EN中文

Journal of Geo-information Science >

2022 , Vol. 24 >Issue 7: 1234 - 1244

DOI: https://doi.org/10.12082/dqxxkx.2022.210667

Elevation Control Points Extraction and Accuracy Validation based on ICESat-2 Data

  • ZHENG Yinghui ,
  • ZHANG Yan , * ,
  • WANG Tao ,
  • ZHAO Xiang ,
  • ZHANG Kun ,
  • WANG Longhui
Expand
  • Information Engineering University, Geospatial Information Institute, Zhengzhou 450001, China
* ZHANG Yan, E-mail:

Received date: 2021-10-25

  Revised date: 2021-12-15

  Online published: 2022-09-25

Supported by

Equipment Technology Basic Scientific Research Project(192WJ22007)

Fold

Abstract

The horizontal positioning accuracy of ICESat-2 (Ice, Cloud, and land Elevation Satellite-2) data reaches the meter level, and the plane positioning accuracy reaches the sub-meter level. Nevertheless, it is inevitable that poorly accurate laser footprint cannot be used as elevation control point due to various external factors. Therefore, this paper proposes a technique that employs multiple parameters to extract high-precision elevation control points from ICESat-2 data. At first, this method utilizes the built-in parameters to check the quality of the laser footprint point data, eliminating abnormal laser footprint points. The second step is to remove the elevation error in reference to the built-in Digital Elevation Model (DEM) data. The final step aims to set thresholds for fine screening to reserve the elevation points that meet the criteria of quality inspection, small slope, and low cloud cover based on attributes parameters such as cloud cover marker, slope parameter, and a time marker. Moreover, high-precision reference elevation data are also used to verify the selected elevation control points. To verify the effectiveness of the proposed technique, we employed the ICESat-2 laser data from western Zhengzhou, southwestern part of North Kodata, and northern Indiana (mean absolute height elevation is 3.711 m, 0.582 m, and 0.333 m, respectively) to extract elevation control points. Experimental results show that the mean absolute errors of laser footprints were 0.827 m, 0.393 m, and 0.131 m after screening, respectively. The extraction method can extract a certain number of high-precision elevation control points in multiple terrain scenarios. It also provides data support for 1:50 000 and 1:10 000 stereo mapping and offers references to the elevation control points extraction and elevation control point database construction throughout China or around the globe.

Key words： ICESat-2; ATLAS; ATL08; laser altimeter; laser footprint; elevation control point; extraction; accuracy verification

Cite this article

ZHENG Yinghui , ZHANG Yan , WANG Tao , ZHAO Xiang , ZHANG Kun , WANG Longhui . Elevation Control Points Extraction and Accuracy Validation based on ICESat-2 Data[J]. Journal of Geo-information Science, 2022 , 24(7) : 1234 -1244 . DOI: 10.12082/dqxxkx.2022.210667

