森林資源遙感調(diào)查研究進展

王 燕，朱婷茹，何立恒

(1.江蘇省土地勘測規(guī)劃院，江蘇 南京 210017；2.南京林業(yè)大學(xué)土木工程學(xué)院，江蘇 南京 210037)

0 引 言

森林資源是自然資源的重要組成部分，第九次全國森林資源清查結(jié)果顯示，我國森林總面積共2.20億hm2，森林覆蓋率為22.96%[1]。森林資源指林地生長范圍內(nèi)的林木、林地、動植物及環(huán)境[2]，森林資源調(diào)查對象包括森林自身情況，如林種、蓄積量、健康狀況等，還包括生態(tài)環(huán)境、社會經(jīng)濟等數(shù)據(jù)。森林資源調(diào)查為林業(yè)部門掌握森林內(nèi)部情況、進行森林資源管理和規(guī)劃提供幫助，也為貫徹落實習(xí)近平生態(tài)文明思想，構(gòu)建自然資源調(diào)查監(jiān)測體系提供基礎(chǔ)支撐。

傳統(tǒng)森林資源調(diào)查以人工為主，使用抽樣調(diào)查和小班調(diào)查，調(diào)查結(jié)果精度較差且效率低，逐漸被現(xiàn)代化技術(shù)取代，如衛(wèi)星遙感、無人機、激光雷達等?，F(xiàn)代化遙感技術(shù)在森林資源調(diào)查領(lǐng)域的進展，為新形勢下運用高新技術(shù)實現(xiàn)森林資源的精確、快速和高效調(diào)查提供參考[3]。但現(xiàn)有綜述類文獻更多針對森林資源某一具體應(yīng)用領(lǐng)域，缺少相關(guān)綜述類文章或文獻計量類文章對森林資源現(xiàn)代化遙感調(diào)查的進展進行系統(tǒng)性、綜合性的闡述[4]。

在各類數(shù)據(jù)庫中搜索2015-2020年間關(guān)于“森林資源調(diào)查”和“遙感”的論文，結(jié)果顯示：CNKI總數(shù)據(jù)庫共發(fā)表文章694篇，其中關(guān)于衛(wèi)星遙感、無人機遙感和多源遙感的文獻頻數(shù)分別為55、72和11，數(shù)據(jù)處理方法中基于深度學(xué)習(xí)和基于回歸模型的文獻分別有32篇、244篇；Web of Science核心數(shù)據(jù)庫共發(fā)表文章綜述1 078篇，關(guān)于衛(wèi)星遙感的文章占44%。本文從數(shù)據(jù)源與數(shù)據(jù)處理方法兩方面闡述和分析森林資源遙感調(diào)查研究現(xiàn)狀及發(fā)展趨勢。

1 森林資源遙感調(diào)查數(shù)據(jù)源的演變

隨森林資源應(yīng)用和需求的不斷提升，森林資源調(diào)查數(shù)據(jù)源逐漸向高空間、高時間和高光譜分辨率遙感數(shù)據(jù)發(fā)展?，F(xiàn)代森林資源遙感調(diào)查向綜合化發(fā)展，以建立基于多源、多尺度、天空地一體化、點線面多尺度[5]的綜合體系為趨勢。利用多源遙感數(shù)據(jù)，可以同時獲取森林資源整體和單木信息，提高結(jié)果精度，常用于森林蓄積量、森林生物多樣性和森林樹種分類等調(diào)查。

1.1 衛(wèi)星遙感

森林資源調(diào)查常用的衛(wèi)星有Landsat、SPOT、Quick Bird等國外系列衛(wèi)星以及國內(nèi)資源、高分系列衛(wèi)星。鐘濱等[6]采用高分二號數(shù)據(jù)進行竹林信息提取，利用高分二號豐富的紋理特征，改善了單靠光譜特征提取的精度。曾文等[7]基于高景一號遙感影像，對不同波段構(gòu)建4種特征評價準則，分析以得到最佳分類效果下的特征選擇和波段組合。趙勇鈞[8]基于森林資源連續(xù)清查數(shù)據(jù)確定森林健康評價指標，提取SPOT-5多光譜、全色影像的光譜信息和紋理信息，建立森林健康評價模型。唐文靜等[9]使用Landsat系列衛(wèi)星產(chǎn)品對2012年和2017年的影像進行森林蓄積量的估測，總體精度分別為0.79和0.89。孫忠秋等[10]使用Landsat-8 OLI影像，分別建立基于波段信息和植被指數(shù)建立回歸模型估測森林蓄積量，與二項式模型估測結(jié)果進行比較，結(jié)果顯示后者的精度更高。Mobushir[11]采用Sentinel-2A衛(wèi)星數(shù)據(jù)建立AGB模型估算松林地上生物量，分析評價了Sentinel-2A圖像紋理對AGB預(yù)測模型精度的影響程度，證實了Sentinel-2A遙感數(shù)據(jù)在森林生物量方面的應(yīng)用潛力。

