高光譜遙感森林資源監測原理與應用

王書偉　席磊　邱霜　宋涵玥

摘要 高光譜遙感技術作為當前遙感領域的研究熱點之一，憑借其出色的光譜識別能力和近似連續的地物光譜信息探測技術，在森林結構參數獲取、樹種精細識別、森林病蟲害監測和森林火災識別中的應用取得了顯著成果。介紹了高光譜成像技術的發展及原理，闡述了近年來高光譜遙感技術在森林資源監測中的應用現狀，最后對高光譜遙感技術在森林資源監測中未來發展方向進行了總結與展望，以期為高光譜遙感技術在林業中的應用尋找新的突破方向。

關鍵詞 高光譜遙感；森林資源監測；應用

中圖分類號 S 758.4文獻標識碼 A文章編號 0517-6611（2023）15-0111-04

doi：10.3969/j.issn.0517-6611.2023.15.027

Principle and Application of Hyperspectral Remote Sensing Forest Resource Monitoring

WANG Shu-wei， XI Lei， QIU Shuang et al

（Faculty of Forestry， Southwest Forestry University， Kunming， Yunnan 650224）

Abstract As one of the research hotspots in the field of remote sensing， hyperspectral remote sensing technology has achieved remarkable results in the acquisition of forest structure parameters， fine identification of tree species， monitoring of forest pests and diseases， and identification of forest fires by virtue of its excellent spectral recognition ability and approximately continuous spectral information detection technology of ground objects.This paper briefly introduces the development and principle of hyperspectral imaging technology， expounds the application status of hyperspectral remote sensing technology in forest resources monitoring in recent years， and finally summarizes and prospects the future development direction of hyperspectral remote sensing technology in forest resources monitoring， in order to find a new breakthrough direction for the application of hyperspectral remote sensing technology in forestry.

Key words Hyperspectral remote sensing;Forest resources monitoring;Application

森林資源監測是森林資源的數量、質量、空間分布及其利用狀況進行定期觀測分析與評價工作，是提高森林資源精細管理的重要舉措［1］。森林資源作為自然資源的重要組成部分，是人類社會可持續發展的重要物質資源，兼具經濟效益、社會效益和生態效益，在調節氣候、維護生態平衡、保護生物多樣性等方面具有不可替代的作用。我國森林資源豐富、類型多樣，但分布不均、人均不足，在20世紀后半葉歷經3次銳減，造成森林結構嚴重失調，生態環境惡化，自然災害頻發，為了解我國森林資源的實際情況，客觀反映全國森林資源的狀況，農林部于1973年開展第一次全國森林資源清查工作，先后完成了8次森林資源清查，為我國各個時期制定林業方針政策、編制林業發展規劃及森林生態經營效果評估等提供了重要依據［2］。

自1999年第六次全國森林資源清查工作開始，“3S”技術［地理信息系統（GIS）、遙感（RS）、全球定位系統（GPS）］在森林資源清查工作中首次應用，有效彌補了傳統森林資源調查效率低、周期長、工作量大和調查人員人身安全難以有效保障等問題［3］。20世紀中后期開始，人類對地觀測的需要促使遙感技術飛速發展，不同種類的傳感器層出不窮，期間成像光譜儀從問世到更新迭代僅不到4年的時間，高光譜成像技術開始進入人們的視野，成為遙感領域不可或缺的一項關鍵技術。高光譜成像技術的快速發展和在地物識別領域的成功應用，使得這一遙感技術進入農林領域并廣泛應用，成為林業工作者進行森林資源調查的有力工具，給我國森林資源清查提供了新的技術手段，龐大的數據支撐在全國森林資源動態監測中起到了重要作用。

1 高光譜遙感與森林資源監測

高光譜分辨率遙感（hyperspectral remote sensing）是利用成像光譜儀在電磁波譜的可見光、近紅外和中紅外和熱紅外區域，獲取高分辨率波段窄且連續的光譜圖像數據［4］。高光譜成像技術在捕獲目標圖像信息的同時，獲取目標光譜信息，即高光譜的“圖譜合一”技術優勢，同傳統遙感技術相比，高光譜圖像中包含豐富的空間、輻射和光譜信息［5］，使其迅速成為當前遙感領域的前沿科技熱點。高光譜遙感技術光譜分辨率可達納米級，具有成像波段多、光譜覆蓋范圍廣等特點［6］，自誕生以來一直是遙感領域的熱點課題，數十年的發展與技術積累，高光譜遙感技術憑借其獨特的技術優勢廣泛應用于國民經濟建設的各個領域，在地質勘測［7］、海洋遙感［8］、現代農業［9］、大氣與環境監測［9］和森林資源調查［10］等方面的應用已經進入成熟階段，成為我國林業工作者進行森林資源調查和森林質量監測的有力工具［11］。

