全 文 ：第 52 卷 第 5 期
2 0 1 6 年 5 月
林 业 科 学
SCIENTIA SILVAE SINICAE
Vol. 52，No. 5
May，2 0 1 6
doi:10．11707 / j．1001-7488．20160517
收稿日期: 2015 － 04 － 21; 修回日期: 2016 － 02 － 29。
基金项目: 中央高校基本科研业务费专项资金(2572014AB08) ; 国家自然科学基金面上项目(41171274)。
* 邢艳秋为通讯作者。
星载 LiDAR与 HJ-1A /HSI高光谱数据联合
估测区域森林冠层高度*
邱 赛 邢艳秋 田 静 丁建华
(东北林业大学工程技术学院 哈尔滨 150040)
摘 要: 【目的】将 ICESat-GLAS 波形数据与 HJ-1A /HSI 高光谱数据联合，借助 HSI 高光谱数据提供的连续高分
辨率光谱信息，实现区域森林冠层高度的估测，降低由于 GLAS 光斑呈离散条带状分布无法覆盖整个研究区造成的
估测误差。【方法】首先，从平滑后的 ICESat-GLAS 波形数据中提取波形参数(波形长度 W 和地形坡度参数 TS)，
基于 W 和 TS 建立 GLAS 森林冠层高度估测模型，并利用此模型计算研究区所有 GLAS 光斑内的森林冠层高度; 然
后，采用最小噪声分离法(MNF)对 HJ-1A /HSI 高光谱数据进行降维，提取前 3 个 MNF 分量(MNF1，MNF2，MNF3);
最后，基于支持向量回归机(SVR)算法，利用 GLAS 估测的森林冠层高度和 3 个 MNF 分量建立区域森林冠层高度
SVR 估测模型，并估测研究区内无 GLAS 光斑覆盖区域的森林冠层高度，生成森林冠层高度分布图。【结果】从
ICESat-GLAS 波形数据中提取的地形坡度参数 TS 与野外实测地形坡度具有显著线性关系(R2 = 0. 78); 基于 W 和
TS 建立的 GLAS 森林冠层高度估测模型的 R2 = 0. 78，RMSE = 2. 51 m，模型验证的 R2 = 0. 85，RMSE = 1. 67 m; 基于
支持向量回归机算法建立的 SVR 模型建模的 R2 = 0. 70，RMSE = 3. 62 m，模型验证的 R2 = 0. 67，RMSE = 4. 42 m。
采用野外数据对最终得到的森林冠层高度分布图的估测误差进行分析，结果估测误差最大值为 7. 10 m，最小值为
0. 07 m，平均值为 1. 78 m，估测误差的标准差为 1. 49 m，Q1 为 0. 75 m，Q3 为 2. 31 m。【结论】从 ICESat-GLAS 波形
数据中提取的地形坡度参数 TS 能够很好地反映地形坡度的变化，本研究建立的线性关系模型可克服对数关系模
型在平坦地区解释困难的问题。基于支持向量回归机算法，将 ICESat-GLAS 波形数据与 HJ-1A /HSI 高光谱数据联
合，可克服 ICESat-GLAS 由于光斑呈离散条带状分布无法实现区域森林冠层高度估测的不足，实现对区域森林冠
层高度的高精度估测。
关键词: ICESat-GLAS 波形数据; HJ-1A 高光谱数据; 森林冠层高度; 坡度; 支持向量回归机
中图分类号: S771. 8 文献标识码: A 文章编号: 1001 － 7488(2016)05 － 0142 － 08
Forest Canopy Height Estimation of Large Area Using
Spaceborne LIDAR and HJ-1A /HSI Hyperspectral Imageries
Qiu Sai Xing Yanqiu Tian Jing Ding Jianhua
(College of Technology and Engineering，Northeast Forestry University Harbin 150040)
Abstract: 【Objective】In this study，ICESat-GLAS waveforms was combined with HJ-1A /HSI hyperspectral imageries
to realize regional estimation of forest canopy height． 【Method】We extracted parameters ( waveform length W and the
terrain slope parameter TS) from ICESat-GLAS waveforms，and built the forest canopy height model with W and TS． The
model was used to calculate forest canopy height within each GLAS footprint of the study area． For HSI imageries，the
minimum noise fraction(MNF)method was applied to decrease noise and reduce the dimensionality of HSI imageries and
the first three MNF components(MNF1，MNF2，MNF3) were selected for further research． Afterwards，the SVR method
was applied to establish the relationship between GLAS estimated forest canopy height and the three MNF components，and
accordingly the full covered regional forest canopy height map was produced． 【Result】The results showed that there was a
