本研究以林業試驗所六龜試驗林為範圍，結合空載高光譜及光達資料，建立地物/林型與特定樹
種的光譜及三維結構特徵，並應用統計及機器學習演算法建立自動化分類判釋模型。模型候選變量包
含高光譜代表波段、光譜衍生植生指標以及光達衍生冠層結構指標等三大類共19個變量，並透過相關
分析排除冗餘變量後，篩選8個變量進入模型。變量重要性評估顯示，冠層高度是判斷地物/林型類別
的重要結構特徵。雖然特定樹種分類模型入選的預測變量包含更多的結構指標，但重要性小於植生指
標。在地物/林型分類中，支持向量機與隨機森林模型的整體分類精度可達75%，兩者整體精度差異為
0.24%，且分類類別間的混淆情況相似。特定樹種分類以隨機森林模型整體精度最高(86.79%)，其次為
支持向量機(85%)。最大概似模型在地物/林型分類及特定樹種分類的表現均不佳。非參數統計的機器
學習模型，其不假設資料統計分佈的特性更適合不同的感測器資料或輔助變量進行分類的目的，在特
徵空間複雜的情況下也能得到穩健的分類結果。整體而言，整合高光譜訊息及光達衍生結構變量的機
器學習模型能有效的分類更細緻的森林覆蓋類型。