全 文 ：联合星载 ＩＣＥＳａｔ⁃ＧＬＡＳ波形与多光谱 Ｌａｎｄｓａｔ⁃ＴＭ
影像的森林郁闭度估测∗
王　 蕊　 邢艳秋∗∗　 王立海　 尤号田　 邱　 赛　 王爱娟
（东北林业大学森林作业与环境研究中心， 哈尔滨 １５００４０）
摘　 要　 森林郁闭度的空间分布是评价森林生产力和分解率的一个重要指标．本研究以吉林
汪清林区为研究区，分别利用星载激光雷达 ＩＣＥＳａｔ⁃ＧＬＡＳ 波形数据和多光谱遥感 Ｌａｎｄｓａｔ⁃ＴＭ
影像对该区的森林郁闭度进行估测，然后采用多元线性回归和 ＢＰ 神经网络两种方法对 ＧＬＡＳ
数据和 ＴＭ数据进行联合，共同估测了森林郁闭度．结果表明： 单一遥感数据估测森林郁闭度
时，ＧＬＡＳ数据的模型决定系数为 ０．７６２，ＴＭ数据的模型决定系数为 ０．５９８．将 ＧＬＡＳ数据和 ＴＭ
数据联合后估测森林郁闭度时，多元线性回归模型的复决定系数为 ０．８４１，ＢＰ 神经网络模型
的仿真精度为 ０．８５１．表明 ＩＣＥＳａｔ⁃ＧＬＡＳ 数据与 Ｌａｎｄｓａｔ⁃ＴＭ 影像联合能够发挥多源遥感数据
的优势，提高森林郁闭度的估测精度，并为后续的空间区域内森林郁闭度的连续制图提供可
靠的方法．
关键词　 森林郁闭度； ＩＣＥＳａｔ⁃ＧＬＡＳ； Ｌａｎｄｓａｔ⁃ＴＭ； 多源遥感数据； 神经网络模型
文章编号　 １００１－９３３２（２０１５）０６－１６５７－０８　 中图分类号　 Ｓ７７１．８　 文献标识码　 Ａ
Ｅｓｔｉｍａｔｉｎｇ ｆｏｒｅｓｔ ｃａｎｏｐｙ ｃｏｖｅｒ ｂｙ ｃｏｍｂｉｎｉｎｇ ｓｐａｃｅｂｏｒｎｅ ＩＣＥＳａｔ⁃ＧＬＡＳ ｗａｖｅｆｏｒｍｓ ａｎｄ ｍｕｌ⁃
ｔｉｓｐｅｃｔｒａｌ Ｌａｎｄｓａｔ⁃ＴＭ ｉｍａｇｅｓ． ＷＡＮＧ Ｒｕｉ， ＸＩＮＧ Ｙａｎ⁃ｑｉｕ， ＷＡＮＧ Ｌｉ⁃ｈａｉ， ＹＯＵ Ｈａｏ⁃ｔｉａｎ， ＱＩＵ
Ｓａｉ， ＷＡＮＧ Ａｉ⁃ｊｕａｎ （Ｃｅｎｔｅｒ ｆｏｒ Ｆｏｒｅｓｔ Ｏｐｅｒａｔｉｏｎｓ ａｎｄ Ｅｎｖｉｒｏｎｍｅｎｔ， Ｎｏｒｔｈｅａｓｔ Ｆｏｒｅｓｔｒｙ Ｕｎｉｖｅｒｓｉｔｙ，
Ｈａｒｂｉｎ １５００４０， Ｃｈｉｎａ） ． ⁃Ｃｈｉｎ． Ｊ． Ａｐｐｌ． Ｅｃｏｌ．， ２０１５， ２６（６）： １６５７－１６６４．
Ａｂｓｔｒａｃｔ： Ｔｈｅ ｓｐａｔｉａｌ ｄｉｓｔｒｉｂｕｔｉｏｎ ｏｆ ｆｏｒｅｓｔ ｃａｎｏｐｙ ｃｏｖｅｒ ｉｓ ａ ｃｒｉｔｉｃａｌ ｉｎｄｉｃａｔｏｒ ｆｏｒ ｅｖａｌｕａｔｉｎｇ ｔｈｅ ｆｏｒ⁃
ｅｓｔ ｐｒｏｄｕｃｔｉｖｉｔｙ ａｎｄ ｄｅｃｏｍｐｏｓｉｔｉｏｎ ｒａｔｅｓ． Ｗｉｔｈ ｔｈｅ Ｗａｎｇｑｉｎｇ Ｆｏｒｅｓｔ Ｒｅｇｉｏｎ ｉｎ Ｊｉｌｉｎ Ｐｒｏｖｉｎｃｅ ｏｆ Ｃｈｉ⁃
ｎａ ａｓ ｔｈｅ ｓｔｕｄｙ ａｒｅａ， ｔｈｉｓ ｓｔｕｄｙ ｆｉｒｓｔ ｅｓｔｉｍａｔｅｄ ｔｈｅ ｆｏｒｅｓｔ ｃａｎｏｐｙ ｃｏｖｅｒ ｕｓｉｎｇ ｓｐａｃｅｂｏｒｎｅ ＬｉＤＡＲ ＩＣ⁃
ＥＳａｔ⁃ＧＬＡＳ ｗａｖｅｆｏｒｍｓ ａｎｄ Ｌａｎｄｓａｔ⁃ＴＭ ｍｕｌｔｉｓｐｅｃｔｒａｌ ｉｍａｇｅｓ， ｒｅｓｐｅｃｔｉｖｅｌｙ， ａｎｄ ｔｈｅｎ ＧＬＡＳ ｄａｔａ ａｎｄ
ＴＭ ｉｍａｇｅｓ ｗｅｒｅ ｃｏｍｂｉｎｅｄ ｔｏ ｆｕｒｔｈｅｒ ｅｓｔｉｍａｔｅ ｆｏｒｅｓｔ ｃａｎｏｐｙ ｃｏｖｅｒ ｂｙ ｕｓｉｎｇ ｍｕｌｔｉｐｌｅ ｌｉｎｅａｒ ｒｅｇｒｅｓｓｉｏｎ
ａｎｄ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ． Ｔｈｅ ｒｅｓｕｌｔｓ ｓｈｏｗｅｄ ｔｈａｔ ｗｈｅｎ ｔｈｅ ｆｏｒｅｓｔ ｃａｎｏｐｙ ｃｏｖｅｒ ｗａｓ ｅｓｔｉｍａｔｅｄ ｗｉｔｈ
ｓｉｎｇｌｅ ｄａｔａ ｓｏｕｒｃｅ， ｔｈｅ ｄｅｔｅｒｍｉｎａｔｉｏｎ ｃｏｅｆｆｉｃｉｅｎｔ ｏｆ ｍｏｄｅｌ ｗａｓ ０．７６２ ｆｏｒ ＧＬＡＳ ｄａｔａ ａｎｄ ０．５９８ ｆｏｒ
ＴＭ ｄａｔａ． Ｗｈｅｎ ｔｈｅ ｆｏｒｅｓｔ ｃａｎｏｐｙ ｃｏｖｅｒ ｗａｓ ｅｓｔｉｍａｔｅｄ ｂｙ ｃｏｍｂｉｎｉｎｇ ＧＬＡＳ ｄａｔａ ａｎｄ ＴＭ ｄａｔａ， ｔｈｅ
ｄｅｔｅｒｍｉｎａｔｉｏｎ ｃｏｅｆｆｉｃｉｅｎｔ ｏｆ ｍｏｄｅｌ ｗａｓ ０．８４１ ｆｏｒ ｍｕｌｔｉｐｌｅ ｌｉｎｅａｒ ｒｅｇｒｅｓｓｉｏｎ， ａｎｄ ｔｈｅ ｓｉｍｕｌａｔｉｏｎ ｐｒｅ⁃
ｃｉｓｉｏｎ ｗａｓ ０．８５１ ｆｏｒ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ． Ｔｈｅ ｓｔｕｄｙ ｉｎｄｉｃａｔｅｄ ｔｈａｔ ｔｈｅ ｃｏｍｂｉｎａｔｉｏｎ ｏｆ ＩＣＥＳａｔ⁃ＧＬＡＳ
ｄａｔａ ａｎｄ Ｌａｎｄｓａｔ⁃ＴＭ ｉｍａｇｅｓ ｃｏｕｌｄ ｅｘｐｌｏｉｔ ｔｈｅ ａｄｖａｎｔａｇｅｓ ｏｆ ｍｕｌｔｉ⁃ｓｏｕｒｃｅ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｄａｔａ ａｎｄ
ｉｍｐｒｏｖｅ ｔｈｅ ｅｓｔｉｍａｔｉｎｇ ａｃｃｕｒａｃｙ ｏｆ ｆｏｒｅｓｔ ｃａｎｏｐｙ ｃｏｖｅｒ， ａｎｄ ｉｔ ｗａｓ ｅｘｐｅｃｔｅｄ ｔｏ ｐｒｏｖｉｄｅ ａ ｐｒｏｍｉｓｉｎｇ
ｗａｙ ｆｏｒ ｓｐａｔｉａｌｌｙ ｃｏｎｔｉｎｕｏｕｓ ｍａｐｐｉｎｇ ｏｆ ｆｏｒｅｓｔ ｃａｎｏｐｙ ｃｏｖｅｒ ｉｎ ｆｕｔｕｒｅ．
Ｋｅｙ ｗｏｒｄｓ： ｆｏｒｅｓｔ ｃａｎｏｐｙ ｃｏｖｅｒ； ＩＣＥＳａｔ⁃ＧＬＡＳ； Ｌａｎｄｓａｔ⁃ＴＭ； ｍｕｌｔｉ⁃ｓｏｕｒｃｅ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｄａｔａ；
ＢＰ⁃ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｍｏｄｅｌ．
∗中央高校基本科研业务费专项（ＤＬ１２ＥＢ０７）和国家自然科学基金
面上项目（４１１７１２７４）资助．
∗∗通讯作者． Ｅ⁃ｍａｉｌ： ｙａｎｑｉｕｘｉｎｇ＠ ｎｅｆｕ．ｅｄｕ．ｃｎ
２０１４⁃０６⁃２５收稿，２０１５⁃０２⁃０２接受．
　 　 实现森林郁闭度的高精度估测，对于理解和监
测人类活动和气候变化对森林生态系统的影响具有
非常重要的意义．森林郁闭度通常指森林内树冠的
垂直投影面积与林地面积的比值［１］，其空间分布是
评价森林生产力和分解率的一个重要指标．传统上
是通过野外实地测量来测定森林郁闭度，耗时费力
且仅获取一些点数据，无法满足大空间尺度森林郁
