基于多源遙感數(shù)據(jù)提高山地森林識(shí)別精度
——以祁連山國(guó)家公園肅南縣段為例

宋潔，劉學(xué)錄*

（1.甘肅農(nóng)業(yè)大學(xué)資源環(huán)境學(xué)院，甘肅 蘭州730070；2.甘肅農(nóng)業(yè)大學(xué)土地利用研究所，甘肅 蘭州730070）

森林作為陸地生物圈的主體，因其在全球碳循環(huán)中占據(jù)重要地位，并能夠?yàn)槿祟惿鐣?huì)提供如生物多樣性保護(hù)、氣候調(diào)節(jié)和水資源涵養(yǎng)等諸多生態(tài)系統(tǒng)服務(wù)而受到廣泛的重視［1］。森林植被分布監(jiān)測(cè)，不僅為區(qū)域乃至全球的環(huán)境變化研究提供了基礎(chǔ)信息［2］，也為林業(yè)規(guī)劃和生態(tài)保護(hù)政策的制定提供了基本的決策依據(jù)。在此背景下，探索低成本、高時(shí)效、操作方便并具有一定精度保證的森林識(shí)別方法對(duì)森林的監(jiān)測(cè)與保護(hù)具有重要的意義。

近年來，遙感技術(shù)已成為大尺度森林識(shí)別的首選［3-4］。被動(dòng)光學(xué)遙感數(shù)據(jù)包括高光譜［5-6］以及多光譜遙感影像［7-8］在目前森林信息獲取研究中的應(yīng)用較為普遍。然而，多光譜和高光譜數(shù)據(jù)都只能提供物體表面的光譜信息，可能無法分離出光譜相似但結(jié)構(gòu)不同的物體，例如灌木與喬木［9］。激光雷達(dá)是一種基于可見光、近紅外或短波紅外激光束測(cè)距的主動(dòng)遙感技術(shù)，它可以通過物體返回脈沖所記錄的三維位置提供關(guān)于物體的垂直結(jié)構(gòu)信息［10］。也正是基于此特點(diǎn)，激光雷達(dá)數(shù)據(jù)已逐步被單獨(dú)、或與光譜數(shù)據(jù)結(jié)合使用于土地覆被分類的研究中：Sasaki 等［11］結(jié)合機(jī)載激光雷達(dá)數(shù)據(jù)與高分辨率影像，采用面向?qū)ο蟮姆诸惙椒ǐ@得97.5%的土地覆被分類精度以及48.4%的樹種分類精度；Zhou 等［12］通過星載激光雷達(dá)ICESat/GLAS 數(shù)據(jù)的波形特征將研究區(qū)域分類為樹木、建筑物和平坦地面并獲得87.2%的總體精度；Liu 等［13］結(jié)合星載激光雷達(dá)ICESat/GLAS 數(shù)據(jù)與Landsat 數(shù)據(jù)，將研究區(qū)分類為農(nóng)田、森林、灌木、水體和不透水表面，總體精度達(dá)到91%。在分類過程中，以上研究均發(fā)現(xiàn)與單獨(dú)使用激光雷達(dá)數(shù)據(jù)進(jìn)行分類相比，將主動(dòng)式激光雷達(dá)數(shù)據(jù)與被動(dòng)式光學(xué)遙感數(shù)據(jù)相結(jié)合，綜合依據(jù)地物的垂直結(jié)構(gòu)特征以及光譜特征進(jìn)行分類，能夠?qū)哂邢嗨拼怪苯Y(jié)構(gòu)但光譜特征不同的地物進(jìn)行更詳細(xì)的區(qū)分，從而獲得更高的分類精度。

雖然機(jī)載激光雷達(dá)能夠獲得更為準(zhǔn)確的地物垂直結(jié)構(gòu)信息，但其昂貴的價(jià)格以及較大的數(shù)據(jù)處理量使其較難在大尺度尤其是地形復(fù)雜區(qū)域應(yīng)用［14］。與之相比，星載激光雷達(dá)如搭載在冰、云和陸地高程衛(wèi)星（ICESat）上的地學(xué)激光測(cè)高系統(tǒng)（geoscience laser altimeter system，GLAS）因其全球性的采樣策略、較為準(zhǔn)確的地理定位以及能夠免費(fèi)獲取的數(shù)據(jù)已成為大尺度森林信息獲取的有力工具［14-15］。作為第一顆大腳印激光雷達(dá)衛(wèi)星，ICESat/GLAS 于2003年1月由NASA 發(fā)射，到2009年10月終止運(yùn)行。7年中，GLAS 上的激光器通過40 Hz·s-1的頻率發(fā)射信號(hào)，以直徑約為65 m 的橢圓光斑（腳?。┱樟恋厍虮砻娌⒂涗浄祷氐募す饽芰縼慝@取測(cè)高信息，收集森林地區(qū)的激光雷達(dá)回波數(shù)據(jù)超過2.5 億束［16］。作為近年來最常用的激光雷達(dá)數(shù)據(jù)［12］，GLAS 數(shù)據(jù)被廣泛應(yīng)用于諸如植被高度測(cè)算、植被冠層結(jié)構(gòu)研究、地上生物量估計(jì)、林木蓄積量估計(jì)、建筑物高度測(cè)算以及土地覆被分類等諸多研究領(lǐng)域［14］。然而，其在土地覆被分類方向的研究主要集中在地形較為平坦的地區(qū)，而針對(duì)山地的相關(guān)研究較少。這主要是因?yàn)镚LAS 數(shù)據(jù)對(duì)地面坡度較為敏感，地形起伏會(huì)導(dǎo)致其波形失真從而引起對(duì)地物垂直結(jié)構(gòu)的誤判［17］。另外，在結(jié)合光學(xué)影像進(jìn)行分類時(shí)，山地地區(qū)由于山體掩映造成的地形陰影會(huì)導(dǎo)致嚴(yán)重的“同物異譜”和“異物同譜”的現(xiàn)象，也給山地森林范圍及類型的識(shí)別帶來了較大困難［18-19］。而山地森林由于其所受人為干擾較少，往往在區(qū)域甚至更大尺度扮演著重要的生態(tài)屏障角色，尤其在目前人為土地利用對(duì)熱帶森林的影響日益增大的背景下［20］，對(duì)山地森林尤其是北方山地森林范圍及類型進(jìn)行監(jiān)測(cè)顯得尤為重要且迫切。

