科研人员一直在努力了解并改善这些变化，随着遥感技术的发展，新的技术方法也带来了更多地研究可能。今天推荐大家探索的是北京林业大学和北京师范大学的研究团队所做的研究。
森林ECO是最基本的陆地ECO组成部分之一，在调节气候平均状态随时间的变化、提供物种栖息地、维持生物多样性及减缓全球变暖等方面发挥着重要的作用。随人类活动和气候平均状态随时间的变化的加剧，生物和非生物森林干扰事件频发。因此，有效监测影响森林健康的生物和非生物因素对于理解森林ECO碳循环及监测全球变暖的影响至关重要。其中病虫害是生物干扰事件中最主要的干扰因素之一。检测早期病虫害位置对于识别高风险林分及预防其大规模爆发和蔓延至关重要。然而，不同病虫害在垂直结构的不同位置破坏树木。了解如何监测和评估垂直冠层结构上不同病虫害的异质胁迫对于提高森林质量至关重要。传统的田间调查方法费时费力，难以在区域尺度上监测森林。近几十年来，遥感技术的出现为森林病虫害监测提供了新的途径和技术方法。随着地基、机载、星载平台等多源遥感技术的加快速度进行发展，使得高效、动态地监测不同时空尺度的森林病虫害成为可能。
基于此，来自北京林业大学和北京师范大学的研究团队在中国河北省怀来遥感站纯人工落叶阔叶林（40.35°N，115.78°E）进行了田间测量（结构信息、叶面积指数（LAI）、上中下垂直冠层高度5个不同位置收集叶片、树皮和土壤反射率）、受损叶片分类（健康、轻度、中度和重度受损）、光谱分析（植物反射率和透射率，
ASD FieldSpec®4 Hi-Res NG）、TLS激光扫描、3D森林场景重建、机载高光谱激光雷达和高光谱图像模拟、高光谱点云表征胁迫水平、随机森林（RF）模型构建及分类模型准确性评估（混淆矩阵和kappa系数）。最大的目的是基于3D辐射传输模型（LESS）评估机载高光谱激光雷达（AHSL）在森林病虫害胁迫监测方面的潜力。具体来说，首先是根据TLS数据和测量的受损叶片光谱重建虚拟3D森林场景，并在此基础上定义不同冠层受损位置和不同胁迫水平的不同病虫害干扰场景。然后，针对不同受损位置和胁迫水平的每种组合，使用LESS模拟AHSL点云和相应的高光谱图像（HI）。提取AHSL点云不同层的LiDAR点云并光栅化为3m空间分辨率的图像，结合高光谱图像，使用随机森林预测病虫害。
结果表明，AHLS在森林病虫害异质垂直胁迫监测方面具有巨大潜力。对整个冠层受损和冠层上部受损的监测能力最优，不同胁迫水平分类的总体精度和kappa系数分别为65.95%~89.45%和54.58%~85.92%。此外，在冠层中部（OA：77.56％，kappa：69.90％）和冠层下部（OA：65.95％，kappa：54.58％）也能够得到良好的分类准确度。作者还基于相同的胁迫场景模拟了HI数据，并与AHSL进行了比较。在整个冠层受损的情况下，HI具有最好的分类准确度（OA：57.02％，kappa：41.86％）。但上、中、下冠层受损的分类准确度差异较小。研究根据结果得出，AHSL提供了结构和光谱信息。与HI数据相比，AHSL可避开土壤、阴影及其他林下混杂因素的影响。脉冲穿透可以监测森林中下部的病虫害胁迫，但也需要仔细考虑树枝的影响。
