠层高度以及相对高度指标［１７］㊂在本研究中使用最新的Ｖ２版本产品，收集了美国西波拉森林两个站点２０１９年６月至１１月㊁２０２０年３月至６月以及中国帽儿山研究区２０１９年５月至１１月间的ＧＥＤＩＬ２ＡＶ２级别数据㊂ＧＥＤＩ传感器的运作模式见图２㊂表１㊀ＧＥＤＩ的技术指标参数Ｔａｂｌｅ１㊀ＴｅｃｈｎｉｃａｌｐａｒａｍｅｔｅｒｓｏｆＧＥＤＩ项目ｐｒｏｊｅｃｔ参数ｐａｒａｍｅｔｅｒ发射时间ｌａｕｎｃｈｔｉｍｅ２０１８年１２月５日周期ｃｙｃｌｅ２ａ探测器ｄｅｔｅｃｔｏｒ硅雪崩光电二极管Ｓｉ：ＡＰＤ脉冲激光波长ｐｕｌｓｅｄｌａｓｅｒｗａｖｅｌｅｎｇｔｈｐｕｌｓｅｄｌａｓｅｒｗａｖｅｌｅｎｇｔｈ１０６４ｎｍ轨道倾角和覆盖范围ｏｒｂｉｔａｌｉｎｃｌｉｎａｔｉｏｎａｎｄｃｏｖｅｒａｇｅ轨道倾角５１．６ʎ；覆盖范围５１．６ʎＮ ５１．６ʎＳ轨道ｔｒａｃｋ３个激光器共８轨光束ｂｅａｍ一束激光分裂为两束覆盖光束；另外两束为全功率，４束光束抖动为８条轨迹功率（全功率／覆盖）ｐｏｗｅｒ（ｆｕｌｌｐｏｗｅｒ／ｃｏｖｅｒａｇｅ）１５ｍＪ／４．５ｍＪ光斑直径ｓｐｏｔｄｉａｍｅｔｅｒ２５ｍ沿轨间距ｄｉｓｔａｎｃｅａｌｏｎｇｔｈｅｔｒａｃｋ６０ｍ跨轨间距ｃｒｏｓｓ⁃ｒａｉｌｓｐａｃｉｎｇ６００ｍ３４１南京林业大学学报（自然科学版）第４７卷图２㊀ＧＥＤＩ运作模式Ｆｉｇ．２㊀ＴｈｅＧＥＤＩｏｐｅｒａｔｉｏｎｍｏｄｅ１．２．２㊀Ｇ⁃ｌｉｈｔ数据Ｇ⁃ｌｉｈｔ是Ｇｏｄｄａｒｄ航天飞行中心研发的便携式机载成像仪，共包含激光雷达㊁高光谱及热红外成像系统３个主要子系统，可搭载于各种机载平台上，测量包括地面高度㊁植被高度㊁叶片光谱等内容，空间分辨率高达１ｍ［１８］㊂本研究使用２０１８年西波拉森林地区Ｇ⁃ｌｉｈｔ激光雷达数据（ｈｔｔｐｓ：／／ｇｌｉｈｔ．ｇｓｆｃ．ｎａｓａ．ｇｏｖ）根据ＫｅｙｈｏｌｅＭａｒｋｕｐＬａｎｇｕａｇｅ（ＫＭＬ）文件以及ＧＥＤＩ雷达的运行轨迹来确定研究的范围㊂Ｇ⁃ｌｉｈｔ数据发布了空间分辨率为１ｍ的数字地面模型（ＤｉｇｉｔａｌＴｅｒｒａｉｎＭｏｄｅｌ，ＤＴＭ），数据格式为Ｔｉｆｆ，数据使用ＵＴＭ投影坐标系，水平参考高程基准为ＥＧＭ９６水准模型㊂１．２．３㊀帽儿山地区机载Ｌｉｄａｒ数据帽儿山地区机载Ｌｉｄａｒ数据于２０１６年９月获取，传感器为ＲｉｅｇｌＬＭＳ⁃Ｑ６８０ｉ，波长１５５０ｎｍ，平均点云密度为５ｐｔｓ／ｍ２，以１ｍ的空间分辨率测量出地面及植被高度㊂坐标系为ＵＴＭ投影坐标系，高程基准为ＷＧＳ８４基准面，总覆盖范围约３６０ｋｍ２㊂１．２．４㊀辅助数据为评估植被覆盖度对于ＧＥＤＩ测高精度的影响，使用多光谱数据Ｌａｎｄｓａｔ８作为辅助数据进行研究㊂Ｌａｎｄｓａｔ８是美国陆地卫星计划（Ｌａｎｄｓａｔ）的第８颗卫星，于２０１３年２月１１号在加利福尼亚范登堡空军基地由Ａｔｌａｓ⁃Ｖ火箭搭载发射成功㊂携带陆地成像仪（ｏｐｅｒａｔｉｏｎａｌｌａｎｄｉｍａｇｅｒ，ＯＬＩ）和热红外传感器（ｔｈｅｒｍａｌｉｎｆｒａｒｅｄｓｅｎｓｏｒ，ＴＩＲＳ），其数据的空间分辨率为３０ｍ［１９］㊂本研究中根据所用ＧＥＤＩ数据时间㊁云量选择使用的美国西波拉森林地区Ｌａｎｄｓａｔ８数据采集时间为２０１９年１０月１３日及２０１９年１０月２７日，云量０．０２％及０．０４％；中国帽儿山地区Ｌａｎｄｓａｔ８数据采集时间为２０１９年９月２４日，云量０．５７％㊂１．３㊀研究方法验证激光测高数据精度的方法主要分为：基于野外ＧＰＳ实测点数据验证，利用其他类型高度数据验证㊂本研究为探究ＧＥＤＩ对于林下地面高的测量能力，选取ＧＥＤＩＬ２ＡＶ２级别数据进行实验㊂提取研究区域内ＧＥＤＩ数据的高程，利用处理后的帽儿山ＡＬＳ数据及Ｇ⁃ｌｉｈｔ数据验证两个研究区内ＧＥＤＩ数据提取高程的精度，并分析坡度㊁植被覆盖度对于高程提取精度的影响１．３．１㊀数据预处理１）Ｇ⁃ｌｉｈｔ数据：对Ｇ⁃ｌｉｈｔ的数字地面模型（ＤＴＭ）数据进行坡度分析，基于１ｍ空间分辨率的高程产品数据生成美国西波拉森林地区地形坡度图㊂２）ＡＬＳ数据：为生成帽儿山森林地区高精度ＤＥＭ，研究使用帽儿山２０１６年机载雷达点云数据，点云去噪处理后利用改进的渐进加密三角网滤波算法分类出地面点［２０］，利用反距离权重插值算法生成ＤＥＭ数据，空间分辨率为１ｍ㊂对ＤＥＭ数据进行坡度分析，基于１ｍ空间分辨率的高程产品数据生成中国帽儿山森林地区地形坡度图㊂３）ＧＥＤＩ数据：为使ＧＥＤＩ数据能与验证数据结合使用，首先将下载好的ＧＥＤＩＬ２Ａ数据按Ｇ⁃ｌｉｈｔ数据的ＫＭＬ文件以及帽儿山机载雷达数据范围进行空间裁剪，并将数据格式转换；其次，按参数ｑｕａｌｉｔｙ＿ｆｌａｇ㊁保留值为１的光斑点为有效光斑点，其余光斑点全部删除，在美国西波拉森林地区共筛选可用光斑点４０５１个，中国尚志市帽儿山森林可用光斑点共７７３１个；由于ＧＥＤＩ雷达的位置参数坐标使用ＷＧＳ８４地理坐标，因此按Ｇ⁃ｌｉｈｔ数据及帽儿山机载雷达数据的投影坐标系将ＧＥＤＩ数据坐标系转换为对应的ＵＴＭ投影坐标系，使数据位置相匹配㊂４）Ｌａｎｄｓａｔ８数据：为获取研究区内植被覆盖度情况，使用２０１９年西波拉及帽儿山地区Ｌａｎｄｓａｔ８数据，将Ｌａｎｄｓａｔ８数据经辐射定标㊁大气校正并重采样为１０ｍ分辨率，计算出归一化植被指数，利用像元二分法提取植被覆盖度（ｆｒａｃｔｉｏｎａｌｖｅｇｅｔａｔｉｏｎｃｏｖｅｒ，ＦＶＣ）［２１］㊂１．３．２㊀地形高度提取方法利用Ｇ⁃ｌｉｈｔ数据与帽儿山ＡＬＳ数据对ＧＥＤＩ光斑所测高程进行验证，将转换坐标系后的ＧＥＤＩ４４１㊀第２期董瀚元，等：星载激光雷达ＧＥＤＩ数据林下地形反演性能验证数据与Ｇ⁃ｌｉｈｔ的ＤＴＭ数据㊁帽儿山ＡＬＳ数据生成的ＤＥＭ位置匹配，按ＧＥＤＩ光斑大小对ＤＴＭ㊁ＤＥＭ数据裁剪，提取每个裁剪区内平均高程来作为验证㊂为了对高程数据进行一致性分析，高度必须参考相同的垂直基准，ＧＥＤＩ数据与帽儿山ＤＥＭ数据垂直基准均为ＷＧＳ８４椭球，而Ｇ⁃ｌｉｈｔ的ＤＴＭ数据垂直基准为ＥＧＭ９６高程基准，因此利用ｖｄａｔｕｍ软件将ＧＥＤＩ数据的垂直基准转换为ＥＧＭ９６高程基准，使数据间垂直基准一致㊂１．３．３㊀地形提取精度验证参数ｅｌｅｖ＿ｌｏｗｅｓｔｍｏｄｅ代表ＧＥＤＩ光斑内平均高程，利用裁剪区内平均高程对其进行精度评估，将二者绝对高程差值在２０ｍ以上的数据剔除㊂由于强光束与覆盖光束穿透森林冠层能力不同，且不同时间的大气效应及噪声情况不同，因此比较分析不同时间段以及不同光束类型ＧＥＤＩ数据所测高程与Ｇ⁃ｌｉｈｔ数据㊁ＡＬＳ数据之间关系，根据参数ｂｅａｍ＿ｆｌａｇ㊁ｄｅｌｔａ＿ｔｉｍｅ分为白天强光束㊁黑夜强光束㊁白天覆盖光束㊁黑夜覆盖光束进行分组验证，利用验证数据来衡量ＧＥＤＩ数据测地形高度的准确度㊂统计的内容包含：平均偏差［Ｂｉａｓ，式中记为σ（Ｂｉａｓ）］㊁平均绝对误差［ＭＡＥ，式中记为σ（ＭＡＥ）］㊁决定系数Ｒ２㊁均方根误差［ＲＭＳＥ，式中记为σ（ＲＭＳＥ）］㊂σ（Ｂｉａｓ）＝１ｎˑðｎｉ＝１（ｘｉ－ｙｉ）；（１）σ（ＭＡＥ）＝１ｎˑðｎｉ＝１｜ｘｉ－ｙｉ｜；（２）Ｒ２＝１－ðｎｉ＝１（ｘｉ－ｙｉ）２ðｎｉ＝１（ｙｉ－ ｙ）２；（３）σ（ＲＭＳＥ）＝１ｎðｎｉ＝１（ｘｉ－ｙｉ）２㊂（４）式中：ｘｉ为ＧＥＤＩ测定的地形高度值，ｙｉ为Ｇ⁃ｌｉｈｔ与ＡＬＳ测定的地形高度参考值， ｙ为参考值的平均值，ｎ为样本数㊂１．３．４㊀影响因素分析１）坡度㊂为更直观对比分析，提取出裁剪区内的坡度信息，将数据按坡度分组为０ʎ ５ʎ㊁ȡ５ʎ １０ʎ㊁ȡ１０ʎ １５ʎ㊁ȡ１５ʎ ２０ʎ㊁ȡ２０ʎ ３０ʎ㊁ȡ３０ʎ，分别进行测高精度对比，提出坡度对于ＧＥＤＩ测高精度的影响㊂２）植被覆盖度㊂将美国西波拉森林地区及中国帽儿山森林地区植被覆盖度分组为：０％ ２０％㊁ȡ２０％ ４０％㊁ȡ４０％ ６０％㊁ȡ６０％ ８０％㊁ȡ８０％９０％㊁ȡ９０％ １００％，分别进行测高精度对比，提出植被覆盖度对于ＧＥＤＩ测高精度的影响㊂２㊀结果与分析２．