權(quán)學(xué)烽，唐新明，李國(guó)元，劉詔，薛玉彩

(1.蘭州交通大學(xué) 測(cè)繪與地理信息學(xué)院，蘭州 730070；2.自然資源部國(guó)土衛(wèi)星遙感應(yīng)用中心，北京 100048；3.甘肅省地理國(guó)情監(jiān)測(cè)工程實(shí)驗(yàn)室，蘭州 730070)

0 引言

土地覆蓋是自然營(yíng)造物和人工建筑物所覆蓋的土地諸要素的綜合體，具有特定的時(shí)間和空間屬性，其形態(tài)和狀態(tài)可在多種時(shí)空尺度上變化。土地覆蓋類型的變化被人類活動(dòng)所影響，這種影響導(dǎo)致越來(lái)越多的生態(tài)和環(huán)境問(wèn)題，如部分動(dòng)植物的滅絕、全球變暖、土地沙漠化等。因此，為實(shí)現(xiàn)可持續(xù)化發(fā)展，有效解決環(huán)境問(wèn)題，進(jìn)行土地覆蓋類型監(jiān)測(cè)迫在眉睫[1-2]。目前利用遙感開展土地覆蓋分類的數(shù)據(jù)源多為可見光影像數(shù)據(jù)和SAR數(shù)據(jù)[3-5]，使用的方法有決策樹法、神經(jīng)網(wǎng)絡(luò)法、支持向量機(jī)(support vector machine，SVM)和其他方法[6-10]。近年來(lái)，隨著對(duì)地觀測(cè)技術(shù)的快速發(fā)展，衛(wèi)星激光測(cè)高受到大家的廣泛關(guān)注，我國(guó)計(jì)劃陸續(xù)發(fā)射高分七號(hào)、陸地生態(tài)系統(tǒng)碳監(jiān)測(cè)衛(wèi)星。衛(wèi)星激光測(cè)高由于其獨(dú)特的波形數(shù)據(jù)，在土地覆蓋分類方面具有一定應(yīng)用價(jià)值，開展相關(guān)研究與分析非常有意義。

針對(duì)衛(wèi)星激光測(cè)高數(shù)據(jù)在土地覆蓋分類應(yīng)用，國(guó)外學(xué)者已經(jīng)開展了較多的研究。其中，2003年美國(guó)發(fā)射了首顆對(duì)地觀測(cè)激光測(cè)高衛(wèi)星，冰、云和陸地高程衛(wèi)星(ice，cloud and land elevation satellite/geoscience laser altimeter system，ICESat/GLAS)，在其運(yùn)行的6年里共收集了近2億個(gè)激光測(cè)高點(diǎn)數(shù)據(jù)，為土地覆蓋分類研究提供了豐富的數(shù)據(jù)源。GLAS數(shù)據(jù)文件包括GLA01～GLA15，其中GLA01提供全球測(cè)高數(shù)據(jù)，它包括發(fā)射波和回波波形數(shù)據(jù)文件，GLA14是全球表面測(cè)高數(shù)據(jù)，它提供激光點(diǎn)的經(jīng)緯度、高程及回波波形數(shù)據(jù)，Duong等人通過(guò)對(duì)回波波形特征進(jìn)行分析確定土地覆蓋類型，然后利用該點(diǎn)的經(jīng)緯度通過(guò)高分辨率影像等方式對(duì)覆蓋類型進(jìn)行驗(yàn)證[11-13]。2009年ICESat停止工作，NASA于2018年9月發(fā)射ICESat-Ⅱ，在ICESat-Ⅱ發(fā)射前NASA啟動(dòng)了ICEBridge冰橋計(jì)劃，收集這段時(shí)間內(nèi)的數(shù)據(jù)進(jìn)行補(bǔ)充，ICEBridge上搭載了陸地、植被和冰傳感器(land，vegetation，and ice sensor，LVIS)激光掃描儀，LVIS具備大光斑全波形采集和記錄功能并且可以用于土地覆蓋分類[14]。

