摘要 為解決現(xiàn)有研究針對(duì)GEDI 數(shù)據(jù)產(chǎn)品不同算法估測(cè)森林冠層高度不充分的問(wèn)題，利用機(jī)載激光雷達(dá)數(shù)據(jù)探究GEDI 提取的佩諾布斯科特森林冠層高度精度，計(jì)算兩數(shù)據(jù)的R²、RMSE并開展顯著性檢驗(yàn)分析，用以探究不同算法以及數(shù)據(jù)獲取時(shí)間對(duì)估測(cè)精度的影響。結(jié)果表明：6種算法中，算法4的精度最高，R²=0.61，RMSE=5.74 m。對(duì)于不同時(shí)間獲取的GEDI數(shù)據(jù)，與機(jī)載數(shù)據(jù)獲取時(shí)間接近的GEDI數(shù)據(jù)估測(cè)精度較高。

關(guān)鍵詞 全波形激光雷達(dá)；GEDI；森林冠層高度；G-LiHT；精度評(píng)估

中圖分類號(hào) S758 文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 0517-6611（2024）19-0097-06

doi：10.3969/j.issn.0517-6611.2024.19.021

開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

Assessing GEDI LiDAR Data Estimation Accuracy of Canopy Height

HUANG Jia-peng，QIAO Jun-qiu，WANG Yong

（School of Geomatics， Liaoning Technical University， Fuxin， Liaoning 123000）

Abstract Existing research on the selection of Global Ecosystem Dynamics Investigation （GEDI） different algorithms to estimate accuracy of canopy height is insufficient. Based on this， this article uses airborne LiDAR data to verify the accuracy of the canopy height extracted by GEDI for the Penobscot experimental forest and calculate the R² and RMSE of two sets of data and conduct significance test analysis to explore the impact of different algorithm selection and data acquisition time on estimation accuracy. The results show that among the six algorithms， Algorithm four has the highest accuracy， with R²=0.61， RMSE=5.74 m. For GEDI data obtained at different times， the estimation accuracy of GEDI data obtained at a time similar to that of airborne data is higher.

Key words Full waveform lidar;GEDI;Canopy height;G-LiHT;Accuracy assessment

基金項(xiàng)目 遼寧省博士科研啟動(dòng)基金計(jì)劃項(xiàng)目（2023-BS-202）；大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計(jì)劃項(xiàng)目（S202210147007）；遼寧省教育廳基本科研項(xiàng)目（JYTQN2023202）。

作者簡(jiǎn)介 黃佳鵬（1993—），男，湖南永州人，副教授，博士，從事林業(yè)定量遙感研究。

收稿日期 2023-12-04

森林作為陸地生態(tài)系統(tǒng)的主體，在地球生態(tài)系統(tǒng)中占有重要地位^［1］。森林通過(guò)調(diào)節(jié)氣候，涵養(yǎng)水源，提供生物多樣性和資源等方式，對(duì)環(huán)境和生態(tài)具有重要的作用，因此準(zhǔn)確地獲取植被參數(shù)至關(guān)重要。傳統(tǒng)的方式是通過(guò)外業(yè)實(shí)地進(jìn)行測(cè)量，這種方法比較簡(jiǎn)單，精度也相對(duì)較高。但獲取的數(shù)據(jù)量非常小，耗時(shí)耗力，同時(shí)還需要高昂的人工費(fèi)用，難以滿足大范圍高效率獲取數(shù)據(jù)的要求。相比而言，星載激光雷達(dá)技術(shù)可以較好地克服實(shí)地調(diào)查方法的不足。與傳統(tǒng)衛(wèi)星光學(xué)遙感相比，激光雷達(dá)可以克服大氣與夜間觀測(cè)限制，為估測(cè)地表高程與植被冠層高度提供科學(xué)數(shù)據(jù)^［2］，這使其成為研究森林垂直結(jié)構(gòu)參數(shù)的理想遙感手段。

