基于激光雷达的森林高度反演

ICESat-GLAS激光天顶角对反演森林冠层高度的影响张蓉鑫;邢艳秋;张新伟;丁建华;蔡龙涛【摘要】为了量化激光天顶角对ICESat-GLAS波形数据反演森林冠层高度的影响,以吉林省汪清林业局经营区为例,基于ICESat-GLAS波形数据及DEM数据,在Allouis模型和Nie模型基础上,分别引入激光天顶角,对光斑内坡度引起的高度距离(GroundExtent)进行修正,建立森林冠层高度估测模型,并通过模型对坡度的校正能力、天顶角引起的GroundExtent理论误差以及大气延迟增量三个方面讨论分析天顶角在反演森林冠层高度中的影响.结果表明:天顶角的引入能够提高模型的估测精度,决定系数(R2)分别提高了6.56％、4.26％,且能更好地校正地形坡度;在外部条件相同的情况下,由天顶角(<1°)引起的GroundExtent理论误差在0.122～1.100 m范围内;在天顶延迟约为2.3 m时,天顶角(<1°)对大气延迟增量的影响为0.04～3.50 mm.由此可知天顶角对估测森林冠层高度存在一定的影响,引入激光天顶角的冠层估测模型能更准确地反演森林冠层高度.【期刊名称】《中南林业科技大学学报》【年(卷),期】2018(038)009【总页数】8页(P26-33)【关键词】ICESat-GLAS;激光天顶角;GroundExtent;森林冠层高度【作者】张蓉鑫;邢艳秋;张新伟;丁建华;蔡龙涛【作者单位】东北林业大学森林作业与环境研究中心,黑龙江哈尔滨 150040;东北林业大学森林作业与环境研究中心,黑龙江哈尔滨 150040;北京空间飞行器总体设计部,北京 100094;东北林业大学森林作业与环境研究中心,黑龙江哈尔滨 150040;东北林业大学森林作业与环境研究中心,黑龙江哈尔滨 150040【正文语种】中文【中图分类】S771森林生态系统作为整个陆地生态系统组成的主体，在涵养水源、保持水土、维持全球气候稳定、调节碳平衡等方面均起着不可替代的作用[1]。

lidar森林生物量反演技术流程lidar森林生物量反演技术流程是一项重要的技术，它可以通过激光遥感技术精确测量森林的生物量，并提供有关森林生态系统的关键信息。

下面将为大家介绍lidar森林生物量反演技术的流程。

lidar森林生物量反演技术的第一步是数据采集。

这项技术需要使用激光雷达设备，通过发射激光束并记录激光束反射回来的时间来测量植被的高度和结构。

激光束的反射时间和强度可以提供关于植被的三维信息，包括树木的高度、枝叶的密度和树冠的形状等。

接下来，采集到的激光雷达数据需要进行预处理。

这一步主要包括去除噪声、校正数据和对数据进行滤波处理。

噪声的存在会影响数据的准确性，因此需要对数据进行噪声滤波处理，以提高数据的质量。

在数据预处理完成后，就可以进行特征提取。

特征提取是lidar森林生物量反演技术的核心步骤，它包括从激光雷达数据中提取与生物量相关的特征。

这些特征可以包括树木高度、树冠覆盖率、枝叶密度等。

通过分析这些特征，可以得到与森林生物量相关的信息。

然后，需要建立生物量模型。

生物量模型是通过统计分析和机器学习等方法建立的，它将特征与实际的生物量数据进行关联。

通过生物量模型，可以根据特征的值来预测森林的生物量。

建立准确可靠的生物量模型是确保lidar森林生物量反演技术的精度和可靠性的关键。

进行生物量反演。

在这一步中，利用建立好的生物量模型，将特征值输入模型中，即可得到森林的生物量估计结果。

这些估计结果可以用来评估森林的生态系统状况、监测森林的生长过程，并为森林管理和保护提供科学依据。

lidar森林生物量反演技术的流程包括数据采集、数据预处理、特征提取、生物量模型建立和生物量反演等步骤。

这项技术通过精确测量森林的生物量，为森林管理和保护提供了重要的支持，对于认识和保护森林生态系统具有重要意义。

基于LIDAR数据的森林资源调查方法基于LIDAR数据的森林资源调查方法：探索未来的可持续林业管理在现代林业管理中，准确获取并分析森林资源信息对于保护生态环境、合理利用森林资源至关重要。

