RGB数码相机是应用广泛的高精度可见光成像传感器，具有低成本、操作简便、非破坏性等优点，可用于林木叶片叶绿素等生化参数估测（Santos等，2018；李文涛 等，2018；王诣和闫志勇，2016；易时来 等，2011）、氮素营养状况监测诊断（陈凤 等，2014；刘连忠 等，2019；赵静 等，2011）、病虫害状况识别（Mutka和Bart，2015；曹乐平，2015）、苗木树高和绿色覆盖率等早期表型性状信息提取（Chéné等，2012；Montagnoli等，2016）。然而，这类直接使用RGB数码相机的近端距离测试，一般仅适用于单叶、果实、或苗木和灌木等低矮林木冠层生长状况的监测（刘连忠 等，2019）。

近年来，随着无人机等近地遥感平台的发展，通过无人机搭载RGB数码相机逐渐应用于森林精准培育研究。该方式可实现林木冠层高清图像的快速采集，显著提高影像采集的效率，具有低成本、机动灵活、可云下低空飞行、对光照环境要求相对较低等特点，并可提供林木的二维和三维成像数据，主要用于监测树高、密度、冠幅、覆盖度、材积等森林冠层结构参数（Goodbody等，2017； Mu等，2018； Zarco-Tejada等，2014； 王枚梅 等，2017）。

RGB数码相机为森林精准培育研究提供了一种操作简单、低成本、普及率高的观测方式。通过结合无人机数字摄影测量技术，为获取树高、密度、冠幅、覆盖度、材积等森林结构参数提供了高效和可靠的方法。无人机搭载RGB数码相机显著地提升了获取林木冠层高清影像的效率，但该方式也常受限于续航时间，获取的信息多来自于森林冠层的中上部，且需要进行合理的曝光设定，以减轻云的遮挡和环境光线的变化引起的图像曝光不足或过度等（刘建刚 等，2016）。

植被对电磁波谱的吸收、透射和反射等光谱信息，可被用于估测生物量、水分含量、叶绿素含量等植被生理生化参数等（Berni等，2009）。常见的多光谱传感器包括主动式非成像和被动式成像两种类型，主要具有蓝光、绿光、红光、红边和近红外波段光谱通道，少量多光谱传感器还具备短波红外通道（Cheng等，2013）。

主动式非成像多光谱传感器主要搭载于近地面遥感平台，具有时间灵活性高、不受天气光照影响等优点，目前已广泛应用于田块尺度的作物生长状况监测（Cao等，2013； Li等，2018），但在木本植物生长监测方面仍不多见（Mishra等，2011）。此外，SPAD叶绿素仪、MutispeQ等手持叶夹式非成像多光谱传感器，仅适用于于单叶尺度林木叶绿素、氮素营养状况的评估（Choi等，2011； Kuhlgert等，2016；杨亦扬 等，2008；周济 等，2018）。星载被动式多光谱成像仪是林业中主要使用的成像多光谱传感器类型，通过使用光谱指数（如NDVI、NDRE等）、纹理指数（Dube和Mutanga，2015；李明诗 等，2006）等，可有效地探测森林生物量（Zhu和Liu，2014；郭云 等，2015）、蓄积量等结构参数（王佳 等，2015）。

近年来，由于多光谱传感器价格低廉、受天气影响小，通过无人机挂载多光谱传感器可高位作业，在林木营养状况监测（Berni等，2009； Liu等，2016； Perry等，2018）、水分胁迫评估（Blanco等，2020）、森林病虫害胁迫探测（Di Nisio等，2020； Pádua等，2020）等领域逐渐得到推广使用。

星载多光谱传感器已被广泛用于林分尺度森林生物量、蓄积量等结构参数的获取，而无人机挂载的多光谱传感器则在森林精准培育中的氮素营养状况、水分状况和病虫害状况的探测具有较大的潜力。然而，由于多光谱传感器通道较少、光谱分辨率较低、且波段之间不连续，在一定程度上限制了其在森林精准培育研究中的应用。

