基于ICESat-GLAS数据和模糊模式识别算法识别森林类型

蔡龙涛，邢 涛，邢艳秋，丁建华，黄佳鹏，崔 阳，秦 磊

(东北林业大学工程技术学院， 黑龙江 哈尔滨 150040)

精确估测森林生物量，可以为陆地生态系统碳储量及碳循环研究提供重要的数据支撑[1]。为提高森林生物量估测精度，现有的研究多采用不同森林类型生物量估测法，估算整体森林生物量[2-4]。因此，在森林生物量估测之前有必要对森林类型进行分类研究。

为提高森林类型分类精度，本研究通过对不同森林类型冠层分布特征以及GLAS冠层回波波形进行研究分析，提取了波形特征参数并结合不同森林类型冠层分布特征，选取并联合其他波形特征参数[16，18]，建立波形特征参数组合，最后基于模糊模式识别算法，实现了针叶林和阔叶林以及针叶林、阔叶林和混交林森林类型高精度分类研究。

1 材料与方法

1.1 研究区概况

研究区位于吉林省汪清林业局，属于长白山系中低山区(129°56′～131°04′E，43°05′～43°40′N)，地处寒温带，总面积30.4万 hm2，南北长约60 km，东西长约85 km。其中地面高程为360～1 477 m,坡度变化范围0°～45°。林区内森林覆盖率达到95.95%，深山区林相以针阔混交林为主,呈带状分布于海拔500～1 100 m。针叶树主要有红松(Pinuskoraiensis)、云杉(Piceaasperata)、臭松(Abiesnephrolepis)和落叶松(Larixgmelinii)，阔叶树多为椴树(Tiliatuan)、蒙古栎(Quercusmomglica)、枫桦(Betulacosta)、色木槭(Acermono)和白桦(Betulaplatyphylla)等[19]。

1.2 GLAS波形数据及野外调查数据

GLAS回波波形数据可从美国国家冰雪数据中心(http://nsidc.org/data/ice-sat/)免费下载,该中心拥有ICESat卫星2003年至2009年采集的所有GLAS回波波形数据。本研究所用数据为2006年10月、2009年10月和2010年10月的GLA01和GLA14数据产品，可通过经纬度查找样地所对应的GLAS回波波形[19]。

野外调查数据分别于2006年9月、2007年9月和2010年9月在长白山汪清林区采集获取。具体采集方法参见文献[19]。3年野外实测调查共收集了286组样地数据。其中阔叶林样地137组，针叶林样地50组，混交林样地为60组，其他类型样地如水地、裸地和草地等共计39组。在对森林类型分类时，结合我国森林资源调查主要技术规定把针叶林蓄积量比例占总蓄积量65%以上的林分定义为针叶林，阔叶林蓄积量比例占总蓄积量65%以上的林分定义为阔叶林，任何一个树种蓄积量占总蓄积量不到65%的林分定义为混交林[19]。

1.3 波形数据处理

2012年11月1日美国冰雪数据中心提供了HDF5格式的GLAS波形数据，HDF5文件中GLAS波形数据以十进制形式进行存储，省去了最初的GLAS波形数据二进制转换等操作。然而GLAS波形数据中仍存在噪声数据，需要对波形数据进行去噪处理。常见的波形去噪算法有小波去噪算法[20-21]和高斯去噪算法[22-23]。但是小波去噪和高斯去噪算法不可避免地会滤除GLAS回波波形中部分信号数据，为减少GLAS回波波形数据中信号数据被过多滤除，本研究直接利用高斯拟合方程对GLAS回波波形进行去噪处理。

另外，在定义GLAS回波波形背景噪声阈值时，本研究将其定义为波形中前100帧能量值均值与其4倍标准差之和；然而，研究时发现GLAS回波波形中存在有效回波波形(携带地物信息的GLAS回波波形)集中于波形前半部分的情况，针对这类波形数据，把背景噪声阈值定义为波形中后100帧能量值均值与其4倍标准差之和。确定背景噪声阈值后利用高斯拟合方程对GLAS回波波形进行去噪处理，然后基于去噪后的拟合波形提取波形特征参数。

