劉玥伶，舒清態(tài)，黃金君

(西南林業(yè)大學(xué) 林學(xué)院，云南 昆明 650233)

0 引言

森林是地球上最大的陸地系統(tǒng)，同時(shí)也是最主要的可再生資源，被稱為“地球之肺”，是人類得以生存和發(fā)展的保障，為人類活動提供了豐富的物質(zhì)資源，同時(shí)也是維持生態(tài)過程和全球生物圈中最重要的一環(huán)[1]。想要合理的利用和保護(hù)森林資源，需要對森林樹種進(jìn)行正確有效的識別[2]。傳統(tǒng)的樹種識別方法主要依靠人力資源在森林里展開野外調(diào)查，或是通過大比例尺的航片來進(jìn)行分類。這些方式耗時(shí)耗力且效率不高。在過去的研究中，大多是采用分辨率較低的多光譜影像數(shù)據(jù)，可以提取利用的信息量十分有限，只能將森林類型簡單的劃分出來，并不能準(zhǔn)確的提取出單木信息。對單棵的樹木進(jìn)行精細(xì)識別存在很多困難，不能滿足實(shí)際生產(chǎn)應(yīng)用的需求[3-5]。20世紀(jì)80年代興起的高光譜遙感打破了光譜分辨率的局限性，與多光譜遙感數(shù)據(jù)相比能夠區(qū)分出細(xì)微的光譜差距，很大程度上避免了“異物同譜”的現(xiàn)象。相較于多光譜遙感數(shù)據(jù)，高光譜遙感數(shù)據(jù)具有更強(qiáng)的森林樹種識別的能力[6]，為獲得更準(zhǔn)確的森林資源信息提供了強(qiáng)有力的手段。高光譜遙感數(shù)據(jù)所獲取的光譜信息的波長范圍在400～2 500 nm內(nèi)，光譜分辨率一般優(yōu)于10 nm，高光譜圖像包含豐富的空間信息和光譜信息，每個(gè)像元可以記錄下瞬時(shí)視場角內(nèi)幾十乃至上百個(gè)連續(xù)波段[7]，這樣的特質(zhì)使得高光譜影像數(shù)據(jù)能夠把不同物質(zhì)的光譜特征有效區(qū)分出來[8]。

高光譜遙感數(shù)據(jù)波段多、分辨率高等特性使得高光譜數(shù)據(jù)越來越廣泛運(yùn)用于林業(yè)資源監(jiān)測應(yīng)用中，已成為主要獲取應(yīng)用的遙感信息之一。本文以高光譜技術(shù)為基點(diǎn)，簡要介紹了高光譜在樹種識別方面的研究與應(yīng)用，從不同的研究應(yīng)用方法上進(jìn)行闡述，為高光譜遙感技術(shù)在森林樹種調(diào)查上提供參考與借鑒。

1 國內(nèi)外主要高光譜信息源

目前較常使用的高光譜數(shù)據(jù)源可大致分為兩類。一種是國內(nèi)外公開的高光譜遙感衛(wèi)星數(shù)據(jù)，另一種是由無人機(jī)搭載高光譜傳感器在低空域小片區(qū)飛行所獲取的影像數(shù)據(jù)。由衛(wèi)星獲得的高光譜影像數(shù)據(jù)更齊全，尺度更廣，而無人機(jī)的特點(diǎn)則是更高效便捷，且受大氣因素干擾的影響較小，在小區(qū)域調(diào)查中具有較好的應(yīng)用前景。

1.1 國外高光譜遙感衛(wèi)星

許多國外數(shù)據(jù)庫都有公開的遙感衛(wèi)星數(shù)據(jù)供用戶下載使用，諸如美國國家航空航天局(NASA)、歐洲航天局(ESA)等。NASA于2000年11月21日發(fā)射新千年計(jì)劃的觀測一號衛(wèi)星[9](EO-1)是NASA的第一顆對地觀測衛(wèi)星。NASA在EO-1衛(wèi)星上搭載了3種傳感器，分別是高光譜成像儀Hyperion、高級陸地成像儀ALI以及大氣校正儀LEISA，Hyperion則是全球第1臺民用星載高光譜圖譜測量儀。歐洲太空局發(fā)射的Proda衛(wèi)星主載荷CHRIS儀器(PROBA-1)是ESA“通用支持技術(shù)計(jì)劃(GSTP)”的技術(shù)演示衛(wèi)星，于2001年10月22日發(fā)射。部分典型的星載高光譜載荷參數(shù)可見表1。

