基于遥感技术的森林树种识别研究进展

李华玉，陈永富，陈 巧，王 娟，张 超

(1.西南林业大学 林学院，云南 昆明 650224；2.中国林业科学研究院 资源信息研究所，国家林业和草原局林业遥感与信息技术重点实验室，北京 100091)

森林类型/树种(组)的精准识别是森林参数的提取和计算的前提，是林业遥感领域的重要研究方向。森林树种的精确识别对于森林生态系统和生物多样性的宏观监测具有至关重要的作用和深远意义[1]。森林类型/树种的空间分布信息能够为如生物多样性保护、外来物种入侵、森林资源调查等研究提供基础信息[2]。

传统的森林类型/树种(组)识别主要依靠地面调查手段，通过目视的方法根据林木的根、茎、叶、花、果、种子等外部形态特征识别和鉴定树种。这种方法虽然相对准确，但同时也存在诸多不足。首先，对于不具备交通条件的地块，可进入性低、调查难度大；其次，仅靠人工进行野外调查成本较大、耗时长，很难在短时间内实现宏观尺度的数据获取。遥感技术的快速发展为森林类型/树种(组)的识别提供了更为方便的数据源，特别是近年来近地低空无人机技术快速发展，能通过无人机搭载不同传感器获得地表森林植被的高空间分辨率和高光谱分辨率的影像，为实现森林类型/树种(组)的识别提供了可能。

1 森林树种识别的遥感数据源

遥感技术的快速发展为森林树种识别提供了诸多技术手段。遥感以其宏观性、现势性、周期性等特点，为大范围森林资源信息的及时、准确、高效地获取提供了有利条件，已被广泛应用于森林类型识别和信息提取研究。遥感技术的发展和成熟使得影像的空间分辨率和光谱分辨率不断提高，多时相、多尺度、多源的遥感数据更加开源，使用遥感数据应用于森林树种的分类识别具有更广的发展空间。根据传感器类型的不同，可将遥感数据划分为可见光、多光谱、高光谱、激光雷达等多种数据源，国内外诸多学者将遥感技术应用于森林树种识别中，取得了阶段性成果。

1.1 可见光数据

可见光(visible spectral)光谱段(0.38～0.76 μm)是最早用来进行遥感观测的波段，可见光遥感数据一般有红、绿、蓝3个波段。近年来，近地低空 无人机平台的快速发展以及数码相机性能的不断提高，使得高空间分辨率的无人机可见光数据获取更加便捷[3]。利用可见光数据空间分辨率高，能较好的表征森林植被的冠层信息的特点，已有不少学者利用无人机采集的高分辨率可见光图像对森林树种的分类识别进行了探索。A.Chenari等[4]用无人机拍摄的70 m航高可见光数据，基于单木尺度对低郁闭度森林进行树种分类，总体精度达90%。滕文秀等[5]利用无人机拍摄的200 m相对航高的可见光数据，结合深度迁移学习的方法，对东台林场的4个优势树种进行分类制图，精度达96%。无人机可见光数据虽然包含的光谱信息较少，但因其具有获取方便、空间分辨率高等特点，现已逐步成为遥感精细识别中应用较多的一种数据源。

1.2 多光谱数据

多光谱(multispectral)遥感是通过多波段探测器探测目标地物的亮度，将地物辐射范围较宽的连续电磁波谱分成若干光谱段，除了红绿蓝3个波段外，还包括红外、微波等波谱范围。其传感器主要有多光谱扫描仪和多光谱摄像机等，每个波段单独成为一幅灰度图像。多光谱数据较可见光数据，光谱段变多，原始的全波段或着宽波段区域的光信号被分成多个较的窄波段，这些光束分别在相应的探测器上完成成像，从而获得不同光谱波段的图像，在实际树种识别时，能更有效地提取目标树种特征并进行识别。目前，多光谱数据也可由无人机搭载多光谱传感器来获得，相比星载影像，无人机获取更加及时方便。R.A.Hill 等[6]用多时序的多光谱数据识别温带落叶林的6个典型树种，精度可达88%。M.Immitzer等[7]借助WorldView-2数据对奥地利东部地区森林进行分类识别，通过对比发现，WorldView-2的新增波段比传统波段在森林树种的识别过程中更具优势。李若楠等[8]利用时间序列数据能够提供不同森林类型的物候差异特征这一优势，基于GEE云平台和Landsat8影像进行香格里拉森林类型分类，精度达87.78%。

