纸质出版日期： 2021-06-07
扫 描 看 全 文
引用
阅读全文PDF
由美国宇航局（NASA）研制的新一代冰、云和陆地高程卫星（ICESat-2）于2018-09-15发射成功，其搭载的先进地形激光测高系统（ATLAS）采用微脉冲多波束光子计数激光雷达技术，可用于全球高程线采样数据的获取。目前公开发布了9种数据产品，其中包括植被冠层高度和地表高程数据产品（ATL08），为全球森林结构参数的估算提供了新的契机。本文以美国宾夕法尼亚州斯奈德县和印度尼西亚西加里曼丹吉打邦为研究区，在温带森林和热带雨林两种不同的生态系统立地条件下，对 ICESat-2的ATL08数据产品用于森林高度估算的效果进行评价。首先建立了地形高程数据产品（ATL03）与ATL08数据产品的关联规则，以获取分别记录在这两种产品中的光子空间分布信息和分类信息；进而以机载小光斑激光雷达数据为参考，对ATL08数据产品的光子分类可靠性及其用于森林高度估算的准确性进行了分析评价。结果表明：（1）在温带森林情况下，ATL08数据产品提供的平均冠层高度和最大冠层高度与参考数据的相关系数（R²）分别为0.54和0.61，相对误差分别为16.78%和10.71%，表明ATL08数据产品的光子分类结果能够用于刻画森林冠层结构和林下地形；（2）在热带雨林情况下，到达地面的光子数量相较于温带森林明显减少，地面光子类型识别的可靠性低，ATL08数据产品提供的平均冠层高度和最大冠层高度与参考数据的相关系数（R²）分别为0.21和0.19；（3）森林覆盖度的增大会导致ATL08计算的冠层高度误差增大，热带雨林平均冠层高度的误差随着坡度增大有增大趋势，在坡度为0°—10°、10°—20°和20°—30°共3组情况下，误差分别为5.7 m、6.6 m和9.3 m。因此，在高森林覆盖度情况下，现有的ATL08数据产品难以直接用于森林高度的提取。
译
The ICESat-2 satellite, which operates through the technology of multi-beam single-photon-counting, provides a new opportunity for the mapping of global forest structures. Although previous studies based on the airborne simulator of ICESat-2 have shown that it has great potential to estimate forest structure parameters using single-photon-counting data, the performance of ICESat-2 needs to be examined due to the major differences between airborne system and ICESat-2. The National Aeronautics and Space Administration has released nine types of ICESat-2 data products, one of which is the vegetation canopy height and surface elevation data (ATL08). Therefore, the purpose of this paper is to evaluate the performance of ATL08 on the estimation of forest height by referencing to small-footprint LiDAR data.
译
The basis for the accurate estimation of forest height using photon-counting LiDAR data is the correct classification of photons, that is, identification of noise photons, ground photons, and vegetation photons. The ATL08 only records photon classification and forest structure parameters, and the geographical coordinates of each photon are recorded in the Terrain Elevation (ATL03) product. Therefore, ATL03 and ATL08 need to be connected first according to the organization of two products. Taking the data of small-footprint LiDAR as reference, the ATL08 products were evaluated from two aspects. First, the classification results of photons are evaluated by referencing to the profiles from the Digital Terrain Model (DTM) and the Digital Surface Model (DSM) derived using the small-footprint LiDAR data. Then, percentile height metrics of each 100-m-long segment in ATL08 product were evaluated by referencing to corresponding metrics calculated using the point cloud data of small-footprint LiDAR.
