ICESat-2/ATLAS数据地面高程及植被冠层高度反演精度验证

张丛凯 于颖

摘 要：為验证新一代冰、云和陆地高程卫星ICESat-2/ATLAS陆地与植被高程产品（Land and Vegetation Height）ATL08数据地面高程和植被冠层高度的反演精度，以ICESat-2/ATLAS ATL08产品为研究对象，以黑龙江省帽儿山国家森林公园为研究区域，以高精度机载激光雷达数据及样地实测数据为参考，分析不同波束强度、时间、坡度及植被覆盖度下地面高程和植被冠层高度反演精度差异。研究表明，1）对地面高程来说，ATL08强波束的反演精度均方根误差（RMSE）为1.9 m，平均绝对误差（MAE）为1.1 m，弱波束的精度RMSE为4.1 m，MAE为2.0 m；2）对植被冠层高度来说，以高精度机载激光雷达数据提取冠层高度为参考，强波束的反演精度RMSE为2.7 m，MAE为2.3 m，弱波束RMSE为5.4 m，MAE为3.7 m。以样地实测树高数据为参考，夜间所有波束精度RMSE为1.8 m，MAE为1.6 m；3）随着坡度从0°增加到20°以上，地面高程反演精度的RMSE从2.3 m增大到7.7 m，植被冠高反演的RMSE从3.8 m增大到10.4 m；4）中低植被覆盖度范围（0%～80%）内，ATL08产品能较好地测量出地面高程，RMSE均小于1 m。高植被覆盖度（80%～100%）区域反演精度RMSE为3.5 m。在中等植被覆盖范围（40%～80%）内，ATL08产品能较为准确地测量出植被冠层高度，RMSE为2.6 m。植被覆盖度过高（80%～100%）或者过低（0%～40%），其精度都会下降，RMSE为4.6 m和3.3 m。ATL08数据反演地面高程和植被冠层高度的精度强波束优于弱波束，夜晚波束优于白天波束，夜晚强波束精度最高。随着坡度的增加，不同波束的地面高程和植被冠高反演误差均逐渐增大，坡度越大误差越大。地面高程反演在中低植被覆盖度情况下较为准确，植被冠层高度反演精度在中等植被覆盖度情况下达到最高。

关键词：ICESat-2；ATL08；地面高程；植被冠层高度；精度验证

中图分类号：S771.8 文献标识码：A 文章编号：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

基金项目：国家自然基金面上项目（31870621，31971580）；中央高校基本科研业务费专项资金项目（2572021BA08）

第一作者简介：张丛凯，硕士研究生。研究方向为林业遥感。E-mail：zckai1618@qq.com

*通信作者：于颖，博士，教授。研究方向为林业遥感。E-mail：yuying4458@163.com

0 引言

森林生态系统是陆地上最重要的生态系统，也是生物圈的重要组成部分，在缓解全球气候变暖中发挥了十分重要的作用[1-2]。但由于人类的过度开采，森林遭到严重的破坏，环境日益恶化，人们才逐渐意识到其重要性，开始重视和保护森林资源。林下地形测量同样十分重要，是各种后期森林制图及绘制大尺度数字地面模型 （Digital Terrain Model， DTM）的基础。而传统的相关数据获取方式主要以外业为主，费时费力且调查面积较小，不适合大范围的测量。随着激光雷达技术的发展，人们拥有了更方便的手段来获取森林参数。激光雷达是一种主动式的探测技术，对植被和地面有较强的探测能力，尤其是对植被冠层高度的探测，相较于其他类型的遥感数据具有独特的优势[3-5]，尤其是搭载于卫星平台的激光雷达，可以迅速、大面积地获取森林参数[6-8]。

NASA于2003年1月12日成功发射了冰、云和陆地高程卫星（ICESat-1），其上搭载的地球科学激光测高系统（Geoscience Laser Altimeter System， GLAS）是第一个专门用于对地球观测的激光雷达系统[9]。其在轨运行期间收集了大量数据，为反演森林相关参数提供了宝贵的依据[10-11]。2018年9月15日NASA又成功发射新一代冰、云和陆地高程卫星（ICESat-2）。ICESat-2搭载了与GLAS不同类型的先进地面激光测高系统（Advanced Topographic Laser Altimeter System，ATLAS），采用了微脉冲多波束光子计数激光雷达技术，这是该技术首次运用于星载平台[12-13]，可获取空间分辨率和定位精度更高的产品[14]。

