基于多源遙感數(shù)據(jù)的植被冠層高度估算*

田鎮(zhèn)朋 周 維 袁敬毅 劉小強(qiáng) 葉 粟 POUDEL Krishna HIMES Austin RENNINGER Heidi 王家新 馬 勤 ,2,3

1（南京師范大學(xué)地理科學(xué)學(xué)院 南京 210023）

2（南京師范大學(xué)虛擬地理環(huán)境教育部重點(diǎn)實(shí)驗(yàn)室 南京 210023）

3（江蘇省地理信息資源開(kāi)發(fā)與利用協(xié)同創(chuàng)新中心 南京 210023）

4（中國(guó)科學(xué)院植物研究所植被與環(huán)境變化國(guó)家重點(diǎn)實(shí)驗(yàn)室 北京 100093）

5（浙江大學(xué)環(huán)境與資源學(xué)院 杭州 310058）

6（密西西比州立大學(xué)林學(xué)系 斯塔克維爾 39762）

0 引言

森林是陸地生態(tài)系統(tǒng)的重要組成部分，在緩解全球/區(qū)域氣候變化和調(diào)節(jié)全球碳平衡等方面發(fā)揮著巨大的作用[1]。作為描述森林垂直結(jié)構(gòu)的重要參數(shù)，森林高度對(duì)估計(jì)森林碳匯、了解全球氣候變化和生態(tài)環(huán)境管理具有重要意義。而冠層最大高度（Hmax）是森林高度的直接體現(xiàn)，與樹(shù)齡、胸徑、生物量等指標(biāo)高度相關(guān)，所以精確估計(jì)冠層最大高度是研究生物量、碳匯、森林生長(zhǎng)或擾動(dòng)監(jiān)測(cè)等方面的重要內(nèi)容。冠層平均高度（Hmean）可以在一定程度上反映樹(shù)木的垂直結(jié)構(gòu)，發(fā)育良好的冠層預(yù)計(jì)具有較高的冠層平均高度，而隨著下層和中層的增加，該值將降低[2]。傳統(tǒng)上通過(guò)現(xiàn)場(chǎng)隨機(jī)采樣的方法測(cè)量冠層高度耗時(shí)耗力，容易受到交通、調(diào)查人員經(jīng)驗(yàn)等多方面因素的影響，并且無(wú)法滿足大面積冠層高度連續(xù)估計(jì)的需求[3,4]。被動(dòng)光學(xué)遙感技術(shù)以更加低的成本獲取大范圍的影像，實(shí)現(xiàn)空間連續(xù)的地表觀測(cè)，并結(jié)合實(shí)地測(cè)量數(shù)據(jù)，通過(guò)回歸模型得到空間連續(xù)的冠層高度數(shù)據(jù)，這為繪制大面積連續(xù)的冠層高度提供了一種間接的方法[5]。但是，由于光通過(guò)森林冠層的穿透能力較弱，特別是在茂密或者具有多重冠層結(jié)構(gòu)的森林區(qū)域，光學(xué)傳感器的觀測(cè)結(jié)果會(huì)表現(xiàn)出很強(qiáng)的飽和效應(yīng)，從而導(dǎo)致冠層高度的估計(jì)精度降低[6,7]。盡管微波遙感的穿透力更強(qiáng)，但是其飽和效應(yīng)對(duì)估算結(jié)果的影響仍然不可忽略。因此，如何更加精準(zhǔn)繪制大范圍連續(xù)的冠層高度，仍然是研究的重要問(wèn)題。

隨著近幾年激光雷達(dá)技術(shù)的快速發(fā)展，其優(yōu)點(diǎn)也越來(lái)越明顯。激光雷達(dá)作為一種主動(dòng)遙感技術(shù)，能夠更好穿透森林冠層從而獲得更加精準(zhǔn)的森林三維結(jié)構(gòu)信息[8]。因此，激光雷達(dá)已被廣泛用于估算森林冠層高度。根據(jù)搭載平臺(tái)的不同，激光雷達(dá)分為地基激光雷達(dá)、機(jī)載激光雷達(dá)和星載激光雷達(dá)三類。地基與機(jī)載激光雷達(dá)可以精確測(cè)量個(gè)體或林分水平的森林結(jié)構(gòu)信息[8-10]，但數(shù)據(jù)采集成本高，空間覆蓋范圍有限，難以實(shí)現(xiàn)全球或區(qū)域大范圍的森林冠層高度測(cè)量[11]。相比于地基與機(jī)載激光雷達(dá)而言，星載激光雷達(dá)的測(cè)量方式為全球或區(qū)域大范圍的森林冠層高度測(cè)量提供了方法。

本文使用ICESat-2 星載激光雷達(dá)數(shù)據(jù)中的地表和植被高度數(shù)據(jù)（ATL08），以高精度機(jī)載激光雷達(dá)冠層高度數(shù)據(jù)為參照，估算ICESat-2 離散足跡點(diǎn)冠層平均高度和冠層最大高度數(shù)據(jù)。結(jié)合光學(xué)遙感影像、地形、氣候等輔助數(shù)據(jù)，生成空間連續(xù)的森林冠層高度分布圖。進(jìn)一步分析研究區(qū)內(nèi)冠層平均高度和冠層最大高度的空間分布特征，揭示不同樹(shù)種、地理區(qū)域以及人工林和自然林的冠層結(jié)構(gòu)復(fù)雜度差異。

1 研究區(qū)域與方法

1.1 研究區(qū)域

美國(guó)密西西比州占地面積約為125460 km2，海拔高于平均海平面30～200 m。年平均氣溫為14～21℃，年平均降水量為1150～1650 mm，屬于濕潤(rùn)的亞熱帶氣候，雨水充沛，地勢(shì)低洼，作物生長(zhǎng)周期長(zhǎng)。密西西比州森林覆蓋面積占該州土地的62%以上，是美國(guó)東南部典型的林場(chǎng)，其中人工林區(qū)面積廣闊，私有林占全州森林面積約88.6%，是美國(guó)退耕還林等措施和人工林固碳的主要試驗(yàn)地[12]。

1.2 數(shù)據(jù)獲取及預(yù)處理

1.2.1 機(jī)載激光雷達(dá)數(shù)據(jù)與預(yù)處理

從美國(guó)地質(zhì)調(diào)查局（USGS） 提供的公開(kāi)可用數(shù)據(jù)可以獲取2016—2018 年間的密西西比州范圍內(nèi)的機(jī)載激光雷達(dá)數(shù)據(jù)（ALS），樣地大小有二種類型，分別為1 km×1 km 和1.5 km×1.5 km，樣地的點(diǎn)密度約為6～8 m-2。由于無(wú)法獲取實(shí)地的森林調(diào)查數(shù)據(jù)，所以從機(jī)載樣地中隨機(jī)選取了866 個(gè)（3%）樣地作為驗(yàn)證數(shù)據(jù)（真實(shí)數(shù)據(jù)）。樣地分布情況如圖1 所示。

