高光譜遙感森林樹種分類研究進展

朱 煒，李 東，沈 飛，湯根云，吳建明，陳繼民，劉 政，王志輝

（1. 浙江省湖州市林業科學研究所，浙江 湖州 313000；2. 浙江省湖州市林業技術推廣站，浙江 湖州 313000；3. 浙江省湖州市木材檢查站，浙江 湖州 313000；4. 浙江省長興縣林業局，浙江 長興 313100；5. 杭州感知軟件科技有限公司，浙江 臨安 311300）

高光譜遙感森林樹種分類研究進展

朱 煒1，李 東1，沈 飛2，湯根云3，吳建明1，陳繼民3，劉 政4，王志輝5

（1. 浙江省湖州市林業科學研究所，浙江 湖州 313000；2. 浙江省湖州市林業技術推廣站，浙江 湖州 313000；3. 浙江省湖州市木材檢查站，浙江 湖州 313000；4. 浙江省長興縣林業局，浙江 長興 313100；5. 杭州感知軟件科技有限公司，浙江 臨安 311300）

從基于光譜特征、基于光譜匹配和基于統計分析方法3個方面，論述了高光譜遙感數據進行森林樹種分類的應用研究狀況，分析了目前研究中存在數據質量與保障性相對滯后、缺乏有效的處理算法等問題，指出了進一步完善森林樹種光譜數據庫和加強高光譜數據研究的高光譜樹種研究方向。

高光譜遙感；基于光譜特征；基于光譜匹配；基于統計分析；樹種分類

1 高光譜遙感森林樹種分類研究現狀

森林作為地球上可再生自然資源及陸地生態系統的主體，它為人類的生存和發展提供了豐富的物質資源，在維持生態過程和生態平衡中發揮著重要的作用[1]。正確地識別森林樹種是利用和保護森林資源的基礎和依據[2]。現行的樹種識別方法主要是依靠一些成本高、費時、費力的野外調查方法（主要是根據樹種的形態學角度來劃分，如莖、葉、花、果、種子的外部形態等特征來識別和鑒定樹木的種類）或利用大比例尺的航片來進行判讀（比例尺超過1:10 000）。在過去二三十年里，開展了大量應用航天遙感數據（如TM, SPOT）進行森林樹種分類的應用研究，但是由于多光譜遙感光譜分辨率的局限性，對于光譜曲線相近的樹種很難進行識別，只能將其劃分為植被、非植被，或者簡單地將森林區分為針葉、闊葉兩大類，難以滿足實際生產需求[3~5]。這主要有兩個因素決定：一是由于缺少高光譜分辨率和大量的光譜波段，因為不同的樹種經常有極為相似的光譜特性（通常稱為“異物同譜”現象），它們細微的光譜差異用寬波段遙感數據是無法探測的；二是由于光學遙感所依賴的光照條件無常，可能引起相同的樹種具有顯著不同的光譜特性（即所謂的“同物異譜”現象）。高光譜遙感突破了光譜分辨率這一瓶頸因子，在光譜空間上大大抑制了其它干擾因素的影響，能夠準確地探測到具有細微光譜差異的各種地物類型，極大地提高了森林樹種的識別精度[6~7]，為獲得更準確的森林樹種分布提供了最強有力的工具。目前，我國在這方面的研究還處于發展的初級階段，主要以理論分析和小范圍的應用研究為主。

