基于ICESat-GLAS數(shù)據(jù)和模糊模式識(shí)別算法識(shí)別森林類型

蔡龍濤，邢 濤，邢艷秋，丁建華，黃佳鵬，崔 陽(yáng)，秦 磊

(東北林業(yè)大學(xué)工程技術(shù)學(xué)院， 黑龍江 哈爾濱 150040)

精確估測(cè)森林生物量，可以為陸地生態(tài)系統(tǒng)碳儲(chǔ)量及碳循環(huán)研究提供重要的數(shù)據(jù)支撐[1]。為提高森林生物量估測(cè)精度，現(xiàn)有的研究多采用不同森林類型生物量估測(cè)法，估算整體森林生物量[2-4]。因此，在森林生物量估測(cè)之前有必要對(duì)森林類型進(jìn)行分類研究。

為提高森林類型分類精度，本研究通過(guò)對(duì)不同森林類型冠層分布特征以及GLAS冠層回波波形進(jìn)行研究分析，提取了波形特征參數(shù)并結(jié)合不同森林類型冠層分布特征，選取并聯(lián)合其他波形特征參數(shù)[16，18]，建立波形特征參數(shù)組合，最后基于模糊模式識(shí)別算法，實(shí)現(xiàn)了針葉林和闊葉林以及針葉林、闊葉林和混交林森林類型高精度分類研究。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于吉林省汪清林業(yè)局，屬于長(zhǎng)白山系中低山區(qū)(129°56′～131°04′E，43°05′～43°40′N)，地處寒溫帶，總面積30.4萬(wàn) hm2，南北長(zhǎng)約60 km，東西長(zhǎng)約85 km。其中地面高程為360～1 477 m,坡度變化范圍0°～45°。林區(qū)內(nèi)森林覆蓋率達(dá)到95.95%，深山區(qū)林相以針闊混交林為主,呈帶狀分布于海拔500～1 100 m。針葉樹主要有紅松(Pinuskoraiensis)、云杉(Piceaasperata)、臭松(Abiesnephrolepis)和落葉松(Larixgmelinii)，闊葉樹多為椴樹(Tiliatuan)、蒙古櫟(Quercusmomglica)、楓樺(Betulacosta)、色木槭(Acermono)和白樺(Betulaplatyphylla)等[19]。

1.2 GLAS波形數(shù)據(jù)及野外調(diào)查數(shù)據(jù)

GLAS回波波形數(shù)據(jù)可從美國(guó)國(guó)家冰雪數(shù)據(jù)中心(http://nsidc.org/data/ice-sat/)免費(fèi)下載,該中心擁有ICESat衛(wèi)星2003年至2009年采集的所有GLAS回波波形數(shù)據(jù)。本研究所用數(shù)據(jù)為2006年10月、2009年10月和2010年10月的GLA01和GLA14數(shù)據(jù)產(chǎn)品，可通過(guò)經(jīng)緯度查找樣地所對(duì)應(yīng)的GLAS回波波形[19]。

野外調(diào)查數(shù)據(jù)分別于2006年9月、2007年9月和2010年9月在長(zhǎng)白山汪清林區(qū)采集獲取。具體采集方法參見文獻(xiàn)[19]。3年野外實(shí)測(cè)調(diào)查共收集了286組樣地?cái)?shù)據(jù)。其中闊葉林樣地137組，針葉林樣地50組，混交林樣地為60組，其他類型樣地如水地、裸地和草地等共計(jì)39組。在對(duì)森林類型分類時(shí)，結(jié)合我國(guó)森林資源調(diào)查主要技術(shù)規(guī)定把針葉林蓄積量比例占總蓄積量65%以上的林分定義為針葉林，闊葉林蓄積量比例占總蓄積量65%以上的林分定義為闊葉林，任何一個(gè)樹種蓄積量占總蓄積量不到65%的林分定義為混交林[19]。