由于多光谱的波段较多，相比可见光影像，在光谱上有较强优势，在红树林的识别和健康监测方面有一定的贡献。L.Valderrama-Landeros等[9]将多光谱数据结合NDVI的组合算法对墨西哥太平洋沿岸地区的红树林进行分类识别，并对不同健康状况的红树林进行分析，该研究为红树林的树种保护提供了一定的数据支持和参考。李想等[10]通过ZY-3数据，对北部湾地区的红树林树种进行识别，精度达85.9%。

1.3 高光谱数据

高光谱(hyperspectral)遥感实际上是成像技术和多光谱技术的有效结合。在对地物目标空间特征进行成像时，每个空间像元都经过色散而形成几十个甚至几百个较窄的波段，实现对地物特征形成连续的光谱覆盖，获取到连续光谱的影像数据，相比多光谱数据，高光谱数据的光谱信息更为丰富。

由于多光谱遥感的光谱分辨率低，对于在同一波长范围内反射率光谱曲线比较相近的树种很难进行精确识别，大多只能简单进行植被、非植被的区分，或者将森林区分为针叶林、阔叶林2类，很难精确到具体树种的识别上[11]。高光谱数据突破了这一瓶颈，成为目前在遥感数据分类识别中应用较多的数据源，常用的星载高光谱数据有MODIS、GF-5、HJ-1A、ASTER等，近年来还有一些搭载在无人机平台的高光谱数据。M.P.Ferreira等[12]研究发现，可见光、近红外和短波红外这几个波段是森林树种分类识别的重要波段。在这几个波段范围内，不同植被的理化特征和含水量等特征的差异能够在光谱反射率中得以表现，这些差异恰好为森林树种分类识别提供了重要特征。陈尔学等[13]将EO-1 Hyperion和SPOT 5数据与外业实测数据结合，将国外发展的几种先进的高光谱数据统计模式识别方法应用到我国的森林类型识别中，并对具体效果进行了对比评价。王璐等[14]利用HJ-lA数据，对大兴安岭塔河地区的优势树种(组)进行了识别，利用支持向量机方法分别对原始数据和5种经变换处理后的数据进行识别，总体精度均超过84.7%，Kappa系数超过0.715。M.Dalponte等[15]在利用高光谱数据对意大利曼图亚的山地森林分类研究时发现，对不同的森林类型应用高光谱数据均可获得较高精度。

高光谱数据所包含的丰富的光谱信息可用于各类植被指数的计算，用其作为特征变量应用于森林树种识别已取得较好效果。例如，C.Sun等[16]使用多时序的HJ-1影像，对华东的盐沼地进行动态监测，研究发现，以月NDVI时间序列为基础的制图精度与单相分类相比增加了约16%。

1.4 激光雷达数据

从遥感方式来划分，激光雷达(light detection and ranging，LiDAR)属于主动式遥感系统。它通过主动发射激光束来探测目标的位置、速度、形状等特征量，具有分辨率高、抗有源干扰能力强、低空探测性能好、获取数据速度快、体积小质量轻等特点。激光雷达数据包括星载、机载、地基、手持激光雷达数据，与传统的光学遥感相比，激光雷达的穿透能力强，激光束可穿透植被间隙，生成密集的三维点云，提供与单木、冠型、叶片形状、分枝方式等相关的森林垂直结构特征[17]。在单木水平上，上述丰富的几何特征有助于树种的分类识别。J.J.Cao等[18]利用全波形LiDAR数据对亚热带森林树进行树种分类，结果表明6类树种的总体分类精度为68.60%，4类树种为75.80%，而针叶林和阔叶林2类为86.20%。卢晓艺[19]利用地面LiDAR数据，以水杉(Metasequoiaglyptostroboides)、棕榈(Trachycarpusfortunei)和橡胶(Heveabrasiliensis)等5类树种为研究对象，进行单株分离和识别，取得较好结果。陈向宇等[20]利用LiDAR点云数据提供的单木结构、纹理特征和冠型结构特征，按照不同的组合方式对森林树种进行识别，精度达85%。从上述研究中可以得知，LiDAR数据与在森林树种识别上有较大优势。