美國(guó)于2018年12月成功發(fā)射全球生態(tài)系統(tǒng)動(dòng)力學(xué)調(diào)查星載激光雷達(dá)GEDI（global ecosystem dynamics investigation）。GEDI上安裝了具有高分辨率的多波束線性陣列激光高度計(jì)，用來(lái)測(cè)量森林垂直結(jié)構(gòu)，為亞熱帶地區(qū)的地面參數(shù)和森林參數(shù)的獲取提供了精確的數(shù)據(jù)支持。GEDI搭載的激光高度計(jì)采用多波束線性陣列，可以同時(shí)對(duì)森林生態(tài)環(huán)境開展高密度數(shù)據(jù)采集，獲取詳細(xì)的垂直結(jié)構(gòu)參數(shù)（如樹高、葉面積指數(shù)和覆蓋度），可以達(dá)到光斑尺度的空間分辨率^［3-5］。其已經(jīng)成為高空間分辨率下監(jiān)測(cè)全球森林垂直結(jié)構(gòu)變化的重要手段。

為充分探究GEDI數(shù)據(jù)產(chǎn)品估測(cè)森林冠層高度的精度，不同學(xué)者開展了大量研究。其中，Adam等^［6］利用機(jī)載LiDAR數(shù)據(jù)驗(yàn)證了GEDI L2A數(shù)據(jù)不同算法精度，發(fā)現(xiàn)了默認(rèn)算法并不是估測(cè)冠層高度的最優(yōu)算法，應(yīng)根據(jù)不同森林環(huán)境選擇最優(yōu)算法。Potapov等^［7］為了提高估測(cè)森林冠層高度的精度，選擇6種算法的平均值作為森林冠層高度，之后與機(jī)載數(shù)據(jù)進(jìn)行驗(yàn)證。這說(shuō)明應(yīng)根據(jù)不同影響因素選取不同算法。劉麗娟等^［8］比較了GEDI L2A數(shù)據(jù)在不同植被覆蓋度下不同算法的精度，結(jié)果表明應(yīng)根據(jù)不同的森林覆蓋度選擇不同算法進(jìn)行森林高度的估測(cè)。韓明輝等^［9］針對(duì)不同研究區(qū)比較了不同算法數(shù)據(jù)對(duì)森林冠層高度和森林生物量的估測(cè)精度，指出了不同算法也能夠?qū)ι锪康墓罍y(cè)精度造成影響。袁鷙慧等^［10］對(duì)影響GEDI數(shù)據(jù)估測(cè)精度的因素進(jìn)行了分析，并探討了地理定位誤差、地形坡度、坡向、植被覆蓋度、方位角、數(shù)據(jù)獲取時(shí)間、光束類型和各種森林環(huán)境等因素對(duì)其精度的影響。結(jié)果表明，影響冠層高度提取精度最主要的因素之一是植被覆蓋度。

以上研究大多是對(duì)第一版數(shù)據(jù)進(jìn)行的探討，而對(duì)最新發(fā)布的第二版數(shù)據(jù)研究并不多，且未詳細(xì)探究不同算法對(duì)于估測(cè)冠層高度精度的影響。因此，筆者利用G-LiHT機(jī)載激光雷達(dá)數(shù)據(jù)驗(yàn)證GEDI提取的森林冠層高度精度，并探究不同算法的選取以及GEDI數(shù)據(jù)獲取的時(shí)間對(duì)估測(cè)精度的影響。

1 材料與方法

1.1 研究區(qū)概況

GEDI數(shù)據(jù)主要應(yīng)用于溫帶和熱帶地區(qū)的森林觀測(cè)，為了滿足試驗(yàn)的需求，選擇美國(guó)緬因州佩諾布斯科特試驗(yàn)森林（penobscot experimental forest）作為研究區(qū)域（圖1），其經(jīng)緯度范圍為（44.85°～44.89° N，68.48°～68.54° E）。緬因州位于美國(guó)東北部，總面積約445 km²。緬因州地形多山，四季分明。森林資源豐富，主要樹種有白楊（Populus spp.）、楓樹（Acer spp.）、喬松（Pinus strobus）、北美鐵杉（Abies balsamea）以及紅椴（Betula alleghaniensis）等，冠層高度為3～30 m。

1.2 研究數(shù)據(jù)

