森林参数是碳储量和陆地生态系统碳循环分析的基础,是生态学和全球变化研究的重要内容之一,森林高度则是森林参数中最为重要的参数之一,快速准确地大面积获取森林高度对及时、动态地掌握森林长势、森林采伐、森林退化及森林死亡率具有重要的意义^[1]。传统的森林高度测量方法主要依靠人工选点、费时费力,且不易有效实施。星载合成孔径雷达干涉测量（interferometric synthetic aperture radar, InSAR）技术不受云雾天气的影响,具有全天时、全天候成像的优势^[2],同时对植被垂直结构敏感,在区域尺度获取森林高度极具潜力^[3-5]。时间失相干是制约InSAR技术森林高度估测的主要因素之一,2007年发射的X波段TerraSAR卫星与2010年发射的TanDEM卫星以相隔约250 m的距离同步飞行,可以提供几乎无时间失相干的InSAR数据,为采用InSAR技术进行森林高度估测提供了有力的数据支撑^[6-7]。

采用InSAR进行森林高度估测或反演,通常使用两类信息,即相位信息和干涉相干性信息^[8]。常见的数字表面模型（digital surface model,DSM）与数字高程模型（digital elevation model,DEM）差分法（DSM-DEM差分法）采用相位信息,而sinc模型法则采用干涉相干性信息。DSM-DEM差分法利用X波段较弱的穿透性,可以获得包含植被高度的DSM数据,与精确的DEM数据作差值后可得到植被高度信息。sinc模型中体散射去相干与森林高度符合sinc函数关系,故被称为sinc模型,其对随机体地表（random vegetation over ground,RVoG）简化,假设地表散射贡献和森林内部的平均消光系数为0,仅考虑森林体散射,从而建立干涉相干系数与森林高度的关系,进而采用干涉相干性进行森林高度的反演^[8-12]。

国内外学者针对上述两种方法均进行了探索,已有研究结果表明,两种方法均受到区域高精度DEM获取困难的限制,其中DSM-DEM差分法依赖高精度DEM来获取地形信息,sinc模型依赖高精度DEM来计算垂直有效波数^[13]。通过对比不同精度的DEM对两种方法估测结果的影响发现,DEM精度对sinc模型的反演结果影响较小,在像元尺度较小（<50 m）时,DSM-DEM差分法的估测结果略优于sinc模型反演结果,且由于X波段的穿透性,采用差分法估测的森林高度结果会呈现整体上的偏低^[5,13]。文献[14]采用机载X波段HH极化InSAR数据对比两种方法,结果表明,sinc模型可以取得更优的精度,同时肯定了其对DEM数据的低依赖性；文献[15]研究表明,星载TerraSAR/TanDEM-X InSAR数据中,单极化InSAR数据由于具有相比双极化数据更优的信噪比,因此仅采用单极化InSAR数据和sinc模型即可取得较好的反演结果；文献[16]使用DSM-DEM差分法的估测结果,表明了单极化InSAR数据在高精度森林高度估测中的潜力；文献[17]对比了sinc模型在北方针叶林和温带雨林中森林高度估测能力的差异,表明该模型在北方针叶林的高度反演中精度较好；文献[18]对比了季节对sinc模型的森林高度估测结果的影响,得出落叶树冬季数据估测结果优于夏季数据,而常绿树则受季节影响不明显；文献[19]将sinc模型参数化,提出了C-sinc模型,使其适应不同季节和林分条件,进而获得更高精度的估测结果。

已有研究表明了现有两种方法在森林高度估测中的可行性,同时也探索了用于地理编码和垂直有效波数计算的DEM精度、获取数据的季节、不同森林类型等对估测结果的影响。此外,也有研究对模型进行优化以期获得更好的估测结果。但是对于DSM-DEM差分法中X波段穿透性引起的森林高度的低估程度、校正后的效果以及sinc模型中相干性系数计算方法对其高度估测结果的影响等并未见相应的研究。此外,采用星载X波段InSAR数据两种模型估测结果的对比也未见深入研究。鉴于此,本文以中国内蒙古自治区根河生态站的北方针叶林为研究对象,探索估测方法选择、相干系数计算差异等对森林高度估测结果影响程度,同时分析了像元尺度对估测结果的影响。

