栖息地(或称生境)(habitat)一词首先由美国的Grinnel于1917年提出。对鸟类而言，栖息地是指个体、种群或群落在其某一生活史阶段(比如繁殖期，越冬期)所占据的环境类型、进行各种生命活动的场所。其作用在于能为鸟类提供充足的食物资源、适宜的繁殖地点、躲避天敌和不良气候的保护条件等一系列可保证其生存和繁衍的基本条件。栖息地的质量高低直接影响着鸟类的地理分布、种群密度、繁殖成功率和雏鸟存活率等(Cody, 1985)。栖息地选择行为表明可供选择的栖息地之间存在着差异，这些差异恰好为野生动物提供了不同的生态环境，从而影响着它们的生存与繁衍(Lack, 1933; Cody, 1985)。

自从Grinnel(1917)研究了加州弯嘴嘲鸫(Toxostoma redivivum)的生态位后，在确信某一物种的分布(或存在)与其栖息地的某些特征之间具有可预测的关联性这一前提下，众多生态学家致力于栖息地选择的研究工作，通常对鸟类的关注和调查较其他物种更多。原因很简单，鸟类早已建立比较完善的分类体系，相对容易识别，普遍分布并对环境变化相对敏感(或脆弱)(Steele et al., 1984; Morrison, 1986; Baillie, 1991)。

开展鸟类栖息地的研究与保护已被公认为是濒危物种保护的一条有效途径(Rands，1988)。近年来，随着无线电遥测、地理信息系统和多元统计分析方法等先进技术和手段的广泛运用，人们对鸟类栖息地选择的研究分析已由定性描述上升到定量分析阶段，研究水平也不断提高。在鸟类栖息地信息提取研究方面，传统的野外调查制图方法不仅费时、费力、成本高，且限于局部样本点空间范围，难以推广至区域尺度(Phinn et al., 1996)。由于遥感影像具有覆盖范围广、信息量大、更新时间快的特点，被广泛用于区域尺度的鸟类栖息地制图。随着全球卫星定位系统(global position system, GPS)、地理信息系统(geographic information system, GIS)和遥感技术(remote sensor, RS)的发展，已被广泛应用于鸟类栖息地研究中(Mitchell et al., 2001；张洪亮，2001)。

近30年来，遥感技术的发展以及在大尺度范围的应用，特别是在全球水平上判定物种栖息地潜在的空间单元、栖息地的分布以及监测等方面，发挥着越来越重要的作用，成为分析、评估、监测或以及预测建模等的强有力的工具(Gottschalk et al., 2005)。

1 鸟类栖息地研究中常用的遥感数据源

自1972年遥感影像可以广泛获取并为公众使用以来，基于地理信息系统支持的影像和野生动物的研究越来越多(Gottschalk et al., 2005)。鸟类栖息地信息提取研究中采用的遥感数据源主要包括: Landsat MSS(Landsat Multi-Spectral Scanner)、Landsat TM(Thematic Mapper)(舒莹等，2004；董科等，2005；刘红玉等，2006；2007；江红星等，2008；朱丽娟等，2008)、ETM+(Enhanced Thematic Mapper)(李欣海等，1999；李文军，2000；赵淑清等，2003；刘冬平等，2006)、SPOT HRV(High Resolution Visible)(Miller et al., 1990; Saveraid et al., 2001)、IRS-lC(India Remote Satellite)(Debinski et al., 2002; Kastdalen et al., 2003)，和高分辨率的IKONOS、Quickbird、Orbview(Clark et al., 2004; Ehlers, 2004)等光学影像数据，以及AVHRR(The Advanced Very High Resolution Radiometer)和ERS SAR (Synthetic Aperture Radar)(Thibault et al., 1998)等雷达影像数据。选择正确的遥感数据源是进行物种栖息地信息提取与研究物种栖息地之间关系的关键，截至目前还没有一种规范的方法能指导数据源的选择(Gottschalk et al., 2005)。

