王 燕，朱婷茹，何立恒

(1.江蘇省土地勘測規(guī)劃院，江蘇 南京 210017；2.南京林業(yè)大學(xué)土木工程學(xué)院，江蘇 南京 210037)

0 引 言

森林資源是自然資源的重要組成部分，第九次全國森林資源清查結(jié)果顯示，我國森林總面積共2.20億hm2，森林覆蓋率為22.96%[1]。森林資源指林地生長范圍內(nèi)的林木、林地、動(dòng)植物及環(huán)境[2]，森林資源調(diào)查對(duì)象包括森林自身情況，如林種、蓄積量、健康狀況等，還包括生態(tài)環(huán)境、社會(huì)經(jīng)濟(jì)等數(shù)據(jù)。森林資源調(diào)查為林業(yè)部門掌握森林內(nèi)部情況、進(jìn)行森林資源管理和規(guī)劃提供幫助，也為貫徹落實(shí)習(xí)近平生態(tài)文明思想，構(gòu)建自然資源調(diào)查監(jiān)測體系提供基礎(chǔ)支撐。

傳統(tǒng)森林資源調(diào)查以人工為主，使用抽樣調(diào)查和小班調(diào)查，調(diào)查結(jié)果精度較差且效率低，逐漸被現(xiàn)代化技術(shù)取代，如衛(wèi)星遙感、無人機(jī)、激光雷達(dá)等。現(xiàn)代化遙感技術(shù)在森林資源調(diào)查領(lǐng)域的進(jìn)展，為新形勢下運(yùn)用高新技術(shù)實(shí)現(xiàn)森林資源的精確、快速和高效調(diào)查提供參考[3]。但現(xiàn)有綜述類文獻(xiàn)更多針對(duì)森林資源某一具體應(yīng)用領(lǐng)域，缺少相關(guān)綜述類文章或文獻(xiàn)計(jì)量類文章對(duì)森林資源現(xiàn)代化遙感調(diào)查的進(jìn)展進(jìn)行系統(tǒng)性、綜合性的闡述[4]。

在各類數(shù)據(jù)庫中搜索2015-2020年間關(guān)于“森林資源調(diào)查”和“遙感”的論文，結(jié)果顯示：CNKI總數(shù)據(jù)庫共發(fā)表文章694篇，其中關(guān)于衛(wèi)星遙感、無人機(jī)遙感和多源遙感的文獻(xiàn)頻數(shù)分別為55、72和11，數(shù)據(jù)處理方法中基于深度學(xué)習(xí)和基于回歸模型的文獻(xiàn)分別有32篇、244篇；Web of Science核心數(shù)據(jù)庫共發(fā)表文章綜述1 078篇，關(guān)于衛(wèi)星遙感的文章占44%。本文從數(shù)據(jù)源與數(shù)據(jù)處理方法兩方面闡述和分析森林資源遙感調(diào)查研究現(xiàn)狀及發(fā)展趨勢。

1 森林資源遙感調(diào)查數(shù)據(jù)源的演變

隨森林資源應(yīng)用和需求的不斷提升，森林資源調(diào)查數(shù)據(jù)源逐漸向高空間、高時(shí)間和高光譜分辨率遙感數(shù)據(jù)發(fā)展?，F(xiàn)代森林資源遙感調(diào)查向綜合化發(fā)展，以建立基于多源、多尺度、天空地一體化、點(diǎn)線面多尺度[5]的綜合體系為趨勢。利用多源遙感數(shù)據(jù)，可以同時(shí)獲取森林資源整體和單木信息，提高結(jié)果精度，常用于森林蓄積量、森林生物多樣性和森林樹種分類等調(diào)查。