1 研究区概况与数据

1.1   研究区概况

研究区位于内蒙古自治区根河生态站,区域范围为120°12′E~122°55′E,50°20′N~52°30′N,面积约102 km²,为大兴安岭山地地貌,海拔800~1 000 m,地形起伏相对较小,平均坡度8°,最大坡度30°（图1）。根河生态站的森林覆盖率为75%,主要树种有兴安落叶松、樟子松、白桦和山杨等,郁闭度在0.38~0.88之间,平均树高约为20 m。

图  1  研究区位置

Figure  1.  Location of the Study Area

下载: 全尺寸图片 幻灯片

1.2   InSAR数据及预处理

TerraSAR/TanDEM-X是德国宇航中心发射的X波段（波长为3.1 cm）雷达干涉测量系统,由TerraSAR-X与TanDEM-X两颗卫星组成,两者在轨道中以一定间距同步飞行,由该系统可获得高精度、无时间失相干的InSAR数据。通过德国宇航中心的科学申请计划（Proposal ID： XTI_VEGE7124）,本文获取了研究区一景InSAR数据,详细参数见表1。

表  1  InSAR影像参数

Table  1.  Parameters of InSAR Image

参数	数值
获取日期	2014-02-28
雷达频率/GHz	9.65
极化方式	HH
空间有效基线/m	138.48
中心入射角/(°)	43.4
模糊高/m	53.9
分辨率/m	3.3 ×2.6
像元尺度/m	1.8 ×2.0

下载: 导出CSV 

| 显示表格

获取的InSAR数据的主辅影像配准由德国宇航中心完成,配准精度达到亚像元级。其他预处理流程包括干涉图生成、平地效应去除、干涉相位解缠、相位高程转换和地理编码等,详细流程见文献[13]。

1.3   LiDAR数据及处理

机载激光雷达（light detection and ranging,LiDAR）可以成功获取森林高度并取得较高的精度。文献[20]利用机载LiDAR数据估算林分平均高,估测结果与实测树高达到91%的显著相关；文献[21]利用机载LiDAR数据反演林分平均高,树高识别的决定系数为0.78；文献[22]基于机载LiDAR数据估测混交林、阔叶林、针叶林的林分平均高,精度均在90%以上；文献[23]利用机载LiDAR获取的森林冠层高度,平均精度为79.5%。上述研究结果均表明,LiDAR获取的冠层高度模型（canopy height model, CHM）估测精度可以满足区域森林调查与森林经营管理的需要,因此本文使用基于LiDAR获取的CHM作为验证数据。

本文的LiDAR数据采用中国林业科学研究院资源信息研究所LiChy机载激光雷达集成系统,于2012年8月—9月获取。飞机飞行高度为2 700 m,波长为1 550 nm,获取的平均点云密度为5.6/m²。LiDAR数据处理基于TerraSolid软件完成,具体包括噪声点去除、地面点与非地面点分类、内插生成DEM和DSM数据。通过将内插生成的DSM与DEM数据作差值,得到实验区的CHM数据,三者的空间分辨率均为5 m。由于CHM代表森林冠层高度,根据当地林分平均高,本文中将CHM中小于1 m和大于40 m的异常像元值进行了剔除^[22]。

2 研究方法

2.1   DSM-DEM差分法

DSM-DEM差分法中,DSM的获取基于干涉测高原理^[24]。本文利用X波段InSAR获取的研究区DSM与LiDAR获取的高精度DEM相减,获得植被冠层高度,计算式为：