隨著高分七號(hào)衛(wèi)星和陸地生態(tài)系統(tǒng)碳監(jiān)測(cè)衛(wèi)星的發(fā)射，國(guó)產(chǎn)星載大光斑全波形激光測(cè)高數(shù)據(jù)將越來(lái)越豐富[15]。本文對(duì)激光測(cè)高系統(tǒng)在土地覆蓋分類研究進(jìn)展及應(yīng)用現(xiàn)狀進(jìn)行了綜述，總結(jié)了相關(guān)方法和發(fā)展趨勢(shì)，以期為國(guó)產(chǎn)衛(wèi)星在此方面的應(yīng)用提供參考。

1 研究進(jìn)展

土地覆蓋類型的轉(zhuǎn)變?cè)诃h(huán)境變化和進(jìn)行合理有效的發(fā)展規(guī)劃有著重要的意義，因此土地覆蓋類型分類的準(zhǔn)確性就顯得極為關(guān)鍵。GLAS數(shù)據(jù)應(yīng)用于土地覆蓋分類是近幾年新的研究方向，國(guó)內(nèi)外學(xué)者圍繞激光全波形數(shù)據(jù)在土地覆蓋分類應(yīng)用方面開展了大量的研究。Pirotti認(rèn)為全波形數(shù)據(jù)不僅可以提供目標(biāo)的高度信息還能提供目標(biāo)的一些物理信息，通過(guò)對(duì)這些物理信息的分析和處理可以更加快捷和準(zhǔn)確地得到地物的分類信息[16]。概況而言，一般有波形特征參數(shù)法和曲線匹配法2種基于波形的地物分類方法。

1.1 波形特征參數(shù)法

波形特征參數(shù)法是指對(duì)大量返回波波形參數(shù)(如波寬、振幅和反射率等)進(jìn)行處理、分析和歸納后生成特征參數(shù)，用待分類地物的波形參數(shù)與特征參數(shù)對(duì)比后分類。Duong等人提出利用ICESat的原始波形進(jìn)行高斯分解，利用分解后高斯波的分解個(gè)數(shù)、波形的開始和結(jié)束位置、波寬和返回波能量這5個(gè)參數(shù)進(jìn)行分類，將激光足印分為四類：高植被(高樹或森林)、城市、水和裸地/低植被，實(shí)驗(yàn)發(fā)現(xiàn)在荷蘭地區(qū)該方法的分類準(zhǔn)確率為73%。Duong等人發(fā)現(xiàn)建筑物或其他人造物體的波寬較窄，而植物的波寬較寬，水體與裸地的波形相似[17]。Kestila等人使用Duong的方法，發(fā)現(xiàn)土地覆蓋類型與波形之間的相關(guān)性很復(fù)雜。當(dāng)土地覆蓋種類發(fā)生變化時(shí)，這種變化可能是由于返回波形的錯(cuò)誤或者其他因素造成的，因此可以通過(guò)對(duì)大量波形數(shù)據(jù)的平均化來(lái)提高土地覆蓋分類準(zhǔn)確率[18]。