EN中文

Journal of Geo-information Science >

2021 , Vol. 23 >Issue 11: 2086 - 2095

DOI: https://doi.org/10.12082/dqxxkx.2021.210103

Denoising and Classification of ICESat-2 Photon Point Cloud based on Convolutional Neural Network

  • LU Dajin , 1 ,
  • LI Dong , 1, 2, * ,
  • ZHU Xiaoxiao 2 ,
  • NIE Sheng 2 ,
  • ZHOU Guoqing 3 ,
  • ZHANG Xingyi 1 ,
  • YANG Chao 1
Expand
  • 1. Faculty of Land Resource Engineering, Kunming University of Science and Technology, Kunming 650093, China
  • 2. Key Lab of Digital Earth Science, Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100094, China
  • 3. College of Geomatics and Geoinformation, Guilin University of Technology, Guilin 541006, China
*LI Dong, E-mail:

Received date: 2021-03-03

  Request revised date: 2021-05-31

  Online published: 2022-01-25

Supported by

Guangxi Natural Science Fund for Innovation Research Team, No(2019GXNSFGA245001)

National Natural Science Foundation of C-hina, No(42071405)

The Youth Innovation Promotion Association Chinese Academy of Sciences, No(2019130)

Copyright

Copyright reserved © 2021. Office of Journal of Geo-information Science All articles published represent the opinions of the authors, and do not reflect the official policy of the Chinese Medical Association or the Editorial Board, unless this is clearly specified.
Fold

Abstract

ICESat-2 (Ice, Cloud, and land Elevation Satellite-2) launched by NASA (National Aeronautics and Space Administration) in 2018 is a laser altitude measurement satellite. The advanced topographic laser altimeter system (ATLAS) instrument on-board ICESat-2 employs a micro-pulse and multi-beam photon counting laser altimeter system with low energy consumption, high detection sensitivity, and high repetition rates, and thus greatly improves the sampling density in the along-track distance. However, it introduces a significant number of solar noise photons in the raw data. How to effectively remove the noise photons and classify the signal photons into ground photons and canopy photons is critical for subsequent applications such as the estimation of terrain elevation and forest height, and it has been a hot and challenging topic in the current research. In this paper, a denoising and classification algorithm based on convolutional neural network was proposed. The convolutional neural network has made a series of breakthrough research results in the fields of image classification, object detection, semantic segmentation, and so on. To remove obvious noise photons, the photons were first divided into grids in the along-track distance and elevation direction, and the rough signal photons were gridded into pictures. Then, the convolutional neural network was employed to perform the final denoising and classification. Finally, the proposed algorithm was tested with the airborne LiDAR datasets, including DSM (Digital Surface Model) and DTM (Digital Terrain Model), and was further compared with ATL08 (land and vegetation height) products. Experimental results show that our proposed algorithm can remove noise photons effectively in bare land and forest areas. Moreover, this algorithm can simultaneously remove noise photons and classify signal photons into ground photons and canopy photons in forest areas. The R 2 and RMSE values of the retrieved ground surface in the bare land areas were 1.0 and 0.72 m, respectively. In the forest areas, the R 2 of the estimated ground surface and canopy surface were 1.0 and 0.70 with the RMSE values of 1.11 m and 4.99 m, respectively. The reason for this result may be that it is difficult for photons to penetrate the forest canopy and reach the ground surface in forest areas, which causes the RMSE value of the forest area to be larger than that of the bare land area. In this paper, the deep learning algorithm was used to realize the denoising and classification of photon counting data, and good results were achieved in bare land and forest areas, which provides a reference for subsequent photon counting LiDAR data processing.

