遥感技术在森林资源调查监测中的运用及发展探析

吴恒 闫睿

摘要  从传感器、遥感平台、信息交互方面阐述了遥感工作模型，回顾了中国林业遥感的发展历程，分析了遥感技术在林业中的运用，并总结了林业遥感调查方法、特点及技术难点，提出了林业遥感应围绕图像识别与分类、定量遥感与反演、尺度效应与转换、影像变化监测4个方面开展生产和研究，助力新时期林业草原事业高质量发展。

关键词  遥感技术；资源监测；人工智能

中图分类号  S771.8  文献标识码  A  文章编号  0517-6611（2024）09-0099-03

doi：10.3969/j.issn.0517-6611.2024.09.022

开放科学（资源服务）标识码（OSID）：

Application and Development of Remote Sensing Technology in Forest Resources Investigation and Monitoring

WU Heng1， YAN Rui2

（1. Southwest Survey and Planning Institute， National Forestry and Grassland Administration， Kunming， Yunnan 650031;2. Northwest Survey and Planning Institute， National Forestry and Grassland Administration， Xian， Shaanxi 710048）

Abstract  This paper expounds the working model of remote sensing from sensor， platform， and information interaction， reviews the development history of Chinese forestry in remote sensing application， analyzes the applications of remote sensing technology in forestry， and summarizes the methods， characteristics and technical difficulties of forestry remote sensing investigation. It is also suggested that forestry remote sensing should focus on image recognition and classification， quantitative remote sensing and inversion， scale effect and transformation， image change monitoring， so as to facilitate the high-quality development of forestry grassland in the new era.

Key words  Remote sensing technology;Resource monitoring;Artificial intelligence

基金項目  国家林业和草原局西南调查规划院科技项目“基于区域化特征分析的森林碳储量年度监测抽样设计优化研究”（2023-09）。

作者简介  吴恒（1990—），男，云南曲靖人，高级工程师，博士，从事林草资源调查监测与规划设计研究。

收稿日期  2023-07-03

遥感（remote sensing）是20世纪60年代由美国地理学家Evelyn.L.Pruitt等提出，并逐渐发展起来的对地或物的综合性观测技术［1］。遥感技术是根据传感器收到的电磁波谱特征差异来识别或测量地物的应用性技术，遥感技术的基础理论是电磁辐射与地物光谱特性，技术革新和创新应用也都是围绕基础理论开展，遥感技术可以根据运载工具、电磁波段工作区域、获取方式、传感器工作形式等维度进行分类。

2012年，我国自主研制的“资源三号”卫星升空，标志着国产卫星影像进入国际先进水平行列。该卫星可获得2.1 m的正视全色影像，3.5 m的前视和后视全色影像，6.0 m的4个波段多光谱影像。遥感技术作为林业行业的重要技术手段之一，已经广泛用于森林资源调查、宏观监测、生态评价、督查溯源，结合森林火灾、病虫害、冰雪灾害等大量用于应急监测和灾害评估，高精度的无人机遥感技术在林业司法鉴定也有普遍运用［2］。遥感数据的应用种类也涵盖了低、中、高分辨率的多光谱、高光谱以及雷达数据，为森林资源监测提供了各种遥感信息源。

1  遥感概述与技术难点

1.1  技术系统

1.1.1  传感器。

传感器是遥感技术的核心固件，主动遥感中起到发射电磁波能量，被动遥感中更多是记录地物反射电磁波能量信息，也就是传感器的2种不同工作方式。搭载主动传感器的遥感技术可归为主动遥感，是由传感器主动向被观测物或地面发射电磁波，然后传感器再接收反射回来的电磁波并进行记录，如激光雷达是以发射激光束探测目标位置、速度等特征量的传感器。被动传感器是只能接收被观测物或地面收到太阳等辐射后反射回来的电磁波能量信息，如摄影机（航空摄影机和多光谱摄影机）、多波段扫描仪（红外扫描仪和多光谱扫描仪）等。

1.1.2  遥感平台。

搭载传感器的运载工具称为遥感平台，根据高度不同可分為地基平台、航空平台和航天平台三大类。地基平台是指在地面上装载传感器的固定或可移动装置，如树干等，主要用于校准和辅助航空与航天遥感工作。航空平台主要指飞机和无人机等，小型无人机因其机动、零活和便携等特点，在航空遥感中运用较为普遍。航天平台主要是指各种类型的对地观测卫星、空间站和航天飞机等，在航天平台上进行的遥感称航天遥感。