Ghosh在使用高斯分解法的基礎(chǔ)上對(duì)波峰間距、坡向角和地表反射率這3個(gè)參數(shù)使用K均值(KM)，中心點(diǎn)聚類算法(PAM)和模糊C均值(FCM)法進(jìn)行分類，通過(guò)對(duì)印度Uttarakhand地區(qū)的實(shí)驗(yàn)發(fā)現(xiàn)，KM的分類準(zhǔn)確率最高。當(dāng)分類數(shù)為3類時(shí)，總體分類準(zhǔn)確率為89.41%，當(dāng)分類數(shù)上升為4類時(shí)，PAM和FCM的分類準(zhǔn)確率下降為60%和68.4%，隨著分類數(shù)的增加，PAM和FCM的分類準(zhǔn)確率持續(xù)下降，KM的分類準(zhǔn)確率為72.93%表現(xiàn)出良好的可靠性[19-21]。Kestila和Ghosh的對(duì)比分析實(shí)驗(yàn)結(jié)果表明，全波形衛(wèi)星激光測(cè)高數(shù)據(jù)在地物類別復(fù)雜的情況下，其分類準(zhǔn)確性會(huì)有所下降，在實(shí)驗(yàn)中表現(xiàn)為當(dāng)待分類的地物類型越多時(shí)分類準(zhǔn)確度越低。Alexander等人發(fā)現(xiàn)在決策樹分類器中后向散射系數(shù)和振幅對(duì)于分類的準(zhǔn)確率有較大的影響，通過(guò)應(yīng)用振幅和后向散射系數(shù)的方法進(jìn)行了兩組對(duì)比實(shí)驗(yàn)，通過(guò)實(shí)驗(yàn)發(fā)現(xiàn)由于振幅值取決于飛行高度、入射角和氣象條件等因素，因此具有更多的誤差[22]。Cheng等人使用波形特征參數(shù)法對(duì)美國(guó)緬因州的數(shù)據(jù)進(jìn)行分析和處理，抽查了500個(gè)隨機(jī)樣本發(fā)現(xiàn)Kappa系數(shù)高達(dá)0.931 7[23]。Ducic等人通過(guò)對(duì)維也納地區(qū)的GLAS數(shù)據(jù)進(jìn)行分析處理后，對(duì)植被和非植被進(jìn)行了分類，其分類準(zhǔn)確率為88.6%，Kappa系數(shù)為0.8[24]。通過(guò)上述研究表明，回波波形與土地覆蓋分類的聯(lián)系較為復(fù)雜，且波形的特征參數(shù)容易受到大氣、輻射和云層等各種因素的影響而影響分類的精度，因此如何有效剔除這些誤差從而提高復(fù)雜地物類別情況下分類準(zhǔn)確率還需進(jìn)一步研究。