1 引言

国土基础地理信息数据建设对高精度地面控制点的需求日益增长,获取和更新精度可靠的高程控制点意义重大。传统方式获取高程控制点受地域限制较大,且需要逐个采集,耗时耗力、成本较高,在境外及一些敏感地区更是难以获取,因此无法为全球的地理信息资源建设提供可靠的数据支撑。星载激光测高数据凭借其无地域限制、全天时、远距离对地观测等特点,可以快速直接地获取全球范围内地物的三维空间信息,已经成为获得高程控制数据的可靠数据来源之一。但受到卫星轨道姿态、大气条件、地物复杂度、潮汐等多种因素的影响,星载激光测高仪获取的观测数据中不可避免地存在着误差。因此,激光足印点在作为高程控制点使用之前,必须按照一定的准则进行筛选。
目前,ICESat/GLAS（Ice, Cloud and land Elevation Satellite/Geoscience Laser Altimeter System）激光测高数据常用作筛选高程控制点。张重阳、李国元等[1,2]提出一种多准则约束的高程控制点筛选算法,基于公开DEM数据、测距属性参数和波形特征参数能够提取出高精度的激光足印点作为高程控制点,可满足1：50 000立体测图高程控制需求。但ICESat/GLAS于2009年停止工作,其数据仅供应到此。随着技术的发展,美国宇航局（NASA）于2018年发射ICESat-2卫星,其搭载先进的地形测高系统ATLAS（Advanced Topographic Laser Altimeter System）,使用多光束微脉冲激光（光子计数）技术,以10kHz的高重复频率发射波长为532 nm的单个激光波束[3]。每个传输的激光脉冲被ATLAS中的衍射光学元件分割,产生6个单独的光束,排列成3组,每组由能量比约为4:1的强弱光束组成,从而实现对地面的连续观测。ICESat-2激光足印直径约为17 m,间距为0.7 m,平面精度优于6.5 m,标称高程精度为0.1 m[4-5]。与ICESat/GLAS相比,ICESat-2具有更高的空间分辨率和更高的精度,因此,可进一步提升激光测高数据作为高程控制点的应用潜力。
ICESat-2数据产品可分为L1、L2、L3A、L3B四级,依次命名为ATL00~ATL21[6],包括工程遥测辅助数据、全球定位光子数据、陆地冰川冰盖高程、南北极海冰高程数据、陆地植被高程等,详细描述见 https://icesat-2.gsfc.nasa.gov/science/data-products。自ICESat-2数据产品发布以来,ATL08数据-陆地高程和植被冠层高度数据应用最为普遍。该数据重访周期为91 d,覆盖全球,包含每100 m统计单元内标记为地面（植被和冠顶）光子的激光点的中心经度、中心纬度、获取时间以及高程（相对于地面的高程）平均值、最大值、最小值、中值和标准偏差[7]。ATL08数据产品能够提供高精度的控制数据,关于它的精度评定一直是研究热点。Neuenschwander等[8]根据机载激光雷达数据对ICESat-2 ATL08数据的地形和冠层高度进行评估,研究发现植被密集区域的地形高度存在较大误差。董佳臣等[9]以机载小光斑激光雷达数据为参考,对ICESat-2 ATL08数据产品用于地形高度和冠层高度估算进行评价,研究发现ATL08产品能够有效地识别地面光子和植被光子,可用于刻画冠层结构和林下地形,但在高森林覆盖度情况下,林下地形刻画精度低,且误差随着地形坡度的增大有增大趋势。Xing等[10-11]评估了芬兰和南卡罗来纳州ATL08数据的地形高度,验证其水平定位精度为5 m,高程RMSE优于1.0 m。Dandabathula等[12]利用差分全球定位系统测点定量评估ATL08数据产品的最佳拟合高程,结果表明强光束/平坦区域的ATL08产品的地面高程RMSE优于0.12 m。但由于卫星轨道姿态、大气条件、地物复杂度、潮汐等诸多因素影响,ICESat-2的ATL08数据中仍存在误差较大或无效的数据,须进一步筛选才能作为高程控制点使用。国内外学者对ICESat-2 ATL08数据的测高精度影响因子展开了大量研究,部分研究成果可以作为ICESat-2高程控制点筛选的参考依据。Liu等[13]参考机载激光雷达数据集评估美国40个研究区域ATL08数据产品精度,发现夜间/强光束/低植被覆盖率/高纬度的数据产品具有更准确的地形高度估计。Wang等[14]、Zhu等[15]研究了强弱光束、时间、云量、坡度、信噪比、植被覆盖度等多种因素对ATL08地面高程精度的影响,研究发现坡度和信噪比是主要影响因素。而截止目前,适用于ICESat-2数据的高程控制点提取方法还少有研究。王密等[16]利用ICESat-2 ATL08数据,研究了基于参考高程数据和属性参数提取全球高程控制点的方法,能够自动提取点位密度大、精度高的全球高程控制点数据。但该方法对高程点的筛选效果随着地区的变化而有所不同,在地形条件较差的地区,难以筛选出满足需求的高程控制点。因此,针对ICESat-2 ATL08数据,如何快速地提取出可靠的高精度高程控制点仍待进一步研究。
为此,本文基于ICESat-2 ATL08数据,提出了一种多参数联合的高程控制点提取方法。首先利用内置参数辅助检查激光足印点数据质量,滤除异常激光足印点;然后参考内置DEM数据进行高程粗差剔除;最后结合云量标记、坡度参数以及时间标记属性参数精细筛选,保留最终的激光足印点作为高程控制点,并选择国内外3个实验区进行了实验验证。

2 研究方法

本文提出了一种适用于ICESat-2 ATL08数据的多参数联合的高程控制点提取方法。该方法可分为数据预处理、质量检查、参考DEM筛选、属性参数筛选4个步骤。首先对获取的激光测高数据进行预处理,仅保留强光束激光数据,同时剔除冗杂属性信息,精简数据。其次使用内置参数对激光足印点数据进行质量检查,剔除异常激光足印点。然后参考DEM数据滤除高程值明显错误的激光足印点。最后综合利用云量标记、坡度参数、时间标记属性参数设置一定的阈值进行精细筛选,保留满足质量检查、坡度较小、云量较少、夜晚获取的激光足印点作为高程控制点,并进行精度验证。该高程控制点提取技术流程如图1所示。其中涉及到的ATL08数据产品中的相关参数说明如表1所示。
图1 ATL08产品高程控制点提取流程

