呂 晶， 金 日， 朱衛(wèi)紅， 張 鵬

(延邊大學(xué) 地理與海洋科學(xué)學(xué)院，長白山濕地與生態(tài)吉林省聯(lián)合重點(diǎn)實驗室，吉林 延吉 133000)

森林資源，是林業(yè)和生態(tài)環(huán)境建設(shè)的基礎(chǔ)，對可持續(xù)發(fā)展有著不可替代的作用[1]。森林樹種的精確識別對于森林管理、森林?jǐn)_動監(jiān)測、環(huán)境和生物多樣性評估以及碳儲量和蓄積量估算等具有至關(guān)重要的作用和深遠(yuǎn)意義[2]。20世紀(jì)以來，由于森林面積萎縮和質(zhì)量下降引發(fā)的生態(tài)環(huán)境事件不斷出現(xiàn)[3]，使得森林健康問題得到前所未有的關(guān)注，各國學(xué)者開展了大量而富有成效的研究工作。國內(nèi)隨著“十三五”林業(yè)現(xiàn)代化發(fā)展的推進(jìn)，國家對生態(tài)文明建設(shè)越來越重視，因此準(zhǔn)確、及時地獲取森林類型和樹種信息成為統(tǒng)籌規(guī)劃利用森林資源的關(guān)鍵[4]。但是，傳統(tǒng)的樹種調(diào)查主要采用實地調(diào)查及林相圖輔助等方法[5-6]，而且對于不可訪問區(qū)域的數(shù)據(jù)，人工調(diào)查也無法獲得，這種方式不僅消耗大量的人力和物力，而且數(shù)據(jù)更新困難，很難在短時間內(nèi)實現(xiàn)宏觀尺度的數(shù)據(jù)獲取[7-8]。

遙感技術(shù)的快速發(fā)展為森林樹種的識別提供了方便的數(shù)據(jù)源，具有覆蓋范圍廣、重訪周期短、應(yīng)用成本低等優(yōu)點(diǎn)的遙感平臺為實現(xiàn)森林樹種的識別提供了可能[8]。同時，在森林資源調(diào)查規(guī)劃、森林功能區(qū)域劃分、森林類型精細(xì)分類、植被制圖、森林動態(tài)變化監(jiān)測等方面具有很大的應(yīng)用價值[9-12]。此外，該研究也將對今后人工智能在地理學(xué)領(lǐng)域的研究和森林資源精細(xì)化管理與生態(tài)規(guī)劃具有現(xiàn)實應(yīng)用意義。然而，森林里的植物物種本身具有很高的多樣性，使得大尺度范圍的樹種分類仍具有較大挑戰(zhàn)。該研究通過查閱大量國內(nèi)外研究文獻(xiàn)，針對利用衛(wèi)星遙感技術(shù)的樹種信息提取研究的不同的數(shù)據(jù)源，專家學(xué)者提出了不同的樹種信息提取方法，按其基于不同的數(shù)據(jù)源提取的原理與方法，該研究將其歸納為光譜遙感、雷達(dá)遙感、高光譜遙感和多源遙感協(xié)同4個方面，并且對現(xiàn)有研究的研究進(jìn)展、研究方法、存在的問題和未來展望等方面進(jìn)行綜述分析，以期為森林生物多樣性遙感監(jiān)測研究提供參考。

1 樹種分類中的遙感技術(shù)應(yīng)用研究現(xiàn)狀

1.1 多光譜遙感分類方法

1.1.1 中低分辨率遙感影像在樹種分類中的應(yīng)用

具有時間分辨率高、光譜信息豐富和時效性強(qiáng)等優(yōu)點(diǎn)的多光譜包含了可見光到熱紅外整個遙感研究的光譜范圍，被廣泛應(yīng)用于氣候變化、土地利用類型劃分及水體與植被監(jiān)測等研究[13]。其一直是森林物種組成制圖中最常用的數(shù)據(jù)，在多光譜遙感樹種分類方面研究，國內(nèi)外學(xué)者已經(jīng)開展了大量研究。

