森林作为陆地生态系统的主体，在维护全球气候系统、调节全球碳平衡、减缓温室效应等方面发挥着重要作用(Woodwell 等，1978；刘茜 等，2015)。森林冠层的数字表面模型DSM(Digital Surface Model)与林下地形结合，可用于树高、森林生物量及蓄积量的提取，在林业管理和各种森林参数的提取上具有重要的现实价值。利用遥感方法提取DSM可以采用不同的数据源，光学摄影测量数据常会受到云雨等恶劣天气的影响；机载LiDAR数据获取成本较高，只适用于小的覆盖范围；星载合成孔径雷达(SAR)数据具有全天时全天候的数据获取能力，在提取DSM中有着独特的优势。

利用SAR数据提取DSM主要有雷达干涉测量(Interferometry)和立体雷达测量(Radargrammetry)两种方法(Capaldo 等，2011)，即干涉SAR和立体SAR。二者均采用同一区域不同观测视角下的两幅SAR影像，不同之处在于前者利用雷达后向散射记录的相位信息，而后者利用的是雷达后向散射强度图像记录的视差信息。立体SAR的产生可追溯到20世纪60年代，首次雷达立体观测实验证实了SAR立体像对可以产生高程视差(La Prade，1963)，周月琴等人(1998)对SAR图像的立体定位原理做了详细阐述，在已有SAR图像成像方程式的基础上提出一种SAR图像的空间前方交会算法。随着各种SAR卫星的发射，研究人员分别采用不同类型的SAR数据进行立体SAR技术的研究工作。Toutin(2000)将Radarsat-1精细模式的数据组成立体SAR像对，提取了加拿大不列颠哥伦比亚省研究区的DEM；张永红等人(2007)首先对星载SAR构像方程进行了深入研究，在此基础上对Radarsat-1影像进行了轨道精化，精化后的轨道数据大大提高几何校正的精度，为立体SAR的后续处理奠定了基础；Li等人(2006)利用不同时间间隔的ERS-1/2立体SAR数据，生成香港西部山区的DEM，并探讨了地形因素和时间因素对DEM精度的影响；d’Ozouville等人(2008)基于ENVISAT ASAR数据，采用立体SAR方法提取了加拉帕戈斯群岛的DEM，通过SRTM DEM的辅助得到的DEM误差在±15 m。早期SAR卫星的影像分辨率低，如Radarsat-1精细模式分辨率约8 m (Toutin，2000)，ERS卫星距离向分辨率约26 m (Li 等，2006)，ENVISAT ASAR的Image模式分辨率为30 m (d’Ozouville 等，2008)，因而对高程的探测精度较低，难以实现对地物垂直结构变化的探测，而仅仅局限于对地形高程信息(DEM)的提取，并不包含其他地表信息的高度。

自2007年以来，德国TerraSAR-X、意大利COSMO-SkyMed和中国高分三号等在内的高分辨率SAR卫星的相继发射，为立体SAR技术的发展和应用提供了新的契机，但有关立体SAR的研究仍然以地形的提取为主。Nonaka等人(2009)基于TerraSAR-X立体SAR数据研究了大范围DEM提取方法；Palm等人(2012)采用立体SAR技术提取了城区的DEM；Yu等人(2014)提出了一种改善立体SAR处理精度的SAR影像处理方法；Salvini等人(2015)利用COSMO-SkyMed立体像对提取了埃及锡瓦地区的DEM；贺雪燕等人(2013)利用TerraSAR-X立体像对提取了马来西亚瓜拉江沙地区的DEM，采用外部DEM辅助提高DEM精度，将高程误差在25 m以内的像元比例由79%(无外部DEM辅助)提高到86%。