本研究以位處西北干旱地區(qū)的祁連山國(guó)家公園肅南縣段為例，結(jié)合GLAS 星載激光雷達(dá)數(shù)據(jù)、Landsat OLI影像、Google Earth 高分辨率影像、DEM 數(shù)據(jù)以及樣地調(diào)查數(shù)據(jù)，綜合利用各數(shù)據(jù)提供的垂直結(jié)構(gòu)特征、光譜特征、季相特征和地形特征，探索基于多源遙感數(shù)據(jù)的山地森林識(shí)別精度提升方法，在將森林與其他土地利用類型進(jìn)行區(qū)分的基礎(chǔ)上，進(jìn)一步識(shí)別不同的森林類型（針葉林、闊葉林和針闊混交林），以期為今后山地森林識(shí)別提供借鑒。本研究旨在回答以下3 個(gè)方面的問題：1）GLAS 數(shù)據(jù)提供的垂直結(jié)構(gòu)信息能否提升山地森林范圍的識(shí)別精度；2）不同的地形特征能否提升山地森林類型的識(shí)別精度；3）分類時(shí)采用不同的波段運(yùn)算組合其結(jié)果是否會(huì)有不同。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于祁連山國(guó)家公園肅南縣段，位于97°23′-102°21′E，37°37′-39°37′N，總面積約1.26×104km2（圖1）。祁連山地處青藏高原東北部，甘肅與青海省交界處，是我國(guó)主要山脈之一。該地區(qū)分布著大量的森林、灌木、草原和冰川，是整個(gè)河西走廊的“水庫”，在水土保持和生物多樣性保護(hù)中發(fā)揮著重要作用。

研究區(qū)海拔1770～5740 m，坡度0°～58°。屬典型的溫帶大陸性山地氣候，晝夜溫差大，年平均降水量450～650 mm，年平均蒸發(fā)量2134 mm 左右，年平均氣溫-3～1 ℃，近10年來逐漸升高。植被分布受海拔高度影響從低到高可分為荒漠草原、森林草原、亞高山灌叢草甸、高寒荒漠和冰雪帶。現(xiàn)有森林植被主要由青海云杉（Picea crassifolia）、祁連圓柏（Juniperus przewalskii）、山楊（Populus davidiana）和白樺（Betula platyphylla）組成。其他散生樹種有油松（Pinus tabuliformis）、蒙古櫟（Quercus mongolica）和側(cè)柏（Platycladus orientalis）。青海云杉主要分布在海拔2500～3300 m 的陰坡和半陰坡上，祁連圓柏主要分布在海拔2700～3300 m 的陽坡、半陰坡或半陽坡上，常與高山云杉混交。山楊和白樺是次生林的主要營(yíng)建樹種，山楊主要分布在溝壑、溪流邊和海拔2700 m 以下的洪泛區(qū)。

1.2 遙感數(shù)據(jù)

1.2.1 Landsat OLI 數(shù)據(jù) 搭載在Landsat 8 上的陸地成像儀（operational land imager，OLI），通過一系列如帶寬增強(qiáng)、信噪比提高和附加光譜帶等技術(shù)改進(jìn)，目前已成為L(zhǎng)andsat 系列中最強(qiáng)的衛(wèi)星［21］，且近年來已被廣泛用于區(qū)分不同的土地覆被類型甚至不同的森林類型。本研究通過美國(guó)地質(zhì)調(diào)查局國(guó)家地球資源觀測(cè)與科學(xué)中心網(wǎng)站（http：//GLOVIS.usgs.gov/）免費(fèi)獲取覆蓋研究區(qū)域的4 景2018年L1T 級(jí)Landsat8 OLI 影像，影像基本參數(shù)見表1。

表1 Landsat OLI 影像基本參數(shù)Table 1 The basic parameters of Landsat OLI images

1.2.2 ICESat/GLAS 數(shù)據(jù) ICESat/GLAS 發(fā)布了15 個(gè)一級(jí)和二級(jí)數(shù)據(jù)產(chǎn)品（標(biāo)簽為GLA1 到GLA15），這些產(chǎn)品可在美國(guó)國(guó)家冰雪數(shù)據(jù)中心網(wǎng)站（https：//NSIDC.org/data/icesat）免費(fèi)獲取。本研究使用了二級(jí)GLA14產(chǎn)品，它提供了有關(guān)激光腳印的地理位置、表面高程、波形參數(shù)和反射比（如信號(hào)的起始和結(jié)束位置）等信息。同時(shí)，雖然最初設(shè)計(jì)的GLAS 腳印直徑約為65 m，但在實(shí)際任務(wù)中它們的大小因激光器不同而不同，激光器1、2 和3 的實(shí)際腳印直徑分別約為110、90 和55 m［10］。因?yàn)? 號(hào)激光器腳印的橢圓度最小且接近圓形［22］，本研究?jī)H使用來自3 號(hào)激光器的數(shù)據(jù)，以便量化復(fù)雜地形對(duì)GLAS 波形的影響。最終在研究區(qū)獲取的GLAS 數(shù)據(jù)包括L3F（2006年5-6月）、L3G（2006年10-11月）、L3H（2007年3-4月）、L3I（2007年10-11月）、L3J（2008年2-3月）和L3K（2008年10月），共計(jì)215 個(gè)腳印點(diǎn)（圖1）。

圖1 研究區(qū)位置示意圖Fig.1 The location of study area

1.3 外業(yè)調(diào)查數(shù)據(jù)

