免费文献传递   相关文献

Study on Mean Forest Canopy Height Estimation Based on ICESat-GLAS Waveforms

基于ICESat-GLAS波形估测平均树高的研究



全 文 :林业科学研究 2014,27(3):309 315
ForestResearch
  文章编号:10011498(2014)03030907
基于 ICESatGLAS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:20130718
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。Email:liumeishuang@126.com
 通讯作者:博士,教授。研究方向:林业定量遥感。Email: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ICESatGLAS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ICESatGLAS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;ICESatGLAS;波形;平均树高;CHM
中图分类号:S771.8 文献标识码:A
StudyonMeanForestCanopyHeightEstimationBasedon
ICESatGLASWaveforms
LIUMeishuang1,XINGYanqiu1,2,3,WUHongbo2,YOUHaotian2
(1.ColegeofEngineeringandTechnology,NortheastForestryUniversity,Harbin 150040,Heilongjiang,China;
2.CenterforForestOperationsandEnvironment,NortheastForestryUniversity,Harbin 150040,Heilongjiang,China;
3.ResearchInstituteofForestResourceInformationTechniques,ChineseAcademyofForestry,Beijing 100091,China)
Abstract:TakingWangqingForestryBureauofJilinProvinceasthestudyarea,aregressionmodelformeanforest
canopyheightwasestablishedusingICESatGLAS(theIce,Cloud,andLandElevationGeoscienceLaserAltimeter
System)waveformmetrics,withthepredictedaccuracyof84.05%.Bythemethodofinversedistanceweighted
(IDW),theinterpolationcalculationforICESatGLASestimatedmeanforestcanopyheightwascariedoutandthe
preliminaryCHM(CanopyHeightModel)wasachievedaccordinglywithcontinuousspatialdistribution.Theadjus
tedCHMwasproducedbycorectedandsmoothedpreliminaryCHMusingslopesanddiferentialfilter(with3×3
windows)respectively,andthepredictedaccuracywasupto91.52%.Thestudyresultsindicatedthatthemethod
ofslopecorectionanddiferentialfilterwasabletoreducetheinfluenceofslopeandremovetheoutliersefectively
forCHM,andimprovethepredictedaccuracyconsequently.
Keywords:LiDAR,ICESatGLAS;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 ICESatGLAS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ICESatGLAS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ICESatGLAS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ICESatGLAS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 =


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 ICESatGLAS数据 ICESatGLAS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ICESatGLAS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 ICESatGLAS数据处理及参数提取
本研究按以下所述步骤对 ICESatGLAS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)ICESatGLAS回波滤波去噪:ICESatGLAS
回波噪声导致 ICESatGLAS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:ICESatGLAS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 ICESatGLAS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 ICESatGLAS光斑内森林平均树高估算
以ICESatGLAS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 ICESatGLAS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 ICESatGLAS
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ICESatGLAS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 =∑

i=1
λi×Z(xi) (6)
λi=

(di)



i=1

(di)

(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)=∑

m=1


n=1
|P((j-2+m),
(i-2+n))-P(j,i)| P(j,i)∈A (8)
g(j,i,2)=∑

m=1


n=1
P((j-2+m),
213
第3期 刘美爽等:基于ICESatGLAS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 ICESatGLAS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ICESatGLAS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ICESatGLAS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 ICESatGLAS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ICESatGLAS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 ICESatGLAS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
9152%。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ICESatGLAS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ICESatGLAS波形估测平均树高的研究
9152%,比前者提高了7.47%。研究结果表明,IC
ESatGLAS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
timatingforestcanopyheightusingICESatGLASfulwaveformdata
overslopingterain:AcasestudyinChangbaimountains,China
[J].InternationalJournalofAppliedEarthObservationandGeoin
formation,2010,12(5):385-392
[6]HydeP,DubayahR,WalkerW,etal.Mappingforeststructurefor
wildlifehabitatanalysisusingmultisensor(LiDAR,SAR/InSAR,
ETM+,Quickbird)synergy[J].RemoteSensingofEnvironment,
2006,102(1/2):63-73
[7]DrakeJB,DubayahRO,KnoxRG,etal.Sensitivityoflargefoot
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]NssetE,GobakkenT.Estimatingforestgrowthusingcanopymet
ricsderivedfromairbornelaserscannerdata[J].RemoteSensingof
Environment,2005,96(3/4):453-465
[10]LefskyMA,CohenWB,AckerSA,etal.LidarRemoteSensing
oftheCanopyStructureandBiophysicalPropertiesofDouglasFir
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
withinfootprinttopographicreliefandvegetationverticalstructure
[J].GophysicalResearchLeters,2005,32(L21S10):1-4
[15]邢艳秋,王立海.基于 ICESatGLAS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
hilslopeefectstoimprovecanopyheightestimatesfromlargefoot
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.Fulwaveformtopographiclidar: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
&Geosciences,2006,32(6):749-766
[27]TuckerGE,LancasterST,GaspariniNM,etal.Anobjectori
entedframeworkfordistributedhydrologicandgeomorphicmodeling
usingtriangulatediregularnetworks[J].Computers&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