近几年，包含地物垂直结构信息的DSM提取逐渐开始被关注。Raggam等人(2010)基于优化的传感器模型，利用TerraSAR-X光束模式立体像对提取DSM，得到的高程误差在–10—30 m，指出平坦地区的平均高程误差接近零，而林区以及几何变形较严重地区的影像匹配可能产生很大的误差；Capaldo等人(2015)基于3种不同的立体数据(COSMO-SkyMed，TerraSAR-X，RADARSAT-2)，通过两种不同的软件模块(PCI-Geomatica和SISAR)提取加拿大魁北克Beauport试验场的DSM，通过对比精度综合评价立体SAR提取DSM的潜力。

在林区研究方面，Perko等人(2011)基于TerraSAR-X的光束模式和条带模式数据，对奥地利的两个研究区进行了DSM提取，由于DSM包含地表的植被高度信息，通过与机载LiDAR获取的DTM数据相减，得到冠层高度模型CHM，基于森林分割结果纠正后的CHM可用于各种森林参数的提取；Persson等人(2014)利用TerraSAR-X立体像对提取了寒带森林地区的DSM，结合机载LiDAR的DTM求出CHM，并用于估算森林地上生物量和树高，证实了立体SAR技术在林业应用中的潜力；Solberg等人(2015)利用TerraSAR-X条带模式数据组成立体像对，提取了挪威东南部研究区的DSM，根据求出的CHM估算森林生物量，生物量估算精度能够与InSAR相媲美。但这些研究大多使用的是自行开发的数据处理软件，如Perko等人(2011)和Persson等人(2014)使用的是Joanneum research开发的“Remote sensing software Graz (RSG)”，Solberg等人(2015)使用的是Astrium开发的立体SAR处理软件。这些数据处理软件的可获取性制约着利用立体SAR数据进行森林结构参数提取研究的广泛开展。

能否基于通用商业软件，通过对处理过程关键参数的影响规律的认识来提高DSM提取的精度，值得探讨。虽然目前对于利用立体SAR数据提取DEM和DSM的研究较多，但对关键处理参数设置影响规律的报道较少。本文面向基于立体SAR数据的森林顶层高精度DSM获取，尝试利用TerraSAR-X stripmap模式立体像对，基于通用商业软件ERDAS，以内蒙古根河市大兴安岭林区和吉林长白山自然保护区为研究对象，探讨立体SAR像对关键匹配参数对DSM提取精度的影响规律。

考虑到研究结果对不同地形特征和树种组成的普适性，本文的研究区域包括两部分。

研究区A位于内蒙古自治区呼伦贝尔市根河市北部大兴安岭林区，经纬度范围121°19′E—121°46′E，50°34′N—51°16′N。该地区为高纬度、高寒冷地区，属于寒温带大陆性季风气候，研究区地带性植被类型为寒温带针叶林，以兴安落叶松为主要树种，此外还包括樟子松、白桦和山杨等(魏亚伟 等，2015)，研究区树高范围0—25 m，平均树高7 m左右。该研究区域海拔700—1300 m，地形较为破碎，小山包较多。

研究区B位于吉林省东南部的长白山自然保护区，经纬度范围127°51′E—128°33′E，41°40′N—42°14′N。该地区属于温带大陆性季风气候，植被随海拔的升高呈现明显的自然景观垂直分布带，由低到高分别为以红松为主的针阔混交林带、针叶林带、亚高山岳桦林带以及高山苔原带(侯光雷 等，2012)，研究区树高范围0—30 m，平均树高13 m左右。该研究区域海拔720—2740 m，覆盖长白山纵贯长白山北坡和南坡，北坡地形缓慢上升，破碎度小，而南坡山河交织，地形变化较大。

两个研究区均采用德国TerraSAR-X卫星stripmap模式的降轨立体SAR像对，研究区A成像时间分别为2015年6月27日和2015年7月2日，入射角分别为43.3°和30.5°，入射角度差为12.8°；研究区B成像时间分别为2012年7月10日和2012年7月16日，入射角分别为26.5°和43°，入射角度差为16.5°。两对数据均为SSC产品，分辨率约为3 m，立体像对幅度影像如图1。

