基于高分辨率遥感影像的浙江省森林资源调查因子识别度研究

林 辉 骆剑承 詹立明 胡晓东 吴送良 周 楠

(1. 国家林业和草原局华东调查规划设计院，杭州 310019；2. 浙江省杭州市淳安县林业局，杭州 311700；3. 中国科学院空天信息创新研究院遥感科学国家重点实验室，北京 100101；4. 中国科学院大学，北京 100049；5. 中国地质大学，武汉 430074)

我国已建立了一套较为完善的森林资源调查体系：国家森林资源连续清查（一类调查）以省为总体抽样调查，服务于国家；森林资源规划设计调查（二类调查）基于经营单位或县级行政范围进行全面区划，为森林经理、规划设计提供基础数据；专项调查（三类调查）基于作业区按设计要求调查，提供作业操作层面数据。这些调查具有一个共同的特点，都是技术人员翻山越岭到现地逐一落实调查资源的数据，跋山涉水，工作量大，风险高，非常艰苦[1]。随着时代的发展，各项新技术的不断涌现，森林资源调查的技术和方法也不断地改进。遥感技术的广泛应用，特别是高分辨率遥感快速的发展，为遥感技术在森林资源调查方面应用带来了新的生机，尤其是为森林资源规划设计调查提供了强有力的技术支撑，全方位提高调查的效率和准确度，对调查方法产生革新性的影响[2−4]。

森林资源规划设计调查是以国有林场（圃）、自然保护区、森林公园经营单位或县级行政区域为研究范围，基于全面区划的调查，以满足森林经营方案、总体设计、林业区划与规划设计的需求。主要任务是查清森林、林地和林木资源的种类、数量、质量以及分布，客观反映调查区域自然、社会经济条件，综合分析与评价森林资源与经营的管理现状，提出对森林资源培育、保护与利用意见[5−6]。森林资源规划设计调查的难点在于范围广、综合性强、因子识别困难，尤其是南方集体林区森林植被种类丰富，穿插混杂在一起，山高路远，所到之处非常有限，即使是到现地，看到的也仅仅是眼前的局部，调查的技术要求非常高。经实践证明，高分辨率遥感影像在森林资源调查因子识别方面具有较大的优势。充分利用这一特点，可以提高调查效率和准确度，减轻外业工作量[7]。

遥感技术较早就用于森林资源调查。20世纪50年代初，组建森林航空测量调查大队被列入苏联援华156项重点工程，航空摄影测量技术首次引入到我国的森林资源调查工作中[8]。利用航空摄影测量进行小班区划，结合地面标准地进行林分调查，为起步阶段的森林资源调查作出了积极的贡献。1951−1980年为以航空遥感像片为主的目视解译应用阶段，建立了航空摄影和地面综合调查相结合的森林调查技术体系[9]。这一阶段的航空像片以黑白为主，通过不同的灰度及纹理特征获取调查因子的相关信息，信息较单一，空间分辨率较低。1978−1980年在腾冲开展了航空遥感试验，获取了黑白全色、黑白红外、天然彩色、彩色红外、多光谱等5种航空摄影像片。林业部提出树种识别的彩红外片色扇分析，森林材积估算，立地因子解析[10]。腾冲航空遥感试验在国产化、全面性、应用深度达到了空前的高度，为航空遥感的发展奠定了良好的基础。由于航空遥感成本高，国民经济发展水平有限，应用范围较窄，未能全面地推广应用。随着卫星遥感技术的发展，卫星影像在森林资源调查中逐步得到应用。1977年利用美国陆地资源卫星（Landsat）MSS图像首次对我国西藏地区的森林资源进行清查，填补了西藏森林资源数据的空白[11]。后续美国陆地资源卫星TM图像应用较多，利用计算机自动分类识别森林资源类型得到深入的研究。张淑芬等[12]在汪清林业局基于TM5图像采用动态聚类、组合监督分类，结果表明对针叶林和阔叶林的分类精度较高，而对混交林和其他用地的分类精度较低。但限于空间分辨率，分类局限于有限的类型，实用性并不强。进入21世纪，遥感技术得到快速发展，空间分辨率不断提高，数据采集能力进一步增强。同时，我国经济快速发展，人工成本随之上涨，遥感技术的应用就越来越广泛，特别是高分辨率遥感影像的应用普及化。白金婷[13]基于WorldView-2影像，采用两时相面向对象的多层次分类、单时相面向对象的单一层次决策树分类与单时相基于像元的随机森林分类方法，实现地物尤其是各植被类型的较高精度分类。陈玲等[14]认为高空间分辨率影像所包含的丰富的纹理信息能够较显著地提高森林资源分类精度，王妮等[15]、张周威等[16]、傅文杰等[17]和Kim等[18]研究也表明借助高空间分辨率遥感影像纹理信息能提高森林资源分类精度。采用自动分类的方法进行研究解决区域性的问题较为有效，但在生产实践中大范围的应用存在不少的困难，诸如数据源不同、时相差异大、共享数据是影像产品等都不利于自动分类。基于高分辨率遥感影像通过目视解译方法辅助森林资源调查依然是主要的应用方式。由于技术的发展，遥感影像的信息及其展现方式都有了很大的发展，为了更好的服务于实际生产，通过目视解译研究森林资源调查因子的识别度还是很有必要的。

