不同植被覆盖区ICESat-2和GF-7卫星地表高程信息对比研究

覃志刚 尤号田,* 黄元威 王玉 李立存 陈建军

不同植被覆盖区ICESat-2和GF-7卫星地表高程信息对比研究

覃志刚1尤号田1,*黄元威1王玉1李立存2陈建军1

（1 桂林理工大学测绘地理信息学院，桂林 541006）（2 林之源（北京）林业工程咨询有限公司，北京 100020）

卫星立体影像和星载激光雷达是获取区域数字表面模型（DSM）的主要技术手段，为进一步研究利用两类数据获取地表高程结果的差异，文章选取冰云陆地高程卫星（ICESat-2）与“高分七号”卫星（GF-7）立体影像，在不同植被覆盖情况下对利用两类数据生成的地表高程结果进行对比研究。结果表明，在耕地、草地、森林三种不同植被覆盖区域下，ICESat-2强波束与GF-7生成DSM的相关性较好，相关性与均方根误差分别为0.98/6.56 m、0.99/8.76 m、0.95/35.17 m，弱波束的相关性与均方根误差分别为1.00/4.45 m、0.99/7.09 m、0.96/29.36 m；在森林区域两类数据结果差异相对较大，两者相关性弱于草地和农田，经重新滤波处理后两类数据相关性得到提升，其强/弱波束与GF-7生成DSM的相关性均可达到0.99，均方根误差与绝对误差的平均值也大幅减小，且随着统计尺度的增加逐渐下降。同时，基于官方滤波算法所得强/弱波束数据均会高估数字表面高程，且弱波束反演精度略优于强波，但经重新滤波处理后，强、弱波束反演精度相近，且弱波束出现低估数字表面高程的现象。

地表高程信息 不同植被覆盖类型 重新滤波

0 引言

随着测绘遥感技术的不断发展，缺乏高程信息的二维地理信息数据已经无法满足社会发展的需要，如何准确获取三维地理信息变得极为重要。数字表面模型（Digital Surface Model，DSM）是包含了地表建筑物、树木冠层高程信息的地面高程模型，能够真实表达地球表面的高度起伏变化，显示各类地物的水平形状及高程信息，是反映三维景观的重要信息源之一，现已在数字高程模型（Digital Elevation Model，DEM）生成、森林生长变化监测、违规建筑监测等多个领域发挥着重要作用[1-3]。

机载激光雷达被认为是现今最有希望替代野外数据采集的技术手段，虽能准确获取DSM及DEM，但是因数据获取成本较高，难以进行大区域推广[4-6]。星载激光雷达覆盖区域大且数据可公开获取，因此已广泛应用于大区域DSM数据生成[7]。现阶段研究中应用的星载激光雷达数据主要是来源于ICESat-2搭载的先进地形激光测高系统（Advanced Topographic Laser Altimeter System，ATLAS），该系统采用灵敏的单光子探测器，具有更高的脉冲重复频率，可以获取光斑更小、密度更高的光子点云数据，能够获取更精细的地表三维信息[8]。目前已有大量基于ICESat-2/ATLAS数据进行多种类型高度反演的研究，如：文献[9]基于ICESat-2/ATLAS数据进行芬兰北方森林林下数字地形模型与冠层高度模型反演，其相关性²分别为0.99和0.98，均方根误差分别为0.85 m和3.69 m；文献[10]基于ATL08数据对温带森林及热带雨林的平均冠层高度与最大冠层高度进行反演，温带森林与热带雨林平均冠层高度的2分别为0.65和0.61，最大冠层高度的²分别为0.21和0.19。研究表明，ICESat-2数据反演温带森林高度参数精度相对较高，而对于热带雨林高度参数的反演精度则较低。关于ICESat-2数据森林区域的研究多以反演林下地形及冠层高度为目标，而基于ICESat-2数据反演DSM的研究则相对较少，但以往冠层高度反演结果也从侧面表明基于ICESat-2数据进行森林区域高度反演时有出现相对较大偏差的可能性。