译
This study was carried out in two test sites: Snyder County in Pennsylvania, United States and Ketapang in West Kalimandin, Indonesia. These sites represented temperate forest and tropical rainforest, respectively. In the temperate forest, the classification accuracy of noise photons, ground photons, and canopy photons in ATL08 products were acceptable. The estimation accuracy of maximum canopy height was slightly better than that of mean canopy height with R²=0.61 against 0.54 and RMSE=10.71% against 16.78%. In the tropical rainforest with relatively low canopy cover, the ground photons in ATL08 could be correctly identified. However, in the forest with high canopy cover, the number of photons near the ground is inadequate. In addition, the identified ground photons in ATL08 were not enough to fit the terrain under the forest, which caused obvious errors in the estimation of forest height. The results of the quantitative analysis of the error of mean canopy height between canopy cover and terrain show that with the increase of canopy cover, the error of canopy height calculated by ATL08 will increase. In the tropical rainforest, the error of the mean canopy height will increase as the slope increases. When the slope is 0°—10°, 10°—20°, and 20°—30°, the error is 5.7 m, 6.6 m, and 9.3 m, respectively.
译
Ie can be concluded based on the results of this study that ATL08 product could be used to estimate the height of temperate forests. However, in dense tropical rainforests, due to the limited penetration capabilities of LiDAR and difficulties in the correct identification of ground photons, the existing ATL08 data will be difficult to use for forest height estimation.
译
森林结构参数（如植被高度、生物量、水平和垂直分布等）是林区碳循环、水循环以及辐射传输过程的重要影响因素（
译
ATLAS采用光子计数信号探测技术，所获取的数据中含有地表反射的有效信号光子和大气散射等造成的背景噪声光子（
译
利用所识别的有效信号光子数据提取森林结构参数，是目前光子计数激光雷达的另一研究热点。
译
基于现有的机载数据的研究结果初步表明，光子计数激光雷达具备刻画森林垂直结构和林下地形，并用于估算森林生物量和森林冠层覆盖度的潜力。但基于ICESat-2星载光子计数激光雷达数据进行全球森林结构参数提取还需深入研究，一方面，现有研究提出的数据处理算法在局部试验区内取得了较好的效果，在全球不同区域的处理效果有待进一步检验；另一方面，尽管SIMPL和MABEL的激光器配置模仿了ATLAS，但仍与星载系统存在着显著差异，如MABEL激光光斑直径为2 m，间距为4 cm，而ATLAS激光光斑直径为17 m，间距为70 cm，导致两者获取的光子点云密度存在差异（
译
为对不同地形、森林类型和覆盖度条件下的ICESat-2数据产品进行评价，结合机载小光斑激光雷达数据的可获取情况，本文选择美国宾夕法尼亚州斯奈德县（40°42′N，77°14′W）和印度尼西亚西加里曼丹吉打邦（1°25′S，111°8′E）作为研究区。它们的地表覆盖情况如
译
下载: |
高精图 |
低精图图1 研究区范围与地表覆盖（背景图来源于Google EarthTM）
Fig.1 Study sites and surface coverage （Background image from Google EarthTM）
2.2.1 ICESat-2数据获取模式
译
下载: |
高精图 |
