Идентификация древесных видов растений является приоритетной задачей при проведении дистанционного мониторинга древесных насаждений в независимости от его целей. В последнее время растет число исследований по идентификации древесных растений методами спектрального фенотипирования. Вместе с тем идентификация древесных растений по их спектральным характеристикам остается сложной задачей. Одним из подходов к увеличению точности дистанционной идентификации растений является учет их фенологических различий. Целью исследования было проведение идентификации Acer platanoides, A. campestre, A. negundo, A. Saccharinum и A. Ibericum по спектральным характеристикам их листьев, представляющих подробный временной ряд за период вегетации и определение оптимального для идентификации периода в их фенологическом цикле. Исследование проводилось в лабораторных условиях, с использованием гиперспектральной камеры Cubert UHD-185. Идентификация видов кленов проводилась с помощью алгоритма случайного леса (RF) по пикселям. В качестве независимых переменных в RF модели использовались вегетационные индексы (ВИ). Было установлено, что наличие различий в фенологии видов является важной предпосылкой для их успешной идентификации. Наибольшая точность идентификации видов была достигнута в периоды весеннего развития и осеннего старения листьев. Ошибка OOB (Out-of-bag error) RF модели составила по этим периодам 2.1–6.1% и 4.3–6.7% соответственно. Определена группа неколлинеарных ВИ для классификации видов клена методом машинного обучения. Это ARI, Boochs, CCI, CI, CRI1, D1, D2, Datt3, Datt4, DDn, DPI, DWSI4, EVI, Gitelson, Gitelson2, LSINorm, LSIRed, MCARI, MCARI2, modPRI, MPRI, NDVI, PARS, PRI, PRI_CI2, PRI_norm, PSND, PSSR, SR4, SR5, TCARI2, TCARI2_OSAVI2 и TGI. Наиболее информативными для RF классификации кленов по вкладу в изменение значения ООВ error и индекса Джини оказались следующие ВИ: CCI, MPRI, DWSI4, Datt4, CRI1, DDn.