1.1 衛(wèi)星遙感

森林資源調(diào)查常用的衛(wèi)星有Landsat、SPOT、Quick Bird等國外系列衛(wèi)星以及國內(nèi)資源、高分系列衛(wèi)星。鐘濱等[6]采用高分二號(hào)數(shù)據(jù)進(jìn)行竹林信息提取，利用高分二號(hào)豐富的紋理特征，改善了單靠光譜特征提取的精度。曾文等[7]基于高景一號(hào)遙感影像，對(duì)不同波段構(gòu)建4種特征評(píng)價(jià)準(zhǔn)則，分析以得到最佳分類效果下的特征選擇和波段組合。趙勇鈞[8]基于森林資源連續(xù)清查數(shù)據(jù)確定森林健康評(píng)價(jià)指標(biāo)，提取SPOT-5多光譜、全色影像的光譜信息和紋理信息，建立森林健康評(píng)價(jià)模型。唐文靜等[9]使用Landsat系列衛(wèi)星產(chǎn)品對(duì)2012年和2017年的影像進(jìn)行森林蓄積量的估測，總體精度分別為0.79和0.89。孫忠秋等[10]使用Landsat-8 OLI影像，分別建立基于波段信息和植被指數(shù)建立回歸模型估測森林蓄積量，與二項(xiàng)式模型估測結(jié)果進(jìn)行比較，結(jié)果顯示后者的精度更高。Mobushir[11]采用Sentinel-2A衛(wèi)星數(shù)據(jù)建立AGB模型估算松林地上生物量，分析評(píng)價(jià)了Sentinel-2A圖像紋理對(duì)AGB預(yù)測模型精度的影響程度，證實(shí)了Sentinel-2A遙感數(shù)據(jù)在森林生物量方面的應(yīng)用潛力。

衛(wèi)星遙感影像為森林資源調(diào)查提供可靠、便捷、精確的數(shù)據(jù)來源，在相關(guān)領(lǐng)域應(yīng)用廣泛，既提高了森林資源調(diào)查的效率，還提高了調(diào)查的精確度[3]。但研究中多選擇中等分辨率遙感影像，更高分辨率的影像難以獲取或價(jià)格高昂，在研究中應(yīng)用較少[12]。單一的遙感影像也不足以滿足森林資源的綜合調(diào)查，僅能有限地反映森林資源某一方面的信息。且研究中大多采用圖像的光譜和紋理信息作為特征變量，建立研究模型，后續(xù)研究可加強(qiáng)對(duì)其他特征信息的挖掘和利用。

1.2 無人機(jī)遙感

無人機(jī)技術(shù)是一種近地面遙感技術(shù)，保證數(shù)據(jù)高空間分辨率、高光譜分辨率的同時(shí)，彌補(bǔ)了區(qū)域尺度與樣方尺度間的空缺。與衛(wèi)星遙感相比，無人機(jī)飛行成本低，拍攝時(shí)間自由靈活，具有高時(shí)效的優(yōu)點(diǎn)。

在森林資源調(diào)查的研究中，通過無人機(jī)可以獲取多光譜光學(xué)遙感影像和三維激光點(diǎn)云數(shù)據(jù)。多光譜光學(xué)遙感影像通過光譜信息進(jìn)行森林整體性調(diào)查，謝剛等[13]借助無人機(jī)航空像片建立立體像對(duì)獲得樹高，使用全站儀實(shí)地測量的樹高進(jìn)行精度評(píng)價(jià)。劉鵬[14]研究了高光譜技術(shù)在植被分類與健康監(jiān)測中的應(yīng)用，數(shù)據(jù)來源采用無人機(jī)搭載高光譜相機(jī)進(jìn)行低空觀測，飛行高度在20～100 m之間，利用獲取的圖像采集植被光譜信息進(jìn)行分類識(shí)別與生長狀況監(jiān)測。黎新宇等[15]采用無人機(jī)搭載高分辨率相機(jī)進(jìn)行低空傾斜攝影，對(duì)采集的數(shù)據(jù)建立實(shí)景三維模型，提高了森林資源調(diào)查的精度。

無人機(jī)機(jī)載雷達(dá)獲取的三維點(diǎn)云數(shù)據(jù)常用于單木因子的提取，耿林等[16]通過局部最大值的樹頂檢測法提取樹高，利用分水嶺分割法進(jìn)行冠幅探測，并與高程歸一化點(diǎn)云進(jìn)行精度評(píng)價(jià)。李平昊等[17]比較了分水嶺算法、四次多項(xiàng)式擬合法和基于點(diǎn)云的距離判別聚類法對(duì)機(jī)載激光雷達(dá)點(diǎn)云數(shù)據(jù)進(jìn)行單木分割的精度，發(fā)現(xiàn)在不同的冠層形狀參數(shù)與點(diǎn)云數(shù)量閾值下，不同算法各有優(yōu)劣，但總體分割精度都能達(dá)到0.76以上。Brandtberg[18]基于每棵樹第一個(gè)返回點(diǎn)云的邊緣高度分布的形狀特征估計(jì)單木樹高，利用不同樹種的冠層形態(tài)、樹高和冠幅的關(guān)系進(jìn)行單木分割，使樹高估計(jì)結(jié)果的均方根誤差縮小了20%，樹種分類精度提高了4%。王瑞瑞等[19]采用基于全局最大值的歸一化分割法對(duì)初始單木分割的結(jié)果進(jìn)一步分割，實(shí)現(xiàn)冠層中下層的精確探測，提高了單木提取的精度。