高光譜遙感具有高光譜分辨率和波段多等顯著特點，已被成功地應用在大氣科學、生態、地質、水文和海洋等學科中[8~9]。高光譜植被遙感主要研究生態遙感所涉及的植被類型的識別和分類、植物化學成分的估側、植物生態學評價，這些內容是最近提出的遙感生態測量學的目的之一[10]。國外已開展了植被葉面積指數、生物量、植被生化信息、針葉樹種識別等方面的研究工作，但我國在這方面的工作剛剛起步[4]，尤其在森林樹種分類方面起步更晚。有學者利用CASI，HYDIC，Hyperion等航空航天高光譜數據或光譜儀實測的光譜數據進行森林樹種類型的識別研究，還有學者通過利用波段組合、Logistics回歸、建立光譜信息模型等方法[11]進行森林主要樹種類型的識別，均取得了與地面數據相吻合的結果。Zhang等[12]利用小波變換方法處理HYDICE高光譜數據，對處理后的結果進行熱帶森林的樹種識別研究，發現小波變換后的高光譜數據能提高熱帶森林樹種的識別精度；陳爾學等[13]利用Hyperion高光譜數據和地面觀測數據，比較了幾種高光譜統計模式識別方法，結果發現采用二階統計量方法，同時結合空間上下文信息和光譜信息分類法（ECHO）可以有效地提高森林樹種的識別精度；Martin等[14]結合不同森林樹種之間特有的生化特性和已經在高光譜數據（AVIRIS）與簇葉化學成分之間建立的關系，鑒別了11種森林類型（空曠地、紅楓林、紅櫟林、闊葉混交林、白松林、鐵杉林、針葉混交林、挪威云杉林、紅松林、云杉沼澤林及落葉闊葉沼澤林）；宮鵬等[10,15]利用高分辨率光譜儀在實地測得的光譜數據來識別美國加州的6種主要針葉樹種，得到了一些很有意義的結論，至少證明了高光譜數據具有較強的樹種識別潛力；劉秀英等[16]利用地物光譜儀測量了杉木、雪松、小葉樟樹和桂花4個樹種光譜數據，并利用光譜微分、波段選擇等技術成功地識別出這幾個樹種。Davison等[17]對機載CASI高光譜數據監測加拿大安大略湖森林參數的能力進行了評價，結果表明CASIO高光譜數據具有區分主要樹種的能力。G. Goodenough等[18]利用Hyperion、ALI和ETM 3種遙感數據對加拿大維多利亞地區的5種森林類型（冷衫、鐵杉、北美圓柏、小干松和赤揚）進行了分類，其分類精度分別是92.9%、84.8%和75.0%，表明高光譜遙感數據具有更強的森林類型識別能力。

2 高光譜遙感森林樹種分類

高光譜遙感的識別作為高光譜遙感森林樹種識別的關鍵環節而備受關注[19]。由于高光譜數據同時具有波段多、數據量大、圖譜合一等特點，因此需要發展更有效的識別算法才能使其發揮更大的作用。經過二十多年的積累，在傳統識別分類算法的基礎上已經形成了一系列面向高光譜圖像特點的識別算法，初步可歸納為3個方面，即基于光譜特征、基于光譜匹配和基于統計分析方法。

2.1 基于光譜特征

植物光譜通常包括一系列的特征吸收譜帶，這些特征譜帶在不同的樹種類型中具有較穩定的波長位置和特征形態，能夠指示出不同樹種類型間的差異，是高光譜進行樹種識別的基礎[10]。光譜微分（spectrum derivative）能夠迅速地確定光譜拐彎點及最大、最小反射率波長位置等各種光譜特征參數。

光譜微分既可以消除光譜數據之間的系統誤差、減弱大氣輻射、散射和吸收對目標光譜的影響，又可以提取可識別地物的光譜吸收峰參數（波長位置、深度、寬度和吸收光譜指數等）。一般認為，光譜微分在去除部分線性或接近線性的背景、噪聲對目標的影響，如在消除植被環境背景影響方面被發現可除去變化較小的土壤背景的影響。雖然更為高階的微分也有人研究過，但一階或二階微分往往更為有用且包含了大部分的信息。光譜一、二階微分的計算公式如下：

式中： FDRλj和 SDRλj分別是 λj波長處的一階、二階微分； Rλj， Rλj+1， Rλj+2分別是相應波長處的反射率值；Δλ 為波長間隔。另外，根據微分理論可以得到更高階的微分光譜（如三階微分），高階微分也可以消除背景噪聲，分辨重疊光譜[20~21]。

