数字高程模型(Digital Elevation Model,DEM)是许多地球科学研究的基础输入数据,其中又以卫星立体影像获取的DEM产品最丰富、应用最广泛,但是采集立体影像所用的可见光波段对地表覆盖物的穿透能力极弱,因此它们获取到的其实是包含植被、建筑物等非地面数据的高程模型,即数字地表模型(Digital Surface Model,DSM)。尤其是在森林地区,植被高度会使其表示的高程比真实地面高程整体偏高,这种误差会严重影响许多地形研究的精准度。传统由DSM生成DEM过程中是去掉与植被类型无关的均匀植被偏差,这种方式可能导致处理后的DEM在某些区域过高或过低,可靠性无法保证。借助植被高度模型(Canopy Height Model,CHM),从DSM中滤除一定百分比的植被高度,是直观并且有效的手段。但是大区域连续植被高度产品不易获取,使得采用该方法对区域甚至全球DSM进行植被滤波生成DEM仍存在困难。基于以上研究背景,本研究将黑河上游的针叶林、阔叶林覆盖区作为研究区域,以AW3D30 DSM为研究对象,以机载激光雷达生成的DSM/DEM/CHM为基准数据,通过将星载激光雷达(Geoscience Laser Altimetry System,GLAS)数据与Landsat TM影像相融合的方式,获取了大区域连续的植被高度,进而开展了DSM植被滤波生成DEM方法研究。主要研究内容及成果如下:(1)星载激光雷达植被高度估算方法。首先,对机载LiDAR点云数据进行地形归一化处理,分别生成小范围的DEM、DSM、CHM。然后,对GLAS数据提取与植被高度有关的波形参数,包括波峰长度、前缘长度、后缘长度等。最后,将机载LiDAR植被高度作为基准数据,建立GLAS波形参数与植被高度的线性回归模型,获取研究区所有GLAS激光点的离散植被高度。(2)融合星载激光雷达与光学遥感数据的区域植被高度反演方法。首先,对研究区Landsat TM影像进行多尺度分割,以每个分割对象为基础,提取光谱、纹理、植被特征,根据这些特征划分植被类型,提取森林覆盖区域。然后,采用BP神经网络建立影像对象特征与GLAS激光点植被高度数据的关系模型,从而实现空间外推,得到大区域连续植被高度模型。(3)基于区域植被高度模型的DSM植被滤波方法。首先,以机载LiDAR DEM/DSM为基准数据,分析了AW3D30 DSM与机载LiDAR DEM/DSM每个像素的误差分布与植被高度、坡度的关系。然后,在机载雷达扫描区内,随机选取部分像素,建立AW3D30 DSM与LiDAR DEM的误差和植被高度、坡度之间的多元线性回归模型。最后,利用GLAS大区域连续植被高度模型以及AW3D30DSM计算的地形坡度估计了研究区的AW3D30 DSM应滤波高程值,从AW3D30 DSM中减去该高程值得到滤波生成的DEM。