除星载激光雷达外，星载高分立体影像也是获取大区域DSM的主要技术手段，其中GF-7作为我国首颗民用亚米级高分辨率光学传输型立体测绘卫星，其搭载的双线阵立体测绘相机，可提供分辨率优于0.8 m的立体影像[11]。在轨测试结果表明GF-7立体影像生成DSM几何精度满足1︰10 000比例尺立体测图指标要求[12]。文献[13]利用GF-7获取的多源数据进行平面和高程精度优化，无控条件下生成的DSM高程误差平均值为–4.268 m，中误差为4.518 m。利用激光测高数据可明显优化DSM数据，经过中值模型优化后的DSM高程误差平均值提升为–0.272 m，中误差提升为1.508 m。文献[14]分别测试了平地、丘陵和山地三种不同地形条件GF-7立体影像无控条件下生成DSM及以激光测高点作高程控制下DSM的精度，结果在无控情况下平地高程的中误差为6.42 m，平均差为–3.94 m；丘陵高程的中误差为9.37 m，平均差为–2.37 m；山地高程的中误差为9.71 m，平均差为4.61 m。激光测高点高程控制下平地高程的中误差为0.85 m，平均差为0.53 m；丘陵高程的中误差为0.80 m，平均差为0.54 m；山地高程的中误差为0.51 m，平均差为0.15 m；激光测高数据对GF-7 DSM高程精度具有很好的提升作用。文献[15]利用外业控制资料，验证了平地、丘陵、山地和高山等地形条件下GF-7立体影像生成1︰10 000 DSM的精度，结果显示平地最大误差为0.50 3m，中误差为0.248 m；丘陵地最大误差为0.954m，中误差为0.515 m；山地最大误差为1.860 m，中误差为0.893 m；高山地最大误差为3.337 m，中误差为1.237 m。上述研究结果表明，GF-7立体影像生成DSM具有较好的高程精度，无控条件下山地高程误差大于丘陵和平地，且中误差均小于10 m，平均差小于5 m，经控制点校正后精度会得到大幅度提升，中误差一般控制在1 m左右。虽然ICESat-2和GF-7均能获 取植被冠层高程信息，但二者在不同植被覆盖条件下获取冠层高程数据能力的优劣仍未有研究能够表明。

基于此，本文以ICESat-2/ATLAS数据和GF-7立体影像为基础，对不同植被覆盖情况下两类数据获取植被冠层高程信息结果进行对比研究，并对差异较大区域的ICESat-2/ATLAS数据进行数字高程模型辅助重新滤波处理，以验证二者在不同植被覆盖条件下获取冠层表面高程能力的优劣，以期为未来二者数据协同获取复杂山区精确DSM提供技术与方法支撑。

1 研究区概况

为验证不同植被覆盖类型下利用ICESat-2与GF-7数据获取植被冠层高程信息的差异，本文以广西壮族自治区及周边为研究区，具体位置如图1所示。研究区底图为GF-7多光谱RGB波段合成图，红、绿光斑分别为强、弱光束轨迹。其中，如图1（b）所示的研究区1地处低纬度范围，属中亚热带季风气候，山区气候特征比较明显，选择研究的植被类型为森林；如图1（c）所示研究区2属南亚热带季雨林植被区，植被资源丰富，选择植被类型为草地；如图1（d）所示的研究区3地处低纬，居亚热带季风气候区，其东北及东南部地面起伏平缓，耕地连片集中是水稻主要产区，中部及西南部耕地小片而分散是黄豆、玉米主要产区，选择区域内的耕地作为研究的植被类型。

2 研究数据及其处理

2.1 ICESat-2数据

ICESat-2/ATLAS采用发射频率为10 kHz的激光，利用衍射光学元件将单束激光分裂为3组6波束，每组跨轨间距与组内跨轨间距分别为3.3 km与90 m，且每组激光都有指定的强波束与弱波束，强弱波束能量比为4︰1，获取的光斑直径约17 m，沿轨道间隔约0.7 m，平面定位精度优于6.5 m[8, 16-17]。根据研究需求，选取ATL03地形高程数据[18]与ATL08植被冠层高度及地表高程数据[19]进行研究。其中，ATL03数据提供了每个光子时间、经纬度以及高程信息；ATL08数据则是基于ATL03数据采用差分、回归和高斯自适应最近邻算法进行去噪，再通过NASA官方分类算法对有效光子进行分类划分为噪声光子、地面光子、冠层光子以及冠层顶部光子[20]。研究所用数据参数如表1所示。