闭度空间分布和变化的研究．近年来，迅速发展的遥
感技术实现了大区域的森林郁闭度测定，从而弥补
应 用 生 态 学 报　 ２０１５年 ６月　 第 ２６卷　 第 ６期　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　
Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ａｐｐｌｉｅｄ Ｅｃｏｌｏｇｙ， Ｊｕｎ． ２０１５， ２６（６）： １６５７－１６６４
了传统方法的缺陷．目前，使用多光谱遥感 Ｌａｎｄｓａｔ⁃
ＴＭ（Ｔｈｅｍａｔｉｃ Ｍａｐｐｅｒ）反演森林郁闭度的研究较多，
但反演的方法和参数不尽相同［２－８］；利用星载激光
雷达 ＩＣＥＳａｔ（ ｉｃｅ， ｃｌｏｕｄ ａｎｄ ｌａｎｄ ｅｌｅｖａｔｉｏｎ ｓａｔｅｌｌｉｔｅ）⁃
ＧＬＡＳ（ｇｅｏｓｃｉｅｎｃｅ ｌａｓｅｒ ａｌｔｉｍｅｔｒｙ ｓｙｓｔｅｍ）反演森林垂
直结构参数（如树高）的研究较多［９－１１］，而反演森林
水平结构参数（如森林郁闭度）的研究较少． ＧＬＡＳ
激光光斑点在空间分布上不连续，无法达到无缝覆
盖．因此，要获取连续的地面目标信息应与其他遥感
数据（如 ＭＯＤＩＳ、Ｌａｎｄｓａｔ⁃ＴＭ 遥感影像等）进行联
合，发挥多源遥感数据的优势进行同化整合，以提高
森林郁闭度的估测精度，进而实现地面目标信息的
连续制图．
本文以星载激光雷达 ＩＣＥＳａｔ⁃ＧＬＡＳ波形数据和
多光谱遥感 Ｌａｎｄｓａｔ⁃ＴＭ影像为数据源，分别估测了
吉林汪清林区的森林郁闭度，并分别采用多元线性
回归和机器学习方法 ＢＰ（ｂａｃｋ ｐｒｏｐａｇａｔｉｏｎ）神经网
络联合两种数据源共同估测了研究区的森林郁闭
度，旨在发挥多源遥感数据的优势，提高森林郁闭度
的估测精度，并为后续空间区域内森林郁闭度的连
续制图提供可靠的途径．
１　 研究地区与研究方法
１􀆰 １　 研究区概况
本研究区为吉林省汪清县林业局经营区（４３°
０５′—４３°４０′ Ｎ，１２９°５６′—１３１°０４′ Ｅ），属寒温带森林
生态系统，位于长白山山系的中低山区，总面积为
３０．４×１０４ ｈｍ２ ．地面高程变化范围为 ３６０～１４７７ ｍ，地
形坡度变化范围为 ０～４５°．该林区的生态结构复杂，
植物种类繁多．森林多为天然林，树种较多，其中，针
叶树主要有云杉（Ｐｉｃｅａ ａｓｐｅｒａｔａ）、红松（Ｐｉｎｕｓ ｋｏ⁃
ｒａｉｅｎｓｉｓ）和臭松（Ａｂｉｅｓ ｎｅｐｈｒｏｌｅｐｉｓ），阔叶树主要有蒙
古栎（Ｑｕｅｒｃｕｓ ｍｏｎｇｏｌｉｃａ）、椴树 （ Ｔｉｌｉａ ｔｕａｎ）、色木
（Ａｃｅｒ ｍｏｎｏ）、枫桦 （Ｂｅｔｕｌａ ｃｏｓｔａｔａ）和白桦 （Ｂｅｔｕｌａ
ｐｌａｔｙｐｈｙｌｌａ）等．
１􀆰 ２　 地面数据采集与分析
２０１０年 ９月，对汪清林区进行野外地面数据的
采集，随机选取 ＧＬＡＳ 激光光斑位置作为地面数据
的调查样地，共选取 ４０ 个样地，以激光光斑中心点
为圆心建立水平投影面积为 ５００ ｍ２的圆形样地．在
样地调查过程中，分别在东西南北 ４ 个方向的 ５ 和
１０ ｍ处和样方的中心点使用配有三星 ＮＶ３ 型号相
机的 １８０°鱼眼镜头拍摄 ５ 幅半球影像．拍摄时装置
朝正北方，以使最终得到的半球影像的正北方与实
际的正北方一致，便于后续分析．通常样方内的灌木
和杂草高度在 ０．３ ～ １．３ ｍ，这将会影响森林郁闭度
的测定结果．为了消除灌木和杂草对郁闭度的影响，
设定鱼眼镜头的离地高度为 １．５ ｍ．此外，由太阳直
射形成的巨大光斑也会对郁闭度的测定结果产生影
响，为了避免该影响，所有的半球形影像均选在
７：００—９：００和 １６：００—１８：００ 的时间段拍摄．最后，
用 ＷｉｎＳＣＡＮＯＰＹ ２０１０处理软件对所得的半球影像
进行分析，将同一样方内所有半球影像的透光孔隙
度均值作为地面野外测量透光孔隙度的真值［１２－１３］ ．
由于森林郁闭度与透光孔隙度互补，即森林郁闭度
与透光孔隙度之和为 １［１４－１５］，因此根据半球影像得
到的林分透光孔隙度即可推算出森林样方郁闭度．
本研究从野外实测的 ４０ 个森林郁闭度样本中
随机选择 ２７ 个样本做回归分析进行建模，其余 １３
个样本对森林郁闭度估测模型进行验证．
１􀆰 ３　 研究方法
１􀆰 ３􀆰 １激光雷达 ＩＣＥＳａｔ⁃ＧＬＡＳ 数据获取与处理　 搭
载在冰、云和陆地高程卫星 ＩＣＥＳａｔ 上的 ＧＬＡＳ 是第
一个用于全球地面连续观测的星载激光测高系统，
ＧＬＡＳ激光器发射的激光脉冲在地面上所形成的光
斑直径约为 ７０ ｍ，相邻光斑的间距为 １７０ ｍ．ＩＣＥＳａｔ⁃
ＧＬＡＳ 系统共提供 １５ 种数据产品，包括 ＧＬＡ０１，
ＧＬＡ０２，……，ＧＬＡ１５．其中，ＧＬＡ０１ 为全球测高数据
产品，记录了与地面激光光斑内地物相对应的完整
波形数据；ＧＬＡ１４ 为陆地测高数据产品，记录了与
ＧＬＡ０１波形数据相对应的地面光斑内地物的地理
位置和高程数据．本文使用 ２００３—２００９ 年的 ＧＬＡ０１
和 ＧＬＡ１４ 数据 （源于美国国家冰雪数据中心，
ｈｔｔｐ： ／ ／ ｎｓｉｄｃ．ｏｒｇ ／ ｄａｔａ ／ ｉｃｅ⁃ａｔ ／ ），共获取 ３５１２ 组 ＩＣＥ⁃
Ｓａｔ⁃ＧＬＡＳ光斑数据．
ＩＣＥＳａｔ⁃ＧＬＡＳ原始数据的处理和背景噪声阈值
的确定详见文献［１６］．在 ＧＬＡＳ 回波波形中，冠层回
波和地面回波的界限位置（Ｂｏｕｎｄａｒｙ）可设为地面回
波峰值位置与 １．５倍的地面位置高斯分量标准差的
差值［１７］（图 １），计算公式如下：
Ｂｏｕｎｄａｒｙ＝Ａｉ－１．５σｉ （１）
式中：Ａｉ为地面回波峰值位置；σｉ 为地面高斯分量标
准差．
在 ＧＬＡＳ回波波形中求出冠层回波和地面回波
的界限位置后，即可计算出冠层回波总能量（ＶＣ）和
回波总能量（Ｖ），计算公式如下：
ＶＣ ＝ ∑
Ｂｏｕｎｄａｒｙ
Ｓｉｇｎａｌ＿ｓｔａｒｔ
Ｖｉ （２）
８５６１ 应　 用　 生　 态　 学　 报　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 ２６卷
图 １　 波形参数冠层回波和地面回波
Ｆｉｇ．１ 　 Ｗａｖｅｆｏｒｍ ｐａｒａｍｅｔｅｒｓ ａｓ ｃａｎｏｐｙ ｒｅｔｕｒｎ ａｎｄ ｇｒｏｕｎｄ ｒｅ⁃
ｔｕｒｎ．
１） 背景噪声阈值 Ｂａｃｋｇｒｏｕｎｄ ｎｏｉｓｅ ｔｈｒｅｓｈｏｌｄ； ２） 原始波形 Ｏｒｉｇｉｎａｌ
ｗａｖｅｆｏｒｍ； ３） 冠层回波 Ｃａｎｏｐｙ ｒｅｔｕｒｎ； ４）地面回波 Ｇｒｏｕｎｄ ｒｅｔｕｒｎ； ５）