Key words： ICESat-2; supervised learning; photon-counting; photon point cloud; rasterized; denoising and classification; convolutional neural network; deep learning

Cite this article

LU Dajin , LI Dong , ZHU Xiaoxiao , NIE Sheng , ZHOU Guoqing , ZHANG Xingyi , YANG Chao . Denoising and Classification of ICESat-2 Photon Point Cloud based on Convolutional Neural Network[J]. Journal of Geo-information Science, 2021 , 23(11) : 2086 -2095 . DOI: 10.12082/dqxxkx.2021.210103

1 引言

星载激光雷达运行轨道高、观测范围大,在获取大区域地表三维信息上具有独特的优势[1,2,3,4,5]。2018年9月15日美国NASA发射了新一代星载激光雷达卫星ICESat-2,其上搭载的ATLAS（Advanced Topographic Laser Altimeter System）系统首次采用了微脉冲多波束光子计数技术,在探测方式、数据处理和应用方面都前所未有。在轨两年来,已经获取了覆盖全球的海量光子点云数据,为地面高程制图、森林高度和生物量估算[2,6-8]、冰盖[9]和海冰高程测量[10]等提供了大量的科学数据集。ATLAS具有测量精度高、运行周期短及轻量型、光子级检测灵敏度等特点[11],重复频率10 KHz,发射6束（3组）激光脉冲,每组包含一个强信号（160 μJ)和一个弱信号（40 μJ),组间跨轨距离约3.3 km,组内跨轨距离约为90 m,可在地球表面产生直径约17 m、沿轨间隔约0.7 m的重叠光斑[4,7]。相对于传统的激光雷达,光子计数激光雷达发射和探测的激光脉冲为弱信号,难以区分目标物体表面返回脉冲、大气散射、太阳辐射及仪器自身噪声[12],系统将记录到的光子事件都生成点云[13],使得获取的数据中存在大量噪声,因此有效去噪进而提取信号光子成为后续数据处理和定量应用的关键[14]。
点云去噪滤波可归结为点云分类问题[15],通常可分为监督分类和非监督分类。根据信号光子和噪声光子的空间分布特性,国内外学者提出了一系列光子点云去噪和分类算法。Awadallah等[16]将点云栅格化为影像,在一定程度上实现了植被和地表信号点的有效分离,但栅格化的过程会损失点云几何信息。Nie等[17]提出了一种基于局部统计的方法来滤除噪声光子,Wang等[18]提出一种基于贝叶斯决策论的密度聚类算法,在地形复杂地区也取得了非常好的分离效果,Zhang等[19]提出了一种基于椭圆搜索形状的DBSCAN（Density-Based Spatial Clustering of Applications with Noise）密度聚类算法,Zhu等[20]提出了基于OPTICS（Ordering Points To Identify the Clustering Structure）的光子点云去噪算法,大大降低了对输入参数的敏感性。Chen等[21]提出一种基于椭圆密度的局部离群因子检测（Local Outlier Factor, LOF）算法,一定程度上去除了随机散布的森林噪声点云。曹彬才等[13]实现了ATL08点云空间密度去噪算法和精度评估,在信号噪声呈现典型双峰分布特征时去噪效果较好,但非双峰时效果变差。
以上研究均基于非监督分类思想,为此,陈博伟[15]基于监督分类的思想,根据光子点云数据的特点构造特征,进而利用随机森林进行特征筛选以实现去噪。当前大多方法通过计算光子点云的局部特征如密度、距离等实现去噪和分类,且对于森林区域,树冠和地表信号的分类需在去噪的基础上进行,很少有研究同时实现光子点云去噪和分类。
随着深度学习和计算机硬件的不断发展,以卷积神经网络为基础的深度学习算法已经在图像和机载激光雷达数据处理上展现出巨大的潜力。本文结合图像监督分类思想,提出一种基于卷积神经网络的光子点云去噪分类算法,并用实验验证方法的精度和效率。