2.2 基于光譜匹配

高光譜遙感最大的優勢在于利用有限細分的光譜波段，可以再現地物的光譜曲線，這樣利用整個光譜曲線進行森林樹種匹配識別。光譜匹配模型通過對地物光譜與參考光譜的匹配或地物光譜與數據庫的比較，求算它們之間的相似性或差異性，突出特征譜段，有效地提取光譜維信息，以便對地物特性進行詳細分析，從而提高識別精度。

2.2.1 光譜角度匹配（Spectral Angle Mapping, SAM） 光譜角度匹配是通過計算測定光譜和參考光譜（參考光譜可從光譜庫中得來，也可直接由圖像中通過選擇訓練區抽取出來）之間的“夾角”來表征兩者之間的相似程度，從而實現光譜匹配分類[22]。如果夾角越小，說明兩者相似性越好，地物的識別和分類也就越可靠。在波段數為n的光譜影像中，測試光譜矢量為X，參考光譜矢量為Y，那么兩矢量廣義夾角余弦為：

光譜角度匹配對太陽輻照度、地形和反照率等因素不敏感，但可以有效地減弱這些因素的影響。這種方法在樹種識別及其他領域分類研究中受到廣泛應用。

2.2.2 光譜相似匹配（Spectral Correlation Mapping, SCM） 針對光譜角度匹配方法不能識別正、負相關系數而只能用整數的特點，奧斯馬等[23]用皮爾森相關系數對SAM的余弦進行類型表達，其公式如下：

式中：X為象元光譜，Y為參考光譜。皮爾森相關系數將數據標準化，集中自身與X和Y的均值上，CSM值的范圍為（－1，1），而SAM的余弦值范圍為（0，1）。研究證明，CSM方法能更有效地壓縮陰影，提高識別精度。

2.2.3 交叉相關光譜匹配（Cross Correlogram Spectral Matching，CCSM） 交叉相關光譜匹配[24]通過計算測試光譜與參考光譜在不同光譜位置（波段波長位置）的交叉相關系數，繪制交叉相關曲線圖。如果交叉相關系數越小，說明兩者相似性越好，植被（如樹種）的鑒別性就越可靠，反之，就越不可靠。測試光譜與參考光譜完美匹配的交叉相關圖是中心匹配數為0，峰值相關系數為1的拋物線。交叉相關系數（rm）計算公式為：

式中，Ri，Rj分別為測試光譜和參考光譜；n為重合波段數；m為光譜匹配位置。

2.2.4 光譜波形匹配[21]（Spectral Waveform Mapping, SWM） 光譜波形匹配包括兩種匹配：一種是將樣本光譜的全部或者其某一部分進行光譜曲線的特征函數擬合（如倒高斯模型、光譜吸收谷的函數模擬），通過計算像元光譜與樣本光譜特征函數之間的擬合度來計算像元光譜隸屬于某一樣本的概率。另一種是直接計算樣本光譜矢量與每個像元光譜矢量之間的線性相似度，對于同一類地物具有很高的線性相似度，而對于非同一類地物則具有較低的線性相似度。假設樣本A的光譜反射率函數是R(λ)，屬于樣本A的像元光譜矢量集合B：

由于B集合中每個像元的光譜特性，或者說每個像元沿波長方向的變化受外界因素影響較大，即使是屬于樣本A類型的，其波形也不會完全耦合。隸屬于同一地物的光譜在整個波長范圍內具有隨機均勻分布的特性，同一類地物的像元光譜，其各波段的最大、最小值，以及正負標準差在類光譜均值的兩側對稱分布。如果取對應波長的反射率或者輻射量之間的差，即(λ) = Rn(λ )? R(λ)，則(λ)應該是沿一條直線在一定范圍內上下振蕩的曲線。也就是說，如果把樣本光譜曲線看作一條標準直線段的話，集合B中的每條像元光譜應該是圍繞著這條直線在一定范圍內上下振蕩的曲線。當這個范圍（或者說閾值）在整個波長范圍內足夠小的話，就可以認為集合B中每個矢量與樣本A矢量線性相關，即具有較高的線性相似度。對于不同類的地物，其線性相似度較低。由此可知，光譜波形匹配可用以提高樹種識別精度。