地面回波峰值点 Ｐｅａｋ ｏｆ ｇｒｏｕｎｄ ｒｅｔｕｒｎ； ６） 信号开始 Ｓｉｇｎａｌ ｓｔａｒｔ； ７）
信号结束 Ｓｉｇｎａｌ ｅｎｄ； ８） 边界 Ｂｏｕｎｄａｒｙ； ９） 波形长度 Ｗａｖｅｌｅｎｇｔｈ．
　 　 Ｖ ＝ ∑
Ｓｉｇｎａｌ＿ｅｎｄ
Ｓｉｇｎａｌ＿ｓｔａｒｔ
Ｖｉ （３）
ＣＣ ＝ ＶＣ ／ Ｖ （４）
对于激光雷达 ＧＬＡＳ回波数据，本研究以 ＣＣ为
参数来估测森林郁闭度．
１􀆰 ３􀆰 ２多光谱遥感 Ｌａｎｄｓａｔ⁃ＴＭ数据获取与处理　 对
从国际科学数据服务平台（ ｈｔｔｐ： ／ ／ ｄａｔａｍｉｒｒｏｒ ｃｓｄｂ．
ｃｎ ／ ｉｎｄｅｘ．ｊｓｐ）下载的 ２０１０ 年 ８ 月 Ｌａｎｄｓａｔ⁃ＴＭ 遥感
影像数据进行预处理，以消除大气和地形等因素造
成的影响，从而获取真实的地表反射率．预处理包
括： １）辐射校正．在 ＥＮＶＩ ４．７软件中实现，以消除传
感器响应特性、大气吸收及散射等因素导致的 ＴＭ
影像失真；２）大气校正．采用 ＥＮＶＩ ４． ７ 软件中的
ＦＬＡＡＳＨ大气校正模块，消除大气和光照等因素对
地物反射的影响；３）正射校正．采用 ＥＮＶＩ ４．７ 软件
中有控制点的正射校正方式，消除地形引起的 ＴＭ
影像的几何畸变；４）几何精校正．以消除或改正系统
及非系统性因素引起的 ＴＭ 影像的几何误差．在几
何精校正过程中，共采集 １７ 个控制点，将所有控制
点的误差限制在 １个像元内，其中：ｘ 坐标的平均误
差为 ０．７９ 个像元，ｙ 坐标的平均误差为 ０．２６ 个像
元，总坐标误差为 ０．７５ 个像元，均满足几何校正精
度的要求．从预处理后的 ＴＭ 遥感影像中可以通过
植被指数计算公式求得植被指数值．
从光学遥感角度来看，植被光谱指数（ｖｅｇｅｔａｔｉｏｎ
ｓｐｅｃｔｒａｌ ｉｎｄｉｃｅｓ， ＶＩｓ）是解释地表覆盖状况最具有价
值的植被参数，ＶＩｓ 结合了两个或多个光谱波段的
信息以增强植被信号，同时使土壤、大气和太阳辐射
的影响降低到最低．本文基于 Ｌａｎｄｓａｔ⁃ＴＭ 遥感影像
计算了若干 ＶＩｓ，分别为归一化植被指数（ｎｏｒｍａｌｉｚｅｄ
ｄｉｆｆｅｒｅｎｃｅ ｖｅｇｅｔａｔｉｏｎ ｉｎｄｅｘ，ＮＤＶＩ） ［１８］、土壤修正植被
指数（ ｓｏｉｌ ａｄｊｕｓｔｅｄ ｖｅｇｅｔａｔｉｏｎ ｉｎｄｅｘ，ＳＡＶＩ） ［１９］、绿度
归一化植被指数（ｇｒｅｅｎ ｎｏｒｍａｌｉｚｅｄ ｄｉｆｆｅｒｅｎｃｅ ｖｅｇｅｔａ⁃
ｔｉｏｎ ｉｎｄｅｘ，ＧＮＤＶＩ） ［２０］、大气阻抗植被系数（ ａｔｍｏｓ⁃
ｐｈｅｒｉｃａｌｌｙ ｒｅｓｉｓｔａｎｔ ｖｅｇｅｔａｔｉｏｎ ｉｎｄｅｘ，ＡＲＶＩ） ［２１］、简单
比值 植 被 指 数 （ ｓｉｍｐｌｅ ｒａｔｉｏ ｖｅｇｅｔａｔｉｏｎ ｉｎｄｅｘ，
ＳＲＶＩ） ［２２］、增强型植被指数（ｅｎｈａｎｃｅｄ ｖｅｇｅｔａｔｉｏｎ ｉｎ⁃
ｄｅｘ，ＥＶＩ） ［２３］（表 １）．除以上植被指数外，本文还计
算了缨帽变换分量［２４］ ．缨帽变换通过 Ｌａｎｄｓａｔ⁃ＴＭ的
６个原始反射波段（１～５ 和 ７）的线性组合将这些波
段转化为 ３ 个正交分量：高斯分量为亮度因子
（Ｂｒ）；高斯分量为绿度因子（Ｇｒ）；高斯分量为湿度
因子（Ｗｅｔ）．
　 　 利用 Ｌａｎｄｓａｔ⁃ＴＭ 遥感数据的各波段及计算出
的各种植被指数，分别分析实测森林郁闭度与各波
段及各植被指数之间的相关关系，并对模型进行验
证，以确定最优模型．
１􀆰 ３􀆰 ３ ＧＬＡＳ数据与 ＴＭ 数据联合 　 激光雷达具有
较高的垂直分辨率，在森林垂直结构反演中具有其
他遥感技术无法比拟的优越性；传统多光谱影像具
备反映不同地物光谱特征的能力，在森林水平结构
反演方面应用比较广泛，方法也比较成熟．虽然这两
类数据都能够独立反演森林结构参数，但均存在一
表 １　 Ｌａｎｄｓａｔ⁃ＴＭ数据计算的光谱指数
Ｔａｂｌｅ １　 Ｓｐｅｃｔｒａｌ ｉｎｄｉｃｅｓ ｃａｌｃｕｌａｔｅｄ ｗｉｔｈ ｔｈｅ Ｌａｎｄｓａｔ⁃ＴＭ
ｄａｔａ
光谱指数
Ｓｐｅｃｔｒａｌ ｉｎｄｅｘ
方程
Ｅｑｕａｔｉｏｎ
归一化植被指数
ＮＤＶＩ
（ＴＭ４－ＴＭ３） ／ （ＴＭ４＋ＴＭ３）
土壤修正植被指数
ＳＡＶＩ
（ＴＭ４－ＴＭ３） ／ （ＴＭ４＋ＴＭ３）（１＋Ｌ１）
绿度归一化植被指数
ＧＮＤＶＩ
（ＴＭ４－ＴＭ２） ／ （ＴＭ４＋ＴＭ２）
大气阻抗植被系数
ＡＲＶＩ
（ＴＭ４－ＲＢ） ／ （ＴＭ４＋ＲＢ），ＲＢ＝ＴＭ３－
γ（ＴＭ１－ＴＭ３）
简单比值植被指数
ＳＲＶＩ
（ＴＭ４ ／ ＴＭ３）
增强型植被指数
ＥＶＩ
Ｇ（ＴＭ４－ＴＭ３） ／ （ＴＭ４＋Ｃ１ＴＭ３－Ｃ２ＴＭ１＋Ｌ２）
ＴＭ１、ＴＭ２、ＴＭ３、ＴＭ４分别为 Ｌａｎｄｓａｔ⁃ＴＭ 波段的反射率 ＴＭ１， ＴＭ２，
ＴＭ３ ａｎｄ ＴＭ４ ｗｅｒｅ ｒｅｆｌｅｃｔａｎｃｅ ｏｆ Ｌａｎｄｓａｔ⁃ＴＭ ｃｈａｎｎｅｌｓ； Ｌ１为土壤矫正
因子，对大范围的土壤类型取 ０．５ Ｌ１ｗａｓ ｓｏｉｌ ａｄｊｕｓｔｍｅｎｔ ｆａｃｔｏｒ， ａ ｖａｌｕｅ
ｏｆ ０．５ ｗａｓ ｒｅａｓｏｎａｂｌｅ ｆｏｒ ａ ｂｒｏａｄ ｒａｎｇｅ ｏｆ ｓｏｉｌ ｔｙｐｅｓ； γ为大气自矫正因
子，取值依赖于气溶胶类型，当冠层比较稀疏和大气数据未知时，在
大多数遥感应用时建议取值为 １ γ ｗａｓ ａｔｍｏｓｐｈｅｒｉｃ ｓｅｌｆ⁃ｃｏｒｒｅｃｔｉｎｇ ｆａｃ⁃
ｔｏｒ， ｄｅｐｅｎｄｅｎｔ ｏｎ ａｅｒｏｓｏｌｓ ｔｙｐｅ， ｗｈｅｎ ｔｈｅ ｃａｎｏｐｙ ｗａｓ ｓｐａｒｅ ａｎｄ ａｔｍｏｓ⁃
ｐｈｅｒｉｃ ｄａｔａ ｗｅｒｅ ｕｎｋｎｏｗｎ， ａ ｖａｌｕｅ ｏｆ １ ｗａｓ ｒｅｃｏｍｍｅｎｄｅｄ ｆｏｒ ｍｏｓｔ ｒｅｍｏｔｅ
ｓｅｎｓｉｎｇ ａｐｐｌｉｃａｔｉｏｎｓ； 在 ＥＶＩ中，Ｇ、Ｃ１、Ｃ２、Ｌ分别取值为 ２􀆰 ５、６􀆰 ０、７．５
和 １．０ ． Ｉｎ ｔｈｅ ＥＶＩ ｆｏｒｍｕｌａ， ｔｈｅ ｖａｌｕｅ ｏｆ Ｇ， Ｃ１， Ｃ２ ａｎｄ Ｌ ｗａｓ ｓｅｔ ａｓ
２􀆰 ５， ６．０， ７．５ ａｎｄ １．０， ｒｅｓｐｅｃｔｉｖｅｌｙ．
９５６１６期　 　 　 　 　 　 王　 蕊等： 联合星载 ＩＣＥＳａｔ⁃ＧＬＡＳ波形与多光谱 Ｌａｎｄｓａｔ⁃ＴＭ影像的森林郁闭度估测　 　 　
定的局限性．激光雷达水平分辨率较低，缺乏与森林
水平结构参数相关的辅助信息，使得 ＬｉＤＡＲ 用于反
演森林水平结构（如森林郁闭度）时受到一定局限；