１㊀美国西波拉森林地区ＧＥＤＩ反演林下地形高度精度分析㊀㊀对于美国西波拉森林地区，将ＧＥＤＩ数据得出的地形高度值与Ｇ⁃ｌｉｈｔ数据的参考值进行比较，统计了西波拉森林地区强光束与覆盖光束㊁黑夜与白天的不同类型ＧＥＤＩ数据反演出林下地面高程的精度（图３）㊂图３㊀西波拉森林不同条件下ＧＥＤＩ数据反演地形精度Ｆｉｇ．３㊀ＴｈｅｔｏｐｏｇｒａｐｈｉｃａｃｃｕｒａｃｙｏｆＧＥＤＩｄａｔａｉｎｖｅｒｓｉｏｎｕｎｄｅｒｄｉｆｆｅｒｅｎｔｃｏｎｄｉｔｉｏｎｓｏｆＣｉｂｏｌａｆｏｒｅｓｔ５４１南京林业大学学报（自然科学版）第４７卷㊀㊀美国西波拉森林地区４０５１个ＧＥＤＩ样本数据的地形高度ＲＭＳＥ为２ ３３ｍ，ＭＡＥ为１ ４８ｍ㊂这个结果相对于文献［１８］中研究结果表现出更低的ＲＭＳＥ㊁ＭＡＥ㊂在分组实验当中，得出结果为：白天强光束所测地形高度ＭＡＥ为１ ０３ｍ，ＲＭＳＥ为１ ９３ｍ；夜间强光束所测地形高度ＭＡＥ为１ ０９ｍ，ＲＭＳＥ为１ ４７ｍ；白天覆盖光束所测地形高度ＭＡＥ为１ ８２ｍ，ＲＭＳＥ为２ ７２ｍ；夜间覆盖光束所测地形高度ＭＡＥ为１ ８９ｍ，ＲＭＳＥ为２ ５９ｍ㊂可见，夜间强光束测高性能最佳，强光束的能量为覆盖光束的３ ３倍，穿透植被的能力更强，但覆盖光束也表现出了良好的测高性能，而时间的影响相对来说要更小，黑夜的采集效果要稍好于白天的采集效果㊂２．２㊀中国帽儿山地区ＧＥＤＩ反演林下地形高度精度分析㊀㊀对于中国帽儿山地区，将ＧＥＤＩ数据得出的地形高度值与帽儿山ＡＬＳ数据的参考值进行比较，统计了帽儿山地区强光束与覆盖光束㊁黑夜与白天不同类型ＧＥＤＩ数据反演出林下地面高程的精度（图４）㊂图４㊀帽儿山地区不同条件下ＧＥＤＩ数据反演地形精度Ｆｉｇ．４㊀ＴｏｐｏｇｒａｐｈｉｃａｃｃｕｒａｃｙｏｆＧＥＤＩｄａｔａｉｎｖｅｒｓｉｏｎｕｎｄｅｒｄｉｆｆｅｒｅｎｔｃｏｎｄｉｔｉｏｎｓｉｎＭａｏｅｒＭｏｕｎｔａｉｎａｒｅａ㊀㊀中国帽儿山森林地区７７３１个ＧＥＤＩ样本数据的地形高度ＲＭＳＥ为４．４９ｍ，ＭＡＥ为３．３３ｍ㊂在分组实验当中，得出的结果为：白天强光束所测地形高度ＭＡＥ为２．８６ｍ，ＲＭＳＥ为３．９０ｍ；夜间强光束所测地形高度ＭＡＥ为４．６６ｍ，ＲＭＳＥ为５．９６ｍ；白天覆盖光束所测地形高度ＭＡＥ为２．８５ｍ，ＲＭＳＥ为３．８１ｍ；夜间覆盖光束所测地形高度ＭＡＥ为５ ３８ｍ，ＲＭＳＥ为６．７２ｍ㊂由中国帽儿山森林地区实验可知，白天强光束与覆盖光束效果几乎相同，且要明显好于夜间对地形高度的测量性能，在夜间的分组来说，强光束的测量效果要明显好于覆盖光束㊂２．３㊀坡度对于反演精度的影响由于ＧＥＤＩ为全波形数据，类似ＩＣＥＳａｔ／ＧＬＡＳ数据，坡度是引起误差的重要因素，按ＧＥＤＩ地形高度残差与分组坡度绘制箱线图（图５）㊂统计出美国西波拉森林地区以及帽儿山地区不同坡度条件ＧＥＤＩ反演高程精度（表２）㊂表２㊀西波拉森林与帽儿山地区不同坡度下ＧＥＤＩ反演地形高程的精度Ｔａｂｌｅ２㊀ＡｃｃｕｒａｃｙｏｆｔｅｒｒａｉｎｅｌｅｖａｔｉｏｎｉｎｖｅｒｓｉｏｎｂｙＧＥＤＩｕｎｄｅｒｄｉｆｆｅｒｅｎｔｓｌｏｐｅｓｉｎＣｉｂｏｌａｆｏｒｅｓｔａｎｄＭａｏｅｒＭｏｕｎｔａｉｎａｒｅａ坡度／（ʎ）ｓｌｏｐｅＭＡＥ／ｍＲ２ＲＭＳＥ／ｍ０ ５０．５９／０．９７１．００／１．０００．８３／１．７４ȡ５ １００．９８／１．７５１．００／１．００１．４２／２．５９ȡ１０ １５１．４０／２．８２１．００／１．００１．８９／３．７８ȡ１５ ２０１．９４／３．６４１．００／１．００２．６４／４．６６ȡ２０ ３０２．９１／４．６８１．００／１．００３．７７／５．７４ȡ３０４．２４／５．８０１．００／１．００５．３７／６．９５㊀㊀注：表格中数据分别为美国西波拉森林／中国帽儿山地区的精度统计数据㊂下同㊂ＴｈｅｄａｔａｉｎｔｈｅｔａｂｌｅａｒｅｔｈｅａｃｃｕｒａｃｙｓｔａｔｉｓｔｉｃｓｏｆｔｈｅＣｉｂｏｌａｆｏｒｅｓｔ／ＭａｏｅｒＭｏｕｎｔａｉｎａｒｅａ．Ｔｈｅｓａｍｅｂｅｌｏｗ．㊀㊀美国西波拉森林地区：坡度０ʎ ５ʎ分组地形反演精度ＭＡＥ为０．５９ｍ，ＲＭＳＥ为０．８３ｍ；ȡ５ʎ １０ʎ分组ＭＡＥ为０．９８ｍ，ＲＭＳＥ为１．４２ｍ；ȡ１０ʎ １５ʎ６４１㊀第２期董瀚元，等：星载激光雷达ＧＥＤＩ数据林下地形反演性能验证分组ＭＡＥ为１．４０ｍ，ＲＭＳＥ为１．８９ｍ；ȡ１５ʎ ２０ʎ分组ＭＡＥ为１．９４ｍ，ＲＭＳＥ为２ ６４ｍ；ȡ２０ʎ ３０ʎ分组ＭＡＥ为２．９１ｍ，ＲＭＳＥ为３．７７ｍ；３０ʎ及以上分组ＭＡＥ为４．２４ｍ，ＲＭＳＥ为５．３７ｍ㊂图５㊀不同坡度下ＧＥＤＩ反演地形高度统计Ｆｉｇ．５㊀ＳｔａｔｉｓｔｉｃｓｏｆｔｅｒｒａｉｎｈｅｉｇｈｔｉｎｖｅｒｓｉｏｎｂｙＧＥＤＩｕｎｄｅｒｄｉｆｆｅｒｅｎｔｓｌｏｐｅｓ㊀㊀中国帽儿山地区：０ʎ ５ʎ分组地形反演精度ＭＡＥ为０．９７ｍ，ＲＭＳＥ为１．７４ｍ；ȡ５ʎ １０ʎ分组ＭＡＥ为１．７５ｍ，ＲＭＳＥ为２．５９ｍ；ȡ１０ʎ １５ʎ分组ＭＡＥ为２．８２ｍ，ＲＭＳＥ为３．７８ｍ；ȡ１５ʎ ２０ʎ分组ＭＡＥ为３．６４ｍ，ＲＭＳＥ为４．６６ｍ；ȡ２０ʎ ３０ʎ分组ＭＡＥ为４．６８ｍ，ＲＭＳＥ为５ ７４ｍ；３０ʎ及以上分组ＭＡＥ为５．８０ｍ，ＲＭＳＥ为６．９５ｍ㊂可见，随着坡度增大，ＲＭＳＥ呈线性上升趋势，坡度对于ＧＥＤＩ数据地形测高精度影响较大，在平缓的地形下，ＧＥＤＩ提供了相对较为精确的测高效果，在坡度增大时测高的效果会出现较多的误差，在进行高精度测量时尽量避免坡度较大的区域，或使用科学的方法进行地形校正后再使用数据㊂２．４㊀植被覆盖度对于反演精度的影响由于植被覆盖会对ＧＥＤＩ光束造成影响，按ＧＥＤＩ地形高度残差与分组植被覆盖度绘制箱线图（图６）㊂统计出美国西波拉森林地区以及帽儿山地区不同坡度条件ＧＥＤＩ反演高程精度（表３）㊂由表３可见，在中低植被覆盖度范围内，ＧＥＤＩ能较好测量出地面高程，在植被覆盖度达到６０％后，其精度会出现明显的下降，在８０％以上植被覆盖度区域，出现了较高的ＲＭＳＥ，分析其原因可能为植被覆盖密集区域ＧＥＤＩ地面波形中会混杂较多低矮植被，导致测高精度下降㊂图６㊀不同植被覆盖度下ＧＥＤＩ反演地形高度统计Ｆｉｇ．６㊀ＳｔａｔｉｓｔｉｃｓｏｆｔｅｒｒａｉｎｈｅｉｇｈｔｒｅｔｒｉｅｖｅｄｂｙＧＥＤＩｕｎｄｅｒｔｈｅｄｉｆｆｅｒｅｎｔｖｅｇｅｔａｔｉｏｎｃｏｖｅｒａｇｅｓ７４１南京林业大学学报（自然科学版）第４７卷表３㊀西波拉森林与帽儿山地区不同植被覆盖度下ＧＥＤＩ反演地形高程的精度Ｔａｂｌｅ３㊀ＡｃｃｕｒａｃｙｏｆｔｅｒｒａｉｎｅｌｅｖａｔｉｏｎｉｎｖｅｒｓｉｏｎｂｙＧＥＤＩｕｎｄｅｒｔｈｅｄｉｆｆｅｒｅｎｔｖｅｇｅｔａｔｉｏｎｃｏｖｅｒａｇｅｉｎＣｉｂｏｌａｆｏｒｅｓｔａｎｄＭａｏｅｒＭｏｕｎｔａｉｎａｒｅａ植被覆盖度／％ｖｅｇｅｔａｔｉｏｎｃｏｖｅｒａｇｅＭＡＥ／ｍＲ２ＲＭＳＥ／ｍ００．９０／ １．００／ １．１９／＞０ ２０１．２４／１．１５１．００／１．００１．７３／１．２６＞２０ ４０１．２５／１．３２１．００／１．００１．９９／１．４６＞４０ ６０１．０７／１．４０１．００／１．００１．６４／１．９１＞６０ ８０１．３８／２．１７１．００／１．００２．２１／３．１３＞８０ ９０１．５７／２．８４１．００／１．００２．５０／３．９１＞９０ １００１．６９／３．８５１．００／１．００２．６０／５．００㊀㊀注：表格中数据分别为美国西波拉森林／帽儿山地区的精度统计数据㊂ＴｈｅｄａｔａｉｎｔｈｅｔａｂｌｅａｒｅｔｈｅａｃｃｕｒａｃｙｓｔａｔｉｓｔｉｃｓｏｆｔｈｅＣｉｂｏｌａｆｏｒｅｓｔｉｎｔｈｅＵｎｉｔｅｄＳｔａｔｅｓ／ＭａｏｅｒＭｏｕｎｔａｉｎａｒｅａ．