2 数据与方法

2.1 数据来源

2.1.1 ICESat-2/ATLAS数据
美国国家冰雪数据中心NSIDC（National Snow & Ice Data Center）向全球免费提供ICESat-2/ATLAS的各种数据产品,下载网址（ https://nsidc.org/data/icesat-2/data-sets）[22]。本文使用7个条带的ATL03和ATL08的白天数据作为研究对象。其中ATL03为全球定位光子数据,包含每个光子点云的位置信息（经度、纬度和高度等）,并按照信号和噪声及地表类型分类;ATL08为陆地植被高度数据,包含地表信息（高程、坡度、粗糙度、反射率等）和冠层信息（高度、覆盖度等）[4]。研究区域1位于美国犹他州（109.35°W—109.45°W,38.20°N—38.29°N）,包括4个条带（Data 1—Data 4）,如图1(c)所示,地势相对平坦,以裸地为主;区域2位于加利福尼亚州（119.33°W—119.37°W,37.01°N—37.10°N）,包括3个条带（Data 5—Data 7）,如图1(d)所示,地形起伏较大,地表为中等植被覆盖。
图1 研究区ICESat-2/ATLAS和机载激光雷达数据

Fig. 1 ICESat-2/ATLAS and airborne LiDAR data in the study area

2.1.2 机载激光雷达数据
研究区机载LiDAR数据及其相应的产品可从网站（ https://data.neonscience.org/data-products/explore）下载[23],裸地和森林区域对应的机载数据分别为2019年8月和2019年6月获取。图1显示了裸地与森林部分区域的光子点云数据剖面图和机载LiDAR数据生成的DSM（Digital Surface Model）和DTM（Digital Terrain Model）与每个数据条带（图中绿色直线）的位置关系,DSM和DTM分辨率均 为1 m。

2.2 研究方法

本文提出的基于卷积神经网络的光子点云去噪分类算法流程如图2所示。首先对原始光子点云进行粗去噪以去除明显的噪声光子,然后对粗信号光子点进行栅格化处理,利用选定的训练样本输入卷积神经网络进行训练,最后将网络模型应用到整个研究区域,实现粗信号光子精去噪和分类。其中裸地原始光子分为噪声和地表信号2类,森林区域原始光子分为噪声、地表信号和树冠信号3类。
图2 基于卷积神经网络的光子点云去噪分类技术路线

Fig. 2 The workflow of denoising and classification of ICESat-2 photon point cloud based on convolutional neural network

2.2.1 光子点云粗去噪
基于信号光子点在水平和垂直方向上的密度差异(图1(a)和图1(b)),提出光子点云粗去噪方法：将原始光子点云在沿轨和高程方向上划分格网,其中沿轨方向的格网间距取100 m[14,24]。高程方向上划分格网数具体步骤如下：初始值设定为15,并统计落在每一个格网中的光子点云数量;找出点云数量最大值所在格网以及上下2个相邻的格网,分别计算出最大点云数量所在格网与上下2个相邻格网中点云数量的比值;如果计算出的2个比值均超过2,则将点云数量最大格网所在位置当作信号光子所在的粗略位置,将点云数量最大格网所在位置上下方150 m[14]之外的明显噪声光子剔除,否则高程方向划分格网数初始值依次减1,直至找到信号光子所在的粗略位置。其中,高程方向划分格网数涉及参数为经过试验和分析比较后设定的经验值。
2.2.2 卷积神经网络构建
（1）光子点云栅格化
卷积神经网络是对图像做处理,而光子点云是二维离散点,每一个原始光子点只有沿轨距离和高程两个特征,无法进行卷积操作,因此需要将光子点云栅格化为影像,与Awadallah等[16]全局栅格化处理方法不同,本文将每一个光子点栅格化为影像,最大程度减少点云间的几何信息损失,过程如图3所示。给定任意光子点云沿轨距离 x和高程 y,以该点为中心建立边长为 l正方形包围盒,将正方形包围盒细分为 n × n个相同大小的网格单元,每个小格网的角点坐标可表示为式（1）。
x ij = x - l 2 + l n × ( j - 1 ) y ij = y - l 2 + l n × ( i - 1 ) i , j ∈ 1 , 2 , 3 , … , n
式中： ( x ij , y ij )表示第 i行、第 j列小格网左上角点坐标。统计每一个小格网中的光子点云数量作为该格网对应的像素值,对于落在小格网边界上的点云,采取上闭下开、左闭右开的原则。在本次实验中,考虑到光子点云光斑直径大小约为17 m,为更好的利用点云间的几何信息, l取值应大于光斑直径大小。n的取值代表图片分辨率大小, n越大,图像分辨率越高,但易造成计算量增大; n越小,图像分辨率越低,容易损失点云之间的几何信息。综合考虑,实验中 l取值略大于光斑直径大小, n为128,每个小格网边长为0.15 m。对每一个光子点云都进行栅格化处理,最终可理解为一张包含128 ×128个像素的二维单通道影像。
图3 光子点云栅格化过程