式中,$h_{\mathrm{p}\mathrm{h}\mathrm{a}\mathrm{s}\mathrm{e}}$是散射中心相位差对应的森林高度；DSM_InSAR和DEM_LiDAR分别为InSAR获取的DSM和LiDAR获取的DEM。因为X波段在森林中具有一定的穿透性,所以$h_{\mathrm{p}\mathrm{h}\mathrm{a}\mathrm{s}\mathrm{e}}$会低于实际的森林高度$h_v$,需要对估测的结果进行高度补偿,计算式为：

式中,a、b为回归方程的系数,其值采用训练样本通过最小二乘法拟合得到,本文中a=1.144 5,b=2.160 8。

2.2   sinc模型估测法

2.2.1   sinc模型原理

因为大面积森林高度通过直接观测获取困难,而模型是定量遥感反演的基础,是连接遥感观测参数和地物散射过程的桥梁^[8],因此,结合相干散射模型实现极化复相干系数与森林参数间的前向建模,并进一步实现森林高度的后向反演,也是目前常用的森林高度估测方法^[25]。本文进行森林高度反演所采用的sinc模型是由RVoG模型简化而来,推导过程见文献[26],具体近似式为：

式中,$k_z$为垂直有效波数；${\gamma }_v$为纯体散射失相干；${\phi }_{\mathrm{0}}$为地表相位；Re为取i为实部、j为虚部、e为自然指数的函数。由式（3）可知,森林高度可以通过复相干系数中的纯体散射相干系数获得,因此复相干系数的计算直接影响sinc模型的森林高度估测结果。本文采用两种相干性计算方法,分析相干性计算方法对森林高度估测结果的影响。

2.2.2   相干性计算

相干性反映的是InSAR系统中主影像和辅影像之间的相关度^[6],一个干涉像对的主辅影像之间的相干性是评价干涉质量的重要参数。主辅影像之间相干性$\gamma$的计算式为：

式中,$N$和$M$分别表示距离向和方位向的多视视数；$n$和$m$分别表示窗口内像元的行号和列号；i表示实部,j表示虚部；$s_{\mathrm{1}}({\mathrm{i}}_{n,m},{\mathrm{j}}_{n,m})$和$s_{\mathrm{2}}({\mathrm{i}}_{n,m},{\mathrm{j}}_{n,m})$分别表示主、辅影像在（$n$,$m$）处的像元值。

在实际应用中,干涉相干性的计算有两种方法,一种是传统方法,即采用多视后的强度图像计算相干性,另一种是仅考虑相位方法,即采用干涉相干图像计算相干性。已有研究表明,两种方式计算的相干性结果略有差异,因此会对采用相干性估测森林高度的sinc模型的估测结果造成影响。

假设主、辅影像的强度图像中振幅分别为$a_{\mathrm{1}}$和$a_{\mathrm{2}}$,$\varphi$表示干涉相关图像中的干涉相位,k表示第k个像元,K表示估计窗口内的像元总数,则两种方法计算相干性$\gamma$的计算式分别为：

由式（5）、式（6）计算得到的相干性是总的失相干,不能直接用来反演森林高度。由于总的失相干中除森林高度变化引起失相干r_v外,还包含了信噪比（signal-to-noise ratio, SNR）失相干${\gamma }_{\mathrm{S}\mathrm{N}\mathrm{R}}$、基线失相干${\gamma }_s$、处理过程造成的失相干${\gamma }_{\mathrm{p}\mathrm{r}\mathrm{o}\mathrm{c}}$和时间失相干${\gamma }_t$,即$\gamma ={\gamma }_{\mathrm{S}\mathrm{N}\mathrm{R}}{\gamma }_s{\gamma }_{\mathrm{p}\mathrm{r}\mathrm{o}\mathrm{c}}{\gamma }_t{\gamma }_v$。森林高度反演应用中需要剔除其他失相干因素的影响,然后代入式（3）进行森林高度的估测。由于TanDEM-X系统无时间基线,且获得的单视复数数据已经过亚像元级的配准和距离向、方位向的频谱滤波处理,因此可将${\gamma }_s$、${\gamma }_{\mathrm{p}\mathrm{r}\mathrm{o}\mathrm{c}}$和${\gamma }_t$忽略（均假设为1）,数据中的失相干因素只剩下${\gamma }_{\mathrm{S}\mathrm{N}\mathrm{R}}$,经校正后可得到${\gamma }_v$,计算式为：

