基于TanDEM-X相干系數的森林高度估測方法*

范亞雄 陳爾學 李增元 趙 磊 張王菲 金玉棟 蔡麗杰

(1. 中國林業科學研究院資源信息研究所 北京 100091； 2. 西南林業大學林學院 昆明 650224； 3. 喀喇沁旗旺業甸實驗林場 赤峰 024423)

作為重要的森林垂直結構參數，林分優勢木平均高(以下簡稱森林高度)是估測森林材積生產潛力的主要指標，且與森林地上生物量(above ground biomass，AGB)、碳儲量等緊密聯系，準確、大面積地獲取森林高度信息對于森林的精細化經營管理、碳循環和氣候變化科學研究等均具有重要意義(陳爾學等， 2007)。傳統基于抽樣標準樣本調查森林高度的方法費時費力，也難以得到空間連續的森林高度測量結果，已無法滿足現代森林資源經營管理和生態環境科學研究的需求。目前，具有區域森林高度制圖潛力的遙感手段主要有激光雷達(light detection and ranging，LiDAR)、立體攝影測量和干涉合成孔徑雷達(interferometric synthetic aperture radar，InSAR)3種，其中，LiDAR和立體攝影測量由于易受云霧等不利天氣狀況的影響，限制了其大范圍、連續性森林高度制圖能力，而InSAR具有SAR全天候、全天時成像的優勢，同時對植被垂直結構敏感，是大面積估測森林高度的有效手段之一。

當前在軌星載SAR系統的InSAR數據通常需要重軌獲取，植被區域受時間失相干影響嚴重，不利于森林高度估測。而TanDEM-X(TerraSAR-X add-on for digital elevation measurement)系統由2顆相似的衛星在軌道中以幾百米間距并行，采用一發雙收模式對地物進行重復觀測，時間基線可以忽略，失相干主要由植被體散射效應引起(Kriegeretal.， 2007)，因此在森林垂直結構估測中具有很大潛力。國內外基于TanDEM-X InSAR數據進行森林高度估測的研究主要有2種思路： 1) 基于相位信息的DSM-DEM差分法，將InSAR獲得的DSM與已知高精度的DEM相減得到有效散射中心高度，該高度與真實森林高度具有很好的相關性，但有效散射中心的具體位置與森林結構和微波頻率有關，往往需要實測數據對其進行標定，才能得到森林高度估測結果(Sojaetal.， 2013； Sadeghietal.， 2014)； 2) 基于相干散射模型，通過物理模型將相干性與森林垂直結構相聯系，由相干性求解森林高度，其中最常用的是隨機體散射-地表散射模型(random volume over ground, RVoG)，其假設地表散射貢獻可以忽略，首先利用已知DEM估算地表相位，然后構建森林高度-消光系數的二維查找表反演森林高度和消光系數(Praksetal.， 2012； Kugkeretal.， 2014)。除了RVoG模型外，Soja等(2014； 2015)還基于干涉水云模型(interferometric water cloud model，IWCM)建立了一種2層散射模型，在已知林下地表相位的情況下，該模型可同時反演森林高度和冠層密度。但需要說明的是，由于X-波段的微波對森林穿透能力較差，難以從干涉數據本身提取準確的林下地形，因此在估測森林高度時通常需要其他來源的高精度DEM，在應用中受到很大限制。

基于X-波段InSAR估測森林高度時，往往假設地表散射貢獻為零，此時若進一步假設森林內部的平均消光系數為零，則可直接由相干系數得到森林高度(Cloude， 2010)，該方法稱為SINC模型。SINC模型本質上是對RVoG模型的簡化，但該模型不依賴高精度DEM，與以往研究方法相比具有較大優勢。Cloude等(2014)基于TanDEM-X雙極化數據信噪比優化后得到的相干系數，分別在北方針葉林和溫帶雨林驗證SINC模型的可行性，結果發現SINC模型在北方針葉林可取得良好估測結果，但在溫帶雨林由于較高消光系數的影響，森林高度估測精度較低。馮琦等(2016)利用機載X-波段雙天線InSAR數據估測森林高度，結果表明SINC模型可取得較好的估測精度，且相比差分法具有不依賴高精度DEM的優勢。Chen等(2016)研究指出，TanDEM-X單極化數據相比雙極化數據具有更高的信噪比，只利用單極化數據的相干系數就可取得較好的森林高度估測結果。Olesk等(2015)重點分析季節變化對估測結果的影響，結果表明，對于落葉樹種，冬季數據的估測精度要優于夏季數據，而常綠樹種對季節變化不敏感。在Olesk等(2016)的研究中，通過將SINC模型參數化，使其適應不同的季節條件和林分條件，在估測森林高度時更加穩健。

