高光谱遥感森林树种分类研究进展

朱 炜，李 东，沈 飞，汤根云，吴建明，陈继民，刘 政，王志辉

（1. 浙江省湖州市林业科学研究所，浙江 湖州 313000；2. 浙江省湖州市林业技术推广站，浙江 湖州 313000；3. 浙江省湖州市木材检查站，浙江 湖州 313000；4. 浙江省长兴县林业局，浙江 长兴 313100；5. 杭州感知软件科技有限公司，浙江 临安 311300）

高光谱遥感森林树种分类研究进展

朱 炜1，李 东1，沈 飞2，汤根云3，吴建明1，陈继民3，刘 政4，王志辉5

（1. 浙江省湖州市林业科学研究所，浙江 湖州 313000；2. 浙江省湖州市林业技术推广站，浙江 湖州 313000；3. 浙江省湖州市木材检查站，浙江 湖州 313000；4. 浙江省长兴县林业局，浙江 长兴 313100；5. 杭州感知软件科技有限公司，浙江 临安 311300）

从基于光谱特征、基于光谱匹配和基于统计分析方法3个方面，论述了高光谱遥感数据进行森林树种分类的应用研究状况，分析了目前研究中存在数据质量与保障性相对滞后、缺乏有效的处理算法等问题，指出了进一步完善森林树种光谱数据库和加强高光谱数据研究的高光谱树种研究方向。

高光谱遥感；基于光谱特征；基于光谱匹配；基于统计分析；树种分类

1 高光谱遥感森林树种分类研究现状

森林作为地球上可再生自然资源及陆地生态系统的主体，它为人类的生存和发展提供了丰富的物质资源，在维持生态过程和生态平衡中发挥着重要的作用[1]。正确地识别森林树种是利用和保护森林资源的基础和依据[2]。现行的树种识别方法主要是依靠一些成本高、费时、费力的野外调查方法（主要是根据树种的形态学角度来划分，如茎、叶、花、果、种子的外部形态等特征来识别和鉴定树木的种类）或利用大比例尺的航片来进行判读（比例尺超过1:10 000）。在过去二三十年里，开展了大量应用航天遥感数据（如TM, SPOT）进行森林树种分类的应用研究，但是由于多光谱遥感光谱分辨率的局限性，对于光谱曲线相近的树种很难进行识别，只能将其划分为植被、非植被，或者简单地将森林区分为针叶、阔叶两大类，难以满足实际生产需求[3~5]。这主要有两个因素决定：一是由于缺少高光谱分辨率和大量的光谱波段，因为不同的树种经常有极为相似的光谱特性（通常称为“异物同谱”现象），它们细微的光谱差异用宽波段遥感数据是无法探测的；二是由于光学遥感所依赖的光照条件无常，可能引起相同的树种具有显著不同的光谱特性（即所谓的“同物异谱”现象）。高光谱遥感突破了光谱分辨率这一瓶颈因子，在光谱空间上大大抑制了其它干扰因素的影响，能够准确地探测到具有细微光谱差异的各种地物类型，极大地提高了森林树种的识别精度[6~7]，为获得更准确的森林树种分布提供了最强有力的工具。目前，我国在这方面的研究还处于发展的初级阶段，主要以理论分析和小范围的应用研究为主。