基于數(shù)據(jù)挖掘而發(fā)展起來的分類方法有很多，在利用Landsat、TM、MODIS等分辨率較低的多光譜樹種研究中，機(jī)器學(xué)習(xí)被廣大學(xué)者推崇，而機(jī)器學(xué)習(xí)算法中的決策樹CART(Classification and Regression Tree)算法與最大似然法、決策樹分類法進(jìn)行比較，CART決策樹算法分類精度較高[14-15]。CART決策樹算法是Breiman等人在1984年提出的[16]，區(qū)別與根據(jù)經(jīng)驗人為設(shè)定分類規(guī)則的常規(guī)決策樹，CART算法可自動選擇分類特征并確定節(jié)點(diǎn)閾值，并且還可以耦合地物光譜、NDVI和紋理等特征變量，然后輔以水文與高程等基礎(chǔ)數(shù)據(jù)，分類精度較高從而被大量使用[17]。王俊杰在2017年利用Landsat提取了NDVI和GVI并且使用了決策樹法進(jìn)行森林樹種制圖[18]；楊爍[14]基于Landsat影像使用CART決策樹算法對大興安嶺地區(qū)樹種進(jìn)行了分類；張連華等[19]利用Landsat的參數(shù)與波段組合耦合了決策樹法進(jìn)行分類提高了分類精度；Darren等[20]使用MODIS和TM輔以結(jié)合水文與高程基礎(chǔ)數(shù)據(jù)對加拿大森林進(jìn)行監(jiān)測。

機(jī)器學(xué)習(xí)主要以多光譜遙感影像的近紅外和可見光波段構(gòu)成各種植被指數(shù)作為樣本標(biāo)簽，訓(xùn)練模型來表達(dá)不同地區(qū)森林樹種類型的光譜特征。但是在同一時相的遙感影像上，不同優(yōu)勢樹種之間的光譜差異性較小，即使利用植被指數(shù)也很難做出正確區(qū)分[21]。而在北方這種季節(jié)分明、種物候特點(diǎn)明顯的地區(qū)，這些特征可以表現(xiàn)在不同時相的遙感影像上，可以利用物候信息對森林優(yōu)勢樹種類型進(jìn)行精細(xì)分類[22]。鄭亞卿等[21]利用Landsat-8 OLI遙感影像，統(tǒng)計了不同森林樹種在各時相、各分類特征上的差異性，并采用支持向量機(jī)(Support Vector Machine，SVM)分類方法進(jìn)行森林樹種分類，總體分類精度達(dá)到73．67%。孫玉琳等[23]利用Landsat 8數(shù)據(jù)光譜、植被指數(shù)以及紋理特征，結(jié)合了坡度、坡向等地形因子，采用了支持向量機(jī)和隨機(jī)森林分類器對森林進(jìn)行分類。李夢穎等[24]采用SVM基于Landsat 8 OLI多光譜遙感影像對吉林省汪清林業(yè)局天然林區(qū)進(jìn)行樹種識別，分類精度達(dá)到了89.58%，Kappa系數(shù)為0.87。

1.1.2 中高分辨率遙感影像在樹種分類中的應(yīng)用

近年來，隨著遙感技術(shù)的發(fā)展和遙感影像林業(yè)應(yīng)用的深入，應(yīng)用中高空間分辨率遙感影像開展森林類型精細(xì)識別和森林資源動態(tài)變化監(jiān)測成為目前研究的熱點(diǎn)之一。雖然遙感影像分類技術(shù)取得了長足的發(fā)展，但已有的研究表明[25-30]，傳統(tǒng)遙感森林樹種分類仍存在精度不高和可信度差等技術(shù)難點(diǎn)，以及森林資源動態(tài)變化監(jiān)測尚未完全克服信息獲取周期長、變化信息提取困難、新方法應(yīng)用少、自動化程度低、成果質(zhì)量和精度欠佳等突出問題[25]。相對于TM、MODIS等中低分辨率影像，高分影像克服了傳統(tǒng)影像分辨率不足的致命缺陷，高空間分辨率衛(wèi)星具有精度高、信息量大、客觀性、時效性及多時相性的優(yōu)點(diǎn)，能夠?qū)崿F(xiàn)地表信息的更精確提取。然而如何充分利用高分影像豐富的形狀和紋理信息是實現(xiàn)高精度、高效率地表信息自動提取的主要難點(diǎn)[26]。在森林樹種分類方面，高分辨率遙感影像包含了豐富的紋理、形狀、位置等信息，不僅能顯示出較大的地貌特征，還能清晰地反映森林中單棵樹木的細(xì)節(jié)，這些細(xì)節(jié)為單木樹冠的高精度提取、單木參數(shù)的估計以及單木尺度的樹種分類等提供了可能，利用高分辨率遙感影像對森林區(qū)域進(jìn)行樹種類型調(diào)查已經(jīng)成為相關(guān)研究領(lǐng)域的熱點(diǎn)[27-28]，由于這種精細(xì)分類受多方面影響，所以研究者主要通過高效分類模型和多源數(shù)據(jù)協(xié)同2個方面進(jìn)行研究，下面就這2方面展開論述。

