黃佩， 普軍偉， 趙巧巧， 李忠杰， 宋浩昆， 趙筱青

(1.云南大學國際河流與生態(tài)安全研究院，昆明 650500； 2.思茅金瀾滄豐產林有限公司，普洱 665699； 3.云南大學地球科學學院，昆明 650500)

0 引言

植被作為生態(tài)系統(tǒng)重要的組成部分，制約著生態(tài)系統(tǒng)的平衡，充當著全球變化的“指示器”[1]。植被遙感信息提取是植被覆蓋狀況調查和動態(tài)變化規(guī)律研究的基礎。植被生長、活力及其動態(tài)遙感信息可為環(huán)境監(jiān)測、生物多樣性保護、城市綠色基礎設施等領域的應用與研究提供有益借鑒[2]。

最初的植被信息提取主要依賴于人工實地調查，該方法極易受地域限制，存在調查范圍有限、成本高、周期長、受調查者認知水平影響較大等問題。20世紀60年代起，遙感技術的發(fā)展為地物信息的提取拓展了新渠道。遙感傳感器具有大尺度、動態(tài)觀測的特點，其應用逐步滲透至農業(yè)、林業(yè)、環(huán)境、軍事等各個領域[3]。早期的植被遙感信息提取主要依賴于人工目視解譯，較實地調查，目視解譯有一定優(yōu)勢，但解譯精度很大程度上依賴于解譯者經驗以及遙感影像質量，且周期較長、信息實時性或準實時性較低。隨著遙感傳感器空間分辨率和光譜分辨率進一步提升，遙感全覆蓋、高時效的優(yōu)勢也明顯增強[4]。應用遙感技術提取地物信息的核心環(huán)節(jié)是確定遙感影像中地物信息獲取方法。國內外學者一直致力于植被信息提取方法的研究，但已有的方法仍難以滿足植被信息提取的應用需求[5]。因此，探求更優(yōu)方法促進植被信息提取的智能化和自動化，提升植被信息提取的精度和效率，成為國內外學者持續(xù)關注的熱點問題。對國內外相關研究成果進行梳理，有助于進一步厘清植被遙感信息提取方法的研究現(xiàn)狀，探究當前植被遙感信息提取面臨的挑戰(zhàn)及未來發(fā)展方向，對新時期環(huán)境監(jiān)測與保護的研究與應用具有重要意義。

1 植被遙感信息提取方法研究進展

1.1 基于先驗知識的植被遙感信息提取方法

1.1.1 基于小尺度植被信息提取的人工目視解譯法

人工目視解譯法是學者早期借助遙感技術開展植被信息提取的重要方法，主要基于遙感影像的地物顏色、形態(tài)和位置等特征結合解譯者先驗知識直接進行地物判讀和信息提取[6]，具有高解譯精度的優(yōu)勢。國內外很多學者在早期植被遙感信息提取中都采用了人工目視解譯法，并取得了良好效果。如Fritz等[7]論證了基于明度、色度和飽和度(intensity, hue and saturation, IHS)變換、主成分(principal compoent analysis, PCA)變換、自適應圖像融合(adaptive image fusion, AIF)和彩色標準變換(Brovey)等標準傳感器融合技術結合衛(wèi)星數(shù)據(jù)的光譜和空間信息用于森林植被人工目視判讀的潛力； 田建林等[8]基于人工目視判讀法有效提取了灌木林和果園、經濟林和用材林等易混林地信息。

人工目視解譯法雖然具有高解譯精度的優(yōu)勢，但僅適用于小范圍地物信息提取。隨著遙感影像空間分辨率和光譜分辨率的提高，人工目視解譯的工作量大幅度增加，解譯成本和解譯主觀性隨之增大。因此，越來越多的學者將人工目視解譯法與計算機自動解譯法相結合，并逐漸成為高精度遙感影像解譯的主要生產方式[9-10]。

