1 引言

       ICESat-2卫星携带ATLAS激光测高系统（Advanced Topographic Laser Altimeter System）由NASA于2018年9月成功发射。ICESat-2首次采用了微脉冲、多波束光子计数激光雷达技术，其搭载的ATLAS传感器在绿波段（532 nm）发射并接受激光信号，共发射6束能量不一的激光束，沿脚印沿轨方向分3组平行排列，组间地表距离约3 km，组内地表距离约90 m，光斑直径约16 m。

       由于单光子探测的灵敏性，其在探测有效信息时也记录了大量的太阳背景噪声和仪器噪声，尤其当在白天观测时，其受太阳光干扰和大气噪声的影响很大。相较于冰雪等均质下垫面，森林地区的噪声表现更为明显。因此，如何解决微脉冲探测机理造成的强背景噪声是利用ICESat-2卫星进行植被应用研究的一大难点。

       基于机器学习的分类方法可在有限样本条件下获得高精度指标并且模型在不同地形条件下上具有一定的转移性(Chen,  2020)。但传统机器学习需大量的人工干预，而自动机器学习（AutoML）方法可将传统机器学习模型的特征、模型、优化、评价这些重要步骤进行自动化地学习，使得机器学习模型无需人工干预，节省了人工调参时间，同时提升了机器学习的表现效果。本研究选择连续的森林区域进行实验，提取森林光子特征，并基于AutoML方法对光子计数LiDAR数据进行去噪。与现有的NASA官方产品相比，拟进一步提高数据的可用性，挖掘ATLAS产品在林业应用中的潜力。

2  研究方法

       本研究提出了一种光子监督分类方法，基于AutoML方法开发性能优越的模型，并在森林地区进行ATL08标签的重分类实验。首先分别选取ICEat-2卫星ATL03与ATL08数据产品，并采用ATL08数据产品的植被标记反溯ATL03产品，作为训练和验证的标准。根据目标训练集特点对数据集进行预处理，将ATL08数据产品中地物光子均转换为信号光子，其余均为噪声光子，采用预处理后的ATL08光子特征进行模型建立。

       本研究方法选取光子激光雷达点云常用统计特征，主要包括：高度和沿轨迹距离、k-最近邻距离、k-means到相应簇中心的距离、高度相关统计指标之间的差异、每10 m窗口中所有光子的平均值或百分位值等。

       最后，我们评估了模型的性能并分析了对分类结果的影响因素。为检验训练模型对不同数据集具有普适性，选取五组具有代表性的数据集进行测试。

3  结果和讨论

       为了量化识别信号光子的能力，我们通过目视解译对实验数据进行了分类。并根据目视解译结果计算ATL08和本方法正确识别信号的比例。本方法将正确识别信号的比例分别提高了6.4 %、12.2 %、2.7 %、9.3 %和1.4 %。

       总的来说，本研究选取五组具有代表性的数据集进行测试，分类器纠正了ATL08中的错误标签，分类结果均优于现有的ATL08产品，并且在一定程度上模型面对不同类型的数据集均表现出良好稳定性。本方法在低SNR数据集中可以将正确识别的信号比例提高12.2％，同时分类器对光子分布的对称性不敏感。此外，地形越复杂，信噪比就越高，分类就越困难。总的来说，分类器在非均匀分布、不同地形和信噪比等方面具有良好的稳定性。本方法可以用少量的样本点训练模型，得出的分类结果相较于ATL08产品具有良好的外延性，通过挖掘潜在的信号光子，可在沿轨方向上可得到更连续的光子信号检测结果，并在很大程度上改善了数据的可用性。