出版日期: 2018-09-25
点击次数：
下载次数：
DOI: 10.11834/jrs.20187244
2018 | Volumn22 | Number 5
上一篇 | 下一篇

高光谱激光雷达提取植被生化组分垂直分布

高帅¹ , 牛铮^1,2 , 孙刚¹ , 覃驭楚¹ , 李旺¹ , 田海峰^1,2

1. 遥感科学国家重点实验室中国科学院遥感与数字地球研究所，北京 100101

2. 中国科学院大学，北京 100049

收稿日期: 2017-06-19

基金项目: 国家重点研发计划项目(编号：2017YFA0603004)；国家自然科学基金(编号：41730107)；中国科学院百人计划项目(编号：Y6YR0700QM)；高分项目(编号：30-Y20A34-9010-15/17)

第一作者简介: 高帅，1983年生，男，博士研究生，研究方向为植被定量遥感、激光雷达遥感、机器学习与空间数据挖掘。E-mail：gaoshuai@radi.ac.cn

通信作者简介: 牛铮，1965年生，男，研究员，研究方向为植被定量遥感、全球变化遥感。E-mail：niuzheng@radi.ac.cn

中图分类号: TP701

文献标识码: A

摘要

对地高光谱激光雷达可以获得观测对象含有高光谱属性的全波形激光雷达回波，为探测植被生化特征的立体分布提供了新的遥感探测手段。基于此仪器开展室内试验，提出了植被生化组分垂直分布提取方法。首先，针对仪器的特点，提出了高光谱激光雷达全波形数据处理的方法；其次，以火炬花为例开展了室内扫描，并对获取的高光谱激光雷达数据进行了处理，获得带有高光谱属性的激光雷达点云数据；最后，根据植被指数与生化组分的关系，提取了叶绿素和胡萝卜素的生化组分垂直分布结果。研究结果表明，在植被顶部生化组分含量较低，叶绿素a普遍低于0.5 mg/g，胡萝卜素低于0.2 mg/g，而在中部叶片处，生化组分含量明显较高，与红色(顶部)和绿色叶片(中部)在植被垂直方向的分布一致，这表明基于仪器开展植被生理生化参数垂直分布遥感反演具有极大的应用潜力。

关键词

高光谱激光雷达, 生化组分, 垂直分布, 全波形, 点云分布

Vertical distribution inversion of biochemical parameters using hyperspectral LiDAR

GAO Shuai¹ , NIU Zheng^1,2 , SUN Gang¹ , QIN Yuchu¹ , LI Wang¹ , TIAN Haifeng^1,2

1.The State Key Laboratory of Remote Sensing Science, Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100101, China

2.University of Chinese Academy of Sciences, Beijing 100049, China

Abstract

A hyperspectral Light Detection And Ranging (LiDAR) can obtain high spectral properties of the observed object and provides a new method for detecting a three dimesional distribution of vegetation structure and biochemical characteristics. In this study, a data process flow and a biochemical characteristics method were proposed. Laboratory experiments were conducted on the basis of this instrument, and a vertical distribution extraction method of vegetation biochemical components was provided. First, we proposed the hyperspectral LiDAR waveform data processing method in accordance with the characteristics of the instrument. Second, an indoor Kniphofia scanning experiment was utilized, and the LiDAR point cloud data with high spectral properties were obtained. Finally, chlorophyll and carotene vertical distributions were extracted on the basis of the relationship between the vegetation index and biochemical components. Results show that the biochemical content of a red leaf at the top of vegetation is low, which is generally lower than 0.5 mg/g, and carotene is less than 0.2 mg/g. However, the biochemical component content in the middle of the green leaves was evidently high. This study showed that the instrument has a considerable application prospect in the field of quantitative remote sensing.