㊀㊀综上，在影响因素方面，平缓的地形以及中低植被覆盖度的条件下，ＧＥＤＩ有着较好的地形高度测量能力，而陡峭的地形以及较高的植被覆盖度会明显导致精度的下降，在进行高精度测量时，要进行地形校正以及波形分解处理后再使用㊂３㊀讨㊀论对比西波拉森林与帽儿山森林的结果，ＧＥＤＩＶ２版本数据在针叶林地区测量精度误差ＲＭＳＥ为２ ３３ｍ，在以阔叶树种为主的针阔叶混交林地区ＲＭＳＥ为４ ４９ｍ，可见针叶林区域地形测定效果要明显好于以阔叶树种为主的针阔叶混交林地区，在时间与波束对比的实验中，美国亚热带地区的针叶林实验结果与Ｌｉｕ等［１６］研究结果类似：强光束性能要好于覆盖光束，且夜间采集数据精度要好于白天所采集数据㊂帽儿山针阔叶混交林地区的实验结果与美国西波拉森林的结果有明显的不同，实验中白天强光束地区植被覆盖度为９１ ６％，白天覆盖光束地区植被覆盖度为８６ ７％，黑夜强光束地区植被覆盖度为９０ ７３％，黑夜覆盖光束的植被覆盖度为９０ ３５％，结合其他研究情况考虑原因为白天覆盖光束轨道所经区域植被相对稀疏引起，与针叶林地区结果不矛盾，因此出现白天覆盖光束精度略微高于强光束，而夜间强光束精度优于覆盖光束的情况，ＧＥＤＩ探测器的本底噪声要高于太阳噪声，因此太阳背景噪声不会成为白天与夜间性能差异的主要原因，由于帽儿山为温带湿润气候，美国西波拉地区为亚热带干旱到半干旱沙漠气候，原因考虑为湿润与干旱气候造成白天及黑夜不同云量及温差㊁雨水等因素引起误差，ＧＥＤＩ数据白天与黑夜的性能并非固定，要具体视当地气候因素来确定，湿润地区白天性能更佳，干旱地区黑夜性能更佳㊂坡度因素以及植被覆盖度均为影响ＧＥＤＩ数据性能的重要因素，在坡度２０ʎ以下及植被覆盖度６０％以下的区域，地形反演的精度很高，随着坡度增大㊁植被覆盖度增加，ＧＥＤＩ数据反演林下地形的性能会变弱，原因为陡峭地区全波形数据由于地面回波与植被回波信息混合在一起造成波形混淆，因此会出现坡度增加㊁反演精度降低的情况，高植被覆盖度区域ＧＥＤＩ激光能量会在穿透冠层时有所损耗，且多层级的冠层会更大程度地影响精度，因此出现植被覆盖度增加反演精度降低的情况㊂４㊀结㊀论１）ＧＥＤＩＶ２数据反演林下地形的效果为针叶林要优于针阔叶混交林，强光束要优于覆盖光束，湿润地区白天效果更优，干旱地区黑夜效果更优㊂２）随着地面坡度提升，ＧＥＤＩＶ２的测高精度会出现线性下降趋势，平缓地区数据使用效果极好，陡峭地区地面回波与植被回波混叠造成精度降低㊂３）ＧＥＤＩＶ２数据在中低植被覆盖度区域地形反演精度较高，在高植被覆盖区域对于林下地形高度的测定性能会有所下降㊂参考文献（ｒｅｆｅｒｅｎｃｅ）：［１］蒋有绪．世界森林生态系统结构与功能的研究综述［Ｊ］．林业科学研究，１９９５，８（３）：３１４－３２１．ＪＩＡＮＧＹＸ．Ｏｎｓｔｕｄｙｏｆｓｔｒｕｃｔｕｒｅａｎｄｆｕｎｃｔｉｏｎｏｆｗｏｒｌｄｆｏｒｅｓｔｅｃｏｓｙｓｔｅｍ［Ｊ］．ＦｏｒｅｓｔＲｅｓ，１９９５，８（３）：３１４－３２１．［２］ＬＯＮＧＴＦ，ＺＨＡＮＧＺＭ，ＨＥＧＪ，ｅｔａｌ．３０ｍｒｅｓｏｌｕｔｉｏｎｇｌｏｂａｌａｎｎｕａｌｂｕｒｎｅｄａｒｅａｍａｐｐｉｎｇｂａｓｅｄｏｎｌａｎｄｓａｔｉｍａｇｅｓａｎｄｇｏｏｇｌｅｅａｒｔｈｅｎｇｉｎｅ．［Ｊ］．ＲｅｍｏｔｅＳｅｎｓ，２０１９，１１（５）：４８９．ＤＯＩ：１０．３３９０／ｒｓ１１０５０４８９．［３］李然，王成，苏国中，等．星载激光雷达的发展与应用［Ｊ］．科技导报，２００７，２５（１４）：５８－６３．ＬＩＲ，ＷＡＮＧＣ，ＳＵＧＺ，ｅｔａｌ．ＤｅｖｅｌｏｐｍｅｎｔａｎｄａｐｐｌｉｃａｔｉｏｎｓｏｆＳｐａｃｅｂｏｒｎｅＬｉＤＡＲ［Ｊ］．Ｓｃｉ＆ＴｅｃｈｎｏｌＲｅｖ，２００７，２５（１４）：５８－６３．ＤＯＩ：１０．３３２１／ｊ．ｉｓｓｎ：１０００－７８５７．２００７．１４．０１０．［４］ＬＥＦＳＫＹＭＡ，ＨＡＲＤＩＮＧＤＪ，ＫＥＬＬＥＲＭ，ｅｔａｌ．ＥｓｔｉｍａｔｅｓｏｆｆｏｒｅｓｔｃａｎｏｐｙｈｅｉｇｈｔａｎｄａｂｏｖｅｇｒｏｕｎｄｂｉｏｍａｓｓｕｓｉｎｇＩＣＥＳａｔ［Ｊ］．ＧｅｏｐｈｙｓＲｅｓＬｅｔｔ，２００５，３２（２２）：Ｌ２２Ｓ０２．ＤＯＩ：１０．１０２９／２００５ｇｌ０２３９７１，２００５．［５］ＤＯＬＡＮＫ，ＭＡＳＥＫＪＧ，ＨＵＡＮＧＣＱ，ｅｔａｌ．ＲｅｇｉｏｎａｌｆｏｒｅｓｔｇｒｏｗｔｈｒａｔｅｓｍｅａｓｕｒｅｄｂｙｃｏｍｂｉｎｉｎｇＩＣＥＳａｔＧＬＡＳａｎｄＬａｎｄｓａｔｄａｔａ［Ｊ］．ＪＧｅｏｐｈｙｓＲｅｓ，２００９，１１４（Ｇ２）：Ｇ００Ｅ０５．ＤＯＩ：１０．１０２９／２００８ＪＧ０００８９３，２００９．［６］ＢＡＬＬＨＯＲＮＵ，ＪＵＢＡＮＳＫＩＪ，ＳＩＥＧＥＲＴＦ．ＩＣＥＳａｔ／ＧＬＡＳｄａｔａａｓａｍｅａｓｕｒｅｍｅｎｔｔｏｏｌｆｏｒｐｅａｔｌａｎｄｔｏｐｏｇｒａｐｈｙａｎｄｐｅａｔｓｗａｍｐ８４１㊀第２期董瀚元，等：星载激光雷达ＧＥＤＩ数据林下地形反演性能验证ｆｏｒｅｓｔｂｉｏｍａｓｓｉｎＫａｌｉｍａｎｔａｎ，Ｉｎｄｏｎｅｓｉａ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓ，２０１１，３（９）：１９５７－１９８２．ＤＯＩ：１０．３３９０／ｒｓ３０９１９５７．［７］ＨＡＹＡＳＨＩＭ．ＦｏｒｅｓｔｃａｎｏｐｙｈｅｉｇｈｔｅｓｔｉｍａｔｉｏｎｕｓｉｎｇＩＣＥＳａｔ／ＧＬＡＳｄａｔａａｎｄｅｒｒｏｒｆａｃｔｏｒａｎａｌｙｓｉｓｉｎＨｏｋｋａｉｄｏ，Ｊａｐａｎ［Ｊ］．ＩＳＰＲＳＪＰｈｏｔｏｇｒａｍｍａｎｄＲｅｍｏｔｅＳｅｎｓ，２０１３，８１：１２－１８．ＤＯＩ：１０．１０１６／ｊ．ｉｓｐｒｓｊｐｒｓ．２０１３．０４．００４．［８］ＳＨＵＭＡＮＣＡ，ＺＷＡＬＬＹＨＪ，ＳＣＨＵＴＺＢ．Ｅ，ｅｔａｌ．ＩＣＥＳａｔＡｎｔａｒｃｔｉｃｅｌｅｖａｔｉｏｎｄａｔａ：ｐｒｅｌｉｍｉｎａｒｙｐｒｅｃｉｓｉｏｎａｎｄａｃｃｕｒａｃｙａｓ⁃ｓｅｓｓｍｅｎｔ［Ｊ］．ＧｅｏｐｈｙｓＲｅｓＬｅｔｔ，２００６，３３（７）：Ｌ０７５０１．ＤＯＩ：１０．１０２９／２００５ｇｌ０２５２２７，２００６．［９］ＤＯＮＧＣＨＥＮＥ，ＳＨＥＮＱ，ＸＵＹ，ｅｔａｌ．Ｈｉｇｈ⁃ａｃｃｕｒａｃｙｔｏｐｏ⁃ｇｒａｐｈｉｃａｌｉｎｆｏｒｍａｔｉｏｎｅｘｔｒａｃｔｉｏｎｂａｓｅｄｏｎｆｕｓｉｏｎｏｆＡＳＴＥＲｓｔｅｒｅｏ⁃ｄａｔａａｎｄＩＣＥＳａｔ／ＧＬＡＳｄａｔａｉｎＡｎｔａｒｃｔｉｃａ［Ｊ］．ＳｃｉＣｈｉｎａＳｅｒＤＥａｒｔｈＳｃｉ，２００９，５２（５）：７１４－７２２．ＤＯＩ：１０．１００７／ｓ１１４３０－００９－００５５－６．［１０］ＪＡＷＡＫＳＤ，ＬＵＩＳＡＪ．ＳｙｎｅｒｇｉｓｔｉｃｕｓｅｏｆｍｕｌｔｉｔｅｍｐｏｒａｌＲＡＭＰ，ＩＣＥＳａｔａｎｄＧＰＳｔｏｃｏｎｓｔｒｕｃｔａｎａｃｃｕｒａｔｅＤＥＭｏｆｔｈｅＬａｒｓｅｍａｎｎＨｉｌｌｓｒｅｇｉｏｎ，Ａｎｔａｒｃｔｉｃａ［Ｊ］．ＡｄｖＳｐａｃｅＲｅｓ，２０１２，５０（４）：４５７－４７０．ＤＯＩ：１０．１０１６／ｊ．ａｓｒ．２０１２．０５．００４．［１１］ＡＢＤＡＬＡＴＩＷ，ＺＷＡＬＬＹＨＪ，ＢＩＮＤＳＣＨＡＤＬＥＲＲ，ｅｔａｌ．ＴｈｅＩＣＥＳａｔ⁃２ｌａｓｅｒａｌｔｉｍｅｔｒｙｍｉｓｓｉｏｎ［Ｊ］．ＰｒｏｃＩＥＥＥ，２０１０，９８（５）：７３５－７５１．ＤＯＩ：１０．１１０９／ＪＰＲＯＣ．２００９．２０３４７６５．［１２］ＤＵＢＡＹＡＨＲ，ＢＬＡＩＲＪＢ，ＧＯＥＴＺＳ，ｅｔａｌ．Ｔｈｅｇｌｏｂａｌｅｃｏｓｙｓ⁃ｔｅｍｄｙｎａｍｉｃｓｉｎｖｅｓｔｉｇａｔｉｏｎ：ｈｉｇｈ⁃ｒｅｓｏｌｕｔｉｏｎｌａｓｅｒｒａｎｇｉｎｇｏｆｔｈｅＥａｒｔｈ ｓｆｏｒｅｓｔｓａｎｄｔｏｐｏｇｒａｐｈｙ［Ｊ］．ＳｃｉＲｅｍｏｔｅＳｅｎｓ，２０２０，１（Ｃ）：１００００２．ＤＯＩ：１０．１０１６／ｊ．ｓｒｓ．