常见的高光谱传感器波段区间为400—1000 nm，主要应用于色素含量估测（Malenovsky等，2013； Zarco-Tejada等，2013）、产量预测（Gutiérrez等，2019）等；而1000-2500 nm的高光谱传感器主要用于水分状况估测（Buddenbaum等，2012； Cheng等，2014a）、干物质含量估测（Cheng等，2014b）、氮含量估测（Wang等，2016）、森林病虫害探测（Cheng等，2010； Wu等，2020）等。

高光谱分析方法主要包括光谱指数法（Wang等，2016），去包络线法（Malenovsky等，2013）、红边参数法（朱西存等，2011）和小波特征分析法（Cheng 等，2014a； Cheng等，2014b）等。通过优选与理化指标相关性高且可移植性强的光谱特征参数，建立统计回归估测模型，可在叶片尺度取得良好的估测效果（Cheng等，2014b），但光谱特征参数与理化指标的统计关系易受时间、地点和树种类型等的影响限制，而在冠层尺度还受环境条件、冠层结构、土壤背景等的影响。

基于机理模型和高光谱数据估测林木理化指标的方式，也被广泛应用于林木生长状况监测。机理模型从光与叶片、冠层的相互作用机理出发，具有较好的普适性，但模型较为复杂，受模型拟合精度、算法复杂性、获取模型参数等的限制。在林业中应用较广的机理模型主要包括适用于模拟阔叶光谱的PROSPECT模型（Féret等，2008）和针叶光谱模拟的LIBERTY模型（Dawson等，1998），以及SAIL（Jacquemoud等，2009）、4-Scale（Croft等，2013）、FLIGHT（North，1996）、DART（Gastellu-Etchegorry等，2004）等冠层反射率模拟模型。基于机理模型估测林木理化指标，主要包括两种技术途径：1）通过使用机理模型前向模拟光谱反射率，构建目标参数的敏感光谱指数（Zarco-Tejada等，2013）。 2）后向反演叶片和冠层辐射传输模型（Jay等，2016）。在后向反演中，常用的方法有数值迭代最优化方法、查找表法、神经网络法、机器学习法等。

相较于使用多光谱数据，通过使用连续窄光谱带的高光谱数据，能更准确的探测到不同长势下的光谱差异，以及叶绿素、水分含量、氮素含量等生化参数的光谱吸收特征变化，因而可以更为精准地获取林木色素、营养和水分状况相关指标，为林木精准培育中优化水肥调控精准管理、森林病虫害精准防治提供重要的技术支撑。虽然高光谱传感器存在上述优点，其也存在一些局限性，如需要辐射校正和几何校正、预处理较为复杂（特别是山区地形）；同时，其通常数据解译复杂、成本高、数据集较大、易受光照环境条件的影响。

通过使用热红外传感器可探测植被自身红外辐射的能量，可在极短的时间内获取植被叶片的温度信息，而温度信息与气孔导度（赵田欣 等，2012）、蒸腾速率、叶片水势和渗透调节等水分相关指标、以及光合速率等光合生理参数（Buddenbaum等，2015）显著相关。虽然干旱和病虫害胁迫对植物的伤害途径不一致，但均可引起树木水分平衡失调，造成叶片细胞缺水，从而导致叶片气孔细胞的关闭，影响蒸腾作用的强度，进而引起叶温的升高。因此，热红外传感器常被用于监测林木水分胁迫（Buddenbaum等，2015； Cohen等，2012）、病虫害胁迫（黄华国，2019； 王景旭 等，2019）等，在森林早期健康危害方面具有很大的潜力。

在森林精准培育研究中，热红外传感器主要包含挂载于近地面遥感平台和航空平台两种类型。在林木受胁迫早期，水分亏缺还未达到植物生理的极限值，林木冠层形态状况和光谱特征变化不大，但通常会引起水分发生变化，从而引起植被温度的异常变化，而热红外传感器可以精准地获取温度变化，为森林精准培育研究提供了一种有效监测林木早期水分胁迫的技术手段。但由于热红外成像仪受环境的影响较大，需在晴朗、无风或微风的条件下获取林木冠层热红外影像，易受土壤背景温度等混合像元影响，常需要对传感器进行多次校准，且很难进行不同时间段数据的对比。