低精图图2 ICESat-2数据获取模式
Fig.2 ICESat-2 data acquisition mode
2.2.2 ICESat-2数据产品
根据美国国家冰雪数据中心给出的定义，ICESat-2共有21种产品，分别命名为ATL01~ATL21。目前采用hdf5文件格式公开发布了其中的9种数据产品，产品编号、时空范围、时间范围、空间分辨率以及时间分辨率等参数详细信息参见（https：//nsidc.org/data/ICESat-2/data-sets［2020-06-09］）。
译
ATL08植被冠层高度和地表高程数据（Canopy Height， Terrain Elevation）是发布产品之一，其空间分辨率为100 m，数据覆盖全球，本文主要对ATL08提供的植被冠层高度和地表高程数据质量进行评价。ATL03地形高程数据（Terrain Elevation）提供了每个光子的经度、纬度、高程和时间，其空间分辨率为70 cm，时间分辨率为91 d，数据覆盖全球。由ICESat-2数据获取模式可知，ATLAS发射的强弱波束对在地面形成3组共6列相互平行的地面轨迹，ATL03和ATL08数据产品将地面轨迹从左至右依次进行编号，并根据地面轨迹编号组织数据，其中GT1L和GT1R构成第1组，GT2L和GT2R构成第2组，GT3L和GT3R构成第3组。ATL08是在ATL03数据的基础上，采用DRAGANN算法首先去除背景噪声光子，然后对有效信号光子进行分类。ATL08产品中包括ATL03中光子的分类标识（噪声、地面、植被和冠顶）和每100 m统计单元的陆地和植被参数，其中陆地参数包括在每100 m统计单元内标记为地面光子的高程平均值，最小值，最大值，中值和标准偏差；冠层参数包括在每100 m集合内标记为植被和冠顶的光子相对于地面的高度平均值，最小值，最大值和中值高度，以及植被冠层光子垂直分布的分位数高度指数（RH25，RH50，RH60，RH70，RH75，RH80，RH85，RH90和RH95）。
译
本研究在斯奈德县研究区使用的是获取于2019-02-06的ATL03_20190206031650_06060206_001_01.h5和ATL08_20190206031650_06060206_001_01.h5数据，其中所用到的弱波束地面轨迹编号为GT3R，强波束地面轨迹编号为GT3L；在吉打邦研究区使用的是获取于2019-04-17的ATL03_20190417111921_02930308_001_01.h5和ATL08_20190417111921_02930308_001_01.h5数据，其中所用到的弱波束地面轨迹编号为GTlR，强波束地面轨迹编号为GTlL。
译
小光斑激光雷达数据对森林空间结构和林下地形的探测能力已得到广泛认可（
译
下载: |
高精图 |
低精图图3 小光斑激光雷达CHM图以及点云剖面图
Fig.3 CHM and point cloud profile of small-footprint Lidar
ATL08产品给出了沿轨方向每100 m内植被冠层光子垂直分布的分位数高度指数。其用于森林结构参数估算的效果取决于两个方面，包括：（1）光子计数激光雷达的探测能力；（2）光子数据处理算法的性能，即噪音光子识别算法和植被与地面光子分离算法的处理效果。为了分析ATL08产品分位数高度指数的可靠性，需要深入分析其对应的光子空间分布和分类信息。光子空间分布信息存储于ATL03产品中。ATL08产品记录了用于计算分位数高度指数的光子分类信息，但没有空间分布信息。因此，需要将ATL03产品与ATL08进行关联，以同时得到光子的空间分布和分类信息。两者的具体关联规则如下：
译
（1）在ATL03中，每个光子采用两种索引方法，第1种是按照光子的GPS时间顺序依次编号，称为光子序号（即Group：/gtx/heights的记录顺序）；第2种是对光子进行分组，按沿轨距离每20 m分为一组，对各组依次进行编号，称为组号 （存于Group：/geolocation/segment_id内），并记录每组起始的光子序号（存于Group：/geolocation/ph_index_beg内）。
译
（2）在ATL08中，按沿轨距离约每100 m为一个统计单元，每个统计单元内的光子采用ATL03的第2种索引方法进行记录，每个光子由所在的组号（存于Group：/gtx/signal_photons/ph_segment_id内）和组内的相对序号来记录（存于Group：/gtx/signal_photons/classed_pc_indx）。
译
（3）针对ATL08中的每个光子，遍历ATL03的所有组，通过组号的匹配（ph_segment_id= segment_id），获得该组的起始光子序号（ph_index_beg），光子的相对序号与所在组的起始光子序号相加，可得到其在ATL03中光子序号，即classed_pc_indx+ph_index_beg-1。由此，可将ATL08中的每个光子与ATL03中的对应光子进行关联。从而得到每个统计单元内所有光子的空间分布和分类信息。
译
利用小光斑激光雷达给出的林下地表（DTM）和冠层顶部（DSM）范围作为参考，评价ATL08产品光子的分类结果。相关数据提取的具体过程为：将每个光子信号通过地理坐标与小光斑激光雷达DTM和DSM进行匹配，得到每个光子对应的DTM值、DSM值和的GPS时间。以GPS时间为横轴，高程为纵轴，绘制ATL08光子分类结果的剖面图、林下地形剖面线和冠层表面剖面线，认为位于林下地形剖面线±1 m内的光子应为地面光子，低于林下地形剖面线或高于冠层表面剖面线1 m以上的光子为噪声光子，在林下地形剖面线与冠层表面剖面线之间的光子为冠层光子。小光斑激光雷达采用EGM96大地水准面作为高程基准，而ICESat-2使用的是WGS-84椭球面，因此在评估之前，将两者的高程基准统一为WGS-84椭球面。
