高光谱遥感森林资源监测原理与应用

王书伟　席磊　邱霜　宋涵玥

摘要 高光谱遥感技术作为当前遥感领域的研究热点之一，凭借其出色的光谱识别能力和近似连续的地物光谱信息探测技术，在森林结构参数获取、树种精细识别、森林病虫害监测和森林火灾识别中的应用取得了显著成果。介绍了高光谱成像技术的发展及原理，阐述了近年来高光谱遥感技术在森林资源监测中的应用现状，最后对高光谱遥感技术在森林资源监测中未来发展方向进行了总结与展望，以期为高光谱遥感技术在林业中的应用寻找新的突破方向。

关键词 高光谱遥感；森林资源监测；应用

中图分类号 S 758.4文献标识码 A文章编号 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

森林資源监测是森林资源的数量、质量、空间分布及其利用状况进行定期观测分析与评价工作，是提高森林资源精细管理的重要举措［1］。森林资源作为自然资源的重要组成部分，是人类社会可持续发展的重要物质资源，兼具经济效益、社会效益和生态效益，在调节气候、维护生态平衡、保护生物多样性等方面具有不可替代的作用。我国森林资源丰富、类型多样，但分布不均、人均不足，在20世纪后半叶历经3次锐减，造成森林结构严重失调，生态环境恶化，自然灾害频发，为了解我国森林资源的实际情况，客观反映全国森林资源的状况，农林部于1973年开展第一次全国森林资源清查工作，先后完成了8次森林资源清查，为我国各个时期制定林业方针政策、编制林业发展规划及森林生态经营效果评估等提供了重要依据［2］。

自1999年第六次全国森林资源清查工作开始，“3S”技术［地理信息系统（GIS）、遥感（RS）、全球定位系统（GPS）］在森林资源清查工作中首次应用，有效弥补了传统森林资源调查效率低、周期长、工作量大和调查人员人身安全难以有效保障等问题［3］。20世纪中后期开始，人类对地观测的需要促使遥感技术飞速发展，不同种类的传感器层出不穷，期间成像光谱仪从问世到更新迭代仅不到4年的时间，高光谱成像技术开始进入人们的视野，成为遥感领域不可或缺的一项关键技术。高光谱成像技术的快速发展和在地物识别领域的成功应用，使得这一遥感技术进入农林领域并广泛应用，成为林业工作者进行森林资源调查的有力工具，给我国森林资源清查提供了新的技术手段，庞大的数据支撑在全国森林资源动态监测中起到了重要作用。

1 高光谱遥感与森林资源监测

高光谱分辨率遥感（hyperspectral remote sensing）是利用成像光谱仪在电磁波谱的可见光、近红外和中红外和热红外区域，获取高分辨率波段窄且连续的光谱图像数据［4］。高光谱成像技术在捕获目标图像信息的同时，获取目标光谱信息，即高光谱的“图谱合一”技术优势，同传统遥感技术相比，高光谱图像中包含丰富的空间、辐射和光谱信息［5］，使其迅速成为当前遥感领域的前沿科技热点。高光谱遥感技术光谱分辨率可达纳米级，具有成像波段多、光谱覆盖范围广等特点［6］，自诞生以来一直是遥感领域的热点课题，数十年的发展与技术积累，高光谱遥感技术凭借其独特的技术优势广泛应用于国民经济建设的各个领域，在地质勘测［7］、海洋遥感［8］、现代农业［9］、大气与环境监测［9］和森林资源调查［10］等方面的应用已经进入成熟阶段，成为我国林业工作者进行森林资源调查和森林质量监测的有力工具［11］。

