蔡龍濤，邢艷秋，黃佳鵬，崔 陽，秦 磊，馬建明，趙霄洋

（1.東北林業(yè)大學(xué) 工程技術(shù)學(xué)院，黑龍江 哈爾濱 150040；2.杭州極遙科技有限公司，浙江 杭州 311200）

森林作為陸地生態(tài)系統(tǒng)重要的組成部分，存儲了陸地上近45%的碳，并貢獻(xiàn)了約50%的陸地凈初級生產(chǎn)[1]。森林生物量的估測研究，對陸地生態(tài)系統(tǒng)碳儲量及碳循環(huán)研究提供了重要的理論支撐。森林生物量估測時受森林水平結(jié)構(gòu)參數(shù)和森林垂直結(jié)構(gòu)參數(shù)影響較大。而森林類型作為森林水平結(jié)構(gòu)參數(shù)的重要組成部分，對森林類型的精確識別在森林生物量定量化估測方面具有重要的理論和現(xiàn)實意義。傳統(tǒng)野外實地調(diào)查耗時久，費用高，難以在短期內(nèi)實現(xiàn)大區(qū)域森林類型識別。因此，為實現(xiàn)大區(qū)域森林類型快速、高精度識別，就需要引入一種全新的森林類型識別技術(shù)與方法。

隨著對地觀測技術(shù)的快速發(fā)展，遙感技術(shù)特別是衛(wèi)星遙感技術(shù)逐漸成為獲取地面信息的重要手段和途徑，且因激光測高在獲取地表三維信息上的快速和高精度特點，使得衛(wèi)星遙感技術(shù)逐步成為新型地理空間信息獲取手段[2]。2003年1月冰、云和陸地高程衛(wèi)星/地球科學(xué)激光測高系統(tǒng)（the Ice,Cloud,and land Elevation satellite/Geoscience Laser Altimeter System,ICESat/GLAS）發(fā)射升空，2009年10月結(jié)束數(shù)據(jù)采集，期間獲取了大量對地觀測數(shù)據(jù)，在樹高估測[3-7]和生物量反演[9-11]方面，都取得了不錯的應(yīng)用效果。但在森林類型識別方面，受光斑直徑影響，GLAS 波形數(shù)據(jù)作為大尺度測量級數(shù)據(jù)[12]，回波波形中攜帶了大量噪聲信息，當(dāng)攜帶噪聲信息的波形數(shù)據(jù)應(yīng)用于森林類型識別時，難以實現(xiàn)森林類型的有效識別。

為提高森林類型識別精度，國內(nèi)外學(xué)者在森林類型識別方面做了大量研究。Ranson 等[13]對地形坡度在5°以下的林地進(jìn)行了研究，研究過程中把林地分為4 種類型：闊葉林、常綠針葉林、落葉針葉林和混交林，以此分析不同森林類型與GLAS 回波波形特征參數(shù)之間的對應(yīng)關(guān)系。Li 等[14]引入了支持向量機(jī)（Support vector machine，SVM）分類法，對針葉林、闊葉林和混交林3 種森林類型進(jìn)行識別，總體識別精度為53.66%。而劉美爽等[15]剔除了混交林這一森林類型，僅對針葉林和闊葉林兩組森林類型進(jìn)行識別研究，總體識別精度達(dá)到85.24%；Zhang 等[16]依據(jù)地形坡度把林地分為兩類，僅對地形坡度在14.2°以下的GLAS 回波波形進(jìn)行數(shù)據(jù)處理，識別森林類型，其中，針葉林、闊葉林和混交林森林類型總體識別精度為75.56%，針葉林和闊葉林森林類型總體識別精度為90.57%。綜上所述，目前提高森林類型識別精度的方法多為引入新型分類法、減小森林類型個數(shù)和剔除高坡度地形法，然而這些方法并未從回波波形獲取原理方面分析GLAS 發(fā)射波波形與森林類型作用方式，研究不同森林類型與GLAS 波形特征參數(shù)之間的對應(yīng)關(guān)系，進(jìn)而提取與森林類型相關(guān)的波形特征參數(shù)，用于森林類型識別。