高光谱遥感具有高光谱分辨率和波段多等显著特点，已被成功地应用在大气科学、生态、地质、水文和海洋等学科中[8~9]。高光谱植被遥感主要研究生态遥感所涉及的植被类型的识别和分类、植物化学成分的估侧、植物生态学评价，这些内容是最近提出的遥感生态测量学的目的之一[10]。国外已开展了植被叶面积指数、生物量、植被生化信息、针叶树种识别等方面的研究工作，但我国在这方面的工作刚刚起步[4]，尤其在森林树种分类方面起步更晚。有学者利用CASI，HYDIC，Hyperion等航空航天高光谱数据或光谱仪实测的光谱数据进行森林树种类型的识别研究，还有学者通过利用波段组合、Logistics回归、建立光谱信息模型等方法[11]进行森林主要树种类型的识别，均取得了与地面数据相吻合的结果。Zhang等[12]利用小波变换方法处理HYDICE高光谱数据，对处理后的结果进行热带森林的树种识别研究，发现小波变换后的高光谱数据能提高热带森林树种的识别精度；陈尔学等[13]利用Hyperion高光谱数据和地面观测数据，比较了几种高光谱统计模式识别方法，结果发现采用二阶统计量方法，同时结合空间上下文信息和光谱信息分类法（ECHO）可以有效地提高森林树种的识别精度；Martin等[14]结合不同森林树种之间特有的生化特性和已经在高光谱数据（AVIRIS）与簇叶化学成分之间建立的关系，鉴别了11种森林类型（空旷地、红枫林、红栎林、阔叶混交林、白松林、铁杉林、针叶混交林、挪威云杉林、红松林、云杉沼泽林及落叶阔叶沼泽林）；宫鹏等[10,15]利用高分辨率光谱仪在实地测得的光谱数据来识别美国加州的6种主要针叶树种，得到了一些很有意义的结论，至少证明了高光谱数据具有较强的树种识别潜力；刘秀英等[16]利用地物光谱仪测量了杉木、雪松、小叶樟树和桂花4个树种光谱数据，并利用光谱微分、波段选择等技术成功地识别出这几个树种。Davison等[17]对机载CASI高光谱数据监测加拿大安大略湖森林参数的能力进行了评价，结果表明CASIO高光谱数据具有区分主要树种的能力。G. Goodenough等[18]利用Hyperion、ALI和ETM 3种遥感数据对加拿大维多利亚地区的5种森林类型（冷衫、铁杉、北美圆柏、小干松和赤扬）进行了分类，其分类精度分别是92.9%、84.8%和75.0%，表明高光谱遥感数据具有更强的森林类型识别能力。

2 高光谱遥感森林树种分类

高光谱遥感的识别作为高光谱遥感森林树种识别的关键环节而备受关注[19]。由于高光谱数据同时具有波段多、数据量大、图谱合一等特点，因此需要发展更有效的识别算法才能使其发挥更大的作用。经过二十多年的积累，在传统识别分类算法的基础上已经形成了一系列面向高光谱图像特点的识别算法，初步可归纳为3个方面，即基于光谱特征、基于光谱匹配和基于统计分析方法。

2.1 基于光谱特征

植物光谱通常包括一系列的特征吸收谱带，这些特征谱带在不同的树种类型中具有较稳定的波长位置和特征形态，能够指示出不同树种类型间的差异，是高光谱进行树种识别的基础[10]。光谱微分（spectrum derivative）能够迅速地确定光谱拐弯点及最大、最小反射率波长位置等各种光谱特征参数。

光谱微分既可以消除光谱数据之间的系统误差、减弱大气辐射、散射和吸收对目标光谱的影响，又可以提取可识别地物的光谱吸收峰参数（波长位置、深度、宽度和吸收光谱指数等）。一般认为，光谱微分在去除部分线性或接近线性的背景、噪声对目标的影响，如在消除植被环境背景影响方面被发现可除去变化较小的土壤背景的影响。虽然更为高阶的微分也有人研究过，但一阶或二阶微分往往更为有用且包含了大部分的信息。光谱一、二阶微分的计算公式如下：

式中： FDRλj和 SDRλj分别是 λj波长处的一阶、二阶微分； Rλj， Rλj+1， Rλj+2分别是相应波长处的反射率值；Δλ 为波长间隔。另外，根据微分理论可以得到更高阶的微分光谱（如三阶微分），高阶微分也可以消除背景噪声，分辨重叠光谱[20~21]。

2.2 基于光谱匹配

高光谱遥感最大的优势在于利用有限细分的光谱波段，可以再现地物的光谱曲线，这样利用整个光谱曲线进行森林树种匹配识别。光谱匹配模型通过对地物光谱与参考光谱的匹配或地物光谱与数据库的比较，求算它们之间的相似性或差异性，突出特征谱段，有效地提取光谱维信息，以便对地物特性进行详细分析，从而提高识别精度。