上述学者的研究均表明，LiDAR数据可以有效地提高森林树种识别的精度。除了作为单一数据源进行分类识别，激光雷达亦可作为一种辅助数据结合可将光、多光谱、高光谱和地面实测数据等提高森林树种的识别精度。

1.5 其他遥感数据

除上述4种常用的数据源外，中红外(mid-infrared，MIR)、热红外(thermalinfrared，TIR)、合成孔径雷达(synthetic aperture radar，SAR)等数据亦被用于森林树种的识别。

不同树种叶片表层组织的化学成分不同，这些特征差异在热红外光谱中表现得更为明显。因此，在对光谱信息高度相似，仅凭可见光、近红外和短波红外还难以区分的树种识别时，就可用中红外和热红外作为补充识别波段，来辅助树种识别。S.Ullah等[21]通过对不同阔叶树种叶片的中红外和热红外光谱进行分析，发现不同树种的光谱信息有较为明显差异。Da Luz等[22]通过比较5种不同树冠部分的热红外光谱，并在单木个体水平上对树种进行识别，取得了较好结果。

合成孔径雷达和激光雷达一样，也具有较强的穿透力，分辨率高，不受气象条件限制，能够全天时全天候进行对地观测。目前，合成孔径雷达技术已相对成熟，不同系统的频率、波长、观测角度、空间分辨率等参数会直接影响SAR数据在森林类型/树种(组)识别分类上的应用能力[23]。SAR数据用于树种识别主要与林木的冠层结构和林木含水量有关，树木的含水量、叶片的表面水分会通过影响介电常数，从而影响合成孔径雷达的信号反射，进而影响数据精度。C.Dickinson等[24]研究发现利用SAR数据进行树种识别精度较高，且短波SAR数据比长波SAR数据在树种识别方面更具应用潜力。

1.6 多源数据结合

上述多种遥感数据既可以单独用来进行森林树种识别，亦可进行优势互补，辅助结合应用，以提高树种分类识别的精度。

Yu等[25]在对芬兰南部森林进行分类时发现，多源数据结合的精度比使用单一数据的分类精度要高。LiDAR数据蕴含的林分垂直结构信息丰富，与表征冠层水平方向信息的二维数据融合后，能够有效提高分类精度，使得森林树种的高效、精细识别成为可能。Shi等[26]将多光谱和LiDAR结合用于温带树种分类，结果表明纹理特征与LiDAR三维结构特征结合用于树种分类，精度显著提高。张大力等[27]将多光谱的光谱和纹理特征、LiDAR数据的树冠大小和高度强度变量结合用于单木树种分类，结果表明光谱特征和LiDAR的三维结构特征有效结合能够提高分类精度。毛学刚等[28]将QuickBird多光谱影像和SAR数据协同进行林分类型分类，发现多尺度多特征组合进行林分类型分类优势明显。

高光谱数据和LiDAR数据的有效结合在树种识别中应用较为广泛。Alonzo等[29]利用LiDAR数据的冠层信息与高光谱融合，基于冠层尺度对美国圣巴巴拉、加利福尼亚等地区的29个常见树种进行分类识别，研究结果表明2种数据融合后，精度提高了4.2%。J.B.Feret等[30]、M.Dalponte等[31]、Liu等[32]和陶江玥等[33]将高光谱数据和LiDAR数据结合进行树种识别，发现2种数据结合的精度高于仅使用单一数据源的精度。刘怡君等[34]将机载高光谱数据和LiDAR数据融合，对普洱山区的森林树种进行分类，发现多源数据结合在山区森林树种分类中更具可行性。