1.2 曲線匹配法

曲線匹配算法是根據(jù)不同的參數(shù)使用大量的數(shù)據(jù)訓(xùn)練出特征曲線，用待分類樣本曲線與特征曲線相匹配，根據(jù)匹配結(jié)果來(lái)進(jìn)行分類。如圖1所示，裸地的累計(jì)分布函數(shù)(cumulative distribution function，CDF)上升曲線近乎于垂直上升，這是因?yàn)槠教沟孛娴哪芰糠祷貢r(shí)間較為集中，建筑物由于其不同高度造成返回能量的時(shí)間不同，其CDF曲線呈分段式垂直上升，而樹木由于其獨(dú)特的結(jié)構(gòu)和不規(guī)則性使得CDF上升曲線較為緩慢，由于激光在樹叢中多次反射等原因使得返回時(shí)間較長(zhǎng)，其CDF曲線顯得比較平緩。

圖1 CDF曲線示意圖

Zhou等人提出了一種基于Kolmogorov-Smirnov (KS)距離的曲線匹配方法，用于測(cè)量待分類波形和參考波形之間的相似性，從主成分分析(principal components analysis，PCA)出發(fā)，首先從訓(xùn)練數(shù)據(jù)集中提煉出一組參考波形，然后將待分類波形與參考波形使用KS距離曲線匹配法進(jìn)行匹配，并將其分配給最相似的類，利用Dallas，Texas metropolitan area地區(qū)(住宅區(qū)和商業(yè)、工業(yè)建筑的混合)的ICESat測(cè)高數(shù)據(jù)(GLAS)進(jìn)行土地覆蓋分類實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明基于KS距離分類的土地覆蓋分類準(zhǔn)確率可以達(dá)到87.2%，Kappa系數(shù)為0.80，這種方法優(yōu)于使用波形特征參數(shù)法3.5%。研究還表明基于PCA方法選擇的參考波形比隨機(jī)選擇的參考波形更好[25]。2016年Zhou等人利用全波形數(shù)據(jù)來(lái)測(cè)試曲線匹配法區(qū)分不同垂直結(jié)構(gòu)物體的能力，基于原來(lái)的曲線匹配算法的基礎(chǔ)上擴(kuò)展了兩組新的曲線匹配方法，第一組是測(cè)量一組未知波形和參考波形之間的曲線相似度，包括了波形面積差分均方根 (curve root sum squared differential area，CRSSDA)、波形角匹配(curve angle mapper，CAM)和Kullback-Leibler (KL) 發(fā)散。第二組測(cè)量待分類波形和參考波形的累計(jì)分布函數(shù)(CDFs)，包括累計(jì)波形面積差分均方根(cumulative curve root sum squared differential area，CCRSSDA)、累計(jì)波形角匹配(cumulative curve angle mapper，CCAM)和KS距離。當(dāng)使用ICESat波形數(shù)據(jù)進(jìn)行空地、樹和建筑物分類時(shí)，KL提供最高的平均分類準(zhǔn)確率(87%)，CCRSSDA和CCAM與KL的分類準(zhǔn)確率很接近，并且都明顯優(yōu)于KS、CRSSDA和CAM方法[26]。曲線匹配算法是直接使用連續(xù)的數(shù)據(jù)進(jìn)行分類，這種連續(xù)性參數(shù)在體現(xiàn)地物類型與波形的關(guān)系上有了很大的提升，可以看出該方法在進(jìn)行城區(qū)范圍內(nèi)的分類效果較好，然而如何標(biāo)準(zhǔn)化地物特征曲線和曲線匹配是該方法的研究難點(diǎn)。

與波形特征參數(shù)法相比較，曲線匹配法更能體現(xiàn)波形與覆蓋類型深層次的聯(lián)系，但是該方法在覆蓋物高度計(jì)算方面表現(xiàn)較差。通過(guò)Zhou等人的實(shí)驗(yàn)可以發(fā)現(xiàn)曲線匹配法在同一區(qū)域的分類準(zhǔn)確率比波形特征參數(shù)法高，但是這不能表示曲線匹配法在所有區(qū)域都優(yōu)于波形特征參數(shù)法，且沒(méi)有對(duì)比2種方法在多分類數(shù)時(shí)的準(zhǔn)確率，因此這2種方法的優(yōu)劣性還需進(jìn)一步實(shí)驗(yàn)來(lái)說(shuō)明。

1.3 全波形激光數(shù)據(jù)和其他數(shù)據(jù)多源融合

當(dāng)使用星載全波形激光測(cè)高數(shù)據(jù)作為唯一數(shù)據(jù)源時(shí)，大多數(shù)地表覆蓋的分類準(zhǔn)確率較好，但是當(dāng)?shù)匚镌诖怪苯Y(jié)構(gòu)和物理性質(zhì)較為相似時(shí)分類結(jié)果就會(huì)較差，因此僅僅依靠星載全波形激光測(cè)高數(shù)據(jù)進(jìn)行精確的土地覆蓋分類難度較大，融合其他數(shù)據(jù)能彌補(bǔ)全波形激光測(cè)高數(shù)據(jù)作為單一數(shù)據(jù)源的局限性，可以提高土地覆蓋分類的準(zhǔn)確率。