激光雷达传感器LiDAR（Light Detection And Ranging）是一种通过激光器发射激光束照射物体表面和接收返回信号的主动遥感设备，具有穿透性强、抗干扰能力强、点云精度高等优点。离散回波点云和全波形两种模式为激光雷达系统的主要记录模式。其中，前者记录来自不同冠层位置的单个或多个回波信号，而后者理论上记录了返回信号的全部能量，可提取包含更多细节的植被冠层垂直剖面。目前，在林业遥感应用中，更多的使用小光斑离散回波数据（李增元 等，2016），部分机载小光斑系统（如RIEGL LMS-Q680i）可获取波形数据。

按照遥感平台的不同，在森林精准培育研究中主要使用的是机载和近地面激光雷达。近地面激光雷达包括地基式（Kankare等，2015）、手持式（Pont等，2016）、背包式（Xie等，2020）、无人机激光雷达（Liu等，2018），可获取高密度的点云数据，实现树高、胸径、冠幅等单木结构信息的精准测量。

多项研究表明，通过结合激光雷达和高光谱传感器，可以进一步地协同分析不同高度层次（垂直信息）、不同方位（水平信息）的激光点云三维信息和光谱信号，用于提升理化指标和生物量等结构参数的估测精度、以及定量评估理化指标的空间分布值测结果。Shen等（2018）通过结合使用机载高光谱影像和全波形激光雷达数据，提取了激光雷达点云、全波形和光谱特征，提升了亚热带森林生物量、蓄积量、胸径、树高等森林结构参数的估测精度。Almeida等人（2019）利用机载激光雷达数据和高光谱数据对亚马逊森林的地上生物量进行估测，发现通过结合使用两类数据较单独使用任一类数据可取得更高的生物量估测精度。Shen等（2020）基于无人机高光谱影像和激光雷达点云数据的融合，分别使用光谱指数估测叶绿素和类胡萝卜素含量，进而结合三维点云数据，定量评估亚热带人工林中不同林龄的水杉和杨树在不同高度层次、不同方位的色素含量分布情况。

通过使用激光雷达可获取精准的三维数据，用于提取单木和林分位置、树高、生物量、蓄积量等冠层结构参数信息（刘清旺 等，2017），且在估算生物量高的地区不易出现光学遥感数据的“饱和”现象（曹林 等，2013），为森林精准培育研究提供了精确量化林木三维结构信息的技术手段。然而，激光雷达在应用中也存在一些不足，如传感器的费用较高、数据处理量较大、缺乏光谱信息（大多为单波段）。

叶绿素荧光传感器的工作原理为通过接受人工激发光后获取发出的荧光信号，或通过探测太阳日光诱导叶绿素荧光信号，进而提取有关植物光合状况和代谢状态的信息。其中，前者通过使用主动式单色激光光源诱导植物发出荧光，后者主要基于夫琅禾费暗线原理进行提取自然光照条件下的日光诱导叶绿素荧光（SIF）信号（孙刚 等，2009）。相较而言，前一种方式发出的荧光与太阳光诱导发出荧光的物理意义差别较大，且仅适用于小尺度观测（常用于单叶尺度），而后者探测到的SIF在反映植物光合作用方面更为直观，适用于单叶尺度、冠层尺度、卫星尺度。

叶绿素荧光在研究干旱胁迫（Buddenbaum等，2015； Salvatori等，2016）、高温胁迫（Brestic和Zivcak，2013）、营养亏缺（Watt等，2020）、病虫害胁迫（Zarco-Tejada等，2018）等逆境对林木光合作用和生长状况时被广泛应用。

叶绿素荧光与植被光合作用、热耗散等密切相关，是光合作用的无损探针，能有效反映光能吸收、传递、利用与分配和光化学反应等光合作用过程，为森林精准培育研究提供了一种可以直接从生理上探测植被光合作用变化的技术手段。但叶绿素荧光传感器（尤其是主动式）多针对单一植株的荧光信号进行精准测量，较难精准测量冠层尺度的荧光参数，易受冠层结构、土壤背景、混合像元等的综合影响。