传统多光谱影像受到信号饱和的限制，使植被指数
在密林区的敏感性显著下降．综上所述，可将星载
ＬｉＤＡＲ与多光谱遥感 Ｌａｎｄｓａｔ⁃ＴＭ 影像进行联合，分
别利用 ＬｉＤＡＲ提取的高精度的森林垂直结构信息
和多光谱遥感影像提取的森林水平结构信息，发挥
多源遥感数据的优势进行同化整合，以提高森林郁
闭度的估测精度．由于 ＧＬＡＳ 激光光斑点在空间分
布上不连续，无法达到无缝覆盖，要想获取连续的地
面目标信息需要与其他遥感数据（ＭＯＤＩＳ、Ｌａｎｄｓａｔ⁃
ＴＭ遥感影像等）进行联合，以实现空间区域内地面
目标信息的连续制图．因此，本文将星载激光雷达
ＧＬＡＳ波形与 ＴＭ影像作为数据源，联合反演森林郁
闭度．
在联合之前需要解决联合两者的尺度差异问
题．多光谱 Ｌａｎｄｓａｔ⁃ＴＭ 数据及各种派生数据的空间
分辨率为 ３０ ｍ，而激光雷达 ＩＣＥＳａｔ⁃ＧＬＡＳ 的光斑大
小约 ７０ ｍ，在联合 ＴＭ 数据和 ＧＬＡＳ 数据时需考虑
两种数据的分辨率差异．本文采用汤旭光［２５］对不同
数据尺度差异的处理方法，具体为：对研究区的各项
参数采用 ３０、６０、９０和 １２０ ｍ ４种尺度，在 ＡｒｃＧＩＳ中
分别做缓冲区进行提取，然后在 ＳＰＳＳ 中进行相关
性分析，选择出最佳尺度相匹配．经过分析发现，当
空间分辨率为 ６０ ｍ 时，各项参数的相关性最高，３０
ｍ次之，其他较低，可能原因为 ＧＬＡＳ 激光光斑的大
小大致相当于 ＴＭ数据的 ２×２ 个像元，在空间匹配
上一致．因此，对 Ｌａｎｄｓａｔ⁃ＴＭ数据和 ＩＣＥＳａｔ⁃ＧＬＡＳ 数
据的各项参数采用的空间尺度为 ６０ ｍ．对数据进行
尺度差异处理后，本研究采用两种方法来联合这两
种遥感数据源：１）传统多元线性回归；２）机器学习
方法 ＢＰ 神经网络．具体分 ３ 步： １）基于 ＩＣＥＳａｔ⁃
ＧＬＡＳ波形数据获取波形参数 ＣＣ；２）基于 Ｌａｎｄｓａｔ⁃
ＴＭ数据获取波段和植被指数，并对其参数利用主
成分分析根据累计贡献率来选择主成分因子；３）将
ＧＬＡＳ波形数据的 ＣＣ 参数和 ＴＭ 遥感数据中所选
择的主成分因子输入模型，并用实测数据对模型进
行验证．
ＢＰ 神经网络为无反馈的前向网络，包括输入
层、隐含层和输出层，常用的传递函数为 Ｓｉｇｍｏｉｄ 型
可微函数，可实现输入与输出之间任意的非线性映
射，但该函数存在函数发散的缺点．为克服上述缺
点、增强神经网络的学习算法，本文采用 ｔｒａｉｎｓｃｇ 函
数（量化共轭梯度法）．该函数不仅可避免大量的存
储负担，还可避免函数的发散，具有性能稳定和收敛
速度快的特点，适用于解决函数拟合、模式分类等问
题［２６］ ．为了提高神经网络的泛化能力，并加快训练
网络的收敛能力，需要对数据进行归一化处理．
本文选取 ＧＬＡＳ 数据的 ＣＣ 参数和 ＴＭ 数据主
成分分析所得的前 ３个新的参数数据共计 ４个变量
因子作为神经网络模型的输入变量，以郁闭度为模
型的输出变量．本文所构建的神经网络层数设定为
３ 层：输入层、隐含层和输出层．其中，输入层的神经
元个数为 ４个变量数据；隐含层的神经元个数为 １０
个；输出层的神经元个数为 １个．
１􀆰 ３􀆰 ４模型评价指标　 用均方根误差（ＲＭＳＥ）和模
型预估精度（Ｐ）来评价森林郁闭度估测模型的精
度，算式如下：
ＲＭＳＥ ＝ ∑
ｎ
ｉ ＝ １
（ ｙ＾ｉ － ｙｉ） ２ ／ ｎ （５）
Ｐ ＝∑
ｎ
ｉ ＝ １
（１ －
｜ ｙｉ － ｙ＾ｉ ｜
ｙｉ
） ／ ｎ （６）
式中：ｙｉ 为森林郁闭度的实测值；ｙ＾ｉ 为森林郁闭度模
型的预测值；ｎ为检验样地个数．
２　 结果与分析
２􀆰 １　 基于 ＧＬＡＳ数据估测森林郁闭度
利用随机选取的 ２７个样本数据，通过回归分析
得到森林郁闭度的估测模型：
ＴＣＣ＝ ０．７２２ＣＣ＋０．１６６， Ｒ２ ＝ ０．７６２ （７）
式中：ＴＣＣ为实测森林郁闭度．
　 　 采用未参与回归分析的 １３ 个实测森林郁闭度
数据进行模型精度验证，ＲＭＳＥ为 ０．１０４，Ｐ为 ０．８６０．
２􀆰 ２　 基于 ＴＭ数据估测森林郁闭度
利用Ｌａｎｄｓａｔ⁃ＴＭ遥感数据计算各种植被指数
图 ２　 实测森林郁闭度（ＴＣＣ）与 ＣＣ的回归关系
Ｆｉｇ．２　 Ｒｅｇｒｅｓｓｉｏｎ ｒｅｌａｔｉｏｎ ｂｅｔｗｅｅｎ ｔｈｅ ｍｅａｓｕｒｅｄ ｃａｎｏｐｙ ｃｏｖｅｒ
（ＴＣＣ） ａｎｄ ＣＣ．
０６６１ 应　 用　 生　 态　 学　 报　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 ２６卷
表 ２　 森林郁闭度和各参数之间的相关系数
Ｔａｂｌｅ ２　 Ｃｏｒｒｅｌａｔｉｏｎ ｃｏｅｆｆｉｃｉｅｎｔｓ ｂｅｔｗｅｅｎ ｃａｎｏｐｙ ｃｏｖｅｒ ａｎｄ
ｔｈｅ ｖａｒｉｏｕｓ ｐａｒａｍｅｔｅｒｓ
参数
Ｐａｒａｍｅｔｅｒ
相关系数
Ｃｏｒｒｅｌａｔｉｏｎ
ｃｏｅｆｆｉｃｉｅｎｔ
参数
Ｐａｒａｍｅｔｅｒ
相关系数
Ｃｏｒｒｅｌａｔｉｏｎ
ｃｏｅｆｆｉｃｉｅｎｔ
ＴＭ波段 １的反射率
ＴＭ１
０．５８９ 绿度归一化植被指数
ＧＮＤＶＩ
０．７７３
ＴＭ波段 ２的反射率
ＴＭ２
０．５０２ 大气阻抗植被系数
ＡＲＶＩ
０．５６５
ＴＭ波段 ３的反射率
ＴＭ３
０．４５２ 简单比值植被指数
ＳＲＶＩ
０．６３４
ＴＭ波段 ４的反射率
ＴＭ４
０．０５０ 增强型植被指数
ＥＶＩ
０．５３４
ＴＭ波段 ５的反射率
ＴＭ５
０．５６４ 亮度因子
Ｂｒ
－０．４９５
ＴＭ 波段 ７ 的反射率
ＴＭ７
０．５８５ 绿度因子
Ｇｒ
０．００６
归一化植被指数
ＮＤＶＩ
０．６０３ 湿度因子
Ｗｅｔ
０．１６７
土壤修正植被指数
ＳＡＶＩ
０．６０３ Ｂｒ、Ｇｒ和 Ｗｅｔ的线性组
合 ＫＴ
０．５１０
和缨帽变换后的因子，分析实测森林郁闭度与各植
被指数之间的相关关系（表 ２），其中，ＫＴ为 Ｂｒ、Ｇｒ和
Ｗｅｔ的线性组合．
　 　 由表 ２可以看出，森林郁闭度与波段 ４ 的反射
率、缨帽变换绿度因子及湿度因子的相关系数较小，
人们通常认为其相关关系应该较强，而实际表明对
近红外和绿波反射强的区域，森林郁闭度不一定大；
而缨帽变换后亮度因子、绿度因子和湿度因子三者
的线性组合与森林郁闭度的相关系数较大．ＧＮＤＶＩ
与森林郁闭度的相关系数最大，因此，本文用 ＴＭ遥
感数据估测森林郁闭度时，采用植被指数 ＧＮＤＶＩ 与
森林郁闭度进行回归分析（图 ３），方程如下：
ＴＣＣ＝ ２．１７７ＧＮＤＶＩ－０．８８９， Ｒ２ ＝ ０．５９８ （８）
此外，本文还分别采用逐步回归法（ｓｔｅｐｗｉｓｅ）和
