弱光束條件下森林區(qū)域光子云去噪算法精度研究

黃佳鵬 邢艷秋 秦 磊 馬建明

(東北林業(yè)大學(xué)森林作業(yè)與環(huán)境研究中心, 哈爾濱 150040)

0 引言

冰、云和陸地高度衛(wèi)星一代/地學(xué)激光測高系統(tǒng)(Ice, cloud, and land elevation satellite-1, ICESat-1/Geoscience laser altimeter system, ICESat-1/GLAS)在測量全球冠層結(jié)構(gòu)參數(shù)方面取得了成功。作為后續(xù)星的冰、云和陸地高度衛(wèi)星二代已經(jīng)于2018年9月發(fā)射成功，ICESat-2搭載了先進(jìn)地形激光高度計(jì)系統(tǒng)(Advanced topographic laser altimeter system，ATLAS)，該系統(tǒng)的主載荷采用了微脈沖光子計(jì)數(shù)技術(shù)，具有高重頻、高靈敏性的特性，可以有效探測從地球表面反射回來的光子，通過接收返回的光子信號描述地表的冠層情況[1-3]。不同于ICESat-1/GLAS的低頻率發(fā)射方式(40 Hz)，ATLAS激光發(fā)射頻率為10 kHz。與ICESat-1/GLAS單波束發(fā)射方式不同，ATLAS激光發(fā)射模式為3對6波束發(fā)射方式，每對光束由強(qiáng)光束和弱光束組成，其中強(qiáng)光束與弱光束的能量分別為0.12 mJ和0.03 mJ，兩者能量比為4∶1，兩種光束均可以用于森林冠層高度的測量，且強(qiáng)弱不同的光束分布形式可以為監(jiān)測斜坡高程變化、冠層粗糙度變化提供科學(xué)數(shù)據(jù)[1,4-5]。但是，ATLAS系統(tǒng)的高靈敏度特性將導(dǎo)致系統(tǒng)接收來自于外界和系統(tǒng)本身的噪聲光子，嚴(yán)重影響后續(xù)冠層高度的信息提取[6]。為此，需加強(qiáng)不同強(qiáng)弱光束條件下去噪算法的研究，以去除噪聲光子，進(jìn)而獲取更高精度的冠層高度信息。

為研究ICESat-2星載光子云去噪算法，研究者分別針對機(jī)載平臺的單光子激光雷達(dá)(Single photon LiDAR, SPL)[7]、斜坡成像多極化光子計(jì)數(shù)激光雷達(dá)(Slope imaging multi polarization photon-counting LiDAR, SIMPL)[8-9]、多高度計(jì)波束激光雷達(dá)(Multiple altimeter beam experimental LiDAR，MABEL)[10-11]、MATLAS數(shù)據(jù)，進(jìn)行了光子云去噪試驗(yàn)。其中，文獻(xiàn)[11]提出了一種基于密度算子的局部距離統(tǒng)計(jì)算法，以強(qiáng)波束類型的MATLAS數(shù)據(jù)作為試驗(yàn)數(shù)據(jù)，證明該算法可以有效地去除強(qiáng)波束類型條件下的噪聲光子。文獻(xiàn)[12]提出了一種基于貝葉斯方法的單光子噪聲濾波算法，以MABEL作為試驗(yàn)數(shù)據(jù)，通過試驗(yàn)證明該算法可有效區(qū)分噪聲光子和信號光子。文獻(xiàn)[13-14]提出基于局部距離統(tǒng)計(jì)算法對機(jī)載MABEL光子云數(shù)據(jù)進(jìn)行去噪處理，結(jié)果表明，該算法能有效剔除夜間條件下的大部分噪聲光子。文獻(xiàn)[15]以SPL數(shù)據(jù)作為試驗(yàn)數(shù)據(jù)，提出了一種基于體素的空間濾波方法，該方法在保持SPL數(shù)據(jù)空間完整性的同時(shí)，可對平滑地表的噪聲光子進(jìn)行有效去噪。文獻(xiàn)[16]提出了一種改進(jìn)的基于密度的聚類 (Density-based spatial clustering of applications with noise, DBSCAN) 算法，該算法采用橢圓形狀計(jì)算各光子之間距離，試驗(yàn)結(jié)果證明改進(jìn)的DBSCAN算法在平坡試驗(yàn)區(qū)域具有較好的去噪效果。文獻(xiàn)[17]以強(qiáng)波束類型的MATLAS數(shù)據(jù)作為試驗(yàn)數(shù)據(jù)，采用不同方式的橢圓形狀計(jì)算各光子之間的距離，證明采用水平方式的橢圓搜索域的DBSCAN算法更適于平坡的光子云去噪。文獻(xiàn)[18]以粒子群優(yōu)化(Particle swarm optimization, PSO)模型作為優(yōu)化方式，改進(jìn)了需人工確定核心參數(shù)的DBSCAN光子云去噪算法，以MATLAS數(shù)據(jù)作為試驗(yàn)數(shù)據(jù)，證明其在強(qiáng)光束條件下的光子云去噪試驗(yàn)中可以獲得較好的去噪效果。