注：用不同颜色区分包含不同点云数量的栅格。

Fig. 3 The process of photon point cloud rasterize

（2）卷积神经网络的搭建
卷积神经网络包含输入层、卷积层、池化层、全连接层和输出层[25,26]。文中网络构架如图4所示,输入图片首先通过三次交替连接的卷积、激活和池化处理,然后通过2个全连接层对提取的特征进行分类处理。对数字图像卷积操作实质即利用卷积核在图像上滑动,将像素值与对应的卷积核上的数值相乘,然后将所有相乘后的值相加作为卷积核中间像素对应图像上像素,并最终滑动完所有图像的过程,对图像卷积操作可以看作对图片的特征提取。激活处理通常使用不饱和的非线性函数[26],如ReLU函数,池化主要对特征图进行降维处理[25],不包含可学习参数。图像卷积和激活可表示为式（2）和式（3）。
图4 卷积神经网络结构框架

Fig. 4 Convolutional neural network structure framework

$x^{l}_{j}=f(\sum_{i∈M_{j}}^{}x^{l-1}_{j}*k_{ij}^{l}+b^{l}_{i})$
f ( x ) = max ( 0 , x )
式中： x j l表示 l卷积层的第 j个通道的输出,通过对前一层输出特征图 x i l - 1进行卷积求和加偏置后得到; M j表示用于计算 x j l的输入特征图子集; k ij l是卷积核矩阵; b i l是对卷积后特征图的偏置;“ *”是卷积符号; f ( . )为激活函数; max ( ∙ )表示取最大值。实验中设置每个卷积核大小为5×5;池化层为最大值采样函数,池化核大小为2×2。
全连接层包含3层：第一层为输入层,神经元个数由卷积层输出的特征数决定;第二层为隐藏层,神经元个数为520;第三层为输出层,神经元个数由光子点云类别决定,对于裸地,原始光子点云分类后即为噪声光子和地表返回的信号光子,对应的输出层神经元个数为2。对于森林,光子点云分类后又可分为噪声光子、地表返回的信号光子和树冠返回的信号光子,对应的输出层神经元个数为3。网络中全连接层可表示为式（4）。
p j l = f ∑ i = 1 n p i l - 1 w ij l + b j l = f w 1 j l , w 2 j l , … , w nj l p 1 l - 1 p 2 l - 1 … p n l - 1 + b j l
式中： p j l表示 l层第 j个神经元输出; w ij l表示全连接层中 ( l - 1 )层与 l层第 j个神经元连接对应的权重系数; b j l表示 l层中第 j个神经元的对应的偏置; f ( ∙ )为激活函数。
在训练过程中,本文选择Adam优化器,学习率设置为0.001,每一次输入64个已分类点云参与神经网络训练。在神经网络框架搭建好后,将带有标签的训练集输入神经网络训练,直至损失最小或收敛。由于光子点云去噪滤波为分类问题,因此使用交叉熵损失函数,定义如式（5）所示。
loss = - 1 N ∑ i = 1 N ∑ c = 1 M y ic log ( p ic )
式中：N表示参与神经网络训练的样本数;M为样本类别数; y ic表示训练样本i对应于类别c的标签,取值为0或1,1代表样本i属于c类; p ic表示经过神经网络分类后样本i预测为c类的概率。
2.2.3 光子点云分类
完成神经网络框架的搭建,利用训练样本进行卷积神经网络训练,然后使用网络模型实现光子点云去噪分类。训练样本应能够提供各类足够的信息和克服各种偶然因素的影响,且各类样本数应大致相等,实验中,采用手工标记训练样本。对于分类后信号光子中存在的部分离散噪声点,采用圆形邻域法将其去除：首先计算每个信号点圆形邻域内的点数,由于离散噪声点偏离信号点较远,因此圆形邻域范围内具有较少的点数;然后将圆形邻域点数小于指定阈值的点标记为噪声点。对于裸露地表,信号光子即为地表光子;对于森林区域,信号光子又包含地表光子和树冠光子,对于树冠光子通过一定宽度的滑动窗口,取最大值为树冠顶点,最后通过三次样条拟合地表面和冠层表面。
2.2.4 评价指标
为评估算法去噪分类效果,与ATL08中差分渐进高斯自适应去噪算法[13]（Differential Regressive and Gaussian Adaptive Nearest Neighbor, DRAGANN）提取的地面和树冠顶部光子作比较,并通过机载LiDAR数据得出的DTM和DSM计算决定系数R2、平均绝对误差MAE和均方根误差RMSE间接评估本文算法性能。R2、MAE和RMSE计算公式如式（6）—式（8）所示。
R 2 = 1 - ∑ i = 1 m ( y i - y ˆ i ) 2 ∑ i = 1 m y i - 1 m ∑ i = 1 m y i 2
MAE = 1 m ∑ i = 1 m | y i - y ˆ i |
RMSE = 1 m ∑ i = 1 m ( y i - y ˆ i ) 2
式中：m为参与计算的点数; y ˆ i为ICESat-2/ATLAS的观测值; y i为机载LiDAR的观测值,本文根据信号光子的经纬度从DTM或DSM中提取。