表1 部分典型的星載高光譜載荷參數(shù)Tab.1 Partly typical spaceborne hyperspectral sensors

1.2 中國高光譜遙感衛(wèi)星

中國自2008年發(fā)射了國內(nèi)首顆高光譜成像儀衛(wèi)星HJ-1A衛(wèi)星，由中國發(fā)射的搭載高光譜傳感器的衛(wèi)星觀地系統(tǒng)也得到了長足的發(fā)展，其中高分系列衛(wèi)星自2013年起陸續(xù)發(fā)射，目前已有高分一號至高分五號5顆衛(wèi)星。高分五號(GF-5)衛(wèi)星是中國高分辨率對地觀測計(jì)劃中的第五顆衛(wèi)星，于2018年5月9日發(fā)射，該衛(wèi)星搭載了一臺先進(jìn)高光譜成像儀(AHSI)載荷，是目前國際上最先進(jìn)的高光譜衛(wèi)星，同時(shí)也是中國光譜分辨率最高的衛(wèi)星，包括150個(gè)V-NIR波段(光譜分辨率為5 nm)與180個(gè)SWIR波段(光譜分辨率為10 nm)，一共有330個(gè)波段，可見光近紅外150個(gè)波段，中紅外180個(gè)波段[10]。資源一號02D衛(wèi)星于2019年9月12日發(fā)射，其高光譜傳感器也是AHSI，共166個(gè)波段，其中V-NIR波段76個(gè)，SWIR波段90個(gè)。中國的高光譜遙感衛(wèi)星相關(guān)參數(shù)見表2。

表2 中國高光譜遙感衛(wèi)星參數(shù)Tab.2 Hyperspectral remote sensing satellite parameters in China

1.3 機(jī)載高光譜

機(jī)載高光譜是高光譜最早的應(yīng)用領(lǐng)域，機(jī)載高光譜成像儀的應(yīng)用實(shí)踐更是為航天高光譜成像儀的研制工作奠定了基礎(chǔ)。近年來，隨著無人機(jī)的發(fā)展，基于無人機(jī)的高光譜成像載荷也得到快速發(fā)展，出現(xiàn)了一系列無人機(jī)載高光譜成像儀，這些成像設(shè)備一般可應(yīng)用于地面試驗(yàn)研究。目前無人機(jī)載高光譜成像設(shè)備的成像方式主要被分為內(nèi)置推掃式、推掃式、凝視式等，主要機(jī)載高光譜成像儀介紹見表3。

表3 主要無人機(jī)載高光譜成像儀介紹Tab.3 Main drone high-spectral imagery introduction

2 基于高光譜遙感技術(shù)的樹種分類研究現(xiàn)狀

高光譜遙感數(shù)據(jù)進(jìn)行森林樹種精細(xì)分類主要表現(xiàn)在基于光譜匹配分類算法、基于光譜特征和基于統(tǒng)計(jì)分析方法的這3種方法[11]。本研究從當(dāng)前應(yīng)用最廣的3個(gè)方向?qū)Ω吖庾V遙感森林樹種精細(xì)識別進(jìn)行分析，即早期傳統(tǒng)分類方法、多源遙感數(shù)據(jù)協(xié)同方法和基于深度學(xué)習(xí)方法。

2.1 傳統(tǒng)分類方法

早期的高光譜影像樹種精細(xì)識別主要基于影像的光譜信息，像元級分類主要關(guān)注特征工程和分類器訓(xùn)練。其中特征工程方法包括特征選擇和特征提取，其目的是對高光譜數(shù)據(jù)進(jìn)行降維，從中提取最具辨別力的波段或特征，將特征輸入到分類器中實(shí)現(xiàn)分類。最常用的分類器有隨機(jī)森林、支持向量機(jī)(SVM)、最近鄰值(KNN)法、神經(jīng)網(wǎng)絡(luò)等。分類后得到的圖像能夠較為準(zhǔn)確的反映出各種真實(shí)地物的信息，實(shí)現(xiàn)了自動化、智能化識別地物信息的目的。