传统的森林资源调查方法依赖于地面实地勘察和空中遥感技术，但这些方法耗时耗力且受到地形、植被遮挡等因素的限制。

然而，基于光电雷达（LIDAR）技术的森林资源调查方法正在逐渐成为林业管理的首选方案，因为它具备高精度、高效性、高空间分辨率等特点。

一、LIDAR技术的原理与应用LIDAR（Light Detection and Ranging）是一种利用激光测距原理进行精确测量的技术。

传感器发射短脉冲激光，然后通过计算目标反射回来的激光信号的时间差来确定距离。

由于LIDAR数据具有高分辨率和高垂直精度的特点，因此可以提供精确的地形、地貌以及植被结构信息。

基于LIDAR数据的森林资源调查方法在林业管理中得到了广泛应用。

通过处理激光返回信号，可以获取地面高程、植被高度、地上森林构成、树木结构等信息。

这些信息对于森林生态系统监测、林火风险评估、树种分类和森林蓄积量估算等都是非常有用的。

二、LIDAR技术在森林资源调查中的优势1. 提高调查效率：LIDAR技术可以在短时间内获取大范围的数据，相比传统的实地调查方法可以大大提高调查效率。

2. 增加数据精度：LIDAR技术可以提供三维立体的植被结构信息，包括树木高度、树冠形状等，相比传统空中遥感技术可以提供更为精确的数据。

3. 克服地形限制：由于LIDAR技术不受地形限制，可以精确测量山地、河流、湿地等地形复杂区域的植被信息，扩大了森林资源调查的范围。

4. 支持决策制定：基于LIDAR数据的分析结果可以用于制定更加科学和精确的森林管理方案，提高林业经济效益和生态效益。

三、基于LIDAR数据的森林资源调查方法实践案例LIDAR技术在森林资源调查中已经取得了显著的成果。

以加拿大阿尔伯塔省为例，该地区利用LIDAR技术进行了大规模的森林资源调查和监测工作。

基于序贯高斯条件模拟的GEDI数据联合Landsat8反演森林地上生物量罗绍龙;舒清态;余金格;胥丽;杨正道【期刊名称】《林业科学研究》【年(卷),期】2024(37)3【摘要】[目的]单一遥感技术估测森林生物量存在较大局限性,本研究旨在利用多源遥感协同技术互补激光雷达和光学遥感的优势,提高生物量估测精度。

[方法]以星载激光雷达GEDI和光学遥感Landsat8数据为主要信息源,采用序贯高斯条件模拟方法实现GEDI光斑数据由“点”到“面”的空间扩展,结合地面138块生物量调查样地,利用随机森林回归方法估测云南省香格里拉云冷杉林的地上生物量。

[结果](1)采用序贯高斯条件模拟方法对GEDI光斑点进行空间插值,模拟的12个生物物理指标在空间分布上呈现出随机性、破碎化的特征,这与森林的空间分布聚集性非常相似,参与建模的9个指标OEC均大于0.90;(2)利用单一Landsat8光学遥感数据和地形因子构建的随机森林模型精度为:R2=0.82,RMSE=35.51 t·hm^(-2),P=0.77;Landsat8数据协同星载激光雷达GEDI数据构建的随机森林模型精度为:R2=0.86,RMSE=32.11 t·hm^(-2),P=0.80,模型精度明显提升;(3)利用多源遥感技术估测的香格里拉2019年云冷杉林地上的生物量总量为37 042 605.68 t,平均生物量为123.28 t·h m^(-2)。