1.1.2 基于中、大尺度植被信息提取的監(jiān)督分類法

監(jiān)督分類是人機交互式解譯中利用先驗知識開展地物信息提取的經典方法，在植被遙感信息提取中的應用十分廣泛。監(jiān)督分類常用的判別函數(shù)確定方法包括最大似然法、平行六面體法、馬氏距離法和最小距離法等。如Roslani等[11]利用最大似然分類法對馬來西亞霹靂州紅樹林森林保護區(qū)的11種紅樹林植被進行了識別。此外，學者們還基于多種監(jiān)督分類方法的優(yōu)點，綜合開展植被信息提取，并取得了良好效果。如雷江濤[12]等將多種監(jiān)督分類方法進行融合與優(yōu)化，提出了一種森林面積變化自動監(jiān)測方法； 肖凡等[13]分別采用平行六面體、馬氏距離、最大似然、支持向量機等方法對湖南省長沙市望城區(qū)的土地利用分類展開了相關研究，研究表明最大似然法和支持向量機法具有更高解譯精度。

與監(jiān)督分類相對應，非監(jiān)督分類的應用也十分廣泛，應用比較成熟的聚類算法主要包括K-均值法(K-Means)和迭代自組織數(shù)據(jù)分析算法(ISODATA)。如任玉冰等[14]運用ISODATA方法對哈密地區(qū)進行了林地信息提取，取得了良好解譯效果； 吳煥麗等[15]采用自適應果蠅均值聚類(IFOA-K-means)算法進行了小麥作物信息提取，其運行時間和峰值信噪比都具有相對優(yōu)勢。

常用的監(jiān)督與非監(jiān)督分類方法對比詳見表1。監(jiān)督分類與非監(jiān)督分類的本質區(qū)別在于分類結果是否可明確地物具體屬于哪種類別，二者各有優(yōu)缺點。監(jiān)督分類可避免結果中出現(xiàn)不必要類別，且可通過訓練樣本預先檢測分類精度。但監(jiān)督分類方案設置不合理或不全面，會導致地物類別可分性差。此外，訓練樣本的選取具有主觀性，樣本選取不足時會影響分類結果的正確性。非監(jiān)督分類客觀性強，不易遺漏覆蓋面積小的地類。但分類結果多取決于遙感數(shù)據(jù)，較難通過人為控制來獲取期望的聚類結果。因此，國內外學者們逐漸將兩種方法相結合以開展植被遙感信息提取，在一定程度上提高了植被的分類精度[16-17]。

表1 常用的監(jiān)督與非監(jiān)督分類方法

1.2 基于專家知識和相關輔助信息的提取方法

不同植被類型在光譜特征、空間分布特征、紋理特征以及幾何特征等方面存在顯著差異[18]。研究表明，隨著數(shù)字化輔助數(shù)據(jù)的增多，特別是各種地理信息庫的建立，基于專家知識將多源輔助信息數(shù)據(jù)與衛(wèi)星數(shù)據(jù)結合，發(fā)展多維信息復合方法對于植被遙感信息提取具有重要作用[19-20]。因此，該方法也成為了國內外學者在植被遙感信息提取領域研究的重要方向。

近年來，綜合專家知識和光譜、紋理、地形、海拔、土壤等特征的植被信息提取方法應用越來越廣泛。如Suchenwirth等[21]結合遙感特征值與河流的距離、地物幾何信息和坡度信息等知識規(guī)則構建基于知識的遙感分類方法，提取了草地、蘆葦?shù)戎脖恍畔ⅲ?Pérez-Valladares等[22]基于專家知識，結合區(qū)域氣候、地形、巖性等輔助信息提取了墨西哥中部的Tehuacan-Cuicatlan山谷區(qū)的植被信息，提取精度得到較大提高； 林麗群等[23]通過結合多源多時相遙感數(shù)據(jù)的光譜特征、植被物候特征和專家知識，研究了喬木優(yōu)勢樹種識別的方法； 任沖[24]綜合利用影像光譜特征、紋理特征、時相特征、地形特征與林相圖等輔助信息，提出了暖溫帶復雜地形條件下森林信息多層次、精細化提取方法，森林信息提取精度得到明顯提高。以上研究表明，不同類別植被空間分布同時受到地形、氣候、海拔等多種因素的影響，基于專家知識和相關輔助信息在很大程度上能提高植被遙感信息提取的精度。

