Точная информация о виде древесины важна для мониторинга, управления лесными ресурсами, оценки экосистем и исследования биоразнообразия. Комбинация данных высокоспектральной и лидарной (LiDAR - обнаружение и дальномер) нагрузки на борту самолета открывает новые возможности для классификации лесных пород. Хотя в последние годы было много исследований классификации небольших лесных пород на основе высокоспектральных и лидарных данных, тем не менее факторы, влияющие на точность классификации данных высокоспектральных и лидарных данных на практике в больших лесных сценариях из-за разнообразия пород и сложной структуры возрастов лесов, всё ещё недостаточно изучены. Поэтому для повышения точности классификации древесных пород в крупномасштабных искусственных лесах в реальных приложениях разработаны 4 стратегии классификации (производные индексы растительного покрова от многоканальных изображений, не подвергавшиеся унификации излучения РВДФ (функция двунаправленного распределения отраженного излучения); производные индексы растительного покрова от многоканальных изображений, подвергавшиеся унификации излучения РВДФ; производные индексы растительного покрова от изображений, подвергавшихся унификации излучения РВДФ + высота деревьев; производные индексы растительного покрова от изображений, подвергавшихся унификации излучения РВДФ + высота деревьев + информация о одиночном кроне), и на примере механизированного лесоводческого хозяйства Сэфанба, особое внимание уделено сравнительному анализу влияния этих 4 стратегий классификации на унификацию спектра многоканального изображения, введение высоты деревьев и информацию о единичной кроне на точность классификации древесных пород искусственных лесов. Исследование показало: (1) классификация пород деревьев на основе информации о разделении деревьев внутри одной короны может эффективно уменьшить ошибки классификации различных пород деревьев в той же самой кроне и непосредственно способствовать увеличению точности классификации пород деревьев (10,74%); (2) путем производства унификации излучения на изображениях, хотя и было снижено разнообразие спектрального отражения одних и тех же пород деревьев многоканальных изображений в связи с геометрией солнце-наблюдение, его влияние на увеличение точности классификации пород деревьев было ограничено (3,48%); (3) в тех районах, где у различных пород деревьев имеется сходная вертикальная структура, или в районах, где одни и те же породы деревьев находятся в различных возрастных стадиях, вклад высоты покрова короны CHM (Canopy Height Model) в увеличение точности классификации пород деревьев можно практически игнорировать (0,67%). Итак, хотя классификация древесных пород на основе данных высокоспектроальных и лидарных данных продемонстрировала хорошую прикладную ценность и потенциал в крупных искусственных лесах, все же необходимо более глубокое исследование и оптимизация множества факторов, чтобы научно обосновать более эффективный мониторинг, управление лесными ресурсами и другие приложения лесного зондирования.

классификация деревьев; высокоспектральные данные на борту самолета; коррекция BRDF; данные LIDAR; разделение отдельного дерева; случайный лес; индексы растительного покрова; механизированное лесоводческое хозяйство Сэфанба