地形坡度较大时，GLAS回波波形会出现波形展宽现象[24-27]，影响波形特征参数提取精度。为削弱地形坡度对森林类型识别结果的影响，本研究把有效回波波形中右半部分回波波形能量值最大处定义为地面回波波形，并把该地面回波波形作为GLAS光斑内实际地面回波波形[19]。

1.4 波形特征参数提取

针叶树叶片如针，呈扁平尖细状，冠形多为圆锥体形；阔叶树叶片平展宽大，冠形多为椭球体、上半球体和下半球体形。受冠形形态影响，针叶林冠层顶部枝叶较为稀疏，反映在GLAS回波波形上为靠近波形起波点位置处的能量值偏低；阔叶林冠层多集中于林层顶部，反映在GLAS回波波形上为靠近波形起波点位置处的能量值偏高；而混交林林分内阔叶树和针叶树个数相当，使得混交林冠层对应的GLAS冠层回波波形能量值呈均匀分布。

依据针叶林、阔叶林和混交林冠层顶部对应在GLAS回波波形上的能量分布差异提取波形特征参数，波形特征参数提取示意图如图1所示。

图1 波形特征参数提取示意图

参数提取公式如下所示。

(1)

(2)

(3)

(4)

(5)

据此，将Zhang等[16]提出波形特征参数AGS(回波波形分解后高斯拟合分量斜率值)、SGS(回波波形分解后高斯拟合分量斜率标准差)和MSGS(回波波形分解后高斯拟合分量斜率标准差校正值)，与本研究提出的波形特征参数相结合，建立新的波形特征参数组合，用于森林类型分类研究。其中，波形特征参数AGS[记为σ(AGS)]、SGS[记为σ(SGS)]和MSGS[记为σ(MSGS)]计算方法如下所示。

(6)

(7)

(8)

(9)

(10)

1.5 模糊模式识别算法

1.5.1 指标归一化

因提取方式不同，波形特征参数之间存在量纲差异。为避免波形特征参数因量纲不同而影响森林类型分类精度，在对森林类型分类之前，先对波形特征参数进行了指标归一化处理。其中，指标归一化公式为：

(11)

式中：xi为归一化后的波形特征参数值；x′i为归一化之前波形特征参数值；x′min为某一类波形特征参数最小值；x′max为某一类波形特征参数最大值。

1.5.2 奇异点检测

受地形、噪声以及森林自身等因素影响，提取的波形特征参数中存在奇异点样本数据，使得本研究建立的森林类型模式与实际森林类型模式存在一定差异，影响森林类型分类精度。因此，在建立不同森林类型模式之前，需剔除样本数据中的奇异点样本。而本研究在对波形特征参数进行奇异点检测时，选用Jihyun等[28]提出的重心不稳定系数法对样本数据进行奇异点检测，然后予以剔除。其中，重心不稳定系数计算公式为：

(12)

Δθi(p)=|θi(p)-θi+1(p)|,

i=1,2,…,k-2;

(13)

θi(p)=d(mi,mi+1),i=1,2,…,k-1;

(14)

(15)

xq={xq1,xq2，…，xqn}。

(16)

式中：INSF为重心不稳定系数；Δθi为随着k值增加两个相邻θi的差值；θi(p)为p的i邻域与i+1邻域几何中心距离值，随着k值增加，相邻几何中心距离值会发生变化；d(mi,mi+1)为mi与mi+1之间距离；mk为p的k邻域k+1个点的几何中心；p为某测试集样本；k为测试集样本p周围的测试集样本个数；xq为某测试样本特征参数数据集合；n为测试样本q特征参数个数值。

