趙俊鵬 趙 磊 陳爾學(xué) 萬(wàn)祥星 徐昆鵬

(中國(guó)林業(yè)科學(xué)研究院資源信息研究所 國(guó)家林業(yè)和草原局林業(yè)遙感與信息技術(shù)重點(diǎn)實(shí)驗(yàn)室 北京 100091)

森林是陸地生態(tài)系統(tǒng)的主體和重要資源，是人類社會(huì)生存發(fā)展的重要生態(tài)屏障，在保持水土、涵養(yǎng)水源、固碳釋氧、凈化空氣、應(yīng)對(duì)氣候變化、美化環(huán)境等方面發(fā)揮著不可替代的作用(Heseetal.， 2005； Le Toanetal.， 2011； 王效科等， 2001)。作為森林生態(tài)系統(tǒng)最基本的數(shù)量表征，森林參數(shù)表達(dá)了森林與環(huán)境間物質(zhì)循環(huán)與能量流動(dòng)的關(guān)系，是評(píng)估森林碳源和碳匯的重要標(biāo)志。森林高度是重要的森林參數(shù)，能夠反映森林垂直結(jié)構(gòu)信息，對(duì)森林蓄積量、地上生物量等參數(shù)估測(cè)頗為重要。

激光雷達(dá)(light direction and ranging，LiDAR)是一種可主動(dòng)獲取觀測(cè)對(duì)象信息的現(xiàn)代光學(xué)遙感技術(shù)，其以高精度、高分辨率等特點(diǎn)，在獲取森林垂直結(jié)構(gòu)參數(shù)方面具有明顯優(yōu)勢(shì)(龐勇等， 2005； Choppingetal.， 2009)，通過(guò)機(jī)載LiDAR系統(tǒng)獲取高密度激光點(diǎn)云數(shù)據(jù)能夠提取出高精度的森林高度信息(Popescuetal.， 2002； 龐勇等， 2008)； 但由于大范圍獲取同一區(qū)域的多期機(jī)載LiDAR數(shù)據(jù)實(shí)現(xiàn)森林資源動(dòng)態(tài)監(jiān)測(cè)成本很高，目前在我國(guó)大部分地區(qū)實(shí)施起來(lái)還十分困難。將機(jī)載LiDAR與星載遙感數(shù)據(jù)相結(jié)合實(shí)現(xiàn)大面積森林參數(shù)估測(cè)，可能是最有效且成本最低的方法(Tsuietal.， 2013)； 但該方法需要采用抽樣式LiDAR數(shù)據(jù)獲取模式以降低LiDAR數(shù)據(jù)獲取成本，同時(shí)要求衛(wèi)星遙感數(shù)據(jù)完全覆蓋整個(gè)目標(biāo)制圖區(qū)域，且衛(wèi)星遙感特征對(duì)LiDAR提取的森林參數(shù)敏感。近年來(lái)，國(guó)外學(xué)者利用從Landsat、MODIS等多光譜影像中提取的波段反射率、植被指數(shù)、圖像紋理等特征結(jié)合機(jī)載LiDAR數(shù)據(jù)，在森林高度估測(cè)方面開(kāi)展了大量探索(Hudaketal.， 2002； Chenetal.， 2011； Yuetal.， 2015； Wangetal.， 2018； Zhuetal.， 2020)，但采用的中低空間分辨率遙感光譜類紋理特征用于森林高度探測(cè)的機(jī)理并不明確，在森林資源規(guī)劃設(shè)計(jì)調(diào)查業(yè)務(wù)中應(yīng)用受到限制。