綜上所述，在強(qiáng)光束條件下，光子云去噪算法可完成平滑地表的光子云去噪試驗(yàn)，且可以獲得較高的去噪精度。但是在弱光束條件下的森林覆蓋區(qū)，由于弱光束工作特性導(dǎo)致噪聲光子密度特性相對信號光子并不明顯，加之噪聲光子在冠層上空、冠層內(nèi)部以及地面以下均有分布，嚴(yán)重影響了光子云去噪算法對目標(biāo)光子信號的去噪精度。由已有研究可知，算法并未單獨(dú)針對弱光束條件下的森林覆蓋區(qū)進(jìn)行光子云去噪研究，缺少其在弱光束條件下森林研究區(qū)的去噪精度評價(jià)，且之前的光子云去噪算法并未結(jié)合研究區(qū)的不同特點(diǎn)進(jìn)行去噪效果分析，缺少對算法的綜合評價(jià)。

為探究不同去噪算法在弱光束條件下森林覆蓋區(qū)的光子云去噪效果，本文探究局部距離統(tǒng)計(jì)算法、DBSCAN算法和PSO-DBSCAN算法在弱光束條件下森林區(qū)域的光子云去噪效果，通過不同研究區(qū)的去噪統(tǒng)計(jì)指標(biāo)，分析3種算法在弱光束條件下，森林覆蓋區(qū)的光子云去噪效果，并結(jié)合研究區(qū)的地形、植被覆蓋度、太陽高度角等特點(diǎn)對光子云去噪算法的去噪效果進(jìn)行綜合性分析。

1 試驗(yàn)數(shù)據(jù)與研究區(qū)

1.1 試驗(yàn)數(shù)據(jù)

為評價(jià)ATLAS光子云數(shù)據(jù)的性能，美國國家航空航天局(National Aeronautics and Space Administration, NASA)根據(jù)ATLAS儀器模型參數(shù)通過簡化ATLAS運(yùn)行軌跡、降低空間分辨率、信號光子二次采樣等步驟調(diào)整MABEL光子云數(shù)據(jù)的密度，生成模擬ATLAS數(shù)據(jù)的MATLAS數(shù)據(jù)[10-11,13]。MATLAS數(shù)據(jù)示意圖如圖1所示，圖1a為ATLAS的運(yùn)行軌跡示意圖，在該運(yùn)行模式條件下，每對光束中沿軌左側(cè)為弱光束足印，沿軌右側(cè)為強(qiáng)光束足印，圖1b為ATLAS足印示意圖[3]。圖2為強(qiáng)、弱光束條件下Portland研究區(qū)的MATLAS光子云分布示意圖，本研究將每束光子云分布形式轉(zhuǎn)換為沿軌的剖面形式展示。對比強(qiáng)弱激光束光子分布可知，圖2a為弱光束情況，圖中共有光子2 203個(gè)，其中信號光子1 931個(gè)，噪聲光子為272個(gè)，信噪比為7∶1；圖2b為強(qiáng)光束情況，圖中共有光子7 774個(gè)，其中信號光子7 502個(gè)，噪聲光子272個(gè)，信噪比為28∶1。數(shù)據(jù)顯示弱光束條件下的信噪比小于強(qiáng)光束條件下的信噪比，特別是冠層光子表現(xiàn)更為明顯。表1為ATLAS強(qiáng)弱光束參數(shù)。

圖1 MATLAS數(shù)據(jù)示意圖Fig.1 Schematic of MATLAS

圖2 Portland研究區(qū)的MATLAS光子云分布示意圖Fig.2 Schematics of MATLAS photon cloud data in Portland research area

表1 ATLAS強(qiáng)弱光束參數(shù)Tab.1 Statistic of ATLAS strong and weak beam parameters