1.5.3 计算样本均值

奇异点检测之后，需选取不同森林类型训练集样本数据和测试集样本数据，利用选取的训练集样本数据计算不同森林类型样本均值。本研究在对训练集样本数据和测试集样本数据进行选取时，按照2∶1的比例进行随机选取，这样选取的样本中每个森林类型约有1/3的样本数据用于森林类型分类测试。其中，样本均值cij计算公式为：

(17)

式中：cijl为训练集森林类型i波形特征参数j中第l个样本波形特征参数值;ki为训练集森林类型i样本个数。

1.5.4 计算模糊模式隶属度

在计算测试集样本针叶林、阔叶林和混交林森林类型隶属度时，首先计算测试集样本与针叶林、阔叶林和混交林模式之间的距离，然后通过计算得到距离值进而求测试集样本针叶林、阔叶林和混交林隶属度。若某测试集样本针叶林隶属度大于阔叶林和混交林隶属度，该样地则被识别为针叶林，否则被识别为阔叶林或混交林。另外，在计算测试集样本与针叶林、阔叶林和混交林模式之间的距离时，本研究采用了欧几里德(Euclid)距离算法，计算公式为：

(18)

式中：di(u,ci)为测试集样本u与不同森林类型模式ci之间的距离；uj为第j个样本特征参数组合。

利用计算得到的距离值，可求测试集样本针叶林、阔叶林和混交林隶属度，计算公式为:

(19)

式中：Ci(u)为样本u隶属于森林类型i的隶属度；p为森林类型分类总个数。

2 结果与分析

2.1 不同林型奇异点检测比较

奇异点波形特征参数值与正常林分波形特征参数值相差较大，故需对针叶林、阔叶林和混交林波形特征参数值统一进行奇异点检测处理。奇异点检测时，按照阔叶林、混交林和针叶林顺序排序，阔叶林、针叶林和混交林样本个数分别为137、50和60，检测结果如图2所示。

图2 不稳定系数(INSF)随样本点位变化示意图

从图2可以看出，247个样本中7个样本不稳定系数(INSF)值明显高于其他样本，样本位数分别为121、149、153、194、221、230和235。按照奇异点检测时森林类型排列顺序，发现针叶林、阔叶林和混交林奇异点个数值分别为3、1和3，结合针叶林、阔叶林和混交林样本个数值，得到不同森林类型奇异点个数占比大小排序为：针叶林>混交林>阔叶林。分析其原因：通过对不同森林类型冠层特征研究，发现针叶林林分冠层枝叶多集中于冠层底部，而本研究所用样地为天然林地，地形坡度变化较大，受地形坡度影响，同一高程水平面针叶林冠层有效投影面积与地面有效投影面积重叠部分较多，反映在GLAS回波波形上为冠层回波波形与地面回波波形有较大面积重叠，以至于GLAS回波波形数据处理时难以高效提取地面回波波形，使得GLAS波形特征参数受地面回波波形影响较大，最终表现为针叶林波形特征参数中奇异点个数占比较高；相对于针叶林，阔叶林林分冠层枝叶多集中于冠层顶部，与地面在垂直方向上距离较大，表现在同一高程水平面上为阔叶林冠层有效投影面积与地面有效投影面积重叠部分较少，在GLAS回波波形上显示为冠层回波波形与地面回波波形重叠面积较小，这种情况使得在对GLAS回波波形进行数据处理时更容易识别并提取地面回波波形，最终表现为阔叶林波形特征参数中奇异点个数占比较低；而混交林林分中针叶树和阔叶树个数相当，冠层枝叶在林分冠层中呈均匀分布，使得混交林冠层回波波形与地面回波波形重叠面积高于针叶林，低于阔叶林，反映在GLAS回波波形上为混交林冠层回波能量值受地面回波波形影响大于针叶林，小于阔叶林，最终体现在波形特征参数奇异点个数占比上为混交林低于针叶林，高于阔叶林。