1.2.1 GEDI 數(shù)據(jù)。

GEDI系統(tǒng)搭載了3個(gè)激光器，分別為1個(gè)覆蓋激光器和2個(gè)全功率激光器（圖2）。3個(gè)激光器（其中覆蓋激光器被分成2個(gè)波束）以242 Hz的頻率同時(shí)發(fā)射4束激光，光束能夠抖動(dòng)，從而在地球表面生成8條光斑軌道。每條軌跡由直徑25 m的圓形足跡組成，相鄰足跡距為60 m，相鄰軌跡距約600 m，掃描范圍約4.2 km，光斑分布區(qū)域如圖2所示。2019 年4月，GEDI系統(tǒng)開始在南北緯51.6°的區(qū)間內(nèi)運(yùn)行，能夠得到全球大部分熱帶和溫帶森林的地表高程數(shù)據(jù)。在其運(yùn)行期間，能夠產(chǎn)生超過(guò)100億個(gè)合格的激光波形數(shù)據(jù)，為全球大部分熱帶和溫帶森林結(jié)構(gòu)信息和生物量的獲取提供科學(xué)、海量的信息^［11-13］。

GEDI產(chǎn)品共分為4個(gè)級(jí)別。一級(jí)（L1A-L1B）為定位波形；二級(jí)（L2A-L2B）為光斑冠層高度和剖面度量；三級(jí)（L3）為網(wǎng)格冠層高度及其變化；四級(jí)（L4A-L4B）為光斑和網(wǎng)格地上生物量估計(jì)^［14］。該研究使用2021年4月更新的GEDI第二版第二級(jí)產(chǎn)品A（GEDI L2A），數(shù)據(jù)可以從https：//e4ftl01.cr.usgs.gov/GEDI/獲取。GEDI L2A產(chǎn)品提供了6種不同算法來(lái)適應(yīng)不同的森林環(huán)境，6種算法分別是最大能量算法（a1）、最大能量百分比算法（a2）、最大能量百分比閾值算法（a3）、最大能量百分比閾值平均算法（a4）、最大能量百分比閾值中位數(shù)算法（a5）和最大能量百分比閾值中位數(shù)平均算法（a6）^［15］，不同算法參數(shù)設(shè)置見表1，不同算法提取得到森林冠層高度不同。

1.2.2 G-LiHT數(shù)據(jù)。

為了驗(yàn)證GEDI L2A數(shù)據(jù)估測(cè)森林冠層高度的精度，以G-LiHT（Goddard LiDAR，Hyperspectral Thermal Imager）機(jī)載數(shù)據(jù)獲取的CHM（canopy height model）作為驗(yàn)證數(shù)據(jù)。G-LiHT是美國(guó)宇航局制作的一套輕型強(qiáng)魯棒性和低成本的機(jī)載激光遙感系統(tǒng)。它可以搭載在有人機(jī)和無(wú)人機(jī)上，用于森林資源的監(jiān)測(cè)與管理。G-LiHT系統(tǒng)具有相對(duì)低成本、結(jié)構(gòu)緊湊和高解析度等優(yōu)點(diǎn)。其獲取的數(shù)據(jù)產(chǎn)品豐富，對(duì)于森林資源的定量監(jiān)測(cè)具有較高的應(yīng)用價(jià)值^［16］。NASA的地球科學(xué)數(shù)據(jù)系統(tǒng)計(jì)劃根據(jù)數(shù)據(jù)產(chǎn)品的處理水平（0～4級(jí)）。0 級(jí)（L0）數(shù)據(jù)產(chǎn)品包括未處理的儀器數(shù)據(jù)；1 級(jí)（L1）產(chǎn)品是經(jīng)過(guò)傳感器輻射測(cè)量單元處理的時(shí)間參考數(shù)據(jù)；2 級(jí)（L2）產(chǎn)品是從 L1 產(chǎn)品派生的地球物理變量；3 級(jí)（L3）產(chǎn)品是在時(shí)空格網(wǎng)尺度上映射的地球物理變量^［17］。該研究主要使用冠層高度模型（CHM），空間分辨率為1 m，數(shù)據(jù)可以從https：//glihtdata.gsfc.nasa.gov/獲取。

1.3 研究方法

為了探究GEDI數(shù)據(jù)估測(cè)冠層高度的精度，選擇覆蓋研究區(qū)的GEDI L2A數(shù)據(jù)進(jìn)行試驗(yàn)，對(duì)GEDI數(shù)據(jù)進(jìn)行數(shù)據(jù)裁剪與篩選，提取GEDI數(shù)據(jù)的冠層高程和經(jīng)緯度信息，利用G-LiHT機(jī)載CHM數(shù)據(jù)進(jìn)行精度驗(yàn)證，并分析不同算法及數(shù)據(jù)采集時(shí)間對(duì)于估測(cè)精度的影響。