significant linear relationship between TS and terrain slope( R2 = 0. 78) ． The R2 and RMSE value of the forest canopy
height model built by W and TS were 0. 78 and 2. 51 m，respectively，and the validation results were R2 = 0. 85 and
RMSE = 1. 67 m． The R2 and RMSE of SVR model were 0. 70 and 3. 62 m，respectively，with the validation results of
第 5 期 邱 赛等: 星载 LiDAR 与 HJ-1A /HSI 高光谱数据联合估测区域森林冠层高度
R2 = 0. 67，RMSE = 4. 42 m． The estimation error of the forest canopy height map was calculated and analyzed by field
sample data，and the maximum，minimum and mean value of estimation error were 7. 10 m，0. 07 m and 1. 78 m，
respectively． The standard deviation was 1. 49 m，as well as Q1 and Q3 were 0. 75 m and 2. 31 m，respectively．
【Conclusion】TS can perfectly reflect terrain slope． In addition，the linear relationship model built in the study overcomes
the difficultly explaining problem of logarithm model in flat area． The study demonstrated that it holds great potential to
estimate regional forest canopy height by combining ICESat-GLAS waveforms and HJ-1A /HSI hyperspectral imageries，
which overcome the disadvantage of ICESat-GLAS in the aspect of regional estimation caused by its discrete distribution
and improve the estimation accuracy．
Key words: ICESat-GLAS waveforms data; HJ-1A /HSI hyperspectral imageries; forest canopy height; terrain slope;
support vector regression method
森林冠层高度是指森林冠顶与地面之间的垂直
距离，是度量森林结构变化的重要参数。目前，森林
冠层高度已应用于森林生物量和森林碳储量研究
中，因此，准确估测森林冠层高度变得越来越重要。
激光雷达 ( light direction and ranging，LiDAR)
是一种新型的主动遥感技术，其以高精度、高分辨率
和主动工作的优点，在估测森林结构参数尤其是森
林垂直结构参数方面具有其他技术无可比拟的优势
(Van Leeuwen et al．，2010; Chopping et al．，2009;
Hyde et al．，2007; 庞勇等，2005; 马利群等，2011;
李丹等，2011)。搭载在冰、云和陆地高程卫星( the
ice，cloud，and land elevation satellite，ICESat)上的
地学 激 光 测 高 系 统 ( geoscience laser altimeter
system，GLAS)是目前唯一的极地轨道星载大光斑
激光雷达设备，具有全天时、全天候观测的能力，并
且能够免费提供完整波形数据，在估测森林冠层高
度方面独具优势( Iqbal，2010; Gwenzi et al．，2014;
Schutz et al．，2005)。Lefsky 等(2005)利用 GLAS 波
形长度及地形指数建立了森林冠层高度估测模型，
模型的 R2 在 0. 59 ～ 0. 68 之间。Xing 等 (2010)针
对吉林省长白山汪清林区，对 Lefsky 等(2005)提出
的模型进行了改进，建立了森林冠层高度对数模型，
在 0 ～ 5°坡度范围内，模型的 R2 为 0. 92，在 0 ～ 10°
坡度范围内，模型的 R2 为 0. 80，随着坡度范围增大
模型的 R2 逐渐降低，当坡度范围为 0 ～ 30°时，模型
的 R2 为 0. 56。
虽然 ICESat-GLAS 波形数据在估测森林冠层高
度方面独具优势，但由于其光斑呈离散条带状分布，
若要实现区域森林冠层高度的高精度估测，则需联
合其他连续成像的光学遥感数据 (吴迪等，2014;
杨婷等，2014; Anderson et al．，2008; Yu et al．，
2015)。现有研究多是将 ICESat-GLAS 波形数据与
多光谱数据联合，但由于多光谱数据的光谱分辨率
低，像元内光谱信息易发生混合，导致像元内光谱特
征提取受到限制，进而影响森林冠层高度估测精度
( Simard et al．， 2011; 徐 定， 2013; 董 立 新 等，
2011)。相比于多光谱数据，高光谱遥感数据包含
了更加丰富的空间、辐射和光谱三重信息，能同时获
取数十至上百个波段的连续光谱信息，且具有较高
的光谱分辨率，在森林制图、森林资源调查等方面具
有应用前景(谭炳香，2006)。
因此，本研究将 ICESat-GLAS 波形数据与 HJ-
1A /HSI 高光谱数据联合，借助 HSI 高光谱数据提供