無人機(jī)多光譜遙感影像在森林資源調(diào)查的研究中，大多分析光譜特征對(duì)調(diào)查精度的影像，未來可進(jìn)行光譜信息與圖像分析結(jié)合的研究。機(jī)載激光雷達(dá)獲取的森林信息主要集中在樹木冠層上部、冠層下部及樹干信息，提取精度分別受點(diǎn)云密度和森林冠層間隙率影響[20]，未來研究方向在于提高分割精度以及減少森林冠層結(jié)構(gòu)的影響。

1.3 多源遙感技術(shù)協(xié)同

多源遙感有助于提升森林資源調(diào)查精度。章恒等[21]分別對(duì)SPOT 5融合影像、SPOT 5多光譜影像、Landsat-8融合影像和“高分一號(hào)”多光譜影像進(jìn)行紅樹林信息提取，針對(duì)這4種數(shù)據(jù)源進(jìn)行比較并評(píng)價(jià)其精度，以確定在該研究中最適合、提取精度最高的數(shù)據(jù)。董文雪等[22]將機(jī)載激光雷達(dá)提取的結(jié)構(gòu)信息與高光譜提取的光譜信息結(jié)合構(gòu)建估算模型，利用自適應(yīng)模糊C均值聚類的方法識(shí)別森林喬木最大物種數(shù)為20，識(shí)別精度為0.69。皋廈等[23]基于機(jī)載激光雷達(dá)單木分割和高光譜特征提取，進(jìn)行城市森林樹種分類，選擇不同特征變量的樹種分類總體精度都能達(dá)到0.907以上。

光學(xué)遙感受環(huán)境條件影響，存在森林垂直方向的信息難以獲取等問題，合成孔徑雷達(dá)可以獲取森林垂直信息，但存在難以去噪、易收縮、易疊掩等問題。結(jié)合光學(xué)遙感和合成孔徑雷達(dá)，既能獲得豐富的光譜信息又能獲得地表空間信息，有利于提高森林資源調(diào)查的準(zhǔn)確度、精確度和完整性。周曉虎[24]結(jié)合SAR和多光譜數(shù)據(jù)，提取紋理特征和植被指數(shù)作為植被類型識(shí)別特征，基于隨機(jī)森林法利用多源遙感數(shù)據(jù)進(jìn)行森林分類。Hudak等[25]使用LiDAR數(shù)據(jù)與Landsat數(shù)據(jù)從垂直與水平結(jié)構(gòu)上獲取樹冠高度，既彌補(bǔ)了LiDAR數(shù)據(jù)在水平面上覆蓋范圍有限的問題，又解決了Landsat數(shù)據(jù)對(duì)樹高變化不敏感的問題。雷達(dá)數(shù)據(jù)的紋理信息適用于森林生物量的估算，許振宇[26]利用Sentinel-1和Landsat 8遙感數(shù)據(jù)估算了某縣重點(diǎn)林區(qū)生物量。劉霜[27]結(jié)合光學(xué)數(shù)據(jù)和雷達(dá)數(shù)據(jù)，使用多元線性回歸、BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)模型估算森林生物量，發(fā)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)模型效果最好，估算精度為0.820 9。

在森林資源遙感調(diào)查研究中，使用多源遙感數(shù)據(jù)，綜合各類型遙感數(shù)據(jù)優(yōu)勢，對(duì)比評(píng)價(jià)最優(yōu)數(shù)據(jù)能有效提高調(diào)查精度。聯(lián)合多源遙感數(shù)據(jù)進(jìn)行植被特征提取、類型識(shí)別、分類將是未來森林資源調(diào)查的重要發(fā)展趨勢。

