全 文 ：林业科学研究　2008, 21 (增刊 ) : 105～111
Forest Research
　　文章编号 : 100121498 (2008)增刊 20105207
高光谱遥感森林信息提取研究进展
谭炳香 , 李增元 , 陈尔学 , 庞　勇 , 武红敢
(中国林业科学研究院资源信息研究所 ,北京　100091)
摘要 :针对高光谱遥感技术森林信息提取 ,详细论述了国内外利用高光谱遥感数据进行森林类型识别、森林郁闭度
估算和森林叶面积指数估测等森林物理参量 ,以及森林化学参量估计和森林健康状态评价等方面的应用研究状况 ,
最后对高光谱遥感森林应用的发展趋势作了探讨。
关键词 :高光谱遥感 ;森林信息 ;森林调查
中图分类号 : S757. 2　S771. 8 文献标识码 : A
收稿日期 : 2007212210
基金项目 : 中央级公益性科研院所专项基金项目“森林结构参数遥感综合定量反演方法研究 ”( R IFR ITZJZ2007003) ;北京市科技计划
课题“北京郊区土地结构遥感监测与生态效益评价研究”(20006321000991) ;国家自然科学基金课题 (40601070)
作者简介 : 谭炳香 (1966—) ,女 ,山东昌邑人 ,博士 ,研究员. 研究方向 :遥感在森林资源与环境变化监测中的应用.
Research Advance in Forest Informa tion Extraction
from Hyoerspectra l Rem ote Sen sing Da ta
TAN B ing2xiang, L I Zeng2yuan, CHEN Er2xue, PANG Yong, WU Hong2gan
(Research Institute of Forest Resource Information Techniques, CAF, Beijing　100091, China)
Abstract: W ith the development of remote sensing technology, especially the app lication of hyperspectral remote
sensing data, more studies were focused on the investigation of forest information p roduction using hyperspectral
remote sensing data. In this paper, it described the current state of forest biophysical and biochem ical parameters
derived from hyperspectral remote sensing data, such as forest species determ ining, canopy closure estimation and
forest leave area index detection. This paper p resented the future trend of the app lication of hyperspectral remote
sensing in forestry.
Keyword: hyperspectral remote sensing; forest information; forest inventory
高光谱遥感是对地观测方面所取得的重大技术
突破之一 ,是本世纪初遥感前沿技术。与传统遥感
相比 ,高光谱遥感具有窄波段、多通道、图像与光谱
合而为一的优点 ,它以纳米级的高光谱分辨率和几
十到几百个波段同时对地物成像 ,从而获得地物的
连续和精细的光谱信息。高光谱遥感的这种特征非