圖1 密西西比州土地覆蓋類型與機(jī)載激光雷達(dá)數(shù)據(jù)（ALS）樣地分布（2016—2018 年）Fig. 1 Land cover types and airborne LiDAR sample plot distribution in Mississippi （2016—2018）

為了獲取機(jī)載激光雷達(dá)數(shù)據(jù)的冠層高度，使用LiDAR360 軟件** https://greenvalleyintl.com/?LiDAR360/對(duì)數(shù)據(jù)進(jìn)行統(tǒng)一的處理，包括去噪、過(guò)濾、冠層高度模型的生成等步驟。去噪是為了除去在數(shù)據(jù)采集過(guò)程中受到飛行物（例如鳥(niǎo)類或者飛機(jī)）的影響引起的高位粗差，以及由測(cè)量過(guò)程中的多路徑效應(yīng)和激光測(cè)距儀的誤差產(chǎn)生的低位粗差。通過(guò)檢查一個(gè)點(diǎn)與其k個(gè)最近的相鄰點(diǎn)的距離是否大于閾值（Davg+2Dstd）來(lái)識(shí)別機(jī)載激光雷達(dá)數(shù)據(jù)中的異常值（Davg和Dstd分別為點(diǎn)與其k個(gè)最近的相鄰點(diǎn)之間距離的平均值和標(biāo)準(zhǔn)差）。過(guò)濾的目的是從機(jī)載激光雷達(dá)數(shù)據(jù)中區(qū)分出地面點(diǎn)，采用的是改進(jìn)的漸進(jìn)加密三角網(wǎng)濾波算法（ Improved Progressive TIN Densification, IPTD）分類地面點(diǎn)[13]。使用克里金插值的方法生成1 m 空間分辨率的數(shù)字表面模型（DSM）和數(shù)字高程模型（DEM），冠層高度模型（CHM）則使用相應(yīng)柵格的DSM 和DEM 的差值表示[14]。機(jī)載數(shù)據(jù)的冠層最大高度（Hmax）和冠層平均高度（Hmean）是以CHM 為依據(jù)計(jì)算的。冠層最大高度（Hmax）表示的是統(tǒng)計(jì)單元內(nèi)所有柵格高度的最大值。冠層平均高度（Hmean）表示的是統(tǒng)計(jì)單元內(nèi)所有柵格高度的平均值。最后使用ArcGIS Pro 軟件，利用星載激光雷達(dá)數(shù)據(jù)建立的緩沖區(qū)（100 m×12 m）對(duì)冠層高度模型進(jìn)行分區(qū)統(tǒng)計(jì)，獲取冠層高度模型的最大值和平均值，用于模擬冠層高度并驗(yàn)證星載激光雷達(dá)冠層高度指標(biāo)。

1.2.2 ICESat-2 數(shù)據(jù)獲取與預(yù)處理

美國(guó)國(guó)家航空航天局（NASA） 2003 年發(fā)射了ICESat （Ice, Cloud and land Elevation Satellite），即冰云和陸地高程衛(wèi)星，其主要有效載荷為地球科學(xué)激光測(cè)高系統(tǒng)（GLAS），是全球首顆對(duì)地觀測(cè)激光測(cè)高衛(wèi)星，極大地推動(dòng)了全球范圍內(nèi)的森林冠層高度觀測(cè)的發(fā)展[15]。但由于激光器故障以及其他多種原因，該星于2010 年2 月結(jié)束科學(xué)任務(wù)。隨后NASA 在2018 年發(fā)射了星載激光雷達(dá)ICESat-2[16]。ICESat-2上搭載的先進(jìn)的地形激光高度計(jì)系統(tǒng)（Advanced Topographic Laser Altimeter System, ATLAS）其主要目的是繼續(xù)執(zhí)行ICESat 未完成的觀測(cè)任務(wù)，對(duì)極地冰蓋、海冰高程變化及森林冠層覆蓋進(jìn)行長(zhǎng)期觀測(cè)[17,18]。ICESat-2 首次將單光子探測(cè)技術(shù)引入地球高程探測(cè)，極大地提高了對(duì)地探測(cè)的數(shù)據(jù)獲取率。ATLAS 一共發(fā)射6 束激光脈沖，分三組平行排列，每組之間地表距離約3 km，組內(nèi)2 束激光脈沖間隔為90 m，且為一強(qiáng)一弱，光束每 70 cm 生成直徑小于17 m 的足跡，強(qiáng)弱光束能量比約為3∶1[19,20]。在研究中，從NASA 官網(wǎng)** https://search.earthdata.nasa.gov獲取了2018 年10 月至2022 年11 月之間密西西比州的ICESat-2 ATL08 數(shù)據(jù)（第五版）。

盡管ICESat-2 ATLAS 傳感器降低了對(duì)激光功率的要求并且提高了空間覆蓋率，但是其測(cè)量結(jié)果容易受到背景噪聲的影響[17]。ATL08 提供的光子數(shù)據(jù)已經(jīng)根據(jù)官方提供的算法被分類為噪聲、地面、冠層和冠層頂部等類別。從樹(shù)冠和樹(shù)冠頂部的光子中獲取了一系列相對(duì)高度（Relative Height, RH）指標(biāo)（包括RH75、RH80，RH85，RH90，RH95 和RH98 等）與無(wú)人機(jī)激光雷達(dá)獲得的森林冠層高度進(jìn)行了比較。為了確保ICESat-2 ATLAS 得出的森林冠層高度的準(zhǔn)確性，用以下標(biāo)準(zhǔn)對(duì)ICESat-2 ATLAS 的足跡進(jìn)行了過(guò)濾：（1）星載激光雷達(dá)冠層高度的相對(duì)不確定性應(yīng)小于7（機(jī)載數(shù)據(jù)與星載數(shù)據(jù)的一致性隨著星載數(shù)據(jù)不確定性的升高而降低）；（2）最小森林冠層高度應(yīng)大于3 m；（3）刪除了最大冠層高度超過(guò)60 m 的足跡點(diǎn)。根據(jù)以上條件對(duì)數(shù)據(jù)進(jìn)行初步篩選后保留967768 個(gè)ICESat-2 ATLAS 足跡（見(jiàn)圖2）。

圖2 密西西比州地理區(qū)域和ICESat-2 星載激光雷達(dá)數(shù)據(jù)足跡點(diǎn)分布（2018—2022）Fig. 2 Geographical division and ICESat-2 sample（2018—2022） distribution in Mississippi

1.2.3 輔助數(shù)據(jù)