本研究的外業(yè)調(diào)查于2018年10月進(jìn)行，主要調(diào)查內(nèi)容包括GLAS 腳印點(diǎn)內(nèi)植被高度測(cè)量和分類精度驗(yàn)證樣本實(shí)地采樣兩部分。由于本研究使用的激光雷達(dá)GLAS 數(shù)據(jù)采樣時(shí)間為2006-2008年，且研究區(qū)內(nèi)起伏的地形會(huì)對(duì)GLAS 波形產(chǎn)生較大影響從而引起對(duì)腳印點(diǎn)內(nèi)植被高度的誤判，因此，首先對(duì)部分GLAS 腳印點(diǎn)內(nèi)實(shí)際植被高度進(jìn)行測(cè)量以對(duì)GLAS 數(shù)據(jù)提取的植被高度進(jìn)行校正和驗(yàn)證。鑒于不同地形坡度對(duì)GLAS 波形的影響可能不同［17］，采樣前首先將研究區(qū)坡度分為5 級(jí)：0°～5°、5°～15°、15°～25°、25°～35°、35°～58°，并通過綜合考慮GLAS腳印點(diǎn)的可及性等相關(guān)因素，分層隨機(jī)抽樣位于植被區(qū)域的65 個(gè)GLAS 腳印點(diǎn)進(jìn)行野外測(cè)量。其中12 個(gè)腳印點(diǎn)位于0°～5°，18 個(gè)腳印點(diǎn)位于5°～15°，13 個(gè)腳印點(diǎn)位于15°～25°，17 個(gè)腳印點(diǎn)位于25°～35°，5 個(gè)腳印點(diǎn)位于35°～58°。在GLAS 腳印點(diǎn)使用精度約為3 m 的手持全球定位系統(tǒng)（global positioning system，GPS）接收器進(jìn)行空間定位，以所選GLAS 足跡中心為圓心建立直徑為55 m 的圓形采樣區(qū)域，采用樣方調(diào)查法測(cè)量腳印點(diǎn)內(nèi)植被的高度：將每個(gè)樣地分為4 個(gè)圓形子樣地，一個(gè)位于主樣地的中心，另3 個(gè)子樣地分別位于中心樣地360°、240°和120°的方位角，每個(gè)子樣地的直徑為15 m，每個(gè)子樣地圓心之間的距離為20 m。直接采用手持激光高度計(jì)（高度分辨率為0.01 m）測(cè)量每個(gè)子樣地內(nèi)植被高度，并計(jì)算子樣地所測(cè)植被高度平均值。同時(shí)記錄腳印點(diǎn)內(nèi)植被類型、森林類型以及地形特征。腳印點(diǎn)植被平均高度定義為各子樣地植被平均高度的平均值。同時(shí)在調(diào)查過程中拍攝了腳印點(diǎn)周邊具有代表性的景觀，并記錄其坐標(biāo)以及土地覆被類型、植被類型等信息，以補(bǔ)充土地覆蓋分類的精度驗(yàn)證數(shù)據(jù)。

對(duì)用于分類精度驗(yàn)證的實(shí)地調(diào)查樣本，綜合研究區(qū)各類別土地分布狀況、面積比例等因素，采用分層抽樣的方法獲取典型地類和主要森林類型樣本共計(jì)72 個(gè)。采用GPS 記錄樣本中心坐標(biāo)，詳細(xì)記錄其土地覆被類型、植被類型等信息并拍攝照片，同時(shí)對(duì)森林范圍的樣地記錄其森林類型、樹種組成、海拔、坡度、坡向等主要調(diào)查因子。確保外業(yè)調(diào)查所采集樣本涵蓋研究區(qū)域典型地類和所有主要森林類型，并盡量在空間上均勻分布。

1.4 輔助數(shù)據(jù)

Google Earth 上的Quick Bird 冬季影像被用作分類輔助數(shù)據(jù)，近年來，Google Earth 高清影像資源一直被用作基于遙感的土地覆蓋分類的可靠參考數(shù)據(jù)源［23］。

本研究采用的DEM 數(shù)據(jù)是用研究區(qū)1∶5 萬地形圖數(shù)據(jù)生成，利用ArcGIS 10.2 軟件生成研究區(qū)的海拔、坡度及坡向分布圖，為GLAS 數(shù)據(jù)的地形校正以及森林類型識(shí)別提供輔助信息。此外，研究區(qū)2018年度更新的森林資源二類清查數(shù)據(jù)（包括林分的詳細(xì)信息以及土地覆被類型信息，以下簡(jiǎn)稱森林資源清查數(shù)據(jù)）也被用來輔助建立本次分類的訓(xùn)練及驗(yàn)證樣本。

1.5 Landsat OLI 數(shù)據(jù)預(yù)處理

對(duì)光學(xué)遙感影像進(jìn)行預(yù)處理主要是為了保證影像光譜信息真實(shí)且空間位置精確［18］，主要包括遙感影像的輻射定標(biāo)、大氣校正、正射校正、地形輻射校正、拼接、配準(zhǔn)和裁剪。對(duì)4 景Landsat OLI 影像做輻射定標(biāo)和大氣校正，以消除或減少大氣分子和氣溶膠的散射和吸收對(duì)地物反射率的影響，使植被波譜曲線趨于正常。因?yàn)長(zhǎng)1T文件已經(jīng)使用地面控制點(diǎn)和數(shù)字高程模型進(jìn)行了幾何精校正，所以坐標(biāo)精度基本能滿足中小比例尺的要求。但由于山區(qū)地形復(fù)雜，為防止影像發(fā)生幾何畸變，通過DEM 數(shù)據(jù)對(duì)影像進(jìn)行正射校正，以改正影像傾斜和投影差，消除因山區(qū)地形起伏和傳感器系統(tǒng)誤差等而引起的像點(diǎn)位移。

在復(fù)雜的山區(qū)地形中，受地形遮蔽的影響，對(duì)應(yīng)遙感圖像每一像元的地面所接受的有效光照有很大差別，增加了地物光譜信息提取的難度。因此，為提取地物的真實(shí)光譜值，必須先進(jìn)行地形輻射校正以減弱遙感影像地形效應(yīng)。本研究選擇C 校正模型［24］基于研究區(qū)DEM 數(shù)據(jù)以及影像太陽高度角與太陽方位角信息進(jìn)行地形輻射校正。隨機(jī)選擇研究區(qū)域10%的像元作為樣本，用來擬合未校正前地表反射率和局部太陽入射角余弦值之間的線性回歸方程，得到斜率和截距，進(jìn)一步得到經(jīng)驗(yàn)因子c。采用目視分析［25］和去相關(guān)分析［26］評(píng)價(jià)地形校正的結(jié)果，發(fā)現(xiàn)此次地形校正在坡度平緩地區(qū)校正效果較為明顯，校正后陰影區(qū)減少，陰坡和陽坡的亮度差異減小。但在高山及丘陵集中區(qū)域，在進(jìn)行地形輻射校正之前，地表反射率與局部太陽入射角余弦值之間的相關(guān)系數(shù)為0.7149，校正后相關(guān)系數(shù)為0.5694，說明出現(xiàn)了較為嚴(yán)重的過校正現(xiàn)象［26］。因此就整個(gè)研究區(qū)域而言，地形校正效果不盡理想，仍需就“同物異譜”以及“同譜異物”的地物光譜值的提取進(jìn)行進(jìn)一步的研究。

