普洱季风常绿阔叶林乔木物种多样性高分辨率遥感估测

季风常绿阔叶林是我国南亚热带典型的地带性植被,也是云南省普洱地区重要森林类型。季风常绿阔叶林乔木物种多样性遥感估测对研究区域尺度生物多样性格局及其规律具有重要作用。根据光谱异质性假说和环境异质性假说,首先使用1m空间分辨率的机载高光谱数据和激光雷达数据提取了光谱多样性特征和垂直结构特征。然后利用基于随机森林算法的递归特征消除方法选择对研究区森林乔木物种多样性指数具有较好解释能力的遥感特征,并对Shannon-Winner物种多样性指数进行建模、制图。研究结果表明：(1)基于机载LiDAR数据提取的垂直结构特征和机载高光谱数据提取的光谱多样性特征均对研究区森林乔木物种多样性具有较好的解释能力,随机森林模型估测结果分别为R²=0.48,RMSE=0.46和R²=0.5,RMSE=0.45;两种数据源融合可以进一步提高遥感数据的森林乔木物种多样性估测精度,随机森林估测模型R²和RMSE分别为0.69和0.37。(2)机载激光雷达数据对研究区针阔混交林乔木物种多样性的估测能力优于机载高光谱数据。(3)机器学习方法有助于从高维遥感...     

基于无人机多源遥感数据的亚热带森林树种分类

树种多样性是生态学研究的重要内容,树木的种类和空间分布信息可有效服务于可持续森林管理。但在复杂林分条件下,获取高精度分类结果的难度大。而无人机遥感可获取局域超精细数据,为树种分类精度的提高提供了可能。基于可见光、高光谱、激光雷达等多源无人机遥感数据,探究其在亚热带林分条件下的树种分类潜力。研究发现:(1)随机森林分类器总体精度和各树种的F1分数最高,适合亚热带多树种的分类制图,其区分13种类别(8乔木,4草本)的总体精度为95.63%,Kappa系数为0.948;(2)多源数据的使用可以显著提高分类精度,全特征模型精度最高,且高光谱和激光雷达数据显著影响全特征模型分类精度,可见光纹理数据作用较小;(3)分类特征重要性从大到小排序为结构信息,植被指数,纹理信息,最小噪声变换分量。     

基于高分辨率与高光谱遥感影像的北亚热带马尾松及次生落叶树种的分类

利用遥感数据开展森林资源树种的分类对森林资源的监测、森林可持续经营及生物多样性研究都有重要意义。该文以江苏南部丘陵地区的北亚热带天然次生林为研究对象, 利用LiCHy (LiDAR、CCD、Hyperspectral)集成传感器同期获取的高分辨率和高光谱数据, 进行冠幅识别和多个层次的树种分类: 首先, 对高分辨率影像进行基于边缘检测的多尺度分割, 提取出单木冠幅; 其次, 对高光谱影像进行特征变量提取, 并对提取出的特征变量利用信息熵原理选取优化特征变量; 然后, 分别利用全部特征变量和经优化的重要特征变量对森林树种及森林类型进行预分类; 最后, 在预分类结果中加入单木冠幅信息对森林树种及森林类型进行重分类, 并分析分类结果的精度。研究表明: 1)利用全部特征变量进行4个典型树种分类时, 总体精度为64.6%, Kappa系数为0.493; 而针对森林类型的分类精度为81.1%, Kappa系数为0.584。2)利用选取的优化特征变量分类精度略低于利用全部特征变量的分类精度, 其中对4个典型树种分类时, 总体精度为62.9%, Kappa系数为0.459; 而针对森林类型的分类精度为77.7%, Kappa系数为0.525。通过集成传感器同期获取的高分辨率和高光谱数据可以有效地进行北亚热带森林的树种分类及森林类型的划分。     

基于无人机影像与面向对象-深度学习的滨海湿地植物物种分类

明确滨海湿地植物物种类型及其分布状况是实现滨海湿地精细化生物多样性监测的基础,对于滨海湿地的保护管理与生态可持续发展均具有重要意义。本研究以无人机可见光遥感影像为基础数据源,在定量分析最优分割尺度与最优分类特征组合的基础上,应用面向对象-U-net深度学习方法对闽江河口湿地植物物种类型进行分类,并与K最近邻、决策树、随机森林和贝叶斯分类方法进行精度对比分析,以期为滨海湿地植物物种遥感精细分类与生物多样性保护管理提供方法借鉴与科学参考。研究结果表明,利用面向对象-U-net深度学习方法提取不同滨海湿地植物物种类型的分类精度可达95.67%,总体精度较其他分类方法提高6.67%–13.67%, Kappa系数提高0.12–0.31,且分类整体性好。此外,实现植物物种光谱特征、形状特征、纹理特征与高度特征的最优特征选择对于有效提高湿地植物物种信息分类精度具有重要作用,应用最优分割尺度实现影像分割可提高整体分类效率。     