1.4 數(shù)據(jù)源的演變小結(jié)

現(xiàn)代化森林資源遙感調(diào)查數(shù)據(jù)源以無人機(jī)航空攝影和衛(wèi)星遙感為主，將獲取的影像與野外調(diào)查數(shù)據(jù)進(jìn)行比對(duì)可以確定森林資源類型，將影像信息代入基于地面各類因子的定量模型可以估算森林蓄積量，與現(xiàn)代監(jiān)測技術(shù)相結(jié)合可以獲得森林資源覆蓋情況[28]。其中，光學(xué)遙感影像具有光譜信息，適用于林種的調(diào)查，合成孔徑雷達(dá)數(shù)據(jù)因豐富的紋理信息常用于森林生物量的調(diào)查，激光雷達(dá)對(duì)于單木參數(shù)的提取具有較高精度。不同數(shù)據(jù)源在森林資源調(diào)查中提取的常用參數(shù)如表1所示。

表1 不同數(shù)據(jù)源可提取的森林參數(shù)

2 數(shù)據(jù)處理方法研究進(jìn)展

遙感在森林資源調(diào)查的應(yīng)用中，經(jīng)歷了從森林航空攝影測量、衛(wèi)星遙感到定量遙感的發(fā)展過程。由于計(jì)算機(jī)技術(shù)發(fā)展的限制，早期是以航空遙感像片為主的目視解譯階段，利用航空像片勾繪小班和森林成圖，該階段建立了森林航空攝影、森林航空調(diào)查和地面綜合調(diào)查相結(jié)合的森林調(diào)查技術(shù)體系。衛(wèi)星遙感的發(fā)展，開啟了衛(wèi)星遙感數(shù)字圖像處理、林業(yè)信息提取的新階段，建立了衛(wèi)星遙感與地面調(diào)查技術(shù)相結(jié)合的體系。定量遙感發(fā)展階段，高空間、高光譜分辨率光學(xué)衛(wèi)星遙感開始應(yīng)用于林業(yè)研究。

由于森林資源調(diào)查對(duì)遙感影像分辨率需求的不斷提高，森林資源遙感數(shù)據(jù)處理方法也面臨發(fā)展和創(chuàng)新的問題。從基于統(tǒng)計(jì)方法、建立回歸模型到基于深度學(xué)習(xí)，從基于像元的分類方法到面向?qū)ο蟮姆诸惙椒ǖ?。?shù)據(jù)庫中搜索的論文結(jié)果顯示，基于深度學(xué)習(xí)和回歸模型兩種方法近五年廣泛應(yīng)用在森林資源調(diào)查的遙感圖像處理分析領(lǐng)域。

2.1 深度學(xué)習(xí)

深度學(xué)習(xí)是遙感影像目標(biāo)識(shí)別中十分重要的技術(shù)，其原理是在模擬人腦的學(xué)習(xí)過程中建立神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)計(jì)算機(jī)在數(shù)據(jù)中的自動(dòng)學(xué)習(xí)?；跈C(jī)器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)的發(fā)展為森林資源遙感圖像處理提供了新的突破點(diǎn)。