研究区A的数据获取自夏季，树木生长已较为茂盛，TerraSAR-X工作于波长较短的X波段，因此SAR信号仅能到达树冠且无法穿透，得到的高程信息即为林区的DSM，所以参考数据选择同一区域机载LiDAR的DSM。LiDAR DSM于2012年8月30日—9月14日获取，将LiDAR获取的DSM重采样至10 m分辨率，采用WGS 84坐标系，UTM投影。由于获取条件限制，该DSM覆盖研究区域的大部分，精度分析时仅考虑LiDAR数据与立体像对的重叠部分。研究区B缺少相应的机载LiDAR数据，所以本文采用30 m分辨率的ASTER GDEM 2数据作为参考，该数据于2011年10月发布。由于ASTER GDEM中包含其他地表信息的高程，在实际应用中可作为DSM。两个研究区的参考数据分别如图2。

图 1 研究区A((a)(b))和B((c)(d))的立体SAR像对幅度影像 Figure 1 Stereo SAR amplitude images of study area A ((a)(b)) and B ((c)(d))

图 2 两个研究区的参考数据 Figure 2 Reference data of two study areas

立体SAR提取DSM是将不同入射角获取的两幅具有重叠区域的影像组成立体像对，即参考影像和匹配影像，通过数据预处理、选取连接点、影像匹配和立体交会等主要步骤，提取地球表面高度信息。数据预处理包括影像多视和去噪，通过对噪声的抑制来保证后续匹配的准确性。选取连接点可以将两幅影像对齐，得到的视差偏移范围是匹配过程中参数的设置依据。匹配是立体SAR处理最关键的步骤，匹配结果的准确性将直接影响最终DSM的输出精度，该步生成的视差文件通过立体交会转换成高程，最终生成像对重叠区的DSM。

在对SAR影像进行信息提取之前，通常需要先对影像的斑点噪声进行抑制(Lee 等，2009)。斑点噪声由SAR的相干成像特性引起，在特征提取时往往会产生虚假信息，影响地物信息提取的准确性(黄世奇 等，2007)。本研究采用5×5窗口下的Gamma-Map滤波对影像进行去噪，由于原始影像信噪比较低，对距离向与方位向分别进行2倍多视处理可以有效提高影像信噪比，改善匹配质量，并且提高运算效率。然后，采用手动选取连接点的方式使参考影像和匹配影像对齐，计算图像在X、Y方向视差动态范围，以此作为匹配参数设置的参考。

影像匹配是立体SAR处理的关键步骤，本研究采用金字塔分层匹配策略，首先建立影像金字塔，通过灰度平均将原始影像上的相邻4个像元变换成上一层的一个像元，根据设置的金字塔层数生成一组分辨率由高到低的影像；然后从分辨率最低的顶层金字塔开始处理，通过一个相关器在匹配影像上搜索与参考影像相关性最高的点；最后将当前层的匹配结果作为参考值传递到下一层，逐步实现在原始分辨率层上的匹配。影响匹配结果准确性的关键在于金字塔层数以及各层匹配参数的设置，匹配参数主要是指金字塔层数、影像匹配窗口大小和影像匹配搜索范围，不同参数设置将直接决定匹配结果的好坏和DSM输出精度。匹配完成后会生成相关图和X、Y视差影像，生成的视差文件经过影像立体交会转换至高程，再经重采样和重投影，最终提取出研究区域DSM。

采用金字塔分层匹配策略可以有效提高匹配效率，应用时应当依据影像大小、视差变化等因素来设置合理的金字塔层数。理论来说，对于交轨立体SAR而言，距离向(X轴，即横轴方向)最大视差在顶层金字塔上不能小于一个像元。金字塔层数越多，初始匹配时影像的分辨率就越粗，计算效率越高。对比不同金字塔层数在两个研究区处理后的结果，分析金字塔层数对DSM的影响。

