全 文 ：林业科学研究 ２０１４，２７（３）：３０９ ３１５
ＦｏｒｅｓｔＲｅｓｅａｒｃｈ
文章编号：１００１１４９８（２０１４）０３０３０９０７
基于 ＩＣＥＳａｔＧＬＡＳ波形估测平均树高的研究
刘美爽１，邢艳秋１，２，３，吴红波２，尤号田２
（１．东北林业大学 工程技术学院，黑龙江 哈尔滨 １５００４０；２．东北林业大学 森林作业与环境研究中心，黑龙江 哈尔滨 １５００４０；
３．中国林业科学研究院 资源信息研究所，北京 １０００９１）
收稿日期：２０１３０７１８
基金项目：中央高校创新团队与重大项目培育资金项目（ＤＬ１２ＥＢ０７）；国家自然科学基金资助项目（４１１７１２７４）；国家８６３计划重点项目
（２０１１ＡＡ１２０４０５）；中国博士后科学基金（２０１１Ｍ５０００３６）
作者简介：刘美爽（１９６４—），女，黑龙江呼兰人，硕士，副编审。研究方向：森林工程。Ｅｍａｉｌ：ｌｉｕｍｅｉｓｈｕａｎｇ＠１２６．ｃｏｍ
通讯作者：博士，教授。研究方向：林业定量遥感。Ｅｍａｉｌ：ｙａｎｑｉｕｘｉｎｇ＠ｎｅｆｕ．ｅｄｕ．ｃｎ
摘要：以吉林省汪清林业局经营区域为例，基于星载激光雷达ＩＣＥＳａｔＧＬＡＳ回波参数，构建了平均树高回归模型，预
估精度为８４．０５％；利用反距离加权法，对ＩＣＥＳａｔＧＬＡＳ光斑平均树高估测值进行差值运算，得到初始ＣＨＭ（Ｃａｎｏｐｙ
ＨｅｉｇｈｔＭｏｄｅｌ），实现了平均树高空间连续分布制图；再利用坡度校正和３×３移动窗口差分滤波平滑初始ＣＨＭ，得到
研究区平均树高修正ＣＨＭ，预估精度达到９１．５２％。研究结果表明，坡度校正和移动窗口差分滤波方法能有效削弱
坡度影响，剔除异常点，提高平均树高估测精度。
关键词：激光雷达；ＩＣＥＳａｔＧＬＡＳ；波形；平均树高；ＣＨＭ
中图分类号：Ｓ７７１．８ 文献标识码：Ａ
ＳｔｕｄｙｏｎＭｅａｎＦｏｒｅｓｔＣａｎｏｐｙＨｅｉｇｈｔＥｓｔｉｍａｔｉｏｎＢａｓｅｄｏｎ
ＩＣＥＳａｔＧＬＡＳＷａｖｅｆｏｒｍｓ
ＬＩＵＭｅｉｓｈｕａｎｇ１，ＸＩＮＧＹａｎｑｉｕ１，２，３，ＷＵＨｏｎｇｂｏ２，ＹＯＵＨａｏｔｉａｎ２
（１．ＣｏｌｅｇｅｏｆＥｎｇｉｎｅｅｒｉｎｇａｎｄＴｅｃｈｎｏｌｏｇｙ，ＮｏｒｔｈｅａｓｔＦｏｒｅｓｔｒｙＵｎｉｖｅｒｓｉｔｙ，Ｈａｒｂｉｎ １５００４０，Ｈｅｉｌｏｎｇｊｉａｎｇ，Ｃｈｉｎａ；
２．ＣｅｎｔｅｒｆｏｒＦｏｒｅｓｔＯｐｅｒａｔｉｏｎｓａｎｄＥｎｖｉｒｏｎｍｅｎｔ，ＮｏｒｔｈｅａｓｔＦｏｒｅｓｔｒｙＵｎｉｖｅｒｓｉｔｙ，Ｈａｒｂｉｎ １５００４０，Ｈｅｉｌｏｎｇｊｉａｎｇ，Ｃｈｉｎａ；
３．ＲｅｓｅａｒｃｈＩｎｓｔｉｔｕｔｅｏｆＦｏｒｅｓｔＲｅｓｏｕｒｃｅＩｎｆｏｒｍａｔｉｏｎＴｅｃｈｎｉｑｕｅｓ，ＣｈｉｎｅｓｅＡｃａｄｅｍｙｏｆＦｏｒｅｓｔｒｙ，Ｂｅｉｊｉｎｇ １０００９１，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：ＴａｋｉｎｇＷａｎｇｑｉｎｇＦｏｒｅｓｔｒｙＢｕｒｅａｕｏｆＪｉｌｉｎＰｒｏｖｉｎｃｅａｓｔｈｅｓｔｕｄｙａｒｅａ，ａｒｅｇｒｅｓｓｉｏｎｍｏｄｅｌｆｏｒｍｅａｎｆｏｒｅｓｔ
ｃａｎｏｐｙｈｅｉｇｈｔｗａｓｅｓｔａｂｌｉｓｈｅｄｕｓｉｎｇＩＣＥＳａｔＧＬＡＳ（ｔｈｅＩｃｅ，Ｃｌｏｕｄ，ａｎｄＬａｎｄＥｌｅｖａｔｉｏｎＧｅｏｓｃｉｅｎｃｅＬａｓｅｒＡｌｔｉｍｅｔｅｒ
Ｓｙｓｔｅｍ）ｗａｖｅｆｏｒｍｍｅｔｒｉｃｓ，ｗｉｔｈｔｈｅｐｒｅｄｉｃｔｅｄａｃｃｕｒａｃｙｏｆ８４．０５％．Ｂｙｔｈｅｍｅｔｈｏｄｏｆｉｎｖｅｒｓｅｄｉｓｔａｎｃｅｗｅｉｇｈｔｅｄ
（ＩＤＷ），ｔｈｅｉｎｔｅｒｐｏｌａｔｉｏｎｃａｌｃｕｌａｔｉｏｎｆｏｒＩＣＥＳａｔＧＬＡＳｅｓｔｉｍａｔｅｄｍｅａｎｆｏｒｅｓｔｃａｎｏｐｙｈｅｉｇｈｔｗａｓｃａｒｉｅｄｏｕｔａｎｄｔｈｅ
ｐｒｅｌｉｍｉｎａｒｙＣＨＭ（ＣａｎｏｐｙＨｅｉｇｈｔＭｏｄｅｌ）ｗａｓａｃｈｉｅｖｅｄａｃｃｏｒｄｉｎｇｌｙｗｉｔｈｃｏｎｔｉｎｕｏｕｓｓｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎ．Ｔｈｅａｄｊｕｓ
ｔｅｄＣＨＭｗａｓｐｒｏｄｕｃｅｄｂｙｃｏｒｅｃｔｅｄａｎｄｓｍｏｏｔｈｅｄｐｒｅｌｉｍｉｎａｒｙＣＨＭｕｓｉｎｇｓｌｏｐｅｓａｎｄｄｉｆｅｒｅｎｔｉａｌｆｉｌｔｅｒ（ｗｉｔｈ３×３
ｗｉｎｄｏｗｓ）ｒｅｓｐｅｃｔｉｖｅｌｙ，ａｎｄｔｈｅｐｒｅｄｉｃｔｅｄａｃｃｕｒａｃｙｗａｓｕｐｔｏ９１．５２％．Ｔｈｅｓｔｕｄｙｒｅｓｕｌｔｓｉｎｄｉｃａｔｅｄｔｈａｔｔｈｅｍｅｔｈｏｄ