1.3 基于植被物候特征信息提取方法

植物物候信息主要依據(jù)植物生長節(jié)律的季節(jié)性和年際變化特征進行提取。目前，基于植被物候特征的信息提取方法主要包括地面觀測法、遙感分析法、模型模擬法[25]。其中，多時相遙感分析方法應用最為廣泛[26]。而植被指數(shù)(vegetation indexes,VIs)是基于物候特征提取植被遙感信息應用最為廣泛的指標[27-28]。1969年Jordan[29]提出了第一個以植被指數(shù)命名的比值植被指數(shù)(ratio vegetation index, RVI)。此后，RVI被廣泛用于綠色生物量的估算和監(jiān)測研究。歸一化植被指數(shù)(normalized difference vegetation index, NDVI) 是目前應用最為廣泛的植被指數(shù)，是有效提高植被覆蓋度監(jiān)測靈敏度的重要指標[30]。隨著高光譜遙感及熱紅外遙感技術的發(fā)展，遙感影像的波段越來越豐富，尤其是紅邊波段的運用，極大豐富了植被物候的研究。縱觀國內外研究，學者還提出了包括差值植被指數(shù)(difference vegetation index, DVI)、垂直植被指數(shù)(perpendicular vegetation index, PVI)、土壤調整植被指數(shù)(soil adjusted vegetation index, SAVI)、增強植被指數(shù)(enhanced vegetation index, EVI)、再歸一化植被指數(shù)(renormalized difference vegetation index, RDVI)、植被狀態(tài)指數(shù)(vegetation condition index, VCI)等在內的100余種植被指數(shù)，大大提升了植被信息提取的效率和精度[2]。如董立新[31]基于植被指數(shù)建立不同森林類型的葉面積指數(shù)(leaf area index, LAI)估算模型，估算三峽庫區(qū)森林的LAI； Fakhri等[32]提出一種利用粒子群算法(particle swarm optimization, PSO)優(yōu)化EVI的方法，研究發(fā)現(xiàn)局部優(yōu)化的EVI在視覺可解釋性和可解釋方差方面都明顯優(yōu)于傳統(tǒng)植被指數(shù)； 季民等[33]基于VCI揭示了1995—2010年青藏地區(qū)植被春旱的時空變化特征； 汪小欽等[34]研究表明基于可見光波段差異植被指數(shù)(visible-band difference vegetation index, VDVI)可有效提取可見光波段無人機遙感影像的健康綠色植被信息，較過綠指數(shù)(excess green index, EXGI)、歸一化綠紅差值指數(shù)(normalized green-red difference index, NGRDI)等其他可見光植被指數(shù)的提取精度大大提高。