森林结构复杂度对单木分割精度的影响——以田横岛为例

单木分割对于森林资源调查具有重要的意义,不同结构复杂度的森林单木分割算法的选择以及分割参数的选取对分割精度有着很大的影响。以山东田横岛为研究区,基于无人机正射影像与激光雷达数据,首先提取海岛森林典型植被二维与三维特征,然后利用随机森林算法对不同树种的树木进行分类,最后基于分类后的点云数据,选取不同结构复杂度的森林样地,对比分析聚类算法、层堆叠算法、分水岭算法在不同复杂度林区的适用性。结果表明:(1)随机森林算法结合单木二维、三维特征可有效对混交林树木进行分类,模型总体的精度为94.51%,Kappa系数为0.9038;(2)聚类算法对结构简单的林区具有更高的分割精度(F=96.41),但依赖于分割参数的选取;面对复杂单木集群,分水岭算法总体得分波动最小(ΔF=14.56),表现出较强的稳定性;(3)混交林预先进行树种分类可有效改善单木分割环境,相比于直接进行单木分割,聚类算法、层堆叠算法、分水岭算法的分割精度均得到不同程度的提升(ΔF₁=10.06,ΔF₂=9.51,ΔF₃=12.6)。     

航空航天遥感在物种多样性研究与保护中的应用

人类活动导致全球范围内生物多样性丧失日趋严重。物种多样性是研究最为深入以及最贴近生物多样性管理的层次。物种多样性的研究往往受到多时空尺度生态过程的影响, 传统物种多样性调查方法受到人力物力影响, 局限性大, 物种多样性的研究与管理亟需整合不同来源的数据。遥感技术从传统的光学遥感阶段发展到不同平台、不同维度相结合的多源遥感阶段, 并逐渐进入以高空间分辨率和高光谱为特征、以激光雷达为前沿发展方向的综合遥感阶段。遥感技术因为其监测范围广、能监测人迹罕至地区以及长期可重复等特性, 为研究不同时空尺度的生态学科学问题提供了更新更优的研究手段。本文围绕种群动态、种间关系与群落多样性、功能属性及功能多样性以及生物多样性保护管理等生物多样性研究热点问题, 系统地论述了航空航天遥感技术在物种多样性研究与保护领域的应用, 总结了航空航天遥感技术在研究与物种多样性有关的主要生态学问题中的机遇与挑战。我们认为航空航天遥感技术利用多光谱甚至高光谱与激光技术从空中监测物种多样性, 从不同视角、基于不同光源提供了物种多样性不同侧面的信息, 能够减小地面调查强度, 在大范围和边远地区的物种多样性调查研究中有着至关重要的作用。依据光谱特性的物种判别以及依据激光雷达的三维结构量测将促进生物多样性的研究与管理, 加强遥感学家和生物多样性研究者的沟通交流将有助于促进不同时空尺度的生物多样性与遥感技术的结合。     

无人机高光谱联合LiDAR估测林分与单木尺度叶绿素含量

叶绿素是表征植被健康状况的重要指标,它的准确估计对森林碳汇评价研究至关重要。本研究通过无人机高光谱数据联合激光雷达点云估计针叶林、阔叶林和针阔混交林林分与单木水平的叶绿素含量,提升叶绿素无损估测精度,全面分析不同尺度叶绿素含量空间分布规律。在无人机高光谱数据与激光雷达点云融合的基础上,结合地面样地实测数据,通过相关性分析筛选与叶绿素含量相关的36个光谱特征变量,采用统计模型多元逐步回归、BP神经网络、萤火虫算法优化的BP神经网络、随机森林和混合数据驱动的机理模型PROSPECT模型构建多个叶绿素估算模型,选取最优模型估算森林叶绿素含量,分析其在林分和单木尺度上水平方向与垂直方向的空间分布规律。结果表明：在统计模型中,随机森林(R²=0.59～0.64,RMSE=3.79～5.83μg·cm^-2)优于多元逐步回归、BP神经网络和萤火虫算法优化的BP神经网络构建的模型;机理模型验证精度最高(R²=0.97,RMSE=3.40μg·cm^-2)。不同林分类型叶绿素的含量存在较大差异,阔叶林叶绿素含量为25....     