依據(jù)以上研究的不足之處，本研究結(jié)合回波仿真原理分析GLAS 發(fā)射波波形和森林植被作用方式，對GLAS 回波波形進(jìn)行了理論分析，并據(jù)此提取與森林類型相關(guān)的波形特征參數(shù)R-cafit1-47和K1-47，然后與其他波形特征參數(shù)建立參數(shù)組合。再利用建立的波形特征參數(shù)組合分別對針葉林和闊葉林，以及針葉林、闊葉林和混交林進(jìn)行森林類型識別，并提高了森林類型識別精度。此外，本研究基于GLAS 波形數(shù)據(jù)提出的波形特征參數(shù)為森林類型識別提供了參數(shù)支持；結(jié)合回波仿真原理對GLAS 回波波形獲取方式進(jìn)行理論分析，對后續(xù)波形研究具有指導(dǎo)意義。

1 研究區(qū)概況和研究方法

1.1 研究區(qū)域概況

研究區(qū)位于吉林省汪清林業(yè)局管轄區(qū)，該區(qū)域?qū)儆陂L白山系中低山區(qū)（129°56′～131°04′E，43°05′～43°40′N），地處寒溫帶，總面積3.04×105hm2，南北長約60 km，東西長約85 km，地面高程變化范圍為360～1 477 m，地形坡度變化范圍為0～45°（圖1）。

圖1 研究區(qū)位置及野外樣地分布（圓形代表采樣點）Fig.1 Location of study area and the distribution of field sampling plots(Cycles represents field sampling plots)

林區(qū)內(nèi)森林覆蓋率達(dá)到95.95%，深山區(qū)林分以針葉林、闊葉林和混交林為主，帶狀分布于海拔500～1 100 m 之間。針葉樹主要有紅松Pinus koraiensis、云杉Peiceaspp.和臭松Symplocarpus foetidus、闊葉松Larix gmelini，闊葉樹多為椴樹Tiliaspp.、蒙古櫟Quercus momglicaFisch.、楓樺Betula costaTrautv.、色木Acer monoMaxim 和白樺Betula platyphylla等。

1.2 研究數(shù)據(jù)

1.2.1 GLAS 波形數(shù)據(jù)

ICESat-1/GLAS 是第一個極地軌道大光斑激光雷達(dá)衛(wèi)星，該衛(wèi)星共提供15 個數(shù)據(jù)產(chǎn)品：GLA01、GLA02、…、GLA15。其中，GLA01 數(shù)據(jù)產(chǎn)品記錄了GLAS 回波波形數(shù)據(jù)；GLA14 數(shù)據(jù)產(chǎn)品記錄了GLAS 波形數(shù)據(jù)對應(yīng)的地面光斑地理位置和高程數(shù)據(jù)。GLAS 波形數(shù)據(jù)可從美國國家冰雪數(shù)據(jù)中心（http://nsidc.org/data/ice-sat/）下載，美國國家冰雪數(shù)據(jù)中心擁有ICESat 衛(wèi)星2003年至2009年采集的有效波形數(shù)據(jù)。

本研究所用波形數(shù)據(jù)為2006年10月、2009年10月和2010年10月的GLA01 和GLA14 波形數(shù)據(jù)產(chǎn)品，通過經(jīng)緯度查找樣地所對應(yīng)的GLAS回波波形。

1.2.2 野外調(diào)查數(shù)據(jù)