1.3.1 數(shù)據(jù)預(yù)處理。

GEDI L2A數(shù)據(jù)：首先對(duì)GEDI L2A數(shù)據(jù)按照研究區(qū)域的經(jīng)緯度范圍進(jìn)行裁剪，之后按照參數(shù)quality_flag= 1，degrade_flag = 0，sensitivity ≥ 0.95進(jìn)行質(zhì)量篩選，剔除質(zhì)量不合格的光斑。其中，quality_flag＝1為良好產(chǎn)品數(shù)據(jù)的標(biāo)識(shí)，sensitivity ≥ 0.95為波形的靈敏度大于0.95的波形數(shù)據(jù)，作為有效數(shù)據(jù)，degrade_flag＝0為不存在地理位置退化的標(biāo)識(shí)。最后提取參數(shù)lon_lowestmode，lat_lowestmode，elev_lowestmode，elev_highestre turn，rh100，其中l(wèi)on_lowestmode、lat_lowestmode表示光斑經(jīng)緯度數(shù)據(jù)，elev_lowestmode、elev_highestre turn分別表示地面高度和樹冠高度。rh（Relative Height）表示相對(duì)于地面返回能量的高度，該研究將rh100作為GEDI數(shù)據(jù)的森林冠層高度。

G-LiHT數(shù)據(jù)：根據(jù)GEDI L2A數(shù)據(jù)提取出的經(jīng)緯度信息獲取G-LiHT數(shù)據(jù)。由于G-LiHT獲取的CHM數(shù)據(jù)空間分辨率為1 m，而GEDI光斑的大小約為25 m，因此機(jī)載數(shù)據(jù)CHM應(yīng)選空間分辨率為25 m的CHM作為森林冠層高度進(jìn)行驗(yàn)證。同時(shí)選擇CHM數(shù)據(jù)25 m×25 m柵格范圍90%冠層高度百分比作為機(jī)載數(shù)據(jù)的森林冠層高度。

1.3.2 精度驗(yàn)證。

為了驗(yàn)證GEDI數(shù)據(jù)估測(cè)森林冠層高度的精度，需要計(jì)算GEDI數(shù)據(jù)與G-LiHT機(jī)載數(shù)據(jù)的相關(guān)性。該研究通過(guò)計(jì)算2組數(shù)據(jù)的決定系數(shù)R²（coefficient of determination）和均方根誤差 RMSE（root mean square error）來(lái)驗(yàn)證精度。

R²=∑（-）²∑（y-）²（1）

RMSE=1n∑ni=1（-y）（2）

式（1）中，為GEDI數(shù)據(jù)值，分子中為GEDI數(shù)據(jù)平均值，y為G-LiHT數(shù)據(jù)值，分母中為G-LiHT數(shù)據(jù)平均值。R²最大值為1，最小值為0，當(dāng) R²值越接近1，表示精度越高。式（2）中，為GEDI數(shù)據(jù)值，y為G-LiHT數(shù)據(jù)值。RMSE反映了GEDI數(shù)據(jù)偏離G-LiHT值的程度，其值越小，表示精度越高。

為了探究2組數(shù)據(jù)間是否存在顯著性差異，對(duì)2組數(shù)據(jù)進(jìn)行獨(dú)立樣本t檢驗(yàn)，公式如下：

t=-（n-1）S²+（n-1）S²n+n-2（1n+1n）（3）

式（3）中：，分別為GEDI數(shù)據(jù)與G-LiHT數(shù)據(jù)均值；n，n分別為GEDI數(shù)據(jù)與G-LiHT數(shù)據(jù)樣本數(shù)；S²，S²分別為GEDI數(shù)據(jù)與G-LiHT數(shù)據(jù)的方差。

1.3.3 分析影響因素。

對(duì)于算法影響因素，提取GEDI中包含的6種不同算法對(duì)應(yīng)冠層高度數(shù)據(jù)。驗(yàn)證并比較6種算法的精度。

對(duì)于時(shí)間影響因素，選取同一塊研究區(qū)不同時(shí)間獲取的GEDI數(shù)據(jù)，選用2019—2022年GEDI數(shù)據(jù)作為試驗(yàn)數(shù)據(jù)。提取4組數(shù)據(jù)默認(rèn)算法冠層高度數(shù)據(jù)，驗(yàn)證并比較4組數(shù)據(jù)之間的精度。