以往研究論述了SINC模型在森林高度估測中的可行性，但在計算局部垂直波數(kz)對地形進行補償和地理編碼時往往采用LiDAR提取的高分辨率DEM作為參考。目前，國內高分辨率DEM通常由機載LiDAR獲取，覆蓋范圍有限且成本高昂，而中等分辨率SRTM DEM則覆蓋全球大部分陸地，因此分析高分辨率與中等分辨率的DEM對SINC模型森林高度估測精度的影響很有必要。鑒于此，本研究采用TanDEM-X單極化InSAR數據，以內蒙古根河市北部天然林為研究區，研究基于相干系數的SINC模型森林高度估測方法，并分析高分辨率(5 m)的LiDAR DEM和中等分辨率(30 m)的SRTM DEM對模型估測精度和穩定性的影響。

1 研究區概況與數據

1.1 研究區概況

研究區位于內蒙古根河市北部，121.42°—121.57°E，50.91°—50.98°N，屬高緯度、高寒地區。呈大興安嶺山地地貌特征，海拔800～1 100 m，地勢起伏相對平緩，大部分坡度在10°以下。該區屬大興安嶺北部針葉林生態區，森林覆蓋率75%以上，主要樹種有興安落葉松(Larixgmelinii)、樟子松(Pinussylvestrisvar.mongolica)、白樺(Betulaplatyphylla)和山楊(Populusdavidiana)等。在圖1所示的Google Earth多光譜遙感影像上，疊加著InSAR數據的強度影像(主圖像)，其中黃色矩形框代表機載LiDAR數據范圍，紅色矩形框代表研究區范圍。

圖1 TanDEM-X InSAR數據和機載LiDAR數據的覆蓋范圍Fig.1 The coverage of TanDEM-X InSAR data and airborne LiDAR data

1.2 InSAR數據及預處理

TanDEM-X是德國宇航局發射的高精度、高分辨率X-波段雷達干涉測量系統。本研究獲取TanDEM-X條帶模式下的升軌InSAR數據，成像時間為2012年8月14日，空間有效基線202.28 m，中心入射角41.40°，距離向和方位向的采樣間隔分別為1.4和2.0 m。數據覆蓋范圍見圖1中的灰色圖，東西向約33 km，南北向約56 km。

獲取的TanDEM-X單視復數數據(single look complex, SLC)已經過亞像元級精確配準，還需要進行干涉圖生成、基線估計、相干性估計、相位解纏和地理編碼等處理，詳細流程如圖2所示。

圖2 Tandem-X InSAR數據處理流程Fig.2 Processing flowchart of TanDEM-X InSAR data

1.3 機載LiDAR數據及處理

機載LiDAR數據獲取時間為2012年8月，以“運5”飛機為平臺，采用Leica LiDAR系統開展飛行試驗。平均飛行高度2 700 m，航帶掃描寬度約1 000 m，波長1 550 nm，獲取的激光點云密度平均每平方米5.6個。基于TerraSolid軟件對點云數據進行噪聲點去除及地面點和非地面點分類，分類后的地面點云數據以不規則三角網鄰近像元內插算法生成DEM，非地面點云數據以最大高程內插算法生成DSM，將DSM與DEM相減，得到研究區的CHM，三者空間分辨率均為5 m。CHM代表冠層頂部高度，根據當地樹高分布特點，將CHM中小于2 m和大于40 m的異常點剔除。穆喜云(2015)利用該數據提取CHM的研究表明，樣地的胸高斷面積加權高(Lorey’s高)與基于LiDAR CHM數據的算術平均高具有很高相關性(R2=0.834)，因此，本研究以一定大小的采樣窗口對CHM中的有效值進行算術平均作為森林高度，驗證估測結果。

