基于遥感光谱特征准确识别优势树种类型对于区域林业资源的监测和经营具有重要意义, 也是当前亟待解决的重要科学问题。 伴随遥感技术的发展, 利用时间序列高分影像能够有效获取林分树种不同物候期生长特性及其冠层光谱动态信息, 有利于克服区域森林类型精细识别中普遍存在的异物同谱难题。 以中国东北地区赤峰市旺业甸国有林场为试验区, 采用覆盖完整自然年的共36景高分一号(GF-1)WFV时间序列数据(16 m), 提取包含不同优势树种生长阶段特征的林分冠层光谱归一化植被指数(NDVI), 结合支持向量机(SVM)模型对研究区内5种典型优势树种: 油松、 落叶松、 山杨、 白桦和蒙古栎, 进行不同时间尺度下(单季相、 全季相、 逐月和逐旬)的光谱识别研究。 同时, 分别基于原始时序光谱及其一阶、 二阶和三阶微分变换结果, 探讨了不同分辨率时序NDVI光谱及其3种微分变换结果对区域森林优势树种的识别效果。 结果显示, 基于不同尺度的时间序列数据能够获得比不同季节单时相数据更好的树种识别结果(p＜0.05), 其中采用全季相数据的树种总分类精度相比于春、 夏和秋不同季节的单季相数据结果, 分别提高了7.67%, 6.64%和3.6%, 表明时间序列影像中所包含的植被物候信息对于区分不同森林树种类型十分重要, 同时秋季是采用单时相数据的最佳识别季节(p＜0.05); 在不同时间序列数据中, 基于逐旬的NDVI数据显著优于基于逐月和全季相数据的光谱识别结果(p＜0.05), 而基于全季相数据的光谱识别结果最低(p＜0.05), 表明更密集的时序光谱信息有利于区域树种类型识别精度的提升。 此外, 结合光谱微分变换后的树种识别结果比仅采用原始NDVI时间序列的识别结果精度更高(p＜0.05), 其中基于逐旬和逐月时间分辨率数据的最高识别精度能够达到82.1%和78.74%, 分别提升了3.38%和2.95%。 研究表明采用基于全年逐旬或逐月尺度的时序光谱数据, 并结合相应的微分变换方法, 可以有效提高区域尺度优势树种的识别精度, 为相关多光谱森林植被精细识别研究提供参考。

以河北省廊坊市永清县整个县域为研究区，以GF1-WFV 16 m分辨率影像为数据源，选取覆盖作物完整生长期多个时相的影像数据，构建作物归一化植被指数(Normalized Difference Vegetation Index，NDVI)时间序列。通过对研究区NDVI曲线的分析，发现利用该数据构建的NDVI时间序列可描述研究区作物的生长特性，体现当地不同作物的物候差异，能有效地区分出当地的种植模式。选取NDVI曲线上最大值、最小值、峰值的出现时间、峰值数量和阈值等特征参数构建决策树。根据研究区的物候历和对当地种植结构的调查，利用最佳时相的影像，针对某一种或特定几种作物进行分类提取。分别采用决策树分类、神经网络分类等方法进行精度验证，综合比较得出最佳的作物分类方法。研究结果表明，在永清县这一县域研究区，利用GF1-WFV 16 m分辨率多时相遥感数据进行作物分类，采用决策树分类、神经网络分类两种方法的精度分别为72.0729%、87.3%。利用决策树分类的效果最优。