2.2.5 模型技術 利用模型技術進行森林樹種識別是高光譜遙感未來發展的重要趨勢。廣義距離或者廣義夾角的計算要求多維變量間的獨立性要好，高相關的多變量間進行距離計算沒有意義，因為維數的增加并不會提高其可分性。因此，很有必要發展一種有效表征高度相似樹種曲線形狀間差別的方法。相關擬合分析模型[25]（Correlation Simulating Analysis Model，CASM）就是通過對相關光譜曲線形狀上的擬合來表征植被光譜特征和光譜差別，進而識別樹種。其基本原理為通過分析測試光譜和參考光譜之間構成的相關曲線，比較相關曲線的斜率和截距進行目標識別。通過模型技術的森林類型信息提取有利于發現不同森林樹種間的細微差別，提高樹種識別精度。

2.3 基于統計分析

針對高光譜遙感數據量大、波段間相關性高、數據冗余度高等特點，對其進行特征提取是十分必要的。由于高光譜遙感圖像的圖像維和光譜維之間存在著有機融合，因此高光譜圖像數據的相關性表現為空間和光譜間的相關性。考慮到高光譜圖像的空間分辨率為幾米或幾十米，地面目標可能只占幾個像素，且像素亮度值之間的連續性較差，相關性較低，故對于高光譜圖像數據，本文重點研究其光譜間相關性[26]。用于光譜間相關性處理的特征壓縮和提取的方法主要有主成分分析（PCA）、最小噪音變換（MNF）、典范變量分析等基于統計分析的方法。

2.3.1 主成分分析（PCA） 主成分分析(Principal Component Analysis，PCA)，也稱K-L變換，是在統計特征基礎上的多變量正交線性變換[27]。它通過一定準則從原始波段中選擇一組波段子集，因此，它不改變原始波段的物理意義，而且波段的選擇只需要知道原始數據的協方差陣，而不需要進行真正的主成分變換，這也節約了大量的計算時間。主成分分析中，給定主成分的個數，可以計算出其對原始數據的累計貢獻率，累計貢獻率越高，主成分包含原始數據的信息越多，累計貢獻率是特征提取的主要依據，在主成分個數已知的情況下，還可以計算主成分對每個波段的貢獻率，主成分對波段的貢獻率的大小本身反映了該波段所含的信息量。由此可知，PCA是將相關性高的多波段信息通過數學轉換降低其相關性，適合對光譜差異顯著的森林樹種進行識別。

主成分分析計算具體過程，設X =（x1，x2，…，xN）=（X1，X2，…，Xp）T是一個P維隨機變量，用它代表光譜圖像，其中N是超光譜圖像的像元數目，P是波段數目，因此xi（i = 1，2，…，N）表示圖像的第i像元，Xk（k = 1，2，…，P）表示圖像的第k波段。

（1）首先計算圖像的各個波段的均值和協方差陣，其計算公式分別為

（4）給定一個閾值T（如97%），計算出滿足Vm≥T的主成分的個數m。

（5）選取前m個主成分，代替原來的圖像X。

2.3.2 最小噪音變換（MNF） MNF變換是一種特殊的主成分變換，MNF變換用于確定影像數據內在維數，隔離數據中的噪音，

減少后續處理計算需求[28]。對于高光譜數據(或者說對于多光譜數據)來說，MNF變換將數據空間分為兩部分：一部分為較大特征值對應的數據分量；而另外一部分數據分量對應噪音圖像，其特征值都在整數1附近。MNF變換把感興趣的大部分信息用幾個分量來表示，并且根據信息量大小對這些分量進行排序[29]。這種方法通過兩步主成分變換來實現：第一步變換基于對噪音協方差矩陣的估計，對數據中的噪音去相關和歸一化，產生一個圖像序列，使得其中的噪聲“白化”，即使其噪音方差為 1，且各序列之間互不相關；第二步是對第一步得到的圖像序列實施標準的主成分變換。MNF變換后各組分按信噪比從大到小進行排列，而K-L變換后各分量按方差大小排列，這是兩者最重要的區別所在[30]。MNF不但具有PCA降低波段間相關性的功能，而且能夠對高光譜數據進行降噪處理提高數據質量，大大提高了森林樹種識別的精度，是高光譜特征提取的一種主要手段。