常有利于地物的精细识别和分类 ,能改善植被类型
识别和分类精度 ,提高植被参数的估测和反演精
度 [ 1, 2 ] ,这为探测植被形态和活力、监测土地覆盖变
化和估计生态系统的生物物理和生物化学参数提供
了方便 [ 3 ]。高光谱植被遥感主要研究生态遥感所涉
及的植被类型的识别和分类、植物化学成分的估测、
植物生态学评价等。高光谱遥感森林应用一直是植
被遥感的主要领域 ,图 1是高光谱遥感森林信息提
取的情况 [ 4 ]。
1　高光谱遥感数据及处理技术
高光谱遥感已应用在森林制图、森林资源调查、
森林面积测算、生物化学和物理因子估测等方面。
目前所能使用的高光谱数据多为航空成像光谱仪所
获 ,全世界已有四十多台高质量的机载成像光谱仪
器 ;然而 ,由于其研究成本较高 ,研究结果大都是基
林 　业 　科 　学 　研 　究 第 21卷
于某种典型的植被类型 ,国内相关林业领域的研究
少有报道。近年来 ,随着载有高光谱传感器的卫星
的发射成功及其数据的应用 ,星载高光谱遥感应用
技术迅速成为遥感界新的热点研究 ,但因可利用的
星载高光谱数据较少 ,多数研究处于试验阶段。
林业中比较常用的航空高光谱遥感数据有 :美
国航空成像光谱仪 A IS, 64个通道 ,光谱覆盖范围
990～2 400 nm ,光谱分辨率 9. 3 nm;美国航空可见
光、近红外成像光谱仪 AV IR IS, 224个通道 ,光谱范
围 410～2 450 nm,光谱分辨率 10 nm;澳大利亚的高
光谱制图仪 Hymap,波段数 128,光谱范围 450～2
480 nm, 光谱分辨率 15 nm;还有加拿大的光谱成像
仪 CASI、德国的反射式成像光谱仪 ROSIS、法国的
IMS、芬兰的 A ISA和日本的 GL I。中国研制的高光
谱成像仪 PH I(244波段 , 400～850 nm,光谱分辨率
< 5 nm)和 OM IS(OM IS2有 68波段 ,光谱分辨率为
10 nm)。
图 1　高光谱遥感森林信息获取流程图
　　目前 ,可利用的星载高光谱遥感数据有 :美国
EO21卫星上携带的 Hyperion,它是一台图谱测量
仪 ,既可以用于测量目标的波谱特性 ,又可对目标成
像 ;装在美国空军 M ightySat22. 1卫星上的傅里叶转
换超光谱成像仪 FTHSI;由 ESA研制发射升空的小
卫星 PROBA 上携带的高分辨率成像光谱仪 CHR IS
是目前世界上唯一可以同时获取高光谱和多角度数
据的星载传感器。以上三者的主要性能见表 1。
提取、估计和预测各种生物物理、化学参数是高
光谱植被遥感的主要内容 ,现有的分析技术在提取
各种植被参数时 ,结果的好坏取决于具体的技术方
法、数据特性和数据质量。浦瑞良等 [ 3 ]归纳出高光
谱遥感在植被研究中常用的 4种分析技术 :多元统
计分析技术 ,强调充分利用光谱数据的绝对值及其
变化形式 ;基于光谱位置 (波长 )变量的分析技术 ,
强调充分利用光谱位置 (波长 )的变化信息 ;光学模
型方法 ,强调概念性模型具有明确的物理意义及反
演生物参数的潜力 ;参数成图技术 ,实际上是采用上
601
增刊 谭炳香等 :高光谱遥感森林信息提取研究进展
面的模型方法预测生物参量并成图 ,以分析这些参
量在空间上的分布。一些成功的事例说明了应用这
些分析技术从高光谱数据中提取生物物理和生物化
学参数和成图的可行性。
表 1　星载高光谱传感器的主要性能
参数 M ightySat/FTHSI　　　 EO21 /Hyperion　　　 PROBA /CHR IS　　　　　　　
发射时间 (年 - 月 - 日 ) 2000 - 07 - 19 2000 - 11 - 21 2001 - 10 - 22
光谱范围 /μm 0. 35 ～1. 05 0. 4～ 2. 5 0. 4～ 1. 05