在分類方法方面，傳統(tǒng)的樹種分類主要采用了人工設(shè)計特征結(jié)合機(jī)器學(xué)習(xí)分類器的方法(包括中低分辨率影像)，諸如K最鄰近(KNN)[29]、決策樹、隨機(jī)森林(RF)、最大似然法(MLC)、支持向量機(jī)(SVM)、人工神經(jīng)網(wǎng)絡(luò)(ANN)[30]等。Franklin[31]與Immitzer M等[32]使用RF對無人飛行器采集的多光譜影像和Worldview2影像中幾種樹種進(jìn)行面向?qū)ο蠓诸?，研究結(jié)果的準(zhǔn)確性分別約為78%與82%；謝珠利[33]使用了KNN、DT、RT、MLC、SVM、ANN等6個分類器，對國產(chǎn)ZY-3衛(wèi)星影像中6類人工林樹種進(jìn)行了提取，結(jié)果表明，不同的分類算法有各自的優(yōu)缺點(diǎn)。隨著人工智能的普及，神經(jīng)網(wǎng)絡(luò)被用于樹種分類研究中，李永亮等[34]將高光譜特征參數(shù)作為輸入矢量，森林樹種類別作為輸出矢量，建立反向傳播(BP)神經(jīng)網(wǎng)絡(luò)模型，對3種樹木進(jìn)行監(jiān)督分類，分類綜合精度達(dá)93.3%。由于這種機(jī)器學(xué)習(xí)的網(wǎng)絡(luò)模型構(gòu)建依賴于主觀設(shè)置的經(jīng)驗和參數(shù)值，所以分類效果不是很理想。隨著人工智能的發(fā)展，深度學(xué)習(xí)向各個領(lǐng)域擴(kuò)散，卷積神經(jīng)網(wǎng)絡(luò)(CNN)近年來廣泛被應(yīng)用于圖像分類領(lǐng)域。已經(jīng)有少部分學(xué)者開始探索將深度學(xué)習(xí)用于遙感影像的樹種識別與分類，并且取得了不錯的結(jié)果。林志瑋等[35]以福建安溪縣為例，采用無人機(jī)獲取不同高度的航拍影像，采用CNN建立了樹種識別模型，其分類精度均達(dá)80%以上，最高精度為87．54%。歐陽光等[36]搭建了CNN模型并且與高分影像結(jié)合半自動化構(gòu)建樣本集，通過對比幾種網(wǎng)絡(luò)模型，最后得出結(jié)論DenseNet-BC-mini56精確度最高，分類效果最好。以上研究有一個共同的難題就是圖像太少、需要人工采樣標(biāo)注和分類精度低，針對這個問題，王妮[37]提出了一種基于遷移學(xué)習(xí)的高分辨率影像樹種分類方法，基于影像與野外數(shù)據(jù)進(jìn)行多尺度分割，應(yīng)用決策樹分類器制作訓(xùn)練樣本集解決了上面的問題。