2 結(jié)果與分析

2.1 GEDI L2A數(shù)據(jù)默認(rèn)算法估測(cè)冠層高度精度

如圖3所示，默認(rèn)算法（a1）的R²=0.56，RMSE=6.46 m。文獻(xiàn)［10］的試驗(yàn)結(jié)果為R²=［0.67，0.77］，RMSE=［5.19 m，8.51 m］。該研究得出的結(jié)果與文獻(xiàn)［10］類似，表明結(jié)果基本符合GEDI數(shù)據(jù)的精度范圍。

2.2 不同算法對(duì)估測(cè)精度的影響

為探究GEDI數(shù)據(jù)產(chǎn)品包含的不同算法對(duì)估測(cè)精度的影響，統(tǒng)計(jì)6種不同算法下得到的冠層高度，并計(jì)算與G-LiHT機(jī)載數(shù)據(jù)冠層高度的相關(guān)性，分別計(jì)算了6種算法GEDI數(shù)據(jù)與G-LiHT數(shù)據(jù)的R²和RMSE和P值，表2為定量評(píng)價(jià)指標(biāo)匯總。

由表2可知，6種算法P值均遠(yuǎn)小于0.05，表示6種算法與驗(yàn)證數(shù)據(jù)之間存在顯著相關(guān)性。如圖4所示，對(duì)于 GEDI L2A 數(shù)據(jù)來(lái)說(shuō)，不同算法提取出的森林冠層高度與G-LiHT機(jī)載數(shù)據(jù)CHM的R²與RMSE各不相同。6個(gè)算法組數(shù)據(jù)R²的均值為0.57，RMSE的均值為6.33 m。精度均值高的是a4算法組，R²=0.61，RMSE=5.74 m。a2、a3、a6算法組R²與均值一致，RMSE分別為6.31、6.19、6.83 m。算法組a1和a5的R²較低，精度最低的為a5算法，R²=0.53，RMSE=6.45 m，a1算法精度為R²=0.56，RMSE=6.46 m，這可能是由于GEDI不同的算法選擇了不同參數(shù)，導(dǎo)致對(duì)森林結(jié)構(gòu)參數(shù)提取情況不一致。觀察研究區(qū)的波形數(shù)據(jù)可知，該研究區(qū)波形數(shù)據(jù)存在較為明顯的噪聲情況，而GEDI的第4種算法最大能量百分比閾值平均算法對(duì)噪聲存在較為明顯的抑制作用，且可利用較為恰當(dāng)?shù)男盘?hào)開始和結(jié)束閾值實(shí)現(xiàn)對(duì)應(yīng)波形參數(shù)的提取。

2.3 不同數(shù)據(jù)采集時(shí)間對(duì)估測(cè)精度的影響

為探究不同數(shù)據(jù)采集時(shí)間對(duì)估測(cè)精度的影響，選擇2019—2022年4組GEDI L2A數(shù)據(jù)，統(tǒng)計(jì)4組數(shù)據(jù)不同時(shí)間下得到的冠層高度。為了避免不同算法造成的精度影響，提取默認(rèn)算法提供的數(shù)據(jù)，并計(jì)算與G-LiHT數(shù)據(jù)的相關(guān)性，比較4組數(shù)據(jù)的R²和RMSE，表3為定量評(píng)價(jià)指標(biāo)匯總。

結(jié)合表3和圖5可知，4組數(shù)據(jù)中，R²的均值為0.54，RMSE的均值為6.15 m。其中，2019和2020年的數(shù)據(jù)精度較高，精度最高的為2019年數(shù)據(jù)，R²=0.55，RMSE=5.89 m，2020年的R²=0.54，RMSE=6.08 m。2021和2022年的R²值較低，均為0.53。該試驗(yàn)采用的機(jī)載數(shù)據(jù)采集時(shí)間為2017年8月，其中2019年的數(shù)據(jù)與之最為接近，試驗(yàn)結(jié)果同樣顯示，2019年的GEDI 對(duì)應(yīng)產(chǎn)品與機(jī)載數(shù)據(jù)相關(guān)性最優(yōu)，考慮到研究區(qū)處于北半球的溫帶大陸性氣候，其森林植被年生長(zhǎng)量并不是很大，使得該試驗(yàn)中4個(gè)年份對(duì)應(yīng)的最終精度評(píng)價(jià)指標(biāo)并未表現(xiàn)出較大差異。且當(dāng)機(jī)載數(shù)據(jù)與星載獲取時(shí)間相近時(shí)所得的精度評(píng)價(jià)指標(biāo)最優(yōu)，隨著時(shí)間差異變大，即隨著森林植被生長(zhǎng)，會(huì)對(duì)森林冠層高度反演產(chǎn)生消極影響，降低機(jī)載數(shù)據(jù)與星載數(shù)據(jù)的精度評(píng)價(jià)指標(biāo)。基于此，后續(xù)研究可利用該特點(diǎn)，開展不同周期的森林生態(tài)系統(tǒng)變化監(jiān)測(cè)研究。