1.2 試驗(yàn)區(qū)域

為驗(yàn)證不同光子云去噪算法在弱光束條件下森林覆蓋區(qū)的去噪精度，本研究選擇不同森林覆蓋區(qū)域作為研究不同MATLAS光子云去噪算法去噪精度的研究區(qū)。選擇研究區(qū)域?yàn)镹ASA網(wǎng)站(https:∥icesat-2.gsfc.nasa.gov/legacy-data/matlas/matlas_docs.php)上公布的研究區(qū)主要覆蓋物為植被的光子云數(shù)據(jù)。根據(jù)MATLAS植被區(qū)域文檔說明，選擇位于美國的Virginia、East Coast、West Coast Transit和Portland作為研究區(qū)。圖3為研究區(qū)位置示意圖及對應(yīng)研究區(qū)上空機(jī)載飛行軌跡示意圖。為研究地形特點(diǎn)、植被覆蓋度特點(diǎn)、噪聲特點(diǎn)對光子云去噪算法去噪效果的影響，統(tǒng)計(jì)各研究區(qū)的太陽高度角等特性如表2所示。

圖3 研究區(qū)位置示意圖Fig.3 Location of study area

2 研究方法

2.1 光子云去噪算法

選擇局部距離統(tǒng)計(jì)算法、DBSCAN算法和PSO-DBSCAN算法作為研究對象，評價(jià)其在弱光束條件下森林區(qū)域的去噪效果。

2.1.1局部距離統(tǒng)計(jì)算法

局部距離統(tǒng)計(jì)算法核心為通過統(tǒng)計(jì)各光子間的距離頻數(shù)，設(shè)定噪聲閾值，通過噪聲閾值區(qū)分信號光子與噪聲光子，具體流程為：

表2 試驗(yàn)區(qū)域統(tǒng)計(jì)Tab.2 Statistics of study area

(1)統(tǒng)計(jì)光子云中每個(gè)光子到周圍最臨近的k個(gè)光子的總距離l(單位： m)，計(jì)算式為

(1)

式中xi、xj——沿軌距離，m

hi、hj——光子云高程，m

未去噪前Portland研究區(qū)的光子云如圖4a所示，生成光子云頻數(shù)直方圖如圖4b所示。

(2)設(shè)置閾值剔除噪聲光子。對其均值與標(biāo)準(zhǔn)差通過光子云局部統(tǒng)計(jì)進(jìn)行估算，選定均值與n倍標(biāo)準(zhǔn)差之和作為噪聲閾值。

(3)若光子總距離小于噪聲閾值，則判定該光子為信號光子；否則，判定其為噪聲光子[13-14]。

局部距離統(tǒng)計(jì)算法對于人工設(shè)定參數(shù)k、n具有較強(qiáng)依賴性，本研究參照文獻(xiàn)[13-14]中的方式進(jìn)行參數(shù)設(shè)定。

圖4 局部距離統(tǒng)計(jì)算法Fig.4 Schematics of local distance statistical algorithm

2.1.2DBSCAN算法

DBSCAN算法即確定從核心光子出發(fā)的最大密度相連光子，這些最大集合光子對象形成“信號光子簇”，不在信號光子簇中的光子則為噪聲光子。算法具體過程為：

(1)選定DBSCAN算法的2個(gè)參數(shù)，鄰域(eps)和核心對象個(gè)數(shù)(Minimum number of points, MinPts)。

(2)以同一個(gè)研究區(qū)中每個(gè)光子作為聚類對象，以在給定半徑eps內(nèi)包含的光子數(shù)量不能少于某一閾值MinPts作為聚類基礎(chǔ)，在此基礎(chǔ)上對具有密度連接特性的光子對象進(jìn)行聚類。

(3)遍歷研究區(qū)數(shù)據(jù)集中的光子云數(shù)據(jù)，只要其鄰近區(qū)域內(nèi)光子數(shù)據(jù)的密度超過MinPts，則能夠繼續(xù)聚類，這些光子對象即為信號光子；否則，標(biāo)識這些光子為噪聲光子[17,19]，去噪過程如圖5a所示(Portland研究區(qū))。

DBSCAN算法具有剔除噪聲光子的作用。該算法設(shè)置的參數(shù)較少，僅有eps和MinPts，故合適eps和MinPts的選取十分重要，本研究參照文獻(xiàn)[16-17]確定eps和MinPts參數(shù)。