1.2 雷達(dá)遙感分類方法

激光雷達(dá)(Light Detection and Ranging，Li DAR)是一項新興的遙感技術(shù)，是最為先進(jìn)的主動遙感技術(shù)[38]，該技術(shù)受天氣影響較小，具備強(qiáng)大的主動對地觀測功能，能夠通過發(fā)射和接收激光脈沖來獲取地物豐富的水平與垂直結(jié)構(gòu)信息。雷達(dá)儀器的使用能顯著提高樹種分類的精度，較傳統(tǒng)光學(xué)遙感具有無可比擬的優(yōu)勢[39]。在過去的十多年中，國內(nèi)外許多科研人員一直在發(fā)掘雷達(dá)數(shù)據(jù)的應(yīng)用能力，對雷達(dá)數(shù)據(jù)和樹種分類研究做了大量的工作，基于雷達(dá)系統(tǒng)進(jìn)行樹屬或樹種分類的研究也是當(dāng)下研究的熱點(diǎn)。

目前，樹種分類的研究主要針對的激光雷達(dá)類型有ALS系統(tǒng)、TLS系統(tǒng)和MLS系統(tǒng)。方法主要有分水嶺算法、多項式擬合、基于點(diǎn)云的距離判別聚類等方法的應(yīng)用非常廣泛[40]。Wagner等[41]通過車載激光雷達(dá)收集城市的樹木類別，并使用CNN模型進(jìn)行分類實驗，結(jié)果表明，基于CNN模型的對象檢測器和分類器可以顯著提高樹種的分類精度，從而替代人工樹種調(diào)查。對于植被密集覆蓋的森林以及人力物力無法到達(dá)的區(qū)域，TLS系統(tǒng)和MLS系統(tǒng)均難以獲取完整的森林點(diǎn)云數(shù)據(jù)。但是，ALS系統(tǒng)能夠在人工無法到達(dá)的高度大規(guī)模捕捉森林全景，從而在數(shù)據(jù)獲取中發(fā)揮更大的優(yōu)勢。有學(xué)者提出聯(lián)合L波段SAR的強(qiáng)度數(shù)據(jù)和相干性數(shù)據(jù)進(jìn)行森林分類的方法，但少有基于C波段相干性數(shù)據(jù)的森林分類研究[42]。王長青[43]提出使用Sentinel-1相干性數(shù)據(jù)和強(qiáng)度數(shù)據(jù)進(jìn)行森林樹種分類的方法，使用SVM支持向量機(jī)方法進(jìn)森林分類研究，驗證了光學(xué)影像結(jié)合Sentinel -1強(qiáng)度數(shù)據(jù)和有效相干性數(shù)據(jù)能夠提高森林分類精度的論斷。何祺勝等[44]將點(diǎn)云內(nèi)插生成的DEM和DSM做差值運(yùn)算得到冠層高度模型并做平滑處理，通過搜索局部最大值提取樹高，使用雙正切角算法識別樹冠，得到樹冠輪廓，結(jié)合主方向法和面積法再計算得到冠幅，最后進(jìn)行生物量的估計。陳向宇[40]利用無人機(jī)獲取機(jī)載雷達(dá)數(shù)據(jù)，以樹的點(diǎn)云特征，結(jié)構(gòu)特征，樹的紋理特征和樹的冠形特征，并且使用支持向量機(jī)分類器進(jìn)行了樹種分類研究，整體精度為85%，Kappa系數(shù)為0.81。Li等[45]設(shè)計了樹的樹葉相對聚類程度、三維紋理、樹葉聚類比例和樹冠內(nèi)間隙分布，結(jié)合遺傳算法選擇4種類型的雷達(dá)特征，然后使用挑選的特征聯(lián)合線性判別分析對4類樹種進(jìn)行了分類，整體精度為77.5%。

