不同植被覆蓋區ICESat-2和GF-7衛星地表高程信息對比研究

覃志剛 尤號田,* 黃元威 王玉 李立存 陳建軍

不同植被覆蓋區ICESat-2和GF-7衛星地表高程信息對比研究

覃志剛1尤號田1,*黃元威1王玉1李立存2陳建軍1

（1 桂林理工大學測繪地理信息學院，桂林 541006）（2 林之源（北京）林業工程咨詢有限公司，北京 100020）

衛星立體影像和星載激光雷達是獲取區域數字表面模型（DSM）的主要技術手段，為進一步研究利用兩類數據獲取地表高程結果的差異，文章選取冰云陸地高程衛星（ICESat-2）與“高分七號”衛星（GF-7）立體影像，在不同植被覆蓋情況下對利用兩類數據生成的地表高程結果進行對比研究。結果表明，在耕地、草地、森林三種不同植被覆蓋區域下，ICESat-2強波束與GF-7生成DSM的相關性較好，相關性與均方根誤差分別為0.98/6.56 m、0.99/8.76 m、0.95/35.17 m，弱波束的相關性與均方根誤差分別為1.00/4.45 m、0.99/7.09 m、0.96/29.36 m；在森林區域兩類數據結果差異相對較大，兩者相關性弱于草地和農田，經重新濾波處理后兩類數據相關性得到提升，其強/弱波束與GF-7生成DSM的相關性均可達到0.99，均方根誤差與絕對誤差的平均值也大幅減小，且隨著統計尺度的增加逐漸下降。同時，基于官方濾波算法所得強/弱波束數據均會高估數字表面高程，且弱波束反演精度略優于強波，但經重新濾波處理后，強、弱波束反演精度相近，且弱波束出現低估數字表面高程的現象。

地表高程信息 不同植被覆蓋類型 重新濾波

0 引言

隨著測繪遙感技術的不斷發展，缺乏高程信息的二維地理信息數據已經無法滿足社會發展的需要，如何準確獲取三維地理信息變得極為重要。數字表面模型（Digital Surface Model，DSM）是包含了地表建筑物、樹木冠層高程信息的地面高程模型，能夠真實表達地球表面的高度起伏變化，顯示各類地物的水平形狀及高程信息，是反映三維景觀的重要信息源之一，現已在數字高程模型（Digital Elevation Model，DEM）生成、森林生長變化監測、違規建筑監測等多個領域發揮著重要作用[1-3]。

機載激光雷達被認為是現今最有希望替代野外數據采集的技術手段，雖能準確獲取DSM及DEM，但是因數據獲取成本較高，難以進行大區域推廣[4-6]。星載激光雷達覆蓋區域大且數據可公開獲取，因此已廣泛應用于大區域DSM數據生成[7]?，F階段研究中應用的星載激光雷達數據主要是來源于ICESat-2搭載的先進地形激光測高系統（Advanced Topographic Laser Altimeter System，ATLAS），該系統采用靈敏的單光子探測器，具有更高的脈沖重復頻率，可以獲取光斑更小、密度更高的光子點云數據，能夠獲取更精細的地表三維信息[8]。目前已有大量基于ICESat-2/ATLAS數據進行多種類型高度反演的研究，如：文獻[9]基于ICESat-2/ATLAS數據進行芬蘭北方森林林下數字地形模型與冠層高度模型反演，其相關性2分別為0.99和0.98，均方根誤差分別為0.85 m和3.69 m；文獻[10]基于ATL08數據對溫帶森林及熱帶雨林的平均冠層高度與最大冠層高度進行反演，溫帶森林與熱帶雨林平均冠層高度的2分別為0.65和0.61，最大冠層高度的2分別為0.21和0.19。研究表明，ICESat-2數據反演溫帶森林高度參數精度相對較高，而對于熱帶雨林高度參數的反演精度則較低。關于ICESat-2數據森林區域的研究多以反演林下地形及冠層高度為目標，而基于ICESat-2數據反演DSM的研究則相對較少，但以往冠層高度反演結果也從側面表明基于ICESat-2數據進行森林區域高度反演時有出現相對較大偏差的可能性。

