本研究提出一种基于机器学习算法的区域尺度上改变空间分辨率来提升高光谱树种分类精度的方法，为陆生调查的树种分类研究提供一个新的思路。通过利用无人机获取成都市植物园全域的高光谱影像，采集了园内140种树种共1 249个样本。通过构建的32种植被指数及176个原始波段进行变量筛选，运用随机森林和支持向量机两种算法建立分类模型。结合研究区典型树种的林分类型和冠层大小，在9种不同空间分辨率下，分别选取了10、15、20种树种，探索树种分类精度。结果显示，当空间分辨率从0.12 m逐步降低至4 m时，10、15、20种树种的模型分类精度均在3 m分辨率时达到最高，且支持向量机分类结果整体精度较高。表明基于支持向量机算法、开展特征变量提取与选择、确定最佳观测尺度的方法可以较好地捕获不同树种的冠层信息，提升树种分类精度。

3D Octave卷积模型在高空间-高光谱影像分类中的应用，可以提高多树种分类任务的精度，对提高森林管理的精细化水平具有重要意义。设计了一种结合三维Octave卷积与注意力机制的3DOC-SSAM模型，通过3D Octave卷积和空间—光谱注意力机制，提高了模型的运行效率和分类性能。研究结果表明：①3DOC-SSAM模型总体精度达到99.53%，相对于SVM、ELM、2D-CNN、3D-CNN分别提高了13.86%、18.49%、12.90%和5.36%。且平均精度AA达到99.38%，Kappa系数达0.994 7。②小样本训练的情况下，总体精度和平均精度仍然能够达到96.9%和95.52%，高于对比的模型。研究结果为多树种分类任务提供了一个高效且高精度的解决方案，在林业遥感中的应用前景广阔，有助于提升森林资源管理的科学性和可持续性。