2.3.3 典范變量分析 典范變量分析[31]是通過較少的典型變量之間的相關性來綜合描述兩個多元隨機變量之間關系的一種數學方法，它是通過求算所有未知樹種類別與已知樹種類別的兩兩典范變量對，并根據它們各自的相關緊密程度來決定未知樹種類別的歸屬。

判別分析是常用的一種典范變量分析。判別分析用于判斷一個獨立的光譜采樣樣本屬于哪一種類型植被[32~33]。判別分析對用于分類的標準光譜樣本的正確建立有重要意義。因為：一、使用便攜式光譜儀進行野外標準光譜的采樣工作，受自然條件、儀器誤差和人為操作的影響，即使對同一類型的植被進行采樣，多次測量的結果也會存在一定程度的差異，其差異可能影響分類操作的精度，使用這些采樣數據前,必須有合適的方法進行分析。二、使用者總是期望使用高光譜遙感區分出相近或相似的地物類型，這無疑對高光譜樣本數據的典型性和代表性提出更高要求。如果統計判別法能夠將采樣的光譜數據進行正確區分，至少可以認為，這些標準光譜樣本對正確區分光學性質相近或相似的地物有幫助。

3 高光譜遙感在森林樹種分類中存在的問題

高光譜遙感以其自身特有的優勢，已經廣泛地應用于森林樹種識別、森林制圖、森林資源調查、森林面積監測、生物化學和物理因子估測等方面，其識別分類效果比常規遙感有了顯著的提高，成為高光譜植被遙感研究的熱點。然而，對于每個新興的研究領域都存在諸多有待完善的方面。數據處理和分析算法的相對滯后，在一定程度上影響了其在行業應用中的發展，這也無疑將是今后研究中的重點。

3.1 數據質量與保障性有待提高

首先，機載高光譜傳感器的高成本和覆蓋范圍的局限性，是機載高光譜用于更大尺度、更廣范圍的森林樹種識別研究的主要障礙之一。隨著高光譜傳感器通道數的增加，其與空間平臺數據傳輸資源之間的矛盾日益突出，也嚴重地阻礙了機載高光譜數據在森林樹種識別中的發展。其次，星載高光譜數據受空間分辨率的限制，很難滿足那些森林樹種精細研究的應用要求，再加上星載高光譜數據還需要編程訂購，時間周期長，數據量大，遙感作業效率較低，也在一定程度上限制了它的廣泛應用。再次，高光譜用于森林樹種識別還需地面輔助調查，尤其是對于森林類型復雜、森林樹種混交程度較高的山區，由于缺乏垂直空間信息和訓練樣本的支持，大大限制了其應用的深度與廣度。目前，森林樹種識別研究主要集中在那些生境條件較為理想的區域，并且研究的對象也僅局限于為數不多的幾種樹種類型。

3.2 缺乏有效的處理算法

人們在獲取海量高光譜數據的同時，也面臨著如何處理這些高光譜數據的難題，數據處理效果是影響高光譜應用的決定性因素。由于高光譜數據量大和信息的冗余性，利用高光譜數據進行森林樹種識別依然任重道遠。目前的遙感識別算法多是基于統計分析進行的，利用這些傳統的模式識別算法進行高光譜森林樹種識別具有很多難以克服的困難，如運算量太大，樣本需求很多，會遇到“維數災難”，難以獲取合適的類型特征，無法得到各種類型的先驗概率和概率分布，難以形成復雜的判別函數和判別決策面等。隨著高光譜研究的深入，結合高光譜數據特點研究一些基于光譜和光譜模型的識別算法將是未來高光譜識別的重點。

另外，在遙感信息處理過程中主要還是依靠人機交互進行，智能化程度不高，可操作性不強，費時費力。因此，進行自動識別端元，提取端元光譜信息，自適應濾波完成混合光譜的分解，最小人工參與數據的自動處理等都是高光譜遙感森林樹種識別研究中亟需解決的問題。