1.1.3  信息交互。

遥感信息主要是指由航空遥感和航天遥感所获得的光谱信息。如何将遥感信息适时地传输回地面，经适当处理提供给用户是遥感技术系统的重要环节。遥感信息的传输包括直接回收和视频传输2种方式，直接回收的技术路径是先存储再进行信息交互，对存储设备的性能要求较高；视频传输的技术路径是先转换再传输，精度在很大程度上取决于电磁波能量信息转化的算法，新的技术运用中也是将直接回收和视频传输结合起来，实现及时影像的获取和存储，在森林火灾即时监测中运用较多。

1.2  技术难点

遥感调查、监测、评价等过程中产生了海量数据，数据来源、数据类型、数据结构等多元化特征和去中心化并行分布存储的特点对传统的数据管理和数据库技术提出了新的要求。如何组织、存储遥感数据和高效获取、处理数据是遥感技术中数据处理和挖掘的关键技术，由数据存储管理向基于人工智能、机器学习、模式识别等数据挖掘技术发展，高度自动化地分析调查数据，作出归纳性推理，用于决策支持。随着遥感数据的增加及数据质量的改善，海量遥感信息也给调查监测带来挑战，如何把有用的信息从现有的遥感数据中挖掘出来，如何在统计模型研究的基础上提高数据精确性、置信度、推广性是亟待解决的问题。

同时，遥感数据存在着相当大的不确定性，实际上无真值。其不确定性来自2个方面：一方面数据本身没有真值或很难得到真值，如区域生物量从理论上无真值或实际无法测量真值；另一方面是由于数据获取过程中存在一个或多个不确定的干扰因素，而这些因素又是随机的，具有不可重复性，这就造成遥感数据的不确定性与数据验证的困难。从实际应用出发，针对遥感数据的不确定性应在给定的遥感工作状态与工作参数情况下得到遥感调查的误差范围，对于遥感数据的检验也应当有一个标准化范式。应进一步建立完善遥感影像质量、遥感图像处理工程技术、“3S”一体化基础数据集等标准体系，逐步构建长时间系列、多尺度、覆盖大范围的遥感数据集。

2  林业遥感的发展历程及应用

2.1  发展历程

我国林业遥感自1951年始，已有近70年的发展历程，可以划分为目视解译应用（1951—1980年）、拓展创新应用（1981—2000年）和定量遥感及综合运用（2001—2020年）3个阶段［3］。目视解译应用阶段主要通过在影像片上人工勾绘林班等信息，结合地面调查测量完成调绘任务；拓展创新应用阶段改变了传统的森林资源调查模式，卫星遥感影像获取了大量的先验信息，用于辅助调查区划和抽样设计等，有效促进了工作效率的提高，发展了基于多时相、多频SAR、干涉SAR等的森林分类制图方法［4］；定量遥感及综合运用阶段促进了定量遥感技术的快速发展和林业综合监测技术体系的形成，林业遥感由传统的定性运用向定量遥感研究转变，也更多地关注大尺度森林生态监测，有能力生产宏观尺度的专题产品，并建立了林草生态感知网络系统，为森林资源调查、监测、评价提供高分辨率遥感分类、变化检测、生态评估等系统运用。

2.2  生产应用

2.2.1  资源调查。

森林资源调查面广、量大、持续等特点与遥感技术的宏观性和周期性优势高度契合，是遥感技术广泛用于森林资源调查工作的主要原因，并且随着传感器获取遥感数据的时间、空间和光谱分辨率不断提高，搭载平台多样化、便携化、轻便化的持续发展，遥感技术在森林资源调查监测中的运用不断拓展和延伸。新中国成立后，林业系统组建了“森林航空测量调查大队”，运用航空摄影技术，结合航空调查和地面综合调查完成了森林资源的遥感调查。20世纪80年代以后，开始采用如TM、SPOT和国产高分影像等进行森林资源辅助区划调查，并形成森林资源分布数据［5］。新世纪以后，遥感森林资源调查技术逐渐与森林资源连续清查、森林督查、国家级公益林监测等业务不断融合，并形成了具有资源调查特点的技术体系。随着雷达技术的普及和成本持续降低，在一定区划范围和精度要求内，集合光学影像和合成孔径雷达信息的多源遥感数据广泛应用于森林资源定量调查，如生物量和碳密度的反演，但林分环境因子会对后向散射系数产生显著影响，限制了激光雷达在大尺度调查中的应用。