1.4 SRTM DEM數據

SRTM是NASA在2000年運行航天飛機雷達地形測繪任務獲得的北緯60°到南緯54°之間大部分陸地地區的DEM數據。本研究獲取覆蓋研究區30 m空間分辨率的SRTM DEM，采用雙線性內插法將其過采樣到5 m像元大小，以與LiDAR數據的分辨率保持一致，并比較SRTM DEM、LiDAR DEM和LiDAR DSM之間的高程差異。以圖3a中的黑色實線為剖面，繪制三者的剖面圖如圖4所示。可以看到，LiDAR DSM整體要比LiDAR DEM和SRTM DEM高，且高程波動較大，體現了森林高度信息。LiDAR DEM和SRTM DEM的高程變化趨勢則更相符，但由于SRTM DEM受植被偏差影響，所以在大部分區域要高于LiDAR DEM。

圖4 不同DEM的剖面線對比Fig.4 Comparison of selected profiles from SRTM DEM, LiDAR derived DEM and DSM

圖3 SRTM DEM與LiDAR獲取的DEM、DSMFig.3 SRTM DEM and LiDAR derived DEM, DSM

SINC模型估測森林高度中DEM的作用主要體現在2方面： 首先，局部垂直波數(kz)的估算需要坡度信息來補償地形的影響； 其次，DEM用于相干性、kz和森林高度等估測結果的地理編碼，其質量直接影響地理編碼的精度。本研究將分析LiDAR DEM和SRTM DEM的差異對SINC模型森林高度估測結果的影響。

2 研究方法

2.1 非體散射失相干校正

在干涉測量中，相干性γObs是對2次回波信號相似程度的度量，定義為復信號s1、s2的歸一化互相關，如式(1)所示：

(1)

式中： *表示復共軛； 〈…〉表示空間平均；s1、s2分別為在空間基線兩端接收到的復信號。

通常認為，觀測到的γObs由式(2)中幾項失相干組成：

γObs=γSNRγBaseγProcγTmpγVol。

(2)

式中：γSNR表示信噪比失相干；γBase是由2次觀測幾何差異引起的基線失相干；γProc是由數據處理造成的失相干，如主輔影像配準誤差；γTmp是由2次數據采集期間散射體(植被-地表)發生變化引起的時間失相干；γVol是由植被-地表引起的失相干。

由于TanDEM-X系統無時間基線，且獲得的SLC數據已經過亞像元級的配準和距離向、方位向的頻譜濾波處理，因此可將γBase、γProc和γTmp忽略(假設均等于1.0)，數據中的非體散射失相干只剩下γSNR，經式(3)、(4)校正后可得到γVol：

(3)

(4)

式中： SNRTDX和SNRTSX分別表示2顆衛星的信噪比水平，可從頭文件中獲取。

2.2 SINC估測模型

模型是定量遙感的基礎，在極化干涉SAR的發展過程中，陸續提出了多種將雷達觀測參數與植被垂直結構聯系起來的反演模型，其中最常用的是RVoG模型。該模型包含2層結構，上層為代表森林冠層結構的體散射層，下層為地表層，有效地將γVol與森林垂直結構相聯系，且簡化了散射過程的復雜性(Treuhaftetal.， 1996)。RVoG模型假設相干函數如式(5)所示：

(5)

式(6)為體散射失相干γV的表達式，當假設森林冠層結構由各項同性的隨機散射體組成時，可采用指數函數對f(z)建模，如式(7)所示：

(6)

f(z)=exp(2σz/cosθ)。

(7)

式中：kz為局部垂直波數；hv為森林高度；f(z)為垂直結構函數；σ為體散射層中的消光系數；θ為入射角。

(8)

x∈[0,π],y∈[0,1]；

(9)

x≈π-2sin-1(y0.8)；

(10)

(11)

相干性γObs與局部垂直波數kz估算準確與否影響SINC模型森林高度估測結果的精度。本研究在估算γObs時，先對SLC數據采用3×3窗口多視生成干涉條紋，再以3×3滑動窗口估算相干性。相干性影像在距離-多普勒坐標下的像元大小約為6 m×6 m，經地理編碼后，在地理坐標空間下的像元大小與參考DEM相同，即5 m×5 m。由于相干性是在約18 m×18 m面積區域平均得到的，而SLC數據距離向和方位向的分辨率分別為2.6和3.3 m，因此多視視數約為38視。根據Seymour等(1994)提出的Cramer-Rao bound方法，圖5繪制了不同視數條件下由式(1)估算γObs時的方差隨|γObs|大小變化的情況，可見當多視視數約為40視時，方差總是小于0.02，因此本研究計算得到的γObs與真值γ的差異可以忽略。

圖5 基于Cramer-Rao下界的相干性計算誤差模擬Fig.5 Simulation of coherence estimation bias based on Cramer-Rao lower bound