高空間分辨率光學(xué)立體攝影測(cè)量遙感技術(shù)具有獲取高精度森林冠層頂部高度信息[相當(dāng)于數(shù)字表面模型(digital surface model,DSM)]的能力，若再已知林下地形信息[相當(dāng)于數(shù)字高程模型(digital elevation model,DEM)]，就可以通過(guò)二者差值得到森林冠層高度信息(canopy height model,CHM)。倪文儉等(2018)由GF-2異軌立體數(shù)據(jù)結(jié)合機(jī)載LiDAR獲取的DEM數(shù)據(jù)提取得到CHM，其與LiDAR提取的CHM存在明顯相關(guān)性，可用于森林高度估測(cè)。邢艷秋等(2018)以吉林省長(zhǎng)春市凈月潭國(guó)家森林公園為研究區(qū)，通過(guò)ZY3不同立體像對(duì)組合提取的DSM與機(jī)載LiDAR提取的DEM作差得到CHM，進(jìn)而以CHM、ZY3多光譜特征為遙感特征(自變量)，與實(shí)測(cè)樣地林分高(因變量)數(shù)據(jù)建立線性回歸模型對(duì)森林高度進(jìn)行估測(cè)，既保證了較高的樹高模型估測(cè)精度，又實(shí)現(xiàn)了較大連續(xù)區(qū)域快速的林分平均高估測(cè)，亦成功試驗(yàn)了將測(cè)繪數(shù)據(jù)應(yīng)用于林分測(cè)高。以上研究初步展示了高空間分辨率光學(xué)立體攝影測(cè)量結(jié)合機(jī)載LiDAR數(shù)據(jù)提取的CHM具有估測(cè)森林高度的潛力，但并沒(méi)有針對(duì)森林資源調(diào)查業(yè)務(wù)情景開(kāi)展應(yīng)用方法探討。

自遙感數(shù)據(jù)提取出對(duì)森林參數(shù)敏感的遙感特征(自變量)且獲得若干樣地的待估測(cè)森林參數(shù)(因變量)實(shí)測(cè)值后，可以通過(guò)建立因變量與自變量的統(tǒng)計(jì)模型實(shí)現(xiàn)每個(gè)遙感分辨單元的森林參數(shù)估測(cè)。國(guó)內(nèi)外最常用的統(tǒng)計(jì)模型包括多元線性回歸、逐步回歸、k-鄰近(KNN)、支持向量機(jī)回歸、隨機(jī)森林回歸等，但這些模型通常沒(méi)有考慮變量的空間統(tǒng)計(jì)特性，具有空間屬性的森林，在生長(zhǎng)過(guò)程中會(huì)受各種因素影響而存在空間效應(yīng)(馮益明等， 2004)。空間統(tǒng)計(jì)學(xué)則提供了有效分析和解釋空間數(shù)據(jù)關(guān)系的方法(Rossietal.， 1992)，在應(yīng)用空間統(tǒng)計(jì)學(xué)結(jié)合遙感數(shù)據(jù)進(jìn)行森林參數(shù)反演的相關(guān)工作中，國(guó)外已有學(xué)者進(jìn)行了大量探索，結(jié)果發(fā)現(xiàn)利用克里格(Kriging)、外部漂移克里格(Kriging with external drift,KED)、協(xié)同克里格(co-Kriging，CK)、回歸克里格(regression Kriging,RK)等方法(Salesetal.， 2007； Hernndezetal.， 2011； Fayadetal.， 2016； Pouladietal.， 2019)進(jìn)行森林參數(shù)估測(cè)可以得到較高的估測(cè)精度。國(guó)內(nèi)主要相關(guān)研究，如馮益明等(2006)應(yīng)用空間統(tǒng)計(jì)學(xué)半方差理論對(duì)QuickBird影像的全色波段進(jìn)行分析，實(shí)現(xiàn)了人工白皮松(Pinusbungeana)林的冠幅估測(cè)； 郭含茹等(2015)以臺(tái)州市仙居縣為研究區(qū)，基于Landsat TM影像和森林資源二類調(diào)查數(shù)據(jù)，應(yīng)用地理加權(quán)回歸方法對(duì)森林碳儲(chǔ)量進(jìn)行了估測(cè)； 王紫君等(2016)利用Landsat ETM+數(shù)據(jù)，在逐步回歸分析基礎(chǔ)上，引入模型殘差的反距離插值結(jié)果，對(duì)上海城市森林生物量分布特征進(jìn)行了估測(cè)； 閭妍宇等(2017)也應(yīng)用地理加權(quán)回歸方法，結(jié)合森林資源二類調(diào)查數(shù)據(jù)和Landsat TM影像，對(duì)景谷縣的思茅松(Pinuskesiyavar.langbianensis)生物量進(jìn)行了估測(cè)。但國(guó)內(nèi)這些研究并沒(méi)有或很少采用回歸克里格方法，所用遙感特征也只是常規(guī)的光譜類特征，更不是針對(duì)森林平均高估測(cè)的應(yīng)用目標(biāo)。