Liu等人通過(guò)聯(lián)合使用ICESat與Landsat多光譜圖像來(lái)提高土地覆蓋分類的準(zhǔn)確率。該研究在中國(guó)河南省將土地覆蓋種類分為耕地、林地、灌叢、水體和裸地，使用隨機(jī)森林(random forest，RF)法進(jìn)行特征選擇，支持向量機(jī)進(jìn)行足印的分類，研究發(fā)現(xiàn)單一使用波形或多光譜影像進(jìn)行分類的準(zhǔn)確率約為85%，而聯(lián)合使用兩種數(shù)據(jù)進(jìn)行土地覆蓋分類時(shí)準(zhǔn)確率可以達(dá)到91%。當(dāng)分類具有相同垂直結(jié)構(gòu)特征的對(duì)象時(shí)可以使用光譜特征進(jìn)行進(jìn)一步識(shí)別。同樣地，當(dāng)遇到具有相同光譜特征的對(duì)象時(shí)可以使用垂直結(jié)構(gòu)特征進(jìn)一步識(shí)別，這種方法可以大大提高分類的準(zhǔn)確率[27]。Ranson等人在西伯利亞地區(qū)利用GLAS波形數(shù)據(jù)和MODIS影像對(duì)該地區(qū)的森林樹種進(jìn)行了分類實(shí)驗(yàn)，實(shí)驗(yàn)發(fā)現(xiàn)由于各個(gè)樹種的高度和其他物理屬性的差異，其回波的特征參數(shù)具有一定的分布規(guī)律，利用這些分布規(guī)律和MODIS數(shù)據(jù)可以提高分類的準(zhǔn)確率[28]。周夢(mèng)維等人提出了一種基于機(jī)載激光雷達(dá)和航空光學(xué)影像數(shù)的多源遙感數(shù)據(jù)融合的高精度地物信息提取和分類方法，通過(guò)對(duì)張掖地區(qū)的數(shù)據(jù)進(jìn)行實(shí)驗(yàn)和分析發(fā)現(xiàn)，該方法可以對(duì)平坦地形區(qū)的幾種典型地物進(jìn)行有效的分類，特別是針對(duì)水體、建筑物、高大植被、田埂等地物的分類準(zhǔn)確率較高，總體分類準(zhǔn)確率為93%[29]。Chehata等人通過(guò)使用全波形機(jī)載激光雷達(dá)數(shù)據(jù)與RBG圖像數(shù)據(jù)的結(jié)合，使用SVM和RF 2種分類器進(jìn)行對(duì)比實(shí)驗(yàn)，結(jié)果表明在相同的訓(xùn)練樣本個(gè)數(shù)和時(shí)間內(nèi)，RF分類器的性能優(yōu)于SVM，錯(cuò)誤率僅為4.25%，其對(duì)建筑物和人造物的分類結(jié)果較好，這種方法在城市區(qū)域的土地覆蓋分類擁有較好的應(yīng)用前景[30]。多源數(shù)據(jù)融合是未來(lái)遙感發(fā)展的一大研究重點(diǎn)，將全波形激光測(cè)高數(shù)據(jù)與其他數(shù)據(jù)結(jié)合使用可以有效提升分類的準(zhǔn)確率。

2 應(yīng)用現(xiàn)狀

土地覆蓋種類較為繁雜，但目前星載激光測(cè)高數(shù)據(jù)土地覆蓋分類研究的具體應(yīng)用主要集中于以下3個(gè)方面：城區(qū)覆蓋分類、極地覆蓋分類和林業(yè)樹種分類。這是因?yàn)槌菂^(qū)的覆蓋分類與人類的生活活動(dòng)息息相關(guān)，該方面研究可以提升城市空間的有效利用和對(duì)未來(lái)發(fā)展的合理規(guī)劃；極地是目前研究的熱點(diǎn)，針對(duì)極地的研究可以發(fā)現(xiàn)極地海冰厚度等因素與全球氣候變化的聯(lián)系與影響，針對(duì)極地區(qū)域的覆蓋分類研究還可以為建設(shè)科考站提供選址參考；林業(yè)樹種研究一直是農(nóng)林研究的熱點(diǎn)方向，將星載激光測(cè)高數(shù)據(jù)應(yīng)用于樹種分類為林業(yè)應(yīng)用提供了新的參考。

2.1 城區(qū)地表分類及建筑物高程變化檢測(cè)