影像匹配过程是在参考影像上以给定的窗口大小选出一小块区域，在设定的搜索范围内与匹配影像进行相关性分析，根据相关性大小确定最佳的匹配点。本文采用9×9、17×17、25×25、33×33等4种不同的窗口，对匹配后得到的相关图与X向视差图进行对比分析。

搜索范围是匹配影像上选出的一个矩形范围，对于不同的立体像对，其配准后的视差大小是不同的，如研究区A像对配准后的X向视差偏移范围为±15像元，Y向视差偏移范围为±2像元；研究区B像对配准后的X向视差偏移范围为±73像元，Y向视差偏移范围为±5像元，因此搜索范围应根据视差偏移范围进行变动。首先设置初始匹配层即最粗分辨率层的搜索范围，层与层之间以2倍关系递减(四舍五入)，即相对于原始分辨率而言，搜索范围以4倍的比率不断缩小直至金字塔底层。表1和表2分别为两个研究区的搜索范围参数设置情况，匹配分别始于第5层和第7层(最粗分辨率层)，结束于第1层(全分辨率层)，通过对比分析DSM结果和参考DSM之间的差异，确定合适的搜索范围。

表 1(Table 1)

表 1 研究区A搜索范围参数设置情况 Table 1 Settings of searching range over study area A /像元 金字塔层号 方案1 方案2 方案3 方案4 X Y X Y X Y X Y 1 1 1 2 1 3 1 4 1 2 2 1 4 1 6 1 8 1 3 4 1 8 1 12 2 16 2 4 8 1 16 2 24 3 32 4 5 16 2 32 4 48 6 64 8

表 1 研究区A搜索范围参数设置情况 Table 1 Settings of searching range over study area A

表 2(Table 2)

表 2 研究区B搜索范围参数设置情况 Table 2 Settings of searching range over study area B /像元 金字塔层号 方案1 方案2 方案3 方案4 X Y X Y X Y X Y 1 2 1 2 1 3 1 4 1 2 3 1 4 1 5 1 7 1 3 5 1 7 1 10 1 13 2 4 10 1 13 2 19 2 25 3 5 19 2 25 3 38 4 50 5 6 37 3 50 5 75 8 100 10 7 74 5 100 10 150 15 200 20

表 2 研究区B搜索范围参数设置情况 Table 2 Settings of searching range over study area B

在研究区A采用不同层数的金字塔进行处理，表3记录了不同金字塔层数处理后的误差占像元总数的百分比。从表3可以看出，采用5、6、7层金字塔处理得到的DSM误差在±10 m内的像元百分比分别为81.8%、77.7%和77.1%，由此可得DSM精度随着金字塔层数的减少而有所提高。相较其他复杂地表来说，林区纹理信息欠丰富，由于进行了多次的低通滤波，6、7层金字塔的顶层分辨率更粗，大量的图像信息被过滤掉，影像包含的细节纹理特征更少，影响DSM细节信息提取的准确性；采用5层金字塔处理时，影像以更高的分辨率从金字塔顶层开始进行初步匹配，匹配后得到的结果细节信息损失较少。可见，林区立体SAR影像在匹配时应尽量减小金字塔层数以避免初匹配时细节特征的损失。当金字塔层数为4层以下，迭代次数过少导致匹配进程十分缓慢，因此本研究省略了对4层以下金字塔分层策略匹配的探讨。

但是在研究区B，采用5层金字塔处理后局部区域产生明显错误的匹配结果，而采用7层金字塔匹配得到的DSM能够正确反映地形。图3(a)以ASTER GDEM为底图对错误匹配的位置进行了标注，图3(b)—(d)分别为5层、7层金字塔处理后在该位置处的DSM放大图以及ASTER GDEM放大图，可以明显看出5层金字塔处理后在左上角海拔最高的地区高程异常，误差超过600 m。究其原因，主要因为两个研究区域地形的巨大差异。长白山的地形变化较大，高差明显大于大兴安岭林区，视差比大兴安岭地区更大，这种情况下必须依靠顶层金字塔影像分辨率的降低来缩小视差范围，这样匹配时窗口在给定的搜索范围内才能够找到同名点，避免匹配失败。图3(c)显示了7层金字塔匹配后得到的DSM，误匹配情况明显得到抑制，得到的地形与ASTER GDEM吻合，说明增加金字塔层数更有利于高差较大的的林区地形。