式中,$\mathrm{S}\mathrm{N}{\mathrm{R}}_{\mathrm{T}\mathrm{D}\mathrm{X}}$和$\mathrm{S}\mathrm{N}{\mathrm{R}}_{\mathrm{T}\mathrm{S}\mathrm{X}}$分别表示TanDEM-X与TerraSAR-X两颗卫星的信噪比水平。

2.3   森林高度的界定

森林高度的界定直接影响InSAR数据森林高度估测结果评价的有效性,而已有文献中对于森林高度具有不同的释义,为了合理地评价森林高度的估测结果,本文结合差分法和sinc模型进行森林高度估测的物理基础,对两种方法估测结果验证的森林高度进行了界定及选取。DSM-DEM差分法采用干涉测量原理,获得的森林高度为散射像元中主要散射体平均相位对应的高度,考虑到由LiDAR数据生成的CHM为林分的平均高,故选择LiDAR数据获得的CHM数据（图2（a））来验证DSM-DEM差分法估测精度。sinc模型假设森林散射场景中消光系数为0,采用相干性来计算森林高度,该高度受优势木影响较为明显,采用优势木高度H100^[27-28]来进行该方法估测结果的验证。H100是采用一定数量的较高单木的平均高度,在应用中其数量通常定为100株/hm²。本文将高分辨率LiDAR CHM经过10 m×10 m的最大值滤波,得到LiDAR CHM H100验证数据^[29]（图2（b））。

图  2  LiDAR生成的树高

Figure  2.  Forest Height Generated by LiDAR

下载: 全尺寸图片 幻灯片

2.4   精度评价方法

本文以LiDAR获取的CHM数据及CHM H100数据对两种森林高度估测方法的估测结果进行验证。在研究区均匀选取了357个样本,其中182个作为训练样本,对DSM-DEM差分法结果进行校正,175个作为验证样本,对校正后的DSM-DEM差分法结果进行验证,验证样本及训练样本的分布如图3所示。在sinc模型的验证中,357个样本全部用于模型估测结果的验证。两种估测方法估测精度的验证采用决定系数R²、均方根误差（root mean square error, RMSE）和精度P进行量化,3种指标的计算式分别为：

式中,$\overline{y}$、$\widehat{y}$分别为高度的平均值和估测值；$y_i$为样本i高度。

图  3  训练样本及验证样本位置

Figure  3.  Location of Samples for Training and Validating

下载: 全尺寸图片 幻灯片

3 实验与结果

本文采用§2.1和§2.2介绍的两种方法进行了森林高度的估测及反演研究。首先,针对DSM-DEM差分法反演结果会存在偏低的现象,采用线性模型对估测结果进行了补偿,并对比了补偿前后估测结果的精度变化；然后,对比了两种常用相干性计算方法,对由计算方法引起的相干性计算结果差异进行了分析,并在此基础上对比了两种相干性计算方法对sinc模型进行森林高度反演结果的影响；最后,对比了DSM-DEM差分法的估测结果及sinc模型的反演结果。由于已有研究表明,像元尺度的选择对估测结果影响明显,且像元尺度在50 m左右变化时影响效果具有明显差异,因此本文中森林高度估测和反演结果的分析均采用30 m和60 m两种像元尺度。