的连续高分辨率光谱信息，实现区域森林冠层高度
的估测，降低由于 GLAS 光斑呈离散条带状分布无
法覆盖整个研究区造成的估测误差。首先从
ICESat-GLAS 波形数据中提取波形参数(波形长度
W 和地形坡度参数 TS)，建模反演 GLAS 光斑内的
森林冠层高度; 然后基于支持向量回归机( support
vector regression，SVR)算法，利用 GLAS 估测的森
林冠层高度与 HJ-1A /HSI 高光谱数据的光谱信息
建立森林冠层高度 SVR 估测模型，得到区域森林冠
层高度分布图。
1 研究区概况及数据
1. 1 研究区概况
选择吉林省汪清林业局经营区 (43° 05—43°
40N，129°56—131°04 E)为研究区 (图 1)。该研
究区内平均海拔 806 m，地面高程 360 ～ 1 477 m，坡
度0 ～ 45°。区内植物种类繁多，植被结构复杂，呈带
状分布在海拔 500 ～ 1 100 m 范围内。针叶树以红
松(Pinus koraiensis)、云杉(Picea asperata)和臭冷杉
(Abies nephrolepis ) 为 主，阔 叶 树 以 紫 椴 ( Tilia
amurensis)、蒙 古 栎 ( Quercus mongolica )、枫 桦
(Betula costata)、色木槭(Acer mono)和白桦(Betula
platyphylla)为主。
1. 2 ICESat-GLAS 波形数据
ICESat-GLAS 激光雷达是美国国家航天局戈达
341
林 业 科 学 52 卷
图 1 研究区位置及野外调查样地分布
Fig． 1 Location of the study area and the distribution of
field survey plots
圆形代表野外调查样地中心点位置 The red circles
represent the centers of field survey plots．
德宇航中心于 2003 年发射的，其上搭载了 3 个激光
器，每个激光器每秒发射 40 个波长为 1 064 nm 的
激光脉冲，用于地物探测。激光脉冲的脉冲宽度为
4 ns，每个激光脉冲在目标地物上形成一个直径约
为 70 m 的椭圆形光斑，相邻光斑中心点间距为
170 m，相邻轨道间距在赤道附近为 15 km，在纬度
达到 80°处为 2. 5 km。
ICESat-GLAS 提供 15 种数据产品 ( GLA01，
GLA02，GLA03，… GLA15)，为了尽可能与野外数据
获取时间一致，减少数据时间差异造成的误差，本研
究共获取了 L3E ( 2006 年 3 月)、L3F ( 2006 年 6
月)、L3G(2006 年 11 月)、L3H(2007 年 3 月)和 L3I
(2007 年 10 月)5 期 GLA01 和 GLA14 数据产品，数
据 获 取 网 址 为 http: / / nsidc． org / data / icesat /。
GLA01 产品中包含完整的波形数据，对于陆地而
言，每个波形数据包含 544 帧数据，每一帧对应的真
实距离为 0. 15 m。GLA14 产品中包含地面高程及
经纬度等信息。2 种数据产品间使用头文件中的索
引号和光斑号进行匹配。
1. 3 HJ-1A /HSI 高光谱数据
环境减灾小卫星星座 A /B 星上搭载的超光谱
成像仪( hyper spectral imaging radiometer，HSI)，是
世界上第 1 个基于空间调制干涉成像原理设计的民
用高光谱成像仪 ( Zhao et al．，2010)。HSI 共包含
115 个波段，光谱范围为 0. 45 ～ 0. 95 μm，空间分辨
率为 100 m，平均光谱分辨率为 4. 32 nm，幅宽为
50 km，重访周期为 96 h，且具备 ± 30°的侧视能力。
本研究共获取 4 景 HSI 高光谱遥感影像，网址为
http: / /www． cresda． com /n16 / index． html。由于云层
及多景拼接的影响，数据获取时间存在差异，其中 2
景获取时间为 2010 年 6 月 5 日，1 景获取时间为
2010 年 6 月 9 日，另外 1 景获取时间为 2010 年 10
月 1 日。
1. 4 野外实测数据
本研究于 2006 年 9 月和 2007 年 9 月分别进行
了野外数据调查。沿着 ICESat-GLAS 轨道方向随机
选取 183 个 GLAS 光斑作为野外数据调查样地，每
个样地的水平投影面积为 500 m2。利用手持超声
波测高仪(Vertex IV)测量样方内每株树的树高，取
最大值作为此样方的森林冠层高度。使用坡度测量
仪(HG4DQY-1)测量每个样地的地形坡度。
2 数据处理与研究方法
2. 1 ICESat-GLAS 波形数据处理及参数提取
利用 IDL _Reader 程序包先将二进制格式的
GLA01 和 GLA14 数据产品转换成 ASCII 格式，为了
便于后续分析和计算，将其转换为由电压 (单位:
V)表示的格式。由于数据获取时间不同，为了统一
分析计算，对数据进行标准化，即将每一时刻的接收
能量除以回波总能量。对标准化后的数据进行滤
波、高斯分解拟合等平滑处理，利用平滑后的波形数
据提取波形参数。具体处理内容如下:
1) 波形平滑处理。 ICESat-GLAS 发射的激光
脉冲是高斯脉冲，因此本研究使用高斯平滑滤波器
对波形进行平滑滤波(Xing et al．，2010)，平滑后的
波形如图 2 所示。
图 2 ICESat-GLAS 波形数据及波形参数
Fig． 2 ICESat-GLAS waveform data and waveform parameters
2) 提取波形长度 W。波形长度 W 定义为波形
起波点与止波点之间的垂直距离。起波点与止波点
由背景噪声阈值确定，背景噪声阈值的设定参考以
往研究，采用波形前 100 帧数据的平均值与其 4 倍
的标准差之和(Lefsky et al．，2005)。波形长度 W 计
441