所用數(shù)據(jù)分別于2006年9月、2007年9月和2010年9月在長白山汪清林業(yè)局研究區(qū)采集獲取，共采集286 個GLAS 光斑點。野外采樣時利用分層隨機(jī)采樣法，對具有GLAS 激光光斑覆蓋的樣地進(jìn)行數(shù)據(jù)采集。在實地勘測過程中，以針葉林、闊葉林和針闊混交林為研究對象，使用GPS 對已選定的激光光斑采樣點進(jìn)行定位，把GLAS 激光光斑中心點作為地面調(diào)查樣地的圓心，建立水平投影面積為500 m2的圓形樣地，記錄樣地內(nèi)植被分布情況、植被類型和植被覆蓋度。結(jié)合我國森林資源調(diào)查主要技術(shù)規(guī)定將森林類型劃分為針葉林、闊葉林和混交林，把針葉林蓄積量比例占總蓄積量65%以上的林分定義為針葉林，闊葉林蓄積量比例占總蓄積量的65%以上的林分定義為闊葉林，任何一個樹種蓄積量占總蓄積量不到65%的林分定義為混交林。

1.3 結(jié)合回波仿真原理選取波形特征參數(shù)

不同森林類型林分對應(yīng)的GLAS 回波波形受GLAS 發(fā)射波（指發(fā)射波波形和LPA 分布）及光斑內(nèi)林分冠層結(jié)構(gòu)影響，呈現(xiàn)出不同的波形起伏。如闊葉樹葉片平展且闊大，冠形多為橢球體、上半球體和下半球體形；針葉樹葉片如針，呈扁平尖細(xì)狀，冠形多為圓錐體形。由闊葉樹和針葉樹組成的針葉林、闊葉林和混交林與發(fā)射波作用后在GLAS 回波波形上產(chǎn)生的波形起伏有所不同。本小節(jié)結(jié)合回波仿真原理[17]及不同森林類型冠層結(jié)構(gòu)的差異性分析GLAS 發(fā)射波波形與不同森林類型的作用方式，探究不同森林類型對GLAS 回波波形的影響，并從中選取與森林類型相關(guān)的波形特征參數(shù)，用于森林類型識別。

回波仿真原理實際為發(fā)射波函數(shù)與地表響應(yīng)函數(shù)的卷積，即GLAS 回波波形為GLAS 發(fā)射波波形函數(shù)與地表響應(yīng)函數(shù)的卷積。本研究依據(jù)卷積原理把GLAS 回波仿真模型函數(shù)細(xì)分為3 個函數(shù)，如式（1）所示。3 個函數(shù)分別為有效回波波形前47（發(fā)射波波形長度48-1）幀回波波形能量值函數(shù)：隨波形幀數(shù)增加，對應(yīng)的回波能量值方程自變量個數(shù)逐漸增加；有效回波波形中第47～N幀回波波形能量值函數(shù)：隨幀數(shù)的增加，所對應(yīng)的回波能量值方程自變量個數(shù)不變；有效回波波形中第N～N+47 幀回波波形能量值函數(shù)：隨幀數(shù)的增加，所對應(yīng)的回波能量值方程自變量個數(shù)逐漸減小。其中，有效回波波形指攜帶地物信息的回波波形。

式（1）中，wave 為有效回波波形；N為以0.15 m為間隔對光斑內(nèi)地物信息進(jìn)行分層，地物信息最高點到最低點之間的層數(shù)；m為有效回波波形前47 幀中第m個回波波形能量值對應(yīng)的幀數(shù)；n為有效回波波形中第n個回波波形能量值對應(yīng)的幀數(shù)，其中，N＞n＞47；p為有效回波波形中第p個回波波形能量值對應(yīng)的幀數(shù)，其中，p＞N；f(i)為GLAS 測高系統(tǒng)發(fā)射波波形中第i幀發(fā)射波波形能量值；按照網(wǎng)格劃分原理，對光斑內(nèi)地物以0.15 m 為間隔逐層分割，共分為N+47 層；對每層地物覆蓋面面積進(jìn)行統(tǒng)計，第i層地物覆蓋面面積為area(i)。