廣西壯族自治區(qū)2018年實(shí)現(xiàn)了南寧市高峰林場(chǎng)機(jī)載LiDAR數(shù)據(jù)和地面樣地?cái)?shù)據(jù)的獲取，完成了森林平均高、蓄積量等森林資源專題信息的提取，同時(shí)也得到了相應(yīng)區(qū)域的高精度DEM信息。在當(dāng)前數(shù)據(jù)條件下(已具備高精度的DEM)，如何更經(jīng)濟(jì)(不依賴全覆蓋的機(jī)載LiDAR數(shù)據(jù))、更有效地更新森林平均高專題圖？本研究針對(duì)該問(wèn)題，探索一種適用于已具備林下地形，可協(xié)同利用少量實(shí)測(cè)樣地?cái)?shù)據(jù)、抽樣式采集的機(jī)載激光雷達(dá)(LiDAR)條帶數(shù)據(jù)和區(qū)域全覆蓋的資源三(ZY3)立體像對(duì)數(shù)據(jù)有效估測(cè)區(qū)域森林平均高的方法，以期為提高森林資源調(diào)查效率和精度提供技術(shù)支撐。

1 研究區(qū)概況

以廣西高峰林場(chǎng)界牌和東升分場(chǎng)為研究區(qū)。圖1b中黃色區(qū)域表示高峰林場(chǎng)轄區(qū)，圖1c和d中2個(gè)紅色多邊形區(qū)域表示2個(gè)分場(chǎng)邊界。研究區(qū)總面積約52 km2，地理坐標(biāo)為108°19′52″—108°26′10″E，22°56′50″—23°0′35″N。高程77.88～463.65 m，坡度0°～74.9°，地形十分陡峭。屬亞熱帶季風(fēng)氣候，年均氣溫21.6 ℃，年均降水量1 200～1 500 mm。主要樹種包括桉樹(Eucalyptus)、杉木(Cunninghamialanceolata)、馬尾松(Pinusmassoniana)以及其他闊葉樹種。

圖1 研究區(qū)位置和覆蓋范圍示意Fig.1 Location and coverage map of study area

2 數(shù)據(jù)與方法

2.1 數(shù)據(jù)與處理

2.1.1 實(shí)測(cè)數(shù)據(jù) 實(shí)測(cè)數(shù)據(jù)來(lái)源于2018年1月13—25日開(kāi)展的外業(yè)樣地調(diào)查，共調(diào)查54塊20 m×20 m方形樣地，其中37塊樣地用于模型構(gòu)建、17塊樣地用于精度評(píng)價(jià)。對(duì)樣地內(nèi)所有胸徑大于5 cm的樹木每木檢尺，測(cè)量因子包括胸徑、樹高和樹種等。采用斷面積加權(quán)法計(jì)算森林平均高，公式如下：

(1)

式中：H為樣地內(nèi)森林平均高；hi為第i株林木高度；gi為第i株林木胸高斷面積；n為樣地內(nèi)林木株數(shù)。

2.1.2 機(jī)載LiDAR數(shù)據(jù) 機(jī)載LiDAR數(shù)據(jù)采集于2018年1月，使用CAF-LiCHy數(shù)據(jù)采集系統(tǒng)(Pangetal.， 2016)，其中LiDAR傳感器型號(hào)為Riegl LMS-Q680i，數(shù)據(jù)采集時(shí)傳感器參數(shù)配置見(jiàn)表1。將覆蓋整個(gè)研究區(qū)的LiDAR點(diǎn)云數(shù)據(jù)采用Kraus濾波算法得到地面激光點(diǎn)，通過(guò)計(jì)算每個(gè)像元內(nèi)激光點(diǎn)高度平均值生成空間分辨率為1 m的DEM，為與其他數(shù)據(jù)空間分辨率保持一致，本研究將DEM的空間分辨率重采樣至20 m?；陬A(yù)處理的點(diǎn)云數(shù)據(jù)，對(duì)其進(jìn)行高度歸一化，提取分位數(shù)高度變量，結(jié)合37塊實(shí)測(cè)樣地的森林平均高與點(diǎn)云分位數(shù)高度變量構(gòu)建反演模型，得到整個(gè)研究區(qū)LiDAR估測(cè)的森林平均高(HLi)，具體數(shù)據(jù)處理和信息提取方法參考曹林等(2015)。