浙江省的森林植被种类繁多，组成复杂，基于高分辨率遥感影像的森林资源调查因子识别具有较大的难度，在南方的集体林区中具有一定的代表性，以其作为研究区域具有一定的挑战性和必要性，对改进森林资源调查方法具有实际意义。

1 研究区概况

浙江省地处东南沿海，七山一水二分田。地形自西南向东北呈阶梯状倾斜，西南以山地为主，中部以丘陵为主，东北部是低平的冲积平原，包括浙北平原、浙西丘陵、浙东丘陵、中部金衢盆地、浙南山地、东南沿海平原及滨海岛屿等六个地形区。

属亚热带季风气候，季风显著，四季分明，年气温适中，光照较多，雨量丰沛，空气湿润，雨热季节变化同步，气候资源配制多样，气象灾害繁多。

土壤以黄壤和红壤为主，占全省总面积的70%以上，多分布在丘陵山地。平原和河谷多为水稻土。沿海有盐土和脱盐土分布。

植被资源在3 000种以上，属于国家重点保护的野生植物有45种。树种资源丰富，素有“东南植物宝库”之称。森林生态系统的多样性总体上属于中等偏上水平，森林植被类型、森林类型、乔木林龄组类型较为丰富。

按照全国植被区划，浙江省森林植被属于我国东部湿润林区、亚热带常绿阔叶林带、常年湿润常绿阔叶林东部组的中亚热带常绿阔叶林区带的南带与北带的过渡带。地带性顶极植物群落是常绿阔叶林，其组成复杂，主要类型有甜槠（Castanopsis eyrie）、木荷（Schima superba）林、青冈（Cyclobalanopsis glauca）、苦槠（Castanopsis sclerophylla）林、樟木（Cinnamomum camphora）林等，还有亚热带针叶林、针阔混交林以及灌草丛。竹（Bambusoideae）林分布广泛，经济林种类繁多。

2 研究方法及数据源

2.1 研究方法

浙江省林业主管部门根据相关技术规范并结合实际需要，将调查因子归为10大类：区划因子、立地因子、林地属性因子、植被与生态因子、林业分类区划因子、林带调查因子、森林资源调查因子、其他类型因子、散生四旁因子以及树带因子[19]。

森林资源调查因子包含权属、地类、林种、起源、树种组成、优势树种、年龄、平均胸径、平均高、优势高、郁闭度、疏密度、单位株数等[19]。森林资源调查因子是主要因子，也是调查难度最大、花费时间和精力最多的因子，改进这些因子获取的方法具有重要意义。

结合浙江省2015−2017年森林资源规划设计调查成果与相应的高分辨率遥感影像，选取典型小班，以目视解译方式对比影像特征及调查因子，在系统分析的基础上，归纳总结相关关系，得到基于高分辨率遥感影像的森林资源调查因子识别度的结论。