[结论]基于地统计学的序贯高斯条件模拟方法考虑到研究对象的空间异质性、能克服一定的平滑效应,用于实现激光点由“点”到“面”的空间扩展是可行的。

星载激光雷达GEDI与光学遥感Landsat8协同的多源遥感数据可有效填补单一遥感数据源的缺陷,提高森林生物量的估测精度,能为激光雷达联合光学遥感估测大范围、全覆盖的森林生物量提供参考。

【总页数】12页(P49-60)【作者】罗绍龙;舒清态;余金格;胥丽;杨正道【作者单位】西南林业大学林学院【正文语种】中文【中图分类】X87;S757.2【相关文献】1.联合多点地质统计学与序贯高斯模拟的随机反演方法2.基于Landsat8影像的汝城县森林地上生物量遥感估算研究3.GEDI不同算法组数据反演森林最大冠层高度和生物量精度比较4.联合光学和合成孔径雷达数据的太平湖森林地上生物量反演研究5.深度学习方法下GEDI数据的天然云杉林地上生物量反演因版权原因，仅展示原文概要，查看原文内容请购买。

采用机载激光雷达进行森林资源调查的方法与技巧随着科技的不断进步，机载激光雷达技术被广泛应用于森林资源调查中。

采用机载激光雷达进行森林资源调查可以提高效率，准确获取大量的数据并进行分析，为科学合理地利用森林资源提供可靠的依据。

本文将介绍机载激光雷达的基本原理，以及在森林资源调查中的应用方法与技巧。

一、机载激光雷达的基本原理机载激光雷达是一种通过发射激光束并测量其反射回波时间来获取地面表面高程和三维信息的技术。

其基本原理是利用激光束在空气中迅速传播，当遇到地面或其他表面时，一部分能量被反射回来。

通过测量激光束的传播时间，可以得到地面到激光雷达的距离。

结合激光雷达平台的精确定位信息，可以得到地表高程和表面形态等地理信息。

机载激光雷达可以实现高密度、高精度的地表三维测绘，为森林资源调查提供了强有力的工具。

二、机载激光雷达在森林资源调查中的应用方法1. 森林生物多样性调查机载激光雷达能够精确测量森林地表高程和结构，通过与卫星遥感数据及地理信息系统（GIS）相结合，可以获取大范围的森林生物多样性信息。