近年来随着无人机技术的发展，无人机多源遥感应用也在逐渐增多。N.Olli等[35]基于无人拍摄的83～94 m航高RGB图像和高光谱影像，分析多源数据结合在北方森林单木检测和树种分类中的性能，精度均达90%以上。Tuominen等[36]利用无人机获取70～120 m相对航高的高光谱和LiDAR数据，两者结合对树种进行分类，发现LiDAR的3D特征和高光谱VNIR、SWIR波段的组合比其他单独的特征的分类结果表现得更好。陈向宇[37]利用无人机航拍的可见光和LiDAR数据进行超像素分割后进行树种识别，5类树种的识别精度达85%。杨礼[38]利用230 m航高拍摄的无人机高光谱和SFM点云数据在最小噪声分离基础上，构建了基于光谱角匹配方法对单木树种进行识别。Effiom[39]研究发现，无人机可见光和多光谱数据结合在树种识别、模拟胸径和碳储量反演方面有较强潜力。

2 森林树种识别的遥感分类过程

目前，基于遥感数据的树种识别随着数据源的不断丰富和影像分辨率的提高，正在向高精度的单木树种识别方向发展。基于遥感数据的单木树种识别主要包括数据获取、单木分割、特征提取和筛选、执行分类、精度检验5个步骤[40](图1)。

图1 基于遥感数据的单木树种识别主要过程

2.1 数据获取

数据获取包括遥感数据和野外地面调查数据2种，遥感数据除了传统星载数据外，无人机遥感数据和地基数据应用于森林资源信息提取也已经为一种趋势。地面调查数据通常是每木调查和森林生境因子调查，作为辅助因子用于树种识别和验证。

2.2 单木分割

单木分割是进行基于单木尺度树种分类识别的前提，分割结果将直接影响树种分类识别精度，目前所用的主要分割方法有基于点云分割、多尺度分割、分水岭算法分割、区域增长结合阈值判断的方法和局部最大值法等。多尺度分割的效果主要受分割尺度、形状指数和紧致度、波段权重4个参数控制，分割耗时且受人为判断的主观影响较大，是利用光学遥感进行树种识别的研究中应用较多的单木分割方法。分水岭分割是一种基于拓扑理论的数学形态学的分割方法，李丹等[41]研究得出基于标记的分水岭分割算法能够解决单木树冠过分割难题。区域增长结合阈值判断的方法，充分利用树顶之间存在的距离，假定最高点为树高点，从最高点进行区域增长，分割出单棵树，以此迭代，直到完成所有单木分割。何艺等[42]对无人机可见光影像分别采用局部最大值法和多尺度分割法进行分割，结果表明，局部最大值法在针叶林样地分割中更具优势，而多尺度分割算法则更适用于阔叶林样地的分割。

2.3 特征提取和选择

为达到分析和理解影像的目的，通过标记及统计量定量化描述影像性质的过程称为特征提取。诸多研究结果表明，在森林树种的识别时纳入相应的光谱特征及其衍生信息、纹理信息、几何信息与地形因子等能够有效提高分类识别的精度。纹理特征反映的是与图像色调变化有关的局部空间信息，主要包括林木的冠形和大小、茎的分枝方式、林分郁闭度、叶片的形状和密度等。但是林木在不同时期会因病虫害、气候和土壤等不同因素而呈现出不同的纹理信息特征，有效结合物候特征和纹理特征能够提高树种分类精度，同时也能增强对“异物同谱”和“同物异谱”现象的区分。

特征提取和特征选择是目标分类识别中一个至关重要的过程，亦是分类识别的一个必要条件。诸多特征变量及其组合为分类识别提供了一定的前提条件，但过多的特征变量构成的超维特征空间常面临参考数据集过小的问题。当样本的数量有限时，会出现分类的精度随特征维数的上升而降低的趋势，为了避免因样本数量少而导致额过拟合问题需要进行特征选择。常用的特征选择方法有随机森林、主成分分析、最小噪声分离、逐步回归和相关性特征选择等。