Fig. 1 Flow chart of elevation control point extraction of ATL08 product

表1 ATL08数据产品参数说明

Tab. 1 ATL08 Data product parameter description

参数 描述
latitude 每个统计单元内中心光子的纬度
longitude 每个统计单元内中心光子的经度
dem_h 该地理位置的最佳可用(参考来源为Arctic, GMTED, MSS, Antarctis)DEM高程,参考椭球为WGS84椭球
h_dif_ref h_te_median和ref_dem之间的差值
h_te_best_fit 每个统计单元内中心位置的最佳拟合地形高程,由3种拟合（线性、三阶和四阶多项式）中的最佳确定
h_te_interp 标记为地面光子的插值地表高程
h_te_max 标记为地面光子的地表高程的最大值
h_te_min 标记为地面光子的地表高程的最小值
h_te_mean 标记为地面光子的地表高程的平均值
h_te_median 标记为地面光子的地表高程的中位值
n_te_photons 每个统计单元内标记为地面光子的数量
terrain_slope 每个统计单元内地面的沿轨方向坡度,通过线性拟合计算
night_flag 夜晚标记,0=day,1=night
cloud_flag_atm 云量标记,取值范围为[0,10],0以上表示有云或气溶胶存在,[0,1]则表示云量小于或等于10%
urban_flag 城市标记,0=not_urban,1=urban

2.1 质量检查

ICESat-2使用光子计数采样,ATLAS系统需要收集足够数量被标记为地面光子的光子,才能保证其数据的稳健性和可靠性。每个统计单元内地面光子数量、激光足印的中值高程和插值地表高程的一致性、中值高程和DEM的偏离度等均能反映出激光数据异常与否。因此,选用n_te_photons、h_te_interp、h_te_median、h_dif_ref参数进行质量检查。
ATL08数据产品中n_te_photons参数相当于一个内部计算器,提供每100m统计范围内被标记为地面光子的数量。激光足印点高程精度与地面光子数量呈正相关关系。h_te_interp和h_te_median的差值用于评估统计单元内的中值高程和插值地表高程是否大致相同。该差值超过某一阈值即表明高程精度较差,无法用作高程控制点,应将其剔除。h_dif_ref参数是h_te_median与ref_dem的差值,其中ref_dem为机载DEM高程,能够检查插值地表高程是否偏离ref_dem,偏离程度越大,对应数据精度越差。
结合作者前期实验,列举质量检查参数对地表高程精度的影响如图2所示。因此,本文质量检查设置筛选条件如下：n_te_photons>=50; | | h _ t e _ i n t e r p- h _ t e _ m e d i a n |<=2; | h _ d i f _ r e f |=25。
图2 质量检查参数对地表高程精度的影响

Fig. 2 Influence of internal quality inspection parameters on surface elevation accuracy

2.2 参考DEM筛选

官方公布,完全理想的外界环境（无云、地形平坦、大气透射率良好、地表无遮掩）下,ICESat-2的高程测量精度为0.1 m[17]。在实际应用中,由于地形复杂性和大气环境的影响,通常会存在精度极差或完全错误的激光足印点。质量检查仅剔除了数据异常的激光足印点,参考DEM筛选能够有效剔除云、复杂地形造成高程值明显错误的激光足印点,从而保证数据的可靠性和准确性。
ATL08数据产品中保存的每个激光足印的参考DEM高程为激光足印点中心经纬度处的最佳可用DEM高程,DEM的数据来源为Arctic,GMTED,MSS,Antarctis四种之一。提取每个激光足印点的插值地表高程h_te_interp与参考DEM高程dem_h进行比较,将高程差大于阈值的激光足印点进行剔除：
| H i - H d e m | < 3 σ
式中： H i为激光足印点的插值地表高程,对应h_te_interp参数; H d e m为参考DEM的高程值,对应dem_h参数; σ表示参考DEM的绝对高程精度。