2.2 不同波形特征参数对针叶林和阔叶林分类的影响

结合奇异点检测结果，从针叶林和阔叶林样本中分别剔除3个和1个奇异点样本，针叶林和阔叶林剩余样本数分别为47和136；然后按照2∶1的比例随机选取训练集和测试集样本，选取之后针叶林和阔叶林训练集样本数分别为33和96，测试集样本数分别为14和40；最后利用选取的训练集和测试集样本数据进行针叶林和阔叶林森林类型分类研究。

在对针叶林和阔叶林进行森林类型识别研究时，首先利用训练集样本数据，计算针叶林和阔叶林样木均值；然后通过模糊识别算法最大隶属度原则，计算测试集样本针叶林和阔叶林隶属度。当某样本针叶林隶属度大于阔叶林隶属度时，该样本被识别为针叶林，否则该样本被识别为阔叶林。不同参数组合针叶林和阔叶林森林类型分类结果见表1，其中最优特征参数组合分类结果见表2。

表1 不同参数组合针叶林和阔叶林森林类型分类结果

表2 基于波形特征参数组合MSGS的森林类型分类结果

从表1可以看出，3种波形特征参数组合森林类型分类结果Kappa系数值都大于0.75时，说明森林类型分类结果与实际结果一致性较高，即通过模糊识别算法能够有效识别针叶林和阔叶林。

从表2可以得出，针叶林和阔叶林正确分类精度分别为92.86%和97.50%，针叶林森林类型正确分类精度低于阔叶林。分析其原因：首先，针叶林冠层枝叶多集中于林分冠层中部和底部，而且本研究所用样地为天然林地，地形坡度变化较大，受地形坡度影响，针叶林冠层回波波形与地面回波波形重叠面积较大，在对GLAS回波波形进行数据处理时难以高效提取地面回波波形，容易把地面回波波形误分为针叶林回波波形；其次，针叶树和阔叶树树高相同时，针叶树地面覆盖面积小于阔叶树，反映在GLAS回波波形上为针叶树冠层回波波形能量值低于阔叶树冠层回波波形能量值。相对于针叶林，阔叶林冠层枝叶多集中于林分冠层顶部，与地面具有相对较高的高程差，反映在GLAS回波波形上为冠层回波波形与地面回波波形具有较少的重叠面积；而且，当阔叶树和针叶树树高值相同时，阔叶树在地面覆盖面积大于针叶树，反映在GLAS回波波形上为阔叶树冠层回波波形能量值高于针叶树冠层回波波形能量值。两种原因使得阔叶林冠层回波波形能量值高于针叶林，且冠层回波波形受地面回波波形影响低于针叶林，最终表现在森林类型分类精度上为阔叶林正确分类精度高于针叶林。

2.3 不同林型分类结果比较

结合奇异点检测结果，从混交林样地中剔除3个奇异点样本，之后混交林剩余样本个数为57。另外，在对混交林样本进行训练集和测试集选取时，同样采用2∶1选取原则，从混交林样本中随机选取40组样本作为训练集样本，17组样本作为测试集样本，然后结合选取的针叶林和阔叶林训练集以及测试集样本数据，对针叶林、阔叶林和混交林进行森林类型分类研究。

对针叶林、阔叶林和混交林进行森林类型分类时，首先计算针叶林、阔叶林和混交林样本均值；然后采用模糊识别算法最大隶属度原则，计算测试集样本针叶林、阔叶林和混交林的隶属度。当某样本针叶林隶属度大于阔叶林和混交林隶属度时，该样本被识别为针叶林；当该样本阔叶林隶属度大于针叶林和混交林隶属度时，该样本被识别为阔叶林；否则该样本被识别为混交林。针叶林、阔叶林和混交林森林类型分类结果如表3所示。

