ICESat-2/ATLAS數據地面高程及植被冠層高度反演精度驗證

張叢凱 于穎

摘 要：為驗證新一代冰、云和陸地高程衛星ICESat-2/ATLAS陸地與植被高程產品（Land and Vegetation Height）ATL08數據地面高程和植被冠層高度的反演精度，以ICESat-2/ATLAS ATL08產品為研究對象，以黑龍江省帽兒山國家森林公園為研究區域，以高精度機載激光雷達數據及樣地實測數據為參考，分析不同波束強度、時間、坡度及植被覆蓋度下地面高程和植被冠層高度反演精度差異。研究表明，1）對地面高程來說，ATL08強波束的反演精度均方根誤差（RMSE）為1.9 m，平均絕對誤差（MAE）為1.1 m，弱波束的精度RMSE為4.1 m，MAE為2.0 m；2）對植被冠層高度來說，以高精度機載激光雷達數據提取冠層高度為參考，強波束的反演精度RMSE為2.7 m，MAE為2.3 m，弱波束RMSE為5.4 m，MAE為3.7 m。以樣地實測樹高數據為參考，夜間所有波束精度RMSE為1.8 m，MAE為1.6 m；3）隨著坡度從0°增加到20°以上，地面高程反演精度的RMSE從2.3 m增大到7.7 m，植被冠高反演的RMSE從3.8 m增大到10.4 m；4）中低植被覆蓋度范圍（0%～80%）內，ATL08產品能較好地測量出地面高程，RMSE均小于1 m。高植被覆蓋度（80%～100%）區域反演精度RMSE為3.5 m。在中等植被覆蓋范圍（40%～80%）內，ATL08產品能較為準確地測量出植被冠層高度，RMSE為2.6 m。植被覆蓋度過高（80%～100%）或者過低（0%～40%），其精度都會下降，RMSE為4.6 m和3.3 m。ATL08數據反演地面高程和植被冠層高度的精度強波束優于弱波束，夜晚波束優于白天波束，夜晚強波束精度最高。隨著坡度的增加，不同波束的地面高程和植被冠高反演誤差均逐漸增大，坡度越大誤差越大。地面高程反演在中低植被覆蓋度情況下較為準確，植被冠層高度反演精度在中等植被覆蓋度情況下達到最高。

關鍵詞：ICESat-2；ATL08；地面高程；植被冠層高度；精度驗證

中圖分類號：S771.8 文獻標識碼：A 文章編號：1006-8023（2023）03-0001-11

Abstract：To verify the inversion accuracy of ground elevation and vegetation canopy height based on Land and Vegetation Height from ATL08 data of ICESat-2 /ATLAS， a new generation of Ice， Cloud and Land Elevation satellite， in this study， the ICESat-2/ATLAS ATL08 product was taken as the research object， Maoer Mountain National Forest Park in Harbin City， Heilongjiang Province， China was taken as the research area， and high-precision airborne lidar data and sample data were taken as references to analyze the inversion accuracy differences of ground elevation and vegetation canopy height under different beam strength， time， slope and vegetation coverage. The results showed that： （1） for the ground elevation， the inversion accuracy RMSE and MAE of ATL08 strong beam were 1.9 m and 1.1 m， and the accuracy RMSE and MAE of weak beam were 4.1 m and 2.0 m. （2） For the vegetation canopy height， with the canopy height extracted from high-precision airborne Lidar data as a reference， the inversion accuracy of strong beam RMSE was 2.7 m， MAE was 2.3 m， weak beam RMSE was 5.4 m， MAE was 3.7 m. With the measured tree height data of the sample site as reference， the RMSE and MAE of all beams at night were 1.8 m and 1.6 m. （3） With the slope increasing from 0° to more than 20°， the RMSE of ground elevation increased from 2.3 m to 7.7 m， and the RMSE of vegetation canopy height inversion increased from 3.8 m to 10.4 m. （4） Within the range of medium and low vegetation coverage （0%-80%）， ATL08 product can measure the ground elevation well， and the RMSE was all less than 1 m. The inversion accuracy RMSE for high vegetation coverage （80%-100%） area was 3.5 m. Within the range of medium vegetation coverage （40%-80%）， ATL08 product can accurately measure the height of vegetation canopy with RMSE of 2.6 m. If the vegetation coverage was too high （80%-100%） or too low （0%-40%）， its accuracy would decrease， with RMSE of 4.6 m and 3.3 m. ATL08 data inversion of ground elevation and vegetation canopy height showed that the accuracy of strong beam was better than weak beam， night beam was better than daytime beam， and the night strong beam accuracy was the highest. With the increase of slope， the inversion errors of ground elevation and vegetation canopy height of different beams gradually increased， and the error increased with the increase of slope. The inversion of ground elevation was more accurate in the case of medium and low vegetation coverage， and the inversion accuracy of vegetation canopy height reached the highest in the case of medium vegetation coverage.

