的波形数据，ε 〇!11分别代表噪声偏差估计、波形振幅、 位置及半宽，m为波形个数。
[0083] 由于在复杂地形条件下，GLAS接收的波形数据不是一个单一的波形，大多数情况 下是一个复杂的曲线，因此通过求解波形数据的拐点，由奇偶相邻的两个拐点解算出决定 高斯分量的中心位置、半宽、振幅等参数，从而确定出波形数据的高斯表达形式。通过剔除 无用拐点，设置最小高斯振幅，对相邻波峰间间隔小于发射脉冲宽度的高斯波峰进行合并， 并对最后得到的各个高斯波形利用Levenberg-Marquardt法进行拟合优化便可得到最终 经高斯波形分解后的各波形数据。其中，设置最小高斯振幅表达式如下：
[0084]
[0085] 其中，ε为波形数据的噪声水平，σ nciisf；为噪声的标准差估计，d_nPeak_min为数 值，可从GLAS辅助数据中获取。
[0086] 波峰合并的方法为：若某高斯波峰的面积小于或等于其它波峰面积的5%，则将 其剔除；否则，对相邻高斯波峰按面积权重或均值进行合并，其表达式如下：
[0087]
[0088] 其中，a、b为面积权重，Anew、〇 _3_分别为合并后高斯波形的振幅、半宽、位置。
[0089] 为对比GLAS大光斑波形数据与机载LiDAR点云数据，应确定GLAS大光斑椭圆覆 盖区域内包含的点云数据，通过点云所在位置与大光斑中心位置可确认光斑内点云数据， 表达式如下：
[0090]
[0091] 其中，w为GLAS大光斑椭圆内点云数据的权重值，a、b分别为光斑椭圆的长短半 轴，α为光斑椭圆主轴离真北方向的夹角，（x，y)、（X。，％)分别为点云及光斑中心坐标值。
[0092] 经前述波形分解后得到的波形数据，我们可以通过直接测量及参考主流算法中应 用到的参数，获取得到较为全面的波形参数，如表2所示。
[0093] 表2高斯波形参数 [00941
[00ζ
[0096] 3) GLAS波形数据反演区域平均树高
[0097] 以机载LiDAR点云数据反演得到的在GLAS大光斑内的平均树高为因变量，以前述 提取得到的波形数据经波形分解后得到的全部波形参数为自变量，通过逐步多元回归方程 构建模型，并对三种情况进行分析，包含全部光斑波形数据、坡度为0-20°的光斑波形数据 及坡度为>20°的光斑波形数据分别代表全部情况、较平坦地区、复杂坡度地形情况。通过 留一法交叉验证（Leave-One-Out)验证模型拟合程度。建模结果见表3。
[0098] 表3不同坡度地形条件下星-机载激光雷达协同反演平均树高模型结果
[0099]
[0100] 从以上的描述中，可以看出，本发明实现了如下技术效果：提出了一种基于星载、 机载激光雷达反演复杂地形条件下的区域平均树高的算法。从而，不需在星载激光雷达数 据覆盖范围内进行实地测量工作，可由机载激光雷达数据进行代替，可适应大范围、快速森 林资源调查及森林生态系统保护。
[0101] 显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用 的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成 的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储 在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示 出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或 步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
[0102] 以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技 术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修 改、等同替换、改进等，均应包含在本发明的保护范围之内。
【主权项】