另外，不同森林類型冠層水平分布有所不同，如闊葉林林分樹葉多集中于冠層上半部分，而針葉林林分樹葉多集中于冠層下半部分。當(dāng)GLAS發(fā)射波波形到達(dá)林分冠層上半部分（有效回波波形前47 幀）之后，受回波波形能量方程影響，使得闊葉林林分冠層波峰斜率小于針葉林；當(dāng)GLAS發(fā)射波波形到達(dá)林分冠層下半部分之后，受冠層反射和透射作用影響，發(fā)射波波形需穿過闊葉林林分上半部分冠層后方可獲取闊葉林下半部分冠層反射回波，導(dǎo)致闊葉林林分冠層對應(yīng)波形斜率值小于針葉林?？衫貌煌诸愋凸趯铀椒植己痛怪狈植疾煌鸬牟ㄐ尾町愡M(jìn)而提取波形特征參數(shù)，識別森林類型。

本研究選用的研究區(qū)為天然林區(qū)，林區(qū)內(nèi)存在幼齡林，而幼齡林林木樹高值較低，使得光斑內(nèi)存在最大樹高低于7.05 m 的情況，反映在GLAS 回波波形上為波形起波點到地面回波波形起波點之間的波形長度小于47 幀。針對這種情況，本研究利用波形特征參數(shù)Rfit1代替R-cafit1-47，波形特征參數(shù)K1代替K1-47，作為森林類型參數(shù)組合因子，用于識別森林類型。其中，Rfit1為GLAS 有效回波波形中第一個高斯擬合波形能量值之和與冠層回波波形能量值之和的比值；R-cafit1-47為GLAS 有效回波波形中前47 幀回波波形能量值之和與冠層回波波形能量值之和的比值；K1為GLAS 回波波形起波點與第一個高斯擬合波形波峰點之間斜率值；K1-47為GLAS有效回波波形中前47幀波形斜率值。

1.4 波形特征參數(shù)的提取

GLAS 回波波形中含有噪聲數(shù)據(jù)，波形特征參數(shù)提取之前需進(jìn)行去噪處理，以前學(xué)者多采用小波變換[18-20]或高斯算法[21-24]進(jìn)行去噪?？紤]到森林冠層垂直分布差異，本研究選用高斯擬合方程對GLAS 回波波形進(jìn)行去噪處理，然后基于擬合后的波形進(jìn)行波形特征參數(shù)提取。

1.4.1 地面回波波形的提取

GLAS 光斑內(nèi)地形坡度較大時能夠?qū)е禄夭úㄐ纬霈F(xiàn)波形展寬[25-26]現(xiàn)象，影響冠層回波能量值在總回波能量值中的比重，增大森林類型分類難度。因此，在提取波形特征參數(shù)之前，需剔除地面回波波形。在地形相對平坦的地區(qū)，Allouis 等[27]把高斯擬合波形中最后一個高斯波形作為地面回波波形。在地形坡度小于14.04°的光斑中，Zhang 等[16]把有效回波波形中右半部分回波波形能量值最大處定義為地面，所處的擬合波形定義為地面回波波形。

本研究在進(jìn)行森林類型分類時，并未剔除高坡度GLAS 回波波形。另外，研究時把有效回波波形中右半部分回波波形能量值最大處定義為地面回波波形，所處的擬合波形定義為第一個地面回波波形。又因光斑內(nèi)地形呈無規(guī)律起伏，反映在GLAS 回波波形上為地面回波波峰之后可能存在第二個或第三個地面回波波形，本研究對所有地面回波波形進(jìn)行疊加，組成新的地面回波波形，并把該地面回波波形作為GLAS 光斑內(nèi)實際地面回波波形。

1.4.2 參數(shù)的提取

GLAS 回波波形高斯擬合之后，依據(jù)擬合波形提取波形特征參數(shù)：R-cafit1-47和K1-47，公式分別如式（2）和式（5）所示：

式（2）～（5）中，R-cafit1-47為有效波形中前47幀波形能量值之和；Efit為擬合波形能量值之和，Efit(i)有效回波波形中，第i幀回波波形能量值；EG為有效回波波形中地面回波波形能量值之和；ground_sig 為擬合波形中地面回波波形起始點處幀數(shù)值；K1-47為有效回波波形中前47 幀波形斜率值；wave 為有效回波波形。