城區(qū)地表分類集中于建筑物、道路和綠化帶等城區(qū)常見類型進(jìn)行分類，以期能為城市規(guī)劃建設(shè)提供幫助。Mallet等人利用全波形數(shù)據(jù)的特征參數(shù)通過(guò)支持向量機(jī)(SVM)進(jìn)行城區(qū)范圍內(nèi)的分類，實(shí)驗(yàn)發(fā)現(xiàn)將城區(qū)的覆蓋分類分為建筑物、植被、自然路面和人造路面這四類的分類精確度為92%，研究人員還提出通過(guò)改進(jìn)SVM的內(nèi)核、迭代地處理SVM分類或直接使用全波形數(shù)據(jù)的向量來(lái)進(jìn)行實(shí)驗(yàn)可以進(jìn)一步提高分類的準(zhǔn)確率[31]。Mallet等人將分類種類設(shè)定為建筑物、地面和植被三類。首先對(duì)激光雷達(dá)波形進(jìn)行處理，得到具有兩組不同形態(tài)特征的三維點(diǎn)云。然后利用監(jiān)督支持向量機(jī)分類器對(duì)三維點(diǎn)云進(jìn)行分類。每個(gè)點(diǎn)都與一組包含完整波形特征和來(lái)自離散返回?cái)?shù)據(jù)的特征相關(guān)聯(lián)。通過(guò)3種特征選擇算法對(duì)三類問(wèn)題的相關(guān)性進(jìn)行評(píng)價(jià)。根據(jù)分類性能，選擇不同的特征子集，并對(duì)分類結(jié)果進(jìn)行比較。使用SVM對(duì)訓(xùn)練樣本全波形的振幅、波寬等參數(shù)進(jìn)行訓(xùn)練后發(fā)現(xiàn)最佳分類決策和最小分類子集，然后再對(duì)分類樣本進(jìn)行分類，實(shí)驗(yàn)發(fā)現(xiàn)在分類時(shí)，返回波的振幅以及由橫截面和后向散射系數(shù)輻射定標(biāo)計(jì)算出的2個(gè)特征元素在分類上有很大的幫助，該分類方法的準(zhǔn)確率可以達(dá)到95%[32]。Cheng等人使用高斯分解波形表示在激光光斑地面目標(biāo)不同層次的方法，對(duì) 2003年到2008年北京城市建筑物高度變化研究，該方法將城市變化研究從二維平面擴(kuò)展到三維空間，提高了研究精度，是對(duì)現(xiàn)有遙感方法的補(bǔ)充[33]。

2.2 極地地表覆蓋分類

極地地表覆蓋分類是針對(duì)冰、雪、巖石和水體進(jìn)行分類，希望通過(guò)對(duì)這些典型地物連續(xù)的檢測(cè)發(fā)現(xiàn)人類活動(dòng)對(duì)極地地表覆蓋變化影響和對(duì)極地航道的影響。Molijn等人通過(guò)對(duì)南極洲D(zhuǎn)ry Valleys地區(qū)的冰川、巖石、雪和湖冰進(jìn)行分類，其分類后的Kappa系數(shù)為0.999 3，并且發(fā)現(xiàn)根據(jù)接受回波能量的大小，系統(tǒng)對(duì)探測(cè)器前置放大器的電壓進(jìn)行了調(diào)整，當(dāng)記錄器變飽和會(huì)影響峰度、反射率等形態(tài)數(shù)值，所以首先要對(duì)記錄器是否飽和進(jìn)行判斷。反射率對(duì)區(qū)分雪是至關(guān)重要的，通常情況下雪的反射率都是大于0.6的；峰度是區(qū)分水和其他種類的標(biāo)準(zhǔn)，在非飽和情況下，水的峰度一般都很高；波寬在進(jìn)行冰和巖石時(shí)有很大的潛力[34]。譚繼強(qiáng)等人利用Molijin的方法，使用反射率、飽和能量矯正數(shù)據(jù)、波形峰態(tài)和波寬等參數(shù)在南極查爾斯山地區(qū)進(jìn)行了針對(duì)冰、雪、水和巖石的分類實(shí)驗(yàn)，實(shí)驗(yàn)發(fā)現(xiàn)該方法可以提高冰、雪的分類準(zhǔn)確率[35]。這表明激光測(cè)高數(shù)據(jù)在極地地表覆蓋分類上有很好的應(yīng)用前景。