向前法（ ｆｏｒｗａｒｄ）两种方法来获取 Ｌａｎｄｓａｔ⁃ＴＭ 数据
估算森林郁闭度的最优变量，使用这两种方法时
ＧＮＤＶＩ 变量估算森林郁闭度的精度最高，仍是
Ｌａｎｄｓａｔ⁃ＴＭ数据估算森林郁闭度的最优变量．
采用未参与回归分析的１３个实测森林郁闭度
图 ３　 实测森林郁闭度 ＴＣＣ与 ＧＮＤＶＩ的回归关系
Ｆｉｇ．３　 Ｒｅｇｒｅｓｓｉｏｎ ｒｅｌａｔｉｏｎ ｂｅｔｗｅｅｎ ｔｈｅ ｍｅａｓｕｒｅｄ ｃａｎｏｐｙ ｃｏｖｅｒ
ＴＣＣ ａｎｄ ＧＮＤＶＩ．
数据进行模型精度验证，验证结果：ＲＭＳＥ 为 ０．１３４，
Ｐ为 ０．８１０．
２􀆰 ３　 ＧＬＡＳ与 ＴＭ数据联合反演森林郁闭度
在联合两种遥感数据源之前，需对 ＴＭ 数据的
参数进行处理．由于 ＴＭ 数据的参数较多，对 ＴＭ 数
据的参数进行主成分分析，该方法可以把个数较多
的参数转化为能够解释原始数据大部分信息、且个
数较少的几个新的参数．
　 　 由表 ３可以看出，前 ３ 个主成分数据的累积贡
献率达到 ９８．１％，因此可以采用新生成的第一主成
分、第二主成分和第三主成分数据来反映原始的 １５
个自变量数据的信息．
２􀆰 ３􀆰 １多元线性回归模型　 利用激光雷达 ＧＬＡＳ 波
形数据的 ＣＣ 参数和 ＴＭ 遥感数据的第一主成分
（ＰＡＣ１ ）、 第二主成分 （ ＰＡＣ２ ） 和第三主成分
（ＰＡＣ３）数据来构建森林郁闭度模型，公式如下：
ＴＣＣ＝ ０􀆰 ６７ＣＣ－０􀆰 ０１４ＰＡＣ１－０􀆰 １４ＰＡＣ２－
０􀆰 ０９３ＰＡＣ３＋０．１９６， Ｒ２ ＝ ０．８４１ （９）
联合星载 ＧＬＡＳ波形数据和多光谱遥感 ＴＭ 影
像后，估测结果精度相对于前两者均有相当大的提
高，说明两者联合可以有效地利用 ＬｉＤＡＲ 数据和多
光谱影像的优势，从而提高森林郁闭度的估测精度．
对该模型结果进行验证，ＲＭＳＥ 为 ０． ０７９，Ｐ 值为
０􀆰 ９２４，表明实测值与预测值的差别较小．
表 ３　 ＴＭ参数因子的主成分分析结果
Ｔａｂｌｅ ３　 Ｒｅｓｕｌｔｓ ｏｆ ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ ｆｏｒ ＴＭ ｐａｒａｍｅｔｅｒｓ
基本统计因子
Ｂａｓｉｃ ｓｔａｔｉｓｔｉｃａｌ ｆａｃｔｏｒ
最小值
Ｍｉｎｉｍｕｍ
ｖａｌｕｅ
最大值
Ｍａｘｉｍｕｍ
ｖａｌｕｅ
平均值
Ａｖｅｒａｇｅ
ｖａｌｕｅ
标准差
Ｓｔａｎｄａｒｄ
ｄｅｖｉａｔｉｏｎ
特征根
Ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ
ｒｏｏｔ
累计贡献率
Ｃｕｍｕｌａｔｉｖｅ
ｃｏｎｔｒｉｂｕｔｉｏｎ
ｒａｔｅ （％）
第一主成分 Ｔｈｅ ｆｉｒｓｔ ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔ －７６９７．９４ ４７５．１６ －６４７．２９ ２７６．１２ ５８６０５０．１０ ７８．２
第二主成分 Ｔｈｅ ｓｅｃｏｎｄ ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔ －１３５．４３ ３１０３．１０ １０４７．２８ ２６５．６３ １３２５４５．３０ ９５．９
第三主成分 Ｔｈｅ ｔｈｉｒｄ ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔ ２９９．８０ ９６５１．２１ １８５７．６８ ４６７．４９ １６３１７．１９ ９８．１
１６６１６期　 　 　 　 　 　 王　 蕊等： 联合星载 ＩＣＥＳａｔ⁃ＧＬＡＳ波形与多光谱 Ｌａｎｄｓａｔ⁃ＴＭ影像的森林郁闭度估测　 　 　
图 ４　 ＢＰ 神经网络的森林郁闭度训练误差变化（ａ）及实测值与预测值相关分析散点图（ｂ）
Ｆｉｇ．４　 ＢＰ ｔｒａｉｎｉｎｇ ｅｒｒｏｒ ｐｌｏｔｓ ｏｆ ｃａｎｏｐｙ ｃｏｖｅｒ （ ａ） ａｎｄ ｔｈｅ ｓｃａｔｔｅｒ ｄｉａｇｒａｍ ｏｆ ｃｏｒｒｅｌａｔｉｏｎ ａｎａｌｙｓｉｓ ｂｅｔｗｅｅｎ ｍｅａｓｕｒｅｄ ａｎｄ ｐｒｅｄｉｃｔｅｄ
ｖａｌｕｅｓ ｏｆ ＢＰ ｃａｎｏｐｙ ｃｏｖｅｒ ｍｏｄｅｌ ｓｙｓｔｅｍ （ｂ）．
Ⅰ： 实测值 Ｍｅａｓｕｒｅｄ ｖａｌｕｅ； Ⅱ： 预测值 Ｐｒｅｄｉｃｔｅｄ ｖａｌｕｅ．
２􀆰 ３􀆰 ２ ＢＰ 神经网络模型　 网络的最大训练次数为
１５００ 次，误差目标（均方误差）为 ０．０００１，其余的网
络参数均设为默认值．确定完参数后，在 ＭＡＴＬＡＢ
环境中利用建模样本进行训练，同时利用验证样本
进行验证，以评价系统的仿真效果．
利用所建立的神经网络模型对森林郁闭度进行
估算，其训练过程和仿真验证结果如图 ４所示，仿真
结果的精度为 ０．８５１，相对误差为 １．４％，结果比较
理想．
３　 讨　 　 论
本文随机抽取 ２７ 个样本作为训练样本，这 ２７
个样本是一次抽取，第二次抽取的样本和第一次抽
取样本的估算结果可能存在差异，因此又对比了 ５
次随机抽样的差异性．ＧＬＡＳ数据 ５次随机抽样结果
的决定系数分别为 ０． ８１４、 ０． ７４１、 ０． ７０９、 ０． ７３０、
０􀆰 ８２３，其平均决定系数为 ０􀆰 ７６３；相对应的 ＴＭ数据
５次随机抽样结果的决定系数分别为 ０．６０９、０．５４５、
０．５５６、０．６０９、０．６１９，其平均决定系数为 ０．５８８．ＧＬＡＳ
数据和 ＴＭ数据的每次随机抽样结果的决定系数均
有一定差异，但 ＧＬＡＳ 数据的平均决定系数为
０􀆰 ７６３，接近于本文中随机抽样样本的决定系数
（０􀆰 ７６２），ＴＭ数据的平均决定系数为 ０．５８８，也接近
于本文中随机抽样样本的决定系数（０．５９８）．由于抽
样结果的随机性和差异性，无法用某一次的随机结
果作为代表，因此利用其多次抽样结果的平均值作
为代表，而随机抽样结果的平均值与本文的抽样结
果非常接近，故可以利用本文的抽样结果进行森林
郁闭度的估算和下一步的应用．
目前使用星载激光雷达 ＩＣＥＳａｔ⁃ＧＬＡＳ 反演森林
郁闭度的研究较少，Ｇａｒｃíａ 等［２７］使用 ＩＣＥＳａｔ⁃ＧＬＡＳ
数据估测了森林郁闭度．将本文使用 ＩＣＥＳａｔ⁃ＧＬＡＳ
数据估测的森林郁闭度结果与 Ｇａｒｃíａ 等［２７］的估测
结果进行比较．Ｇａｒｃíａ 等［２７］森林郁闭度的估测精度
为 ０．５７６，而本文森林郁闭度的估测精度为 ０􀆰 ７６２，
且联合后的精度为 ０．８４１．本文估测精度明显高于
Ｇａｒｃíａ等［２７］的估测精度．