當(dāng)GLAS 回波波形起波點到地面回波波形起波點之間波形長度小于47 幀時，本研究利用Rfit1代替R-cafit1-47，K1代替K1-47，作為波形特征參數(shù)值，用于森林類型識別，Efit1和K1計算公式分別如式（7）和式（8）所示。

式（6）～（9）中，Efi1t為GLAS 回波波形中第一個高斯擬合波形能量值之和；Efit為GLAS 回波波形能量值之和；m為第一個高斯擬合波形長度值；K1為第一個高斯擬合波形前傾角斜率值；A1為第一個高斯擬合波形振幅值；σ1為第一個高斯擬合波形標(biāo)準(zhǔn)差；Efit(i)為GLAS 有效回波波形中，第i幀回波波形能量值。

另外，本研究還提取了Zhang 等（2011）[16]提出的波形特征參數(shù)AGS、SGS 和MSGS，用于森林類型識別。其中，AGS、SGS 和MSGS 計算方法分別如式（10）、（11）和（13）所示。

式（10）～（12）中，n為GLAS 冠層回波波形高斯擬合個數(shù)；Ai為冠層回波波形中第i階高斯擬合波形振幅值；σ1為第i階高斯擬合波形標(biāo)準(zhǔn)差。

式（13）～（14）中，Si為GLAS 冠層回波波形中第i階高斯擬合波形斜率值；Ei為GLAS 冠層回波波形中第i階高斯擬合波形能量值；ET為GLAS冠層回波波形能量值之和；n為GLAS 冠層回波波形高斯擬合階數(shù)。

1.5 波形特征參數(shù)組合

結(jié)合回波波形仿真原理，對GLAS 回波波形獲取方式進(jìn)行理論分析，提取波形特征參數(shù)：R-cafit1-47和K1-47。然后與以前學(xué)者提出的波形特征參數(shù)AGS、SGS、MSGS 聯(lián)合，建立波形特征參數(shù)組合。并引入支持向量機(jī)分類算法對不同森林類型進(jìn)行識別研究。其中，波形特征參數(shù)組合如表1所示。

表1 支持向量機(jī)分類中需要測試的波形特征參數(shù)組合Table 1 Waveform feature parameter combination to be tested in support vector machine classification

2 結(jié)果與分析

2006年、2007年和2010年3年野外實測調(diào)查，共收集了286 組樣地數(shù)據(jù)。其中闊葉林樣地137 組，針葉林樣地50 組，混交林樣為60 組，其他類型樣地如水地、裸地和草地等共計39 組。本研究對針葉林、闊葉林和混交林進(jìn)行森林類型識別時，從闊葉林隨機(jī)選取96 組樣地數(shù)據(jù)作為訓(xùn)練集數(shù)據(jù)，41 組數(shù)據(jù)作為測試集數(shù)據(jù)；從針葉林隨機(jī)選取35組樣地數(shù)據(jù)作為訓(xùn)練集數(shù)據(jù)，15 組數(shù)據(jù)作為測試集數(shù)據(jù)；從混交林隨機(jī)選取42 組樣地作為訓(xùn)練集數(shù)據(jù)，18 組數(shù)據(jù)作為測試集數(shù)據(jù)。

2.1 針葉林和闊葉林森林類型識別結(jié)果與分析

把結(jié)合回波仿真原理提取的波形特征參數(shù)：R-cafit1-47和K1-47，與其他森林類型相關(guān)波形特征參數(shù)：AGS、SGS 和MSGS 進(jìn)行聯(lián)合，建立波形特征參數(shù)組合，利用支持向量機(jī)分類算法對針葉林和闊葉林進(jìn)行識別。其中，表2為不同波形特征參數(shù)組合條件下針葉林和闊葉林森林類型識別結(jié)果；表3為波形特征參數(shù)組合R-cafit1-47、K1-47對針葉林和闊葉林森林類型識別結(jié)果；表4為波形特征參數(shù)組合R-cafit1-47、K1-47、AGS 和MSGS對針葉林和闊葉林森林類型識別結(jié)果。

