王書偉　席磊　邱霜　宋涵玥

摘要 高光譜遙感技術(shù)作為當(dāng)前遙感領(lǐng)域的研究熱點(diǎn)之一，憑借其出色的光譜識(shí)別能力和近似連續(xù)的地物光譜信息探測技術(shù)，在森林結(jié)構(gòu)參數(shù)獲取、樹種精細(xì)識(shí)別、森林病蟲害監(jiān)測和森林火災(zāi)識(shí)別中的應(yīng)用取得了顯著成果。介紹了高光譜成像技術(shù)的發(fā)展及原理，闡述了近年來高光譜遙感技術(shù)在森林資源監(jiān)測中的應(yīng)用現(xiàn)狀，最后對(duì)高光譜遙感技術(shù)在森林資源監(jiān)測中未來發(fā)展方向進(jìn)行了總結(jié)與展望，以期為高光譜遙感技術(shù)在林業(yè)中的應(yīng)用尋找新的突破方向。

關(guān)鍵詞 高光譜遙感；森林資源監(jiān)測；應(yīng)用

中圖分類號(hào) S 758.4文獻(xiàn)標(biāo)識(shí)碼 A文章編號(hào) 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

森林資源監(jiān)測是森林資源的數(shù)量、質(zhì)量、空間分布及其利用狀況進(jìn)行定期觀測分析與評(píng)價(jià)工作，是提高森林資源精細(xì)管理的重要舉措［1］。森林資源作為自然資源的重要組成部分，是人類社會(huì)可持續(xù)發(fā)展的重要物質(zhì)資源，兼具經(jīng)濟(jì)效益、社會(huì)效益和生態(tài)效益，在調(diào)節(jié)氣候、維護(hù)生態(tài)平衡、保護(hù)生物多樣性等方面具有不可替代的作用。我國森林資源豐富、類型多樣，但分布不均、人均不足，在20世紀(jì)后半葉歷經(jīng)3次銳減，造成森林結(jié)構(gòu)嚴(yán)重失調(diào)，生態(tài)環(huán)境惡化，自然災(zāi)害頻發(fā)，為了解我國森林資源的實(shí)際情況，客觀反映全國森林資源的狀況，農(nóng)林部于1973年開展第一次全國森林資源清查工作，先后完成了8次森林資源清查，為我國各個(gè)時(shí)期制定林業(yè)方針政策、編制林業(yè)發(fā)展規(guī)劃及森林生態(tài)經(jīng)營效果評(píng)估等提供了重要依據(jù)［2］。

自1999年第六次全國森林資源清查工作開始，“3S”技術(shù)［地理信息系統(tǒng)（GIS）、遙感（RS）、全球定位系統(tǒng)（GPS）］在森林資源清查工作中首次應(yīng)用，有效彌補(bǔ)了傳統(tǒng)森林資源調(diào)查效率低、周期長、工作量大和調(diào)查人員人身安全難以有效保障等問題［3］。20世紀(jì)中后期開始，人類對(duì)地觀測的需要促使遙感技術(shù)飛速發(fā)展，不同種類的傳感器層出不窮，期間成像光譜儀從問世到更新迭代僅不到4年的時(shí)間，高光譜成像技術(shù)開始進(jìn)入人們的視野，成為遙感領(lǐng)域不可或缺的一項(xiàng)關(guān)鍵技術(shù)。高光譜成像技術(shù)的快速發(fā)展和在地物識(shí)別領(lǐng)域的成功應(yīng)用，使得這一遙感技術(shù)進(jìn)入農(nóng)林領(lǐng)域并廣泛應(yīng)用，成為林業(yè)工作者進(jìn)行森林資源調(diào)查的有力工具，給我國森林資源清查提供了新的技術(shù)手段，龐大的數(shù)據(jù)支撐在全國森林資源動(dòng)態(tài)監(jiān)測中起到了重要作用。