1.3 波形數(shù)據(jù)處理

2012年11月1日美國(guó)冰雪數(shù)據(jù)中心提供了HDF5格式的GLAS波形數(shù)據(jù)，HDF5文件中GLAS波形數(shù)據(jù)以十進(jìn)制形式進(jìn)行存儲(chǔ)，省去了最初的GLAS波形數(shù)據(jù)二進(jìn)制轉(zhuǎn)換等操作。然而GLAS波形數(shù)據(jù)中仍存在噪聲數(shù)據(jù)，需要對(duì)波形數(shù)據(jù)進(jìn)行去噪處理。常見的波形去噪算法有小波去噪算法[20-21]和高斯去噪算法[22-23]。但是小波去噪和高斯去噪算法不可避免地會(huì)濾除GLAS回波波形中部分信號(hào)數(shù)據(jù)，為減少GLAS回波波形數(shù)據(jù)中信號(hào)數(shù)據(jù)被過(guò)多濾除，本研究直接利用高斯擬合方程對(duì)GLAS回波波形進(jìn)行去噪處理。

另外，在定義GLAS回波波形背景噪聲閾值時(shí)，本研究將其定義為波形中前100幀能量值均值與其4倍標(biāo)準(zhǔn)差之和；然而，研究時(shí)發(fā)現(xiàn)GLAS回波波形中存在有效回波波形(攜帶地物信息的GLAS回波波形)集中于波形前半部分的情況，針對(duì)這類波形數(shù)據(jù)，把背景噪聲閾值定義為波形中后100幀能量值均值與其4倍標(biāo)準(zhǔn)差之和。確定背景噪聲閾值后利用高斯擬合方程對(duì)GLAS回波波形進(jìn)行去噪處理，然后基于去噪后的擬合波形提取波形特征參數(shù)。

地形坡度較大時(shí)，GLAS回波波形會(huì)出現(xiàn)波形展寬現(xiàn)象[24-27]，影響波形特征參數(shù)提取精度。為削弱地形坡度對(duì)森林類型識(shí)別結(jié)果的影響，本研究把有效回波波形中右半部分回波波形能量值最大處定義為地面回波波形，并把該地面回波波形作為GLAS光斑內(nèi)實(shí)際地面回波波形[19]。

1.4 波形特征參數(shù)提取

針葉樹葉片如針，呈扁平尖細(xì)狀，冠形多為圓錐體形；闊葉樹葉片平展寬大，冠形多為橢球體、上半球體和下半球體形。受冠形形態(tài)影響，針葉林冠層頂部枝葉較為稀疏，反映在GLAS回波波形上為靠近波形起波點(diǎn)位置處的能量值偏低；闊葉林冠層多集中于林層頂部，反映在GLAS回波波形上為靠近波形起波點(diǎn)位置處的能量值偏高；而混交林林分內(nèi)闊葉樹和針葉樹個(gè)數(shù)相當(dāng)，使得混交林冠層對(duì)應(yīng)的GLAS冠層回波波形能量值呈均勻分布。

依據(jù)針葉林、闊葉林和混交林冠層頂部對(duì)應(yīng)在GLAS回波波形上的能量分布差異提取波形特征參數(shù)，波形特征參數(shù)提取示意圖如圖1所示。

圖1 波形特征參數(shù)提取示意圖

參數(shù)提取公式如下所示。

(1)

(2)

(3)

(4)

(5)

據(jù)此，將Zhang等[16]提出波形特征參數(shù)AGS(回波波形分解后高斯擬合分量斜率值)、SGS(回波波形分解后高斯擬合分量斜率標(biāo)準(zhǔn)差)和MSGS(回波波形分解后高斯擬合分量斜率標(biāo)準(zhǔn)差校正值)，與本研究提出的波形特征參數(shù)相結(jié)合，建立新的波形特征參數(shù)組合，用于森林類型分類研究。其中，波形特征參數(shù)AGS[記為σ(AGS)]、SGS[記為σ(SGS)]和MSGS[記為σ(MSGS)]計(jì)算方法如下所示。

(6)

(7)

(8)

(9)

(10)

1.5 模糊模式識(shí)別算法

1.5.1 指標(biāo)歸一化

因提取方式不同，波形特征參數(shù)之間存在量綱差異。為避免波形特征參數(shù)因量綱不同而影響森林類型分類精度，在對(duì)森林類型分類之前，先對(duì)波形特征參數(shù)進(jìn)行了指標(biāo)歸一化處理。其中，指標(biāo)歸一化公式為：

(11)

式中：xi為歸一化后的波形特征參數(shù)值；x′i為歸一化之前波形特征參數(shù)值；x′min為某一類波形特征參數(shù)最小值；x′max為某一類波形特征參數(shù)最大值。