Keywords：ICESat-2; ATL08; ground elevation; vegetation canopy height； accuracy verification

基金項目：國家自然基金面上項目（31870621，31971580）；中央高校基本科研業務費專項資金項目（2572021BA08）

第一作者簡介：張叢凱，碩士研究生。研究方向為林業遙感。E-mail：zckai1618@qq.com

*通信作者：于穎，博士，教授。研究方向為林業遙感。E-mail：yuying4458@163.com

0 引言

森林生態系統是陸地上最重要的生態系統，也是生物圈的重要組成部分，在緩解全球氣候變暖中發揮了十分重要的作用[1-2]。但由于人類的過度開采，森林遭到嚴重的破壞，環境日益惡化，人們才逐漸意識到其重要性，開始重視和保護森林資源。林下地形測量同樣十分重要，是各種后期森林制圖及繪制大尺度數字地面模型 （Digital Terrain Model， DTM）的基礎。而傳統的相關數據獲取方式主要以外業為主，費時費力且調查面積較小，不適合大范圍的測量。隨著激光雷達技術的發展，人們擁有了更方便的手段來獲取森林參數。激光雷達是一種主動式的探測技術，對植被和地面有較強的探測能力，尤其是對植被冠層高度的探測，相較于其他類型的遙感數據具有獨特的優勢[3-5]，尤其是搭載于衛星平臺的激光雷達，可以迅速、大面積地獲取森林參數[6-8]。

NASA于2003年1月12日成功發射了冰、云和陸地高程衛星（ICESat-1），其上搭載的地球科學激光測高系統（Geoscience Laser Altimeter System， GLAS）是第一個專門用于對地球觀測的激光雷達系統[9]。其在軌運行期間收集了大量數據，為反演森林相關參數提供了寶貴的依據[10-11]。2018年9月15日NASA又成功發射新一代冰、云和陸地高程衛星（ICESat-2）。ICESat-2搭載了與GLAS不同類型的先進地面激光測高系統（Advanced Topographic Laser Altimeter System，ATLAS），采用了微脈沖多波束光子計數激光雷達技術，這是該技術首次運用于星載平臺[12-13]，可獲取空間分辨率和定位精度更高的產品[14]。

現階段ICESat-2的相關研究仍處于早期階段，所用試驗數據大都為早期版本甚至模擬數據。夏少波等[15]利用ICESat-2機載模擬數據MABEL估算美國加利福尼亞州的云杉平均樹高，算法整體精度達97.6%。Neuenschwander等[16]使用芬蘭地區的機載激光雷達為參考值，得出植被冠層高度和地面高程的均方根誤差（RMSE）分別為3.69 m和0.85 m。Neuenschwander等[17]利用2008—2019年采集的芬蘭南部的機載激光掃描 （Airborne Laser Scanning，ALS）數據，對ICESat-2的地面高程和植被冠層高度精度進行了綜合評估。結果表明在北方地區，地面高程的RMSE值為0.73 m，使用夏季夜間強波束數據時，平均低估冠層高度0.56 m，RMSE%值為13.75%。董佳臣等[18]在溫帶森林和熱帶雨林2種不同條件下進行研究，結果表明ATL08數據產品提供的平均植被冠層高度和最大植被冠層高度與參考數據的決定系數（R2）在溫帶森林情況下分別為0.54和0.61；在熱帶雨林情況下的R2分別為0.21和0.19。Wang等[19]在美國阿拉斯加地區測得ICESat-2數據反演的地面高程與機載激光雷達反演的地面高程的總體平均差和RMSE值分別為-0.61 m和1.96 m。黃家鵬等[20]研究了ICESat-2/ATLAS不同波束數據反演林下地面高程的精度。結果表明強波束反演林下地面高程的精度為R2=1，RMSE=0.74 m，弱波束反演林下地面高程的精度為R2=1，RMSE=0.76 m，并發現隨著植被冠層高度及植被覆蓋度的不斷增大，強弱波束數據誤差均逐漸增大。Malambo等[21]在美國評估了ATL08產品的精度，結果顯示ATL08與機載激光雷達地面高度一致性較高（Bias為0.18 m，pBias為0.1%），而植被冠層高度的一致性較低（Bias（平均偏差）為1.71 m，pBias（百分比偏差）為15.9%）。Liu等[22]利用機載雷達數據評價了美國多個地區ICESat-2地面高程及植被冠層高度值的準確性，得出在地面高程方面，中低緯度地區ICESat-2的RMSE為2.24 m，高緯度地區為0.98 m。植被冠層高度方面，只使用夜間強波束數據精度更高，和使用所有波束相比總體RMSE從7.21 m減少到3.93 m。