Key words

hyperspectral LiDAR, biochemical parameter, vertical distribution, full waveform, point cloud

1 引　言

遥感技术已经成为植被生态系统探测的一种重要手段，为进行准确、高效的林业调查、作物估产发挥了重要作用，对地激光雷达(航空、星载)作为近年来快速发展的遥感手段，在进行植被结构参数获取、森林碳储量评估等方面的作用也日益突出(李增元等，2016)。然而，在生物物种丰富的地区，自然植被群落通常呈现乔—灌—草立体分布，不同高度处光照、水分和养分有较大差异。因此，探测3维立体分布特性不仅是精确的生态系统监测和管理的需要，而且对病虫害早期预警、预估生态系统演化等研究也具有重要意义(王纪华等，2004；Asner 等，2014)，但是现有的遥感手段在解决这些问题时遇到了较大的困难。

对于垂直复杂的植被分布状况，被动光学传感器接收的遥感信息通常包含了不同高度的贡献，实际上是3维立体分布状况下的2维累加，在实际成像的过程中将3维立体目标2维化，给植被参数反演带来较大的不确定性(阎广建等，2002)。虽然多角度观测能够获取植被各个角度的光学信息，进而获取叶绿素等生化组分的垂直分布信息(赵春江等，2006)，但是在航空和卫星尺度上很难获取“热点”和“冷点”等关键观测角度的信息，难以直接应用到卫星尺度上进行垂直分层分布反演。激光雷达虽然已经广泛应用于植被结构参数提取、电力巡线、滑坡监测等各个方面(Yang 等，2015；Gao 等，2015；庞勇等，2005；Mallet和Bretar，2009；刘正军等，2014)，但是主要利用了其测距特征，受到单一波段限制对光谱特征的挖掘较少。因此，将上述两种传感器进行融合受到广泛关注(Kulawardhana 等，2014；Ghosh 等，2014；Dalponte 等，2014)，但研究发现两种传感器协同无论是数据前期获取，还是后处理都存在很多缺点和误差，为进一步结合这两种传感器的优势，更直接的方法是利用一种仪器设备，直接采集带有光谱属性信息的激光雷达点云或波形数据，进行植被结构参数和生化参数提取。

高光谱激光雷达结合了被动光学的高光谱观测能力及激光雷达的垂直探测特点(刘清旺等，2012；Hopkinson 等，2016)，具有探测冠层内部或者底部的精细结构和光谱的能力(Wing 等，2012)，因此具有较大的优点，它不依赖于太阳光，不受观测几何信息的影响；通过调整光束的出射，可以形成精确的点观测能力，减少混合像元的效应。目前已经有多个国家的实验室开展了高光谱激光雷达的研制和应用工作，如Morsdorf等人(2009)曾经利用英国爱丁堡大学4波段仪器开展了植被生理参数信息的垂直分布诊断，对利用生态过程模型模拟的不同年龄的树木进行了诊断，研究了不同树龄对植被NDVI，PRI剖面的影响。Suomalainen等人(2011)利用芬兰大地测量研究所8波段仪器研究发现，光谱的垂直分布也可以用于目标的自动探测和分类研究，垂直几何和光谱信息可以通过一次观测同时获取。Hakala等人(2012)在室内对砍伐的云松研究表明，利用不同的波段组合不仅可以对冠层枝、叶进行区分，利用其叶可以探测出冠层不同高度的叶片含水率、叶绿素等生化组分的差异。Rall等人(2004)基于2波段仪器首先提出了主动植被指数的概念，并通过低功率的激光二极管实现了水平方向的落叶植被叶片的观测，在680 nm附近的波段可以检测出植被叶绿素含量的特征变化。Gong等人(2012)利用其设计的4波段仪器研究表明其可以捕捉到精细的叶片生化组分浓度的变化。李旺等人(2014)利用中国科学院遥感与数字地球研究所研制的高光谱激光雷达样机开展了红花羊蹄甲、紫薇等两种叶片叶绿素、胡萝卜素、氮素的提取试验，与实验室化验分析比较表明其提取决策系数分别达到0.85, 0.71, 0.51。

上述研究表明，高光谱激光雷达仪器结合了高光谱和激光雷达两种传感器的特点，可以探测植被生理结构和光合作用直接相关的生理过程，在复杂地表植被特征探测过程中具有极强的科学价值和应用潜力。但是针对植被生化组分垂直分布反演方面，目前还没有基于高光谱激光雷达特定方法流程。本研究基于高光谱激光雷达开展了植被生化组分垂直探测研究，对生化组分导致的不同波段的激光反射信号的差异进行了研究，提出基于该仪器的生化组分垂直分布反演方法，并提出适应于仪器特点的定标和处理方法。