２０２０．１００００２．［１３］ＱＩＷ，ＤＵＢＡＹＡＨＲＯ．ＣｏｍｂｉｎｉｎｇＴａｎｄｅｍ⁃ＸＩｎＳＡＲａｎｄｓｉｍｕ⁃ｌａｔｅｄＧＥＤＩｌｉｄａｒｏｂｓｅｒｖａｔｉｏｎｓｆｏｒｆｏｒｅｓｔｓｔｒｕｃｔｕｒｅｍａｐｐｉｎｇ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓＥｎｖｉｒｏｎ，２０１６，１８７：２５３－２６６．ＤＯＩ：１０．１０１６／ｊ．ｒｓｅ．２０１６．１０．０１８．［１４］ＡＤＡＭＭ，ＵＲＢＡＺＡＥＶＭ，ＤＵＢＯＩＳＣ，ｅｔａｌ．Ａｃｃｕｒａｃｙａｓｓｅｓｓ⁃ｍｅｎｔｏｆＧＥＤＩｔｅｒｒａｉｎｅｌｅｖａｔｉｏｎａｎｄｃａｎｏｐｙｈｅｉｇｈｔｅｓｔｉｍａｔｅｓｉｎＥｕ⁃ｒｏｐｅａｎｔｅｍｐｅｒａｔｅｆｏｒｅｓｔｓ：ｉｎｆｌｕｅｎｃｅｏｆｅｎｖｉｒｏｎｍｅｎｔａｌａｎｄａｃｑｕｉｓｉ⁃ｔｉｏｎｐａｒａｍｅｔｅｒｓ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓ，２０２０，１２（２３）：３９４８．ＤＯＩ：１０．３３９０／ｒｓ１２２３３９４８．［１５］ＧＵＥＲＲＡＨＪ，ＰＡＳＣＵＡＬＡ．ＵｓｉｎｇＧＥＤＩｌｉｄａｒｄａｔａａｎｄａｉｒｂｏｒｎｅｌａｓｅｒｓｃａｎｎｉｎｇｔｏａｓｓｅｓｓｈｅｉｇｈｔｇｒｏｗｔｈｄｙｎａｍｉｃｓｉｎｆａｓｔ⁃ｇｒｏｗｉｎｇｓｐｅｃｉｅｓ：ａｓｈｏｗｃａｓｅｉｎＳｐａｉｎ［Ｊ］．ＦｏｒＥｃｏｓｙｓｔ，２０２１，８（１）：１４．ＤＯＩ：１０．１１８６／ｓ４０６６３－０２１－００２９１－２．［１６］ＬＩＵＡ，ＣＨＥＮＧＸ，ＣＨＥＮＺＱ．ＰｅｒｆｏｒｍａｎｃｅｅｖａｌｕａｔｉｏｎｏｆＧＥＤＩａｎｄＩＣＥＳａｔ⁃２ｌａｓｅｒａｌｔｉｍｅｔｅｒｄａｔａｆｏｒｔｅｒｒａｉｎａｎｄｃａｎｏｐｙｈｅｉｇｈｔｒｅ⁃ｔｒｉｅｖａｌｓ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓＥｎｖｉｒｏｎ，２０２１，２６４：１１２５７１．ＤＯＩ：１０．１０１６／ｊ．ｒｓｅ．２０２１．１１２５７１．［１７］ＤＵＢＡＹＡＨＲ，ＨＯＦＴＯＮＭ，ＢＬＡＩＲＪ，ｅｔａｌ．ＧＥＤＩＬ２ＡｅｌｅｖａｔｉｏｎａｎｄｈｅｉｇｈｔｍｅｔｒｉｃｓｄａｔａｇｌｏｂａｌｆｏｏｔｐｒｉｎｔｌｅｖｅｌＶ００２［Ｒ］．ＮＡＳＡＥＯＳＤＩＳＬａｎｄＰｒｏｃｅｓｓｅｓＤＡＡＣ，２０２１－０５－０７．ＤＯＩ：１０．５０６７／ＧＥＤＩ／ＧＥＤＩ０２＿Ａ．００２．［１８］ＣＯＯＫＢ，ＣＯＲＰＬ，ＮＥＬＳＯＮＲ，ｅｔａｌ．ＮＡＳＡｇｏｄｄａｒｄ ｓＬｉＤＡＲ，ｈｙｐｅｒｓｐｅｃｔｒａｌａｎｄｔｈｅｒｍａｌ（Ｇ⁃ｌｉｈｔ）ａｉｒｂｏｒｎｅｉｍａｇｅｒ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓ，２０１３，５（８）：４０４５－４０６６．ＤＯＩ：１０．３３９０／ｒｓ５０８４０４５．［１９］ＲＯＹＤＰ，ＷｕｌｄｅｒＭＡ，ＬｏｖｅｌａｎｄＴＲ，ｅｔａｌ．Ｌａｎｄｓａｔ⁃８：ｓｃｉｅｎｃｅａｎｄｐｒｏｄｕｃｔｖｉｓｉｏｎｆｏｒｔｅｒｒｅｓｔｒｉａｌｇｌｏｂａｌｃｈａｎｇｅｒｅｓｅａｒｃｈ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓＥｎｖｉｒｏｎ，２０１４，１４５：１５４－１７２．ＤＯＩ：１０．１０１６／ｊ．ｒｓｅ．２０１４．０２．００１．［２０］柳红凯，徐昌荣，徐晓．基于渐进加密三角网机载ＬＩＤＡＲ点云滤波改进算法研究［Ｊ］．江西理工大学学报，２０１６，３７（３）：５０－５５，６０．ＬＩＵＨＫ，ＸＵＣＲ，ＸＵＸ．Ｓｔｕｄｙｏｎｉｍｐｒｏｖｅｄａｌｇｏ⁃ｒｉｔｈｍｏｆｐｏｉｎｔｃｌｏｕｄｓｆｒｏｍａｉｒｂｏｒｎｅｓｃａｎｎｅｒｂａｓｅｄｏｎｐｒｏｇｒｅｓｓｉｖｅｅｎｃｒｙｐｔｉｏｎＴＩＮ［Ｊ］．ＪＪｉａｎｇｘｉＵｎｉｖＳｃｉＴｅｃｈｎｏｌ，２０１６，３７（３）：５０－５５，６０．ＤＯＩ：１０．１３２６５／ｊ．ｃｎｋｉ．ｊｘｌｇｄｘｘｂ．２０１６．０３．００９．［２１］佟斯琴，包玉海，张巧凤，等．基于像元二分法和强度分析方法的内蒙古植被覆盖度时空变化规律分析［Ｊ］．生态环境学报，２０１６，２５（５）：７３７－７４３．ＴＯＮＧＳＱ，ＢＡＯＹＨ，ＺＨＡＮＧＱＦ，ｅｔａｌ．ＳｐａｔｉａｌｔｅｍｐｏｒａｌｃｈａｎｇｅｓｏｆｖｅｇｅｔａｔｉｏｎｃｏｖｅｒａｇｅｉｎＩｎｎｅｒＭｏｎｇｏｌｉａｂａｓｅｄｏｎｔｈｅｄｉｍｉｄｉａｔｅｐｉｘｅｌｍｏｄｅｌａｎｄｉｎｔｅｎｓｉｔｙａｎａｌｙｓｉｓ［Ｊ］．ＥｃｏｌＥｎｖｉｒｏｎＳｃｉ，２０１６，２５（５）：７３７－７４３．ＤＯＩ：１０．１６２５８／ｊ．ｃｎｋｉ．１６７４－５９０６．２０１６．０５．００２．（责任编辑㊀李燕文）９４１。
不同空间尺度森林参数多源遥感反演方法
不同空间尺度森林参数多源遥感反演方法森林作为地球陆地生态系统中面积最大、最重要的自然生态系统,在维持全球生态平衡,促进全球生物进化和群落演替等方面起到了至关重要的作用。
森林参数作为森林生态系统最基本的数量表征,能够反映森林与环境间物质循环与能量流动关系,是评估森林碳源和碳汇的重要标志。
森林冠层高度和地上生物量作为两种重要的森林参数,对其区域分布进行定量化研究可以为评估森林生态系统的健康状况发挥重要的理论和现实意义。
传统的森林冠层高度和地上生物量测量方法主要以人工野外实地调查的方式获取,该方法费时费力并很难应用于大区域森林调查。
遥感作为20世纪末发展起来的新兴学科,正在以独特的观测视角为森林参数的定量估测提供新的研究方法。
光学遥感影像具有空间分布连续性,能够提供多样化的光谱信息,可为区域尺度森林参数反演提供相应的遥感特征扩展因子。
但是其信号穿透能力差,只能获取被测物体的二维平面光谱信息;激光雷达作为近些年迅速发展的主动式遥感技术,对森林冠层有着较强的穿透能力,能够获取森林垂直结构分布。
机载激光雷达以一种自上而下的扫描方式的对地物进行观测,其获取的三维点云能够精确描述森林的三维结构特征,被广泛应用于林分森林参数估测。
然而,其数据获取成本较高,容易受天气条件的限制,很难覆盖大区域。
星载激光雷达ICESat/GLAS的激光传感器被安置在卫星上,对陆地表面进行光斑采样,这些属性使得其有更大的数据覆盖范围,并且可以定期重复观测。
由于GLAS的大光斑属性,在地形变化较大区域,其光斑范围内波形形状易受地形影响而产生畸变,从而使得GLAS光斑森林参数估测产生偏差。
因此,如何充分发挥不同遥感数据源的优势,在不同空间尺度(林分,光斑和区域)进行森林参数反演成为本文研究的重点内容。
本文在其他学者研究的基础上,以中国东北部主要森林覆盖区大兴安岭地区为例,开展了基于多源遥感数据的不同空间尺度森林参数反演的方法研究,主要从以下三个方面开展:1)林分森林参数反演:利用机载LiDAR点云数据反演林分森林冠层高度,利用融合机载LiDAR特征和Landsat TM影像纹理特征的方法反演林分地上生物量;2)GLAS光斑森林参数反演:利用星载GLAS波形参数和SRTM地形数据建立地形校正模型反演GLAS光斑森林冠层高度,利用GLAS光斑森林冠层高度以及GLAS波形参数反演GLAS光斑地上生物量;3)区域尺度森林参数反演:利用GLAS光斑森林参数反演结果作为训练样本,MODIS标准产品作为扩展因子,FAO生态分区为建模分区标准,SVR模型作为空间建模方法,对区域尺度森林冠层高度和地上生物量进行反演。
无人机遥感影像的DSM及遥感数据林分平均高提取探究
第20卷 第9期 中 国 水 运 Vol.20 No.9 2020年 9月 China Water Transport September 2020收稿日期：2020-07-20作者简介：丁恒黎（1972-），男，浙江广盛环境建设集团有限公司高级工程师。