黃彥曉等[29]在進(jìn)行樹冠提取研究時(shí)，由于兩塊樣地的樹冠顏色相近，難以使用一般的光學(xué)圖像識(shí)別方法，選擇卷積神經(jīng)網(wǎng)絡(luò)中的Faster R-CNN模型并加以改進(jìn)，最終使識(shí)別精度提升至0.929 2。Faster R-CNN是對(duì)R-CNN和Fast R-CNN模型的優(yōu)化，涵蓋了可以生成高質(zhì)量建議區(qū)域框的RPN網(wǎng)絡(luò)，優(yōu)勢在于通過與檢測網(wǎng)絡(luò)卷積層進(jìn)行共享[30]來縮短模型訓(xùn)練的時(shí)間。羅巍等[31]介紹了基于深度學(xué)習(xí)的楊梅樹調(diào)查統(tǒng)計(jì)方法，使用在Faster R-CNN模型的基礎(chǔ)上加以改進(jìn)得到的Mask R-CNN模型，識(shí)別和統(tǒng)計(jì)圖像中的楊梅樹，采用公式計(jì)算得到樹冠面積。同時(shí)借助計(jì)算機(jī)語言實(shí)現(xiàn)樹冠掩膜的提取并輸出輪廓圖像，結(jié)合GIS進(jìn)行基于掩膜矢量的樹冠面積計(jì)算。Mask R-CNN模型是在Faster R-CNN的基礎(chǔ)上舍棄了VGG網(wǎng)絡(luò)，使用表征能力更強(qiáng)的殘差網(wǎng)絡(luò)和FPN網(wǎng)絡(luò)。Chen等[32]設(shè)計(jì)了一種基于體積元素和梯度信息的深度學(xué)習(xí)法，對(duì)機(jī)載激光雷達(dá)數(shù)據(jù)進(jìn)行單木樹冠分割，該方法比流域算法、基于點(diǎn)云的集群分割算法精度都高，總體精度可達(dá)0.85。Liu等[33]使用VGG16與訓(xùn)練的UNET網(wǎng)絡(luò)對(duì)地面森林圖像進(jìn)行語義分割，實(shí)現(xiàn)樹木數(shù)量識(shí)別和樹種分類，分類準(zhǔn)確率達(dá)到0.96。Guan等[34]使用歐幾里得距離聚類和基于體積元素的歸一化分割提取單木，通過深度學(xué)習(xí)生成樹種分類的高級(jí)特征抽象，實(shí)現(xiàn)激光雷達(dá)數(shù)據(jù)的樹種識(shí)別和分類，總體分類精度為0.86。

基于深度學(xué)習(xí)的分類識(shí)別方法在很大程度了減少了人力消耗，提升數(shù)據(jù)處理效率的同時(shí)也提高了森林資源調(diào)查結(jié)果的精度。然而，深度學(xué)習(xí)模型的訓(xùn)練需要大量訓(xùn)練數(shù)據(jù)作為支撐，這是模型精度的保障，也是研究的一大挑戰(zhàn)。因此，如何從遙感數(shù)據(jù)中收集大量的訓(xùn)練樣本是深度學(xué)習(xí)方法應(yīng)用于森林資源調(diào)查未來研究的重點(diǎn)[35]。

2.2 回歸模型

鑒于森林資源調(diào)查的實(shí)用性，建立具有普適性的森林樹高、蓄積量、地上生物量和郁閉度的定量估測回歸模型，是當(dāng)前研究的一大熱點(diǎn)[36]。其中，基于回歸的方法被廣泛使用，包括一元回歸模型、多元回歸模型、基于不同特征的多元線性回歸和最小二乘回歸。

曾偉生等[37]對(duì)機(jī)載激光雷達(dá)數(shù)據(jù)建立森林蓄積量預(yù)估模型，首先通過LiDAR數(shù)據(jù)和地面實(shí)測數(shù)據(jù)提取模型變量，基于線性回歸和非線性回歸法建立具有相同變量和統(tǒng)一結(jié)構(gòu)的普適性模型，再基于啞變量建模方法建立不同森林類型的蓄積量模型。許昌建等[38]利用仿真大光斑激光雷達(dá)數(shù)據(jù)，建立森林地上生物量估算模型，首先依據(jù)單波形參數(shù)建立單變量線性回歸模型，研究最適合波形參數(shù)并得到結(jié)果模型最佳參數(shù)為高度百分位數(shù)。再建立多元線性回歸模型，與深度學(xué)習(xí)模型中的多層感知器模型進(jìn)行模型精度分析。張偉倫[39]基于Sentinel-1A雙極化數(shù)據(jù)，結(jié)合森林地上生物量實(shí)測數(shù)據(jù)獲取后向散射系數(shù)和干涉相干系數(shù)，利用遺傳算法和非線性最小二乘法估算模型參數(shù)，建立干涉水運(yùn)模型進(jìn)行森林蓄積量反演。陳園園等[40]使用Sentinel-1 SAR的后向散射系數(shù)和紋理信息，Sentinel-2A的光譜和紋理信息建立多元線性回歸模型實(shí)現(xiàn)平均樹高的估算。蘇華等[41]對(duì)Landsat-8 OLI中提取的因子分別建立基于光學(xué)特征和基于SAR特征的多元因子回歸模型估算森林生物量，結(jié)果表明基于光學(xué)因子的估算模型比基于SAR因子的模型效果更好。李特[42]基于Landsat-5 TM影像和機(jī)載激光雷達(dá)數(shù)據(jù)建立回歸模型估算森林生物量，其中通過卷積神經(jīng)網(wǎng)絡(luò)提取特征建立的模型由于是經(jīng)驗(yàn)?zāi)Ｐ?，估算精度?.605。