图1 研究区位置示意

表1 ICESat-2/ATLAS数据参数

Tab.1 Parameters of ICESat-2/ATLAS data

为了同时获取到每个光子的空间分布和分类信息，需将ATL03和ATL08数据进行关联，具体步骤如下[21]：1）提取ATL03数据中光子云数据的经度、纬度与高程信息；2）提取ATL08数据中的光子分类参数、关联参数，其中光子分类参数的值为0、1、2、3分别表示噪声光子、地面光子、冠层光子、冠层顶部光子；3）遍历ATL03、ATL08数据，通过组号匹配获取该组起始光子序号，再由光子的相对序号加上所在组的起始光子序号得到ATL03中的光子序号。经过上述步骤即可完成光子数据关联，再结合光子光斑直径按沿轨距离间隔17 m将冠层光子及冠层顶部光子高程值最高点作为植被冠顶点对数据进行重采样。

但激光点呈离散分布，无法提供空间连续的森林高度信息，要想实现空间大区域连续制图需要联合其他遥感数据进行模型外推[22]。因此，研究仅对重采样后所提取的植被冠顶点高程信息与GF-7生成的DSM进行对比分析，而不具体提取冠层的轮廓以及模型外推。

2.2 GF-7数据

GF-7作为我国首颗民用亚米级高分辨率光学传输型立体测绘卫星，其搭载双线阵立体测绘相机可提供分辨率优于0.8 m的立体测绘影像和3.2 m分辨率的多光谱影像[23]。研究所用数据参数如表2所示。

表2 GF-7立体影像数据参数

Tab.2 Parameters of GF-7 stereo imagedata

利用超大规模卫星数据处理系统（Space Data Processor，SDP）对GF-7立体影像进行处理，通过迭代的方式自动匹配连接点并去除误匹配点，最终获取到数量足够多且分布均匀的连接点，经检查发现三个研究区连接点平面精度均优于1 m。由于软件具备地形控制功能，仅依靠系统自带的地形数据（Shuttle Radar Topography Mission，SRTM）作为约束即可实现平面和高程校正，其精度接近有控制点精度（误差约为2 m～3 m），添加谷歌2 m分辨率影像作为底图进行偏移校正，软件带有的检校功能可以校正CCD影像拼接、姿态抖动导致的误差。对于GF-7等亚米级卫星，经SDP软件处理后，其单景DSM分辨率默认为影像分辨率的2倍，并且为与ICESat-2/ATLAS数据进行空间尺度匹配，将GF-7数据生成的DSM采用三次卷积插值法重采样为17 m×17 m。

2.3 辅助数据

（1）地表覆盖类型数据

为研究耕地、草地、森林不同植被类型覆盖区域ICESat-2/ATLAS植被冠顶点高程信息与GF-7数据生产DSM之间的相关性，需对研究区不同土地覆盖类型进行提取。本研究选用2020年ESA全球土地覆盖产品[24]，该数据由是欧空局联合全球多家科研机构基于Sentinel-1和Sentinel-2数据制作完成，空间分辨率为10 m，包含耕地、林地、草地、灌木、湿地、水体等11类不同土地覆盖类型。

（2）地形数据

为了有效去除森林区域ICESat-2数据的噪声信号，拟引入DEM作为辅助数据。目前公开能获取到的DEM数据中，先进陆地观测卫星（ALOS-1）搭载PALSAR传感器所提供的12.5 m地形数据，具有更高的空间分辨率与更少的数据空洞，且相比SRTM和ASTER数据拥有更高的数据品质[25]，因此本研究选取ALOS-1获取的2.5 m地形数据[26]作为重新滤波的辅助数据，并且为保持与重采样后的ICESat-2与GF-7数据空间尺度一致性，将ALOS-1数据重采样至17 m。

3 研究方法

3.1 不同植被覆盖下高程信息对比研究

在不同植被覆盖类型提取的基础上，利用经纬度信息将ICESat-2数据所提取的植被冠顶点与GF-7立体影像生成的DSM数据进行匹配，以研究不同植被覆盖情况下两DSM数据结果的相关性。为了直观展示两类数据的相关性，将其转换为沿轨距离-高程的形式。考虑草地与耕地通常难以出现较长距离的连续，因此选择分区段展示，具体如图2所示。