林木种子是森林培育的物质基础，其承载了林木遗传基因并促进了森林的世代繁衍。林木种子的质量和数量与森林生产力等质量指标密切相关。因此，只有采用具有优良遗传品质和播种品质的良种，才能为人工林培育提供优良的基因保障，形成具有速生、丰产、优质、抗逆性强的林分（沈国舫，2001）。

林木良种的精准选育是森林培育的主要任务之一，而林木通常树体高大，达到生殖成熟期时间较长，基因组较大，且所处的立地环境条件较为复杂（多为山地）。传统的林木良种选育是一个具有高昂成本且缓慢的过程，需要较长时间的大规模林地栽培实验，用以测量相关的表型性状参数（如树高、生物量、材积等）。近年来，随着遥感、林学、现代生物科学等多学科技术的进步和交叉融合（边黎明和张慧春，2020），植物表型检测技术已逐渐应用于林木的良种选育，可有效加速育种进程，提升育种效率和质量。针对林木良种的精准选育，应用植物表型监测技术的意义主要在于实现森林遗传增益（genetic gain）与森林的可持续经营、增加选择优异树种的几率、以及根据现有森林表型（forest performance）推测未来森林在不同环境下（特别是全球变暖和极端气候等气候变化）的表现（Dungey等，2018）。

植物表型研究起源于20世纪末，其核心是获取可重复的有效表型性状数据，进而定量分析基因型和环境互作效应，以及其对质量、抗逆等主要性状的影响（Tester和Langridge，2010）。传统表型性状的获取大多还处在林地人工测量阶段，费时费力，严重制约着林木良种的选育工作。近年来，随着人工智能、大数据、物联网、云计算等新一代信息技术的发展（赵春江，2019），成像光谱、激光雷达等多元遥感技术的革新，无人机等平台的开发应用，多层次立体化遥感监测技术正逐步应用于植物表型性状数据采集（周济 等，2018）。同时，随着植物表型组学理论的不断丰富和发展，高通量获取植物表型信息，并在此基础上高分辨、高效地解析性状调控的分子机制和基因功能（Cardona和Tomancak，2012）、植物表型及环境响应三者的相互作用机理，已成为进行林木优良品种选育的重要组成部分。

林木良种的精准选育主要包括早期的精准育苗、以及林分中优异树种的选取，而用于加速林木良种选育主要的两种方法分别为基因组选择GS（Genomic Selection）和林木早期表型性状的间接选择。通过使用这两种方法可以大幅减少林地试验的成本，并及时辅助早期选择的决策。林木早期的精准育苗主要使用室内表型技术，在可控的环境条件下（如温室条件）采集林木幼苗的表型信息，即通过使用RGB数码相机、高光谱成像仪、荧光仪、热红外成像仪等对幼苗早期的生长动态、受胁迫处理响应特征等进行精准监控。但是，林木表型是基因型和环境型共同作用的结果，室内环境条件与野外林地的光、温、水、气、肥等生长环境仍有很大差异，因而对林地栽植的大树进行表型监测更有实际价值。基于此观点，Dungey等（2018）率先在国际上提出了结合遥感技术、地理信息系统技术和基因组学技术的森林景观尺度表型平台，用于追踪基因的表现（如基因增益），并最终应用于林木良种的选育。其中，激光雷达、光谱成像等遥感技术，可用于获取地形信息、林分和单木尺度的结构、生化参数等；地理信息系统技术主要用于土壤、气候等环境因子以及营林管理措施的空间信息管理与分析；通过结合机器学习、深度学习等算法，将表型数据、环境型数据和基因组学数据进行整合分析，如通过大规模转录组学、基因组学和代谢组学等多组学分析，并利用GWAS（全基因组关联分析）挖掘控制关键表型性状的重要SNP位点或基因，追踪其基因增益（Kimberley等，2015），进而建立精准定向培育技术体系，提升林木的遗传育种效率与进程。