空间精度 /m 30 30 17
幅宽 / ( km ×km) 15 ×20 7. 5 ×185 14 ×14
光谱精度 / nm 3 10 6～ 33
光谱覆盖 连续 连续 不连续
波段数 200 220 M 1: 62, M22M 4: 18, M 5: 37
重复周期 / d 16 不定时
2　高光谱遥感森林信息获取
从高光谱遥感数据中可能提取的森林信息主要
包括森林生物物理和生物化学参数、森林健康状况
因子等。
2. 1　森林调查
森林调查通常采用常规的地面样地方法或图像
解译等手段来完成。在过去 30年里 ,大面积的应用
遥感数据 (如 TM、SPOT)进行了森林资源调查实践 ,
但是 ,由于多光谱遥感光谱分辨率的局限性 ,以及所
用遥感数据在空间上和时间上的不确定性 ,所获得
的森林信息受到数据精度、完整性和详细程度的限
制。高光谱遥感能提供较好的、相融的、准确的森林
信息测量数据 ,这一点对生产高质量的林产品调查
是至关重要的。高光谱数据可用来较高精度地估计
一些森林生物物理参数 ,如森林类型、叶面积指数、
郁闭度或覆盖度等。
2. 1. 1　森林类型的识别 　高光谱遥感能够提高森
林物种的分类精度 ,利用高光谱数据分类可以获得
更准确的森林物种分布图 ,许多研究已充分说明这
一点。
Martin等 [ 5 ]结合不同森林树种之间特有的生化
特性以及高光谱 AV IR IS数据和簇叶化学成分之间
建立的关系鉴别出 11种森林类型 ,认为应用高光谱
遥感技术可将森林类型分得更细 ,这主要是由生化
物质控制的植被反射光性质决定的 ,而常规宽波段
遥感数据要反映这种细微的光谱差异几乎不可能。
宫鹏等 [ 6 ]利用实地测得的光谱数据来识别美国加州
的 6种主要针叶树种 ,证明了高光谱数据具有较强
的树种识别潜力 ,认为对高光谱数据进行简单的变
换能够有效地改善识别精度 ,识别针叶树种最好利
用波段宽为 20 nm或更窄一点的光谱数据。Davison
等 [ 7 ]对 CA SI高光谱数据监测加拿大安大略湖森
林参数的能力进行了评价 ,结果显示 CA SI高光
谱数据具有区分主要树种的能力。 Goodenough
等 [ 8 - 9 ]利用 H yperion、AL I和 ETM 3种遥感数据
对加拿大维多利亚地区的 5种森林类型进行了分
类 ,相应的分类精度分别是 92. 9 %、84. 8 %、
97. 5 % ,说明高光谱遥感数据具有更强的森林类
型识别能力。陈尔学等 [ 10 ]利用 Hyperion高光谱
数据和地面观测数据 ,对国外发展的几种先进的
高光谱统计模式识别方法进行了比较评价研究 ,
结果显示对高光谱数据进行降维处理 ,并采用二
阶统计量估计方法 ,进而应用将空间上下文信息
和光谱信息相结合的分类算法 ,如 ECHO ,可以有
效提高森林类型的识别精度 ;然而 ,必须看到也
有高光谱遥感不能识别的植被类型 ,这就需要调
查者进行实地调查。
2. 1. 2　叶面积指数 (LA I)估测 　过去应用遥感方
法估测森林 LA I的研究主要局限于一些相对较宽
波段的多光谱数据。大部分研究致力于找出 LA I
与从遥感数据中提取的各种植被指数的一些简
单统计关系来估计 LA I,精度不高 [ 11 ] 。原因之一
是宽波段遥感数据中往往混有相当比例的非植
物光谱 ,致使各种植被指数与 LA I的关系不紧
密 ;而这种非植被光谱在高光谱遥感数据中采用
光谱微分技术可以得到压抑 ,从而提高遥感数据
与 LA I的相关性。
Gong等 [ 12 ]利用 CASI高光谱数据对美国俄勒
冈州针叶树林的 LA I成功地进行了试验性预测。张
良培等 [ 13 ]利用高光谱对生物变量进行了估计研究 ,
认为利用对光谱信号进行一阶导数的运算能够对混
合光谱中土壤光谱信号进行压缩 ,从而得到更能客
观地反映实际的生物指数 ,如 LA I等。浦瑞良等 [ 3 ]
