La información precisa de las especies de árboles es crucial para la monitorización de los recursos forestales, la gestión de las explotaciones, la evaluación de los ecosistemas y la investigación de la biodiversidad. La combinación de datos hiperespectrales aéreos y LiDAR (Light Detection and Ranging) brinda nuevas oportunidades para la clasificación de especies de árboles forestales. Aunque ha habido muchas investigaciones de clasificación de pequeña escala de especies de árboles a partir de datos hiperespectrales y LiDAR en los últimos años, aún existe una falta de estudios cuantitativos sobre los factores que influyen en la precisión de la clasificación de datos hiperespectrales y LiDAR aéreos en escenarios forestales de mayor escala debido a la diversidad de tipos de árboles y la complejidad de la estructura de edad de los bosques. Con el fin de mejorar la precisión de la clasificación fina de especies de árboles en bosques artificiales a una mayor escala para una aplicación práctica, se diseñaron cuatro estrategias de clasificación (índices de vegetación derivados de imágenes multibanda no corregidas por la función de distribución bidireccional de la reflectancia (BRDF); índices de vegetación derivados de imágenes multibanda corregidas por BRDF; índices de vegetación derivados de imágenes corregidas por BRDF + características de altura de árboles; índices de vegetación derivados de imágenes corregidas por BRDF + características de altura de árboles + información sobre la copa individual), y tomando el terreno del bosque mecanizado de Sihangba como ejemplo, se realizó un análisis comparativo para evaluar el efecto de estas cuatro estrategias de clasificación en la coherencia espectral de las imágenes multibanda aéreas, la introducción de características de altura de árboles y la influencia de la información de la copa individual en la precisión de la clasificación fina de las especies de árboles forestales artificiales. El estudio muestra (1) que la clasificación de especies de árboles basada en la información de segmentación individual de árboles puede reducir eficazmente los errores de clasificación para los mismos píxeles pertenecientes a diferentes especies dentro de la misma copa de árbol, lo que contribuye significativamente a la mejora de la precisión de la clasificación de especies de árboles (10.74%); (2) que aunque la corrección de la radiación coherente entre las imágenes aéreas reduce las diferencias de reflectancia espectral de las mismas especies de árboles debido a la geometría sol-observador, esto tiene un efecto limitado en la mejora de la precisión de la clasificación de especies de árboles (3.48%); (3) en regiones donde diferentes especies de árboles tienen estructuras verticales similares, o la misma especie de árboles se distribuye en múltiples clases de edad, la contribución de la altura de copa (CHM - Canopy Height Model) a la mejora de la precisión de la clasificación de especies de árboles puede ser prácticamente despreciable (0.67%). En conclusión, aunque la clasificación fina de especies de árboles basada en la combinación de datos hiperespectrales aéreos y LiDAR presenta un gran valor de aplicación y un gran potencial en extensos bosques artificiales, es necesario analizar y optimizar en profundidad muchos factores influyentes para establecer una base científica más eficaz para la monitorización efectiva de recursos forestales, la gestión y otras aplicaciones de teledetección forestal.

Clasificación de especies de árboles; Datos hiperespectrales aéreos; Corrección BRDF; Datos LiDAR; Segmentación de árboles individuales; Bosque mecanizado de Sihangba