森林資源監測是指在一定時間和空間范圍內，利用各種信息采集和處理方法，對森林資源狀態進行系統的測定、觀察、記載、分析和評價，以揭示區域森林資源變動過程中各種因素的關系和變化的內在規律，展現區域森林資源演變軌跡和變化趨勢，滿足對森林資源評價的需要，為合理管理森林資源，實現可持續發展提供可靠決策依據［12］。監測內容包括對土地類型、權屬、覆蓋度、地形、生物量、蓄積量、樹種、樹高、胸徑、郁閉度等近40項內容進行調查［13］，對森林資源進行監測，及時掌握森林資源動態變化，有利于相關管理部門確定森林資源現狀，實現森林資源的同步評估和測量，為現代林業的研究和發展提供強勁動力。

2 高光譜遙感技術監測原理

高光譜遙感（hyperspectral remote sensing）又稱高光譜分辨率遙感，是利用不同平臺上的傳感器以數百個連續的光譜波段對研究區成像，從感興趣的地物中獲取一條完整而連續的光譜曲線和數據圖像。高光譜成像技術源于光譜學和成像技術的交叉融合，其原理是利用窄而連續的光譜通道持續對地標地物進行遙感成像的一種新型成像技術，使用的可見光和短波紅外的光譜分辨率可達納米數量級［14］，具有分辨率高、光譜通道多、在某一光譜段范圍內連續成像等特點。高光譜獨特的技術優勢使其不僅能識別地表地物信息，還能識別被探測物體的結構和成分［15］，這一技術優勢使得高光譜成像技術在遙感領域獨樹一幟，在多個領域的應用中大放異彩。

地物光譜特征是高光譜成像技術進行地物識別與分類的關鍵，不同的地物和地貌在不同的波段下會產生不同的反射率和折射率，反射出獨特的光譜反射特征，根據研究需要選擇波段和進行波段變換，反演地物光譜信息并進行分類與識別，實現地物參數提取與分析，達到地物精確識別的目的。高光譜成像可為每個像元提供多達上百個波段，更窄的光譜范圍和更高的光譜分辨率也使得高光譜成像技術可以識別更多的地物信息，捕捉更細微的光譜差異，獲取更高的識別精度。植物具有非常明顯且獨特的光譜反射特征，這是由植物的形態學特征和化學特征所決定的，這些反射特征使其在可見光和近紅外波段下能夠產生較高的反射率，根據植物光譜反射特征，采用成像光譜儀獲取植物的反射光譜，進行波段分析和特征反演［16］，達到對植物的生理參數和生化參數的提取，從而實現無接觸式森林資源監測和森林參數獲取。高光譜遙感技術的出現為林業工作者進行森林資源監測提供了新的技術手段，利用高光譜遙感技術提取森林資源信息逐步成為森林資源調查的趨勢。

3 高光譜遙感森林資源監測原理與應用

森林資源監測是森林資源管理和林業可持續發展的基礎，其目的是及時掌握森林資源現狀和動態變化，是現代森林經理的重要手段。高光譜遙感技術憑借其豐富的光譜信息和范圍性獲取目標區域光譜信息優勢，在進行森林資源調查與分類［17］、植被覆蓋參數獲取［18］、森林火災［19］和病蟲害監測［20］等方面取得了成功的應用。高光譜遙感技術在樹種識別方面發揮著重要作用，基于機載高光譜成像在森林樹種精細識別方面具有顯著優勢［21］，高光譜遙感技術在林業上的成功應用，節約了大量的人力、物力資源，有效保障了數據實時性和準確性，滿足了定期掌握森林資源動態變化的需要，為確定森林生態結構及調整林業規劃布局提供了重要參數。