701
林 　业 　科 　学 　研 　究 第 21卷
利用 CASI数据 ,采用变量相关、基于植被指数的估
计方法和多元回归预测方法估算森林 LA I,结果发
现逐步回归不失为一种预测精度较高的方法 ;在单
变量回归分析中 , LA I与 NDV I之间的双曲线关系是
估计 LA I的最适方法。Gong等 [ 14 ]利用 3种遥感数
据对阿根廷巴塔哥尼亚半干旱地区的森林植被 LA I
进行了估测 ,采用逐步回归方法选择与 LA I关系密
切的光谱波段 ,然后建立各波段与 LA I的多元回归
方程。经检验证明 , AV IR IS的 LA I估测精度最高 ,
其次为 Hyperion, AL I的估测精度最低 ,其中中心波
长为 820、1 040、1 200、1 250、1 650、2 100、2 260 nm
的波段估测 LA I最有潜力。
2. 1. 3　郁闭度信息提取 　森林郁闭度对森林生态
系统研究和森林经营管理是非常重要的。常规的森
林郁闭度估测是通过野外调查和航片判读技术获
得。这种方法劳动强度大、费时费力、成本高。遥感
技术的推广应用 ,特别是高光谱遥感的出现给地区
尺度以至大区域进行森林郁闭度估测提供了有力的
工具。
浦瑞良等 [ 3 ]对定标的 AV IR IS图像进行光谱
混合像元分解提取的森林郁闭度信息分量图比
红外航片判读值高出 2 % ～3 % ,且郁闭度分布比
较合理 ,说明从高光谱图像数据中用光谱混合模
型方法提取森林郁闭度信息是可靠的。 Pu等 [ 15 ]
利用小波变换的 Hyperion图像 ,通过逐步回归方
法选取与森林郁闭度关系紧密的变量 ,然后建立
与郁闭度的多元回归关系 , 估测精度能达到
85 % ,可满足生产需要。Lee等 [ 16 ]通过建立 LA I
与光谱反射之间的相关关系 ,估测了高郁闭森林
的 LA I,认为短波红外的光谱反射可能是提高光
学遥感数据估测高郁闭森林 LA I潜力的重要因
子。谭炳香等 [ 17 ]利用森林资源 3类调查数据 ,比
较评价了基于光谱特征选择、光谱特征提取的多
元统计回归估计方法。验证结果表明 :这 2种方
法都可以达到 85 %以上的郁闭度估测精度 ,光谱
特征提取法精度略高于基于光谱特征选择法。
2. 2　森林生化组成与森林健康状态
高光谱遥感技术的出现使从遥感数据提取生
物化学参数成为可能。在区域以至全球尺度上
提取生物化学信息 ,这对于研究和理解生态系统
过程诸如光合作用 ,碳、氮循环以及林下凋落物
分解速率 ,描述和模拟生态系统都是十分重要
的 [ 18 ] 。从高光谱遥感数据中能提取林冠生物化
学组成成分 ,如叶绿素 a和 b、氮元素、木质素、含
水量等 ,这些估测的化学成分与林木体内特殊化
学元素的浓度有关 ,也与随之测出的森林总的健
康状况有关。一些研究工作显示 :可以用机载传
感器携带的窄波段监测森林衰落中的针叶树种
的早期损害 [ 19 ] ;在混合针叶林分中 ,用远视场窄
波段光谱仪能成功地监测不可见的除草剂导致
的植物的不可见胁迫损害 [ 20 ] 。有报告指出判断
临界光谱区的窄波段的反射是遥感应用于森林
冠层受害监测的基础 [ 21 ] 。
由于具体的生物化学元素的消长 ,可能会导致
测定的森林健康状况和因此而产生的收益精度不
高 ,所以 ,林木受损分布图可以为可持续的森林经营
管理实践提供有价值的方法和依据。如 ,像 N素这
种特殊化学元素的估测可用在精准林业的实际作业
中 ,而肥料只能用在那些 N素缺乏的林区 ;对新开采
矿山地周围的林区进行环境监测和评价 ,使用高光
谱影像 ,通过监测一定时期内当地林木化学元素的
浓度来完成。
W essman等 [ 22 ]指出航空成像光谱仪 A IS的辐
射数据与针阔纯林的冠层木质素、有效 N之间存在
显著相关。Johnson等 [ 23 ]分析了在美国俄勒冈州中
