정확한 단일 나무 종 정보는 산림 자원 모니터링, 경영 관리, 생태계 평가 및 생물 다양성 연구에 중요합니다. 항공기 고분광과 라이다(LiDAR)(Light Detection and Ranging) 데이터의 결합을 기반으로 한 산림 나무 종 분류에 새로운 기회를 제공합니다. 최근 몇 년간 고분광 및 라이다 데이터를 사용한 소규모 산림 나무 종 분류에 대한 연구가 많이 이루어졌지만, 실제적인 큰 규모의 산림 장면에서는 다양한 나무 종 및 복잡한 숲 나이 구조로 인해 항공기 고분광 및 라이다 데이터 분류 정확도에 영향을 미치는 요인 및 그에 대한 정량적 연구가 부족합니다. 따라서 실제적인 대규모 산림에서 인공 산림 나무 종의 세분화 분류 정확도를 향상하기 위해 4가지 분류 전략(양면 반사 분포 함수BRDF(Bidirectional Reflectance Distribution Function) 보정되지 않은 다중 항공기 영상 유도식 식물 지수; BRDF 보정 후 다중 항공기 영상 유도식 식물 지수; BRDF 보정된 영상 유도식 식물 지수+나무 높이 특징; BRDF 보정된 영상 유도식 식물 지수+나무 높이 특징+단일 나무 관층 정보)을 설계하고 세한바가지블록기계림장을 예로 들어 이 4가지 분류 전략이 항공기 다중 영상 분광 계에 대한 일관성 보정 및 나무 높이 특징 도입 및 단일 나무 관층 정보가 인공 산림 나무 종의 세분화 분류 정확에 미치는 영향을 비교 분석하고자 했다. 연구 결과(1)단일 나무 분할 정보를 기반으로 한 나무 종 분류는 동일한 나무 관 내 다수 픽셀에 대한 다양한 나무 종의 분류 오류를 효과적으로 줄일 수 있으며, 나무 종 분류 정확도 향상에 매우 중요한 기여를 합니다(10.74%);(2) 항공기 영상을 방사 상일성 보정하면서, 태양-관측 기하학적으로 인해 서로 다른 나무 종 스펙트럼 반사의 차이를 줄이긴 하지만, 나무 종 분류 정확도 향상에 한계가 있습니다(3.48%);(3) 서로 다른 나무 종이 유사한 수직 구조를 가지고 있거나, 동일한 나무 종이 여러 나이 구간에 분포되어 있는 경우 트리꼬마진CHM(Canopy Height Model)은 나무 종 분류 정확도 향상 기여가 거의 무시될 수 있습니다(0.67%). 종합하면, 고분광 및 라이다 데이터를 결합한 나무 세분화 분류는 큰 규모의 인공 산림에서 우수한 응용 가치와 잠재력을 보여주지만, 다양한 영향 요인을 심층적으로 분석하고 최적화함으로써 산림 자원 효과적인 모니터링, 관리 및 기타 산림 원격 감지 응용 활동을 더 효과적으로 수행하기 위한 과학적 기반을 확립하기 위해서는 여전히 많은 노력이 필요합니다.

나무 종 분류;항공기 고분광 데이터;BRDF 보정;LIDAR 데이터;단일 나무 분할;랜덤 포레스트;식물 지수;세한바가지 블록 기계림장