ｏｆｓｌｏｐｅｃｏｒｅｃｔｉｏｎａｎｄｄｉｆｅｒｅｎｔｉａｌｆｉｌｔｅｒｗａｓａｂｌｅｔｏｒｅｄｕｃｅｔｈｅｉｎｆｌｕｅｎｃｅｏｆｓｌｏｐｅａｎｄｒｅｍｏｖｅｔｈｅｏｕｔｌｉｅｒｓｅｆｅｃｔｉｖｅｌｙ
ｆｏｒＣＨＭ，ａｎｄｉｍｐｒｏｖｅｔｈｅｐｒｅｄｉｃｔｅｄａｃｃｕｒａｃｙｃｏｎｓｅｑｕｅｎｔｌｙ．
Ｋｅｙｗｏｒｄｓ：ＬｉＤＡＲ，ＩＣＥＳａｔＧＬＡＳ；ｗａｖｅｆｏｒｍｓ；ｍｅａｎｃａｎｏｐｙｈｅｉｇｈｔ；ＣＨＭ
平均树高不仅是评价林分垂直结构的重要指
标，也是反映林地生产力高低和估测林分蓄积量及
碳储量的主要因子［１］。在传统调查方法里，树高信
息一直主要靠人工实地测量获取，费时费力，难以实
现大区域估测。近些年来，被动光学遥感技术在森
林参数估测领域应用比较广泛，但多用于获取森林
林 业 科 学 研 究 第２７卷
水平结构信息，却很少能准确地反应森林垂直结构
信息［２－４］，限制了遥感在估测森林生物量、森林蓄积
量等方面的精度。
随着激光雷达（ＬｉＤＡＲ）遥感技术的相对成熟，
其在准确获取森林垂直结构参数上表现出很强的优
势，并取得了一定的研究进展［５－１２］。搭载在冰、云
和陆地高程卫星（ＩＣＥＳａｔ）上的地学激光测高系统
（ＧＬＡＳ）能够提供激光雷达全波形数据，且相对机载
ＬｉＤＡＲ系统而言，其光斑覆盖面积大（直径约
７０ｍ），激光回波不仅能够反射森林冠层信息，而且
能够到达地面并反射地面信息，更适合于样地或林
分平均树高［１３－１５］的估测。虽然 ＩＣＥＳａｔＧＬＡＳ已经
在全球的许多区域成功地用于树高估测［１６－２１］，但由
于相邻的ＩＣＥＳａｔＧＬＡＳ激光光斑之间有一定的距离
（间隔约１７０ｍ），限制了其在大区域完全覆盖连续
观测，而且大多数研究仍局限在地表相对平坦的林
地上［１１］。对于那些地形起伏较大的林地，ＩＣＥＳａｔ
ＧＬＡＳ光斑内的森林冠层反射和地面反射混合在一
起，使ＩＣＥＳａｔＧＬＡＳ波形解译变得十分困难，在很大
程度上影响了森林冠层信息的精确提取［１４－１５］，降低
了树高估测精度。
本文旨在对ＩＣＥＳａｔＧＬＡＳ提供的全波形数据提
取特征参数，建立平均树高统计回归模型、并对平均
树高进行估测，再利用反距离加权插值法，构建空间
连续分布的平均树高模型ＣＨＭ（ＣａｎｏｐｙＨｅｉｇｈｔＭｏｄ
ｅｌ），采用坡度校正和移动窗口差分滤波方法削弱地
形对平均树高估测造成的影响，提高估测精度，为森
林生物量估测等相关研究奠定数据基础。
１ 研究区概况
本研究以位于长白山系东麓的中低山系的吉林
汪清林业局经营区（４３°０５′ ４３°４０′Ｎ，１２９°５６′
１３１°０４′Ｅ）为研究区，总面积为３０．４万 ｈｍ２。地面
高程为３６０ １４７７ｍ，坡度变化范围为 ０ ４５°。
夏季炎热多雨，冬季寒冷干燥，年降水量５５０ｍｍ左
右，其中 ５—９月的降水量（４３８ｍｍ）约占全年的
８０％。年平均气温３．９℃，无霜期１３７ｄ。该区域植
物种类繁多，结构复杂。深山区林相以天然次生针
阔混交林为主，呈带状分布在海拔５００ １１００ｍ之
间［１５］。针叶树主要有红松（ＰｉｎｕｓｋｏｒａｉｅｎｓｉｓＳｉｅｂ．ｅｔ
Ｚｕｃｃ．）、云杉（Ｐｉｃｅａｓｐｐ．）、臭松（Ｓｙｍｐｌｏｃａｒｐｕｓｆｏｅｔｉ
ｄｕｓ（Ｌ．）Ｓａｌｉｓｂ．）、落叶松（Ｌａｒｉｘｇｍｅｌｉｎｉ（Ｒｕｐｒ．）
Ｒｕｐｒ．），阔叶树多为水曲柳（Ｆｒａｘｉｎｕｓｍａｎｄｓｈｕｒｉｃａ
Ｒｕｐｒ．）、胡桃楸（ＪｕｇｌａｎｓｍａｎｄｓｈｕｒｉｃａＭａｘｉｍ．）、蒙古
栎（ＱｕｅｒｃｕｓｍｏｎｇｌｉｃａＦｉｓｃｈ．）、椴树（Ｔｉｌｉａｓｐｐ．）、色
木（ＡｃｅｒｍｏｎｏＭａｘｉｍ．）、榆树（ＵｌｍｕｓｐｕｍｉｌａＬ．）、白
桦（ＢｅｔｕｌａｐｌａｔｙｐｈｙｌａＳｕｋ．）、杨树（Ｐｏｐｕｌｕｓｓｐｐ．）、枫
桦（ＢｅｔｕｌａｃｏｓｔａＴｒａｕｔｖ．）等［２２］。
２ 研究区数据收集与处理
２．１ 数据收集
２．１．１ 野外调查数据 采用分层随机采样法调查
野外数据，主要针对针叶林、阔叶林和针阔混交林３
种森林类型，沿卫星飞行航迹方向，随机选取 ＧＬＡＳ
光斑星下点所对应的地面点，于２００６年９月、２００７
年９月和２００９年９月开展了野外样地数据获取工
作，共计调查样地２８６个。在２８６个调查样地中，包
括７个裸地、１１个农田、８个草甸、６个湿地、１４１个阔
叶林、６２个针阔混交林和５１个针叶林，样地坡度主要
分布在０ ３０°之间。样地平均树高统计结果见表１。
调查过程中，利用ＧＡＲＭＩＮ征程３００型ＧＰＳ手持仪对
ＩＣＥＳａｔ－ＧＬＡＳ激光脚点进行定位。依据森林调查统
计原理，并考虑地形坡度导致的 ＧＬＡＳ圆形光斑变
形，为有效地对样地光斑内林木进行调查，以光斑中