森林资源监测是指在一定时间和空间范围内，利用各种信息采集和处理方法，对森林资源状态进行系统的测定、观察、记载、分析和评价，以揭示区域森林资源变动过程中各种因素的关系和变化的内在规律，展现区域森林资源演变轨迹和变化趋势，满足对森林资源评价的需要，为合理管理森林资源，实现可持续发展提供可靠决策依据［12］。监测内容包括对土地类型、权属、覆盖度、地形、生物量、蓄积量、树种、树高、胸径、郁闭度等近40项内容进行调查［13］，对森林资源进行监测，及时掌握森林资源动态变化，有利于相关管理部门确定森林资源现状，实现森林资源的同步评估和测量，为现代林业的研究和发展提供强劲动力。

2 高光谱遥感技术监测原理

高光谱遥感（hyperspectral remote sensing）又称高光谱分辨率遥感，是利用不同平台上的传感器以数百个连续的光谱波段对研究区成像，从感兴趣的地物中获取一条完整而连续的光谱曲线和数据图像。高光谱成像技术源于光谱学和成像技术的交叉融合，其原理是利用窄而连续的光谱通道持续对地标地物进行遥感成像的一种新型成像技术，使用的可见光和短波红外的光谱分辨率可达纳米数量级［14］，具有分辨率高、光谱通道多、在某一光谱段范围内连续成像等特点。高光谱独特的技术优势使其不仅能识别地表地物信息，还能识别被探测物体的结构和成分［15］，这一技术优势使得高光谱成像技术在遥感领域独树一帜，在多个领域的应用中大放异彩。

地物光谱特征是高光谱成像技术进行地物识别与分类的关键，不同的地物和地貌在不同的波段下会产生不同的反射率和折射率，反射出独特的光谱反射特征，根据研究需要选择波段和进行波段变换，反演地物光谱信息并进行分类与识别，实现地物参数提取与分析，达到地物精确识别的目的。高光谱成像可为每个像元提供多达上百个波段，更窄的光谱范围和更高的光谱分辨率也使得高光谱成像技术可以识别更多的地物信息，捕捉更细微的光谱差异，获取更高的识别精度。植物具有非常明显且独特的光谱反射特征，这是由植物的形态学特征和化学特征所决定的，这些反射特征使其在可见光和近红外波段下能够产生较高的反射率，根据植物光谱反射特征，采用成像光谱仪获取植物的反射光谱，进行波段分析和特征反演［16］，达到对植物的生理参数和生化参数的提取，从而实现无接触式森林资源监测和森林参数获取。高光谱遥感技术的出现为林业工作者进行森林资源监测提供了新的技术手段，利用高光谱遥感技术提取森林资源信息逐步成为森林资源调查的趋势。

3 高光谱遥感森林资源监测原理与应用

森林资源监测是森林资源管理和林业可持续发展的基础，其目的是及时掌握森林资源现状和动态变化，是现代森林经理的重要手段。高光谱遥感技术凭借其丰富的光谱信息和范围性获取目标区域光谱信息优势，在进行森林资源调查与分类［17］、植被覆盖参数获取［18］、森林火灾［19］和病虫害监测［20］等方面取得了成功的应用。高光谱遥感技术在树种识别方面发挥着重要作用，基于机载高光谱成像在森林树种精细识别方面具有显著优势［21］，高光谱遥感技术在林业上的成功应用，节约了大量的人力、物力资源，有效保障了数据实时性和准确性，满足了定期掌握森林资源动态变化的需要，为确定森林生态结构及调整林业规划布局提供了重要參数。

3.1 森林资源信息获取

3.1.1 基于光谱特征技术对林地类型的识别。

林地作为一种重要的自然资源，是其他一切森林资源的载体，对于保障森林生态系统安全和提供林产品具有重要意义，区分林地类型是进行森林资源调查与统计的关键，也是选择造林地和苗圃地的关键举措。根据我国《森林资源规划设计调查主要技术规定》（2003年），将土地类型划分为林地和非林地两大类，其中，林地划分为有林地、疏林地、灌木林地、未成林地、苗圃地、无立木林地、宜林地和辅助生产林地8个类型［22］。准确识别林地类型是开展森林资源调查的关键，高光谱遥感对林地类型的识别一方面基于植物反射的光谱特征来实现，另一方面，基于林地的自然条件来实现，根据土壤、水体和岩石反射波谱特征实现对林地类型的判定［23］。