宮鵬等[12]利用實(shí)測高光譜數(shù)據(jù)識別6種美國加州主要針葉樹種，在計(jì)算一階微分值前先對簡單處理過的數(shù)據(jù)進(jìn)行對數(shù)變換或歸一化處理，其分類精度達(dá)94%，且得出針葉樹種最佳識別波段為20 nm或以下；肖海燕等[13]在地面調(diào)查基礎(chǔ)上，結(jié)合決策樹和高光譜分析方法提取了紅樹林群落信息；于麗柯等[14]基于線性波譜分離方法和波譜角填圖法對大興安嶺塔河林區(qū)進(jìn)行樹種分類，線性波譜分離方法的總體精度為72.0%，優(yōu)于波譜角填圖法。

為提高樹種識別與分類精度，光譜信息結(jié)合空間信息、波段組合信息等共同參與樹種識別的相關(guān)研究取得了一系列進(jìn)展。陳爾學(xué)等[15]以EO-1 Hyperion高光譜遙感數(shù)據(jù)為基礎(chǔ)，采用結(jié)合空間上下文信息和光譜信息的分類算法，有效提高了樹種識別的精度；苗宇宏等[16]綜合了降維后的光譜特征、提取的空間紋理特征以及植被指數(shù)特征，構(gòu)建了高光譜影像多維特征，并通過SVM分類器進(jìn)行分類，精度可達(dá)99.6%；尚坤等[17]結(jié)合原始光譜特征、紋理特征及對植被理化參量敏感的光譜指數(shù)特征，構(gòu)建植被特征庫并進(jìn)行優(yōu)化，提高了植物類別間的可分性和分類效率；趙鵬等[18]對高光譜圖像光譜維和空間維的特征數(shù)據(jù)進(jìn)行融合后，使用SVM復(fù)合核函數(shù)對樹種進(jìn)行分類，有效提高了樹種的分類精度。李哲[19]等以高分二號影像為數(shù)據(jù)源，將不同特征選擇(多時(shí)相)和分類器進(jìn)行組合，得出良好的特征優(yōu)選結(jié)果對分類結(jié)果的影像較大，支持向量機(jī)分類器的整體表現(xiàn)更為穩(wěn)定比平均森林平均高出1.37%。

2.2 基于深度學(xué)習(xí)的方法

在識別算法中，運(yùn)用較廣且識別精度較高的是支持向量機(jī)和隨機(jī)森林算法，隨著計(jì)算機(jī)分類算法的研究深入，目前基于模型驅(qū)動識別算法因參數(shù)精度的限制精度漸漸達(dá)到天花板，難以突破[20]，深度學(xué)習(xí)算法和多分類器融合算法成為研究熱點(diǎn)。深度學(xué)習(xí)(Deep Learning)來源于人工神經(jīng)網(wǎng)絡(luò)，其實(shí)質(zhì)是通過構(gòu)建多層網(wǎng)絡(luò)模型和海量的訓(xùn)練數(shù)據(jù)，來學(xué)習(xí)更有用的特征，從而提升分類或預(yù)測的準(zhǔn)確性。目前，卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks，CNN)是最具代表的深度學(xué)習(xí)算法之一，它的基本結(jié)構(gòu)主要由輸入層、卷積層、池化層、全連接層以及輸出層所構(gòu)成。它的網(wǎng)絡(luò)為權(quán)值共享結(jié)構(gòu)，與輸入圖像的契合度高，可以更好的完成圖像特征的提取和分類工作[21]?；谏疃葘W(xué)習(xí)的數(shù)據(jù)驅(qū)動型識別算法可以基于大量數(shù)據(jù)自行挖掘隱含特征進(jìn)行分類反演，成為推動遙感圖像識別進(jìn)一步發(fā)展的契機(jī)[22]。CNN算法的權(quán)值共享和局部連接特征能夠很好的挖掘高光譜數(shù)據(jù)豐富的空間和光譜信息，在高光譜影像識別領(lǐng)域取得一定成就。Hu等首次將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于高光譜數(shù)據(jù)分類，但僅利用光譜信息進(jìn)行分類[23]；閆苗等構(gòu)建3類樣本集對不同CNN模型高光譜數(shù)據(jù)分類的可行性進(jìn)行探究，證明 CNN 模型高光譜數(shù)據(jù)識別具有較高的準(zhǔn)確率和可行性[24]；劉玉珍等提出結(jié)合超圖和卷積神經(jīng)網(wǎng)絡(luò)的分類算法，構(gòu)建空譜特征樣本進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)分類，證明空譜聯(lián)合信息能夠更好的表征地物特征，提高分類精度[25]。大量研究聯(lián)合高光譜數(shù)據(jù)空間和光譜信息能夠有效提高影像分類精度。