2.2.2  生态监测。

森林生态系统的宏观尺度、长周期性、持续观测等特点和要求与传统的生态监测方法存在差距，且监测有关生物多样性、资源储量和生态系统结构功能的关键指标（如净初级生产力、土地覆盖﹑干扰等）精度控制存在困难，急需解决生态监测中工作效率低、时效性差、区域尺度受限等实际困难。基于遥感影像的生态监测，结合NDVI等像元尺度上的斑块内部信息，分析生境与生物多样性的关系，可以得到更为精确的像元尺度生态监测结果，但树种间的差异在遥感影像上难以体现［6］。遥感技术的连续大尺度的观测能力恰好提供了优化生态监测技术的有效途径，但仍然难以解决植物种属识别等难题，微观尺度的生态监测仍然以地面调查为主，实际生产中更多的是融合遥感监测和地面调查各自的优势，以满足不同尺度森林资源、生态过程监测分析的需求。

2.2.3  干扰监测。

运用遥感技术进行干扰监测包括病虫害监测、火灾监测和林窗监测。植物受到病虫害侵袭会导致植物在各波段上的波谱值发生变化，尤其是红外波段的光谱值会发生较大的突变，从遥感数据中提取这些变化信息，可分析病虫害的发源地、灾情分布、发展状况，为病虫害防治提供依据。高光谱遥感主要通过测定植物生活力，如叶绿素含量、植物体内化学成分变化等完成森林健康监测［7］。无人机遥感技术以其高时效﹑高分辨率﹑高机动性等特点，能快速获取森林灾害程度数据，已成为森林灾害监测的重要手段，也应用于灾害损毁等林业司法鉴定工作中。火灾监测主要采用的是NOAA/AVHRR和MODIS等中低分辨率的极轨卫星数据，通过建立火灾与不同波段的关系模型，达到动态监测森林火情的目标。林窗监测可采用多源遥感数据模拟林分动态变化，在森林循环动态理论基础上推演林窗的生成和闭合。

3  林业遥感调查方法及特点

3.1  遥感调查方法

3.1.1  卫星遥感。

卫星遥感通过建立传感器获取信息与地物电磁波辐射之间的关系，探测与电磁波相关的各类地物属性。对森林生产力和功能结构监测时，多采用 MODIS数据、NOAA/AVHRR数据和SPOT -VEGETATION数据；森林植被生态状况监测时常采用 MODIS系列数据；森林演替遥感监测时较多选用的是 Landsat TM/ETM+/OLI数据。小范围、重点区域沙化遥感监测时常用Quick Bird、Worldview、Geoeye、IKONOS，以及GF等高分辨率数据。

3.1.2  航空遥感。

从技术经济学的角度出发，航空遥感在森林资源规划设计调查中的应用更为广泛。航空遥感能够弥补卫星遥感的成本高、周期长、分辨率低、受天气状况影响大等缺点。如低空无人机可对林班、小班进行灵活高效的大范围、高分辨率影像获取，能够极大地提高森林资源调查外业数据采集效率和自动化水平，是对传统卫星遥感调查和有人驾驶飞机航空调查的有效补充［8］。卫星遥感和航空遥感仅仅是搭载平台的差异，两者的关键技术仍然是图像处理、识别和信息提取，融合其他领域图像识别技术的优势，人工智能在林业遥感影像特征提取中的运用也日益广泛。

3.1.3  微波遥感。

1978年，美国首次发射了合成孔径雷达海洋遥感卫星，开拓了雷达卫星遥感的新阶段。微波遥感全天时、全天候的技术优势使其能够在有云甚至阴雨气候条件下正常获取影像数据，成为遥感技术中一种不可替代的数据获取的手段。主动微波遥感增加了人的主观能动性，人们可以根据观测目标的特点选择适合的波长以及微波的各种技术参数，以改善遥感影像获取信息的实际效果，缺点是增加了遥感影像数据噪声的来源，降低了信噪比。