4 結論與展望

高光譜遙感的出現和發展，克服了傳統遙感技術無法實現對森林植被精細類型分類的缺點，如森林樹種分類等。盡管在現有的應用中還存在著諸多障礙，但其在植被研究中的巨大優勢還是顯露無疑。為推動高光譜遙感森林樹種識別的發展，我們還需要深入開展以下的研究：

（1）森林樹種光譜數據庫的完善。由于森林樹種間的光譜具有相似性，樹種和冠層之間變化復雜，加上不同樹種混交產生的相互效應、環境和地形因素的影響，使得樹種光譜特征變異普遍存在。因此，深入開展森林樹種的標準光譜特征研究，總結樹種在不同條件下的光譜變異，完善樹種標準光譜數據庫，為高光譜森林樹種識別研究奠定科學的基礎。

（2）加強高光譜數據挖掘研究。混合像元普遍存在于高光譜遙感數據中，林業高光譜數據尤為如此。在高光譜多維光譜特征空間中，樹種間細微變化極易體現，利用像元分解有利于提高樹種識別精度。目前，絕大部分混合光譜分解都只采用了高光譜數據中很有限的光譜段信息，模型經驗性強，規律性和可移植性差，阻礙了光譜信息的提取。隨著數據挖掘技術的不斷發展，重點開展多樹種混交的森林混合光譜分解研究，充分挖掘光譜空間中的樹種光譜變化將會有效地解決混合光譜分解的難題。

[1] 張煜星，王祝雄，武紅敢，等. 遙感技術在森林資源清查中應用研究[M]. 北京：中國林業出版社，2007.

[2] 劉旭升，張曉麗. 森林植被遙感分類研究進展與對策[J]. 林業資源管理，2004（1）：61－64.

[3] 譚炳香. 高光譜遙感森林類型識別及其郁閉度定量估測研究[D]. 北京：中國林業科學研究院，2006.

[4] 譚炳香. 高光譜遙感森林應用研究探討[J]. 世界林業研究，2003，16（2）：33－37.

[5] 譚炳香. 高光譜遙感森林信息提取研究進展[J]. 林業科學研究，2008，21（S）：105－111.

[6] Martin M E, Newman S D, Aber J D, et al. Determining forest species composition using high spectral resolution remote sensing data[J]. Remote Sens Environ, 1998, 65（3）：249－254.

[7] 譚炳香，李增元，陳爾學，等.高光譜與多光譜遙感數據的森林類型識別[J]. 東北林業大學學報，2005，33(S): 61－64.

[8] Goetz Alexander F H, Vane G, Solomon J E, et al. Image spectrometry for earth remote sensing [J]. Science, 1985, 228 (4704): 1 147－1 153.

[9] Vane Gregg, Goetz Alexander F H. Terrestrial imaging spectrometry: current status, future trends[J]. Remote Sens Environ, 1993，44（2~3）：117－126.

[10] 浦瑞良，宮鵬. 高光譜遙感及其應用[M]. 北京：高等教育出版社，2000.

[11] Darvish sefat A A, Tobias W K, Klaus I I. Application of hyperspectral data for forest stand mapping [C]. Symposium on Geospatial Theory. Otawa, Processing and Applitions，2002.

[12] Zhang J, Rivard B, Sanchez-Azofeifa A, et al. Intra-and inter-class spectral variability of tropical tree species at La Selva, Costa Rica: Implications for species identification using HYDICE imagery[J]. Remote Sens Environ, 2006, 105（2）：129－141.

[13] 陳爾學，李增元，譚炳香，等. 高光譜數據森林類型統計模式識別方法比較評價[J]. 林業科學，2007， 43（1）：84－89.

[14] 宮鵬，浦瑞良，郁彬. 不同季相針葉樹種高光譜數據識別分析[J]. 遙感學報，1998，2（3）：211－217.

[15] 劉秀英，林輝，熊建利，等. 森林樹種高光譜波段的選擇[J]. 遙感信息，2005（80）：41－45.