1.5.2 奇異點(diǎn)檢測(cè)

受地形、噪聲以及森林自身等因素影響，提取的波形特征參數(shù)中存在奇異點(diǎn)樣本數(shù)據(jù)，使得本研究建立的森林類型模式與實(shí)際森林類型模式存在一定差異，影響森林類型分類精度。因此，在建立不同森林類型模式之前，需剔除樣本數(shù)據(jù)中的奇異點(diǎn)樣本。而本研究在對(duì)波形特征參數(shù)進(jìn)行奇異點(diǎn)檢測(cè)時(shí)，選用Jihyun等[28]提出的重心不穩(wěn)定系數(shù)法對(duì)樣本數(shù)據(jù)進(jìn)行奇異點(diǎn)檢測(cè)，然后予以剔除。其中，重心不穩(wěn)定系數(shù)計(jì)算公式為：

(12)

Δθi(p)=|θi(p)-θi+1(p)|,

i=1,2,…,k-2;

(13)

θi(p)=d(mi,mi+1),i=1,2,…,k-1;

(14)

(15)

xq={xq1,xq2，…，xqn}。

(16)

式中：INSF為重心不穩(wěn)定系數(shù)；Δθi為隨著k值增加兩個(gè)相鄰θi的差值；θi(p)為p的i鄰域與i+1鄰域幾何中心距離值，隨著k值增加，相鄰幾何中心距離值會(huì)發(fā)生變化；d(mi,mi+1)為mi與mi+1之間距離；mk為p的k鄰域k+1個(gè)點(diǎn)的幾何中心；p為某測(cè)試集樣本；k為測(cè)試集樣本p周圍的測(cè)試集樣本個(gè)數(shù)；xq為某測(cè)試樣本特征參數(shù)數(shù)據(jù)集合；n為測(cè)試樣本q特征參數(shù)個(gè)數(shù)值。

1.5.3 計(jì)算樣本均值

奇異點(diǎn)檢測(cè)之后，需選取不同森林類型訓(xùn)練集樣本數(shù)據(jù)和測(cè)試集樣本數(shù)據(jù)，利用選取的訓(xùn)練集樣本數(shù)據(jù)計(jì)算不同森林類型樣本均值。本研究在對(duì)訓(xùn)練集樣本數(shù)據(jù)和測(cè)試集樣本數(shù)據(jù)進(jìn)行選取時(shí)，按照2∶1的比例進(jìn)行隨機(jī)選取，這樣選取的樣本中每個(gè)森林類型約有1/3的樣本數(shù)據(jù)用于森林類型分類測(cè)試。其中，樣本均值cij計(jì)算公式為：

(17)

式中：cijl為訓(xùn)練集森林類型i波形特征參數(shù)j中第l個(gè)樣本波形特征參數(shù)值;ki為訓(xùn)練集森林類型i樣本個(gè)數(shù)。

1.5.4 計(jì)算模糊模式隸屬度

在計(jì)算測(cè)試集樣本針葉林、闊葉林和混交林森林類型隸屬度時(shí)，首先計(jì)算測(cè)試集樣本與針葉林、闊葉林和混交林模式之間的距離，然后通過(guò)計(jì)算得到距離值進(jìn)而求測(cè)試集樣本針葉林、闊葉林和混交林隸屬度。若某測(cè)試集樣本針葉林隸屬度大于闊葉林和混交林隸屬度，該樣地則被識(shí)別為針葉林，否則被識(shí)別為闊葉林或混交林。另外，在計(jì)算測(cè)試集樣本與針葉林、闊葉林和混交林模式之間的距離時(shí)，本研究采用了歐幾里德(Euclid)距離算法，計(jì)算公式為：

(18)

式中：di(u,ci)為測(cè)試集樣本u與不同森林類型模式ci之間的距離；uj為第j個(gè)樣本特征參數(shù)組合。

利用計(jì)算得到的距離值，可求測(cè)試集樣本針葉林、闊葉林和混交林隸屬度，計(jì)算公式為:

(19)