已有研究证明，特征选择对减少特征冗余、提高分类精度具有显著效果，特征提取的优劣直接影响到识别分类的效果，因此选择合适的特征对于目标的分类识别尤为重要[43]。朱江涛等[44]发现基于Adaboost进行特征选择能够依据特征重要度，进一步选出有利于分类的特征构成子集。董彦芳等[45]利用主成分分析法对高光谱和机载LiDAR数据进行去噪和降维处理，采用面向对象的方法进行城市典型地物的提取。林志玮等[46]基于无人机光学影像，通Gabor过滤器提取森林植被纹理信息，结合随机森林算法建立相应的识别模型，为植被识别提出了一种新方法。

2.4 分类方法

基于遥感数据的森林类型/树种(组)的分类识别方法与数字图像处理技术和计算机数据处理能力的不断发展提高有密切联系。早期的分类识别中，基于像元的监督和非监督分类占主导地位，k均值聚类算法、最大似然分类法、k-最近邻分类法等应用较多，随着深度学习技术的进步，各种机器学习的方法正不断发展为森林类型/树种(组)的分类识别提供了一种新的范式，如支持向量机、随机森林、神经网络等，正逐渐取传统分类算法应用于森林树种的分类识别，更多例子见表1。

表1 常用分类方法与数据源对照

2.4.1 传统方法 最大似然分类法(maximum likelihood classifiers，MLC)，根据先验知识及贝叶斯理论，选择感兴趣区并计算分类函数，样本归属于函数概率值最大的类别，具有操作简单、方便实施、适于各种估计问题、样本容量较大时几乎无偏差等特点。支持向量机(support vector machine，SVM)是一种非参数监督分类器，能将非遥感变量纳入分类中，可解决样本量小、高维度问题，提高泛化能力，具有较强的鲁棒性和抗噪能力，更适用于高分辨率影像[47]。但在分类时需对多类支持向量机进行优化，训练计算成本、算法复杂度较高，应用核函数时参数选择复杂。谢珠利[48]通过对树种分类研究得出，当仅使用光谱特征作为变量时，最大似然分类方法比机器学习方法所取得的总体精度高；当使用多源特征变量时，机器学习算法的总体精度要高于最大似然分类方法。综合众多研究中发现，最大似然分类方法虽然取得了较好的结果，但也会存在小样本数据有偏差、对输入变量的个数比较敏感、分类耗时较长、训练样本数量需大于波段数等缺点，因此针对不同的数据选择合适的分类方法尤为重要。

除最大似然法和支持向量机之外，随机森林和决策树也是应用较多的分类算法。随机森林分类器有对输入变量个数不敏感、处理高维数据且无需特征选择、能较好泛化和抗过拟合能力、训练速度快等特点，在特征筛选中应用较为广泛[49]。决策树分类算法具有灵活性强、运算高效等优点，Zhang等[50]结合遥感影像与地理信息，采用决策树算法对6种森林树种进行分类，最高精度达86%。孙小添等[51]基于MODIS数据利用决策树进行森林类型识别，精度达80%以上。陈明健等[52]通过提取叶片的纹理和传统形状特征，采用k-最近邻分类器、距离矩阵和角点矩阵相结合的方法进行树种的精确识别，取得较好成果。

还有一些学者建立相关遥感模型来进行森林类型/树种(组)的识别，通过基于高光谱数据，利用线性分离模型对复杂混交林落叶松林型中的森林树种进行识别，并与航空高光谱数据的识别结果进行对比分析，结果较好[53]。

2.4.2 深度学习方法 近年来，模式识别和数字图像处理技术的不断发展，以及计算机数据处理能力的提高，使得图像的模式识别技术开始被广泛应用于林业遥感领域，特别是将深度学习方法应用于树种识别已成为一种趋势。

从诸多的研究中可以得知，分类器对海量数据的处理能力是对遥感影像进行模式识别的重要因素之一，海量数据信息维度高，浅层的学习模型多处于欠拟合状态，很难将海量数据丰富的特征结构得以充分的利用与表达[54]。目前，深度学习作为机器学习的理论和方法之一，不仅能够从原始图像中抽取不同层次的特征图，通过低层特征抽象得到高层特征信息，来表达数据的复杂关系，而且还能实现影像对象特征的自动提取和选择，具有强大的特征表达能力和容错能力，因而深度学习的方法多被应用到海量数据的处理中[55]，为解决影像分类识别提供新思路。