這些研究的試驗區域大都位于歐洲及北美洲，研究區域內森林類型多為針葉林，并且用于驗證的機載激光雷達數據的獲取時間及精度也各不相同。且所用試驗數據大都為早期版本甚至模擬數據，初期點云去噪分類方法不成熟，誤差較大，難以充分說明ICESat-2對于地面高程及植被冠層高度的反演能力。本研究以最新發布的ICESat-2/ATLAS ATL08 v005版數據為研究對象，在黑龍江省帽兒山國家森林公園選擇針闊葉混交林森林類型為研究對象，對比不同時間下強弱波束反演地面高程和植被冠層高度的精度，并探究坡度及植被覆蓋度對于反演精度的影響。

1 研究材料

1.1 研究區域

研究區域位于黑龍江省帽兒山國家森林公園（127°29′～127°44′E，45°14′～45°29′N）。屬于低山丘陵區，大部分地區坡度在5°～25°，平均海拔300 m，屬長白山系張廣才嶺西坡。該地區為溫帶濕潤地區，屬大陸性季風氣候。研究區域植被屬長白植物區系，是典型的東北東部山區天然次生林區。目前主要植被類型是溫帶針闊葉混交林。主要樹種有白樺（Betula platyphylla）、水曲柳（Fraxinus mandshurica）、榆樹（Ulmus pumila）、落葉松（Larix gmelinii）、樟子松（Pinus sylvestries var. mongolica）、紅松（Pinus koraiensis）、蒙古櫟（Quercus mongolica）和胡桃楸（Juglans mandshurica）等。

1.2 研究數據

1.2.1 ICESat-2數據

ICESat-2攜帶的ATLAS通過偏轉儀器將激光束分成3對光束。每對光束擁有一個強光束和一個弱光束，其能量比約為4∶1。ATLAS以10 kHz的頻率產生重疊的足跡，沿軌采樣間隔約0.7 m，足跡大小約12 m，如圖1所示。相較于ICESat-1的170 m沿軌采樣間隔和70 m的光斑直徑，ICESat-2 可以生成更多的光斑，對地面擁有更大的覆蓋，以獲取精度更高的產品[23]。ICESat-2的各項技術指標參數見表1。

ICESat-2/ATLAS包含21種數據產品，分別命名為 ATL00至ATL21，包含0級、1級、2級、3A級和3B級共5級產品。ATL00為0級產品，提供原始遙測數據；ATL01和ATL02為1級產品，提供經過格式轉換后的相關數據；ATL03和ATL04是2級產品，分別提供全球定位光子和大氣后向散射數據; 3級產品則提供包括陸地冰、海冰、陸地植被、大氣、海洋和內陸水的特定數據。

其中，ATL03產品為全球地理定位光子數據（Global Geolocated Photon Data），提供每個光子的時間、緯度、經度和橢球高度，是生成更高級產品的基礎數據。ICESat-2任務專門為森林區域的地表提供了產品（ATL08），包括地面和植被冠層高度的沿軌高程剖面圖[24]。

ATL08產品是利用NASA官方提供的去噪及分類算法對 ATL03數據進行處理，將ATL03的光子點云劃分為冠層頂部光子、植被光子、地面光子和噪聲光子，并統計每100 m單元格內的陸地和植被參數。圖2展示了ICESat-2 ATL08產品的形狀，該產品由3組地面軌道組成，每組2條，總計6條軌道。組內每條軌道之間的距離為90 m，每組之間的距離為3 km。ATL08產品中陸地參數包括在每100 m統計單元內的最小、平均和最大地面高程等；冠層參數包括在每100 m統計單元內的最小、平均、最大植被冠層高度和百分位植被冠層高度（10%～95%）等。ATL08產品中的光子分類信息可通過索引與ATL03產品相關聯。