為了繪制密西西比州連續(xù)的森林冠層高度圖，搜集了地形數(shù)據(jù)、氣候數(shù)據(jù)、土地覆蓋數(shù)據(jù)、植被指數(shù)、擾動(dòng)數(shù)據(jù)以及全球冠層高度數(shù)據(jù)。這些數(shù)據(jù)將用作機(jī)器學(xué)習(xí)模型的輸入?yún)?shù)。地形數(shù)據(jù)是航天飛機(jī)雷達(dá)地形測(cè)繪任務(wù)的數(shù)字高程模型（SRTM DEM）中獲取的[21]，然后使用ArcGIS pro 軟件從DEM 計(jì)算坡度、坡向和地形濕度指數(shù)。數(shù)字高程模型可以反映樹(shù)木生長(zhǎng)受海拔高程的影響。坡度和坡向主要反映了光照對(duì)樹(shù)木生長(zhǎng)的影響，向光性和向地性的相互作用可能會(huì)進(jìn)一步影響森林生長(zhǎng)[22]。1970—2000 年的WorldClim（2.1 版）數(shù)據(jù)** https://worldclim.org/data/worldclim21.html** https://landfire.gov/hdist.php*** https://www.mrlc.gov/data是由Fick 等[23]提供的1 km分辨率的全球月度天氣數(shù)據(jù)，被用來(lái)提取氣候特征。利用該數(shù)據(jù)集計(jì)算四個(gè)氣候特征（年平均溫度、季節(jié)性溫度、年均降水量和季節(jié)性降水量）[7]。四種氣候變量可以反映降雨、溫度等氣候條件對(duì)樹(shù)木生長(zhǎng)的影響。季節(jié)性溫度和季節(jié)性降水量可以表述溫度（降水）的變化Q，即

其中，Smonth和Mmonth表示所有月份溫度或降水的標(biāo)準(zhǔn)差和平均值。

在遙感領(lǐng)域，植被指數(shù)是植被生長(zhǎng)分析的重要參數(shù)，可用來(lái)觀測(cè)植被的生長(zhǎng)狀況。歸一化植被指數(shù)（NDVI）通過(guò)計(jì)算近紅外波段和紅波段之間的差異來(lái)定量化植被的生長(zhǎng)狀況，是反映植被綠度和密度的重要參數(shù)之一。使用谷歌地球引擎（Google Earth Engine, GEE）從Landsat8 影像計(jì)算NDVI 指數(shù)。為了減少云、陰影的影響，從2020 年的所有Landsat8 圖像計(jì)算了一個(gè)最大值合成，并計(jì)算了生長(zhǎng)季節(jié)（NDVI_rise: 4—10 月）和落葉季 （NDVI_drop: 1—3 月和11—12 月）NDVI 的平均值[24]。同樣使用GEE 獲取了另外的植被參數(shù)，包括歸一化差分水體指數(shù)（NDWI）、歸一化水氣指數(shù)（NDMI）和歸一化燃燒指數(shù)（NBR）, 并且計(jì)算了2020 年NDWI 和NDMI 的最大值以及年平均值。NDWI 和NDMI 分別是利用綠光波段和近紅外波、近紅外與短波紅外之間的差異來(lái)定量化反映植被的生長(zhǎng)環(huán)境和植被冠層的水分含量情況。NBR 是通過(guò)計(jì)算近紅外波段和短波紅外波段的比值來(lái)表示受火災(zāi)擾動(dòng)區(qū)域的特征信息，可以檢測(cè)火災(zāi)對(duì)樹(shù)木生長(zhǎng)的影響。在本研究中選取了NDVI，NDWI，NDMI 和NBR 等植被指數(shù)。另外，從LANDFIRE 網(wǎng)站*** https://worldclim.org/data/worldclim21.html** https://landfire.gov/hdist.php*** https://www.mrlc.gov/data下載1999—2020 年的LANDFIRE 擾動(dòng)圖。該數(shù)據(jù)提供了從低到高的擾動(dòng)嚴(yán)重程度的信息。研究中提取每年干擾地圖（1999—2020年）的中、高嚴(yán)重地區(qū)，集合成1999—2020 年間最后一次擾動(dòng)的時(shí)空分布圖，計(jì)算了最后一次擾動(dòng)距離2020 年的時(shí)間，作為森林生長(zhǎng)時(shí)長(zhǎng)（Rise Year）。由于森林生長(zhǎng)時(shí)長(zhǎng)是根據(jù)受到擾動(dòng)后植被生長(zhǎng)的時(shí)間來(lái)計(jì)算的，理論上來(lái)說(shuō)時(shí)間與冠層高度呈正比。

研究中還參考了2019 年的全球冠層高度數(shù)據(jù)，該數(shù)據(jù)是使用GEDI 和多光譜Landsat 數(shù)據(jù)，利用機(jī)器學(xué)習(xí)算法生成30 m 空間分辨率的全球森林冠層高度圖。該數(shù)據(jù)與GEDI 驗(yàn)證數(shù)據(jù)進(jìn)行比較決定系數(shù)R2= 0.62，冠層高度均方根誤差HRMSE= 6.6 m，與機(jī)載激光雷達(dá)數(shù)據(jù)比較R2= 0.61，HRMSE= 9.07 m。該數(shù)據(jù)對(duì)于研究區(qū)域森林高度具有指導(dǎo)意義[25]。

研究使用美國(guó)土地覆蓋數(shù)據(jù)庫(kù)（National Land Cover Database），該數(shù)據(jù)庫(kù)是基于30 m 分辨率的Landsat 系列多光譜衛(wèi)星影像制作的[26]。2019 年NLCD 土地覆蓋數(shù)據(jù)從多分辨率土地特征聯(lián)盟網(wǎng)站**** https://worldclim.org/data/worldclim21.html** https://landfire.gov/hdist.php*** https://www.mrlc.gov/data下載。在NLCD 的18 種土地覆蓋類型中，主要研究土地覆蓋類型中的4 種森林類型，即落葉林、常綠林、混交林和濕地森林。