2 仪器试验与数据处理

2.1 高光谱激光雷达仪器

本研究利用了遥感科学国家重点实验室自行研制的32波段高光谱激光雷达样机(Sun 等，2014)，样机覆盖范围从可见光到近红外区域(图1)。该设备主要由2维扫描平台、超连续谱脉冲激光光源、固定于扫描平台的同轴发射接收系统、多通道全波形测量装置、控制中心等组成(Niu 等，2015)，其中扫描系统采用了2维转台方案PTU-D48 E(FLIR Systems Inc)，设计的水平和垂直的最小角度步长分别为0.026°和0.013°，对应10 m距离处的水平扫描位移约为4—5 mm。扫描系统与主控系统采用串口连接，遵循转台的通信协议。

图 1 高光谱激光雷达样机及波长设置

Fig. 1 Hyperspectral LiDAR prototype and wavelength settings

超连续谱脉冲激光光源(NKT SuperK Compact)的脉冲宽度为1—2 ns，峰值功率约20 KW，脉冲频率为20—40 KHz。超连续谱激光器所发出的“白光”激光经过准直器后变成汇聚的光束(发散角小于5 mrad)，该光束经过两个反射镜(M1，M2)产生两次折射，进入望远镜光轴并发射出去(图2)。其中反射镜M1为微透反射镜，激光束中绝大部分光反射到镜筒内，少部分光透过反射镜再经过光纤投射到发射探测传感器APD1中，实现发射光束的采集，采集的信号用来触发一次测量。被探测目标的散射光经过消色差折射式望远镜(焦距400 mm，口径80 mm)进行收集，在焦点处由光纤进行收集，然后通过光栅光谱仪进行分光，产生32个独立的波段，分光后的出射光投射到相应的线性探测器(PA)上，同时实现4个波段的回波探测。探测器采用线阵PMT光电倍增阵列(Hamamatsu Photon Techniques Inc)，敏感波长为400—1000 nm，上升时间为0.6 ns。光电探测器输出信号通过高速示波器(DPO5204B，Tektronix Inc)进行采样和存储，生产高分辨率的波形回波。扫描过程由控制主机控制扫描云台产生X，Y两轴的运动。

图 2 高光谱激光雷达光路图

Fig. 2 Hyperspectral LiDAR optical system design scheme

APD1：雪崩二极管；L0，L1，L2：消色差透镜；M1：45度微透反射镜；M2：反射镜；M3：漫反射镜；Spectrograph：摄谱仪；M4：反射镜；M5：准直镜；M6：会聚镜；G：光栅；PA：光电倍增管阵列；HG：灵敏度调节器；MAT：开关矩阵；Scanner：扫描转台；Oscilloscope：示波器；OF1，OF2：光纤；MOF：微结构光纤；Collimator：准直器；Controller：控制主机

原型系统可以通过对各个通道记录波形的后处理实现飞行时间和回波的光谱的测量。两轴转台带动光学部分进行扫描，可以获取的一系列的不同波长的回波信号。

2.2 试验数据处理

试验以火炬花(Kniphofia uvaria)为扫描对象，火炬花属多年生草本植物，宜生长于疏松肥沃的沙壤土中，多丛植于草坪之中或植于假山石旁，用作配景。试验中高光谱激光雷达在距离其顶部7 m距离处进行扫描。

试验中，高光谱激光雷达扫描的水平步长为80，垂直步长为160，因此共扫描12800个点。在扫描过程中，首先对准扫描目标的中心，转台运动到扫描范围的左上角；其次向右转动，转动的角度为一个水平步长角度，每转完一个步长，要测量32次；再次，依次重复到指定位置后，向下转动一个倾斜步长的角度；然后再向左转动到指定位置后停止，依次重复最终完成面扫描。