3.2  遥感调查特点

遥感调查具有尺度宏观、信息丰富、时相动态、灵活全面等特点。一是遥感调查信息量大，光谱特征明显，具有全天候观测的特点［9］。二是扩充了调查观察范围，微波遥感可穿透植被、云雾、疏散覆盖物和冰层等。三是遥感调查具有周期成像和时相特点，动态变化显著，这更利于及时监测森林资源变化。四是遥感调查收集资料方便，不受地面条件限制，具有全面彻底的特点。五是遥感技术可以获得地面上任何一个地区的资料，并使资料的搜集全面化、彻底化，如全球森林资源评估遥感调查。运用遥感技术获取的航天、航空影像克服了地面工作中点、线、面调查的局限性及视域阻隔，对森林资源区划调查具有更好的辅助作用，效果也优于地面调查。

4  林业遥感的发展方向

4.1  图像识别与分类

遥感影像分类是根据遥感影像中目标物的波谱特征或者其他特征确定每个像元类别的过程。人工目视解译、计算机自动解译和综合解译是遥感影像解译的主要方法，人工目视解译的工作效率低，分类结果主观性强，分类精度高低很大程度上取决于目视解译人员对影像所覆盖区域的森林植被了解程度及个人的经验和知识。由人工目视解译走向计算机自动解译是遥感发展的必然要求，在特定的条件下，遥感图像的目视解译是不可缺少的，计算机自动解译并不能完全取代人工目视解译。

根据是否采用先验信息可将遥感影像自动解译划分为监督分类和非监督分类，监督分类的解译方法需要建立解译标志库，通过参数或者非参数模型训练形成不同的树种类别的先验信息，基于先验信息实现对区域森林资源的区划调查，精度受限于训练样本的数量和模型算法，通常运用于森林资源规划设计调查。非监督分类更多的是采用聚类分析的原理，将具有相同影像特征的斑块集合在一起，直接根据遥感数据本身的特点进行分组，缺少了反演过程，分类精度主要取决于数据本身和分类算法。

4.2  定量遥感与反演

定量遥感反演的模型有经验模型、过程模型或混合模型，基于树木结构参数的遥感反演模型采用树高代替经典测树学中胸径作为主要参数，并发展了诸多星载全波形树高反演模型；基于植被特征指数的遥感反演模型可以构建出多种植被指数，进而估测出区域植被生物量；基于过程机理的遥感反演模型，如CENTURY、CARAIB、TEM大尺度模型系统需要的参数较多，反演的精度往往取决于数据质量。定量遥感的核心在于反演，反演的关键是建立遥感数据与森林资源调查样本参数之间的关系模型，从有限数量的观测中提取有关时空多变要素的信息，本质上是一个观测量少于未知量的病態反演问题，除在建立前向模型时必须突出主导因子之外，反演中必须充分利用已有的先验知识［10］。

20世纪70年代基于航空摄影测量编制的数量化航空材积表，就是蓄积量反演的实际运用，但实际生产中也存在一定局限性，如光学遥感数据易饱和，利用常规方法难以挖掘光学信息与生物量之间复杂非线性关系，采用深度学习算法解决又缺乏大量的高精度样本。采用微波数据建立反演模型则存在数据源较少且受地形起伏干扰较大，LiDAR的离散属性对大范围连续监测存在限制，不同地区模型的适用性差等问题。因此，生物量反演要克服单一遥感手段的不足，构建空天地一体化对地观测网络，解决多源遥感信息一体化、快速和综合处理等关键技术［11］。

4.3  尺度效应与转换

尺度效应是指不同尺度间遥感对地物或地表提取信息表现出不同的特征差异，尺度转换是指地表参数从一个尺度转换到另一个尺度时对同一参数在不同尺度中进行描述，遥感数据和信息的尺度转换是提高遥感应用效率和实用性的关键［12］。森林资源空间信息尺度包括单木尺度、林分尺度、经营单位尺度、区域尺度、全球尺度，从微观到宏观或者从宏观到微观的尺度变化通常会伴随着精度和有效性的改变，如采用相同的影像，全国的森林资源特点可能在与某些省份具有较高的相似性，也可能相差甚远，这就需要根据影像的尺度效应进行修正，将高分辨率遥感影像处理为低分辨率影像，以适应不同的应用需求。