1 高光譜遙感與森林資源監(jiān)測

高光譜分辨率遙感（hyperspectral remote sensing）是利用成像光譜儀在電磁波譜的可見光、近紅外和中紅外和熱紅外區(qū)域，獲取高分辨率波段窄且連續(xù)的光譜圖像數(shù)據(jù)［4］。高光譜成像技術(shù)在捕獲目標(biāo)圖像信息的同時(shí)，獲取目標(biāo)光譜信息，即高光譜的“圖譜合一”技術(shù)優(yōu)勢，同傳統(tǒng)遙感技術(shù)相比，高光譜圖像中包含豐富的空間、輻射和光譜信息［5］，使其迅速成為當(dāng)前遙感領(lǐng)域的前沿科技熱點(diǎn)。高光譜遙感技術(shù)光譜分辨率可達(dá)納米級(jí)，具有成像波段多、光譜覆蓋范圍廣等特點(diǎn)［6］，自誕生以來一直是遙感領(lǐng)域的熱點(diǎn)課題，數(shù)十年的發(fā)展與技術(shù)積累，高光譜遙感技術(shù)憑借其獨(dú)特的技術(shù)優(yōu)勢廣泛應(yīng)用于國民經(jīng)濟(jì)建設(shè)的各個(gè)領(lǐng)域，在地質(zhì)勘測［7］、海洋遙感［8］、現(xiàn)代農(nóng)業(yè)［9］、大氣與環(huán)境監(jiān)測［9］和森林資源調(diào)查［10］等方面的應(yīng)用已經(jīng)進(jìn)入成熟階段，成為我國林業(yè)工作者進(jìn)行森林資源調(diào)查和森林質(zhì)量監(jiān)測的有力工具［11］。

森林資源監(jiān)測是指在一定時(shí)間和空間范圍內(nèi)，利用各種信息采集和處理方法，對(duì)森林資源狀態(tài)進(jìn)行系統(tǒng)的測定、觀察、記載、分析和評(píng)價(jià)，以揭示區(qū)域森林資源變動(dòng)過程中各種因素的關(guān)系和變化的內(nèi)在規(guī)律，展現(xiàn)區(qū)域森林資源演變軌跡和變化趨勢，滿足對(duì)森林資源評(píng)價(jià)的需要，為合理管理森林資源，實(shí)現(xiàn)可持續(xù)發(fā)展提供可靠決策依據(jù)［12］。監(jiān)測內(nèi)容包括對(duì)土地類型、權(quán)屬、覆蓋度、地形、生物量、蓄積量、樹種、樹高、胸徑、郁閉度等近40項(xiàng)內(nèi)容進(jìn)行調(diào)查［13］，對(duì)森林資源進(jìn)行監(jiān)測，及時(shí)掌握森林資源動(dòng)態(tài)變化，有利于相關(guān)管理部門確定森林資源現(xiàn)狀，實(shí)現(xiàn)森林資源的同步評(píng)估和測量，為現(xiàn)代林業(yè)的研究和發(fā)展提供強(qiáng)勁動(dòng)力。

2 高光譜遙感技術(shù)監(jiān)測原理

高光譜遙感（hyperspectral remote sensing）又稱高光譜分辨率遙感，是利用不同平臺(tái)上的傳感器以數(shù)百個(gè)連續(xù)的光譜波段對(duì)研究區(qū)成像，從感興趣的地物中獲取一條完整而連續(xù)的光譜曲線和數(shù)據(jù)圖像。高光譜成像技術(shù)源于光譜學(xué)和成像技術(shù)的交叉融合，其原理是利用窄而連續(xù)的光譜通道持續(xù)對(duì)地標(biāo)地物進(jìn)行遙感成像的一種新型成像技術(shù)，使用的可見光和短波紅外的光譜分辨率可達(dá)納米數(shù)量級(jí)［14］，具有分辨率高、光譜通道多、在某一光譜段范圍內(nèi)連續(xù)成像等特點(diǎn)。高光譜獨(dú)特的技術(shù)優(yōu)勢使其不僅能識(shí)別地表地物信息，還能識(shí)別被探測物體的結(jié)構(gòu)和成分［15］，這一技術(shù)優(yōu)勢使得高光譜成像技術(shù)在遙感領(lǐng)域獨(dú)樹一幟，在多個(gè)領(lǐng)域的應(yīng)用中大放異彩。

地物光譜特征是高光譜成像技術(shù)進(jìn)行地物識(shí)別與分類的關(guān)鍵，不同的地物和地貌在不同的波段下會(huì)產(chǎn)生不同的反射率和折射率，反射出獨(dú)特的光譜反射特征，根據(jù)研究需要選擇波段和進(jìn)行波段變換，反演地物光譜信息并進(jìn)行分類與識(shí)別，實(shí)現(xiàn)地物參數(shù)提取與分析，達(dá)到地物精確識(shí)別的目的。高光譜成像可為每個(gè)像元提供多達(dá)上百個(gè)波段，更窄的光譜范圍和更高的光譜分辨率也使得高光譜成像技術(shù)可以識(shí)別更多的地物信息，捕捉更細(xì)微的光譜差異，獲取更高的識(shí)別精度。植物具有非常明顯且獨(dú)特的光譜反射特征，這是由植物的形態(tài)學(xué)特征和化學(xué)特征所決定的，這些反射特征使其在可見光和近紅外波段下能夠產(chǎn)生較高的反射率，根據(jù)植物光譜反射特征，采用成像光譜儀獲取植物的反射光譜，進(jìn)行波段分析和特征反演［16］，達(dá)到對(duì)植物的生理參數(shù)和生化參數(shù)的提取，從而實(shí)現(xiàn)無接觸式森林資源監(jiān)測和森林參數(shù)獲取。高光譜遙感技術(shù)的出現(xiàn)為林業(yè)工作者進(jìn)行森林資源監(jiān)測提供了新的技術(shù)手段，利用高光譜遙感技術(shù)提取森林資源信息逐步成為森林資源調(diào)查的趨勢。