除星載激光雷達外，星載高分立體影像也是獲取大區域DSM的主要技術手段，其中GF-7作為我國首顆民用亞米級高分辨率光學傳輸型立體測繪衛星，其搭載的雙線陣立體測繪相機，可提供分辨率優于0.8 m的立體影像[11]。在軌測試結果表明GF-7立體影像生成DSM幾何精度滿足1︰10 000比例尺立體測圖指標要求[12]。文獻[13]利用GF-7獲取的多源數據進行平面和高程精度優化，無控條件下生成的DSM高程誤差平均值為–4.268 m，中誤差為4.518 m。利用激光測高數據可明顯優化DSM數據，經過中值模型優化后的DSM高程誤差平均值提升為–0.272 m，中誤差提升為1.508 m。文獻[14]分別測試了平地、丘陵和山地三種不同地形條件GF-7立體影像無控條件下生成DSM及以激光測高點作高程控制下DSM的精度，結果在無控情況下平地高程的中誤差為6.42 m，平均差為–3.94 m；丘陵高程的中誤差為9.37 m，平均差為–2.37 m；山地高程的中誤差為9.71 m，平均差為4.61 m。激光測高點高程控制下平地高程的中誤差為0.85 m，平均差為0.53 m；丘陵高程的中誤差為0.80 m，平均差為0.54 m；山地高程的中誤差為0.51 m，平均差為0.15 m；激光測高數據對GF-7 DSM高程精度具有很好的提升作用。文獻[15]利用外業控制資料，驗證了平地、丘陵、山地和高山等地形條件下GF-7立體影像生成1︰10 000 DSM的精度，結果顯示平地最大誤差為0.50 3m，中誤差為0.248 m；丘陵地最大誤差為0.954m，中誤差為0.515 m；山地最大誤差為1.860 m，中誤差為0.893 m；高山地最大誤差為3.337 m，中誤差為1.237 m。上述研究結果表明，GF-7立體影像生成DSM具有較好的高程精度，無控條件下山地高程誤差大于丘陵和平地，且中誤差均小于10 m，平均差小于5 m，經控制點校正后精度會得到大幅度提升，中誤差一般控制在1 m左右。雖然ICESat-2和GF-7均能獲 取植被冠層高程信息，但二者在不同植被覆蓋條件下獲取冠層高程數據能力的優劣仍未有研究能夠表明。

基于此，本文以ICESat-2/ATLAS數據和GF-7立體影像為基礎，對不同植被覆蓋情況下兩類數據獲取植被冠層高程信息結果進行對比研究，并對差異較大區域的ICESat-2/ATLAS數據進行數字高程模型輔助重新濾波處理，以驗證二者在不同植被覆蓋條件下獲取冠層表面高程能力的優劣，以期為未來二者數據協同獲取復雜山區精確DSM提供技術與方法支撐。

1 研究區概況

為驗證不同植被覆蓋類型下利用ICESat-2與GF-7數據獲取植被冠層高程信息的差異，本文以廣西壯族自治區及周邊為研究區，具體位置如圖1所示。研究區底圖為GF-7多光譜RGB波段合成圖，紅、綠光斑分別為強、弱光束軌跡。其中，如圖1（b）所示的研究區1地處低緯度范圍，屬中亞熱帶季風氣候，山區氣候特征比較明顯，選擇研究的植被類型為森林；如圖1（c）所示研究區2屬南亞熱帶季雨林植被區，植被資源豐富，選擇植被類型為草地；如圖1（d）所示的研究區3地處低緯，居亞熱帶季風氣候區，其東北及東南部地面起伏平緩，耕地連片集中是水稻主要產區，中部及西南部耕地小片而分散是黃豆、玉米主要產區，選擇區域內的耕地作為研究的植被類型。