2.2 研究的数据源

研究所使用的高分辨率遥感影像主要由浙江省测绘档案资料馆提供，用于浙江省森林资源规划设计调查。按1:10 000地形图分幅，RGB模式，tif格式存储的DOM数据。主要为2012−2013年采集的航空影像，空间分辨率为0.5 m，部分区域影像采用高分辨率的卫星遥感影像（WorldView，空间分辨率0.5 m）。研究直接采用提供的成品影像，局部作了增强处理。

3 结果与分析

3.1 地类识别

地类是一项最基本的因子，无论是森林资源调查，还是管理应用都非常重要。地类的分类系统与地表的覆盖物相关性较强，与其自然属性高度相关，但也参杂了用途、成因等一些因素，是多因素分类，这为识别带来了一定的难度。

地类分三级：一级地类包括林地和非林地；二级地类分为乔木林地、竹林地、疏林地、灌木林地、未成林造林地、苗圃地、迹地、宜林地；在三级地类中，灌木林分为特殊灌木林地和一般灌木林地，迹地分为采伐迹地、火烧迹地、其他迹地，宜林地分为造林失败地、规划造林地以及其他宜林地[19]。

乔木林地、灌木林地、竹林地主要是由树种确定地类。竹林的影像特征比较明显，易于区分（图1c）。乔木林的幼林与灌木林容易混淆，影像特征非常接近，现地区分也有困难。乔木幼林与未成林造林地、迹地、宜林地也不易区分（图1b），但是，绝大部分乔木林影像特征明显易于区分（图1a），难以区分的是处于分类边缘的乔木林地。灌木林地三级地类分为特殊灌木林地和一般灌木林地。特殊灌木林中的高山灌木林，在浙江省内只分布在凤阳山和天目山高海拔地区，数量非常少，其影像特征与一般灌木林的特征是一样的，只是由于高海拔原因而归为特殊灌木林。特殊灌木林中的经济树种灌木林，种类繁多，体现出来的影响特征也是各种各样，可以结合经济树种的分类进行区分（图1d）。疏林地在浙江省内已经不多见，影像特征介于乔木林地和宜林地，地表有树，但稀疏，属于过渡地类，区分界线不明显，从影像和现地进行区分都有难度（图1e）。

图1 林地的二级地类Fig. 1 The secondary land category of the forest

未成林造林地与乔木幼林、宜林地、迹地比较接近，相互之间难以区分，根据营造林档案资料及现地才能确定，但区划、面积求算可以利用影像具有清晰边界的特点来处理。

苗圃地主要以农田临时苗圃为主，其中大苗与平原片林的特征一致无法区分，山地有规划的苗圃数量较少，一般根据档案资料来确定。

宜林地、迹地相互之间的影像特征不明显，不易区分。但火烧迹地具有较为明显的特征，过火地块呈黑色、褐色，与周边没过火地块有明显的区别，从影像就可以区分。丘陵、平原地带的宜林地、迹地与荒废的农田影像特征比较接近，较难区分（图1f）。

地类的识别度比较高。乔木林地、竹林地以及经济灌木林地基本可以区分，尤其是竹林识别度非常高，一般不会出错，这三种地类占浙江省林地面积的91.96%[20]。这三种地类少部分处于边缘的较难区分，但是其他地类也有一定的可识别度，那么高分辨率遥感影像在浙江省的地类识别度可以高达到90%以上。如果辅以经营档案、历史资料，参考当地的种植习惯，再通过适当的现地建标以及少量的现地调查，那么基本可以解决地类的问题。

3.2 竹林识别

竹林地的面积占浙江全省林地面积的14.03%[20]，所占比重较大，是森林的重要组成部分，其生物特性极其特殊，而且竹林的影像特征非常明显，容易识别。竹林以纯林为主，连片生长，生长迅速，高度比较一致。影像特征为色调均匀，纹理一致，与周边植被有明显的区分界线（如图2a）。颜色呈黄绿色、翠绿色，鲜艳亮丽，不同的季节色别有所变化，冬季、初春偏黄（图2c），夏季转绿，与生长势相关性也较大，生长旺盛偏绿，否则偏黄（图2b）。

