森林是陆地生态系统的重要组成部分,其碳储蓄量约占陆地生态系统的一半,在调节全球气候、维持全球碳平衡、减缓温室气体浓度增长等方面具有至关重要的作用。随着世界各国对全球气候变暖问题的日益关注,对森林生态系统性能和碳收支的研究也逐渐增强。森林高度是评估森林性能和状态的主要指标,同时也是研究全球碳循环和碳汇交易的重要数据。因此,估测森林高度对于森林生态系统的保护,以及全球碳循环系统的维护都具有重要的意义。本文使用星载大光斑激光雷达(Geoscience Laser Altimeter System,GLAS)的全波形数据,提取能够反应林木生长结构和生长环境的波形特征,利用核方法估测北方森林地区的森林高度。本文的主要研究内容如下:1、首先对GLAS波形数据进行预处理工作,以获取质量高的森林回波。根据波形的成因及其物理意义,通过模拟裸地回波、高斯分解、主成分分析、统计量分析,提取能够反应林木垂直结构、林分状况、波形整体情况、水平分布并具有地形适应性的波形特征。2、针对波形特征难以反馈林木的生长环境对林木的影响,本文提出了一种基于随机森林的均值编码(Random Forests Leaf Mean Encoding,FLM)算法,其根据国际地圈生物圈计划(International Geosphere Biosphere Programme,IGBP)定义的土地覆盖类型基于随机森林算法对波形特征进行分类,并对随机森林叶子节点的输出值进行均值编码。实验结果证明,FLM编码特征能够隐式的反应林木生长环境与森林高度之间的连系,在不使用其它辅助数据的情况下对地形环境、地貌、林分状况等复杂信息进行表征。3、针对大光斑激光雷达数据波形扰动大、森林高度分布不均匀的问题,本文基于Boosting集成算法的思想,提出了一种新的核函数——核梯度提升树(Kernel Gradient Boosting Decision Tree,Ke GBDT)。Ke GBDT以梯度提升树叶子节点的残差在观测值中的占比作为叶子节点连接函数的权重,使用连接函数的加权作为核函数的表达形式。Ke GBDT对残差较大的数据点分配更多的权重,有效地避免了叶子节点中观测值分布不均匀造成的误差,能够更为有效地处理特征分布空间。4、为避免单一核函数处理数据样本的局限性,本文使用多核学习的方法进行森林高度估测。使用对波形特征具有良好分析性能的核梯度提升树、核随机森林、高斯核,以线性组合的形式构造组合核函数,并基于核对齐方法确定每个核函数的权值。实验结果证明,基于多核学习的岭回归和支持向量回归算法能够有效减小森林高度估测模型的回归误差。本文首先使用GLAS数据提取波形特征,并基于FLM算法利用波形特征提取FLM向量。然后,使用核对齐方法构建由核梯度提升树、核随机森林、高斯核组成的组合核函数。最后,以波形特征和FLM向量作为输入,使用基于组合核函数的岭回归和支持向量回归进行森林高度估测。经实验证明,本文方法能够有效地应用于星载大光斑激光雷达的森林高度估测。