2 研究數據及其處理

2.1 ICESat-2數據

ICESat-2/ATLAS采用發射頻率為10 kHz的激光，利用衍射光學元件將單束激光分裂為3組6波束，每組跨軌間距與組內跨軌間距分別為3.3 km與90 m，且每組激光都有指定的強波束與弱波束，強弱波束能量比為4︰1，獲取的光斑直徑約17 m，沿軌道間隔約0.7 m，平面定位精度優于6.5 m[8, 16-17]。根據研究需求，選取ATL03地形高程數據[18]與ATL08植被冠層高度及地表高程數據[19]進行研究。其中，ATL03數據提供了每個光子時間、經緯度以及高程信息；ATL08數據則是基于ATL03數據采用差分、回歸和高斯自適應最近鄰算法進行去噪，再通過NASA官方分類算法對有效光子進行分類劃分為噪聲光子、地面光子、冠層光子以及冠層頂部光子[20]。研究所用數據參數如表1所示。

圖1 研究區位置示意

表1 ICESat-2/ATLAS數據參數

Tab.1 Parameters of ICESat-2/ATLAS data

為了同時獲取到每個光子的空間分布和分類信息，需將ATL03和ATL08數據進行關聯，具體步驟如下[21]：1）提取ATL03數據中光子云數據的經度、緯度與高程信息；2）提取ATL08數據中的光子分類參數、關聯參數，其中光子分類參數的值為0、1、2、3分別表示噪聲光子、地面光子、冠層光子、冠層頂部光子；3）遍歷ATL03、ATL08數據，通過組號匹配獲取該組起始光子序號，再由光子的相對序號加上所在組的起始光子序號得到ATL03中的光子序號。經過上述步驟即可完成光子數據關聯，再結合光子光斑直徑按沿軌距離間隔17 m將冠層光子及冠層頂部光子高程值最高點作為植被冠頂點對數據進行重采樣。

但激光點呈離散分布，無法提供空間連續的森林高度信息，要想實現空間大區域連續制圖需要聯合其他遙感數據進行模型外推[22]。因此，研究僅對重采樣后所提取的植被冠頂點高程信息與GF-7生成的DSM進行對比分析，而不具體提取冠層的輪廓以及模型外推。

2.2 GF-7數據

GF-7作為我國首顆民用亞米級高分辨率光學傳輸型立體測繪衛星，其搭載雙線陣立體測繪相機可提供分辨率優于0.8 m的立體測繪影像和3.2 m分辨率的多光譜影像[23]。研究所用數據參數如表2所示。

表2 GF-7立體影像數據參數

Tab.2 Parameters of GF-7 stereo imagedata

利用超大規模衛星數據處理系統（Space Data Processor，SDP）對GF-7立體影像進行處理，通過迭代的方式自動匹配連接點并去除誤匹配點，最終獲取到數量足夠多且分布均勻的連接點，經檢查發現三個研究區連接點平面精度均優于1 m。由于軟件具備地形控制功能，僅依靠系統自帶的地形數據（Shuttle Radar Topography Mission，SRTM）作為約束即可實現平面和高程校正，其精度接近有控制點精度（誤差約為2 m～3 m），添加谷歌2 m分辨率影像作為底圖進行偏移校正，軟件帶有的檢校功能可以校正CCD影像拼接、姿態抖動導致的誤差。對于GF-7等亞米級衛星，經SDP軟件處理后，其單景DSM分辨率默認為影像分辨率的2倍，并且為與ICESat-2/ATLAS數據進行空間尺度匹配，將GF-7數據生成的DSM采用三次卷積插值法重采樣為17 m×17 m。

2.3 輔助數據

（1）地表覆蓋類型數據

為研究耕地、草地、森林不同植被類型覆蓋區域ICESat-2/ATLAS植被冠頂點高程信息與GF-7數據生產DSM之間的相關性，需對研究區不同土地覆蓋類型進行提取。本研究選用2020年ESA全球土地覆蓋產品[24]，該數據由是歐空局聯合全球多家科研機構基于Sentinel-1和Sentinel-2數據制作完成，空間分辨率為10 m，包含耕地、林地、草地、灌木、濕地、水體等11類不同土地覆蓋類型。