2.1.3PSO-DBSCAN算法

PSO-DBSCAN算法核心思想為通過PSO優(yōu)化DBSCAN算法的2個(gè)重要參數(shù)eps和MinPts，以適應(yīng)度作為評價(jià)標(biāo)準(zhǔn)優(yōu)化DBSCAN算法的去噪結(jié)果。算法流程如下：

(1)通過PSO初始化DBSCAN算法的2個(gè)重要參數(shù)eps和MinPts。

圖5 PSO-DBSCAN算法過程示意圖Fig.5 Process diagrams of PSO-DBSCAN algorithm

(2)對于原始數(shù)據(jù)集中光子，只要其eps鄰近區(qū)域內(nèi)光子數(shù)據(jù)的密度超過MinPts則能夠繼續(xù)聚類，這些光子對象即為信號光子；否則，標(biāo)識這些光子為噪聲光子(去噪過程如圖5a所示)。輸出初始化參數(shù)eps和MinPts的去噪結(jié)果，并計(jì)算此次eps和MinPts參數(shù)的適應(yīng)度。

(3)更新參數(shù)eps和MinPts，作為后續(xù)去噪試驗(yàn)的輸入數(shù)據(jù)[20-21]。

vid(t+1)=wvid(t)+c1r1(pid(t)-xid(t))+
c2r2(pgd(t)-xid(t))

(2)

xid(t+1)=vid(t+1)+xid(t)

(3)

式中c1、c2——學(xué)習(xí)因子

r1、r2——在[0,1]范圍內(nèi)的隨機(jī)數(shù)

w——慣性權(quán)因子

xid(t)——第i個(gè)粒子在時(shí)間t的第d個(gè)位置

vid(t)——第i個(gè)粒子在時(shí)間t的第d個(gè)速度

pid(t)——在時(shí)間t的第i個(gè)粒子的當(dāng)前最佳位置

pgd(t)——在時(shí)間t的第i個(gè)粒子的全局最佳位置

(4)通過評價(jià)不同迭代參數(shù)eps和MinPts的適應(yīng)度(圖5b)，最后選擇具有最優(yōu)適應(yīng)度的eps和MinPts作為最終模型的輸入值，并以最優(yōu)適應(yīng)度的去噪結(jié)果作為PSO-DBSCAN算法的輸出結(jié)果[18]。

2.2 精度驗(yàn)證

為評價(jià)局部距離統(tǒng)計(jì)算法、DBSCAN算法和PSO-DBSCAN算法的去噪精度，選擇MATLAS文件中的信號分類參數(shù)(photon_type)結(jié)合人工目視檢查作為去噪算法的定性標(biāo)準(zhǔn)，其中，photon_type為NASA提供的信號光子及噪聲光子分類參數(shù)，但是該參數(shù)可能存在極少數(shù)光子云錯(cuò)分類情況，因此需結(jié)合相應(yīng)的機(jī)載軌跡地標(biāo)性文件(Keyhole markup language, KML)配合人工目視檢查作為輔助，降低photon_type參數(shù)存在的錯(cuò)分情況[18]。此外，采用3個(gè)統(tǒng)計(jì)指標(biāo)，包括召回率R(Recall)、準(zhǔn)確率P(Precision)和綜合評價(jià)指數(shù)F(F-Measure)定量評價(jià)去噪算法的性能[18,22-23]。這3個(gè)指標(biāo)計(jì)算式為

(4)

(5)

(6)

式中TP——實(shí)際為信號光子且被分類為信號光子的光子云數(shù)

FP——實(shí)際為噪聲光子但被分類為信號光子的光子云數(shù)

FN——實(shí)際為信號光子但被分類為噪聲光子的光子云數(shù)

3 結(jié)果與分析

3.1 去噪結(jié)果

為研究不同光子云去噪算法在弱光束條件下森林區(qū)域的去噪結(jié)果，將局部距離統(tǒng)計(jì)算法(k為50，n為2)、DBSCAN算法(MinPts為10，eps為15)與PSO-DBSCAN算法應(yīng)用于East Coast等區(qū)域的光子云去噪處理。圖6、7為局部距離統(tǒng)計(jì)算法、DBSCAN算法和PSO-DBSCAN算法在Portland、West Coast弱光束條件下森林區(qū)域的去噪結(jié)果。表3為去噪結(jié)果評價(jià)指標(biāo)匯總。

圖7 West Coast研究區(qū)弱光束條件下去噪結(jié)果Fig.7 Results of noise filtering under weak beam condition in West Coast