现阶段ICESat-2的相关研究仍处于早期阶段，所用试验数据大都为早期版本甚至模拟数据。夏少波等[15]利用ICESat-2机载模拟数据MABEL估算美国加利福尼亚州的云杉平均树高，算法整体精度达97.6%。Neuenschwander等[16]使用芬兰地区的机载激光雷达为参考值，得出植被冠层高度和地面高程的均方根误差（RMSE）分别为3.69 m和0.85 m。Neuenschwander等[17]利用2008—2019年采集的芬兰南部的机载激光扫描 （Airborne Laser Scanning，ALS）数据，对ICESat-2的地面高程和植被冠层高度精度进行了综合评估。结果表明在北方地区，地面高程的RMSE值为0.73 m，使用夏季夜间强波束数据时，平均低估冠层高度0.56 m，RMSE%值为13.75%。董佳臣等[18]在温带森林和热带雨林2种不同条件下进行研究，结果表明ATL08数据产品提供的平均植被冠层高度和最大植被冠层高度与参考数据的决定系数（R2）在温带森林情况下分别为0.54和0.61；在热带雨林情况下的R2分别为0.21和0.19。Wang等[19]在美国阿拉斯加地区测得ICESat-2数据反演的地面高程与机载激光雷达反演的地面高程的总体平均差和RMSE值分别为-0.61 m和1.96 m。黄家鹏等[20]研究了ICESat-2/ATLAS不同波束数据反演林下地面高程的精度。结果表明强波束反演林下地面高程的精度为R2=1，RMSE=0.74 m，弱波束反演林下地面高程的精度为R2=1，RMSE=0.76 m，并发现随着植被冠层高度及植被覆盖度的不断增大，强弱波束数据误差均逐渐增大。Malambo等[21]在美国评估了ATL08产品的精度，结果显示ATL08与机载激光雷达地面高度一致性较高（Bias為0.18 m，pBias为0.1%），而植被冠层高度的一致性较低（Bias（平均偏差）为1.71 m，pBias（百分比偏差）为15.9%）。Liu等[22]利用机载雷达数据评价了美国多个地区ICESat-2地面高程及植被冠层高度值的准确性，得出在地面高程方面，中低纬度地区ICESat-2的RMSE为2.24 m，高纬度地区为0.98 m。植被冠层高度方面，只使用夜间强波束数据精度更高，和使用所有波束相比总体RMSE从7.21 m减少到3.93 m。

这些研究的试验区域大都位于欧洲及北美洲，研究区域内森林类型多为针叶林，并且用于验证的机载激光雷达数据的获取时间及精度也各不相同。且所用试验数据大都为早期版本甚至模拟数据，初期点云去噪分类方法不成熟，误差较大，难以充分说明ICESat-2对于地面高程及植被冠层高度的反演能力。本研究以最新发布的ICESat-2/ATLAS ATL08 v005版数据为研究对象，在黑龙江省帽儿山国家森林公园选择针阔叶混交林森林类型为研究对象，对比不同时间下强弱波束反演地面高程和植被冠层高度的精度，并探究坡度及植被覆盖度对于反演精度的影响。

1 研究材料

1.1 研究区域

研究区域位于黑龙江省帽儿山国家森林公园（127°29′～127°44′E，45°14′～45°29′N）。属于低山丘陵区，大部分地区坡度在5°～25°，平均海拔300 m，属长白山系张广才岭西坡。该地区为温带湿润地区，属大陆性季风气候。研究区域植被属长白植物区系，是典型的东北东部山区天然次生林区。目前主要植被类型是温带针阔叶混交林。主要树种有白桦（Betula platyphylla）、水曲柳（Fraxinus mandshurica）、榆树（Ulmus pumila）、落叶松（Larix gmelinii）、樟子松（Pinus sylvestries var. mongolica）、红松（Pinus koraiensis）、蒙古栎（Quercus mongolica）和胡桃楸（Juglans mandshurica）等。

1.2 研究数据

1.2.1 ICESat-2数据

ICESat-2携带的ATLAS通过偏转仪器将激光束分成3对光束。每对光束拥有一个强光束和一个弱光束，其能量比约为4∶1。ATLAS以10 kHz的频率产生重叠的足迹，沿轨采样间隔约0.7 m，足迹大小约12 m，如图1所示。相较于ICESat-1的170 m沿轨采样间隔和70 m的光斑直径，ICESat-2 可以生成更多的光斑，对地面拥有更大的覆盖，以获取精度更高的产品[23]。ICESat-2的各项技术指标参数见表1。