（2）地形數據

為了有效去除森林區域ICESat-2數據的噪聲信號，擬引入DEM作為輔助數據。目前公開能獲取到的DEM數據中，先進陸地觀測衛星（ALOS-1）搭載PALSAR傳感器所提供的12.5 m地形數據，具有更高的空間分辨率與更少的數據空洞，且相比SRTM和ASTER數據擁有更高的數據品質[25]，因此本研究選取ALOS-1獲取的2.5 m地形數據[26]作為重新濾波的輔助數據，并且為保持與重采樣后的ICESat-2與GF-7數據空間尺度一致性，將ALOS-1數據重采樣至17 m。

3 研究方法

3.1 不同植被覆蓋下高程信息對比研究

在不同植被覆蓋類型提取的基礎上，利用經緯度信息將ICESat-2數據所提取的植被冠頂點與GF-7立體影像生成的DSM數據進行匹配，以研究不同植被覆蓋情況下兩DSM數據結果的相關性。為了直觀展示兩類數據的相關性，將其轉換為沿軌距離-高程的形式?？紤]草地與耕地通常難以出現較長距離的連續，因此選擇分區段展示，具體如圖2所示。

3.2 基于DEM輔助數據的重新濾波

對ICESat-2光子云數據而言，去噪及光子分類結果直接影響植被冠層高程信息的精度。由于在森林區域ICESat-2/ATLAS數據的地面光面點很可能存在丟失或錯分的情況，難以描繪出完整且連續的地表導致不能作為評判光子數據高程是否超出范圍的參考標準，因此引入外部DEM作為輔助數據對去噪處理后的光子數據進行重新濾波處理，主要包括以下步驟：

1）數據切分。根據沿軌距離對數據進行分組，間隔160 m為一組。

2）粗去噪。采用重采樣后的ALOS衛星地形數據作為輔助數據對ATLAS數據進行初步去噪，將光子云數據的高程信息與對應的DEM值進行差值，根據研究區最大樹高保留差值絕對值在40 m以內數據。

3）精去噪。采用橢圓搜索域的局部距離統計算法，為了避免處于組內邊界的光子在進行統計時受到邊界效應的影響，在進行距離統計計算時會在各組邊界兩端添加40 m的數據作為緩沖區，統計各光子最臨近的個光子的總距離（值設定為弱波束參與統計的光子數的1/10，強波束則為1/40），如式（5）所示。

式中和分別表示沿軌距離方向的坐標和高程方向的坐標；（x，h）為目標點的坐標；（x，h）為目標點的第個鄰近點的坐標；、為橢圓搜索域的長、短半軸，長短半軸比為6︰1。

將統計得到的局部距離統計值進行升序排列，再按順序將相鄰兩個值做差，得到各光子云數據局部距離統計值之間的差值，再通過Z-score離群點檢測的方法對該差值進行突變點檢測，而后根據得出差值突變點的索引查找相應局部距離統計值生成候選閾值列表，并在滿足保留80%以上數據的情況下將該突變點高程值作為噪聲閾值；最后再對每個組內的數據分窗口采用Z-score離群點檢測出窗口內的高程離群點（弱波束采用40 m窗口，強波束采用10 m窗口）。Z-score離群點檢測方法是以標準差為單位去度量某一原始分數偏離平均數的距離，如式（6）所示。

式中為原始分數；為總體均值；為標準差；為偏移距離，通常將偏移距離大于3的點作為離群點。

4）冠層頂部光子識別。通過將17 m間隔內高程最大值作為樹冠點對去噪后光子進行重采樣，通過光子點經緯度信息與GF-7立體影像數據重采樣后的DSM數據進行匹配，并統計17 m、50 m、80 m和100 m窗口尺度下兩類數據的相關性評價指標。