第 5 期 邱 赛等: 星载 LiDAR 与 HJ-1A /HSI 高光谱数据联合估测区域森林冠层高度
算公式如下:
W = (SigEnd － SigStart) × BinSize。 (1)
式中:SigStart 为波形起波点; SigEnd 为波形止波
点; BinSize 为每帧数据代表的真实距离，对陆地而
言，每帧代表真实距离 0. 15 m，因此 BinSize 取值为
0. 15 m。
3) 提取地形坡度参数 TS。一般在平坦地区，
波形长度可近似为森林冠层高度;但在林地中，受地
形坡度和光斑直径的影响，波形展宽现象明显
(Duncanson et al．，2010; 庞勇等，2005; Yang et al．，
2011)。目前，多是利用从 DEM 数据中提取的地形
指数来校正地形坡度对波形的影响，但是 DEM 数据
分辨率的高低也会造成一些不必要的误差。因此本
研究尝试从 ICESat-GLAS 波形数据中提取地形坡度
参数 TS 来校正地形坡度对波形的影响。
本研究中地形坡度参数 TS 定义为地面回波对
应高斯分量的波形长度 W gf与光斑直径 D 比值的反
正切值(Mahoney et al．，2014)，由于大气衰减、信号
饱和等影响导致地面回波波形展宽 Wm，因此用 Wm
对 W gf进行修正，最终得到 TS 的计算公式如下:
TS = arctan(
W gf － Wm
D
)。 (2)
Wm的计算采用 Mahoney 等(2014)对全球大量
数据进行统计分析得到的公式:
Wm = 4 ． 689 + 0 ． 759A。 (3)
式中: A 为地面回波峰值能量值。
2. 2 HJ-1A /HSI 高光谱数据处理
HSI 数据是二级产品，已经经过了几何校正和
辐射定标，本研究在此基础上首先利用地形图对数
据进行精校正，然后利用 ENVI 软件中的 FLAASH
大气校正模块对 HSI 高光谱数据进行大气校正。
HSI 高光谱数据由 115 个波段组成，相邻波段间相
关性强、数据冗余度高，因此本研究利用最小噪声分
离法(MNF)对数据进行降噪降维处理。MNF 是在
主成分分析基础上发展起来的一种以信噪比为衡量
标准的线性变换算法，可以将信息集中到尽可能少
的几个分量中，同时将噪声分离，被广泛应用于高光
谱数据处理中(李海涛等，2007)。对 HSI 高光谱数
据进行 MNF 处理后，发现前 3 个 MNF ( MNF1，
MNF2，MNF3)分量包含的信息占信息总量的 98%，
能够满足研究要求，因此，本研究采用前 3 个 MNF
分量进行分析。为了匹配数据，将 GLAS 光斑中心
点坐标加入到 MNF 分量图中，以光斑中心点为圆心
建立直径为 70 m 的缓冲区，将缓冲区所覆盖像元的
平均值作为光斑的 MNF 值。
2. 3 GLAS 森林冠层高度估测模型建立
本研究利用 GLAS 波形参数建立 GLAS 森林冠
层高度估测模型。众多研究表明，地形坡度会造成
GLAS 波形展宽，是影响森林冠层高度估测精度的
重要因素( Pang et al．，2011; Lee et al．，2011)。如
图 3 所示，由于地形坡度及光斑大小的作用，波形长
度 W 不完全等于真实的森林冠层高度 H，存在一定
的误差，当地形坡度为 α 时，波形的最大展宽即最
大估测误差为 Dtanα。由此可见，地形坡度越大，
GLAS 波形展宽越明显，波形长度直接用于估测森
林冠层高度的误差越大。
因此，本研究从 ICESat-GLAS 波形数据中提取
地形坡度参数 TS，尽量降低地形坡度造成的影响。
从图 4 可以看出，地形坡度参数 TS 与地形坡度实测
值间存在着很强的线性关系(R2 = 0. 78)，从 ICESat-
GLAS 波形数据中提取地形坡度参数 TS 校正地形
坡度对波形造成的影响是可行的。基于以上分析，
拟建立模型如下:
H = aW + bDtanTS + c。 (4)
式中: a，b，c 为相应系数。
图 3 地形坡度对 GLAS 波形估测森林冠层高度的影响
Fig． 3 Influence of terrain slope on GLAS waveform
estimating forest canopy height
2. 4 基于 SVR 算法的森林冠层高度分布图
支持向量机是在统计学理论上发展起来的一种
针对有限样本实现结构风险最小化思想的机器学习
方法，具有较高的泛化能力。支持向量回归机
(SVR)是支持向量机在函数回归领域的应用，能解
决神经网络方法中无法避免的局部最优问题(曾绍
华，2006 )。该 算 法 的 基 本 思 想 是: 将 数 据 集
X［( x1，y1)，( x2，y2)，··· ( xn，yn)］ 通过核函数
K( x，xi) 转换到高维特征空间，然后在高维特征空
541
林 业 科 学 52 卷
图 4 实测地形坡度与 TS 的关系
Fig． 4 Relationship between observed terrain slope and TS
间中进行线性回归，从而取得在原空间非线性回归
的效果，并基于结构风险最小化原则，引入 lagrange
函数将回归问题转换为求最优解问题，如下所示:
max
α*
－ 1
2 ∑
n
i = 1，j = 1
(α i － α
*
i )(α j － α
*
j )·K( x，xi) +
∑
n
i = 1
(α i － α
*
i ) yi －∑
n
i = 1
(α i + α
*
i )ε;
s． t．
∑
n
i = 1
(α i － α
*
i )(α j － α
*
j ) = 0，
0 ≤ α*i ≤ C，0 ≤ α i ≤ C，
0 ≤ α*j ≤ C，0 ≤ α j ≤ C





。
(5)
式中: ε 为误差; α i，α j，α
*
i ，α
*
j ( i = 1，2，…，n; j = 1，
2，…，n)为 lagrange 乘子; C 为惩罚参数，用于平衡
模型复杂度和损失误差; K( x，xi)为核函数，xi为核
函数中心，x 为因变量;α* =［α*1 ，α
*
2 ，…，α
*
n ］
T为
最优解。