在體散射失相干模型中，kz將f(z)映射到γV，決定著相位和相干性對植被高度的敏感程度，同時也是SINC模型中關鍵的縮放因子。kz的表達式見式(12)：

(12)

式中：Bn為垂直基線；R為SAR系統與地物間的距離；hoa為模糊高，代表2π相位變化對應的垂直高度；θ0和θi分別為中心入射角和局部入射角，θi需要由參考DEM計算。

本研究分別以SRTM DEM、LiDAR DEM作為參考DEM，得到的kz分別如圖6a、b所示。可以看到，二者整體趨勢相同，其中LiDAR DEM生成的kz對細節刻畫更清晰，而SRTM DEM生成的kz則較為粗糙。圖6c為二者的統計直方圖，其分布很相近。

2.3 DSM-DEM差分法

DSM-DEM差分法采用的DSM由TanDEM-X干涉相位生成，DEM為高精度的LiDAR DEM。從DSM中減去DEM，得到有效散射相位中心高度hphase，由于X-波段的微波對森林具有一定的穿透性，hphase往往低于森林高度hv，因此需要根據一部分實測數據對hphase進行校正才能獲得準確的森林高度hv。校正模型采用式(13)所示的線性回歸方程：

hv=B+A×hphase。

(13)

式中：B和A為回歸方程系數，其值采用75對(hv，hphase)數據作為訓練樣本通過最小二乘法擬合得到。

訓練樣本從研究區中均勻選取，其空間分布見圖7，紅色三角形代表訓練樣本中心點位置。

2.4 森林高度估測精度評價方法

為了對以上2種森林高度估測模型或方法的精度進行評價，在研究區內均勻布設150個檢驗樣本，其空間分布見圖7，黃色圓點代表檢驗樣本(與差分法訓練樣本獨立)中心點位置，以該點為中心設一個取樣窗口，窗口內所有有效像元的平均值為該樣本的取值。樣本的待檢驗值分別從SINC模型法、DSM-DEM差分法估測結果中提取，樣本的實測值(參考值)從LiDAR CHM中獲取。精度評價指標包括決定系數(R2)、均方根誤差(root mean square error, RMSE)和估測精度(estimation accuracy, EA)，計算公式如下：

圖7 訓練及檢驗樣本中心點位置Fig.7 Location of the center of the samples for training and validating

(14)

(15)

(16)

以15 m×15 m、30 m×30 m、50 m×50 m和100 m×100 m為樣本取樣窗口大小進行精度評價。

3 結果與分析

3.1 干涉相干性處理結果

研究區的相干系數和相干性密度圖如圖8a、b所示，相干系數集中分布在0.9附近，干涉數據質量較好。圖8c為檢驗樣本相干系數與LiDAR 冠層高度的散點圖，隨著冠層高度增加，相干性降低，表明相干系數具有一定的森林高度估測潛力。

圖8 干涉相干性處理結果Fig.8 InSAR coherence processing results

3.2 森林高度估測結果

圖9a為LiDAR CHM，圖9b為DSM-DEM差分法得到的森林高度估測結果，圖9c、d分別為以LiDAR DEM和SRTM DEM為參考DEM的SINC模型法估測結果。可以看到，3種森林高度估測結果與LiDAR CHM具有很好的一致性，其中DSM-DEM差分法的森林高度分布與LiDAR CHM在細節上最為接近，體現出該方法的有效性，但DSM-DEM差分法與LiDAR CHM相比森林高度估測結果存在低估現象，表明X-波段的微波對本研究區林分具有一定穿透性。圖9c、d的森林高度分布相似，說明2種DEM對SINC模型估測結果的影響較小。

圖9 森林高度參考和InSAR估測結果Fig.9 Forest height as reference and that estimated with InSAR data

3.3 森林高度估測精度評價

為了定量評價森林高度估測結果，同時分析樣本尺度對估測精度的影響，利用均勻選取的樣本，分別以15 m×15 m、30 m×30 m、50 m×50 m和100 m×100 m為樣本取樣窗口大小進行平均得到森林高度，對DSM-DEM差分法和SINC模型法的估測結果進行精度評價，分析高分辨率與中等分辨率參考DEM對SINC模型估測精度的影響。