衛(wèi)星遙感影像為森林資源調(diào)查提供可靠、便捷、精確的數(shù)據(jù)來源，在相關(guān)領(lǐng)域應(yīng)用廣泛，既提高了森林資源調(diào)查的效率，還提高了調(diào)查的精確度[3]。但研究中多選擇中等分辨率遙感影像，更高分辨率的影像難以獲取或價格高昂，在研究中應(yīng)用較少[12]。單一的遙感影像也不足以滿足森林資源的綜合調(diào)查，僅能有限地反映森林資源某一方面的信息。且研究中大多采用圖像的光譜和紋理信息作為特征變量，建立研究模型，后續(xù)研究可加強對其他特征信息的挖掘和利用。

1.2 無人機遙感

無人機技術(shù)是一種近地面遙感技術(shù)，保證數(shù)據(jù)高空間分辨率、高光譜分辨率的同時，彌補了區(qū)域尺度與樣方尺度間的空缺。與衛(wèi)星遙感相比，無人機飛行成本低，拍攝時間自由靈活，具有高時效的優(yōu)點。

在森林資源調(diào)查的研究中，通過無人機可以獲取多光譜光學(xué)遙感影像和三維激光點云數(shù)據(jù)。多光譜光學(xué)遙感影像通過光譜信息進行森林整體性調(diào)查，謝剛等[13]借助無人機航空像片建立立體像對獲得樹高，使用全站儀實地測量的樹高進行精度評價。劉鵬[14]研究了高光譜技術(shù)在植被分類與健康監(jiān)測中的應(yīng)用，數(shù)據(jù)來源采用無人機搭載高光譜相機進行低空觀測，飛行高度在20～100 m之間，利用獲取的圖像采集植被光譜信息進行分類識別與生長狀況監(jiān)測。黎新宇等[15]采用無人機搭載高分辨率相機進行低空傾斜攝影，對采集的數(shù)據(jù)建立實景三維模型，提高了森林資源調(diào)查的精度。

無人機機載雷達獲取的三維點云數(shù)據(jù)常用于單木因子的提取，耿林等[16]通過局部最大值的樹頂檢測法提取樹高，利用分水嶺分割法進行冠幅探測，并與高程歸一化點云進行精度評價。李平昊等[17]比較了分水嶺算法、四次多項式擬合法和基于點云的距離判別聚類法對機載激光雷達點云數(shù)據(jù)進行單木分割的精度，發(fā)現(xiàn)在不同的冠層形狀參數(shù)與點云數(shù)量閾值下，不同算法各有優(yōu)劣，但總體分割精度都能達到0.76以上。Brandtberg[18]基于每棵樹第一個返回點云的邊緣高度分布的形狀特征估計單木樹高，利用不同樹種的冠層形態(tài)、樹高和冠幅的關(guān)系進行單木分割，使樹高估計結(jié)果的均方根誤差縮小了20%，樹種分類精度提高了4%。王瑞瑞等[19]采用基于全局最大值的歸一化分割法對初始單木分割的結(jié)果進一步分割，實現(xiàn)冠層中下層的精確探測，提高了單木提取的精度。

無人機多光譜遙感影像在森林資源調(diào)查的研究中，大多分析光譜特征對調(diào)查精度的影像，未來可進行光譜信息與圖像分析結(jié)合的研究。機載激光雷達獲取的森林信息主要集中在樹木冠層上部、冠層下部及樹干信息，提取精度分別受點云密度和森林冠層間隙率影響[20]，未來研究方向在于提高分割精度以及減少森林冠層結(jié)構(gòu)的影響。

1.3 多源遙感技術(shù)協(xié)同

多源遙感有助于提升森林資源調(diào)查精度。章恒等[21]分別對SPOT 5融合影像、SPOT 5多光譜影像、Landsat-8融合影像和“高分一號”多光譜影像進行紅樹林信息提取，針對這4種數(shù)據(jù)源進行比較并評價其精度，以確定在該研究中最適合、提取精度最高的數(shù)據(jù)。董文雪等[22]將機載激光雷達提取的結(jié)構(gòu)信息與高光譜提取的光譜信息結(jié)合構(gòu)建估算模型，利用自適應(yīng)模糊C均值聚類的方法識別森林喬木最大物種數(shù)為20，識別精度為0.69。皋廈等[23]基于機載激光雷達單木分割和高光譜特征提取，進行城市森林樹種分類，選擇不同特征變量的樹種分類總體精度都能達到0.907以上。