表1 LiDAR傳感器參數(shù)配置Tab.1 Parameter configuration of the LiDAR sensor

2.1.3 ZY3數(shù)據(jù) 獲取覆蓋整個(gè)研究區(qū)的一景ZY3數(shù)據(jù)，成像時(shí)間為2018年3月，1臺(tái)2.1 m 分辨率和2臺(tái)3.5 m分辨率全色相機(jī)按照下視、前視、后視方式排列，各視影像組合可組成立體像對(duì)。ZY3立體像對(duì)數(shù)據(jù)通過(guò)密集點(diǎn)匹配技術(shù)產(chǎn)生點(diǎn)云，并由此生成DSM，將其與LiDAR數(shù)據(jù)提取的DEM相減，可得到覆蓋整個(gè)研究區(qū)的CHM(Lietal.， 2019a)，記為CHMZY3，作為反演森林平均高的特征用于模型構(gòu)建。

2.2 研究方法

2.2.1 技術(shù)路線 高空間分辨率光學(xué)立體攝影測(cè)量遙感技術(shù)具有獲取高精度DSM的能力，在森林覆蓋區(qū)獲取的DSM代表森林冠層頂部高度信息，但要測(cè)量森林高度，還需要已知林下地形信息，即需要高精度的DEM。由于光學(xué)遙感波段電磁波對(duì)樹冠沒(méi)有穿透能力，只能靠樹冠間的空隙到達(dá)林下地表，因此光學(xué)立體攝影測(cè)量在高郁閉度森林很難獲取高精度的DEM。相比之下，機(jī)載LiDAR通過(guò)獲取冠層和地表的高密度激光點(diǎn)云數(shù)據(jù)，可以同時(shí)提取出高精度的DSM和DEM，進(jìn)而得到CHM。ZY3是我國(guó)于2012年發(fā)射的第一顆民用三線陣立體測(cè)繪衛(wèi)星，其所產(chǎn)生的DSM具有覆蓋范圍大、成本低的特點(diǎn)，只要目標(biāo)區(qū)域已具備高精度的DEM，就很容易得到CHMZY3；但得到的CHMZY3不是森林平均高，只是一個(gè)與森林平均高有很好關(guān)系的遙感特征，通常需要采用若干地面實(shí)測(cè)樣地?cái)?shù)據(jù)，建立一個(gè)由該遙感特征(自變量X)估測(cè)森林平均高(因變量Y，由樣地?cái)?shù)據(jù)計(jì)算得到)的模型，基于該模型可將CHMZY3轉(zhuǎn)化為森林平均高。實(shí)測(cè)樣地?cái)?shù)據(jù)的獲取是耗費(fèi)人力、物力的，本研究希望探索通過(guò)抽樣式采集機(jī)載LiDAR數(shù)據(jù)，配合少量地面實(shí)測(cè)樣地?cái)?shù)據(jù)，分2個(gè)階段建立估測(cè)模型的方法。第一階段先建立由LiDAR數(shù)據(jù)估測(cè)森林平均高的模型(Y為實(shí)測(cè)樣地森林平均高，X為L(zhǎng)iDAR提取的點(diǎn)云特征變量)，得到LiDAR抽樣數(shù)據(jù)對(duì)應(yīng)的森林平均高(HLi)； 第二階段以HLi為實(shí)測(cè)森林平均高(Y)，建立由CHMZY3特征(X)估測(cè)森林平均高的模型。上述針對(duì)森林資源調(diào)查業(yè)務(wù)應(yīng)用情景的技術(shù)路線如圖2所示。在本研究中，已有林下地形為L(zhǎng)iDAR數(shù)據(jù)采集得到的DEM。

圖2 針對(duì)業(yè)務(wù)應(yīng)用情景的技術(shù)路線Fig.2 Technical route for practical application scenario