高光谱激光雷达对地物扫描，在每个点记录32个波段回波波形信息，典型的回波波形如图3所示。

图 3 703 nm波长高光谱激光雷达回波波形

Fig. 3 Hyperspectral LiDAR returned waveform at 703 nm

对于记录的32个波段的回波波形文件，首先进行数据清洗，包括将文件进行重命名，删除重复数据等，然后根据信号出现频率进行噪声的去除，继而进行波段分割获取每个波段的信息，并单独进行保存。对于每个波段的回波波形信号，通过发射波形和接收波形能量分布，确定发射和接收信号的阈值范围，如统计所有发射波形，对发射波形强度最大值出现的位置进行统计，从而得到近似高斯分布，以3倍的Sigma为阈值确定发射波形位置的阈值范围。根据发射波形和接收波形的阈值范围，提取出阈值距离范围的信号，通过高斯分解的最大值作为该段波形的强度并记录其位置，并利用接收强度除以发射强度进行发射强度的校正，最后依次获得32个波段的在某个位置处的校正强度值，并以点云的方式进行存储，最终通过算法提取各种参数，典型的处理流程如图4所示。

图 4 高光谱激光雷达数据处理流程

Fig. 4 Hyperspectral LiDAR data processing flow

2.3 高光谱激光雷达点云

根据激光雷达仪器扫描结果，经过基本数据处理，获取了高光谱激光雷达点云数据，图5为点云数据高程分布情况，顶部为距离仪器较近的位置，底部为距离较远的区域，从图5中可以看出高光谱激光雷达在40 cm范围内能够准确区分叶片的不同高度。

图 5 高光谱激光雷达点云高程分布

Fig. 5 Hyperspectral LiDAR point cloud height distribution

根据2.2节介绍的数据处理方法，对32个波段的激光雷达回波波形进行拟合，以高斯拟合的峰值作为该波段在该点处的回波强度值，将此回波强度值除以发射强度值从而得到32个波段的光谱定标回波强度信息，图6分别是800 nm，670 nm，572 nm和523 nm处激光雷达回波强度点云，从图6中可以看出，红色和绿色火炬花叶片对800 nm激光都具有较强的反射，红色叶片对670 nm激光具有较强的反射，而绿色叶片则反射较弱，572 nm和523 nm的激光点云也在绿色叶片处存在明显的差别。

图 6 不同波长高光谱激光雷达点云

Fig. 6 The point cloud of hyperspectral LiDAR with different wavelengths

3 方法与结果

3.1 生化组分化验值与高光谱激光雷达关系

扫描完成后，将叶片进行破坏性采样，并在实验室中采用萃取法进行化验，图7为火炬花不同位置叶片的高光谱激光雷达回波强度曲线。对采样样本试验室内化验得到叶片叶绿素a、叶绿素b、类胡萝卜素、凯氏氮、水分等生化组分含量，将测量生化组分与激光雷达光谱建立关系，在研究中主要利用NDVI和PRI与植被生化组分建立关系，建模总样本数为18个，包括9个红色叶片和9个绿色叶片样本，相关关系如表1。

${\rm{NDVI}} = \left( {{\rho _{800}} - {\rho _{670}}} \right)/\left( {{\rho _{800}} + {\rho _{670}}} \right)$

(1)

${\rm{PRI}} = \left( {{\rho _{572}} - {\rho _{523}}} \right)/\left( {{\rho _{572}} + {\rho _{523}}} \right)$

(2)

图 7 火炬花的高光谱激光雷达反射光谱

Fig. 7 Hyperspectral LiDAR reflectance spectrum of Kniphofia uvaria

表 1 高光谱激光雷达植被指数与生化组分关系
Table 1 Relationship between hyperspectral LiDAR vegetation indices and biochemical components

下载CSV

	公式	统计指标
叶绿素a	Y=1.78NDVI+0.15	0.86
	Y=–4.42PRI–0.01	0.67
	Y=0.39NDVI+1.78×PRI+0.23	0.84
叶绿素b	Y=0.62NDVI+0.06	0.88
	Y=–1.54PRI+0.01	0.68
	Y=0.83NDVI+0.61×PRI+0.23	0.85
类胡萝卜素	Y=0.47NDVI+0.07	0.90
	Y=–1.16PRI+0.03	0.71
	Y=0.60NDVI+0.39PRI+0.09	0.88