2.2.1 光谱角度匹配（Spectral Angle Mapping, SAM） 光谱角度匹配是通过计算测定光谱和参考光谱（参考光谱可从光谱库中得来，也可直接由图像中通过选择训练区抽取出来）之间的“夹角”来表征两者之间的相似程度，从而实现光谱匹配分类[22]。如果夹角越小，说明两者相似性越好，地物的识别和分类也就越可靠。在波段数为n的光谱影像中，测试光谱矢量为X，参考光谱矢量为Y，那么两矢量广义夹角余弦为：

光谱角度匹配对太阳辐照度、地形和反照率等因素不敏感，但可以有效地减弱这些因素的影响。这种方法在树种识别及其他领域分类研究中受到广泛应用。

2.2.2 光谱相似匹配（Spectral Correlation Mapping, SCM） 针对光谱角度匹配方法不能识别正、负相关系数而只能用整数的特点，奥斯马等[23]用皮尔森相关系数对SAM的余弦进行类型表达，其公式如下：

式中：X为象元光谱，Y为参考光谱。皮尔森相关系数将数据标准化，集中自身与X和Y的均值上，CSM值的范围为（－1，1），而SAM的余弦值范围为（0，1）。研究证明，CSM方法能更有效地压缩阴影，提高识别精度。

2.2.3 交叉相关光谱匹配（Cross Correlogram Spectral Matching，CCSM） 交叉相关光谱匹配[24]通过计算测试光谱与参考光谱在不同光谱位置（波段波长位置）的交叉相关系数，绘制交叉相关曲线图。如果交叉相关系数越小，说明两者相似性越好，植被（如树种）的鉴别性就越可靠，反之，就越不可靠。测试光谱与参考光谱完美匹配的交叉相关图是中心匹配数为0，峰值相关系数为1的抛物线。交叉相关系数（rm）计算公式为：

式中，Ri，Rj分别为测试光谱和参考光谱；n为重合波段数；m为光谱匹配位置。

2.2.4 光谱波形匹配[21]（Spectral Waveform Mapping, SWM） 光谱波形匹配包括两种匹配：一种是将样本光谱的全部或者其某一部分进行光谱曲线的特征函数拟合（如倒高斯模型、光谱吸收谷的函数模拟），通过计算像元光谱与样本光谱特征函数之间的拟合度来计算像元光谱隶属于某一样本的概率。另一种是直接计算样本光谱矢量与每个像元光谱矢量之间的线性相似度，对于同一类地物具有很高的线性相似度，而对于非同一类地物则具有较低的线性相似度。假设样本A的光谱反射率函数是R(λ)，属于样本A的像元光谱矢量集合B：

由于B集合中每个像元的光谱特性，或者说每个像元沿波长方向的变化受外界因素影响较大，即使是属于样本A类型的，其波形也不会完全耦合。隶属于同一地物的光谱在整个波长范围内具有随机均匀分布的特性，同一类地物的像元光谱，其各波段的最大、最小值，以及正负标准差在类光谱均值的两侧对称分布。如果取对应波长的反射率或者辐射量之间的差，即(λ) = Rn(λ )− R(λ)，则(λ)应该是沿一条直线在一定范围内上下振荡的曲线。也就是说，如果把样本光谱曲线看作一条标准直线段的话，集合B中的每条像元光谱应该是围绕着这条直线在一定范围内上下振荡的曲线。当这个范围（或者说阈值）在整个波长范围内足够小的话，就可以认为集合B中每个矢量与样本A矢量线性相关，即具有较高的线性相似度。对于不同类的地物，其线性相似度较低。由此可知，光谱波形匹配可用以提高树种识别精度。