2.3 属性参数筛选

大气散射、坡度、地表反射率、时间、地表覆盖类型、信噪比、卫星姿态等因素都影响ICESat-2激光数据的定位精度和高程精度[18-19]。为了保证筛选激光点的准确性和时效性,还需要参考云量参数、坡度参数、时间参数属性参数作进一步筛选,最终提取精度符合要求的激光足印点作为高程点。
本文主要采用ATL08数据产品中云量参数cloud_flag_atm、坡度参数terrain_slope、时间标志night_flag共3种参数的组合对参考DEM筛选之后的激光足印点进行精细化筛选。根据已有文献和作者前期实验,列举属性参数对地表高程精度的影响如图3所示。云层、大气微粒等成分的散射造成返回光子数量减少,导致测高精度降低。cloud_flag_atm参数表示每25HZ大气剖面中确定的云或气溶胶层数,取值范围为[0,10],0以上表示有云或气溶胶存在,为了最大程度地减少云层对测高精度的影响,本文只保留云量小于或等于10%的激光足印点。ATLAS发射并最终检测到的光子数量很大程度上取决于表面反射率,当光子数据到达地面时,足印内地形起伏、地表粗糙度等都会影响表面反射率,从而影响激光数据精度。地形起伏越大,检测到的光子数量越少,激光测高精度越低。terrain_slope参数通过线性拟合计算了统计单元内地面沿轨方向的坡度,能够描述地形起伏程度大小。激光足印点的高程精度随着坡度参数的变大而降低,因此本文将坡度参数大于0.015的激光足印点剔除。太阳背景噪声的存在极大程度地阻碍寻地算法的质量,而夜间背景噪声水平较低,因此夜间数据比白天更能准确地捕获地形表面高程,即夜晚获取的激光足印点高程精度大于白天。night_flag参数表示夜晚标记,night_flag=1代表夜晚;night_flag=0代表白天。
图3 属性参数对地表高程精度的影响

Fig. 3 Influence of attribute parameters on surface elevation accuracy

综上所述,参考属性参数的筛选条件设置如下：① cloud_flag_atm ∈[0,1];② terrain_slope<0.015;③ night_flag =1。

3 实验及结果分析

3.1 实验区

为验证不同地形复杂程度和不同覆盖条件的高程控制点的提取精度,同时结合高程验证数据的可获取情况,本文选择中国郑州西部、美国北科达他州西南部、美国印第安纳州北部作为实验区,实验区的卫星影像如图4所示。卫星影像选用sentinel-2,下载自欧空局哥白尼数据中心（ https://scihub.copernicus.eu/）,空间分辨率为10 m,选取实验区的影像时间为2021.07—2021.09。实验区具体情况描述如下：
图4 实验区卫星影像

Fig. 4 Satellite image of the test area

中国郑州西部实验区,西至偃师市,东至郑州市,经纬度范围分别为112°44′34″E—113°35′21″E,34°15′14″N—34°74′38″N,占地面积约4443.805 km2。所在区域地形复杂程度较高,尤以中部和西南部地形起伏大,地表覆盖类型复杂,包括林地、草地、建筑用地、耕地等,高程范围为24~1469 m。
美国北科达他州西南部实验区,经纬度范围为100°3′4″W—99°28′52″W,46°38′9″N—47°11′47″N,占地面积约3501.440 km2。地表覆盖以裸地、耕地为主,地形起伏较小,高程范围为506~679 m。
美国印第安纳州北部实验区,经纬度范围为86°9′57″W—85°14′45″W,40°11′23″N—40°44′4″N,占地面积约4800.479 km2。地表覆盖以水体、裸地、林地为主,高程范围为187~314 m。

3.2 高程验证数据

高程验证数据选择实验区高精度DEM成果数据,如图5所示。其中中国郑州西部实验区的高程验证数据选择该实验区机载LiDAR于2017年获取的1 m分辨率DEM成果,其平面坐标系统为WGS84,高程基准为WGS84大地高,高程精度优于0.8m。美国北科达他州西南部和美国印第安纳州北部实验区的高程验证数据选择由美国地质调查局3DEP（3D elevation program）计划通过LiDAR收集的1 m分辨率DEM产品[20,21],可从3DEP LiDAR Explorer官方平台（ https://prd-tnm.s3.amazonaws.com/LidarExplorer/index.html#/）下载。DEM产品空间参考坐标系为NAD83(north America datum 1983),高程参考为NAVD88(north America datum 1988)。高程精度验证数据的总体情况介绍见表2。
图5 实验区参考高程数据