3 高光譜遙感森林資源監(jiān)測原理與應(yīng)用

森林資源監(jiān)測是森林資源管理和林業(yè)可持續(xù)發(fā)展的基礎(chǔ)，其目的是及時(shí)掌握森林資源現(xiàn)狀和動(dòng)態(tài)變化，是現(xiàn)代森林經(jīng)理的重要手段。高光譜遙感技術(shù)憑借其豐富的光譜信息和范圍性獲取目標(biāo)區(qū)域光譜信息優(yōu)勢，在進(jìn)行森林資源調(diào)查與分類［17］、植被覆蓋參數(shù)獲?。?8］、森林火災(zāi)［19］和病蟲害監(jiān)測［20］等方面取得了成功的應(yīng)用。高光譜遙感技術(shù)在樹種識(shí)別方面發(fā)揮著重要作用，基于機(jī)載高光譜成像在森林樹種精細(xì)識(shí)別方面具有顯著優(yōu)勢［21］，高光譜遙感技術(shù)在林業(yè)上的成功應(yīng)用，節(jié)約了大量的人力、物力資源，有效保障了數(shù)據(jù)實(shí)時(shí)性和準(zhǔn)確性，滿足了定期掌握森林資源動(dòng)態(tài)變化的需要，為確定森林生態(tài)結(jié)構(gòu)及調(diào)整林業(yè)規(guī)劃布局提供了重要參數(shù)。

3.1 森林資源信息獲取

3.1.1 基于光譜特征技術(shù)對(duì)林地類型的識(shí)別。

林地作為一種重要的自然資源，是其他一切森林資源的載體，對(duì)于保障森林生態(tài)系統(tǒng)安全和提供林產(chǎn)品具有重要意義，區(qū)分林地類型是進(jìn)行森林資源調(diào)查與統(tǒng)計(jì)的關(guān)鍵，也是選擇造林地和苗圃地的關(guān)鍵舉措。根據(jù)我國《森林資源規(guī)劃設(shè)計(jì)調(diào)查主要技術(shù)規(guī)定》（2003年），將土地類型劃分為林地和非林地兩大類，其中，林地劃分為有林地、疏林地、灌木林地、未成林地、苗圃地、無立木林地、宜林地和輔助生產(chǎn)林地8個(gè)類型［22］。準(zhǔn)確識(shí)別林地類型是開展森林資源調(diào)查的關(guān)鍵，高光譜遙感對(duì)林地類型的識(shí)別一方面基于植物反射的光譜特征來實(shí)現(xiàn)，另一方面，基于林地的自然條件來實(shí)現(xiàn)，根據(jù)土壤、水體和巖石反射波譜特征實(shí)現(xiàn)對(duì)林地類型的判定［23］。

不同類別的植物在可見光波段的差異較小，但受限于內(nèi)部結(jié)構(gòu)、外部形態(tài)以及化學(xué)元素含量的不同，在近紅外波段差異明顯，以此作為區(qū)分林地類型的關(guān)鍵要素，對(duì)林地內(nèi)植物類型進(jìn)行分類，實(shí)現(xiàn)對(duì)林地類型的識(shí)別。高光譜遙感技術(shù)對(duì)非林地的識(shí)別更多依賴于對(duì)立地類型和立地條件中的水、土因子的實(shí)現(xiàn)，在高光譜影像完成預(yù)處理后進(jìn)行坡度與坡向提取，判斷立地條件，再根據(jù)土壤的光譜反射特征實(shí)現(xiàn)對(duì)非林地類型的進(jìn)一步細(xì)化，完成非林地類型的分類。相較于傳統(tǒng)的林地類型判別方法，采用高光譜遙感技術(shù)對(duì)林地類型進(jìn)行識(shí)別與分類能夠有效減少人力物力支出，提升工作效率和分類精度。最后為進(jìn)一步驗(yàn)證結(jié)果的可靠性，可以采用全國森林資源調(diào)查規(guī)劃設(shè)計(jì)調(diào)查結(jié)果對(duì)高光譜遙感技術(shù)分類結(jié)果進(jìn)行驗(yàn)證，進(jìn)一步增加了結(jié)果的可信度與說服力。王書民等［24］使用機(jī)載高光譜數(shù)據(jù)采用隨機(jī)森林算法對(duì)林地和裸地進(jìn)行分類，分類精度高達(dá)91.2%，為大面積林地類型分類提供了可行性。