3.1 森林資源信息獲取

3.1.1 基于光譜特征技術對林地類型的識別。

林地作為一種重要的自然資源，是其他一切森林資源的載體，對于保障森林生態系統安全和提供林產品具有重要意義，區分林地類型是進行森林資源調查與統計的關鍵，也是選擇造林地和苗圃地的關鍵舉措。根據我國《森林資源規劃設計調查主要技術規定》（2003年），將土地類型劃分為林地和非林地兩大類，其中，林地劃分為有林地、疏林地、灌木林地、未成林地、苗圃地、無立木林地、宜林地和輔助生產林地8個類型［22］。準確識別林地類型是開展森林資源調查的關鍵，高光譜遙感對林地類型的識別一方面基于植物反射的光譜特征來實現，另一方面，基于林地的自然條件來實現，根據土壤、水體和巖石反射波譜特征實現對林地類型的判定［23］。

不同類別的植物在可見光波段的差異較小，但受限于內部結構、外部形態以及化學元素含量的不同，在近紅外波段差異明顯，以此作為區分林地類型的關鍵要素，對林地內植物類型進行分類，實現對林地類型的識別。高光譜遙感技術對非林地的識別更多依賴于對立地類型和立地條件中的水、土因子的實現，在高光譜影像完成預處理后進行坡度與坡向提取，判斷立地條件，再根據土壤的光譜反射特征實現對非林地類型的進一步細化，完成非林地類型的分類。相較于傳統的林地類型判別方法，采用高光譜遙感技術對林地類型進行識別與分類能夠有效減少人力物力支出，提升工作效率和分類精度。最后為進一步驗證結果的可靠性，可以采用全國森林資源調查規劃設計調查結果對高光譜遙感技術分類結果進行驗證，進一步增加了結果的可信度與說服力。王書民等［24］使用機載高光譜數據采用隨機森林算法對林地和裸地進行分類，分類精度高達91.2%，為大面積林地類型分類提供了可行性。

3.1.2 葉面積指數。

葉面積指數（LAI），又稱葉面積系數，是指單位土地面積上植物葉片總面積占土地面積的倍數，即葉面積指數=葉片總面積/土地面積［25］。葉面積指數作為植物生長狀況的一個重要指標，也是反映森林生物量的重要參數，獲取高精度的LAI參數在生態環境研究中具有重要的科學價值和研究意義［26］。當前，森林葉面積指數的測量方法主要分為直接測量法和間接測量法兩大類［27］，傳統葉面積指數測量多采用直接測量法進行測定，包括葉片采集和測量兩個步驟，具有技術成熟、測量結果精度高等特點。采用直接測量方法對植物具有一定的破壞性，測量過程煩瑣、耗時耗力、獲取數據周期長、效率低及采樣不具有代表性等缺點，使得該方法多用于小范圍林地葉面積指數計算，其計算結果也多用于驗證遙感圖像反演結果，是間接測量法的重要比對方法。

間接測量法是當下廣泛使用的一種葉面積指數測量方法，因其經濟高效、簡單快捷且不會對植物產生破壞性損失等優點，成為當下大范圍測量森林葉面積指數的有效途徑。通過衛星遙感數據完成森林葉面積指數測量的方法又稱為空間測量法，是快速估測大范圍林地葉面積指數的唯一途徑，采用高光譜遙感技術進行植物葉面積指數測量和作物生長參數的反演是遙感領域研究的熱點，國內外眾多學者取得了良好的研究成果。Gómez等［28］使用機載成像光譜儀（CASI）獲取的高光譜圖像和QuickBird衛星傳感器獲取的全色0.6 m空間分辨率圖像對單個橄欖樹的葉面積指數進行評估，采用光譜植被指數（歸一化差異植被指數，重歸一化差異植被指數）和簡單比率指數進行對比分析，結果表明，修改后的簡單比率與CASI圖像產生更好的相關性。

3.1.3 森林郁閉度獲取。

郁閉度又稱冠層蓋度，是指森林中喬木樹冠對林地遮蔽的程度，是喬木樹冠垂直投影面積與林地面積的比值，用以反映林分的密度，常以十分法表示［29］。森林郁閉度是森林結構的重要指標之一，用以控制撫育采伐和擇伐、漸伐強度，劃分有林地、疏林地和未成林造林地的重要指標。