式中：Ci(u)為樣本u隸屬于森林類型i的隸屬度；p為森林類型分類總個(gè)數(shù)。

2 結(jié)果與分析

2.1 不同林型奇異點(diǎn)檢測(cè)比較

奇異點(diǎn)波形特征參數(shù)值與正常林分波形特征參數(shù)值相差較大，故需對(duì)針葉林、闊葉林和混交林波形特征參數(shù)值統(tǒng)一進(jìn)行奇異點(diǎn)檢測(cè)處理。奇異點(diǎn)檢測(cè)時(shí)，按照闊葉林、混交林和針葉林順序排序，闊葉林、針葉林和混交林樣本個(gè)數(shù)分別為137、50和60，檢測(cè)結(jié)果如圖2所示。

圖2 不穩(wěn)定系數(shù)(INSF)隨樣本點(diǎn)位變化示意圖

從圖2可以看出，247個(gè)樣本中7個(gè)樣本不穩(wěn)定系數(shù)(INSF)值明顯高于其他樣本，樣本位數(shù)分別為121、149、153、194、221、230和235。按照奇異點(diǎn)檢測(cè)時(shí)森林類型排列順序，發(fā)現(xiàn)針葉林、闊葉林和混交林奇異點(diǎn)個(gè)數(shù)值分別為3、1和3，結(jié)合針葉林、闊葉林和混交林樣本個(gè)數(shù)值，得到不同森林類型奇異點(diǎn)個(gè)數(shù)占比大小排序?yàn)椋横樔~林>混交林>闊葉林。分析其原因：通過(guò)對(duì)不同森林類型冠層特征研究，發(fā)現(xiàn)針葉林林分冠層枝葉多集中于冠層底部，而本研究所用樣地為天然林地，地形坡度變化較大，受地形坡度影響，同一高程水平面針葉林冠層有效投影面積與地面有效投影面積重疊部分較多，反映在GLAS回波波形上為冠層回波波形與地面回波波形有較大面積重疊，以至于GLAS回波波形數(shù)據(jù)處理時(shí)難以高效提取地面回波波形，使得GLAS波形特征參數(shù)受地面回波波形影響較大，最終表現(xiàn)為針葉林波形特征參數(shù)中奇異點(diǎn)個(gè)數(shù)占比較高；相對(duì)于針葉林，闊葉林林分冠層枝葉多集中于冠層頂部，與地面在垂直方向上距離較大，表現(xiàn)在同一高程水平面上為闊葉林冠層有效投影面積與地面有效投影面積重疊部分較少，在GLAS回波波形上顯示為冠層回波波形與地面回波波形重疊面積較小，這種情況使得在對(duì)GLAS回波波形進(jìn)行數(shù)據(jù)處理時(shí)更容易識(shí)別并提取地面回波波形，最終表現(xiàn)為闊葉林波形特征參數(shù)中奇異點(diǎn)個(gè)數(shù)占比較低；而混交林林分中針葉樹和闊葉樹個(gè)數(shù)相當(dāng)，冠層枝葉在林分冠層中呈均勻分布，使得混交林冠層回波波形與地面回波波形重疊面積高于針葉林，低于闊葉林，反映在GLAS回波波形上為混交林冠層回波能量值受地面回波波形影響大于針葉林，小于闊葉林，最終體現(xiàn)在波形特征參數(shù)奇異點(diǎn)個(gè)數(shù)占比上為混交林低于針葉林，高于闊葉林。

2.2 不同波形特征參數(shù)對(duì)針葉林和闊葉林分類的影響

結(jié)合奇異點(diǎn)檢測(cè)結(jié)果，從針葉林和闊葉林樣本中分別剔除3個(gè)和1個(gè)奇異點(diǎn)樣本，針葉林和闊葉林剩余樣本數(shù)分別為47和136；然后按照2∶1的比例隨機(jī)選取訓(xùn)練集和測(cè)試集樣本，選取之后針葉林和闊葉林訓(xùn)練集樣本數(shù)分別為33和96，測(cè)試集樣本數(shù)分別為14和40；最后利用選取的訓(xùn)練集和測(cè)試集樣本數(shù)據(jù)進(jìn)行針葉林和闊葉林森林類型分類研究。

在對(duì)針葉林和闊葉林進(jìn)行森林類型識(shí)別研究時(shí)，首先利用訓(xùn)練集樣本數(shù)據(jù)，計(jì)算針葉林和闊葉林樣木均值；然后通過(guò)模糊識(shí)別算法最大隸屬度原則，計(jì)算測(cè)試集樣本針葉林和闊葉林隸屬度。當(dāng)某樣本針葉林隸屬度大于闊葉林隸屬度時(shí)，該樣本被識(shí)別為針葉林，否則該樣本被識(shí)別為闊葉林。不同參數(shù)組合針葉林和闊葉林森林類型分類結(jié)果見表1，其中最優(yōu)特征參數(shù)組合分類結(jié)果見表2。