随着传感器技术的发展，森林资源调查、监测、评价的遥感数据产品也不断丰富，形成多时相、多分辨率、多周期和多波段的遙感数据结构，也为遥感数据尺度转换提供多种途径。参数化方法如空间自相关性指数、尺度方差与变差、局部方差法等被用于森林资源遥感影像处理的尺度变化，结合非参数化模型如人工神经网络、支持向量机、机器学习等也能优化尺度转换的算法，从而提高精度或效率。

4.4  影像变化检测

变化检测有着广泛的应用，常用于土地利用管理监测，如林地征占用、采伐和开垦等，也可用于林业规划设计，林业工程效益评估，森林灾害恢复监测等，为林业资源管理提供科学决策的依据。常用的变化检测方法有影像差值法﹑影像比值法﹑影像回归法、直接多时相影像分析法、主成分分析法、变化向量分析法、波段交叉相关分析及混合检测法等。遥感变化信息检测需要考虑多种因素，包括遥感系统因素和环境因素，以及检测对象和影像参数等条件的不同。不同时相的遥感影像之间可能存在多种变化因素，如物候变化、阴影变化、传感器变化、地形变化等，森林资源变化监测尤其要考虑物候变化导致的林冠影像差异而引起的伪变化，并进行相应的处理，以准确地检测出地表特征随时间发生的变化。

机器学习是人工智能的核心，是一门涉及概率论、统计学、逼近论等多领域的交叉学科，其关注的重点是如何使机器模仿人类的思考方式和学习能力，在大数据的支持和以往经验的累积下，不断获取新的知识或技能，不断完善自身结构及改善自身性能［12-13］，可以不断优化模型参数，提供更接近实际的结果。深度学习在遥感影像领域应用最多的领域是遥感影像分割，深度学习在遥感影像分割领域应用最多的是语义分割模型，常用的语义分割模型很多，主要有UNet、PSPNet、SegNet、DeepLab系列模型，最新的一些模型加入了注意力机制，如Swin Transformer等，在训练模型的成本提升的基础上，精度上有所提升。自动区划完成后，区划边界沿像素值边界前进，可能存在区划边界点过密、锯齿状明显等问题，实际应用仍然存在诸多不便，辅助区划是实现遥感影像变化检测半自动区划的有效途径。

参考文献

［1］ 龚健雅.人工智能时代测绘遥感技术的发展机遇与挑战［J］.武汉大学学报（信息科学版），2018，43（12）：1788-1796.

［2］ 张会儒，雷相东，李凤日.中国森林经理学研究进展与展望［J］.林业科学，2020，56（9）：130-142.

［3］ 李增元，陈尔学.中国林业遥感发展历程［J］.遥感学报，2021，25（1）：292-301.

［4］ 李增元，赵磊，李堃，等.合成孔径雷达森林资源监测技术研究综述［J］.南京信息工程大学学报（自然科学版），2020，12（2）：150-158.

［5］ 兰玉芳，石小华，马胜利，等.中分卫星遥感技术在森林资源动态监测中的应用［J］.林业资源管理，2021（3）：154-159.

［6］ 高广磊，信忠保，丁国栋，等.基于遥感技术的森林健康研究综述［J］.生态学报，2013，33（6）：1675-1689.

［7］ 骆有庆，刘宇杰，黄华国，等.应用遥感技术评价森林健康的路径和方法［J］.北京林业大学学报，2021，43（9）：1-13.

［8］ 王柯，付怡然，彭向阳，等.无人机低空遥感技术进展及典型行业应用综述［J］.测绘通报，2017（S1）：79-83.

［9］ 石博.关于无人机遥感在森林资源调查中的运用分析［J］.林业科技情报，2021，53（4）：27-29.

［10］ 程武学，杨存建，周介铭，等.森林蓄积量遥感定量估测研究综述［J］.安徽农业科学，2009，37（16）：7746-7750.

［11］ 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.

［12］ 岑铭.卫星遥感影像智能化处理研究［J］.测绘与空间地理信息，2023，46（4）：99-101.

［13］ 赖积保，康旭东，鲁续坤，等.新一代人工智能驱动的陆地观测卫星遥感应用技术综述［J］.遥感学报，2022，26（8）：1530-1546.