森林樹冠層作為森林立體結構的最上層，是森林與外界進行物質和能量交換的主體，在遮陰保濕、截留降水、削弱輻射方面具有重要作用，郁閉度的大小直接影響著林地的氣候環境，在對森林郁閉度的提取中，國內外眾多學者采用了不同方法進行估測，大體可劃分為直接測量法和間接估算法。傳統的森林郁閉度測定方法包括目測法、測線法、樹冠投影法和樣點樣線法等，這類方法以野外實地測量為主，成本高、效率低，大規模森林郁閉度獲取時稍顯心余力絀。采用高光譜遙感技術對森林郁閉度估測是常用的間接估算法之一，基于植被指數（NDVI）與葉面積指數的雙曲線關系，采用逐步回歸等方法選擇與葉面積指數關系密切的光譜波段，建立各波段與葉面積指數的多元回歸方程，以此來實現大面積森林郁閉度的估算。胡振華等［30］采用高光譜遙感數據對香格里拉森林郁閉度進行估測，估算精度達82.09%，實現了大面積森林郁閉度估計。采用高光譜遙感技術獲取大范圍森林郁閉度已被國內外眾多學者證實具有可行性，取得了較好的應用進展，高效率、高精度、范圍性森林郁閉度獲取使其迅速成為測算森林郁閉度的重要技術手段。

3.1.4 樹種識別與分類。

我國幅員遼闊、資源豐富，氣候復雜多樣以及獨特的地理環境形成了復雜的自然生態系統，孕育了豐富的物種多樣性。受水熱、經緯、海拔等環境因素的影響，造就了我國從南到北5種不同的氣候類型，形成了豐富的樹種資源，喬、灌木樹種約8 000余種。豐富的樹種資源也給我國林業工作者調查樹種類型與分布帶來了巨大的挑戰，為了調查全國樹種資源分布和制作全國樹種資源分布一張圖，國內眾多學者嘗試多種技術手段但進展緩慢，直到高光譜遙感技術的出現有效解決了這一困擾我國林業工作者多年的技術難題。

相比其他遙感技術手段，航拍攝影進行目測樹種識別的工作量較高且分類精度，難以滿足研究的需要，而多光譜遙感技術波段較少，在多種植被混合的林地中略顯乏力，激光雷達和合成孔徑雷達的主動探測技術對樹體結構相近的樹種又存在難以區分等問題，基于高光譜遙感技術對樹種進行識別與分類成為最佳選項。高光譜遙感數據精細識別樹種的理論是基于不同樹種化學元素含量、樹葉形狀和樹干結構差異，致使其光譜反射率不同，形成了獨特的光譜曲線，再對植被的反射光譜進行特征提取與分類驗證，建立樹種光譜數據庫，從而實現大范圍森林樹種的分類與識別［31］。Hycza等［32］使用AISA（airborne imaging for application）Eagle相機拍攝的波蘭東北部林區的高光譜圖像進行樹種分類，嘗試分別用9種分類算法將其分為7種樹木類型（樺樹、歐洲山毛櫸、橡樹、角樹、歐洲落葉松、蘇格蘭松和挪威云杉），總體準確性達90.3%，卡帕系數0.9，證明采取高光譜數據對主要的森林樹種進行分類具有良好的準確性。

3.2 森林資源動態監測

森林作為可再生資源與陸地生態循環系統的主體，森林資源時刻處于變化之中，及時掌握森林資源動態變化有利于更好地維護森林生態系統動態平衡，保障森林健康可持續發展。森林資源動態監測指標包括森林面積、蓄積量、樹種、林木生長狀況森林結構和分布等參數，對森林資源進行動態監測，了解森林結構組成和生長狀況，為制訂林業方針、政策和規劃設計提供科學依據。林業領域的森林資源調查受森林分布的地形，海拔和氣候因素影響較大，實行全國森林資源動態監測無疑要消耗大量的人力、物力和財力，定期對森林資源進行監測的成本也給地方財力帶來巨大負擔，為解決這一難題，自“3S”技術出現以來就受到了國內學者的廣泛關注和普遍應用，高光譜遙感技術的出現也彌補了其他光學遙感存在的缺陷，為森林資源監測提供了新的活力。Li［33］采用分層監督分類法，基于最小平方法對景區的資源變化和自變量進行分析，實現對景區自然資源的動態監測，試驗結果表明，該技術能夠準確監測景區內森林資源和水資源的動態變化，監測結果具有較高的準確性。