部分常用植被指數(shù)計算公式詳見表2。

表2 部分常用植被指數(shù)計算公式

1.4 基于多源遙感數(shù)據(jù)融合的植被信息提取方法

不同數(shù)據(jù)源的遙感數(shù)據(jù)在植被信息提取中各有優(yōu)勢。將不同空間分辨率、不同光譜分辨率、不同傳感器平臺的多源遙感數(shù)據(jù)相結合，是提高地物分類精度的有效方法，也是當前基于遙感的地物信息提取方法發(fā)展趨勢之一。多源遙感數(shù)據(jù)融合層次可劃分為像素級、特征級和決策級[38]。近年來，國內外學者對多源遙感數(shù)據(jù)的融合做了大量嘗試，其中常用的遙感數(shù)據(jù)融合方法包括PCA變換、核主成分分析(kernel principal component analysis, KPCA)變換、Brovey變換、HIS變換 、卡洛南-洛伊(Karhunen-Loeve, K-L)變換、小波(wavelet transform, WT)變換和高通濾波(high-pass filter，HPF)變換等[7]。如Chang等[39]基于HIS和WT法將合成孔徑雷達(synthetic aperture Radar,SAR)和SPOT多光譜數(shù)據(jù)融合，發(fā)現(xiàn)基于HIS方法變換融合的結果分類精度更高； Mao等[40]融合高分一號衛(wèi)星、資源三號衛(wèi)星和機載激光雷達數(shù)據(jù)對東北典型天然次生林的4個層次植被信息進行了對比分析，為多層次多尺度植被類型提取提供了參考； 白楊等[41]等采用模糊C均值法(fuzzy c-means, FCM)對分別采用PCA和KPCA法融合后的影像進行植被、水體等地物信息提取，結果表明基于KPCA的提取精度更高； 王體雯等[42]基于HPF法將中巴地球資源衛(wèi)星數(shù)據(jù)與高級合成孔徑雷達數(shù)據(jù)融合，研究表明基于HPF融合處理的影像的植被提取精度明顯提高?？傊嘣催b感數(shù)據(jù)具有大范圍和長時間序列的優(yōu)勢，可綜合多源數(shù)據(jù)的優(yōu)勢特征，為地物信息提取提供了新途徑，彌補了單一數(shù)據(jù)和分類方法的缺陷。

1.5 基于機器學習的植被信息提取方法

隨著遙感衛(wèi)星技術的發(fā)展和星載傳感器的完善，中高分辨率遙感影像精細化分類成為遙感領域研究的重要內容[43]。機器學習的概念起源于1943年學者對人工神經網絡(artificial neural network, ANN)的研究。植被遙感信息提取中最常用的神經網絡方法包括卷積神經網絡(convolutional neural network, CNN)、反向傳播神經網絡( back-propagation neural network, BPNN)、模糊神經網絡(fuzzy neural network, FNN)和徑向基神經網絡(radial basis function network, RBFNN)等。如Snedden等[44]基于無監(jiān)督人工神經網絡提取了美國路易斯安那州沿海濕地植被群落信息； 段欣榮等[45]整合CNN模型和改進光譜分析方法準確地提取了農作物信息。此外，學者們還致力于基于空間數(shù)據(jù)挖掘和知識發(fā)現(xiàn)的信息提取方法研究，相繼提出了支持向量機(support vector machin, SVM)、決策樹(decision trees, DT)、隨機森林(random forest, RF)等機器學習方法。如陳健等[46]基于SVM分類方法，提取了昆明市城市森林時空分布信息； 田雷等[47]采用DT法研究了不同緯度帶下西伯利亞北方森林覆蓋的長時間尺度空間變化特征； 崔小芳等[48]采用RF模型對大豐市沿海灘涂濕地區(qū)域進行濕地植被精細分類。近年來，基于機器學習算法的植被遙感信息提取成為植被遙感研究中的熱點，對于多種機器學習算法的綜合應用越來越廣泛。如許童羽等[49]將CART決策樹和BP神經網絡相結合，提出了一種基于Landsat8影像粳稻提取方法，大大提高了粳稻分類精度； 謝錦瑩[50]運用全卷積神經網絡(full convolutional neural networks, FCN)、RF模型結合面向對象分類法、FCN結合面向對象分類法等方法分別提取濱海濕地植被信息，精度評價結果顯示FCN結合面向對象的方法更優(yōu)。綜上，機器學習算法在中、高分辨率植被遙感精細化分類中發(fā)揮了重要作用，也進一步推動了地物信息提取的自動化、智能化發(fā)展。