光學(xué)遙感受環(huán)境條件影響，存在森林垂直方向的信息難以獲取等問題，合成孔徑雷達可以獲取森林垂直信息，但存在難以去噪、易收縮、易疊掩等問題。結(jié)合光學(xué)遙感和合成孔徑雷達，既能獲得豐富的光譜信息又能獲得地表空間信息，有利于提高森林資源調(diào)查的準確度、精確度和完整性。周曉虎[24]結(jié)合SAR和多光譜數(shù)據(jù)，提取紋理特征和植被指數(shù)作為植被類型識別特征，基于隨機森林法利用多源遙感數(shù)據(jù)進行森林分類。Hudak等[25]使用LiDAR數(shù)據(jù)與Landsat數(shù)據(jù)從垂直與水平結(jié)構(gòu)上獲取樹冠高度，既彌補了LiDAR數(shù)據(jù)在水平面上覆蓋范圍有限的問題，又解決了Landsat數(shù)據(jù)對樹高變化不敏感的問題。雷達數(shù)據(jù)的紋理信息適用于森林生物量的估算，許振宇[26]利用Sentinel-1和Landsat 8遙感數(shù)據(jù)估算了某縣重點林區(qū)生物量。劉霜[27]結(jié)合光學(xué)數(shù)據(jù)和雷達數(shù)據(jù)，使用多元線性回歸、BP神經(jīng)網(wǎng)絡(luò)和支持向量機模型估算森林生物量，發(fā)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)模型效果最好，估算精度為0.820 9。

在森林資源遙感調(diào)查研究中，使用多源遙感數(shù)據(jù)，綜合各類型遙感數(shù)據(jù)優(yōu)勢，對比評價最優(yōu)數(shù)據(jù)能有效提高調(diào)查精度。聯(lián)合多源遙感數(shù)據(jù)進行植被特征提取、類型識別、分類將是未來森林資源調(diào)查的重要發(fā)展趨勢。

1.4 數(shù)據(jù)源的演變小結(jié)

現(xiàn)代化森林資源遙感調(diào)查數(shù)據(jù)源以無人機航空攝影和衛(wèi)星遙感為主，將獲取的影像與野外調(diào)查數(shù)據(jù)進行比對可以確定森林資源類型，將影像信息代入基于地面各類因子的定量模型可以估算森林蓄積量，與現(xiàn)代監(jiān)測技術(shù)相結(jié)合可以獲得森林資源覆蓋情況[28]。其中，光學(xué)遙感影像具有光譜信息，適用于林種的調(diào)查，合成孔徑雷達數(shù)據(jù)因豐富的紋理信息常用于森林生物量的調(diào)查，激光雷達對于單木參數(shù)的提取具有較高精度。不同數(shù)據(jù)源在森林資源調(diào)查中提取的常用參數(shù)如表1所示。

表1 不同數(shù)據(jù)源可提取的森林參數(shù)

2 數(shù)據(jù)處理方法研究進展

遙感在森林資源調(diào)查的應(yīng)用中，經(jīng)歷了從森林航空攝影測量、衛(wèi)星遙感到定量遙感的發(fā)展過程。由于計算機技術(shù)發(fā)展的限制，早期是以航空遙感像片為主的目視解譯階段，利用航空像片勾繪小班和森林成圖，該階段建立了森林航空攝影、森林航空調(diào)查和地面綜合調(diào)查相結(jié)合的森林調(diào)查技術(shù)體系。衛(wèi)星遙感的發(fā)展，開啟了衛(wèi)星遙感數(shù)字圖像處理、林業(yè)信息提取的新階段，建立了衛(wèi)星遙感與地面調(diào)查技術(shù)相結(jié)合的體系。定量遙感發(fā)展階段，高空間、高光譜分辨率光學(xué)衛(wèi)星遙感開始應(yīng)用于林業(yè)研究。