[16] Davison D , Achal S, Mah R, et al. Determination of Tree Species and Tree Stem Densities in northern Ontario Forests using Airborne CASI data[C]. Proc. of Fouth International Airborne Conference and Exhibition, Ottawa, Canada, 1999（2）：187－196.

[17] Goodenough D G, Bhogal A S, Dyk A, et al. Monitoring forests with Hyperion and ALI[J]. Int Geosci Remote Sens Sympos (IGARSS), 2002（2）：882－885.

[18] Aspinall R J. Use of logistic regression for validation of maps of the spatial distribution of vegetation species derived from high spatial resolutionhyperspectral remotely sensed data[J]. Ecol Model, 2002, 157（2-3）：301－312.

[19] 張良培，張立福. 高光譜遙感[M]. 武漢：武漢大學出版社，2005.

[20] 童慶禧，張兵，鄭蘭芬. 高光譜遙感——原理、技術與應用[M]. 北京：高等教育出版社，2006.

[21] Kruse F A, Lefkoff A B, Boardman J W, et al. The spectral image processing system (SIPS)-Interactive visualization and analysis of imaging spectrometer data[J]. Remote Sens Environ, 1993, 44（2-3）：145－163.

[22] Carvalho O A J, Menese P R. Spectral Correlation Mapper(SCM): An Improvement on the Spectral Angle Mapper(SAM)[A]. Ninth JPL Airborne Earth Science Workshop[C]. JPL publication, 2000，18: 65－74.

[23] MEER F V, BAKKER W. Cross correlogram spectral matching: application to surface mineralogical mapping by using AVIRIS datafrom Cuprite, Nevada[J]. Remote Sens Environ, 1997（6）：371－382.

[24] 趙永超. 高光譜遙感中典型地物目標的光譜特征分析和信息提取模型——幾個關鍵問題的研究報告[D]. 北京：中國科學院遙感應用技術研究所，2001.

[25] 黃光玉，沈占峰，趙欣梅. 高光譜遙感礦物識別方法研究[J]. 資源環境與工程，2007，21（1）：50－54.

[26] 王晉年. 以地物識別和分類為目標的高光譜數據挖掘[J]. 中國圖象圖形學報，1999，4（11）：958－963.

[27] 北京星圖環宇科技公司. ENVI遙感影像處理實用手冊[Z]. 2005. 350, 303－311.

[28] 駱劍承，王欽敏，馬江洪，等. 遙感圖像最大似然分類法的EM改進算法[J]. 測繪學報，2002，31（3）：234－239.

[29] 朱長青，王倩，楊曉梅. 基于多進制小波的SPOT全色影像和多光譜遙感影像融合[J]. 測繪學報，2000，29（2）：132－136.

[30] 唐守正. 多元統計分析[M]. 北京：中國林業出版社，1986.

[31] S-PLUS 2000. Guide to Statistics[M]. Seattle: MathSoft Inc., 1999.

[32] NCSS. Statistical Analysis System [M]. Kaysville，1996.

Review on Forest Identification by Hyperspectral Remote Sensing

ZHU Wei1，LI Dong1，SHEN Fei2，TANG Gen-yun3，WU Jian-ming1，CHEN Ji-min3，LIU Zheng4，WANG Zhi-hui5
（1. Huzhou Forestry Institute of Zhejiang，Huzhou 313000, China; 2. Huzhou Forestry Extension Station, Huzhou 313000, China； 3. Huzhou Wood Inspection Station, Huzhou 313000, China; 4. Changxing Forestry Bureau of Zhejiang, Changxing 313100, China; 5. Hangzhou Ganzhi Software Technology Company Limited, Lin’an 311300, China）

Descriptions were made on spectral features, mappers and statistical analysis of hyperspectral remote sensing data of forest identification, as well as on the major problems of data quality and statistical analysis in the current application. Future studies were proposed on improvement of spectral database of tree species and on hyperspectral data mining.

hyperspectral remote sensing; spectral features; spectral mapper; statistical analysis; tree species classification

S718.3

A

1001-3776（2013）02-0084-07

2012-09-30；

2013-01-28

朱煒（1968－），男，浙江湖州人，工程師，從事森林景觀環境評價與管理研究。