3.3.1 DSM-DEM差分法精度評價 DSM-DEM差分法精度評價結果如圖10所示，其中左側為采用式(13)校正前的結果，右側為校正后的結果。可見，DSM-DEM差分法森林高度估測結果與LiDAR CHM之間具有良好的相關性，且隨樣本尺度增大估測精度穩定提高，當樣本大小從15 m×15 m變化到100 m×100 m時，R2從0.57增加到0.79，RMSE由3.38 m降至2.57 m，精度由67.62%提高到75.44%。在15 m×15 m樣本尺度上，校正對DSM-DEM差分法估測精度的改善效果并不明顯，甚至有些下降，從校正前的67.62%降至校正后的61.79%，原因可能是該尺度下地理編碼和相位上的誤差對估測結果影響較大。樣本尺度逐漸增大，校正后估測結果的精度大幅度提高，當樣本大小為100 m×100 m時，總精度由75.44%提高到84.41%。

圖10 差分法精度評價(左側為校正前，右側為校正后，從上到下樣本采樣窗口依次增大)Fig.10 Accuracy assessment of phase difference method before (left) and after (right) calibration with increased sampling window size from up to down panels

3.3.2 SINC模型法精度評價 圖11左側為采用LiDAR DEM進行kz估算和地理編碼的SINC模型估測結果，右側為采用SRTM DEM的估測結果。可以看到，二者在各樣本尺度上精度均很接近，且隨樣本尺度增加估測精度逐漸提高。當樣本大小為15 m×15 m時，估測結果的精度較差，RMSE在4 m左右，存在個別誤差較大的樣本，考慮到LiDAR數據和SAR數據獲取時間間隔不到1個月，可能是由于地理編碼誤差引起的。隨樣本尺度增大，地理編碼誤差對估測結果的影響減弱，精度逐漸提高。當樣本大小為100 m×100 m時，2種SINC模型估測結果的R2分別為0.54、0.51，RMSE分別為2.38、2.51 m，總精度已達到DSM-DEM差分法校正前的水平，分別為77.19%、75.99%。

圖11 SINC模型法精度評價(左、右側分別以LiDAR DEM、SRTM DEM為參考DEM)Fig.11 Accuracy assessment of SINC model with LiDAR DEM (left) and SRTM DEM (right)

3.3.3 不同分辨率DEM對SINC模型估測精度的影響分析 圖12為基于SINC模型采用2種參考DEM(LiDAR DEM和SRTM DEM)估測森林高度結果之間的相關性。隨樣本尺度增大，相關系數逐漸從15 m×15 m時的0.70增加到100 m×100 m時的0.96，說明高分辨率和中等分辨率DEM對SINC模型的影響較小，尤其當樣本尺度較大時，其影響可忽略不計。該現象可從2個方面解釋： 首先，參考DEM在SINC模型森林高度估測中的作用是估算坡度，結合成像幾何計算得到kz，而研究區坡度變化緩慢，由LiDAR DEM和SRTM DEM估算的坡度差異并不明顯，因此最終結果差異較小； 另外，隨樣本尺度增大，地理編碼誤差對估測精度的影響也會隨平均像元增加而降低，進一步減輕2種DEM對SINC模型森林高度估測的影響。

圖12 SINC模型估測結果在不同樣本尺度下的相關性Fig.12 Correlation of SINC model estimation results at different sample sizes

3.4 大范圍森林高度制圖結果

基于相干系數的SINC模型估測森林高度可取得較高精度，且高分辨率和中等分辨率DEM對估測結果影響較小。本研究以SRTM DEM為參考DEM，采用SINC模型制作整景TanDEM-X影像覆蓋范圍的森林高度分布圖(圖13a)，可以看到，不同高度林分在影像上具有很好的空間變異性(圖中黑色方框區域為上述模型評價采用的試驗區范圍)。

圖13 采用SINC模型制作的森林高度分布圖及與Google Earth多光譜遙感影像的對比Fig.13 Forest height distribution map using SINC model and comparison with Google Earth multispectral remote sensing image

圖13b、c分別為從圖13a中選取的典型區域與Google Earth多光譜遙感影像的對比。圖13b中，一條河流分布在多光譜影像左側，而在對應的森林高度分布圖中，估測的高度則有較大誤差(森林高度應為0 m)，分析其原因在于水體的相干性很低，在SINC模型中被認為是具有較強體散射的植被，進而得到錯誤的高度信息，因此在大范圍森林高度制圖時，對水體區域進行掩膜很有必要。圖13c中，多光譜影像右下角的林分存在間伐現象，在SINC模型估測的森林高度分布圖中也可清楚反映出來，體現了該方法的有效性。