3.1   DSM-DEM差分法估测结果

DSM-DEM差分法估测结果的精度依赖于InSAR获取的DSM和可获得的DEM精度,在给定DEM精度的条件下,DSM精度受到InSAR数据成像参数和森林结构特征的影响^[6]。本文中仅采用一景InSAR干涉对影像,研究区森林类型为北方针叶林,因此研究中森林高度的估测结果主要是受到X波段穿透性的影响。图4展示了标定补偿前和标定补偿后DSM-DEM差分法森林高度的估测结果。为了直观对比两者之间的差异,本文采用剖面线法对比了图4（a）、图4（b）中红色示意线位置估测结果与LiDAR CHM数据对应位置的森林高度（图4（c））。

图  4  森林高度反演结果

Figure  4.  Forest Height Inversion Results

下载: 全尺寸图片 幻灯片

LiDAR在研究区获取的CHM栅格数据中最大值、最小值、平均值分别为39.95 m、0 m、7.39 m；图4（a）中这3个值分别为29.9 m、0 m和4.33 m；图4（b）中这3个值分别为29.98 m、0 m和6.77 m。对比上述数据的统计值可知,标定前的数据严重低估了森林高度,均值仅约为LiDAR CHM数据均值的一半；而标定后的数据均值则接近LiDAR CHM,差值仅为0.62 m。文献[7]也表明了X波段在温带、热带和北方森林中的穿透性,其中在北方森林中的最低,约为8 m左右,该地区森林的平均高度约为18 m,生物量平均值约为90 t/hm²。对比图4（a）和图4（b）可以发现,林地覆盖区域的像元值明显高于道路区域,但图4（a）中林地覆盖区的值多集中在4~10 m,而图4（b）中该区域的值则多集中在8~12 m。文献[30]采用C波段的研究结果,也表明了未标定的差分法的严重低估现象。文献[13]通过对差分法估测结果进行标定,使得研究区森林高度的估测正确率最高达到了85%。图4（c）中标定前、标定后及LiDAR CHM的剖面图比较也表明标定后的估测结果更接近LiDAR CHM的值,因此,在具体应用中,采用DSM-DEM差分方法进行森林高度估测时需要对由于波段穿透性引起的低估现象进行补偿。

为了进一步定量分析X波段穿透性对差分法森林高度估测结果的影响,本文采用175个验证样点对标定前、标定后数据与LiDAR CHM对应数据的散点图进行了分析（图5）。文献[5,13]的研究表明,当像元尺度小于50 m时,估测结果受到DEM、估测方法等影响加大,而当像元尺度大于50 m时,两者的影响则不太明显,因此本文中选取了30 m和60 m两种尺度进行估测结果的对比。由图5可知,大像元尺度的估测结果略优于小像元尺度的估测结果,这与文献[5,13]的研究结果基本一致。此外,标定前较标定后的估测精度有明显提高,在30 m像元尺度,精度增加了55.62%；而在60 m像元尺度,精度增加了54.16%,这表明尺度对增量的影响并不明显。由于标定前后仅对估测值进行了统一的线性变化,因此,标定前后两种尺度下R²值并未变化,且标定前后R²的值均相对较高,分别为0.59和0.64,从侧面反映了差分法估测结果与LiDAR CHM的值有强相关性,文献[14,28,31]采用DSM-DEM差分法进行森林高度估测也肯定了这一点。

图  5  DSM⁃DEM差分法反演森林高度

Figure  5.  Forest Height Inversion Results Using DSM-DEM Method

下载: 全尺寸图片 幻灯片

3.2   sinc模型反演结果

3.2.1   相干性计算结果

在星载TerraSAR/TanDEM-X InSAR提供的无时间失相干的单轨干涉相干性信息中,由于对高度变化敏感的体散射失相干占优,因此在森林高度估测中极具潜力^[15],现有一些研究发展了不同的模型采用相干性来反演森林高度。然而,