NASA現已公開發布19種ICESat-2/ATLAS數據，均可從美國冰雪數據中心（National Snow and Ice Data Center， NSIDC）免費下載，網址為（https：//nsidc.org/data/icesat-2/data-sets）。本研究使用ATL08產品及其對應的ATL03產品開展地面高程及植被冠層高度的精度驗證，收集了該地區2019年3月和2020年1月的數據。數據版本為2021年11月發布的ICESat-2/ATLAS v005版最新版本數據。

1.2.2 機載激光雷達數據

本研究選擇的機載激光雷達數據獲取于2016年9月，由于研究區域森林多屬成熟林，植被冠層高度短時間內不會發生太大變化，且林下地面高程不會隨時間發生變化，因此該數據檢驗精度結果可靠。激光雷達傳感器為Riegl LMS-Q680i，波長1 550 nm，激光雷達重頻200 kHz，單條帶點密度約為2點/m2，最大點云密度超過10點/m2，平均密度5點/m2。以1 m的空間分辨率測量出地面高程及植被冠層高度。坐標系為UTM投影坐標系，高程基準為WGS84基準面。

1.2.3 Landsat數據

為探究植被覆蓋度對ICESat-2/ATLAS測高精度的影響，本研究使用Landsat 8數據提取研究區內植被覆蓋度。Landsat 8是美國陸地衛星計劃（Landsat）發射的第8顆衛星，于2013年2月11號成功發射。其攜帶的陸地成像儀（Operational Land Imager，OLI）和熱紅外傳感器（Thermal Infrared Sensor，TIRS）可以獲取多種數據。其數據的空間分辨率為30 m。本研究根據所使用的ICESat-2數據時間、云量，選擇2019年9月24日的Landsat 8數據，其云量為0.57%。

1.2.4 樣地實測數據

為進一步確認ICESat-2/ATLAS數據對于冠層高度提取的準確性，2021年7月在研究區域以ATLAS光斑點中心為樣地中心，設置14塊圓形樣地（半徑6 m）。利用RTK放樣，選擇固定解確定樣地位置，測量樣地范圍內的胸徑和樹高。

2 研究方法

2.1 ICESat-2數據處理

從NSIDC官網下載所需的ICESat-2數據，ATL08數據產品以HDF5文件格式存儲，以固定的100 m距離記錄信息。根據帽兒山國家森林公園機載激光雷達數據范圍對ATL08數據進行裁切，使其落在研究區域內，提取地面平均高度作為單元格內平均高程。由于ICESat-2數據類型為點云，冠層頂部信噪比不確定，本研究使用98%分位數植被高度數據（即RH98）來測量植被冠層高度，而不是冠層光子最大值。

2.2 機載數據處理

對機載激光雷達數據進行去噪并使用多級移動曲面算法分離地面點與非地面點[25-26]；然后利用反距離加權插值方法生成數字高程模型（Digital Elevation Model，DEM）和數字表面模型（Digital Surface Model，DSM），通過柵格減法歸一化處理后得到冠層高度模型 （Canopy Height Model，CHM）。同時對生成的DEM數據進行坡度分析，為后續探究坡度對ATL08數據反演精度影響提供基礎數據。

使用ATL08數據在試驗區域內軌跡的第一段和最后一段的中心點位置來計算生成緩沖區所需的斜率，在這些段的中心周圍生成一個100 m × 12 m的矩形緩沖區。利用得到的DEM產品，計算緩沖區內的平均地形高度和坡度。將數據按坡度低（≤10°）、中（＞10°～20°）、高（≥20°）來進行分類。對于每個ICESat-2緩沖區，利用獲得的CHM產品提取其中所有CHM植被冠層高度值，對值進行排序，計算其第98百分位數（RH98）。為了對高程數據進行一致性分析，高度必須參考相同的垂直基準，ATL08數據與機載激光雷達數據垂直基準均為WGS84橢球，無須轉換。

2.3 Landsat數據處理

帽兒山國家森林公園地區Landsat 8數據經過輻射定標和大氣校正并重采樣為10 m分辨率，計算出歸一化植被指數（Normalized Difference Vegetation Index，NDVI），利用像元二分法[27]提取出植被覆蓋度（Fractional Vegetation Cover，FVC）。把植被覆蓋度分為低、中、高3個范圍，即≤40%、＞40%～80%、≥80%來進行分類，以探究植被覆蓋度對ATL08數據反演精度的影響。

2.4 精度驗證

利用參考高度數據和對應的ATL08高度數據進行精度評估。由于強波束與弱波束穿透森林冠層能力不同，且不同時間波束也會影響精度，因此把所有波束分為白天強波束、夜晚強波束、白天弱波束、夜晚弱波束進行分組試驗。統計的內容包含平均偏差（Bias，式中用Bias表示）、平均絕對誤差（MAE，式中用MAE表示）、決定系數（R2）和均方根誤差（RMSE，式中用RMSE表示）。計算公式如下。