Venier等(2004)对比了不同的星载传感器，证实不同的传感器影响对栖息地研究结果。目前最常用的栖息地信息提取的遥感数据源是TM影像，它具有多光谱特征以及较高的性价比。但对于某些鸟类的栖息地微生境信息提取来说，由于受TM影像空间分辨率(30 m×30 m)的限制，无法有效的提取出较窄的线性地物的特征(Palmeirim, 1985; Saveraid et al., 2001)。高分辨率遥感影像(IKONOS, Quickbird, Orbview)能提供空间分辨率为2.4~4 m的多光谱数据并具有较短的重访周期，因而提高了栖息地微生境信息提取的能力(Clark et al., 2004; Ehlers, 2004; VéVéronique, 2006)。但是高分辨率遥感影像的成本较高，而且生境类型划分的越细所需的每种生境类型内的调查采样点数量就越多；否则，基于统计分析而建立的适宜栖息地预测模型的精度就会下降。然而Mehner等(2004)认为，高分辨率遥感影像缺乏短波红外的光谱信息是其应用限制的主要因素。Venier等(2004)的研究表明，中等分辨率的MSS(80 m)影像与低分辨率的AVHRR(>1 km)相比，识别10种林内鸣禽分布的能力并没有明显的提高。Seoane等(2005)对比30 m和250 m分辨率的遥感影像预测物种分布的能力，也没有发现显著的差异；低分辨率的AVHRR数据常用于研究大尺度的鸟类栖息地的空间分布。NOAA AVHRR影像上获取的归一化植被指数(normalized difference vegetation index, NDVI)可应用于监测栖息地的变化(Sader et al., 1991; Debinski et al., 2000)。NOAA AVHRR影像上的气候数据集获取的大气温度及海面温度常用于分析水鸟的栖息地并模拟其空间分布(Jouventin et al., 1994; Yen et al., 2004)。合成孔径雷达也可用于预测物种的空间分布，Thibault等(1998)用ERS合成孔径雷达影像探测冰层覆盖下的河流，预测濒危物种丑鸭(Histrionicus histrionicus)的空间分布。

栖息地信息提取经常还利用一些辅助数据，如航空相片、地形图、土壤、氮沉积量、水深、气候、植被高度、盖度、植被类型、道路、建筑物等。航空相片主要是用于验证影像的分类精度，Mary等(2006)将人工数字化后的航片与土地覆盖分类数据集对比，比较指示物种栖息地的土地覆盖类型的空间范围大小及形状差异，验证分类的精度。

2 鸟类栖息地遥感信息提取方法的发展

利用遥感资料提取鸟类栖息地空间分布信息的方法包括两大类:物种分布直接识别和物种分布间接反演(Nagendra, 2001; Turner et al., 2003)。直接识别是根据物种在遥感影像上的光谱特征，在遥感影像上直接勾绘该物种的空间分布区域，如Guinet等(1995)利用SPOT影像识别了南印度洋帝企鹅(Aptenodytes patagonicus)的分布，Schwaller等(1989)利用TM影像识别了南极企鹅的分布区。这种遥感直接识别的方法局限于大面积群居且具有明显光谱特征的物种(Véronique et al., 2006)。

间接反演的一种方法是利用已知的物种生境需求信息，结合遥感影像获得的土地利用/覆被分类数据，制作物种的栖息地分布图，进而预测物种可能的分布区(Gottschalk et al., 2005)。这种方法已广泛应用于空间尺度物种分布及栖息地管理研究中。

间接反演的另一种方法是将遥感像元光谱辐射值与物种分布调查信息建立相关模型，据此预测物种的空间分布。这种方法有望弥补栖息地遥感间接反演方法的不足(Nagendra, 2001)，并在许多生态系统中试用于预测物种的分布，证实了具有较好的应用前景。例如在赛内加尔北部的荒漠草原将NDVI与景观多样性指数结合在一起，来预测物种的空间分布(Nhr et al., 1997)。Lavers等(1997)研究发现Landsat MSS、TM的近红外波段的反射率与苏格兰凯思内斯郡黑腹滨鹬(Calidris alpina)的丰度有显著的相关性(相关系数在-0.79和-0.68之间，P＜0.001)。Laurent等(2005)基于Landsat-7 ETM+的NDVI及短波红外波段(5波段)的反射率有效地预测了密歇根州3种鸣禽的分布。Verlinden等(1997)采用NDVI评价纳喀拉哈沙漠的非洲鸵鸟(Struthio camelus)、麋羚(Alcelaphus buselaphus)及黑尾牛羚(Connochaetes taurinus)的栖息地适宜性。Aspinall等(1993)在苏格兰北部，采用贝叶斯统计分析的方法建立Landsat波段、DEM数据和白腰杓鹬(Numenius arquata)的分布的关系，并对其栖息地进行制图。