心作为调查样地的中心点，结合考虑样地坡度，建立
水平有效投影面积为５００ｍ２的圆形样地［５］；用检尺
法逐一测定样地中林木胸径≥３ｃｍ的每木胸径
（１．３ｍ高处的直径），用ＶｅｒｔｅｘＩＶ测高仪测量每株活
立木树高、冠幅高度等，并记录单木树种、样地郁闭
度、森林类型，地表植被覆盖、坡度和坡向等，其中样
地的平均坡度、坡向利用地质罗盘测量。
调查样地的平均树高 Ｈｍｅａｎ为样地内所有立木
树高的算术平均值［２３］，计算方法见式（１）：
Ｈｍｅａｎ ＝
∑
ｎ
ｉ＝１
Ｈｉ
ｎ （１）
式中：Ｈｉ为样地内单木实测高度（ｍ）；ｎ为样地
内所测单木数量（株）。
表１ 平均树高调查统计结果
森林类型 样地数量
最大平均
树高／ｍ
最小平均
树高／ｍ
平均树高／ｍ
阔叶林 １４１ ２４．００ ７．５０ １６．２０
混交林 ６２ ２６．６０ ７．５０ １５．４０
针叶林 ５１ ２１．９０ ５．００ １５．５０
２．１．２ ＩＣＥＳａｔＧＬＡＳ数据 ＩＣＥＳａｔＧＬＡＳ是第一
个，也是目前唯一的极地轨道大光斑激光雷达设备，
飞行高度为６００ｋｍ，用于全球观测。ＧＬＡＳ脉冲激
０１３
第３期 刘美爽等：基于ＩＣＥＳａｔＧＬＡＳ波形估测平均树高的研究
光器每秒发射４０个激光脉冲，脉冲宽度为４ｎｓ，每
个激光脉冲在地面上覆盖的光斑直径大约为７０ｍ，
相邻光斑间距约为 １７０ｍ。卫星上的一个直径为
１ｍ的望远镜接收从地面返回的脉冲并引导到模拟
探测器，然后由采样器进行数字化并记录回波。这
些数字化的回波就是激光波形，从波形上可以判定
激光发射和回波接收的时间，进而获取相应地面激
光光斑内的地物信息。
ＩＣＥＳａｔ地面轨道回归周期为１８３ｄ，在赤道附近
相邻轨道间距为 １５ｋｍ，而在纬度 ８０°处间距为
２．５ｋｍ。ＩＣＥＳａｔ－ＧＬＡＳ共提供 １５个数据产品，即
ＧＬＡ０１，ＧＬＡ０２．．．ＧＬＡ１５。根据研究需求，本研究选
择ＧＬＡ０１和ＧＬＡ１４作为研究数据。其中，ＧＬＡ０１提
供测高仪所发送和接收的全波形数据，包括全波形主
要参数和统计数据，其数据格式为整数型二进制，可
为平均树高估测提供波形参数；与波形数据相应的地
面光斑地理位置和高程数据由高程数据产品ＧＬＡ１４
记录，可准确建立ＧＬＡＳ波形数据与地面点的联系。
ＧＬＡ０１和 ＧＬＡ１４数据均通过美国国家冰雪数
据中心（ｈｔｐ：／／ｎｓｉｄｃ．ｏｒｇ／ｄａｔａ／ｉｃｅｓａｔ／）获取，采集时
间为２００３－０２－２１—２００９－０３－２４，共６４７９组数
据，其光斑分布如图１所示。
２．１．３ ＡＳＴＥＲＧＤＥＭ数据 ＡＳＴＥＲＤＥＭ是美国
航空航天局（ＮＡＳＡ）和日本经济产业省（ＭＥＴＩ）在
２００９年６月２９日联合发布的目前覆盖范围最大、最
精准的地球陆地海拔地形图，覆盖了全世界陆地面
积的９９％（范围为８３°Ｓ ８３°Ｎ），空间分辨率为３０
ｍ，垂直和水平数据可信度均达到了９５％。本研究
采用研究区ＡＳＴＥＲＧＤＥＭ数据（如图１所示），用于
计算地面坡度。ＡＳＴＥＲＧＤＥＭ数据获取网址为 ｈｔ
ｔｐ：／／ｗｗｗ．ｇｄｅｍ．ａｓｔｅｒ．ｅｒｓｄａｃ．ｏｒ．ｊｐ。
图１ 研究区ＡＳＴＥＲＧＤＥＭ数据
２．２ ＩＣＥＳａｔＧＬＡＳ数据处理及参数提取
本研究按以下所述步骤对 ＩＣＥＳａｔＧＬＡＳ回波数
据进行处理及其参数提取。
（１）数据预处理：ＧＬＡ０１和 ＧＬＡ１４原始数据为
二进制格式，为方便后续处理的读取及分析，先将其
转换成ＡＳＣＩ（ＡｍｅｒｉｃａｎＳｔａｎｄａｒｄＣｏｄｅｆｏｒＩｎｆｏｒｍａｔｉｏｎ
Ｉｎｔｅｒｃｈａｎｇｅ）数据格式（．ｒａｓｃ），再将由数字０－２５５
表示的波形数据转换为由电压表示的数据［１５］。根
据ＧＬＡ０１和ＧＬＡ１４提供的激光光斑编号，将同一激
光光斑的ＧＬＡ０１与ＧＬＡ１４数据进行匹配，整合两者
所提供的波形信息及其地理参数。为便于不同单位
或量级的参数能够进行比较和加权，增强波形之间
的可比性，将回波的光电压值标准化在［０，１］区间
（标准化后ＧＬＡＳ回波如图３中虚线所示），计算方
法如式（２）所示：
ｘｉ＝
Ｅｉ－Ｅｍｉｎ
Ｅｍａｘ－Ｅｍｉｎ
（２）
其中，ｘｉ为单个波形标准化后的数值；Ｅｉ为单
个波形数据中的光电压值（Ｖ）；Ｅｍａｘ为单个波形数
据的光电压最大值（Ｖ）；Ｅｍｉｎ为单个波形数据的光
电压最小值（Ｖ）。
（２）ＩＣＥＳａｔＧＬＡＳ回波滤波去噪：ＩＣＥＳａｔＧＬＡＳ
回波噪声导致 ＩＣＥＳａｔＧＬＡＳ回波识别、分析和分类
困难。因此，本研究采用具有良好时间域、空间域特
性的小波变换方法对波形进行去噪处理。小波变换
对信号进行去噪，其实质是将信号与小波核函数做