3 結果分析

3.1 地面高程驗證結果

將ATL08產品得出的地面高程值與機載激光雷達數據的參考值進行比較。統計研究區域強波束與弱波束在白天與夜晚不同情況下ATL08數據反演林下地面高程的精度，見表2，散點圖如圖3所示。

研究區域強波束數據的地面高程RMSE為1.9 m，MAE為1.1 m，弱波束RMSE為4.1 m，MAE為2.0 m。在不同時間的分組試驗中，白天強波束所測地面高程RMSE為3.0 m，MAE為1.9 m；夜間強光束所測地面高程RMSE為1.3 m，MAE為0.8 m；白天弱波束所測地面高程RMSE為8.2 m，MAE為5.8 m；夜晚弱波束所測地面高程RMSE為1.3 m， MAE為0.8 m。

強波束的精度（RMSE=1.9 m，MAE=1.1 m）顯著高于弱波束（RMSE=4.1 m，MAE=2.0 m）。因為強波束的能量是弱波束的4倍，穿透植被能力更強，更多的光子可以到達地面，能更加精準地刻畫林下地形。相同強度的波束，夜晚的精度都高于白天。原因是白天大量的太陽背景噪聲對去噪過程造成不利影響，進而影響后續分類結果的準確性。

3.2 植被冠層高度驗證結果

將ATL08產品得出的植被冠層高度值與機載激光雷達數據提取冠高的數據進行比較，統計研究區域強波束與弱波束、白天與夜晚不同類型下ATL08數據反演出植被冠層高度的精度，見表3，散點圖如圖4所示。

研究區域強波束數據的植被冠層高度RMSE為2.7 m，MAE為2.3 m，弱波束RMSE為5.4 m，MAE為3.7 m。在不同時間的分組試驗中，白天強波束所測植被冠層高度RMSE為4.2 m，MAE為3.3 m；夜間強光束所測植被冠層高度RMSE為2.0 m，MAE為2.0 m；白天弱波束所測植被冠層高度RMSE為7.0 m，MAE為7.8 m；夜晚弱波束所測植被冠層高度RMSE為2.8 m，MAE為2.0 m。

與反演地面高程的情況相同，強波束的精度（RMSE=2.7 m，MAE=2.3 m）高于弱波束（RMSE=5.4 m，MAE=3.7 m）。原因同樣是強波束的能量比弱波束的強，穿透植被的能力更強。相同強度的波束，夜晚的精度均高于白天，原因同地面高程一樣。但在白天情況下，弱波束的精度（RMSE=7.0 m，MAE=7.8 m）比較低，不能準確測量植被冠層高度。

采用樣地實測平均樹高數據同步驗證將ATL08光子分類信息關聯ATL03后計算的相對應光斑點內平均冠層高度數據（表4和圖5），RMSE為1.8 m，MAE=1.6 m，精度高于以機載激光雷達為參考的誤差。證明ATLAS測量冠層高度較為準確，但受限于實地調查只能獲取小面積數據，因此只能采用機載激光雷達數據來進行大范圍的驗證。

3.3 坡度對于反演精度的影響

統計不同坡度條件下強、弱波束數據的反演精度。不同坡度條件下2組數據誤差的箱形圖如圖6所示。具體情況見表5和表6。

0°～10°分組反演地面高程精度RMSE為2.3 m，MAE為1.2 m； ＞10°～20°分組RMSE為4.7 m，MAE為2.6 m；20°及以上分組RMSE為7.7 m，MAE為5.0 m。冠層反演精度，0°～10°分組地形反演精度RMSE為3.8 m，MAE為2.5 m；＞10°～20°分組RMSE為5.0 m，MAE為2.9 m；20°及以上分組RMSE為10.4 m，MAE為6.4 m。

隨著坡度的增大，強弱波束測得地面高程和植被冠層高度的RMSE、Bias、MAE均逐漸上升， R2逐漸降低。坡度對于ATL08數據測高精度影響較大，在平緩的地面下，ATL08可以提供較為精確的測高效果，在坡度增大時測高的效果會出現較大的誤差。其原因是坡度的增加，在ATL08數據早期的去噪過程中不能準確地把地面附近的噪聲光子剔除，影響分類結果，進而造成較大的誤差。