本研究采用 LIBSVM 工具包实现 SVR 算法在
区域森林冠层高度估测中的应用，具体步骤如下:
1) 利用已建立的 GLAS 森林冠层高度估测模
型［式(4)］计算研究区所有 GLAS 光斑内的森林冠
层高度。
2) 利用径向基核函数 K( x，xi )将 GLAS 估测
的森林冠层高度与相应的 3 个 MNF 分量构成的样
本数据集映射到高维特征空间中，并将样本数据随
机分成训练集和测试集。K( x，xi)表达式如下:
K( x，xi) = exp( －
‖x － xi‖
2σ2
)。 (6)
式中: 为函数的宽度参数，用于控制函数的径向作
用范围。
3) 应用 LIBSVM 工具包实现 SVR 算法的关键
是确定惩罚参数 C 和核函数参数 。本研究采用遗
传算法寻找最优的 C 和 。遗传算法是通过模拟生
物进化过程中自然选择和遗传变异的一种随机优化
方法。由于遗传算法的运算对象是表示个体的符号
串，所以首先通过编码将实际问题转换到遗传空间，
用染色体代表实际问题; 然后，给定参数的初始寻
优范围 (本研究设定 C 和 的寻优范围分别为
［0. 01，1 000］和［0. 01，1 000］，设置种群最大数量
为 200，种群交叉概率为 0. 4，交叉验证次数为 4)进
行参数寻优，根据结果调整参数范围继续寻优直至
找到最优结果。
4) 利用得到的最优参数 C 和 及训练集数据
建模，并用测试集数据对所建模型的泛化能力进行
测试，得到最优 SVR 模型。
5) 将研究区 MNF1，MNF2 和 MNF3 栅格数据
导入到 SVR 模型中，计算整个研究区各像元内的森
林冠层高度，生成森林冠层高度分布图。
2. 5 模型精度评价指标
为了评价模型的性能，验证最终得到的森林冠
层高度分布图的准确度，本研究采用决定系数(R2 )
和均方根误差(RMSE)作为评价指标。各评价指标
表达式如下:
R2 =
∑
N
i = 1
( fi － y
－) 2
∑
N
i = 1
( yi － y
－) 2
; (7)
RMSE = 1
N∑
N
i = 1
( yi － fi)槡
2。 (8)
式中: fi为森林冠层高度估测值; yi为森林冠层高度
实测值; y
－
为森林冠层高度实测值的平均值; N 为样
本数。
3 结果与讨论
3. 1 GLAS 森林冠层高度估测模型
本研究基于 GLAS 波形参数(W 和 TS)建立森
林冠层高度估测模型，并利用此模型计算研究区所
有 GLAS 光斑内的森林冠层高度。基于 W 和 TS 所
建森林冠层高度估测模型的 R2 = 0. 78，RMSE =
2. 51 m，模型验证的 R2 = 0. 85，RMSE = 1. 67 m。模
型表达式如下:
H = 0 ． 51W － 0 ． 04DtanTS + 4. 45 。 (9)
图 5 所示为模型验证散点图，可见实测值与估
测值之间存在偏差。本研究对偏差较大的样本数据
中对应的 ICESat-GLAS 波形数据及野外数据进行对
比分析，发现这些样地植被覆盖度较高，林下植被丰
富，地形较复杂，由于枝叶的遮挡，可能会导致野外
641
第 5 期 邱 赛等: 星载 LiDAR 与 HJ-1A /HSI 高光谱数据联合估测区域森林冠层高度
实测森林冠层高度误差增大;此外，林下植被对
GLAS 波形也会造成一定的影响，进而影响森林冠
层高度估测。
图 5 森林冠层高度样地实测值与模型估测值的关系
Fig． 5 Relationship between forest inventory data and
model estimated data of forest canopy height
图 6 所示为考虑地形坡度与否森林冠层高度
估测误差随坡度的变化情况。分析图 6 发现，不考
虑地形坡度，直接将 GLAS 波形长度 W 作为森林冠
层高度的估测误差明显高于本研究所建模型的估测
误差，而且随着地形坡度的增加，估测误差随之增
大。此外，本研究提出的模型估测误差随地形坡度
变化的趋势不明显，说明地形坡度参数 TS 的加入削
弱了地形坡度对森林冠层高度估测的影响。
图 6 森林冠层高度估测误差随坡度的变化
Fig． 6 Change of forest canopy height
estimation error with terrain slope
—△—为未考虑地形坡度影响直接将 W 作为森林冠层
高度;…■…为本研究提出模型估测的森林冠层高度。
—△—represents the forest canopy height estimated by W
without considering terrain slope; … ■ … represents the
forest canopy height estimated by the model built in the
paper．
针对此研究区，Xing 等(2010)利用地形指数修
正地形坡度对波形的影响，建立了森林冠层高度对
数模型，该模型在 0 ～ 5° 范围内的 R2 = 0. 92，
RMSE = 2. 56 m，随着坡度范围增大，其精度逐渐下
降，当坡度范围扩大到 0 ～ 30°时，其模型的 R2 =
0. 56，RMSE = 4. 23 m。该模型虽然在 0 ～ 5°坡度范
围内精度很高，但模型中森林冠层高度与波形长度
间为对数关系，而理论上在平坦地区，波形长度近似
等于森林冠层高度，是线性关系，所以该模型在平坦
地区不好解释。而本研究所建模型为线性模型，克
服了模型解释困难的问题;且模型是基于各个坡度
范围样方数据建立的，可应用于不同坡度范围。此
外，本研究从 ICESat-GLAS 波形数据中提取地形坡
度参数 TS，减少了借助 DEM 数据计算地形指数所
造成的误差。
3. 2 森林冠层高度分布图
针对 GLAS 数据在森林冠层高度区域估测方面
的不足，本研究将 ICESat-GLAS 波形数据与 HJ-1A /
HSI 高光谱数据联合，基于 SVR 算法，利用 GLAS 估
测的森林冠层高度与从 HSI 高光谱数据中得到的 3
个 MNF 分量(MNF1，MNF2，MNF3)建立了森林冠层