珍稀水禽所选择的栖息地并非等同于人类基于遥感分类获得的地表覆被信息(Johnson et al., 1992; Tang et al., 1997; Laurent et al., 2005)。某些鸟类对于栖息地的选择通常是针对地表覆被的内部结构(微生境)，而非仅考虑植被类型(Stouffer et al., 1995)。以遥感解译的斑块为栖息地的空间单元会掩盖斑块内部微生境差异(VéVéronique et al., 2006)。遥感分类难以准确确定生态交错带的地类边界，而生态交错带常为生物多样性的富集区(Fortin et al., 2000)。不同遥感分类方法所获得的地表覆被信息差异较大(Foody, 2004)，能影响栖息地面积与分布的确定；一些特殊生境类型，如植被盖度、底栖生物量等生境因子尚无法从目前遥感分类方法中获取。目前栖息格局的计算是依赖于标量指数，而标量指数无法完整表达栖息地的景观生态学意义(Zhang et al., 2004; 2006)。

3 地理信息系统技术在鸟类栖息地研究中的应用

对于某一特定的地域，物种的空间分布及丰度取决于野生动物在此空间范围内所能获得的食物、水、隐蔽物、空间的大小和多少，而这些必需物的可获得性则受到地域范围内各种生境因子(水体、植被)的分布和空间组合的影响(张艳红等，2006；MacArthur，1972；MacArthur et al., 1961)。鸟类对栖息地结构与组成的变化敏感，小尺度植被群落及大尺度景观组分与结构的变化都直接影响鸟类的种类组成与数量(Bersier et al., 1994; Cody, 1985; MacArthur et al., 1961)；人类活动与自然要素的干扰在不同尺度上改变着生境结构，影响鸟类的繁殖成功率(McGarigal et al., 2002; Stephens et al., 2003)。

地理信息系统技术利用遥感数据，同时结合辅助数据源如地形、人口、道路、气象等，在鸟类栖息地研究中的应用主要包括4个方面内容:确定研究区内鸟类栖息地分布；分析鸟类栖息地特征并进行分类；利用模型的方法预测物种分布或丰富度；监测物种栖息地的变化等。

3.1 鸟类栖息地特征识别

确定鸟类种类、数量及其分布是鸟类生态学研究的基本内容，也是进行生物多样性评估的基础。传统的研究方法是实地考察，划定样方进行数量调查，然后根据统计方法估算出某个区域内的总数量。取样和总数估算方法的选择都是比较困难的工作，而对于密度、丰富度的计算则更为复杂，精度也无法得到保障。而GIS与GPS相结合可以自动绘制鸟类的分布图和确定物种的丰富度，将采集到鸟类的地理位置以坐标创建在地图上，进而编码得到GIS数据库管理系统，从而对物种分布的数据进行处理和分析。

传统的栖息地类型的划分，主要依据遥感影像的反射光谱来进行确定，很少将影像的纹理特征作为栖息地的空间异质性的指标来预测物种分布。影像的纹理特征和景观指数是反映栖息地异质性(生境结构的空间组合特征)的重要指标。遥感影像是由色调和纹理2种相互依赖的特征构成(Baraldi et al., 1995；Harralick et al., 1973)影像的纹理包含着探测对象重要的结构及空间组合特征(Tso et al., 2001)。纹理统计分析方法主要可分为一阶统计纹理特征和二阶统计纹理特征(Harralick et al., 1973；Mihran et al., 1998)。一阶统计纹理特征是从一定邻域内(滑动窗口)像元亮度直方图上获得的；而二阶纹理统计特征如:反差(contrast)、熵(entropy)、逆差矩(inverse difference moment)、灰度相关(correlation)、能量(energy)、角二阶矩(angular second moment)以及协方差(covariance)是由灰度共生矩阵方法计算出来的，代表某个方向上相隔一定距离的一对像元灰度出现的统计规律。二阶纹理统计特征中角二阶矩、反差和灰度相关这3个特征相关性最弱(Baraldi et al., 1995)，因此它们常用于特征识别。