内积，因此小波核函数的选用至关重要。ＧＬＡＳ激光
器发射的为高斯脉冲信号，由此可以假设接收的激
光回波也是由高斯分量构成的，所以本文选择高斯
小波作为核函数，利用软阈值法对含噪信号进行小
波分解及重构。软阈值法去噪的关键是噪声阈值的
设定，本研究设定噪声阈值为回波数据前１００帧数
据的平均值与其３倍标准差之和，详细过程见参考
文献［２４］及［２５］。
（３）样地平均树高参数提取：ＩＣＥＳａｔＧＬＡＳ回波
波形与树冠垂直结构密切相关。综合考虑研究区地
形与森林类型特点，利用标准化的 ＩＣＥＳａｔＧＬＡＳ回
波定义并提取波形长度 Ｅｘｔｅｎｔ、地面回波长度 Ｔｒａｉｌ
和首波长度Ｌｅａｄ等与平均树高相关的回波波形参
数（如图２所示）。参数计算方法如式（３） 式（５）
所示：
Ｅｘｔｅｎｔ＝ｔｅｎｄ－ｔｓｔａｒｔ （３）
Ｌｅａｄ＝ｔＬｅａｄ，ｅｎｄ－ｔｓｔａｒｔ （４）
１１３
林 业 科 学 研 究 第２７卷
Ｔｒａｉｌ＝ｔＴｒａｉｌ，ｓｔａｒｔ－ｔｅｎｄ （５）
式中：Ｌｅａｄ和 Ｔｒａｉｌ两者均包含样地坡度对
其回波展宽的影响；ｔｓｔａｒｔ为波形噪声阈值与波形
的第一个有效回波的交叉点，即回波波点起始时
间；ｔｅｎｄ为波形噪声阈值与波形最后一个有效回
波的交叉点，即回波波形终止时间；ｔＬｅａｄ，ｅｎｄ为首波
的终止时间；Ｔｒａｉｌ＝ｔＴｒａｉｌ，ｓｔａｒｔ－ｔｅｎｄ为地面回波的
起始时间。
图２ 与平均树高相关的ＧＬＡＳ波形参数
２．３ 平均树高模型ＣＨＭ构建
２．３．１ ＩＣＥＳａｔＧＬＡＳ光斑内森林平均树高估算
以ＩＣＥＳａｔＧＬＡＳ波形参数 Ｅｘｔｅｎｔ，Ｔｒａｉｌ和 Ｌｅａｄ
等为变量，以实测样地平均树高为因变量，构建样地
平均树高估测模型，求出 ＩＣＥＳａｔＧＬＡＳ光斑内的平
均树高估测值。为实现上述研究目的，本文随机选
取２０９块样地实测数据及其所对应的 ＩＣＥＳａｔＧＬＡＳ
数据，提取其波形参数（参考２．２），利用多元统计回
归方法，建立 ＩＣＥＳａｔ光斑内的平均树高实测值与
Ｅｘｔｅｎｔ，Ｔｒａｉｌ和 Ｌｅａｄ的关系式，估算出其余 ＩＣＥＳａｔ
ＧＬＡＳ光斑内平均树高。
２．３．２ 反距离加权插值法构建初始ＣＨＭ
基于ＩＣＥＳａｔＧＬＡＳ估测的光斑内平均树高（视为
已知数据），利用反距离加权 ＩＤＷ（ＩｎｖｅｒｓｅＤｉｓｔａｎｃｅ
Ｗｅｉｇｈｔｅｄ）插值法对激光光斑覆盖以外的林区进行推
广估测。反距离加权插值法是常用的空间插值方法
之一，它以插值点与样本点间的距离为权重进行线性
加权来决定输出的栅格值。权重与距离成反比，离插
值点越近的样本点赋予的权重越大，对输出栅格的值
影响越大；离输出栅格越远的样本点赋予的权重越
小，对输出栅格的值影响越小。式（６）和式（７）所示
为反距离加权插值计算未知点的数值方法。
Ｚ０ ＝∑
ｎ
ｉ＝１
λｉ×Ｚ（ｘｉ） （６）
λｉ＝
１
（ｄｉ）
ｐ
∑
ｎ
ｉ＝１
１
（ｄｉ）
ｐ
（７）
式中，Ｚ０为待估计的栅格像元值，即 ＩＣＥＳａｔ
ＧＬＡＳ光斑外区域的平均树高估计值；Ｚ（ｘｉ）为第 ｉ
个光斑样点已知数据（ｉ＝１，２，３…ｎ），ｎ为用于数
据插值的已知样点数据个数，ｄｉ为未知插值点到第ｉ
个光斑样点的距离，λｉ即为样点在插值过程中的权
重；ｐ为距离的幂。
通过反距离加权插值后，利用所有已知点和插
值点构建不规则三角网（ＴＩＮ），生成空间连续的初
始ＣＨＭ模型［２６－２８］。树高除了受森林类型、林龄结
构影响外，还特别受到地形因素如坡度和坡向等的
影响。由于ＩＣＥＳａｔ相邻轨道间距较大，在利用反距
离加权法插值时未能全面考虑山脊、山谷，坡向等变
化引起的树高变化，存在一定的局限性。鉴于此，本
研究将对初始 ＣＨＭ模型进行坡度校正和移动窗口
差分滤波，以期部分削弱地形变化对 ＣＨＭ的影响，
提高估测精度。
２．３．３ 坡度校正和移动窗口差分滤波构建修
正ＣＨＭ
（１）初始ＣＨＭ模型坡度校正
初始ＣＨＭ数据包含有地表坡度的影响，需要进
一步对其进行校正。本研究利用 ＡＳＴＥＲＧＤＥＭ数
据计算研究区地表坡度，在对应的ＣＨＭ估测之中减
去坡度造成的高差，实现对ＣＨＭ模型的坡度校正。
（２）移动窗口差分滤波平滑ＣＨＭ
在地形起伏较大的林区，相邻的ＣＨＭ估测值会
产生“突兀”现象，导致估计误差增加。鉴于这一问
题，假定林分平均树高随地形变化是一致的，没有较
大突变，采用移动窗口差分滤波对坡度校正后初始
ＣＨＭ数据进行平滑处理，以期提高估测精度。该算
法的具体执行过程如下所述：
基于坡度校正后初始ＣＨＭ栅格数据，以最低数
据点作为初始点集Ｐ（ｊ，ｉ）∈Ａ，以Ｐ（ｊ，ｉ）为移动窗
口中心点，定义一个３×３差分矩形模板算子进行滤