无人机遥感影像的DSM 及遥感数据林分平均高提取探究丁恒黎（浙江广盛环境建设集团有限公司，浙江 舟山 316000）摘 要：本文以水库大坝周边的山区作为研究的区域，运用无人机遥感立体像来提取DSM（数字表面模型）。
以目视的方式加以判读，通过在影像内无植被的区域中设立校正点，然后将校正点位置的DSM 和DEM （数字高程模型）值拟合校正因子对DSM 高程加以校正，再与DEM 结合并提取出树高，最后运用林地一张图数据得出各林地图斑树高的平均值。
研究表明在高程校正和运用“一张图”数据得出的结果结合在一起能够作为林地变更的补充，进一步达到对林分平均高的更新。
关键词：无人机遥感；DSM；林地“一张图”；遥感数据中图分类号：S771.8 文献标识码：A 文章编号：1006-7973（2020）09-0056-03当前针对遥感技术研发力度较强，并且在不断的完善与发展，而我国的森林资料较为丰富，因此对森林资源的相关信息需求也越来越高，而在森林的调查过程中，通过将遥感技术运用在调查中则能提升调查的效果，并且在当前的应用范围较广[1-2]。
遥感技术可以直观的对范围较大的林分树高进行估测，由此将给调查带来很大的方便，提升实际工作的效率，避免浪费人力、物力[3-5]。
无人机遥感主要使用以下多种技术：遥感传感器、实时通信、无人驾驶飞行、遥测技术、GPS 差分定位等技术，其主要具备自动化和智能化以及专业化的特点，可以非常快速的得到空间遥感的信息，然后对其进行实时的处理和建模以及分析。
然而当前利用无人机的遥感技术并运用在一些范围较大的森林中林分平均的树高中的研究十分稀缺，而本文的研究则主要是利用无人机的遥感立体图像来获取DSM 的相关数据信息，然后通过高程的校正之后，再和数字地形高程的模型以及林地“一张图”的数据进一步的结合，进而合理的构建出能够及时快速的得出林分平均树高的办法，可以以此来当作对林地进行变更调查的补充。
激光雷达 测量树木的方法
激光雷达测量树木的方法嘿，你知道吗，激光雷达可是个厉害的家伙呢！它就像是我们测量树木的秘密武器。
激光雷达就像一双超级眼睛，能把树木的各种细节都看得清清楚楚。
那它到底是怎么测量树木的呢？咱就来好好唠唠。
想象一下，激光雷达向树木发射出一束束激光，就像一道道神奇的光线，这些光线碰到树木后就会反弹回来。
然后呢，通过分析这些光线的传播时间和角度等信息，就能算出树木的各种数据啦。
比如说树有多高呀，树冠有多大呀，树干有多粗呀，统统都能知道。
这多神奇呀！就好像我们有了一个能看透树木的魔法工具。
它可比我们用尺子去量方便多了，也准确多了呢。
而且啊，它还能同时测量一大片树林里的好多好多树木，这效率，简直了！你说这激光雷达是不是特别牛？它能在短时间内获取大量关于树木的数据，这对林业研究、生态保护啥的可太重要了。
咱再想想，要是没有激光雷达，那我们要了解一片树林的情况得费多大劲呀！得一棵一棵地去量，那得花多少时间和精力啊。
有了激光雷达，这一切都变得简单多啦。
它就像是一个默默工作的小能手，在我们看不到的地方发挥着巨大的作用。
它帮助我们更好地了解树木的生长状况，为保护森林资源提供了有力的支持。
那它具体是怎么做到这么厉害的呢？首先呀，它的精度非常高，能精确到毫米级别呢。
这意味着什么？意味着它能把树木的细节都捕捉得非常准确。
然后呢，它的测量速度也超快，眨眨眼的功夫，一大片树木的数据就到手啦。
而且哦，激光雷达还能穿透一些障碍物呢，比如说树叶啥的。
这可太厉害啦，一般的测量工具可做不到这一点哟。
你说这激光雷达是不是很了不起？它就像是为我们打开了一扇了解树木世界的大门，让我们能更深入地探索森林的奥秘。
哎呀，真的是不得不佩服科技的力量呀！有了激光雷达，我们对树木的了解能更上一层楼呢。
以后呀，我们肯定还能发现更多它的神奇用途。
所以呀，激光雷达测量树木的方法真的是既先进又实用呢！这可真是我们探索自然、保护自然的好帮手呀，你难道不这么认为吗？。
利用大光斑激光雷达估测小兴安岭平均树高
利用大光斑激光雷达估测小兴安岭平均树高作者：胡艳等来源：《安徽农业科学》2014年第15期摘要研究通过获取覆盖中国黑龙江省小兴安岭的GLAS 第三激光器Laser3I 数据，并用IDL 和MATLAB对GLAS 波形数据进行处理来提取树高，利用小兴安岭二类调查数据做精度检验，得到精度为92.67%。
结果显示：大光斑激光雷达能够高精度地提取树高，可为林业生产及时提供必要的数据支持。
关键词雷达；GLAS；小兴安岭；平均树高中图分类号S127文献标识码A文章编号0517-6611（2014）15-04707-03AbstractBy getting Laser 3I data of covey Lesser Khingan Mountains in Heilongjiang Provice，and disposing GLAS data with IDL and MATLAB， tree heights were obtained and using the Khingan Mountains two kinds of investigation data accuracy test， the theoretical accuracy was 92.67%. Result shows that the GLAS data can provide tree height with high precision， which can supply accurate， timely and necessary data for forestry production.Key words LIDAR； GLAS； Khingan Mountains； The average tree height森林是陆地上占地面积最大、结构组成最复杂、物质资源最丰富的生态系统。
树高是最重要的测树因子之一，是调查森林资源的重要指标[1]。
基于地面激光雷达的中国南方城市绿化树种碳储量测算及研究
摘要城市森林是森林碳库的重要组成部分，开展城市绿化树种碳储量的无损测算及相关研究对于评估城市森林的碳汇功能具有重要意义。
为研究基于地面激光雷达（TLS）的城市绿化树种碳储量的测算并对现有的立木体积模型和碳储量模型的测算精度进行评估，本研究利用TLS采集30株无患子和银杏的点云数据，利用高枝剪和取芯器分别采集样木的枝叶样本和树干钻芯样本，并基于TLS测算不同区分段长度下的树干材积及碳储量；测算不同像元大小下的树叶体积及碳储量；测算不同方法下的BEF，并对测算结果进行对比分析并与现有的体积及碳储量模型的测算结果进行比较，结果表明：1）基于TLS采集的点云数据具有高度还原性和真实性，可提取得到高精度的测树因子；2）不同区分段长度对树干材积的测算精度并没有显著影响（P>0.05），但是小于等于0.5 m的区分段长度能测算得到更为稳定精确的树干材积和碳储量；3）在低分辨率下，当体像元边长为立木冠幅的1/50到1/100时可测算得到高精度的树叶碳储量数据；4）总体而言，不同城市绿化树种与野外林分均存在明显差异。
现有模型在测算城市绿化树种的材积、冠层体积及碳储量时均存在一定程度的欠缺。
5）城市绿化树种的BEF呈跳跃式变动，其变化规律不明显且与野外林分存在显著差异（P<0.05）。
径阶可作为在城市小区域尺度立木碳储量测算时的BEF选择的参考依据。