2.2.5 模型技术 利用模型技术进行森林树种识别是高光谱遥感未来发展的重要趋势。广义距离或者广义夹角的计算要求多维变量间的独立性要好，高相关的多变量间进行距离计算没有意义，因为维数的增加并不会提高其可分性。因此，很有必要发展一种有效表征高度相似树种曲线形状间差别的方法。相关拟合分析模型[25]（Correlation Simulating Analysis Model，CASM）就是通过对相关光谱曲线形状上的拟合来表征植被光谱特征和光谱差别，进而识别树种。其基本原理为通过分析测试光谱和参考光谱之间构成的相关曲线，比较相关曲线的斜率和截距进行目标识别。通过模型技术的森林类型信息提取有利于发现不同森林树种间的细微差别，提高树种识别精度。

2.3 基于统计分析

针对高光谱遥感数据量大、波段间相关性高、数据冗余度高等特点，对其进行特征提取是十分必要的。由于高光谱遥感图像的图像维和光谱维之间存在着有机融合，因此高光谱图像数据的相关性表现为空间和光谱间的相关性。考虑到高光谱图像的空间分辨率为几米或几十米，地面目标可能只占几个像素，且像素亮度值之间的连续性较差，相关性较低，故对于高光谱图像数据，本文重点研究其光谱间相关性[26]。用于光谱间相关性处理的特征压缩和提取的方法主要有主成分分析（PCA）、最小噪音变换（MNF）、典范变量分析等基于统计分析的方法。

2.3.1 主成分分析（PCA） 主成分分析(Principal Component Analysis，PCA)，也称K-L变换，是在统计特征基础上的多变量正交线性变换[27]。它通过一定准则从原始波段中选择一组波段子集，因此，它不改变原始波段的物理意义，而且波段的选择只需要知道原始数据的协方差阵，而不需要进行真正的主成分变换，这也节约了大量的计算时间。主成分分析中，给定主成分的个数，可以计算出其对原始数据的累计贡献率，累计贡献率越高，主成分包含原始数据的信息越多，累计贡献率是特征提取的主要依据，在主成分个数已知的情况下，还可以计算主成分对每个波段的贡献率，主成分对波段的贡献率的大小本身反映了该波段所含的信息量。由此可知，PCA是将相关性高的多波段信息通过数学转换降低其相关性，适合对光谱差异显著的森林树种进行识别。

主成分分析计算具体过程，设X =（x1，x2，…，xN）=（X1，X2，…，Xp）T是一个P维随机变量，用它代表光谱图像，其中N是超光谱图像的像元数目，P是波段数目，因此xi（i = 1，2，…，N）表示图像的第i像元，Xk（k = 1，2，…，P）表示图像的第k波段。

（1）首先计算图像的各个波段的均值和协方差阵，其计算公式分别为

（4）给定一个阈值T（如97%），计算出满足Vm≥T的主成分的个数m。

（5）选取前m个主成分，代替原来的图像X。

2.3.2 最小噪音变换（MNF） MNF变换是一种特殊的主成分变换，MNF变换用于确定影像数据内在维数，隔离数据中的噪音，

减少后续处理计算需求[28]。对于高光谱数据(或者说对于多光谱数据)来说，MNF变换将数据空间分为两部分：一部分为较大特征值对应的数据分量；而另外一部分数据分量对应噪音图像，其特征值都在整数1附近。MNF变换把感兴趣的大部分信息用几个分量来表示，并且根据信息量大小对这些分量进行排序[29]。这种方法通过两步主成分变换来实现：第一步变换基于对噪音协方差矩阵的估计，对数据中的噪音去相关和归一化，产生一个图像序列，使得其中的噪声“白化”，即使其噪音方差为 1，且各序列之间互不相关；第二步是对第一步得到的图像序列实施标准的主成分变换。MNF变换后各组分按信噪比从大到小进行排列，而K-L变换后各分量按方差大小排列，这是两者最重要的区别所在[30]。MNF不但具有PCA降低波段间相关性的功能，而且能够对高光谱数据进行降噪处理提高数据质量，大大提高了森林树种识别的精度，是高光谱特征提取的一种主要手段。