表 3(Table 3)

表 3 不同金字塔层数得到的高程误差百分比 Table 3 The percentage of the elevation error using defferent number of pyramid layers /% 金字塔层数 不同误差范围所占像元总数百分比 <–10 m –10—0 m 0—10 m >10 m 5 11.5 49.2 32.6 6.7 6 13 48.6 29.1 9.3 7 12.7 48.7 28.4 10.2

表 3 不同金字塔层数得到的高程误差百分比 Table 3 The percentage of the elevation error using defferent number of pyramid layers

图 3 不同层数处理后的DSM(400×400像元) Figure 3 DSMs extracted by different number of pyramid layers (400×400 pixels)

图4显示了研究区A和B不同窗口处理后的相关图，相关系数范围为0—1，相关系数值越大，相关性越好。由于研究区B范围较大，相关图只展示影像的一部分。采用9×9窗口处理后的影像整体相关性较低，研究区A和B的平均相关性分别为0.43和0.40，随着窗口的增大，影像整体相关性有所提高，两个研究区的平均相关性分别提高到0.49和0.45。图5(a)展示了研究区A的X向视差图，并对图中标注的一小块子区域(400×400像元)进行彩色渲染，可以直观看出随着窗口增大，X向视差图趋于平滑。9×9窗口得到的视差图存在许多小的噪声点，当窗口增大至17×17，大部分噪声得到了抑制，25×25窗口已基本排除了噪声点的影响。为了证实噪声的影响，将图5子区域的DSM与参考DSM进行线性统计分析，得到的相关系数R²和标准误差RMSE如表4，从表4中可以看出，随着窗口增大，R²由0.989提高到0.992，RMSE由8.697 m减小到6.804 m，这是由于林区地表的纹理特征较少，较小的窗口限制了窗口内的特征信息，匹配时纹理信息不足容易产生许多小的误匹配现象，在视差图上表现为噪声，因而导致较大的RMSE值。此外，窗口越大，匹配计算越缓慢，25×25和33×33窗口处理的结果精度相近，因此本研究采用25×25窗口进行处理，能够在保证计算效率的前提下，得到较好的视差计算结果。

图 4 不同窗口下的相关图 Figure 4 Correlation images of different window sizes

图 5 匹配得到的X向视差图(单位：像元) Figure 5 X-direction disparity maps (unit: pixel)

表 4(Table 4)

表 4 不同窗口得到的DSM与参考DSM之间的线性统计分析 Table 4 Linear statistical analysis between DSM obtained from different windows and reference DSM 统计量 9×9窗口 17×17窗口 25×25窗口 33×33窗口 相关系数(R2) 0.9894 0.9913 0.9918 0.9919 标准误差(RMSE) 8.6968 6.9600 6.8039 6.8042

表 4 不同窗口得到的DSM与参考DSM之间的线性统计分析 Table 4 Linear statistical analysis between DSM obtained from different windows and reference DSM