表1 不同參數(shù)組合針葉林和闊葉林森林類型分類結(jié)果

表2 基于波形特征參數(shù)組合MSGS的森林類型分類結(jié)果

從表1可以看出，3種波形特征參數(shù)組合森林類型分類結(jié)果Kappa系數(shù)值都大于0.75時(shí)，說(shuō)明森林類型分類結(jié)果與實(shí)際結(jié)果一致性較高，即通過(guò)模糊識(shí)別算法能夠有效識(shí)別針葉林和闊葉林。

從表2可以得出，針葉林和闊葉林正確分類精度分別為92.86%和97.50%，針葉林森林類型正確分類精度低于闊葉林。分析其原因：首先，針葉林冠層枝葉多集中于林分冠層中部和底部，而且本研究所用樣地為天然林地，地形坡度變化較大，受地形坡度影響，針葉林冠層回波波形與地面回波波形重疊面積較大，在對(duì)GLAS回波波形進(jìn)行數(shù)據(jù)處理時(shí)難以高效提取地面回波波形，容易把地面回波波形誤分為針葉林回波波形；其次，針葉樹和闊葉樹樹高相同時(shí)，針葉樹地面覆蓋面積小于闊葉樹，反映在GLAS回波波形上為針葉樹冠層回波波形能量值低于闊葉樹冠層回波波形能量值。相對(duì)于針葉林，闊葉林冠層枝葉多集中于林分冠層頂部，與地面具有相對(duì)較高的高程差，反映在GLAS回波波形上為冠層回波波形與地面回波波形具有較少的重疊面積；而且，當(dāng)闊葉樹和針葉樹樹高值相同時(shí)，闊葉樹在地面覆蓋面積大于針葉樹，反映在GLAS回波波形上為闊葉樹冠層回波波形能量值高于針葉樹冠層回波波形能量值。兩種原因使得闊葉林冠層回波波形能量值高于針葉林，且冠層回波波形受地面回波波形影響低于針葉林，最終表現(xiàn)在森林類型分類精度上為闊葉林正確分類精度高于針葉林。

2.3 不同林型分類結(jié)果比較

結(jié)合奇異點(diǎn)檢測(cè)結(jié)果，從混交林樣地中剔除3個(gè)奇異點(diǎn)樣本，之后混交林剩余樣本個(gè)數(shù)為57。另外，在對(duì)混交林樣本進(jìn)行訓(xùn)練集和測(cè)試集選取時(shí)，同樣采用2∶1選取原則，從混交林樣本中隨機(jī)選取40組樣本作為訓(xùn)練集樣本，17組樣本作為測(cè)試集樣本，然后結(jié)合選取的針葉林和闊葉林訓(xùn)練集以及測(cè)試集樣本數(shù)據(jù)，對(duì)針葉林、闊葉林和混交林進(jìn)行森林類型分類研究。

對(duì)針葉林、闊葉林和混交林進(jìn)行森林類型分類時(shí)，首先計(jì)算針葉林、闊葉林和混交林樣本均值；然后采用模糊識(shí)別算法最大隸屬度原則，計(jì)算測(cè)試集樣本針葉林、闊葉林和混交林的隸屬度。當(dāng)某樣本針葉林隸屬度大于闊葉林和混交林隸屬度時(shí)，該樣本被識(shí)別為針葉林；當(dāng)該樣本闊葉林隸屬度大于針葉林和混交林隸屬度時(shí)，該樣本被識(shí)別為闊葉林；否則該樣本被識(shí)別為混交林。針葉林、闊葉林和混交林森林類型分類結(jié)果如表3所示。