从图7中可以看出，红色叶片与绿色叶片的高光谱激光雷达回波强度曲线有明显的不同，红色叶片670 nm附近红光波段具有较强的反射，而绿色叶片在此波段区域存在明显的波谷。研究表明波谷的存在是由于叶绿素在此波段有较强的吸收作用，因此从图7中可以看出高光谱激光雷达强度曲线能够反映植被叶绿素含量的大小。

3.2 高光谱激光雷达植被指数垂直分布

对点云的光谱反射强度进行处理，得到激光雷达植被指数点云数据，图8是获取的NDVI点云和PRI点云。基于植被指数点云数据，计算了植被指数的垂直分布图，图8(b)和图8(d)为对应的植被指数沿着高度分布的曲线，NDVI明显在顶部红色叶片处(7.1 m)的值偏低，而在中部7.2 m左右值较高。PRI植被指数则在垂直方向上变化不明显。

图 8 高光谱激光雷达植被指数点云和数值垂直分布

Fig. 8 Hyperspectral LiDAR vegetation indices point clouds and its values’ vertical distribution

3.3 生化组分垂直分布

基于高光谱激光雷达植被指数与生化组分的关系(表1)，可以将植被指数点云根据公式进行计算从而得到各种生化参数点云。本研究计算了火炬花叶绿素a和类胡萝卜素(单位：mg/g)生化组分含量沿高度的变化，如图9所示。从图9可看出，在顶部(7.1 m)处，叶片的生化组分含量较低，叶绿素a普遍低于0.5，胡萝卜素低于0.2，而在中部叶片处(7.2 m)，生化组分含量较高，这与植被红色叶片与绿色叶片在垂直方向上分布一致，即顶部的红色叶片叶绿素、胡萝卜素含量低，而中部的绿色叶片生化参数含量高。

图 9 叶绿素a和类胡萝卜素垂直分布

Fig. 9 Vertical distribution of chlorophyll a and carotenoids

4 结　论

本文利用研究室自行研制的对地高光谱激光雷达仪器，以火炬花为例开展了室内扫描，针对获取的含有32个波段的激光雷达点云数据提出了数据处理的基本流程。然后根据生化组分与光谱的关系，获取生化组分(叶绿素a，胡萝卜素)在3维空间的垂直分布，与实验室化验结果具有较好的一致性，研究表明新型的对地高光谱激光雷达仪器可以为精确的植被3维建模和定量遥感反演提供支持。

高光谱激光雷达仪器可以详细测量不同位置处的光谱，可以对不同位置处的生化组分进行详细的测定，避免了结构参数对生化组分反演的影响，相比于多角度被动光学观测能够提供更有效的观测手段。相比于被动的高光谱遥感，该仪器能够获取不同位置的高光谱信息，从而避免不同高度处光谱信息的干扰，相比于激光雷达传感器，能够提供丰富的光谱信息，从而可以与地物属性建立联系。

由于实验室化验样本量较少，生化组分提取方面，本研究只利用了单一的植被指数与生化组分建立关系，没有完全利用32个波段的反射强度信息进行生化组分垂直分布反演算法的深入研究。同时，由于超连续谱激光器的光源强度较弱，因此其探测距离较短，造成其回波信号较弱，给波形分解及后续的点云生成带来较大的难度，限制了其大范围的应用。但是研究表明，随着硬件水平的提高和更多试验的开展，高光谱激光雷达仪器可以获得更多更高质量的数据，在植被生理生化特征探测方面具有极大的应用前景。

志谢此次试验样本化验得到了北京农业质量标准与检测技术研究中心的大力协助，在此表示衷心的感谢！

参考文献(References)

Asner G P, Anderson C B, Martin R E, Knapp D E, Tupayachi R, Sinca F and Malhi Y. 2014. Landscape-scale changes in forest structure and functional traits along an Andes-to-Amazon elevation gradient. Biogeosciences, 11 (3): 843–856. [DOI: 10.5194/bg-11-843-2014]

Dalponte M, Ørka H O, Ene L T, Gobakken T and Næsset E. 2014. Tree crown delineation and tree species classification in boreal forests using hyperspectral and ALS data. Remote Sensing of Environment, 140 : 306–317. [DOI: 10.1016/J.RSE.2013.09.006]