高度 SVR 估测模型，此模型建模的 R2 = 0. 70，
RMSE = 3. 62 m，模型验证的 R2 = 0. 67，RMSE =
4. 42 m，模型最优参数 C = 1. 976 6，σ = 0. 805 1。
图 7 所示为最终得到的森林冠层高度分布图，表 1
为森林冠层高度估测误差统计分析结果。
图 7 森林冠层高度分布
Fig. 7 Distribution map of forest canopy height
分析图 7 可以看出，研究区内森林冠层高度在
0 ～ 35 m 范围内，研究区的北部和西南部森林冠层
高度较高，而在研究区的南部、东北部和东南部森林
冠层高度较低。结合野外调查数据分析发现，研究
区的北部和西南部，生长的多是常绿乔木，而在研究
区的南部、东北部和东南部，生长的多是落叶松
(Larix gmelinii)。本研究采用的高光谱数据获取时
间为 6 月和 10 月，在 10 月落叶松已经开始变黄落
741
林 业 科 学 52 卷
叶，因此导致 10 月高光谱数据获取的光谱信息存在
误差，使得最终得到的森林冠层高度偏低。
从表 1 可知，森林冠层高度估测误差的最大值为
7. 10 m，最小值为 0. 07 m，平均值为 1. 78 m，估测误差
的标准差为 1. 49 m，中值为 1. 45 m，Q1 为0. 75 m，Q3
为 2. 31 m，说明有 25%的估测误差≤0. 75 m，50%的
估测误差在 0. 75 ～ 2. 31 m 之间。综上分析可知，本
研究提出的方法对于区域森林冠层高度估测是可行
的，能够满足林业应用需求。
本研究中联合 ICESat-GLAS 波形数据和 HSI 高
光谱数据估测森林冠层高度的误差来源主要有 2 方
面: 1) 客观原因导致的数据获取时间上的差异。
在利用 ICESat-GLAS 波形数据估测森林冠层高度
时，采用的都是 2006 和 2007 年的数据，虽然不是同
一个月份的数据，但在同一年内森林冠层高度之间
的差异不明显，数据获取时间差异对 GLAS 估测森
林冠层高度的结果影响不大。但引入 HSI 高光谱数
据进行区域推广时，采用的 HSI 数据是 2010 年的，与
ICESat-GLAS 波形数据和野外数据间存在 3 ～ 4 年的
时间差，这期间树木会有所增长，因此导致最终得到
的区域森林冠层高度比实际值偏低。2) 地形因素。
GLAS 光斑直径约为 70 m，光斑覆盖面积大，光斑内
地形坡度变化会造成波形展宽、地面回波与植被回波
重叠等现象。虽然本研究从 ICESat-GLAS 波形数据
中提取了 TS 参数对地形坡度进行了修正，但是不可
能完全消除其影响。
吴迪等(2014)联合 GLAS 波形数据和多角度光
学遥感数据，基于随机森林法建立了塔河林业局营
林区的森林冠层高度分布图 ( R2 = 0. 72，RMSE =
1. 83 m)，精度稍高于本研究，但是其只是利用坡度
小于 10°范围内的数据进行森林冠层高度制图，没
有考虑坡度较大的区域;而本研究利用研究区 0 ～
35°坡度范围内的数据进行分析建模，最后生成森林
冠层高度分布图，因此本研究结果对于地形复杂的
区域更具可行性。
表 1 森林冠层高度估测误差统计分析
Tab． 1 Statistical analysis of forest canopy height estimated error m
最大值
Maximum
最小值
Minimum
平均值
Mean
标准差
Standard deviation
中值
Median
四分位数 Quartile
Q1 Q3
7. 10 0. 07 1. 78 1. 49 1. 45 0. 75 2. 31
4 结论
为了提高 ICESat-GLAS 数据估测森林冠层高度
的精度，弥补 ICESat-GLAS 数据估测区域森林冠层
高度的不足，本研究从 ICESat-GLAS 波形数据中提
取波形参数(波形长度 W 和地形坡度参数 TS)建立
GLAS 森林冠层高度估测模型，并基于 SVR 算法建
立了 GLAS 估测的森林冠层高度与从 HSI 高光谱数
据提取的 3 个 MNF 分量的森林冠层高度 SVR 估测
模型，估测了无 GLAS 光斑覆盖区域的森林冠层高
度，生成森林冠层高度分布图。通过分析可得到以
下结论:
1) 从 ICESat-GLAS 波形数据中提取的地形坡
度参数 TS 与地形坡度间存在很强的线性关系。基
于波形长度 W 和地形坡度参数 TS 建立的森林冠层
高度估测模型，减少了借助 DEM 数据计算地形指数
所造成的误差，模型建模的 R2 = 0. 78，RMSE = 2. 51
m，模型验证的 R2 = 0. 85，RMSE = 1. 67 m。
2) 本研究借助 HJ-1A /HSI 高光谱数据提供的
连续高分辨率光谱信息，基于 SVR 算法，建立 GLAS
估测的森林冠层高度与 HSI 高光谱前 3 个 MNF 分
量森林冠层高度的 SVR 估测模型，实现了森林冠层
高度的区域制图，提高了森林冠层高度估测的精度，
模型建模的 R2 = 0. 70，RMSE = 3. 62 m，模型验证的
R2 = 0. 67，RMSE = 4. 42 m。
由于客观原因的存在，导致获取的数据存在时
间差异，影响了结果的准确性。本研究虽然考虑了
地形坡度对森林冠层高度估测模型的影响，但是并
不能完全消除其影响，如何彻底解决这些因素的影
响尚需进一步研究。
参 考 文 献
董立新，吴炳方，唐世浩 ． 2011．激光雷达 GLAS 与 ETM 联合反演森
林地上生物量研究 ． 北京大学学报: 自然科学版，47 ( 4 ) :
703 － 710．
(Dong L X，Wu B F，Tang S H． 2011． Estimation of forest aboveground
biomass by integrating GLAS and ETM data． ACTA Scientiarum
Naturalium Universitatis Pekinensis，47 ( 4 ) : 703 － 710． ［in
Chinese］)