1.3 研究方法

1.3.1 估算星載激光雷達(dá)足跡冠層最大高度和冠層平均高度

由于機(jī)載激光雷達(dá)測(cè)量的范圍有限，而星載激光雷達(dá)可以大范圍地獲取測(cè)量數(shù)據(jù)，但是其精度普遍低于機(jī)載測(cè)量數(shù)據(jù)。并且不同數(shù)據(jù)來(lái)源，相對(duì)高度度量存在一定的差異。為避免這一問(wèn)題，對(duì)機(jī)載激光雷達(dá)數(shù)據(jù)和星載激光雷達(dá)數(shù)據(jù)重疊區(qū)域的足跡進(jìn)行分析，以求獲取與機(jī)載激光雷達(dá)數(shù)據(jù)一致性最高的星載激光雷達(dá)數(shù)據(jù)冠層高度參數(shù)，并且分析星載激光雷達(dá)數(shù)據(jù)不同的數(shù)據(jù)獲取條件對(duì)一致性的影響。在重疊區(qū)域隨機(jī)選擇測(cè)量數(shù)據(jù)的75%用作模型訓(xùn)練，以線性回歸和多元線性回歸分別建立模型，用于估計(jì)星載激光雷達(dá)足跡處的冠層最大高度和冠層平均高度，預(yù)留25%的數(shù)據(jù)用于模型驗(yàn)證。最終將建立的回歸模型應(yīng)用于所有星載激光雷達(dá)足跡，以計(jì)算所有足跡處相應(yīng)冠層高度。本研究的具體研究思路如圖3 所示。

圖3 連續(xù)冠層高度圖繪制流程Fig. 3 Continuous canopy height map drawing process

1.3.2 機(jī)器學(xué)習(xí)方法繪制連續(xù)的冠層最大高度和冠層平均高度圖

機(jī)器學(xué)習(xí)技術(shù)，例如隨機(jī)森林（RF）、支持向量機(jī)（SVM）算法通常認(rèn)為是估算森林參數(shù)可靠的回歸方法，已被應(yīng)用于估算森林結(jié)構(gòu)參數(shù)[27-30]。隨機(jī)森林是一種基于決策樹(shù)的、具有高容錯(cuò)性的統(tǒng)計(jì)機(jī)器學(xué)習(xí)方法，能夠處理多源數(shù)據(jù)及高維樣本，并且可以輸出每個(gè)輸入變量的重要性。隨機(jī)森林算法主要參數(shù)有兩個(gè)，即樹(shù)的數(shù)量（Ntree） 和每次分裂中嘗試的變量數(shù)（Mtry）。支持向量機(jī)基于二分類法，可處理高維數(shù)據(jù)，在特征較多時(shí)也能保持較好的分類性能，并且支持向量機(jī)回歸便于使用，魯棒性好，不易受輸入數(shù)據(jù)噪聲的影響。在研究中，使用了徑向基函數(shù)核的支持向量機(jī)回歸，徑向基函數(shù)核是植被生物物理特性建模中最常用的函數(shù)[31]，主要參數(shù)是懲罰因子（C）和核函數(shù)系數(shù)（Ggamana），懲罰因子越大表示整個(gè)優(yōu)化過(guò)程中對(duì)于總誤差的關(guān)注程度越高，核函數(shù)系數(shù)表示模型的復(fù)雜程度和泛化能力，數(shù)值越大復(fù)雜性越高，泛化能力越差（Ggamana可以設(shè)置為auto，使模型自動(dòng)調(diào)節(jié)最適值）。研究中對(duì)比了隨機(jī)森林算法和支持向量機(jī)算法的精度差異，其結(jié)果以及參數(shù)設(shè)置如表1 所示。最終選擇了回歸結(jié)果更好的隨機(jī)森林方法，將冠層高度估計(jì)值從星載激光雷達(dá)足跡外推到整個(gè)密西西比區(qū)域。

表1 機(jī)器學(xué)習(xí)回歸方法對(duì)比和參數(shù)設(shè)定Table 1 Comparison and parameter setting of machine learning regression methods

在隨機(jī)森林的算法中，每棵回歸樹(shù)通過(guò)裝袋法隨機(jī)抽取部分樣本進(jìn)行訓(xùn)練，其他未被抽取到的樣本，將被用來(lái)檢測(cè)模型的泛化能力。研究隨機(jī)選取了75%的樣本用于模型的訓(xùn)練，25% 用于驗(yàn)證回歸結(jié)果。在訓(xùn)練過(guò)程中隨機(jī)森林算法會(huì)并行處理多個(gè)決策樹(shù)，每個(gè)決策樹(shù)都會(huì)得出回歸結(jié)果，最終結(jié)果將取所有決策樹(shù)的均值。并且在訓(xùn)練的過(guò)程中通過(guò)特征置換評(píng)價(jià)自變量的重要性。總的來(lái)說(shuō)，隨機(jī)森林算法不需要對(duì)協(xié)變量的正態(tài)性做出假設(shè)，并且通過(guò)構(gòu)建模型時(shí)引入隨機(jī)性，來(lái)降低自變量之間的相關(guān)性。

使用地形、氣候，覆蓋類型、植被指數(shù)和生長(zhǎng)年齡幾類數(shù)據(jù)，來(lái)實(shí)現(xiàn)數(shù)據(jù)的外推。隨機(jī)森林外推過(guò)程是使用Python sklearn 包實(shí)現(xiàn)的，模型有兩個(gè)自定義參數(shù)，即樹(shù)的數(shù)量（Ntree） 和每次分裂中嘗試的變量數(shù)（Mtry）。這兩個(gè)參數(shù)是通過(guò)人工檢查確定的，包括500 個(gè)隨機(jī)森林樹(shù)，并在每個(gè)分裂中嘗試7 個(gè)變量（參數(shù)設(shè)置如表1 所示）。利用所建立的隨機(jī)森林回歸模型，繪制了密西西比州連續(xù)的森林冠層高度圖。并且通過(guò)參照土地覆蓋數(shù)據(jù)集（NLCD），在非林地區(qū)域?qū)?shù)高設(shè)置為空值。

外推過(guò)程中使用的大量協(xié)變量可能導(dǎo)致隨機(jī)森林算法過(guò)擬合。為減少這種可能性，進(jìn)一步檢查所有收集到的變量的重要性。結(jié)果如圖4 所示，可以看出同一變量在冠層最大高度和冠層平均高度模型的重要性略有差異，但冠層覆蓋度、參考樹(shù)高和歸一化水氣指數(shù)都排在前列。最終隨機(jī)森林回歸模型中使用了前15 個(gè)變量。

圖4 隨機(jī)森林模型中變量的重要性Fig. 4 Importance of variables in random forest model

1.3.3 精度評(píng)估

在評(píng)估機(jī)載激光雷達(dá)數(shù)據(jù)冠層最大高度、冠層平均高度與星載激光雷達(dá)數(shù)據(jù)相對(duì)高度的一致性時(shí)，使用了皮爾遜系數(shù)（r）、偏差（Bbias）、偏差百分比（Nbiasratio）、平均絕對(duì)誤差（Mmae）四個(gè)參數(shù)。計(jì)算公式如下：

其中,n為樣本數(shù)；xi為星載數(shù)據(jù)第i個(gè)樣本的冠層高度值，為星載數(shù)據(jù)所有樣本的冠層高度平均值；yi為機(jī)載數(shù)據(jù)第i個(gè)樣本的冠層高度值，為機(jī)載數(shù)據(jù)所有樣本的冠層高度平均值。