例如，可以通过激光雷达获取的树冠高度数据来估计森林垂直结构，进而研究不同高度层的物种组成和分布情况。

这对于了解森林生态系统的演替过程、评估生物多样性的变化以及制定有效的保护措施具有重要的意义。

2. 森林碳储量估算森林是地球上最重要的碳汇之一，了解森林的碳储量对于全球碳循环研究和应对气候变化具有重要意义。

机载激光雷达可以通过测量树木的高度和体积，估算森林的生物量，并据此计算森林的碳储量。

相较于传统的人工调查方法，机载激光雷达可以大大提高调查的效率和准确性，并且可以获取大面积的数据进行综合分析。

3. 森林火灾监测火灾是林业生产中的常见灾害，及早发现和控制火源对于减少损失至关重要。

机载激光雷达可以通过高精度的三维建模，实时监测森林的火情。

激光雷达可以快速获取受火灾影响的森林地区的高程、坡度和地形等信息，结合光学遥感影像和温度数据，可以精确识别和定位火源，指导灭火工作。

第49卷第11期Vol.49No.ll红外与激光工程I n f r a r e d a n d L a s e r E n g i n e e r i n g2020年11月Nov.2020 ICESat-2/ATLA S数据反演林下地形精度验证黄佳鹏卩邢艳秋\秦磊\夏婷婷2(1.东北林业大学森林作业与环境研究中心，黑龙江哈尔滨15000;2.东北林业大学机电工程学院，黑龙江哈尔滨150000)摘要：针对星栽激光雷达数据反演林下数字地面模型（Digital T e r r a i n M o d e l, D T M)存在困难的问 题，研究了冰云陆地高程卫星-2 (Ice, C l o u d, a n d land E l e v a t i o n Satellite, I C E S a t-2)/先进地形激光高度计系统（A d v a n c e d O p o g r a p h i c L a s e r A l t i m e t e r S y s t e m,A T L A S)的强弱光束数据反演林下地形的精度，并探究了冠层高度及植被覆盖率对于I C E S a t-2/A T L A S反演林下D T M精度的影响3研究结果表明：强波束反演林下D T M的精度为/?2=l，m S£=0.74 m，弱波束反演林下D T M的精度为/?2=1,胃5£=0.76 m,强波束相对弱波束表现出更优的反演精度，但是，强光束与弱光束的光子云数据均可为反演林下D T M提供科学数据。

从研究区植被的整体情况来看，随冠层高度及植被覆盖率的增加，不同激光类型数据均出现误差逐步增加的情况。

关键词：I C E S a t-2/A T L A S;强波束；弱波束；林下数字地面模型；冠层高度中图分类号：S75文献标志码：A DOI：10.3788/I R L A20200237Accuracy verification of terrain under forest estimatedfrom ICESat-2/ATLAS dataH u a n g J i a p e n g1, X i n g Y a n q i u1, Q i n L e i1, X i a Tingting2(1. Centre for Forest Operations and Environment, Northeast Forestry University, Harbin 150000, China;2. College of Mechanical and Eletrical Engineering, Northeast Forestry University, Harbin 150000, China)Abstract:In v i e w o f the difficulties in retrieving Digital Terrain M o d e l (D T M) w i t h the s p a c e b o m e lidar data,the terrain elevation estimation a c c u r a c y o f Ice, Cloud, a n d land Elevation Satellite-2 (I C E S a t-2)/A d v a n c e d Terrain A d v a n c e d topographic laser altimeter s y s t e m (A T L A S) strong a n d w e a k b e a m data u n der the forest w a s studied, a n d the effect o f c a n o p y height a n d vegetation c o v e r a g e o n I C E S a t-2/A T L A S estimation a c c uracy o fD T M w a s explored. T h e results s h o w that the a c c uracy o f D T M u n d e r the forest w ith strong b e a m estimationa c c u r a c y is /?2=1, R M S E=0.1^m,a n d that with w e a kb e a m estimation ac c u r a c y is R2=\,R M S E=0J6 m.T h ep e r f o r m a n c e o f the strong b e a m estimation a c c u r a c y p e r f o r m e d better than that o f the w e a k b e a m, but both thep h o t o n c l oud data o f the strong b e a m a n d the w e a k b e a m c a n p r o v i d e scientific data for estimating the D T Mu n d e r the forest. In the study area, with the increase o f the c a n o p y height a n d vegetation coverage, the error o f收稿日期:2020-06-09;修订日期:2020-07-10基金项目••国家重点研发计划（2017YFD060090402);中央高校基本科研业务费专项资金项目（2572019AB18);卫星测绘技术与应用国家测 绘地理信息局重点实验室项目（KLSMTA-201706)作者简介:黄佳鹏（1993-)，男，博士生，主要从事星载激光雷达理论和应用方面的研究。