森林病虫害是威胁森林健康生长的重要因素之一，对其精准防治和危害程度的健康评估，在保障森林健康方面具有重要的意义（曹春香 等，2009）。病虫害对植物的生理活动具有较大的负面影响，不同地区、不同树种感染的病虫害类型也相应有所差异，而不同病虫害类型所引起的森林损害的症状也有所不同。传统的林木病虫害诊断是通过目视检查外部表观形态变化而实现的，但这种方式受限于不同评判者主观性的经验，缺乏统一的评判标准，且难以定量化病症的程度和区域大小，降低了森林病虫害评估的准确性。此外，对林地大面积的病虫害程度进行目视经验性地调查，所需人工劳动力成本和时间成本也较高（N?si等，2015； 边黎明和张慧春，2020）。病虫害造成的森林受损影响不仅包括外部表观形态的变化，也包括内部的生理变化。其中，外部表观形态的变化主要包括叶片出现斑点、萎蔫、卷叶、枯萎、掉叶、叶面积指数下降等，而内部生理变化较为复杂，主要包括叶绿素降解、营养传输与分配、水分传输和蒸腾作用、光合作用、荧光作用等生理机能的衰退。

病虫害中的病害主要是由于寄于林木体内的病原生物所引发的，易造成植物根部破坏、维管束堵塞、叶片细胞质结构的破坏，从而引起水分吸收能力减弱、向上运输能力下降、水分散失速度加快。虫害一般是造成机械性损伤，直接破坏林木的根、茎等水分吸收和传输通道（如钻蛀性害虫），或直接啃咬林木叶片（如食叶害虫），造成叶片细胞缺水，影响气孔细胞关闭，降低叶片蒸腾作用，从而影响叶温、叶面积指数、以及其他相关的生理生化指标（如叶绿素含量、荧光参数、光合作用参数等）。病虫害造成的外部表观形态变化和内部生理变化，易导致叶片在形态图像或光谱辐射方面发生变化，因此通过高光谱成像或热红外成像等遥感技术可更有效地检测并定量化病虫害的危害程度。

针对林木病虫害遥感监测，已有的研究多聚焦于可见光成像、多光谱成像、高光谱成像和热红外成像方面的应用。在可见光成像技术应用方面，较多学者使用搭载于地面平台、或无人机平台的可见光RGB相机结合机器视觉（Mutka和Bart，2015； Zhao等，2009； 曹乐平，2015）、深度学习（Hu等，2020）等算法，从图像上提取不同病虫害的造成的根茎、叶、果实或冠层总体的颜色特征、病灶形状尺寸、纹理特征等表观形态差异；在多光谱成像技术应用方面，TM等卫星影像已被广泛应用于大范围的松毛虫灾害等森林病虫害的监测（曹春香 等，2009； 曾兵兵 等，2008； 武红敢和石进，2004； 朱程浩 等，2016），多光谱影像可同时提供监测叶绿素衰退等所需的光谱信息和失叶等冠层形态变化的纹理信息；在高光谱成像技术应用方面，由于高光谱数据可以提供更精细的光谱吸收特征变化信息，因而较之多光谱数据，可更准确获取病虫害引起的叶绿素、水分等生化参数的变化信息（Cheng等，2010； 张衡 等，2014； N?si等，2015； Zhang等，2018）。相较于使用多光谱数据在出现可见受害症状后（即红色攻击阶段）才能探测到受损的情况，Cheng等（2010）基于地面高光谱遥感数据和连续小波分析方法，在山松甲虫引起的可见症状之前（即早期的绿色攻击阶段）成功地捕获了水分和叶绿素下降的信号，率先找到指示早期山松甲虫灾害的光谱信号。N?si等（2015）也证实通过使用无人机高光谱影像探测山松甲虫损害程度的精度要优于使用多光谱影像；在热红外成像技术应用方面，其监测森林病虫害的机理主要是基于森林受病虫害后易导致失水，引起林木蒸腾作用的减弱和叶温等的变化，而热红外成像技术可以有效地捕捉到此类温度变化信息，并可进一步地识别不同的病虫害类型及其感染程度（黄华国，2019； 王景旭 等，2019）。