神农架川金丝猴栖息地优势乔木树种遥感识别及其分布特征

针对神农架川金丝猴生境基础研究中乔木树种大范围分布数据难以获取问题,尝试利用多源多时相遥感数据结合专家知识分层次实现树种识别。首先采用冬季Landsat8/OLI数据根据物侯特性分层提取常绿、落叶林的地域范围;进而依据夏季Worldview-2高分遥感影像的实地乔木样本的光谱特征分层次完成常绿树种(巴山冷杉、华山松、青$、刺叶栎)和落叶树种(红桦、日本落叶松、米心水青冈、漆树、锐齿槲栎、椅杨)的识别;并通过实地植被样方及专家知识通过高程数据完成分类结果的修正;最后结合GIS对主要优势树种的地形及地域分布特征进行了空间分析。实验精度表明常绿林中巴山冷杉、华山松、刺叶栎、虫害华山松整体精度较高,落叶林中红桦、漆树等识别精度相对较高,部分树种如椅杨、锐齿槲栎识别精度较低;总体上常绿树种的精度要优于落叶树种。从植物地理学、遥感、GIS三者相结合的角度,将多源、多时相遥感数据与物种物候特性、专家知识进行有效整合,提出了一种乔木树种识别的方法(1)提供了复杂山地环境的主要乔木优势种识别途径,且具有通用性;(2)完成了物种物候特性与遥感数据特性的整合利用,有效降低数据成本费用;(3)配合地面样方及专家知识修正结果,避免了过分依赖光谱特征引起的误判。这将为神农架川金丝猴栖息地保护与恢复提供更精确的数据依据。     

利用聚类算法监测森林乔木物种多样性

该研究基于机载激光雷达(LiDAR)和高光谱数据, 从森林物种叶片的生理化学源头探寻生化特征与光谱特征的内在关联, 探讨生化多样性、光谱多样性与物种多样性之间的响应机制, 选择最优植被指数并结合最优结构参数, 通过聚类方法构建森林物种多样性遥感估算模型, 在古田山自然保护区开展森林乔木物种多样性监测。研究结果表明: (1)从16种叶片生化组分中, 筛选出叶绿素a、叶绿素b、类胡萝卜素、叶片含水量、比叶面积、纤维素、木质素、氮、磷和碳可通过偏最小二乘法用叶片光谱有效模拟(R² = 0.60-0.79, p < 0.01), 并选择有效的植被指数: 转换型吸收反射指数/优化型土壤调整指数(TCARI/OSAVI)、类胡萝卜素反射指数(CRI)、水波段指数(WBI)、比值植被指数(RVI)、生理反射指数(PRI)和冠层叶绿素浓度指数(CCCI)表征相应的最优生化组分; (2)基于机载LiDAR数据利用结合形态学冠层控制的分水岭算法获得高精度单木分离结果(R ² = 0.77, RMSE = 16.48), 同时采用逐步回归方法从常用的森林结构参数中选取树高和偏度作为最优结构参数(R ² = 0.32, p < 0.01); (3)基于6个最优植被指数和2个最优结构参数, 以20 m × 20 m为窗口通过自适应模糊C均值方法进行聚类, 实现了研究区森林乔木物种丰富度(Richness, R ²= 0.56, RMSE = 1.81)和多样性指数Shannon-Wiener (R ² = 0.83, RMSE = 0.22)与Simpson (R ² = 0.85, RMSE = 0.09)的成图。该研究在冠层尺度上获取了与物种多样性相关的生化、光谱和结构参数, 将单木个体作为最小单元, 利用聚类算法直接估算物种类别差异, 无需判定具体的树种属性, 是利用遥感数据进行区域尺度森林物种多样性监测与成图的实践, 可为亚热带地区常绿阔叶林的物种多样性监测提供借鉴。     