1.3 高光譜遙分類方法

高光譜圖像具有納米級的光譜分辨率，主要在可見光到紅外范圍的很多窄的波段上，具有光譜分辨率高、波段范圍窄、圖譜合一、連續(xù)成像等特點(diǎn)，可以同時觀測多種物理現(xiàn)象、能夠區(qū)分出地物光譜的細(xì)微差別，探測到其他寬波段遙感無法探測的信息。近年來，高光譜遙感在林業(yè)方面的一個重要應(yīng)用是對森林樹種類型進(jìn)行識別。高光譜遙感或成像光譜的發(fā)展被認(rèn)為是與成像雷達(dá)技術(shù)并列，自遙感技術(shù)問世以來最重大的2項突破技術(shù)，激光雷達(dá)數(shù)據(jù)可以提供森林垂直結(jié)構(gòu)的信息，而高光譜遙感數(shù)據(jù)可以提供樹木詳細(xì)的光譜信息，因此學(xué)者經(jīng)常聯(lián)合激光雷達(dá)和高光譜數(shù)據(jù)來提高樹種分類精度[46]。國內(nèi)外利用高光譜遙感進(jìn)行樹種識別主要是從葉片、冠層和高光譜影像3個研究尺度開展。開始的研究都是基于其連續(xù)的光譜曲線去區(qū)分精細(xì)地物，這種細(xì)微的差別肉眼很難察覺，研究者經(jīng)常使用深度學(xué)習(xí)網(wǎng)絡(luò)去識別，再用雷達(dá)數(shù)據(jù)去辨別樹冠高度。Zhu等[1]通過高光譜數(shù)據(jù)和雷達(dá)數(shù)據(jù)構(gòu)建了一個雙通道輕量化卷積網(wǎng)絡(luò)模型(SDCN)去識別樹種，研究結(jié)果準(zhǔn)確度均達(dá)到85%以上。劉秀英等[47]使用地物光譜儀測得的光譜數(shù)據(jù)，采用逐步判別分析方法、特征波段選擇等方法識別出4種樹種。國外的研究主要有Gong等[48]利用ANN分類法對光譜數(shù)據(jù)進(jìn)行判別，區(qū)分出1種闊葉樹種和6種針葉樹種。綜上所述，國內(nèi)外利用高光譜數(shù)據(jù)進(jìn)行樹種識別的研究已取得階段性的進(jìn)展，從研究方法看，主要基于不同樹種具有不同光譜特征的原理，通過特征波段的合理選擇，或者通過波段變換對高光譜數(shù)據(jù)進(jìn)行降維來識別樹種等，隨著深度學(xué)習(xí)的發(fā)展，這種模式將會是未來高光譜數(shù)據(jù)信息提取的趨勢。

1.4 多源遙感分類方法

多源協(xié)同是學(xué)者研究最多的一種方法，每一種都有其自身的優(yōu)勢與不足，多源協(xié)同我們可以取長補(bǔ)短，提高研究的可靠性?；诙喙庾V，高光譜，雷達(dá)，點(diǎn)云等數(shù)據(jù)，輔以高程與坡度等基礎(chǔ)數(shù)據(jù)，學(xué)者們做了許多研究與探索。多源數(shù)據(jù)不同的結(jié)合方式對分類效果也有很大的影響，其中包括簡單的波段組合，光譜、雷達(dá)、樹高等不同數(shù)據(jù)的融合以及基于結(jié)果的融合等方法。雷達(dá)數(shù)據(jù)具有不同的波長和極化方式，單純的雷達(dá)數(shù)據(jù)對于植被的分類效果并不好，因此雷達(dá)數(shù)據(jù)常常和光學(xué)數(shù)據(jù)一起用于植被分類。因此很多學(xué)者嘗試將光學(xué)遙感數(shù)據(jù)和合成孔徑雷達(dá)(Synthetic Aperture Radar，SAR)數(shù)據(jù)結(jié)合，其中使用SAR數(shù)據(jù)進(jìn)行地物分類的方法主要是基于SAR后向散射強(qiáng)度影像進(jìn)行分類。趙明瑤等[49]、王新云等[50]協(xié)同HJ -1B光學(xué)數(shù)據(jù)和RadarSat-2 C波段雷達(dá)數(shù)據(jù)，通過影像融合提高了草地分類精度。Lu[51]利用多種遙感數(shù)據(jù)探討雷達(dá)數(shù)據(jù)不同波長不同極化方式與TM數(shù)據(jù)用何種數(shù)據(jù)融合方法在熱帶地區(qū)能取得最好的分類結(jié)果。謝珠利等[33]從多時相多光譜和立體像對數(shù)據(jù)中，提取了五種類型的變量(基于像素光譜的特征，基于空間的特征，時相特征，基于立體像對提取的高度特征，地形因子)對比分析了不同時相數(shù)據(jù)、不同變量組合和不同分類算法(最大似然法(MLC)、人工神經(jīng)網(wǎng)絡(luò)(ANN)、k最近(kNN))、決策樹(DT)、隨機(jī)森林(RF)和支持向量機(jī)(SVM))對樹種精細(xì)分類的影響。上述研究結(jié)果表明沒有單一的分類算法與數(shù)據(jù)源可以為所有的樹種提供最高的樹種精度，只有利用多種遙感數(shù)據(jù)與其配套的算法相結(jié)合進(jìn)行優(yōu)勢互補(bǔ)，以提高樹種分類識別的精度。