對(duì)經(jīng)過校正后的4 景Landsat OLI 影像通過直方圖匹配算法進(jìn)行鑲嵌，以Google Earth 高清影像作為參考，選取位于道路、河流交叉處以及建筑物點(diǎn)的79 個(gè)控制點(diǎn)，采用二次多項(xiàng)式模型進(jìn)行相對(duì)配準(zhǔn)，總體均方根誤差（total root mean square error）為0.481。最后采用研究區(qū)域的矢量范圍文件對(duì)影像進(jìn)行裁剪。

1.6 ICESat/GLAS 數(shù)據(jù)預(yù)處理

1.6.1 無效數(shù)據(jù)過濾 由于GLAS 數(shù)據(jù)質(zhì)量易受到云污染、信號(hào)飽和以及大氣前向散射的影響，因此，依照以下兩個(gè)標(biāo)準(zhǔn)首先對(duì)無效數(shù)據(jù)進(jìn)行過濾：1）使用GLA14 產(chǎn)品中記錄的檢測(cè)標(biāo)志（i_satNdx=0，i_FRir_qaFlag=15）識(shí)別無飽和以及無云的GLAS 數(shù)據(jù)并保留［27］；2）將GLA14 數(shù)據(jù)中記錄的高程（d_elev）與DEM 數(shù)據(jù)進(jìn)行比較，由于研究區(qū)域內(nèi)均為低矮建筑物，因此將高差閾值設(shè)為大于該地區(qū)最大冠層高度（50 m），當(dāng)GLAS 數(shù)據(jù)與DEM 數(shù)據(jù)的高差超過70 m 時(shí)，將其視為潛在的低云數(shù)據(jù)，并將其從分析中刪除［28］。

1.6.2 地理定位精度驗(yàn)證 GLAS 數(shù)據(jù)在研究區(qū)的地理定位精度對(duì)其能否作為本次研究分類依據(jù)至關(guān)重要。因此，參照前人研究［29］將GLAS 腳印點(diǎn)的地面高程與DEM 高程值進(jìn)行比較以評(píng)估其定位精度。

首先利用GDAL 開源庫，依據(jù)GLA14 產(chǎn)品中記錄的每個(gè)腳印點(diǎn)的地理位置與腳印長(zhǎng)短軸及方位角，將GLA14 的HDF5 格式的數(shù)據(jù)轉(zhuǎn)換為ESRI ShapeFile 矢量格式，并轉(zhuǎn)換為WGS84 坐標(biāo)系。對(duì)每個(gè)腳印內(nèi)的DEM數(shù)據(jù)所有像素的高程進(jìn)行加權(quán)平均，與GLA14 數(shù)據(jù)記錄的高程值進(jìn)行比較，根據(jù)距腳印中心的距離，使用以下公式對(duì)DEM 中每個(gè)像素的值進(jìn)行加權(quán)［30］。

式中：W是GLAS 腳印點(diǎn)內(nèi)每個(gè)DEM 像素的權(quán)重；a和b分別是GLAS 腳印的半長(zhǎng)軸和半短軸，記錄在GLA14產(chǎn)品中；（x，y）和（x0，y0）分別是DEM 像素和GLAS 腳印點(diǎn)的中心坐標(biāo)；x′和y′是DEM 像素沿腳印點(diǎn)長(zhǎng)軸和短軸的坐標(biāo)；α是足跡長(zhǎng)軸的方位角，同樣記錄在GLA14 產(chǎn)品中。在加權(quán)平均之前，將腳印點(diǎn)內(nèi)所有DEM 像素權(quán)重之和歸一化為1。

共計(jì)隨機(jī)選取30 個(gè)GLAS 腳印點(diǎn)對(duì)其地理位置精度進(jìn)行驗(yàn)證，相關(guān)系數(shù)R2為0.964，均方根誤差RMSE（root mean square error）為1.49 m，因此認(rèn)為本研究區(qū)域GLAS 數(shù)據(jù)的地理定位精度誤差較?。?1］，能夠滿足分類的需要。

1.6.3 GLAS 腳印點(diǎn)提取地物高度的校正 在GLA14 產(chǎn)品中，記錄了GLAS 原始波形通過高斯濾波器擬合的1 個(gè)波形信號(hào)開始范圍增量（d_SigBegOff）以及最多6 個(gè)高斯波峰質(zhì)心范圍增量（d_gpCntRngOff），本研究將波形信號(hào)開始范圍增量作為地物頂端波形信號(hào)，最低兩個(gè)高斯波峰中較強(qiáng)峰質(zhì)心范圍增量近似表示地表波形信號(hào)。對(duì)其求差所得的波形幅度（Wext）可以表示從GLAS 中提取的地物高度，這種方法也被廣泛應(yīng)用于從GLAS 數(shù)據(jù)中提取森林冠層高度［32］。

在平坦地區(qū)，Wext可以近似表示實(shí)際的地物高度，但在山區(qū)，地形起伏會(huì)對(duì)GLAS 波形形狀產(chǎn)生影響，導(dǎo)致從中提取地物高度出現(xiàn)誤差。因此，本研究參考前人研究［32-33］，采用一種基于幾何模型的地形校正方法，引入平移系數(shù)a和b，得到經(jīng)過地形校正后從GLAS 數(shù)據(jù)中提取的地物高度為：

式中：d表示GLAS 腳印點(diǎn)直徑，本研究中取值為55 m；θ表示腳印點(diǎn)所在的坡度等級(jí)的平均坡度值（°）；c表示光速（m·ns-1）；FWHM（full width at half maximum）表示激光脈沖寬度，為6 ns；a，b為平移系數(shù)，采用通用全局優(yōu)化算法（levenberg marquard，LM）通過實(shí)地調(diào)查GLAS 腳印點(diǎn)的實(shí)際測(cè)量植被高度擬合得到；HGLAS表示地形校正后從GLAS 數(shù)據(jù)中提取的地物高度。