采用两种方法联合 ＧＬＡＳ 数据和 ＴＭ 数据后的
预测值与实测值之间仍有一定差异．本文将所选用
的 １３个验证样本点进行编号（样本点 １、样本点 ２、
……、样本点 １３），以针对具体样本点说明各种可能
存在的问题：１）时间差异．ＧＬＡＳ 数据获取的时间大
多为 ２００６—２００９年，而 ＴＭ数据和野外采集时间均
在 ２０１０ 年，中间相隔 １ ～ ４ 年，期间树木会有所增
长，从而导致实测值与预测值的差异．如样本点 １３，
ＧＬＡＳ数据的获取时间为 ２００６ 年，而 ＴＭ 数据和野
外数据的获取时间均为 ２０１０ 年．２）季节差异．部分
ＧＬＡＳ数据在 １１ 月获取，此时有树木已落叶，落叶
树反射的首次回波则来自无叶片的树冠，而非叶片，
由于受云层覆盖的影响，ＴＭ数据获取的时间是在 ８
月，而野外数据采集的时间是在 ９ 月，８、９ 月树木均
未落叶，因此由于落叶的原因可能导致实测值与预
测值之间有一定误差．如样本点 ３，ＧＬＡＳ 数据获取
的时间为 ２００９ 年 １１ 月，而 ＴＭ 数据和野外数据的
获取时间分别在 ２０１０年的 ８月和 ９月．３）测量误差．
在进行野外数据采集时，不可避免地会出现人为误
差．部分杂草或灌木过高，会影响鱼眼镜头的测量．
此外，尽管调查时间选在 ７：００—９：００ 和 １６：００—
１８：００拍摄，仍会受到由太阳直射形成的光斑的影
响．如样本点 ９中的灌木较高，且鱼眼镜头测量的时
间接近 ９：００．４）森林地表情况．森林地表的废弃物
（枯枝、倒木、落叶或人为的垃圾）可能会造成脉冲
２６６１ 应　 用　 生　 态　 学　 报　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 ２６卷
的多次散射［２８－２９］，并影响到森林地面的正确探测，
此外，废弃物还依赖于它的厚度、三维分布和光谱特
性［３０］ ．如样本点 １１ 的森林地表有倒木和部分人为
的垃圾．５）土壤湿度．由于湿度的存在，土壤会通过
吸收一部分入射能量而造成能量的衰减［３０］，也会影
响到地面的正确探测．这些对地面探测的不确定性
会反映到冠层高度的估测中，今后需要进一步量化
土壤湿度对 ＬｉＤＡＲ脉冲吸收的影响．如样本点 １ 位
于山地的阴面，湿度相对较大．
本研究以 ＧＬＡＳ波形数据和 ＴＭ 遥感影像为数
据源，分别建立了森林郁闭度估测模型，精度分别为
０．７６２和 ０．５９８．并分别利用传统方法多元线性回归
和机器学习方法 ＢＰ 神经网络将两种遥感数据源联
合后来估测森林郁闭度，多元线性回归模型的精度
达到 ０．８４１，ＢＰ 神经网络模型的仿真精度为 ０．８５１，
结果均较好．说明将 ＩＣＥＳａｔ⁃ＧＬＡＳ 波形数据与 Ｌａｎｄ⁃
ｓａｔ⁃ＴＭ数据联合后，可以发挥多源遥感数据的优势，
提高森林郁闭度的估测精度，并为后续的空间区域
内森林郁闭度的连续制图提供途径．
本研究的回归模型是在研究区训练样地的基础
上建立的，是否适应其他地区还有待于进一步验证．
进行森林郁闭度估测时，由于数据采集条件的限制，
未考虑林下植被的类型．不同的林下植被类型可能
会对其估测具有一定影响，建议在后续研究中考虑
林下植被的类型．
参考文献
［１］　 Ｍｅｎｇ Ｘ⁃Ｙ （孟宪宇）． Ｆｏｒｅｓｔ Ｍｅａｓｕｒｅｍｅｎｔ． Ｂｅｉｊｉｎｇ：
Ｃｈｉｎａ Ｆｏｒｅｓｔｒｙ Ｐｕｂｌｉｓｈｉｎｇ Ｈｏｕｓｅ， １９９６ （ｉｎ Ｃｈｉｎｅｓｅ）
［２］　 Ｍｕｉｎｏｎｅｎ Ｅ， Ｐａｒｉｋｋａ Ｈ， Ｐｏｋｈａｒｅｌ ＹＰ， ｅｔ ａｌ． Ｕｔｉｌｉｚｉｎｇ
ａ ｍｕｌｔｉ⁃ｓｏｕｒｃｅ ｆｏｒｅｓｔ ｉｎｖｅｎｔｏｒｙ ｔｅｃｈｎｉｑｕｅ， ＭＯＤＩＳ ｄａｔａ
ａｎｄ ｌａｎｄｓａｔ ＴＭ ｉｍａｇｅｓ ｉｎ ｔｈｅ ｐｒｏｄｕｃｔｉｏｎ ｏｆ ｆｏｒｅｓｔ ｃｏｖｅｒ
ａｎｄ ｖｏｌｕｍｅ ｍａｐｓ ｆｏｒ ｔｈｅ Ｔｅｒａｉ Ｐｈｙｓｉｏｇｒａｐｈｉｃ Ｚｏｎｅ ｉｎ
Ｎｅｐａｌ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２０１２， ４： ３９２０－３９４７
［３］　 Ｃａｒｒｅｉｒａｓ Ｊ， Ｐｅｒｅｉｒａ Ｊ， Ｐｅｒｅｉｒａ ＪＳ． Ｅｓｔｉｍａｔｉｏｎ ｏｆ ｔｒｅｅ
ｃａｎｏｐｙ ｃｏｖｅｒ ｉｎ ｅｖｅｒｇｒｅｅｎ ｏａｋ ｗｏｏｄｌａｎｄｓ ｕｓｉｎｇ ｒｅｍｏｔｅ
ｓｅｎｓｉｎｇ． Ｆｏｒｅｓｔ Ｅｃｏｌｏｇｙ ａｎｄ Ｍａｎａｇｅｍｅｎｔ， ２００６， ２２３：
４５－５３
［４］　 Ｘｕ Ｄ （徐 　 定）， Ｐｅｎｇ Ｄ⁃Ｌ （彭道黎）． Ｅｓｔｉｍａｔｉｏｎ ｏｆ
ｆｏｒｅｓｔ ｃａｎｏｐｙ ｃｌｏｓｕｒｅ ｂａｓｅｄ ｏｎ ｄｉｍｉｄｉａｔｅ ｐｉｘｅｌ ｍｏｄｅｌ．
Ｊｏｕｒｎａｌ ｏｆ Ｎｏｒｔｈｅａｓｔ Ｆｏｒｅｓｔｒｙ Ｕｎｉｖｅｒｓｉｔｙ （东北林业大学
学报）， ２０１３， ４１（２）： １１９－１２２ （ｉｎ Ｃｈｉｎｅｓｅ）
［５］　 Ｊｏｓｈｉ Ｃ， Ｌｅｅｕｗ ＪＤ， Ｓｋｉｄｍｏｒｅ ＡＫ， ｅｔ ａｌ． Ｒｅｍｏｔｅｌｙ
ｓｅｎｓｅｄ ｅｓｔｉｍａｔｉｏｎ ｏｆ ｆｏｒｅｓｔ ｃａｎｏｐｙ ｄｅｎｓｉｔｙ： Ａ ｃｏｍｐａｒｉｓｏｎ
ｏｆ ｔｈｅ ｐｅｒｆｏｒｍａｎｃｅ ｏｆ ｆｏｕｒ ｍｅｔｈｏｄｓ． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ
ｏｆ Ａｐｐｌｉｅｄ Ｅａｒｔｈ Ｏｂｓｅｒｖａｔｉｏｎ ａｎｄ Ｇｅｏｉｎｆｏｒｍａｔｉｏｎ， ２００６，
８： ８４－９５
［６］　 Ｖｏｌｌｍａｒ Ｍ， Ｒａｓｉ Ｒ， Ｂｅｕｃｈｌｅ Ｒ， ｅｔ ａｌ． Ｃｏｍｂｉｎｉｎｇ Ｌａｎｄ⁃
ｓａｔ ＴＭ ／ ＥＴＭ＋ ａｎｄ ＡＬＯＳ ＡＶＮＩＲ⁃２ Ｓａｔｅｌｌｉｔｅ Ｄａｔａ ｆｏｒ
ｔｒｏｐｉｃａｌ ｆｏｒｅｓｔ ｃｏｖｅｒ ｃｈａｎｇｅ ｄｅｔｅｃｔｉｏｎ． ＩＥＥＥ Ｊｏｕｒｎａｌ ｏｆ
Ｓｅｌｅｃｔｅｄ Ｔｏｐｉｃｓ ｉｎ Ａｐｐｌｉｅｄ Ｅａｒｔｈ Ｏｂｓｅｒｖａｔｉｏｎｓ ａｎｄ Ｒｅｍｏｔｅ
Ｓｅｎｓｉｎｇ， ２０１３， ６： １０２－１０９
［７］　 Ｄｕ Ｘ⁃Ｍ （杜晓明）， Ｃａｉ Ｔ⁃Ｊ （蔡体久）， Ｊｕ Ｃ⁃Ｙ （琚存
勇）． Ｅｓｔｉｍａｔｉｏｎ ｏｆ ｆｏｒｅｓｔ ｃａｎｏｐｙ ｃｌｏｓｕｒｅ ｂｙ ｕｓｉｎｇ ｐａｒｔｉａｌ