ICESat-2/ATLAS包含21种数据产品，分别命名为 ATL00至ATL21，包含0级、1级、2级、3A级和3B级共5级产品。ATL00为0级产品，提供原始遥测数据；ATL01和ATL02为1级产品，提供经过格式转换后的相关数据；ATL03和ATL04是2级产品，分别提供全球定位光子和大气后向散射数据; 3级产品则提供包括陆地冰、海冰、陆地植被、大气、海洋和内陆水的特定数据。

其中，ATL03产品为全球地理定位光子数据（Global Geolocated Photon Data），提供每个光子的时间、纬度、经度和椭球高度，是生成更高级产品的基础数据。ICESat-2任务专门为森林区域的地表提供了产品（ATL08），包括地面和植被冠层高度的沿轨高程剖面图[24]。

ATL08产品是利用NASA官方提供的去噪及分类算法对 ATL03数据进行处理，将ATL03的光子点云划分为冠层顶部光子、植被光子、地面光子和噪声光子，并统计每100 m单元格内的陆地和植被参数。图2展示了ICESat-2 ATL08产品的形状，该产品由3组地面轨道组成，每组2条，总计6条轨道。组内每条轨道之间的距离为90 m，每组之间的距离为3 km。ATL08产品中陆地参数包括在每100 m統计单元内的最小、平均和最大地面高程等；冠层参数包括在每100 m统计单元内的最小、平均、最大植被冠层高度和百分位植被冠层高度（10%～95%）等。ATL08产品中的光子分类信息可通过索引与ATL03产品相关联。

NASA现已公开发布19种ICESat-2/ATLAS数据，均可从美国冰雪数据中心（National Snow and Ice Data Center， NSIDC）免费下载，网址为（https：//nsidc.org/data/icesat-2/data-sets）。本研究使用ATL08产品及其对应的ATL03产品开展地面高程及植被冠层高度的精度验证，收集了该地区2019年3月和2020年1月的数据。数据版本为2021年11月发布的ICESat-2/ATLAS v005版最新版本数据。

1.2.2 机载激光雷达数据

本研究选择的机载激光雷达数据获取于2016年9月，由于研究区域森林多属成熟林，植被冠层高度短时间内不会发生太大变化，且林下地面高程不会随时间发生变化，因此该数据检验精度结果可靠。激光雷达传感器为Riegl LMS-Q680i，波长1 550 nm，激光雷达重频200 kHz，单条带点密度约为2点/m2，最大点云密度超过10点/m2，平均密度5点/m2。以1 m的空间分辨率测量出地面高程及植被冠层高度。坐标系为UTM投影坐标系，高程基准为WGS84基准面。

1.2.3 Landsat数据

为探究植被覆盖度对ICESat-2/ATLAS测高精度的影响，本研究使用Landsat 8数据提取研究区内植被覆盖度。Landsat 8是美国陆地卫星计划（Landsat）发射的第8颗卫星，于2013年2月11号成功发射。其携带的陆地成像仪（Operational Land Imager，OLI）和热红外传感器（Thermal Infrared Sensor，TIRS）可以获取多种数据。其数据的空间分辨率为30 m。本研究根据所使用的ICESat-2数据时间、云量，选择2019年9月24日的Landsat 8数据，其云量为0.57%。

1.2.4 样地实测数据

为进一步确认ICESat-2/ATLAS数据对于冠层高度提取的准确性，2021年7月在研究区域以ATLAS光斑点中心为样地中心，设置14块圆形样地（半径6 m）。利用RTK放样，选择固定解确定样地位置，测量样地范围内的胸径和树高。

2 研究方法

2.1 ICESat-2数据处理

从NSIDC官网下载所需的ICESat-2数据，ATL08数据产品以HDF5文件格式存储，以固定的100 m距离记录信息。根据帽儿山国家森林公园机载激光雷达数据范围对ATL08数据进行裁切，使其落在研究区域内，提取地面平均高度作为单元格内平均高程。由于ICESat-2数据类型为点云，冠层顶部信噪比不确定，本研究使用98%分位数植被高度数据（即RH98）来测量植被冠层高度，而不是冠层光子最大值。