表3 针叶林、阔叶林和混交林分类结果比较

从表3可以得出，混交林森林类型分类精度为52.94%，与阔叶林森林类型分类精度(97.50%)和针叶林森林类型分类精度(85.71%)相差较大。分析其原因：按照混交林定义(针叶树和阔叶树蓄积量占总蓄积量不到65%时林分定义为混交林)，混交林林分内针叶树和阔叶树个数相近，当混交林林分内存在优势树种时，优势树种冠形特征在GLAS回波波形上表现更为明显，提取的波形特征参数值与优势树种波形特征参数值更为相近，使得在森林类型分类时，容易将混交林误分为针叶林或阔叶林。与混交林相比，针叶林和阔叶林林分内优势树种为针叶树或阔叶树，两种类型的树种冠形差别明显，反映在GLAS回波波形上为针叶林和阔叶林波形特征参数值相差较大，利用相差较大的波形特征参数值识别针叶林和阔叶林，能够提高针叶林和阔叶林森林类型分类精度。

另外，从表3可以看出，混交林被误分为阔叶林的个数多于针叶林。分析其原因：相对于针叶林，阔叶林枝叶多集中于林分冠层顶部，反映在GLAS回波波形上其波形特征更为明显，所以对混交林进行森林类型分类时，未正确分类的样本被识别为阔叶林的个数多于针叶林。

加入混交林之后，森林类型分类总精度从96.30%下降到84.51%，Kappa系数从0.903 6下降到0.725 7。分析其原因：加入混交林之后，受混交林冠形特征影响，混交林正确分类个数与针叶林和阔叶林分类正确分类个数相差较大，且存在针叶林和阔叶林误分为混交林的情况，使得森林类型分类总精度下降；另外，Kappa系数反映的是分类结果与实际结果一致性情况，而加入混交林之后，混交林分类精度较低，且存在针叶林和阔叶林误分为混交林的情况，使得Kappa系数值较混交林加入之前明显下降。

3 讨 论

模糊识别算法能够在波形数据处理过程中剔除波形特征参数中的奇异点数据，并利用最大隶属度的原则对森林类型进行分类研究，提高森林类型识别精度。本研究通过模糊识别方法，利用Zhang等[16]提取的波形特征参数组合AGS、SGS、MSGS对针叶林和阔叶林进行森林类型识别研究。研究表明，通过模糊识别方法针叶林和阔叶林森林类型识别精度为90.74%，优于Zhang等[16]支持向量机分类精度。研究结果表明模糊模式识别方法在森林类型识别方面具有一定优势。

然而，与针叶林和阔叶林森林类型识别精度相比，加入混交林后，森林类型识别精度较低，其中混交林森林类型识别精度为52.94%。为提高混交林森林类型识别精度，将尝试从波形数据处理方面着手对混交林森林类型进行分类研究，以便为GEDI波形数据和陆地生态碳卫星波形数据森林类型分类研究提供技术支持。

参考文献（reference）：

[1]FIELD C B, RAUPACH M R, EBRARY I,et al. The global carbon cycle: integrating humans, climate, and the natural world[M]. Chicago: Island Press,2004.

[2]汤旭光．基于激光雷达与多光谱遥感数据的森林地上生物量反演研究[D]．北京：中国科学院研究生院(东北地理与农业生态研究所)，2013．TANG X G．Estimation of forest aboveground biomass by integrating ICESat/GLAS waveform and TM data[D]．Beijing: Graduate School of Chinese Academy of Sciences (Northeast Institute of Geography and Agricultural Ecology)，2013．

[3]邱赛．ICESat-GLAS波形与HJ-1A高光谱影像联合反演森林地上生物量的研究[D]．哈尔滨：东北林业大学，2016．QIU S．The research of regional forest above ground biomass inversion combining ICESat-GLAS waveform and HJ-1A hyperspectral imageries[D]．Harbin：Northeast Forestry University，2016．

[4]吴文跃，姚顺彬，徐志扬．基于森林资源清查数据的江西省主要森林类型净生产力研究[J]．南京林业大学学报(自然科学版)，2019，43(5)：193-198．WU W Y,YAO S B,XU Z Y, et al.A study on the net productivity of main forest types in Jiangxi Province based on forest resources inventory data[J]. J Nanjing For Univ (Nat Sci Ed),2019,43(5):193-198. DOI: 10．3969/j．issn．1000-2006．201903045.