使用激光雷达进行森林火灾监测和预警随着全球气候变化和人类活动的不断增加，森林火灾已经成为一个严峻的问题。

火灾不仅对生物多样性和生态系统造成了长期的破坏，还对人类居住区域和农田造成了严重的经济损失。

因此，及早发现、迅速报警和有效应对成为了保护森林资源和人民生命财产安全的重要任务。

激光雷达成为了一种应用广泛的工具，为森林火灾监测和预警提供了新的解决方案。

激光雷达技术通过发射高能激光束，并使用接收器捕捉返回光信号，以测量周围环境中目标物体的位置和距离。

在森林火灾监测中，激光雷达可以通过扫描激光束来获取地面和植被的高程数据，从而获得植被的结构和密度等信息。

这些信息对于了解植被的健康状态和火灾风险至关重要。

首先，激光雷达可以提供准确的地形图像，帮助识别森林火灾潜在的传播路径。

通过精确测量地面高程和地形起伏，激光雷达可以生成详细的地形模型，评估火灾传播的风险。

当火灾扩散时，它会蔓延到低洼区域，因为那里有更多的燃料和氧气。

基于激光雷达获得的地形地貌信息，可以预测火线蔓延的路径和速度，为消防人员提供重要的参考。

其次，激光雷达可以检测出植被的密度和健康程度。

在森林火灾监测中，植被的密度和健康程度是预测火灾风险的重要指标。

激光雷达可以通过测量激光束的反射强度和间隔时间，提供非常准确的植被高度和密度数据。

这种数据可以用于评估植被的生理状态，发现植被异常的迹象，并及时引起注意。

通过与历史数据和实时观测数据的对比，可以及早发现植被的退化和受灾情况，实现对火灾的有效预警。

最后，激光雷达可以提供高分辨率的图像，帮助快速发现火灾和烟雾。

激光雷达可以通过测量激光束的反射强度和颜色，生成高清晰度的图像。

这些图像可以用于监测森林火灾的烟雾、火光和火线等特征，实现对火灾的快速发现和实时监测。

激光雷达的高分辨率图像可以提供有关火灾类型、大小和发展趋势的重要信息，为消防人员制定应对策略提供了依据。

总的来说，激光雷达在森林火灾监测和预警中具有重要的作用。

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。

使用激光雷达测绘技术进行森林资源调查随着科技的不断进步和创新，越来越多的领域开始应用激光雷达测绘技术，其中包括环境保护领域的森林资源调查。

激光雷达测绘技术以其高精度、高分辨率和非接触式的优点，成为了一种非常有效的手段，用于获取森林资源信息和监测森林生态环境。

激光雷达测绘技术利用了激光束在传播过程中的特性，结合相应的数据处理算法，可以实现对地面、植被和地形等森林要素的高精度三维定量测量。

相对于传统的测绘方法，如航空摄影和地面测量，激光雷达测绘技术具有更高的效率和更多的信息提取能力。

首先，激光雷达测绘技术可以实现高精度的地形测量。

激光雷达发射的短脉冲激光束可以在极短的时间内穿透树冠层，直接达到地面或地表，然后被接收回来。

通过测量激光束从发射到回接收的时间，可以计算出激光束的传播距离，从而得知地面或地表的高程信息。

由于激光束的传播速度是已知的，因此可以达到非常高的测量精度。

其次，激光雷达测绘技术可以实现高分辨率的植被结构测量。

激光束穿过植被时会发生散射，并在植被内部反复反射，形成了回波信号。

通过接收这些回波信号，并结合激光雷达的测量几何关系，可以获得植被的三维坐标和高度。

这些信息可以用来反演植被的结构参数，如树高、冠幅和干扰程度等，对于森林资源调查和管理非常有价值。

此外，激光雷达测绘技术还可以实现高精度的地表覆盖分类。

通过分析激光雷达回波信号的特征，可以将地表覆盖物，如土地类型、植被类型和建筑物等进行分类。

这种分类可以为森林资源调查和生态环境监测提供详细的信息，例如森林类型、森林健康状况和植被分布等。

总结起来，使用激光雷达测绘技术进行森林资源调查具有高精度、高分辨率和非接触式的优点。

利用这种技术，可以实现地形测量、植被结构测量和地表覆盖分类等多个方面的测量与分析。

这将为森林资源保护与管理提供全面而准确的信息基础，从而更好地支撑相关决策和措施的制定。

但是，需要提醒的是，在实际应用中，激光雷达测绘技术也面临一些挑战和限制。