1.6 其他植被信息提取方法

1.6.1 面向對象分類

高中的知識體系中往往蘊含著很多數(shù)學的思想方法。人教版高中數(shù)學必修1中將函數(shù)零點引進后，將函數(shù)的零點轉化為方程的根，又可以轉化為函數(shù)圖像與x軸交點的橫坐標，還可以轉化成兩個函數(shù)圖像交點的橫坐標，這就充分體現(xiàn)著數(shù)學的函數(shù)與方程的數(shù)學思想，以及數(shù)形結合的數(shù)學思想方法，還滲透著轉化與化歸的數(shù)學思想方法。所以對于數(shù)學的結構教學，要結合數(shù)學思想方法幫助我們更快更好的發(fā)現(xiàn)數(shù)學結構。

面向對象分類法包括影像分割、建立分類規(guī)則和對象信息提取3部分，可以綜合影像光譜、紋理、空間結構信息的差異，彌補基于像元的分類方法的不足，有效提高地物信息的提取精度。自20世紀90年代以來，該算法在實際遙感影像分類的應用中得到快速發(fā)展。Mathieu等[51]基于高分辨率多光譜Ikonos圖像，采用面向對象分類法對新西蘭達尼丁地區(qū)開展了植被信息精細提??； Zhao等[52]采用3種不同分類器的面向對象方法有效地提取黃土高原松林、樺林、櫟林、灌木林、荒地、農田和道路信息； 李春艷[53]采用面向對象的遙感影像分類方法進行了植被信息提取，與傳統(tǒng)的基于像元的分類方法相比，效果更佳； 秦泉等[54]基于GF-1影像數(shù)據(jù)利用面向對象分類法提取蘋果樹的種植面積和空間分布信息，提取精度達到94.1%； 王熊等[55]基于高分2號影像，采用面向對象、SVM，KNN，RF等方法對地形復雜、森林破碎化的湖北省竹山縣九華山的優(yōu)勢樹種進行信息提取，結果表明SVM方法結果最優(yōu)。綜上所述，面向對象分類法對于較高分辨率影像的植被信息提取，其精度要顯著高于基于像元的分類方法； 然而，對于較低分辨率影像尤其是景觀破碎、地形復雜地區(qū)，植被信息提取精度將會有所降低。

1.6.2 混合像元分解

受傳感器分辨率的限制以及地形、氣候多樣性等因素的影響，影像像元多表現(xiàn)為幾種地物的混合體。混合像元的存在會影響分類的正確性及定量遙感的精度，尤其對于中、低分辨率影像而言，混合像元更為普遍[56]。20 世紀 90 年代初，遙感影像混合像元分解技術被提出并得到國內外廣大學者的關注，它可有效避免土壤等地物背景的影響，對于低植被覆蓋區(qū)和高植被覆蓋區(qū)均具有較強的探索性[57]?；旌舷裨纸饽Ｐ桶ň€性模型和非線性模型2類。線性混合模型忽略了光譜多次反射的情況，是非線性混合模型的特例[58]。近年來，更有利于遙感精細化分類的混合像元分解技術成為重要研究熱點。如Dawelbait等[59]基于等混合像元分解技術監(jiān)測了1987—2008年蘇丹草原地區(qū)的荒漠化狀況； 陳虹兵等[60]基于像元二分模型和線性光譜混合模型提取了北京市延慶區(qū)植被信息，研究表明基于線性光譜混合模型法的提取結果精度更高； 陳利等[61]利用混合像元分解法提取MODIS影像中的森林信息，研究結果表明基于線性混合像元分解分類的精度最高； 賀輝等[62]基于自適應區(qū)間二型模糊聚類(adaptive interval-valued type-2 fuzzy C-means clustering, A-IT2FCM)法提取了SPOT5影像數(shù)據(jù)中的地表覆蓋信息，提取精度大大提高。然而，遙感影像混合像元分解技術的各類模型仍處于不斷探索試驗階段，分解方法與模型仍需要不斷改進和完善，將各類混合像元分解模型相結合，進一步提高植被信息的分解精度是未來重要的研究方向。