大量訓(xùn)練樣本的獲取成為制約深度學(xué)習(xí)方法在遙感影像分類中應(yīng)用的關(guān)鍵問題之一，如何使用有限的樣本訓(xùn)練出高效的模型也是目前研究關(guān)注的熱點(diǎn)。相較于CNN模型而言，Chen等提出能夠同時(shí)提取空間和光譜信特征的3D-CNN模型，并利用dropout和正則化等優(yōu)化策略提高模型泛化能力，有效的提高了高光譜分類精度[26]；李竺強(qiáng)等[27]利用三維卷積神經(jīng)網(wǎng)絡(luò)模型(3D-CNN)對公共高光譜數(shù)據(jù)集的測試結(jié)果表明，3D-CNN算法不僅可以實(shí)現(xiàn)高光譜影像的光譜—空間特征提取，并且它的泛化能力強(qiáng)、收斂速度快，總體精度可達(dá)98%，優(yōu)于其他高光譜影像分類算法。趙霖等[28]基于3D-CNN得出的森林樹種總體分類精度達(dá)98.38%，且小樣本訓(xùn)練情況下，總體精度仍可達(dá)95.89%。

2.3 多源遙感數(shù)據(jù)協(xié)同的方法

多源數(shù)據(jù)協(xié)同是利用不同傳感器數(shù)據(jù)之間信息的互補(bǔ)性，以此得到相關(guān)對象更全面的數(shù)據(jù)。多源數(shù)據(jù)融合成為主流，其中使用最多的是機(jī)載高光譜數(shù)據(jù)與激光雷達(dá)數(shù)據(jù)融合。

光學(xué)數(shù)據(jù)只能探測到冠層表面信息而云層的覆蓋又會影響到高光譜數(shù)據(jù)的采集，限制了樹種識別的精度，而機(jī)載LiDAR能夠獲取單株木三維結(jié)構(gòu)特征，這對于森林類型識別、森林結(jié)構(gòu)特性以及冠層理化特征提取均具有明顯優(yōu)勢[29]。因此高光譜數(shù)據(jù)協(xié)同LiDAR數(shù)據(jù)在樹種識別領(lǐng)域也有了較為廣泛的運(yùn)用。

LiDAR數(shù)據(jù)分點(diǎn)云數(shù)據(jù)和全波形數(shù)據(jù)，其中點(diǎn)云數(shù)據(jù)應(yīng)用廣泛。通常使用Tarroslid等工具對原始點(diǎn)云數(shù)據(jù)進(jìn)行濾波，獲得地面點(diǎn)和非地面點(diǎn)，由地面點(diǎn)可以內(nèi)插生成數(shù)字高程模型(Digital Elevation Model，DEM)，由非地面點(diǎn)可以生成數(shù)字表面模型(Digital Surface Model，DSM)。從數(shù)字表面模型中減去數(shù)字高程模型即可得到冠層高度模型(Canopy Height Model，CHM)[30]。CHM表達(dá)了林木高度和冠層的空間分布狀態(tài)。樹高是反映材積和立地質(zhì)量的重要參數(shù)，因此獲得森林單木的垂直信息對單木提取具有重要意義[31]，全波形數(shù)據(jù)則主要通過采用波形分解來獲得直接、高效的獲取森林植被三維結(jié)構(gòu)信息。