3.2 基于DEM辅助数据的重新滤波

对ICESat-2光子云数据而言，去噪及光子分类结果直接影响植被冠层高程信息的精度。由于在森林区域ICESat-2/ATLAS数据的地面光面点很可能存在丢失或错分的情况，难以描绘出完整且连续的地表导致不能作为评判光子数据高程是否超出范围的参考标准，因此引入外部DEM作为辅助数据对去噪处理后的光子数据进行重新滤波处理，主要包括以下步骤：

1）数据切分。根据沿轨距离对数据进行分组，间隔160 m为一组。

2）粗去噪。采用重采样后的ALOS卫星地形数据作为辅助数据对ATLAS数据进行初步去噪，将光子云数据的高程信息与对应的DEM值进行差值，根据研究区最大树高保留差值绝对值在40 m以内数据。

3）精去噪。采用椭圆搜索域的局部距离统计算法，为了避免处于组内边界的光子在进行统计时受到边界效应的影响，在进行距离统计计算时会在各组边界两端添加40 m的数据作为缓冲区，统计各光子最临近的个光子的总距离（值设定为弱波束参与统计的光子数的1/10，强波束则为1/40），如式（5）所示。

式中和分别表示沿轨距离方向的坐标和高程方向的坐标；（x，h）为目标点的坐标；（x，h）为目标点的第个邻近点的坐标；、为椭圆搜索域的长、短半轴，长短半轴比为6︰1。

将统计得到的局部距离统计值进行升序排列，再按顺序将相邻两个值做差，得到各光子云数据局部距离统计值之间的差值，再通过Z-score离群点检测的方法对该差值进行突变点检测，而后根据得出差值突变点的索引查找相应局部距离统计值生成候选阈值列表，并在满足保留80%以上数据的情况下将该突变点高程值作为噪声阈值；最后再对每个组内的数据分窗口采用Z-score离群点检测出窗口内的高程离群点（弱波束采用40 m窗口，强波束采用10 m窗口）。Z-score离群点检测方法是以标准差为单位去度量某一原始分数偏离平均数的距离，如式（6）所示。

式中为原始分数；为总体均值；为标准差；为偏移距离，通常将偏移距离大于3的点作为离群点。

4）冠层顶部光子识别。通过将17 m间隔内高程最大值作为树冠点对去噪后光子进行重采样，通过光子点经纬度信息与GF-7立体影像数据重采样后的DSM数据进行匹配，并统计17 m、50 m、80 m和100 m窗口尺度下两类数据的相关性评价指标。

4 结果与分析

4.1 不同植被覆盖类型下高程信息对比分析

耕地、草地和森林不同植被覆盖类型下ICESat-2/ATLAS强、弱波束与GF-7立体影像生成DSM数据相关性统计结果如表3所示。

表3 相关性统计表

Tab.3 Correlation statistics results

为进一步探究森林区域两类数据间误差的来源，利用图2相似方法将森林区域两类数据相关性和ATL08所标识的光子分类信息及空间分布进行直观展示，具体如图3所示。

图3 森林区域ICESat-2/ATLAS光子空间分布和分类结果

对图3进行分析发现，在森林区域沿轨距离局部区域ICESat-2/ATLAS强、弱波束植被冠顶点高程与GF-7立体影像生成的DSM间存在较大偏差，主要表现：一是该区段光子云数据出现明显的上下分层，且上下层高程差平均约为100 m远大于当地树高，初步认为上下两层中应有一层数据为官方算法在该区段内滤波及分类错误所致，同时考虑与GF-7生成DSM和DEM之间的高程差异，判定上层数据为噪声信号；二是该区段内噪声信号与光子信号高程信息及密集情况相近，官方算法对信号点与噪声点的滤波与分类存在问题，导致两类数据间出现较大差异。综上所述，GF-7生成的DSM与DEM数据始终保持着较高的一致性，而ICESat-2/ATLAS数据提取冠层高程信息则在某些区域与DEM数据存在较大的偏差。由定性分析可知，在森林区域GF-7生成的DSM相较于ICESat-2/ATLAS所提取到的冠层高程信息具有更高的精度，因此需对森林区域ICESat-2光子点云数据进行重新滤波处理。