Fig. 5 Reference elevation data of the test area

表2 实验区高程精度验证数据

Tab. 2 Elevation accuracy verification data of the test area

实验区 DEM数据名称 获取时间 数据源 坐标系统 高程精度
郑州西部实验区 Dengfeng_DEM_1_meter_2017 2017-06—2017-07 LiDAR 平面坐标：WGS84
高程基准：WGS84大地高		 优于0.8 m
北科达他州西南部实验区 ND_KidderCO_LiDAR_2014 2015-04—2015-05 LiDAR 平面坐标：NAD83
高程基准： NAVD88		 优于0.5 m
印第安纳州北部实验区 IN_Indiana_Statewide_LiDAR_2017 2017-03—2020-04 LiDAR 平面坐标：NAD83
高程基准： NAVD88		 优于0.5 m
ICESat-2数据产品的平面坐标为WGS84,高程基准为WGS84大地高。美国北科达他州西南部和印第安纳州北部实验区的验证高程数据需要转换到ICESat-2的参照基准下,采用NOAA(National Oceanic and Atmospheric Administration)的国家大地测量局（NGS）、海岸测量办公室（OCS）和海洋学产品和服务中心（CO-OPS）联合开发的VDatum软件完成。VDatum软件能够将来自不同水平/垂直基准的地理空间数据转换到同一个参考基准下[22]。本文采用VDatum软件版本号为4.3 b,可在Mac OS X、Unix、VMP和Windows多种操作系统下使用。

3.3 精度验证

利用高程验证数据分别对3个实验区筛选前和筛选后的激光高程点精度进行验证。考虑到ICESat-2激光足印的直径约17 m,平面精度优于6.5 m,而高程验证数据的格网大小为1 m,从中获取以ICESat-2激光足印经纬度为中心、10 m为半径范围内的所有高程值并取平均值,将该值与筛选得到的高程控制点的高程进行对比。得到的3个实验区的高程平均绝对误差（Mean Absolute Error, MAE）和均方根误差（Root Mean Square Error, RMSE）如表3所示;筛选后的高程控制点的空间分布如图6所示;高程残差直方图如图7所示。
表3 多参数联合的ICESt-2激光足印点的筛选结果

Tab. 3 Screening results of ICEST-2 laser footprints with reference to multiple attribute parameters

实验区 筛选条件 保留激光点数/个 MAE/m RMSE/m 数据剔除率/%
郑州西部实验区 原始数据 22 853 3.711 5.989 0
质量检查 8347 1.261 2.138 63.48
参考DEM筛选 8260 1.232 2.083 0.38
坡度参数 2826 1.166 1.904 23.78
云量参数 2724 1.054 1.671 0.45
时间标志 785 0.827 1.190 8.48
北科达他州西南部实验区 原始数据 39 741 0.582 1.759 0
质量检查 37 193 0.480 1.215 6.41
参考DEM筛选 37 084 0.476 1.145 1.12
坡度参数 28 217 0.462 1.048 22.59
云量参数 28 045 0.441 0.664 0.43
时间标志 11 170 0.393 0.590 42.46
印尼安纳州北部实验区 原始数据 46 593 0.333 2.887 0
质量检查 41 144 0.153 0.428 11.70
参考DEM筛选 41 055 0.150 0.412 0.19
坡度参数 35 756 0.142 0.392 11.30
云量参数 35 511 0.141 0.297 0.53
时间标志 11 103 0.131 0.263 52.38
图6 筛选后的激光足印点空间分布