随着遥感影像处理技术的发展，已有一些方法用于计算影像的纹理特征如自相关模型、分形模型及数学变换模型(空间域滤波、傅立叶滤波、Gabor和小波模型等)(Tso et al., 2001)，并将纹理特征作为栖息地的空间异质性的指标预测物种分布。如Hepinstall等(1997)首先结合影像的光谱值和纹理特征建立模型预测鸟类的分布，他们发现影像的纹理特征对于预测美国缅因州7种鸟类如:白喉麻雀(Melospiza melodia)、黄色林莺(Dendroica petechia)、黑喉绿莺(Dendroica virens)等在某一位置是否出现效果较好，7种鸟中有6种与影像纹理正相关。这6种鸟类栖息地的共性是具有较高的异质性。这项研究表明影像的纹理能反映植被和生境的异质性，因此可以用于预测物种的空间分布。Véronique等(2006)基于高分辨率影像的纹理特征预测了美国新墨西哥州鸟类物种的丰度。Pasher等(2007)根据IKONOS和Landsat影像在黑枕威森莺(Wilsonia citrina)巢址及非巢址区亮度值、纹理特征及阴影和裸土在像元中所占的比例等变量预测该物种的巢址分布。

除了影像纹理指标外，还有其他一些反映栖息地景观异质性的景观指数, 如:生境破碎化指数(habitat fragmentation)、景观空间构形(spatial configuration)、镶嵌度指数(patchiness)、斑块面积(patch area)和斑块周长(patch perimeter)等也应用于预测物种的分布及其繁殖的成功率(Gottschalk et al., 2005)。Fauth等(2000)以植被类型、分维指数及景观指数建立多元回归模型预测美国印地安那州北部候鸟的丰度及繁殖成功率。Haire等(2000)采用分位回归法验证土地利用覆盖图上获得的景观指数与繁殖期鸟类丰度的关系，并据此推断研究城市扩张及草地景观减少对物种丰度的影响。Saveraid等(2001)结合遥感影像上获取的草地类型与景观指数预测美国怀俄明州黄石国家公园山区草地生态系统11种鸟类的空间分布。Meyer等(2002)建立了不同空间尺度的加利福尼亚州及俄勒冈州南部小海鸭的丰度和生境变量的统计关系，结果表明生境的破碎化对物种的分布有影响，并且这种影响具有一定的滞后性。景观结构的定量化计算多采用空间格局分析软件(FRAGSTATS)(McGarigal et al., 1994)。

3.2 鸟类栖息地质量评估

应用GIS进行栖息地的评估，其叠加功能不仅使得评估过程直观，而且为进一步的分析奠定了基础。不同地理图层的叠加为空间数据模型及其内部的关系提供了直观的效果，通过空间上的“相交、合并、切割”等运算，可派生出空间决策所需的依据。例如可以将影响鸟类分布的每个生态因子作为一个图层来表现，通过叠加后，结合多元统计分析找出动物生存各因子的适合水平。例如李欣海等(1999)将植被图、地形图矢量化，提取植被类型、高程、河流、水库、公路、铁路及乡镇等参数来评价朱鹮(Nipponia nippon)栖息地的质量。李文军(1999；2000)，马志军等(1998)，朴仁珠等(2000)，盛连喜等(2001)分别分析了不同区域丹顶鹤生境状况；Iván等(2004)根据植被盖度、干旱指数、土壤类型、及坡度等生境因子与遥感影像上监督、非监督分类获取的土地覆盖图评价角百灵(Eremophila alpestris peregrine)栖息地的适宜性。王志强(2006)将水禽栖息地的空间格局的适宜度作为指标评价水禽栖息地的生境适宜性。张艳红等(2006)采用景观特征、生境斑块空间关系和生境破碎化参量分析向海自然保护区丹顶鹤生境空间结构特征。

结合GAP等相关分析功能，还可以评价不同区域的保护管理现状，并找到与生物多样性保护有关的空白区域。例如Scott等(1996)利用遥感分类结合GAP分析方法，评价了不同区域水禽保护管理现状；Harri等(1991)对夏威夷森林濒危鸟类的研究通过GIS得到几种雀形目濒危鸟类的分布图和丰富度，发现现有保护区几乎没有濒危物种生物多样性的热点区域，联邦和州政府据此对许多地区实施了相应的保护措施。Wikramanayake等(1995)对喜马拉雅山系的生物多样性进行了GAP分析，以生态区划而非传统的行政区域为研究单位，评估了各个区域内的生物多样性现状，指出了生物多样性保护的空白和遗漏区域。对美国的Idaho州进行GAP分析后，预测出一种尖尾松鸡(Tympanuchus phasianellus)有可能分布在以前从未有过记载的地区，后来野外实地调查证实了预测结果(Harri et al., 1991)。