西地区林分的 AV IR IS高光谱数据和相应林分冠层
生化特性变化之关系 ,指出冠层含 N量和木质素的
变化与选择的 AV IR IS波段数据变化存在着对应性
关系 ,但他们也发现 AV IR IS数据与淀粉含量没有显
著关系。Matson等 [ 24 ]使用 AV IR IS和 CASI数据证
实冠层化学成分携有多种气候区生态系统变化过程
的信息 ,并建议此类信息可从高光谱数据中得到估
计 ,他们发现中心波长在 1 525～1 564 nm的一阶微
分光谱数据可用来描述冠层中 N量的变化。浦瑞良
等 [ 25 ]利用 CASI高光谱数据估计森林簇叶化学成分
浓度 ,对于叶绿素 ,最佳的 R2值来自二阶微分光谱
的三项式回归方程 ( R2 = 0. 944) ,此方程包含的中
心波长分别为 748、507、735 nm;对于全 N 的最佳 R2
值来自一阶微分光谱的三项式方程 ( R2 = 0. 933 ) ,
中心波长分别为 780、764、566 nm;这结果表明 :光谱
微分技术能明显地改善森林簇叶化学成分的估算精
度。Datt等 [ 26 ]对几种桉树叶片的可见 —近红外反
射光谱特性进行研究 ,较好地改善了叶绿素含量估
计偏差 ,结果显示 :波长 710 nm处的反射光谱对叶
绿素含量具有最高灵敏度 ;在 550 nm处的反射光谱
对叶绿素含量的灵敏度次之。对几个反射光谱指数
801
增刊 谭炳香等 :高光谱遥感森林信息提取研究进展
的测试发现 ,作为一种针对较高植株叶绿素含量的
遥感估计参数 ,比值 ( R8502R710) / ( R850 + R710)
的效果最好 ;一阶导数光谱的比值 D1754 /D1704和
红边位置与叶绿素含量的相关性最好 ;二阶反射光
谱导数的比值 D2712 /D2688对于叶绿素含量同样
是一个最好的参数。
2. 3　森林灾害
对想要做出决策减少环境恶化和木材损失的管
理者来说 ,森林灾害监测是迫在眉睫的事。森林灾
害包括林木疾病、害虫的侵袭和火灾。高光谱遥感
影像能在虫害侵袭早期监测重点受害林木 ,因此 ,应
尽早抗击害虫攻击 [ 4, 27 ] ;然而 ,因为害虫和病原体具
有生理调节能力 ,所以多光谱遥感图像往往缺乏监
测林冠反射的细微变化的灵敏性。林冠的林下叶层
阴影部分可作为环境变化影响林冠健康状况的指示
剂 ,这是一个早期的预警 ,该林分环境的变化涉及到
诸如土壤表面 CO2的流失、酸化、N 的有效性和土壤
含水量等。高光谱影像可以使森林分类更精确 ,这
个精度与观测到的高光谱信息对林下叶层反射系数
的影响有关 [ 4 ]。
森林火灾监测的主要问题是获得对火灾边界数
据的实时更新。Jerred[ 28 ]指出燃烧着的植被的光谱
信号有大约 767 nm的细小脉冲 ,这是由燃烧的 K元
素引起的 ,可以用来监测活立木燃烧的面积。因为
这种脉冲波长极短 ,它只能通过高光谱遥感图像来
获得。林冠含水量是一个主要指标 ,也是林火通过
林冠向外蔓延能力的决定因素。该水分含量也可用
高光谱影像的近红外短波区域内水分的吸收特征来
测量。
2. 4　外来物种监测
通过高光谱遥感图像还可以绘制外来物种入侵
图。非本国物种的入侵对全球生物多样性和生态系
统的维护构成了重大威胁。多光谱遥感只能在入侵
物种的数量造成密度上升、范围扩大时才能监测。
相对于这种多光谱遥感而言 ,高光谱遥感能够充分
利用生化物质 ,并以入侵者为目标 ,按其入侵方式 ,
在入侵的早期阶段提供一个潜在增强的入侵物种
图 ,这大大有利于入侵物种扩张的控制和减少破坏
性。许多研究都已表明支持这种结果 ,在 Bachmann
等 [ 29 ]、Lass等 [ 30 ] 和 Dennison等 [ 31 ] 文章中有详细
描述。
3　多角度高光谱遥感的应用
单一方向的遥感只能得到地面目标一个方向的