3 討論與結(jié)論

為探究GEDI L2A數(shù)據(jù)估測(cè)森林冠層高度的可行性，選擇美國(guó)的佩諾布斯科特實(shí)驗(yàn)森林作為研究區(qū)域，同時(shí)選擇G-LiHT機(jī)載數(shù)據(jù)CHM作為驗(yàn)證數(shù)據(jù)，探究了GEDI L2A默認(rèn)算法估測(cè)冠層高度的精度，并分析了不同算法組及GEDI數(shù)據(jù)獲取時(shí)間對(duì)于估測(cè)精度的影響。得出以下結(jié)論：

（1）該研究得出的GEDI L2A默認(rèn)算法（a1）數(shù)據(jù)精度為R²=0.56，RMSE=6.46 m，相較于a4數(shù)據(jù)，精度較低。試驗(yàn)數(shù)據(jù)表明，對(duì)于該研究區(qū)來(lái)說(shuō)，默認(rèn)算法并非估測(cè)森林冠層高度的最優(yōu)算法。

（2）在該研究區(qū)GEDI L2A的6個(gè)算法設(shè)置組中，估測(cè)精度最高的是a4組，其精度是R²=0.61，RMSE=5.74 m，精度最低的是a5組，其精度是R²=0.53，RMSE=6.45 m。分析其原因，可能是由于不同的算法閾值導(dǎo)致的結(jié)果不同，不同算法之間是通過(guò)改變波形信號(hào)平滑寬度、信號(hào)開始閾值、信號(hào)結(jié)束閾值來(lái)達(dá)到控制波形長(zhǎng)度的目的?；谠撛囼?yàn)波形數(shù)據(jù)的噪聲情況可知，算法a4的信號(hào)開始閾值比其他算法高，能夠更好地消除噪聲帶來(lái)的影響，從而使估測(cè)精度更高。而算法a5的信號(hào)結(jié)束閾值比其他算法低，導(dǎo)致地面高程數(shù)據(jù)被低估，影響了冠層高度的精度，使估測(cè)精度降低。其他算法由于各項(xiàng)閾值參數(shù)較為平均，精度位于兩者之間。由此可知，不同的算法適應(yīng)不同的森林環(huán)境，應(yīng)根據(jù)具體的森林條件選擇具體的算法，從而使GEDI數(shù)據(jù)估測(cè)森林冠層高度的精度提高。

（3）在該研究區(qū)選取的2019—2022年4組數(shù)據(jù)中，隨著年份的延長(zhǎng)，GEDI數(shù)據(jù)估測(cè)冠層高度的精度下降，機(jī)載數(shù)據(jù)為2017年采集生成的，因此分析可能的原因?yàn)闃淠靖叨入S著時(shí)間會(huì)不斷增高，從而使估測(cè)czYH7H4CllJu0bK+Da5m4IrR/Q/uMOUY+ZvxTVua7dI=精度逐年下降。由此可以得出結(jié)論，針對(duì)該研究區(qū)，對(duì)于不同時(shí)間獲取的GEDI數(shù)據(jù)，與機(jī)載數(shù)據(jù)獲取時(shí)間接近的數(shù)據(jù)估測(cè)精度較高。

該研究通過(guò)對(duì)GEDI 和G-LiHT 2組數(shù)據(jù)進(jìn)行相關(guān)性試驗(yàn)，驗(yàn)證了GEDI數(shù)據(jù)估測(cè)森林冠層高度的可行性，并分析了不同算法組及GEDI數(shù)據(jù)獲取時(shí)間對(duì)估測(cè)精度的影響。但驗(yàn)證數(shù)據(jù)為G-LiHT機(jī)載數(shù)據(jù)獲取的CHM，其中會(huì)包括一些誤差，如機(jī)載儀器本身的影響，而該研究未進(jìn)行考慮，這對(duì)GEDI L2A數(shù)據(jù)的精度驗(yàn)證也有一定的影響。

參考文獻(xiàn)

［1］HU T Y，SU Y J，XUE B L，et al.Mapping global forest aboveground biomass with spaceborne LiDAR，optical imagery，and forest inventory data［J］.Remote sensing，2016，8（7）：1-27.