Gao S, Niu Z, Sun G, Zhao D, Jia K and Qin Y C. 2015. Height extraction of maize using airborne full-waveform LIDAR data and a deconvolution algorithm. IEEE Geoscience and Remote Sensing Letters, 12 (9): 1978–1982. [DOI: 10.1109/LGRS.2015.2441655]

Ghosh A, Fassnacht F E, Joshi P K and Koch B. 2014. A framework for mapping tree species combining hyperspectral and LiDAR data: role of selected classifiers and sensor across three spatial scales. International Journal of Applied Earth Observation and Geoinformation, 26 : 49–63. [DOI: 10.1016/j.jag.2013.05.017]

Gong W, Song S L, Zhu B, Shi S, Li F Q and Cheng X W. 2012. Multi-wavelength canopy LiDAR for remote sensing of vegetation: design and system performance. ISPRS Journal of Photogrammetry and Remote Sensing, 69 : 1–9. [DOI: 10.1016/j.isprsjprs.2012.02.001]

Hakala T, Suomalainen J, Kaasalainen S and Chen Y W. 2012. Full waveform hyperspectral LiDAR for terrestrial laser scanning. Optics Express, 20 (7): 7119–7127. [DOI: 10.1364/OE.20.007119]

Hopkinson C, Chasmer L, Gynan C, Mahoney C and Sitar M. 2016. Multisensor and multispectral LiDAR characterization and classification of a forest environment. Canadian Journal of Remote Sensing, 42 (5): 501–520. [DOI: 10.1080/07038992.2016.1196584]

Kulawardhana R W, Popescu S C and Feagin R A. 2014. Fusion of lidar and multispectral data to quantify salt marsh carbon stocks. Remote Sensing of Environment, 154 : 345–357. [DOI: 10.1016/j.rse.2013.10.036]

Li W, Sun G, Niu Z, Gao S and Qiao H L. 2014. Estimation of leaf biochemical content using a novel hyperspectral full-waveform LiDAR system. Remote Sensing Letters, 5 (8): 693–702. [DOI: 10.1080/2150704x.2014.960608]

Li Z Y, Liu Q W and Pang Y. 2016. Review on forest parameters inversion using LiDAR. Journal of Remote Sensing, 20 (5): 1138–1150. [DOI: 10.11834/jrs.20165130] ( 李增元, 刘清旺, 庞勇. 2016. 激光雷达森林参数反演研究进展. 遥感学报, 20 (5): 1138–1150. [DOI: 10.11834/jrs.20165130] )

Liu Q W, Li Z Y, Chen E X, Pang Y, Li S M and Tian X. 2011. Feature analysis of LIDAR waveforms from forest canopies. Science China Earth Sciences, 41 (11): 1670–1678. [DOI: 10.1007/s11430-011-4212-3] ( 刘清旺, 李增元, 陈尔学, 庞勇, 李世明, 田昕. 2011. 森林冠层探测激光雷达的波形特征分析. 中国科学: 地球科学, 41 (11): 1670–1678. [DOI: 10.1007/s11430-011-4212-3] )

Liu Z J, Liang J and Zhang J X. 2014. Power lines extraction from airborne LiDAR data using spatial domain segmentation. Journal of Remote Sensing, 18 (1): 61–76. [DOI: 10.11834/jrs.20132231] ( 刘正军, 梁静, 张继贤. 2014. 空间域分割的机载LiDAR数据输电线快速提取. 遥感学报, 18 (1): 61–76. [DOI: 10.11834/jrs.20132231] )

Mallet C and Bretar F. 2009. Full-waveform topographic lidar: state-of-the-art. ISPRS Journal of Photogrammetry and Remote Sensing, 64 (1): 1–16. [DOI: 10.1016/j.isprsjprs.2008.09.007]

Morsdorf F, Nichol C, Malthus T and Woodhouse I H. 2009. Assessing forest structural and physiological information content of multi-spectral LiDAR waveforms by radiative transfer modelling. Remote Sensing of Environment, 113 (10): 2152–2163. [DOI: 10.1016/j.rse.2009.05.019]