2.2 机载数据处理

对机载激光雷达数据进行去噪并使用多级移动曲面算法分离地面点与非地面点[25-26]；然后利用反距离加权插值方法生成数字高程模型（Digital Elevation Model，DEM）和数字表面模型（Digital Surface Model，DSM），通过栅格减法归一化处理后得到冠层高度模型 （Canopy Height Model，CHM）。同时对生成的DEM数据进行坡度分析，为后续探究坡度对ATL08数据反演精度影响提供基础数据。

使用ATL08数据在试验区域内轨迹的第一段和最后一段的中心点位置来计算生成缓冲区所需的斜率，在这些段的中心周围生成一个100 m × 12 m的矩形缓冲区。利用得到的DEM产品，计算缓冲区内的平均地形高度和坡度。将数据按坡度低（≤10°）、中（＞10°～20°）、高（≥20°）来进行分类。对于每个ICESat-2缓冲区，利用获得的CHM产品提取其中所有CHM植被冠层高度值，对值进行排序，计算其第98百分位数（RH98）。为了对高程数据进行一致性分析，高度必须参考相同的垂直基准，ATL08数据与机载激光雷达数据垂直基准均为WGS84椭球，无须转换。

2.3 Landsat数据处理

帽儿山国家森林公园地区Landsat 8数据经过辐射定标和大气校正并重采样为10 m分辨率，计算出归一化植被指数（Normalized Difference Vegetation Index，NDVI），利用像元二分法[27]提取出植被覆盖度（Fractional Vegetation Cover，FVC）。把植被覆盖度分为低、中、高3个范围，即≤40%、＞40%～80%、≥80%来进行分类，以探究植被覆盖度对ATL08数据反演精度的影响。

2.4 精度验证

利用参考高度数据和对应的ATL08高度数据进行精度评估。由于强波束与弱波束穿透森林冠层能力不同，且不同时间波束也会影响精度，因此把所有波束分为白天强波束、夜晚强波束、白天弱波束、夜晚弱波束进行分组试验。统计的内容包含平均偏差（Bias，式中用Bias表示）、平均绝对误差（MAE，式中用MAE表示）、决定系数（R2）和均方根误差（RMSE，式中用RMSE表示）。计算公式如下。

3 结果分析

3.1 地面高程验证结果

将ATL08产品得出的地面高程值与机载激光雷达数据的参考值进行比较。统计研究区域强波束与弱波束在白天与夜晚不同情况下ATL08数据反演林下地面高程的精度，见表2，散点图如图3所示。

研究区域强波束数据的地面高程RMSE为1.9 m，MAE为1.1 m，弱波束RMSE为4.1 m，MAE为2.0 m。在不同时间的分组试验中，白天强波束所测地面高程RMSE为3.0 m，MAE为1.9 m；夜间强光束所测地面高程RMSE为1.3 m，MAE为0.8 m；白天弱波束所测地面高程RMSE为8.2 m，MAE為5.8 m；夜晚弱波束所测地面高程RMSE为1.3 m， MAE为0.8 m。

强波束的精度（RMSE=1.9 m，MAE=1.1 m）显著高于弱波束（RMSE=4.1 m，MAE=2.0 m）。因为强波束的能量是弱波束的4倍，穿透植被能力更强，更多的光子可以到达地面，能更加精准地刻画林下地形。相同强度的波束，夜晚的精度都高于白天。原因是白天大量的太阳背景噪声对去噪过程造成不利影响，进而影响后续分类结果的准确性。

3.2 植被冠层高度验证结果

将ATL08产品得出的植被冠层高度值与机载激光雷达数据提取冠高的数据进行比较，统计研究区域强波束与弱波束、白天与夜晚不同类型下ATL08数据反演出植被冠层高度的精度，见表3，散点图如图4所示。

研究区域强波束数据的植被冠层高度RMSE为2.7 m，MAE为2.3 m，弱波束RMSE为5.4 m，MAE为3.7 m。在不同时间的分组试验中，白天强波束所测植被冠层高度RMSE为4.2 m，MAE为3.3 m；夜间强光束所测植被冠层高度RMSE为2.0 m，MAE为2.0 m；白天弱波束所测植被冠层高度RMSE为7.0 m，MAE为7.8 m；夜晚弱波束所测植被冠层高度RMSE为2.8 m，MAE为2.0 m。