另外，3S还可以根据现有鸟类栖息地选择特征基础上，对再引入栖息地质量进行评估。如刘冬平等(2006)根据朱鹮现繁殖地的栖息地组成及其繁殖期的栖息地需求，应用3S从大尺度上对陕西省部分地区朱鹮的潜在繁殖地进行评估，为即将开展的朱鹮再引入地点的选择和评估提供参考。

3.3 鸟类栖息地分布预测

借助地理信息系统可以预测动物的空间分布格局。动物栖息地特征与物种的分布有着必然联系，寻找某一物种与各个生态因子的内在联系，建立物种与生境的关系模型，利用GIS分析功能可确定物种的适宜栖息地，预测出物种的分布图。模型方法是研究野生动物栖息地的一个重要手段，不仅可以对没有进行野外观测的区域进行物种分布的预测，也可以对再引入物种的区域进行栖息地的预测(Fielding et al., 1995)。模型方法还可以预测栖息地变化对物种带来的影响，例如预测气候变化对鸟类带来的影响，土地利用类型的改变对物种种群的影响等(李文军，2000)。

在鸟类数量和分布计算时需要物种“出现点”和“非出现点”的数据模型有回归模型(Li et al., 1997；李文军等，2000；Stephanie et al., 2002; 贾非等，2005)。回归模型在计算过程需要物种的“出现点”和“非出现点”数据，当物种的“非出现点”数据可靠性比较高时，采用回归模型可以得到很好的预测结果(王学志等，2008)。模型计算仅需要物种“出现点”的数据模型有生态位模型(Hirzel et al., 2001；2002；Lluis et al., 2004)和信息熵(entropy)模型(Steven et al., 2006)。生态位因子分析(ecological-niche factor analysis, ENFA)模型和信息熵模型是继回归模型之后的一种新的生境适宜性模型(Hirzel et al., 2001)，其最大优点是只需物种“出现点”的数据，而不需要“非出现点”的数据，计算结果能充分体现物种的栖息地利用与栖息地因子之间的关系(Hirzel et al., 2002; Lluis et al., 2004)。

运用鸟类-栖息地关系模型，可以对未调查区域的鸟类分布，偏远地区的鸟类分布，以及大尺度上或者全球尺度上的鸟类分布进行预测。例如Butler等(1995)结合GPS利用GIS对北美水禽的空间数据进行归纳总结，对观察到的各种鸟类的空间位置、空间分布和相对密度及其变化进行了分析；Miller等(1989)利用GIS技术建立了坦桑尼亚的珍稀鸟类的分布模式；刘吉平(2005)利用景观生态学的理论与方法对生境的空间结构进行分析，分别建立生境类型数、破碎度、地貌类型数、土壤类型数与湿地鸟类丰度关系的数学模型；Venier等(2004)采用气候数据结合遥感影像上获取的土地利用图预测北美5大湖10种林内鸣禽繁殖期的空间分布；Luoto等(2004)结合景观指数预测了农林复合景观中的鸟类丰度。这些研究表明，采用辅助数据与遥感影像相结合的手段所预测物种的栖息地空间分布以及评价栖息地质量的精度均较高。

但是也必须注意到的是，某些影响水禽生境选择的非生境因子是遥感影像所不能获取的，例如限制水禽第一序位选择的历史因素、种内种间的竞争等就超出了遥感影像的检测能力(Gottschalk et al., 2005)。由于遥感影像在特殊的地点或区域上难以提取微生境的因子，Saveraid等(2001)建议在实际的应用上应当将野外的景观及生境调查数据与遥感影像所提供的信息相结合，才能为研究者提供更为全面的预测鸟类分布丰度的信息。

4 讨论 4.1 影像数据源存在的缺陷与建议

不是所有的遥感信息源在鸟类学研究领域都是成熟的技术，对于遥感数据的优缺点目前尚待进一步的分析(Gottschalk et al., 2005)。卫星影像不能捕捉影像栖息地的一些重要突发事件(Jenkins et al., 2003)。非栖息地因子例如历史因素、种间和种内相互作用、微生境特征或者植被的三维结构，是超出遥感卫星技术的范畴的。此外，林地和森林卫星影像(除微波和合成孔径雷达影像外)大部分不能探测或辨别低层结构特征，而这些可能对于一些种类来说至关重要(Palmeirim, 1985)。另外，目前卫星传感器的空间分辨率，对于“硬边缘(hard edge)”属性(例如狭窄的线性沟槽、灌木树篱、栅栏以及小斑块或单株树)，在很多卫星影像上很难准确判别。而这些属性，对于一些特定的物种却具有非常重要的意义。