波，求任意中心点与其８个邻域点之间的差分，计算
公式见式（８）和式（９）。
ｇ（ｊ，ｉ，１）＝∑
３
ｍ＝１
∑
３
ｎ＝１
｜Ｐ（（ｊ－２＋ｍ），
（ｉ－２＋ｎ））－Ｐ（ｊ，ｉ）｜ Ｐ（ｊ，ｉ）∈Ａ （８）
ｇ（ｊ，ｉ，２）＝∑
３
ｍ＝１
∑
３
ｎ＝１
Ｐ（（ｊ－２＋ｍ），
２１３
第３期 刘美爽等：基于ＩＣＥＳａｔＧＬＡＳ波形估测平均树高的研究
（ｉ－２＋ｎ））－Ｐ（ｊ，ｉ） Ｐ（ｊ，ｉ）∈Ａ （９）
式中，ｇ（ｊ，ｉ，２）和 ｇ（ｊ，ｉ，１）分别表示中心点
Ｐ（ｊ，ｉ）与其各邻域点的差分之和及差分之和的绝对
值。如果ｇ（ｊ，ｉ，１）和 ｇ（ｊ，ｉ，２）同时满足小于某一
设定的阈值（该阈值由程序自动设定），即可判定该
点为正常点，否则为粗差点或异常点。对于粗差点
或异常点，需要反复进行滤波计算，每一次计算都是
对前一次模型的平滑调整，直到将这些点调整到合
理范围为止。本研究定义平滑后的 ＣＨＭ模型为修
正ＣＨＭ模型。
２．４ 模型评价
为有效地评价并比较 ＩＣＥＳａｔＧＬＡＳ平均树高回
归模型和ＣＨＭ模型的精度，本研究利用未参与建模
的７７块样地数据进行估测精度检验，计算方法分别
如式（１０）和式（１１）所示。
Ｐ＝１－
｜Ｈｍｅａｎ－Ｈ＾ｍｅａｎ｜
Ｈｍｅａｎ
（１０）
式中：Ｐ为预估精度（％）；Ｈｍｅａｎ为野外调查样
地的平均树高实测值（ｍ）；Ｈ＾ｍｅａｎ为利用回归模型估
计的平均树高（ｍ）。
Ｐａｄｊ＝１－
｜Ｈｍｅａｎ－Ｈ＾ｍｅａｎ，ａｄｊ｜
Ｈｍｅａｎ
（１１）
式中：Ｐａｄｊ为ＣＨＭ模型预估精度（％）；Ｈ＾ｍｅａｎ，ａｄｊ
是经移动窗口差分滤波后ＣＨＭ的估测值（ｍ）。
３ 结果与分析
３．１ 平均树高回归模型及其估测结果
基于ＩＣＥＳａｔＧＬＡＳ波形参数，利用２．３．１所述
方法建立平均树高回归模型如式（１２）所示：
Ｈｍｅａｎ ＝２．７６＋（０．６０×（Ｅｘｔｅｎｔ＋
（－０．３５×（Ｔｒａｉｌ＋Ｌｅａｄ）））） （１２）
回归方程的复相关系数为０．８０（Ｐ＝０．０１），预
估精度为８４．０５％（具体如表２所示）。ＩＣＥＳａｔ回波
样本数据中的６１９３个 ＩＣＥＳａｔ－ＧＬＡＳ回波，发现存
在两类异常现象：１）平均树高估测值为负，该类波形
总计４３４个。通过ＧＬＡＳ波形数据和地表覆盖状况
对比分析，发现造成这类异常结果的可能原因是
ＧＬＡＳ光斑内分布的为稀疏且矮小的灌木，或者在外
界干扰（包括人为干扰和自然干扰）影响下，造成树
木枯倒或消失，导致了ＧＬＡＳ回波中Ｔｒａｉｌ和Ｌｅａｄ值
较大，模型估测值则为负；２）无法估测森林平均树
高，或者估测值超出 ＧＬＡＳ波形所能反映的最大平
均树高８１．６ｍ，该类回波个数达２９０个。其原因有
二：①地表坡度大，造成 ＧＬＡＳ展宽现象严重，使其
无法真实估测光斑内的平均树高；②ＧＬＡＳ回波实为
云层回波，而不是地表回波，模型估测值更可能反映
的是云层高度而非平均树高。将以上两类异常数据
剔除后，余下５７５５个有效ＩＣＥＳａｔＧＬＡＳ反映的平均
树高估测值均值为３０．３ｍ。
３．２ ＣＨＭ模型构建结果
３．２．１ 初始ＣＨＭ模型 剔除平均树高异常估测值
后，以其余的５７５５个有效回波所对应的平均树高
估测值为已知点，利用反距离加权法进行空间插值，
进而基于已知点和插值点进行不规则三角网ＴＩＮ数
据构建，形成新的格网栅格数据，即初始 ＣＨＭ模型
（如图３所示）。
图３ 初始ＣＨＭ模型
通过分析观察初始 ＣＨＭ模型发现，基于 ＩＣＥ
Ｓａｔ光斑内平均树高进行反距离加权空间插值，虽然
实现了树高的连续空间分布，但由于未能全面考虑
地形的影响，尚存在一定不稳定点，需进一步修正。
３．２．２ 修正 ＣＨＭ模型 从 ＡＳＴＥＲＧＤＥＭ数据中
获取高程和坡度、坡向等因子，利用反距离加权插值
法生成坡度图（如图４所示），为初始 ＣＨＭ坡度校
正提供数据源，在对应的ＣＨＭ估测之中减去坡度造
成的地面高差，消除坡度对平均树高造成的影响。
通过对初始ＣＨＭ栅格数据进行坡度校正和移
动窗口差分滤波后，削弱了地面坡度对平均树高的
影响，并平滑了ＣＨＭ中的“突兀”点，得到修正ＣＨＭ
模型，如图５所示。
３１３
林 业 科 学 研 究 第２７卷
图４ ＡｓｔｅｒＧＤＥＭ派生的坡度图 图５ 修正ＣＨＭ模型
３．３ 平均树高模型精度评价与分析
按照样地森林类型区别，对应的平均树高模型
精度如表２所示。
表２ 平均树高估测精度评价
样地森
林类型
数量 样地坡度ｓ
平均树高
实测值／ｍ
回归模型平均树
高高度估测值／ｍ
修正ＣＨＭ平均树
高高度估测值／ｍ
回归模型预
估精度／％
修正ＣＨＭ预估
精度／ｍ