Fig. 6 The spatial distribution image of laser footprint points after screening

图7 激光足印点高程残差直方图

Fig. 7 Histogram of elevation residual of laser footprint points

郑州西部实验区原始激光足印点一共有22853个, MAE和RMSE分别为3.711 m、5.989 m,由于地形复杂度较高,该实验区的数据偏少且整体质量较差;最终筛选的高程控制点MAE和RMSE分别为0.827 m、1.190 m,可以满足该实验区1：50 000立体测图的高程控制需求。但最终筛选的激光足印点只有785个,数据剔除率约为96%。
美国北科达他州西南部实验区原始激光点一共39 741个,MAE和RMSE分别为0.582 m,1.759 m;最终筛选的高程控制点一共有11 170个,整体数据剔除率约为72%,MAE和RMSE分别为0.393 m、0.59 m,满足该实验区1：50 000以及部分区域 1：100 00立体测图的高程控制需求。
美国印第安纳州北部实验区原始激光点一共46 593个,MAE和RMSE分别为0.333 m、2.887 m,最终筛选的高程控制点一共有11 103个,整体数据剔除率约为76%,MAE和RESE分别为0.131 m、0.263 m,满足该实验区1:50 000以及部分区域 1:10 000立体测图的高程控制需求。
对比3个实验区验证结果发现,郑州西部实验区原始数据精度远低于另外2个实验区,同时该实验区质量检查的数据剔除率为63.48%,远大于另外2个实验区的6.41%和11.70%,说明郑州西部实验区原始数据中存在大量异常数据,另外2个实验区原始数据中异常数据存在但数量不是特别多。经质量检查后3个实验区激光足印点的MAE分别提高66.02%、17.53%和54.05%,RMSE分别提高64.30%、85.17%和85.17%,这表明质量检查能够有效辅助滤除异常激光足印点。参考DEM分别剔除0.38%、1.12%、0.19%的激光足印点,数据剔除率较小,表明质量检查后高程明显错误的激光足印点较少,筛选后MAE分别提高2.30%、0.83%、1.96%,RMSE分别提高2.57%、5.76%、3.74%。坡度参数分别剔除23.78%、22.59%、11.3%的激光足印点,筛选后MAE分别提高5.36%、2.94%、5.3%,RMSE分别提高8.6%、8.5%、4.9%。云量参数分别剔除0.45%、0.43%、0.53%的激光足印点,筛选后MAE分别提高9.61%、4.55%、0.70%,RMSE分别提高12.24%、36.64%、24.23%。时间标志的数据剔除率分别为8.48%、42.46%和52.38%,筛选后MAE分别提高21.54%、10.88%、7.10%,RMSE分别提高28.79%、11.14%、11.45%。3种属性参数中,时间标志提升激光足印点高程精度最为明显,云量参数和坡度参数次之。
图6和图7的实验结果表明,郑州西部实验区原始激光足印点高程残差较大且分散,筛选后的激光足印点高程残差约80%分布在[-1 m,1 m],精度有明显提升,但空间分布较为分散,高程变化较大的区域分布稀少,这是由于原始数据数量偏少且质量不佳。美国北科达他州西南部经筛选后的激光足印点高程残差分布在[-0.5 m,0.5 m]的约有9142个,占比82%,空间分布较为均匀。印第安纳州北实验区原始激光足印点的高程残差主要分布在 [-1 m, 1 m],筛选后9902个激光足印点高程残差分布在[-0.25 m, 0.25 m],占比89%,空间分布较为均匀。

4 讨论

为进一步验证本文提取算法的有效性,选择基于参考高程数据和属性参数的高程控制点提取方法和本文方法在3个实验区进行对比,实验结果如表4所示。结果表明,本文方法最终筛选到的高程控制点精度明显优于基于参考高程数据和属性参数最终筛选到的高程控制点,但数量有所减少。这可能是因为基于参考高程数据和属性参数的高程控制点提取方法并未进行质量检查筛选,其中高程值异常或不可靠的数据未完全剔除。
表4 不同高程控制点提取方法的结果

Tab. 4 Results of extraction methods for different elevation control points

实验区 高程控制点提取方法 保留激光点数/个 MAE/m RMSE/m 数据剔除率/%
郑州西部实验区 基于参考高程数据和属性参数 4845 1.485 3.849 78.80
本文方法 785 0.821 1.190 96.57
北科达他州西南部实验区 基于参考高程数据和属性参数 15 408 0.642 1.185 61.23
本文方法 11 170 0.393 0.590 73.01
印尼安纳州北部实验区 基于参考高程数据和属性参数 22 232 0.351 0.827 52.29
本文方法 11 103 0.131 0.263 76.10
考虑到本文方法最终筛选到的高程控制点数量减少,这主要是因为属性参数筛选中时间标志筛选将会损失约34.44%的数据,因此在数据有限的情况下,可以考虑不进行时间标志的筛选。探讨本文方法在不同属性参数（时间标志是否参与）筛选条件下得到的高程控制点的精度情况,实验结果如表5所示。时间标志不参与筛选的情况下,最终保留了尽可能多的高程控制点,其精度虽略有下降但也可维持较高水准,仍能够满足实验区1：50 000以及部分区域1：10 000立体测图的高程控制需求。
表5 不同属性参数（时间标志是否参与）筛选条件下的结果