3 实验结果与分析

3.1 粗去噪结果

原始光子点云数据中存在着大量的噪声光子,且分布范围较广,粗去噪结果如图5所示,可以看到,大量散布在地表上下的噪声光子被剔除,然后将剩余光子点云栅格化处理。
图5 森林区域Data5原始点云粗去噪结果

Fig. 5 Data5 original point cloud coarse denoising in forest area

3.2 裸地去噪

对于裸地区域,从Data1中随机选择噪声和地表各10 000个光子点作为训练样本,将其信号和噪声分别标记为0和1,训练样本在原始数据的分布如图6(a)所示。图7展示了裸地区域训练过程中迭代次数与损失值的关系,随着迭代次数增加,损失值逐渐降低,最后逐渐达到收敛状态。
图6 裸地区域Data3去噪分类及地表拟合结果

Fig. 6 Data3 of bare land area denoising and classification and surface fitting

图6(b)显示了裸地区域Date3上光子点云的去噪效果,可以看出,即使在地形陡峭的地区,本文算法能有效识别出信号光子和噪声光子。图6(c)显示了Data3对应的机载DTM数据、本文算法和ATL08地表拟合结果,可以看出,对于平坦地形而言,本文算法和ATL08算法与机载数据拟合地表面基本一致。对于有局部地形起伏的地方,如图6(d)局部放大图所示,相比于ATL08算法,本文算法能有效提取信号光子,其拟合地表面与DTM基本一致。
表1显示了本文算法和ATL08提取的信号光子与机载LiDAR数据之间的R2、MAE和RMSE。从MAE和RMSE比较可以看出,本文提出算法的去噪分类结果均优于ATL08去噪分类结果。对于裸地区域四组数据,本文算法对应的RMSE分别0.65、0.71、0.83、0.68 m,其中Data3计算的RMSE相对较大,主要是Data3地形复杂,存在明显的局部地形起伏(图6(b)和图6(c))。对于裸地区域的去噪分类结果,本文算法对应的RMSE均值为0.72 m,优于ATL08对应的RMSE均值0.82 m。
表1 裸地去噪分类结果对比