关键词：地面激光雷达；树干材积；冠层体积；碳储量；精度评估；生物量扩展因子ABSTRACTThe study of nondestructive measurement and related researches of carbon storage for urban green tree species have great significance to assess the carbon storage function of urban forests, due to it plays an important role in forest carbon stock. In order to study the measurement of carbon storage for urban greening tree species based on terrestrial laser scanning (TLS) and to evaluate the accuracy of volume and carbon storage measured by existing models, in this study 30 point clouds samples of Sapindus mukorossi and Ginkgo biloba L were captured by TLS. Then the branches and leaves and stem drill cores were also sampled respectively by pole tree pruners and coring device to obtain the volume and carbon storage of stem based on different section length, and to measure the volume and carbon storage of leaves based on different pixel size, and to measure the BEF based on different methods. Afterward the result were compared and analyzed and these data were also compared with data derived from existing models of volume and carbon storages. The result showed that:1) The tree measuring factors could be obtained with high precision by TLS, due to the captured point clouds were high reducibility and authenticity.2) Although there is no significant different between the measurement of stem volume based on different section length, the volume and carbon storage of stem could be measured stably and accurately when the section length less than 0.5 m.3) At low resolution, the accurate measurement of canopy carbon storage could be obtained when the length of pixel was between 1/50 and 1/100 of crown wide.4) Generally speaking, the existing models had different degrees of shortage for measuring the stem volume and canopy volume and each organ carbon storage of urban greening tree species because of there is obvious difference in the trees between city and field stand.5) There was unobvious rules in BEF due to it’s leaping change. So it means the difference of BEF between urban greening species and field stand was significant (P<0.05). The diameter can be used as the reference for BEF selection which was used to estimate the carbon storage of urban greening tree species under the small city scale.Key words: terrestrial laser scanning; stem volume; canopy volume; carbon storage;accuracy evaluation; biomass expansion factor目 录摘要 (I)ABSTRACT .......................................................................................................................... I I 目录 (III)1绪论 (1)1.1研究背景 (1)1.2城市植被碳储量研究综述 (2)1.2.1国外研究进展 (2)1.2.2国内研究进展 (3)1.2.3城市植被碳储量测算方法研究进展 (3)1.3地面激光雷达技术在林业调查中的应用研究进展 (4)1.3.1基于TLS的树木三维可视化建模 (5)1.3.2基于TLS的基本测树因子测算 (5)1.3.3基于TLS的冠层因子测算 (7)1.3.4基于TLS的树种分类 (7)1.3.5森林点云分类 (8)1.4本研究的问题，目的及意义 (8)2研究方法和数据分析 (10)2.1研究区概况 (10)2.2研究对象及内容 (10)2.3技术路线 (12)2.4 TLS介绍 (13)2.4.1 TLS扫描原理 (13)2.4.2点云数据采集方法 (13)2.5外业数据采集 (13)2.5.1单立木点云数据采集 (13)2.5.2立木各器官样本采集 (14)2.6点云数据预处理及基本测树因子的提取 (15)2.7基于点云数据的立木各器官体积及碳储量测算方法 (16)2.7.1基于点云数据的树干材积及碳储量测算方法 (16)2.7.2基于点云数据的树枝体积及碳储量测算方法 (16)2.7.3基于点云数据的树叶体积及碳储量测算方法 (17)2.7.4 BEF测算方法 (18)2.7.5树干材积及冠层体积模型值测算方法 (18)2.7.6各器官碳储量模型值测算方法 (18)2.8统计分析 (19)3基于TLS树干材积及碳储量的无损测算研究 (20)3.1基本测树因子的提取及分析 (20)3.2不同区分段长度对材积测算的影响分析 (21)3.3立木材积、碳储量不同测算方法比较 (23)3.4树干材积及碳储量测算精度随立木生长变化研究 (24)3.5讨论 (25)3.6本章小结 (27)4基于TLS的冠层及整体碳储量无损测算研究 (28)4.1基于TLS的树叶有效体积及碳储量测算 (28)4.2不同方法测算的冠层体积及碳储量比较 (30)4.3不同方法测算立木各器官及整体碳储量比较 (30)4.4模型测算立木各器官及整体碳储量精度随径阶的变化 (32)4.5讨论 (33)4.6本章小结 (35)5基于TLS的BEF无损测算研究 (36)5.1基于不同方法测算的BEF比较 (36)5.2基于不同BEF测算的立木碳储量比较 (37)5.3 BEF随径阶的变化研究 (38)5.4讨论 (38)5.5本章小结 (39)6 结论与讨论 (40)6.1 结论 (40)6.2 讨论 (41)6.2.1 创新点 (41)6.2.2 存在的不足 (41)6.2.3 精度的评估 (41)6.3 展望 (41)参考文献 (43)个人简介 (51)致谢 (52)1绪论1.1研究背景20世纪70年代末，全球气候变暖这一概念于日内瓦气候大会上正式提出，由此这一话题开始逐渐成为当今社会各界广泛关注的焦点[1]。