阔叶林 ３９ ４．５０≤ｓ≤３１．７０ １８．０５ １４．６８ １６．２７ ８１．３５ ９０．１４
混交林 １８ ３．００≤ｓ≤１９．１０ １８．４６ ２３．０９ ２１．７０ ７４．８８ ８２．４２
针叶林 １３ ３．００≤ｓ≤１３．６０ １９．５４ １７．９０ １８．３０ ９１．５９ ９３．６３
裸地 １ ｓ＝０．００ １．００ ０．９０ ０．９５ ９０．００ ９５．００
农田 ２ ０．００≤ｓ≤５．００ ２．００ １．９０ ２．１０ ９５．００ ９５．００
草甸 ２ ８．６０≤ｓ≤１１．２０ １．８０ １．６０ １．７６ ８８．８９ ９７．７８
湿地 ２ ３．００≤ｓ≤５．００ ０．６０ ０．４０ ０．５２ ６６．６７ ８６．６７
总体 － － － － ８４．０５ ９１．５２
：由于在裸地上有零星分布有少量未收割的农田或草类，会影响到ＧＬＡＳ回波，因此未将裸地的平均树高实测值定义为０，而是１。
根据表２结果分析，对 ＩＣＥＳａｔＧＬＡＳ平均树高
回归模型而言，其总体预估精度为８４．０５％，其中农
田和裸地的估测精度较高，达到９０％以上，主要原
因是其地表覆盖简单，且主要分布在地势平缓地区，
ＧＬＡＳ波形及参数受地面坡度影响小；针叶林平均树
高预估精度高于阔叶林和混交林，除了其地形平缓
对ＧＬＡＳ波形影响较小外，还由于阔叶树的冠形一
般呈椭球形，冠顶部分变化较缓，大部分阔叶林对
应的ＩＣＥＳａｔＧＬＡＳ波形的首个回波不是来自树冠顶
部的反射，导致 ＧＬＡＳ波形提取的平均树高值与实
测值偏差稍大。相反，针叶树的冠形一般呈圆锥形
或铅笔形，因此其树冠的垂直结构上升快，冠顶边缘
清晰，ＧＬＡＳ波形的首个回波为冠顶或上层树冠反射
的概率更大一些，而 ＧＬＡＳ波形提取的平均树高值
会更接近于实测值。
修正 ＣＨＭ模型比 ＩＣＥＳａｔＧＬＡＳ平均树高回归
方程预测精度普遍提高，总体预估精度达到了
９１５２％。这是因为修正ＣＨＭ在构建过程中通过坡
度校正削弱了地形起伏变化对平均树高的干扰，并
通过移动窗口差分滤波，抑制了部分突兀点，使
ＣＨＭ模型更平滑，更接近于实测值。
４ 结论
本研究以吉林省汪清林业局经营区域为例，基
于星载激光雷达ＩＣＥＳａｔＧＬＡＳ回波参数Ｅｘｔｅｎｔ、Ｌｅａｄ
和Ｔｒａｉｌ建立了平均树高多元回归模型并进行平均
树高估算，进而运用反距离插值和不规则三角网
ＴＩＮ构建了空间连续的平均树高初始 ＣＨＭ模型，再
利用移动窗口差分滤波构建修正 ＣＨＭ，提高了估测
精度。主要研究结论如下：
应用多元回归法构建的平均树高估测模型，总
体平均估测精度为８４．０５％，实现了空间连续分布
制图。其中针叶林平均树高估测精度高于阔叶林和
混交林。修正 ＣＨＭ 模型对总体预估精度为
４１３
第３期 刘美爽等：基于ＩＣＥＳａｔＧＬＡＳ波形估测平均树高的研究
９１５２％，比前者提高了７．４７％。研究结果表明，ＩＣ
ＥＳａｔＧＬＡＳ波形参数 Ｅｘｔｅｎｔ、Ｌｅａｄ和 Ｔｒａｉｌ等与平均
树高相关性较高，适合用于平均树高的估测，但估测
精度受地表坡度影响较大。坡度校正和移动窗口差
分滤波可有效削弱复杂地形因素对平均树高估测的
影响，抑制“突兀”点，提高平均树高估测精度。然
而，本研究在构建ＣＨＭ模型时未考虑不同的森林类
型的季节性变化以及森林冠层形状对其高度估测的
影响，建议在后续工作中对此进行探索研究，以期进
一步提高平均树高估测精度。另外，建议 ＩＣＥＳａｔ
ＧＬＡＳ数据联合其他数据源，如 ＴＭ（ＴｈｅｍａｔｉｃＭａｐ
ｐｅｒ）数据，进行空间插值运算，可望得到更为理想的
连续平均树高空间分布结果。
参考文献：
［１］李德仁，王长委，胡月明，等．遥感技术估算森林生物量的研究进
展［Ｊ］．武汉大学学报：信息科学版，２０１２，３７（６）：６３１－６３５
［２］邢艳秋，王立海．基于森林生物量相容性模型长白山天然林生
物量估测［Ｊ］．森林工程，２００８，２４（２）：１－４
［３］李立存，张淑芬，邢艳秋．全站仪和测高仪在树高测定上的比较
分析［Ｊ］．森林工程，２０１１，２７（４）：３８－４１
［４］ＭｅａｎｓＪＥ，ＡｃｋｅｒＳＡ，ＨａｒｄｉｎｇＤＪ，ｅｔａｌ．ＵｓｅｏｆＬａｒｇｅ－Ｆｏｏｔｐｒｉｎｔ
ＳｃａｎｎｉｎｇＡｉｒｂｏｒｎｅＬｉｄａｒＴｏＥｓｔｉｍａｔｅＦｏｒｅｓｔＳｔａｎｄＣｈａｒａｃｔｅｒｉｓｔｉｃｓｉｎ
ｔｈｅＷｅｓｔｅｒｎＣａｓｃａｄｅｓｏｆＯｒｅｇｏｎ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎ
ｍｅｎｔ，１９９９，６７（３）：２９８－３０８
［５］ＸｉｎｇＹＱ，ｄｅＧｉｅｒＡ，ＺｈａｎｇＪＪ，ｅｔａｌ．Ａｎｉｍｐｒｏｖｅｄｍｅｔｈｏｄｆｏｒｅｓ