图2 毛竹林影像特征示例Fig. 2 Example image features of Phyllostachys heterocycla (Carr.) Mitford cv. Pubescens forest

竹子种类较多，在浙江省内主要分布的是毛竹（Phyllostachys edulis）林，一般高于周边的乔木林，竹林边缘有明显的高差，可以感觉到竹子的高度，相较于其他竹种颗粒较粗，颜色为绿、黄绿色。

雷竹（Phyllostachys violascens 'Prevernalis'）主要用于产雷笋，一般种植在耕地上或地势较为平缓的丘陵，便于管理，其影像纹理细密整齐，立体感强（图3a）。绿竹（Bambusa oldhamii）为丛生竹，丛状分布在影像中特征明显，色泽呈翠绿色（图3b）。高节竹（Phyllostachys prominens）的影像纹理特征明显，呈均匀的颗粒状，颗粒度较毛竹要小，比雷竹大，散生（图3c）。

图3 竹的种类Fig. 3 Types of Bambusoideae

3.3 乔木树种及龄组识别

乔木树种根据叶的形状分为针叶和阔叶；根据叶的物候特征分为常绿和落叶。这些特征在影像上都有很大的区别。森林资源规划设计调查涉及的树种繁多，一般以树种组体现。

针叶树种主要有松（Pinus）、杉（Taxodiaceae）、柏（Cupressaceae）等的影像特征比较明显。

马尾松（Pinus massoniana）的影像呈无规则、树冠边缘细毛绒，颜色淡绿、深绿。幼龄林颗粒较小，由于树冠较小，毛绒状不是特别明显（图4a），除东南角为成熟马尾松林外，其他的都是马尾松幼龄；中龄林颗粒变大，树冠边缘的毛绒状逐渐显现（图4b），黄绿色大颗粒的为马尾松；近熟林颗粒进一步加大，树冠边缘的毛绒状非常明显（图4c），大颗粒的、绿色和黄绿色的都是马尾松；成熟林与近熟林的特征比较接近，较难区分，不同的密度和立地条件，其影像特征也有区别（图4d、4e），但树冠边缘的毛绒状的特征明显；过熟林一般分布均匀程度下降，植株高大，个体之间差异也较大（图4f），大颗粒、黄绿色的是马尾松。

图4 马尾松影像特征示例Fig. 4 Example image features of Pinus massoniana Lamb

黄山松（Pinus taiwanensis）与马尾松的影像特征非常接近，一般生长在海拔800 m以上的区域。树冠边缘的毛绒没有马尾松明显，但也有体现，颗粒形状不规则，比杉木大，排列也不太整齐，如图5所示。

图5 黄山松影像特征示例Fig. 5 Example image features of Pinus taiwanensis Hayata

湿地松（Pinus elliottii）一般为人工种植，其影像排列整齐，颗粒规整。幼龄林呈圆点状、亮绿色（图6a）；中龄林颗粒加大，植株之间空隙减少，色调加深（图6b）；成熟林颗粒加大，植株分布差异化（图6c）。

图6 湿地松影像特征示例Fig. 6 Example image features of Pinus elliottii

杉的影像呈规则细颗粒状，排列整齐，密密麻麻，颜色为绿色。未成林造林地颗粒细小，与其他树种很难区分（图7a）；幼龄林颗粒增大，排列整齐，与其他树种开始可以区分（图7b）；中龄林颗粒进一步增大，排列紧密（图7c）；近熟林颗粒更加明显，与其他树种区别明显，易于区分（图7d）；成熟林颗粒较大，呈圆点状，排列紧密（图7c）；过熟林颗粒大小不均匀，分布亦不均匀，色调也有变化（图7f）。图7f中的翠绿色的树为柏树。