不同类别的植物在可见光波段的差异较小，但受限于内部结构、外部形态以及化学元素含量的不同，在近红外波段差异明显，以此作为区分林地类型的关键要素，对林地内植物类型进行分类，实现对林地类型的识别。高光谱遥感技术对非林地的识别更多依赖于对立地类型和立地条件中的水、土因子的实现，在高光谱影像完成预处理后进行坡度与坡向提取，判断立地条件，再根据土壤的光谱反射特征实现对非林地类型的进一步细化，完成非林地类型的分类。相较于传统的林地类型判别方法，采用高光谱遥感技术对林地类型进行识别与分类能够有效减少人力物力支出，提升工作效率和分类精度。最后为进一步验证结果的可靠性，可以采用全国森林资源调查规划设计调查结果对高光谱遥感技术分类结果进行验证，进一步增加了结果的可信度与说服力。王书民等［24］使用机载高光谱数据采用随机森林算法对林地和裸地进行分类，分类精度高达91.2%，为大面积林地类型分类提供了可行性。

3.1.2 叶面积指数。

叶面积指数（LAI），又称叶面积系数，是指单位土地面积上植物叶片总面积占土地面积的倍数，即叶面积指数=叶片总面积/土地面积［25］。叶面积指数作为植物生长状况的一个重要指标，也是反映森林生物量的重要参数，获取高精度的LAI参数在生态环境研究中具有重要的科学价值和研究意义［26］。当前，森林叶面积指数的测量方法主要分为直接测量法和间接测量法两大类［27］，传统叶面积指数测量多采用直接测量法进行测定，包括叶片采集和测量两个步骤，具有技术成熟、测量结果精度高等特点。采用直接测量方法对植物具有一定的破坏性，测量过程烦琐、耗时耗力、获取数据周期长、效率低及采样不具有代表性等缺点，使得该方法多用于小范围林地叶面积指数计算，其计算结果也多用于验证遥感图像反演结果，是间接测量法的重要比对方法。

间接测量法是当下广泛使用的一种叶面积指数测量方法，因其经济高效、简单快捷且不会对植物产生破坏性损失等优点，成为当下大范围测量森林叶面积指数的有效途径。通过卫星遥感数据完成森林叶面积指数测量的方法又称为空间测量法，是快速估测大范围林地叶面积指数的唯一途径，采用高光谱遥感技术进行植物叶面积指数测量和作物生长参数的反演是遥感领域研究的热点，国内外众多学者取得了良好的研究成果。Gómez等［28］使用机载成像光谱仪（CASI）获取的高光谱图像和QuickBird卫星传感器获取的全色0.6 m空间分辨率图像对单个橄榄树的叶面积指数进行评估，采用光谱植被指数（归一化差异植被指数，重归一化差异植被指数）和简单比率指数进行对比分析，结果表明，修改后的简单比率与CASI图像产生更好的相关性。

3.1.3 森林郁闭度获取。

郁闭度又称冠层盖度，是指森林中乔木树冠对林地遮蔽的程度，是乔木树冠垂直投影面积与林地面积的比值，用以反映林分的密度，常以十分法表示［29］。森林郁闭度是森林结构的重要指标之一，用以控制抚育采伐和择伐、渐伐强度，划分有林地、疏林地和未成林造林地的重要指标。