圖3 試驗(yàn)數(shù)據(jù)分布Fig.3 Distribution of the experimental data

2.2.2 機(jī)載LiDAR抽樣數(shù)據(jù)模擬 從全覆蓋的LiDAR數(shù)據(jù)中抽取12條飛行條帶，如圖3所示，水平和垂直方向上分別有5條和7條條帶，用于模擬抽樣式采集的LiDAR數(shù)據(jù)。條帶寬度600 m、條帶中心線之間間隔1.5 km，數(shù)據(jù)面積占整個(gè)研究區(qū)面積的65%。在抽取的條帶內(nèi)隨機(jī)選擇3 000個(gè)像素點(diǎn)用于森林平均高反演模型的構(gòu)建。

2.2.3 估測(cè)模型 1) OLS模型 普通最小二乘(ordinary least squares,OLS)模型是一種最小化回歸模型殘差平方和的估計(jì)方法，其可以根據(jù)一組數(shù)據(jù)求出自變量與因變量之間的函數(shù)關(guān)系，并使估測(cè)值與實(shí)測(cè)值之間的殘差平方和最小。模型如式(2)所示：

(2)

式中：YOLS為OLS模型估測(cè)值；β0為模型常數(shù)項(xiàng)；βi為變量的權(quán)重；p為自變量個(gè)數(shù)；Xi為自變量；ε為隨機(jī)誤差。

2) KNN模型k-近鄰(k-nearest neighbor, KNN)模型是一種非參數(shù)估測(cè)方法，其基于預(yù)測(cè)點(diǎn)與觀測(cè)數(shù)據(jù)特征之間的距離關(guān)系，從而對(duì)待預(yù)測(cè)點(diǎn)的值進(jìn)行估測(cè)(McRobertsetal.， 2002)。模型如式(3)所示：

(3)

式中：YKNN為KNN模型估測(cè)值；Wi為不同觀測(cè)點(diǎn)的距離權(quán)重；Yi為第i個(gè)觀測(cè)數(shù)據(jù)的值；k為距離預(yù)測(cè)點(diǎn)最近觀測(cè)數(shù)據(jù)的個(gè)數(shù)。

3) RK模型 回歸克里格(regression Kriging, RK)模型是一種將線性模型或其他模型與模型殘差空間插值相結(jié)合的估計(jì)方法(Odehetal.， 1995)。本研究中，首先采用OLS模型和KNN模型估測(cè)整個(gè)研究區(qū)的森林高度； 然后采用簡(jiǎn)單克里格方法對(duì)2種模型的殘差(建模數(shù)據(jù)實(shí)測(cè)值與模型估測(cè)值的差)分別進(jìn)行空間插值； 最后將模型估測(cè)結(jié)果與殘差插值結(jié)果相加，得到最終估測(cè)結(jié)果，分別記為RKOLS和RKKNN。模型如式(4)所示：

RKOLS/KNN=YOLS/KNN+Krad。

(4)

式中： RKOLS/KNN為OLS或KNN模型對(duì)應(yīng)RK模型的估測(cè)結(jié)果；YOLS/KNN為OLS或KNN模型估測(cè)值；Krad為OLS或KNN模型對(duì)應(yīng)殘差的空間插值。

2.2.4 模型估測(cè)精度評(píng)價(jià) 為比較幾種模型的估測(cè)精度，以17塊未參與建模的樣地?cái)?shù)據(jù)為驗(yàn)證樣本對(duì)模型估測(cè)精度進(jìn)行檢驗(yàn)。選用相關(guān)系數(shù)(correlation coefficient,r)、平均誤差(mean orror, ME)、均方根誤差(root mean square error, RMSE)、估測(cè)精度(estimate accuracy, EA)作為評(píng)價(jià)指標(biāo)：

(5)

(6)

(7)

(8)

3 結(jié)果與分析

3.1 模型擬合

在OLS模型中，自變量X僅有1個(gè)(p=1)，即CHMZY3，因變量Y為HLi，經(jīng)模型擬合，得到如式(9)所示回歸方程：

HLi=6.008 9+0.568 8×CHMZY3。

(9)

模型F統(tǒng)計(jì)量為178(P<0.01)，表明回歸分析中的因變量與自變量極相關(guān)，模型擬合效果較好。

k的選擇對(duì)KNN模型最終估測(cè)結(jié)果影響很大，已有研究(鄭剛等， 2010； 向安民等， 2017)顯示，k在1～10范圍內(nèi)，對(duì)不同參數(shù)的估測(cè)效果較好。為得到最優(yōu)模型參數(shù)，本研究對(duì)建模數(shù)據(jù)采用交叉驗(yàn)證方法，基于10折交叉驗(yàn)證結(jié)果，選擇模型最優(yōu)時(shí)的k值。由圖4可知，當(dāng)k=6時(shí)，建模數(shù)據(jù)交叉驗(yàn)證得到的RMSE最小，為2.21 m。因此，本研究選擇6作為森林平均高估測(cè)的最佳k值。