基于机载LiDAR数据的三维树木建模方法
ｏ
Ｔｗ ｉ ｎ ｓ ａ ｔ 、 、
、▲
Ｐ’＝ Ｆ［ ２ Ｌ】
ｗ ＋【 ， Ｊ （ ） ｌ Ｆ（Ｊ ｌ 尺丁 ＆ ）＋
层树干结构 的确立需要结合影像 ，算法流程复杂 ，所建立 的
模型外层结构单一 。 本文 针对 Ｌ Ｄ Ｒ系统获取 的单棵树木数 ｉＡ 据特点 ，提 出一种新 的树木建模方法。 ．
圈 １ 算法漉程 基 金项 目：国家 “ ７ ”计划基金资助项 目 ２ ０ ｃ ７ ４ （ 【 ） ９３ （０ ９ Ｂ ２ 【 ７ ４；武汉 】 ） 】 大学博士生 自主科研基金资助项 目（０ ０ １ ０ ０ ０ ０ ３ ） ２ １ ２ ３ ２ １０ １５
（） ５
其扰动范围为（７５， ． ） 一 ． ７５。。 。 下面给出 ３ 条产 生式规则 ，供生长过程中随机选择 ：
Ｐ’ ［ ］ 塑 Ｉ ＝Ｈ Ｆ Ｌ — 坐 【 ， ｊ （ ７） （ ）（Ｒ ） Ｆ（ＪＩ 尺 ＇ Ｅ ・ Ｓ ）＋ ＆ Ｒ Ｆ（Ｌ Ｌ ｌ （ １ Ｅ Ｒ Ｓ￣ ）Ｉ ７ ＆（ Ｃ—Ｒ ）（ Ｒ ） （ Ｌ 一 ） Ｅ ・ Ｓ Ｆ Ｒ Ｓ￣， 】 （ ） Ｒ ｜ ） ６
２ 基于点云的多层次 Ｌ 系统建模算法模型 －
本文将点云 空间进行 多层次划分 ，设计 了以分形思想为 依据 的 “ 产生式规则” ，并 由此模拟植物的生长规律 ： 先将 首
数据进行预处理（ 包括选择模型中心点、定义 主干生长 方向、 量测树 高和树冠宽度） ；然后利 用三维 Ｌ 系统方法初始化模 一
型 ，形成模型主干及主分支 ；再加入正态分布的随机函数 ， 利用随机 化 Ｌ 系统 方法 ，填补点云内层区域。当模型迭代达 一 到外 层数据 点集 中 区域时 ，以点云数 据为 依据提 取算 法参 数 ，由此参数化 Ｌ 系统 ，使模型 “ 一 自适应”点云向外生长； 若模 型达到外围边界时形成树叶 ，算法结束 ，否则继续 自适
利用大光斑激光雷达估测小兴安岭平均树高
利用大光斑激光雷达估测小兴安岭平均树高胡艳;王迪;刘凌菲;曲苑婷;汪垚;刘洋;李虎;范文义【摘要】研究通过获取覆盖中国黑龙江省小兴安岭的GLAS第三激光器Laser3I 数据,并用IDL和MATLAB对GLAS波形数据进行处理来提取树高,利用小兴安岭二类调查数据做精度检验,得到精度为92.67％.结果显示:大光斑激光雷达能够高精度地提取树高,可为林业生产及时提供必要的数据支持.【期刊名称】《安徽农业科学》【年(卷),期】2014(000)015【总页数】3页(P4707-4709)【关键词】雷达;GLAS;小兴安岭;平均树高【作者】胡艳;王迪;刘凌菲;曲苑婷;汪垚;刘洋;李虎;范文义【作者单位】东北林业大学林学院,黑龙江哈尔滨150040;东北林业大学林学院,黑龙江哈尔滨150040;东北林业大学林学院,黑龙江哈尔滨150040;东北林业大学林学院,黑龙江哈尔滨150040;东北林业大学林学院,黑龙江哈尔滨150040;东北林业大学林学院,黑龙江哈尔滨150040;吉林师范大学博达学院管理系,吉林四平136000;东北林业大学林学院,黑龙江哈尔滨150040【正文语种】中文【中图分类】S127森林是陆地上占地面积最大、结构组成最复杂、物质资源最丰富的生态系统。
树高是最重要的测树因子之一，是调查森林资源的重要指标[1]。
利用传统的森林树高参数测定方法需要消耗大量的人力物力，而且获取的数据量少，不利于大范围地测定森林参数，数据的现实性比较差[2]。
随着科学技术的迅速发展，产生了测定森林参数的新技术——激光雷达技术。
激光雷达(Light Detection And Rang，LIDAR)是一种通过由传感器所发出的激光脉冲来测定传感器与目标物体之间距离的主动遥感技术[3]。
大光斑激光雷达技术具有不受森林郁闭度限制，受天气影响小，数据的采集质量高，高程数据精度不受航高变动影响的优点[4]。
利用它的多次回波技术，可获取森林的三维结构信息，对森林的垂直参数进行估测，比常规的摄影测量技术更加具有优越性。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
中国体视学与图像分析 2009年 第14卷 第2期CHINESEJOURNALOFSTEREOLOGYANDIMAGEANALYSISVol.14No.2June2009209
文章编号:1007-1482(2009)02-0209-07
基于LiDAR数据的平均树高反演关键技术研究
张周威1, 汪承义1, 陈静波1, 王 刚2(1.中国科学院遥感应用研究所遥感图像处理室, 北京 100101
2.中国科学院对地观测与数字地球科学中心, 北京 100101)
摘 要:通过激光雷达数据反演林木参数,特别是树高,将极大地推进激光雷达在林业上的应用。本文首先对LiDAR获取的高密度点云进行预处理,生成适合森林参数提取的规则网格数字表面模型,然后利用形态学滤波的方法逐步去掉非地形要素,形成数字高程模型,最后利用数字表面模型减去得到的数字高程模型,可得到正则化数字表面模型,并求出地物的相对高度信息,在林木上就是最终得到所需要的树木平均高度信息。结合真实LHSystemALS40数据进行实验,验证了本文方法的可行性。关键词:激光雷达;树高;形态学滤波;正则化数字表面模型中图分类号:S75811;TP391141 文献标识码:A
KeyTechniqueofForestHeightInversionfromLiDARDatasetZHANGZhouwei1, WANGChengyi1, CHENJingbo1, WANGGang2(1.DepartmentofRemoteSensingImageProcessing,InstituteofRemoteSensingApplications,
ChineseAcademicSciences,Beijing100101,China;2.CenterforEarthObservationandDigitalEarth,ChineseAcademyofSciences,Beijing100101,China)