［2］馬利群，李愛農(nóng).激光雷達(dá)在森林垂直結(jié)構(gòu)參數(shù)估算中的應(yīng)用［J］.世界林業(yè)研究，2011，24（1）：41-45.

［3］黃佳鵬，夏婷婷，宇洋.GEDI與Tandem-X DEM數(shù)據(jù)密林林下地形估測(cè)性能評(píng)價(jià)［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2023，54（9）：279-287.

［4］DUBAYAH R，BLAIR J B，GOETZ S，et al.The Global Ecosystem Dynamics Investigation：High-resolution laser ranging of the Earth’s forests and topography［J］.Science of remote sensing，2020，1：1-16.

［5］SCHNEIDER F D，F(xiàn)ERRAZ A，HANCOCK S，et al.Towards mapping the diversity of canopy structure from space with GEDI［J］.Environmental research letters，2020，15（11）：1-16.

［6］ADAM M，URBAZAEV M，DUBOIS C，et al.Accuracy assessment of GEDI terrain elevation and canopy height estimates in European temperate forests：Influence of environmental and acquisition parameters［J］.Remote sensing，2020，12（23）：1-28.

［7］POTAPOV P，LI X Y，HERNANDEZ-SERNA A，et al.Mapping global forest canopy height through integration of GEDI and Landsat data［J］.Remote sensing of environment，2021，253：1-30.

［8］劉麗娟，王成，聶勝，等.GEDI L2A不同算法對(duì)地面高程和森林冠層高度精度的影響分析［J］.中國(guó)科學(xué)院大學(xué)學(xué)報(bào)，2022，39（4）：502-511.

［9］韓明輝，邢艷秋，李國(guó)元，等.GEDI不同算法組數(shù)據(jù)反演森林最大冠層高度和生物量精度比較［J］.中南林業(yè)科技大學(xué)學(xué)報(bào)，2022，42（10）：72-82.

［10］袁鷙慧，聶勝，張合兵，等.GEDI地面高程和森林冠層高度的精度評(píng)價(jià)與影響分析［J］.遙感技術(shù)與應(yīng)用，2022，37（5）：1056-1070.

［11］SPRACKLEN B，SPRACKLEN D V.Determination of structural characteristics of old-growth forest in Ukraine using spaceborne LiDAR［J］.Remote sensing，2021，13（7）：1-21.

［12］朱笑笑.基于ICESat-2和GEDI數(shù)據(jù)的中國(guó)30米分辨率森林高度反演研究［D］.北京：中國(guó)科學(xué)院大學(xué)（中國(guó)科學(xué)院空天信息創(chuàng)新研究院），2021.

［13］董瀚元，于穎，范文義.星載激光雷達(dá)GEDI數(shù)據(jù)林下地形反演性能驗(yàn)證［J］.南京林業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，47（2）：141-149.

［14］陳貴珍，黃楊，趙曉偉.等.基于GEDI、Sentinel-2和機(jī)載激光雷達(dá)的森林冠層高度反演研究［J］.測(cè)繪與空間地理信息，2022，45（S1）：235-238.

［15］韓明輝.基于星載激光雷達(dá)GEDI數(shù)據(jù)反演森林結(jié)構(gòu)參數(shù)的研究［D］.哈爾濱：東北林業(yè)大學(xué)，2022.

［16］黃佳鵬.基于ICESat-2/ATLAS光子計(jì)數(shù)LiDAR數(shù)據(jù)反演森林冠層高度研究［D］.哈爾濱：東北林業(yè)大學(xué)，2021.

［17］CORP L A，COOK B D，MCCORKEL J，et al.Data products of NASA Goddard’s LiDAR，hyperspectral，and thermal airborne imager（G-LiHT）［C］//Proceedings volume 9482，next-generation spectroscopic technologies VIII.Baltimore，MD，United States：SPIE，2015.