Forest species diversity mapping based on clustering algorithm

该研究基于机载激光雷达(LiDAR)和高光谱数据, 从森林物种叶片的生理化学源头探寻生化特征与光谱特征的内在关联, 探讨生化多样性、光谱多样性与物种多样性之间的响应机制, 选择最优植被指数并结合最优结构参数, 通过聚类方法构建森林物种多样性遥感估算模型, 在古田山自然保护区开展森林乔木物种多样性监测。研究结果表明: (1)从16种叶片生化组分中, 筛选出叶绿素a、叶绿素b、类胡萝卜素、叶片含水量、比叶面积、纤维素、木质素、氮、磷和碳可通过偏最小二乘法用叶片光谱有效模拟(R² = 0.60-0.79, p < 0.01), 并选择有效的植被指数: 转换型吸收反射指数/优化型土壤调整指数(TCARI/OSAVI)、类胡萝卜素反射指数(CRI)、水波段指数(WBI)、比值植被指数(RVI)、生理反射指数(PRI)和冠层叶绿素浓度指数(CCCI)表征相应的最优生化组分; (2)基于机载LiDAR数据利用结合形态学冠层控制的分水岭算法获得高精度单木分离结果(R ² = 0.77, RMSE = 16.48), 同时采用逐步回归方法从常用的森林结构参数中选取树高和偏度作为最优结构参数(R ² = 0.32, p < 0.01); (3)基于6个最优植被指数和2个最优结构参数, 以20 m × 20 m为窗口通过自适应模糊C均值方法进行聚类, 实现了研究区森林乔木物种丰富度(Richness, R ²= 0.56, RMSE = 1.81)和多样性指数Shannon-Wiener (R ² = 0.83, RMSE = 0.22)与Simpson (R ² = 0.85, RMSE = 0.09)的成图。该研究在冠层尺度上获取了与物种多样性相关的生化、光谱和结构参数, 将单木个体作为最小单元, 利用聚类算法直接估算物种类别差异, 无需判定具体的树种属性, 是利用遥感数据进行区域尺度森林物种多样性监测与成图的实践, 可为亚热带地区常绿阔叶林的物种多样性监测提供借鉴。     

基于多源遥感的红树林监测

红树林是生长在热带以及亚热带海岸潮间带上的生态群落, 其生产力高, 固碳能力强, 对保持海岸带生物多样性具有十分重要的价值。本文介绍了利用多源遥感数据监测红树林的一些主要研究内容, 分为3个方面: (1)在时空模式研究方面, 利用高空间分辨率影像像素和对象结合的方法对红树林树种进行分类以及利用Landsat影像对红树林进行动态变化监测并分析其驱动因素; (2)在结构参数研究方面, 利用无人机多光谱数据及地面激光雷达数据对红树林叶面积指数进行反演; (3)在生理生化参数研究方面, 探讨了红树林叶绿素含量对淹没状况的响应、互花米草(Spartina alterniflora)入侵是否影响红树林光能利用率, 以及光化学反射指数(photochemical reflectance index, PRI)与光能利用率(light use efficiency, LUE)的关系。上述系列研究为提取红树林相关信息要素时如何选择合适的分析方法提供了有力的参考, 强调了遥感在研究红树林时空模式, 提取结构参数和生物生化参数监测的有效性, 从而更好地促进红树林生态系统的生物多样性保育工作。     

基于多光谱影像的森林树种识别及其空间尺度响应

当前,不同空间分辨率卫星影像对森林类型识别结果中普遍存在的尺度效应,而且纹理参量对不同尺度下树种识别精度的影响仍缺乏广泛认知.本研究以中国东北旺业甸林场为研究区,采用观测时相同步、地理坐标匹配的GF-1 PMS、GF-2 PMS、GF-1 WFV,以及Landsat-8 OLI卫星传感器数据组成空间尺度观测序列(1、2、4、8、16、30 m),并结合支持向量机(SVM)模型,探讨了区域内5种优势树种遥感识别结果的尺度变化规律及其纹理特征参数的影响,同时检验了基于尺度上推转换影像的树种识别结果差异.结果表明: 影像空间分辨率对区域树种识别结果具有显著影响,其中,研究区森林树种识别的最佳影像分辨率为4 m,当分辨率降低至30 m时,树种识别结果最差.在1～8 m影像分辨率范围内,增加纹理信息能够显著提高不同优势树种的识别精度,使总分类精度提升了2.0%～3.6%,但纹理信息对16～30 m影像的识别结果没有显著影响.与真实尺度卫星影像相比,基于升尺度转换影像的树种识别结果及其尺度响应特征存在显著差异,表明在面向多个空间尺度的遥感观测和应用研究中,需要采用真实分辨率影像以确保结果的准确性.     