由于所使用的GLAS 數(shù)據(jù)與待分類影像有近10年的時(shí)間差距，因此在利用GLAS 數(shù)據(jù)分類之前首先通過咨詢當(dāng)?shù)亓謽I(yè)及土地資源管理部門將10年間新增的植樹造林地區(qū)、林木砍伐地區(qū)、火燒跡地以及道路及房屋建設(shè)或拆遷區(qū)域的GLAS 腳印點(diǎn)進(jìn)行剔除，以免造成土地覆被類型的誤分。另外，由于GLAS 腳印點(diǎn)提取的地物高度主要用于分類波形結(jié)構(gòu)相似但垂直高度不同的植被（森林、灌木、草地和農(nóng)田），因此，GLAS 腳印點(diǎn)實(shí)地調(diào)查主要在植被區(qū)域進(jìn)行。而10年間喬木的生長(zhǎng)量會(huì)對(duì)平移系數(shù)a和b的擬合精度產(chǎn)生影響，從而影響從GLAS 數(shù)據(jù)中提取的除喬木外其他植被高度的精度。通過分析研究區(qū)森林資源清查數(shù)據(jù)可知，研究區(qū)喬木林齡范圍在9～100年，其中林齡在15年以下的林分僅占總林分的0.29%，且林齡較小的樹種多為楊類，區(qū)內(nèi)中齡林及近熟林為區(qū)內(nèi)森林主要齡組，占總林分的97%以上。因此，認(rèn)為10年間喬木的高度增長(zhǎng)量對(duì)灌木與喬木的區(qū)分影響較小。并在采用GLAS 實(shí)地調(diào)查數(shù)據(jù)擬合平移系數(shù)之前，根據(jù)樹齡及樹種生長(zhǎng)曲線將10年間的樹高增加值從實(shí)際測(cè)量的喬木高度中減去［34］，以減小因時(shí)間差距導(dǎo)致的GLAS 數(shù)據(jù)提取植被垂直高度的誤差對(duì)分類精度的影響。

1.7 森林范圍識(shí)別精度比較

為明確GLAS 激光雷達(dá)數(shù)據(jù)提供的地物垂直結(jié)構(gòu)特征對(duì)森林范圍識(shí)別精度的影響，在分類過程中，本研究?jī)H依據(jù)光譜特征以及綜合依據(jù)光譜及垂直結(jié)構(gòu)特征分別建立分類訓(xùn)練樣本。根據(jù)研究區(qū)地表覆蓋狀況和應(yīng)用需求，參考《國(guó)家森林資源連續(xù)清查技術(shù)規(guī)定》地類劃分標(biāo)準(zhǔn)，將項(xiàng)目區(qū)土地分類為森林、灌木、草地、農(nóng)田、裸地、建設(shè)用地和水域。

以研究區(qū)GLAS 腳印點(diǎn)為分類訓(xùn)練樣本綜合依據(jù)光譜及垂直結(jié)構(gòu)特征識(shí)別研究區(qū)不同地類。由于本研究使用的GLA14 產(chǎn)品經(jīng)過統(tǒng)一的濾波和高斯分解擬合處理，其波形形狀主要取決于腳印點(diǎn)內(nèi)物體的垂直結(jié)構(gòu)，因此，首先根據(jù)不同波形形狀將研究區(qū)分為3 類土地覆被類型：平坦表面、建筑物和植被［12］。一般將GLA14 產(chǎn)品僅具有一個(gè)峰值（i_numPk=1）的擬合波形定義為平坦表面［28］。將具有兩個(gè)峰值（i_numPk=2）的GLAS 擬合波形定義為建筑物［12-13］。值得注意的是，有研究證明［12］，兩個(gè)峰值的GLAS 波形一般為平頂?shù)慕ㄖ?，而坡頂?shù)慕ㄖ镉捎谄湮蓓敱砻嫖丛谕凰矫鏁?huì)導(dǎo)致GLAS 波形更加復(fù)雜。由于研究區(qū)內(nèi)建筑物多為平頂民居或低層的工業(yè)建筑，因此本研究將i_numPk=2 的GLAS 數(shù)據(jù)作為建筑物樣本。植被由于其通常有多個(gè)目標(biāo)在同一GLAS 腳印點(diǎn)中或其本身垂直結(jié)構(gòu)（葉片、枝干、冠層等）的復(fù)雜性，其波形往往表現(xiàn)出比以上地物更為復(fù)雜的特征，因此將具有3 個(gè)以上且數(shù)量不定的波峰（3≤i_numPk≤6）的擬合波形定義為植被［35］。

根據(jù)腳印點(diǎn)光譜特征對(duì)以上3 大類土地覆被類型進(jìn)行進(jìn)一步細(xì)分，其中植被由于其光譜差異較小，但不同植被類型其垂直高度不同，因此依據(jù)高度對(duì)其進(jìn)行分類［36］。參考項(xiàng)目區(qū)實(shí)際情況及前人研究［35］，當(dāng)HGLAS≥6.0 m，將其分類為森林，當(dāng)HGLAS為1.5～6.0 m，將其分類為灌木，當(dāng)HGLAS≤1.5 m，將其歸類為草地或農(nóng)田。

從研究區(qū)森林資源清查數(shù)據(jù)中獲取不同類型的土地覆被樣本數(shù)據(jù)，建立僅依據(jù)光譜特征的訓(xùn)練樣本對(duì)研究區(qū)影像再次進(jìn)行分類并將結(jié)果與上述分類結(jié)果進(jìn)行對(duì)比，以總體精度（計(jì)算混淆矩陣）和Kappa 系數(shù)作為分類精度評(píng)價(jià)指標(biāo)。為避免分類精度是由于增加了分類樣本提升的，保持兩次分類的訓(xùn)練樣本像素?cái)?shù)量一致。另外，為驗(yàn)證影像分類時(shí)Landsat OLI 影像參與運(yùn)算的波段對(duì)分類結(jié)果產(chǎn)生的影響，本研究在兩次分類時(shí)分別按照OLI 影像分類時(shí)識(shí)別植被常用的不同波段組合參與運(yùn)算，并對(duì)結(jié)果進(jìn)行比較。

1.8 森林類型識(shí)別精度比較

由于不同的森林類型很難依靠GLAS 數(shù)據(jù)中記錄的波形信息對(duì)其進(jìn)行區(qū)分［12，36］，而在依據(jù)光譜信息區(qū)分森林類型時(shí)，由于研究區(qū)地形復(fù)雜，雖然進(jìn)行了正射校正以及地形輻射校正等預(yù)處理，仍難以完全消除地形影響導(dǎo)致的光譜異常、信息畸變和類別混淆。而山地不同坡向往往分布著不同類型的森林，更使得“同物異譜、同譜異物”現(xiàn)象對(duì)不同森林類型的識(shí)別造成困難。因此，本研究引入季相及地形特征［37-38］對(duì)不同類型的森林進(jìn)行分類，并比較相關(guān)特征的加入對(duì)分類精度的提升程度。