在評(píng)價(jià)連續(xù)冠層最大高度和冠層平均高度圖的精度時(shí)，根據(jù)預(yù)留的測(cè)試數(shù)據(jù)集，可以利用決定系數(shù)（R2）和冠層高度均方根誤差（HRMSE）評(píng)估模擬精度，計(jì)算公式如下：

其中，yi為第i個(gè)樣本的真實(shí)值，為第i個(gè)樣本的預(yù)測(cè)值，為所有真實(shí)值的平均值。

2 研究結(jié)論

2.1 機(jī)載數(shù)據(jù)與星載數(shù)據(jù)相對(duì)高度參數(shù)的一致性

由于數(shù)據(jù)源不同，相對(duì)高度指標(biāo)會(huì)存在一定的差異。為了更好地估計(jì)星載激光雷達(dá)足跡點(diǎn)的冠層高度，更期望使用與機(jī)載冠層最大高度或冠層平均高度一致性最佳的星載激光雷達(dá)相對(duì)高度參數(shù)。在研究中，提取了星載數(shù)據(jù)和機(jī)載數(shù)據(jù)在研究區(qū)域內(nèi)的重疊足跡，研究?jī)烧呱指叨戎g的一致性。首先評(píng)估了數(shù)據(jù)獲取時(shí)間以及光束類型對(duì)星載數(shù)據(jù)與機(jī)載數(shù)據(jù)相對(duì)高度參數(shù)一致性的影響，發(fā)現(xiàn)夜間采集的數(shù)據(jù)質(zhì)量?jī)?yōu)于白天采集的數(shù)據(jù) （r提升了0.049,Mmae減少了0.416 m）。另外相比于弱光束，強(qiáng)光束采集的數(shù)據(jù)更好 （r提升了0.058,Mmae減少了0.811 m） （見(jiàn)表2）。

表2 星載數(shù)據(jù)不同獲取數(shù)據(jù)條件下數(shù)據(jù)一致性的比較Table 2 Comparison of data consistency under different acquisition conditions

根據(jù)上述情況，對(duì)重疊區(qū)域的夜間強(qiáng)光束數(shù)據(jù)進(jìn)行深入分析，發(fā)現(xiàn)ICESat-2 ATL08 數(shù)據(jù)的相對(duì)高度參數(shù)Hcanopy（即RH98）與機(jī)載激光雷達(dá)數(shù)據(jù)的Hmax參數(shù)的一致性最高，如圖5 所示，r為0.830，Mmae為3.059 m。概率密度計(jì)算是利用高斯核函數(shù)將樣本點(diǎn)進(jìn)行疊加，然后在全定義域上建立概率密度分布函數(shù)，最后輸入對(duì)應(yīng)的坐標(biāo)，就給出相應(yīng)的概率密度，色條數(shù)值越大表示點(diǎn)越密集，以下散點(diǎn)密度圖相同。

圖5 機(jī)載與星載高度參數(shù)的一致Fig. 5 Consistency between airborne and spaceborne altitude parameters

2.2 ICESat-2 數(shù)據(jù)足跡點(diǎn)的冠層最大高度與冠層平均高度

ICESat-2 ATL08 數(shù)據(jù)雖然提供了一系列相對(duì)高度參數(shù)（包括冠層平均高度、冠層最大高度、冠層最小高度等）[32]，但是相比于機(jī)載數(shù)據(jù)精度有限。因此，通過(guò)兩者重疊區(qū)域的數(shù)據(jù)建立模型，進(jìn)一步預(yù)測(cè)密西西比州的全部足跡點(diǎn)的冠層最大高度和冠層平均高度。使用重疊區(qū)域75%的數(shù)據(jù)利用線性回歸的方法構(gòu)建模型，25%的數(shù)據(jù)對(duì)模型進(jìn)行驗(yàn)證。對(duì)比了針對(duì)不同森林類型單獨(dú)建模和所有森林類型整體建模的模擬精度和回歸方程。利用t-test 顯著性檢驗(yàn)，發(fā)現(xiàn)常綠林、混交林、落葉林和濕地森林四種不同森林類型間沒(méi)有顯著性差別，因此選擇整體回歸模型。四種森林類型的預(yù)測(cè)結(jié)果和散點(diǎn)圖分布如圖6 所示。

圖6 ICESat-2 不同森林類型冠層最大高度建模散點(diǎn)圖和擬合線Fig. 6 ICESat-2 Scatterplot and fitted line of maximum canopy height modeling for different forest types

平均樹(shù)高是森林規(guī)劃管理中最重要的林分特征之一。ICESat-2 ATL08 的冠層平均高度（Hmean,canopy）參數(shù)表示的是每個(gè)沿軌道100 m×12 m 矩形區(qū)域內(nèi)所有冠層光子距地表高度的平均值。機(jī)載冠層平均高度是以機(jī)載激光雷達(dá)數(shù)據(jù)生成的1 m 空間分辨率的冠層高度模型為基礎(chǔ)，計(jì)算相應(yīng)的100 m×12 m 的矩形區(qū)域內(nèi)的所有像元的平均值。星載和機(jī)載冠層平均高度兩個(gè)參數(shù)表示的含義存在一定的差異。對(duì)兩者進(jìn)行了回歸分析，結(jié)果如圖7 所示，兩者的R2為0.411，HRMSE為4.243 m，回歸結(jié)果較差。

圖7 機(jī)載與星載激光雷達(dá)冠層平均高度的一致性Fig. 7 Consistency of the average canopy height between airborne and spaceborne lidars

因此，研究中使用多元線性回歸，利用ICESat-2 ATL08 數(shù)據(jù)提供的參數(shù)作為自變量，機(jī)載冠層平均高度作為因變量對(duì)全部的足跡點(diǎn)進(jìn)行了預(yù)測(cè)。首先檢查了星載ICESat-2 ATL08 參數(shù)自相關(guān)性，如圖8所示。結(jié)合變量之間的相關(guān)性，并且使用逐步回歸法篩選變量，選出最合適的參數(shù)進(jìn)行建模，最終選取了25%，50%，95%，98% 以及相對(duì)高度平均值 （RH25，RH50，RH95，RH98，RH_mean） 共5 個(gè)參數(shù)進(jìn)行多元線性擬合。圖9 表示四種森林類型，分別由多元線性回歸算法建立的回歸模型的驗(yàn)證結(jié)果。與圖7 所示結(jié)果相比，R2都有所提升，其中最為明顯的為常綠林，R2提升了0.215，HRMSE降低了0.931 m。提升最小的為濕地森林，R2提升了0.070，HRMSE值降低了0.257 m。