Species classification from hyperspectral leaf information using machine learning approaches

Information on plant species is fundamental to forest ecosystems, in the context of biodiversity monitoring and forest management. Traditional methods for plant species inventories are generally inefficient, in terms of cost and performance, and there is a high demand for a quick and feasible approach to be developed. Of the various attempts, remote sensing has emerged as an active approach for plant species classification, but most studies have concentrated on image processing and only a few of them ever use hyperspectral information, despite the wealth of information it contains. In this study, plant species are classified from hyperspectral leaf information using different machine learning models, coupled with feature reduction and selection methods, and their performance is optimized through Bayesian optimization. The results show that including feature selection and Bayesian optimization increases the classification accuracy of machine learning models. Among these, the Bayesian optimization-based support vector machine (SVM) model, combined with the recursive feature elimination (RFE) feature selection method, yields the best output, with an overall accuracy of 86% and a kappa coefficient of 0.85. Furthermore, the confusion matrix revealed that the number of samples correlates with classification accuracy. The support vector machine with informative bands after Bayesian optimization outperformed in classing plant species. The results of this study facilitate a better understanding of spectral (phenotype) information with plant species (genotype) and help to bridge hyperspectral information with ecosystem functions.     

Classification of Pinus massoniana and secondary deciduous tree species in northern subtropical region based on high resolution and hyperspectral remotely sensed data

Aims Using remote sensing data for tree species classification plays a key role in forestry resource monitoring, sustainable forest management and biodiversity research.Methods This study used integrated sensor LiCHy (LiDAR, CCD and Hyperspectral) to obtain both the high resolution imagery and the hyperspectral data at the same time for the natural secondary forest in south Jiangsu hilly region. The data were used to identify the crown and to classify tree species at multiple levels. Firstly, tree crowns were selected by segmenting high-resolution imagery at multiple scales based on edge detection; secondly, characteristic variables of hyperspectral images were extracted, then optimization variables were selected based on the theory of information entropy. Tree species and forest types were classified using either all characteristic variables or optimization variables only. Finally, tree species and forest types were reclassified along with the tree crowns information, and the accuracy of classification was discussed. Important findings Based on all available characteristic variables, the overall accuracy for four typical tree species classification was 64.6%, and the Kappa coefficient was 0.493. The overall accuracy for forest types classification was 81.1%, and the Kappa coefficient was 0.584. Based on optimization variables only, the overall accuracy for four typical tree species classification dropped to 62.9%, and the Kappa coefficient was 0.459. The overall accuracy for forest types classification was 77.7%, and the Kappa coefficient was 0.525. Obtaining both high resolution image and hyperspectral data at the same time by integrated sensor can increase overall accuracy in classifying forest types and tree species in northern subtropical forest.     

Integrating Local and Global Error Statistics for Multi-Scale RBF Network Training: An Assessment on Remote Sensing Data

Background

This study discusses the theoretical underpinnings of a novel multi-scale radial basis function (MSRBF) neural network along with its application to classification and regression tasks in remote sensing. The novelty of the proposed MSRBF network relies on the integration of both local and global error statistics in the node selection process.

Methodology and Principal Findings

The method was tested on a binary classification task, detection of impervious surfaces using a Landsat satellite image, and a regression problem, simulation of waveform LiDAR data. In the classification scenario, results indicate that the MSRBF is superior to existing radial basis function and back propagation neural networks in terms of obtained classification accuracy and training-testing consistency, especially for smaller datasets. The latter is especially important as reference data acquisition is always an issue in remote sensing applications. In the regression case, MSRBF provided improved accuracy and consistency when contrasted with a multi kernel RBF network.

Conclusion and Significance

Results highlight the potential of a novel training methodology that is not restricted to a specific algorithmic type, therefore significantly advancing machine learning algorithms for classification and regression tasks. The MSRBF is expected to find numerous applications within and outside the remote sensing field.     