由于森林資源調(diào)查對遙感影像分辨率需求的不斷提高，森林資源遙感數(shù)據(jù)處理方法也面臨發(fā)展和創(chuàng)新的問題。從基于統(tǒng)計方法、建立回歸模型到基于深度學(xué)習(xí)，從基于像元的分類方法到面向?qū)ο蟮姆诸惙椒ǖ?。?shù)據(jù)庫中搜索的論文結(jié)果顯示，基于深度學(xué)習(xí)和回歸模型兩種方法近五年廣泛應(yīng)用在森林資源調(diào)查的遙感圖像處理分析領(lǐng)域。

2.1 深度學(xué)習(xí)

深度學(xué)習(xí)是遙感影像目標識別中十分重要的技術(shù)，其原理是在模擬人腦的學(xué)習(xí)過程中建立神經(jīng)網(wǎng)絡(luò)，實現(xiàn)計算機在數(shù)據(jù)中的自動學(xué)習(xí)。基于機器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)的發(fā)展為森林資源遙感圖像處理提供了新的突破點。

黃彥曉等[29]在進行樹冠提取研究時，由于兩塊樣地的樹冠顏色相近，難以使用一般的光學(xué)圖像識別方法，選擇卷積神經(jīng)網(wǎng)絡(luò)中的Faster R-CNN模型并加以改進，最終使識別精度提升至0.929 2。Faster R-CNN是對R-CNN和Fast R-CNN模型的優(yōu)化，涵蓋了可以生成高質(zhì)量建議區(qū)域框的RPN網(wǎng)絡(luò)，優(yōu)勢在于通過與檢測網(wǎng)絡(luò)卷積層進行共享[30]來縮短模型訓(xùn)練的時間。羅巍等[31]介紹了基于深度學(xué)習(xí)的楊梅樹調(diào)查統(tǒng)計方法，使用在Faster R-CNN模型的基礎(chǔ)上加以改進得到的Mask R-CNN模型，識別和統(tǒng)計圖像中的楊梅樹，采用公式計算得到樹冠面積。同時借助計算機語言實現(xiàn)樹冠掩膜的提取并輸出輪廓圖像，結(jié)合GIS進行基于掩膜矢量的樹冠面積計算。Mask R-CNN模型是在Faster R-CNN的基礎(chǔ)上舍棄了VGG網(wǎng)絡(luò)，使用表征能力更強的殘差網(wǎng)絡(luò)和FPN網(wǎng)絡(luò)。Chen等[32]設(shè)計了一種基于體積元素和梯度信息的深度學(xué)習(xí)法，對機載激光雷達數(shù)據(jù)進行單木樹冠分割，該方法比流域算法、基于點云的集群分割算法精度都高，總體精度可達0.85。Liu等[33]使用VGG16與訓(xùn)練的UNET網(wǎng)絡(luò)對地面森林圖像進行語義分割，實現(xiàn)樹木數(shù)量識別和樹種分類，分類準確率達到0.96。Guan等[34]使用歐幾里得距離聚類和基于體積元素的歸一化分割提取單木，通過深度學(xué)習(xí)生成樹種分類的高級特征抽象，實現(xiàn)激光雷達數(shù)據(jù)的樹種識別和分類，總體分類精度為0.86。

基于深度學(xué)習(xí)的分類識別方法在很大程度了減少了人力消耗，提升數(shù)據(jù)處理效率的同時也提高了森林資源調(diào)查結(jié)果的精度。然而，深度學(xué)習(xí)模型的訓(xùn)練需要大量訓(xùn)練數(shù)據(jù)作為支撐，這是模型精度的保障，也是研究的一大挑戰(zhàn)。因此，如何從遙感數(shù)據(jù)中收集大量的訓(xùn)練樣本是深度學(xué)習(xí)方法應(yīng)用于森林資源調(diào)查未來研究的重點[35]。

2.2 回歸模型

鑒于森林資源調(diào)查的實用性，建立具有普適性的森林樹高、蓄積量、地上生物量和郁閉度的定量估測回歸模型，是當(dāng)前研究的一大熱點[36]。其中，基于回歸的方法被廣泛使用，包括一元回歸模型、多元回歸模型、基于不同特征的多元線性回歸和最小二乘回歸。