图7 杉影像特征示例Fig. 7 Example image features of Taxodiaceae

柳杉的影像呈圆颗粒，排列整齐，颜色为翠绿、深绿，较为鲜艳，与颗粒与杉接近，色别偏绿一些，如图8所示。图8f为天目山柳杉王附近的过熟林，林木高大，株数较少，分布不均匀，单位蓄积量非常高。

图8 柳杉影像特征示例Fig. 8 Example image features of Cryptomeria fortunei Hooibrenk ex Otto et Dietr

柏的影像呈颗粒状，排列整齐，颜色为翠绿、深绿，特别鲜艳，成规模分布的数量不多，特征明显，与其他树种区别较大，如图9所示。

图9 柏影像特征示例Fig. 9 Example image features of Cupressaceae

紫杉（Taxus cuspidata）数量较少，未成林造林地与其他树种接近，难以区分（图10a）；中龄林颜色为亮绿色，植株明显（图10b）；过熟林植株之间分化差异较大，颜色为亮绿、深绿色（图10c）。

图10 紫杉影像特征示例Fig. 10 Example image features of Taxus cuspidata

阔叶树种非常多，一般以混交林的形式存在，在调查的过程中，主要区别于针叶树种，其影像特征比较明显，颗粒较大，大小不一，个体之间差异较大，形状一般不规则。但不同的阔叶树种之间的影像变化较大，色调随时相变化，如图11所示。

图11 阔叶树的种类Fig. 11 Broad-leaved tree species

3.4 经济树种识别

经济树种一般是为了利用林木的果实，经营力度较大，下层植被较少，影像特征明显。树种类型较多，包括了乔木和灌木，茶树（Camellia sinensis）、柑桔（Citrus reticulata）、杨梅（Myrica rubra）、栗（Castanea mollissima）、山核桃（Carya cathayensis）等都有较大规模种植，高分辨率遥感影像的识别度较高，再辅以地方传统种植习惯，规模性种植的经济林可以达到较高的识别度。

茶叶的影像特征明显，植株矮小，连片种植，排列整齐绵密，均匀分布，呈翠绿色，经营程度非常高（图12a），经营作业道规则分布，人工痕迹明显。

图12 经济树种示例Fig. 12 Examples of economic tree species

柑桔的影像特征呈现多样化，颗粒清晰，呈绿色调，大小均匀，排列规则，下层植被稀疏（图12b），小路的西南部分为幼林，覆盖度较低，行状排列明显；东北部为盛产期，植株长大，覆盖度较好，排列绵密紧致。

杨梅的影像特征明显。尤其是规模经营的杨梅基地，植株矮化，扁平化发展；影像颗粒成圆球状，呈绿色，大小一致，分布均匀，排列规则；幼林植株间距较大，随着林木的生长，盖度逐渐增加（图12c）。

板栗是高大乔木，作为经济林培育经常进行矮化培育。板栗是落叶树种，特征与栎（Quercus leana）类接近。春天出新叶，呈亮绿色；夏季开白色碎花。如图12d，在秋天树叶变色未落之前成棕褐色，识别度非常高。

山核桃为阔叶乔木，落叶树种，生长季与阔叶乔木、灌木接近，较难区分（图12e）。冬季落叶，年头较长的，枝干明显（图12f）。

香榧（Torreya grandis'Merrillii'）为常绿针叶乔木，古树多为散生。近年来，香榧进行规模种植，影像特征呈较大圆球形，球形中间颗粒状明显，色泽呈深绿色（图12g）。

厚朴（Houpoea officinalis）为阔叶乔木，影像特征呈密集细颗粒状，与杉、柳杉较接近，颜色区别较大，亮灰绿色、褐色，颗粒大小均匀（图12h）。

其他经济树种还有桃（Prunus persica）、梨（Pyrusspp.）、李（Prunus salicina）、樱桃（Prunuspseudocerasus）、枇杷（Eriobotrya japonica）等，以零星种植为主，偶而有规模种植，经营较好的影像特征为整齐排列，人工种植特点明显，但具体细分到树种，则需要结合经营资料或现地调查，从影像上区分困难。