定性分析結(jié)果如圖6、 7所示，通過目視分析可知，局部距離統(tǒng)計(jì)算法和DBSCAN算法在部分研究區(qū)能夠有效去除大部分噪聲光子，但是在West Coast 研究區(qū)等區(qū)域存在信號光子被濾除情況，特別是局部距離統(tǒng)計(jì)算法，由于參數(shù)選定不當(dāng)在West Coast 研究區(qū)甚至出現(xiàn)算法失效的情況，而PSO-DBSCAN算法不僅能有效去除大部分噪聲光子，且能保留冠層信號光子。分析冠層光子去噪情況可知，在參數(shù)選定恰當(dāng)時(shí)，局部距離統(tǒng)計(jì)算法和DBSCAN算法均可表現(xiàn)出較好的去噪效果。但是，如果參數(shù)選定不當(dāng)，將嚴(yán)重影響該類算法的去噪精度。雖然PSO-DBSCAN算法的去噪基礎(chǔ)為DBSCAN算法，但是僅通過人工確定參數(shù)方法并不一定能夠達(dá)到較穩(wěn)定的去噪效果，而PSO-DBSCAN算法通過PSO算法以尋優(yōu)方式完成DBSCAN算法參數(shù)的選取，使得PSO-DBSCAN算法在不同研究區(qū)的去噪結(jié)果均能夠較為清晰地描述出冠層植被的覆蓋情況和冠層下地面的變化情況。

由表3可知，PSO-DBSCAN算法相對于局部距離統(tǒng)計(jì)算法和DBSCAN算法的去噪結(jié)果指數(shù)R、P、F的平均值有不同程度的提升。結(jié)合圖6、7可知，雖然3種算法在定性角度均可以完成噪聲光子的去除，但是定量結(jié)果顯示PSO-DBSCAN算法的去噪結(jié)果更優(yōu)。主要由于局部距離統(tǒng)計(jì)算法和DBSCAN算法的2個(gè)參數(shù)是決定其去噪精度的重要因素，而本研究中的局部距離統(tǒng)計(jì)算法和DBSCAN算法僅通過人工方式選定其重要參數(shù)，這種方式可能只是適用于某一特定環(huán)境，并不一定適用于更廣泛的研究區(qū)。而具有不同激光發(fā)射強(qiáng)度，不同激光發(fā)射角的光子云數(shù)據(jù)具有不同的光子密度特性，并不能單純依靠人工方式確定去噪算法的關(guān)鍵參數(shù)。而且，結(jié)合之前研究[11,13-14,18]證明，PSO-DBSCAN算法的去噪結(jié)果可以滿足對于光子云去噪算法的要求。通過分析算法去噪特性可知，PSO-DBSCAN算法不需要根據(jù)不同光子云密度人工調(diào)節(jié)去噪算法的參數(shù)值，使得算法相對需根據(jù)光子云密度人工調(diào)節(jié)參數(shù)值的局部距離統(tǒng)計(jì)算法和DBSCAN算法具有更好的去噪精度。

表3 去噪結(jié)果評價(jià)指標(biāo)Tab.3 Evaluation indicators of noise filtering results

圖8 不同條件下去噪結(jié)果F值統(tǒng)計(jì)圖Fig.8 F value of noise filtering result under different characteristics

通過對定性與定量結(jié)果分析表明，由于局部距離統(tǒng)計(jì)算法和DBSCAN算法對于人工選定參數(shù)的依賴性，使其在弱光束條件下，森林區(qū)域的光子云去噪試驗(yàn)中存在將信號光子濾除的情況。而PSO-DBSCAN算法通過PSO算法進(jìn)行參數(shù)的優(yōu)化，使其在弱光束條件下，森林區(qū)域的光子云去噪試驗(yàn)中，可以去除大部分噪聲光子，且能保留冠層信號光子，能為后續(xù)的光子云數(shù)據(jù)處理提供更精準(zhǔn)的信號光子數(shù)據(jù)。

3.2 去噪結(jié)果分析

為探究不同特性對去噪算法的影響，研究地形坡度、植被覆蓋度、太陽高度角對去噪算法的影響。將地形坡度分為平坡與緩坡，其變化范圍分別為0°～5°與6°～15°；將植被覆蓋度分為低覆蓋度與高覆蓋度，其變化范圍分別為0～50%與51%～100%[23-25]。圖8為不同條件下去噪結(jié)果F值的統(tǒng)計(jì)圖。不同條件下去噪結(jié)果F值的差值見表4。