表3 針葉林、闊葉林和混交林分類結(jié)果比較

從表3可以得出，混交林森林類型分類精度為52.94%，與闊葉林森林類型分類精度(97.50%)和針葉林森林類型分類精度(85.71%)相差較大。分析其原因：按照混交林定義(針葉樹和闊葉樹蓄積量占總蓄積量不到65%時(shí)林分定義為混交林)，混交林林分內(nèi)針葉樹和闊葉樹個(gè)數(shù)相近，當(dāng)混交林林分內(nèi)存在優(yōu)勢(shì)樹種時(shí)，優(yōu)勢(shì)樹種冠形特征在GLAS回波波形上表現(xiàn)更為明顯，提取的波形特征參數(shù)值與優(yōu)勢(shì)樹種波形特征參數(shù)值更為相近，使得在森林類型分類時(shí)，容易將混交林誤分為針葉林或闊葉林。與混交林相比，針葉林和闊葉林林分內(nèi)優(yōu)勢(shì)樹種為針葉樹或闊葉樹，兩種類型的樹種冠形差別明顯，反映在GLAS回波波形上為針葉林和闊葉林波形特征參數(shù)值相差較大，利用相差較大的波形特征參數(shù)值識(shí)別針葉林和闊葉林，能夠提高針葉林和闊葉林森林類型分類精度。

另外，從表3可以看出，混交林被誤分為闊葉林的個(gè)數(shù)多于針葉林。分析其原因：相對(duì)于針葉林，闊葉林枝葉多集中于林分冠層頂部，反映在GLAS回波波形上其波形特征更為明顯，所以對(duì)混交林進(jìn)行森林類型分類時(shí)，未正確分類的樣本被識(shí)別為闊葉林的個(gè)數(shù)多于針葉林。

加入混交林之后，森林類型分類總精度從96.30%下降到84.51%，Kappa系數(shù)從0.903 6下降到0.725 7。分析其原因：加入混交林之后，受混交林冠形特征影響，混交林正確分類個(gè)數(shù)與針葉林和闊葉林分類正確分類個(gè)數(shù)相差較大，且存在針葉林和闊葉林誤分為混交林的情況，使得森林類型分類總精度下降；另外，Kappa系數(shù)反映的是分類結(jié)果與實(shí)際結(jié)果一致性情況，而加入混交林之后，混交林分類精度較低，且存在針葉林和闊葉林誤分為混交林的情況，使得Kappa系數(shù)值較混交林加入之前明顯下降。

3 討 論

模糊識(shí)別算法能夠在波形數(shù)據(jù)處理過(guò)程中剔除波形特征參數(shù)中的奇異點(diǎn)數(shù)據(jù)，并利用最大隸屬度的原則對(duì)森林類型進(jìn)行分類研究，提高森林類型識(shí)別精度。本研究通過(guò)模糊識(shí)別方法，利用Zhang等[16]提取的波形特征參數(shù)組合AGS、SGS、MSGS對(duì)針葉林和闊葉林進(jìn)行森林類型識(shí)別研究。研究表明，通過(guò)模糊識(shí)別方法針葉林和闊葉林森林類型識(shí)別精度為90.74%，優(yōu)于Zhang等[16]支持向量機(jī)分類精度。研究結(jié)果表明模糊模式識(shí)別方法在森林類型識(shí)別方面具有一定優(yōu)勢(shì)。

然而，與針葉林和闊葉林森林類型識(shí)別精度相比，加入混交林后，森林類型識(shí)別精度較低，其中混交林森林類型識(shí)別精度為52.94%。為提高混交林森林類型識(shí)別精度，將嘗試從波形數(shù)據(jù)處理方面著手對(duì)混交林森林類型進(jìn)行分類研究，以便為GEDI波形數(shù)據(jù)和陸地生態(tài)碳衛(wèi)星波形數(shù)據(jù)森林類型分類研究提供技術(shù)支持。

參考文獻(xiàn)（reference）：

[1]FIELD C B, RAUPACH M R, EBRARY I,et al. The global carbon cycle: integrating humans, climate, and the natural world[M]. Chicago: Island Press,2004.