译
利用小光斑激光雷达点云数据，计算与ATL08产品中每100 m统计单元对应范围内的森林结构参数，从而对ATL08产品给出的森林高度指数进行评价。将ATL08每个统计单元的起始和截止光子的水平连线作为中心线，计算长100 m宽17 m（即脚印直径）的长方形的4个角点，截取落在该矩形范围内的小光斑激光雷达点云数据，利用其中的植被点云计算用作参考的森林结构参数（平均冠层高度（Hmean），最大高度（Hmax），相对高度指数（RH25、RH50、RH60、RH75、RH80、RH85、RH90和RH95）），具体定义见
译
| CHi=HCi-HDi | （1） |
| Hmean=n∑i=1(CHi)/n | （2） |
| Hmax = max(CHi), i = 1,2,…,n | （3） |
| DH=sort(CH) | （4） |
| RHj=DH(i),j=25, 50,60,75,80,85,90,95;i=0.01jn | （5） |
式中，n是小光斑激光雷达植被点总数，HCi是每个植被点的高程，HDi是每个植被点对应的林下地表高程，即DTM中对应位置的高程，CHi为每个植被点相对于地面的高度；DH为所有植被点相对与地面的高度按升序排列得到的数据集；i为某个植被点在DH数据中的序号，j为百分数。
译
为了评估ATL08数据产品中的平均冠层高度、最大冠层高度和相对高度指数与小光斑激光雷达提取相应指数的相关性及误差，本文计算了相关系数（R2），均方根误差（RMSE）以及相对RMSE （rRMSE），计算公式如下：
译
| RMSE= √n∑i=1(Pi-Oi)2/n | （6） |
| rRMSE=RMSEˉOi×100% | （7） |
| R2= 1-n∑i=1(Pi-Oi)2/n∑i=1(Oi-ˉOi)2 | （8） |
式中，n是本研究中样点数量，Pi是待评价的森林高度指数拟合值，Oi是参考机载激光雷达估计的森林高度指数，ˉOi是小光斑激光雷达计算的相应森林高度指数的平均值。
为了评价不同森林覆盖度和地形坡度对于ATL08产品中森林结构参数准确性的影响，需要利用小光斑激光雷达数据计算用于参考的森林覆盖度和地形坡度。其中森林覆盖度由1 m分辨率的CHM图计算得到，坡度由1 m分辨率的DTM生成。类似于截取小光斑激光雷达点云数据的方法，将ATL08每个统计单元的起始和截止光子的水平连线作为中心线，计算长100 m、宽17 m（即脚印直径）的长方形的4个角点，截取落在该矩形范围内所有CHM和坡度的栅格值。联合国粮食和农业组织（FAO）将森林定义为面积大于0.5 ha以上、树木高于5 m、林冠覆盖率超过10%。因此两个研究区的森林覆盖度定义为所有CHM栅格值大于5 m的像元数除以总像元数。地形坡度定义为所有坡度栅格值的平均值。
译
ATLAS每个波束对由1个强波束和1个弱波束组成，它们之间的能量比约为4∶1，发射频率均为10 kHz。
译
下载: |
高精图 |
低精图图4 强弱波束接收的光子对比
Fig.4 Comparison of strong and weak beam photon
噪声光子去除和光子分类效果直接决定着利用光子数据计算森林高度指数的精度。
译
下载: |
高精图 |
低精图图5 温带森林区不同地形情况下光子空间分布与分类结果
Fig.5 Spatial distribution and classification results of photons under different topography in temperate forest area
译
下载: |
高精图 |
低精图图6 热带森林区不同地形情况下光子空间分布与分类结果
Fig. 6 Spatial distribution and classification results of photons under different topography in tropical rainforest area
译
下载: |
高精图 |
低精图图7 热带雨林区不同森林覆盖度情况下的光子空间分布与分类结果
Fig.7 Spatial distribution and classification results of photons under different canopy cover in tropical rainforest area
译
下载: |
高精图 |
低精图图8 森林平均冠层高度、最大高度与小光斑激光雷达相应计算结果的对比
Fig.8 Comparison of mean forest canopy height， max forest height with small-footprint LiDAR's corresponding calculation
译
图9 ATL08不同百分比高度指数与小光斑激光雷达相应计算结果的相关性
Fig.9 Dependence between ATL08 different percentage height metricsand the corresponding calculation results of small-footprint LiDAR
下载: 原图 |
高精图 |
低精图温带森林结果表明ATL08产品存在低估森林的结构参数的现象，这与已有研究结果相一致（
译
热带雨林结果较差的主要原因是在高森林郁闭度和多层级冠层条件下，光子穿透能力有限，仅有少量光子能够到达地面。此时ATL08产品中对于光子类型识别出现错误，会将零星的地面光子识别为噪声，而将植被光子信号识别为地面光子信号，导致提取的林下地形高于实际地面，从而低估森林结构参数，如
