李建更, 张 尹, 刘迎春

(1.北京工业大学信息学部, 北京 100124; 2.国家林业和草原局调查规划设计院, 北京 100714)

森林是陆地生态系统的重要组成部分, 在调节全球气候、维持全球碳平衡、减缓温室气体质量浓度增长等方面起着至关重要的作用[1]. 森林高度是评估森林性能和状态、研究全球碳循环和碳汇的重要数据[2]. 激光雷达(light detection and ranging, LiDAR)是目前估测森林高度最精确的遥感方法, 具有实时性强、采集范围广、相对成本低等优点，根据光斑直径可分为小光斑LiDAR[3]和大光斑LiDAR[4]. 小光斑LiDAR主要用于采集高分辨率的激光点云数据, 而大光斑LiDAR通常用于全波形数据的采集. 由于成本问题, 全球尺度的森林高度主要选用卫星搭载的大光斑LiDAR系统进行估测.

在使用大光斑LiDAR数据进行森林高度估测时,其主要思路为对全波形数据进行特征提取, 随后使用获取的特征通过机器学习方法反演森林高度[4]. 森林高度反演模型中常用的机器学习算法包括多元线性回归、指数回归、对数回归、幂函数回归、支持向量机、随机森林等[5-9]，但在实际的森林高度估测中, 误差来源多样且难以避免，例如：光斑位置解算造成的位置偏差以及云层等影响导致的波形失真等. 支持向量机具有坚实的理论基础、良好的鲁棒性、泛化能力强等优点[10], 被广泛用于基于大光斑LiDAR的森林高度估测. 2018年，Lee等[5]使用基于高斯核的支持向量回归(support vector regression, SVR)算法估测机载大光斑LiDAR的森林高度, 获得了较好的实验效果. 由于随机森林(random forests,RF)算法的随……