3.3 森林病蟲害監測

我國是世界上人工林面積最大的國家之一，樹種單一，且純林比重高，早期由于未考慮適地適樹原則營造的林地地塊多形成片狀純林和“小老頭樹”，成為森林病蟲害暴發的主要發源地，對森林健康形成了巨大威脅。森林病蟲害的發生往往具有隱蔽性強、傳播速度快、危害程度高等特點，在暴發前期很難被人為發現且形成預警，通常多發于人工林和純林，導致森林資源遭受巨大損失，給林業經濟帶來巨大損失，嚴重威脅森林生態系統平衡。

高光譜遙感技術森林病蟲害監測原理是根據植物的生理特性來實現，通常來說，健康的林木擁有相近的光譜曲線，當樹木受到病蟲害侵襲時，葉綠素含量減少，光譜特征向短波方向偏移，植被因缺水發生枯萎時，光譜曲線強反射波段有向長波方向偏移的趨向。通過高光譜遙感技術對森林植被光譜數據進行評估，對比正常狀態下枝葉與樹干生理參數數據，快速比對受病蟲害感染的植株，及時處理和防止病蟲害的蔓延擴散［34］。依據樹木病蟲害程度不同而造成的光譜差異，冠層多角度高光譜觀測數據提取森林的病蟲害發生和分布狀況［35］，建立反演模型，進而實現森林病蟲害的范圍監測災情評估。高光譜遙感技術具有光譜范圍廣、光譜分辨率高、光譜曲線連續等特點，這使得利用高光譜數據實現森林病蟲害提取成為可能。基于光譜特征識別森林病蟲害的研究現已比較成熟，Jiang等［36］利用連續投影算法（SPA）提取與紅樹林病蟲害信息相關的敏感光譜和紋理特征，并利用隨機森林（RF）對不同病蟲害嚴重程度的葉片特征進行建模和可視化，取得了可靠的模型精度，SPA-RF模型和高光譜成像的結合在檢測不同病蟲害嚴重程度下葉片性狀的空間分布取得了良好的應用成果，為大范圍紅樹林病蟲害的預警和監測奠定基礎。

3.4 森林火災監測

針對高光譜成像技術對森林火災監測的研究由來已久，高光譜遙感技術已被證明適用于火災監測的所有時間階段，現階段采用遙感技術對森林火災的預警及監測主要包括3個研究方面：①森林可燃物的識別；②基于高光譜遙感數據火情監測算法模型；③基于高光譜遙感數據大氣溶膠及二氧化碳含量的火災監測。

基于高光譜成像技術對森林火災的監測同傳統意義上火災的監測一樣，由災前預警、災情監測和災后評估3方面組成，不同于傳統意義上的火災監測，采用遙感技術可以做到大范圍、無接觸式的實時災情評估和火燒跡地識別，精準預測火災走勢與火勢評估［19］。高光譜遙感技術精細分類的優勢在進行森林可燃物的識別上得以充分展示，李曉彤等［37］采用機載高光譜數據和隨機森林算法對內蒙古大興安嶺根河林業局潮查林場森林可燃物類型進行識別，結合地面調查數據驗證模型精度，總體制圖精度和用戶精度都在70%以上，實現了林場級可燃物類型高光譜精細分類。森林火災在燃燒過程中會產生大量二氧化碳、水蒸氣和氫氧化合物排向大氣，高光譜遙感技術通過對大氣氣溶膠的變化監測，第一時間確定火災發生的地點和走向趨勢，在進行森林火災的災情評估和火勢走勢預測中發揮了巨大作用。通過高光譜遙感數據提取火災溫度變化和氣體排放是判斷火災變化的關鍵，基于高光譜遙感衛星對森林火災的實時監控和算法分析是實現火情監測的重要樞紐，采用高光譜短波紅外區域的火災監測應用已經成熟，中紅外和熱紅外區域的監測正在創新發展，高光譜遙感技術在森林火災監測上取得突破性進展將會為森林火災預警和撲滅提供數據保障和有力技術支持。