Niu Z, Xu Z G, Sun G, Huang W J, Wang L, Feng M B, Li W, He W B and Gao S. 2015. Design of a new multispectral waveform LiDAR instrument to monitor vegetation. IEEE Geoscience and Remote Sensing Letters, 12 (7): 1506–1510. [DOI: 10.1109/lgrs.2015.2410788]

Pang Y, Li Z Y, Chen E X and Sun G Q. 2005. Lidar remote sensing technology and its application in forestry. Scientia Silvae Sinicae, 41 (3): 129–136. [DOI: 10.3321/j.issn:1001-7488.2005.03.022] ( 庞勇, 李增元, 陈尔学, 孙国清. 2005. 激光雷达技术及其在林业上的应用. 林业科学, 41 (3): 129–136. [DOI: 10.3321/j.issn:1001-7488.2005.03.022] )

Rall J A R and Knox R G. 2004. Spectral ratio biospheric lidar//Proceedings of IEEE International Geoscience and Remote Sensing Symposium. Anchorage, AK: IEEE, 3: 1951–1954 [DOI: 10.1109/IGARSS.2004.1370726]

Sun G, Niu Z, Gao S, Huang W J, Wang L, Li W and Feng M B. 2014. 32-channel hyperspectral waveform LiDAR instrument to monitor vegetation: design and initial performance trials//Proceedings of the SPIE Volume 9263, Multispectral, Hyperspectral, and Ultraspectral Remote Sensing Technology, Techniques and Applications V. Beijing, China: SPIE, 9263: 926331 [DOI: 10.1117/12.2066788]

Suomalainen J, Hakala T, Kaartinen H, Räikkönen E and Kaasalainen S. 2011. Demonstration of a virtual active hyperspectral LiDAR in automated point cloud classification. ISPRS Journal of Photogrammetry and Remote Sensing, 66 (5): 637–641. [DOI: 10.1016/j.isprsjprs.2011.04.002]

Wang J H, Wang Z J, Huang W J, Ma Z H, Liu L Y and Zhao C J. 2004. The vertical distribution characteristic and spectral response of canopy nitrogen in different layer of winter wheat. Journal of Remote Sensing, 8 (4): 309–316. [DOI: 10.11834/jrs.20040404] ( 王纪华, 王之杰, 黄文江, 马智宏, 刘良云, 赵春江. 2004. 冬小麦冠层氮素的垂直分布及光谱响应. 遥感学报, 8 (4): 309–316. [DOI: 10.11834/jrs.20040404] )

Wing B M, Ritchie M W, Boston K, Cohen W B, Gitelman A and Olsen M J. 2012. Prediction of understory vegetation cover with airborne lidar in an interior ponderosa pine forest. Remote Sensing of Environment, 124 : 730–741. [DOI: 10.1016/j.rse.2012.06.024]

Yan G J, Wu J, Wang J D, Zhu C G and Li X W. 2002. Spectral prior knowledge and its use in the remote sensing based inversion of vegetation structure. Journal of Remote Sensing, 6 (1): 1–6. [DOI: 10.11834/jrs.20020101] ( 阎广建, 吴均, 王锦地, 朱重光, 李小文. 2002. 光谱先验知识在植被结构遥感反演中的应用. 遥感学报, 6 (1): 1–6. [DOI: 10.11834/jrs.20020101] )

Yang T, Wang C, Li G C, Luo S Z, Xi X H, Gao S and Zeng H C. 2015. Forest canopy height mapping over China using GLAS and MODIS data. Science China Earth Sciences, 58 (1): 96–105. [DOI: 10.1007/s11430-014-4905-5]

Zhao C J, Huang W J, Wang J H, Liu L Y, Song X Y, Ma Z H and Li C J. 2006. Extracting winter wheat chlorophyll concentration vertical distribution based on bidirectional canopy reflected spectrum. Transactions of the CSAE, 22 (6): 104–109. [DOI: 10.3321/j.issn:1002-6819.2006.06.021] ( 赵春江, 黄文江, 王纪华, 刘良云, 宋晓宇, 马智宏, 李存军. 2006. 用多角度光谱信息反演冬小麦叶绿素含量垂直分布. 农业工程学报, 22 (6): 104–109. [DOI: 10.3321/j.issn:1002-6819.2006.06.021] )

摘要

关键词