译
关于ATL08产品中森林结构参数的结果受森林覆盖度和地形坡度的影响，
译
图10 不同地形坡度和覆盖度情况下森林平均冠层高度误差
Fig.10 Error of mean canopy height under different terrain slope and canopy cover
下载: 原图 |
高精图 |
低精图本文以小光斑激光雷达数据做为参考，分析了温带和热带两种森林生态系统条件下，ATL08数据产品中提供的光子分类精度，评价了ATL08产品提供的森林平均高度、最大高度以及百分位高度指数用于森林高度估算的效果。结果表明，在温带森林情况下，ATL08产品能够较好地区分背景噪声光子和有效光子信号，并有效识别出地面光子和植被光子，但对冠层顶部光子的识别存在一定的不确定性，给最大高的估算造成一定的误差，ATL08数据产品中的森林高度指数普遍低于来自小光斑激光雷达计算的相应指数，百分位高度指数随着百分比的增大越来越准确；在热带雨林情况下，特别是在浓密森林条件下，到达地面的光子数量少，ATL08中产品无法正确识别地面光子，或识别出的地面光子数量不足以刻画林下地形，从而导致森林高度指数出现严重错误。森林结构参数误差与森林覆盖度和地形坡度的定量分析结果表明，ATL08产品给出的平均冠层高度随着森林覆盖度的增大误差随之增大，在热带雨林区域，由于高森林覆盖度和多层级冠层的影响，林下地形刻画精度低，在地形坡度大的区域会增大误差，误差随着地形坡度的增大有增大趋势。因此，在高森林覆盖度情况下，ATL08产品难以直接用于森林高度的提取。
译
致谢：感谢美国宇航局为本研究提供了所使用ICESat-2数据产品、G-LiHT机载小光斑激光雷达数据和印度尼西亚区域的小光斑激光雷达数据。
Abdalati W, Zwally H J, Bindschadler R, Csatho B, Farrell S L, Fricker H A, Harding D, Kwok R, Lefsky M, Markus T, Marshak A, Neumann T, Palm S, Schutz B, Smith B, Spinhirne J and Webb C. 2010. The ICESat-2 laser altimetry mission. Proceedings of the IEEE, 98(5): 735-751 [DOI: 10.1109/JPROC.2009.2034765] [百度学术]
Brown M E, Arias S D, Neumann T, Jasinski M F, Posey P, Babonis G, Glenn N F, Birkett C M, Escobar V M and Markus T. 2016. Applications for ICESat-2 data: from NASA’s early adopter program. IEEE Geoscience and Remote Sensing Magazine, 4(4): 24-37 [DOI: 10.1109/MGRS.2016.2560759] [百度学术]
Brunt K M, Neumann T A, Amundson J M, Kavanaugh J L, Moussavi M S, Walsh K M, Cook W B and Markus T. 2016. MABEL photon-counting laser altimetry data in Alaska for ICESat-2 simulations and development. The Cryosphere, 10(4): 1707-1719 [DOI: 10.5194/tc-10-1707-2016] [百度学术]
Chen B W, Pang Y, Li Z Y, North P, Rosette J, Sun G Q, Suárez J, Bye I and Lu H. 2019. Potential of forest parameter estimation using metrics from photon counting LiDAR data in Howland research forest. Remote Sensing, 11(7): 856 [DOI: 10.3390/rs11070856] [百度学术]
Cook B D, Corp L A, Nelson R F, Middleton E M, Morton D C, McCorkel J T, Masek J G, Ranson K J, Ly V and Montesano P M. 2013. NASA Goddard's LiDAR, hyperspectral and thermal (G-LiHT) airborne imager. Remote Sensing, 5(8): 4045-4066 [DOI: 10.3390/rs5084045] [百度学术]
Farrell S L, Laxon S W, McAdoo D C, Yi D H and Zwally H J. 2009. Five years of Arctic sea ice freeboard measurements from the Ice, Cloud and land Elevation Satellite. Journal of Geophysical Research: Oceans, 114(C4): C04008 [DOI: 10.1029/2008JC005074] [百度学术]