同时，对图3（a）和（b）两图所示结果进行对比分析发现，强波束在对地表地物描绘的完整程度上会优于弱波束，可为后续反演地形及冠层高度等参数信息提供更为准确的数据。

4.2 基于DEM辅助数据的重新滤波结果

综上分析可知，森林区域ICESat-2/ATLAS与GF-7卫星生成DSM数据间的较大误差主要是由ICESat-2/ATLAS数据滤波不准确所致，因此研究选择引入DEM辅助数据对ICESat-2光子点云数据进行粗去噪，该方法在结合地形信息的基础上只需加入当地树高作为参考即可剔除高程过高的噪声信号，并且不会受到光子信号密度的影响，针对森林区域所出现的噪声信号情况该方法简单且有效，其去噪效果如图4所示。

图4 ICESat-2/ATLAS粗去噪结果

对图4所示去噪效果进行分析可知，引入地形数据可以将明显高于地面的噪声点剔除，因而能够较好的解决光子信号与噪声信号出现上下分层的问题。经过DEM粗去噪后的数据与地面趋势有着较好的一致性，且该方法是基于高程参数对光子进行去噪不会因为信号点密度较低而造成信号点的丢失。

对于粗去噪后的光子点云数据，椭圆搜索域局部距离统计与高程离群点检测方法的结合能够有效的检测出离散的噪声信号以及沿轨间距内明显的高程离群点，其去噪效果如图5所示。

图5 ICESat-2/ATLAS精去噪结果

如图5所示，经过DEM粗去噪后的光子数据其信噪比较高，而在精去噪这一步所采用的局部距离统计算法能够较好的剔除这些剩余的孤立噪声点并且也能对信号点的数据进行了较大程度的保留，其次采用Z-score离群点检测的方法对位于信号点附近但高程参数属于离群状态的高程离群点也有着较好的剔除效果。

在完成重新滤波后对数据进行重采样处理，将冠层顶部信号点与GF-7所生成的DSM进行匹配，结果如图6所示。经过重新滤波后两类数据间的相关性得到明显提升，例如：在沿轨距离5 200 m～5 600 m窗口经重新滤波处理后，ICESat-2数据提取到的冠层高程信息与GF-7生成的DSM之间的高程差得到大幅度减小，表明重新滤波取得了较好的结果；在沿轨距离10 400 m～10 800 m窗口经重新滤波处理后，ICESat-2数据提取到的冠层高程信息与GF-7生成的DSM间的高程差得到一定程度的减小，但相对而言仍较大。具体统计结果如表4所示。

图6 森林区域重新滤波前后强、弱波束数据提取冠顶点高程与GF-7数据生成DSM对比

表4 森林区域重新滤波前后强、弱波束数据提取冠顶点高程与GF-7数据生成DSM数据相关性统计表

Tab.4 Correlation statistics results of the surface elevation obtained from the strong beam and weak beam data before and after re-filtering and the DSM generated by GF-7 in forest area

5 结束语

本文探讨了ICESat-2/ATLAS数据植被冠顶点高程信息与GF-7立体影像数据生成的DSM在不同植被覆盖区域的差异，并着重针对森林区域出现较大误差的情况进行了深入分析及数据的滤波处理，得出以下结论：

1）不同植被覆类型下ICESat-2/ATLAS数据提取到的植被表面高程信息与GF-7立体影像生成DSM数据具有较好的相关性，但森林区域的相关性弱于耕地和草地；

2）基于DEM辅助数据的滤波算法能够实现森林区域ICESat-2数据噪声的有效去除，经重新滤波后ICESat-2数据与GF-7立体影像生成DSM相关性得到较大提升，并且随着统计尺度的增大，两类数据之间的偏差会随之逐渐减小；

3）强、弱波束由于自身激光强度不同，在重新滤波前后所提取到的植被冠顶点高程信息的表现不同，具体为：经官方算法处理，强/弱波束数据均会高估冠层表面的高度，且弱波束反演精度略优于强波束；重新滤波处理后，强、弱波束反演精度相近，且弱波束出现低估冠层表面高度的现象。

虽然星载激光雷达和星载高分立体影像均可获取植被表面高程信息，但两者均存在其局限性，会受到森林水汽、云层等自然环境因素的影响，从而导致数据的可靠性下降或出现数据空洞，两者数据结合有可望实现数据优势互补，为后续森林结构参数精确反演提供可靠的基础数据。

[1] 喻龙华, 王雷光, 吴楠, 等. 复杂地形DSM的地面点识别及DEM提取[J]. 测绘通报, 2018(5): 59-64. YU Longhua, WANG Leiguang, WU Nan, et al. Ground Points Recognition and DEM Extraction Based on DSM in Complex Terrain[J]. Bulletin of Surveying and Mapping, 2018(5): 59-64. (in Chinese)

[2] JÄRNSTEDT J, PEKKARINEN A, TUOMINEN S, et al. Forest Variable Estimation Using a High-resolution Digital Surface Model[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2012, 74: 78-84.