Tab. 1 Comparison of denoising and classification in bare land area

数据集 卷积神经网络算法 ATL08
R2 MAE/m RMSE/m R2 MAE/m RMSE/m
Data1 0.99 0.58 0.65 0.99 0.59 0.67
Data2 0.99 0.65 0.71 0.99 0.70 0.83
Data3 0.99 0.59 0.83 0.99 0.59 0.86
Data4 0.99 0.62 0.68 0.99 0.74 0.90
图7 损失函数（裸地区域）

Fig. 7 Loss function (bare land area)

3.3 森林去噪分类

对于森林区域,随机从Data5挑选出噪声、地表和树冠各8000个光子点作为训练样本,将其对应的标签分别标记为0、1、2,其中训练集的分布如图8所示。图9展示了森林区域训练过程中迭代次数与损失值的关系,可以看出,当迭代30次后,损失值逐渐达到收敛状态。
图8 森林训练集光子分布

Fig. 8 Photon distribution of forest training set

图10(a)和图10(b)展示了Data6的去噪分类结果,可以看到,本文算法既能有效去除噪声光子,也能对地表和树冠光子正确分类,即使在地形复杂区域,同时实现光子点云精去噪与分类。图10(b)展示了沿轨500 m的局部放大图,可以看到本文算法对于贴近地表面的噪声光子也能准确识别。Data6地表和树冠表面拟合结果如图10(c)所示,可看出其拟合结果与机载DTM和DSM拟合结果基本一致。
图9 损失函数（森林区域）

Fig. 9 Loss function (forest area)

图10 森林区域Data6去噪分类、地表和树冠拟合结果

Fig. 10 Data6 denoising classification, ground surface and tree crown fitting in forest area

表2显示了本文算法和ATL08去噪分类算法在3个森林测试集上与机载LiDAR数据之间的R2、MAE和RMSE值,可以看出本文算法的去噪分类结果优于ATL08去噪分类结果。对于森林区域3组数据,地表对应的RMSE分别为0.72、1.22、1.39 m,均值为1.11 m,优于ATL08去噪分类算法对应的RMSE均值1.23 m。同样,树冠也得到较好的分类结果,冠顶对应的R2分别为0.74、0.65、0.70,RMSE分别为4.78、5.21、4.97 m,综合来看,本文算法冠顶对应的RMSE均值为4.99 m,优于ATL08去噪分类结果对应的RMSE均值6.01 m。
此外,实验表明,对于森林区域,Data5上的去噪分类结果优于另外2个数据集,其原因可能是受到地形起伏的影响,相比于Data5, Data6、Data7地形更陡峭。由于森林受树冠的遮挡,存在地面光子点少或者缺失的问题,导致裸地区域地表拟合RMSE均值0.72 m优于森林区域RMSE均值1.11 m。
表2 森林去噪分类结果对比

Tab. 2 Comparison of denoising and classification in forest area

数据集 地表 树冠
卷积神经网络算法 ATL08 卷积神经网络算法 ATL08
R2 MAE/m RMSE/m R2 MAE/m RMSE/m R2 MAE/m RMSE/m R2 MAE/m RMSE/m
Data5 0.99 0.65 0.72 0.99 0.72 0.86 0.74 4.45 4.78 0.53 5.08 5.30
Data6 0.99 0.94 1.22 0.99 1.05 1.35 0.65 4.89 5.21 0.43 5.87 6.31
Data7 0.99 0.98 1.39 0.99 1.07 1.49 0.70 4.73 4.97 0.58 6.11 6.43

4 结论

本文提出一种基于卷积神经网络的光子点云去噪分类算法,将深度学习算法应用于光子点云去噪分类,其核心思想是基于图片分类处理,和已有算法相比,本文算法既能有效去除噪声光子,也能正确分类地表和树冠光子,同时实现了森林区域光子点云去噪和分类。实验结果表明,本文算法能得到较好的光子点云去噪分类效果,与机载数据相比,裸地和森林地表RMSE分别为0.72 m和1.11 m,冠顶RMSE为4.99 m。此外,研究发现森林区域地表拟合结果会受树冠遮挡的影响;对于同一地表类型,复杂地形也会降低光子点云去噪分类精度。
本文基于卷积神经网络实现了裸地和森林两类场景下光子点云去噪和分类,在已有先验信息（裸地和森林）的情况下取得了较好的去噪分类效果,今后将进一步研究在未知先验信息的情况下,基于深度学习方法针对更多场景的光子点云数据处理。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
方勇, 曹彬才, 高力, 等. 激光雷达测绘卫星发展及应用[J]. 红外与激光工程, 2020, 49(11):19-27.