激光雷达技术在动物生态学领域的研究进展

激光雷达(light detection and ranging, LiDAR)作为一门新兴的主动遥感技术, 近年来由于在提取和反演森林参数水平上不断提高, 被越来越多地应用于动物生态学研究中。本文通过整理和搜集国内外文献, 对激光雷达的技术特点及其在森林参数提取和动物生境上的研究进展进行综述, 指出当前基于LiDAR的森林参数反演算法主要服务于森林资源调查或林学研究, 缺少对动物生态或生理意义相关的参数量化信息。目前该技术在国内的动物生态学方面的应用较少, 尚未见文章发表。通过总结国外学者的研究, 分别从动物生境选择与三维森林结构的关系、栖息地立体生境制图、生物多样性评估和物种分布模型预测三个方面综述了LiDAR在动物生态学研究中的应用现状。相比传统方法, LiDAR技术提供的高精度三维结构信息, 能够显著提高动物生境质量的评估、生物多样性的监测水平和物种分布模型的评价精度, 有利于从机理上加深对物种生境选择和集群过程的理解。但目前LiDAR技术的应用主要集中在对已知的生态关系研究, 尤其是冠层结构与动物分布的关系, 缺少对林下层生活的动物生境质量和生物多样性的监测和评估, 同时很多有关动物生存和繁衍与立体生境的关系研究有待从LiDAR数据中进一步挖掘分析。未来应加强对森林林下层三维信息的提取, 提高林下层动物生境质量和生物多样性的监测水平, 同时建立适用于动物生态和生理意义相关的参数, 为动物生境质量和生物多样性的评估提供标准的量化指标。     

Quantifying Tropical Dry Forest Type and Succession: Substantial Improvement with LiDAR

Improved technologies are needed to advance our knowledge of the biophysical and human factors influencing tropical dry forests, one of the world's most threatened ecosystems. We evaluated the use of light detection and ranging (LiDAR) data to address two major needs in remote sensing of tropical dry forests, i.e., classification of forest types and delineation of forest successional status. We evaluated LiDAR‐derived measures of three‐dimensional canopy structure and subcanopy topography using classification‐tree techniques to separate different dry forest types and successional stages in the Guánica Biosphere Reserve in Puerto Rico. We compared the LiDAR‐based results with classifications made from commonly used remote sensing data, including Landsat satellite imagery and radar‐based topographic data. The accuracy of the LiDAR‐based forest type classification (including native‐ and exotic‐dominated forest classes) was substantially higher than those from previously available data (kappa = 0.90 and 0.63, respectively). The best result was obtained when combining LiDAR‐derived metrics of canopy structure and topography, and adding Landsat spectral data did not improve the classification. For the second objective, we observed that LiDAR‐derived variables of vegetation structure were better predictors of forest successional status (i.e., mid‐secondary, late‐secondary, and primary forests) than was spectral information from Landsat. Importantly, the key LiDAR predictors identified within each classification‐tree model agreed with previous ecological knowledge of these forests. Our study highlights the value of LiDAR remote sensing for assessing tropical dry forests, reinforcing the potential for this novel technology to advance research and management of tropical forests in general.     

遥感技术在鸟类生态学研究中的应用

获取鸟类活动及生境信息是鸟类生态学研究的基础, 而遥感技术弥补了传统野外调查方法的缺陷, 提供了获取多种信息的新途径。应用遥感技术的鸟类生态学研究热点从最初的种群行为观察, 到栖息地选择, 再到生境适宜性、破碎化及人为干扰探究等, 随着技术的不断发展也在扩展和变化。不同波段或组合下的遥感技术各有所长。光学遥感应用广泛, 尤其是信息量较大的红外波段图像和作为野外鸟巢及物种活动监测常用工具的红外相机; 多光谱图像常用于栖息地制图以及地物识别, 高空间分辨率的数据甚至可对鸟类种群进行直接计数; 高光谱数据则可对光谱特征相似的地物进行更为精确的区分和反演; 激光雷达遥感主要用于栖息地植被结构的三维探测, 为了解鸟类栖息地选择提供更好的依据。微波遥感在飞鸟探测上应用颇多, 近年来多极化数据在复杂栖息地精确制图上也具有优势, 但成本较高、解译复杂且推广度较低。在实际应用中, 遥感数据时空尺度的选择会影响研究结果, 部分遥感反演参数也缺乏生态学意义。多源遥感数据的结合应用能够提升制图分类的精度, 实现数据的时空分辨率互补, 优化鸟类生态研究所需参数。未来的遥感技术在鸟类生态学中的应用应致力于提供更加明确的光谱信息、相对简便的解译方法, 以及更为合理的多源数据组合方式等。