[3] HAALA N, KADA M. An Update on Automatic 3D Building Reconstruction[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2010, 65(6): 570-580.

[4] WANG Y, NI W, SUN G, et al. Slope-adaptive Waveform Metrics of Large Footprint Lidar for Estimation of Forest Aboveground Biomass[J]. Remote Sensing of Environment, 2019, 224: 386-400.

[5] PITKÄNEN T P, RAUMONEN P, KANGAS A. Measuring Stem Diameters with TLS in Boreal Forests by Complementary Fitting Procedure[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2019, 147: 294-306.

[6] 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.

[7] 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 Zengyuan, LIU Qingwang, PANG Yong. Review on Forest Parameters Inversion Using LiDAR[J]. Journal of Remote Sensing, 20(5): 1138-1150. (in Chinese)

[8] 蔡龙涛, 岳春宇, 黄缙, 等. 国产星载激光雷达森林回波波形模拟仿真研究[J]. 农业机械学报, 2022, 53(4): 208-217. CAI Longtao, YUE Chunyu, HUANG Jin, et al. Simulation on Forest Echo Waveforms of Domestic Spaceborne LiDAR[J]. Transactions of the Chinese Society for Agricultural Machinery, 2022, 53(4): 208-217. (in Chinese)

[9] NEUENSCHWANDER A L, MAGRUDER L A. Canopy and Terrain Height Retrievals with ICESat-2: A first look[J]. Remote sensing, 2019, 11(14): 1721.

[10] 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 Jiachen, NI Wenjian, ZHANG Zhiyu, et al. Performance of ICESat-2 ATL08 Product on the Estimation of Fores Height by Referencing to Small Footprint LiDAR Data[J]. National Remote Sensing Bulletin, 2021, 25(6): 1294-1307. (in Chinese)

[11] 曹海翊, 戴君, 张新伟, 等. “高分七号”高精度光学立体测绘卫星实现途径研究[J]. 航天返回与遥感, 2020, 41(2): 17-28. DOI: 10.3969/j.issn.1009-8518.2020.02.003 CAO Haiyi, DAI Jun, ZHANG Xinwei, et al. Study on the Development Approach of GF-7 High Precision Optical Stereo Mapping Satellite[J]. Spacecraft Recovery & Remote Sensing, 2020, 41(2): 17-28. (in Chinese)

[12] 曹海翊, 刘付强, 赵晨光, 等. 高分辨率立体测绘卫星技术研究[J]. 遥感学报, 2021, 25(7): 1400-1410. CAO Haiyi, LIU Fuqiang, ZHAO Chenguang, et al. The Study of High Resolution Stereo Mapping Satellite[J]. National Remote Sensing Bulletin, 2021, 25(7): 1400-1410. (in Chinese)

[13] 胡柳茹, 唐新明, 张智, 等. 高分七号卫星多源遥感数据精度优化与评估[J]. 红外与激光工程, 2022, 51(6): 230-239. HU Liuru, TANG Xinming, ZHANG Zhi, et al. Accuracy Optimization and Assessment of GF-7 Satellite Multi-source Remote Sensing Data[J]. Infrared and Laser Engineering, 2022, 51(6): 230-239. (in Chinese)

[14] 唐新明, 刘昌儒, 张恒, 等. 高分七号卫星立体影像与激光测高数据联合区域网平差[J]. 武汉大学学报(信息科学版), 2021, 46(10): 1423-1430. DOI: 10.13203/j.whugis20210417. TANG Xinming, LIU Changru, ZHANG Heng, et al. GF-7 Satellite Stereo Images Block Adjustment Assisted with Laser Altimetry Data[J]. Geomatics and Information Science of Wuhan University, 2021, 46(10): 1423-1430. (in Chinese)