1. 一种平均树高的确定方法，其特征在于，包括： 根据预先获取的预定区域内的机载激光雷达数据确定所述预定区域的平均树高数 据； 确定星载激光雷达数据中在所述预定区域内中的光斑区域； 确定所述光斑区域中所述星载激光雷达数据的高斯分布波形参数； 根据所述预定区域的平均树高数据和所述高斯分布波形参数，通过多元回归方程构建 平均树高模型。2. 根据权利要求1所述的方法，其特征在于，根据预先获取的预定区域内的机载激光 雷达数据确定所述预定区域的平均树高数据，包括： 对预先获取的预定区域内的机载激光雷达数据进行点云分类处理，得到地上物体高度 数据模型； 根据所述地上物体高度数据模型对点云进行统计分析，提取出所述预定区域的平均树 高数据。3. 根据权利要求1所述的方法，其特征在于，确定所述光斑区域中所述星载激光雷达 数据的高斯分布波形参数，包括： 对所述光斑区域内的星载激光雷达数据进行波形分解，得到预定个数的单高斯分布波 形数据； 根据所述预定个数的单高斯分布波形数据确定高斯分布波形参数。4. 根据权利要求2所述的方法，其特征在于，根据所述地上物体高度数据模型对点云 进行统计分析，提取出所述预定区域的平均树高，包括： 利用所述地上物体高度数据模型对点云进行统计得到点云统计数据； 根据预先获取的样地实测森林参数与所述点云统计量，基于多元线性回归方程建立所 述预定区域的平均树高反演模型； 利用方差膨胀因子检验所述平均树高反演模型的共线性，得到所述预定区域的平均树 高数据。5. 根据权利要求1或3所述的方法，其特征在于，根据所述预定区域的平均树高数据和 所述高斯分布波形参数，通过多元回归方程构建平均树高模型，包括： 按照坡度对所述预定区域进行分类； 根据所述预定区域的平均树高数据和所述高斯分布波形参数，通过多元回归方程分别 构建各个分类的平均树高模型。6. 根据权利要求1至5中任一项所述的方法，其特征在于，还包括： 通过留一法交叉验证平均树高模型的拟合程度。7. -种平均树高的确定装置，其特征在于，包括： 第一确定模块，用于根据预先获取的预定区域内的机载激光雷达数据确定所述预定区 域的平均树高数据； 第二确定模块，用于确定星载激光雷达数据中在所述预定区域内中的光斑区域； 第三确定模块，用于确定所述光斑区域中所述星载激光雷达数据的高斯分布波形参 数；以及 建立模块，用于根据所述预定区域的平均树高数据和所述高斯分布波形参数，通过多 元回归方程构建平均树高模型。8. 根据权利要求7所述的装置，其特征在于，所述第一确定模块，包括： 处理单元，用于对预先获取的预定区域内的机载激光雷达数据进行点云分类处理，得 到地上物体高度数据模型； 提取单元，用于根据所述地上物体高度数据模型对点云进行统计分析，提取出所述预 定区域的平均树高数据。9. 根据权利要求7所述的装置，其特征在于，所述第三确定模块，包括： 分解单元，用于对所述光斑区域内的星载激光雷达数据进行波形分解，得到预定个数 的单高斯分布波形数据； 确定单元，用于根据所述预定个数的单高斯分布波形数据确定高斯分布波形参数。10. 根据权利要求7或9所述的装置，其特征在于，所述建立模块，包括： 分类单元，用于按照坡度对所述预定区域进行分类； 建立单元，用于根据所述预定区域的平均树高数据和所述高斯分布波形参数，通过多 元回归方程分别构建各个分类的平均树高模型。
【专利摘要】本发明公开了一种平均树高的确定方法及装置，其中，该方法包括：根据预先获取的预定区域内的机载激光雷达数据确定所述预定区域的平均树高数据；确定星载激光雷达数据中在所述预定区域内中的光斑区域；确定所述光斑区域中所述星载激光雷达数据的高斯分布波形参数；根据所述预定区域的平均树高数据和所述高斯分布波形参数，通过多元回归方程构建平均树高模型。通过本发明，结合机载激光雷达数据和星载激光雷达数据，实现了平均树高的确定。
【IPC分类】G01B11/02, G01S17/87
【公开号】CN105652283
【申请号】
【发明人】方舟, 姬伟, 陈元伟, 曹春香, 李小文
【申请人】航天恒星科技有限公司
【公开日】2016年6月8日
【申请日】2014年11月24日