3.1.2 葉面積指數(shù)。

葉面積指數(shù)（LAI），又稱葉面積系數(shù)，是指單位土地面積上植物葉片總面積占土地面積的倍數(shù)，即葉面積指數(shù)=葉片總面積/土地面積［25］。葉面積指數(shù)作為植物生長狀況的一個(gè)重要指標(biāo)，也是反映森林生物量的重要參數(shù)，獲取高精度的LAI參數(shù)在生態(tài)環(huán)境研究中具有重要的科學(xué)價(jià)值和研究意義［26］。當(dāng)前，森林葉面積指數(shù)的測量方法主要分為直接測量法和間接測量法兩大類［27］，傳統(tǒng)葉面積指數(shù)測量多采用直接測量法進(jìn)行測定，包括葉片采集和測量兩個(gè)步驟，具有技術(shù)成熟、測量結(jié)果精度高等特點(diǎn)。采用直接測量方法對(duì)植物具有一定的破壞性，測量過程煩瑣、耗時(shí)耗力、獲取數(shù)據(jù)周期長、效率低及采樣不具有代表性等缺點(diǎn)，使得該方法多用于小范圍林地葉面積指數(shù)計(jì)算，其計(jì)算結(jié)果也多用于驗(yàn)證遙感圖像反演結(jié)果，是間接測量法的重要比對(duì)方法。

間接測量法是當(dāng)下廣泛使用的一種葉面積指數(shù)測量方法，因其經(jīng)濟(jì)高效、簡單快捷且不會(huì)對(duì)植物產(chǎn)生破壞性損失等優(yōu)點(diǎn)，成為當(dāng)下大范圍測量森林葉面積指數(shù)的有效途徑。通過衛(wèi)星遙感數(shù)據(jù)完成森林葉面積指數(shù)測量的方法又稱為空間測量法，是快速估測大范圍林地葉面積指數(shù)的唯一途徑，采用高光譜遙感技術(shù)進(jìn)行植物葉面積指數(shù)測量和作物生長參數(shù)的反演是遙感領(lǐng)域研究的熱點(diǎn)，國內(nèi)外眾多學(xué)者取得了良好的研究成果。Gómez等［28］使用機(jī)載成像光譜儀（CASI）獲取的高光譜圖像和QuickBird衛(wèi)星傳感器獲取的全色0.6 m空間分辨率圖像對(duì)單個(gè)橄欖樹的葉面積指數(shù)進(jìn)行評(píng)估，采用光譜植被指數(shù)（歸一化差異植被指數(shù)，重歸一化差異植被指數(shù)）和簡單比率指數(shù)進(jìn)行對(duì)比分析，結(jié)果表明，修改后的簡單比率與CASI圖像產(chǎn)生更好的相關(guān)性。

3.1.3 森林郁閉度獲取。

郁閉度又稱冠層蓋度，是指森林中喬木樹冠對(duì)林地遮蔽的程度，是喬木樹冠垂直投影面積與林地面積的比值，用以反映林分的密度，常以十分法表示［29］。森林郁閉度是森林結(jié)構(gòu)的重要指標(biāo)之一，用以控制撫育采伐和擇伐、漸伐強(qiáng)度，劃分有林地、疏林地和未成林造林地的重要指標(biāo)。