2 遙感技術(shù)應(yīng)用中存在的主要問題

2.1 單一數(shù)據(jù)源的局限性

MODIS等低分辨率的遙感影像存在嚴(yán)重的混合像元，在樹種精細(xì)分類中并不適用。Landsat等中等分辨率的遙感數(shù)據(jù)因其覆蓋范圍大、免費(fèi)獲取、光譜波段多等優(yōu)點(diǎn)已經(jīng)廣泛應(yīng)用于森林和樹種分類研究[24]。基于Landsat等中等分辨率的遙感數(shù)據(jù)許多研究結(jié)果表明可信度高，但是依賴于模型與方法，本身的數(shù)據(jù)分辨率太小，數(shù)據(jù)本身存在較大的誤差，由于這種本身的缺陷，當(dāng)前最熱的神經(jīng)網(wǎng)絡(luò)無法完全依賴此數(shù)據(jù)展開，分類過程之中仍然需要人工做大量的特征提取，然而這種數(shù)據(jù)易獲取而且免費(fèi)，這種方法依舊可以用于科研和我們平常生活。地球60%～70%被云層覆蓋，這非常不利于高光譜數(shù)據(jù)的采集，同時高光譜數(shù)據(jù)處理過程中一直存在難以克服的“同物異譜”、“異物同譜”等種種問題[46]。雖然在許多研究中高光譜數(shù)據(jù)很大的挖掘潛力并且分類的結(jié)果都優(yōu)于多光譜影像。但是高光譜遙感圖像各波段間存在著高相關(guān)性和高冗余度，除了受“同物異譜和同譜異物”問題的制約，在處理上有一定的困難。此外，陸地激光雷達(dá)雖然也能用于樹種分類，提供關(guān)于森林結(jié)構(gòu)的詳細(xì)的信息，但是由于激光雷達(dá)和高光譜數(shù)據(jù)的操作使用限制以及高額的使用成本，這些數(shù)據(jù)的適用性在大區(qū)域研究或全球范圍內(nèi)仍然是有限的[47]。

2.2 樹種識別算法挑戰(zhàn)

基于高分辨率多源遙感數(shù)據(jù)的研究可以看出，隨著影像分辨率的提高和模型方法的不斷優(yōu)化，樹種分類已經(jīng)邁向自動化分類道路，隨著深度學(xué)習(xí)與算法的提高，分類結(jié)果將會跟著更加準(zhǔn)確，不足之處就是模型的普適性，訓(xùn)練好的模型不一定適應(yīng)于其他地域，卷積網(wǎng)絡(luò)訓(xùn)練需要高空間分辨率的影像，對影像分辨率要求較高。此外，物種豐富度更高，林分的密度較大，冠層結(jié)構(gòu)復(fù)雜，很難進(jìn)行單木分割，且同一科屬的樹種間相似度較高，增加了樹種識別的難度。多源協(xié)同的方法彌補(bǔ)了高分在精細(xì)分類過程中的一些不足點(diǎn)，相比與單源數(shù)據(jù)具有優(yōu)勢，能更加提高分類精度，例如利用高分辨率可見光影像進(jìn)行單木分割，用LiDAR三維結(jié)構(gòu)特征輔助識別[8]。

2.3 多源遙感數(shù)據(jù)相結(jié)合的挑戰(zhàn)