深度置信网(deep belief network，DBN)和卷积神经网络(convolution neural network，CNN)模型是国内外研究中常用的几种深度学习模型，在这些模型基础上，经过诸多学者的研究发展出了Alex Net、VGG Net、Google Net和Res Net等深度神经网络模型[56]。随着这些深度学习模型在计算机视觉领域逐渐取得成功并应用于遥感领域，特别是卷积神经网络，在树种识别上已取得一定的研究成果。

卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一，通过卷积运算可减少深层的网络占内存的容量，能够高效表示图像区域特征，从而提取到更丰富的信息，同时亦能减少网络参数格式，避免过拟合问题。M.Carpentier等[57]在大数据集的条件下训练关于树干的网络模型，将其建立的包含2万多张树干图片的数据库，在Res Net模型上进行训练，识别精度高达93.88%。赵鹏超等[58]用卷积神经网络对叶片进行分类识别，最终识别率达95%。孙俊等[59]通过改进传统卷积神经网络模型，有效改善了模型训练时间长、参数庞大的问题，应用于实践时对病害叶片识别的准确率达99.56%。

通过树干、树叶、树皮等局部照片建立识别模型准确率较高，但在现实条件下，大量数据收集难度大，耗时费力，且不便于大面积的森林树种识别。无人机航拍影像具有清晰度高、现势性强等优势，更适用于森林资源调查和信息提取。基于无人机遥感的森林资源调查和信息提取研究已成为一种新趋势。但是就目前的研究看来，深度学习的方法应用于遥感影像数据时还存在不少难点。首先体现在标记数据集的获取方面，目前，基于深度学习的图像分类主要是监督分类的方法，如果需要进行系统假设学习，则对与该问题有关的标记样本需求量大，这将耗费大量时间。目前已公开可获取的标记数据集还无法满足相对复杂的分类任务，在获取的数据不足时，就需要降低模型的深度，以此适应小规模的数据集。这样一来，在处理复杂分类时，在特征学习过程中就需要更多的神经元来完成，神经元数目的增加的情况下，计算单元呈现出指数增长趋势，小尺度的数据集会导致深度模型过拟合和模型泛化能力差等问题。其次是遥感影像场景的复杂性导致应用能力有待提升。与一般拍摄的照片相比，遥感影像的来源广泛、覆盖区域广、时间和季节跨度大等特点，使得在分类时类内特征差异变大，类间差异趋于一致，深度特征学习难度增加。除此之外，深度学习的模型设计、选择也是深度学习在树种识别应用中的一个难点。选择或者设计一个适用于影像分类的模型结构是提高分类识别效率和精度的关键。目前的研究中，将深度学习方法应用于遥感影像的分类识别大部分都是采用现有的或是比较成熟的模型，而这些模型在设计时，大多是解决自然图像集的分类识别任务，不一定能完全适用于当前的高空间分辨率和高光谱分辨率的分类的场景。

虽然深度学习的方法在遥感影像的分类识别中存在一些难点，但经过不少学者的努力，还是取得了成就。T.M.Miyoshi等[60]利用无人机高光谱影像结合深度神经网络方法进行单木树种识别，结果证明该方法在复杂森林中单木识别达到了较为先进的水平。栗旭升等[61]通过对亚热带森林树种的识别时发现，三维卷积神经网络能够提取高维数据的立体结构，其改进后能减少网络深度带来的误差，降低退化现象造成的影响。随着网络层数的增加，虽然分类效果有一定上升趋势，但梯度异常现象亦将愈发严重。为解决此问题，He等[62]以恒等映射为基础，构建Residual block模型，通过梯度反向传播来缓解梯度不正常的现象。目前在神经网络在树种识别方面的应用正在不断普及发展，越来越多的改进方法被提出并取得一定成就。

2.5 精度评价

分类结束后，需对分类识别结果做出评价，大部分研究均结合地面实测数据，采用分层随机抽样产生独立检验样本，通过混淆矩阵或交叉验证计算出的4个参数(总体精度、生产者精度、用户精度、Kappa系数)评价分类识别精度。综合诸多研究可知，通常分类精度会随着树种的增多而降低，且错分和漏分的概率越大，因此不能仅凭分类精度的高低来判断一种分类算法的优劣。

