0 引 言   

近年来，随着遥感、计算机软硬件技术的发展和完善，以及响应的高光谱遥感分析处理技术的不断发展，使得高光谱遥感应用的宽度和广度越来越大。高光谱遥感已在植被研究中取得了很好的进展，其中以森林树种的高光谱遥感识别为甚。高光谱森林树种识别主要包括两个方面内容：森林树种类型识别和森林树种生理生化特性识别。

1  森林树种类型识别
树种类型识别是高光谱树种识别研究中备受关注的应用领域。森林树种类型之间不仅具有高度相似性和空间变异性，更具有时间动态性强的特点。充分发挥、利用高光谱遥感数据，不仅能够提供更多的森林树种类型间的差异信息，而且在识别结果上也具有更高的精确性和可靠性，进而满足森林树种类型识别的要求。

1.1 树种类型识别环境

森林树种类型识别是高光谱树种类型识别研究的核心。森林树种类型识别的主要目的是提取森林树种的专题信息，为划分森林类型、绘制林相图和清查森林资源提供基础和依据。

有学者利用航空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，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。宫鹏等在利用记载CASI高光谱数据对美国加州的6种针叶树种进行识别研究，通过利用光谱微分计算成功地识别出6种针叶树种，向人们展示了高光谱数据在进行树种识别方面的强大能力，Zhang等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的识别精度；一研究人员利用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；还有研究人员利用地物光谱仪测量了杉木、雪松、小叶樟树和桂花等4个树种光谱数据，并利用光谱微分、波段选择等技术成功识别出了这几个树种。

1.2 外来入侵树种识别环境
外来入侵树种所导致的环境、经济问题已成为全球关注的焦点话题。高光谱识别外来入侵树种已经有很多成功的案例。在北美中心部，研究者基于高光谱数据，对外来入侵树种（如阔叶大戟、撑柳、黄蓟等的识别和制图）开展了广泛而深入的研究。澳大利亚学者利用高光谱数据对其境内的黑莓入侵进行空间分布和扩散规律研究，成功地绘制出黑莓的空间分布图；台湾学者利用星载高光谱数据成功地识别出台湾恒春地区境内的外来物种——银合欢。相关研究表明。只要入侵树种覆盖率超过30%~40%时，就可以通过高光谱数据进行有效地识别。

2  森林树种生理生化特性识别

在森林树种的生理生化特征识别中，主要涉及叶面积指数、生物量、水分含量、郁闭度、光合有效辐射、叶绿素、各种营养成分（N、P、K等），（半）纤维、木质素、淀粉和蛋白质等。一研究人员通过不同尺度下冠层光谱模拟，获得了随叶绿素含量变化的一些规律。发现MCARI/OSAVI能有效去除土壤背景对植被叶绿素含量估测的影响，利用MCARI/OSAVI植被指数进行叶绿素（a+b）含量的估测可达到预想效果。Dury等的研究中，是用包络线去除遥感数据对桉树进行监测，发现利用高光谱数据反演的氮含量估测值与同步实测冠层叶片的氮含量具有一致性。宫鹏等利用高光谱数据对美国俄勒冈州针叶树的LAI进行了估测实验。结果发现LAI与归一化植被指数（NDVI）之间的双曲线关系是估计LAI最合适的方法。还有研究人员利用进行一阶导数运算处理后的高光谱数据对生物量进行估计，其结果很好地反映了地面的实际情况。

此外，我们还可以通过森林生理生化特性的识别得到不同森林树种间的差异信息，利用这些差异信息进行树种类型识别研究，可以更为有效地提高树种类型识别的精度。如结合不同森林树种之同特有的生化特性，将高光谱数据 ( 航空可见光/红外成像光谱仪)与簇叶化学成分之间建立关系，成功鉴别了 10 种森林类型(红枫、红栎、阔叶混交林、白松 、铁杉、针叶混交林、挪威云杉、红松、云杉沿泽林及落叶阔叶沼泽林)。

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急需解决的问题。

3  存在的主要问题

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及森林制图，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 数据质量与保障性环境

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別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成用要求，再加上星载高光谱数据还需要编程订购，时间間期长，数掃量大,遙感作业效牽较低,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，由于缺乏重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 有效处理算法缺乏环境

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，智能化程度依旧不够。因此进行识别端元，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识别研究中需要解决的问题。