[2]湯旭光．基于激光雷達(dá)與多光譜遙感數(shù)據(jù)的森林地上生物量反演研究[D]．北京：中國(guó)科學(xué)院研究生院(東北地理與農(nóng)業(yè)生態(tài)研究所)，2013．TANG X G．Estimation of forest aboveground biomass by integrating ICESat/GLAS waveform and TM data[D]．Beijing: Graduate School of Chinese Academy of Sciences (Northeast Institute of Geography and Agricultural Ecology)，2013．

[3]邱賽．ICESat-GLAS波形與HJ-1A高光譜影像聯(lián)合反演森林地上生物量的研究[D]．哈爾濱：東北林業(yè)大學(xué)，2016．QIU S．The research of regional forest above ground biomass inversion combining ICESat-GLAS waveform and HJ-1A hyperspectral imageries[D]．Harbin：Northeast Forestry University，2016．

[4]吳文躍，姚順彬，徐志揚(yáng)．基于森林資源清查數(shù)據(jù)的江西省主要森林類型凈生產(chǎn)力研究[J]．南京林業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版)，2019，43(5)：193-198．WU W Y,YAO S B,XU Z Y, et al.A study on the net productivity of main forest types in Jiangxi Province based on forest resources inventory data[J]. J Nanjing For Univ (Nat Sci Ed),2019,43(5):193-198. DOI: 10．3969/j．issn．1000-2006．201903045.

[5]MOHOLDT G，NUTH C，HAGEN J O，et al．Recent elevation changes ofSvalbardglaciersderived from ICESat laser altimetry[J]．Remote Sens Environ，2010，114(11)：2756-2767．DOI:10.1016/j.rse.2010.06.008.

[6]CARABAJAL C C，HARDING D J，SUCHDEO V P，et al．Development of AN ICESat geodetic control database and evaluation of global topographic assets[J]. American Geophysical Union, Fall Meeting, 2010(6):1907-1910. DOI:10.1038/nmeth.2835.

[7]LEFSKY M A．A global forest canopy height map from the moderate resolution imaging spectroradiometer and the geoscience laser altimeter system[J]．Geophys Res Lett，2010，37(15)：L15401．DOI:10.1029/2010GL043622.

[8]KHALEFA E，SMIT I P J，NICKLESS A，et al．Retrieval of savanna vegetation canopy height from ICESat-GLAS spaceborne LiDAR with terrain correction[J]．IEEE Geosci Remote Sens Lett，2013，10(6)：1439-1443．DOI:10.1109/LGRS.2013.2259793.

[9]XING Y Q，DE GIER A，ZHANG J J，et al．An improved method for estimating forest canopy height using ICESat-GLAS full waveform data over sloping terrain：a case study in Changbai Mountains，China[J]．Int J Appl Earth Obs Geoinformation，2010，12(5)：385-392．DOI:10.1016/j.jag.2010.04.010.

[10]WANG C，TANG F X，LI L W，et al．Wavelet analysis for ICESat/GLAS waveform decomposition and its application in average tree height estimation[J]．IEEE Geosci Remote Sens Lett，2013，10(1)：115-119．DOI:10.1109/LGRS.2012.2194692.

[11]邱賽，邢艷秋，田靜，等．基于ICESat-GLAS波形數(shù)據(jù)估測(cè)森林郁閉度[J]．南京林業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版)，2016，40(5)：99-106．QIU S，XING Y Q，TIAN J，et al．Estimation of forest canopy density based on ICESat-GLAS waveform data[J]．J Nanjing For Univ (Nat Sci Ed)，2016，40(5)：99-106．DOI:10.3969/j.issn.1000-2006.2016.05.016.

[12]XI X H，HAN T T，WANG C，et al．Forest above ground biomass inversion by fusing GLAS with optical remote sensing data[J]．ISPRS Int J Geo-Inf，2016，5(4)：45．DOI:10.3390/ijgi5040045.

[13]WANG Y，NI W J，SUN G Q，et al．Slope-adaptive waveform metrics of large footprint lidar for estimation of forest aboveground biomass[J]．Remote Sens Environ，2019，224：386-400．DOI:10.1016/j.rse.2019.02.017.

[14]FATOYINBO T E，SIMARD M．Height and biomass of mangroves in Africa from ICESat/GLAS and SRTM[J]．Int J Remote Sens，2013，34(2)：668-681．DOI:10.1080/01431161.2012.712224.

[15]RANSON K J，SUN G，KOVACS K，et al．Landcover attributes from ICESat GLAS data in Central Siberia[C]//IGARSS 2004.2004 IEEE International Geoscience and Remote Sensing Symposium．September 20-24，2004，Anchorage，AK，USA．IEEE，2004：753-756．DOI:10.1109/IGARSS.2004.1368511.