3.4 植被覆蓋度對于反演精度的影響

統計了不同植被覆蓋度下強、弱波束數據的反演精度。不同坡度森林覆蓋條件下2組數據誤差的箱形圖如圖7所示。具體情況見表7和表8。

地面反演精度0%～40%分組地形反演精度RMSE為0.6 m，MAE為0.4 m；＞40%～80%分組RMSE為0.9 m，MAE為0.5 m；≥80%～100%分組RMSE為3.5 m，MAE為1.8 m。冠層反演精度，0%～40%分組植被冠層高度反演精度RMSE為3.3 m，MAE為1.8 m；＞40%～80%分組RMSE為2.6 m，MAE為1.6 m；≥80%～100%分組RMSE為4.6 m，MAE為2.8 m。

對于地面高程來說，在中低植被覆蓋度范圍（0%～80%）內，ATL08能較好地測量出地面高程，在植被覆蓋度達到80%后，其精度會出現明顯的下降，出現了較高的RMSE，原因為植被覆蓋密集區域ICESat-2點云不易達到地面，且地面上會長有較多低矮植被，較少光子點落在地面上，不能準確地識別地面導致的測高精度下降。

對植被冠層高度來說，在中等植被覆蓋度范圍（＞40%～80%）內，ATL08能較好測量出植被冠層高度。植被覆蓋度過高（≥80%～100%）或者過低（0%～40%），其精度都會下降。考慮原因為在植被覆蓋度過高區域，ICESat-2點云不易達到地面，不能準確獲取地面信息；植被覆蓋度低的區域植被上到達的點云不足，不能準確測量植被冠層高度，導致誤差增大。

4 討論與結論

4.1 討論

以高精度機載激光雷達數據為參考，ATL08數據對于地面高程的反演較為準確，其中夜間強波束的RMSE最小可達1.3 m。對于植被冠層高度的反演精度，本研究中強波束反演精度的RMSE為2.7 m，夜間強波束最優RMSE為2.0 m。與參考文獻[18]中溫帶森林平均冠高的RMSE 2.55 m接近，低于參考文獻[16]的平均冠高RMSE的3.69 m和參考文獻[22]夜間強波束RMSE的3.93 m，但略微大于參考文獻[17] 夏季冠層高度誤差RMSE的2.5 m。推測原因為參考文獻[17] 研究區域位于寒溫帶的歐洲北部，樹種組成主要是針葉林，而本研究的研究區域位于中國北方的中溫帶，樹種組成是以闊葉林為主的針闊葉混交林。針葉林相比于針闊葉混交林，冠層間的間隔較大，ICESat-2的光子更易穿透樹冠，到達地面，從而刻畫出更精準的林下地形。而闊葉林樹冠密集，到達地面的光子較少，不能充分地刻畫出林下地形，導致植被冠層高度出現誤差。另外，研究中采用的機載激光雷達數據與ATLAS數據存在時間不同步的情況，影響了檢驗的精度。但是采用實測樣地數據檢驗ATLAS提取的冠高，精度高于機載激光雷達數據的驗證結果，RMSE為1.8 m，MAE為1.6 m，說明ATLAS測量冠層高度較為準確，但實測數據獲取困難，難以大范圍驗證。

植被覆蓋度是影響ATL08數據反演精度的重要因素之一。ICESat-2/ATLAS是首個搭載光子計數激光雷達的衛星，不同于大光斑激光雷達，光子點云密度較低，不能對足印范圍內的物體實現完整測量，光子的空間分布與樹木的種類、密集程度有較大關系。樹木本身越茂盛、樹木間的距離越小，光子的分布情況就會更差，不能準確地測量高度。這可以解釋在中低植被覆蓋度（0%～80%）情況下，地面高程反演精度較高，而高植被覆蓋度（≥80%～100%）出現較大誤差的情況。而對于植被冠層高度，在植被稀疏的情況下，光子可能大部分落在地面上而不是植被上，導致不能完整地刻畫冠層，甚至會把冠層周圍的噪聲光子和真正的冠層光子互相混淆導致分類錯誤。使低植被覆蓋度（0%～40%）情況下誤差增大。

坡度同樣影響ATL08的反演精度。ATL08產品是由ATL03產品去噪、分類生成的，去噪、分類的準確與否直接決定著ATL08產品的準確性。而在較高坡度的情況下，目前的分類算法無法準確地識別出地面附近的噪聲光子，常將二者混淆，導致得出的地面高程與實際情況不符，進而導致后續植被冠層高度的計算出現誤差。因此在較高坡度時測高精度會下降。