ｔｉｍａｔｉｎｇｆｏｒｅｓｔｃａｎｏｐｙｈｅｉｇｈｔｕｓｉｎｇＩＣＥＳａｔＧＬＡＳｆｕｌｗａｖｅｆｏｒｍｄａｔａ
ｏｖｅｒｓｌｏｐｉｎｇｔｅｒａｉｎ：ＡｃａｓｅｓｔｕｄｙｉｎＣｈａｎｇｂａｉｍｏｕｎｔａｉｎｓ，Ｃｈｉｎａ
［Ｊ］．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＡｐｐｌｉｅｄＥａｒｔｈＯｂｓｅｒｖａｔｉｏｎａｎｄＧｅｏｉｎ
ｆｏｒｍａｔｉｏｎ，２０１０，１２（５）：３８５－３９２
［６］ＨｙｄｅＰ，ＤｕｂａｙａｈＲ，ＷａｌｋｅｒＷ，ｅｔａｌ．Ｍａｐｐｉｎｇｆｏｒｅｓｔｓｔｒｕｃｔｕｒｅｆｏｒ
ｗｉｌｄｌｉｆｅｈａｂｉｔａｔａｎａｌｙｓｉｓｕｓｉｎｇｍｕｌｔｉｓｅｎｓｏｒ（ＬｉＤＡＲ，ＳＡＲ／ＩｎＳＡＲ，
ＥＴＭ＋，Ｑｕｉｃｋｂｉｒｄ）ｓｙｎｅｒｇｙ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，
２００６，１０２（１／２）：６３－７３
［７］ＤｒａｋｅＪＢ，ＤｕｂａｙａｈＲＯ，ＫｎｏｘＲＧ，ｅｔａｌ．Ｓｅｎｓｉｔｉｖｉｔｙｏｆｌａｒｇｅｆｏｏｔ
ｐｒｉｎｔｌｉｄａｒｔｏｃａｎｏｐｙｓｔｒｕｃｔｕｒｅａｎｄｂｉｏｍａｓｓｉｎａｎｅｏｔｒｏｐｉｃａｌｒａｉｎｆｏｒｅｓｔ
［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２００２，８１（２／３）：３７８－３９２
［８］ＳｕｎＧ，ＲａｎｓｏｎＫＪ，ＫｉｍｅｓＤＳ，ｅｔａｌ．Ｆｏｒｅｓｔｖｅｒｔｉｃａｌｓｔｒｕｃｔｕｒｅｆｒｏｍ
ＧＬＡＳ：ＡｎｅｖａｌｕａｔｉｏｎｕｓｉｎｇＬＶＩＳａｎｄＳＲＴＭ ｄａｔａ［Ｊ］．Ｒｅｍｏｔｅ
ＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２００８，１１２（１）：１０７－１１７
［９］ＮｓｓｅｔＥ，ＧｏｂａｋｋｅｎＴ．Ｅｓｔｉｍａｔｉｎｇｆｏｒｅｓｔｇｒｏｗｔｈｕｓｉｎｇｃａｎｏｐｙｍｅｔ
ｒｉｃｓｄｅｒｉｖｅｄｆｒｏｍａｉｒｂｏｒｎｅｌａｓｅｒｓｃａｎｎｅｒｄａｔａ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆ
Ｅｎｖｉｒｏｎｍｅｎｔ，２００５，９６（３／４）：４５３－４６５
［１０］ＬｅｆｓｋｙＭＡ，ＣｏｈｅｎＷＢ，ＡｃｋｅｒＳＡ，ｅｔａｌ．ＬｉｄａｒＲｅｍｏｔｅＳｅｎｓｉｎｇ
ｏｆｔｈｅＣａｎｏｐｙＳｔｒｕｃｔｕｒｅａｎｄＢｉｏｐｈｙｓｉｃａｌＰｒｏｐｅｒｔｉｅｓｏｆＤｏｕｇｌａｓＦｉｒ
ＷｅｓｔｅｒｎＨｅｍｌｏｃｋＦｏｒｅｓｔｓ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，
１９９９，７０（３）：３３９－３６１
［１１］ＬｅｆｓｋｙＭＡ，ＨｕｄａｋＡＴ，ＣｏｈｅｎＷＢ，ｅｔａｌ．Ｇｅｏｇｒａｐｈｉｃｖａｒｉａｂｉｌｉｔｙ
ｉｎｌｉｄａｒｐｒｅｄｉｃｔｉｏｎｓｏｆｆｏｒｅｓｔｓｔａｎｄｓｔｒｕｃｔｕｒｅｉｎｔｈｅＰａｃｉｆｉｃＮｏｒｔｈｗｅｓｔ
［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２００５，９５（４）：５３２－５４８
［１２］ＮｅｌｓｏｎＲ，ＲａｎｓｏｎＫＪ，ＳｕｎＧ，ｅｔａｌ．ＥｓｔｉｍａｔｉｎｇＳｉｂｅｒｉａｎｔｉｍｂｅｒ
ｖｏｌｕｍｅｕｓｉｎｇＭＯＤＩＳａｎｄＩＣＥＳａｔ／ＧＬＡＳ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆ
Ｅｎｖｉｒｏｎｍｅｎｔ，２００９，１１３（３）：６９１－７０１
［１３］ＤｕｂａｙａｈＲＯ，ＤｒａｋｅＪＢ．ＬｉＤＡＲｒｅｍｏｔｅｓｅｎｓｉｎｇｆｏｒｆｏｒｅｓｔｒｙ［Ｊ］．
ＪｏｕｒｎａｌｏｆＦｏｒｅｓｔｒｙ，２０００，９８（６）：４４－４６
［１４］ＨａｒｄｉｎｇＤＪ，ＣａｒａｂａｊａｌＣＣ．ＩＣＥＳａｔｗａｖｅｆｏｒｍｍｅａｓｕｒｅｍｅｎｔｓｏｆ
ｗｉｔｈｉｎｆｏｏｔｐｒｉｎｔｔｏｐｏｇｒａｐｈｉｃｒｅｌｉｅｆａｎｄｖｅｇｅｔａｔｉｏｎｖｅｒｔｉｃａｌｓｔｒｕｃｔｕｒｅ
［Ｊ］．ＧｏｐｈｙｓｉｃａｌＲｅｓｅａｒｃｈＬｅｔｅｒｓ，２００５，３２（Ｌ２１Ｓ１０）：１－４
［１５］邢艳秋，王立海．基于 ＩＣＥＳａｔＧＬＡＳ完整波形的坡地森林冠层
高度反演研究———以吉林长白山林区为例［Ｊ］．武汉大学学
报：信息科学版，２００９，３４（６）：６９６－７００
［１６］ＬｅｆｓｋｙＭＡ，ＫｅｌｅｒＭ，ＰａｎｇＹ，ｅｔａｌ．Ｒｅｖｉｓｅｄｍｅｔｈｏｄｆｏｒｆｏｒｅｓｔ