圖4 不同k值下模型的均方根誤差Fig.4 The RMSE of models with different k values

在RK模型中，分別采用指數(shù)、Stable模型擬合OLS、KNN模型殘差的變異函數(shù)，并對(duì)變異函數(shù)結(jié)構(gòu)進(jìn)行分析，從中選擇最優(yōu)模型。塊金值反映區(qū)域化變量的隨機(jī)性大小， 基臺(tái)值反映系統(tǒng)內(nèi)總的變異， 變程反映變量在空間上的影響距離，從表2可以看出，2種擬合模型的基臺(tái)值相近，但變程不同，OLS和KNN殘差的2種擬合模型中，Stable和指數(shù)模型分別能夠獲得更大的變程。從圖5可以看出，2種模型殘差的變異函數(shù)擬合結(jié)果均較好。

表2 模型殘差的不同變異函數(shù)系數(shù)Tab.2 Parameters of different variogram models for residuals

3.2 估測(cè)效果

使用未參與建模樣地?cái)?shù)據(jù)對(duì)2類4種模型的估測(cè)精度進(jìn)行檢驗(yàn)，結(jié)果如圖6和表3所示。從圖6可以看出，RKOLS和RKKNN模型相比OLS和KNN模型得到的估測(cè)值與實(shí)測(cè)值之間的相關(guān)性更好； 從表3可以看出，考慮模型殘差空間關(guān)系的RKOLS和RKKNN模型能夠得到比OLS和KNN模型更高的估測(cè)精度。RKOLS模型的估測(cè)效果最好，得到了最高的估測(cè)精度(EA=87.42%)以及最低的平均誤差和均方根誤差(ME=-0.16 m，RMSE=1.84 m)； 其次是RKKNN模型(EA=87.32%)。在對(duì)比分析各種指標(biāo)的基礎(chǔ)上，將估測(cè)效果最好的RKOLS模型應(yīng)用于整個(gè)研究區(qū)，得到研究區(qū)內(nèi)森林平均高估測(cè)結(jié)果如圖7所示。

圖5 OLS和KNN模型殘差的變異函數(shù)Fig.5 Variograms and fitted models of residuals from OLS and KNN

圖6 實(shí)測(cè)數(shù)據(jù)與估測(cè)結(jié)果比較Fig.6 Scatter plots of predicted versus validation data

表3 估測(cè)精度比較Tab.3 The accuracy comparison of four kinds of models

圖7 研究區(qū)森林平均高估測(cè)結(jié)果Fig.7 Spatial distribution of the estimated MHF

4 討論

本研究基于研究區(qū)2018年獲取的機(jī)載LiDAR數(shù)據(jù)、ZY3立體像對(duì)數(shù)據(jù)和少量實(shí)測(cè)樣地?cái)?shù)據(jù)，通過(guò)合理假設(shè)和數(shù)據(jù)“模擬”，對(duì)森林資源調(diào)查業(yè)務(wù)應(yīng)用情景的森林平均高估測(cè)技術(shù)路線進(jìn)行驗(yàn)證。該技術(shù)路線實(shí)際應(yīng)用時(shí)需要目標(biāo)區(qū)域具備高精度的DEM，目前一般通過(guò)采集覆蓋目標(biāo)區(qū)域的高密度機(jī)載LiDAR點(diǎn)云數(shù)據(jù)實(shí)現(xiàn)。由于DEM具有長(zhǎng)期穩(wěn)定不變的特點(diǎn)，因此只要目標(biāo)區(qū)域獲取過(guò)一次全覆蓋的機(jī)載LiDAR數(shù)據(jù)，后續(xù)對(duì)目標(biāo)區(qū)域森林平均高的估測(cè)或更新就可以通過(guò)本研究建議的技術(shù)路線(圖2)實(shí)現(xiàn)。除了機(jī)載LiDAR外，長(zhǎng)波長(zhǎng)極化干涉SAR也具有測(cè)量林下地形的能力，而無(wú)論是機(jī)載還是星載極化干涉SAR系統(tǒng)，最近5年均會(huì)有快速發(fā)展，如我國(guó)機(jī)載極化干涉SAR系統(tǒng)目前已在開(kāi)展應(yīng)用校飛試驗(yàn)，歐洲空間局P波段雷達(dá)生物量探測(cè)衛(wèi)星(BIOMASS)也計(jì)劃于2022年前后發(fā)射，我國(guó)也將P波段極化SAR衛(wèi)星納入了未來(lái)研發(fā)規(guī)劃(Le Toanetal.， 2011； Lietal.， 2019b)。