信息 ,缺乏足够的信息推断目标的时空特征 ,从而使
定量遥感非常困难。相反 ,多角度遥感通过对目标
进行多个方向的观测 ,获得更为详细可靠的地表三
维空间信息 ,具备了求解植被结构特征参数的潜力 ,
从而可以提高地表目标物的解译和参数反演
精度 [ 32 ]。
Chen等 [ 33 ]根据辐射传输模型热点 —冷点差异
指数 (Hotspot2Darkspot Index) ,并利用 Podler数据成
功反演了树木聚集指数。Gorbron等 [ 34 ]利用 M ISR
数据反演了植被空间结构。Zhang等 [ 35 - 36 ]研究了
多角度遥感数据的特征 ,提出了角度特征斜率 (AS2
SI)和角度特征长度 (ASSL )等参数 ,并应用于 M ISR
的 LA I反演算法中。
David等 [ 37 ]利用多时相 CH IRS图像对森林树
种和林分密度进行了监督分类和估测 ,结果表明多
角度 CH IRS图像比单一角度图像的精度平均提高
14. 3% ; Francios等 [ 38 ]对不同角度 CH IRS图像的森
林类型区分能力进行了方向效应研究 ,认为多角度
图像在区分与结构特性有关的森林类型 (如针叶林
和阔叶林 )时非常重要 ; D isney[ 39 ]利用 CHR IS数据
对林分年龄进行了相关分析。
4　高光谱遥感林业应用展望
高光谱遥感探测森林信息准确性的贡献之一
就是森林调查精度的提高 ;另一个贡献是单位面
积森林生物量、土壤表面碳含量、造林、再造林及
林木采伐能直接通过遥感数据来估测。可能的
原因归纳为 3点 : ( 1 )高光谱遥感往往可以更为
准确地估测森林生长参数 ,而这些生长参数往往
就是对森林进行分类的基础 ; ( 2 )高光谱遥感资
料包含了大量的连续窄波段数据 ,可获得传统多
光谱遥感难以获得的植被或光谱特征参数 ,如植
被生化参数、归一化技术获得的水分、木质素和
纤维素等光谱吸收特征 (深度、面积、宽度等 ) ,红
边位置参数等。因此 ,利用高光谱遥感资料进行
森林信息提取时 ,有着更多的光谱与森林特征参
数可供使用 ; ( 3 )与传统多光谱遥感相比 ,高光谱
数据通过一定的技术处理 ,能够降低大气等因子
对地物光谱信息的干扰 ,从而提高信息质量。
充分挖掘高光谱遥感潜力 ,将其优势运用到区
域、甚至于全球大尺度植被的动态监测 ,仍然是一项
艰巨的任务。如 ,在数据分析处理方面 ,对大气纠
正、信息提取技术 ,要求发展新算法和完善已有的算
901
林 　业 　科 　学 　研 　究 第 21卷
法 ,并向构成标准化应用处理算法软件包方向努力 ,
特别是发展和完善针对高光谱海量数据和丰富光谱
信息特点设计的算法和软件 ,以提高高光谱数据处
理效率以及分析、研究和应用水平 ;在应用方面 ,向
定量化、模型化和精细化地物成分和结构的方向发
展。总之 ,不论存在怎样的问题 ,都应该重视高光谱
遥感技术的发展 ,在“Hyperspectral Imagery Market
Forecast: 2000 - 2005”[ 40 ]一文中预测了高光谱遥感
产品的发展趋势 ,充分展示了高光谱遥感事业发展
的广阔前景和市场。
参考文献 :
[ 1 ] Gregg V, Goetz A F H. Terrestrial imaging spectrometry: current sta2
tus, future trends[ J ]. Remote Sens Environ, 1993, 44: 117 - 126
[ 2 ] Monsch K A, Green R O, Eastwood M L, et a l. Imaging spectrosco2
py and airborne visible / infrared imaging spectrometer(AV IR IS) [ J ].