4.2 結論

以機載激光雷達數據及樣地實測數據為參考，評估了ICESat-2/ATLAS ATL08最新版產品不同波束反演地面高程及植被冠層高度的精度，并探究了不同時間、不同坡度及不同植被覆蓋度對于反演精度的影響。研究結果顯示，ATL08數據反演地面高程及植被冠層高度精度強波束均優于弱波束，夜晚精度均優于白天，夜晚強波束精度最高。強弱波束二者均可以為反演地面高程提供較為準確的依據，但建議不要采用弱波束進行冠層高度估計，其誤差較大。坡度和誤差呈正相關，坡度越大，誤差越大。地面高程反演精度在中低植被覆蓋度情況下較為準確，植被冠層高度反演精度在中等植被覆蓋度情況下達到最高。

【參 考 文 獻】

[1]趙同謙，歐陽志云，鄭華，等.中國森林生態系統服務功能及其價值評價[J].自然資源學報，2004，19（4）：480-491.

ZHAO T Q， OUYANG Z Y， ZHENG H， et al. Forest ecosystem services and their valuation in China[J]. Journal of Natural Resources， 2004， 19（4）： 480-491.

[2]秦建華，姜志林.森林在大氣碳平衡中的作用[J].世界林業研究，1997，10（4）：18-25.

QIN J H， JIANG Z L. The role of forest in atmospheric carbon balance[J]. World Forestry Research， 1997， 10（4）： 18-25.

[3]趙峰，李增元，王韻晟，等.機載激光雷達（LiDAR）數據在森林資源調查中的應用綜述[J].遙感信息，2008，23（1）：106-110，53.

ZHAO F， LI Z Y， WANG Y S， et al. The application of LiDAR data in forest[J]. Remote Sensing Information， 2008， 23（1）： 106-110， 53.

[4]曹林，佘光輝，代勁松，等.激光雷達技術估測森林生物量的研究現狀及展望[J].南京林業大學學報（自然科學版），2013，37（3）：163-169.

CAO L， SHE G H， DAI J S， et al. Status and prospects of the LiDAR-based forest biomass estimation[J]. Journal of Nanjing Forestry University （Natural Sciences Edition）， 2013， 37（3）： 163-169.

[5]穆喜云，張秋良，劉清旺，等.基于機載LiDAR數據的林分平均高及郁閉度反演[J].東北林業大學學報，2015，43（9）：84-89.

MU X Y， ZHANG Q L， LIU Q W， et al. Inversion of forest height and canopy closure using airborne LiDAR data[J]. Journal of Northeast Forestry University， 2015， 43（9）： 84-89.

[6]李增元，劉清旺，龐勇.激光雷達森林參數反演研究進展[J].遙感學報，2016，20（5）：1138-1150.

LI Z Y， LIU Q W， PANG Y. Review on forest parameters inversion using LiDAR[J]. Journal of Remote Sensing， 2016， 20（5）： 1138-1150.

[7]LEFSKY M A， HARDING D J， KELLER M， et al. Estimates of forest canopy height and aboveground biomass using ICESat[J]. Geophysical Research Letters， 2005， 32（22）： L22S02.

[8] GHOSH S M， BEHERA M D. Forest canopy height estimation using satellite laser altimetry： a case study in the Western Ghats， India[J]. Applied Geomatics， 2017， 9（3）： 159-166.

[9]ABSHIRE J B， SUN X L， RIRIS H， et al. Geoscience Laser Altimeter System （GLAS） on the ICESat Mission： on-orbit measurement performance[J]. Geophysical Research Letters， 2005， 32（21）： L21S02.

[10]HARDING D J， CARABAJAL C C. ICESat waveform measurements of within-footprint topographic relief and vegetation vertical structure[J]. Geophysical Research Letters， 2005， 32（21）： L21S10.

[11]于穎，范文義，李明澤，等.利用大光斑激光雷達數據估測樹高和生物量[J].林業科學，2010，46（9）：84-87.

YU Y， FAN W Y， LI M Z， et al. Estimation of forest tree heights and biomass from GLAS data[J]. Scientia Silvae Sinicae， 2010， 46（9）： 84-87.

[12]ABDALATI W， ZWALLY H J， BINDSCHADLER R， et al. The ICESat-2 laser altimetry mission[J]. Proceedings of the IEEE， 2010， 98（5）： 735-751.

[13]MAGRUDER L A， BRUNT K M. Performance analysis of airborne photon- counting lidar data in preparation for the ICESat-2 mission[J]. IEEE Transactions on Geoscience and Remote Sensing， 2018， 56（5）： 2911-2918.