表2 不同參數(shù)組合針葉林和闊葉林森林類型分類結(jié)果Table 2 Classification results of forest types in broad-leaved forests and coniferous forests with different parameters

表3 基于R-cafit1-47、K1-47 的森林類型分類結(jié)果Table 3 Classification results of forest types based on R-cafit1-47and K1-47

表4 基于R-cafit1-47、K1-47、AGS 和MSGS 的森林類型分類結(jié)果Table 4 Classification results of forest types based on R-cafit1-47,K1-47,AGS and MSGS

從表2可以看出，在對針葉林和闊葉林進(jìn)行森林類型識別時，結(jié)合回波仿真原理提取的波形特征參數(shù)組合R-cafit1-47、K1-47森林類型識別精度為92.86%，略高于波形特征參數(shù)AGS、SGS 組合森林類型識別精度85.71%，以及AGS、MSGS 組合森林類型識別精度85.71%。分析其原因為提取的波形特征參數(shù)R-cafit1-47、K1-47在林分的林層結(jié)構(gòu)中對應(yīng)于林分冠層頂部位置，而針葉林和闊葉林在林分冠層頂部位置結(jié)構(gòu)特征差異較為明顯，不同的結(jié)構(gòu)特征反映在GLAS 回波波形上為波形特征呈現(xiàn)較大差異，利用針葉林和闊葉林不同的結(jié)構(gòu)特征在GLAS 回波波形上的差異性提取的波形特征參數(shù)，有利于森林類型識別；而波形特征參數(shù)AGS、SGS 組合以及AGS、MSGS 組合在林分的林層結(jié)構(gòu)中對應(yīng)于整個冠層結(jié)構(gòu)，如GLAS回波波形中波峰個數(shù)與林分中林層個數(shù)具有較大相關(guān)性，各個波峰能量值也與其對應(yīng)林層覆蓋面面積存在較高相關(guān)性，雖然針葉林和闊葉林在林層結(jié)構(gòu)上存在差異，然而在林木密度較大情況下，不同林木枝葉間的交叉分布使得針葉林和闊葉林林層結(jié)構(gòu)差異不明顯，反映在GLAS 回波波形上為針葉林和闊葉林波形特征存在較大相似性，利用波形特征存在較大相似性的回波波形進(jìn)行波形特征參數(shù)提取并進(jìn)行森林類型識別，其總體分類精度會相對較低。

表3詳細(xì)展示了波形特征參數(shù)組合R-cafit1-47、K1-47對針葉林和闊葉林森林類型識別結(jié)果，其中，闊葉林森林類型識別精度為95.12%，略高于針葉林森林類型識別精度86.67%。分析其原因為相對于針葉樹，闊葉樹冠層覆蓋面較大，反映在GLAS回波波形上其波形特征更為明顯，利用GLAS 回波波形提取波形特征參數(shù)，更有利于闊葉林的識別；另外，按照森林類型定義標(biāo)準(zhǔn)，針葉林中同樣存在闊葉樹，當(dāng)針葉林中存在多顆闊葉樹時，針葉林對應(yīng)的GLAS 回波波形特征參數(shù)與闊葉林更為相似，容易出現(xiàn)針葉林錯分為闊葉林的現(xiàn)象，使得針葉林林分識別精度較低。