[ Fang Y, Cao B C, Gao L, et al. Development and application of lidar mapping satellite[J]. Infrared and Laser Engineering, 2020, 49(11):19-27. ]

[2]
庞勇, 李增元, 陈博伟, 等. 星载激光雷达森林探测进展及趋势[J]. 上海航天, 2019, 36(3):20-28.

[ Pang Y, Li Z Y, Chen B W, et al. Status and development of spaceborne lidar applications in forestry[J]. Aerospace Shanghai, 2019, 36(3):20-28. ]

[3]
岳春宇, 郑永超, 邢艳秋, 等. 星载激光遥感林业应用发展研究[J]. 红外与激光工程, 2020, 49(11):97-106.

[ Yue C Y, Zheng Y C, Xing Y Q, et al. Technical and application development study of space-borne LiDAR in forestry remote sensing[J]. Infrared and Laser Engineering, 2020, 49(11):97-106. ]

[4]
朱笑笑, 王成, 习晓环, 等. ICESat-2星载光子计数激光雷达数据处理与应用研究进展[J]. 红外与激光工程, 2020, 49(11):68-77.

[ Zhu X X, Wang C, Xi X H, et al. Research progress of ICESat-2/ATLAS data processing and applications[J]. Infrared and Laser Engineering, 2020, 49(11):68-77. ]

[5]
Xing Y Q, Huang J P, Gruen A, et al. Assessing the performance of ICESat-2/ATLAS multi-channel photon data for estimating ground topography in forested terrain[J]. Remote Sensing, 2020, 12(13):2084.

DOI

[6]
么嘉棋, 唐新明, 李国元, 等. 激光测高卫星ICESat-2云检测及其相关算法[J]. 激光与光电子学进展, 2020, 57(13):131408.

[ Yao J Q, Tang X M, Li G Y, et al. Cloud detection of laser altimetry satellite ICESat-2 and the related algorithm[J]. Laser & Optoelectronics Progress, 2020, 57(13):131408. ]

[7]
Narine L L, Popescu S C, Malambo L. Using ICESat-2 to estimate and map forest aboveground biomass: A first example[J]. Remote Sensing, 2020, 12(11):1824.

DOI

[8]
Neuenschwander A, Pitts K. The ATL08 land and vegetation product for the ICESat-2 Mission[J]. Remote Sensing of Environment, 2019, 221:247-259.

DOI

[9]
Markus T, Neumann T, Martino A, et al. The Ice, Cloud, and land Elevation Satellite-2 (ICESat-2): Science requirements, concept, and implementation[J]. Remote Sensing of Environment, 2017, 190:260-273.

DOI

[10]
杨帆, 温家洪. ICESat与ICESat-2应用进展与展望[J]. 极地研究, 2011, 23(2):138-148.

[ Yang F, Wen J H. Icesat and icesat-2 applications: Progress and prospect[J]. Chinese Journal of Polar Research, 2011, 23(2):138-148. ]

[11]
Parrish C E, Magruder L A, Neuenschwander A L, et al. Validation of ICESat-2 ATLAS bathymetry and analysis of ATLAS's bathymetric mapping performance[J]. Remote Sensing, 2019, 11(14):1634.

DOI

[12]
夏少波, 王成, 习晓环, 等. ICESat-2机载试验点云滤波及植被高度反演[J]. 遥感学报, 2014, 18(6):1199-1207.