李 丹，岳彩荣 ． 2011．激光雷达在森林参数反演中的应用 ．测绘与空
间地理信息，34(6) : 54 － 58．
(Li D，Yue C R． 2011． The application of LiDAR in inversion of the
forest parameters． Geomatics ＆ Spatial Information Technology，34
(6) : 54 － 58． ［in Chinese］)
李海涛，顾海燕，张 兵，等 ． 2007． 基于 MNF 和 SVM 的高光谱遥感
影像分类研究 ．遥感信息，(5) : 12 － 15．
841
第 5 期 邱 赛等: 星载 LiDAR 与 HJ-1A /HSI 高光谱数据联合估测区域森林冠层高度
(Li H T，Gu H Y，Zhang B，et al． 2007． Research on hyperspectral
remote sensing image classification based on MNF and SVM．
Remote Sensing Information，(5) : 12 － 15． ［in Chinese］)
马利群，李爱农 ． 2011．激光雷达在森林垂直结构参数估算中的应用 ．
世界林业研究，24(1) : 41 － 45．
(Ma L Q，Li A N． 2011． Review of application of LiDAR to estimation
of forest vertical structure parameters． World Forestry Research，24
(1) : 41 － 45． ［in Chinese］)
庞 勇，李增元，陈尔学，等 ． 2005． 激光雷达技术及其在林业上的应
用 ．林业科学，41(3) : 129 － 136．
(Pang Y，Li Z Y，Chen E X，et al． 2005． LiDAR remote sensing
technology and its application in forestry． Scientia Silvae Sinicae，41
(3) : 129 － 136． ［in Chinese］)
谭炳香 ． 2006．高光谱遥感森林类型识别及其郁闭度定量估测研究 ．
北京: 中国林业科学研究院博士学位论文 ．
(Tan B X． 2006． Extraction of forest types and estimation of forest
canopy closure． Beijing: PhD thesis of Chinese Academy of
Forestry． ［in Chinese］)
吴 迪，范文义 ． 2014．激光雷达协同多角度光学遥感数据反演树高 ．
北京林业大学学报，36(4) : 8 － 15．
(Wu D，Fan W Y． 2014． Forest canopy height estimation using LiDAR
and optical multi-angler data． Journal of Beijing Forestry University，
36(4) : 8 － 15． ［in Chinese］)
徐 定 ． 2013．基于 TM 的密云县森林郁闭度遥感估测 ． 北京: 北京
林业大学硕士学位论文 ．
(Xu D． 2013． Remote sensing estimation of forest canopy density in
Miyun based on TM． Beijing: MS thesis of Beijing Forestry
University． ［in Chinese］)
杨 婷，王 成，李贵才，等 ． 2014． 基于星载激光雷达 GLAS 和光学
MODIS 数据中国森林冠层高度制图 ． 中国科学: 地球科学，44
(11) : 2487 － 2498．
(Yang T，Wang C，Li G C，et al． 2014． Forest canopy height mapping
over China using GLAS and MODIS data． Science China: Earth
Sciences，44(11) : 2487 － 2498． ［in Chinese］)
曾绍华 ． 2006．支持向量回归机算法理论研究与应用 ． 重庆: 重庆大
学博士学位论文 ．
(Zeng S H． 2006． The theory research of algorithm on support vector
regression and application． Chongqing: PhD thesis of Chongqing
University． ［in Chinese］)
Anderson J E，Plourde L C，Martin M E，et al． 2008． Integrating
waveform lidar with hyperspectral imagery for inventory of a northern
temperate forest． Remote Sensing of Environment，112(4) : 1856 －
1870．
Chopping M，Nolin A，Moisen G G，et al． 2009． Forest canopy height
from the multiangle imaging spectro radiometer(MISR) assessed with
high resolution discrete return liDAR． Remote Sensing of
Environment，113(10) : 2172 － 2185．
Duncanson L I，Niemann K O，Wulder M A． 2010． Estimating forest
canopy height and terrain relief from GLAS waveform metrics．
