遥感分类是森林资源调查和监测不可缺少的内容,分类的精度直接影响遥感数据的应用水平和实用价值。如何解决树种分类识别并满足一定的精度,是遥感图像研究中的一个关键问题,具有十分重要的意义。同时,云模型理论已逐渐应用于遥感影像解译方面,其方法简单、计算量小,可以取得高于传统方法的解译分类精度,具有较好的发展前景。但目前,将遥感与云模型相结合进行森林识别的研究还较少。本文以山东省泰山为研究区,基于资源三号(ZY-3)和资源一号02C(ZY-102C)多光谱遥感影像,选取泰山油松与侧柏这一对易混淆树种为研究对象,在Erdas Image、ENVI、ArcGIS等软件支持下,提取树种的光谱特征和纹理特征,将云模型与敏感光谱特征和纹理特征相结合,建立油松和侧柏的识别模型,从而获得更高的分类识别精度,实现树种的快速识别。主要内容与结论如下:(1)筛选出油松和侧柏的敏感光谱指数基于油松和侧柏冠层反演反射率,构建了158个光谱指数,以相关性显著且高为原则,筛选出对应的敏感光谱指数。经筛选发现,油松和侧柏敏感性较强的波段多位于红光波段,这与植被特征主要体现在这一波段是一致的。(2)建立了基于光谱特征的云模型基于筛选出的油松和侧柏10个敏感光谱指数分别建立一维云模型,通过对10个一维云模型精度大小的对比,各选择3个敏感光谱指数建立三维云模型,油松的识别精确度达到90.56%,侧柏的精确度达到88.92%,总体精度达到90.06%,为其它易混淆树种的多光谱遥感识别提供了参考。(3)建立了基于纹理特征的云模型本文基于第一主成分,提取不同滑动窗口尺度的纹理特征,分别对这些纹理特征建立云模型,最终确定了3?3窗口的纹理特征所建立的云模型精度最高,其中油松采用3?3窗口的均值、熵和二阶矩这3个敏感纹理参数,侧柏采用3?3窗口的均值、方差和对比度的3个敏感纹理参数,分别建立三维云模型,但识别精度并不高,其中油松的精确度为55.26%,侧柏的精确度为66.52%。(4)进行了泰山上的树种空间反演由于基于纹理特征的云模型识别精度不高,因此,本文主要以光谱特征为主,进行了泰山油松和侧柏的空间反演。总分类精度为87.62%,Kappa系数为0.8146。综上,本文将云模型与多光谱遥感影像的光谱特征和纹理特征相结合,为建立树种识别模型提供了一种可行的方法和流程,对实现油松和侧柏的快速识别和精准管理具有积极意义,也为其它易混淆树种的多光谱遥感识别提供了参考。