[15] 赵文普, 刘钰, 吴晓春, 等. 利用高分七号卫星开展1:10 000立体测图精度验证[J]. 测绘科学, 2022, 47(1): 165-171, 180. ZHAO Wenpu, LIU Yu, WU Xiaochun, et al. Accuracy Verification of the Scale of 1:10 000 Stereo Mapping Based on GaoFen-7 Satellite Image[J]. Science of Surveying and Mapping, 2022, 47(1): 165-171, 180. (in Chinese)

[16] HUANG J, XING Y, YOU H, et al. Particle Swarm Optimization-Based Noise Filtering Algorithm for Photon Cloud Data in Forest Area.[J]. Remote Sensing, 2019, 11(8): 980.

[17] 黄佳鹏, 邢艳秋, 秦磊, 等. 弱光束条件下森林区域光子云去噪算法精度研究[J]. 农业机械学报, 2020, 51(4): 164-172. DOI: 10.6041/j.issn.1000-1298.2020.04.019. HUANG Jiapeng, XING Yanqiu, QIN Lei, et al. Accuracy of Photon Cloud Noise Filtering Algorithm in Forest Area under Weak Beam Conditions[J]. Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(4): 164-172. (in Chinese)

[18] NEUMANN T A, BRENNER A, HANCOCK D, et al. ATLAS/ICESat-2 L2A Global Geolocated Photon Data, Version 5 [EB/OL]. (2021) [2022-08-15]. https://doi.org/10.5067/ATLAS/ATL03.005.

[19] NEUENSCHWANDER A L, PITTS K L, JELLEY B P, et al. ATLAS/ICESat-2 L3A Land and Vegetation Height, Version 5 [EB/OL]. (2021) [2022-08-15]. https://doi.org/10.5067/ATLAS/ATL08.005.

[20] 黄佳鹏, 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): 114-123. DOI: 10.3788/IRLA20200237. HUANG Jiapeng, XING Yanqiu, QIN Lei, et al. Accuracy Verification of Terrain under Forest Estimated from ICESat-2/ATLAS Data[J]. Infrared and Laser Engineering, 2020, 49(11): 114-123. (in Chinese)

[21] NEUENSCHWANDER A, PITTS K, JELLEY B, et al. Ice, Cloud, and Land Elevation Satellite 2 (ICESat-2) Algorithm Theoretical Basis Document (ATBD) for Land-vegetation Along-track Products (ATL08) [EB/OL]. (2020-01-15)[2022-08-15]. https://nsidc.org/data/atl08.

[22] POTAPOV P, LI X, HERNANDEZ-SERNA A, et al. Mapping Global Forest Canopy Height through Integration of GEDI and Landsat Data[J]. Remote Sensing of Environment, 2021, 253: 112165.

[23] 李重阳, 张志飞, 吕宠, 等. 高分七号双线阵立体测绘相机系统集成与测试[J]. 红外与激光工程, 2021, 50(1): 299-304. DOI: 10.3788/IRLA20200143. LI Chongyang, ZHANG Zhifei, LYU Chong, et al. System Integration and Test of GF-7 Bi-linear Array Stereo Mapping Sensing Camera[J]. Infrared and Laser Engineering, 2021, 50(1): 299-304. (in Chinese)

[24] ZANAGA, DANIELE, KERCHOVE V D, et al. ESA WorldCover 10 m 2020 v100 (Version v100) [EB/OL]. (2021) [2022-08-15]. https://doi.org/10.5281/zenodo.5571936.

[25] 张欢, 李弘毅, 李浩杰, 等. 基于机载LiDAR的高寒山区遥感高程数据精度评估[J]. 遥感技术与应用, 2021, 36(6): 1311-1320. DOI: 10.11873/j.issn.1004-0323.2021.6.1311. ZHANG Huan, LI Hongyi, LI Haojie, et al. Accuracy Evaluation of Remote Sensing Elevation Data in Alpine Mountains Based on Airborne LiDAR[J]. Remote Sensing Technology and Application, 2021, 36(6): 1311-1320. (in Chinese)

[26] Alaska Satellite Facility Hosts a NASA Distributed Active Archive Center (ASF DAAC). ALOS PALSAR Radiometric Terrain Corrected High RES [EB/OL]. (2008) [2022-08-15]. https://doi.org/10.5067/Z97HFCNKR6VA.