綜上所述，隨著遙感和計算機技術的不斷發(fā)展，植被遙感信息提取方法體系逐步完善，提取精度和效率日益提高。不同植被遙感信息提取方法具有不同的應用優(yōu)勢及限制條件(表3)。因此，不同地區(qū)植被遙感信息提取應該根據(jù)區(qū)域實際，選用適宜的信息提取方法，或綜合集成多種方法，充分發(fā)揮各方法的優(yōu)勢，彌補不足之處，以實現(xiàn)區(qū)域植被遙感信息高精度、快速化、自動化提取。

表3 不同植被遙感信息提取方法的應用優(yōu)勢及限制條件

2 植被遙感信息提取面臨的問題和挑戰(zhàn)

隨著計算機和遙感技術的快速發(fā)展，植被遙感信息的提取方法也在不斷改進和完善，但仍面臨著以下問題與挑戰(zhàn)：

1)高分辨率遙感數(shù)據(jù)開放性問題。隨著遙感信息技術的進一步發(fā)展，遙感影像的光譜分辨率、空間分辨率、時間分辨率也得到相應提高，為植被遙感信息提取提供了良好的數(shù)據(jù)基礎。高校、科研機構和公眾對國內衛(wèi)星數(shù)據(jù)高分辨率遙感數(shù)據(jù)的可獲得性相對較差，在一定程度上限制了高分辨率遙感數(shù)據(jù)在植被精細化信息提取中的應用研究。而中低分辨率遙感數(shù)據(jù)中混合像元問題突出，其分類精度難以滿足植被精細化信息提取的需要。

2)植被信息提取模型的參數(shù)設置問題。在植被遙感信息提取過程中，研究者往往面臨著復雜的模型參數(shù)設置問題，如基于機器學習中的訓練參數(shù)、面向對象分類中的分割參數(shù)等。模型參數(shù)的大小、閾值范圍等對植被信息提取的精度和效率有著重要影響。然而，在實際研究中，由于缺乏足夠的理論依據(jù)，模型參數(shù)設置往往只能基于專家經驗和大量的重復實驗加以確定，這就造成了模型的穩(wěn)定性和可重復性較差，在一定程度上影響了植被信息提取的效果。

3)“同物異譜”和“同譜異物”的現(xiàn)象問題?，F(xiàn)有植被遙感信息提取多以影像中的光譜特征差異為基礎。由于受到外界條件影響，如太陽光相對角度、地形、含水量等因素差異，導致“同物異譜”和“同譜異物”現(xiàn)象十分普遍，這也是植被信息提取中的重點和難點。盡管目前運用基于專家知識和輔助信息、多源遙感數(shù)據(jù)、面向對象和混合像元分解等方法在一定程度上減弱了“同物異譜”和“同譜異物”現(xiàn)象，但截至目前依然沒有得到根本性解決。

4)植被遙感信息自動化提取問題。在植被信息提取過程中，遙感影像數(shù)據(jù)的下載、訓練樣本的確定、模型的選擇和參數(shù)的設置、植被信息提取結果的驗證和修正等都需要研究者憑借豐富的經驗和專業(yè)知識加以把控。專家知識信息庫的開發(fā)為植被信息自動化提取指明了新的發(fā)展方向。但植被變化受到自然和社會經濟因素的綜合影響，兼具復雜性、區(qū)域性、多樣性和動態(tài)性，同時植被信息提取還受到天氣、傳感器工作效率、遙感影像質量等因素影響。因此，在植被信息自動化提取中，建立通用性較高的專家知識庫，艱巨性和挑戰(zhàn)性并存。

5)多元方法的融合問題。植被信息提取方法眾多，且不同方法均有各自的適用性。綜合多種方法優(yōu)勢，開發(fā)多元方法融合的植被遙感信息提取技術，是提升植被信息提取精度和效率的重要途徑。然而，目前基于多元方法融合的植被遙感信息提取的研究還有待進一步豐富和拓展，特別是基于專家知識、機器學習及混合像元分解等方法的融合。

