Präzise Informationen über Baumarten sind für die Überwachung der Waldressourcen, das Betriebsmanagement, die Bewertung von Ökosystemen und die Erforschung der Biodiversität von entscheidender Bedeutung. Die Kombination von Daten aus hyperspektraler Luftfahrt und LiDAR (Light Detection and Ranging) eröffnet neue Möglichkeiten für die Klassifizierung von Baumarten im Wald. Obwohl es in den letzten Jahren viele Studien zur Klassifizierung von Baumarten anhand von hyperspektralen und LiDAR-Daten im kleinen Maßstab gegeben hat, fehlt es immer noch an quantitativen Studien zu den Faktoren, die die Genauigkeit der Klassifizierung von hyperspektralen und LiDAR-Daten in größeren Waldszenarien aufgrund der Vielfalt der Baumarten und der Komplexität der Altersstruktur der Wälder beeinflussen. Um die Genauigkeit der Feinklassifizierung von Baumarten in künstlichen Wäldern im größeren Maßstab für eine praktische Anwendung zu verbessern, wurden vier Klassifizierungsstrategien (vegetationsindizes aus unbehandelten Multibandbildern, die nicht durch die bidirektionale Reflexionsverteilungsfunktion (BRDF) korrigiert wurden; Vegetationsindizes aus Multibandbildern, die durch BRDF korrigiert wurden; Vegetationsindizes aus BRDF-korrigierten Bildern + Baumhöhenmerkmale; Vegetationsindizes aus BRDF-korrigierten Bildern + Baumhöhenmerkmale + Informationen über die individuelle Baumkrone) konzipiert und am Beispiel des mechanisierten Waldes von Sihangba eine vergleichende Analyse durchgeführt, um die Auswirkungen dieser vier Klassifizierungsstrategien auf die spektrale Konsistenz von Luftbildern, die Einführung von Baumhöhenmerkmalen und den Einfluss von Informationen über die individuelle Baumkrone auf die Genauigkeit der Feinklassifizierung von künstlichen Waldarten zu bewerten. Die Studie zeigt (1), dass die Klassifizierung von Baumarten auf der Grundlage von Informationen zur individuellen Baumschicht effektiv dazu beitragen kann, Klassifikationsfehler für dieselben Pixel zu verringern, die zu verschiedenen Baumarten innerhalb derselben Baumkrone gehören, was zu einer signifikanten Verbesserung der Klassifikationsgenauigkeit von Baumarten beiträgt (10,74%); (2) dass, obwohl eine Korrektur der Strahlungskonsistenz zwischen Luftbildern die Unterschiede in der spektralen Reflexion derselben Baumarten aufgrund der Sonnen-Beobachtungsgeometrie verringert, dies nur einen begrenzten Einfluss auf die Verbesserung der Klassifikationsgenauigkeit von Baumarten hat (3,48%); (3) in Regionen, in denen unterschiedliche Baumarten ähnliche vertikale Strukturen aufweisen oder derselben Baumart in mehreren Altersklassen verteilt ist, der Beitrag der Kronenhöhe (CHM - Canopy Height Model)) zur Verbesserung der Genauigkeit der Baumartenklassifizierung kann nahezu vernachlässigt werden (0,67%). Zusammenfassend lässt sich sagen, dass die Feinklassifizierung von Baumarten auf der Grundlage der Kombination von hyperspektralen und LiDAR-Daten in umfangreichen künstlichen Wäldern zwar einen hohen Anwendungswert und ein großes Potenzial aufweist, jedoch eine eingehende Analyse und Optimierung vieler Einflussfaktoren erforderlich ist, um eine wirksamere wissenschaftliche Grundlage zur Überwachung von Waldressourcen, zur Management und anderen Anwendungen der Waldfernerkundung zu schaffen.

Klassifizierung von Baumarten; Luftbild-Hyperspektraldaten; BRDF-Korrektur; LiDAR-Daten; Abbildung von Einzelbäumen; Mechanisierter Wald von Sihangba