森林樹冠層作為森林立體結(jié)構(gòu)的最上層，是森林與外界進(jìn)行物質(zhì)和能量交換的主體，在遮陰保濕、截留降水、削弱輻射方面具有重要作用，郁閉度的大小直接影響著林地的氣候環(huán)境，在對(duì)森林郁閉度的提取中，國內(nèi)外眾多學(xué)者采用了不同方法進(jìn)行估測，大體可劃分為直接測量法和間接估算法。傳統(tǒng)的森林郁閉度測定方法包括目測法、測線法、樹冠投影法和樣點(diǎn)樣線法等，這類方法以野外實(shí)地測量為主，成本高、效率低，大規(guī)模森林郁閉度獲取時(shí)稍顯心余力絀。采用高光譜遙感技術(shù)對(duì)森林郁閉度估測是常用的間接估算法之一，基于植被指數(shù)（NDVI）與葉面積指數(shù)的雙曲線關(guān)系，采用逐步回歸等方法選擇與葉面積指數(shù)關(guān)系密切的光譜波段，建立各波段與葉面積指數(shù)的多元回歸方程，以此來實(shí)現(xiàn)大面積森林郁閉度的估算。胡振華等［30］采用高光譜遙感數(shù)據(jù)對(duì)香格里拉森林郁閉度進(jìn)行估測，估算精度達(dá)82.09%，實(shí)現(xiàn)了大面積森林郁閉度估計(jì)。采用高光譜遙感技術(shù)獲取大范圍森林郁閉度已被國內(nèi)外眾多學(xué)者證實(shí)具有可行性，取得了較好的應(yīng)用進(jìn)展，高效率、高精度、范圍性森林郁閉度獲取使其迅速成為測算森林郁閉度的重要技術(shù)手段。

3.1.4 樹種識(shí)別與分類。

我國幅員遼闊、資源豐富，氣候復(fù)雜多樣以及獨(dú)特的地理環(huán)境形成了復(fù)雜的自然生態(tài)系統(tǒng)，孕育了豐富的物種多樣性。受水熱、經(jīng)緯、海拔等環(huán)境因素的影響，造就了我國從南到北5種不同的氣候類型，形成了豐富的樹種資源，喬、灌木樹種約8 000余種。豐富的樹種資源也給我國林業(yè)工作者調(diào)查樹種類型與分布帶來了巨大的挑戰(zhàn)，為了調(diào)查全國樹種資源分布和制作全國樹種資源分布一張圖，國內(nèi)眾多學(xué)者嘗試多種技術(shù)手段但進(jìn)展緩慢，直到高光譜遙感技術(shù)的出現(xiàn)有效解決了這一困擾我國林業(yè)工作者多年的技術(shù)難題。

相比其他遙感技術(shù)手段，航拍攝影進(jìn)行目測樹種識(shí)別的工作量較高且分類精度，難以滿足研究的需要，而多光譜遙感技術(shù)波段較少，在多種植被混合的林地中略顯乏力，激光雷達(dá)和合成孔徑雷達(dá)的主動(dòng)探測技術(shù)對(duì)樹體結(jié)構(gòu)相近的樹種又存在難以區(qū)分等問題，基于高光譜遙感技術(shù)對(duì)樹種進(jìn)行識(shí)別與分類成為最佳選項(xiàng)。高光譜遙感數(shù)據(jù)精細(xì)識(shí)別樹種的理論是基于不同樹種化學(xué)元素含量、樹葉形狀和樹干結(jié)構(gòu)差異，致使其光譜反射率不同，形成了獨(dú)特的光譜曲線，再對(duì)植被的反射光譜進(jìn)行特征提取與分類驗(yàn)證，建立樹種光譜數(shù)據(jù)庫，從而實(shí)現(xiàn)大范圍森林樹種的分類與識(shí)別［31］。Hycza等［32］使用AISA（airborne imaging for application）Eagle相機(jī)拍攝的波蘭東北部林區(qū)的高光譜圖像進(jìn)行樹種分類，嘗試分別用9種分類算法將其分為7種樹木類型（樺樹、歐洲山毛櫸、橡樹、角樹、歐洲落葉松、蘇格蘭松和挪威云杉），總體準(zhǔn)確性達(dá)90.3%，卡帕系數(shù)0.9，證明采取高光譜數(shù)據(jù)對(duì)主要的森林樹種進(jìn)行分類具有良好的準(zhǔn)確性。