圖2技術(shù)路線的重要輸入之一是ZY3立體像對(duì)數(shù)據(jù)，這對(duì)立體測(cè)圖衛(wèi)星來(lái)說(shuō)比較容易實(shí)現(xiàn)目標(biāo)區(qū)域1年1次全覆蓋觀測(cè)，從而可大大提高森林平均高的監(jiān)測(cè)效率。目前已在軌運(yùn)行的GF-7是一顆雙線陣立體測(cè)圖衛(wèi)星，DSM的精測(cè)精度相比ZY3有大幅度提升； 另外，我國(guó)正在研制的陸地生態(tài)系統(tǒng)碳監(jiān)測(cè)衛(wèi)星，將搭載多波束激光雷達(dá)、多角度多光譜等有效載荷，也具有高精度冠層頂部高程信息精準(zhǔn)提取能力。

按照?qǐng)D2技術(shù)路線，還需獲取機(jī)載LiDAR抽樣數(shù)據(jù)和少量實(shí)測(cè)樣地?cái)?shù)據(jù)，主要是為森林平均高估測(cè)模型建立提供具有代表性的地面實(shí)況。以往該過(guò)程通常只依賴樣地調(diào)查數(shù)據(jù)，需要大量樣地調(diào)查才能保證模型具有足夠的代表性，費(fèi)時(shí)費(fèi)力； 但采用抽樣式獲取LiDAR數(shù)據(jù)、分兩階段建立估測(cè)模型的方法能夠大大降低人力、物力投入，同時(shí)也可增加地面實(shí)況數(shù)據(jù)的樣本量，有利于建立更具有代表性、更穩(wěn)健的估測(cè)模型。而且，當(dāng)前無(wú)人機(jī)LiDAR測(cè)樹技術(shù)已比較成熟，對(duì)林場(chǎng)尺度的業(yè)務(wù)應(yīng)用來(lái)說(shuō)，利用無(wú)人機(jī)實(shí)現(xiàn)若干LiDAR抽樣數(shù)據(jù)的獲取也是一種更靈活、高效和低成本的地面實(shí)況數(shù)據(jù)獲取方法，這無(wú)疑使本研究建議技術(shù)路線的具體實(shí)施具有更高的可行性。

5 結(jié)論

1) 本研究中2類4種模型均可有效估測(cè)森林平均高，回歸克里格模型(RKOLS、RKKNN)優(yōu)于非空間模型(OLS、KNN)，RKOLS模型估測(cè)效果最好。OLS和KNN模型的RMSE分別為1.88和1.96 m，EA分別為87.18%和86.64%； RKKNN和RKOLS模型的RMSE分別為1.86和1.84 m，EA分別為87.32%和87.42%。

2) 在林下地形已知時(shí)，協(xié)同利用少量實(shí)測(cè)樣地?cái)?shù)據(jù)、抽樣式采集的機(jī)載LiDAR條帶數(shù)據(jù)和區(qū)域全覆蓋的ZY3立體像對(duì)數(shù)據(jù)能夠?qū)崿F(xiàn)區(qū)域森林平均高的高效、高精度估測(cè)。

3) 已在軌運(yùn)行的GF-7衛(wèi)星和正在研制的陸地生態(tài)系統(tǒng)碳監(jiān)測(cè)衛(wèi)星、P波段極化SAR衛(wèi)星以及無(wú)人機(jī)LiDAR等遙感手段，可靈活應(yīng)用于本研究建議的技術(shù)路線，對(duì)提高森林資源調(diào)查效率和精度具有重要支撐作用。