4 結果與分析

4.1 不同植被覆蓋類型下高程信息對比分析

耕地、草地和森林不同植被覆蓋類型下ICESat-2/ATLAS強、弱波束與GF-7立體影像生成DSM數據相關性統計結果如表3所示。

表3 相關性統計表

Tab.3 Correlation statistics results

為進一步探究森林區域兩類數據間誤差的來源，利用圖2相似方法將森林區域兩類數據相關性和ATL08所標識的光子分類信息及空間分布進行直觀展示，具體如圖3所示。

圖3 森林區域ICESat-2/ATLAS光子空間分布和分類結果

對圖3進行分析發現，在森林區域沿軌距離局部區域ICESat-2/ATLAS強、弱波束植被冠頂點高程與GF-7立體影像生成的DSM間存在較大偏差，主要表現：一是該區段光子云數據出現明顯的上下分層，且上下層高程差平均約為100 m遠大于當地樹高，初步認為上下兩層中應有一層數據為官方算法在該區段內濾波及分類錯誤所致，同時考慮與GF-7生成DSM和DEM之間的高程差異，判定上層數據為噪聲信號；二是該區段內噪聲信號與光子信號高程信息及密集情況相近，官方算法對信號點與噪聲點的濾波與分類存在問題，導致兩類數據間出現較大差異。綜上所述，GF-7生成的DSM與DEM數據始終保持著較高的一致性，而ICESat-2/ATLAS數據提取冠層高程信息則在某些區域與DEM數據存在較大的偏差。由定性分析可知，在森林區域GF-7生成的DSM相較于ICESat-2/ATLAS所提取到的冠層高程信息具有更高的精度，因此需對森林區域ICESat-2光子點云數據進行重新濾波處理。

同時，對圖3（a）和（b）兩圖所示結果進行對比分析發現，強波束在對地表地物描繪的完整程度上會優于弱波束，可為后續反演地形及冠層高度等參數信息提供更為準確的數據。

4.2 基于DEM輔助數據的重新濾波結果

綜上分析可知，森林區域ICESat-2/ATLAS與GF-7衛星生成DSM數據間的較大誤差主要是由ICESat-2/ATLAS數據濾波不準確所致，因此研究選擇引入DEM輔助數據對ICESat-2光子點云數據進行粗去噪，該方法在結合地形信息的基礎上只需加入當地樹高作為參考即可剔除高程過高的噪聲信號，并且不會受到光子信號密度的影響，針對森林區域所出現的噪聲信號情況該方法簡單且有效，其去噪效果如圖4所示。

圖4 ICESat-2/ATLAS粗去噪結果

對圖4所示去噪效果進行分析可知，引入地形數據可以將明顯高于地面的噪聲點剔除，因而能夠較好的解決光子信號與噪聲信號出現上下分層的問題。經過DEM粗去噪后的數據與地面趨勢有著較好的一致性，且該方法是基于高程參數對光子進行去噪不會因為信號點密度較低而造成信號點的丟失。

對于粗去噪后的光子點云數據，橢圓搜索域局部距離統計與高程離群點檢測方法的結合能夠有效的檢測出離散的噪聲信號以及沿軌間距內明顯的高程離群點，其去噪效果如圖5所示。

圖5 ICESat-2/ATLAS精去噪結果

如圖5所示，經過DEM粗去噪后的光子數據其信噪比較高，而在精去噪這一步所采用的局部距離統計算法能夠較好的剔除這些剩余的孤立噪聲點并且也能對信號點的數據進行了較大程度的保留，其次采用Z-score離群點檢測的方法對位于信號點附近但高程參數屬于離群狀態的高程離群點也有著較好的剔除效果。

在完成重新濾波后對數據進行重采樣處理，將冠層頂部信號點與GF-7所生成的DSM進行匹配，結果如圖6所示。經過重新濾波后兩類數據間的相關性得到明顯提升，例如：在沿軌距離5 200 m～5 600 m窗口經重新濾波處理后，ICESat-2數據提取到的冠層高程信息與GF-7生成的DSM之間的高程差得到大幅度減小，表明重新濾波取得了較好的結果；在沿軌距離10 400 m～10 800 m窗口經重新濾波處理后，ICESat-2數據提取到的冠層高程信息與GF-7生成的DSM間的高程差得到一定程度的減小，但相對而言仍較大。具體統計結果如表4所示。

圖6 森林區域重新濾波前后強、弱波束數據提取冠頂點高程與GF-7數據生成DSM對比

表4 森林區域重新濾波前后強、弱波束數據提取冠頂點高程與GF-7數據生成DSM數據相關性統計表

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 結束語

本文探討了ICESat-2/ATLAS數據植被冠頂點高程信息與GF-7立體影像數據生成的DSM在不同植被覆蓋區域的差異，并著重針對森林區域出現較大誤差的情況進行了深入分析及數據的濾波處理，得出以下結論：