Gaumont-Guay D, Black T A, Barr A G, Griffis T J, Jassal R S, Krishnan P, Grant N and Nesic Z. 2014. Eight years of forest-floor CO2 exchange in a boreal black spruce forest: spatial integration and long-term temporal trends. Agricultural and Forest Meteorology, 184: 25-35 [DOI: 10.1016/j.agrformet.2013.08.010] [百度学术]
Huang W L, Sun G Q, Dubayah R, Cook B, Montesano P, Ni W J and Zhang Z Y. 2013. Mapping biomass change after forest disturbance: applying LiDAR footprint-derived models at key map scales. Remote Sensing of Environment, 134: 319-332 [DOI: 10.1016/j.rse.2013.03.017] [百度学术]
Khan S A, Kjær K H, Bevis M, Bamber J L, Wahr J, Kjeldsen K K, Bjørk A A, Korsgaard N J, Stearns L A, van den Broeke M R, Liu L, Larsen N K and Muresan I S. 2014. Sustained mass loss of the northeast Greenland ice sheet triggered by regional warming. Nature Climate Change, 4(4): 292-299 [DOI: 10.1038/nclimate2161] [百度学术]
Li M, Guo Y, Yang G and Shu R. 2017. A noise filter method for the push-broom photon counting LiDAR and airborne cloud data verification. Science Technology and Engineering, 17(9): 53-58 [百度学术]
李铭, 郭颖, 杨贵, 舒嵘. 2017. 一种推扫式光子计数激光雷达点云滤波算法及其验证. 科学技术与工程, 17(9): 53-58 [DOI: 10.3969/j.issn.1671-1815.2017.09.009] [百度学术]
Li Z Y, Liu Q W and Pang Y. 2016. Review on forest parameters inversion using LiDAR. Journal of Remote Sensing, 18(6): 1138-1150 [百度学术]
李增元, 刘清旺, 庞勇. 2016. 激光雷达森林参数反演研究进展. 遥感学报, 20(5): 1138-1150 [DOI: 10.11834/jrs.20165130] [百度学术]
Lu D S, Chen Q, Wang G X, Liu L J, Li G Y and Moran E. 2016. A survey of remote sensing-based aboveground biomass estimation methods in forest ecosystems. International Journal of Digital Earth, 9(1): 63-105 [DOI: 10.1080/17538947.2014.990526] [百度学术]
Ma L X, Zheng G, Eitel J U H, Magney T S and Moskal L M. 2017. Retrieving forest canopy extinction coefficient from terrestrial and airborne LiDAR. Agricultural and Forest Meteorology, 236: 1-21 [DOI: 10.1016/j.agrformet.2017.01.004] [百度学术]
Magruder L A and Brunt K M. 2018. Performance analysis of airborne photon-counting LiDAR data in preparation for the ICESat-2 mission. IEEE Transactions on Geoscience and Remote Sensing, 56(5): 2911-2918 [DOI: 10.1109/TGRS.2017.2786659] [百度学术]
Manuri S, Andersen H E, McGaughey R J and Brack C. 2017. Assessing the influence of return density on estimation of LiDAR-based aboveground biomass in tropical peat swamp forests of Kalimantan, Indonesia. International Journal of Applied Earth Observation and Geoinformation, 56: 24-35 [DOI: 10.1016/j.jag.2016.11.002] [百度学术]