ｌｅａｓｔ ｓｑｕａｒｅ ｒｅｇｒｅｓｓｉｏｎ． Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ａｐｐｌｉｅｄ Ｅｃｏ⁃
ｌｏｇｙ （应用生态学报）， ２００８， １９（２）： ２７３－ ２７７ （ ｉｎ
Ｃｈｉｎｅｓｅ）
［８］　 Ｗｕ Ｙ （吴　 飏）， Ｚｈａｎｇ Ｄ⁃Ｒ （张登荣）， Ｚｈａｎｇ Ｈ⁃Ｋ
（张汉奎）， ｅｔ ａｌ． Ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｅｓｔｉｍａｔｉｏｎ ｏｆ ｆｏｒｅｓｔ
ｃａｎｏｐｙ ｄｅｎｓｉｔｙ ｃｏｍｂｉｎｅｄ ｗｉｔｈ ｔｅｘｔｕｒｅ ｆｅａｔｕｒｅｓ． Ｓｃｉｅｎｔｉａ
Ｓｉｌｖａｅ Ｓｉｎｉｃａｅ （林业科学）， ２０１２， ４８（２）： ４８－５３ （ ｉｎ
Ｃｈｉｎｅｓｅ）
［９］　 Ｉｑｂａｌ ＩＡ， Ｄａｓｈ Ｊ， Ｕｌｌａｈ Ｓ， ｅｔ ａｌ． Ａ ｎｏｖｅｌ ａｐｐｒｏａｃｈ ｔｏ
ｅｓｔｉｍａｔｅ ｃａｎｏｐｙ ｈｅｉｇｈｔ ｕｓｉｎｇ ＩＣＥＳａｔ ／ ＧＬＡＳ ｄａｔａ： Ａ ｃａｓｅ
ｓｔｕｄｙ ｉｎ ｔｈｅ Ｎｅｗ Ｆｏｒｅｓｔ Ｎａｔｉｏｎａｌ Ｐａｒｋ， ＵＫ． Ｉｎｔｅｒｎａｔｉｏｎ⁃
ａｌ Ｊｏｕｒｎａｌ ｏｆ Ａｐｐｌｉｅｄ Ｅａｒｔｈ Ｏｂｓｅｒｖａｔｉｏｎ ａｎｄ Ｇｅｏｉｎｆｏｒｍａ⁃
ｔｉｏｎ， ２０１３， ２３： １０９－１１８
［１０］　 Ｘｉｎｇ ＹＱ， Ａｌｆｒｅｄ ＤＧ， Ｚｈａｎｇ ＪＪ， ｅｔ ａｌ． Ａｎ ｉｍｐｒｏｖｅｄ
ｍｅｔｈｏｄ ｆｏｒ ｅｓｔｉｍａｔｉｎｇ ｆｏｒｅｓｔ ｃａｎｏｐｙ ｈｅｉｇｈｔ ｕｓｉｎｇ ＩＣＥＳａｔ⁃
ＧＬＡＳ ｆｕｌｌ ｗａｖｅｆｏｒｍ ｄａｔａ ｏｖｅｒ ｓｌｏｐｉｎｇ ｔｅｒｒａｉｎ： Ａ ｃａｓｅ
ｓｔｕｄｙ ｉｎ Ｃｈａｎｇｂａｉ Ｍｏｕｎｔａｉｎｓ， Ｃｈｉｎａ． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒ⁃
ｎａｌ ｏｆ Ａｐｐｌｉｅｄ Ｅａｒｔｈ Ｏｂｓｅｒｖａｔｉｏｎ ａｎｄ Ｇｅｏｉｎｆｏｒｍａｔｉｏｎ，
２０１０， １２： ３８５－３９２
［１１］　 Ｄｏｎｇ Ｌ⁃Ｘ （董立新）， Ｒｏｎｇ Ｚ⁃Ｇ （戎志国）， Ｌｉ Ｇ⁃Ｃ
（李贵才）， ｅｔ ａｌ． Ｅｓｔｉｍａｔｉｏｎ ｏｆ ｆｏｒｅｓｔ ｃａｎｏｐｙ ｈｅｉｇｈｔ ｂｙ
ｉｎｔｅｇｒａｔｉｎｇ ＧＬＡＳ ａｎｄ ＦＹ３Ａ⁃ＭＥＲＳＩ ｄａｔａ ｉｎ Ｃｈａｎｇｂａｉ
Ｍｏｕｎｔａｉｎ． Ｇｅｏｍａｔｉｃｓ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅ ｏｆ Ｗｕｈａｎ
Ｕｎｉｖｅｒｓｉｔｙ （武汉大学学报：信息科学版）， ２０１１， ３６
（９）： １０２０－１０２４ （ｉｎ Ｃｈｉｎｅｓｅ）
［１２］　 Ｆｉａｌａ Ａ， Ｇａｒｍａｎ ＳＬ， Ｇｒａｙ ＡＮ． Ｃｏｍｐａｒｉｓｏｎ ｏｆ ｆｉｖｅ ｃａ⁃
ｎｏｐｙ ｃｏｖｅｒ ｅｓｔｉｍａｔｉｏｎ ｔｅｃｈｎｉｑｕｅｓ ｉｎ ｔｈｅ ｗｅｓｔｅｒｎ Ｏｒｅｇｏｎ
Ｃａｓｃａｄｅｓ． Ｆｏｒｅｓｔ Ｅｃｏｌｏｇｙ ａｎｄ Ｍａｎａｇｅｍｅｎｔ， ２００６， ２３２：
１８８－１９７
［１３］　 Ｑｉ Ｙ⁃Ｘ （祁有祥）， Ｌｕｏ Ｈ （骆　 汉）， Ｚｈａｏ Ｙ⁃Ｎ （赵
廷宁）． Ｓｉｍｐｌｉｆｉｅｄ ａｐｐｒｏａｃｈ ｔｏ ｍｅａｓｕｒｅ ｃａｎｏｐｙ ｃｌｏｓｕｒｅ
ｂａｓｅｄ ｏｎ ｆｉｓｈ ｌｅｎｓｅｓ． Ｊｏｕｒｎａｌ ｏｆ Ｂｅｉｊｉｎｇ Ｆｏｒｅｓｔｒｙ Ｕｎｉｖｅｒｓｉ⁃
ｔｙ （北京林业大学学报）， ２００９， ３１（６）： ６０－６６ （ ｉｎ
Ｃｈｉｎｅｓｅ）
［１４］　 Ｊｅｎｎｉｎｇｓ ＳＢ， Ｂｒｏｗｎ ＮＤ， Ｓｈｅｉｌ Ｄ． Ａｓｓｅｓｓｉｎｇ ｆｏｒｅｓｔ ｃａｎｏ⁃
ｐｉｅｓ ａｎｄ ｕｎｄｅｒｓｔｏｒｅｙ ｉｌｌｕｍｉｎａｔｉｏｎ： Ｃａｎｏｐｙ ｃｌｏｓｕｒｅ， ｃａｎ⁃
ｏｐｙ ｃｏｖｅｒ ａｎｄ ｏｔｈｅｒ ｍｅａｓｕｒｅｓ． Ｆｏｒｅｓｔｒｙ， １９９９， ７２： ５９－
７４
［１５］　 Ｚｈｕ Ｊ⁃Ｊ （朱教君）． Ｍｅｔｈｏｄ ｆｏｒ ｍｅａｓｕｒｅｍｅｎｔ ｏｆ ｏｐｔｉｃａｌ
ｓｔｒａｔｉｆｉｃａｔｉｏｎ ｐｏｒｏｓｉｔｙ （ＯＳＰ） ａｎｄ ｉｔｓ ａｐｐｌｉｃａｔｉｏｎ ｉｎ ｓｔｕ⁃
ｄｉｅｓ ｏｆ ｍａｎａｇｅｍｅｎｔ ｆｏｒ ｓｅｃｏｎｄａｒｙ ｆｏｒｅｓｔｓ． Ｃｈｉｎｅｓｅ Ｊｏｕｒ⁃
ｎａｌ ｏｆ Ａｐｐｌｉｅｄ Ｅｃｏｌｏｇｙ （应用生态学报）， ２００３， １４
（８）： １２２９－１２３３ （ｉｎ Ｃｈｉｎｅｓｅ）
［１６］ 　 Ｘｉｎｇ Ｙ⁃Ｑ （邢艳秋），Ｗａｎｇ Ｌ⁃Ｈ （王立海）． ＩＣＥＳａｔ⁃
ＧＬＡＳ ｆｕｌｌ ｗａｖｅｆｏｒｍ⁃ｂａｓｅｄ ｓｔｕｄｙ ｏｎ ｆｏｒｅｓｔ ｃａｎｏｐｙ ｈｅｉｇｈｔ
ｒｅｔｒｉｅｖａｌ ｉｎ ｓｌｏｐｅｄ ａｒｅａ： Ａ ｃａｓｅ ｓｔｕｄｙ ｏｆ ｆｏｒｅｓｔｓ ｉｎ
Ｃｈａｎｇｂａｉ Ｍｏｕｎｔａｉｎｓ， Ｊｉｌｉｎ． Ｇｅｏｍａｔｉｃｓ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ
Ｓｃｉｅｎｃｅ ｏｆ Ｗｕｈａｎ Ｕｎｉｖｅｒｓｉｔｙ （武汉大学学报：信息科学
版）， ２００９， ３４（６）： ６９６－７００ （ｉｎ Ｃｈｉｎｅｓｅ）
［１７］ 　 Ｚｈａｎｇ ＪＪ， Ａｌｆｒｅｄ ＤＧ， Ｘｉｎｇ ＹＱ， ｅｔ ａｌ． Ｆｕｌｌ ｗａｖｅｆｏｒｍ⁃
ｂａｓｅｄ ａｎａｌｙｓｉｓ ｆｏｒ ｆｏｒｅｓｔ ｔｙｐｅ ｉｎｆｏｒｍａｔｉｏｎ ｄｅｒｉｖａｔｉｏｎ ｆｒｏｍ
ｌａｒｇｅ ｆｏｏｔｐｒｉｎｔ ｓｐａｃｅｂｏｒｎｅ ｌｉｄａｒ ｄａｔａ． Ｐｈｏｔｏｇｒａｍｍｅｔｒｉｃ
３６６１６期　 　 　 　 　 　 王　 蕊等： 联合星载 ＩＣＥＳａｔ⁃ＧＬＡＳ波形与多光谱 Ｌａｎｄｓａｔ⁃ＴＭ影像的森林郁闭度估测　 　 　
Ｅｎｇｉｎｅｅｒｉｎｇ ＆ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２０１１， ７７： ２８１－２９０
［１８］　 Ｒｏｕｓｅ ＪＷ， Ｈａａｓ ＲＷ， Ｓｃｈｅｌｌ ＪＡ， ｅｔ ａｌ． Ｍｏｎｉｔｏｒｉｎｇ ｔｈｅ
ｖｅｒｎａｌ ａｄｖａｎｃｅｍｅｎｔ ａｎｄ ｒｅｔｒｏｇｒａｄａｔｉｏｎ （ ｇｒｅｅｎｗａｖｅ
