基于多时相遥感数据与机器学习整合物候特征的树种精准识别方法

为解决森林树种光谱特征相似导致的遥感识别难题，研究人员通过谷歌地球引擎(GEE)平台整合2019-2022年多源遥感时序数据，结合Savitzky-Golay滤波和一阶光谱微分变换技术，采用随机森林(RF)算法构建FEDT层级分类系统，将五类优势树种的识别总体精度提升至0.82（Kappa系数0.75），为全球尺度森林资源动态监测提供了可扩展的技术方案。

　　

精准识别树种对应对气候变化、维护生物多样性及森林认证至关重要。针对传统遥感技术因光谱相似性导致的识别瓶颈，这项研究创新性地整合了四年时序遥感数据中的物候特征。通过谷歌地球引擎(GEE)平台获取2019-2022年混合林区多物候期卫星影像，采用Savitzky-Golay滤波进行噪声抑制，结合一阶光谱微分变换增强特征辨识度，最终通过森林-常绿/落叶树种层级分类系统(FEDT)与随机森林(RF)算法实现五类优势树种的精准区分。

研究结果显示，相较于单一光谱指数方案（总体精度0.76，Kappa系数0.68），融合物候时序特征与微分光谱的新方法将识别精度显著提升至0.82（Kappa系数0.75）。该成果不仅验证了物候动态在树种分类中的关键价值，更建立了可推广的时序分析框架，为区域乃至全球尺度的森林碳汇评估、生物多样性保护等重大生态议题提供了强有力的技术支撑。特别值得注意的是，研究中采用的光谱微分变换技术能有效捕捉树种间细微的物候响应差异，这种毫秒级的时间分辨率特征提取方法，为破解"同谱异种"的行业难题开辟了新路径。