2.3 林業(yè)樹種分類及其他應(yīng)用

對(duì)林業(yè)樹種進(jìn)行分類可以了解樹種的分布情況，估算生物量，對(duì)森林病蟲害等災(zāi)害進(jìn)行有效的預(yù)防。Nelson等人利用了GLAS數(shù)據(jù)對(duì)西伯利亞中部的森林和樹種進(jìn)行了分類，并且通過(guò)分類計(jì)算出了各樹種所占面積，通過(guò)與MODIS數(shù)據(jù)處理后的結(jié)果相比較發(fā)現(xiàn)結(jié)果相差不超過(guò)1.1%[36]。Yao等人對(duì)巴伐利亞國(guó)家森林公園的針葉林和落葉林等林區(qū)進(jìn)行分類，其分類準(zhǔn)確率在93%以上[37]。因此，通過(guò)對(duì)不同時(shí)間段的數(shù)據(jù)對(duì)比進(jìn)行分類也是全波形數(shù)據(jù)分類的方法之一。Neuenschwander等人通過(guò)實(shí)驗(yàn)驗(yàn)證了波形特征參數(shù)作為監(jiān)督分類器的輸入項(xiàng)的性能，該實(shí)驗(yàn)發(fā)現(xiàn)，能量比和振幅在進(jìn)行分類時(shí)使用的最為頻繁，且第一峰值上升時(shí)間和最后峰值下降時(shí)間對(duì)于區(qū)分不用的樹種和密度有很大的貢獻(xiàn)，該研究區(qū)使用激光測(cè)高數(shù)據(jù)的分類準(zhǔn)確率為85.8%，而使用QuickBird影像的分類準(zhǔn)確率為71.2%，而由于輸入項(xiàng)是激光測(cè)高的返回波形，因此對(duì)波形相似但結(jié)構(gòu)不同的類還需進(jìn)一步的分類[38]。

3 總結(jié)與展望

目前，衛(wèi)星激光測(cè)高數(shù)據(jù)土地覆蓋分類研究多為探索性研究，期望通過(guò)不同的波形處理方法與分類算法相結(jié)合來(lái)發(fā)現(xiàn)一種能夠在大范圍、多分類數(shù)時(shí)保持高準(zhǔn)確率的分類方法。通過(guò)研究發(fā)現(xiàn)低分類數(shù)時(shí)衛(wèi)星激光測(cè)高數(shù)據(jù)土地覆蓋分類效果較優(yōu)，平均準(zhǔn)確率在90%，當(dāng)分類數(shù)增多時(shí)分類效果明顯下降，這可能是由于分類算法的局限性或波形處理方法的局限性導(dǎo)致。通過(guò)Zhou和Mallet等人的實(shí)驗(yàn)可以發(fā)現(xiàn)曲線匹配算法在低分類數(shù)時(shí)分類準(zhǔn)確率比特征參數(shù)匹配法高，當(dāng)曲線匹配算法與SVM聯(lián)合使用時(shí)其分類準(zhǔn)確率比RT(random forest)和其他分類算法高，并且該方法在城區(qū)范圍內(nèi)的分類效果更優(yōu)，但在高程計(jì)算方面略有不及，因此波形處理方法還需進(jìn)一步改善。