基于回歸模型的方法常用于森林蓄積量和森林生物量的估算，選擇合適的回歸模型能有效提高估算精度。針對(duì)不同研究區(qū)、不同數(shù)據(jù)源的回歸模型需要具體比較分析，模型參數(shù)的確定會(huì)產(chǎn)生不同的結(jié)果，未來研究方向在于是否能夠建立具有普適性的統(tǒng)一估算模型。

2.3 數(shù)據(jù)處理方法小結(jié)

不同森林參數(shù)提取的方法及其數(shù)據(jù)源類型如表2所示。深度學(xué)習(xí)常作用于光學(xué)圖像，進(jìn)行分類識(shí)別，尤其在卷積神經(jīng)網(wǎng)絡(luò)發(fā)展以后，深度網(wǎng)絡(luò)使分類精度大大提高。但深度學(xué)習(xí)模型訓(xùn)練依賴于數(shù)據(jù)集的規(guī)模，識(shí)別精度與數(shù)據(jù)集大小密切相關(guān)，如何獲取大量、有效以及足夠豐富的信息數(shù)據(jù)庫是深度學(xué)習(xí)應(yīng)用于森林資源分類的一大難題。同時(shí)由于深度網(wǎng)絡(luò)的復(fù)雜度，模型訓(xùn)練消耗大量時(shí)間，如何提高深度學(xué)習(xí)模型訓(xùn)練效率也是未來一大研究方向。

表2 森林參數(shù)提取方法

森林參數(shù)遙感定量反演的提出，為綜合管理、利用森林資源提供了方法，實(shí)現(xiàn)了森林資源大范圍調(diào)查?；貧w模型的參數(shù)與模型精度息息相關(guān)，選取參數(shù)時(shí)結(jié)合遙感圖像以外的信息，如物候、生境信息等有助于提高結(jié)果的精度。同時(shí)增加遙感定量模型的參數(shù)可在一定范圍內(nèi)提高結(jié)果精度，但參數(shù)過多無法取得明顯效果時(shí)，可通過優(yōu)化模型或選擇精度更高的模型解決。

3 森林資源遙感調(diào)查應(yīng)用

森林資源遙感調(diào)查可以應(yīng)用于森林生長狀態(tài)的監(jiān)測，借助無人機(jī)航拍影像或衛(wèi)星遙感影像進(jìn)行大規(guī)模、大范圍林地監(jiān)測，結(jié)合計(jì)算機(jī)技術(shù)與調(diào)查信息構(gòu)建森林資源監(jiān)測系統(tǒng)。其中，應(yīng)用最多的是進(jìn)行森林病蟲害監(jiān)測，殷存軍[43]使用無人機(jī)影像識(shí)別患病松樹，實(shí)現(xiàn)病樹的監(jiān)測；Aknc等[44]使用無人機(jī)影像識(shí)別松樹上的飛蛾巢實(shí)現(xiàn)蟲害監(jiān)測；孫福洋等[45]使用MODIS TERRA NDVI產(chǎn)品數(shù)據(jù)，結(jié)合森林分布數(shù)據(jù)，實(shí)現(xiàn)對(duì)森林病蟲害受災(zāi)面積的估算。

利用森林資源遙感調(diào)查數(shù)據(jù)還可以提取森林生物量信息。通過高分辨率的遙感影像進(jìn)行大面積森林生物量估算，有助于研究全球陸地生態(tài)系統(tǒng)碳循環(huán)。許振宇等[46]利用Sentinel-1和Landsat 8遙感數(shù)據(jù)估算了某縣重點(diǎn)林區(qū)的生物量。