為提高針葉林和闊葉林森林類型識別精度，本研究把波形特征參數(shù)R-cafit1-47、K1-47與波形特征參數(shù)AGS、SGS 和MSGS 進(jìn)行聯(lián)合，重新建立波形特征參數(shù)組合R-cafit1-47、K1-47、AGS、MSGS與R-cafit1-47、K1-47、AGS、SGS，然后進(jìn)行森林類型識別。其中，兩種參數(shù)組合森林類型識別精度都 為94.64%，而R-cafit1-47、K1-47、AGS、MSGS參數(shù)組合森林類型識別Kappa 系數(shù)值為0.871 6，略高于R-cafit1-47、K1-47、AGS、SGS 參數(shù)組合。分析其原因為相對于波形特征參數(shù)SGS，波形特征參數(shù)MSGS加入了回波波形中不同波峰能量值，增大了波形特征參數(shù)與森林類型相關(guān)性，當(dāng)波形特征參數(shù)MSGS 用于森林類型識別時，森林類型識別結(jié)果與真實結(jié)果更為相近。

2.2 闊葉林、針葉林和混交林森林類型識別結(jié)果與分析

本研究還利用波形特征參數(shù)組合對針葉林、闊葉林和混交林進(jìn)行了森林類型識別。其中，表5為不同波形特征參數(shù)組合條件下針葉林、闊葉林和混交林森林類型識別結(jié)果；表6為波形特征參數(shù)組合R-cafit1-47和K1-47針葉林、闊葉林和混交林森林類型識別結(jié)果；表7為波形特征參數(shù)組合R-cafit1-47、K1-47、AGS 和MSGS 針葉林、闊葉林和混交林森林類型識別結(jié)果。

表5 不同參數(shù)組合針葉林、闊葉林和混交林森林類型分類結(jié)果Table 5 Classification results of forest types in broad-leaved forest mixed forest and coniferous forests with different parameters

從表5可以看出，結(jié)合回波仿真原理提取的波形特征參數(shù)R-cafit1-47、K1-47與其他波形特征參數(shù)AGS、SGS 和MSGS 建立的參數(shù)組合用于森林類型識別時，識別精度較高，其中R-cafit1-47、K1-47、AGS 和MSGS 參數(shù)組合森林類型識別精度最高，其值為89.19%。而波形特征參數(shù)R-cafit1-47、K1-47組合森林類型識別精度低于波形特征參數(shù)AGS、MSGS 和AGS、SGS 組合，分析其原因為波形特征參數(shù)R-cafit1-47、K1-47的值為林分中冠層最高處位置對應(yīng)的冠形特征參數(shù)值，即林分中優(yōu)勢樹種冠形特征參數(shù)值，而混交林林分中優(yōu)勢樹種不唯一，可能是闊葉樹，也可能是針葉樹，這種樹種的不唯一性使得波形特征參數(shù)R-cafit1-47、K1-47組合進(jìn)行森林類型識別時，容易把混交林誤分為闊葉林或針葉林，即表6中混交林森林類型識別結(jié)果，使得森林類型識別精度較低。

表6 基于R-cafit1-47和K1-47 的森林類型分類結(jié)果Table 6 Classification results of forest types based on R-cafit1-47and K1-47

對比表6和表7可以看出，利用波形特征參數(shù)R-cafit1-47、K1-47組合進(jìn)行森林類型識別時混交林森林類型識別精度較低，而利用波形特征參數(shù)R-cafit1-47、K1-47、AGS、MSGS 組合進(jìn)行森林類型識別時混交林森林類型識別精度較高。其原因是波形特征參數(shù)AGS、MSGS 在林分的林層結(jié)構(gòu)中對應(yīng)于整個冠層結(jié)構(gòu)，在波形特征參數(shù)組合R-cafit1-47、K1-47中加入波形特征參數(shù)AGS、MSGS，能夠彌補(bǔ)形特征參數(shù)組合R-cafit1-47、K1-47在整體冠層方面分析的不足，提高混交林森林類型識別精度。此外，波形特征參數(shù)R-cafit1-47、K1-47組合對針葉林進(jìn)行識別時其識別精度低于波形特征參數(shù)R-cafit1-47、K1-47、AGS、MSGS 組合。其原因是波形特征參數(shù)AGS、MSGS，能夠彌補(bǔ)波形特征參數(shù)R-cafit1-47、K1-47組合在冠層方面分析的不足，然而在林木密度較大情況下枝葉的交叉分布使得3 種森林類型之間林層結(jié)構(gòu)較為相似，即不同森林類型波形特征參數(shù)AGS、MSGS 的值較為相近，這種情況增大了針葉林森林類型識別難度，導(dǎo)致針葉林森林類型識別精度有所下降。