曾偉生等[37]對機載激光雷達數(shù)據(jù)建立森林蓄積量預(yù)估模型，首先通過LiDAR數(shù)據(jù)和地面實測數(shù)據(jù)提取模型變量，基于線性回歸和非線性回歸法建立具有相同變量和統(tǒng)一結(jié)構(gòu)的普適性模型，再基于啞變量建模方法建立不同森林類型的蓄積量模型。許昌建等[38]利用仿真大光斑激光雷達數(shù)據(jù)，建立森林地上生物量估算模型，首先依據(jù)單波形參數(shù)建立單變量線性回歸模型，研究最適合波形參數(shù)并得到結(jié)果模型最佳參數(shù)為高度百分位數(shù)。再建立多元線性回歸模型，與深度學(xué)習(xí)模型中的多層感知器模型進行模型精度分析。張偉倫[39]基于Sentinel-1A雙極化數(shù)據(jù)，結(jié)合森林地上生物量實測數(shù)據(jù)獲取后向散射系數(shù)和干涉相干系數(shù)，利用遺傳算法和非線性最小二乘法估算模型參數(shù)，建立干涉水運模型進行森林蓄積量反演。陳園園等[40]使用Sentinel-1 SAR的后向散射系數(shù)和紋理信息，Sentinel-2A的光譜和紋理信息建立多元線性回歸模型實現(xiàn)平均樹高的估算。蘇華等[41]對Landsat-8 OLI中提取的因子分別建立基于光學(xué)特征和基于SAR特征的多元因子回歸模型估算森林生物量，結(jié)果表明基于光學(xué)因子的估算模型比基于SAR因子的模型效果更好。李特[42]基于Landsat-5 TM影像和機載激光雷達數(shù)據(jù)建立回歸模型估算森林生物量，其中通過卷積神經(jīng)網(wǎng)絡(luò)提取特征建立的模型由于是經(jīng)驗?zāi)Ｐ?，估算精度?.605。

基于回歸模型的方法常用于森林蓄積量和森林生物量的估算，選擇合適的回歸模型能有效提高估算精度。針對不同研究區(qū)、不同數(shù)據(jù)源的回歸模型需要具體比較分析，模型參數(shù)的確定會產(chǎn)生不同的結(jié)果，未來研究方向在于是否能夠建立具有普適性的統(tǒng)一估算模型。

2.3 數(shù)據(jù)處理方法小結(jié)

不同森林參數(shù)提取的方法及其數(shù)據(jù)源類型如表2所示。深度學(xué)習(xí)常作用于光學(xué)圖像，進行分類識別，尤其在卷積神經(jīng)網(wǎng)絡(luò)發(fā)展以后，深度網(wǎng)絡(luò)使分類精度大大提高。但深度學(xué)習(xí)模型訓(xùn)練依賴于數(shù)據(jù)集的規(guī)模，識別精度與數(shù)據(jù)集大小密切相關(guān)，如何獲取大量、有效以及足夠豐富的信息數(shù)據(jù)庫是深度學(xué)習(xí)應(yīng)用于森林資源分類的一大難題。同時由于深度網(wǎng)絡(luò)的復(fù)雜度，模型訓(xùn)練消耗大量時間，如何提高深度學(xué)習(xí)模型訓(xùn)練效率也是未來一大研究方向。

表2 森林參數(shù)提取方法

森林參數(shù)遙感定量反演的提出，為綜合管理、利用森林資源提供了方法，實現(xiàn)了森林資源大范圍調(diào)查?；貧w模型的參數(shù)與模型精度息息相關(guān)，選取參數(shù)時結(jié)合遙感圖像以外的信息，如物候、生境信息等有助于提高結(jié)果的精度。同時增加遙感定量模型的參數(shù)可在一定范圍內(nèi)提高結(jié)果精度，但參數(shù)過多無法取得明顯效果時，可通過優(yōu)化模型或選擇精度更高的模型解決。

3 森林資源遙感調(diào)查應(yīng)用

森林資源遙感調(diào)查可以應(yīng)用于森林生長狀態(tài)的監(jiān)測，借助無人機航拍影像或衛(wèi)星遙感影像進行大規(guī)模、大范圍林地監(jiān)測，結(jié)合計算機技術(shù)與調(diào)查信息構(gòu)建森林資源監(jiān)測系統(tǒng)。其中，應(yīng)用最多的是進行森林病蟲害監(jiān)測，殷存軍[43]使用無人機影像識別患病松樹，實現(xiàn)病樹的監(jiān)測；Aknc等[44]使用無人機影像識別松樹上的飛蛾巢實現(xiàn)蟲害監(jiān)測；孫福洋等[45]使用MODIS TERRA NDVI產(chǎn)品數(shù)據(jù)，結(jié)合森林分布數(shù)據(jù)，實現(xiàn)對森林病蟲害受災(zāi)面積的估算。