4 討論

本研究采用TanDEM-X單極化InSAR數據，分別以基于相位信息的DSM-DEM差分法和基于相干系數的SINC模型法估測森林高度，并分析LiDAR DEM和SRTM DEM對SINC模型估測精度和穩定性的影響。結果表明，與DSM-DEM差分法相比，盡管SINC模型法估測精度略有下降，但其既不需要實測森林高度數據進行標定，也不需要輸入高分辨率的DEM，具有大范圍森林高度制圖的潛力和更大的實際應用價值。同時，本研究的相關內容仍存在一定的不足之處和值得繼續研究的方向：

1) 使用DSM-DEM差分法估測森林高度時，需要對有效散射中心高度進行校正。本研究采用線性方程進行校正，得到估測森林高度； 但實際情況下，微波對較低森林的穿透能力要強于較高森林，即有效散射中心高度與森林高度并不嚴格符合線性關系。因此，經線性校正后，可能會出現校正不足或過校正的現象。

2) 在SINC模型中，kz是體散射失相干反演森林高度的關鍵參數，其準確計算和取值范圍對估測精度有一定影響。圖14模擬了不同森林高度下相干性與kz的關系。一方面，kz計算準確與否直接關系到森林高度估測結果誤差大小，如當相干性γVol=0.8時，不同kz可分別對應森林高度10～50 m范圍。在本研究區，地形起伏緩慢，30 m分辨率的SRTM DEM可以很好刻畫坡度，計算的kz較為準確，但在地形變化迅速區域，SRTM DEM對地形的刻畫可能不夠細致，由kz計算誤差引起的森林高度誤差會增大，需要更精細的DEM來計算kz。 另一方面，kz取決于垂直基線長度、波長、斜距和入射角等參數，其變化范圍對SINC模型估測精度影響較大。當kz過小時，相干性對森林高度變化的敏感性降低，如當kz=0.05時，對于最大高度為50 m的森林，相干性變化范圍僅為0.75～1； 而當kz過大時，模糊高降低，對于超過模糊高的高度將引起低估，如當kz=0.30時，對于高度超過20 m的森林，相干性降為0。因此，基于SINC模型估測森林高度時，應根據研究區森林高度變動范圍選擇具有合理干涉成像參數的數據，以減少由于kz不合適導致的誤差。

圖14 kz敏感性分析Fig.14 kz-sensitivity analysis

3) 非體散射失相干校正是SINC模型法關鍵的一步。在本研究中，TanDEM-X InSAR數據已進行距離向頻譜濾波和精確配準，且時間基線可忽略，需要考慮的非體散射失相干只有信噪比失相干γSNR。假設γSNR=0.95，圖15分析了γSNR對SINC模型估測結果的影響。圖15a表示不同kz下相干性與森林高度的關系，可以看到，在森林高度較低時，γSNR校正后相干性水平明顯提高，而對于較高的森林，相干性變化則不明顯。圖15b表示不同森林高度下由γSNR引起的高度估測誤差，同樣說明非體散射失相干對較低森林的影響強于較高森林。本研究在校正γSNR時，采用的γSNR為整景影像均值，實際上不同地物及不同高度森林的γSNR并不相同，因此校正后的森林高度可能在一些區域仍存在高估現象，而在另一些區域則低估。

圖15 非體散射失相干對SINC模型的影響Fig.15 Influence of non-volume decorrelation on SINC model

5 結論

1) SINC模型法和DSM-DEM差分法均可得到較高精度的森林高度估測結果，盡管SINC模型法的精度略低于DSM-DEM差分法，但DSM-DEM差分法依賴高精度的DEM，且需要通過實測數據對結果進行校正，因此在實際應用中SINC模型法具有更大的價值。

2) 高分辨率(5 m)的LiDAR DEM和中等分辨率(30 m)的SRTM DEM對SINC模型森林高度估測結果影響較小，當分析單元面積增大到一定程度時(如100 m×100 m)，其影響可以忽略。

3) 以SRTM DEM進行地形補償和地理編碼，采用SINC模型可實現大范圍的森林高度制圖，但需要掩膜水體區域，否則會引起較大誤差。

本研究區地勢起伏相對平緩，大部分坡度小于10°，在這種情況下， SINC模型的局部垂直波數(kz)可以很好補償地形的影響，但當地形更加復雜時，該方法是否有效仍需進一步研究。