[5]MOHOLDT G，NUTH C，HAGEN J O，et al．Recent elevation changes ofSvalbardglaciersderived from ICESat laser altimetry[J]．Remote Sens Environ，2010，114(11)：2756-2767．DOI:10.1016/j.rse.2010.06.008.

[6]CARABAJAL C C，HARDING D J，SUCHDEO V P，et al．Development of AN ICESat geodetic control database and evaluation of global topographic assets[J]. American Geophysical Union, Fall Meeting, 2010(6):1907-1910. DOI:10.1038/nmeth.2835.

[7]LEFSKY M A．A global forest canopy height map from the moderate resolution imaging spectroradiometer and the geoscience laser altimeter system[J]．Geophys Res Lett，2010，37(15)：L15401．DOI:10.1029/2010GL043622.

[8]KHALEFA E，SMIT I P J，NICKLESS A，et al．Retrieval of savanna vegetation canopy height from ICESat-GLAS spaceborne LiDAR with terrain correction[J]．IEEE Geosci Remote Sens Lett，2013，10(6)：1439-1443．DOI:10.1109/LGRS.2013.2259793.

[9]XING Y Q，DE GIER A，ZHANG J J，et al．An improved method for estimating forest canopy height using ICESat-GLAS full waveform data over sloping terrain：a case study in Changbai Mountains，China[J]．Int J Appl Earth Obs Geoinformation，2010，12(5)：385-392．DOI:10.1016/j.jag.2010.04.010.

[10]WANG C，TANG F X，LI L W，et al．Wavelet analysis for ICESat/GLAS waveform decomposition and its application in average tree height estimation[J]．IEEE Geosci Remote Sens Lett，2013，10(1)：115-119．DOI:10.1109/LGRS.2012.2194692.

[11]邱赛，邢艳秋，田静，等．基于ICESat-GLAS波形数据估测森林郁闭度[J]．南京林业大学学报(自然科学版)，2016，40(5)：99-106．QIU S，XING Y Q，TIAN J，et al．Estimation of forest canopy density based on ICESat-GLAS waveform data[J]．J Nanjing For Univ (Nat Sci Ed)，2016，40(5)：99-106．DOI:10.3969/j.issn.1000-2006.2016.05.016.

[12]XI X H，HAN T T，WANG C，et al．Forest above ground biomass inversion by fusing GLAS with optical remote sensing data[J]．ISPRS Int J Geo-Inf，2016，5(4)：45．DOI:10.3390/ijgi5040045.

[13]WANG Y，NI W J，SUN G Q，et al．Slope-adaptive waveform metrics of large footprint lidar for estimation of forest aboveground biomass[J]．Remote Sens Environ，2019，224：386-400．DOI:10.1016/j.rse.2019.02.017.

[14]FATOYINBO T E，SIMARD M．Height and biomass of mangroves in Africa from ICESat/GLAS and SRTM[J]．Int J Remote Sens，2013，34(2)：668-681．DOI:10.1080/01431161.2012.712224.

[15]RANSON K J，SUN G，KOVACS K，et al．Landcover attributes from ICESat GLAS data in Central Siberia[C]//IGARSS 2004.2004 IEEE International Geoscience and Remote Sensing Symposium．September 20-24，2004，Anchorage，AK，USA．IEEE，2004：753-756．DOI:10.1109/IGARSS.2004.1368511.

[16]ZHANG J J，DE GIER A，XING Y Q，et al．Full waveform-based analysis for forest type information derivation from large footprint spaceborne lidar data[J]．Photogramm Eng Remote Sensing，2011，77(3)：281-290．DOI:10.14358/pers.77.3.281.