3.2 森林資源動(dòng)態(tài)監(jiān)測

森林作為可再生資源與陸地生態(tài)循環(huán)系統(tǒng)的主體，森林資源時(shí)刻處于變化之中，及時(shí)掌握森林資源動(dòng)態(tài)變化有利于更好地維護(hù)森林生態(tài)系統(tǒng)動(dòng)態(tài)平衡，保障森林健康可持續(xù)發(fā)展。森林資源動(dòng)態(tài)監(jiān)測指標(biāo)包括森林面積、蓄積量、樹種、林木生長狀況森林結(jié)構(gòu)和分布等參數(shù)，對(duì)森林資源進(jìn)行動(dòng)態(tài)監(jiān)測，了解森林結(jié)構(gòu)組成和生長狀況，為制訂林業(yè)方針、政策和規(guī)劃設(shè)計(jì)提供科學(xué)依據(jù)。林業(yè)領(lǐng)域的森林資源調(diào)查受森林分布的地形，海拔和氣候因素影響較大，實(shí)行全國森林資源動(dòng)態(tài)監(jiān)測無疑要消耗大量的人力、物力和財(cái)力，定期對(duì)森林資源進(jìn)行監(jiān)測的成本也給地方財(cái)力帶來巨大負(fù)擔(dān)，為解決這一難題，自“3S”技術(shù)出現(xiàn)以來就受到了國內(nèi)學(xué)者的廣泛關(guān)注和普遍應(yīng)用，高光譜遙感技術(shù)的出現(xiàn)也彌補(bǔ)了其他光學(xué)遙感存在的缺陷，為森林資源監(jiān)測提供了新的活力。Li［33］采用分層監(jiān)督分類法，基于最小平方法對(duì)景區(qū)的資源變化和自變量進(jìn)行分析，實(shí)現(xiàn)對(duì)景區(qū)自然資源的動(dòng)態(tài)監(jiān)測，試驗(yàn)結(jié)果表明，該技術(shù)能夠準(zhǔn)確監(jiān)測景區(qū)內(nèi)森林資源和水資源的動(dòng)態(tài)變化，監(jiān)測結(jié)果具有較高的準(zhǔn)確性。

3.3 森林病蟲害監(jiān)測

我國是世界上人工林面積最大的國家之一，樹種單一，且純林比重高，早期由于未考慮適地適樹原則營造的林地地塊多形成片狀純林和“小老頭樹”，成為森林病蟲害暴發(fā)的主要發(fā)源地，對(duì)森林健康形成了巨大威脅。森林病蟲害的發(fā)生往往具有隱蔽性強(qiáng)、傳播速度快、危害程度高等特點(diǎn)，在暴發(fā)前期很難被人為發(fā)現(xiàn)且形成預(yù)警，通常多發(fā)于人工林和純林，導(dǎo)致森林資源遭受巨大損失，給林業(yè)經(jīng)濟(jì)帶來巨大損失，嚴(yán)重威脅森林生態(tài)系統(tǒng)平衡。

高光譜遙感技術(shù)森林病蟲害監(jiān)測原理是根據(jù)植物的生理特性來實(shí)現(xiàn)，通常來說，健康的林木擁有相近的光譜曲線，當(dāng)樹木受到病蟲害侵襲時(shí)，葉綠素含量減少，光譜特征向短波方向偏移，植被因缺水發(fā)生枯萎時(shí)，光譜曲線強(qiáng)反射波段有向長波方向偏移的趨向。通過高光譜遙感技術(shù)對(duì)森林植被光譜數(shù)據(jù)進(jìn)行評(píng)估，對(duì)比正常狀態(tài)下枝葉與樹干生理參數(shù)數(shù)據(jù)，快速比對(duì)受病蟲害感染的植株，及時(shí)處理和防止病蟲害的蔓延擴(kuò)散［34］。依據(jù)樹木病蟲害程度不同而造成的光譜差異，冠層多角度高光譜觀測數(shù)據(jù)提取森林的病蟲害發(fā)生和分布狀況［35］，建立反演模型，進(jìn)而實(shí)現(xiàn)森林病蟲害的范圍監(jiān)測災(zāi)情評(píng)估。高光譜遙感技術(shù)具有光譜范圍廣、光譜分辨率高、光譜曲線連續(xù)等特點(diǎn)，這使得利用高光譜數(shù)據(jù)實(shí)現(xiàn)森林病蟲害提取成為可能。基于光譜特征識(shí)別森林病蟲害的研究現(xiàn)已比較成熟，Jiang等［36］利用連續(xù)投影算法（SPA）提取與紅樹林病蟲害信息相關(guān)的敏感光譜和紋理特征，并利用隨機(jī)森林（RF）對(duì)不同病蟲害嚴(yán)重程度的葉片特征進(jìn)行建模和可視化，取得了可靠的模型精度，SPA-RF模型和高光譜成像的結(jié)合在檢測不同病蟲害嚴(yán)重程度下葉片性狀的空間分布取得了良好的應(yīng)用成果，為大范圍紅樹林病蟲害的預(yù)警和監(jiān)測奠定基礎(chǔ)。