Abstract:Forestparameters,especiallyforestheight,canbeinvertedfromLightDetectionAndwaspro2cessedtask,Ranging(LiDAR)dataset,whichshouldpromotetheapplicationsofLiDARinforestry.Todothehardtask,thecloudpointdataofLiDARwasprocessedatfirst,followedbygeneratingregulargriddigitalsurfacemodel(DSM)toextractforestryinformation,thenmorphologicalfilteringwasusedtore2movenon2topographicfeatures,finallyrelativeheightinformationofgroundfeatures,includingtheforestheightinformation,wereachievedbysubtractingdigitalelevationmodel(DEM)fromDSM,callednor2malizedDSM(nDSM).ValidationoftheexperimentswascarriedoutonadatasetcollectedbyLHSystemALS40andthefeasibilityofthistechniquewasproved.Keywords:LiDAR;forestheight;morphologicalfilter;nDSM
收稿日期:2009204220
基金项目:国家自然科学基金(08J0140055);中国科学院遥感应用研究所基金(08S01800CX)作者简介:张周威(1980-),男,博士生,研究方向为图像复原和提高图像分辨率。E2Mail:wangcycastle@163.com
激光雷达(LightDetectionAndRanging,Li2DAR)技术是现代对地观测的最新技术之一,在对地面的探测能力方面有着强大的优势。LiDAR通过位置、距离、角度等观测数据直接获取对象表面点的三维坐标,空间与时间分辨率高、动态探测范围大、能够部分穿越树林遮挡、直接获取真实地表的高精度210 中国体视学与图像分析2009年 第14卷 第2期三维信息,是快速获取高精度地形信息的全新手段[1]。树高是反映材积和林地质量的重要参数,因此树高信息的获取具有十分重要的意义,高精度的森林高度信息获取一直是林业遥感中难以解决的问题,而激光雷达技术的优势主要在于高程信息的获取。因此,激光雷达凭借其快速准确地获取林地数字高程模型和森林高度信息的能力,使遥感技术在林业领域的应用登上新的台阶。近20年来,研究者发展了许多用于激光雷达数据反演林木参数特别是树高(林分平均树高和单木树高)的算法,极大地推进了激光雷达在林业上的应用。国外,Nilsson等通过计算冠顶和地面回波之间的距离计算了树高,精度达90%以上[2]。马里兰大学地理系Dubayah等人与NASA2GSFC合作提出了星载植被激光雷达系统(VCL)计划,该计划的机载实验系统(LVIS)在美国、加拿大、澳大利亚等多个国家进行了成功的实验,发展了森林激光雷达回波波形处理的方法并进行了验证[3]。Lefsky等人对多种先进的遥感数据进行了比较研究,包括多时相TM数据、高空间分辨率的记载ADAR数据、机载高光谱AVIRIS数据和机载激光雷达SLICER数据,结果表明激光雷达数据反演出的数目结构参数精度最高,并指出尽管目前激光雷达只有采样数据,但与其他影像数据结合使用将大大提高林业遥感的精度,近来随着星载激光雷达系统的实施,必能取得更广泛的应用[4]。KentonTodd等对小光斑LiDAR数据计算树高进行了研究,通过剔除首次回波中的噪声点而提取出数字表面模型,然后通过DSM减去而得到了平均树高[5]。国内,庞勇等人利用较低密度的点云数据,使用分位数法对林分平均高进行了估计,实验精度达到国家二类森林调查规程的需求[6]。王永平(2006)[7]对现有的数据滤波方法进行了分析和比较,并提出了一种适用于森林地区LiDAR数据滤波的算法,该方法能在中等复杂地形的林区有效剔除粗差点、确定数目点云、地面点云,并使用德国数据进行了相关实验和分析,最终提取了森林实验区的数字高程模型和平均树高。周淑芳[8]将LiDAR数据和与其同步获取的高分辨率数目影像为数据源,进行了高精度的单木水平方向信息及树高信息的提取。赵峰(2007)[9]采用植被激光点云数据在不同高度处的分位数作为统计变量,建立与林分平均高的关系,进行林分平均高反演,以树冠高模型(CHM)和影像分割结果为基础进行了单木树高反
演。可见,LiDAR用于在林业应用中估测一些重要的森林参数,如树高、林冠高度、郁闭度、林间空地和地上生物量甚至区别树种等。这种估计目前被分为两个层次:林分尺度森林调查和基于单株立木的清查,如单木分割、树高提取及树冠层信息提取等。本文主要讨论林木平均树高的反演问题,利用形态学滤波的办法逐步去掉数字表面模型(DSM)中的非地形要素,利用DSM减去得到的数字地形高程模型(DEM),得到所需要的树高信息。该方法同上述方
法相比较可以简单快速提取单木树高信息。
1 激光雷达及其平均树高反演关键技术简介
111 激光雷达基本原理 用于森林参数测定的激光主要是波长在900～1500nm,利用传播时间差原理的测距型激光雷达。所谓测距型激光雷达,就是通过测量地面采样点激光回波脉冲相对于发射主波间的时间延迟得到传感器到地面采样点之间的距离[10]。激光雷达系统由激光扫描系统、全球定位系统(GlobalPositioningSystem,GPS)和惯性测量单元
(InertialMeasurementUnit,IMU)组成,如图1所示
,
由于该系统所获得的数据是大量悬浮在空中离散的点阵数据集,因此被形象地称为“点云”数据。点云数据不仅包含地物对象的高程信息,还具有丰富的目标多次回波信号及强度信息、地物类别信息,以及与每一点高程信息对应的位置信息等。
图1 激光雷达系统用于林业的LiDAR主要有两类,即记录波形数据的大光斑激光雷达与记录回波信号的小光斑激光2009年 第14卷 第2期 张周威等:基于LiDAR数据的平均树高反演关键技术研究211
雷达。大光斑直径为8～70m,主要利用连续波形反映大范围森林的垂直结构与生物量等信息,目前大光斑激光雷达系统主要有NASA的机载LVIS系统、SLICER系统和星载GLAS系统,瑞典TopEye公司的TopEyeMark系统和加拿大Optech公司的OptechIncALTM3100系统;小光斑直径小于1m,利用多次回波的离散激光点云数据,估测森林高度、单木参数等,比较成熟的小光斑激光雷达系统有瑞典TopEye公司的机载系统,德国TopSys系统和TopoScan系统,加拿大Optech公司的ALTM系统、美国的PLAS系统,瑞士Leica公司的ALS系统等[11-13]。
112 LiDAR平均树高反演关键技术对于小光斑离散回波的LiDAR系统而言,反演树高的基本原理是计算激光回波来自树冠顶部和地面的距离差,具体方法为由数字地面模型(DTM)和DSM差分生成正则化数字表面模型(nDSM),nDSM上的高度即为地物绝对高度。该方法包含以下关键技术。11211 点云数据预处理预处理主要包括基于GPS/IMU组合技术的激光点数据的三维坐标解算、激光雷达数据的航带镶嵌、系统误差分析与系统标定等步骤。(1)激光雷达数据三维坐标解算
(2)激光雷达数据航带镶嵌
11212 点云数据滤波(分类)从激光脚点数据点云中提取数字地面模型需要将其中的地物数据点去掉,这就是所谓的激光测高数据的滤波(也称为狭义滤波)。研究如何从数据点云中分离出地形表面激光角点数据子集以及区分不同地物(包括房屋、道路、植被等)激光角点数据子集,这就是所谓的数据过滤和分类(也称为广义滤波)。在森林地区,若不进行植被之间的详细分类,
可以认为激光点云的种类只有三种:地面点、植被点、其他地物点和噪声点。下面,就按照非地面点的去除次序依次介绍LiDAR数据滤波(狭义)方法。(1)高程异常数据点去除
激光点云数据中,一些激光点可能来自林冠下层的灌丛等低矮植被,对树高的反演造成一定影响,
还有一些点可能来自林冠上层的物体的反射,可以根据其高度值较低或很高的特点进行剔除。
(2)航带重叠区冗余数据点过滤