首先將獲取于冬季的Google Earth 高清影像與Landsat OLI 影像進(jìn)行對(duì)比，借助季相特征，根據(jù)森林資源清查數(shù)據(jù)中不同森林類型的面積比例，采集森林類型單一集中連片，面積約近100 m2的林分，隨機(jī)建立針葉林、闊葉林以及針闊混交林的分類訓(xùn)練樣本。然后將通過研究區(qū)DEM 數(shù)據(jù)生成的海拔及坡向分布圖與影像疊加并設(shè)置一定的透明度，對(duì)同一森林類型根據(jù)不同海拔及坡向的影像光譜特征進(jìn)行取樣，建立分別位于不同海拔及坡向的針葉林、闊葉林以及針闊混交林的分類訓(xùn)練樣本。最后，分別依據(jù)隨機(jī)建立的森林類型訓(xùn)練樣本，位于不同海拔的森林類型訓(xùn)練樣本、不同坡向的森林類型訓(xùn)練樣本以及不同海拔及坡向的森林類型訓(xùn)練樣本進(jìn)行分類以識(shí)別不同的森林類型，以總體精度和Kappa 系數(shù)作為評(píng)價(jià)指標(biāo)對(duì)各分類結(jié)果的精度進(jìn)行評(píng)價(jià)。

2 結(jié)果與分析

2.1 GLAS 腳印點(diǎn)提取植被高度校正結(jié)果

按照不同的坡度級(jí)別，依據(jù)調(diào)查GLAS 腳印得到的實(shí)測(cè)植被高度利用LM 通用全局優(yōu)化算法對(duì)方程（5）進(jìn)行參數(shù)擬合，得到各坡度等級(jí)的平移系數(shù)a和b的最佳估計(jì)值分別為：0°～5°，a=1.15，b=2.91；5°～15°，a=0.58，b=1.13；15°～25°，a=0.62，b=0.60；25°～35°，a=0.38，b=0.52；35°～58°，a=0.29，b=0.51?；贕oogle Earth高分辨率影像隨機(jī)選取51 個(gè)位于森林的GLAS 腳印點(diǎn)（其中6 個(gè)腳印點(diǎn)位于0°～5°，14 個(gè)腳印點(diǎn)位于5°～15°，11個(gè)腳印點(diǎn)位于15°～25°，14 個(gè)腳印點(diǎn)位于25°～35°，6 個(gè)腳印點(diǎn)位于35°～58°），依據(jù)擬合的平移系數(shù)計(jì)算GLAS 數(shù)據(jù)提取的森林冠層高度HGLAS。以研究區(qū)2018年更新的森林資源清查數(shù)據(jù)作為獨(dú)立驗(yàn)證數(shù)據(jù)，將10年間高度增加值從其記錄的森林冠層高度中減去并分別與地形校正前直接從GLAS 數(shù)據(jù)中提取的波形寬度Wext以及地形校正后GLAS 數(shù)據(jù)提取的冠層高度HGLAS進(jìn)行比較，得到各坡度等級(jí)地形校正前后的相關(guān)系數(shù)（R2）和均方根誤差（root mean square error，RMSE）（表2）。

表2 不同坡度等級(jí)地形校正前后GLAS 提取植被高度的精度比較Table 2 Accuracy comparison of GLAS derived canopy heights before and after topographic correction in different slope gradient classes

地形校正前，隨著坡度的增加，GLAS 數(shù)據(jù)提取樹木高度的RMSE 從2.83 m 增加到12.59 m。而地形校正后，不同坡度等級(jí)GLAS 數(shù)據(jù)提取樹木高度的RMSE 穩(wěn)定在1.84～3.91 m，在很大程度上消除了地形坡度對(duì)GLAS 波形的影響，從而使得從GLAS 數(shù)據(jù)中所提取的地物高度可用于下一步的分類研究。

2.2 森林范圍識(shí)別結(jié)果

按照光譜特征對(duì)GLAS 腳印點(diǎn)中被分類為平坦地面的道路、裸地和水域進(jìn)行進(jìn)一步區(qū)分，3 種地物在各波段光譜特征趨勢(shì)均具有明顯差異（圖2），因此結(jié)合光譜特征對(duì)其進(jìn)行分類，并將道路與建筑物樣本合并為建設(shè)用地分類依據(jù)。

圖2 道路、裸地以及水域的平均光譜曲線Fig.2 Average spectral curves of road，bare land and water

可知，OLI 影像上草地和農(nóng)田在紅波段（Band4）和近紅外波段（Band5）表現(xiàn)出明顯的植被光譜響應(yīng)“峰谷”特征，且峰值有一定差異（圖3），另外，本研究還參照冬季的Google Earth 高清影像，依據(jù)項(xiàng)目區(qū)耕作特點(diǎn)，對(duì)草地和農(nóng)田的分類進(jìn)行輔助。

圖3 草地和農(nóng)田的平均光譜曲線Fig.3 Average spectral curves of grassland and farmland

由于GLAS 腳印點(diǎn)內(nèi)可能存在不止一類土地覆被類型（如混合有建筑物、農(nóng)田及樹木的腳?。虼酥挥心_印內(nèi)某地類覆蓋其足跡面積50%以上才被視為該地類。按照OLI 影像常用于植被識(shí)別的波段組合參與運(yùn)算，采用目前已被證實(shí)分類精度較好的基于支持向量機(jī)的監(jiān)督分類方法分別依據(jù)光譜特征以及光譜和垂直結(jié)構(gòu)綜合特征對(duì)研究區(qū)進(jìn)行分類?；趯?shí)地調(diào)查數(shù)據(jù)以及森林資源清查數(shù)據(jù)，通過分層隨機(jī)抽樣生成在空間上均勻分布的389 個(gè)驗(yàn)證樣本（共3627 個(gè)像元），分別對(duì)分類結(jié)果進(jìn)行精度驗(yàn)證（表3）。

表3 不同波段組合及分類方法基于不同特征的分類結(jié)果對(duì)比Table 3 Comparison of classification results based on different features of different band combination and classification methods

可以看出，不同的光學(xué)波段組合運(yùn)算對(duì)分類精度并無影響。同時(shí)，相比僅依據(jù)光譜特征進(jìn)行分類，加入垂直結(jié)構(gòu)特征后，分類精度明顯提升，總體分類精度提高了10.67%（表3）。為了進(jìn)一步明確GLAS 垂直結(jié)構(gòu)特征對(duì)各地類分類精度的影響，本研究以NIR、Red、Green 波段組合為例比較了基于光譜特征和基于光譜與垂直結(jié)構(gòu)綜合特征分類的不同地類的分類精度（表4）。