在具体的应用中,相干性的计算方法对采用相干性进行森林高度估测的结果有明显影响^[29]。为了分析计算方式对相干性计算结果的影响,本文定量和定性地对比了两种方法计算的相干性,结果如图6所示,其中图6（a）和图6（b）中的蓝色矩形框内为研究区。对比图6（a）和图6（b）可知,在研究区内外,仅相位方法计算的相干性均明显高于传统方法；在研究区内,传统方法计算的相干性集中在0.6~0.7,而仅相位方法计算的相干性值则多集中在0.7~0.8。图6（c）和图6（d）采用直方图的形式定量表征两种方法计算的相干性结果的分布情况,由图6（c）和6（d）可知,仅相位方法计算的相干性相比传统方法呈现出向高相干聚集的趋势。这可能是由于传统方法考虑了强度信息,而强度信息中又引入了额外的失相干因素。

图  6  两种方法计算的干涉相干性系数

Figure  6.  Interference Coherence Coefficients Calculated by Two Methods

下载: 全尺寸图片 幻灯片

3.2.2   森林高度反演结果

采用两种相干性计算方法用于sinc模型反演的森林高度,结果如图7所示。对比图7（a）和图7（b）可知,采用传统方法计算干涉相干性后反演的森林高度偏高,在非森林区域也呈现出高估的趋势；而采用仅相位方法计算干涉相干性后反演的森林高度,尽管与图2（b）相比略有高估的现象,但相比图7（a）的结果,该反演结果更接近LiDAR CHM提取H100的高度。从图7（c）的剖面图中可以看出,仅相位方法的估测结果明显低于传统方法,且更接近LiDAR CHM的精度。这是由于对于sinc模型而言,在保持其他变量不变的情况下,低相干性会得到较高树高,高相干性则得到较低树高。

图  7  两种相干性计算方法用于sinc模型反演森林高度

Figure  7.  Forest Height Inversion Results of sinc Model Using Two Coherence Calculation Methods

下载: 全尺寸图片 幻灯片

图8则定量分析了两种尺度下采用两种方法计算的相干性及sinc模型的反演结果。由图8可知,两种方法计算相干性后sinc模型反演的森林高度结果相差不大,在30 m尺度R²的差值为0.03,在60 m尺度R²的差值为0.04,这也表明了sinc模型在森林高度反演中的有效性。然而,相干性计算方式不同引起的反演结果的RMSE值则相差较大,前者在30 m尺度为8.69 m,在60 m尺度为8.42 m；而后者在30 m尺度为4.06 m,在60 m尺度降为3.09 m。从RMSE值的对比分析可知,尺度对采用传统方法计算的相干性反演结果影响不明显,但是对仅相位方法计算的相干性反演结果则有明显影响。在采用仅相位方法的森林高度反演中,30 m尺度的反演精度仅为75.81%,而60 m尺度则提高为81.66%。该结果略高于文献[13]在相同研究区相近尺度的反演精度（50 m×50 m, R²=0.48；P=71.38%）,这一方面是由于本文使用的验证数据是H100,而同样使用H100作为验证数据的文献[6]也取得了良好的反演精度；另一方面是由于文献[13]的研究采用的相干性计算方法为传统方法。此外,当RVoG模型的体散射失相干在推导至sinc模型时,考虑消光系数为0,此时体散射失相干表达式中只有相位项在仅使用相位进行相干性计算时,将幅度项考虑为常数,该形式与体散射

图  8  sinc模型反演森林高度结果

Figure  8.  Forest Height Inversion Results Using sinc Model

下载: 全尺寸图片 幻灯片

失相干表达式接近,故而仅考虑相位的相干性计算方法得到的相干性,代入sinc模型中,计算得到的森林高度的精度相比于考虑相位和幅度的传统方法要更好。可见,基于仅考虑相位的相干性计算方法的精度均高于传统的相干性计算方法的sinc模型结果,更加适合于sinc模型的森林高度反演。

