遥感技术作为20世纪60年代迅速发展起来的一门综合性探测技术,取代了传统获取数据的方式,为植被的精确识别提供更加高效的技术手段。随着光谱分辨率的提高,高光谱遥感被广泛用于植被调查等各项研究,为森林优势树种混杂度信息的提取提供有利的技术条件。本文以Hyperion高光谱数据和ALI多光谱数据作为基础数据,利用最大似然分类法(MLC)及光谱角度制图分类法(SAM)对江西省梅江流域境内的森林优势树种信息进行提取,并基于线性混合像元分解提取其混杂度信息,通过对比不同类型遥感数据的信息提取结果的精度,探讨高光谱遥感数据相较于多光谱遥感数据在森林优势树种调查研究中的应用潜力及优势性,其结果可为高光谱遥感在森林资源调查与监测等方面提供科学的思路和依据。论文研究的主要内容和结论如下:(1)综合遥感数据处理等相关研究的基础上,对Hyperion高光谱数据进行包括绝对辐射亮度值转换、非正常像元的处理、大气校正及几何校正;对ALI多光谱数据进行包括经过辐射定标、大气校正及影像融合等预处理。预处理后的遥感数据基本消除了影像空间维噪声,消除不同探元相应的差异,提高影像信噪比和清晰度。(2)主要利用分段主成分分析与最小噪声分离变换(Minimum Noise Faction Rotation,MNF)两种方法对Hyperion数据进行降维处理。分段主成分分析能通过计算各波段对主成分的贡献率来得到最优的波段组合。MNF变换后,可识别与分离噪声,通过特征值可判断数据的有效维数。两种降维结果均达到降维的效果。(3)研究区优势树种的确定及样本的选取:主要通过相关的统计资料,及文献以及野外实地调查确定研究区优势树种主要分六大类型,即马尾松、杉树、马尾松和杉树、草丛类、低矮灌丛、针阔混交林。受地形及交通条件的限制,本研究的样本数据以野外植被采样点数据为基础,并结合遥感影像中不同树种具有不同的光谱特征信息,分别选取用于分类识别的训练样本和精度验证的验证样本。(4)利用MLC与SAM分别对Hyperion数据及ALI数据进行森林优势树种信息的识别。结果表明,基于MLC方法Hyperion数据及ALI数据的总体分类精度及Kappa系数分别为:77%、0.74和65%及0.58;基于SAM方法Hyperion数据及ALI数据的总体分类精度及Kappa系数分别为:82%、0.78和56%及0.47。对比数据发现,Hyperion数据相较于ALI数据在森林优势树种的识别与分类方面较具优势。(5)利用线性混合像元分解提取出六类优势树种信息,从均方根误差评价结果可以看出,Hyperion数据均方根误差最大值为0.3659,ALI数据的均方根误差最大值为0.669。由此可见,Hyperion数据线性分解的精度相较ALI数据来说效果要好。