由表4可知：1）加入垂直結(jié)構(gòu)信息后，森林、灌木及草地的分類精度明顯提升，漏分誤差（omission error）分別減少了3.38%，24.82%以及31.05%，錯(cuò)分誤差（commission error）分別減少了21.47%，14.48%以及5.30%。說明垂直結(jié)構(gòu)信息對(duì)光譜特征相似但垂直結(jié)構(gòu)不同的植被的區(qū)分具有明顯的協(xié)助作用。2）建設(shè)用地以及水域的制圖精度和用戶精度均有所提升。這主要是因?yàn)檠芯繀^(qū)建設(shè)用地面積通常較小，僅依靠光譜信息分類時(shí)，容易與周邊地類光譜信息混淆，而GLAS 腳印點(diǎn)垂直結(jié)構(gòu)信息的加入增加了建設(shè)用地的位置精度，從而提高了分類精度。垂直結(jié)構(gòu)信息的加入同時(shí)消除了由于光線反射或地形陰影造成的水域的錯(cuò)分和漏分現(xiàn)象。3）加入垂直結(jié)構(gòu)信息后，裸地的用戶及制圖精度均略有降低，這可能是因?yàn)轫?xiàng)目區(qū)的裸地多為礫石地面，同時(shí)山地地形的復(fù)雜性也增加了GLAS 數(shù)據(jù)波形的復(fù)雜度，因此加入垂直結(jié)構(gòu)信息后反而使分類精度略有降低。

表4 依據(jù)不同分類特征的各土地類型分類精度比較Table 4 Comparison of classification accuracy of different land types based on different classification characteristics

為了進(jìn)一步驗(yàn)證方法的應(yīng)用精度，在研究區(qū)選擇面積為3671.14 km2試驗(yàn)區(qū)（占總面積的29%），將基于光譜與垂直結(jié)構(gòu)綜合特征分類的面積統(tǒng)計(jì)結(jié)果與研究區(qū)2018年度地理國(guó)情及影像解譯面積統(tǒng)計(jì)結(jié)果進(jìn)行對(duì)比。

從表5可以看出，基于光譜與垂直結(jié)構(gòu)綜合特征分類結(jié)果中各地類所占總面積比重與調(diào)查及解譯結(jié)果各地類比重基本一致，7 種土地覆被類型面積平均相對(duì)精度為92.09%（表5），說明將Landsat OLI 影像的光譜特征以及經(jīng)地形校正后的GLAS 數(shù)據(jù)的垂直結(jié)構(gòu)特征相結(jié)合用于山區(qū)土地分類能夠提高山區(qū)森林范圍識(shí)別的精度。

表5 各地類分類面積統(tǒng)計(jì)與對(duì)比Table 5 Area statistics and comparative analysis of different classified land types

2.3 森林類型識(shí)別結(jié)果

依次根據(jù)不同森林類型的隨機(jī)樣本，加入海拔信息特征樣本、坡向信息特征樣本和海拔及坡向信息特征樣本分別對(duì)所提取的森林按照針葉林、闊葉林及針闊混交林進(jìn)行森林類型分類。采用基于支持向量機(jī)的監(jiān)督分類方法以NIR、Red、Green 波段組合參與運(yùn)算，保持每次分類的訓(xùn)練樣本數(shù)量一致。

根據(jù)不同森林類型的面積比例，基于外業(yè)調(diào)查數(shù)據(jù)及森林資源清查數(shù)據(jù)，選取在不同海拔級(jí)別（1770～2770 m、2770～3770 m 和3770～4770 m）以及坡向（陰坡、陽坡、半陰坡和半陽坡）上均勻分布的305 個(gè)樣本點(diǎn)（共2594個(gè)像元）對(duì)各分類結(jié)果進(jìn)行驗(yàn)證。由于研究區(qū)內(nèi)3770～4770 m 海拔上僅分布少量的針葉林，而4770～5740 m 海拔沒有森林分布，因此僅對(duì)1770～2770 m 和2770～3770 m 海拔上的森林類型分類精度進(jìn)行了驗(yàn)證（表6）。

可以看出，地形信息的加入能夠顯著提升森林類型分類精度，而相比海拔信息，坡向信息的加入對(duì)提升分類精度效果更為顯著（表6）。這主要是因?yàn)榈匦涡畔⒌募尤肽軌虮M量全面的考慮到不同地形特征上各森林類型的不同光譜特征，且山體掩映造成的“同物異譜”以及“同譜異物”現(xiàn)象主要由光照區(qū)和陰影區(qū)造成。另外，雖然森林類型的空間分布格局在區(qū)域尺度上主要受到海拔以及緯度的影響，但森林類型分布格局在局部尺度上主要受到諸如微氣候、光以及可獲取水分等因素的影響，而在受水分條件限制的半干旱和干旱地區(qū)森林類型分布受這些因素的影響尤為顯著。因此，就本研究區(qū)域而言，加入坡向信息比海拔信息更能夠提高森林類型的分類精度。

表6 地形信息對(duì)森林類型分類精度的影響比較Table 6 Comparative analysis of the effect of terrain information on the accuracy of forest types classification

坡向信息加入后對(duì)各坡向森林類型分類精度的提升作用由高到低依次為半陰坡（21.76%）、陰坡（17.78%）、半陽坡（12.67%）以及陽坡（9.52%）。當(dāng)同時(shí)加入坡向和海拔信息時(shí)，分類精度比單獨(dú)使用海拔或坡向信息時(shí)均有提升，但并不是兩者提升精度的線性加和，這表明海拔和坡向從不同的空間角度上提高了分類精度，同時(shí)二者提供的信息可能存在重疊。本研究進(jìn)一步對(duì)不同的森林類型分類精度進(jìn)行了對(duì)比，當(dāng)依據(jù)海拔及坡向特征分類時(shí)，針葉林的相對(duì)精度最高，主要因?yàn)槠浯嬖诖竺娣e純林，相對(duì)最容易提取，而混交林由于其通常以小片面積分布于山地陰影地區(qū)的闊葉林及針葉林過渡地帶，所以受地形因素影響較大，相對(duì)分類精度最低。將以上兩層次的最優(yōu)精度分類結(jié)果合并，得到研究區(qū)森林信息及土地覆被（圖4）。

圖4 研究區(qū)森林類型及土地覆被分布Fig.4 Forest types and land cover distribution of study area