ｅｆｆｅｃｔ） ｏｆ ｎａｔｕｒａｌ ｖｅｇｅｔａｔｉｏｎ． ＮＡＳＡ ／ ＧＳＦＣＴ Ｔｙｐｅ ＩＩＩ Ｆｉ⁃
ｎａｌ Ｒｅｐｏｒｔ， Ｇｒｅｅｎｂｅｌｔ， ＭＤ， ＵＳＡ， １９７４
［１９］　 Ｈｕｅｔｅ ＡＲ． Ａ ｓｏｉｌ⁃ａｄｊｕｓｔｅｄ ｖｅｇｅｔａｔｉｏｎ ｉｎｄｅｘ （ ＳＡＶＩ）．
Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ， １９８８， ２５： ２９５－３０９
［２０］　 Ｇｉｔｅｌｓｏｎ ＡＡ， Ｋａｕｆｍａｎ ＹＪ， Ｍｅｒｚｌｙａｋ ＭＮ． Ｕｓｅ ｏｆ ａ
ｇｒｅｅｎ ｃｈａｎｎｅｌ ｉｎ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｏｆ ｇｌｏｂａｌ ｖｅｇｅｔａｔｉｏｎ ｆｒｏｍ
ＥＯＳ⁃ＭＯＤＩＳ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ， １９９６，
５８： ２８９－２９８
［２１］　 Ｋａｕｆｍａｎ ＹＪ， Ｔａｎｒｅ Ｄ． Ａｔｍｏｓｐｈｅｒｉｃａｌｌｙ ｒｅｓｉｓｔａｎｔ ｖｅｇｅｔａ⁃
ｔｉｏｎ ｉｎｄｅｘ （ＡＲＶＩ） ｆｏｒ ＥＯＳ⁃ＭＯＤＩＳ． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ
ｏｎ Ｇｅｏｓｃｉｅｎｃｅ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， １９９２， ３０： ２６１－２７０
［２２］　 Ｊｏｒｄａｎ ＣＦ． Ｄｅｒｉｖａｔｉｏｎ ｏｆ ｌｅａｆ ａｒｅａ ｉｎｄｅｘ ｆｒｏｍ ｑｕａｌｉｔｙ ｏｆ
ｌｉｇｈｔ ｏｎ ｔｈｅ ｆｏｒｅｓｔ ｆｌｏｏｒ． Ｅｃｏｌｏｇｙ， １９６９， ５０： ６６３－６６６
［２３］　 Ｈｕｅｔｅ ＡＲ， Ｊｕｓｔｉｃｅ Ｃ， Ｌｉｕ Ｈ． Ｄｅｖｅｌｏｐｍｅｎｔ ｏｆ ｖｅｇｅｔａｔｉｏｎ
ａｎｄ ｓｏｉｌ ｉｎｄｉｃｅｓ ｆｏｒ ＭＯＤＩＳ⁃ＥＯＳ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎ⁃
ｖｉｒｏｎｍｅｎｔ， １９９４， ４９： ２２４－２３４
［２４］　 Ｃｒｉｓｔ ＥＰ， Ｃｉｃｏｎｅ ＲＣ． Ａ ｐｈｙｓｉｃａｌｌｙ⁃ｂａｓｅｄ ｔｒａｎｓｆｏｒｍａｔｉｏｎ
ｏｆ ｔｈｅｍａｔｉｃ ｍａｐｐｅｒ ｄａｔａ⁃ｔｈｅ ＴＭ ｔａｓｓｅｌｅｄ ｃａｐ． ＩＥＥＥ
Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｇｅｏｓｃｉｅｎｃｅ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， １９８４，
２２： ２５６－２６３
［２５］　 Ｔａｎｇ Ｘ⁃Ｇ （汤旭光）． Ｅｓｔｉｍａｔｉｏｎ ｏｆ Ｆｏｒｅｓｔ Ａｂｏｖｅｇｒｏｕｎｄ
Ｂｉｏｍａｓｓ ｂｙ Ｉｎｔｅｇｒａｔｉｎｇ ＩＣＥＳａｔ ／ ＧＬＡＳ Ｗａｖｅｆｏｒｍ ａｎｄ ＴＭ
Ｄａｔａ． ＰｈＤ Ｔｈｅｓｉｓ． Ｂｅｉｊｉｎｇ： Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｃｈｉｎｅｓｅ Ａｃａ⁃
ｄｅｍｙ ｏｆ Ｓｃｉｅｎｃｅｓ， ２０１３ （ｉｎ Ｃｈｉｎｅｓｅ）
［２６］　 Ｗａｎｇ Ｌ⁃Ｈ （王立海）， Ｘｉｎｇ Ｙ⁃Ｑ （邢艳秋）． Ｒｅｍｏｔｅ
ｓｅｎｓｉｎｇ ｅｓｔｉｍａｔｉｏｎ ｏｆ ｎａｔｕｒａｌ ｆｏｒｅｓｔ ｂｉｏｍａｓｓ ｂａｓｅｄ ｏｎ ａｎ
ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ． Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ａｐｐｌｉｅｄ
Ｅｃｏｌｏｇｙ （应用生态学报）， ２００８， １９（２）： ２６１－ ２６６
（ｉｎ Ｃｈｉｎｅｓｅ）
［２７］　 Ｇａｒｃíａ Ｍ， Ｐｏｐｅｓｃｕ Ｓ， Ｒｉａñｏ Ｄ， ｅｔ ａｌ． Ｃｈａｒａｃｔｅｒｉｚａｔｉｏｎ
ｏｆ ｃａｎｏｐｙ ｆｕｅｌｓ ｕｓｉｎｇ ＩＣＥＳａｔ ／ ＧＬＡＳ ｄａｔａ． Ｒｅｍｏｔｅ Ｓｅｎｓ⁃
ｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ， ２０１２， １２３： ８１－８９
［２８］　 Ｂｒｅｎｎｅｒ ＡＣ， Ｚｗａｌｌｙ ＨＪ， Ｂｅｎｔｌｅｙ ＣＲ， ｅｔ ａｌ． Ｄｅｒｉｖａｔｉｏｎ
ｏｆ ｒａｎｇｅ ａｎｄ ｒａｎｇｅ ｄｉｓｔｒｉｂｕｔｉｏｎｓ ｆｒｏｍ ｌａｓｅｒ ｐｕｌｓｅ ｗａｖｅ⁃
ｆｏｒｍ ａｎａｌｙｓｉｓ ｆｏｒ ｓｕｒｆａｃｅ ｅｌｅｖａｔｉｏｎｓ， ｒｏｕｇｈｎｅｓｓ， ｓｌｏｐｅ，
ａｎｄ ｖｅｇｅｔａｔｉｏｎ ｈｅｉｇｈｔｓ． Ｇｅｏｓｃｉｅｎｃｅ Ｌａｓｅｒ Ａｌｔｉｍｅｔｅｒ Ｓｙｓ⁃
ｔｅｍ Ａｌｇｏｒｉｔｈｍ Ｔｈｅｏｒｅｔｉｃａｌ Ｂａｓｉｓ Ｄｏｃｕｍｅｎｔ， ｖｅｒｓｉｏｎ
５􀆰 ０， ２０１１
［２９］　 Ｍａｌｌｅｔ Ｃ， Ｂｒｅｔａｒ Ｆ． Ｆｕｌｌ⁃ｗａｖｅｆｏｒｍ ｔｏｐｏｇｒａｐｈｉｃ ｌｉｄａｒ：
Ｓｔａｔｅ⁃ｏｆ⁃ｔｈｅ⁃ａｒｔ． ＩＳＰＲＳ Ｊｏｕｒｎａｌ ｏｆ Ｐｈｏｔｏｇｒａｍｍｅｔｒｙ ａｎｄ
Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２００９， ６４ ： １－１６
［３０］　 Ｋｉｍｅｓ ＤＳ， Ｒａｎｓｏｎ ＫＪ， Ｓｕｎ ＧＱ， ｅｔ ａｌ． Ｐｒｅｄｉｃｔｉｎｇ ｌｉｄａｒ
ｍｅａｓｕｒｅｄ ｆｏｒｅｓｔ ｖｅｒｔｉｃａｌ ｓｔｒｕｃｔｕｒｅ ｆｒｏｍ ｍｕｌｔｉ⁃ａｎｇｌｅ ｓｐｅｃ⁃
ｔｒａｌ ｄａｔａ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ， ２００６， １００：
５０３－５１１
作者简介　 王　 蕊，女，１９８９ 年生，博士研究生．主要从事星
载大光斑激光雷达森林回波波形的模拟和森林结构参数的
反演研究． Ｅ⁃ｍａｉｌ： ｗａｎｇｒｕｉ１９８９０９０８＠ １２６．ｃｏｍ
责任编辑　 杨　 弘
４６６１ 应　 用　 生　 态　 学　 报　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 ２６卷