4 結語

近年來，高光譜遙感技術的快速發展很大程度上彌補了傳統森林資源調查方法的不足，為森林資源調查注入了新的活力，靈活高效的數據獲取方式無論是大范圍森林資源信息獲取，還是小范圍森林資源參數提取都能獲得較為理想的結果，為相關部門實現森林資源監測提供了有力技術支撐。高光譜遙感技術在林業領域中展現出了前所未有的應用前景和賦能潛力，為森林資源動態監測和森林資源管理提供了更高效的技術手段，迄今為止，國內外基于高光譜遙感技術對森林蓄積量、樹種識別、葉面積指數估測、森林生化參數提取和森林災害監測等方面取得了較好的應用成果，成為森林資源監測不可或缺的技術之一。隨著激光雷達主動探測技術的蓬勃發展和廣泛應用，有學者將高光譜成像技術同激光雷達遙感技術相結合，形成多源遙感優勢互補，進一步提高了數據精度和反演精度，將會是未來森林資源監測的重要研究方向，多源遙感協同應用將會在森林資源監測上將發揮更大作用。

參考文獻

［1］ 丁勝，魏安世，黃華兵.廣東省森林資源“天-空-地”一體化監測構建與應用［J］.林業與環境科學，2022，38（2）：141-146.

［2］ 曾偉生，閆宏偉.森林資源監測有關問題的思考［J］.林業資源管理，2013（6）：15-18，36.

［3］ 陳軍，邱保印.基于TM遙感影像的諸暨市森林資源監測［J］.林業資源管理，2011（6）：104-109.

［4］ 李媛媛.基于地物光譜儀與成像光譜儀耦合的玉米生長信息監測研究［D］.楊凌：西北農林科技大學，2017.

［5］ 張宗祥.基于地物類別的高光譜圖像超分辨率復原算法研究［D］.北京：北京工業大學，2017.

［6］ 王佳琪.高光譜圖像降維及端元提取算法的研究［D］.哈爾濱：哈爾濱工程大學，2015.

［7］ FILIPOV A，BOGDANOV K，OGNYANOV O.Remote sensing and Unmanned Aerial System（UAS）application for geological exploration［R］.2020.

［8］ SIMON A，SHANMUGAM P.Estimation of the spectral diffuse attenuation coefficient of downwelling irradiance in inland and coastal waters from hyperspectral remote sensing data：Validation with experimental data［J］.International journal of applied earth observation and geoinformation，2016，49：117-125.

［9］ ANG K L M，SENG J K P.Big data and machine learning with hyperspectral information in agriculture［J］.IEEE Access，2021，9：36699-36718.

［10］ PANDEY P C，ANAND A，SRIVASTAVA P K.Spatial distribution of mangrove forest species and biomass assessment using field inventory and earth observation hyperspectral data［J］.Biodiversity and conservation，2019，28（8/9）：2143-2162.

［11］ 羅仙仙.森林資源綜合監測相關抽樣技術理論與應用研究［D］.北京：北京林業大學，2010.

［12］ 羅仙仙，亢新剛.森林資源綜合監測研究綜述［J］.浙江林學院學報，2008，25（6）：803-809.

［13］ 戴淑儀.國際森林資源監測現狀研究及啟示［J］.中國資源綜合利用，2020，38（8）：86-88.

［14］ 張詩琪.高光譜遙感技術在現代林業中的應用與發展［J］.內蒙古林業調查設計，2021，44（1）：68-69，87.

［15］ 唐貴華.基于密度排序聚類和超像素分割的高光譜遙感影像降維方法研究［D］.深圳：深圳大學，2016.

［16］ HENNESSY A，CLARKE K，LEWIS M.Hyperspectral classification of plants：A review of waveband selection generalisability［J］.Remote sensing，2020，12（1）：1-27.

［17］ UPADHYAY V，KUMAR A.Hyperspectral remote sensing of forests：Technological advancements，opportunities and challenges［J］.Earth science informatics，2018，11（4）：487-524.

［18］ BIBIKOV S A，KAZANSKIY N L，FURSOV V A.Vegetation type recognition in hyperspectral images using a conjugacy indicator［J］.Computer optics，2018，42（5）：846-854.

［19］ VERAVERBEKE S，DENNISON P E，GITAS I Z，et al.Hyperspectral remote sensing of fire：State-of-the-art and future perspectives［J］.Remote sensing of environment，2018，216：105-121.