3 存在的主要问题

目前，利用遥感数据进行森林树种识别已经成为林业遥感的一个研究热点，但仍然面临以下几方面挑战。

3.1 分类目标繁杂

我国森林资源丰富、分布广泛，特别是在热带亚热带地区，物种丰富度更高，林分的密度较大，冠层结构复杂，很难进行单木分割，且同一科属的树种间相似度较高，增加了树种识别的难度。因此，可以考虑通过整合多源遥感数据和多时相数据来补充单一遥感数据信息获取的局限性，例如利用高分辨率可见光影像进行单木分割，用LiDAR三维结构特征辅助识别。

3.2 无人机影像航拍高度单一

近年来，除传统的卫星遥感数据，无人机遥感数据用于树种识别也比较热门，但是从众多研究中看出，他们利用的影像航拍高度较为单一，多采用一个高度来进行研究，没有形成一个可供参考的拍摄高度范围。且基本都是以地面为基准的绝对高度，在地形起伏较大的地区，容易造成影像的几何变形，闪花和波纹现象严重以及同一幅影像的分辨率不一致的问题，从而影响分类结果。针对这一问题，在今后的研究中，可以考虑以地面为基准，以相对高度设定航高，针对同一地区以不同航高进行拍摄获取影像，以建立可供参考的高度与树种识别精度的关系。

3.3 多源遥感数据相结合的挑战

遥感技术的不断发展使得数据的获取更为方便快捷，可应用性得到提高，将不同类型的遥感数据结合已成为普遍发展趋势。传统光学遥感数据、激光雷达数据、地面实测数据等数据源的有效结合可实现优势互补，提高分类识别的精度。但是，在不同数据源的融合过程中可能存在数据结构、精度等不匹配问题；其次，对不同数据源特定波段特征信息的挖掘，能够增加复杂地区树种识别的可能性，但目前的研究中，对这些特定波段的信息挖掘还相对较少，多源遥感数据的获取和使用成本仍较高，对此，近地低空无人机遥感平台的快速发展为基于遥感数据的森林类型/树种(组)的识别提供了新的契机。

3.4 特征提取和特征选择的挑战

在树种识别中，纹理特征、几何特征、光谱特征、以及其他数据源的特征等的提取和选择是一个重要的问题，样本的特征信息很大程度上决定了识别的准确程度。研究表明，在进行分类识别时，大量的数据特征可能会出现维数灾难的情况，造成分类精度下降的情况。在提取出各种特征后需要对海量的特征进行筛选和组合，获得对物种识别贡献较大的特征。常用的特征选择的方法，如主成分分析法、遗传算法和随机森林算法等已经相对成熟，基于卷积神经网络的图像识别方法能够自主学习图像中的各个特征，使得效率大幅提高，且最终分类效果往往能达到传统的机器学习算法的效果甚至在有的研究数据上更是能够超过传统的机器学习方法[63]。

3.5 森林树种识别算法挑战

遥感技术之所以能够在森林类型/树种(组)的识别方面能够快速发展，主要是数字图像处理技术和机器学习等各个领域的不断发展进步，但目前机器学习还不是很成熟，海量遥感数据的处理需要强大的技术支持，分类识别算法技术的不成熟、普适性不高极大限制了分类识别精度，分类算法及模型研建也需要先进的技术支持。

4 研究展望

综合诸多国内外学者的研究结果来看，随着航天遥感技术和近地低空遥感技术的发展以及计算能力的不断增强和新的计算方法不断发展，结合特征挖掘、核变换、多分类器集合、深度学习等技术的发展改进，利用遥感数据进行自动化森林树种识别技术能提高森林资源调查的工作效率，并有效降低调查成本。卫星遥感应用于树种识别已取得一定的成果，但近地低空无人机在森林类型/树种(组)的识别的研究还有很大的发展空间，无人机影像处理技术和适用于无人机模式识别的方法的提出和解决将会是今后的一个研究热点。未来以遥感数据为基础的森林类型/树种(组)的快速高效识别将会向多模式方向发展。