森林树冠层作为森林立体结构的最上层，是森林与外界进行物质和能量交换的主体，在遮阴保湿、截留降水、削弱辐射方面具有重要作用，郁闭度的大小直接影响着林地的气候环境，在对森林郁闭度的提取中，国内外众多学者采用了不同方法进行估测，大体可划分为直接测量法和间接估算法。传统的森林郁闭度测定方法包括目测法、测线法、树冠投影法和样点样线法等，这类方法以野外实地测量为主，成本高、效率低，大规模森林郁闭度获取时稍显心余力绌。采用高光谱遥感技术对森林郁闭度估测是常用的间接估算法之一，基于植被指数（NDVI）与叶面积指数的双曲线关系，采用逐步回归等方法选择与叶面积指数关系密切的光谱波段，建立各波段与叶面积指数的多元回归方程，以此来实现大面积森林郁闭度的估算。胡振华等［30］采用高光谱遥感数据对香格里拉森林郁闭度进行估测，估算精度达82.09%，实现了大面积森林郁闭度估计。采用高光谱遥感技术获取大范围森林郁闭度已被国内外众多学者证实具有可行性，取得了较好的应用进展，高效率、高精度、范围性森林郁闭度获取使其迅速成为测算森林郁闭度的重要技术手段。

3.1.4 树种识别与分类。

我国幅员辽阔、资源丰富，气候复杂多样以及独特的地理环境形成了复杂的自然生态系统，孕育了丰富的物种多样性。受水热、经纬、海拔等环境因素的影响，造就了我国从南到北5种不同的气候类型，形成了丰富的树种资源，乔、灌木树种约8 000余种。丰富的树种资源也给我国林业工作者调查树种类型与分布带来了巨大的挑战，为了调查全国树种资源分布和制作全国树种资源分布一张图，国内众多学者尝试多种技术手段但进展缓慢，直到高光谱遥感技术的出现有效解决了这一困扰我国林业工作者多年的技术难题。

相比其他遥感技术手段，航拍摄影进行目测树种识别的工作量较高且分类精度，难以满足研究的需要，而多光谱遥感技术波段较少，在多种植被混合的林地中略显乏力，激光雷达和合成孔径雷达的主动探测技术对树体结构相近的树种又存在难以区分等问题，基于高光谱遥感技术对树种进行识别与分类成为最佳选项。高光谱遥感数据精细识别树种的理论是基于不同树种化学元素含量、树叶形状和树干结构差异，致使其光谱反射率不同，形成了独特的光谱曲线，再对植被的反射光谱进行特征提取与分类验证，建立树种光谱数据库，从而实现大范围森林树种的分类与识别［31］。Hycza等［32］使用AISA（airborne imaging for application）Eagle相机拍摄的波兰东北部林区的高光谱图像进行树种分类，尝试分别用9种分类算法将其分为7种树木类型（桦树、欧洲山毛榉、橡树、角树、欧洲落叶松、苏格兰松和挪威云杉），总体准确性达90.3%，卡帕系数0.9，证明采取高光谱数据对主要的森林树种进行分类具有良好的准确性。

3.2 森林资源动态监测

森林作为可再生资源与陆地生态循环系统的主体，森林资源时刻处于变化之中，及时掌握森林资源动态变化有利于更好地维护森林生态系统动态平衡，保障森林健康可持续发展。森林资源动态监测指标包括森林面积、蓄积量、树种、林木生长状况森林结构和分布等参数，对森林资源进行动态监测，了解森林结构组成和生长状况，为制订林业方针、政策和规划设计提供科学依据。林业领域的森林资源调查受森林分布的地形，海拔和气候因素影响较大，实行全国森林资源动态监测无疑要消耗大量的人力、物力和财力，定期对森林资源进行监测的成本也给地方财力带来巨大负担，为解决这一难题，自“3S”技术出现以来就受到了国内学者的广泛关注和普遍应用，高光谱遥感技术的出现也弥补了其他光学遥感存在的缺陷，为森林资源监测提供了新的活力。Li［33］采用分层监督分类法，基于最小平方法对景区的资源变化和自变量进行分析，实现对景区自然资源的动态监测，试验结果表明，该技术能够准确监测景区内森林资源和水资源的动态变化，监测结果具有较高的准确性。