由于不同立体SAR像对之间的视差偏移各不相同，搜索范围的设置则需要具有一定的针对性。图6和图7显示了两个研究区经表1和表2给出的不同方案处理后的DSM和对应的高程范围，图6(a)和图7(a)分别以LiDAR DSM和ASTER GDEM为底图标注了选取的子区域位置。研究区A选取的子区域为400×400像元的一个方形区域，该区域同时包含高程较高和高程较低处，高程范围在777—1180 m。由于林区地形较为单一，纹理信息不够丰富，没有易于识别的特征点，因此人工选取连接点较为困难，其结果会存在一定的不准确性，想要保证选取的连接点同时包含研究区的最高处和最低处是很难实现的，这就导致配准时得到的视差范围实际上要小于影像的最大视差值。配准视差主要存在于距离向，研究区A配准后X向最大视差为15像元，采用方案1设置的搜索范围时，图像右下角标注部分出现明显的错误匹配情况，最大误差近200 m，这是因为该区域视差较大，搜索距离小于该处视差导致窗口在搜索范围内无法找到匹配点。随着搜索范围不断增大，该地区实现了正确匹配，采用方案3和方案4处理后得到的高程与LiDAR DSM相符，误匹配区域的平均误差由179 m减小至2 m。

图7为800×800像元的一个方形区域，该区域为整个研究区高程最高处，即视差最大处。研究区B配准后X向最大视差为73像元，可以看出采用方案1和方案2的搜索范围均出现错匹配情况，因而产生错误的DSM，证明该处的视差仍然大于所设置的搜索范围。采用方案3和方案4能够正确完成匹配，得到合理的DSM。虽然增加搜索范围有利于较大视差地区的正确匹配，但对于视差较小的地区来说，过大的搜索范围可能会对同名点的寻找产生干扰，引起一些不必要的随机误差，因此，在保证较大视差地区正确匹配的前提下，为保证DSM的整体精度，搜素范围不必再增加。

图 6 研究区A不同搜索范围得到的DSM情况 Figure 6 DSMs with different search areas in study area A

图 7 研究区B不同搜索范围得到的DSM情况 Figure 7 DSMs with different search areas in study area

分别采用表5和表6设置的匹配参数对两个研究区进行处理，得到的DSM和高程误差图如图8所示，DSM采用UTM投影，分辨率均为10 m。表7列出了两个研究区不同误差范围所占的像元百分比：研究区A高程误差在±5 m之内的像元占54.7%，误差在±10 m之内的像元占81.9%；研究区B高程误差在±5 m之内的像元占35.4%，误差在±10 m之内的像元占61.8%。由高程误差图8可以看出，两个研究区在局部地区存在较大误差(图8中亮色区域和黑色区域)，由于SAR斜距影像近距离压缩的特性导致相同地物在不同视角斜距影像上的分辨率不同，匹配难度会大大增加，误差超过±10 m的地区主要由较大地形起伏的透视收缩及叠掩等几何畸变引起，以研究区A为例，图9展示了误差图中误差较大的两处地区的坡度图，其位置在图8(b)中标注，两个地区的坡度最大值分别为31.6°和87.6°。坡度图基于该地区的DEM计算，可以看出这些误差较大的地方主要为坡度变化较剧烈的地区，这些地区的匹配难度大，匹配结果并不可靠。较为严重的几何畸变会导致两幅影像在窗口内完全不相同，匹配将会失败。最终研究区A和B提取的DSM与参考DSM之间的R²分别为0.992和0.996，RMSE分别为6.682 m和10.384 m。从高程误差统计结果以及与参考DSM之间的RMSE可以看出，研究区B的DSM精度明显比研究区A差，这与研究区B的地形特点有很大关系，该研究区海拔高度更高，区域高差较大，南北坡地形差异较大，匹配更难以准确进行。总体来说，两个研究区在坡度较大、几何畸变严重的地区均会产生很大的误差，尤其是在研究区B的陡峭山坡，这证明了本文立体SAR处理时的匹配算法在陡峭山区地形适用性较差，针对山区地形应当改善现有的匹配算法。

此外，对于立体SAR处理来说，较大的像对交角更有利于三角计算，高程计算结果更加精确，Nonaka等人(2009)研究了TerraSAR-X stripmap模式立体像对的高程误差和像对交角间存在的理论关系，发现高程误差随着交角增大而减小，交角在15°—22°能够得到比较精确的高程计算结果，本文研究区A的像对交角为12.8°，交角偏小可能会在一定程度上影响DSM的整体精度。参考数据的准确性也需要考虑，两个研究区参考数据与TerraSAR-X立体数据之间存在时间差，考虑到树木生长、枯死以及人为砍伐等因素，其对最终DSM结果分析也会存在一定程度的影响。