3.4 森林火災(zāi)監(jiān)測

針對(duì)高光譜成像技術(shù)對(duì)森林火災(zāi)監(jiān)測的研究由來已久，高光譜遙感技術(shù)已被證明適用于火災(zāi)監(jiān)測的所有時(shí)間階段，現(xiàn)階段采用遙感技術(shù)對(duì)森林火災(zāi)的預(yù)警及監(jiān)測主要包括3個(gè)研究方面：①森林可燃物的識(shí)別；②基于高光譜遙感數(shù)據(jù)火情監(jiān)測算法模型；③基于高光譜遙感數(shù)據(jù)大氣溶膠及二氧化碳含量的火災(zāi)監(jiān)測。

基于高光譜成像技術(shù)對(duì)森林火災(zāi)的監(jiān)測同傳統(tǒng)意義上火災(zāi)的監(jiān)測一樣，由災(zāi)前預(yù)警、災(zāi)情監(jiān)測和災(zāi)后評(píng)估3方面組成，不同于傳統(tǒng)意義上的火災(zāi)監(jiān)測，采用遙感技術(shù)可以做到大范圍、無接觸式的實(shí)時(shí)災(zāi)情評(píng)估和火燒跡地識(shí)別，精準(zhǔn)預(yù)測火災(zāi)走勢與火勢評(píng)估［19］。高光譜遙感技術(shù)精細(xì)分類的優(yōu)勢在進(jìn)行森林可燃物的識(shí)別上得以充分展示，李曉彤等［37］采用機(jī)載高光譜數(shù)據(jù)和隨機(jī)森林算法對(duì)內(nèi)蒙古大興安嶺根河林業(yè)局潮查林場森林可燃物類型進(jìn)行識(shí)別，結(jié)合地面調(diào)查數(shù)據(jù)驗(yàn)證模型精度，總體制圖精度和用戶精度都在70%以上，實(shí)現(xiàn)了林場級(jí)可燃物類型高光譜精細(xì)分類。森林火災(zāi)在燃燒過程中會(huì)產(chǎn)生大量二氧化碳、水蒸氣和氫氧化合物排向大氣，高光譜遙感技術(shù)通過對(duì)大氣氣溶膠的變化監(jiān)測，第一時(shí)間確定火災(zāi)發(fā)生的地點(diǎn)和走向趨勢，在進(jìn)行森林火災(zāi)的災(zāi)情評(píng)估和火勢走勢預(yù)測中發(fā)揮了巨大作用。通過高光譜遙感數(shù)據(jù)提取火災(zāi)溫度變化和氣體排放是判斷火災(zāi)變化的關(guān)鍵，基于高光譜遙感衛(wèi)星對(duì)森林火災(zāi)的實(shí)時(shí)監(jiān)控和算法分析是實(shí)現(xiàn)火情監(jiān)測的重要樞紐，采用高光譜短波紅外區(qū)域的火災(zāi)監(jiān)測應(yīng)用已經(jīng)成熟，中紅外和熱紅外區(qū)域的監(jiān)測正在創(chuàng)新發(fā)展，高光譜遙感技術(shù)在森林火災(zāi)監(jiān)測上取得突破性進(jìn)展將會(huì)為森林火災(zāi)預(yù)警和撲滅提供數(shù)據(jù)保障和有力技術(shù)支持。

4 結(jié)語

近年來，高光譜遙感技術(shù)的快速發(fā)展很大程度上彌補(bǔ)了傳統(tǒng)森林資源調(diào)查方法的不足，為森林資源調(diào)查注入了新的活力，靈活高效的數(shù)據(jù)獲取方式無論是大范圍森林資源信息獲取，還是小范圍森林資源參數(shù)提取都能獲得較為理想的結(jié)果，為相關(guān)部門實(shí)現(xiàn)森林資源監(jiān)測提供了有力技術(shù)支撐。高光譜遙感技術(shù)在林業(yè)領(lǐng)域中展現(xiàn)出了前所未有的應(yīng)用前景和賦能潛力，為森林資源動(dòng)態(tài)監(jiān)測和森林資源管理提供了更高效的技術(shù)手段，迄今為止，國內(nèi)外基于高光譜遙感技術(shù)對(duì)森林蓄積量、樹種識(shí)別、葉面積指數(shù)估測、森林生化參數(shù)提取和森林災(zāi)害監(jiān)測等方面取得了較好的應(yīng)用成果，成為森林資源監(jiān)測不可或缺的技術(shù)之一。隨著激光雷達(dá)主動(dòng)探測技術(shù)的蓬勃發(fā)展和廣泛應(yīng)用，有學(xué)者將高光譜成像技術(shù)同激光雷達(dá)遙感技術(shù)相結(jié)合，形成多源遙感優(yōu)勢互補(bǔ)，進(jìn)一步提高了數(shù)據(jù)精度和反演精度，將會(huì)是未來森林資源監(jiān)測的重要研究方向，多源遙感協(xié)同應(yīng)用將會(huì)在森林資源監(jiān)測上將發(fā)揮更大作用。

參考文獻(xiàn)

［1］ 丁勝，魏安世，黃華兵.廣東省森林資源“天-空-地”一體化監(jiān)測構(gòu)建與應(yīng)用［J］.林業(yè)與環(huán)境科學(xué)，2022，38（2）：141-146.