3.3 森林病虫害监测

我国是世界上人工林面积最大的国家之一，树种单一，且纯林比重高，早期由于未考虑适地适树原则营造的林地地块多形成片状纯林和“小老头树”，成为森林病虫害暴发的主要发源地，对森林健康形成了巨大威胁。森林病虫害的发生往往具有隐蔽性强、传播速度快、危害程度高等特点，在暴发前期很难被人为发现且形成预警，通常多发于人工林和纯林，导致森林资源遭受巨大损失，给林业经济带来巨大损失，严重威胁森林生态系统平衡。

高光谱遥感技术森林病虫害监测原理是根据植物的生理特性来实现，通常来说，健康的林木拥有相近的光谱曲线，当树木受到病虫害侵袭时，叶绿素含量减少，光谱特征向短波方向偏移，植被因缺水发生枯萎时，光谱曲线强反射波段有向长波方向偏移的趋向。通过高光谱遥感技术对森林植被光谱数据进行评估，对比正常状态下枝叶与树干生理参数数据，快速比对受病虫害感染的植株，及时处理和防止病虫害的蔓延扩散［34］。依据树木病虫害程度不同而造成的光谱差异，冠层多角度高光谱观测数据提取森林的病虫害发生和分布状况［35］，建立反演模型，進而实现森林病虫害的范围监测灾情评估。高光谱遥感技术具有光谱范围广、光谱分辨率高、光谱曲线连续等特点，这使得利用高光谱数据实现森林病虫害提取成为可能。基于光谱特征识别森林病虫害的研究现已比较成熟，Jiang等［36］利用连续投影算法（SPA）提取与红树林病虫害信息相关的敏感光谱和纹理特征，并利用随机森林（RF）对不同病虫害严重程度的叶片特征进行建模和可视化，取得了可靠的模型精度，SPA-RF模型和高光谱成像的结合在检测不同病虫害严重程度下叶片性状的空间分布取得了良好的应用成果，为大范围红树林病虫害的预警和监测奠定基础。

3.4 森林火灾监测

针对高光谱成像技术对森林火灾监测的研究由来已久，高光谱遥感技术已被证明适用于火灾监测的所有时间阶段，现阶段采用遥感技术对森林火灾的预警及监测主要包括3个研究方面：①森林可燃物的识别；②基于高光谱遥感数据火情监测算法模型；③基于高光谱遥感数据大气溶胶及二氧化碳含量的火灾监测。

基于高光谱成像技术对森林火灾的监测同传统意义上火灾的监测一样，由灾前预警、灾情监测和灾后评估3方面组成，不同于传统意义上的火灾监测，采用遥感技术可以做到大范围、无接触式的实时灾情评估和火烧迹地识别，精准预测火灾走势与火势评估［19］。高光谱遥感技术精细分类的优势在进行森林可燃物的识别上得以充分展示，李晓彤等［37］采用机载高光谱数据和随机森林算法对内蒙古大兴安岭根河林业局潮查林场森林可燃物类型进行识别，结合地面调查数据验证模型精度，总体制图精度和用户精度都在70%以上，实现了林场级可燃物类型高光谱精细分类。森林火灾在燃烧过程中会产生大量二氧化碳、水蒸气和氢氧化合物排向大气，高光谱遥感技术通过对大气气溶胶的变化监测，第一时间确定火灾发生的地点和走向趋势，在进行森林火灾的灾情评估和火势走势预测中发挥了巨大作用。通过高光谱遥感数据提取火灾温度变化和气体排放是判断火灾变化的关键，基于高光谱遥感卫星对森林火灾的实时监控和算法分析是实现火情监测的重要枢纽，采用高光谱短波红外区域的火灾监测应用已经成熟，中红外和热红外区域的监测正在创新发展，高光谱遥感技术在森林火灾监测上取得突破性进展将会为森林火灾预警和扑灭提供数据保障和有力技术支持。