2.3.3 典范变量分析 典范变量分析[31]是通过较少的典型变量之间的相关性来综合描述两个多元随机变量之间关系的一种数学方法，它是通过求算所有未知树种类别与已知树种类别的两两典范变量对，并根据它们各自的相关紧密程度来决定未知树种类别的归属。

判别分析是常用的一种典范变量分析。判别分析用于判断一个独立的光谱采样样本属于哪一种类型植被[32~33]。判别分析对用于分类的标准光谱样本的正确建立有重要意义。因为：一、使用便携式光谱仪进行野外标准光谱的采样工作，受自然条件、仪器误差和人为操作的影响，即使对同一类型的植被进行采样，多次测量的结果也会存在一定程度的差异，其差异可能影响分类操作的精度，使用这些采样数据前,必须有合适的方法进行分析。二、使用者总是期望使用高光谱遥感区分出相近或相似的地物类型，这无疑对高光谱样本数据的典型性和代表性提出更高要求。如果统计判别法能够将采样的光谱数据进行正确区分，至少可以认为，这些标准光谱样本对正确区分光学性质相近或相似的地物有帮助。

3 高光谱遥感在森林树种分类中存在的问题

高光谱遥感以其自身特有的优势，已经广泛地应用于森林树种识别、森林制图、森林资源调查、森林面积监测、生物化学和物理因子估测等方面，其识别分类效果比常规遥感有了显著的提高，成为高光谱植被遥感研究的热点。然而，对于每个新兴的研究领域都存在诸多有待完善的方面。数据处理和分析算法的相对滞后，在一定程度上影响了其在行业应用中的发展，这也无疑将是今后研究中的重点。

3.1 数据质量与保障性有待提高

首先，机载高光谱传感器的高成本和覆盖范围的局限性，是机载高光谱用于更大尺度、更广范围的森林树种识别研究的主要障碍之一。随着高光谱传感器通道数的增加，其与空间平台数据传输资源之间的矛盾日益突出，也严重地阻碍了机载高光谱数据在森林树种识别中的发展。其次，星载高光谱数据受空间分辨率的限制，很难满足那些森林树种精细研究的应用要求，再加上星载高光谱数据还需要编程订购，时间周期长，数据量大，遥感作业效率较低，也在一定程度上限制了它的广泛应用。再次，高光谱用于森林树种识别还需地面辅助调查，尤其是对于森林类型复杂、森林树种混交程度较高的山区，由于缺乏垂直空间信息和训练样本的支持，大大限制了其应用的深度与广度。目前，森林树种识别研究主要集中在那些生境条件较为理想的区域，并且研究的对象也仅局限于为数不多的几种树种类型。

3.2 缺乏有效的处理算法

人们在获取海量高光谱数据的同时，也面临着如何处理这些高光谱数据的难题，数据处理效果是影响高光谱应用的决定性因素。由于高光谱数据量大和信息的冗余性，利用高光谱数据进行森林树种识别依然任重道远。目前的遥感识别算法多是基于统计分析进行的，利用这些传统的模式识别算法进行高光谱森林树种识别具有很多难以克服的困难，如运算量太大，样本需求很多，会遇到“维数灾难”，难以获取合适的类型特征，无法得到各种类型的先验概率和概率分布，难以形成复杂的判别函数和判别决策面等。随着高光谱研究的深入，结合高光谱数据特点研究一些基于光谱和光谱模型的识别算法将是未来高光谱识别的重点。

另外，在遥感信息处理过程中主要还是依靠人机交互进行，智能化程度不高，可操作性不强，费时费力。因此，进行自动识别端元，提取端元光谱信息，自适应滤波完成混合光谱的分解，最小人工参与数据的自动处理等都是高光谱遥感森林树种识别研究中亟需解决的问题。

