Des informations précises sur les espèces d'arbres sont cruciales pour la surveillance des ressources forestières, la gestion des exploitations, l'évaluation des écosystèmes et la recherche sur la biodiversité. La combinaison de données de télédétection hyperspectrale embarquée et de LiDAR (Light Detection and Ranging) offre de nouvelles opportunités pour la classification des espèces d'arbres forestiers. Bien qu'il y ait eu de nombreuses études de petite envergure sur la classification des espèces d'arbres à partir de données hyperspectrales et LiDAR ces dernières années, il existe toujours un manque d'études quantitatives sur les facteurs influençant la précision de la classification des données hyperspectrales et LiDAR embarquées dans des scénarios forestiers de plus grande envergure en raison de la diversité des types d'arbres et de la complexité de la structure d'âge des forêts. Afin d'améliorer la précision de la classification fine des espèces d'arbres dans les forêts artificielles sur une plus grande envergure pour une application pratique, quatre stratégies de classification (indices de végétation dérivés d'images multi-bandes non corrigées par la fonction de distribution bidirectionnelle des réflectances (BRDF); indices de végétation dérivés d'images multi-bandes corrigées par BRDF; indices de végétation dérivés d'images corrigées par BRDF + caractéristiques de hauteur d'arbres; indices de végétation dérivés d'images corrigées par BRDF + caractéristiques de hauteur d'arbres + informations sur la couronne individuelle) ont été conçues, et en prenant le terrain de la forêt mécanisée de Sihangba comme exemple, une analyse comparative a été réalisée pour évaluer l'effet de ces quatre stratégies de classification sur la cohérence spectrale des images multi-bandes embarquées, l'introduction de caractéristiques de hauteur d'arbres et l'influence des informations sur la couronne individuelle sur la précision de la classification fine des espèces d'arbres forestiers artificiels. L'étude montre (1) que la classification des espèces d'arbres basée sur l'information de segmentation individuelle des arbres peut réduire efficacement les erreurs de classification pour les mêmes pixels appartenant à différentes espèces à l'intérieur de la même cime d'arbre, ce qui contribue significativement à l'amélioration de la précision de la classification des espèces d'arbres (10,74%); (2) que même si la correction de la radiation cohérente entre les images embarquées réduit les différences de réflectance spectrale des mêmes espèces d'arbres dues à la géométrie soleil-observateur, cela a un effet limité sur l'amélioration de la précision de la classification des espèces d'arbres (3,48%); (3) dans des régions où différentes espèces d'arbres ont des structures verticales similaires, ou la même espèce d'arbres se répartit sur plusieurs classes d'âge, la contribution de la hauteur de couronne (CHM - Canopy Height Model) à l'amélioration de la précision de la classification des espèces d'arbres peut être négligeable (0,67%). En conclusion, bien que la classification fine des espèces d'arbres basée sur la combinaison de données hyperspectrales embarquées et LiDAR présente une grande valeur d'application et un grand potentiel dans de vastes forêts artificielles, il est nécessaire d'analyser et d'optimiser en profondeur de nombreux facteurs influençant pour établir une base scientifique plus efficace pour la surveillance efficace des ressources forestières, la gestion et d'autres applications de télédétection forestière.

Classification des espèces d'arbres; Données hyperspectrales aériennes; Correction BRDF; Données LiDAR; Segmentation des arbres individuels; Forêt mécanique de Sihangba