利用森林資源遙感調(diào)查數(shù)據(jù)還可以提取森林生物量信息。通過高分辨率的遙感影像進行大面積森林生物量估算，有助于研究全球陸地生態(tài)系統(tǒng)碳循環(huán)。許振宇等[46]利用Sentinel-1和Landsat 8遙感數(shù)據(jù)估算了某縣重點林區(qū)的生物量。

森林資源遙感調(diào)查可以應(yīng)用于森林火災(zāi)的預(yù)防與監(jiān)測。傳統(tǒng)的森林火災(zāi)預(yù)防和救援工作難度大，而森林火災(zāi)對森林資源的影響最為嚴重。Fran- cesco等[47]使用無人機搭載紅外攝像機實現(xiàn)森林火災(zāi)監(jiān)測，紅外攝像機在煙霧下具有很好的穿透效果，低空飛行又具有最佳監(jiān)測效果；唐堯等[48]基于多源高分衛(wèi)星影像展開四川木里森林火災(zāi)應(yīng)急災(zāi)情跟蹤監(jiān)測。國產(chǎn)高分系列衛(wèi)星在突發(fā)性小面積森林火災(zāi)、動態(tài)跟蹤監(jiān)測火區(qū)災(zāi)情信息中發(fā)揮重要作用。

森林資源遙感調(diào)查數(shù)據(jù)還可以與其他數(shù)據(jù)集合分析問題，與生境類型結(jié)合可以了解森林的空間分布及生物多樣性[49]，與氣象數(shù)據(jù)結(jié)合可以研究全球氣候變換，與生物、物理、化學(xué)效應(yīng)結(jié)合可以進行土地利用變化研究。

4 結(jié) 語

我國森林資源數(shù)量在不斷增加[50]，對森林資源調(diào)查技術(shù)的要求相應(yīng)提高，傳統(tǒng)的調(diào)查技術(shù)和數(shù)據(jù)處理手段已經(jīng)不能滿足對森林資源的管理、規(guī)劃和保護工作。現(xiàn)代化遙感技術(shù)可以快速、準確、動態(tài)、宏觀地獲取不同時空尺度的森林資源分布、蓄積量、生物量、生長狀態(tài)等信息，為森林資源調(diào)查提供了重要手段，最大程度上減少森林破壞的同時也保障了林業(yè)工作者的安全[51]。本文基于森林資源調(diào)查的應(yīng)用領(lǐng)域進行需求分析，從數(shù)據(jù)源演變與數(shù)據(jù)處理方法兩個方面對森林資源遙感調(diào)查研究現(xiàn)狀及發(fā)展趨勢進行了綜述。隨著計算機技術(shù)不斷地發(fā)展及生態(tài)建設(shè)對森林資源調(diào)查數(shù)據(jù)精確度的提高，森林資源遙感調(diào)查在數(shù)據(jù)源方面，采用無人機航空攝影像片與衛(wèi)星遙感影像，并向多源數(shù)據(jù)發(fā)展；在方法上，突破和創(chuàng)新了高分辨率遙感影像森林調(diào)查的關(guān)鍵技術(shù)，本文主要介紹了基于深度學(xué)習(xí)的分類方法和基于回歸模型的分析方法。

衛(wèi)星遙感影像可提供豐富的光譜信息和紋理信息，實現(xiàn)森林信息的提取，進行森林生物量、積蓄量和森林健康分析。組合多遙感信息源波段可實現(xiàn)森林資源地塊的分類識別[52]。樹高、胸徑、冠幅、面積、密度和郁閉度等信息可以通過無人機地面影像數(shù)據(jù)獲取，也可以通過激光掃描儀采集的三維點云數(shù)據(jù)獲取?，F(xiàn)代化森林調(diào)查技術(shù)精度高、范圍廣、效率高，且不會對森林資源造成影響[53]。

對各部分文獻進行總結(jié)整理，結(jié)果顯示由衛(wèi)星或無人機獲取的光學(xué)遙感影像，與激光雷達數(shù)據(jù)結(jié)合可以通過深度學(xué)習(xí)方法進行林冠識別和提取、樹種識別和分類等；與SAR數(shù)據(jù)結(jié)合，綜合光譜信息和紋理信息，通過回歸模型獲取樹高、森林蓄積量和生物量等信息。從研究進程來看，森林資源遙感調(diào)查在數(shù)據(jù)源和方法上都有創(chuàng)新，未來發(fā)展方向?qū)⒓性谌绾味虝r間獲取大面積、高分辨率的遙感數(shù)據(jù)以及如何快速、準確處理和識別圖像數(shù)據(jù)的問題上。