由于LiDAR數(shù)據(jù)可獲得森林空間冠層空間結(jié)構(gòu)，在表達(dá)三維空間結(jié)果上的優(yōu)勢，使得近年來研究者們對于LiDAR數(shù)據(jù)的研究應(yīng)用更加深入。Hollaus等[32]研究使用LiDAR數(shù)據(jù)提取奧地利阿爾卑斯山西部地區(qū)的樹高，得出的單樹高度和平均高度的驗(yàn)證顯示出良好的相關(guān)性。龐勇等[31]在利用LiDAR數(shù)據(jù)進(jìn)行提取中國山東地區(qū)平均樹高的試驗(yàn)，其總體平均精度為90.59 %，其中闊葉樹精度高于針葉樹。Mitchell等[33]使用LiDAR數(shù)據(jù)估測灌木叢的冠層參數(shù)，并比較了樹高和冠幅的相關(guān)性，發(fā)現(xiàn)樹高的估測結(jié)果優(yōu)于冠幅，但密度較高的區(qū)域所得結(jié)果并不理想。趙旦[34]利用高密度LiDAR點(diǎn)云數(shù)據(jù)和高分辨率高光譜數(shù)據(jù)，通過優(yōu)化后的CHM可提取森林樹種的單木參數(shù)，其中優(yōu)勢樹種的識別率大于90%。Matsuki等[35]在對日本的森林進(jìn)行分類時(shí)，通過結(jié)合光譜信息和LiDAR數(shù)據(jù)的冠層結(jié)構(gòu)特征，對 16 種森林樹種的分類精度達(dá)82%。Sankey等[36]在無人機(jī)上同時(shí)搭載激光雷達(dá)和高光譜相機(jī)，將兩種數(shù)據(jù)結(jié)合在一起用于識別分類多種樹種，取得良好效果。證明了激光雷達(dá)數(shù)據(jù)和高分辨率圖像結(jié)合的方法用于樹種組成識別、分類比單一傳感器數(shù)據(jù)更有效果。吳艷雙[37]等利用機(jī)載高光譜影像和LiDAR數(shù)據(jù)進(jìn)行面向?qū)ο蟮臉浞N分類，結(jié)果表明加入CHM信息后，提升了樹種分類精度，兩種數(shù)據(jù)源的結(jié)合是有效的。

機(jī)載激光雷達(dá)只能得到森林垂直空間結(jié)構(gòu)信息，在水平方向上及冠層層面的信息不夠全面。而高光譜影像數(shù)據(jù)則能夠提供充足的光譜信息，但影像數(shù)據(jù)的獲取比較困難。因此LiDAR數(shù)據(jù)和高光譜影像數(shù)據(jù)的結(jié)合能夠?qū)崿F(xiàn)多源優(yōu)勢互補(bǔ)，在樹種識別的領(lǐng)域發(fā)揮出巨大優(yōu)勢。

3 高光譜遙感技術(shù)在森林樹種識別存在的問題

高光譜遙感以其自身特有的優(yōu)勢，已經(jīng)廣泛地應(yīng)用于森林樹種識別，其識別分類效果比常規(guī)遙感有了顯著的提高。每個(gè)新興的研究領(lǐng)域都存在諸多有待完善的方面，從上述對高光譜遙感在樹種識別領(lǐng)域的應(yīng)用中不難發(fā)現(xiàn)，可獲得的數(shù)據(jù)信息在載荷儀器性能的發(fā)展下已經(jīng)能滿足礦產(chǎn)調(diào)查、環(huán)境監(jiān)測和農(nóng)林估產(chǎn)等需求。如何在不同應(yīng)用場景下選擇最佳的識別方法以及分析算法的優(yōu)化，無疑將是今后研究中的重點(diǎn)。

3.1 傳統(tǒng)機(jī)器學(xué)習(xí)分類方法在高光譜影像上的局限性

利用機(jī)器學(xué)習(xí)的方法進(jìn)行樹種分類都少不了數(shù)據(jù)降維這一步，但高光譜影像中包含大量連續(xù)的窄波段，對高光譜影像進(jìn)行降維處理后反而不能發(fā)揮其優(yōu)勢。其次，機(jī)器學(xué)習(xí)在目前算法及分類精度上已經(jīng)達(dá)到天花板，很難再從其它角度進(jìn)行優(yōu)化。通過對不同特征優(yōu)選方法和分類器組合進(jìn)行比較可以選擇應(yīng)用前景和分類精度更高的分類器，可所得到的結(jié)果也只是一個(gè)相對概念，其會隨著使用目的及客觀條件的變化而發(fā)生改變，故在生產(chǎn)實(shí)踐中還需根據(jù)自身的需求和條件確定最優(yōu)組合?？傮w來說傳統(tǒng)的機(jī)器學(xué)習(xí)方法運(yùn)用的時(shí)間較長且有較豐富的文獻(xiàn)研究記載，但并不能完全發(fā)揮出高光譜影像的優(yōu)勢，因此在今后的高光譜影像分類應(yīng)用上的發(fā)展前景不佳。

3.2 多源數(shù)據(jù)結(jié)合在數(shù)據(jù)獲取上成本較高

星載高光譜數(shù)據(jù)受空間分辨率的限制，很難滿足森林樹種精細(xì)研究的應(yīng)用要求，再加上星載高光譜數(shù)據(jù)還需要編程訂購，時(shí)間周期長，數(shù)據(jù)量大，遙感作業(yè)效率較低，也在一定程度上限制了它的應(yīng)用。