Tab. 5 Results under different filter conditions of attribute parameters

实验区 不同属性参数筛选条件 保留激光点数/个 MAE/m RMSE/m 数据剔除率/%
郑州西部实验区 时间标志参与筛选 785 0.821 1.190 96.57
时间标志不参与筛选 2724 1.054 1.671 88.09
北科达他州西南部实验区 时间标志参与筛选 11 170 0.393 0.590 73.01
时间标志不参与筛选 18 045 0.441 0.664 30.55
印尼安纳州北部实验区 时间标志参与筛选 11 103 0.131 0.263 76.10
时间标志不参与筛选 25 511 0.141 0.297 23.72
经在地形复杂度和地表覆盖条件不同的实验区进行论证,本文算法能够鲁棒地在多种地形场景中提取一定数量的高精度高程控制点,可将其扩展到全国甚至是全球的高程控制点提取应用。但由于数据条件及外部环境的限制,本文方法提取到的高程控制点精度还难以达到理想中的0.1 m,该高程控制点提取方法仍需改进,下一步将考虑联合多源参考数据（如地表覆盖数据、土地利用现状数据、气象数据）,建立多层次自适应的高程控制点提取方法,进一步提高高程控制点的可靠性和精度。在应用层次上,本文方法所提取的高程控制点难以满足联合测绘处理对高程控制点的密度要求,因此还应结合实际应用需求对高程控制点的点位密度作适当的调整。为方便实时查询和管理,未来还将考虑结合全球数字高程数据和全球光学影像数据建立高效的全球高程控制点查询数据库,实现全球高程控制点的高效管理,从而为全球地区的高精度立体测图提供数据支撑。

5 结论

ICESat-2激光测高数据可以提供高精度的控制数据,但由于外界环境影响,并不能全部作为高程控制点。为此本文提出一种适用于ICESat-2 ATL08数据的多参数联合的高程控制点提取方法。首先利用内置参数辅助检查激光足印点数据质量,滤除异常激光足印点;然后参考内置DEM数据剔除高程值明显错误的激光足印点;最后结合云量标记、坡度参数以及时间标记属性参数精细筛选,保留满足质量检查、坡度小、云量少的激光足印点作为最终高程控制点,并利用国内外3个实验区高精度DEM成果数据开展实验验证。实验结果表明：
（1）ICESat-2原始数据中存在高程值异常和明显错误的激光足印点。质量检查后,实验区激光足印点的MAE分别提高66.02%、17.53%和54.05%,RMSE分别提高64.30%、85.17%和85.17%。参考DEM筛选后,实验区激光足印点的MAE分别提高2.30%、0.83%、1.96%,RMSE分别提高2.57%、5.76%、3.74%。结果表明本文选取的质量检查参数和参考DEM能够有效辅助滤除高程值异常和明显错误的激光足印点。
（2）属性参数中筛选高程控制点的有效级为时间标志>云量参数>坡度参数。其中时间标志的数据剔除率较大,因此在数据有限的情况下,可以考虑不进行时间标志的筛选,最终保留了尽可能多的高程控制点,其精度虽略有下降但也可维持较高水准。
（3）本文的提取方法能够在多种地形场景下提取到一定数量的高精度高程控制点。筛选后的高程控制点高程残差集中在0 m附近,满足实验区 1：50 000以及部分区域1：10 000立体测图高程控制需求。该方法可为全国甚至是全球高程点提取以及高程控制点库建设提供参考。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
张重阳. 基于GLAS数据的广义控制点库的建设和应用[D]. 阜新: 辽宁工程技术大学, 2015.

[ Zhang C Y. Construction and application of generalized elevation control point database on GLAS data[D]. Fuxin: Linaoning Project Technology University, 2015. ]

[2]
李国元, 唐新明, 张重阳, 等. 多准则约束的ICEsat/GLAS高程控制点筛选[J]. 遥感学报, 2017, 21(1):96-104.

[ Li G Y, Tang X M, Zhang C Y, et al. Multi-criteria constraint algorithm for selecting ICESat/GLAS data as elevation control points[J]. National Remote Sensing Bulletin, 2017, 21(1):96-104. ] DOI: 10.11834/jrs.20175269

DOI

[3]
俄相颖, 戴光耀, 吴松华. ICESat-2 ATL03数据预处理及校正方法[J]. 红外与激光工程, 2021, 50(6):92-102.

[ E X Y, Dai G Y, Wu S H. ICESat-2 ATL03 data preprocessing and correction method[J]. Infrared and Laser Engineering, 2021, 50(6):92-100. ] DOI: 10.3788/IRLA20211032

DOI

[4]
Magruder L, Brunt K, Neumannn T, et al. Passive ground-based optical techniques for monitoring the on-orbit ICESat-2 altimeter geolocation and footprin diameter[J]. Earth and Space Science, 2021(8):e2020EA001414. DOI: 10.1002/essoar.10504571.1

DOI

[5]
Magruder L A, Brunt K M, Alonzo M. Early icesat-2 on-orbit geolocation validation using ground-based corner cube retro-reflectors[J]. Remote Sensing, 2020, 12(21):3653. DOI: 10.3390/rs12213653

DOI

[6]
National Snow&Ice Data Center. Data at NSIDC[DB/OL]. https://nsidc.org/data/icesat-2/data-sets,2020.