Remote Sens Environ, 1998, 65: 227 - 248
[ 3 ] 浦瑞良 ,宫　鹏. 高光谱遥感及其应用 [M ]. 北京 :高等教育出版
社 , 2000
[ 4 ] Goodenough D G, Pearlman J, Hao Chen. Forest Information from
Hyperspectral Sensing [ C ]. Proc IGARSSIV, Anchorage, A laska,
USA, 2004
[ 5 ] Martin M E, Newman S D, Abet J D, et al. Determ ining forest spe2
cies composition using high spectral resolution remote sensing data
[ J ]. Remote Sens Environ, 1998, 65: 249 - 254
[ 6 ] 宫　鹏 ,浦瑞良 ,郁　彬. 不同季相针叶树种高光谱数据识别分
析 [ J ]. 遥感学报 , 1998, 2 (3) : 211 - 217
[ 7 ] Davison D, Achal S, Mah S, et a l. Determ ination of tree species and
tree stem densities in Northern Ontario forest using A irborne CASI da2
ta[ C ]. Proc of Fourth International A irborne Remote Sensing Confer2
ence and Exhibition, O ttario, Canada, 1999, 2: 187 - 196
[ 8 ] Goodenough D G, Bhogal1 A S. Monitoring forests with Hyperion
and AL I[ C ]. Proc IGARSS III, Tporonto, ON, Canada, 2002: 882
- 885
[ 9 ] Goodenough D G, Andrew D K, N iemann O. Processing Hyperion
and AL I for forest classification [ J ]. IEEE Tran on Geoscience and
Remote Sensing, 2003 ( a) , 41 (6) : 1321 - 1331
[ 10 ] 陈尔学 ,李增元 ,谭炳香 ,等. 高光谱数据森林类型统计模式识
别方法比较评价 [ J ]. 林业科学 , 2007, 43 (1) : 84 - 89
[ 11 ] Price J C. Estimating leaf area index from satellite data [ J ]. IEEE
Trans Geosci Remote Sensing, 1993, 31: 727 - 734
[ 12 ] Gong P, ZhangA, Chen J, et al. Ecological land system s classifica2
tion using multisource data and neural networks [ C ]. GIS’94,
Vancouver B C Canada, February, 1994, 659 - 664
[ 13 ] 张培良 ,郑兰芬 ,童庆禧. 利用高光谱对生物变量进行估计 [ J ].
遥感学报 , 1997, 1 (2) : 111 - 114
[ 14 ] Gong P, Greg B, Pu R. Retrieval of surface reflectance and estima2
tion of forest Leaf A rea Index (LA I) U sing Hyperion, AL I, and
AV IR IS[ EB /OL ]. 2004
[ 15 ] Pu Ruiliang, Peng Gong. W avelet transform app lied to EO21 hyper2
spectral data for forest LA I and crown closure mapp ing[ J ]. Remote
Sensing of Environment, 2004, 91: 212 - 224
[ 16 ] Lee K S, Park Y I, Kim S H. Remote sensing estimation of forest
LA I in close canopy situation[ C ]. Proceedings of the XXth ISPRS
Congress, Istanbul, Turkey, 2004: 400 - 404
[ 17 ] 谭炳香 ,李增元 ,陈尔学 ,等. Hyperion高光谱数据的森林郁闭
度定量估测研究 [ J ]. 北京林业大学学报 ( E I检索 ) , 2006, 28
(3) : 95 - 101
[ 18 ] Zagolski F, Pinel V, Rom ier J, et al, Forest canopy chem istry with
high spectral resolution remote sensing[ J ]. International Journal of
Remote Sensing, 1996, 17 (6) : 1107 - 1128
[ 19 ] Rock B N, Hoshizaki T, M iller J R. Comparison of in situ and air2
borne spectral measurements of the blue shift associated with forest
decline[ J ]. Remote Sens Environ, 1988, 24: 109 - 127
[ 20 ] Carter G A, Cibula W G,M iller R L. Narrow2band reflectance im2
agery compared with thermal imagery for early detection of p lant
stressl[ J ]. J Plant Physiol, 1996, 148: 515 - 522
[ 21 ] Dendron Resource Surveys Inc. B ioindicators of forest health: Re2
view report[ R ]. Report p repared for the Ontario Forest Research
Institute, Ontario M inistry of Natural Resources, Sault Ste Marie,
ON, 1997a
[ 22 ] W essman C A, Aber J D , Peterson D L. An evaluation of imaging
spectrometry for estimating forest canopy chem istry [ J ]. Int J Re2
mote Sens, 1989, 10: 1293 - 1316
[ 23 ] Johnson L F, H lavaka C A, Peterson D L, et a l. Multivariate anal2