通過觀察圖8a與表4可知，在不同地形坡度下，PSO-DBSCAN算法均表現(xiàn)出最好的去噪效果，DBSCAN算法次之，局部距離統(tǒng)計(jì)算法最差。局部距離統(tǒng)計(jì)算法和DBSCAN算法在平坡條件下表現(xiàn)出更好的去噪效果，隨坡度增加，局部距離統(tǒng)計(jì)算法和DBSCAN算法的去噪效果出現(xiàn)明顯變化，其中局部距離統(tǒng)計(jì)算法的變化范圍達(dá)到0.14，而PSO-DBSCAN算法的去噪結(jié)果并未隨坡度變化表現(xiàn)出較為明顯的變化。主要由于局部距離統(tǒng)計(jì)算法和DBSCAN算法為根據(jù)固定的圓形搜索域完成光子云去噪，而固定的圓形搜索域不一定能夠充分描述斜坡條件下的光子變化情況，而PSO-DBSCAN算法通過尋優(yōu)算法確定最優(yōu)搜索域，進(jìn)而完成光子云去噪，相對另2種算法可以在一定程度上減小受地形因素的影響。

表4 不同條件下去噪結(jié)果的F值差值Tab.4 Statistics of F value changes of noise filtering results under different characteristics

通過觀察圖8b與表4可知，在不同植被覆蓋度下，PSO-DBSCAN算法均表現(xiàn)出最好的去噪效果，DBSCAN算法次之，局部距離統(tǒng)計(jì)算法最差。隨植被覆蓋度變化，局部距離統(tǒng)計(jì)算法與DBSCAN算法均出現(xiàn)變化，其中DBSCAN算法F值變化最大，達(dá)到0.21，而PSO-DBSCAN算法的并未發(fā)生變化。主要由于局部距離統(tǒng)計(jì)算法和DBSCAN算法為根據(jù)固定參數(shù)完成光子云去噪，在低覆蓋度條件下，森林區(qū)域的光子會表現(xiàn)出更集中于地表的情況，而隨植被覆蓋度增加，光子會逐步分布在冠層位置，不會僅集中于地表。而PSO-DBSCAN算法通過尋優(yōu)算法確定最優(yōu)參數(shù)進(jìn)而完成光子云去噪，相對另2種算法可以在一定程度上減小受植被覆蓋因素的影響。

通過觀察圖8c與表4可知，在不同太陽高度角情況下，PSO-DBSCAN算法均表現(xiàn)出最好的去噪效果。隨太陽高度角變化，局部距離統(tǒng)計(jì)算法與DBSCAN算法均出現(xiàn)明顯變化，其中局部距離統(tǒng)計(jì)算法F值變化最大，達(dá)到0.39，而PSO-DBSCAN算法的并未發(fā)生明顯變化。主要由于太陽光是光子云數(shù)據(jù)的一個(gè)主要噪聲源，當(dāng)太陽高度角為0°時(shí)，默認(rèn)為沒有來自于太陽的噪聲光子，以大氣及激光器本身噪聲為主，而噪聲數(shù)量是影響去噪算法的主要因素。隨太陽高度角變化，以固定參數(shù)去噪的局部距離統(tǒng)計(jì)算法與DBSCAN算法很難得到較好的去噪精度，而PSO-DBSCAN算法通過尋優(yōu)方式確定去噪?yún)?shù)，使其能在不同太陽高度角情況下均表現(xiàn)出較好的去噪效果。綜合圖8與表4可知，PSO-DBSCAN算法相對另外2種算法表現(xiàn)出更優(yōu)的去噪能力，且太陽高度角相對地形坡度和植被覆蓋度會對算法的去噪結(jié)果產(chǎn)生更大的影響。

4 結(jié)論

(1)局部距離統(tǒng)計(jì)算法、DBSCAN算法和PSO-DBSCAN算法均可以完成弱光束條件下森林冠層區(qū)域的光子云去噪，其中，PSO-DBSCAN算法表現(xiàn)出更優(yōu)的去噪效果，其去噪評價(jià)指標(biāo)F值的平均值為0.95?；诹Ｗ尤簝?yōu)化算法的PSO-DBSCAN算法在弱光束條件下森林冠層區(qū)域表現(xiàn)出較高精度，建議在光子云去噪試驗(yàn)中增加自適應(yīng)方式選定參數(shù)，使算法表現(xiàn)出更高的去噪精度。

(2)相對地形坡度和植被覆蓋度，太陽高度角會對去噪算法的去噪結(jié)果產(chǎn)生更大的影響。