圖8 星載激光雷達(dá)數(shù)據(jù)各變量之間相關(guān)性（RH25-100 表示相對(duì)高度的百分位數(shù)，RH-mean 和RH-median 分別表示相對(duì)高度的平均值和中值。色條表示變量之間的相關(guān)性，數(shù)值越大表示變量越相關(guān)）Fig. 8 Correlation between variables of spaceborne lidar data （RH25-100 represents the percentile of relative height, and RH-mean and RH-median represent the mean and median of relative heights, respectively. The color bars indicate the correlation between the variables, with larger values indicating stronger correlations）

圖9 ICESat-2 不同樹(shù)種冠層平均高度建模散點(diǎn)圖Fig. 9 ICESat-2 Scatter plot of average canopy height modeling for different tree species

2.3 繪制連續(xù)的密西西比州冠層最大高度和冠層平均高度圖

使用預(yù)測(cè)的ICESat-2 所有足跡點(diǎn)的冠層最大高度和冠層平均高度為因變量，輔助數(shù)據(jù)為自變量，使用隨機(jī)森林方法構(gòu)建模型，實(shí)現(xiàn)由星載數(shù)據(jù)離散點(diǎn)到密西西比州連續(xù)的冠層最大高度和冠層平均高度圖繪制。在訓(xùn)練模型時(shí)，隨機(jī)選取了25%的足跡點(diǎn)驗(yàn)證模型的精度。并且將繪制的結(jié)果圖與機(jī)載激光雷達(dá)采集的數(shù)據(jù)進(jìn)行了驗(yàn)證。其結(jié)果列于表3，隨機(jī)森林方法構(gòu)建的回歸樹(shù)模型可以解釋48.6%的冠層最大高度和46.7% 的冠層平均高度，HRMSE分別為4.532和2.848 m（散點(diǎn)圖如圖10 所示）。但在冠層高度相對(duì)較低的地區(qū)（＜20 m），估計(jì)的結(jié)果有高估的傾向，且冠層高度越低，高估效果越明顯。在冠層高度相對(duì)較高的地區(qū)，估算的結(jié)果有低估的傾向。

表3 隨機(jī)森林回歸模型的訓(xùn)練精度和結(jié)果圖驗(yàn)證精度Table 3 Training accuracy and result graph validation accuracy of random forest regression models

圖10 隨機(jī)森林模型擬合結(jié)果。（a）冠層最大高度擬合結(jié)果，（b）冠層平均高度擬合結(jié)果Fig. 10 Fitting results of random forest model. （a） Maximum canopy height fitting results,（b） average canopy height fitting results

在測(cè)試樣本中估計(jì)的冠層最大高度和冠層平均高度與真實(shí)值（1.2 小節(jié)估算的所有星載足跡點(diǎn)的值）的比較如圖11 所示。估算值與真實(shí)值的樹(shù)高之間的殘差服從正態(tài)分布，冠層最大高度殘差的平均值為0.018 m，標(biāo)準(zhǔn)差為4.532 m，冠層平均高度殘差的平均值為0.022 m 標(biāo)準(zhǔn)差為2.859 m。冠層最大高度之間的差異約95% 在±10 m 范圍內(nèi)，約84%在±5 m 范圍內(nèi)。冠層平均高度與冠層最大高度類似，但占比略低于冠層最大高度。

圖11 估算冠層高度與真實(shí)冠層高度差值直方圖（ICESat-2 估算的冠層高度減去根據(jù)輔助影像估算的冠層高度）。（a）最大冠層高度直方圖, （b）平均冠層高度直方圖。 μ 和 σ分別表示差異的平均值和標(biāo)準(zhǔn)差Fig. 11 Histogram of the difference between the estimated canopy height and the true canopy height （estimated tree height minus true canopy height）. （a） Maximum canopy height histogram, （b） average canopy height histogram.μ and σ represent the mean and standard deviation of the differences, respectively

最終得到的森林冠層高度如圖12 所示。總體而言，估算的林地區(qū)域的冠層最大高度平均值為24.14 m，標(biāo)準(zhǔn)差為4.24 m。從整體上看，密西西比州西南部的森林相對(duì)于其他地區(qū)的森林要高。西北地區(qū)的森林冠層最大高度最低，這主要是由于西北地區(qū)主要的土地覆蓋類型為種植作物。并且發(fā)現(xiàn)南方地區(qū)的森林密度和高度都要稍高于北方地區(qū)。森林地區(qū)冠層平均高度平均值為12.04 m，標(biāo)準(zhǔn)差為2.59 m，分布與冠層最大高度基本一致，但是存在一定差異。

圖12 冠層最大高度與冠層平均高度在密西西比州的分布Fig. 12 Distribution of maximum canopy height and average canopy height in the state of Mississippi

進(jìn)一步分析了冠層最大高度與冠層平均高度之間的差值（Hmax-Hmean） 和比值（Hmean/Hmax×100），結(jié)果如圖13 所示。圖13（a）表明，林地區(qū)域差值的最大值為24.73 m，絕大部分的差值在8～20 m 之間。北部區(qū)域的差值變化明顯低于南部區(qū)域，特別是在密西西比州的西南部區(qū)域（該區(qū)域?yàn)辄S土丘陵）的差值較大，普遍超過(guò)16 m，東南部局部區(qū)域的差值在12～16 m 之間。圖13（b） 所表示的比值結(jié)果與圖13（a）所表示的差值結(jié)果一致（差異值越大比值越小），比值較小區(qū)域主要集中在西南部區(qū)域。

圖13 冠層最大高度與冠層平均高度差值與比值Fig. 13 Difference diagram and ratio diagram between maximum canopy height and average canopy height