[7]
Neuenschwander A L, Pitts K L, Jelley B P. et al. ATLAS/ICESat-2 L3A land and vegetation height, version 4[DB/OL]. https://nsidc.org/data/atl08/versions/4,2021.

[8]
Neuenschwander A L, Magruder L A. The potential impact of vertical sampling uncertainty on ICESat-2/ATLAS terrain and canopy height retrievals for multiple ecosystems[J]. Remote Sensing, 2016, 8(12):1039. DOI: 10.3390/rs8121039

DOI

[9]
董佳臣, 倪文俭, 张志玉, 等. ICESat-2植被冠层高度和地表高程数据产品用于森林高度提取的效果评价[J]. 遥感学报, 2021, 25(6):1294-1307.

[ Dong J C, Ni W J, Zhang Y Q, et al. Performance of ICESat-2 ATL08 product on the estimation of forest height by referencing to small footprint LiDAR data[J]. National Remote Sensing Bulletin, 2021, 25(6):1294-1307. ] DOI: 10.11834/jrs.20219449

DOI

[10]
Neuenschwander A L, Magruder L A. Canopy and terrain height retrievals with ICESat-2: A first look[J]. Remote Sensing, 2019, 11(14):1721. DOI: 10.3390/rs11141721

DOI

[11]
Xing Y, Huang J, 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: 10.3390/rs12132084

DOI

[12]
Dandabathula G, Verma M, Sitiraju S R. Evaluation of best-fit terrain elevation of ICESat-2 ATL08 using DGPS surveyed points[J]. Journal of Applied Geodesy, 2020, 14(3):285-293. DOI: 10.1515/jag-2020-0003

DOI

[13]
Liu A B, Cheng X, Chen Z Q. Performance evaluation of GEDI and ICESat-2 laser altimeter data for terrain and canopy height retrievals[J]. Remote Sensing of Environment, 2021, 264:112571. DOI: 10.1016/j.rse.2021.112571

DOI

[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: 10.3390/rs10121962

DOI

[15]
Wang C, Zhu X X, Nie S, et al. Ground elevation accuracy verification of ICESat-2 data: A case study in Alaska, USA[J]. Optics Express, 2019, 27(26):38168-38179. DOI: 10.1364/OE.27.038168

DOI

[16]
王密, 韦钰, 杨博, 等. ICESat-2/ATLAS全球高程控制点提取与分析[J]. 武汉大学学报·信息科学版, 2021, 46(2):184-192.

[ Wang M, Wei Y, Yang B, et al. Extraction and analysis of global elevation control points from ICESat-2/ATLAS data[J]. Geomatics and Information Science of Wuhan University, 2021, 46(2):184-192. ] DOI: 10.13203/j.whugis20200531

DOI

[17]
Brunt K M, Neumann T A, Smith B E. Assessmentnt of ICESat-2 ice sheet surface heights, based on comparisons over the interior of the Antarctic ice sheet[J]. Geophysical Research Letters, 2019, 46(22):13072-13078. DOI: 10.1029/2019GL084886

DOI

[18]
Thomas A, Neumann, Anthony J, et al. Land Elevation Satellite-2 mission: A global geolocated photon product derived from the Advanced Topographic Laser Altimeter System[J]. Remote Sensing of Environment. 2019, 233:11325. DOI: 10.1016/j.rse.2019.111325

DOI

[19]
Neuenschwander A L, Eric G, Joanne C, et al. Validation of ICESat-2 terrain and canopy heights in boreal forests[J]. Remote Sensing of Environment, 2020, 251:112110. DOI: 10.1016/j.rse.2020.112110

DOI

[20]
U.S. Geological Survey. 20200330, USGS one meter x42y518 ND KidderCO 2014: U.S. geological survey[DB/OL]. https://www.sciencebase.gov,2021.

[21]
U.S. Geological Survey, 20210704. USGS 1 meter 16 x52y445 IN_Indiana_Statewide_LiDAR_2017_B17: U.S. geological survey[DB/OL]. https://www.sciencebase.gov,2021.

[22]
NOAA's NGS, OCS, CO-OPS. A tutorial on Datums[DB/OL]. https://vdatum.noaa.gov/about.html,2021.

Options
Outlines

/

〈 〉