3.5 树种组成和蓄积识别

乔木林一般都由多树种组成，根据蓄积或株数确定各树种的成数，按十分法记载。对高分辨率影像进行树种识别的同时，按不同树种蓄积所占的比重确定树种的成数，从而获取树种组成。相对于树种识别，树种组成需要蓄积或株数的量化，难度更大，准确率也会降低。蓄积的确定主要通过对色调、结构、形状、分布进行分析识别，从而得出相对的数据，结合野外建标，映射为绝对的数值。

图13a为杉、柏、马尾松混交林。东北角翠绿色的为柏木，其余的细小颗粒的为杉木，颗粒较大呈草绿色的是马尾松。马尾松株数较少，树较高，杉木数量较多，从图面分析树种组成为6杉2柏2马，单位蓄积105 m3/hm2，成熟林。

图13 混交林的树种组成Fig. 13 Example of tree species combination in a mixed forest

图13b为杉、檫（Sassafras tzumu）混交林。大颗粒是开花的檫树，早春季节，檫树特征特别明显，细小颗粒是杉木。人工种植杉木和檫树混交，此影像是采伐后萌芽的二代杉木，而檫树则一直未采伐，故檫树明显要高于杉木，其蓄积占主要成数，树种组成7檫3杉，单位蓄积90 m3/hm2，成熟林。

图13c为杉、马混交林。小颗粒的是杉木，大颗粒毛绒状草绿色的是马尾松。马尾松的冠幅较大，但数量较少，杉木数量较多，树种组成6杉4马，单位蓄积120 m3/hm2，成熟林。

一是基层思想政治工作队伍没有从企业改革发展的大局高度认识和把握，没有根据形势变化及企业不同发展阶段的要求来开拓基层思想政治工作内容、方法、载体的新思路。“说起来重要，做起来次要，忙起来不要”的现象仍然存在。突出表现在：一讲思想政治工作就开会，一做思想政治工作就座谈，一忙生产就把思想政治工作放到一边。还有的基层单位，把做好思想政治工作简单地理解为做做记录、搞搞活动、发发纪念品等等。

图13d为阔、杉、马混交。圆球形的大小不一、颜色各异的是硬阔类；树种较多，草绿色大颗粒的是马尾松；细小颗粒的是杉木，硬阔类占绝对的优势。树种组成8硬1杉1马，单位蓄积120 m3/hm2，幼龄林。

图13e为杉、阔混交。圆球型大颗粒的为硬阔，细小颗粒的是杉木，杉木占绝对优势，硬阔冠幅较大，杉木冠幅较小，单位蓄积反而是杉木高。树种组成8杉2硬，单位蓄积90 m3/hm2，成熟林。

图13f为阔、杉、马混交。大颗粒的为硬阔，细小颗粒的是杉木，草绿色大小不一的是马尾松，各树种的成数较接近，硬阔稍占优。树种组成4硬3杉3马，单位蓄积150 m3/hm2，中龄林。

图13g为马尾松、杉木、硬阔混交。草绿色、排列紧密、颗粒不大的为马尾松，细小颗粒的是杉木，圆球形大小不一的是硬阔类。树种组成6马3杉1硬，单位蓄积15 m3/hm2，中龄林。

图13h为杉木、马尾松混交。细小颗粒、排列紧密、蓝绿色的是杉木，大颗粒、草绿色的是马尾松，杉木占绝对优势。树种组成8杉2马，单位蓄积165 m3/ hm2，成熟林。

图13i为硬阔、紫杉。为村口的风水林，圆球形、大颗粒是硬阔类，翠绿较小颗粒的是紫杉，树龄较长，接近百年，单位株数较少。树种组成9硬1紫杉，单位蓄积165 m3/hm2，近熟林。

图13j为马尾松、栎类、杉木混交。褐绿色、颗粒大小不一的是马尾松，颗粒较小、蓝绿色的是栎类，细小颗粒的是杉木。树种组成7马2栎1杉，单位蓄积75 m3/hm2，中龄林。