3.1 存在的不足

全波形激光測(cè)高數(shù)據(jù)在進(jìn)行土地覆蓋分類上有其獨(dú)特的優(yōu)勢(shì)，對(duì)于異物同譜和同物異譜的地物分類時(shí)要優(yōu)于使用光學(xué)影像，為研究土地覆蓋類型在時(shí)空變化提供了有效的技術(shù)手段，但是星載激光數(shù)據(jù)應(yīng)用還存在一定范圍內(nèi)的局限性，主要有以下幾方面原因：

①星載大光斑激光為離散型數(shù)據(jù)，光斑之間的間距較大，不能實(shí)現(xiàn)光斑的連續(xù)。如ICESat地面光斑的直徑為70 m，沿軌方向間隔約為170 m，垂軌方向光斑間距與緯度有關(guān)，赤道處間距約為30 km，高緯度的極地區(qū)域光斑間距約為5 km，如此大的間隔對(duì)大范圍土地覆蓋分類還存在不足。LVIS的地面光斑直徑為25 m，光斑間距受飛機(jī)的飛行速度影響，也不能實(shí)現(xiàn)連續(xù)性的覆蓋。

②GLAS數(shù)據(jù)的衛(wèi)星重訪周期較長(zhǎng)，應(yīng)用地區(qū)受軌道位置影響。目前只有2003年至2009年的觀測(cè)數(shù)據(jù)，這些數(shù)據(jù)受到衛(wèi)星軌道等因素的影響不能實(shí)現(xiàn)連續(xù)對(duì)地面的覆蓋。LVIS數(shù)據(jù)受到飛機(jī)飛行區(qū)域的影響，也不能實(shí)現(xiàn)全球覆蓋，因此多源數(shù)據(jù)融合勢(shì)在必行。

③衛(wèi)星激光測(cè)高受到多種因素影響，同時(shí)，地物類型增多，也會(huì)導(dǎo)致其對(duì)應(yīng)波形的復(fù)雜度增加，因此我們還需要對(duì)土地覆蓋的分類方法進(jìn)行細(xì)致化改進(jìn)，以提升分類的準(zhǔn)確率。

3.2 趨勢(shì)與展望

盡管激光測(cè)高數(shù)據(jù)還存在著不足，但是該數(shù)據(jù)在土地覆蓋分類方向表現(xiàn)出的潛力是毋庸置疑的，該數(shù)據(jù)不僅能對(duì)目標(biāo)物進(jìn)行高度測(cè)量還能對(duì)目標(biāo)物進(jìn)行分類，實(shí)現(xiàn)了對(duì)目標(biāo)物定性和定量化的測(cè)量。隨著近年南、北兩極在航運(yùn)、天然氣等方面潛力的發(fā)現(xiàn)，對(duì)南、北兩極的探測(cè)變得極為緊迫，世界很多大國(guó)和組織都在加強(qiáng)星載激光雷達(dá)系統(tǒng)的研制。激光測(cè)高衛(wèi)星已進(jìn)入發(fā)展的繁榮期，隨著激光測(cè)高衛(wèi)星越來(lái)越多，激光測(cè)高數(shù)據(jù)也越來(lái)越豐富，一定可以廣泛應(yīng)用于地表覆蓋分類應(yīng)用，未來(lái)還可以繼續(xù)從以下3個(gè)方面開展研究：

①激光測(cè)高數(shù)據(jù)結(jié)合可見光、SAR衛(wèi)星數(shù)據(jù)、歷史地表分類數(shù)據(jù)進(jìn)行大范圍的地表覆蓋類型變化監(jiān)測(cè)。

②與大數(shù)據(jù)技術(shù)、深度學(xué)習(xí)算法相結(jié)合，實(shí)現(xiàn)對(duì)地表覆蓋分類精度的提高和分類處理的全自動(dòng)化。

③高分七號(hào)衛(wèi)星將搭載激光足印相機(jī)，足印影像與波形數(shù)據(jù)相結(jié)合可以進(jìn)一步提高分類的準(zhǔn)確率。