与反演地面高程的情况相同，强波束的精度（RMSE=2.7 m，MAE=2.3 m）高于弱波束（RMSE=5.4 m，MAE=3.7 m）。原因同样是强波束的能量比弱波束的强，穿透植被的能力更强。相同强度的波束，夜晚的精度均高于白天，原因同地面高程一样。但在白天情况下，弱波束的精度（RMSE=7.0 m，MAE=7.8 m）比较低，不能准确测量植被冠层高度。

采用样地实测平均树高数据同步验证将ATL08光子分类信息关联ATL03后计算的相对应光斑点内平均冠层高度数据（表4和图5），RMSE为1.8 m，MAE=1.6 m，精度高于以机载激光雷达为参考的误差。证明ATLAS测量冠层高度较为准确，但受限于实地调查只能获取小面积数据，因此只能采用机载激光雷达数据来进行大范围的验证。

3.3 坡度对于反演精度的影响

统计不同坡度条件下强、弱波束数据的反演精度。不同坡度条件下2组数据误差的箱形图如图6所示。具体情况见表5和表6。

0°～10°分组反演地面高程精度RMSE为2.3 m，MAE为1.2 m； ＞10°～20°分组RMSE为4.7 m，MAE为2.6 m；20°及以上分组RMSE为7.7 m，MAE为5.0 m。冠层反演精度，0°～10°分组地形反演精度RMSE为3.8 m，MAE为2.5 m；＞10°～20°分组RMSE为5.0 m，MAE为2.9 m；20°及以上分组RMSE为10.4 m，MAE为6.4 m。

随着坡度的增大，强弱波束测得地面高程和植被冠层高度的RMSE、Bias、MAE均逐渐上升， R2逐渐降低。坡度对于ATL08数据测高精度影响较大，在平缓的地面下，ATL08可以提供较为精确的测高效果，在坡度增大时测高的效果会出现较大的误差。其原因是坡度的增加，在ATL08数据早期的去噪过程中不能准确地把地面附近的噪声光子剔除，影响分类结果，进而造成较大的误差。

3.4 植被覆盖度对于反演精度的影响

统计了不同植被覆盖度下强、弱波束数据的反演精度。不同坡度森林覆盖条件下2组数据误差的箱形图如图7所示。具体情况见表7和表8。

地面反演精度0%～40%分组地形反演精度RMSE为0.6 m，MAE为0.4 m；＞40%～80%分组RMSE为0.9 m，MAE为0.5 m；≥80%～100%分组RMSE为3.5 m，MAE为1.8 m。冠层反演精度，0%～40%分组植被冠层高度反演精度RMSE为3.3 m，MAE为1.8 m；＞40%～80%分组RMSE为2.6 m，MAE为1.6 m；≥80%～100%分组RMSE为4.6 m，MAE为2.8 m。

对于地面高程来说，在中低植被覆盖度范围（0%～80%）内，ATL08能较好地测量出地面高程，在植被覆盖度达到80%后，其精度会出现明显的下降，出现了较高的RMSE，原因为植被覆盖密集区域ICESat-2点云不易达到地面，且地面上会长有较多低矮植被，较少光子点落在地面上，不能准确地识别地面导致的测高精度下降。

对植被冠层高度来说，在中等植被覆盖度范围（＞40%～80%）内，ATL08能较好测量出植被冠层高度。植被覆盖度过高（≥80%～100%）或者过低（0%～40%），其精度都会下降。考虑原因为在植被覆盖度过高区域，ICESat-2点云不易达到地面，不能准确获取地面信息；植被覆盖度低的区域植被上到达的点云不足，不能准确测量植被冠层高度，导致误差增大。

4 讨论与结论

4.1 讨论

以高精度机载激光雷达数据为参考，ATL08数据对于地面高程的反演较为准确，其中夜间强波束的RMSE最小可达1.3 m。对于植被冠层高度的反演精度，本研究中强波束反演精度的RMSE为2.7 m，夜间强波束最优RMSE为2.0 m。与参考文献[18]中温带森林平均冠高的RMSE 2.55 m接近，低于参考文献[16]的平均冠高RMSE的3.69 m和参考文献[22]夜间强波束RMSE的3.93 m，但略微大于参考文献[17] 夏季冠层高度误差RMSE的2.5 m。推测原因为参考文献[17] 研究区域位于寒温带的欧洲北部，树种组成主要是针叶林，而本研究的研究区域位于中国北方的中温带，树种组成是以阔叶林为主的针阔叶混交林。针叶林相比于针阔叶混交林，冠层间的间隔较大，ICESat-2的光子更易穿透树冠，到达地面，从而刻画出更精准的林下地形。而阔叶林树冠密集，到达地面的光子较少，不能充分地刻画出林下地形，导致植被冠层高度出现误差。另外，研究中采用的机载激光雷达数据与ATLAS数据存在时间不同步的情况，影响了检验的精度。但是采用实测样地数据检验ATLAS提取的冠高，精度高于机载激光雷达数据的验证结果，RMSE为1.8 m，MAE为1.6 m，说明ATLAS测量冠层高度较为准确，但实测数据获取困难，难以大范围验证。