[27] LIU A, CHENG X, CHEN Z. Performance Evaluation of GEDI and ICESat-2 Laser Altimeter Data for Terrain and Canopy Height Retrievals[J]. Remote Sensing of Environment, 2021, 264: 112571.

[28] 朱笑笑. 基于ICESat-2和GEDI数据的中国30米分辨率森林高度反演研究[D]. 北京: 中国科学院大学(中国科学院空天信息创新研究院), 2021. DOI:10.44231/d.cnki.gktxc.2021.000011. ZHU Xiaoxiao. Forest Height Retrieval of China with a Resolution of 30m Using ICESat-2 and GEDI Data[D]. Beijing: University of Chinese Academy of Sciences (Aerospace Information Research Institute, Chinese Academy of Science), 2021. (in Chinese)

Research on Comparsion of Surface Elevation Information of Different Vegetation Cover Types Based on ICESat-2 and GF-7 Satellite Data

QIN Zhigang1YOU Haotian1,*HUANG Yuanwei1WANG Yu1LI Licun2CHEN Jianjun1

（1 College of Geomatics and Geoinformation, Guilin University of Technology, Guilin 541006, China）（2 Lin Zhiyuan (Beijing) Forestry Engineering Consulting Co., Ltd., Beijing 100020, China）

Satellite stereo images and spaceborne light detection and ranging (LiDAR) are the main technical means for acquiring regional digital surface model (DSM). To further investigate the difference in obtaining surface elevation results using two data, Ice, Cloud, and Land Elevation Satellite-2 (ICESat-2) and Gaofen-7 satellite (GF-7) stereo images were used to generate and compare the surface elevation results under different vegetation cover conditions. The results showed that under three different vegetation coverage areas of cultivated land, grassland, and forest, the correlation between the surface elevations obtained from strong beam of ICESat-2 and GF-7 generated DSM was good, with correlation and root mean square errors of 0.98/6.56 m, 0.99/8.76 m, 0.95/35.17 m respectively. The correlation and root mean square errors between the surface elevations obtained from the weak beam of ICESat-2 and GF-7 generated DSM were 1.00/4.45 m, 0.99/7.09 m, 0.96/29.36 m, respectively. And in forest areas, there was a relatively large difference between the surface elevations obtained from the two data, and the correlation was weaker than that of cultivated land and grassland. By re-filtering the ICESat-2 data in forest area, the correlation between the surface elevations obtained from strong/weak beams and GF-7 generate DSM reached 0.99. The average value of root mean square error and absolute error also significantly decreased, and both gradually decreased with the increase of statistical scale. The strong/weak beam data obtained based on the official filtering algorithm will overestimate the digital surface elevation, and the inversion accuracy of the weak beam is slightly better than that of the strong beam. However, after re-filtering, the inversion accuracy of the strong and weak beams is similar, and the weak beam appears to underestimate the digital surface elevation.

surface elevation information; different vegetation coverage; re-filtering

V445

A

1009-8518(2023)05-0091-14

10.3969/j.issn.1009-8518.2023.05.011

覃志刚，男，1998年生，桂林理工大学资源与环境专业在读硕士研究生。研究方向为林业定向遥感。E-mail：861474693@qq.com。

尤号田，男，1985年生，2017年获东北林业大学博士学位，副教授。研究方向为林业定向遥感。E-mail：youht@glut.edu.cn。

2022-07-02

国家自然科学基金（41901370，42261063）；广西自然科学基金（2020GXNSFBA297096）；桂林理工大学科研启动基金（GLUTQD2017094）；广西八桂学者专项项目（何宏昌）

覃志刚, 尤号田, 黄元威, 等. 不同植被覆盖区ICESat-2和GF-7卫星地表高程信息对比研究[J]. 航天返回与遥感, 2023, 44(5): 91-104.

QIN Zhigang, YOU Haotian, HUANG Yuanwei, et al. Research on Comparsion of Surface Elevation Information of Different Vegetation Cover Types Based on ICESat-2 and GF-7 Satellite Data[J]. Spacecraft Recovery & Remote Sensing, 2023, 44(5): 91-104. (in Chinese)

（编辑：毛建杰）