4 结论与展望

高光谱遥感的出现和发展，克服了传统遥感技术无法实现对森林植被精细类型分类的缺点，如森林树种分类等。尽管在现有的应用中还存在着诸多障碍，但其在植被研究中的巨大优势还是显露无疑。为推动高光谱遥感森林树种识别的发展，我们还需要深入开展以下的研究：

（1）森林树种光谱数据库的完善。由于森林树种间的光谱具有相似性，树种和冠层之间变化复杂，加上不同树种混交产生的相互效应、环境和地形因素的影响，使得树种光谱特征变异普遍存在。因此，深入开展森林树种的标准光谱特征研究，总结树种在不同条件下的光谱变异，完善树种标准光谱数据库，为高光谱森林树种识别研究奠定科学的基础。

（2）加强高光谱数据挖掘研究。混合像元普遍存在于高光谱遥感数据中，林业高光谱数据尤为如此。在高光谱多维光谱特征空间中，树种间细微变化极易体现，利用像元分解有利于提高树种识别精度。目前，绝大部分混合光谱分解都只采用了高光谱数据中很有限的光谱段信息，模型经验性强，规律性和可移植性差，阻碍了光谱信息的提取。随着数据挖掘技术的不断发展，重点开展多树种混交的森林混合光谱分解研究，充分挖掘光谱空间中的树种光谱变化将会有效地解决混合光谱分解的难题。

[1] 张煜星，王祝雄，武红敢，等. 遥感技术在森林资源清查中应用研究[M]. 北京：中国林业出版社，2007.

[2] 刘旭升，张晓丽. 森林植被遥感分类研究进展与对策[J]. 林业资源管理，2004（1）：61－64.

[3] 谭炳香. 高光谱遥感森林类型识别及其郁闭度定量估测研究[D]. 北京：中国林业科学研究院，2006.

[4] 谭炳香. 高光谱遥感森林应用研究探讨[J]. 世界林业研究，2003，16（2）：33－37.

[5] 谭炳香. 高光谱遥感森林信息提取研究进展[J]. 林业科学研究，2008，21（S）：105－111.

[6] Martin M E, Newman S D, Aber J D, et al. Determining forest species composition using high spectral resolution remote sensing data[J]. Remote Sens Environ, 1998, 65（3）：249－254.

[7] 谭炳香，李增元，陈尔学，等.高光谱与多光谱遥感数据的森林类型识别[J]. 东北林业大学学报，2005，33(S): 61－64.

[8] Goetz Alexander F H, Vane G, Solomon J E, et al. Image spectrometry for earth remote sensing [J]. Science, 1985, 228 (4704): 1 147－1 153.

[9] Vane Gregg, Goetz Alexander F H. Terrestrial imaging spectrometry: current status, future trends[J]. Remote Sens Environ, 1993，44（2~3）：117－126.

[10] 浦瑞良，宫鹏. 高光谱遥感及其应用[M]. 北京：高等教育出版社，2000.

[11] Darvish sefat A A, Tobias W K, Klaus I I. Application of hyperspectral data for forest stand mapping [C]. Symposium on Geospatial Theory. Otawa, Processing and Applitions，2002.

[12] Zhang J, Rivard B, Sanchez-Azofeifa A, et al. Intra-and inter-class spectral variability of tropical tree species at La Selva, Costa Rica: Implications for species identification using HYDICE imagery[J]. Remote Sens Environ, 2006, 105（2）：129－141.

[13] 陈尔学，李增元，谭炳香，等. 高光谱数据森林类型统计模式识别方法比较评价[J]. 林业科学，2007， 43（1）：84－89.

[14] 宫鹏，浦瑞良，郁彬. 不同季相针叶树种高光谱数据识别分析[J]. 遥感学报，1998，2（3）：211－217.

[15] 刘秀英，林辉，熊建利，等. 森林树种高光谱波段的选择[J]. 遥感信息，2005（80）：41－45.

[16] Davison D , Achal S, Mah R, et al. Determination of Tree Species and Tree Stem Densities in northern Ontario Forests using Airborne CASI data[C]. Proc. of Fouth International Airborne Conference and Exhibition, Ottawa, Canada, 1999（2）：187－196.