3 討論與分析

3.1 星載數(shù)據(jù)足跡誤差來(lái)源和冠層高度估算

分析不同采集條件（獲取時(shí)間、光束類型）對(duì)星載激光雷達(dá)數(shù)據(jù)與機(jī)載激光雷達(dá)數(shù)據(jù)一致性的影響，結(jié)果表明在夜間強(qiáng)光束條件下獲取的星載激光雷達(dá)數(shù)據(jù)與機(jī)載激光雷達(dá)數(shù)據(jù)一致性最高（R2=0.69），但是未能考慮星載激光雷達(dá)足跡點(diǎn)定位誤差。定位誤差是星載激光雷達(dá)不可避免的問(wèn)題之一，將會(huì)導(dǎo)致星載激光雷達(dá)足跡點(diǎn)地理定位覆蓋范圍與真實(shí)地面足跡位置之間出現(xiàn)偏移，從而造成觀測(cè)值的誤差，進(jìn)而影響森林冠層高度估算的準(zhǔn)確性。已有研究對(duì)ICESat-2 數(shù)據(jù)的地理定位誤差范圍進(jìn)行了分析，并且發(fā)現(xiàn)隨地理位置、地形和植被狀況的變化，地理定位精度也不盡相同。例如Queinnec 等[33]發(fā)現(xiàn)，一般情況下ICESat-2 數(shù)據(jù)的地理定位誤差不超過(guò)6.5 m；Neuenschwander 等[34]在芬蘭選取研究區(qū)，使用機(jī)載激光雷達(dá)數(shù)據(jù)為真值，通過(guò)最小化殘差法檢驗(yàn)了ICESat-2 ATL08 數(shù)據(jù)的定位誤差大約為5 m；Magruder 等[35]選取新墨西哥州和南緯 88°區(qū)域作為研究區(qū)，研究ICESat-2 ATL08 數(shù)據(jù)的地理定位精度，發(fā)現(xiàn)ICESat-2 數(shù)據(jù)的平均定位精度為3.5±2.1 m；Luthcke等[36]在北緯 59.5°—80°之間選取研究區(qū)，評(píng)估了ICESat-2 數(shù)據(jù)的地理定位精度，發(fā)現(xiàn)水平偏移量在2.5～4.4 m 之間。就目前研究現(xiàn)狀，星載激光雷達(dá)數(shù)據(jù)的定位誤差不可避免，地形、環(huán)境和植被種類等各種因素對(duì)定位誤差的影響還不明確。

利用隨機(jī)森林方法預(yù)測(cè)得到的密西西比州連續(xù)冠層高度圖（R2= 0.49，HRMSE= 4.12 m）與Liu 等[37]利用神經(jīng)網(wǎng)絡(luò)插值繪制的中國(guó)冠層高度圖（R2=0.58，HRMSE= 4.93 m ）進(jìn)行比較精度存在一定的差異與不足。這可能是由于密西西比州主要是以人工林主導(dǎo)的非山地林區(qū)，相比于中國(guó)復(fù)雜的地形、氣候、森林覆蓋等環(huán)境因子，其各類環(huán)境因子的分布更均質(zhì)，不同地區(qū)之間差異較小（對(duì)比結(jié)果列于表4 ，其中中國(guó)高程數(shù)據(jù)分辨率為250 m，來(lái)自資源環(huán)境與科學(xué)數(shù)據(jù)中心** https://wwwresdc.cn/data.aspx?DATAID=123）。因此利用環(huán)境因子及遙感影像估測(cè)冠層高度時(shí)，難以準(zhǔn)確估算冠層高度間的差異。此外，本研究對(duì)比了隨機(jī)森林、支持向量機(jī)的預(yù)測(cè)精度，隨機(jī)森林表現(xiàn)得更好（見(jiàn)表1），但仍存在不足（R2較低），可能是由于遙感數(shù)據(jù)獲取的植被指數(shù)存在一定的飽和現(xiàn)象，從而導(dǎo)致低估了生長(zhǎng)旺盛的森林區(qū)域或者冠層較復(fù)雜區(qū)域的冠層高度[38,39]

表4 密西西比州與中國(guó)環(huán)境因子對(duì)比Table 4 Comparison of environmental factors in Mississippi and China

3.2 不同地理區(qū)域及森林類型的冠層高度差異

根據(jù)地理區(qū)域分析冠層最大高度、冠層平均高度、差值和比值的分布情況。首先就冠層高度分布情況可以直觀的看到，在密西西比州西北部沖積平原和東北部的黑草原兩區(qū)域的樹(shù)木較少，這主要是由于這兩塊區(qū)域地勢(shì)相對(duì)平坦，更適合栽培作物和干草（沖積平原DEM 變化范圍在0～35 m 之間，栽培作物覆蓋占67%。黑草原DEM 變化范圍在0～98 m 之間，干草覆蓋占40%）的生長(zhǎng)。在后續(xù)的分析中排除這兩個(gè)區(qū)域。為了研究不同區(qū)域的冠層高度差異，統(tǒng)計(jì)了不同地理區(qū)域林地部分的冠層最大高度、冠層平均高度的平均值，統(tǒng)計(jì)結(jié)果如表5 所示。不同地理區(qū)域的冠層最大高度的平均值為23.396～26.897 m，冠層平均高度的平均值11.430～12.628 m，其中兩者最大的均為黃土丘陵區(qū)域，這可能是由于三方面因素。（1）在黃土丘陵區(qū)域，特別是南部，地形起伏變化相對(duì)較大，丘陵與溝壑分布較廣。地形的起伏可以極大地影響入射陽(yáng)光的方向和強(qiáng)度，改變土壤中的水分，并影響土壤侵蝕和土壤深度[40]。（2） 在北半球，朝南的斜坡比朝北的斜坡接收到更多太陽(yáng)輻射，光照水平和溫度均較高，有利于樹(shù)木生長(zhǎng)[41]。（3） 溝壑、凹坡、溝底與陡坡下坡區(qū)由于土壤養(yǎng)分有效性更好，土壤水分、沉積物、凋落物中養(yǎng)分的下坡運(yùn)輸對(duì)樹(shù)木的生長(zhǎng)速率有積極影響，樹(shù)木間相互作用更強(qiáng)，因此植被也往往具有更高的密度與高度[41,42]。

表5 不同地理區(qū)域內(nèi)森林冠層高度均值Table 5 Mean values of forest canopy heights in different geographical areas

在不同森林覆蓋類型的冠層最大高度和冠層平均高度的估算中，常綠林的估算精度較高，這主要是由于密西西比州的常綠森林由針葉林物種組成，例如火炬松、濕地松和長(zhǎng)葉松，樹(shù)冠茂密，使用激光雷達(dá)進(jìn)行高度估計(jì)的效果更好。Malambo 和Popescu[43]也發(fā)現(xiàn)ICESat-2 和機(jī)載激光雷達(dá)在針葉林中的一致性優(yōu)于其他植被類型。其他三種覆蓋類型，包括濕地森林、混交林、落葉林，森林分布稀疏，樹(shù)冠覆蓋率低。因此星載與機(jī)載激光雷達(dá)足跡位置有偏差，星載數(shù)據(jù)對(duì)足跡內(nèi)冠層高度變化的模擬不足，將導(dǎo)致ICESat-2估算精度不高。