[17]LI L C，XING Y Q．Study on forest type classification based on ICESat-GLAS lidar data[C]//2011 2nd International Conference on Artificial Intelligence，Management Science and Electronic Commerce (AIMSEC)．August 8-10，2011，Deng Feng，China．IEEE，2011：3379-3382．DOI:10.1109/AIMSEC.2011.6011388.

[18]刘美爽，邢艳秋，李立存，等．基于星载激光雷达数据和支持向量分类机方法的森林类型识别[J]．东北林业大学学报，2014，42(2)：124-128．LIU M S，XING Y Q，LI L C，et al．Forest type identification with spaceborne LIDAR data and C-support vector classification[J]．J Northeast For Univ，2014，42(2)：124-128．DOI:10.13759/j.cnki.dlxb.2014.02.030.

[19]蔡龙涛，邢艳秋 ，黄佳鹏，等. 基于 ICESat-GLAS 数据和回波仿真原理识别森林类型[J]. 中 南 林 业 科 技 大 学 学 报,2021,41(1): 60-68. CAI L T, XING Y Q, HUANG J P, et al. Forest types identification based on ICESat-GLAS data and echo simulation principles[J]. J Central South Univ For Technol, 2021,41(1):60-68.

[20]WU H B，XING Y Q．Wavelet transform and its application to ICESat-GLAS full waveform data[C]//2010 International Symposium on Intelligence Information Processing and Trusted Computing．October 28-29，2010，Huanggang，China．IEEE，2010：373-377．DOI:10.1109/IPTC.2010.38.

[21]邱赛，邢艳秋，李立存，等．基于小波变换的ICESAT-GlAS波形处理[J]．森林工程，2012，28(5)：33-35，59．QIU S，XING Y Q，LI L C，et al．ICESAT-GLAS data processing based on wavelet transform[J]．For Eng，2012，28(5)：33-35，59．DOI:10.16270/j.cnki.slgc.2012.05.022.

[22]LI D，XU L J，LI X L，et al．Full-waveform LiDAR signal filtering based on Empirical Mode Decomposition method[C]//2013 IEEE International Geoscience and Remote Sensing Symposium-IGARSS．July 21-26，2013，Melbourne，VIC，Australia．IEEE，2013：3399-3402．DOI:10.1109/IGARSS.2013.6723558.

[23]YANG T，WANG C，LI G C，et al．Forest canopy height mapping over China using GLAS and MODIS data[J]．Sci China Earth Sci，2015，58(1)：96-105．DOI:10.1007/s11430-014-4905-5.

[24]MAHONEY C，KLJUN N，LOS S，et al．Slope estimation from ICESat/GLAS[J]．Remote Sens，2014，6(10)：10051-10069．DOI:10.3390/rs61010051.

[25]PANG Y，LEFSKY M，SUN G Q，et al．Impact of footprint diameter and off-nadir pointing on the precision of canopy height estimates from spaceborne lidar[J]．Remote Sens Environ，2011，115(11)：2798-2809．DOI:10.1016/j.rse.2010.08.025.

[26]汪泉，宋文龙，张怡卓，等． 基于改进 VGG16 网络的机载高光谱针叶树种分类研究[J]． 森林工程，2021，37(3): 79-87．WANG Q，SONG W L，ZHANG Y Z，et al． Study on hyperspectral conifer species classification based on improved VGG16 network[J]． For Eng，2021，37(3): 79-87．

[27]DUNCANSON L I，NIEMANN K O，WULDER M A．Estimating forest canopy height and terrain relief from GLAS waveform metrics[J]．Remote Sens Environ，2010，114(1)：138-154．DOI:10.1016/j.rse.2009.08.018.

[28]JIHYUN H A，SEOK S，LEE J S．Robust outlier detection using the instability factor[J]．Knowl-Based Syst，2014，63：15-23．DOI:10.1016/j.knosys.2014.03.001.