摘要
森林结构参数为评估森林生长、评价森林健康和确定立地质量提供了重要信息。大范围内准确的森林结构参数数据能够支持森林碳汇监测、可持续森林管理。传统的林业调查主要依靠人力，效率较低，难以进行大范围的森林结构参数获取。作为一种主动遥感技术，激光雷达（Light Detection and Ranging Satellite, LiDAR）能够快速获取精确的森林结构参数信息，而星载激光雷达技术则大大提升了测量的覆盖范围，能获取大范围的森林结构参数信息。冰、云和陆地高程卫星2号（Ice, Cloud, and land Elevation Satellite-2, ICESat-2）作为一颗星载激光雷达卫星，以光斑作为存储高程测量信息的最小单元，在获取大范围、高精度的森林结构参数信息方面具有巨大潜力。因此，基于ICESat-2星载激光雷达数据的森林结构参数反演研究具有重要意义。 本文基于ICESat-2原始数据，以广西国有高峰林场作为研究区域，进行了以下三个方面的研究：1）基于ICESat-2原始光斑数据ATL03结合图像处理技术和OPTICS（Ordering Points to Identify the Clustering Structure）聚类算法的精准去噪研究；2）基于ATL03去噪结果图像使用多种深度学习算法估算森林结构参数的反演模型研究；3）基于多源数据与森林结构参数估算结果结合，使用多种机器学习算法的森林结构参数外推制图研究。针对以上研究目标，本文主要研究内容和结论如下： （1）结合图像处理技术和OPTICS聚类算法实现了ICESat-2 ATL03原始光斑数据的去噪。首先将ICESat-2 ATL03光斑在竖直方向剖面上可视化为2D散点图，基于该散点图结合自适应阈值图像二值化和中值滤波算法进行光斑粗去噪，再通过栅格重采样提取了地形趋势线，实现了地形检测；之后，在地形趋势线的基础上在上下两个方向延伸出去噪缓冲区，结合OPTICS聚类算法与高斯去噪算法进行光斑精去噪，实现了信号光斑的识别。本文中基于ICESat-2 ATL03原始光斑数据的地形提取决定系数（coefficient of determination, R2）达到了0.97，光斑去噪F值为0.72。 （2）基于对ATL03去噪结果的可视化图像的深度学习，对比了CNN, ResNet50和EffcientNetB3三种深度学习模型估算森林高度和冠层覆盖度的精度。首先，针对两种森林结构参数，分别采用不同的ATL03可视化图像预处理方法，包括高程标准化、光斑序列重排和光斑分段筛选；之后，以光斑分段图像作为训练样本，结合机载LiDAR森林结构参数产品作为GT（ground truth）进行深度学习建模，并对比了三种深度学习模型的精度。结果显示，本文通过图像深度学习模型实现了基于星载LiDAR的可视化图像估算森林结构参数的目标。其中，EfficientNetB3模型对森林高度的估算精度最高，R2为0.88，均方根误差（root mean square error, RMSE）为2.17 m，相对均方根误差（relative mean absolute error, rRMSE）为13.5%；CNN模型在冠层覆盖度上的精度最高，R2为0.80，RMSE为0.12，rRMSE为18.5%。 （3）结合森林高度估算结果和多源遥感数据进行了外推制图，对比了多元线性回归（linear regression, LR）、随机森林（random forest, RF）、最近邻算法（K-nearest neighbors, KNN）、多层感知器（multi-layers perceptron, MLP）和深度神经网络（deep neural network, DNN）五种算法的精度，研究了由多源遥感数据衍生的特征因子对外推模型精度的影响。首先，基于Landsat-8 OLI多光谱遥感影像进行植被指数、缨帽变换特征、主成分分析和纹理指数的提取，基于NASADEM提取地形指数，接着基于CRU-TS数据集提取气候特征因子，将所有特征因子重采样为30m分辨率，与ATL03光斑片段匹配；之后使用逐步回归的方式筛选特征因子，并比较五种回归算法进行森林结构参数外推模型的构建，研究各种特征因子对模型精度的影响；最后，基于精度最高的外推模型实现高峰林场界牌-东升分场30 m分辨率森林结构参数制图。结果显示，随机森林算法在森林高度外推模型方面具有较高的精度，R2达到了0.71，RMSE为3.68 m，基于该模型绘制30 m分辨率研究区森林高度制图R2为0.59，RMSE为3.19 m。随机森林算法在冠层覆盖度外推模型方面同样具有较高的精度，R2达到了0.68，RMSE为0.17，基于该模型绘制30 m分辨率研究区冠层覆盖度制图R2为0.54，RMSE为0.17。在反演模型模型特征因子筛选过程中，数字高程模型（Digital Elevation Model, DEM）、年均降水量（mean annual precipitation, MAP）和年均气温（mean annual temperature, MAT）等特征因子对森林结构参数外推模型精度有着较大的影响，分别使模型自验证精度的R2上升0.07～0.12。
NETL