图13l为黄山松、杉木。大小不一、毛绒状的是黄山松，细小颗粒是杉木，黄山松特征与马尾松接近，占绝对优势。树种组成8黄山松2杉，单位蓄积75 m3/hm2，近熟林。

图13m为马尾松、杉木。大颗粒、不均匀、草绿色的是马尾松，细小颗粒是杉木，马尾松占绝对优势。树种组成9马1杉，单位蓄积135 m3/hm2，成熟林。

图13n为杉、硬阔、马尾松。细小颗粒为杉木，大小均匀，杉木占绝对优势；圆球形、大小不一为硬阔；毛绒状、草绿色的为马尾松。树种组成 7杉 2硬 1马，单位蓄积 135 m3/hm2，过熟林。

图13o为檫、栎类、杉。棕黄色团状的为檫树，较为高大，占主导地位；绿色的为硬阔，以栎类为主，相对矮小；杉木数量较少，小颗粒状，较难识别，此处原为杉木与檫树混交造林，杉木采伐后有部分萌发，所以有少量杉木，比重较小。树种组成6檫3栎1杉，单位蓄积97.5 m3/hm2，成熟林。

4 结论与讨论

基于高分辩率遥感影像的森林资源调查因子的识别是综合性的分析判别，可以根据遥感影像的纹理、色调、结构、分布进行识别，也可以根据物候、地域、相关资料进行识别，识别的依据是多样化的，与现地调查的经历更是息息相关。

根据森林资源调查因子在高分辨率遥感影像上反映出来的特点，其识别度分成4个类型：强识别、可识别、弱识别和不识别。

地类、郁闭度和优势树种属于强识别类，这3项因子在影像上特征明显，可识别度较高。其中，地类之间的特征最明显，易于区分。郁闭度主要根据林木覆盖情况，在影像上也有较好的体现。不同的优势树种体现出来的色彩、纹理等影像特征也是不同的，区分界线明显。

树种组成、龄组、单位蓄积属于可识别类。研究区域内分布的树种较多，树种组成较为复杂，树种的成数以各树种蓄积的成数来确定，涉及树种、蓄积因子的识别，具有较强的综合性，难度较高，但影像特征也有较好的反映。而龄组的确定涉及起源、林龄、树种等因子，识别难度进一步加大，但通过综合判断也是有一定的识别度。

起源、年龄、龄级、产期、平均胸径、平均高、优势高、疏密度以及单位株数属于弱识别类。起源在低林龄段影像特征较为明显，成林之后识别难度增加。年龄、龄级、产期精准的数值通过影像不能识别，但相对性还是比较明显。平均胸径、疏密度、单位株数通过对影像的综合分析，可以得到一些有效线索。影像是俯视成像，但也有一定的倾斜角，在林缘林木的相对高度方面有所体现。

权属、林种属于不识别类。这2项因子与森林资源的自然属性相关性不强，在影像特征上没有直接的体现，故确定为不可识别。

森林资源调查因子随着遥感影像分辨率的提高，其可识别程度也在不断的提升，不同分辨率级别的影像识别的方法也是有所区别，高分辨率的影像为森林资源调查因子提供了较好的可识别性，但也存在许多值得探讨的问题。

一是综合性。森林资源调查因子之间的关联性较强，如地类的识别与树种的识别直接相关，确定了树种，也就确定了地类。在识别过程中，并不是单一因子的识别，而是整体性去考虑各因子。同时，可以结合林业生产经营档案，解决未成林造林地、乔木幼林、经济林等困难识别类型相关因子的确定。