［2］ 曾偉生，閆宏偉.森林資源監(jiān)測有關(guān)問題的思考［J］.林業(yè)資源管理，2013（6）：15-18，36.

［3］ 陳軍，邱保印.基于TM遙感影像的諸暨市森林資源監(jiān)測［J］.林業(yè)資源管理，2011（6）：104-109.

［4］ 李媛媛.基于地物光譜儀與成像光譜儀耦合的玉米生長信息監(jiān)測研究［D］.楊凌：西北農(nóng)林科技大學(xué)，2017.

［5］ 張宗祥.基于地物類別的高光譜圖像超分辨率復(fù)原算法研究［D］.北京：北京工業(yè)大學(xué)，2017.

［6］ 王佳琪.高光譜圖像降維及端元提取算法的研究［D］.哈爾濱：哈爾濱工程大學(xué)，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.森林資源綜合監(jiān)測相關(guān)抽樣技術(shù)理論與應(yīng)用研究［D］.北京：北京林業(yè)大學(xué)，2010.

［12］ 羅仙仙，亢新剛.森林資源綜合監(jiān)測研究綜述［J］.浙江林學(xué)院學(xué)報(bào)，2008，25（6）：803-809.

［13］ 戴淑儀.國際森林資源監(jiān)測現(xiàn)狀研究及啟示［J］.中國資源綜合利用，2020，38（8）：86-88.

［14］ 張?jiān)婄?高光譜遙感技術(shù)在現(xiàn)代林業(yè)中的應(yīng)用與發(fā)展［J］.內(nèi)蒙古林業(yè)調(diào)查設(shè)計(jì)，2021，44（1）：68-69，87.

［15］ 唐貴華.基于密度排序聚類和超像素分割的高光譜遙感影像降維方法研究［D］.深圳：深圳大學(xué)，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，F(xiàn)URSOV 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］ 曾春陽，曾廣宇，程麗華，等.林地變化及景觀斑塊特征的演變［J］.中南林業(yè)科技大學(xué)學(xué)報(bào)，2012，32（8）：33-36，41.

［23］ JIANG C Y，F(xiàn)ANG 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］ 王書民，張愛武，胡少興，等.基于隨機(jī)森林算法的航空高光譜數(shù)據(jù)分類方法研究［J］.科學(xué)技術(shù)與工程，2016，16（21）：83-87.

［25］ 劉少軍，易雪，張京紅，等.基于遙感的海南島橡膠林零平面位移和粗糙度估算［J］.熱帶作物學(xué)報(bào)，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.基于圖像的樹木三維建模與樹木參數(shù)提?。跠］.哈爾濱：東北林業(yè)大學(xué)，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，朱俊賢，衛(wèi)敏.不同干擾類型下川滇高山櫟群落結(jié)構(gòu)特征［J］.西南農(nóng)業(yè)學(xué)報(bào)，2013，26（5）：2043-2047.

［30］ 胡振華，王麗媛，岳彩榮，等.基于Hyperion數(shù)據(jù)的香格里拉森林郁閉度遙感估測研究［J］.西南林業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)），2017，37（3）：159-164.

［31］ MODZELEWSKA A，F(xiàn)ASSNACHT 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.高光譜遙感數(shù)據(jù)BRDF校正與森林參數(shù)提?。跠］.北京：中國林業(yè)科學(xué)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］ 李曉彤，覃先林，劉倩，等.基于AISA Eagle Ⅱ機(jī)載高光譜數(shù)據(jù)的森林可燃物類型識(shí)別方法［J］.遙感技術(shù)與應(yīng)用，2021，36（3）：544-551，570.

基金項(xiàng)目 云南省教育廳科學(xué)研究基金項(xiàng)目“基于深度學(xué)習(xí)的多源遙感協(xié)同的森林生物量估測研究”（2021Y249）。

作者簡介 王書偉（1998—），男，河南商水人，碩士研究生，研究方向：數(shù)字林業(yè)與森林資源管理。*通信作者，碩士，從事數(shù)字林業(yè)與森林資源管理研究。

收稿日期 2022-09-09