森林資源遙感調(diào)查可以應(yīng)用于森林火災(zāi)的預(yù)防與監(jiān)測。傳統(tǒng)的森林火災(zāi)預(yù)防和救援工作難度大，而森林火災(zāi)對(duì)森林資源的影響最為嚴(yán)重。Fran- cesco等[47]使用無人機(jī)搭載紅外攝像機(jī)實(shí)現(xiàn)森林火災(zāi)監(jiān)測，紅外攝像機(jī)在煙霧下具有很好的穿透效果，低空飛行又具有最佳監(jiān)測效果；唐堯等[48]基于多源高分衛(wèi)星影像展開四川木里森林火災(zāi)應(yīng)急災(zāi)情跟蹤監(jiān)測。國產(chǎn)高分系列衛(wèi)星在突發(fā)性小面積森林火災(zāi)、動(dòng)態(tài)跟蹤監(jiān)測火區(qū)災(zāi)情信息中發(fā)揮重要作用。

森林資源遙感調(diào)查數(shù)據(jù)還可以與其他數(shù)據(jù)集合分析問題，與生境類型結(jié)合可以了解森林的空間分布及生物多樣性[49]，與氣象數(shù)據(jù)結(jié)合可以研究全球氣候變換，與生物、物理、化學(xué)效應(yīng)結(jié)合可以進(jìn)行土地利用變化研究。

4 結(jié) 語

我國森林資源數(shù)量在不斷增加[50]，對(duì)森林資源調(diào)查技術(shù)的要求相應(yīng)提高，傳統(tǒng)的調(diào)查技術(shù)和數(shù)據(jù)處理手段已經(jīng)不能滿足對(duì)森林資源的管理、規(guī)劃和保護(hù)工作。現(xiàn)代化遙感技術(shù)可以快速、準(zhǔn)確、動(dòng)態(tài)、宏觀地獲取不同時(shí)空尺度的森林資源分布、蓄積量、生物量、生長狀態(tài)等信息，為森林資源調(diào)查提供了重要手段，最大程度上減少森林破壞的同時(shí)也保障了林業(yè)工作者的安全[51]。本文基于森林資源調(diào)查的應(yīng)用領(lǐng)域進(jìn)行需求分析，從數(shù)據(jù)源演變與數(shù)據(jù)處理方法兩個(gè)方面對(duì)森林資源遙感調(diào)查研究現(xiàn)狀及發(fā)展趨勢進(jìn)行了綜述。隨著計(jì)算機(jī)技術(shù)不斷地發(fā)展及生態(tài)建設(shè)對(duì)森林資源調(diào)查數(shù)據(jù)精確度的提高，森林資源遙感調(diào)查在數(shù)據(jù)源方面，采用無人機(jī)航空攝影像片與衛(wèi)星遙感影像，并向多源數(shù)據(jù)發(fā)展；在方法上，突破和創(chuàng)新了高分辨率遙感影像森林調(diào)查的關(guān)鍵技術(shù)，本文主要介紹了基于深度學(xué)習(xí)的分類方法和基于回歸模型的分析方法。

衛(wèi)星遙感影像可提供豐富的光譜信息和紋理信息，實(shí)現(xiàn)森林信息的提取，進(jìn)行森林生物量、積蓄量和森林健康分析。組合多遙感信息源波段可實(shí)現(xiàn)森林資源地塊的分類識(shí)別[52]。樹高、胸徑、冠幅、面積、密度和郁閉度等信息可以通過無人機(jī)地面影像數(shù)據(jù)獲取，也可以通過激光掃描儀采集的三維點(diǎn)云數(shù)據(jù)獲取。現(xiàn)代化森林調(diào)查技術(shù)精度高、范圍廣、效率高，且不會(huì)對(duì)森林資源造成影響[53]。

對(duì)各部分文獻(xiàn)進(jìn)行總結(jié)整理，結(jié)果顯示由衛(wèi)星或無人機(jī)獲取的光學(xué)遙感影像，與激光雷達(dá)數(shù)據(jù)結(jié)合可以通過深度學(xué)習(xí)方法進(jìn)行林冠識(shí)別和提取、樹種識(shí)別和分類等；與SAR數(shù)據(jù)結(jié)合，綜合光譜信息和紋理信息，通過回歸模型獲取樹高、森林蓄積量和生物量等信息。從研究進(jìn)程來看，森林資源遙感調(diào)查在數(shù)據(jù)源和方法上都有創(chuàng)新，未來發(fā)展方向?qū)⒓性谌绾味虝r(shí)間獲取大面積、高分辨率的遙感數(shù)據(jù)以及如何快速、準(zhǔn)確處理和識(shí)別圖像數(shù)據(jù)的問題上。