傳統(tǒng)光學(xué)遙感數(shù)據(jù)、激光雷達(dá)數(shù)據(jù)、地面實測數(shù)據(jù)等數(shù)據(jù)源的有效結(jié)合可實現(xiàn)優(yōu)勢互補(bǔ)，提高分類識別的精度。雖然多源協(xié)同已成為普遍發(fā)展趨勢，但是在不同數(shù)據(jù)源的融合過程中可能存在數(shù)據(jù)結(jié)構(gòu)、精度等不匹配問題。其次，對不同數(shù)據(jù)源匹配其相適應(yīng)的算法可以提高樹種識別的精度，但目前的研究中，對這些特定波段的信息挖掘還相對較少[8]，針對不同的數(shù)據(jù)源匹配的算法得出的結(jié)論不匹配，而且部分高分?jǐn)?shù)據(jù)的獲取和使用成本仍較高。

3 結(jié)論與展望

遙感影像樹種信息提取為林業(yè)動態(tài)變化監(jiān)測、森林管理、森林?jǐn)_動監(jiān)測、環(huán)境和生物多樣性評估以及碳儲量和蓄積量估算提供重要支撐，將得到更多關(guān)注和應(yīng)用。通過整理與分析森林樹種相關(guān)的研究發(fā)現(xiàn)，引入多源數(shù)據(jù)可以彌補(bǔ)單一光學(xué)遙感數(shù)據(jù)的不足。例如利用雷達(dá)數(shù)據(jù)與光學(xué)數(shù)據(jù)一起用樹種分類，雷達(dá)數(shù)據(jù)具有全天候的數(shù)據(jù)獲取能力，且不受陰雨和多云天氣的干擾。高時間分辨率的多光譜數(shù)據(jù)具有豐富的波普信息，其高時間分辨率的特性有助于借助物候分辨優(yōu)勢樹種。樹種的精細(xì)分類歸根到底依賴于影像數(shù)據(jù)的質(zhì)量即空間或者光譜分辨率的高低，高空間分辨率和高時間分辨率數(shù)據(jù)的融合在林業(yè)精準(zhǔn)監(jiān)測中具有更廣闊的空間。

綜合多種模型與方法，每一種模型都有其優(yōu)勢與不足，多模型運(yùn)用可以改善單一方法的缺陷，但模型的使用受限于影像數(shù)據(jù)的質(zhì)量，從低空間分辨率到高空間分辨率，低時間分辨率到高時間分辨率，沒有哪一種數(shù)據(jù)是完美的，只有只針對每一種數(shù)據(jù)特征，采用對應(yīng)該數(shù)據(jù)較好的模型方法，提取結(jié)果綜合互補(bǔ)。如利用針對低空間分辨率的多光譜數(shù)據(jù)，利用其高時間分辨率特性多時相提取優(yōu)勢樹種，采用決策樹等機(jī)器學(xué)習(xí)的方法對其進(jìn)行粗略分類，然后將其作為佐證與驗證數(shù)據(jù)用于高波譜維，低空間維度的高光譜數(shù)據(jù)中，借助神經(jīng)網(wǎng)絡(luò)算法對研究區(qū)樹種自動模擬提取，如此便可以充分利用光譜特征和紋理、形狀特征，增加識別規(guī)則，使得訓(xùn)練的樣本更加準(zhǔn)確，也減少了去實地采樣的繁瑣，劃分結(jié)果也更加準(zhǔn)確。精細(xì)數(shù)據(jù)挖掘技術(shù)從機(jī)器學(xué)習(xí)逐漸開始邁向深度學(xué)習(xí)，高度自動化深度學(xué)習(xí)是未來研究森林樹種的趨勢。但并不意味著機(jī)器學(xué)習(xí)等方法不可取，相反，高度自動化數(shù)據(jù)挖掘必須依賴優(yōu)秀神經(jīng)網(wǎng)絡(luò)算法，在無法改進(jìn)算法的前提下，多模型多技術(shù)融合提取樣本數(shù)據(jù)特征是可行的辦法，優(yōu)秀的樣本包含了多層次挖掘特征，可以很好訓(xùn)練模型從而模擬出較高的結(jié)果。隨著無人機(jī)遙感平臺的快速發(fā)展與更多高分多源數(shù)據(jù)的免費(fèi)開放與獲取，可以利用的數(shù)據(jù)將日趨多樣化，今后，多源數(shù)據(jù)、多種方法和多種技術(shù)綜合應(yīng)用的復(fù)合模式將成為今后的一個研究熱點(diǎn)，也將為遙感影像分類森林樹種研究帶來更大機(jī)遇。