3 研究展望

計算機和遙感技術的迅速發(fā)展使得地物信息獲取的便利性、時效性和完備性不斷提高，融合多源數(shù)據(jù)、多元方法和多時相遙感影像新特征參與植被遙感信息提取，進一步推動植被信息提取的精細化、自動化和智能化發(fā)展是未來的發(fā)展趨勢。

1)高分辨率遙感技術開發(fā)與應用研究。開發(fā)高光譜和高時空分辨率遙感技術，大力發(fā)展激光雷達、微波遙感、無人機遙感等新技術，積極研發(fā)更加先進的傳感器設備，有效獲取更高分辨率和更小信噪比的植被遙感數(shù)據(jù)，推動植被遙感數(shù)據(jù)開放獲取，促進其科研應用，加強信息傳播，發(fā)揮其應有的科研價值。

2)“同物異譜”和“同譜異物”現(xiàn)象處理技術研究。加強遙感數(shù)據(jù)、生態(tài)數(shù)據(jù)、環(huán)境數(shù)據(jù)、氣象數(shù)據(jù)、社會經濟數(shù)據(jù)等多源數(shù)據(jù)融合，將多源數(shù)據(jù)中的高光譜和高時空分辨率信息相結合，考慮植被遙感反演過程的不確定性，發(fā)展地表數(shù)據(jù)同化系統(tǒng)，研究植被信息提取的優(yōu)化方法模型，提高植被信息的提取精度。

3)植被遙感信息智能化、自動化提取方法研究。將知識信息與多源數(shù)據(jù)和其他輔助數(shù)據(jù)相結合，構建專家知識信息庫，在植被遙感信息提取過程中模擬專家視覺活動和邏輯判斷過程，通過流程優(yōu)化、定制功能開發(fā)和計算資源聚合實現(xiàn)自動化信息提取[4]，推動植被信息提取技術研究和應用向更高層次的智能化方向發(fā)展，進一步解決植被遙感信息提取中“同物異譜”、“同譜異物”以及混合像元識別等問題。

4)基于多元方法融合的植被信息提取方法研究。在現(xiàn)有植被遙感信息提取方法體系的基礎上，同時加強對其他學科的多種分類方法的綜合運用，充分考慮各種方法的優(yōu)勢與短板，積極探索融合多元方法的植被信息提取的新興方法，尤其是與人工智能技術、集成學習等方法的結合，不斷提高植被遙感信息精細化、自動化和智能化提取的精度和效率。

4 結論

本文通過梳理國內外植被遙感信息提取的相關文獻，回顧了植被遙感信息提取方法的研究進展，總結了各種方法的優(yōu)勢及不足，探析了目前植被遙感信息提取研究方法中面臨的問題和挑戰(zhàn)，明確了其未來的發(fā)展方向。研究發(fā)現(xiàn)以往植被遙感信息提取方法均有其應用優(yōu)勢和限制條件，不同的方法在一定程度上緩解了“同物異譜”和“同譜異物”現(xiàn)象、長周期和廣覆蓋的植被信息提取、多元遙感數(shù)據(jù)信息互補、信息提取精度和自動化水平提升、信息提取的椒鹽現(xiàn)象等問題。但是不同地區(qū)植被遙感信息提取應該根據(jù)地區(qū)實際，選用最適宜的信息提取方法，或綜合集成多種方法，以實現(xiàn)區(qū)域植被遙感信息高精度、快速化、自動化提取。

目前植被遙感信息提取方法在高分辨率遙感數(shù)據(jù)開放性、植被信息提取模型參數(shù)設置、“同物異譜”和“同譜異物”的現(xiàn)象、植被遙感信息自動化提取和多元方法的融合等方面存在諸多挑戰(zhàn)。未來研究應當融合多源數(shù)據(jù)，實現(xiàn)多元方法的綜合集成，綜合利用多時相遙感影像新特征開展植被遙感信息提取，尤其是專家知識信息庫、人工智能技術、集成學習等方法的融合，推動植被遙感信息提取不斷向精細化、自動化和智能化方向發(fā)展。