［20］ SANDINO J，PEGG G，GONZALEZ F，et al.Aerial mapping of forests affected by pathogens using UAVs，hyperspectral sensors，and artificial intelligence［J］.Sensors，2018，18（4）：1-17.

［21］ ZHANG B，ZHAO L，ZHANG X L.Three-dimensional convolutional neural network model for tree species classification using airborne hyperspectral images［J］.Remote sensing of environment，2020，247（1）：1-16.

［22］ 曾春陽，曾廣宇，程麗華，等.林地變化及景觀斑塊特征的演變［J］.中南林業科技大學學報，2012，32（8）：33-36，41.

［23］ JIANG C Y，FANG H L.GSV：A general model for hyperspectral soil reflectance simulation［J/OL］.International journal of applied earth observation and geoinformation，2019，83［2022-03-17］.https：//doi.org/10.1016/j.jag.2019.101932.

［24］ 王書民，張愛武，胡少興，等.基于隨機森林算法的航空高光譜數據分類方法研究［J］.科學技術與工程，2016，16（21）：83-87.

［25］ 劉少軍，易雪，張京紅，等.基于遙感的海南島橡膠林零平面位移和粗糙度估算［J］.熱帶作物學報，2016，37（10）：2028-2031.

［26］ XIE R，DARVISHZADEH R，SKIDMORE A K，et al.Mapping leaf area index in a mixed temperate forest using Fenix airborne hyperspectral data and Gaussian processes regression［J/OL］.International journal of applied earth observation and geoinformation，2021，95［2022-03-17］.https：//doi.org/10.1016/j.jag.2020.102242.

［27］ 梁玉亮.基于圖像的樹木三維建模與樹木參數提取［D］.哈爾濱：東北林業大學，2019.

［28］ GｏMEZ J A，ZARCO-TEJADA P J，GARCA-MORILLO J，et al.Determining biophysical parameters for olive trees using CASI-airborne and quickbird-satellite imagery［J］.Agronomy journal，2011，103（3）：644-654.

［29］ 曾加芹，朱俊賢，衛敏.不同干擾類型下川滇高山櫟群落結構特征［J］.西南農業學報，2013，26（5）：2043-2047.

［30］ 胡振華，王麗媛，岳彩榮，等.基于Hyperion數據的香格里拉森林郁閉度遙感估測研究［J］.西南林業大學學報（自然科學），2017，37（3）：159-164.

［31］ MODZELEWSKA A，FASSNACHT F E，STEREN＇CZAK K.Tree species identification within an extensive forest area with diverse management regimes using airborne hyperspectral data［J/OL］.International journal of applied earth observation and geoinformation，2020，84［2022-03-17］.https：//doi.org/10.1016/j.jag.2019.101960.

［32］ HYCZA T，STEREN＇CZAK K，BAAZY R.Potential use of hyperspectral data to classify forest tree species［J］.New Zealand journal of forestry science，2018，48：1-13.

［33］ LI M L.Dynamic monitoring algorithm of natural resources in scenic spots based on MODIS Remote Sensing technology［J］.Earth sciences research journal，2021，25（1）：57-64.

［34］ WAN L，LI H，LI C S，et al.Hyperspectral sensing of plant diseases：Principle and methods［J］.Agronomy，2022，12（6）：1-19.

［35］ 莢文.高光譜遙感數據BRDF校正與森林參數提取［D］.北京：中國林業科學研究院，2019.

［36］ JIANG X P，ZHEN J N，MIAO J，et al.Assessing mangrove leaf traits under different pest and disease severity with hyperspectral imaging spectroscopy［J/OL］.Ecological indicators，2021，129［2022-03-17］.https：//doi.org/10.1016/j.ecolind.2021.107901.

［37］ 李曉彤，覃先林，劉倩，等.基于AISA Eagle Ⅱ機載高光譜數據的森林可燃物類型識別方法［J］.遙感技術與應用，2021，36（3）：544-551，570.

基金項目 云南省教育廳科學研究基金項目“基于深度學習的多源遙感協同的森林生物量估測研究”（2021Y249）。

作者簡介 王書偉（1998—），男，河南商水人，碩士研究生，研究方向：數字林業與森林資源管理。*通信作者，碩士，從事數字林業與森林資源管理研究。

收稿日期 2022-09-09