3 討論

本研究綜合利用多源遙感數(shù)據(jù)提供的垂直結(jié)構(gòu)信息、光譜信息、季相和地形信息探索山地森林識(shí)別精度提升方法，研究的不確定性主要來自以下幾個(gè)方面：

由于本研究獲取的星載激光雷達(dá)GLAS 數(shù)據(jù)的采樣時(shí)間與其他數(shù)據(jù)（樣地調(diào)查、遙感影像和森林資源清查數(shù)據(jù)）的采樣時(shí)間有約10年的差距，因此，在利用樣地調(diào)查數(shù)據(jù)擬合地形校正模型的平移系數(shù)時(shí)，首先將10年間的樹高增加值從實(shí)測(cè)的喬木樹高中減去，以避免造成GLAS 數(shù)據(jù)提取的除喬木外其他植被（灌木、草地、農(nóng)田）高度的誤差。雖然區(qū)內(nèi)中齡林及近熟林占總林分的97%以上，但這一方法仍會(huì)對(duì)部分幼齡林的識(shí)別產(chǎn)生較大影響，給森林范圍的識(shí)別帶來不確定性。另外，在利用GLAS 數(shù)據(jù)分類之前，為避免10年間新增的植樹造林地區(qū)、林木砍伐地區(qū)、火燒跡地以及道路及房屋建設(shè)或拆遷區(qū)域的GLAS 腳印點(diǎn)影響分類，對(duì)這一部分的腳印點(diǎn)進(jìn)行剔除，這使得能夠用于分類訓(xùn)練樣本的GLAS 腳印點(diǎn)減少，也是影響整體分類精度的一個(gè)重要因素。

為了便于量化地形坡度對(duì)GLAS 波形產(chǎn)生的影響，本研究選擇僅來自3 號(hào)激光器的GLAS 數(shù)據(jù)以統(tǒng)一腳印大小。為獲取盡可能多的數(shù)據(jù)以用于分類，導(dǎo)致所獲GLAS 數(shù)據(jù)的季節(jié)性差異較大（數(shù)據(jù)采樣時(shí)間為2-6月和10-11月）。由于葉片是激光能量作用的主要介質(zhì)，冬季落葉以及冠層積雪可能引起植被高度估計(jì)的誤差［39］，從而降低分類精度。另外，為避免云覆蓋對(duì)土地覆被分類的影響，所下載Landsat OLI 影像的季相差異也會(huì)降低不同森林類型的識(shí)別精度。

作為第一顆大腳印星載激光雷達(dá)數(shù)據(jù)，GLAS 數(shù)據(jù)在本研究中的腳印點(diǎn)被認(rèn)為近似圓形且直徑為55 m，其內(nèi)存在不止一類土地覆被類型的腳印點(diǎn)，往往將其識(shí)別為腳印點(diǎn)中的主要土地覆被類型。由此造成的混合像元問題也成為影響分類精度的重要原因之一。

2018年9月，NASA 成功發(fā)射了延續(xù)早先的ICESat 任務(wù)工作的ICESat-2，其上搭載的先進(jìn)地形激光測(cè)高儀系統(tǒng)（advanced topographic laser altimeter system，ATLAS）相比GLAS 具有不同的傳感器規(guī)格以及不同的采樣模式，激光雷達(dá)采樣強(qiáng)度和空間分辨率均大大提高，對(duì)植被結(jié)構(gòu)的監(jiān)測(cè)更加精確［40］。其提供的ATL08 產(chǎn)品，已于2019年春季開始陸續(xù)向公眾提供2018年10月至今的全球陸地與植被高度數(shù)據(jù)［40］。雖然本次研究在制定外業(yè)調(diào)查方案時(shí)未能獲取到該產(chǎn)品，但在未來的研究中，將利用ATL08 更加密集的采樣點(diǎn)與更精確的植被測(cè)高數(shù)據(jù)，與遙感圖像光譜信息以及紋理信息相結(jié)合，進(jìn)一步提升山地森林類型乃至樹種的識(shí)別精度。

4 結(jié)論

本研究以祁連山國(guó)家公園肅南縣段為例，綜合利用GLAS 星載激光雷達(dá)數(shù)據(jù)、Landsat OLI 影像、Google Earth 高分辨率影像、DEM 數(shù)據(jù)以及樣地調(diào)查數(shù)據(jù)對(duì)山地森林信息進(jìn)行分層次提取，比較了加入垂直結(jié)構(gòu)特征、季相特征和地形特征后對(duì)山地森林范圍及類型識(shí)別精度的提升作用，結(jié)果表明：1）相比僅依據(jù)光譜特征進(jìn)行分類，依據(jù)光譜及垂直結(jié)構(gòu)綜合特征分類時(shí)具有相似光譜特征但不同垂直結(jié)構(gòu)的地物分類精度明顯提升，森林范圍的識(shí)別精度提高。說明GLAS 數(shù)據(jù)提供的垂直結(jié)構(gòu)信息的加入能夠增強(qiáng)不同類別之間的可分性，使土地類型分類及森林范圍識(shí)別更為有效。2）地形信息的加入能夠顯著提升森林類型識(shí)別精度，而相比海拔信息，坡向信息對(duì)提升分類精度效果更為顯著。3）多源多時(shí)相遙感影像提供的季相特征能夠?qū)Σ煌诸愋偷淖R(shí)別提供幫助，而不同波段組合雖然對(duì)地物增強(qiáng)的效果不同，但其對(duì)分類精度幾乎沒有影響。

另外，雖然GLAS 數(shù)據(jù)提供的垂直結(jié)構(gòu)信息與光譜信息結(jié)合能夠提高山區(qū)復(fù)雜地形條件下中等空間分辨率遙感影像森林范圍識(shí)別的精度，但由于GLAS 數(shù)據(jù)對(duì)地形較為敏感，在坡度大于10°的情況下，波形失真會(huì)導(dǎo)致地物高度的估計(jì)精度降低，因此在山區(qū)應(yīng)用GLAS 數(shù)據(jù)時(shí)，必須首先對(duì)其進(jìn)行校正以消除地形對(duì)波形產(chǎn)生的影響。同時(shí)，由于GLAS 數(shù)據(jù)能夠提供2003-2009年間的地球表面測(cè)高數(shù)據(jù)，因此其對(duì)歷史影像的分類精度也具有較好的提升作用，能夠?yàn)榉治錾肿兓闆r以及制定自然資源管理政策提供依據(jù)。