利用冠層最大、平均高度的差值和比值來(lái)反映樹(shù)木垂直結(jié)構(gòu)的復(fù)雜度，當(dāng)差值平均值越大，比值平均值越小，往往表明該區(qū)域的樹(shù)冠復(fù)雜度越高。在對(duì)冠層高度的差值和比值分析中發(fā)現(xiàn)在黃土丘陵區(qū)域的差值平均值最大為14.269 m，比值最小為46.973 m（見(jiàn)表5），表明在此區(qū)域森林的垂直結(jié)構(gòu)相比于其他區(qū)域更加復(fù)雜。不同森林類型的冠層高度的差值和比值的分析結(jié)果如表6 所，落葉林和濕地森林的冠層最大高度與冠層平均高度差值要高于常綠林和混交林，而冠層平均和最大高度的比值要小于常綠林和混交林。這說(shuō)明常綠林與混交林的冠層結(jié)構(gòu)較為均一。 密西西比州大部分的人工林為針葉林，屬于常綠林，冠層結(jié)構(gòu)比以落葉林和濕地森林為主的天然林更均一。這也是常綠林冠層最大高度與冠層平均高度差值最小、比值最大的因素之一。

表6 不同森林類型差值和比值的對(duì)比Table 6 Comparison of difference and ratio of different tree species

3.3 人工林與天然林冠層高度差異

在密西西比州，擁有大面積的人工林。為了探討人工林與天然林冠層高度的差異性，使用Du 等[44]估算的全球30 m 人工林空間分布和樹(shù)種數(shù)據(jù) （見(jiàn)圖14）。該數(shù)據(jù)中人工林分布數(shù)據(jù)由全球人工林范圍數(shù)據(jù)集（Spatial Database of Planted Trees，SDPT）和 Descals 的全球油棕地圖組成，其中SDPT 數(shù)據(jù)可提供人工林和樹(shù)木作物的全球空間信息。研究進(jìn)一步分析了不同森林類型中人工林的占比以及人工林和天然林的冠層高度的差值和比值差異。結(jié)果如表7 所示。在四種森林類型中，常綠林的人工林占比最高，達(dá)到31.3%，而落葉林的占比最低，只有9.9%。另外，在不同森林類型中人工林的冠層最大高度與冠層平均高度的差值要低于天然林0.08 到0.63 m，其冠層平均高度與冠層最大高度比值高于天然林0.23 %到2.07 %。這表明天然林的森林結(jié)構(gòu)復(fù)雜度要高于人工林。這主要是因?yàn)槿斯ち滞ǔＶ挥幸粚訕?shù)冠（單層林），并且一般為同齡林，樹(shù)種組成、結(jié)構(gòu)功能單一，生態(tài)系統(tǒng)簡(jiǎn)單，穩(wěn)定性較差[45]，因此森林冠層結(jié)構(gòu)復(fù)雜度更低。而天然林更易于形成多層樹(shù)冠（復(fù)層林），自然演替時(shí)間長(zhǎng)，未經(jīng)人工培育或人為干擾，其形成的森林通過(guò)自然競(jìng)爭(zhēng)可以充分利用空間，會(huì)盡可能占據(jù)整個(gè)林地空間，往往有較強(qiáng)的層次性[46]，因此其林層差異化指數(shù)（林分內(nèi)每個(gè)林層的差異情況）、樹(shù)冠指數(shù)（在林分垂直結(jié)構(gòu)中處于不同垂直位置冠層面積的分配情況）、林層比（樣地內(nèi)平均每棵參照樹(shù)與其不同屬一個(gè)林層的相鄰樹(shù)木的數(shù)量比） 一般均高于人工林，導(dǎo)致其林層復(fù)雜性更高，對(duì)垂直空間的利用更完善[47]。經(jīng)過(guò)t-test 顯著性檢驗(yàn)，在不同森林類型中，人工林和天然林的樹(shù)冠最大高度、平均高度的差值和比值都存在顯著性差異。

表7 人工林與天然林差異分析Table 7 Analysis of differences between planted forests and natural forests

圖14 密西西比州人工林與自然林分布Fig. 14 Distribution of Mississippi plantations and natural forests

4 結(jié)語(yǔ)

森林冠層高度監(jiān)測(cè)一直是研究的熱門方向，傳統(tǒng)光學(xué)數(shù)據(jù)主要反映的是二維平面反射率信息，加上多角度觀測(cè)等信息可以一定程度上反應(yīng)植被的垂直結(jié)構(gòu)，但是效果有限。星載激光雷達(dá)數(shù)據(jù)的出現(xiàn)一定程度上解決了植被結(jié)構(gòu)的監(jiān)測(cè)問(wèn)題，但是由于其離散分布的特性，使冠層高度的空間連續(xù)分布制圖依然面臨挑戰(zhàn)。如何更好地結(jié)合傳統(tǒng)光學(xué)數(shù)據(jù)和星載激光雷達(dá)數(shù)據(jù)繪制連續(xù)的森林冠層高度圖一直以來(lái)都備受關(guān)注。本研究使用了一種結(jié)合機(jī)載LiDAR 數(shù)據(jù)、ICESat-2 ATL08 數(shù)據(jù)、光學(xué)圖像、地形數(shù)據(jù)和氣候數(shù)據(jù)繪制整個(gè)密西西比州的30 m 分辨率森林冠層最大高度和冠層平均高度的方法。為了完成這項(xiàng)研究，收集了2018—2022 年密西西比州全境的ICESat-2 ATL08 數(shù)據(jù)和覆蓋約1500 km2的機(jī)載激光雷達(dá)數(shù)據(jù)，模擬了冠層最大高度和冠層平均高度圖，全面分析了這兩個(gè)數(shù)據(jù)在研究區(qū)內(nèi)的空間分布特征。并且使用冠層最大高度、冠層平均高度的差值和比值表示森林垂直結(jié)構(gòu)復(fù)雜度，分析了兩者在不同森林類型、地理區(qū)域以及人工林與天然林間的空間差異性。結(jié)果表明，森林區(qū)域冠層最大高度平均值為24.14 m，標(biāo)準(zhǔn)差為4.24 m。森林區(qū)域冠層平均高度平均值為12.04 m，標(biāo)準(zhǔn)差為2.59 m。密西西比州冠層高度估計(jì)值與原樣地測(cè)量值吻合良好（冠層最大高度R2=0.486，HRMSE= 4.532 m，冠層平均高度R2= 0.467，HRMSE= 2.848 m）。濕地森林、落葉林的冠層高度最大值與平均值的差值高于（比值低于）常綠林和混交林。天然林的垂直結(jié)構(gòu)復(fù)雜度要高于人工林。中國(guó)長(zhǎng)江三角洲地區(qū)主要受亞熱帶氣候影響，氣候溫和濕潤(rùn)、光照充足、降水充沛，其地形、氣候等環(huán)境因子與密西西比州類似。此外，長(zhǎng)江三角洲區(qū)域人工林分布較廣，約占森林總面積的55%。因此對(duì)密西西比州的冠層高度估算不僅可以揭示研究區(qū)冠層垂直結(jié)構(gòu)特征，也可為中國(guó)長(zhǎng)江三角洲區(qū)域人工林占主導(dǎo)的非山地林區(qū)的碳匯潛力估算、森林資源管理提供參考。