[ Xia S B, Wang C, Xi X H, et al. Point cloud filtering and tree height estimation using airborne experiment data of ICESat-2[J]. Journal of Remote Sensing, 2014, 18(6):1199-1207. ]

[13]
曹彬才, 方勇, 江振治, 等. ICESat-2 ATL08去噪算法实现及精度评价[J]. 测绘通报, 2020(5):25-30.

[ Cao B C, Fang Y, Jiang Z Z, et al. Implementation and accuracy evaluation of ICESat-2 ATL08 denoising algorithms[J]. Bulletin of Surveying and Mapping, 2020(5):25-30. ]

[14]
Zhu X X, Nie S, Wang C, et al. A ground elevation and vegetation height retrieval algorithm using micro-pulse photon-counting lidar data[J]. Remote Sensing, 2018, 10(12):1962.

DOI

[15]
陈博伟, 庞勇, 李增元, 等. 基于随机森林的光子计数激光雷达点云滤波[J]. 地球信息科学学报, 2019, 21(6):898-906.

DOI

[ Chen B W, Pang Y, Li Z Y, et al. Photon-counting LiDAR point cloud data filtering based on the random forest algorithm[J]. Journal of Geo-information Science, 2019, 21(6):898-906. ]

[16]
Awadallah M, Ghannam S, Abbott A L, et al. Active contour models for extracting ground and forest canopy curves from discrete laser altimeter data[C]. Proceedings: 13th International Conference on LiDAR Applications for Assessing Forest Ecosystems, 2013:129-136.

[17]
Nie S, Wang C, Xi X H, et al. Estimating the vegetation canopy height using micro-pulse photon-counting LiDAR data[J]. Optics Express, 2018, 26(10):A520-A540.

DOI

[18]
Wang X A, Pan Z G, Glennie C. A novel noise filtering model for photon-counting laser altimeter data[J]. IEEE Geoscience and Remote Sensing Letters, 2016, 13(7):947-951.

DOI

[19]
Zhang J S, Kerekes J. An adaptive density-based model for extracting surface returns from photon-counting laser altimeter data[J]. IEEE Geoscience and Remote Sensing Letters, 2015, 12(4):726-730.

DOI

[20]
Zhu X, Nie S, Wang C, et al. A noise removal algorithm based on OPTICS for photon-counting LiDAR data[J]. IEEE Geoscience and Remote Sensing Letters, 2020, 2:1-5.

DOI

[21]
Chen B W, Pang Y, Li Z Y, et al. Ground and top of canopy extraction from photon-counting LiDAR data using local outlier factor with ellipse searching area[J]. IEEE Geoscience and Remote Sensing Letters, 2019, 16(9):1447-1451.

DOI

[22]
Neuenschwander A, Guenther E, White J C, et al. Validation of ICESat-2 terrain and canopy heights in boreal forests[J]. Remote Sensing of Environment, 2020, 251:112110.

DOI

[23]
Chatterjee A. Soil carbon pools of six ecological regions of the United States[J]. Journal of Forestry Research, 2020, 31(5):1933-1938.

DOI

[24]
Popescu S C, Zhou T, Nelson R, et al. Photon counting LiDAR: An adaptive ground and canopy height retrieval algorithm for ICESat-2 data[J]. Remote Sensing of Environment, 2018, 208:154-170.

DOI

[25]
李彦冬, 郝宗波, 雷航. 卷积神经网络研究综述[J]. 计算机应用, 2016, 36(9):2508-2515,2565.

[ Li Y D, Hao Z B, Lei H. Survey of convolutional neural network[J]. Journal of Computer Applications, 2016, 36(9):2508-2515,2565. ]

[26]
周飞燕, 金林鹏, 董军. 卷积神经网络研究综述[J]. 计算机学报, 2017, 40(6):1229-1251.

[ Zhou F Y, Jin L P, Dong J. Review of convolutional neural network[J]. Chinese Journal of Computers, 2017, 40(6):1229-1251. ]

Options
Outlines

/

〈 〉