二是物候性。由于植被的物候特征明显，识别与影像的时相相关，如枫香（Liquidambar formosana），春季亮绿色、夏季深绿色、秋季红色、冬季落叶。图14a是夏末初秋的水杉（Metasequoia glyptostroboides），色调依然以绿色为主，部分梢头已经开始变红，这说明正向秋季过渡。图14b是秋季，水杉已经全株红色，尚未落叶，周边的竹林和阔叶依然呈现绿色。图14c是深秋季节，枫香呈现红、黄、褐多种颜色，色彩斑斓，景观效果非常好，夹杂绿色的是紫杉，落叶树种与常绿树种在秋冬季有明显的区别。图14d-图14f是同一地块在不同时期的影像，位于浙江省文成县的红枫古道。其中，图14d是春季，枫香刚长新叶，亮眼的绿色呈现勃勃的生机，与周边深绿色的马尾松林具有明显的区分；图14e是夏季，枫香叶已转为深绿色与马尾松的颜色基本一致；图14f是冬季，枫香的树叶已经枯萎呈现为棕褐色，与常绿的马尾松有明显的区别。因此，多时相的影像对因子识别很帮助，在识别时要充分考虑时相的影响。

图14 不同季节的植被示例Fig. 14 Examples of vegetation in different seasons

三是相对性。如龄组、蓄积的识别往往是相对的，进行相互之间的比较得出相对值，再结合现地的经验，估测具体的数值。相邻地块因子的识别也具有很强的相对性，是单一地块很难确定的因子，通过对相邻地块的异同分析，可以提升识别度。树种的区别也是相对的，特征的表述是不同树种之间的比较，在比较之中体现不同点，最终达到识别的目的。

四是地域性。植被的分布受区域限制，在一定区域内的植被是有其特点的，可以直接排除没有的物种，常见物种出现的概率比较大。一定地域之内传统种植习惯对植被的分布影响较大，特别是速丰林、经济林等与此相关较大。掌握区域概况，可以缩小种类的识别范围，有助于提高识别的正确率。

五是现地调查。现地调查对识别的准确性尤其重要，影像与现地的对应是森林资源调查因子识别的基础，现地的经历越多，则识别的准确性就越高，识别的效率也越高。传统的调查方法通过标准地训练，提高调查技术人员的目测能力，基于高分辨率遥感影像的森林资源调查因子识别，也需要经过大量的识别训练才能提高技术能力，结合实地调查是一种可靠的训练方法，不仅可以增加感性的认识，而且有利于对地方情况的了解。同时，各因子边缘类型、难以识别类型还是需要现地调查来完成。

六是数据源。遥感影像数据源较多，不同的数据源识别度的差异较大，上文所列举的实例主要以航空影像为主，空间分辨率为0.5 m，具有较好的识别性。分辨率相近，不同的数据源对识别影响也是很大的，航空影像可识别度高于卫星影像，细节处的表现航空影像更胜一筹。影像的拍摄时间和角度对识别的影响也比较大，不同时间和角度的光影对高差较大的山区的成像效果都有较大影响[21−22]。影像对地物的体现是一个相对的反映，后期的影像处理，特别是影像增强处理，对最终的识别有较大的影响。

浙江省四季分明，典型的亚热带季风气候，雨水充沛，光热条件较好，植被类型丰富，树种多样，给森林资源调查因子的识别带来了困难，但是因其特有的气候、地貌、土壤等条件，也为识别带来了便利。例如，经济林中的茶叶、柑橘、板栗、杨梅等种植较多，而且不同的区县种植习惯不一样，根据这些特点就可以得到较好的识别结果；由于季相变化分明，枫香、檫树、水杉等落叶树种就可以根据不同时相的数据进行区分；针叶树主要以马尾松、杉木为主，没有分布北方的红松、落叶松等。

森林资源是自然保护地的重要自然资源，采用现代遥感技术快速、准确地调查自然保护地内的森林资源是保护管理的需要，积极探索高分辨率影像在森林资源调查中的应用，对自然保护地的保护管理具有重要意义。森林资源调查的工作量巨大，即使应用高分辨遥感影像进行调查因子识别，依然有很大的工作量。基于现有的调查成果，结合影像的识别知识，运用机器学习、深度学习实现自动识别，则可以减少大量的人工劳动，提高效率，更客观地提取调查因子，推动森林资源调查方法的革新，这是值得期待的研究方向。