植被覆盖度是影响ATL08数据反演精度的重要因素之一。ICESat-2/ATLAS是首个搭载光子计数激光雷达的卫星，不同于大光斑激光雷达，光子点云密度较低，不能对足印范围内的物体实现完整测量，光子的空间分布与树木的种类、密集程度有较大关系。树木本身越茂盛、树木间的距离越小，光子的分布情况就会更差，不能准确地测量高度。这可以解释在中低植被覆盖度（0%～80%）情况下，地面高程反演精度较高，而高植被覆盖度（≥80%～100%）出现较大误差的情况。而对于植被冠层高度，在植被稀疏的情况下，光子可能大部分落在地面上而不是植被上，导致不能完整地刻画冠层，甚至会把冠层周围的噪声光子和真正的冠层光子互相混淆导致分类错误。使低植被覆盖度（0%～40%）情况下误差增大。

坡度同样影响ATL08的反演精度。ATL08产品是由ATL03产品去噪、分类生成的，去噪、分类的准确与否直接决定着ATL08产品的准确性。而在较高坡度的情况下，目前的分类算法无法准确地识别出地面附近的噪声光子，常将二者混淆，导致得出的地面高程与实际情况不符，进而导致后续植被冠层高度的计算出现误差。因此在较高坡度时测高精度会下降。

4.2 结论

以机载激光雷达数据及样地实测数据为参考，评估了ICESat-2/ATLAS ATL08最新版产品不同波束反演地面高程及植被冠层高度的精度，并探究了不同时间、不同坡度及不同植被覆盖度对于反演精度的影响。研究结果显示，ATL08数据反演地面高程及植被冠层高度精度强波束均优于弱波束，夜晚精度均优于白天，夜晚强波束精度最高。强弱波束二者均可以为反演地面高程提供较为准确的依据，但建议不要采用弱波束进行冠层高度估计，其误差较大。坡度和误差呈正相关，坡度越大，误差越大。地面高程反演精度在中低植被覆盖度情况下较为准确，植被冠层高度反演精度在中等植被覆盖度情况下达到最高。

【参 考 文 献】

[1]赵同谦，欧阳志云，郑华，等.中国森林生态系统服务功能及其价值评价[J].自然资源学报，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]秦建华，姜志林.森林在大气碳平衡中的作用[J].世界林业研究，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]赵峰，李增元，王韵晟，等.机载激光雷达（LiDAR）数据在森林资源调查中的应用综述[J].遥感信息，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，代劲松，等.激光雷达技术估测森林生物量的研究现状及展望[J].南京林业大学学报（自然科学版），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，刘清旺，等.基于机载LiDAR数据的林分平均高及郁闭度反演[J].东北林业大学学报，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，刘清旺，庞勇.激光雷达森林参数反演研究进展[J].遥感学报，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]于颖，范文义，李明泽，等.利用大光斑激光雷达数据估测树高和生物量[J].林业科学，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，习晓环，等.ICESat-2机载试验点云滤波及植被高度反演[J].遥感学报，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，倪文俭，张志玉，等.ICESat-2植被冠层高度和地表高程数据产品用于森林高度提取的效果评价[J].遥感学报，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]黃佳鹏，邢艳秋，秦磊，等.ICESat-2/ATLAS数据反演林下地形精度验证[J].红外与激光工程，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]杨帆，温家洪.ICESat与ICESat-2应用进展与展望[J].极地研究，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]蔡龙涛，邢涛，邢艳秋，等.基于ICESat-GLAS数据和模糊模式识别算法识别森林类型[J].南京林业大学学报（自然科学版），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，习晓环，等.多级移动曲面拟合的自适应阈值点云滤波方法[J].测绘学报，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，张巧凤，等.基于像元二分法和强度分析方法的内蒙古植被覆盖度时空变化规律分析[J].生态环境学报，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.