建议通过地面调查，或者具体的影像分析技术，例如采用前后关联分析(contextual analysis)或边缘检测(edge detection)来确定这些特定属性(Andries et al., 1994)。为提高栖息地信息提取的能力，一方面应对比不同传感器生境因子的提取能力，选取最优的传感器及波段组合。另一方面应融合多源遥感数据及辅助数据提高栖息地识别的精度。

4.2 遥感影像选择的时相问题与建议

在众多生态研究中，偏差之一是由于使用单一时间的影像以及相对较短时间的调查所致。采用多时相影像比单一时相影像进行分析具有更大的辨别力，一来便于栖息地分离和鉴定，二来便于揭示物种栖息地利用的内在变异性。鸟类栖息地的利用性和适宜性可能在一天、一个季节和年份内或多个季节或年份间存在瞬时变化。这些变化可能由许多因素引起，例如天气、食物丰富度、种群密度、竞争者以及捕食者等(Block et al., 1993)。极端季节气候可能会导致动物利用其正常年份不利用的栖息地(Homer et al., 1993)。

因此，建议影像选择应与鸟类调查的时间尽可能接近；调查也应多年重复，以便更能准确地判定物种在大多情况下的栖息地利用情况。

4.3 遥感信息提取方法的缺陷与建议

许多影像偏差来源于影像的处理方法，如大气纠正、监督与非监督分类技术、影像转换等。影像处理过程中对于不同象元赋值不同植被类型时，可能会导致错误。由于栖息地类型是由影像的光谱信号决定的，它并不能直接反映具体的或相关的鸟类单元或鸟类栖息地。因此，建议参照物种对栖息地的喜好性来划分栖息地类型的相关属性，这样能够更准确地分析物种-栖息地之间的关系。

4.4 鸟类调查存在的问题与建议

鸟类学家对不同调查方法引起的误差已进行了大量讨论(Ralph et al., 1981; Bibby et al., 2000; Farnsworth et al., 2002)。对于珍稀濒危鸟类，建议提高调查强度和频次，以便获取物种密度等的精确估计(robust estimates)。对于建立在相对-绝对密度、出现-缺失(presence-absence)数据基础上的模型，误差主要来源于数据间的自相关性(Schneider, 1994)。对于那些体型较高、活动性较强的大型鸟类而言，容易导致在2个或更多的调查点上面的重复计数。通常情况下，定点计数和样线计数是鸟类调查中最适宜且有效的方法，特别是对于偏远或很难进入的地区。但如果需要物种分布和丰富度数据，建议采用距离取样法。

因此，建议在调查开始前需确定调查目标，并考虑调查实用性及相对优先性；然后结合取样策略(在哪里计数)和野外方法(如何计数)来确定野外调查方案(William. 2002)。无论采用何种调查方法，动物出现点的精准GPS定位，对于不同遥感信息的准确提取是至关重要的。调查过程中不仅需要GPS，同时还应携带指北针和测距仪，以便更好地分析、评估和预测鸟类与栖息地关系。

5 结语

随着鸟类学家和生态学家对区域性和全球的长期鸟类-栖息地变化的关注以及GIS技术水平的提高，GIS在现代鸟类栖息地研究中正在发挥越来越重要的作用。特别是对于一些广袤且偏远的地区，能够有效的展示、预测和监测鸟类与其栖息地的关系，促进实现物种保护管理目标。

为了充分展现遥感技术在野生动物及其栖息地研究和保护中的作用和价值，集合多学科的知识和研究方法是十分必要的。在今后的研究中，需要根据目标物种的生态学特性以及当地的景观配置，对该物种的最佳栖息地分类，栖息地特征的最佳数和最适宜的尺度进行详细说明。在鸟类调查技术、地面测量、遥感影像来源和分类、准确度估计和统计分析方法上也需要进行详细阐述，并逐渐形成标准化模式，这样才能更好地理解并提高结论和对比分析的质量。

截至目前，并不是所有的遥感技术在鸟类学中的应用都已成熟，如影像数据源、影像时相、遥感信息提取方法、鸟类野外调查方法等均存在很多缺陷和不足。然而，通过几十年的发展，遥感技术在鸟类栖息地研究中的基本方法已经形成，并且在更大范围内的应用发挥越来越重要的作用，特别是决定全球水平上的物种栖息地重要空间因子、预测鸟类及其栖息地的分布，以及监测它们的变化等。