Markus T, Neumann T, Martino A, Abdalati W, Brunt K, Csatho B, Farrell S, Fricker H, Gardner A, Harding D, Jasinski M, Kwok R, Magruder L, Lubin D, Luthcke S, Morison J, Nelson R, Neuenschwander A, Palm S, Popescu S, Shum C K, Schutz B E, Smith B, Yang Y K and Zwally J. 2017. The ice, cloud, and land elevation satellite-2 (ICESat-2): science requirements, concept, and implementation. Remote Sensing of Environment, 190: 260-273 [DOI: 10.1016/j.rse.2016.12.029] [百度学术]
Melendy L, Hagen S C, Sullivan F B, Pearson T R H, Walker S M, Ellis P, Kustiyo, Sambodo A K, Roswintiarti O, Hanson M A, Klassen A W, Palace M W, Braswell B H and Delgado G M. 2018. Automated method for measuring the extent of selective logging damage with airborne LiDAR data. ISPRS Journal of Photogrammetry and Remote Sensing, 139: 228-240 [DOI: 10.1016/j.isprsjprs.2018.02.022] [百度学术]
Narine L L, Popescu S, Neuenschwander A, Zhou T, Srinivasan S and Harbeck K. 2019. Estimating aboveground biomass and forest canopy cover with simulated ICESat-2 data. Remote Sensing of Environment, 224: 1-11 [DOI: 10.1016/j.rse.2019.01.037] [百度学术]
Neuenschwander A and Pitts K. 2019. The ATL08 land and vegetation product for the ICESat-2 Mission. Remote Sensing of Environment, 221: 247-259 [DOI: 10.1016/j.rse.2018.11.005] [百度学术]
Neuenschwander A L and Magruder L A. 2016. The potential impact of vertical sampling uncertainty on ICESat-2/ATLAS terrain and canopy height retrievals for multiple ecosystems. Remote Sensing, 8(12): 1039 [DOI: 10.3390/rs8121039] [百度学术]
Nie S, Wang C, Xi X H, Luo S Z, Li G Y, Tian J Y and Wang H T. 2018. Estimating the vegetation canopy height using micro-pulse photon-counting LiDAR data. Optics Express, 26(10): A520-A540 [DOI: 10.1364/OE.26.00A520] [百度学术]
Popescu S C, Zhou T, Nelson R, Neuenschwande A, Sheridan R, Narine L and Walsh K M. 2018. Photon counting LiDAR: an adaptive ground and canopy height retrieval algorithm for ICESat-2 data. Remote Sensing of Environment, 208: 154-170 [DOI: 10.1016/j.rse.2018.02.019] [百度学术]
Xia S B, Wang C, Xi X H, Luo S Z and Zeng H C. 2014. Point cloud filtering and tree height estimation using airborne experiment data of ICESat-2. Journal of Remote Sensing, 18(6): 1199-1207 [百度学术]
夏少波, 王成, 习晓环, 骆社周, 曾鸿程. 2014. ICESat-2机载试验点云滤波及植被高度反演. 遥感学报, 18(6): 1199-1207 [DOI: 10.11834/jrs.20144029] [百度学术]
相关作者
相关机构
京公网安备11010802024621