ysis of AV IR IS data for canopy biochem ical estimation along the O r2
egon transect[ J ]. Remote Sen Environ, 1994, 47: 216 - 230
[ 24 ] Matson P A, Johnson L, B illow C, et a l. Seasonal changes in cano2
py chem istry across the O regon transect: patterns and spectral
measurement with remote sensing[ J ]. EcolApp l, 1994, 4 (2) : 280
- 298
[ 25 ] 浦瑞良 ,宫　鹏. 森林生物化学与 CASI高光谱分辨率遥感数
据的相关分析 [ J ]. 遥感学报 , 1997, 1 (2) : 115 - 123
[ 26 ] Datt B. V isible /near infrared reflectance and chlorophyll content in
Eucalyputs leaves [ J ]. Int Remote Sensing, 1999, 20 ( 14) : 2741
- 2759
[ 27 ] Goodenough D G, Chen H, Dyk A, et a l. Forest Information Prod2
ucts from AV IR IS and Hyperion [ R ]. p resented at 2003 AV IR IS
workshop, Sheraton Hotel, Pasadena, USA, 2003 ( b)
[ 28 ] Jerred B. “Scientist Isolate Potassium Signal in W ildfire”, NFPA,
2000
[ 29 ] Bachmann C M, Dubois K, Fusina R A. Automatic detection of an
invasive p lant species on a barrier island in the V irginia[ C ]. Proc
IGARSS, Sydney, Australia, 2001
[ 30 ] Lass L W , Thill D C, Shafii B, et al. Detecting spotted knapweed
(Centaurea m aculosa) with hyperspectral remote sensing Technolo2
gy[ J ]. W eed Technology, 2002, 16: 426 - 432
[ 31 ] Dennison P E, RobertsD A. Exam ining seasonal changes in canopy
moisture using AV IR IS time series data [ C ]. Proc. 13 th AV IR IS
Earth Science Workshop, Pasadena, CA, 2004
[ 32 ] 姚延娟 ,阎广建 ,王锦地. 多角度遥感数据综合反演叶面积指
011
增刊 谭炳香等 :高光谱遥感森林信息提取研究进展
数方法研究 [ J ]. 遥感学报 , 2005, 9 (2) : 117 - 122
[ 33 ] Chen J M, Jane L iu, Leblance S G, et al. Multi2angular op tical re2
mote sensing for assessing vegetation structure and carbon absorp2
tion[ J ]. Remote Sensing of Enviroment, 2003, 84 (4) : 516 - 525
[ 34 ] Gobron Nadine, Bernard Pinty,M ichelM. Uniquenes of multiangu2
lar measurements2Part II: Joint retrieval of vegetation structure and
photosynthetic activity from M ISR [ J ]. IEEE Transaction on Geo2
science and Remote Sensing, 2002, 40 (7) : 1574 - 1582
[ 35 ] Zhang Y, Tian Y, Myneni R B, et a l. A ssessing the information
content of multiangle satellite data for mapp ing biomass: I. Statisti2
cal analysis [ J ]. Remote Sensing of the Environment, 2002a , 80
(3) : 418 - 434
[ 36 ] Zhang Y, Shabanov N, Knyazikhin Y, et al. A ssessing the infor2
mation content of multiangle satellite data for mapp ing biomass: II.
Theory[ J ]. Remote Sensing of the Environment, 2002b, 80 ( 3 ) :
435 - 446
[ 37 ] David G G, Andrew D, Hao Chen. Evalution and validation of
CHR IS for national forests [ C ]. Proc of the 4 th CHR IS/PROBA
Workshop , ESA /ESR IN, Frascati, Italy, 19 - 21 Sep tember, 2006
[ 38 ] Francois K, Pierre D. Forest type discrim ination using multi2angle
herperspectral data [ C ]. Proc of the 2nd CHR IS/PROBA Work2
shop, ESA /ESR IN, Frascati, Italy, 28 - 30 Ap ril, 2004
[ 39 ] D isneyM, Lewis P, N ich C. Angular variation and photochem ical
response from CHR IS2PROBA over forest sites in the UK[ C ]. Proc
of the 4 th CHR IS/PROBA Workshop, ESA /ESR IN, Frascati, Ita2
ly, 19 - 21 Sep. , 2006
[ 40 ] AEROSPACE REPORT (NO. TOR ～2001 ( 8511 ) ～1 ) : Hyper2
spectral Imagery Market Forecast [ EB /OL ]. 2000—2005. http: / /
www. losangeles. af. m il/ smc / xr /CPO
111