[16]ZHANG J J，DE GIER A，XING Y Q，et al．Full waveform-based analysis for forest type information derivation from large footprint spaceborne lidar data[J]．Photogramm Eng Remote Sensing，2011，77(3)：281-290．DOI:10.14358/pers.77.3.281.

[17]LI L C，XING Y Q．Study on forest type classification based on ICESat-GLAS lidar data[C]//2011 2nd International Conference on Artificial Intelligence，Management Science and Electronic Commerce (AIMSEC)．August 8-10，2011，Deng Feng，China．IEEE，2011：3379-3382．DOI:10.1109/AIMSEC.2011.6011388.

[18]劉美爽，邢艷秋，李立存，等．基于星載激光雷達(dá)數(shù)據(jù)和支持向量分類機(jī)方法的森林類型識(shí)別[J]．東北林業(yè)大學(xué)學(xué)報(bào)，2014，42(2)：124-128．LIU M S，XING Y Q，LI L C，et al．Forest type identification with spaceborne LIDAR data and C-support vector classification[J]．J Northeast For Univ，2014，42(2)：124-128．DOI:10.13759/j.cnki.dlxb.2014.02.030.

[19]蔡龍濤，邢艷秋 ，黃佳鵬，等. 基于 ICESat-GLAS 數(shù)據(jù)和回波仿真原理識(shí)別森林類型[J]. 中 南 林 業(yè) 科 技 大 學(xué) 學(xué) 報(bào),2021,41(1): 60-68. CAI L T, XING Y Q, HUANG J P, et al. Forest types identification based on ICESat-GLAS data and echo simulation principles[J]. J Central South Univ For Technol, 2021,41(1):60-68.

[20]WU H B，XING Y Q．Wavelet transform and its application to ICESat-GLAS full waveform data[C]//2010 International Symposium on Intelligence Information Processing and Trusted Computing．October 28-29，2010，Huanggang，China．IEEE，2010：373-377．DOI:10.1109/IPTC.2010.38.

[21]邱賽，邢艷秋，李立存，等．基于小波變換的ICESAT-GlAS波形處理[J]．森林工程，2012，28(5)：33-35，59．QIU S，XING Y Q，LI L C，et al．ICESAT-GLAS data processing based on wavelet transform[J]．For Eng，2012，28(5)：33-35，59．DOI:10.16270/j.cnki.slgc.2012.05.022.

[22]LI D，XU L J，LI X L，et al．Full-waveform LiDAR signal filtering based on Empirical Mode Decomposition method[C]//2013 IEEE International Geoscience and Remote Sensing Symposium-IGARSS．July 21-26，2013，Melbourne，VIC，Australia．IEEE，2013：3399-3402．DOI:10.1109/IGARSS.2013.6723558.

[23]YANG T，WANG C，LI G C，et al．Forest canopy height mapping over China using GLAS and MODIS data[J]．Sci China Earth Sci，2015，58(1)：96-105．DOI:10.1007/s11430-014-4905-5.

[24]MAHONEY C，KLJUN N，LOS S，et al．Slope estimation from ICESat/GLAS[J]．Remote Sens，2014，6(10)：10051-10069．DOI:10.3390/rs61010051.

[25]PANG Y，LEFSKY M，SUN G Q，et al．Impact of footprint diameter and off-nadir pointing on the precision of canopy height estimates from spaceborne lidar[J]．Remote Sens Environ，2011，115(11)：2798-2809．DOI:10.1016/j.rse.2010.08.025.

[26]汪泉，宋文龍，張怡卓，等． 基于改進(jìn) VGG16 網(wǎng)絡(luò)的機(jī)載高光譜針葉樹種分類研究[J]． 森林工程，2021，37(3): 79-87．WANG Q，SONG W L，ZHANG Y Z，et al． Study on hyperspectral conifer species classification based on improved VGG16 network[J]． For Eng，2021，37(3): 79-87．

[27]DUNCANSON L I，NIEMANN K O，WULDER M A．Estimating forest canopy height and terrain relief from GLAS waveform metrics[J]．Remote Sens Environ，2010，114(1)：138-154．DOI:10.1016/j.rse.2009.08.018.

[28]JIHYUN H A，SEOK S，LEE J S．Robust outlier detection using the instability factor[J]．Knowl-Based Syst，2014，63：15-23．DOI:10.1016/j.knosys.2014.03.001.