3.3   森林高度估测反演结果对比分析

已有研究表明,采用InSAR数据进行森林高度估测时,估测方法的选择对估测结果的精度影响明显^[5,14],因此,本文也对差分法和sinc模型估测结果的差异进行了对比。对比标定后的DSM-DEM差分法估测结果（图5）与两种方法计算相干性sinc模型的反演结果（图8）可知,标定后的差分法估测结果略优于采用传统方法计算相干性的sinc模型估测结果,采用机载X波段InSAR在伊根地区的森林高度估测中也得到了相近的结果^[14]。然后,采用仅相位方法计算相干性的sinc模型的估测结果则略优于差分法的估测结果。笔者团队的前期研究也表明,采用仅相位方法进行相干性计算会有效提高森林高度反演的精度^[29]。为了直观对比两种方法的估测结果,本文中选取差分法中用于验证的175个样本,分别提取两种方法的反演结果,使用散点图进行相关性分析（图9）,其中sinc模型的反演结果为采用仅相位方法计算相干性的sinc模型反演结果。从

图  9  两种方法结果对比

Figure  9.  Comparison of the Results of Two Methods

下载: 全尺寸图片 幻灯片

图9可知,两种估测方法获得的森林高度之间的相关性较高,在30 m尺度时,两者之间的R²为0.50,随着尺度增大,两者之间的相关性会进一步提高,在60 m尺度时,两者之间的R²达到0.61。文献[5]也表明两种方法估测结果之间的关系呈此规律。此外,DSM-DEM差分法会低估森林高度,sinc模型法会高估森林高度,而DSM-DEM差分法经过标定后,低估程度会明显降低,估测精度会显著提高；sinc模型法采用仅考虑相位因子的方法进行相干性计算时,高估现象会明显降低,并且反演结果会略优于DSM-DEM差分法。

4 结语

本文以TanDEM-X单极化干涉数据为基础,基于DSM-DEM差分法和sinc模型法估测了森林高度,分析了DSM-DEM差分法和基于不同相干性计算方法的sinc模型法的森林高度反演结果在不同样本尺度下的影响。结果表明：

1）DSM-DEM差分法虽然可以获得良好精度的森林高度估测结果,但是依赖于高精度的DEM,且由于X波段仍然具有一定的穿透性,会造成一定程度的低估,所以需要一定量的实测数据利用简单线性模型对估测结果进行校正才能获得较好的估测结果。但是使用线性模型校正通常会产生校正不足或过校正现象,所以校正模型的选择仍值得商榷。sinc模型估测森林高度的优势在于不需要用到高精度DEM,从长远角度考虑,不需要高精度DEM支持且能得到具有一定可靠性的森林高度结果的sinc模型估测法相较于DSM-DEM差分法更容易扩展到更大的区域。同时,将不同样本尺度的结果与验证数据的比较发现,随着样本尺度的扩大,DSM-DEM差分法及sinc模型法的森林高度的估测结果会逐渐接近真实值。

2）对于sinc模型法而言,基于传统相干性计算方法得到的sinc模型结果会造成森林高度的严重高估,精度验证结果表明仅考虑相位的相干性计算方法更适合于sinc模型反演,证实了仅考虑相位的相干性计算方法能有效提高sinc模型森林高度反演的精度,但是对该模型在不同森林类型中的适用范围和条件还有待进一步研究。

3）针对不同反演方法的原理,选择不同森林高度的界定方法作为真值数据进行训练与验证模型,对于获得良好的森林高度估测精度是很有必要的。

本文对森林高度反演的算法选择、定义不同形式森林高度对估测结果的影响进行了分析,并对不同相干性计算方法对sinc模型法的估测结果进行对比,得到了具有一定可信度的森林高度反演结果。但是影响森林高度估测精度的因素众多,如空间基线、森林密度、地形等环境因子均会对反演结果产生显著的影响,未来可对以上因素对森林高度估测结果的影响展开研究。