3.3 深度學(xué)習(xí)在當(dāng)前應(yīng)用中存在的問題

與傳統(tǒng)的分類框架相比，基于深度學(xué)習(xí)的數(shù)據(jù)驅(qū)動型識別算法由于可以基于大量數(shù)據(jù)自行挖掘隱含特征進(jìn)行分類反演而無需人為進(jìn)行特征選取。這在遙感圖像識別領(lǐng)域具有優(yōu)勢，但同時(shí)在實(shí)際應(yīng)用中也存在一些問題。首先，深度學(xué)習(xí)方法所需的訓(xùn)練樣本大且對標(biāo)注數(shù)據(jù)的質(zhì)量要求高，使得在實(shí)際應(yīng)用中受到限制，同時(shí)大量的參數(shù)在訓(xùn)練過程中可能會帶來模型過擬合問題，造成模型泛化能力不足。其次，在提取空譜聯(lián)合特征上需要考慮到空間鄰域大小，網(wǎng)絡(luò)的規(guī)模，結(jié)構(gòu)及復(fù)雜程度，輸入數(shù)據(jù)空間大小對模型分類能力具有較大影響：適當(dāng)增加輸入數(shù)據(jù)空間大小有助于提高分類精度，過大的區(qū)域則可能產(chǎn)生額外噪聲。尤其當(dāng)像元位于一個(gè)類別的角落或邊緣時(shí)，會導(dǎo)致精度下降，至今在方法的選擇上相關(guān)記載文獻(xiàn)不足。隨著高光譜研究的深入，結(jié)合高光譜數(shù)據(jù)特點(diǎn)研究基于深度學(xué)習(xí)的識別算法將是未來高光譜識別的重點(diǎn)，需要更加深入的研究。

4 總結(jié)與展望

本文回顧了高光譜技術(shù)在樹種識別領(lǐng)域的研究進(jìn)展，高光譜技術(shù)在樹種識別上已取得了許多創(chuàng)新性成果但目前仍處于發(fā)展與提升階段。隨著高光譜遙感技術(shù)的進(jìn)步，無論是利用多源遙感數(shù)據(jù)源協(xié)同還是通過優(yōu)化模型算法挖掘其光譜空間信息，都是未來提高森林樹種識別精度的主要研究方向。降低高光譜數(shù)據(jù)獲取、處理、信息提取與應(yīng)用方面的門檻仍是高光譜技術(shù)亟待解決的科學(xué)問題。相信在未來的研究應(yīng)用中，高光譜遙感技術(shù)會在森林資源勘測中有更長遠(yuǎn)的發(fā)展。

多源數(shù)據(jù)結(jié)合在樹種識別方面與單一數(shù)據(jù)源相比具有一定的優(yōu)勢，特別是在國產(chǎn)遙感衛(wèi)星不斷發(fā)展的現(xiàn)在，進(jìn)行多源遙感數(shù)據(jù)協(xié)同的應(yīng)用具有十分重要的意義?，F(xiàn)利用多源遙感數(shù)據(jù)進(jìn)行空間信息和光譜信息聯(lián)合已經(jīng)有較多的研究內(nèi)容，未來研究的重點(diǎn)將放在如何得出在不同的應(yīng)用場景下的最佳協(xié)同方法和組合方式且發(fā)揮不同數(shù)據(jù)源的優(yōu)勢，是研究者們亟待解決的問題。

隨著人工智能技術(shù)的發(fā)展，人們對于樹種進(jìn)行識別和分類的需求越來越高，深度學(xué)習(xí)的方法可以進(jìn)一步提高樹種識別的精度，但在實(shí)際操作中獲取大量已標(biāo)記的遙感圖像數(shù)據(jù)十分困難。無人機(jī)搭載高光譜傳感器可以高效獲取小片區(qū)的遙感圖像，經(jīng)過優(yōu)化和參數(shù)設(shè)置的卷積神經(jīng)網(wǎng)絡(luò)模型可以在小數(shù)據(jù)量的條件下對遙感圖像進(jìn)行識別和分類。無人機(jī)遙感影像結(jié)合深度學(xué)習(xí)進(jìn)行小片區(qū)樹種精細(xì)識別是今后的研究應(yīng)用熱點(diǎn)，同時(shí)如何減少其在大場景應(yīng)用下的局限性，使其在更大尺度下開展森林健康監(jiān)測且減少模型訓(xùn)練的時(shí)間是研究的重要方向。