[17] Goodenough D G, Bhogal A S, Dyk A, et al. Monitoring forests with Hyperion and ALI[J]. Int Geosci Remote Sens Sympos (IGARSS), 2002（2）：882－885.

[18] Aspinall R J. Use of logistic regression for validation of maps of the spatial distribution of vegetation species derived from high spatial resolutionhyperspectral remotely sensed data[J]. Ecol Model, 2002, 157（2-3）：301－312.

[19] 张良培，张立福. 高光谱遥感[M]. 武汉：武汉大学出版社，2005.

[20] 童庆禧，张兵，郑兰芬. 高光谱遥感——原理、技术与应用[M]. 北京：高等教育出版社，2006.

[21] Kruse F A, Lefkoff A B, Boardman J W, et al. The spectral image processing system (SIPS)-Interactive visualization and analysis of imaging spectrometer data[J]. Remote Sens Environ, 1993, 44（2-3）：145－163.

[22] Carvalho O A J, Menese P R. Spectral Correlation Mapper(SCM): An Improvement on the Spectral Angle Mapper(SAM)[A]. Ninth JPL Airborne Earth Science Workshop[C]. JPL publication, 2000，18: 65－74.

[23] MEER F V, BAKKER W. Cross correlogram spectral matching: application to surface mineralogical mapping by using AVIRIS datafrom Cuprite, Nevada[J]. Remote Sens Environ, 1997（6）：371－382.

[24] 赵永超. 高光谱遥感中典型地物目标的光谱特征分析和信息提取模型——几个关键问题的研究报告[D]. 北京：中国科学院遥感应用技术研究所，2001.

[25] 黄光玉，沈占峰，赵欣梅. 高光谱遥感矿物识别方法研究[J]. 资源环境与工程，2007，21（1）：50－54.

[26] 王晋年. 以地物识别和分类为目标的高光谱数据挖掘[J]. 中国图象图形学报，1999，4（11）：958－963.

[27] 北京星图环宇科技公司. ENVI遥感影像处理实用手册[Z]. 2005. 350, 303－311.

[28] 骆剑承，王钦敏，马江洪，等. 遥感图像最大似然分类法的EM改进算法[J]. 测绘学报，2002，31（3）：234－239.

[29] 朱长青，王倩，杨晓梅. 基于多进制小波的SPOT全色影像和多光谱遥感影像融合[J]. 测绘学报，2000，29（2）：132－136.

[30] 唐守正. 多元统计分析[M]. 北京：中国林业出版社，1986.

[31] S-PLUS 2000. Guide to Statistics[M]. Seattle: MathSoft Inc., 1999.

[32] NCSS. Statistical Analysis System [M]. Kaysville，1996.

Review on Forest Identification by Hyperspectral Remote Sensing

ZHU Wei1，LI Dong1，SHEN Fei2，TANG Gen-yun3，WU Jian-ming1，CHEN Ji-min3，LIU Zheng4，WANG Zhi-hui5
（1. Huzhou Forestry Institute of Zhejiang，Huzhou 313000, China; 2. Huzhou Forestry Extension Station, Huzhou 313000, China； 3. Huzhou Wood Inspection Station, Huzhou 313000, China; 4. Changxing Forestry Bureau of Zhejiang, Changxing 313100, China; 5. Hangzhou Ganzhi Software Technology Company Limited, Lin’an 311300, China）

Descriptions were made on spectral features, mappers and statistical analysis of hyperspectral remote sensing data of forest identification, as well as on the major problems of data quality and statistical analysis in the current application. Future studies were proposed on improvement of spectral database of tree species and on hyperspectral data mining.

hyperspectral remote sensing; spectral features; spectral mapper; statistical analysis; tree species classification

S718.3

A

1001-3776（2013）02-0084-07

2012-09-30；

2013-01-28

朱炜（1968－），男，浙江湖州人，工程师，从事森林景观环境评价与管理研究。