ｃａｎｏｐｙｈｅｉｇｈｔｅｓｔｉｍａｔｉｏｎｆｒｏｍＧｅｏｓｃｉｅｎｃｅＬａｓｅｒＡｌｔｉｍｅｔｅｒＳｙｓｔｅｍ
ｗａｖｅｆｏｒｍｓ［Ｊ］．ＪｏｕｒｎａｌｏｆＡｐｐｌｉｅｄＲｅｍｏｔｅＳｅｎｓｉｎｇ，２００７，１（１）：
０１３０１３－０１３５３７
［１７］于 颖，范文义，李明泽，等．利用大光斑激光雷达数据估测
树高和生物量［Ｊ］．林业科学，２０１０，４６（９）：８４－８７
［１８］ＤｕｎｃａｎｓｏｎＬＩ，ＮｉｅｍａｎｎＫＯ，ＷｕｌｄｅｒＭＡ．Ｅｓｔｉｍａｔｉｎｇｆｏｒｅｓｔｃａｎ
ｏｐｙｈｅｉｇｈｔａｎｄｔｅｒａｉｎｒｅｌｉｅｆｆｒｏｍＧＬＡＳｗａｖｅｆｏｒｍｍｅｔｒｉｃｓ［Ｊ］．Ｒｅ
ｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２０１０，１１４（１）：１３８－１５４
［１９］ＡｌｏｕｉｓＴ，ＤｕｒｉｅｕＳ，ＣｏｕｔｅｒｏｎＰ．Ａｎｅｗｍｅｔｈｏｄｆｏｒｉｎｃｏｒｐｏｒａｔｉｎｇ
ｈｉｌｓｌｏｐｅｅｆｅｃｔｓｔｏｉｍｐｒｏｖｅｃａｎｏｐｙｈｅｉｇｈｔｅｓｔｉｍａｔｅｓｆｒｏｍｌａｒｇｅｆｏｏｔ
ｐｒｉｎｔｌｉｄａｒｗａｖｅｆｏｒｍｓ［Ｊ］．ＧｅｏｓｃｉｅｎｃｅａｎｄＲｅｍｏｔｅＳｅｎｓｉｎｇＬｅｔｅｒｓ，
ＩＥＥＥ，２０１２，９（４）：７３０－７３４
［２０］ＷｕｌｄｅｒＭＡ，ＷｈｉｔｅＪＣ，ＮｅｌｓｏｎＲＦ，ｅｔａｌ．Ｌｉｄａｒｓａｍｐｌｉｎｇｆｏｒ
ｌａｒｇｅ－ａｒｅａｆｏｒｅｓｔｃｈａｒａｃｔｅｒｉｚａｔｉｏｎ：Ａｒｅｖｉｅｗ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇ
ｏｆＥｎｖｉｒｏｎｍｅｎｔ，２０１２，１２１：１９６－２０９
［２１］ＦａｔｏｙｉｎｂｏＴＥ，ＳｉｍａｒｄＭ．ＨｅｉｇｈｔａｎｄｂｉｏｍａｓｓｏｆｍａｎｇｒｏｖｅｓｉｎＡｆ
ｒｉｃａｆｒｏｍＩＣＥＳａｔ／ＧＬＡＳａｎｄＳＲＴＭ［Ｊ］．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆ
ＲｅｍｏｔｅＳｅｎｓｉｎｇ，２０１３，３４（２）：６６８－６８１
［２２］吴红波．基于星载大光斑 ＬｉＤＡＲ数据反演森林冠层高度及应
用研究［Ｄ］．哈尔滨：东北林业大学，２０１１
［２３］ＮａｋａｉＴ，ＳｕｍｉｄａＡ，ＫｏｄａｍａＹ，ｅｔａｌ．Ａｃｏｍｐａｒｉｓｏｎｂｅｔｗｅｅｎｖａｒｉ
ｏｕｓｄｅｆｉｎｉｔｉｏｎｓｏｆｆｏｒｅｓｔｓｔａｎｄｈｅｉｇｈｔａｎｄａｅｒｏｄｙｎａｍｉｃｃａｎｏｐｙｈｅｉｇｈｔ
［Ｊ］．ＡｇｒｉｃｕｌｔｕｒａｌａｎｄＦｏｒｅｓｔＭｅｔｅｏｒｏｌｏｇｙ，２０１０，１５０：１２２５
－１２３３
［２４］ＭａｌｅｔＣ，ＢｒｅｔａｒＦ．Ｆｕｌｗａｖｅｆｏｒｍｔｏｐｏｇｒａｐｈｉｃｌｉｄａｒ：Ｓｔａｔｅｏｆｔｈｅ
ａｒｔ［Ｊ］．ＩＳＰＲＳＪｏｕｒｎａｌｏｆＰｈｏｔｏｇｒａｍｍｅｔｒｙａｎｄＲｅｍｏｔｅＳｅｎｓｉｎｇ，
２００９，６４（１）：１－１６
［２５］ＳｔａｒｃｋＪＬ，ＢｉｊａｏｕｉＡ．Ｆｉｌｔｅｒｉｎｇａｎｄｄｅｃｏｎｖｏｌｕｔｉｏｎｂｙｔｈｅｗａｖｅｌｅｔ
ｔｒａｎｓｆｏｒｍ［Ｊ］．ＳｉｇｎａｌＰｒｏｃｅｓｓｉｎｇ，１９９４，３５（３）：１９５－２１１
［２６］ＣｌｅｖｉｓＱ，ＴｕｃｋｅｒＧＥ，ＬａｎｃａｓｔｅｒＳＴ，ｅｔａｌ．Ａｓｉｍｐｌｅａｌｇｏｒｉｔｈｍｆｏｒ
ｔｈｅｍａｐｐｉｎｇｏｆＴＩＮｄａｔａｏｎｔｏａｓｔａｔｉｃｇｒｉｄ：Ａｐｐｌｉｅｄｔｏｔｈｅｓｔｒａｔｉ
ｇｒａｐｈｉｃｓｉｍｕｌａｔｉｏｎｏｆｒｉｖｅｒｍｅａｎｄｅｒｄｅｐｏｓｉｔｓ［Ｊ］．Ｃｏｍｐｕｔｅｒｓ
＆ａｍｐ；Ｇｅｏｓｃｉｅｎｃｅｓ，２００６，３２（６）：７４９－７６６
［２７］ＴｕｃｋｅｒＧＥ，ＬａｎｃａｓｔｅｒＳＴ，ＧａｓｐａｒｉｎｉＮＭ，ｅｔａｌ．Ａｎｏｂｊｅｃｔｏｒｉ
ｅｎｔｅｄｆｒａｍｅｗｏｒｋｆｏｒｄｉｓｔｒｉｂｕｔｅｄｈｙｄｒｏｌｏｇｉｃａｎｄｇｅｏｍｏｒｐｈｉｃｍｏｄｅｌｉｎｇ
ｕｓｉｎｇｔｒｉａｎｇｕｌａｔｅｄｉｒｅｇｕｌａｒｎｅｔｗｏｒｋｓ［Ｊ］．Ｃｏｍｐｕｔｅｒｓ＆ａｍｐ；Ｇｅｏ
ｓｃｉｅｎｃｅｓ，２００１，２７（８）：９５９－９７３
［２８］ＡｌｉＴ，ＭｅｈｒａｂｉａｎＡ．Ａｎｏｖｅｌｃｏｍｐｕｔａｔｉｏｎａｌｐａｒａｄｉｇｍｆｏｒｃｒｅａｔｉｎｇａ
ＴｒｉａｎｇｕｌａｒＩｒｅｇｕｌａｒＮｅｔｗｏｒｋ（ＴＩＮ）ｆｒｏｍＬｉＤＡＲｄａｔａ［Ｊ］．Ｎｏｎｌｉｎ
ｅａｒＡｎａｌｙｓｉｓ：Ｔｈｅｏｒｙ，Ｍｅｔｈｏｄｓ＆Ａｐｐｌｉｃａｔｉｏｎｓ，２００９，７１（１２）：
６２４－６２９
５１３