Remote Sensing of Environment，114(1) : 138 － 154．
Gwenzi D，Lefsky M A． 2014． Modeling canopy height in a savanna
ecosystem using spaceborne lidar waveforms． Remote Sensing of
Environment，154: 338 － 344．
Hyde P，Nelson R，Kimes D，et al． 2007． Exploring LiDAR-RaDAR
synergy—predicting aboveground biomass in a southwestern
ponderosa pine forest using LiDAR， SAR and InSAR． Remote
Sensing of Environment，106(1) : 28 － 38．
Iqbal I A． 2010． Evaluating the potential of ICESat /GLAS data to
estimate canopy height in the New Forest National Park，UK． 38 th
COSPAR Scientific Assembly，303．
Lee S，Ni-Meister W，Yang W，et al． 2011． Physically based vertical
vegetation structure retrieval from ICESat data: validation using
LVIS in White Mountain National Forest，New Hampshire，USA．
Remote Sensing of Environment，115(11) : 2776 － 2785．
Lefsky M A，Harding D J，Keller M，et al． 2005． Estimates of forest
canopy height and aboveground biomass using ICESat． Geophysical
Research Letters，doi:10. 1029 /2005GL025518．
Mahoney C，Kljun N，Los S O，et al． 2014． Slope estimation from
ICESat /GLAS． Remote Sensing，6(10) : 10051 － 11006．
Pang Y，Lefsky M，Sun G，et al． 2011． Impact of footprint diameter and
off-nadir pointing on the precision of canopy height estimates from
spaceborne liDAR． Remote Sensing of Environment，115 ( 11 ) :
2798 － 2809．
Schutz B E，Zwally H J，Shuman C A，et al． 2005． Overview of the
ICESat mission． Geophysical Research Letters， doi: 10. 1029 /
2005GL024009．
Simard M，Pinto N，Fisher J B，et al． 2011． Mapping forest canopy
height globally with spaceborne liDAR． Journal of Geophysical
Research: Biogeosciences，doi: 10. 1029 /2011JG001708．
Van leeuwen M，Nieuwenhuis M． 2010． Retrieval of forest structural
parameters using LiDAR remote sensing． European Journal of Forest
Research，129(4) : 749 － 770．
Xing Y，De gier A，Zhang J，et al． 2010． 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 Journal of Applied Earth Observation，12(5) :
385 － 392．
Yang W，Ni-Meister W，Lee S． 2011． Assessment of the impacts of
surface topography，off-nadir pointing and vegetation structure on
vegetation lidar waveforms using an extended geometric optical and
radiative transfer model． Remote Sensing of Environment， 115
(11) : 2810 － 2822．
Yu Y，Yang X，Fan W． 2015． Estimates of forest structure parameters
from GLAS data and multi-angle imaging spectrometer data．
International Journal of Applied Earth Observation，38: 65 － 71．
Zhao X，Lu J，Gong A，et al． 2010． Operational spectrum reconstruction
of data from the Fourier transform hyperspectral imager onboard HJ-
1A satellite． Chinese Science Bulletin，55(17) : 1808 － 1812．
(责任编辑 石红青)
941