表 5(Table 5)

表 5 研究区A匹配参数设置 Table 5 The settings of matching parameters over study area A /像元 金字塔层号 窗口 大小 X向搜索 范围 Y向搜索 范围 X向步长 Y向步长 1 25×25 3 1 1 1 2 25×25 6 1 3 3 3 25×25 12 2 5 5 4 25×25 24 3 10 10 5 25×25 48 6 20 20

表 5 研究区A匹配参数设置 Table 5 The settings of matching parameters over study area A

表 6(Table 6)

表 6 研究区B匹配参数设置 Table 6 The settings of matching parameters over study area B /像元 窗口 大小 X向搜索范围 Y向搜索范围 X向步长 Y向步长 1 25×25 4 1 1 1 2 25×25 7 1 3 3 3 25×25 13 2 5 5 4 25×25 25 3 10 10 5 25×25 50 5 20 20 6 25×25 100 10 40 40 7 25×25 200 20 80 80

表 6 研究区B匹配参数设置 Table 6 The settings of matching parameters over study area B

表 7(Table 7)

表 7 研究区高程误差像元百分比 Table 7 The percentage of the elevation in two study areas /% 研究区 高程误差/m <–10 –10—–5 –5—0 0—5 5—10 >10 A 12.8 18.2 31.3 23.4 9 5.3 B 9.5 9.5 16.1 19.3 16.9 28.7

表 7 研究区高程误差像元百分比 Table 7 The percentage of the elevation in two study areas

图 8 两个研究区的DSM和高程误差图 Figure 8 DSMs and elevation error maps of two study areas

图 9 研究区A坡度对高程误差的影响 Figure 9 The influence of slope variation on elevation error in study area A

本文利用TerraSAR-X stripmap模式数据，结合立体SAR技术提取了内蒙古根河市大兴安岭林区和吉林长白山自然保护区的DSM，并对立体SAR处理过程中的各项匹配参数进行了详细分析。关键的匹配参数包括金字塔层数、影像匹配窗口及匹配时的搜索范围。金字塔层数设置需考虑研究区的地形特点，在高差较小的大兴安岭研究区，缩减金字塔层数可提高影像初始匹配时的分辨率，减少影像细节特征的损失，提高DSM细节信息提取的准确性；在高差较大的长白山研究区，适当增加金字塔层数可明显抑制误匹配点，通过降低顶层金字塔影像的分辨率来缩小视差范围，提高地形提取精度。此外，在林区，采用较大的匹配窗口能够有效减少由纹理信息不足产生的小的误匹配现象，随着窗口增大，DSM与参考影像之间的相关系数R²逐渐增大，标准误差RMSE逐渐减小。搜索范围的设置具有一定的针对性，需根据不同立体SAR像对之间的视差偏移来确定。本文提取的DSM在透视收缩和叠掩等几何畸变较严重的地区误差较大，因此未来工作有必要深入研究适用于山区地形的立体SAR匹配算法。

采用立体SAR方法提取DSM的重要性不可忽视，在热带等多云多雨地区，光学数据的质量受到很大的限制，SAR数据全天时全天候、不受云雨干扰的特性发挥着不可替代的作用。干涉SAR在提取高程信息中有着较好的精度，但有时会受时间去相关等因素的影响，像对选择上相较困难一些。因此，在干涉数据难以获取的情况下，立体SAR将成为一种有效的替代方式。

志 谢 本文所使用的激光雷达数据由中国林业科学研究院资源信息研究所庞勇研究员在共同参与的863和973计划项目支持下获取的；中国测绘科学研究院杨书成博士在立体SAR数据处理方面给予了很多帮助，在此一并表示感谢。