[14]MARKUS T， NEUMANN T， MARTINO A， et al. The Ice， Cloud， and land Elevation Satellite-2 （ICESat-2）： science requirements， concept， and implementation[J]. Remote Sensing of Environment， 2017， 190： 260-273.

[15]夏少波，王成，習曉環，等.ICESat-2機載試驗點云濾波及植被高度反演[J].遙感學報，2014，18（6）：1199-1207.

XIA S B， WANG C， XI X H， et al. Point cloud filtering and tree height estimation using airborne experiment data of ICESat-2[J]. Journal of Remote Sensing， 2014， 18（6）： 1199-1207.

[16]NEUENSCHWANDER A L， MAGRUDER L A. Canopy and terrain height retrievals with ICESat-2： a first look[J]. Remote Sensing， 2019， 11（14）： 1721.

[17]NEUENSCHWANDER A， GUENTHER E， WHITE J C， et al. Validation of ICESat-2 terrain and canopy heights in boreal forests[J]. Remote Sensing of Environment， 2020， 251： 112110.

[18]董佳臣，倪文儉，張志玉，等.ICESat-2植被冠層高度和地表高程數據產品用于森林高度提取的效果評價[J].遙感學報，2021，25（6）：1294-1307.

DONG J C， NI W J， ZHANG Z Y， et al. Performance of ICESat-2 ATL08 product on the estimation of forest height by referencing to small footprint LiDAR data[J]. National Remote Sensing Bulletin， 2021， 25（6）： 1294-1307.

[19]WANG C， ZHU X X， NIE S， et al. Ground elevation accuracy verification of ICESat-2 data： a case study in Alaska， USA[J]. Optics Express， 2019， 27（26）： 38168-38179.

[20]黃佳鵬，邢艷秋，秦磊，等.ICESat-2/ATLAS數據反演林下地形精度驗證[J].紅外與激光工程，2020，49（11）：122-131.

HUANG J P， XING Y Q， QIN L， et al. Accuracy verification of terrain under forest estimated from ICESat-2/ATLAS data[J]. Infrared and Laser Engineering， 2020， 49（11）： 122-131.

[21] MALAMBO L， POPESCU S C. Assessing the agreement of ICESat-2 terrain and canopy height with airborne lidar over US ecozones[J]. Remote Sensing of Environment， 2021， 266： 112711.

[22]LIU A B， CHENG X， CHEN Z Q. Performance evaluation of GEDI and ICESat-2 laser altimeter data for terrain and canopy height retrievals[J]. Remote Sensing of Environment， 2021， 264： 112571.

[23]楊帆，溫家洪.ICESat與ICESat-2應用進展與展望[J].極地研究，2011，23（2）：138-148.

YANG F， WEN J H. ICESat and ICESat-2 applications： progress and prospect[J]. Chinese Journal of Polar Research， 2011， 23（2）： 138-148.

[24]NEUENSCHWANDER A， PITTS K. The ATL08 land and vegetation product for the ICESat-2 Mission[J]. Remote Sensing of Environment， 2019， 221： 247-259.

[25]蔡龍濤，邢濤，邢艷秋，等.基于ICESat-GLAS數據和模糊模式識別算法識別森林類型[J].南京林業大學學報（自然科學版），2021，45（4）：33-40.

CAI LT， XING T， XING Y Q，etal. Identification of forest types based on ICESat-GLAS data and fuzzy pattern recognition algorithm[J].Journal of Nanjing Forestry University （Natural Science Edition）， 2021， 45（4）： 33-40.

[26]朱笑笑，王成，習曉環，等.多級移動曲面擬合的自適應閾值點云濾波方法[J].測繪學報，2018，47（2）：153-160.

ZHU X X， WANG C， XI X H， et al. Hierarchical threshold adaptive for point cloud filter algorithm of moving surface fitting[J]. Acta Geodaetica et Cartographica Sinica， 2018， 47（2）： 153-160.

[27]佟斯琴，包玉海，張巧鳳，等.基于像元二分法和強度分析方法的內蒙古植被覆蓋度時空變化規律分析[J].生態環境學報，2016，25（5）：737-743.

TONG S Q， BAO Y H， ZHANG Q F， et al. Spatiotemporal changes of vegetation coverage in Inner Mongolia based on the dimidiate pixel model and intensity analysis[J]. Ecology and Environmental Sciences， 2016， 25（5）： 737-743.