1）不同植被覆類型下ICESat-2/ATLAS數據提取到的植被表面高程信息與GF-7立體影像生成DSM數據具有較好的相關性，但森林區域的相關性弱于耕地和草地；

2）基于DEM輔助數據的濾波算法能夠實現森林區域ICESat-2數據噪聲的有效去除，經重新濾波后ICESat-2數據與GF-7立體影像生成DSM相關性得到較大提升，并且隨著統計尺度的增大，兩類數據之間的偏差會隨之逐漸減??；

3）強、弱波束由于自身激光強度不同，在重新濾波前后所提取到的植被冠頂點高程信息的表現不同，具體為：經官方算法處理，強/弱波束數據均會高估冠層表面的高度，且弱波束反演精度略優于強波束；重新濾波處理后，強、弱波束反演精度相近，且弱波束出現低估冠層表面高度的現象。

雖然星載激光雷達和星載高分立體影像均可獲取植被表面高程信息，但兩者均存在其局限性，會受到森林水汽、云層等自然環境因素的影響，從而導致數據的可靠性下降或出現數據空洞，兩者數據結合有可望實現數據優勢互補，為后續森林結構參數精確反演提供可靠的基礎數據。

[1] 喻龍華, 王雷光, 吳楠, 等. 復雜地形DSM的地面點識別及DEM提取[J]. 測繪通報, 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] J?RNSTEDT 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] PITK?NEN 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, 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 Zengyuan, LIU Qingwang, PANG Yong. Review on Forest Parameters Inversion Using LiDAR[J]. Journal of Remote Sensing, 20(5): 1138-1150. (in Chinese)

[8] 蔡龍濤, 岳春宇, 黃縉, 等. 國產星載激光雷達森林回波波形模擬仿真研究[J]. 農業機械學報, 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 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, 張新偉, 等. “高分七號”高精度光學立體測繪衛星實現途徑研究[J]. 航天返回與遙感, 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, 劉付強, 趙晨光, 等. 高分辨率立體測繪衛星技術研究[J]. 遙感學報, 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, 張智, 等. 高分七號衛星多源遙感數據精度優化與評估[J]. 紅外與激光工程, 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, 劉昌儒, 張恒, 等. 高分七號衛星立體影像與激光測高數據聯合區域網平差[J]. 武漢大學學報(信息科學版), 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] 趙文普, 劉鈺, 吳曉春, 等. 利用高分七號衛星開展1:10 000立體測圖精度驗證[J]. 測繪科學, 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] 黃佳鵬, 邢艷秋, 秦磊, 等. 弱光束條件下森林區域光子云去噪算法精度研究[J]. 農業機械學報, 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] 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): 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] 李重陽, 張志飛, 呂寵, 等. 高分七號雙線陣立體測繪相機系統集成與測試[J]. 紅外與激光工程, 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] 張歡, 李弘毅, 李浩杰, 等. 基于機載LiDAR的高寒山區遙感高程數據精度評估[J]. 遙感技術與應用, 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數據的中國30米分辨率森林高度反演研究[D]. 北京: 中國科學院大學(中國科學院空天信息創新研究院), 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

覃志剛，男，1998年生，桂林理工大學資源與環境專業在讀碩士研究生。研究方向為林業定向遙感。E-mail：861474693@qq.com。

尤號田，男，1985年生，2017年獲東北林業大學博士學位，副教授。研究方向為林業定向遙感。E-mail：youht@glut.edu.cn。

2022-07-02

國家自然科學基金（41901370，42261063）；廣西自然科學基金（2020GXNSFBA297096）；桂林理工大學科研啟動基金（GLUTQD2017094）；廣西八桂學者專項項目（何宏昌）

覃志剛, 尤號田, 黃元威, 等. 不同植被覆蓋區ICESat-2和GF-7衛星地表高程信息對比研究[J]. 航天返回與遙感, 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)

（編輯：毛建杰）