表7 基于R-cafit1-47、K1-47、AGS 和MSGS 的森林類型分類結(jié)果Table 7 Classification results of forest types based on R-cafit1-47,K1-47,AGSand MSGS

3 結(jié)論與討論

以吉林省汪清林業(yè)局管轄區(qū)為研究區(qū)，利用ICESat-GLAS 波形數(shù)據(jù)，結(jié)合回波仿真原理，提取了波形特征參數(shù)R-cafit1-47、K1-47，并與其他同森林類型相關(guān)的波形特征參數(shù)AGS、SGS、MSGS進(jìn)行聯(lián)合，建立波形特征參數(shù)組合，通過支持向量機(jī)分類法對任意坡度下針葉林和闊葉林，以及針葉林、闊葉林和混交林進(jìn)行森林類型識別。研究結(jié)論如下：

1）結(jié)合回波仿真原理提取的波形特征參數(shù)組合R-cafit1-47、K1-47對針葉林和闊葉林進(jìn)行森林類型識別，森林類型識別精度優(yōu)于波形特征參數(shù)組合AGS、SGS 和AGS、MSGS；說明波形特征參數(shù)組合R-cafit1-47、K1-47在針葉林和闊葉林森林類型識別方面，有較高優(yōu)勢。

2）利用波形特征參數(shù)組合R-cafit1-47、K1-47對針葉林、闊葉林和混交林進(jìn)行森林類型識別，森林類型識別精度低于波形特征參數(shù)組合AGS、SGS 和AGS、MSGS。說明波形特征參數(shù)組合R-cafit1-47、K1-47在針葉林、闊葉林和混交林森林類型識別方面能力相對較弱。

3）聯(lián)合波形特征參數(shù)R-cafit1-47、K1-47與其他波形特征參數(shù)AGS、SGS 和AGS、MSGS，建立新的波形特征參數(shù)組合，相對于波形特征參數(shù)組合R-cafit1-47、K1-47，AGS、SGS 和AGS、MSGS，較大地提高了針葉林和闊葉林，以及針葉林、闊葉林和混交林森林類型識別精度。

結(jié)合回波仿真原理與森林冠形特征對GLAS 回波波形進(jìn)行理論分析，提取與森林類型相關(guān)的波形特征參數(shù)，并與Zhang 等[16]提出的波形特征參數(shù)建立波形特征參數(shù)組合，從理論上彌補(bǔ)了本研究波形特征參數(shù)在森林類型識別上的不足，而波形特征參數(shù)組合森林類型識別精度值驗證了本研究建立的波形特征參數(shù)組合在森林類型識別上的優(yōu)勢。利用建立的波形特征參數(shù)組合對針葉林和闊葉林進(jìn)行森林類型識別，較本研究提出的波形特征參數(shù)分類精度提高了1.78%，較Zhang 等[16]提出的波形特征參數(shù)分類精度提高了8.91%；波形特征參數(shù)組合在針葉林、闊葉林和混交林森林類型識別方面較本研究提出的波形特征參數(shù)分類精度提高了12.16%，較Zhang 等[16]提出的波形特征參數(shù)分類精度提高了8.11%，有效提高了森林類型分類精度。而加入混交林之后，雖然森林類型總體分類精度有所提高，但是精度值仍然較低。為進(jìn)一步提高森林類型識別精度，后續(xù)將采用模糊模式識別分類法對森林類型進(jìn)行識別研究，以期提高森林類型分類精度。