4 结语

近年来，高光谱遥感技术的快速发展很大程度上弥补了传统森林资源调查方法的不足，为森林资源调查注入了新的活力，灵活高效的数据获取方式无论是大范围森林资源信息获取，还是小范围森林资源参数提取都能获得较为理想的结果，为相关部门实现森林资源监测提供了有力技术支撑。高光谱遥感技术在林业领域中展现出了前所未有的应用前景和赋能潜力，为森林资源动态监测和森林资源管理提供了更高效的技术手段，迄今为止，国内外基于高光谱遥感技术对森林蓄积量、树种识别、叶面积指数估测、森林生化参数提取和森林灾害监测等方面取得了较好的应用成果，成为森林资源监测不可或缺的技术之一。随着激光雷达主动探测技术的蓬勃发展和广泛应用，有学者将高光谱成像技术同激光雷达遥感技术相结合，形成多源遥感优势互补，进一步提高了数据精度和反演精度，将会是未来森林资源监测的重要研究方向，多源遥感协同应用将会在森林资源监测上将发挥更大作用。

参考文献

［1］ 丁胜，魏安世，黄华兵.广东省森林资源“天-空-地”一体化监测构建与应用［J］.林业与环境科学，2022，38（2）：141-146.

［2］ 曾伟生，闫宏伟.森林资源监测有关问题的思考［J］.林业资源管理，2013（6）：15-18，36.

［3］ 陈军，邱保印.基于TM遥感影像的诸暨市森林资源监测［J］.林业资源管理，2011（6）：104-109.

［4］ 李媛媛.基于地物光谱仪与成像光谱仪耦合的玉米生长信息监测研究［D］.杨凌：西北农林科技大学，2017.

［5］ 张宗祥.基于地物类别的高光谱图像超分辨率复原算法研究［D］.北京：北京工业大学，2017.

［6］ 王佳琪.高光谱图像降维及端元提取算法的研究［D］.哈尔滨：哈尔滨工程大学，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.森林资源综合监测相关抽样技术理论与应用研究［D］.北京：北京林业大学，2010.

［12］ 罗仙仙，亢新刚.森林资源综合监测研究综述［J］.浙江林学院学报，2008，25（6）：803-809.

［13］ 戴淑仪.国际森林资源监测现状研究及启示［J］.中国资源综合利用，2020，38（8）：86-88.

［14］ 张诗琪.高光谱遥感技术在现代林业中的应用与发展［J］.内蒙古林业调查设计，2021，44（1）：68-69，87.

［15］ 唐贵华.基于密度排序聚类和超像素分割的高光谱遥感影像降维方法研究［D］.深圳：深圳大学，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］ 曾春阳，曾广宇，程丽华，等.林地变化及景观斑块特征的演变［J］.中南林业科技大学学报，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］ 王书民，张爱武，胡少兴，等.基于随机森林算法的航空高光谱数据分类方法研究［J］.科学技术与工程，2016，16（21）：83-87.

［25］ 刘少军，易雪，张京红，等.基于遥感的海南岛橡胶林零平面位移和粗糙度估算［J］.热带作物学报，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.基于图像的树木三维建模与树木参数提取［D］.哈尔滨：東北林业大学，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，朱俊贤，卫敏.不同干扰类型下川滇高山栎群落结构特征［J］.西南农业学报，2013，26（5）：2043-2047.

［30］ 胡振华，王丽媛，岳彩荣，等.基于Hyperion数据的香格里拉森林郁闭度遥感估测研究［J］.西南林业大学学报（自然科学），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.高光谱遥感数据BRDF校正与森林参数提取［D］.北京：中国林业科学研究院，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］ 李晓彤，覃先林，刘倩，等.基于AISA Eagle Ⅱ机载高光谱数据的森林可燃物类型识别方法［J］.遥感技术与应用，2021，36（3）：544-551，570.

基金项目 云南省教育厅科学研究基金项目“基于深度学习的多源遥感协同的森林生物量估测研究”（2021Y249）。

作者简介 王书伟（1998—），男，河南商水人，硕士研究生，研究方向：数字林业与森林资源管理。*通信作者，硕士，从事数字林业与森林资源管理研究。

收稿日期 2022-09-09